CN108627794A - 一种基于深度学习的智能化仪表检测方法 - Google Patents
一种基于深度学习的智能化仪表检测方法 Download PDFInfo
- Publication number
- CN108627794A CN108627794A CN201810678678.3A CN201810678678A CN108627794A CN 108627794 A CN108627794 A CN 108627794A CN 201810678678 A CN201810678678 A CN 201810678678A CN 108627794 A CN108627794 A CN 108627794A
- Authority
- CN
- China
- Prior art keywords
- data
- instrument
- reading
- processing
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 6
- 210000000352 storage cell Anatomy 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的智能化仪表检测方法，包括：通过相机拍摄仪表图像，工控机对图像进行预处理，并通过图像数字识别技术读取仪表数值；对读取的仪表数值数据进行分析处理，做出结果预测和判断；如果分析判断仪表已经损坏，则发出仪表更换报警，并作出相应的停机处理；如果仪表工作正常，但数值超出仪表的安全范围，则发出警报并立刻停止设备运行；对历史数据和之前的处理判定进行智能学习，并将其返回给系统，不断完善数据分析处理和系统预判，通过不间断的机器自我学习，提高其预判的准确性。本发明具有智能化程度高、具有预判能力的优点，并且通过历史数据及历史判定不断的自我完善预判方法，提高智能预判能力。
Description
技术领域
本发明涉及机器视觉和深度学习技术在仪表监控领域的应用，具体涉及一种基于深度学习的智能化仪表检测方法。
背景技术
随着机器视觉技术的发展，图像识别被越来越多地运用到工业、军事和日常生活中。机器视觉作为一门新兴的学科，发展十分迅速。深度学习是机器学习的一个分支，其目的在于建立一个模拟人脑进行分析学习的神经网络，通过模仿人脑的工作机制来进行数据处理。
现代工业环境下，已有许多仪表和计算机进行了连接，但这些连接通常是将同类型或相关仪表连接到机柜上。这些机柜有时因为技术的原因会放在测量现场，因此这种机柜依然需要人工到现场读取数据，耗费大量的人力物力。特别是在核电、化工等特殊领域，仪表数据采用人工读取存在很多缺点。主要在于这些仪表放在有一定危险的地方，靠人工读取仪表数据有一定的危险性。其次，人在面对重复工作时或者疲劳的情形下非常容易出错，从而对生产造成重大影响。再者，由于工作人员无法一直待在仪表现场，因此仪表数据读取不能够达到实时性，这就造成设备或者仪表故障不能及时被发现。最后，因为现场的仪表及相关数据特别庞大，人工读取方式很难通过仪表数据来预判仪表或设备何时发生故障。
发明内容
针对上述问题，本发明提出一种基于深度学习的智能化仪表检测方法，有效解决现有工业仪表因为缺少自我检测而导致的安全问题、数据出错问题和仪表或者设备故障问题。
为实现上述目的，本发明采用的技术方案为一种基于深度学习的智能化仪表检测方法，具体包含以下步骤：
S1：通过相机拍摄仪表图像，并将图像传回工控机，工控机对图像进行预处理，并通过图像数字识别技术读取仪表数值；
S2：对读取的仪表数值数据进行分析处理，通过与历史数据和设备检测相关数据结合分析，做出结果预测和判断；
S3：如果根据已有数据和判断方法无法做出准确判断，则暂不做出判断，并进行重复读取仪表数据，再进行判断；
S4：如果读取的数值经分析认为可靠，并且在仪表正常范围内，则判断仪表和设备一切工作正常，并按原程序的设定周期性读取数据，并进行数据存储和分析处理；
S5：如果分析判断仪表数值开始趋于不准，仪表开始损坏，但还能继续工作，则按程序设定进行周期性读取数据并分析处理，同时发出仪表更换预警；
S6：如果分析判断仪表已经损坏，则发出仪表更换报警，提醒尽快更换仪表，并作出相应的停机处理；
S7：如果仪表工作正常，但数值超出仪表的安全范围，则发出警报并立刻停止设备运行；
S8：对历史数据和之前的处理判定进行智能学习，并将其返回给系统，不断完善数据分析处理和系统预判，通过这种不间断的机器自我学习，提高其预判的准确性。
进一步，上述步骤S2中，所述对读取的仪表数值数据进行分析处理具体包含以下步骤：
S21：数据分析处理服务器在采集到数据B时，同时调取历史数据历史数据A；
S22：数据处理服务器通过数据B判断仪表或设备是否存在问题，如果没有问题，返回初始采集新数据；
S23：如果存在问题，根据多次采集到的数据B跟历史数据A进行比对，分析是否存在关联，如果没有关联，返回初始采集新数据；
S24：如果发现历史数据A和数据B对于发生仪表或设备故障问题有关联，则在以后采集到历史数据A的时候，立即判断仪表或设备存在问题。
上述步骤S8中所述的智能学习是通过将步骤21至24的判断过程作为新的方法存入数据分析处理服务器实现的。
