CN108877172B - 一种错误报警分析方法、装置及终端设备 - Google Patents
一种错误报警分析方法、装置及终端设备 Download PDFInfo
- Publication number
- CN108877172B CN108877172B CN201810670452.9A CN201810670452A CN108877172B CN 108877172 B CN108877172 B CN 108877172B CN 201810670452 A CN201810670452 A CN 201810670452A CN 108877172 B CN108877172 B CN 108877172B
- Authority
- CN
- China
- Prior art keywords
- environment data
- data
- false alarm
- degree
- association
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
Abstract
本发明适用于消防监控技术领域,提供了一种错误报警分析方法、装置及终端设备,其中,方法包括:获取第一终端发送的当前的错误报警数据;其中,错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值;获取第一预设时间段内的第一环境数据和第二环境数据;获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;根据预训练神经网络模型对所述第一关联度进行计算,得到触发所述传感器生成当前错误报警数据的第一环境数据。本发明能够快速确定导致传感器生成错误报警数据的原因,降低传感器生成错误报警的几率,节省了人力物力。
Description
技术领域
本发明属于消防监控技术领域,尤其涉及一种错误报警分析方法、装置及终端设备。
背景技术
目前,烟雾传感器是一种应用广泛的消防基础设施,能够在发生火灾时发出警报。
然而,现有的烟雾传感器容易受到环境干扰(例如空气中的水蒸气、浮尘),而触发,生成错误报警数据。由于烟雾传感器的安装位置一般较高,如果烟雾传感器发生错误报警,则需要维护人员登上梯子对其进行手动复位,消耗了大量人力物力。
发明内容
有鉴于此,本发明实施例提供了一种错误报警分析方法、装置及终端设备,以解决现有技术中现有的烟雾传感器容易受到环境干扰(例如空气中的水蒸气、浮尘),而触发,生成错误报警数据。由于烟雾传感器的安装位置一般较高,如果烟雾传感器发生错误报警,则需要维护人员登上梯子对其进行手动复位,消耗了大量人力物力的问题。
本发明实施例的第一方面提供了一种错误报警分析方法,包括:
获取第一终端发送的当前的错误报警数据;其中,错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值;
获取第一预设时间段内的第一环境数据和第二环境数据;
获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;
根据预训练神经网络模型对所述第一关联度进行计算,得到触发所述传感器生成当前错误报警数据的第一环境数据。
可选的,所述得到触发所述传感器生成当前错误报警数据的第一环境数据之后,还包括:
根据预设方法获得所述触发所述传感器生成当前错误报警数据的第一环境数据的最佳阈值;
将所述最佳阈值发送至所述第一终端;其中,所述第一终端用于将所述最佳阈值发送至传感器,并对所述传感器感应环境数据的效果进行追踪;
获取所述第一终端反馈的所述传感器感应环境数据的效果。
可选的,所述获取第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度,包括:
根据所述第一预设时间段内的第二环境数据构造参考数列,并根据所述第一预设时间段内的第一环境数据构造比较数列;
对所述参考数列及所述比较数列进行无量纲化处理,并获取序列差及所述序列差的最大级差和最小级差;
获取所述第一环境数据与所述第二环境数据之间的关联系数,并根据所述关联系数得到第一关联度;
对所述第一关联度进行排序。
可选的,对所述第一关联度进行排序之后,还包括:
根据所述第一关联度的排序得到触发所述传感器生成当前错误报警数据的第一环境数据;
获取所述第二环境数据与所述第一环境数据的趋势图。
可选的,所述获取第一预设时间段内的第一环境数据和第二环境数据之后,还包括:
获取数据库存储的第二时间段内错误报警数据;
获取所述第二时间段内的所述第一环境数据与所述第二环境数据之间的第二关联度;
通过所述第二关联度对预设神经网络模型进行预训练,获得所述预训练神经网络模型。
本发明实施例的第二方面提供了一种错误报警分析装置,包括:
第一获取模块,用于获取第一终端发送的当前的错误报警数据;其中,错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值;
第二获取模块,用于获取第一预设时间段内的第一环境数据和第二环境数据;
