CN109269556A - 一种设备风险预警方法、装置、终端设备及存储介质 - Google Patents
一种设备风险预警方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN109269556A CN109269556A CN201811038134.7A CN201811038134A CN109269556A CN 109269556 A CN109269556 A CN 109269556A CN 201811038134 A CN201811038134 A CN 201811038134A CN 109269556 A CN109269556 A CN 109269556A
- Authority
- CN
- China
- Prior art keywords
- risk
- equipment
- deep learning
- learning model
- value
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种设备风险预警方法、装置、终端设备及存储介质，其中，所述方法包括：获取设备上监测传感器采集的监测数据；将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；当所述监测风险值大于预设风险阈值时，执行相应的预警操作。本发明中，通过监测传感器实时采集设备上的监测数据，并通过深度学习模型自动、精确地获取监测数据所对应的监测风险值，从而可根据监测风险值准确确定设备是否存在风险，并进行相应的预警操作，实现了设备风险监测的自动性、实时性，提高了设备风险监测的监测效率，进而实现了设备风险预警的及时性。
Description
技术领域
本发明涉及风险控制技术领域，尤其涉及一种设备风险预警方法、装置、终端设备及存储介质。
背景技术
当前，各工厂或者公司为了加强对设备的风险管理，以降低生产过程中工伤事故的发生率，不仅需要建立安全生产的标准程序，并对劳动者进行安全生产方面的培训，从而让劳动者养成安全生产的强烈意识，同时，还需要通过不定时的人工检查等措施来监测设备情况，以发现设备风险，并进行相应的预警操作，从而避免生产过程中工伤事故的发生，但这种人工检查方式往往存在监测不及时、监测效率低等问题，从而很难做到实时把控设备风险，并进行及时的预警操作。
综上，如何实现设备风险监测的实时性、实现设备风险预警的及时性成为本领域技术人员亟待解决的问题。
发明内容
本发明实施例提供了一种设备风险预警方法、装置、终端设备及计算机可读存储介质，能够解决人工检查方式中监测不及时、监测效率低的问题，从而实现设备风险监测的实时性，并实现设备风险预警的及时性。
本发明实施例的第一方面，提供了一种设备风险预警方法，包括：
获取设备上监测传感器采集的监测数据；
将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
当所述监测风险值大于预设风险阈值时，执行相应的预警操作。
进一步地，所述深度学习模型通过以下步骤训练得到：
获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；
根据所述设备情况标记各个所述历史监测数据对应的标准风险值；
将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；
计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；
若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。
优选地，所述监测传感器包括以下至少一种：红外传感器、粉尘传感器、气体传感器、电流传感器、声音传感器、振频传感器和温度传感器；
所述监测数据包括以下至少一种：所述红外传感器采集的目标物数据、所述粉尘传感器采集的粉尘数据、所述气体传感器采集的气体数据、所述电流传感器采集的电流数据、所述声音传感器采集的声音数据、所述振频传感器采集的振频数据和所述温度传感器采集的温度数据。
可选地，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，包括：
当所述监测风险值大于预设风险阈值时，控制所述设备上的报警装置启动，以执行报警操作。
进一步地，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，包括：
当所述监测风险值大于预设风险阈值时，发送预设预警消息至与所述设备相关联的监控终端。
优选地，在执行相应的预警操作之后，还包括：
获取所述设备的运行状态信息，并根据所述运行状态信息，发送相应的控制指令至所述设备，以控制所述设备的运行。
本发明实施例的第二方面，提供了一种设备风险预警装置，包括：
监测数据获取模块，用于获取设备上监测传感器采集的监测数据；
监测风险值得到模块，用于将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
预警操作执行模块，用于当所述监测风险值大于预设风险阈值时，执行相应的预警操作。
进一步地，所述设备风险预警装置，还包括：
历史监测数据获取模块，用于获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；
标准风险值标记模块，用于根据所述设备情况标记各个所述历史监测数据对应的标准风险值；
历史监测数据训练模块，用于将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；
误差计算模块，用于计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；
训练完成确定模块，用于若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。
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前述第一方面所述设备风险预警方法的步骤。
