CN112990706A - 危化品仓储环境风险预警方法 - Google Patents
危化品仓储环境风险预警方法 Download PDFInfo
- Publication number
- CN112990706A CN112990706A CN202110278307.8A CN202110278307A CN112990706A CN 112990706 A CN112990706 A CN 112990706A CN 202110278307 A CN202110278307 A CN 202110278307A CN 112990706 A CN112990706 A CN 112990706A
- Authority
- CN
- China
- Prior art keywords
- data
- hazardous chemical
- storage environment
- chemical substances
- dangerous
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种危化品仓储环境风险预警方法,本发明基于LSTM和/或YOLO的模型精确率高,泛化性强,能够得到极大的应用。解决了危化品仓储因外界环境因素而造成的事故无法提前预警,未来一段时间内危化品的状态因环境变换的变化趋势预测,以及因爆炸、火灾这些不可控因素造成的事故信息无法保存的问题。
Description
技术领域
本发明涉及一种危化品仓储环境风险预警方法。
背景技术
伴随国家科学技术的不断创新,人民日益增长的多样化需求推动了工业化进程,化学品的制造和使用也越来越广泛。市面上经常使用的有7万多种化学品,大部分均为危险化学品(下面简称危化品)。随着对危化品的需求逐步增大,危化品仓储量也在与日俱增,发生危化品事故的事件也随之增加。
目前危化品仓储环境的监管系统主要集中领域在于实时安全监测监控预警系统,如美国Animetrics公司ForensicaGPS分部发布的人脸识别的系统,在监测监控基础上,加上了人脸识别的检测系统,根据人工智能的行为交叉分析,得出监控所在地的安全现状。美国的SecurOSFace系统,主动对比人脸图像以及相关周围影响,判断所应做出的反应,在迅速反应之后,通过有权限人员的联系方式,如内线与网络语音视频、Email、SNS等发送预警或相关指示信息等。这些系统都只能得出事故发生的实时情况,而无法对因为环境因素或危化品状态改变造成的事故危险进行提前预警,而且危化品事故大多为爆炸、火灾等,这类事故经常造成信息无法保存,从而无法分析事故原因。
发明内容
本发明的目的在于提供一种危化品仓储环境风险预警方法。
为解决上述问题,本发明提供一种危化品仓储环境风险预警方法,包括:
步骤1:获取过去一段时间内的危化品仓储环境的数据和危化品本身的数据,并分别对危化品仓储环境的数据和危化品本身的数据进行数据预处理;
步骤2:针对仓储环境建立相应的LSTM预测模型并进行训练,得到训练完成的LSTM预测模型;
步骤3:将数据预处理过的实时的危化品仓储环境的数据和危化品本身的数据放入训练完成的LSTM预测模型,以得出未来一段时间内的预测值;
步骤4:建立危化品安全存储环境因素临界值表,所述危化品安全存储环境因素临界值表用于与得到的未来一段时间内的预测值进行比较,以判断未来一段时间内是否达到危化品发生事故的临界值;
步骤5:如果未来一段时间内的预测值没有达到临界值,则重复步骤1,继续正常检测;如果未来一段时间内的预测值达到临界值,就发出危险事故预警并给出处理建议,并记录预警信息。
进一步的,在上述方法中,步骤1:获取过去一段时间内的危化品仓储环境的数据,并对危化品仓储环境的数据进行数据预处理包括:
步骤1.1:获取危化品仓储环境过去一年内的温湿度值和影响危化品发生事故的因素数据作为过去一段时间内的危化品仓储环境的数据,所述因素数据包括:危化品浓度、PH值、压力值的数据;
步骤1.2:对获取到的危化品仓储环境的数据进行数据清洗处理、格式转换,以筛选掉不可用的危化品仓储环境的数据和危化品本身的数据。
进一步的,在上述方法中,步骤2:对LSTM预测模型并进行训练,得到训练完成的LSTM预测模型包括:
步骤3.1:将数据预处理过的危化品仓储环境的数据和危化品本身的数据输入LSTM模型进行训练,以得到训练结果;
步骤3.2:对训练结果进行误差反向分析,基于所述反向分析调整LSTM预测模型的训练参数,以得到训练完成的LSTM预测模型。
