CN110891039B - 一种基于lm神经网络的煤矿监控系统安全预警方法 - Google Patents
一种基于lm神经网络的煤矿监控系统安全预警方法 Download PDFInfo
- Publication number
- CN110891039B CN110891039B CN201811040750.6A CN201811040750A CN110891039B CN 110891039 B CN110891039 B CN 110891039B CN 201811040750 A CN201811040750 A CN 201811040750A CN 110891039 B CN110891039 B CN 110891039B
- Authority
- CN
- China
- Prior art keywords
- monitoring system
- neural network
- data
- mapping file
- coal mine
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于LM神经网络的煤矿监控系统安全预警方法,包括以下步骤:通过部署脚本集获取监控系统数据集合;建立分布式数据库与监控系统数据集合的逻辑映射文件;对逻辑映射文件进行规范化处理形成样本库;根据样本库基于LM神经网络深度学习建立趋势分析模型;实时获取监控系统数据,转存为逻辑映射文件,输入LM神经网络分析并与趋势分析模型进行比对;根据比对结果判断是否异常,异常则发出报警提示;可以实现针对监控系统进行安全预警功能,减少人为参与带来的潜在威胁,实现早期感知监控系统网络数据态势变化,提高对安全预警的能力,以及降低防护系统运维成本。
Description
技术领域
本发明涉及安全监控技术领域,尤其涉及一种基于LM神经网络的煤矿监控系统安全预警方法。
背景技术
目前,煤矿井下监控系统网络安全预警的方法,多以在网络边界或关键设备出口处预制安全策略进行网关式流量过滤为主,而在监控系统的长期运行中,对于网关式防护设备的日常维护和安全策略升级却存在着高成本、不安全的问题。例如:
场景1:监控系统在井下长时间的现场运行,需要与井下生产、人员定位等多系统共享工业环网运行,监控系统的安全可能受到环网共享设备被入侵、从其他系统渗透以及直接遭受攻击等问题。常见的预警方法:选择专业安全防护设备针对每种入侵或攻击行为进行数据库记录,再编写对应的网络流量过滤脚本,由现场工程人员将安全防护设备部署在网络的出入口处运行,将每个设备的脚本获取流量保存本地缓存后提取关键数据信息与安全防护设备内的预制数据库进行分析比对,实现预警提醒。这种方式存在以下缺陷:首先,环网内与监控系统直接或间接关联的其他各个系统都需要部署安全防护设备,要对煤矿井下全部系统网络数据进行过滤分析并预警,其中容易存在安全防护漏洞,无法针对性的监控系统进行安全预警。其次,还可能存在预制数据库规则与正常系统数据内容冲突的问题,导致错误的安全预警。
场景2:安全防护设备的升级更新涉及到预制数据库的升级和更新,常见的数据库系统的升级和更新方法是由通过因特网链接上端服务器实现同步数据库或系统脚本。由于现场调试人员在实际执行中,为了操作便捷,常常直接将办公用计算机或网络服务器直接与安全防护设备对接,实现与因特网互通。采用这种方式存在难以甚至无法判断的计算机病毒传播或者来自外部网络的探测和威胁攻击等问题。
发明内容
鉴于目前存在的上述不足,本发明提供一种基于LM神经网络的煤矿监控系统安全预警方法,可以实现针对监控系统进行安全预警功能,减少人为参与带来的潜在威胁,实现早期感知监控系统网络数据态势变化,提高对安全预警的能力,以及降低防护系统运维成本。
为达到上述目的,本发明的实施例采用如下技术方案:
一种基于LM神经网络的煤矿监控系统安全预警方法,所述方法包括以下步骤:
通过部署脚本集获取监控系统数据集合;
建立分布式数据库与监控系统数据集合的逻辑映射文件;
对逻辑映射文件进行规范化处理形成样本库;
根据样本库基于LM神经网络深度学习建立趋势分析模型;
实时获取监控系统数据,转存为逻辑映射文件,输入LM神经网络分析并与趋势分析模型进行比对;
根据比对结果判断是否异常,异常则发出报警提示。
依照本发明的一个方面,所述获取监控系统数据集合包括以下步骤:
针对监控系统的数据传输特性编写对应的规范的python流量获取脚本,形成脚本集;
将脚本集放置于监控系统汇集流量位置,获取监控系统数据集合。
依照本发明的一个方面,所述基于LM神经网络的煤矿监控系统安全预警方法包括以下配置过程:
针对监控系统数据流量分析数据包需求,确定数据包抓取任务项形成python脚本集合;
根据数据包抓取任务项编写并建立相应的分布式数据库,提供规范化数据库接口,使其可被python脚本结构化存储;
部署脚本集并配置数据包抓取任务参数以获取监控系统数据包文件;
将数据包文件清洗后把高可用数据存入分布式数据库形成逻辑映射文件。
依照本发明的一个方面,所述基于LM神经网络深度学习建立趋势分析模型包括以下过程:
读取逻辑映射文件,在内存中执行对文件的规范化处理,建立监控数据特征和LM神经网络数学参数的映射关系集合,再转存到数据库中;
通过人机交互方式,呈现可执行的规范化训练数据情况;
通过人机交互方式,设置训练过程程序参数和执行动作参数;
根据程序参数设定进行训练学习,并记录显示不同参数的训练结果,设定目标时刻;
在目标时刻时,分解每个样本库内容并进行分析,基于LM神经网络反复迭代学习,最终形成趋势分析模型。
依照本发明的一个方面,在执行矿井多区域监控系统安全预警任务项时,对应的多个脚本和LM神经网络采用并行方式执行。
依照本发明的一个方面,所述逻辑映射文件保存为分布式HDFS数据文件。
依照本发明的一个方面,所述基于LM神经网络的煤矿监控系统安全预警方法包括:保存每个LM神经网络学习的模型结果,形成监控系统阶段性安全防护预警模型集。
依照本发明的一个方面,所述基于LM神经网络的煤矿监控系统安全预警方法包括以下过程:
启动脚本,在煤矿井下环网交换机端口找到监控系统网络流量数据,解析获取数据信息,并执行规范化任务以及形成逻辑映射文件集合;
加载趋势分析模型程序,将逻辑映射文件数据逐行输入,进行结果情况分析;
若无异常,为否,则丢弃本次逻辑映射文件,并将趋势分析模型程序初始化,程序进入等待输入状态,继续执行脚本,获取监控网络数据流量,完成下一次逻辑映射文件的生产;
若有异常,为是,则启动预警功能模块,监控系统关联进行信息推送,同时记录报警信息。
依照本发明的一个方面,所述煤矿监控系统包括管理客户端,所述管理客户端预设LM神经网络程序。
本发明实施的优点:本发明所述的基于LM神经网络的煤矿监控系统安全预警方法,包括以下步骤:通过部署脚本集获取监控系统数据集合;建立分布式数据库与监控系统数据集合的逻辑映射文件;对逻辑映射文件进行规范化处理形成样本库;根据样本库基于LM神经网络深度学习建立趋势分析模型;实时获取监控系统数据,转存为逻辑映射文件,输入LM神经网络分析并与趋势分析模型进行比对;根据比对结果判断是否异常,异常则发出报警提示;可以自动执行python脚本集合,保存监控系统数据的训练模型信息,并据此生成监控系统网络是否安全的判断依据,采用本发明可以实现针对监控系统进行安全预警功能,减少人为参与带来的潜在威胁,实现早期感知监控系统网络数据态势变化,提高对安全预警的能力,以及降低防护系统运维成本。
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为本发明所述的基于LM神经网络的煤矿监控系统安全预警方法示意图;
图2为本发明实施例所述的抓取分析数据阶段配置流程图;
图3为本发明实施例所述的建立趋势分析模型阶段配置流程图;
图4为本发明实施例所述的监控系统网络进行异常判断阶段运行流程图;
图5为本发明实施例获取到的原始数据形式示意图;
图6为本发明实施例所述的逻辑映射文件数据形式示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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,都属于本发明保护的范围。
如图1、图2、图3、图4、图5和图6所示,一种基于LM神经网络的煤矿监控系统安全预警方法,基于包括有管理客户端的煤矿监控系统,所述方法包括以下步骤:
步骤S1:通过部署脚本集获取监控系统数据集合;
所述步骤S1通过部署脚本集获取监控系统数据集合具体包括:针对监控系统的数据传输特性编写对应的规范的python流量获取脚本,形成脚本集;将脚本集放置于监控系统汇集流量位置,获取监控系统数据集合。
步骤S2:建立分布式数据库与监控系统数据集合的逻辑映射文件;
具体包括:建立分布式数据库与监控系统数据集合的逻辑映射文件;其中,逻辑映射文件保存为分布式HDFS数据文件。
步骤S3:对逻辑映射文件进行规范化处理形成样本库;
对文件内数据进行数据包的大小、方向、内容等信息进行规范化处理形成样本库,转存至管理客户端。
在实际应用中,步骤S1、S2、S3为抓取分析数据阶段,其具体包括如下配置流程:
步骤101,针对监控系统数据流量分析数据包需求,确定数据包抓取任务项形成python脚本集合。
步骤102,根据数据包抓取任务项编写并建立相应的分布式数据库,提供规范化数据库接口,确保其可被python脚本结构化存储。
其中,python脚本内容必须与数据库接口对应,包含可执行的SQL语句若干,同时可使用注释等方式对SQL语句进行特征描述,表明其执行目的。例如,某SQL语句的类型(例如,insert),可描述其插入字段意图以及用途做相应注释,为后面的执行结果保存及查看提供便利。
步骤103获取监控系统数据包文件。将脚本集放置于监控系统汇集流量位置,根据不同数据包特性通过配置数据包抓取任务参数,例如相应数据包抓取频率,数据包抓取类型,数据包过滤规则等,配置方式可采用最简单的命令行配置方式,或者定制相应的图形化界面配置方式。形成监控系统数据包文件
