CN113990472A - 一种智能监控医疗设备的方法、装置及计算机可读存储介质 - Google Patents
一种智能监控医疗设备的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113990472A CN113990472A CN202111260602.7A CN202111260602A CN113990472A CN 113990472 A CN113990472 A CN 113990472A CN 202111260602 A CN202111260602 A CN 202111260602A CN 113990472 A CN113990472 A CN 113990472A
- Authority
- CN
- China
- Prior art keywords
- medical equipment
- data
- environment
- vector
- equipment
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种智能监控医疗设备的方法,特别是提出了一种算法,自动收集到的医疗设备环境数据,得出医疗设备可能的运行状态,在医疗设备出现故障之前就能对环境进行干预,从而提高医疗设备的可靠性。
Description
技术领域
本发明涉及医疗设备监控领域,尤其涉及到一种智能监控医疗设备的方法、装置及计算机可读存储介质。
背景技术
作为比较贵重精密的仪器,医疗设备在使用的过程中,需要工作在一定的环境之下。无论是其工作电压,还是环境的温度、湿度、气压、及微小尘埃浓度,都必须维持在其要求的范围之内,否则极其容易导致医疗设备的精度准确度下降甚至造成设备的损毁。因此,随时监测医疗设备的运行环境对于保持医疗设备的正常运转具有十分重要的意义。
现有医疗设备的监控方式主要是通过专业的维护人员对医疗设备的运行环境进行定期的巡视检查,记录设备运行的环境数据。然而,现在的大型医疗机构的设备数量众多,对设备的要求极高。通过目前的巡检方式来检查设备运行的环境情况不仅仅需要大量的人力,同时通过人力巡检记录的数据也需要进行二次分析才能发现环境中可能出现的问题。这种监控方式显然已经难以适应现代医疗机构对于高可靠性医疗设备的需要。
为了解决现有的医疗设备监控方式中出现的问题,本发明提出了一种智能监控医疗设备的方法,特别是提出了一种算法,自动收集到的医疗设备环境数据,得出医疗设备可能出现的运行状态信息,在医疗设备出现故障之前就能够对环境进行干预,从而提高医疗设备的可靠性。
发明内容
本申请提出了一种智能监控医疗设备的方法,所述方法包括如下步骤:
获取医疗设备历史运行状态数据和历史环境数据;
所述运行状态数据包括医疗设备的运行电压、电流、设备温度数据;
将所述运行状态数据进行向量化处理,得到表示所述运行状态数据的状态向量y(i);
所述环境数据包括医疗设备所在环境的温度数据、湿度数据、气压数据及微小尘埃浓度数据;
将所述环境数据进行向量化处理,得到表示所述环境数据的环境向量x(i);
建立医疗设备状态预测机器学习模型,所述机器学习模型为双向长短期记忆网络;
将环境向量作为所述双向长短期记忆网络的输入,将状态向量作为所述双向长短期记忆网络的输出,训练所述双向长短期记忆网络,确定所述双向长短期记忆网络的系数;
所述训练过程如下:
将加权隐向量和状态向量进行融合,得到融合向量ri=w3hi+w4y(i);其中w3和w4是权重系数;
对融合向量进行处理SOFTMAX(ri),得到医疗设备运行状态概率;
取运行状态概率最大时的运行状态为医疗设备的运行状态;
将医疗设备当前环境数据输入训练好的双向长短期记忆网络;
所述双向长短期记忆网络预测医疗设备运行状态数据,包括医疗设备的运行电压、电流、设备温度数据;
判断医疗设备的运行电压、电流及设备温度是否处于正常的区间范围内;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围内,正常启动医疗设备;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围外,启动环境控制系统调整医疗设备运行环境,包括启动空调调整环境温度,湿度控制器调整环境湿度,气压系统调整环境气压,过滤系统调整环境微笑尘埃浓度;
双向长短期记忆网络根据调整后的当前环境数据预测医疗设备运行电压、电流及设备温度是否可以处于正常的区间范围;
若可以,正常启动医疗设备;
若不可以,重复调整环境并通过双向长短期记忆网络预测医疗设备运行状态是否可以处于正常的区间范围内直到医疗设备运行状态可以处于正常的区间范围为止;
一种智能监控医疗设备的装置,所述装置包括:
数据收集模块:获取医疗设备历史运行状态数据和历史环境数据;
所述运行状态数据包括医疗设备的运行电压、电流、设备温度数据;
将所述运行状态数据进行向量化处理,得到表示所述运行状态数据的状态向量y(i);