进一步的,在上述方法中,步骤5:如果未来一段时间内的预测值达到临界值,就发出危险事故预警并给出处理建议,并记录预警信息,还包括:
当危险事故处理结束关闭所述预警。
进一步的,在上述方法中,步骤1:获取过去一段时间内的危化品仓储环境的数据和危化品本身的数据,并分别对危化品仓储环境的数据和危化品本身的数据进行数据预处理之后,还包括:
搭建YOLO网络,将数据与处理后的危化品仓储环境的数据和危化品本身的数据输入所述YOLO网络进行训练,调整YOLO网络的参数,以得到训练完成的YOLO网络。
进一步的,在上述方法中,得到训练完成的YOLO网络之后,还包括:
将数据预处理过的实时的危化品仓储环境的数据和危化品本身的数据放入训练完成的YOLO网络,以判断是否监测到事故,如果监测到就记录事故信息上传,否则就正常监测。
进一步的,在上述方法中,步骤1:获取过去一段时间内的危化品本身的数据,并对危化品本身的数据进行数据预处理,包括:
通过网络、现场途径拍摄危化品事故图片作为危化品本身的数据,对危化品本身的数据进行筛选,得到数据预处理后的危化品本身的数据。
与现有技术相比,本发明基于LSTM和/或YOLO的模型精确率高,泛化性强,能够得到极大的应用。解决了危化品仓储因外界环境因素而造成的事故无法提前预警,未来一段时间内危化品的状态因环境变换的变化趋势预测,以及因爆炸、火灾这些不可控因素造成的事故信息无法保存的问题。
附图说明
图1是本发明一实施例的危化品仓储环境风险预警模型流程图;
图2是本发明一实施例的危化品仓储环境事故信息记录流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供一种危化品仓储环境风险预警方法,包括:
步骤1:获取过去一段时间内的危化品仓储环境的数据和危化品本身的数据,并分别对危化品仓储环境的数据和危化品本身的数据进行数据预处理;
步骤2:针对仓储环境建立相应的LSTM预测模型并进行训练,得到训练完成的LSTM预测模型;
步骤3:将数据预处理过的实时的危化品仓储环境的数据和危化品本身的数据放入训练完成的LSTM预测模型,以得出未来一段时间内的预测值;
在此,在步骤2的训练完成的LSTM预测模型能够准确识别事故信息的前提下,对仓储环境进行监测,当发生事故时,及时记录事故信息并上传,否则就正常监测;
步骤4:建立危化品安全存储环境因素临界值表,所述危化品安全存储环境因素临界值表用于与得到的未来一段时间内的预测值进行比较,以判断未来一段时间内是否达到危化品发生事故的临界值;
在此,可以根据化学品仓储国家标准规定结合该仓储实际情况,建立危化品安全存储环境因素临界值表;
步骤5:如果未来一段时间内的预测值没有达到临界值,则重复步骤1,继续正常检测;如果未来一段时间内的预测值达到临界值,就发出危险事故预警并给出处理建议,并记录预警信息。
在此,本发明解决了危化品仓储因外界环境因素而造成的事故无法提前预警,未来一段时间内危化品的状态因环境变换的变化趋势预测,以及因爆炸、火灾这些不可控因素造成的事故信息无法保存的问题。
进一步的,步骤1:获取过去一段时间内的危化品仓储环境的数据,并对危化品仓储环境的数据进行数据预处理包括:
步骤1.1:获取危化品仓储环境过去一年内的温湿度值和影响危化品发生事故的因素数据作为过去一段时间内的危化品仓储环境的数据,所述因素数据包括:危化品浓度、PH值、压力值的数据;
步骤1.2:对获取到的危化品仓储环境的数据进行数据清洗处理、格式转换,以筛选掉不可用的危化品仓储环境的数据和危化品本身的数据,提高数据质量。
进一步的,步骤2:针对仓储环境建立相应的LSTM预测模型,包括:
步骤2.1:LSTM模型主要的结构有遗忘门ft、输入门it、细胞状态ct、输出门ot以及单元输出ht,计算公式为:
ft=σ(Wf·[ht-1,xt]+bf) (1),
it=σ(Wi·[ht-1,xt]+bi) (2),
ct=ftoct-1+itoct (3),
ot=σ(Wo·[ht-1,xt]+bo) (4),
ht=ototanh(ct) (5),
式中:Wf、Wi、Wo分别表示遗忘门、输入门和输出门的权重矩阵;bf、bi、bo分别表示对应权重的偏置项;σ表示Sigmoid函数;o表示按元素乘。
进一步的,步骤2:对LSTM预测模型并进行训练,得到训练完成的LSTM预测模型包括:
步骤3.1:将数据预处理过的危化品仓储环境的数据和危化品本身的数据输入LSTM模型进行训练,以得到训练结果;
步骤3.2:对训练结果进行误差反向分析,基于所述反向分析调整LSTM预测模型的训练参数,以得到训练完成的LSTM预测模型。
进一步的,步骤5:如果未来一段时间内的预测值达到临界值,就发出危险事故预警并给出处理建议,并记录预警信息,还包括:
当危险事故处理结束关闭所述预警。
如图2所示,进一步的,步骤1:获取过去一段时间内的危化品仓储环境的数据和危化品本身的数据,并分别对危化品仓储环境的数据和危化品本身的数据进行数据预处理之后,还包括:
搭建YOLO网络,将数据与处理后的危化品仓储环境的数据和危化品本身的数据输入所述YOLO网络进行训练,调整YOLO网络的参数,以得到训练完成的YOLO网络。
进一步的,得到训练完成的YOLO网络之后,还包括:
将数据预处理过的实时的危化品仓储环境的数据和危化品本身的数据放入训练完成的YOLO网络,以判断是否监测到事故,如果监测到就记录事故信息上传,否则就正常监测。
在此,在训练完成的YOLO网络能够准确识别事故信息的前提下,对仓储环境进行监测,当发生事故时,及时记录事故信息并上传,否则就正常监测。
以上结合LSTM模型和YOLO网络两个模型在一起组成能够预测和事故信息记录的危化品环境风险预警系统。
进一步的,步骤1:获取过去一段时间内的危化品本身的数据,并对危化品本身的数据进行数据预处理,包括:
通过网络、现场途径拍摄危化品事故图片作为危化品本身的数据,对危化品本身的数据进行筛选,得到数据预处理后的危化品本身的数据。
本发明解决了传统只能实时监测不能对事故提前预警的情况,同时对于爆炸、火灾大型事故能够识别并保存事故信息。基于LSTM和YOLO的模型精确率高,泛化性强,能够得到极大的应用。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (7)
1.一种危化品仓储环境风险预警方法,其特征在于,包括:
步骤1:获取过去一段时间内的危化品仓储环境的数据和危化品本身的数据,并分别对危化品仓储环境的数据和危化品本身的数据进行数据预处理;
步骤2:针对仓储环境建立相应的LSTM预测模型并进行训练,得到训练完成的LSTM预测模型;
步骤3:将数据预处理过的实时的危化品仓储环境的数据和危化品本身的数据放入训练完成的LSTM预测模型,以得出未来一段时间内的预测值;
步骤4:建立危化品安全存储环境因素临界值表,所述危化品安全存储环境因素临界值表用于与得到的未来一段时间内的预测值进行比较,以判断未来一段时间内是否达到危化品发生事故的临界值;
步骤5:如果未来一段时间内的预测值没有达到临界值,则重复步骤1,继续正常检测;如果未来一段时间内的预测值达到临界值,就发出危险事故预警并给出处理建议,并记录预警信息。
2.如权利要求1所述的危化品仓储环境风险预警方法,其特征在于,步骤1:获取过去一段时间内的危化品仓储环境的数据,并对危化品仓储环境的数据进行数据预处理包括:
步骤1.1:获取危化品仓储环境过去一年内的温湿度值和影响危化品发生事故的因素数据作为过去一段时间内的危化品仓储环境的数据,所述因素数据包括:危化品浓度、PH值、压力值的数据;
步骤1.2:对获取到的危化品仓储环境的数据进行数据清洗处理、格式转换,以筛选掉不可用的危化品仓储环境的数据和危化品本身的数据。
3.如权利要求1所述的危化品仓储环境风险预警方法,其特征在于,步骤2:对LSTM预测模型并进行训练,得到训练完成的LSTM预测模型包括:
步骤3.1:将数据预处理过的危化品仓储环境的数据和危化品本身的数据输入LSTM模型进行训练,以得到训练结果;
步骤3.2:对训练结果进行误差反向分析,基于所述反向分析调整LSTM预测模型的训练参数,以得到训练完成的LSTM预测模型。
4.如权利要求1所述的危化品仓储环境风险预警方法,其特征在于,步骤5:如果未来一段时间内的预测值达到临界值,就发出危险事故预警并给出处理建议,并记录预警信息,还包括:
当危险事故处理结束关闭所述预警。
5.如权利要求1所述的危化品仓储环境风险预警方法,其特征在于,步骤1:获取过去一段时间内的危化品仓储环境的数据和危化品本身的数据,并分别对危化品仓储环境的数据和危化品本身的数据进行数据预处理之后,还包括:
搭建YOLO网络,将数据与处理后的危化品仓储环境的数据和危化品本身的数据输入所述YOLO网络进行训练,调整YOLO网络的参数,以得到训练完成的YOLO网络。