步骤104根据103输出的监控系统数据包文件,将其放置于数据清洗脚本可访问到的位置,例如放置方式可以涉及网络传输方式进行放置。通过执行数据清洗脚本进一步过滤掉无用数据,最后将高可用数据存入102步骤中建立的分布式数据库中并形成逻辑映射文件。
步骤S4:根据样本库基于LM神经网络深度学习建立趋势分析模型;
此为建立趋势分析模型阶段,具体包括以下配置过程:
步骤201,管理客户端读取逻辑映射文件,在内存中执行对文件的规范化处理,建立监控数据特征和LM神经网络数学参数的映射关系集合,再转存到管理客户端数据库中。
规范化工作:
提取数据流量的3个体征变量:包方向、包间隔时间、内容数据位,汇总形成专家样本库。监控系统网络体征集合Si:
Si={di,t,bi},i=1,2,3…
其中i是某一个传感器在上位机与下位机之间交换的第i个包的序号,di代表第i个包的方向(上行是1,下行是0),t代表第i个包与第i+1个包的时间间隔,bi代表第i个包的内容数据位信息。并设定监控系统正常状态输出变量为1,异常为0;
步骤202,通过人机交互方式,呈现可执行的规范化训练数据情况。
步骤203,通过人机交互方式,设置基于python开发的LM神经网络学习程序,训练过程程序参数设置包括学习速率在0.02-0.05之间,神经网络层数为3层、隐藏节点数3-7个之间,设置Relu激活函数等;执行动作参数包括执行输出的sigmoid激活函数,执行学习次数,分类占比数值等。
步骤204,管理客户端根据程序参数设定进行训练学习,并记录显示不同参数的训练结果,自动比对分类占比数值,低于此数值时,既定为目标时刻,并触发执行完成程序,学习模型自动执行保存。一般使用定时器线程,定时判断当前时刻是否为目标时刻。
步骤205,管理客户端在目标时刻,分解每个样本库内容并进行分析,学习模型。在有多个样本库学习的任务项的情形下,对于其执行可使用分布式并行方式提高效率。
步骤S5:实时获取监控系统数据,转存为逻辑映射文件,输入LM神经网络分析并与趋势分析模型进行比对;
步骤S6:根据比对结果判断是否异常,异常则发出报警提示。
所述步骤S5和S6为监控系统网络进行异常判断阶段,具体包括如下运行流程:
步骤301,管理客户端启动python脚本,在煤矿井下环网交换机端口找到监控系统网络流量数据,解析获取数据信息,并执行规范化任务、并形成逻辑映射文件集合。
步骤302,加载趋势分析模型程序,将逻辑映射文件数据逐行输入,进行结果情况分析。
步骤303,若无异常,为否。管理客户端丢弃本次逻辑映射文件,并将趋势分析模型程序初始化,程序进入等待输入状态。系统继续执行Python脚本,获取监控网络数据流量,完成下一次逻辑映射文件的生产。
步骤304,若有异常,为是。管理客户端启动预警功能模块,监控系统关联的网络、服务、安全等系统进行信息推送。管理客户端记录报警信息:本次异常数据来源信息、发生时间信息、异常数据情况等。
在实际应用中,在执行矿井多区域监控系统安全预警任务项时,对应的多个脚本和LM神经网络采用并行方式执行。
在实际应用中,所述管理客户端预设LM神经网络程序。
本发明实施的优点:本发明所述的基于LM神经网络的煤矿监控系统安全预警方法,包括以下步骤:通过部署脚本集获取监控系统数据集合;建立分布式数据库与监控系统数据集合的逻辑映射文件;对逻辑映射文件进行规范化处理形成样本库;根据样本库基于LM神经网络深度学习建立趋势分析模型;实时获取监控系统数据,转存为逻辑映射文件,输入LM神经网络分析并与趋势分析模型进行比对;根据比对结果判断是否异常,异常则发出报警提示;可以自动执行python脚本集合,保存监控系统数据的训练模型信息,并据此生成监控系统网络是否安全的判断依据,采用本发明可以实现针对监控系统进行安全预警功能,减少人为参与带来的潜在威胁,实现早期感知监控系统网络数据态势变化,提高对安全预警的能力,以及降低防护系统运维成本。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域技术的技术人员在本发明公开的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述方法包括以下步骤:
通过部署python脚本集获取监控系统数据集合;
建立分布式数据库与监控系统数据集合的逻辑映射文件,包括,编写并建立相应的分布式数据库,提供规范化数据库接口,使其可被python脚本结构化存储;将获取的监控系统数据包文件清洗后把高可用数据存入分布式数据库形成逻辑映射文件;
对逻辑映射文件进行规范化处理形成样本库;
根据样本库基于LM神经网络深度学习建立趋势分析模型;
实时获取监控系统数据,转存为逻辑映射文件,输入LM神经网络分析并与趋势分析模型进行比对;根据比对结果判断是否异常,异常则发出报警提示。
2.根据权利要求1所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述获取监控系统数据集合包括以下步骤:
针对监控系统的数据传输特性编写对应的规范的python流量获取脚本,形成脚本集;