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前述第一方面所述设备风险预警方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例中，在获取设备上监测传感器采集的监测数据时，即将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值，并判断所述监测风险值是否大于预设风险阈值，若所述监测风险值大于所述预设风险阈值，则执行相应的预警操作。本发明实施例中，通过监测传感器实时采集设备上的监测数据，并通过深度学习模型自动、精确地获取监测数据所对应的监测风险值，从而可根据监测风险值准确确定设备是否存在风险，并进行相应的预警操作，实现了设备风险监测的自动性、实时性，提高了设备风险监测的监测效率，进而实现了设备风险预警的及时性。
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为本发明实施例中一种设备风险预警方法的一个实施例流程图；
图2为本发明实施例中一种设备风险预警方法在一个应用场景下训练深度学习模型的流程示意图；
图3为本发明实施例中一种设备风险预警装置的一个实施例结构图；
图4为本发明一实施例提供的一种终端设备的示意图。
具体实施方式
本发明实施例提供了一种设备风险预警方法、装置、终端设备及计算机可读存储介质，用于解决人工检查方式中监测不及时、监测效率低的问题，以实现设备风险监测的实时性，并实现设备风险预警的及时性。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供了一种设备风险预警方法，所述设备风险预警方法，包括：
步骤S101、获取设备上监测传感器采集的监测数据；
本发明实施例的执行主体可以是终端设备或者服务器，优选地，本发明实施例的执行主体为一服务器。所述设备包括工厂或者公司中的生产设备或者其他运行设备，其中，所述设备上设置有对应的监测传感器，所述监测传感器则分别与所述服务器通信连接，如所述监测传感器通过移动网络、无线网络或者有线网络与所述服务器通信连接。所述监测传感器用于采集对应设备中的监测数据，如采集设备中的粉尘数据、气体数据等，并将所采集到的监测数据通过移动网络、无线网络或者有线网络传输至所述服务器。
优选地，本发明实施例中，所述监测传感器包括以下至少一种：红外传感器、粉尘传感器、气体传感器、电流传感器、声音传感器、振频传感器和温度传感器；
所述监测数据包括以下至少一种：所述红外传感器采集的目标物数据、所述粉尘传感器采集的粉尘数据、所述气体传感器采集的气体数据、所述电流传感器采集的电流数据、所述声音传感器采集的声音数据、所述振频传感器采集的振频数据和所述温度传感器采集的温度数据。
步骤S102、将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
所述服务器在获取了所述监测数据之后，可以将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值。
可以理解的是，所述深度学习模型是预先经过大量的训练样本训练完成得到的，可以对所述监测数据进行分析判断，从而得到所述监测数据所对应的监测风险值。
进一步地，如图2所示，所述深度学习模型通过以下步骤训练得到：
步骤S201、获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；
步骤S202、根据所述设备情况标记各个所述历史监测数据对应的标准风险值；
步骤S203、将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；
步骤S204、计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；
步骤S205、判断所述误差是否满足预设条件；
步骤S206、若所述误差满足预设条件，则确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型；
步骤S207、若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。
对于上述步骤S201，在训练深度学习模型之前，需要预先收集用于训练的训练样本，这些训练样本均来自于设备上的监测传感器所采集的历史监测数据以及所述历史监测数据所对应的设备情况，所述设备情况包含了设备故障的情况，以及设备正常的情况等，其中，设备故障的情况中还包含了设备的故障程度等。可以理解的是，这些训练样本的数据量越大，对深度学习模型的训练效果就越好，因而，本发明实施例中，可尽可能采集多的训练样本。
对于上述步骤S202，在获取到这些训练用的训练样本之后，还需要标记这些训练样本所对应的标准风险值，即需要根据训练样本中的设备故障情况和故障程度，或者设备正常情况，确定设备具有各历史监测数据时所对应的风险大小。
对于上述步骤S203，在标记完这些训练样本所对应的标准风险值后，即可将这些训练样本所对应的历史监测数据输入至初始的深度学习模型中，以得到初始的训练风险值，由于初始时深度学习模型尚未训练完成，因此，此时其输出的训练风险值与标记的标准风险值之间会存在一定的偏差、误差。
对于上述步骤S204和步骤S205，在得到训练风险值之后，可以计算所述训练风险值与训练样本中的历史监测数据所对应的标准风险值之间的误差，并判断该误差是否满足预设条件，如判断误差是否小于5％。在此，所述预设条件可以在训练具体的深度学习模型时确定，例如设定预设条件为误差小于特定阈值，该特定阈值可以是一个百分比数值，其中，特定阈值越小，则最后训练完成得到的深度学习模型越稳定，识别精确度越高。
对于上述步骤S206，可以理解的是，当所述训练风险值与所述标准风险值之间的误差满足预设条件时，如所述训练风险值与所述标准风险值之间的误差小于5％时，则可确定所述深度学习模型训练完成，并将此时所得到的误差满足预设条件的深度学习模型作为训练完成的深度学习模型，可用于获取后续的监测数据所对应的监测风险值。