所述环境数据包括医疗设备所在环境的温度数据、湿度数据、气压数据及微小尘埃浓度数据;
将所述环境数据进行向量化处理,得到表示所述环境数据的环境向量x(i);
数据处理模块:建立医疗设备状态预测机器学习模型,所述机器学习模型为双向长短期记忆网络;
将环境向量作为所述双向长短期记忆网络的输入,将状态向量作为所述双向长短期记忆网络的输出,训练所述双向长短期记忆网络,确定所述双向长短期记忆网络的系数;
所述训练过程如下:
将加权隐向量和状态向量进行融合,得到融合向量ri=w3hi+w4y(i);其中w3和w4是权重系数;
对融合向量进行处理SOFTMAX(ri),得到医疗设备运行状态概率;
取运行状态概率最大时的运行状态为医疗设备的运行状态;
将医疗设备当前环境数据输入训练好的双向长短期记忆网络;
所述双向长短期记忆网络预测医疗设备运行状态数据,包括医疗设备的运行电压、电流、设备温度数据;
判断医疗设备的运行电压、电流及设备温度是否处于正常的区间范围内;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围内,正常启动医疗设备;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围外,启动环境控制系统调整医疗设备运行环境,包括启动空调调整环境温度,湿度控制器调整环境湿度,气压系统调整环境气压,过滤系统调整环境微笑尘埃浓度;
双向长短期记忆网络根据调整后的当前环境数据预测医疗设备运行电压、电流及设备温度是否可以处于正常的区间范围;
若可以,正常启动医疗设备;
若不可以,重复调整环境并通过双向长短期记忆网络预测医疗设备运行状态是否可以处于正常的区间范围内直到医疗设备运行状态可以处于正常的区间范围为止;
一种智能监控医疗设备的计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序执行如下步骤:获取医疗设备历史运行状态数据和历史环境数据;
所述运行状态数据包括医疗设备的运行电压、电流、设备温度数据;
将所述运行状态数据进行向量化处理,得到表示所述运行状态数据的状态向量y(i);
所述环境数据包括医疗设备所在环境的温度数据、湿度数据、气压数据及微小尘埃浓度数据;
将所述环境数据进行向量化处理,得到表示所述环境数据的环境向量x(i);
建立医疗设备状态预测机器学习模型,所述机器学习模型为双向长短期记忆网络;
将环境向量作为所述双向长短期记忆网络的输入,将状态向量作为所述双向长短期记忆网络的输出,训练所述双向长短期记忆网络,确定所述双向长短期记忆网络的系数;
所述训练过程如下:
将加权隐向量和状态向量进行融合,得到融合向量ri=w3hi+w4y(i);其中w3和w4是权重系数;
对融合向量进行处理SOFTMAX(ri),得到医疗设备运行状态概率;
取运行状态概率最大时的运行状态为医疗设备的运行状态;
将医疗设备当前环境数据输入训练好的双向长短期记忆网络;
所述双向长短期记忆网络预测医疗设备运行状态数据,包括医疗设备的运行电压、电流、设备温度数据;
判断医疗设备的运行电压、电流及设备温度是否处于正常的区间范围内;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围内,正常启动医疗设备;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围外,启动环境控制系统调整医疗设备运行环境,包括启动空调调整环境温度,湿度控制器调整环境湿度,气压系统调整环境气压,过滤系统调整环境微笑尘埃浓度;
双向长短期记忆网络根据调整后的当前环境数据预测医疗设备运行电压、电流及设备温度是否可以处于正常的区间范围;
若可以,正常启动医疗设备;
若不可以,重复调整环境并通过双向长短期记忆网络预测医疗设备运行状态是否可以处于正常的区间范围内直到医疗设备运行状态可以处于正常的区间范围为止。
附图说明
图1为本申请实施例中的一种智能监控医疗设备的方法的流程图。
具体实施方式
为了使本发明更加清楚,下面结合附图及实施例对本发明进行进一步解释。
图1清楚表明了本发明是如何实时的,以DR为例进行说明,它的要求工作电压要求是在U1和U2之内,电流要求是在I1和I2之内,设备温度是在T1和T2之内。
获取医疗设备历史运行状态数据和历史环境数据;
所述运行状态数据包括医疗设备的运行电压、电流、设备温度数据;
将所述运行状态数据进行向量化处理,得到表示所述运行状态数据的状态向量y(i);
所述环境数据包括医疗设备所在环境的温度数据、湿度数据、气压数据及微小尘埃浓度数据;
将所述环境数据进行向量化处理,得到表示所述环境数据的环境向量x(i);
建立医疗设备状态预测机器学习模型,所述机器学习模型为双向长短期记忆网络;
将环境向量作为所述双向长短期记忆网络的输入,将状态向量作为所述双向长短期记忆网络的输出,训练所述双向长短期记忆网络,确定所述双向长短期记忆网络的系数;
