基于神经网络的漏损识别方法、装置、设备及存储介质
阅读：380发布：2023-02-07
专利汇可以提供基于神经网络的漏损识别方法、装置、设备及存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于神经网络的漏损识别方法、装置、设备及存储介质。所述基于神经网络的漏损识别方法，包括以下步骤：S1，获取流量计数据、气象信息、年内日期值以及日内分钟值；S2，通过步骤S1获取的数据计算模型输入信息，所述模型输入信息包括区域上一时间段用 水 量、气象函数、时间段函数以及工作日函数；S3，利用神经网络模型对模型输入信息进行处理，获取下一时间段区域用水量估计值；S4，根据下一时间段区域用水量估计值与区域实际用水量计算比较值，若比较值大于预设 阈值 ，执行步骤S5；比较值小于或等于预设阈值时，返回步骤S1；S5，比较值大于预设阈值，执行报警操作，然后返回步骤S1。，下面是基于神经网络的漏损识别方法、装置、设备及存储介质专利的具体信息内容。
1.一种基于神经网络的漏损识别方法，其特征在于，包括以下步骤：
S1，获取流量计数据、气象信息、年内日期值以及日内分钟值；
S2，通过步骤S1获取的数据计算模型输入信息，所述模型输入信息包括区域上一时间段用水量、气象函数、时间段函数以及工作日函数；
S3，利用神经网络模型对模型输入信息进行处理，获取下一时间段区域用水量估计值；
S4，根据下一时间段区域用水量估计值与区域实际用水量计算比较值，若比较值大于预设阈值，执行步骤S5；比较值小于或等于预设阈值时，返回步骤S1；
S5，比较值大于预设阈值，执行报警操作，然后返回步骤S1。
2.根据权利要求1所述的基于神经网络的漏损识别方法，其特征在于，所述步骤S1获取的气象信息包括温度、湿度或降水量信息；
所述步骤S2所述气象函数表示气象信息，包括温度值或湿度值，采用数组的形式表示；
所述时间段函数表示年内日期时间区间和日内时间区间，分别由年内日期值和日内分钟值计算获得；所述工作日函数表示工作日或节假日信息，由所在日期距离下一最近假期时长与距离下一最近假期结束时长的比值表示。
3.根据权利要求1所述的基于神经网络的漏损识别方法，其特征在于，所述神经网络模型为BP神经网络模型。
4.根据权利要求1所述的基于神经网络的漏损识别方法，其特征在于，所述神经网络模型的训练方法为：采用移动窗口方法提取历史采集数据来训练神经网络。
5.根据权利要求1所述的基于神经网络的漏损识别方法，其特征在于，所述步骤S5具体包括以下步骤：
S51，当比较值大于预设阈值时，启动计时操作；
S52，在计时时间区间内，比较值超过预设阈值的时间区间大于预设时间区间值，则执行步骤S53；反之返回步骤S1；
S53，执行报警操作。
6.根据权利要求5所述的基于神经网络的漏损识别方法，其特征在于，比较值超出预设阈值的数值与预设时间区间值成反时限函数关系。
7.一种基于神经网络的漏损识别装置，其特征在于，包括数据采集模块、数据库、神经网络识别模块、数据处理模块以及报警模块；
数据采集模块的输出端连接数据库，数据库分别连接神经网络识别模块和数据处理模块的第一输入端，神经网络识别模块的输出端连接数据处理模块的第二输入端，数据处理模块的输出端连接报警模块的输入端；
其中，数据采集模块用于采集流量计数据、气象信息、年内日期值以及日内分钟值；数据库用于存储数据采集模块采集的数据；神经网络识别模块用于根据数据库输入的区域上一时间段相关数据获取下一时间段区域用水量估计值；数据处理模块用于根据下一时间段区域用水量估计值与区域实际用水量计算比较值，并判断是否控制报警模块执行报警操作；报警模块用于根据数据处理模块的输出信号执行报警操作。
8.根据权利要求7所述的基于神经网络的漏损识别装置，其特征在于，还包括神经网络训练模块；数据库的输出端连接神经网络训练模块的输入端，神经网络训练模块的输出端连接神经网络识别模块的第二输入端；所述神经网络训练模块采用移动窗口方法提取数据库中的历史采集数据来训练神经网络。
