CN112649034A - 一种煤矿井下传感器调校状态的识别方法及装置 - Google Patents
一种煤矿井下传感器调校状态的识别方法及装置 Download PDFInfo
- Publication number
- CN112649034A CN112649034A CN202011576500.1A CN202011576500A CN112649034A CN 112649034 A CN112649034 A CN 112649034A CN 202011576500 A CN202011576500 A CN 202011576500A CN 112649034 A CN112649034 A CN 112649034A
- Authority
- CN
- China
- Prior art keywords
- data
- identified
- monitoring
- probability
- monitoring data
- 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
Images
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
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本公开是关于一种煤矿井下传感器调校状态的识别方法及装置。该方法包括:响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;计算待识别监测数据的至少两个数据特征;分别根据计算得到的数据特征确定待识别监测数据属于调校数据的概率;根据概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定待识别监测数据为调校数据,否则为报警数据。本公开提供的方案,能够准确识别传感器的调校状态,从而能够对于当前传感器报警是由于浓度超标引起的真实报警还是由于调校引起的误报警作出准确判定。
Description
技术领域
本公开涉及煤矿安全生产数据特征识别领域,尤其涉及一种煤矿井下传感器调校状态的识别方法及装置。
背景技术
井下传感器,例如甲烷传感器,由于经常在煤矿复杂的环境中使用,会出现传感器的测量值和环境真值差异较大的情况,需要按时进行调校,以保证瓦斯测量的准确性以及煤矿安全监控系统正常运行,在调校时,需要使用标准浓度值的甲烷气体通入甲烷传感器,当甲烷浓度超过报警值时,同样会导致煤矿安全监控系统产生报警。在未上传传感器调校状态信息的情况下,无法区分是由于井下瓦斯超标引起的真实报警还是由于传感器调校引起的误报警。
发明内容
为克服相关技术中存在的问题,本公开提供一种煤矿井下传感器调校状态的识别方法及装置,能够识别超限数据是真实报警数据还是调校数据。
根据本公开实施例的第一方面,提供一种煤矿井下传感器调校状态的识别方法,包括:
响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;
计算所述待识别监测数据的至少两个数据特征;
分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率;
根据所述概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定所述待识别监测数据为调校数据,否则为报警数据。
根据本公开实施例的第二方面,提供一种煤矿井下传感器调校状态的识别装置,包括:
数据获取模块,用于响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;
特征计算模块,用于计算所述待识别监测数据的至少两个数据特征;
概率确定模块,用于分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率;
数据识别模块,用于根据所述概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定所述待识别监测数据为调校数据,否则为报警数据。
根据本公开实施例的第三方面,提供一种终端设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
根据本公开实施例的第四方面,提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果:
能够准确识别传感器的调校状态,从而能够对于当前传感器报警是由于浓度超标引起的真实报警还是由于调校引起的误报警作出准确判定,该方法分的通用性强,便于煤矿进行安全监测,提高煤矿安全管理水平,降低事故发生率,保证煤矿井下的安全生产。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1是根据本公开一示例性实施例示出的一种煤矿井下传感器调校状态的识别方法的流程示意图;
图2是传感器调校数据变化趋势示意图;
图3是传感器报警数据变化趋势示意图;
图4是根据本公开一示例性实施例示出的一种煤矿井下传感器调校状态的识别装置的结构框图;
图5是根据本公开一示例性实施例示出的一种计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
依据《AQ1029-2019》规定,安全监控设备应每月至少调校一次,其中,采用载体催化原理的甲烷传感器每15天至少调校一次,采用激光原理的甲烷传感器每6个月至少调校一次。除甲烷以外的其他气体监控设备应采用空气样和标准气样按产品说明书进行调校,风速传感器选用经过标定的风速计调校。温度传感器选用经过标定的温度计调校。其他传感器和便携式监测仪器应按使用说明书要求定期调校。
设备调校一般包括对零点、显示值、报警点、断电点、复电点、控制逻辑等进行校验。以甲烷传感器为例,对甲烷传感器进行调校时,调校零点范围控制在0.00%-0.03%CH4之内,再用小流量通入1%-2%CH4标准气体,在显示值缓慢上升过程中,调节到规定的流量,使其测量值稳定显示,持续时间大于90s。对于其他传感器,由于不明确零点范围、标准气样浓度、以及持续时间,故需利用传感器每日监测的数据来识别其是否调校以及调校周期,保证传感器能真实、可靠的监测井下环境,减少事故发生次数。
本发明根据上传的传感器报警监测数据与其前后一段时间的监测值、监测时间来识别该时刻下传感器是否有调校操作,下面对本发明实施例的研究思路做如下介绍。