所述训练过程如下:
将加权隐向量和状态向量进行融合,得到融合向量ri=w3hi+w4y(i);其中w3和w4是权重系数;
对融合向量进行处理SOFTMAX(ri),得到医疗设备运行状态概率;
取运行状态概率最大时的运行状态为医疗设备的运行状态;
将医疗设备当前环境数据输入训练好的双向长短期记忆网络;
所述双向长短期记忆网络预测医疗设备运行状态数据,包括医疗设备的运行电压、电流、设备温度数据;
判断医疗设备的运行电压、电流及设备温度是否处于正常的区间范围内;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围内,正常启动医疗设备;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围外,启动环境控制系统调整医疗设备运行环境,包括启动空调调整环境温度,湿度控制器调整环境湿度,气压系统调整环境气压,过滤系统调整环境微笑尘埃浓度;
双向长短期记忆网络根据调整后的当前环境数据预测医疗设备运行电压、电流及设备温度是否可以处于正常的区间范围;
若可以,正常启动医疗设备;
若不可以,重复调整环境并通过双向长短期记忆网络预测医疗设备运行状态是否可以处于正常的区间范围内直到医疗设备运行状态可以处于正常的区间范围为止;
当温度为20摄氏度,湿度为56%,气压为0.95标准大气压,微小尘埃浓度在0.03时,预测得到DR的电压在U1和U2之内,电流要求是在I1和I2之内,设备温度是在T1和T2之内,运行状态都处于正常的区间范围内,可以正常启动DR设备;
当温度为40摄氏度,湿度为80%,气压为0.95标准大气压,微小尘埃浓度在0.01时,预测得到DR的电压小于U1,则不可以启动DR,启动环境控制系统调整DR运行环境数据知道DR的电压保持在U1和U2之内。
Claims (5)
1.一种智能监控医疗设备的方法,所述方法包括如下步骤:
获取医疗设备历史运行状态数据和历史环境数据;
所述运行状态数据包括医疗设备的运行电压、电流、设备温度数据;
将所述运行状态数据进行向量化处理,得到表示所述运行状态数据的状态向量y(i);
所述环境数据包括医疗设备所在环境的温度数据、湿度数据、气压数据及微小尘埃浓度数据;
将所述环境数据进行向量化处理,得到表示所述环境数据的环境向量x(i);
建立医疗设备状态预测机器学习模型,所述机器学习模型为双向长短期记忆网络;
将环境向量作为所述双向长短期记忆网络的输入,将状态向量作为所述双向长短期记忆网络的输出,训练所述双向长短期记忆网络,确定所述双向长短期记忆网络的系数;
将医疗设备当前环境数据输入训练好的双向长短期记忆网络;
所述双向长短期记忆网络预测医疗设备运行状态数据,包括医疗设备的运行电压、电流、设备温度数据;
判断医疗设备的运行电压、电流及设备温度是否处于正常的区间范围内;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围内,正常启动医疗设备;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围外,启动环境控制系统调整医疗设备运行环境,包括启动空调调整环境温度,湿度控制器调整环境湿度,气压系统调整环境气压,过滤系统调整环境微笑尘埃浓度;
双向长短期记忆网络根据调整后的当前环境数据预测医疗设备运行电压、电流及设备温度是否可以处于正常的区间范围;
若可以,正常启动医疗设备;
若不可以,重复调整环境并通过双向长短期记忆网络预测医疗设备运行状态是否可以处于正常的区间范围内直到医疗设备运行状态可以处于正常的区间范围为止。
3.一种智能监控医疗设备的装置,所述装置包括:
数据收集模块:获取医疗设备历史运行状态数据和历史环境数据;
所述运行状态数据包括医疗设备的运行电压、电流、设备温度数据;
将所述运行状态数据进行向量化处理,得到表示所述运行状态数据的状态向量y(i);
所述环境数据包括医疗设备所在环境的温度数据、湿度数据、气压数据及微小尘埃浓度数据;
将所述环境数据进行向量化处理,得到表示所述环境数据的环境向量x(i);
数据处理模块:建立医疗设备状态预测机器学习模型,所述机器学习模型为双向长短期记忆网络;
将环境向量作为所述双向长短期记忆网络的输入,将状态向量作为所述双向长短期记忆网络的输出,训练所述双向长短期记忆网络,确定所述双向长短期记忆网络的系数;
所述训练过程如下:
将加权隐向量和状态向量进行融合,得到融合向量ri=w3hi+w4y(i);其中ω3和ω4是权重系数;
对融合向量进行处理SOFTMAX(ri),得到医疗设备运行状态概率;
取运行状态概率最大时的运行状态为医疗设备的运行状态;
将医疗设备当前环境数据输入训练好的双向长短期记忆网络;
所述双向长短期记忆网络预测医疗设备运行状态数据,包括医疗设备的运行电压、电流、设备温度数据;