本发明还进一步提出一种实现上述基于深度学习的智能化仪表检测方法的检测系统，该系统依信号处理的先后顺序依次包括数据读取单元、数据存储单元、数据分析处理单元和预判告警单元四个模块，其中，数据读取单元采用机器视觉技术，通过相机对仪表读数界面进行拍照得到所需图像，然后经过图像处理，采用图像数字识别技术读取仪表指示的读数；数据存储单元用来存储相关设备检测的历史数据和其他检测数据；数据分析处理单元根据预定的数据使用规则，对历史数据与新数据进行趋势分析，并与相关检测数据一起进行运算分析；预判告警单元根据数据分析处理结果判断仪表状况和设备运行状况，并做出相应的告警指示。
上述仪表状况包括损坏情况和寿命趋势。
与现有技术相比，本发明具有以下有益效果：
1)智能化程度高。采用相机在现场实时读取数据，代替人工，节省人力成本，保障人员安全
2)具有预判能力。根据历史数据，可以预判仪表损坏程度，避免仪表损坏失效读取无用数据造成损失
3)大数据处理能力。通过跟设备其他相关检测技术得到的数据进行综合分析，可以预判设备运行状态，避免设备发生故障。
4)智能学习能力。通过历史数据及历史判定不断的自我完善预判方法，提高智能预判能力。
附图说明
图1为本发明描述的方法结构图。
图2为本发明描述的方法流程图。
图3是本发明描述的数据处理方法流程图。
图4为发明的一个具体实施例的示意图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
一种实现本发明的检测系统的总体结构由数据读取单元、数据存储单元、数据分析处理单元、预判告警单元4个部分组成，如图1所示。
各单元功能如下：
(1)数据读取单元采用机器视觉技术，通过相机对仪表读数界面进行拍照得到所需图像，然后经过图像处理，采用图像数字识别技术读取仪表指示的读数。
(2)数据存储单元主要用来存储相关设备检测数据，包括：通过读取单元读取的仪表数据、读取仪表的历史数据、其他检测数据。
(3)数据分析处理单元根据预定的数据使用规则，对历史数据与新数据进行趋势分析，并与相关检测数据一起进行运算分析。
(4)预判告警单元根据数据分析处理结果判断仪表损坏情况、寿命趋势，设备运行状况，并做出相应的告警指示。
本发明提出的基于深度学习的智能化仪表检测方法的流程图如图2所示：
1)通过相机拍摄仪表图像，并将图像传回工控机。工控机对图像进行预处理，并通过图像数字识别技术读取仪表数值。
2)对新读取的数据进行分析处理，通过与历史数据和设备检测相关数据结合分析，做出结果预测和判断。
3)如果根据已有数据和判断方法无法做出准确判断，并觉得目前读取数据无规律但又好像存在问题，此时暂不做出判断，并进行重复读取仪表数据再进行判断。
4)如果读取数值分析可靠，并且在仪表正常范围内，则判断仪表和设备一切工作正常，并按原程序设定周期性读取数据，并进行数据存储和分析处理。
5)如果分析判断仪表读数开始趋于不准，仪表开始损坏，但还能继续工作，则按程序设定进行周期性读取数据并分析处理，同时发出仪表更换预警。
6)如果分析判断仪表已经损坏，则发出仪表更换报警，提醒尽快更换仪表，并作出相应的停机处理。
7)如果仪表工作正常但数值超出安全范围，发出警报并立刻停止设备运行。
8)对历史数据和之前处理判定进行智能学习，并将其返回给系统，不断完善数据分析处理和系统预判，通过机器这种不断的自我学习，提高其预判的准确性。
上述检测步骤中的数据处理的流程如图3所示，具体包含以下步骤：
a)数据分析处理服务器在采集到数据B时，同时调取历史数据(包括历史数据A)。
b)数据处理服务器通过数据B判断仪表或设备是否存在问题。如果没有问题，返回初始采集新数据；
c)如果存在问题，根据多次采集到数据B跟历史数据进行比对分析是否存在关联，如果没有关联，返回初始采集新数据；
d)如果发现数据A和数据B对于发生仪表或设备故障问题有关联，则在以后采集到数据A的时候，立即判断仪表或设备存在问题，并将此判断方法作为新的方法存入数据分析处理服务器，以此完成一种智能学习。
为便于本领域的技术人员实施本发明，现提供一个具体实施例，实施例的具体实施方案如图4所示。
在生产现场，通过摄像机拍摄设备仪表读数的图像数据，通过温度传感器、压力传感器等各种传感器采集设备的各种状态数据，并将包含现场其他数据一并通过光纤或无线方式传输到监控中心的数据存储服务器。
在监控中心，数据分析处理服务器对各种数据进行分析处理，并与历史数据、相关数据进行综合分析判断仪表及设备的运行状态。
数据分析处理服务器根据处理结果，发送指令控制设备的运行。
数据分析处理服务器分析处理数据发现设备或仪表出现故障安全等问题，声光报警指示灯开始工作，提醒相关人员。
监控显示器将仪表和设备的运行状态展示在显示器上，供工作人员读取，并且工作人员可以通过电脑读取所有设备运行数据和仪表数据。
以上具体实施方式的描述并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的智能化仪表检测方法，其特征在于包含以下步骤：
S1：通过相机拍摄仪表图像，并将图像传回工控机，工控机对图像进行预处理，并通过图像数字识别技术读取仪表数值；
S2：对读取的仪表数值数据进行分析处理，通过与历史数据和设备检测相关数据结合分析，做出结果预测和判断；
S3：如果根据已有数据和判断方法无法做出准确判断，则暂不做出判断，并进行重复读取仪表数据，再进行判断；
S4：如果读取的数值经分析认为可靠，并且在仪表正常范围内，则判断仪表和设备一切工作正常，并按原程序的设定周期性读取数据，并进行数据存储和分析处理；
S5：如果分析判断仪表数值开始趋于不准，仪表开始损坏，但还能继续工作，则按程序设定进行周期性读取数据并分析处理，同时发出仪表更换预警；
S6：如果分析判断仪表已经损坏，则发出仪表更换报警，提醒尽快更换仪表，并作出相应的停机处理；