对于上述步骤S207，当所述训练风险值与所述标准风险值之间的误差不满足预设条件时，如所述训练风险值与所述标准风险值之间的误差为10％时，则可调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，然后重新进行训练样本的训练，以通过反复调整深度学习模型的模型参数，并进行多次训练样本的训练，来使得后续训练输出的训练风险值与标准风险值之间的误差最小化，直到最终的训练风险值与标准风险值之间的误差满足预设条件。
优选地，本发明实施例中，所述监测数据包括以下至少一种：所述红外传感器采集的目标物数据、所述粉尘传感器采集的粉尘数据、所述气体传感器采集的气体数据、所述电流传感器采集的电流数据、所述声音传感器采集的声音数据、所述振频传感器采集的振频数据和所述温度传感器采集的温度数据。因而，所述深度学习模型可以是对应于其中一种监测数据的深度学习模型，如对应于粉尘数据的深度学习模型，即通过历史粉尘数据训练完成得到的有关粉尘风险值识别的深度学习模型，当然所述深度学习模型也可以是对应一种以上的监测数据的深度学习模型，如对应粉尘数据和气体数据的深度学习模型，即通过历史粉尘数据和历史气体数据共同训练完成得到有关粉尘和气体风险值识别的深度学习模型。
步骤S103、判断所述监测风险值是否大于预设风险阈值；
本发明实施例中，在得到所述深度学习模型输出的监测风险值后，则可以判断所述监测风险值是否大于预设风险阈值，在此，所述预设风险阈值是指所述设备存在事故危险的风险值，其中，所述预设风险阈值可根据设备具体情况进行设置。
步骤S104、当所述监测风险值大于所述预设风险阈值时，执行相应的预警操作。
当确定所述监测风险值大于所述预设风险阈值时，则可以认为所述设备存在发生事故的极大可能性，因而，此时所述服务器即可执行相应的预警操作，以此来减少或者避免事故的发生，从而保护人身或者设备安全。
进一步地，本发明实施例中，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，可以包括：当所述监测风险值大于预设风险阈值时，控制所述设备上的报警装置启动，以执行报警操作。
可以理解的是，本发明实施例中，各设备上还设置有蜂鸣器、指示灯等报警装置，且蜂鸣器、指示灯等报警装置与所述服务器通信连接，因而，当所述服务器确定所述监测风险值大于所述预设风险阈值时，即确定所述设备中事故发生的可能性极大时，所述服务器即可控制蜂鸣器和/或指示灯启动，以执行报警操作，从而提醒现场工作人员进行设备检查，排查危险情况。
优选地，本发明实施例中，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，还可以包括：当所述监测风险值大于预设风险阈值时，发送预设预警消息至与所述设备相关联的监控终端。
需要说明的是，本发明实施例中，各设备还可以与对应管理者的监控终端相关联，如与对应管理者的监控终端通信连接，而各管理者的监控终端还与所述服务器通信连接。因而，当所述服务器确定所述监测风险值大于所述预设风险阈值时，即确定所述设备中事故发生的可能性极大时，所述服务器即可向与所述设备相关联的监控终端发送预设预警消息，如发送预设文字预警消息，或者发送预设视频预警消息，又或者发送预设语音预警消息，以便对应管理者可及时了解所述设备的危险状况，从而尽早解决所述设备的安全隐患，保证现场工作人员的人身安全。
进一步地，本发明实施例中，在执行相应的预警操作之后，还可以包括：
获取所述设备的运行状态信息，并根据所述运行状态信息，发送相应的控制指令至所述设备，以控制所述设备的运行。
可以理解的是，所述设备还可直接与所述服务器通信连接，所述服务器可向所述设备发送控制指令，以控制所述设备的启动、停止等，因而，当所述服务器确定所述监测风险值大于所述预设风险阈值时，即确定所述设备中事故发生的可能性极大时，所述服务器还可以获取所述设备当前的运行状态信息，即获取所述设备当前是处于启动的工作状态，还是处于停止的不工作状态，若确定所述设备当前处于启动的工作状态的话，所述服务器则可向所述设备发送停止的控制指令，以控制所述设备的运行，即将所述设备调整至停止的不工作状态中，从而避免所述设备中事故的发生，以保护现场工作人员的人身安全，并保护所述设备的自身安全。
本发明实施例中，在获取设备上监测传感器采集的监测数据时，即可将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值，并判断所述监测风险值是否大于预设风险阈值，当所述监测风险值大于所述预设风险阈值时，执行相应的预警操作。本发明实施例中，通过监测传感器实时采集设备上的监测数据，并通过深度学习模型自动、精确地获取监测数据所对应的监测风险值，从而可根据监测风险值准确确定设备是否存在风险，并进行相应的预警操作，实现了设备风险监测的自动性、实时性，提高了设备风险监测的监测效率，进而实现了设备风险预警的及时性。
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。
上面主要描述了一种设备风险预警方法，下面将对一种设备风险预警装置进行详细描述。
如图3所示，本发明实施例提供了一种设备风险预警装置，所述设备风险预警装置，包括：
监测数据获取模块301，用于获取设备上监测传感器采集的监测数据；
监测风险值得到模块302，用于将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
预警操作执行模块303，用于当所述监测风险值大于预设风险阈值时，执行相应的预警操作。
进一步地，所述设备风险预警装置还包括以下用于训练得到所述深度学习模型的各模块：
历史监测数据获取模块，用于获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；
标准风险值标记模块，用于根据所述设备情况标记各个所述历史监测数据对应的标准风险值；
历史监测数据训练模块，用于将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；