9.一种基于神经网络的漏损识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述基于神经网络的漏损识别方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于神经网络的漏损识别方法的步骤。
基于神经网络的漏损识别方法、装置、设备及存储介质
技术领域
背景技术
[0002] 现有的供水企业都是被动检察漏损，往往泄漏时间较长、总的水损比较大时，才能发现问题，进而去定位漏损位置进行维修，导致水资源的浪费情况较为严重；即使请检漏公司进行漏水普查，能在短时间内取得很好的效果，但是由于漏水复原现象的存在，并不能从根本上达到降漏损的目的。
[0003] 漏损是我国水行业最大的痛点之一，目前主要通过DMA(District Metering Area独立计量区域)管理分析模式，并采用IWA(IWA-International Water Association国际水协会)供水系统水量平衡表进行主动漏损评估分析和控制。由于供水系统水量平衡表中最重要部分——可计量水量(收费计量水量和未收费已计量水量)主要采用分区流量计和用户水表采集获得；而用户水表大量采用机械表，智能水表普及率较低；即使采用智能水表，智能水表水量采集密度较低，且抄表不能同步；因此平衡表分析法难以准确实施，动态分析性能极差，无法及时发现水量异常。鉴于上述原因，国内尝试采用以管网GIS(地理信息系统)、动态水力模型建模等分析为依托，应用多种漏损计算方法，诸如夜间最小流量/日均流量、单位管长夜间净流量、单位服务连接夜间净流量、管网漏失指数(ILI InfrastructureLeakage Index)、最小夜间流量阈值报警与检漏触动等，对计量分区和DMA进行管理，以及对区域漏损水量、区域产销差水量的计量。从不同空间尺度、不同时间尺度全面分析管网和各级分区的漏损和产销差现状，识别漏损、产销差的主要影响因素。但是动态水力建模由于管道实际情况以及用户动态不可测量，模型难以建立，模型预测效果差。最小流量等分析周期长，对日间异常难以发现。
发明内容
[0004] 本发明的目的在于克服现有技术中所存在的上述不足，提供一种基于神经网络的漏损识别方法、装置、设备及存储介质。
[0005] 为了实现上述发明目的，本发明提供了以下技术方案：
[0006] 一种基于神经网络的漏损识别方法，包括以下步骤：
[0007] S1，获取流量计数据、气象信息、年内日期值以及日内分钟值；
[0008] S2，通过步骤S1获取的数据计算模型输入信息，所述模型输入信息包括区域上一时间段用水量、气象函数、时间段函数以及工作日函数；
[0009] S3，利用神经网络模型对模型输入信息进行处理，获取下一时间段区域用水量估计值；
[0010] S4，根据下一时间段区域用水量估计值与区域实际用水量计算比较值，若比较值大于预设阈值，执行步骤S5；比较值小于或等于预设阈值时，返回步骤S1；
[0011] S5，比较值大于预设阈值，执行报警操作，然后返回步骤S1。
[0012] 优选地，所述步骤S1获取的气象信息包括温度、湿度或降水量信息；
[0013] 所述步骤S2所述气象函数表示气象信息，包括温度值或湿度值，采用数组的形式表示；所述时间段函数表示年内日期时间区间和日内时间区间，分别由年内日期值和日内分钟值计算获得；所述工作日函数表示工作日或节假日信息，由所在日期距离下一最近假期时长与距离下一最近假期结束时长的比值表示。
[0014] 优选地，所述神经网络模型为BP神经网络模型。
[0015] 优选地，所述神经网络模型的训练方法为：采用移动窗口方法提取历史采集数据来训练神经网络。
[0016] 优选地，所述步骤S5具体包括以下步骤：
[0017] S51，当比较值大于预设阈值时，启动计时操作；
[0018] S52，在计时时间区间内，比较值超过预设阈值的时间区间大于预设时间区间值，则执行步骤S53；反之返回步骤S1；
[0019] S53，执行报警操作。
[0020] 优选地，比较值超出预设阈值的数值与预设时间区间值成反时限函数关系。