从CO传感器监测数据中筛选出1360条数据,按照规范的调校步骤,将其划分为738条调校数据与622条非调校数据,其中,调校数据如图2所示,非调校数据(报警数据)如图3所示。
发明人通过分析这两组数据集发现,报警时的数据特征表现为:数据波动范围比较大,且在最高值的持续时间较短。调校数据的数据特征表现为:在最高值的持续时间较长,最高值所在范围基本落在[100,200]之间,大于报警时的最高值,且比较稳定。
因此,本公开提供了一种煤矿井下传感器调校状态的识别方法及装置,根据上述这些数据特征,就可以判断监测数据是否为调校状态。
以下结合附图详细描述本公开实施例的技术方案。
图1是根据本公开一示例性实施例示出的一种煤矿井下传感器调校状态的识别方法的流程示意图。
参见图1,
该方法包括:
110、响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;
120、计算所述待识别监测数据的至少两个数据特征;
130、分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率;
140、根据所述概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定所述待识别监测数据为调校数据,否则为报警数据。
具体的,在该实施例中,数据特征可以包括:待识别监测数据的最高值、变化频次和最高值的持续时长。
其中,监测数据是变值存储的,待识别监测数据的变化频次指的是报警时刻之前一定时长内的数据个数。
计算以上三个数据特征:最高值、变化频次、持续时长,得到每个数据特征的概率,乘以其对应权重后相加,得到这条待识别监测数据为调校数据的概率值,如果超过50%,则认为该数据为调校数据,否则为报警数据。
可选地,在该实施例中,步骤130具体包括:
1301、预先划分不同的范围及对应的概率;
1302、当所述待识别监测数据的数据特征处于某一预先划分的范围内时,将该范围对应的概率作为所述待识别监测数据属于调校数据的概率。
具体的,下面分别针对上述三种数据特征的范围划分及对应概率做举例说明:
针对最高值,如果某条数据的最高值落在[0,50]时,该条数据有0%的概率为调校数据,落在(50,100]有40%的概率为调校数据,落在(100,200]有60%的概率为调校数据,落在(200,+∞]有100%的概率为调校数据。
针对变化频次,实际计算得到变化频次共5个范围,变化频次落在[0,10]时有100%的概率为调校数据,落在(10,20]有80%的概率为调校数据,落在(20,40]有30%的概率为调校数据,落在(40,60]有10%的概率为调校数据,落在[60,+∞]有0%的概率为调校数据。
针对调校时长,将时长划分为4个范围,落在[0,60]时有0%的概率为调校数据,落在(60,120]有30%的概率为调校数据,落在(120,180]有60%的概率为调校数据,落在(180,+∞]有100%的概率为调校数据。
可选地,在该实施例中,在步骤140之前,该方法还包括:
150、确定各个数据特征的权重。
步骤150,具体包括:
1501、随机设置各个数据特征的权重,其中,各个数据特征的权重和为1;
1502、计算得到所有训练数据属于调校数据或报警数据的预测标签,并与实际标签进行对比,按照最大化识别准确度的规则调整权重大小。
具体的,在训练参数过程中,首先随机设置这三个特征的权重,计算得到所有数据的预测标签后,与实际标签进行对比,按照最大化识别准确度的规则来调整权重大小。权重调整方法为:遍历权重的所有可能性,每个权重为[0,1]范围中的一个数,三个特征的权重和为1。最终选定最高值的权重为0.4,调校时长与变化频率的权重均为0.3,此时的准确度为89%。
需要指出的是,对于不同传感器的调校识别,三个特征的取值范围与概率、权重是不同的,需根据筛选的数据集进行训练确定。
图4是根据本公开一示例性实施例示出的一种煤矿井下传感器调校状态的识别装置的结构框图。
参见图4,
该装置包括:
数据获取模块,用于响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;
特征计算模块,用于计算所述待识别监测数据的至少两个数据特征;
概率确定模块,用于分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率;
数据识别模块,用于根据所述概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定所述待识别监测数据为调校数据,否则为报警数据。
可选地,在该实施例中,所述数据特征包括:所述待识别监测数据的最高值、变化频次和最高值的持续时长。
可选地,在该实施例中,所述特征计算模块,具体包括:
范围划分单元,用于预先划分不同的范围及对应的概率;
概率确定单元,用于当所述待识别监测数据的数据特征处于某一预先划分的范围内时,将该范围对应的概率作为所述待识别监测数据属于调校数据的概率。
可选地,在该实施例中,该装置还包括:权重确定模块;
所述权重确定模块,具体包括:
初始权重设置单元,用于随机设置各个数据特征的权重,其中,各个数据特征的权重和为1;
权重调整单元,用于计算得到所有训练数据属于调校数据或报警数据的预测标签,并与实际标签进行对比,按照最大化识别准确度的规则调整权重大小。
图5是根据本公开一示例性实施例示出的一种计算设备的结构示意图。
参见图5,计算设备500包括存储器510和处理器520。
处理器520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)、现场可编程门阵列(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。
存储器510可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器520或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器510可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器510可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器510上存储有可执行代码,当可执行代码被处理器520处理时,可以使处理器520执行上文述及的方法中的部分或全部。