误差计算模块，用于计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；
训练完成确定模块，用于若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。
优选地，所述监测传感器包括以下至少一种：红外传感器、粉尘传感器、气体传感器、电流传感器、声音传感器、振频传感器和温度传感器；
所述监测数据包括以下至少一种：所述红外传感器采集的目标物数据、所述粉尘传感器采集的粉尘数据、所述气体传感器采集的气体数据、所述电流传感器采集的电流数据、所述声音传感器采集的声音数据、所述振频传感器采集的振频数据和所述温度传感器采集的温度数据。
可选地，所述预警操作执行模块303，还用于当所述监测风险值大于预设风险阈值时，控制所述设备上的报警装置启动，以执行报警操作。
进一步地，所述预警操作执行模块303，还用于当所述监测风险值大于预设风险阈值时，发送预设预警消息至与所述设备相关联的监控终端。
优选地，所述设备风险预警装置，还包括：
状态信息获取模块，用于获取所述设备的运行状态信息，并根据所述运行状态信息，发送相应的控制指令至所述设备，以控制所述设备的运行。
图4是本发明一实施例提供的一种终端设备的示意图。如图4所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如设备风险预警程序。所述处理器40执行所述计算机程序42时实现上述各个设备风险预警方法实施例中的步骤，例如图1所示的步骤S101至步骤S104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示的模块301至模块303的功能。
示例性的，所述计算机程序42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41中，并由所述处理器40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42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成监测数据获取模块、监测风险值得到模块、预警操作执行模块，各模块具体功能如下：
监测数据获取模块，用于获取设备上监测传感器采集的监测数据；
监测风险值得到模块，用于将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
预警操作执行模块，用于当所述监测风险值大于预设风险阈值时，执行相应的预警操作。
所述终端设备4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40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4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。
所述处理器40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41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41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41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，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，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实施例的模块、单元和/或方法步骤，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，RandomAccess 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，以上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。
Claims (10)
1.一种设备风险预警方法，其特征在于，包括：
获取设备上监测传感器采集的监测数据；
将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
当所述监测风险值大于预设风险阈值时，执行相应的预警操作。
2.根据权利要求1所述的设备风险预警方法，其特征在于，所述深度学习模型通过以下步骤训练得到：
获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；
根据所述设备情况标记各个所述历史监测数据对应的标准风险值；
将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；
计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；
若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。
3.根据权利要求1所述的设备风险预警方法，其特征在于，所述监测传感器包括以下至少一种：红外传感器、粉尘传感器、气体传感器、电流传感器、声音传感器、振频传感器和温度传感器；
所述监测数据包括以下至少一种：所述红外传感器采集的目标物数据、所述粉尘传感器采集的粉尘数据、所述气体传感器采集的气体数据、所述电流传感器采集的电流数据、所述声音传感器采集的声音数据、所述振频传感器采集的振频数据和所述温度传感器采集的温度数据。
4.根据权利要求1所述的设备风险预警方法，其特征在于，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，包括：
当所述监测风险值大于预设风险阈值时，控制所述设备上的报警装置启动，以执行报警操作。