[0022] 数据采集模块的输出端连接数据库，数据库分别连接神经网络识别模块和数据处理模块的第一输入端，神经网络识别模块的输出端连接数据处理模块的第二输入端，数据处理模块的输出端连接报警模块的输入端；
[0023] 其中，数据采集模块用于采集流量计数据、气象信息、年内日期值以及日内分钟值；数据库用于存储数据采集模块采集的数据；神经网络识别模块用于根据数据库输入的区域上一时间段相关数据获取下一时间段区域用水量估计值；数据处理模块用于根据下一时间段区域用水量估计值与区域实际用水量计算比较值，并判断是否控制报警模块执行报警操作；报警模块用于根据数据处理模块的输出信号执行报警操作。
[0024] 优选地，所述基于神经网络的漏损识别装置还包括神经网络训练模块；数据库的输出端连接神经网络训练模块的输入端，神经网络训练模块的输出端连接神经网络识别模块的第二输入端；所述神经网络训练模块采用移动窗口方法提取数据库中的历史采集数据来训练神经网络。
[0025] 一种基于神经网络的漏损识别设备，包括：
[0027] 处理器，用于执行所述计算机程序时实现所述基于神经网络的漏损识别方法的步骤。
[0028] 一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于神经网络的漏损识别方法的步骤。
[0029] 与现有技术相比，本发明的有益效果：
[0030] 1、综合考虑用户日常用水量，气像，当前时间段，工作日以及节假日等因素对用水量的影响，更加准确的预测下一时间段区域用水量估计值，以更快速准确的识别漏损现象，减轻水资源的浪费情况；
[0031] 2、通过采用移动窗口方法训练神经网络，以采集近期较新的数据训练模型，及时更新神经网络模型的参数，增强神经网络模型的预测准确度；
[0032] 3、通过漏损识别时，比较值超过预设阈值的时间区间需大于预设时间区间才执行报警操作，来避免短时偶发用水对漏损识别的影响；同时设置比较值超出预设阈值的数值与预设时间区间值成反时限函数关系，提高漏损识别的速度。附图说明：
[0034] 图2为本发明示例性实施例1的DMA管理分析模式示意图；
[0035] 图3为本发明示例性实施例1的神经网络识别及训练的过程示意图；
[0036] 图4为本发明示例性实施例1的基于神经网络的漏损识别方法的详细流程图；
[0037] 图5为本发明示例性实施例2中区域用水量估计值曲线效果图；(a)为星期二实际用水曲线与根据星期二用水量预测的星期三用水量估计值曲线对比图，(b)为星期四实际用水曲线与根据星期二用水量预测的星期四用水量估计值曲线对比图，(c)为星期六实际用水曲线与根据星期二用水量预测的星期六用水量估计值曲线对比图，(d)为星期天实际用水曲线与根据星期二用水量预测的星期天用水量估计值曲线对比图，(e)为星期三实际用水曲线与根据星期二用水量预测的星期三用水量估计值曲线对比图，(f)为星期四实际用水曲线与根据星期三用水量预测的星期四用水量估计值曲线对比图，(g)为星期六实际用水曲线与根据星期五用水量预测的星期六用水量估计值曲线对比图，(h)为星期天实际用水曲线与根据星期六用水量预测的星期天用水量估计值曲线对比图；
[0038] 图6为本发明示例性实施例3中基于神经网络的漏损识别装置的结构示意图；
[0039] 图7为本发明示例性实施例4中基于神经网络的漏损识别设备的结构示意图；
[0040] 图8为本发明示例性实施例4中基于神经网络的漏损识别设备的具体结构示意图。
具体实施方式
[0041] 下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
[0042] 实施例1
[0043] 如图1所示，本实施例提供一种基于神经网络的漏损识别方法，包括以下步骤：
[0044] S1，获取流量计数据、气象信息、年内日期值以及日内分钟值；
[0045] S2，通过步骤S1获取的数据计算模型输入信息，所述模型输入信息包括区域上一时间段用水量、气象函数、时间段函数以及工作日函数；