第三获取模块,用于获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;
计算模块,用于根据预训练神经网络模型对所述第一关联度进行计算,得到触发所述传感器生成当前错误报警数据的第一环境数据。
本发明实施例的第三方面提供了一种终端设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述方法的步骤。
本发明实施例通过获取第一终端发送的当前的错误报警数据、获取第一预设时间段内的第一环境数据和第二环境数据和所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;根据预训练神经网络模型对所述第一关联度进行计算,得到触发所述传感器生成当前错误报警数据的第一环境数据,能够快速确定导致烟雾传感器生成错误报警数据的原因,降低传感器生成错误报警的几率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的错误报警分析方法的流程示意图;
图2是本发明实施例二提供的错误报警分析方法的流程示意图;
图3是本发明实施例三提供的错误报警分析方法的流程示意图;
图4是本发明实施例四提供的错误报警分析装置的结构示意图;
图5是本发明实施例五提供的错误报警分析装置的结构示意图;
图6是本发明实施例六提供的第三获取模块的结构示意图;
图7是本发明实施例七提供的终端设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”以及它们任何变形,意图在于覆盖不排他的包含。例如包含一系列步骤或单元的过程、方法或系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,术语“第一”、“第二”和“第三”等是用于区别不同对象,而非用于描述特定顺序。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
实施例一
如图1所示,本实施例提供一种错误报警分析方法,该方法可以应用于如烟雾报警器、火灾报警系统等终端设备。本实施例所提供的错误报警分析方法,包括:
S101、获取第一终端发送的当前的错误报警数据;其中,所述错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值。
在具体应用中,获取第一终端发送的当前时刻的错误报警数据,其中,所述错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括但不限于烟雾浓度值。第一终端可以通过烟雾传感器的感应获得当前环境下的烟雾浓度数据和烟雾传感器的当前阈值;第一终端还可以通过温湿度传感器、PM2.5传感器、光传感器获取当前环境下的温度值、湿度值、CO浓度值及PM2.5值,其中,第一终端包括但不限于手机、PC或其他移动终端。当前终端包括但不限于云端、服务器或当前消防报警物联网的区块链上的任一节点。需要说明的是,第一终端也可以通过其他传感器获取有关判断当前环境是否发生火灾或者其他危险的监控数值。
S102、获取第一预设时间段内的第一环境数据和第二环境数据。
在具体应用中,获取第一预设时间段内(当前错误报警时刻及当前报警时刻之前的预设时间段内)的第一环境数据和第二环境数据,其中,第一预设时间段可以根据实际情况进行设定,具体可以指预设时间点、预设时间间隔或预设时间段。
S103、获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度。
在具体应用中,获取第一预设时间段内的传感器感应的第一环境数据与第二环境数据的第一关联度,需要说明的是,在本实施例中,第二环境数据是指烟雾浓度值。即根据灰色预测算法计算温度值与烟雾浓度值之间的第一关联度,湿度值与烟雾浓度值之间的第一关联度,CO浓度值与烟雾浓度值之间的关联度及PM2.5值与烟雾浓度值之间的第一关联度,或根据灰色预测算法计算第一环境数据包括的其他数值与烟雾浓度值之间的第一关联度。在具体情况下,第二环境数据可以包括其他传感器感应的用于检测当前环境是否具有火灾或其他危险的数值(此处命名为第一感应值),因此,需要计算温度值、湿度值、CO浓度值及PM2.5值,或其他第一环境数据包括的数值与第一感应值的第一关联度。
S104、根据预训练神经网络模型对所述第一关联度进行计算,得到触发所述传感器生成当前错误报警数据的第一环境数据。
在具体应用中,将所有计算得出的第一关联度作为输入向量输入至预训练神经网络模型,并进行计算,计算结果即为触发传感器生成当前时刻的错误报警数据的第一环境数据。例如,若计算得出的数据为湿度值,则当前导致传感器生成错误报警数据的第一环境数据即为湿度值。
在一个实施例中,步骤S103之后还包括:
获取数据库存储的第二时间段内错误报警数据;
获取所述第二时间段内的所述第一环境数据与所述第二环境数据之间的第二关联度;
通过所述第二关联度对预设神经网络模型进行预训练,获得所述预训练神经网络模型。