5.根据权利要求1所述的设备风险预警方法，其特征在于，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，包括：
当所述监测风险值大于预设风险阈值时，发送预设预警消息至与所述设备相关联的监控终端。
6.根据权利要求1至5中任一项所述的设备风险预警方法，其特征在于，在执行相应的预警操作之后，还包括：
获取所述设备的运行状态信息，并根据所述运行状态信息，发送相应的控制指令至所述设备，以控制所述设备的运行。
7.一种设备风险预警装置，其特征在于，包括：
监测数据获取模块，用于获取设备上监测传感器采集的监测数据；
监测风险值得到模块，用于将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；
预警操作执行模块，用于当所述监测风险值大于预设风险阈值时，执行相应的预警操作。
8.根据权利要求7所述的设备风险预警装置，其特征在于，所述设备风险预警装置，还包括：
历史监测数据获取模块，用于获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；
标准风险值标记模块，用于根据所述设备情况标记各个所述历史监测数据对应的标准风险值；
历史监测数据训练模块，用于将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；
误差计算模块，用于计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；
训练完成确定模块，用于若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。
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6中任一项所述设备风险预警方法的步骤。
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6中任一项所述设备风险预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811038134.7A CN109269556A (zh) | 2018-09-06 | 2018-09-06 | 一种设备风险预警方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811038134.7A CN109269556A (zh) | 2018-09-06 | 2018-09-06 | 一种设备风险预警方法、装置、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109269556A true CN109269556A (zh) | 2019-01-25 |
Family
ID=65187797
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811038134.7A Pending CN109269556A (zh) | 2018-09-06 | 2018-09-06 | 一种设备风险预警方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109269556A (zh) |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110471376A (zh) * | 2019-07-10 | 2019-11-19 | 深圳市乾行达科技有限公司 | 一种工业现场故障检测方法及设备 |
| CN110488777A (zh) * | 2019-07-22 | 2019-11-22 | 浙江天澈科技有限公司 | 一种化工厂事故预警及事态跟踪系统 |
| CN110601374A (zh) * | 2019-10-21 | 2019-12-20 | 国网电子商务有限公司 | 一种用电管理系统及用电数据监测方法 |
| CN110705759A (zh) * | 2019-09-18 | 2020-01-17 | 平安科技（深圳）有限公司 | 水位预警监控方法、装置、存储介质及电子设备 |
| CN110848759A (zh) * | 2019-11-26 | 2020-02-28 | 珠海格力电器股份有限公司 | 加热设备防干烧的控制方法、装置、加热设备及存储介质 |
| CN110991871A (zh) * | 2019-11-29 | 2020-04-10 | 深圳前海微众银行股份有限公司 | 风险监测方法、装置、设备与计算机可读存储介质 |
| CN111079855A (zh) * | 2019-12-27 | 2020-04-28 | 三一重能有限公司 | 风电机组消防方法、装置、存储介质和消防控制台 |
| CN111079560A (zh) * | 2019-11-26 | 2020-04-28 | 深圳市中电数通智慧安全科技股份有限公司 | 一种摔倒监测方法、装置及终端设备 |
| CN111160701A (zh) * | 2019-11-28 | 2020-05-15 | 万翼科技有限公司 | 工程项目风险监控方法、系统、计算机设备和存储介质 |
| CN111291668A (zh) * | 2020-01-22 | 2020-06-16 | 北京三快在线科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| CN111966045A (zh) * | 2020-07-08 | 2020-11-20 | 航天科工深圳（集团）有限公司 | 机床撞机监控方法、装置、终端设备及存储介质 |
| CN111985717A (zh) * | 2020-08-24 | 2020-11-24 | 珠海格力电器股份有限公司 | 安全预警方法、装置、安全预警设备及存储介质 |
| CN112116246A (zh) * | 2020-09-18 | 2020-12-22 | 青岛海信网络科技股份有限公司 | 一种风险处理方法及装置 |