S7：如果仪表工作正常，但数值超出仪表的安全范围，则发出警报并立刻停止设备运行；
S8：对历史数据和之前的处理判定进行智能学习，并将其返回给系统，不断完善数据分析处理和系统预判，通过这种不间断的机器自我学习，提高其预判的准确性。
2.根据权利要求1所述的基于深度学习的智能化仪表检测方法，其特征在于，步骤2中所述对读取的仪表数值数据进行分析处理具体包含以下步骤：
S21：数据分析处理服务器在采集到数据B时，同时调取历史数据历史数据A；
S22：数据处理服务器通过数据B判断仪表或设备是否存在问题，如果没有问题，返回初始采集新数据；
S23：如果存在问题，根据多次采集到的数据B跟历史数据A进行比对，分析是否存在关联，如果没有关联，返回初始采集新数据；
S24：如果发现历史数据A和数据B对于发生仪表或设备故障问题有关联，则在以后采集到历史数据A的时候，立即判断仪表或设备存在问题。
3.根据权利要求2所述的基于深度学习的智能化仪表检测方法，其特征在于，所述智能学习是通过将步骤21至24的判断过程作为新的方法存入数据分析处理服务器实现的。
4.一种实现权利要求1所述的基于深度学习的智能化仪表检测方法的检测系统，其特征在于该系统依信号处理的先后顺序依次包括数据读取单元、数据存储单元、数据分析处理单元和预判告警单元四个模块，其中，数据读取单元采用机器视觉技术，通过相机对仪表读数界面进行拍照得到所需图像，然后经过图像处理，采用图像数字识别技术读取仪表指示的读数；数据存储单元用来存储相关设备检测的历史数据和其他检测数据；数据分析处理单元根据预定的数据使用规则，对历史数据与新数据进行趋势分析，并与相关检测数据一起进行运算分析；预判告警单元根据数据分析处理结果判断仪表状况和设备运行状况，并做出相应的告警指示。
5.根据权利要求4所述的基于深度学习的智能化仪表检测方法的检测系统，其特征在于所述仪表状况包括损坏情况和寿命趋势。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678678.3A CN108627794B (zh) | 2018-06-27 | 2018-06-27 | 一种基于深度学习的智能化仪表检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810678678.3A CN108627794B (zh) | 2018-06-27 | 2018-06-27 | 一种基于深度学习的智能化仪表检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108627794A true CN108627794A (zh) | 2018-10-09 |
| CN108627794B CN108627794B (zh) | 2020-09-29 |
Family
ID=63688347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810678678.3A Expired - Fee Related CN108627794B (zh) | 2018-06-27 | 2018-06-27 | 一种基于深度学习的智能化仪表检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108627794B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109822344A (zh) * | 2019-04-01 | 2019-05-31 | 吉林大学 | 一种汽车仪表自动化装配检测生产线及方法 |
| CN110059610A (zh) * | 2018-12-25 | 2019-07-26 | 苏州百卓网络技术有限公司 | 一种基于图像识别的指针式仪表预警方法 |
| CN110175648A (zh) * | 2019-05-28 | 2019-08-27 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
| CN110727253A (zh) * | 2019-10-18 | 2020-01-24 | 河南中烟工业有限责任公司 | 一种能源计量仪表数据质量预警机制的构建方法 |
| CN114265385A (zh) * | 2021-11-19 | 2022-04-01 | 中国兵器工业信息中心 | 一种基于深度学习的故障识别方法、装置及存储介质 |
| CN114909782A (zh) * | 2018-10-11 | 2022-08-16 | 富士通将军股份有限公司 | 空调机、数据发送方法以及空调系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090187284A1 (en) * | 2008-01-21 | 2009-07-23 | Kreiss David G | System and Method for Providing Power Distribution System Information |
| CN102498445A (zh) * | 2009-09-17 | 2012-06-13 | 西门子公司 | 用于机器状态监测的、使用规则生成的样本的监督故障学习 |
| CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
