CN109948890A - 一种车间机台操作人员的行为评价方法及系统 - Google Patents
一种车间机台操作人员的行为评价方法及系统 Download PDFInfo
- Publication number
- CN109948890A CN109948890A CN201910091069.2A CN201910091069A CN109948890A CN 109948890 A CN109948890 A CN 109948890A CN 201910091069 A CN201910091069 A CN 201910091069A CN 109948890 A CN109948890 A CN 109948890A
- Authority
- CN
- China
- Prior art keywords
- operator
- behavior
- workshop
- evaluation
- machine operations
- 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
Landscapes
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种车间机台操作人员的行为评价方法及系统,该方法包括:实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征;将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID;通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作;将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标。本发明能提高车间智能化管理水平,提高车间人员的安全性。
Description
技术领域
本发明涉及车间智能管理技术领域,尤其涉及一种车间机台操作人员的行为评价方法及系统。
背景技术
目前,烟厂的卷接包车间并没有相对较科学、客观的针对机组操作人员行为状态的评价体系,仅依靠管理者的经验以及所察所想对机组操作人员行为进行评估打分。现有的凭借经验判断机组操作人员行为状态的方式存在以下两点缺陷:(1)缺乏客观地理论依据,缺少实际数据支撑。(2)单纯凭借人为经验判断,往往会出现与实际状况较大的偏差。另外,在操作人员操作机台出现不规范操作时,也不能实时进行纠正和提醒。
发明内容
本发明提供一种车间机台操作人员的行为评价方法及系统,解决现有车间机台操作人员的行为状态评价只能通过监控视频或人工观察后进行主观评价,易存在评价不准确、缺少客观数据支持的问题,能提高车间智能化管理水平,提高车间人员的安全性。
为实现以上目的,本发明提供以下技术方案:
一种车间机台操作人员的行为评价方法,包括:
实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征;
将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID;
通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作;
将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标,所述评价指标包括:在岗时长、自检频次、更换辅料频次、物耗控制情况和在岗热力图分布情况。
优选的,还包括:
根据该操作人员的机台操作动作判断该操作人员的操作是否符合预设的操作规范,如果不符合,则生成操作失误记录;
根据所述操作失误记录确定该操作人员的操作行为负面指标,所述负面指标包括:失误频次、耽搁时长、停机时长和停机频次。
优选的,还包括:
设置各个所述评价指标和所述负面指标的权重,并根据所述权重计算得到各个所述评价指标和所述负面指标的权重值;
根据所述权重值计算得到该操作人员的行为评价得分,并根据所述身份ID将所述行为评价得分存储到车间操作人员数据库中。
优选的,还包括:
根据所述脸部特征和所述行为姿态特征判断该操作人员是否处于安全工作状态,如果否,则根据所述身份ID上报不安全状态信息,并生成不安全状态记录;
根据所述不安全状态记录生成该操作人员的不安全评价指标,所述不安全评价指标包括:不安全频次和不安全时长;
根据所述不安全评价指标确定该操作人员的安全生产得分,并根据所述行为评价得分和所述安全生产得分对该操作人员进行行为评价。
优选的,所述将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID,包括:
根据脸部特征进行人脸识别,与车间操作人员数据库中的预设的人脸数据库进行比对,如果比对成功,则判定所述人脸数据库中的身份ID与该操作人员相对应,否则判定该操作人员为非法操作人员。
本发明还提供一种车间机台操作人员的行为评价系统,包括:
特征提取单元,用于实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征;
身份比对单元,用于将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID;
动作确定单元,用于通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作;
第一评价单元,用于将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标,所述评价指标包括:在岗时长、自检频次、更换辅料频次、物耗控制情况和在岗热力图分布情况。
优选的,还包括:
失误确定单元,用于根据该操作人员的机台操作动作判断该操作人员的操作是否符合预设的操作规范,如果不符合,则生成操作失误记录;
第二评价单元,用于根据所述操作失误记录确定该操作人员的操作行为负面指标,所述负面指标包括:失误频次、耽搁时长、停机时长和停机频次。
优选的,还包括:
权重设置单元,用于设置各个所述评价指标和所述负面指标的权重,并根据所述权重计算得到各个所述评价指标和所述负面指标的权重值;
行为评价单元,用于根据所述权重值计算得到该操作人员的行为评价得分,并根据所述身份ID将所述行为评价得分存储到车间操作人员数据库中。
优选的,还包括:
不安全状态确定单元,用于根据所述脸部特征和所述行为姿态特征判断该操作人员是否处于安全工作状态,如果否,则根据所述身份ID上报不安全状态信息,并生成不安全状态记录;
第三评价单元,用于根据所述不安全状态记录生成该操作人员的不安全评价指标,所述不安全评价指标包括:不安全频次和不安全时长;
所述行为评价单元还用于根据所述不安全评价指标确定该操作人员的安全生产得分,并根据所述行为评价得分和所述安全生产得分对该操作人员进行行为评价。
优选的,所述身份比对单元包括:
人脸识别单元,用于根据脸部特征进行人脸识别,与车间操作人员数据库中的预设的人脸数据库进行比对,如果比对成功,则判定所述人脸数据库中的身份ID与该操作人员相对应,否则判定该操作人员为非法操作人员。
本发明提供一种车间机台操作人员的行为评价方法及系统,通过对操作人员的脸部特征和行为姿态特征进行识别,并通过深度学习算法对行为姿态特征进行学习以确定操作人员的机台操作动作,进而根据机台操作动作得到操作行为评价指标。解决现有车间机台操作人员的行为状态评价只能通过监控视频或人工观察后进行主观评价,易存在评价不准确、缺少客观数据支持的问题,能提高车间智能化管理水平,提高车间人员的安全性。
附图说明
为了更清楚地说明本发明的具体实施例,下面将对实施例中所需要使用的附图作简单地介绍。
图1:是本发明提供的一种车间机台操作人员的行为评价方法示意图;
图2:是本发明实施例提供的行为评价方法流程图。
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实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前车间操作人员的评价主要依靠人为观察或监控视频,存在不能客观和准确评价的问题。本发明提供一种车间机台操作人员的行为评价方法及系统,通过对操作人员的脸部特征和行为姿态特征进行识别,并通过深度学习算法对行为姿态特征进行学习以确定操作人员的机台操作动作,进而根据机台操作动作得到操作行为评价指标。解决现有车间机台操作人员的行为状态评价只能通过监控视频或人工观察后进行主观评价,易存在评价不准确、缺少客观数据支持的问题,能提高车间智能化管理水平,提高车间人员的安全性。
如图1所示,一种车间机台操作人员的行为评价方法,包括:
S1:实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征。
S2:将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID。
S3:通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作。
S4:将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标,所述评价指标包括:在岗时长、自检频次、更换辅料频次、物耗控制情况和在岗热力图分布情况。
具体地,通过深度学习、人脸识别、姿态识别等技术手段分别获取到机组操作人员在在岗时长、在岗热力图分布情况、更换辅料频次、自检频次、物耗控制情况等方面的相关数据值。车间管理者可通过评价指标对操作人员的工作情况进行查询和考察,能依据实际数据客观评价车间机组操作人员的行为,实现节约成本、提高管理效率。需要说明的是,机器自学习可采用人工神经网络算法进行。
该方法还包括:
S5:根据该操作人员的机台操作动作判断该操作人员的操作是否符合预设的操作规范,如果不符合,则生成操作失误记录。
S6:根据所述操作失误记录确定该操作人员的操作行为负面指标,所述负面指标包括:失误频次、耽搁时长、停机时长和停机频次。
在实际应用中,负面指标能反应操作人员的作业规范,能判断操作人员的熟练程度。如果操作人员的负面指标高,说明该操作人员失误频率较高,可见,负面指标能表征该操作人员的操作动作的失误情况。
该方法还包括:
S7:设置各个所述评价指标和所述负面指标的权重,并根据所述权重计算得到各个所述评价指标和所述负面指标的权重值。
S8:根据所述权重值计算得到该操作人员的行为评价得分,并根据所述身份ID将所述行为评价得分存储到车间操作人员数据库中。
在实际应用中,如图2所示,通过深度学习算法、人脸识别、人体姿态检测等方式,分别从在岗时长、在岗热力图分布情况、更换辅料频次、自检频次、物耗控制情况等方面获取到客观数据,并将每一项赋予不同的权重,最终计算出车间机组操作人员的行为评价得分。通过对数据的提取分析,赋予权重并最终给出机组操作人员行为评价得分,如表1所示。
表1
其算法及判定逻辑实施步骤如下:
第一步:把不重要的赋值1,有点重要的赋值2,重要的赋值3,非常重要的赋值4,极为重要的赋值5,若仅选择重要及以上数据进入统计,则这三种选项的权重分别为:3/(3+4+5)=0.25;4/(3+4+5)=0.33;5/(3+4+5)=0.42。
第二步:计算每个指标的权重。
指标1的权重=(30*0.25+20*0.33+40*0.42)/{(30*0.25+20*0.33+40*0.42)+(10*0.25+30*0.33+40*0.42)+(40*0.25+30*0.33+10*0.42)+(30*0.25+40*0.33+20*0.42)+(30*0.25+40*0.33+10*0.42)}=30.9/(30.9+29.2+24.1+29.1+24.9)=30.9/138.2=0.223。