| CN112199836A (zh) * | 2020-09-30 | 2021-01-08 | 中煤科工开采研究院有限公司 | 基于深度学习的工作面周期来压的预警方法、装置及设备 |
| CN112231183A (zh) * | 2020-07-13 | 2021-01-15 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
| CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
| CN112536643A (zh) * | 2019-09-23 | 2021-03-23 | 富鼎电子科技(嘉善)有限公司 | 机台健康监测方法、装置及计算机可读存储介质 |
| CN112855462A (zh) * | 2020-10-10 | 2021-05-28 | 华能汕头海门发电有限责任公司 | 一种风机设备预警方法及系统 |
| CN113052320A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 设备安全性监测方法及装置 |
| CN113269246A (zh) * | 2021-05-24 | 2021-08-17 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
| CN113361932A (zh) * | 2021-06-07 | 2021-09-07 | 广东电网有限责任公司 | 一种计量设备检定流水线预警方法、装置、设备及介质 |
| CN113486420A (zh) * | 2021-06-08 | 2021-10-08 | 广东省水利水电科学研究院 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
| CN113487212A (zh) * | 2021-06-07 | 2021-10-08 | 广联达科技股份有限公司 | 一种风险监测方法及装置 |
| CN113933704A (zh) * | 2021-09-26 | 2022-01-14 | 珠海格力电器股份有限公司 | 电动机状态的在线监控方法和系统 |
| CN114442704A (zh) * | 2021-12-31 | 2022-05-06 | 华能山东发电有限公司 | 一种基于大数据的智能电力生产监控方法及系统 |
| CN114757590A (zh) * | 2022-06-14 | 2022-07-15 | 江苏金恒信息科技股份有限公司 | 基于大数据分析的企业运营风险预警及管控系统 |
| CN115118529A (zh) * | 2022-08-29 | 2022-09-27 | 广州弘日恒天光电技术有限公司 | 基于区块链的数据传输方法 |
| CN115659243A (zh) * | 2022-12-22 | 2023-01-31 | 四川九通智路科技有限公司 | 基于mems的基础设施风险监测方法及监测系统 |
| CN116304596A (zh) * | 2023-05-26 | 2023-06-23 | 深圳市明源云科技有限公司 | 室内儿童安全监测方法、装置、电子设备及存储介质 |
| CN117130016A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市麦微智能电子有限公司 | 基于北斗卫星的人身安全监测系统、方法、装置及介质 |
| CN117689212A (zh) * | 2024-01-30 | 2024-03-12 | 青岛创新奇智科技集团股份有限公司 | 一种生产环境安全监测方法、装置、终端设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156888A (zh) * | 2014-08-14 | 2014-11-19 | 国网上海市电力公司 | 基于风险综合评价模型的电力系统运营风险监测方法 |
| CN104915894A (zh) * | 2015-06-15 | 2015-09-16 | 广东电网有限责任公司佛山供电局 | 计量自动化终端运行风险预警系统 |
| CN107276816A (zh) * | 2016-11-03 | 2017-10-20 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断系统及故障诊断方法 |
| CN107918764A (zh) * | 2017-11-16 | 2018-04-17 | 百度在线网络技术（北京）有限公司 | 信息输出方法和装置 |
-
2018
- 2018-09-06 CN CN201811038134.7A patent/CN109269556A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156888A (zh) * | 2014-08-14 | 2014-11-19 | 国网上海市电力公司 | 基于风险综合评价模型的电力系统运营风险监测方法 |
| CN104915894A (zh) * | 2015-06-15 | 2015-09-16 | 广东电网有限责任公司佛山供电局 | 计量自动化终端运行风险预警系统 |
| CN107276816A (zh) * | 2016-11-03 | 2017-10-20 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断系统及故障诊断方法 |
| CN107918764A (zh) * | 2017-11-16 | 2018-04-17 | 百度在线网络技术（北京）有限公司 | 信息输出方法和装置 |
Cited By (43)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110471376A (zh) * | 2019-07-10 | 2019-11-19 | 深圳市乾行达科技有限公司 | 一种工业现场故障检测方法及设备 |