在具体应用中,获取数据库内存储的第二预设时间段内错误报警数据,即第二预设时间段内的第一环境数据与第二环境数据。计算第一环境数据与第二环境数据之间的第二关联度。在本实施例中,第二环境数据是指烟雾浓度值。即根据灰色预测算法计算温度值与烟雾浓度值之间的第二关联度,湿度值与烟雾浓度值之间的第二关联度,CO浓度值与烟雾浓度值之间的关联度及PM2.5值与烟雾浓度值之间的第二关联度,或根据灰色预测算法第一环境数据包括的其他数值与烟雾浓度值之间的第二关联度。并通过第二关联度对预设神经网络模型进行预训练,获得预训练神经模型。需要说明的是,预训练神经网络模型以第一环境数据与第二环境数据之间的第二关联度作为输入,以错误报警调查结果作为输出。例如,在一个实施例中,获取有四种第二环境数据,他们与第一环境数据的第二关联度分别为r12,r13,r14,r15,可以构建具有4个输入神经元、4个输出神经元和5个隐藏神经元的神经网络,将(r12,r13,r14,r15)T作为输入向量;错误报警调查结果指向由第二预设时间段内调查分析得到的造成误报警的第一环境数据,误报警调查结果可以用输出向量(a12,a13,a14,a15)T表示,a1n(n=2,3,4,5)的取值为1时表示相应的第一环境数据为造成错误报警的主要因素,为0时表示非主要因素。例如a12,a13,a14,a15分别代表温度、湿度、CO浓度、PM2.5。输出向量(a12,a13,a14,a15)T=(0,1,0,0)T代表湿度为造成误报警的主要因素。通过查询数据库可以得到多组输入向量(r12,r13,r14,r15)T和输出向量(a12,a13,a14,a15)T,用这些输入向量和输出向量对神经网络进行训练,可得到预训练神经网络模型。
本实施例通过获取第一终端发送的当前的错误报警数据、获取第一预设时间段内的第一环境数据和第二环境数据和第一预设时间段内的第一环境数据与所述第二环境数据之间的第一关联度;根据预训练神经网络模型对第一关联度进行计算,得到触发传感器生成当前错误报警数据的第一环境数据,能够快速确定导致烟雾传感器生成错误报警数据的原因,降低传感器生成错误报警的几率,节省了人力物力。
实施例二
如图2所示,本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,步骤S104之后,还包括:
S105、根据预设方法获得所述触发所述传感器生成当前错误报警数据的第一环境数据的最佳阈值。
在具体应用中,由于传感器在当前错误报警时刻之前时,在其他地方可能受到过相同因素的干扰;例如,由于当前错误报警时刻之前,某一地点的传感器因受PM2.5值因素的干扰生成过错误报警数据;因此,当确定触发传感器生成当前错误报警数据的第一环境数据也是PM2.5,可以借鉴此前处理相同因素(如上述PM2.5)造成的错误报警数据时设置的修正阈值,即为最佳阈值。例如,可以根据神经网络从数据库获取当前错误报警时刻之前,造成过错误报警数据的第一环境数据,并匹配与生成当前错误报警数据的第一环境数据最接近的错误报警数据记录(根据欧氏距离法,PM2.5和烟雾浓度两个维度),将与生成当前错误报警数据的第一环境数据的欧氏距离最接近的错误报警数据记录的修正阈值作为最佳阈值。
S106、将所述最佳阈值发送至所述第一终端;其中,所述第一终端用于将所述最佳阈值发送至传感器,并对所述传感器感应环境数据的效果进行追踪。
在具体应用中,将获得的最佳阈值发送至第一终端,第一终端用于将最佳阈值发送至传感器;传感器根据最佳阈值进行调整,并对环境继续进行监控。第一终端将持续对传感器感应环境数据的效果(即传感器调整为最佳阈值后,是否降低错误报警几率)的进行追踪,并反馈至当前终端。
S107、获取所述第一终端反馈的所述传感器感应环境数据的效果。
在具体应用中,获取第一终端反馈的传感器感应环境数据的效果,判断传感器在调整为最佳阈值的状态下,是否降低传感器错误报警的几率。
本实施例通过根据预设方法获得触发传感器生成当前错误报警数据的第一环境数据的最佳阈值并发送至所述第一终端,对传感器感应环境数据的效果进行追踪,能够有效获取改变阈值后传感器感应环境数据的效果,降低传感器误报警的几率。
实施例三
如图3所示,本实施例是对实施例一中的方法步骤的进一步说明。在本实施例中,步骤103,包括:
S1031、根据所述第一预设时间段内的第二环境数据构造参考数列,并根据所述第一预设时间段内的第一环境数据构造比较数列。
在具体应用中,获取第一预设时间段内的错误报警数据,并根据第二环境数据构造参考数列,根据第一环境数据构造比较数列;其中,
X1={x11,x12,x1n};n表示选取第一预设时间段内的数据库内存储错误报警数据的数量,例如,选取数据库内记录ID为C1-C6的错误报警数据,则错误报警数据的数量为6;
Xi={xi1,xi2,...xin},i=2,3,...N;(N=5,表示其选取了烟雾浓度值、温度值、湿度值、PM2.5及CO浓度值五个环境数据)。
S1032、对所述参考数列及所述比较数列进行无量纲化处理,并获取序列差及所述序列差的最大级差和最小级差。
在具体应用中,对参考数列和比较数列进行无量纲化处理,