6.如权利要求1所述的危化品仓储环境风险预警方法,其特征在于,得到训练完成的YOLO网络之后,还包括:
将数据预处理过的实时的危化品仓储环境的数据和危化品本身的数据放入训练完成的YOLO网络,以判断是否监测到事故,如果监测到就记录事故信息上传,否则就正常监测。
7.如权利要求1所述的危化品仓储环境风险预警方法,其特征在于,步骤1:获取过去一段时间内的危化品本身的数据,并对危化品本身的数据进行数据预处理,包括:
通过网络、现场途径拍摄危化品事故图片作为危化品本身的数据,对危化品本身的数据进行筛选,得到数据预处理后的危化品本身的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278307.8A CN112990706A (zh) | 2021-03-15 | 2021-03-15 | 危化品仓储环境风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278307.8A CN112990706A (zh) | 2021-03-15 | 2021-03-15 | 危化品仓储环境风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990706A true CN112990706A (zh) | 2021-06-18 |
Family
ID=76335301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278307.8A Pending CN112990706A (zh) | 2021-03-15 | 2021-03-15 | 危化品仓储环境风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990706A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823125A (zh) * | 2023-08-31 | 2023-09-29 | 酒仙网络科技股份有限公司 | 基于多源数据的白酒仓储异常预警系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044413A (zh) * | 2019-04-19 | 2019-07-23 | 五冶集团上海有限公司 | 基于物联网的危化品运输预警与辅助决策系统 |
CN111144700A (zh) * | 2019-12-03 | 2020-05-12 | 中国五洲工程设计集团有限公司 | 一种应用于危化品生产的安全监测预警系统 |
CN111275310A (zh) * | 2020-01-02 | 2020-06-12 | 壹翼科技(上海)有限公司 | 一种危化品生产安全生命周期的智能动态管控系统及方法 |
CN111754177A (zh) * | 2020-06-29 | 2020-10-09 | 苏州工业职业技术学院 | 危化品智能仓储管理方法 |
CN112468988A (zh) * | 2020-11-02 | 2021-03-09 | 武汉慧联无限科技有限公司 | 一种危化品监控方法及装置 |
CN112488146A (zh) * | 2020-10-15 | 2021-03-12 | 南京航空航天大学 | 基于深度学习的飞机危险识别与趋势预测方法 |
CN112488584A (zh) * | 2020-12-18 | 2021-03-12 | 国网山东省电力公司临沂供电公司 | 一种危化品事故电力应急处置安全预警方法 |
-
2021
- 2021-03-15 CN CN202110278307.8A patent/CN112990706A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044413A (zh) * | 2019-04-19 | 2019-07-23 | 五冶集团上海有限公司 | 基于物联网的危化品运输预警与辅助决策系统 |
CN111144700A (zh) * | 2019-12-03 | 2020-05-12 | 中国五洲工程设计集团有限公司 | 一种应用于危化品生产的安全监测预警系统 |