| CN103296759A (zh) * | 2013-06-04 | 2013-09-11 | 成都思晗科技有限公司 | 一种输电线路故障监测设备的控制方法 |
| CN104006834A (zh) * | 2014-05-28 | 2014-08-27 | 常州中能电力科技有限公司 | 变电站机械式表计数据采集及诊断系统 |
| CN105182274A (zh) * | 2015-04-01 | 2015-12-23 | 无锡桑尼安科技有限公司 | 室外电能表故障自动检验方法 |
| CN105427026A (zh) * | 2015-11-05 | 2016-03-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于保信系统的风险预警方法 |
| CN105548949A (zh) * | 2016-01-29 | 2016-05-04 | 张波 | 一种智能电能表的故障远程判断方法及其系统 |
| CN106338709A (zh) * | 2016-08-31 | 2017-01-18 | 浙江恒业电子有限公司 | 一种基于嵌入式平台的智能电表系统 |
| CN106681244A (zh) * | 2016-01-11 | 2017-05-17 | 江苏省电力公司金湖县供电公司 | 一种智能分布式配电室远程监控系统 |
| KR101863196B1 (ko) * | 2017-07-24 | 2018-06-01 | 한국생산기술연구원 | 딥러닝 기반 표면 결함 검출장치 및 방법 |
| CN108124487A (zh) * | 2017-12-22 | 2018-06-05 | 深圳前海达闼云端智能科技有限公司 | 云端抄表方法及装置 |
| CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
-
2018
- 2018-06-27 CN CN201810678678.3A patent/CN108627794B/zh not_active Expired - Fee Related
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090187284A1 (en) * | 2008-01-21 | 2009-07-23 | Kreiss David G | System and Method for Providing Power Distribution System Information |
| CN102498445A (zh) * | 2009-09-17 | 2012-06-13 | 西门子公司 | 用于机器状态监测的、使用规则生成的样本的监督故障学习 |
| CN102722166A (zh) * | 2012-06-29 | 2012-10-10 | 山东电力集团公司电力科学研究院 | 变电站设备智能视觉检测系统及状态检测方法 |
| CN103296759A (zh) * | 2013-06-04 | 2013-09-11 | 成都思晗科技有限公司 | 一种输电线路故障监测设备的控制方法 |
| CN104006834A (zh) * | 2014-05-28 | 2014-08-27 | 常州中能电力科技有限公司 | 变电站机械式表计数据采集及诊断系统 |
| CN105182274A (zh) * | 2015-04-01 | 2015-12-23 | 无锡桑尼安科技有限公司 | 室外电能表故障自动检验方法 |
| CN105427026A (zh) * | 2015-11-05 | 2016-03-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于保信系统的风险预警方法 |
| CN106681244A (zh) * | 2016-01-11 | 2017-05-17 | 江苏省电力公司金湖县供电公司 | 一种智能分布式配电室远程监控系统 |
| CN105548949A (zh) * | 2016-01-29 | 2016-05-04 | 张波 | 一种智能电能表的故障远程判断方法及其系统 |
| CN106338709A (zh) * | 2016-08-31 | 2017-01-18 | 浙江恒业电子有限公司 | 一种基于嵌入式平台的智能电表系统 |
| KR101863196B1 (ko) * | 2017-07-24 | 2018-06-01 | 한국생산기술연구원 | 딥러닝 기반 표면 결함 검출장치 및 방법 |
| CN108124487A (zh) * | 2017-12-22 | 2018-06-05 | 深圳前海达闼云端智能科技有限公司 | 云端抄表方法及装置 |
| CN108182433A (zh) * | 2017-12-29 | 2018-06-19 | 北京易达图灵科技有限公司 | 一种表计读数识别方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张春凤 等: "基于机器视觉的变电站监控视频数据结构化方法研究", 《电力信息与通信技术》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114909782A (zh) * | 2018-10-11 | 2022-08-16 | 富士通将军股份有限公司 | 空调机、数据发送方法以及空调系统 |