[0046] S3，利用神经网络模型对模型输入信息进行处理，获取下一时间段区域用水量估计值；
[0047] S4，根据下一时间段区域用水量估计值与区域实际用水量计算比较值，若比较值大于预设阈值，执行步骤S5；比较值小于或等于预设阈值时，返回步骤S1；
[0048] S5，比较值大于预设阈值，执行报警操作，然后返回步骤S1。
[0049] 监测区域的供水进出管安装流量计，以准确获取用水量。本方法通过采集监测区域各流量计的数据，并根据各流量计的数据计算区域上一时间段用水量。上一时间段用水量结合气象信息、年内日期值、日内分钟值等信息，一起作为神经网络模型的输入信息，通过神经网络模型计算下一时间段区域用水量估计值。该估计值综合考虑了用户日常用水量，气像，当前时间段，工作日以及节假日等因素对用水量的影响。然后根据下一时间段区域用水量估计值与区域实际用水量计算比较值，当比较值大于预设阈值时，执行报警操作。本方法综合考虑各因素对用水量的影响；并利用神经网络自学习和自适应能力，更精准的预测下一时间段区域用水量估计值，更快速准确的识别漏损现象，减轻水资源的浪费情况。
[0050] 如图2所示，本发明基于现有的DMA管理分析模式，对监管区域的所有进出管段安装流量计，指定所有流量计流入该区域内的值为正向流量，流出该区域的值为负向流量；然后对所有流量计的固定时长累计流量取和计算得到区域内在该时间段的区间用水量(所述区间用水量包含管道及设施漏水和用户用水量)，即为步骤S2所述的区域上一时间段用水量。统计流量计采用的固定时长根据具体情况设置，可以为分钟区间用水流量、小时区间用水量或小时区间用水量等。
[0051] 本实施例步骤S1获取的气象信息包括温度或湿度等信息；步骤S2所述的气象函数表示气象信息，包括温度值或湿度值，可以采用数组的形式表示。
[0052] 步骤S2所述的时间段函数表示年内日期时间区间和日内时间区间，分别由年内日期值和日内分钟值计算获得；
[0053] 步骤S2所述的工作日函数表示工作日或节假日等信息，可以由所在日期距离下一最近假期时长与距离下一最近假期结束时长的比值表示。
[0054] 综合考虑用户日常用水量，气像，当前时间段，工作日以及节假日等因素对用水量的影响，更加准确的预测下一时间段区域用水量估计值。气象因素，例如温度、湿度、降水量等会影响用户的用水量。当天气温度较高时，一般名用水会显著增加；例如饮水量、洗漱用水量等；而农业用水量也与温度、湿度、降水量等气象因素关联紧密；因此输入气象信息，可以提高预测的准确性。一天不同时间段的用水量差异较大，因此预测下一时间段用水量时，需综合考虑当前所处的时间段；例如用水高峰期与夜间最小流量期的用水量差异较大；因此输入当前时间段信息，可以提高预测的准确性。工作日以及节假日因素会影响用水用户以及用户用水量；例如用户出行，则会导致用水行为推迟；学校等机构放假时，用水量会大大减少，因此通过工作日函数反应用户离家出行的概率，或用水量减少的情况；因此工作日以及节假日因素，可以提高预测的准确性。
[0055] 其中，步骤S3采用的神经网络模型为现有的神经网络模型，依据神经网络模型的自学习和自适应能力，计算获得下一时间段区域用水量估计值。
[0056] 优选地，神经网络模型为BP(Back Propagation)神经网络模型。
[0057] BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络是一种较好地适应非线性和具备连续感知的机器学习算法。采用BP神经网络以准确计算获得下一时间段区域用水量估计值。
[0058] 如图3所示，进一步地，神经网络模型的训练方法为：采用移动窗口方法提取数据库中的保存的历史采集数据来训练神经网络，使训练数据所在时间段与当前时间保持固定距离。用水量受时间的影响较大；为了确保模型能较快适应区间用水渐变发展，避免训练所用历史数据间隔时间较长导致模型的准确度较低，例如受诸如入住率等因素的影响；因此需采集较新的数据训练神经网络模型，调整神经网络模型内部的参数。通过采用移动窗口方法训练神经网络，可以采集近期较新的数据训练模型，及时更新神经网络模型的参数，提高系统对新用水趋势的适应，增强神经网络模型的预测准确度。