CN111275310A (zh) * | 2020-01-02 | 2020-06-12 | 壹翼科技(上海)有限公司 | 一种危化品生产安全生命周期的智能动态管控系统及方法 |
CN111754177A (zh) * | 2020-06-29 | 2020-10-09 | 苏州工业职业技术学院 | 危化品智能仓储管理方法 |
CN112488146A (zh) * | 2020-10-15 | 2021-03-12 | 南京航空航天大学 | 基于深度学习的飞机危险识别与趋势预测方法 |
CN112468988A (zh) * | 2020-11-02 | 2021-03-09 | 武汉慧联无限科技有限公司 | 一种危化品监控方法及装置 |
CN112488584A (zh) * | 2020-12-18 | 2021-03-12 | 国网山东省电力公司临沂供电公司 | 一种危化品事故电力应急处置安全预警方法 |
Non-Patent Citations (1)
Title |
---|
冯鸿超: "基于温湿度粮情的储粮安全风险预警模型及应用", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823125A (zh) * | 2023-08-31 | 2023-09-29 | 酒仙网络科技股份有限公司 | 基于多源数据的白酒仓储异常预警系统 |
CN116823125B (zh) * | 2023-08-31 | 2023-10-31 | 酒仙网络科技股份有限公司 | 基于多源数据的白酒仓储异常预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
KR101825023B1 (ko) | 리스크 조기 경보 방법 및 장치 | |
CN108833416B (zh) | 一种scada系统信息安全风险评估方法及系统 | |
CN112966903A (zh) | 危险化学品安全生产风险监测预警系统及方法 | |
WO2022147853A1 (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
Makis et al. | An application of DPCA to oil data for CBM modeling | |
CN112070215B (zh) | 基于bp神经网络的危险态势分析的处理方法及处理装置 | |
CN102103715A (zh) | 基于负二项回归的水上交通事故调查分析和预测方法 | |
CN112949900B (zh) | 一种水库大坝安全信息智慧感知融合预警方法及终端设备 | |
CN109361648A (zh) | 工控系统的隐蔽攻击的检测方法及装置 | |
CN116994418B (zh) | 管道安全预警方法及系统 | |
KR20230134089A (ko) | Ai 기반 사용자 맞춤형 재난 대응 방법, 장치 및 컴퓨터프로그램 | |
CN111708687B (zh) | 一种设备异常指标确定方法、装置、设备和存储介质 | |
CN112990706A (zh) | 危化品仓储环境风险预警方法 | |
CN107480703B (zh) | 交易故障检测方法及装置 | |
CN113962164A (zh) | 考虑不确定性推理的有机气体泄漏扩散实时智能预警方法 | |
CN116108445A (zh) | 一种信息系统智能化风险预警管理方法及系统 | |
CN118133189A (zh) | 一种桥梁结构健康状态实时监测方法及系统 | |
CN114331055A (zh) | 企业安全生产风险预警方法、装置、设备和存储介质 | |
CN113379187B (zh) | 一种交通气象灾害评估方法、装置及计算机可读存储介质 | |
CN111539527B (zh) | 基于onnx模型的神经网络迁移学习自动训练调度方法 | |
CN116402190A (zh) | 一种铁路沿线滑坡地质灾害识别方法及系统 | |
CN116993215A (zh) | 一种电力装备制造质量智能化评价预警方法及系统 | |
CN114192583B (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 |
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 |