| CN114909782B (zh) * | 2018-10-11 | 2023-09-05 | 富士通将军股份有限公司 | 空调机、数据发送方法以及空调系统 |
| CN110059610A (zh) * | 2018-12-25 | 2019-07-26 | 苏州百卓网络技术有限公司 | 一种基于图像识别的指针式仪表预警方法 |
| CN109822344A (zh) * | 2019-04-01 | 2019-05-31 | 吉林大学 | 一种汽车仪表自动化装配检测生产线及方法 |
| CN110175648A (zh) * | 2019-05-28 | 2019-08-27 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
| CN110175648B (zh) * | 2019-05-28 | 2024-01-05 | 东莞德福得精密五金制品有限公司 | 应用人工智能云计算对设备进行非侵入性的信息连通方法 |
| CN110727253A (zh) * | 2019-10-18 | 2020-01-24 | 河南中烟工业有限责任公司 | 一种能源计量仪表数据质量预警机制的构建方法 |
| CN114265385A (zh) * | 2021-11-19 | 2022-04-01 | 中国兵器工业信息中心 | 一种基于深度学习的故障识别方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108627794B (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108627794A (zh) | 一种基于深度学习的智能化仪表检测方法 | |
| CN108805359A (zh) | 一种故障预判方法及装置 | |
| CN102602762B (zh) | 一种电梯检修监控方法 | |
| CN109858244A (zh) | 一种容器内进程异常行为检测方法与系统 | |
| CN106991731A (zh) | 集成设备维护的智能巡检方法及系统 | |
| CN101999101B (zh) | 系统运行预测的确定方法 | |
| CN108896186A (zh) | 设备智能诊断的方法及装置 | |
| CN107657390A (zh) | 一种特种设备安全隐患管控大数据监测系统及监测方法 | |
| US20230162484A1 (en) | Apparatus and method for generating learning data for artificial intelligence model | |
| CN109974780A (zh) | 一种基于物联网的电气设备状态监测系统 | |
| CN110728381A (zh) | 一种基于rfid和数据处理的发电厂智能巡检方法及系统 | |
| CN116185757B (zh) | 机房能耗智能监测系统 | |
| CN110095748A (zh) | 一种基于计量检定设备的检测装置和方法 | |
| CN113112216A (zh) | 一种针对设备缺陷的预判分析方法 | |
| CN108093210A (zh) | 一种变压器油位告警系统及其告警方法 | |
| CN110148290B (zh) | 智能感知矿山安全生产预警与防控监管信息化大数据系统 | |
| CN114137302A (zh) | 一种电能计量器具检定全过程监控系统 | |
| CN104777826A (zh) | 用于工厂监控系统的测试支持装置、测试支持方法和测试支持程序 | |
| CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
| EP3790032A1 (en) | Gas monitoring system | |
| CN112348306A (zh) | 一种面向配电运检中的TitanOS人工智能开发方法及装置 | |
| CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
| CN116523498A (zh) | 基于ai的电力设施巡视方法、系统、装置和存储介质 | |
| CN116258333A (zh) | 一种用于核电厂的智能巡检方法及智能巡检系统 | |
| CN114048346B (zh) | 一种基于gis的安全生产一体化管控平台及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200106 Address after: Room 401, unit 2, building 12, lvyechundi Cuiyuan, Xianlin street, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Fang Rusong Address before: 223001 No. 67, Xi Yuan Street, qingJiangpu District, Huaian, Jiangsu. Applicant before: JIANGSU PERSTECH Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200929 |