| CN110488777B (zh) * | 2019-07-22 | 2020-09-22 | 浙江天澈科技有限公司 | 一种化工厂事故预警及事态跟踪系统 |
| CN110488777A (zh) * | 2019-07-22 | 2019-11-22 | 浙江天澈科技有限公司 | 一种化工厂事故预警及事态跟踪系统 |
| CN110705759A (zh) * | 2019-09-18 | 2020-01-17 | 平安科技（深圳）有限公司 | 水位预警监控方法、装置、存储介质及电子设备 |
| CN112536643B (zh) * | 2019-09-23 | 2023-01-24 | 富鼎电子科技(嘉善)有限公司 | 机台健康监测方法、装置及计算机可读存储介质 |
| CN112536643A (zh) * | 2019-09-23 | 2021-03-23 | 富鼎电子科技(嘉善)有限公司 | 机台健康监测方法、装置及计算机可读存储介质 |
| CN110601374A (zh) * | 2019-10-21 | 2019-12-20 | 国网电子商务有限公司 | 一种用电管理系统及用电数据监测方法 |
| CN111079560B (zh) * | 2019-11-26 | 2023-09-01 | 深圳市中电数通智慧安全科技股份有限公司 | 一种摔倒监测方法、装置及终端设备 |
| CN111079560A (zh) * | 2019-11-26 | 2020-04-28 | 深圳市中电数通智慧安全科技股份有限公司 | 一种摔倒监测方法、装置及终端设备 |
| CN110848759B (zh) * | 2019-11-26 | 2021-02-26 | 珠海格力电器股份有限公司 | 加热设备防干烧的控制方法、装置、加热设备及存储介质 |
| CN110848759A (zh) * | 2019-11-26 | 2020-02-28 | 珠海格力电器股份有限公司 | 加热设备防干烧的控制方法、装置、加热设备及存储介质 |
| CN111160701A (zh) * | 2019-11-28 | 2020-05-15 | 万翼科技有限公司 | 工程项目风险监控方法、系统、计算机设备和存储介质 |
| CN110991871A (zh) * | 2019-11-29 | 2020-04-10 | 深圳前海微众银行股份有限公司 | 风险监测方法、装置、设备与计算机可读存储介质 |
| CN113052320A (zh) * | 2019-12-27 | 2021-06-29 | 北京国双科技有限公司 | 设备安全性监测方法及装置 |
| CN111079855A (zh) * | 2019-12-27 | 2020-04-28 | 三一重能有限公司 | 风电机组消防方法、装置、存储介质和消防控制台 |
| CN111079855B (zh) * | 2019-12-27 | 2023-08-11 | 三一重能股份有限公司 | 风电机组消防方法、装置、存储介质和消防控制台 |
| CN111291668A (zh) * | 2020-01-22 | 2020-06-16 | 北京三快在线科技有限公司 | 活体检测方法、装置、电子设备及可读存储介质 |
| CN111966045A (zh) * | 2020-07-08 | 2020-11-20 | 航天科工深圳（集团）有限公司 | 机床撞机监控方法、装置、终端设备及存储介质 |
| CN112231183A (zh) * | 2020-07-13 | 2021-01-15 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
| CN112231183B (zh) * | 2020-07-13 | 2022-09-30 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
| CN111985717A (zh) * | 2020-08-24 | 2020-11-24 | 珠海格力电器股份有限公司 | 安全预警方法、装置、安全预警设备及存储介质 |
| CN111985717B (zh) * | 2020-08-24 | 2024-05-31 | 珠海格力电器股份有限公司 | 安全预警方法、装置、安全预警设备及存储介质 |
| CN112116246A (zh) * | 2020-09-18 | 2020-12-22 | 青岛海信网络科技股份有限公司 | 一种风险处理方法及装置 |
| CN112116246B (zh) * | 2020-09-18 | 2022-12-09 | 青岛海信网络科技股份有限公司 | 一种风险处理方法及装置 |
| CN112199836B (zh) * | 2020-09-30 | 2024-01-05 | 中煤科工开采研究院有限公司 | 基于深度学习的工作面周期来压的预警方法、装置及设备 |
| CN112199836A (zh) * | 2020-09-30 | 2021-01-08 | 中煤科工开采研究院有限公司 | 基于深度学习的工作面周期来压的预警方法、装置及设备 |
| CN112855462A (zh) * | 2020-10-10 | 2021-05-28 | 华能汕头海门发电有限责任公司 | 一种风机设备预警方法及系统 |
| CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
| CN113269246A (zh) * | 2021-05-24 | 2021-08-17 | 平安国际融资租赁有限公司 | 基于事务逻辑的设备状态检测方法、装置、设备和介质 |
| CN113487212A (zh) * | 2021-06-07 | 2021-10-08 | 广联达科技股份有限公司 | 一种风险监测方法及装置 |