[0059] 进一步地，步骤S4中区域实际用水量与下一时间段区域用水量估计值的差值记作比较值。
[0060] 如图4所示，进一步地，步骤S5具体包括以下步骤：
[0061] S51，当比较值大于预设阈值时，启动计时操作；
[0062] S52，在计时时间区间内，比较值超过预设阈值的时间区间大于预设时间区间值，则执行步骤S53；反之返回步骤S1；
[0063] S53，执行报警操作。
[0064] 短时偶发用水可能导致区域实际用水量大于下一时间段区域用水量估计值，造成漏损识别的误判。当比较值大于预设阈值时，启动计时操作，判断比较值大于预设阈值的时间较长时，才执行报警操作，避免短时偶发用水造成漏损识别的误判。
[0065] 进一步地，比较值超出预设阈值的数值与预设时间区间值成反时限函数关系。即比较值超过预设阈值的数值越大，预设时间区间值越小。反时限函数中最简单的函数为反比例函数。比较值超出预设阈值的数值与预设时间区间值成反时限函数关系，可以更加准确的判断是否发生漏损，同时当漏损情况较严重时，可以迅速反应，更快的执行报警操作。
[0066] 实施例2
[0067] 本实施例采用实施例1所述的基于神经网络的漏损识别方法对某一地区的用水量进行估计，以判断是否发生漏损。本实施例采用神经网络预测区域用水量估计值前，采用历史两周的该区域用户用水量训练BP神经网络，以提高BP神经网络的预测准确度。预测区域用水量估计值时，设置采集周期为15分钟，每隔15分钟采集一次上一时间段用水量，并对未来用水量进行预测，得到的区域用水量估计值曲线效果图如图5所示，图中个曲线图的横轴表示从预测开始点起间隔的采样周期个数，纵轴表示小时流量。
[0068] 图5中的图(a)至(d)中的虚线表示的区域用水量估计值曲线，分别为根据星期二的用水量预测的该区域当周星期三、星期四、星期六、星期天的用水量估计值曲线；图5中的(a)至(d)中的实线表示的实际用水曲线，分别为该区域当周星期二、星期四、星期六、星期天的实际用水曲线；图5中的图(e)至(h)中的虚线表示的区域用水量估计值曲线，分别为根据前一天的用水量预测的该区域当周星期三、星期四、星期六、星期天的用水量估计值曲线，即分别展示根据星期二、星期三、星期五以及星期六的实际用水量预测的未来24小时内的用水量；图5中的(e)至(h)中的实线表示的实际用水曲线，分别为该区域当周星期三、星期四、星期六、星期天的实际用水曲线。
[0069] 从图中的各曲线可知，预测数据基本能与实际数据保持相同的变化趋势，但距离上一时间段用水量的采集时间越远，预测数据出现偏差的可能性越大，例如图5(c)中第80至100个周期内的用水量估计值与实际用水量的差值较大；因此预测时，为了提高预测准确度，采集的上一时间段用水量尽可能的接近预测时间段，例如图5(g)中根据星期五用水量预测的星期六用水量估计值与星期六实际用水量的差值就较小。本实施例采用的基于神经网络的漏损识别方法由于采用一定的周期采集上一时间段用水量，使上一时间段用水量尽可能的接近预测时间段，提高了预测的用水量估计值的准确度，可以更好地进行漏损识别，进而提高了漏损识别的准确度。
[0070] 实施例3
[0071] 相应于上面的方法实施例，本实施例还提供了一种基于神经网络的漏损识别装置，下文描述的基于神经网络的漏损识别装置与上文描述的基于神经网络的漏损识别方法可相互对应参照。
[0072] 参见图6所示，该装置包括以下模块：数据采集模块101、数据库102、神经网络识别模块103、数据处理模块104以及报警模块105；
[0073] 数据采集模块101的输出端连接数据库102，数据库分别连接神经网络识别模块103和数据处理模块104的第一输入端，神经网络识别模块103的输出端连接数据处理模块
104的第二输入端，数据处理模块104的输出端连接报警模块105的输入端。
104的第二输入端，数据处理模块104的输出端连接报警模块105的输入端。