上文中已经参考附图详细描述了本公开的方案。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细描述的部分,可以参见其他实施例的相关描述。本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本发明所必须的。另外,可以理解,本公开实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,本公开实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外,根据本公开的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本公开的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本公开的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本公开的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种煤矿井下传感器调校状态的识别方法,其特征在于,包括:
响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;
计算所述待识别监测数据的至少两个数据特征;
分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率;
根据所述概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定所述待识别监测数据为调校数据,否则为报警数据。
2.根据权利要求1所述的方法,其特征在于,所述数据特征包括:所述待识别监测数据的最高值、变化频次和最高值的持续时长。
3.根据权利要求1所述的方法,其特征在于,所述分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率,具体包括:
预先划分不同的范围及对应的概率;
当所述待识别监测数据的数据特征处于某一预先划分的范围内时,将该范围对应的概率作为所述待识别监测数据属于调校数据的概率。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述各个数据特征的权重的确定方法,具体包括:
随机设置各个数据特征的权重,其中,各个数据特征的权重和为1;
计算得到所有训练数据属于调校数据或报警数据的预测标签,并与实际标签进行对比,按照最大化识别准确度的规则调整权重大小。
5.一种煤矿井下传感器调校状态的识别装置,其特征在于,包括:
数据获取模块,用于响应于传感器上传的某一时刻的监测值超过报警值,获取该时刻与其前后一段时间的监测值,作为待识别监测数据;
特征计算模块,用于计算所述待识别监测数据的至少两个数据特征;
概率确定模块,用于分别根据计算得到的数据特征确定所述待识别监测数据属于调校数据的概率;
数据识别模块,用于根据所述概率及各个数据特征的权重进行加权求和,若加权值大于设定阈值,则确定所述待识别监测数据为调校数据,否则为报警数据。
6.根据权利要求5所述的装置,其特征在于,所述数据特征包括:所述待识别监测数据的最高值、变化频次和最高值的持续时长。
7.根据权利要求5所述的装置,其特征在于,所述特征计算模块,具体包括:
范围划分单元,用于预先划分不同的范围及对应的概率;
概率确定单元,用于当所述待识别监测数据的数据特征处于某一预先划分的范围内时,将该范围对应的概率作为所述待识别监测数据属于调校数据的概率。
8.根据权利要求5-7任一项所述的装置,其特征在于,还包括:权重确定模块;
所述权重确定模块,具体包括:
初始权重设置单元,用于随机设置各个数据特征的权重,其中,各个数据特征的权重和为1;
权重调整单元,用于计算得到所有训练数据属于调校数据或报警数据的预测标签,并与实际标签进行对比,按照最大化识别准确度的规则调整权重大小。
9.一种终端设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-4中任一项所述的方法。
10.一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576500.1A CN112649034B (zh) | 2020-12-28 | 2020-12-28 | 一种煤矿井下传感器调校状态的识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011576500.1A CN112649034B (zh) | 2020-12-28 | 2020-12-28 | 一种煤矿井下传感器调校状态的识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112649034A true CN112649034A (zh) | 2021-04-13 |
CN112649034B CN112649034B (zh) | 2023-09-19 |
Family
ID=75363359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011576500.1A Active CN112649034B (zh) | 2020-12-28 | 2020-12-28 | 一种煤矿井下传感器调校状态的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649034B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608286A (zh) * | 2012-03-01 | 2012-07-25 | 煤炭科学研究总院 | 一种实时监测煤矿瓦斯监测值异常的方法 |
US20190298270A1 (en) * | 2012-01-04 | 2019-10-03 | Masimo Corporation | Automated condition screening and detection |
CN111189488A (zh) * | 2019-12-13 | 2020-05-22 | 精英数智科技股份有限公司 | 一种传感器数值异常识别方法、装置、设备及存储介质 |