将脚本集放置于监控系统汇集流量位置,获取监控系统数据集合。
3.根据权利要求2所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述基于LM神经网络的煤矿监控系统安全预警方法包括以下配置过程:
针对监控系统数据流量分析数据包需求,确定数据包抓取任务项形成python脚本集合;
根据数据包抓取任务项编写并建立相应的分布式数据库,提供规范化数据库接口,使其可被python脚本结构化存储;
部署脚本集并配置数据包抓取任务参数以获取监控系统数据包文件;
将数据包文件清洗后把高可用数据存入分布式数据库形成逻辑映射文件。
4.根据权利要求1所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述基于LM神经网络深度学习建立趋势分析模型包括以下过程:
读取逻辑映射文件,在内存中执行对文件的规范化处理,建立监控数据特征和LM神经网络数学参数的映射关系集合,再转存到数据库中;
通过人机交互方式,呈现可执行的规范化训练数据情况;
通过人机交互方式,设置训练过程程序参数和执行动作参数;
根据程序参数设定进行训练学习,并记录显示不同参数的训练结果,设定目标时刻;
在目标时刻时,分解每个样本库内容并进行分析,基于LM神经网络反复迭代学习,最终形成趋势分析模型。
5.根据权利要求1所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,在执行矿井多区域监控系统安全预警任务项时,对应的多个脚本和LM神经网络采用并行方式执行。
6.根据权利要求1所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述逻辑映射文件保存为分布式HDFS数据文件。
7.根据权利要求1所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述基于LM神经网络的煤矿监控系统安全预警方法包括:保存每个LM神经网络学习的模型结果,形成监控系统阶段性安全防护预警模型集。
8.根据权利要求1至7之一所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述基于LM神经网络的煤矿监控系统安全预警方法包括以下过程:
启动脚本,在煤矿井下环网交换机端口找到监控系统网络流量数据,解析获取数据信息,并执行规范化任务以及形成逻辑映射文件集合;
加载趋势分析模型程序,将逻辑映射文件数据逐行输入,进行结果情况分析;
若无异常,为否,则丢弃本次逻辑映射文件,并将趋势分析模型程序初始化,程序进入等待输入状态,继续执行脚本,获取监控网络数据流量,完成下一次逻辑映射文件的生产;
若有异常,为是,则启动预警功能模块,监控系统关联进行信息推送,同时记录报警信息。
9.根据权利要求8所述的基于LM神经网络的煤矿监控系统安全预警方法,其特征在于,所述煤矿监控系统包括管理客户端,所述管理客户端预设LM神经网络程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811040750.6A CN110891039B (zh) | 2018-09-07 | 2018-09-07 | 一种基于lm神经网络的煤矿监控系统安全预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811040750.6A CN110891039B (zh) | 2018-09-07 | 2018-09-07 | 一种基于lm神经网络的煤矿监控系统安全预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110891039A CN110891039A (zh) | 2020-03-17 |
CN110891039B true CN110891039B (zh) | 2021-12-03 |
Family
ID=69744332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811040750.6A Active CN110891039B (zh) | 2018-09-07 | 2018-09-07 | 一种基于lm神经网络的煤矿监控系统安全预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110891039B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086961A (zh) * | 2022-05-16 | 2022-09-20 | 芯原微电子(上海)股份有限公司 | 基于用户自定义过滤的无线抓包方法、系统、设备和介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8824599B1 (en) * | 2012-06-20 | 2014-09-02 | MagnaCom Ltd. | Pilot symbol-aided sequence estimation for highly-spectrally-efficient communications |