[0074] 其中，数据采集模块101用于采集流量计数据、气象信息、年内日期值以及日内分钟值；数据库102用于存储数据采集模块采集的数据；神经网络识别模块103用于根据数据库102输入的区域上一时间段相关数据获取下一时间段区域用水量估计值；数据处理模块104用于根据下一时间段区域用水量估计值与区域实际用水量计算比较值，并判断是否控制报警模块105执行报警操作；报警模块105用于根据数据处理模块104的输出信号执行报警操作。
[0075] 其中，基于神经网络的漏损识别装置还包括神经网络训练模块106；数据库102的输出端连接神经网络训练模块106的输入端，神经网络训练模块106的输出端连接神经网络识别模块103的第二输入端。所述神经网络训练模块106采用移动窗口方法提取数据库102中的历史采集数据来训练神经网络，使训练数据所在时间段与当前时间保持固定距离。
[0076] 应用本发明实施例所提供的装置，获取流量计数据、气象信息、年内日期值以及日内分钟值，然后通过神经网络识别模块，获取下一时间段区域用水量估计值，最后通过数据处理模块识别漏损现象，控制报警模块执行报警操作。除此之外，通过神经网络训练模块及时更新神经网络模型的内部参数，提高神经网络的识别精度。
[0077] 实施例4
[0078] 相应于上面的方法实施例，本实施例还提供了一种基于神经网络的漏损识别设备，下文描述的一种基于神经网络的漏损识别设备与上文描述的一种基于神经网络的漏损识别方法可相互对应参照。
[0079] 参见图7所示，该基于神经网络的漏损识别设备包括：
[0080] 存储器D l，用于存储计算机程序；
[0081] 处理器D2，用于执行计算机程序时实现上述方法实施例的基于神经网络的漏损识别方法的步骤。
[0082] 具体的，请参考图8，为本实施例提供的基于神经网络的漏损识别设备的具体结构示意图，该基于神经网络的漏损识别设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在基于神经网络的漏损识别设备301上执行存储介质330中的一系列指令操作。
[0083] 基于神经网络的漏损识别设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。
[0084] 上文所描述的基于神经网络的漏损识别方法中的步骤可以由基于神经网络的漏损识别设备的结构实现。
[0085] 实施例5
[0086] 相应于上面的方法实施例，本实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于神经网络的漏损识别方法可相互对应参照。
[0087] 一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于神经网络的漏损识别方法的步骤。
[0088] 该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
[0089] 以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种长石釉 | 2020-05-11 | 552 |
| 一种长石矿选矿工艺 | 2020-05-12 | 223 |
| 钾长石的利用方法 | 2020-05-12 | 233 |
| 一种长石微粉增白方法 | 2020-05-12 | 494 |
| 钾长石的除铁选矿工艺 | 2020-05-12 | 293 |
| 吊装大长石用吊钩 | 2020-05-12 | 397 |
| 钾长石烘干烧结窑 | 2020-05-11 | 42 |
| 钾长石低温分解方法 | 2020-05-12 | 956 |
| 一种钾钠长石粉生产线 | 2020-05-13 | 137 |
| 拉长石汽车坐垫套件 | 2020-05-12 | 584 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