判断医疗设备的运行电压、电流及设备温度是否处于正常的区间范围内;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围内,正常启动医疗设备;
若医疗设备的运行电压、电流及设备温度处于正常的区间范围外,启动环境控制系统调整医疗设备运行环境,包括启动空调调整环境温度,湿度控制器调整环境湿度,气压系统调整环境气压,过滤系统调整环境微笑尘埃浓度;
双向长短期记忆网络根据调整后的当前环境数据预测医疗设备运行电压、电流及设备温度是否可以处于正常的区间范围;
若可以,正常启动医疗设备;
若不可以,重复调整环境并通过双向长短期记忆网络预测医疗设备运行状态是否可以处于正常的区间范围内直到医疗设备运行状态可以处于正常的区间范围为止。
4.一种智能监控医疗设备的计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序执行权利要求1所述的一种智能监控医疗设备的方法的步骤。
5.如权利要求4所述的一种智能监控医疗设备的计算机可读存储介质,其特征在于所述计算机可读存储介质中存储有计算机程序,所述计算机程序执行权利要求2所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260602.7A CN113990472B (zh) | 2021-10-28 | 2021-10-28 | 一种智能监控医疗设备的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111260602.7A CN113990472B (zh) | 2021-10-28 | 2021-10-28 | 一种智能监控医疗设备的方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113990472A true CN113990472A (zh) | 2022-01-28 |
CN113990472B CN113990472B (zh) | 2023-03-24 |
Family
ID=79743140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111260602.7A Active CN113990472B (zh) | 2021-10-28 | 2021-10-28 | 一种智能监控医疗设备的方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113990472B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831719A (zh) * | 2017-09-28 | 2018-03-23 | 浙江海洋大学 | 一种基于物联网的医疗环境智能诊断和管理系统 |
CN108172288A (zh) * | 2018-01-05 | 2018-06-15 | 深圳倍佳医疗科技服务有限公司 | 医疗设备智能监控方法、装置及计算机可读存储介质 |
CN108710947A (zh) * | 2018-04-10 | 2018-10-26 | 杭州善居科技有限公司 | 一种基于lstm的智能家居机器学习系统设计方法 |
CN110070316A (zh) * | 2019-03-27 | 2019-07-30 | 杜衍生 | 一种医疗设备管理系统及使用方法 |
US20190331701A1 (en) * | 2018-04-30 | 2019-10-31 | Lonza Limited | System and Method for Environmental Monitoring |
CN110957026A (zh) * | 2019-12-16 | 2020-04-03 | 国康生物工程(深圳)有限公司 | 医疗设备运行环境的调节方法、终端和存储介质 |
CN111178378A (zh) * | 2019-11-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
CN112765873A (zh) * | 2020-11-30 | 2021-05-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于lstm算法的变电设备发热预测方法 |
-
2021
- 2021-10-28 CN CN202111260602.7A patent/CN113990472B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831719A (zh) * | 2017-09-28 | 2018-03-23 | 浙江海洋大学 | 一种基于物联网的医疗环境智能诊断和管理系统 |
CN108172288A (zh) * | 2018-01-05 | 2018-06-15 | 深圳倍佳医疗科技服务有限公司 | 医疗设备智能监控方法、装置及计算机可读存储介质 |