X'i={x'i(1),x'i(2),...x'i(n)},i=1,2,...N;
在本实施例中,通过极值法对参考数列和比较数列进行无量纲化处理,
x'i(k)=xi(k)/xi(1),(k=1,2,...n;i=1,2,...N);
需要说明的是,在具体实施过程中,无量纲化方式还可以通过中心化、极差化、最大化或最小化进行处理,无量纲化方式的选择会影响到后续步骤中对于关联度排序的结果;
计算序列差Δi(i=1,2,...N);
Δi(k)=|x'1(k)-x'i(k)|(k=1,2,...n;i=1,2,...N),即将通过极值法获得的序列X'2,X'3,...X'N的项分别与X'1的对应项相减,并求出绝对值;
计算序列差Δi的最大级差及最小级差;
M=max(max(Δ2),max(Δ3),...max(ΔN));
m=min(min(Δ2),min(Δ3),...min(ΔN))。
S1033、获取所述第一环境数据与所述第二环境数据之间的关联系数,并根据所述关联系数得到第一关联度。
在具体应用中,通过上述步骤S1032中计算得出的序列差、最大级差及最小极差计算第一环境数据与第二环境数据之间的关联系数,
并根据关联系数计算各比较数列与参考数列的第一关联度;
S1034、对所述第一关联度进行排序。
在具体应用中,对上述步骤S1033中计算得出的关联度按照数值大小进行排序,在本实施例中,由于后续步骤中需要选取关联度最高(即关联度数值最大)的第一环境数据,因此按照从大到小的顺序进行排序,在具体应用中,也可以选择其他排序方法对第一关联度进行排序。
在一个实施例中,步骤S1034之后,还包括:
根据所述第一关联度的排序得到触发所述传感器生成当前错误报警数据的第一环境数据;
获取所述第二环境数据与所述第一环境数据的趋势图。
在具体应用中,根据第一关联度的大小的排序得到触发传感器生成当前错误报警数据的第一环境数据,获取关联度值最大的(即与第二环境数据关联度最高)第一环境数据或者关联度值大于预设阈值的环境数据即为触发传感器生成当前错误报警数据的第一环境数据,绘制环境数据与触发传感器生成当前错误报警数据的第一环境数据的趋势图。
本实施例通过根据第一环境数据构造比较数列,根据第二环境数据构造参考数列,并获得比较数列与参考数列的关联度,并对关联度进行排序,能够科学、准确的计算出触发传感器生成当前错误报警数据的第一环境数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例四
如图4所示,本实施例提供一种错误报警分析装置100,用于执行实施例一中的方法步骤。本实施例提供的错误报警分析装置100,包括:
第一获取模块101,用于获取第一终端发送的当前的错误报警数据;其中,错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值;
第二获取模块102,用于获取第一预设时间段内的第一环境数据和第二环境数据;
第三获取模块103,用于获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;
计算模块104,用于根据预训练神经网络模型对所述第一关联度进行计算,得到触发所述传感器生成当前错误报警数据的第一环境数据。
在一个实施例中,错误报警分析装置100,还包括:
第五获取模块,用于获取数据库存储的第二时间段内错误报警数据;
第六获取模块,用于获取所述第二时间段内的所述第一环境数据与所述第二环境数据之间的第二关联度;
预训练模块,用于通过所述第二关联度对预设神经网络模型进行预训练,获得所述预训练神经网络模型。
本实施例通过获取第一终端发送的当前的错误报警数据、获取第一预设时间段内的第一环境数据和第二环境数据和第一预设时间段内的第一环境数据与第二环境数据之间的第一关联度;根据预训练神经网络模型对第一关联度进行计算,得到触发传感器生成当前错误报警数据的第一环境数据,能够快速确定导致烟雾传感器生成错误报警数据的原因,降低传感器生成错误报警的几率,节省了人力物力。
实施例五
如图5所示,在本实施例中,实施例四中的错误报警分析装置100,还包括用于执行实施例二中方法步骤的以下结构:
最佳阈值模块105,用于根据预设方法获得所述触发所述传感器生成当前错误报警数据的第一环境数据的最佳阈值;
发送模块106,用于将所述最佳阈值发送至所述第一终端;其中,所述第一终端用于将所述最佳阈值发送至传感器,并对所述传感器感应环境数据的效果进行追踪;
第四获取模块107,用于获取所述第一终端反馈的所述传感器感应环境数据的效果。
本实施例通过根据预设方法获得触发传感器生成当前错误报警数据的第一环境数据的最佳阈值并发送至所述第一终端,对传感器感应环境数据的效果进行追踪,能够有效获取改变阈值后传感器感应环境数据的效果,降低传感器误报警的几率。
实施例六
如图6所示,在本实施例中,实施例四中的第三获取模块103,还包括用于执行实施例三中方法步骤的以下结构:
构造单元1031,用于根据所述第一预设时间段内的第二环境数据构造参考数列,并根据所述第一预设时间段内的第一环境数据构造比较数列;