CN107436891A (zh) * | 2016-05-26 | 2017-12-05 | 上海火数信息科技有限公司 | 基于sql脚本商场数据库的管理方法 |
CN106991531A (zh) * | 2017-03-30 | 2017-07-28 | 国家电网公司 | 基于bp神经网络的配电网项目建设效果后评价方法 |
-
2018
- 2018-09-07 CN CN201811040750.6A patent/CN110891039B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110891039A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931860B (zh) | 异常数据检测方法、装置、设备及存储介质 | |
EP3531386B1 (en) | Fire monitoring system | |
EP3139359B1 (en) | System and method providing early prediction and forecasting of false alarms by applying statistical inference models | |
US10809704B2 (en) | Process performance issues and alarm notification using data analytics | |
US11347212B2 (en) | Smart embedded control system for a field device of an automation system | |
US20170351226A1 (en) | Industrial machine diagnosis and maintenance using a cloud platform | |
EP3314340B1 (en) | Control contextualization and reasoning about control | |
US11444959B2 (en) | Integrated equipment fault and cyber attack detection arrangement | |
CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
CN112639781A (zh) | 用于实时工业控制系统安全事件监视和管理的知识图 | |
CN112153044B (zh) | 流量数据的检测方法及相关设备 | |
EP2946219B2 (en) | Method, apparatus and computer-program product for determining faults in a lighting system | |
EP2936772B1 (en) | Network security management | |
CN110650137A (zh) | 煤矿网络异常行为预警方法、系统、设备及可读存储介质 | |
CN109361648A (zh) | 工控系统的隐蔽攻击的检测方法及装置 | |
CN110891039B (zh) | 一种基于lm神经网络的煤矿监控系统安全预警方法 | |
WO2022115419A1 (en) | Method of detecting an anomaly in a system | |
CN114500574A (zh) | 一种基于区块链的提高粮库安全的监控方法、设备及介质 | |
CN117220957A (zh) | 一种基于威胁情报的攻击行为响应方法及系统 | |
KR20190098484A (ko) | Cart 기반의 입력변수 랭킹을 이용한 산업공정의 고장변수 식별을 위한 장치 및 방법 | |
CN116468423A (zh) | 一种运维应急协同方法、系统和终端设备 | |
EP3690582A1 (en) | Apparatus and method for alarm management | |
Feau et al. | A method to build a production process model prior to a process mining approach | |
CN114202907A (zh) | 一种火灾报警实时分类方法及系统 | |
US20190188105A1 (en) | Intelligent Diagnostic System |
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 |