CN108710947A (zh) * | 2018-04-10 | 2018-10-26 | 杭州善居科技有限公司 | 一种基于lstm的智能家居机器学习系统设计方法 |
US20190331701A1 (en) * | 2018-04-30 | 2019-10-31 | Lonza Limited | System and Method for Environmental Monitoring |
CN110070316A (zh) * | 2019-03-27 | 2019-07-30 | 杜衍生 | 一种医疗设备管理系统及使用方法 |
CN111178378A (zh) * | 2019-11-07 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 一种设备的故障预测方法、装置、电子设备及存储介质 |
CN110957026A (zh) * | 2019-12-16 | 2020-04-03 | 国康生物工程(深圳)有限公司 | 医疗设备运行环境的调节方法、终端和存储介质 |
CN112765873A (zh) * | 2020-11-30 | 2021-05-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种基于lstm算法的变电设备发热预测方法 |
Non-Patent Citations (3)
Title |
---|
宋景国等: "基于物联网技术的大型医疗设备安全监测系统的研发与应用", 《医疗装备》 * |
彭阳等: "基于长短期记忆网络的空调机组故障诊断与风险评估", 《计算机应用》 * |
王太勇等: "基于注意力机制BiLSTM的设备智能故障诊断方法", 《天津大学学报(自然科学与工程技术版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113990472B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
EP3489780A2 (en) | Examining apparatus, examining method, program and recording medium | |
CN110728300A (zh) | 基于道岔动作电流曲线识别故障类型的方法及系统 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN111900694B (zh) | 一种基于自动识别的继电保护设备信息采集方法及系统 | |
CN114707234B (zh) | 一种基于贝叶斯深度学习的航空发动机剩余寿命预测方法 | |
CN114692926A (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及系统 | |
CN117129815B (zh) | 一种基于物联网的多劣化绝缘子综合检测方法和系统 | |
CN113990472B (zh) | 一种智能监控医疗设备的方法、装置及计算机可读存储介质 | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN114091336A (zh) | 一种空调调节方法、装置、车辆及存储介质 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN116740900A (zh) | 一种基于svm的电力施工预警方法及系统 | |
CN113010394A (zh) | 一种用于数据中心的机房故障检测方法 | |
CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
CN114266483B (zh) | 一种基于物联网的危险废物监管系统 | |
CN113869373A (zh) | 设备异常检测方法、装置、计算机设备和存储介质 | |
CN118013444B (zh) | 用于智慧矿山多自主机群作业装备的异常监测方法及装置 | |
CN118336910A (zh) | 一种智慧化配电室运行管理系统及方法 | |
US20230274408A1 (en) | Inspection device | |
CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 | |
WO2024051482A1 (zh) | 细胞单克隆源性自动分析的方法、系统和存储介质 | |
CN118293988A (zh) | 基于物联网感知的环境站房设备运行状态监测系统及方法 |
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 |