第一获取单元1032,用于对所述参考数列及所述比较数列进行无量纲化处理,并获取序列差及所述序列差的最大级差和最小级差;
第二获取单元1033,用于获取所述第一环境数据与所述第二环境数据之间的关联系数,并根据所述关联系数得到第一关联度;
排序单元1034,用于对所述第一关联度进行排序。
在一个实施例中,排序单元1034之后,还包括:
第三获取单元,用于根据所述第一关联度的排序得到触发所述传感器生成当前错误报警数据的第一环境数据;
第四获取单元,用于获取所述第二环境数据与所述第一环境数据的趋势图。
本实施例通过根据第一环境数据构造比较数列,根据第二环境数据构造参考数列,并获得比较数列与参考数列的关联度,并对关联度进行排序,能够科学、准确的计算出触发传感器生成当前错误报警数据的第一环境数据。
实施例七
图7是本发明一实施例提供的终端设备的示意图。如图7所示,该实施例的终端设备7包括:处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72,例如错误报警分析程序。所述处理器70执行所述计算机程序72时实现上述各个错误报警分析方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块101至104的功能。
示例性的,所述计算机程序72可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器71中,并由所述处理器70执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。例如,所述计算机程序72可以被分割成第一获取模块、第二获取模块、第三获取模块和计算模块,各模块具体功能在实施例四中进行过详述,在此不再赘述。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的示例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字卡(Secure Digital,SD),闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种错误报警分析方法,其特征在于,包括:
获取第一终端发送的当前的错误报警数据;其中,错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值;
获取第一预设时间段内的第一环境数据和第二环境数据;
获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;
根据预训练神经网络模型对所述第一关联度进行计算,得到触发传感器生成当前错误报警数据的第一环境数据。
2.如权利要求1所述的错误报警分析方法,其特征在于,所述得到触发所述传感器生成当前错误报警数据的第一环境数据之后,还包括:
根据预设方法获得所述触发所述传感器生成当前错误报警数据的第一环境数据的最佳阈值;
将所述最佳阈值发送至所述第一终端;其中,所述第一终端用于将所述最佳阈值发送至所述传感器,并对所述传感器感应环境数据的效果进行追踪;
获取所述第一终端反馈的所述传感器感应环境数据的效果。
3.如权利要求1所述的错误报警分析方法,其特征在于,所述获取第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度,包括:
根据所述第一预设时间段内的第二环境数据构造参考数列,并根据所述第一预设时间段内的第一环境数据构造比较数列;
对所述参考数列及所述比较数列进行无量纲化处理,并获取序列差及所述序列差的最大级差和最小级差;
获取所述第一环境数据与所述第二环境数据之间的关联系数,并根据所述关联系数得到第一关联度;
对所述第一关联度进行排序。
4.如权利要求3所述的错误报警分析方法,其特征在于,对所述第一关联度进行排序之后,还包括:
根据所述第一关联度的排序得到触发所述传感器生成当前错误报警数据的第一环境数据;
获取所述第二环境数据与所述第一环境数据的趋势图。
5.如权利要求1所述的错误报警分析方法,其特征在于,所述获取第一预设时间段内的第一环境数据和第二环境数据之后,还包括:
获取数据库存储的第二时间段内错误报警数据;
获取所述第二时间段内的所述第一环境数据与所述第二环境数据之间的第二关联度;
通过所述第二关联度对预设神经网络模型进行预训练,获得所述预训练神经网络模型。
6.一种错误报警分析装置,其特征在于,包括:
第一获取模块,用于获取第一终端发送的当前的错误报警数据;其中,错误报警数据包括第一环境数据、第二环境数据和当前阈值,所述第一环境数据包括温度值、湿度值、CO浓度值和PM2.5值,所述第二环境数据包括烟雾浓度值;
第二获取模块,用于获取第一预设时间段内的第一环境数据和第二环境数据;
第三获取模块,用于获取所述第一预设时间段内的所述第一环境数据与所述第二环境数据之间的第一关联度;
计算模块,用于根据预训练神经网络模型对所述第一关联度进行计算,得到触发传感器生成当前错误报警数据的第一环境数据。