同理可得到,指标2的权重=29.2/138.2=0.211,指标3的权重=24.1/138.2=0.174,指标4的权重=29.1/138.2=0.210,指标5的权重=24.9/138.2=0.180。具体如表2中所有指标的权重值所示。
表2
该方法还包括:
S9:根据所述脸部特征和所述行为姿态特征判断该操作人员是否处于安全工作状态,如果否,则根据所述身份ID上报不安全状态信息,并生成不安全状态记录。
S10:根据所述不安全状态记录生成该操作人员的不安全评价指标,所述不安全评价指标包括:不安全频次和不安全时长。
S11:根据所述不安全评价指标确定该操作人员的安全生产得分,并根据所述行为评价得分和所述安全生产得分对该操作人员进行行为评价。
在实际应用中,操作人员可能会遇上紧急事态,此时,操作人员可能会大喊或挥手进行求助,此时通过脸部特征和行为姿态特征判断操作人员可能遇上不安全事件,需要及时将不安全状态信息上报,并生成不安全状态记录,以备查询和评价分析,能提高车间生产的安全性和智能性。
进一步,所述将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID,包括:根据脸部特征进行人脸识别,与车间操作人员数据库中的预设的人脸数据库进行比对,如果比对成功,则判定所述人脸数据库中的身份ID与该操作人员相对应,否则判定该操作人员为非法操作人员。
可见,本发明提供一种车间机台操作人员的行为评价方法,通过对操作人员的脸部特征和行为姿态特征进行识别,并通过深度学习算法对行为姿态特征进行学习以确定操作人员的机台操作动作,进而根据机台操作动作得到操作行为评价指标。解决现有车间机台操作人员的行为状态评价只能通过监控视频或人工观察后进行主观评价,易存在评价不准确、缺少客观数据支持的问题,能提高车间智能化管理水平,提高车间人员的安全性。
本发明还提供一种车间机台操作人员的行为评价系统,包括:特征提取单元,用于实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征。身份比对单元,用于将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID。动作确定单元,用于通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作。第一评价单元,用于将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标,所述评价指标包括:在岗时长、自检频次、更换辅料频次、物耗控制情况和在岗热力图分布情况。
该系统还包括:失误确定单元,用于根据该操作人员的机台操作动作判断该操作人员的操作是否符合预设的操作规范,如果不符合,则生成操作失误记录。第二评价单元,用于根据所述操作失误记录确定该操作人员的操作行为负面指标,所述负面指标包括:失误频次、耽搁时长、停机时长和停机频次。
该系统还包括:权重设置单元,用于设置各个所述评价指标和所述负面指标的权重,并根据所述权重计算得到各个所述评价指标和所述负面指标的权重值。行为评价单元,用于根据所述权重值计算得到该操作人员的行为评价得分,并根据所述身份ID将所述行为评价得分存储到车间操作人员数据库中。
该系统还包括:不安全状态确定单元,用于根据所述脸部特征和所述行为姿态特征判断该操作人员是否处于安全工作状态,如果否,则根据所述身份ID上报不安全状态信息,并生成不安全状态记录。第三评价单元,用于根据所述不安全状态记录生成该操作人员的不安全评价指标,所述不安全评价指标包括:不安全频次和不安全时长。所述行为评价单元还用于根据所述不安全评价指标确定该操作人员的安全生产得分,并根据所述行为评价得分和所述安全生产得分对该操作人员进行行为评价。
进一步,所述身份比对单元包括:人脸识别单元,用于根据脸部特征进行人脸识别,与车间操作人员数据库中的预设的人脸数据库进行比对,如果比对成功,则判定所述人脸数据库中的身份ID与该操作人员相对应,否则判定该操作人员为非法操作人员。
可见,本发明提供一种车间机台操作人员的行为评价方法及系统,通过对操作人员的脸部特征和行为姿态特征进行识别,并通过深度学习算法对行为姿态特征进行学习以确定操作人员的机台操作动作,进而根据机台操作动作得到操作行为评价指标。解决现有车间机台操作人员的行为状态评价只能通过监控视频或人工观察后进行主观评价,易存在评价不准确、缺少客观数据支持的问题,能提高车间智能化管理水平,提高车间人员的安全性。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (10)
1.一种车间机台操作人员的行为评价方法,其特征在于,包括:
实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征;
将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID;
通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作;
将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标,所述评价指标包括:在岗时长、自检频次、更换辅料频次、物耗控制情况和在岗热力图分布情况。
2.根据权利要求1所述的车间机台操作人员的行为评价方法,其特征在于,还包括:
根据该操作人员的机台操作动作判断该操作人员的操作是否符合预设的操作规范,如果不符合,则生成操作失误记录;