| CN113361932A (zh) * | 2021-06-07 | 2021-09-07 | 广东电网有限责任公司 | 一种计量设备检定流水线预警方法、装置、设备及介质 |
| CN113486420A (zh) * | 2021-06-08 | 2021-10-08 | 广东省水利水电科学研究院 | 水库大坝岸坡稳定性监测方法、装置、设备及介质 |
| CN113933704A (zh) * | 2021-09-26 | 2022-01-14 | 珠海格力电器股份有限公司 | 电动机状态的在线监控方法和系统 |
| CN114442704A (zh) * | 2021-12-31 | 2022-05-06 | 华能山东发电有限公司 | 一种基于大数据的智能电力生产监控方法及系统 |
| CN114757590A (zh) * | 2022-06-14 | 2022-07-15 | 江苏金恒信息科技股份有限公司 | 基于大数据分析的企业运营风险预警及管控系统 |
| CN115118529A (zh) * | 2022-08-29 | 2022-09-27 | 广州弘日恒天光电技术有限公司 | 基于区块链的数据传输方法 |
| CN115118529B (zh) * | 2022-08-29 | 2022-11-29 | 广州弘日恒天光电技术有限公司 | 基于区块链的数据传输方法 |
| CN115659243A (zh) * | 2022-12-22 | 2023-01-31 | 四川九通智路科技有限公司 | 基于mems的基础设施风险监测方法及监测系统 |
| CN116304596A (zh) * | 2023-05-26 | 2023-06-23 | 深圳市明源云科技有限公司 | 室内儿童安全监测方法、装置、电子设备及存储介质 |
| CN117130016A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市麦微智能电子有限公司 | 基于北斗卫星的人身安全监测系统、方法、装置及介质 |
| CN117130016B (zh) * | 2023-10-26 | 2024-02-06 | 深圳市麦微智能电子有限公司 | 基于北斗卫星的人身安全监测系统、方法、装置及介质 |
| CN117689212A (zh) * | 2024-01-30 | 2024-03-12 | 青岛创新奇智科技集团股份有限公司 | 一种生产环境安全监测方法、装置、终端设备和存储介质 |
| CN117689212B (zh) * | 2024-01-30 | 2024-05-14 | 青岛创新奇智科技集团股份有限公司 | 一种生产环境安全监测方法、装置、终端设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109269556A (zh) | 一种设备风险预警方法、装置、终端设备及存储介质 | |
| EP3722901B1 (en) | Vehicle trouble diagnosis method and vehicle trouble diagnosis apparatus | |
| CN109686036A (zh) | 一种火灾监控方法、装置及边缘计算装置 | |
| CN110456725A (zh) | 一种plc设备的监控方法、装置及智能终端 | |
| CN109978005A (zh) | 一种火灾报警方法、装置、存储介质及终端设备 | |
| CN113055417A (zh) | 一种智能工业物联网系统 | |
| US11906112B2 (en) | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof | |
| JP7436148B2 (ja) | プロセス制御システムのデバイスに関連付けられたアラートを管理するためのシステムおよび方法 | |
| EP3301528A1 (en) | Plant operation system and plant operation method | |
| CN109389518A (zh) | 关联分析方法及装置 | |
| CN115469629A (zh) | 远程诊断方法、装置、系统、电子设备和存储介质 | |
| CN115437339A (zh) | 远程诊断方法及装置、电子设备和存储介质 | |
| CN111723646A (zh) | 一种远程辅助维护设备的方法和装置 | |
| CN115904656A (zh) | 应用于芯片中的状态控制方法、装置、设备及存储介质 | |
| CN113838269A (zh) | 一种低压开关柜温湿度监测和预警方法、系统及存储介质 | |
| CN112053077A (zh) | 一种变电设备监控及巡视系统和方法 | |
| CN104166941A (zh) | 一种用于电网潮流图的告警信息可视化方法及其系统 | |
| US20160063384A1 (en) | System for building and deploying inference model | |
| US20160080223A1 (en) | Dynamic management of notifications | |
| CN111210599A (zh) | 一种化工指标预警方法、系统、电子设备及存储介质 | |
| CN109856999A (zh) | 确定与执行设备相关的状态信息是否被篡改的方法和系统 | |
| CN115239071A (zh) | 一种基于大数据的工业生产环境风险评估系统 | |
| CN109981338A (zh) | 代码拉取的告警方法、装置及存储介质 | |
| CN115167258A (zh) | 一种发动机智能运维管控系统及方法 | |
| CN108880881A (zh) | 一种云环境下资源监控的方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190125 |