7.如权利要求6所述的错误报警分析装置,其特征在于,所述装置,还包括:
最佳阈值模块,用于根据预设方法获得所述触发所述传感器生成当前错误报警数据的第一环境数据的最佳阈值;
发送模块,用于将所述最佳阈值发送至所述第一终端;其中,所述第一终端用于将所述最佳阈值发送至传感器,并对所述传感器感应环境数据的效果进行追踪;
第四获取模块,用于获取所述第一终端反馈的所述传感器感应环境数据的效果。
8.如权利要求6所述的错误报警分析方法,其特征在于,所述第三获取模块,包括:
构造单元,用于根据所述第一预设时间段内的第二环境数据构造参考数列,并根据所述第一预设时间段内的第一环境数据构造比较数列;
第一获取单元,用于对所述参考数列及所述比较数列进行无量纲化处理,并获取序列差及所述序列差的最大级差和最小级差;
第二获取单元,用于获取所述第一环境数据与所述第二环境数据之间的关联系数,并根据所述关联系数得到第一关联度;
排序单元,用于对所述第一关联度进行排序。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810670452.9A CN108877172B (zh) | 2018-06-26 | 2018-06-26 | 一种错误报警分析方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810670452.9A CN108877172B (zh) | 2018-06-26 | 2018-06-26 | 一种错误报警分析方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108877172A CN108877172A (zh) | 2018-11-23 |
CN108877172B true CN108877172B (zh) | 2019-07-12 |
Family
ID=64295046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810670452.9A Active CN108877172B (zh) | 2018-06-26 | 2018-06-26 | 一种错误报警分析方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108877172B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523811A (zh) * | 2019-01-07 | 2019-03-26 | 周书恒 | 基于北斗卫星导航系统的团雾监测及预警系统 |
CN111125737B (zh) * | 2019-12-25 | 2022-07-19 | 河北先河环保科技股份有限公司 | 基于区块链的环境监测系统 |
CN112669583B (zh) * | 2020-12-31 | 2022-11-04 | 上海商汤临港智能科技有限公司 | 报警阈值调整方法及装置、电子设备和存储介质 |
CN116798204B (zh) * | 2023-08-14 | 2023-11-03 | 成都数智创新精益科技有限公司 | 一种安防方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101194293A (zh) * | 2005-06-06 | 2008-06-04 | L·凯茨 | 用于可变阈值传感器的系统和方法 |
CN103838202A (zh) * | 2012-11-27 | 2014-06-04 | 中芯国际集成电路制造(上海)有限公司 | 参数控制方法和参数控制系统 |
CN104765354A (zh) * | 2014-01-10 | 2015-07-08 | 北京博锐尚格节能技术股份有限公司 | 一种传感器及执行元件的故障诊断方法、装置及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10109362A1 (de) * | 2001-02-27 | 2002-09-19 | Bosch Gmbh Robert | Verfahren zur Branderkennung |
TW201007634A (en) * | 2008-08-06 | 2010-02-16 | Univ Nat Taiwan | Fire-fighting detection system and its weighting-value correction method |
-
2018
- 2018-06-26 CN CN201810670452.9A patent/CN108877172B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101194293A (zh) * | 2005-06-06 | 2008-06-04 | L·凯茨 | 用于可变阈值传感器的系统和方法 |