CN111667193A (zh) * | 2020-06-12 | 2020-09-15 | 中国矿业大学(北京) | 一种基于d-s证据理论的煤矿瓦斯安全评价方法 |
CN111855897A (zh) * | 2020-08-26 | 2020-10-30 | 精英数智科技股份有限公司 | 一种井下传感器调校状态识别方法、系统、设备及介质 |
CN111930941A (zh) * | 2020-07-31 | 2020-11-13 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种辱骂内容识别方法及装置、服务器 |
-
2020
- 2020-12-28 CN CN202011576500.1A patent/CN112649034B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190298270A1 (en) * | 2012-01-04 | 2019-10-03 | Masimo Corporation | Automated condition screening and detection |
CN102608286A (zh) * | 2012-03-01 | 2012-07-25 | 煤炭科学研究总院 | 一种实时监测煤矿瓦斯监测值异常的方法 |
CN111189488A (zh) * | 2019-12-13 | 2020-05-22 | 精英数智科技股份有限公司 | 一种传感器数值异常识别方法、装置、设备及存储介质 |
CN111667193A (zh) * | 2020-06-12 | 2020-09-15 | 中国矿业大学(北京) | 一种基于d-s证据理论的煤矿瓦斯安全评价方法 |
CN111930941A (zh) * | 2020-07-31 | 2020-11-13 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种辱骂内容识别方法及装置、服务器 |
CN111855897A (zh) * | 2020-08-26 | 2020-10-30 | 精英数智科技股份有限公司 | 一种井下传感器调校状态识别方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
陈超凡等: "煤矿安全监控网络异常数据自动甄别系统", 《煤矿安全》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112649034B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10896080B2 (en) | S.M.A.R.T. threshold optimization method used for disk failure detection | |
Brabson et al. | Tests of the generalized Pareto distribution for predicting extreme wind speeds | |
US11520672B2 (en) | Anomaly detection device, anomaly detection method and storage medium | |
CN111855897A (zh) | 一种井下传感器调校状态识别方法、系统、设备及介质 | |
US20170211939A1 (en) | Methods and systems for combining sensor data to determine vehicle movement information | |
WO2021027213A1 (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN107766877A (zh) | 一种桥梁监测系统中超重车动态识别方法 | |
CN111767957B (zh) | 一种日志异常的检测方法、装置、存储介质及电子设备 | |
CN103870568A (zh) | 根据天气状况自动播放歌曲方法及装置 | |
WO2023123869A1 (zh) | 能见度值检测方法、装置、设备及存储介质 | |
CN113535454A (zh) | 一种日志数据异常检测的方法及设备 | |
CN114726581B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN113988458A (zh) | 反洗钱风险监控方法和模型训练方法、装置、设备及介质 | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
US10996663B2 (en) | Method and system for providing quality controlled data from a redundant sensor system | |
CN112131078B (zh) | 一种监控磁盘容量的方法及设备 | |
CN111753658A (zh) | 一种睡岗告警方法、装置和计算机设备 | |
CN112649034A (zh) | 一种煤矿井下传感器调校状态的识别方法及装置 | |
CN113240076B (zh) | 一种基于聚类和神经网络算法的钟差异常数据检测方法 | |
Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
KR102343139B1 (ko) | 어노멀리 검출방법 및 그 장치 | |
Parkavi et al. | Deep learning model for air quality prediction based on big data | |
CN114062656A (zh) | 一种地质灾害预测方法和系统 | |
CN109002849B (zh) | 识别对象发展阶段的方法和装置 | |
CN111986274A (zh) | 一种西瓜成熟状态检测方法、设备及介质 |
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 |