根据所述操作失误记录确定该操作人员的操作行为负面指标,所述负面指标包括:失误频次、耽搁时长、停机时长和停机频次。
3.根据权利要求2所述的车间机台操作人员的行为评价方法,其特征在于,还包括:
设置各个所述评价指标和所述负面指标的权重,并根据所述权重计算得到各个所述评价指标和所述负面指标的权重值;
根据所述权重值计算得到该操作人员的行为评价得分,并根据所述身份ID将所述行为评价得分存储到车间操作人员数据库中。
4.根据权利要求3所述的车间机台操作人员的行为评价方法,其特征在于,还包括:
根据所述脸部特征和所述行为姿态特征判断该操作人员是否处于安全工作状态,如果否,则根据所述身份ID上报不安全状态信息,并生成不安全状态记录;
根据所述不安全状态记录生成该操作人员的不安全评价指标,所述不安全评价指标包括:不安全频次和不安全时长;
根据所述不安全评价指标确定该操作人员的安全生产得分,并根据所述行为评价得分和所述安全生产得分对该操作人员进行行为评价。
5.根据权利要求4所述的车间机台操作人员的行为评价方法,其特征在于,所述将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID,包括:
根据脸部特征进行人脸识别,与车间操作人员数据库中的预设的人脸数据库进行比对,如果比对成功,则判定该操作人员与所述人脸数据库中的身份ID相对应,否则判定该操作人员为非法操作人员。
6.一种车间机台操作人员的行为评价系统,其特征在于,包括:
特征提取单元,用于实时获取操作人员的人体图像,并根据所述人体图像提取操作人员的脸部特征和行为姿态特征;
身份比对单元,用于将所述脸部特征与预设的车间操作人员数据库进行比对,以获取操作人员对应的身份ID;
动作确定单元,用于通过深度学习算法对该操作人员的所述行为姿态特征进行机器自学习,以确定该操作人员的机台操作动作;
第一评价单元,用于将所述机台操作动作存入车间MES系统中形成该操作人员的操作动作数据,并根据所述操作动作数据生成该操作人员的操作行为评价指标,所述评价指标包括:在岗时长、自检频次、更换辅料频次、物耗控制情况和在岗热力图分布情况。
7.根据权利要求6所述的车间机台操作人员的行为评价系统,其特征在于,还包括:
失误确定单元,用于根据该操作人员的机台操作动作判断该操作人员的操作是否符合预设的操作规范,如果不符合,则生成操作失误记录;
第二评价单元,用于根据所述操作失误记录确定该操作人员的操作行为负面指标,所述负面指标包括:失误频次、耽搁时长、停机时长和停机频次。
8.根据权利要求7所述的车间机台操作人员的行为评价系统,其特征在于,还包括:
权重设置单元,用于设置各个所述评价指标和所述负面指标的权重,并根据所述权重计算得到各个所述评价指标和所述负面指标的权重值;
行为评价单元,用于根据所述权重值计算得到该操作人员的行为评价得分,并根据所述身份ID将所述行为评价得分存储到车间操作人员数据库中。
9.根据权利要求8所述的车间机台操作人员的行为评价系统,其特征在于,还包括:
不安全状态确定单元,用于根据所述脸部特征和所述行为姿态特征判断该操作人员是否处于安全工作状态,如果否,则根据所述身份ID上报不安全状态信息,并生成不安全状态记录;
第三评价单元,用于根据所述不安全状态记录生成该操作人员的不安全评价指标,所述不安全评价指标包括:不安全频次和不安全时长;
所述行为评价单元还用于根据所述不安全评价指标确定该操作人员的安全生产得分,并根据所述行为评价得分和所述安全生产得分对该操作人员进行行为评价。
10.根据权利要求9所述的车间机台操作人员的行为评价方法,其特征在于,所述身份比对单元包括:
人脸识别单元,用于根据脸部特征进行人脸识别,与车间操作人员数据库中的预设的人脸数据库进行比对,如果比对成功,则判定所述人脸数据库中的身份ID与该操作人员相对应,否则判定该操作人员为非法操作人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910091069.2A CN109948890A (zh) | 2019-01-30 | 2019-01-30 | 一种车间机台操作人员的行为评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910091069.2A CN109948890A (zh) | 2019-01-30 | 2019-01-30 | 一种车间机台操作人员的行为评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109948890A true CN109948890A (zh) | 2019-06-28 |
Family
ID=67007358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910091069.2A Pending CN109948890A (zh) | 2019-01-30 | 2019-01-30 | 一种车间机台操作人员的行为评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948890A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036744A (zh) * | 2020-08-28 | 2020-12-04 | 深圳前海微众银行股份有限公司 | 一种确定工作状况的方法及装置 |
CN113341825A (zh) * | 2021-06-17 | 2021-09-03 | 浙江凌镜智能有限公司 | 设备运维智能监测方法及系统 |
CN117633763A (zh) * | 2023-11-27 | 2024-03-01 | 厦门亿力吉奥信息科技有限公司 | 基于电子标签的配电设备误操作控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
CN108268832A (zh) * | 2017-12-20 | 2018-07-10 | 广州供电局有限公司 | 电力作业监测方法、装置、存储介质和计算机设备 |
CN108960216A (zh) * | 2018-09-21 | 2018-12-07 | 浙江中正智能科技有限公司 | 一种动态人脸检测和识别方法 |
CN109034509A (zh) * | 2017-06-08 | 2018-12-18 | 株式会社日立制作所 | 作业人员评价系统、作业人员评价装置及评价方法 |
-
2019
- 2019-01-30 CN CN201910091069.2A patent/CN109948890A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034509A (zh) * | 2017-06-08 | 2018-12-18 | 株式会社日立制作所 | 作业人员评价系统、作业人员评价装置及评价方法 |
CN107590452A (zh) * | 2017-09-04 | 2018-01-16 | 武汉神目信息技术有限公司 | 一种基于步态与人脸融合的身份识别方法及装置 |
CN108268832A (zh) * | 2017-12-20 | 2018-07-10 | 广州供电局有限公司 | 电力作业监测方法、装置、存储介质和计算机设备 |
CN108960216A (zh) * | 2018-09-21 | 2018-12-07 | 浙江中正智能科技有限公司 | 一种动态人脸检测和识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036744A (zh) * | 2020-08-28 | 2020-12-04 | 深圳前海微众银行股份有限公司 | 一种确定工作状况的方法及装置 |
CN113341825A (zh) * | 2021-06-17 | 2021-09-03 | 浙江凌镜智能有限公司 | 设备运维智能监测方法及系统 |
CN117633763A (zh) * | 2023-11-27 | 2024-03-01 | 厦门亿力吉奥信息科技有限公司 | 基于电子标签的配电设备误操作控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948890A (zh) | 一种车间机台操作人员的行为评价方法及系统 | |
CN112383052B (zh) | 基于电力物联网的电网故障修复方法和装置 | |
Salimi et al. | Visual-based trash detection and classification system for smart trash bin robot | |
CN107274093B (zh) | 一种电网运行安全的风险评估方法 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN108280543B (zh) | 基于分类回归模式的工况自适应的设备健康度评估方法 | |
CN111445106A (zh) | 一种用电采集设备故障处理作业现场安全控制方法及系统 | |
US20170091672A1 (en) | Motor drive apparatus equipped with fan motor preventive maintenance function | |
CN109597315A (zh) | 一种机械设备健康退化状态辨识方法、设备及系统 | |
CN109462521A (zh) | 一种适用于源网荷互动工控系统的网络流量异常检测方法 | |
CN107320115A (zh) | 一种自适应的精神疲劳评估装置及方法 | |
CN112200263B (zh) | 一种应用于配电物联网的自组织联邦聚类方法 | |
CN109787243A (zh) | 一种人工紧急减负荷在线优化决策方法、系统及存储介质 | |
CN109117957A (zh) | 一种基于民航维修质量评估和异构集成学习的敏感性分析方法 | |
CN113071966A (zh) | 电梯故障预测方法、装置、设备及存储介质 | |
CN116720048A (zh) | 一种基于机器学习模型的电站辅机故障诊断方法和系统 | |
TWM583566U (zh) | 刀具壽命預測設備 | |
CN117492814A (zh) | 生产运维变更方法及装置 | |
CN116777227A (zh) | 一种企业安全生产风险的分级监管方法及系统 | |
CN115601010B (zh) | 一种人工智能消防智慧信息管理平台 | |
CN109961213A (zh) | 一种车间维修人员的行为评价方法及系统 | |
CN113156908B (zh) | 一种机理与数据联融合的多工况工业过程监测方法和系统 | |
Budaya et al. | Prediction model for the tenant's potential failure from business incubation process during COVID-19 period using supervised learning | |
CN113420711A (zh) | 一种服务行业工作人员服务行为识别算法及系统 |
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 |