CN103838202A (zh) * | 2012-11-27 | 2014-06-04 | 中芯国际集成电路制造(上海)有限公司 | 参数控制方法和参数控制系统 |
CN104765354A (zh) * | 2014-01-10 | 2015-07-08 | 北京博锐尚格节能技术股份有限公司 | 一种传感器及执行元件的故障诊断方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108877172A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108877172B (zh) | 一种错误报警分析方法、装置及终端设备 | |
CN109686036B (zh) | 一种火灾监控方法、装置及边缘计算装置 | |
Feng et al. | Multi-level anomaly detection in industrial control systems via package signatures and LSTM networks | |
Goeschel | Reducing false positives in intrusion detection systems using data-mining techniques utilizing support vector machines, decision trees, and naive Bayes for off-line analysis | |
US20190354509A1 (en) | Techniques for information ranking and retrieval | |
CN107911346B (zh) | 一种基于极限学习机的入侵检测方法 | |
CN107566163A (zh) | 一种用户行为分析关联的告警方法及装置 | |
WO2021003970A1 (zh) | 生产线监控方法、装置、电子设备及可读存储介质 | |
CN109614608A (zh) | 电子装置、文本信息检测方法及存储介质 | |
CN109739223A (zh) | 机器人避障控制方法、装置及终端设备 | |
CN110333995A (zh) | 对工业设备运行状态进行监测的方法及装置 | |
Nikolova et al. | Some similarity coefficients and application of data mining techniques to the anomaly-based IDS | |
Nakip et al. | Recurrent trend predictive neural network for multi-sensor fire detection | |
CN110730164A (zh) | 安全预警方法及相关设备、计算机可读存储介质 | |
CN108696486A (zh) | 一种异常操作行为检测处理方法及装置 | |
CN112445957A (zh) | 社交网络异常用户检测方法、系统、介质、设备、终端 | |
CN109842682B (zh) | 一种基于物联网的分布式环境安全学习及预警方法 | |
Hammad et al. | An unsupervised TinyML approach applied to the detection of urban noise anomalies under the smart cities environment | |
Son et al. | Video based smoke and flame detection using convolutional neural network | |
Nakıp et al. | Multi-sensor fire detector based on trend predictive neural network | |
CN113746780B (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN109035666A (zh) | 一种火烟检测方法、装置及终端设备 | |
Mahapatra et al. | Self adaptive intrusion detection technique using data mining concept in an ad-hoc network | |
CN114742180B (zh) | 高空作业安全等级确定方法、装置和计算机设备 | |
Shao et al. | Hybrid artificial neural networks modeling for faults identification of a stochastic multivariate process |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |