CN114755920A - 一种用于生物安全实验室环境安全监测系统 - Google Patents

一种用于生物安全实验室环境安全监测系统 Download PDF

Info

Publication number
CN114755920A
CN114755920A CN202210364129.5A CN202210364129A CN114755920A CN 114755920 A CN114755920 A CN 114755920A CN 202210364129 A CN202210364129 A CN 202210364129A CN 114755920 A CN114755920 A CN 114755920A
Authority
CN
China
Prior art keywords
data
control layer
module
sub
layer
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
Application number
CN202210364129.5A
Other languages
English (en)
Other versions
CN114755920B (zh
Inventor
张学亮
马振凯
王月月
吴振国
齐伟
李翠红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Wobers Intelligent Experimental Technology Co ltd
Original Assignee
Qingdao Wobers Intelligent Experimental Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Wobers Intelligent Experimental Technology Co ltd filed Critical Qingdao Wobers Intelligent Experimental Technology Co ltd
Priority to CN202210364129.5A priority Critical patent/CN114755920B/zh
Publication of CN114755920A publication Critical patent/CN114755920A/zh
Application granted granted Critical
Publication of CN114755920B publication Critical patent/CN114755920B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明公开了一种用于生物安全实验室环境安全监测系统,包括:第一控制层、执行层、通讯层及第二控制层;其中,所述第一控制层与所述执行层通过有线或无线信号连接;所述第一控制层与所述通讯层通过MODBUS连接;所述通讯层与所述第二控制层通过以太网或5G网络连接。可实现生物安全实验室的环境安全监测和自动控制功能,确保证研发环境的安全性和稳定性,可针对过程数据进行溯源,并通过溯源的数据帮助科研人员精准追踪反应过程,并集成大数据处理模块,有效提高科研数据分析效率。

Description

一种用于生物安全实验室环境安全监测系统
技术领域
本发明涉及安全监测技术领域,特别涉及一种用于生物安全实验室环境安全监测系统。
背景技术
目前,根据相关规范以及工艺需求,科研人员进行生物安全实验过程中对实验环境参数要求苛刻,且需严格记录实验过程环境参数,保证数据的真实性和完整性,从而进一步实现数据分析和处理,最终得到实验成果。
目前尚未有系统可以完成对生物安全实验室进行环境安全监测的系统。极大多数的控制系统,响应速度慢,无法实现控制精度需求,无法满足实验室环境终端设备协调控制,安全风险高,运行参数误差率高。
现有的控制系统开发成本高,研发周期长,平台搭建依懒过高,响应速度无保障,售后维修费时费力。最终影响科研进度,科研数据的准确性,甚至导致研发失败,重复试验。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种用于生物安全实验室环境安全监测系统,可实现生物安全实验室的环境安全监测和自动控制功能,确保证研发环境的安全性和稳定性,可针对过程数据进行溯源,并通过溯源的数据帮助科研人员精准追踪反应过程,并集成大数据处理模块,有效提高科研数据分析效率。
为达到上述目的,本发明实施例提出了一种用于生物安全实验室环境安全监测系统,包括:第一控制层、执行层、通讯层及第二控制层;其中,
所述第一控制层与所述执行层通过有线或无线信号连接;
所述第一控制层与所述通讯层通过MODBUS连接;
所述通讯层与所述第二控制层通过以太网或5G网络连接。
根据本发明的一些实施例,所述第一控制层包括控制器和人机界面;
所述控制器为嵌入式控制器,用于:
根据存储运行程序和大数据控制策略,对执行层发出动作指令并采集执行层反馈数据;
接收上位机操作指令;
所述人机界面,用于显示系统运行参数以及状态。
根据本发明的一些实施例,所述控制器包括高速开关量模块、模拟量模块、通讯模块和大数据模块;其中,
所述通讯模块,分别与所述高速开关量模块、模拟量模块及大数据模块连接,用于:
接收所述高速开关量模块采集的开关量信号;
接收所述模拟量模块采集的模拟量信号;
将所述开关量信号及所述模拟量信号上传至所述大数据模块;
所述大数据模块,用于根据所述开关量信号及所述模拟量信号进行数据处理。
根据本发明的一些实施例,所述第一控制层中存储有神经网络机器学习算法,所述神经网络机器学习算法包括离散型神经网络演化方程:
Figure BDA0003585176780000031
Figure BDA0003585176780000032
其中,ui为第i个神经元的当前状态;vi为第i个神经元的输出信息;ui(t+1)表示在t+1时刻时,第i个神经元的当前状态;vi(t+1)表示在t+1时刻时,第i个神经元的输出信息;Wij表示第i个神经元和第j个神经元之间连接的权值;vj(t)为在t时刻时,第j个神经元的输出信息;Ii为神经元i的外部连续输入值;n为神经元的数量;f(ui)为第i个神经元的当前状态与输出信息的关联函数。
根据本发明的一些实施例,所述执行层包括末端阀系统、报警系统、消防联动系统、安防监控系统、室内环境监测系统;其中,
所述安防监控系统,用于采集实验室的安全数据,并传输至所述第一控制层;
所述室内环境监测系统,用于检测实验室的环境数据,并传输至所述第一控制层;
所述第一控制层,用于接收所述安全数据及所述环境数据并进行解析,在确定发生异常情况时,发出报警指令至报警系统、联动指令至消防联动系统、及开启指令至末端阀系统。
根据本发明的一些实施例,所述大数据模块,用于:
通过KNN算法确定实验过程中辅助设备的n个参数变量X1~Xn分别的i次状态变量;
通过集合方差验证法得到方差最小的临界K值;
通过欧式距离计算法,以K值为条件数量对n个参数变量分别进行数据分类。
根据本发明的一些实施例,所述通讯层包括远程通讯模块,所述远程通讯模块用于读取所述控制器内的所有的数据参数上传到第二控制层。
根据本发明的一些实施例,所述第二控制层包括移动端和集成管理平台端;
所述移动端和所述集成管理平台端均可通过互联网远程查看系统的运行状态、参数并且能按权限进行反向控制和所述大数据模块调用进行数据处理。
根据本发明的一些实施例,还包括:
排队队列确定模块,用于:
在将所述第一控制层的待传输数据通过所述通讯层发送至所述第二控制层前,获取通讯层的多个传输通道,作为第一集合;
所述通讯层基于第一集合中的多个传输通道的传输方式发送检测数据至第二控制层;
确定第一集合中每一个传输通道在各个采样节点的缓冲数据的数量及缓冲速率;
获取基于标准传输通道传输检测数据在各个采样节点的缓冲数据的标准数量及标准缓冲速率;
将第一集合中每一个传输通道在各个采样节点的缓冲数据的数量与对应采样节点的缓冲数据的标准数量进行比较;
将第一集合中每一个传输通道在各个采样节点的缓冲速率与对应采样节点的标准缓冲速率进行比较;
统计第一集合中每一个传输通道的缓冲数据的数量小于标准数量且缓冲速率小于标准缓冲速率的采样节点的第一个数;
获取每一个传输通道上所有采样节点的第二个数;
计算所述第一个数与所述第二个数的比值,并判断是否大于预设比值,确定所述比值大于预设比值的传输通道,作为不合格传输通道,从所述第一集合中剔除不合格传输通道,得到第二集合;
统计第二集合中的每一个传输通道的缓冲数据的数量大于标准数量且缓冲速率大于标准缓冲速率的采样节点的第三个数;
根据第二集合中每一个传输通道的第三个数进行从大到小进行排列,得到传输通道的第一排队队列;
确定第三个数为0的若干个传输通道,作为待评估传输通道;
获取待评估传输通道中缓冲速率为0的采样节点,作为待评估节点;确定所述待评估节点上数据中断的原因;
根据所述待评估节点上数据中断的原因确定对应的待待评估传输通道的评价值,将所述评价值从大到小进行排列,得到第二排队队列;
根据所述第二排队队列对所述第一排队队列进行更新,得到第三排队队列;
数据解析模块,用于对所述待传输数据进行聚类分析,得到若干个子待传输数据,确定若干个子待传输数据的优先级信息,根据所述优先级信息建立第四排队队列;
匹配模块,用于将所述第四排队队列与所述第三排队队列进行匹配,得到匹配结果,根据所述匹配结果实现待传输数据的传输。
根据本发明的一些实施例,还包括:标记模块,用于:
获取监测图像;
将所述监测图像输入识别模型中,将所述监测图像分割为若干个子监测图像,获取每一个子监测图像的中心坐标;每一个子监测图像对应一个物体;
获取标准图像,将所述标准图像分割为若干个子标准图像,获取每一个子标准图像的中心坐标;每一个子标准图像对应一个物体;
对所述子监测图像进行边缘轮廓提取,得到第一边缘轮廓;
对所述子标准图像进行边缘轮廓提取,得到第二边缘轮廓;
将所述第一边缘轮廓与所述第二边缘轮廓进行匹配,在确定匹配失败时,将所述第一边缘轮廓对应的子监测图像进行第一标记;
在确定匹配成功时,判断所述第一边缘轮廓对应的子监测图像的中心坐标与第二边缘轮廓对应的子标准图像的中心坐标是否一致,在确定不一致时,对所述第一边缘轮廓对应的子监测图像进行第二标记;
将带有第一标记和/或第二标记的监测图像发送至第二控制层。
本发明的有益效果:
(1)、本系统通过第一控制层、执行层、通讯层、第二控制层,层次清晰,管理高效,功能划分合理,实现生物安全实验室环境安全监控运行,可对实验室安全环境进行数据采集和智能监控;对实验室风量、压力、温湿度等进行数据采集。
(2)、第一控制层具有接受和处理人机界面和第二控制层的操作指令并控制全部执行层按照预定规划正常工作;执行层完成多设备的联动运行并反馈数据给大数据模块;通讯层负责第一控制层与第二控制层的通讯;第二控制层能远程监控和操作系统运行。
(3)、多设备运行参数均上传至大数据模块,并可选择性通过大数据模块的数据分类预处理,实现对实验过程精准控制和数据智能分析。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明第一个实施例的一种用于生物安全实验室环境安全监测系统的框图;
图2是根据本发明第二个实施例的一种用于生物安全实验室环境安全监测系统的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提出了一种用于生物安全实验室环境安全监测系统,包括:第一控制层、执行层、通讯层及第二控制层;
其中,
所述第一控制层与所述执行层通过有线或无线信号连接;
所述第一控制层与所述通讯层通过MODBUS连接;
所述通讯层与所述第二控制层通过以太网或5G网络连接。
上述技术方案的工作原理:所述第一控制层与所述执行层通过有线或无线信号连接;所述第一控制层与所述通讯层通过MODBUS连接;所述通讯层与所述第二控制层通过以太网或5G网络连接。MODBUS为一种串行通信协议。所述第二控制层为远端控制器。
上述技术方案的有益效果:通过第一控制层、执行层、通讯层、第二控制层,层次清晰,管理高效,功能划分合理,实现生物安全实验室环境安全监控运行,可对实验室安全环境进行数据采集和智能监控。确保证研发环境的安全性和稳定性,可针对过程数据进行溯源,并通过溯源的数据帮助科研人员精准追踪反应过程。
如图2所示,根据本发明的一些实施例,所述第一控制层包括控制器和人机界面;
所述控制器为嵌入式控制器,用于:
根据存储运行程序和大数据控制策略,对执行层发出动作指令并采集执行层反馈数据;
接收上位机操作指令;
所述人机界面,用于显示系统运行参数以及状态。
上述技术方案的有益效果:便于第一控制层保证准确的控制逻辑,基于人机界面实现运行参数以及状态的展示,便于用户可以清楚的获取相关信息,提高用户体验。
根据本发明的一些实施例,所述控制器包括高速开关量模块、模拟量模块、通讯模块和大数据模块;其中,所述通讯模块,分别与所述高速开关量模块、模拟量模块及大数据模块连接,用于:
接收所述高速开关量模块采集的开关量信号;
接收所述模拟量模块采集的模拟量信号;
将所述开关量信号及所述模拟量信号上传至所述大数据模块;
所述大数据模块,用于根据所述开关量信号及所述模拟量信号进行数据处理。
上述技术方案的有益效果:保证控制策略的准确性。
根据本发明的一些实施例,所述第一控制层中存储有神经网络机器学习算法,所述神经网络机器学习算法包括离散型神经网络演化方程:
Figure BDA0003585176780000091
Figure BDA0003585176780000092
其中,ui为第i个神经元的当前状态;vi为第i个神经元的输出信息;ui(t+1)表示在t+1时刻时,第i个神经元的当前状态;vi(t+1)表示在t+1时刻时,第i个神经元的输出信息;Wij表示第i个神经元和第j个神经元之间连接的权值;vj(t)为在t时刻时,第j个神经元的输出信息;Ii为神经元i的外部连续输入值;n为神经元的数量;f(ui)为第i个神经元的当前状态与输出信息的关联函数。
上述技术方案的工作原理及有益效果:第一控制层主要通过神经网络机器学习算法提高计算精度,每个神经元只取二元的离散值0、1或-1、1。神经元i和神经元j之间的权重由wij决定。神经元有当前状态ui和输出vi。虽然ui可以使连续值,但vi在离散模型中是二值的。神经元状态和输出的关系即离散型神经网络演化方程。
根据本发明的一些实施例,所述执行层包括末端阀系统、报警系统、消防联动系统、安防监控系统、室内环境监测系统;其中,所述安防监控系统,用于采集实验室的安全数据,并传输至所述第一控制层;
所述室内环境监测系统,用于检测实验室的环境数据,并传输至所述第一控制层;
所述第一控制层,用于接收所述安全数据及所述环境数据并进行解析,在确定发生异常情况时,发出报警指令至报警系统、联动指令至消防联动系统、及开启指令至末端阀系统。
上述技术方案的有益效果:实现对第一控制层发出的控制指令进行完备的执行,实现对实验室进行安全监测。
根据本发明的一些实施例,所述室内环境监测系统包括温度监测系统、压力监测系统、湿度监测系统、气体监测系统中的至少一种。
根据本发明的一些实施例,所述大数据模块,用于:
通过KNN算法确定实验过程中辅助设备的n个参数变量X1~Xn分别的i次状态变量;
通过集合方差验证法得到方差最小的临界K值;
通过欧式距离计算法,以K值为条件数量对n个参数变量分别进行数据分类。
上述技术方案的工作原理:所述大数据模块,用于:通过KNN算法确定实验过程中辅助设备的n个参数变量X1~Xn分别的i次状态变量;通过集合方差验证法得到方差最小的临界K值;通过欧式距离计算法,以K值为条件数量对n个参数变量分别进行数据分类。分类数据可形成图表供科研人员分析操作使用。
上述技术方案的有益效果:多设备运行参数均上传至大数据模块,并可选择性通过大数据模块的数据分类预处理。实现对实验过程精准控制和数据智能分析。
在一实施例中,通过欧式距离计算法,以K值为条件数量对n个参数变量分别进行数据分类,例如:参数变量n=1,为n1,其维度分别为x1、x2取K=3,训练样本中3个样本i、j、k,维度分别为yi1、yi2,yj1、yj2,yk1、yk2。分别将参数与样本的维度带入距离公式
Figure BDA0003585176780000111
中,得到di、dj、dk最小值,则该参数为对应最小值样本分类。实现数据的准确分类。
在一实施例中,多维空间欧氏距离算法计算公式:
Figure BDA0003585176780000112
根据本发明的一些实施例,所述通讯层包括远程通讯模块,所述远程通讯模块用于读取所述控制器内的所有的数据参数上传到第二控制层。
根据本发明的一些实施例,所述第二控制层包括移动端和集成管理平台端;
所述移动端和所述集成管理平台端均可通过互联网远程查看系统的运行状态、参数并且能按权限进行反向控制和所述大数据模块调用进行数据处理。
第一控制层具有接受和处理人机界面和第二控制层的操作指令并控制全部执行层按照预定规划正常工作;执行层完成多设备的联动运行并反馈数据给大数据模块;通讯层负责第一控制层与第二控制层的通讯;第二控制层能远程监控和操作系统运行。
根据本发明的一些实施例,还包括:
排队队列确定模块,用于:
在将所述第一控制层的待传输数据通过所述通讯层发送至所述第二控制层前,获取通讯层的多个传输通道,作为第一集合;
所述通讯层基于第一集合中的多个传输通道的传输方式发送检测数据至第二控制层;
确定第一集合中每一个传输通道在各个采样节点的缓冲数据的数量及缓冲速率;
获取基于标准传输通道传输检测数据在各个采样节点的缓冲数据的标准数量及标准缓冲速率;
将第一集合中每一个传输通道在各个采样节点的缓冲数据的数量与对应采样节点的缓冲数据的标准数量进行比较;
将第一集合中每一个传输通道在各个采样节点的缓冲速率与对应采样节点的标准缓冲速率进行比较;
统计第一集合中每一个传输通道的缓冲数据的数量小于标准数量且缓冲速率小于标准缓冲速率的采样节点的第一个数;
获取每一个传输通道上所有采样节点的第二个数;
计算所述第一个数与所述第二个数的比值,并判断是否大于预设比值,确定所述比值大于预设比值的传输通道,作为不合格传输通道,从所述第一集合中剔除不合格传输通道,得到第二集合;
统计第二集合中的每一个传输通道的缓冲数据的数量大于标准数量且缓冲速率大于标准缓冲速率的采样节点的第三个数;
根据第二集合中每一个传输通道的第三个数进行从大到小进行排列,得到传输通道的第一排队队列;
确定第三个数为0的若干个传输通道,作为待评估传输通道;
获取待评估传输通道中缓冲速率为0的采样节点,作为待评估节点;确定所述待评估节点上数据中断的原因;
根据所述待评估节点上数据中断的原因确定对应的待待评估传输通道的评价值,将所述评价值从大到小进行排列,得到第二排队队列;
根据所述第二排队队列对所述第一排队队列进行更新,得到第三排队队列;
数据解析模块,用于对所述待传输数据进行聚类分析,得到若干个子待传输数据,确定若干个子待传输数据的优先级信息,根据所述优先级信息建立第四排队队列;
匹配模块,用于将所述第四排队队列与所述第三排队队列进行匹配,得到匹配结果,根据所述匹配结果实现待传输数据的传输。
上述技术方案的工作原理:排队队列确定模块,用于:在将所述第一控制层的待传输数据通过所述通讯层发送至所述第二控制层前,获取通讯层的多个传输通道,作为第一集合;所述通讯层基于第一集合中的多个传输通道的传输方式发送检测数据至第二控制层;确定第一集合中每一个传输通道在各个采样节点的缓冲数据的数量及缓冲速率;获取基于标准传输通道传输检测数据在各个采样节点的缓冲数据的标准数量及标准缓冲速率;将第一集合中每一个传输通道在各个采样节点的缓冲数据的数量与对应采样节点的缓冲数据的标准数量进行比较;将第一集合中每一个传输通道在各个采样节点的缓冲速率与对应采样节点的标准缓冲速率进行比较;统计第一集合中每一个传输通道的缓冲数据的数量小于标准数量且缓冲速率小于标准缓冲速率的采样节点的第一个数;获取每一个传输通道上所有采样节点的第二个数;计算所述第一个数与所述第二个数的比值,并判断是否大于预设比值,确定所述比值大于预设比值的传输通道,作为不合格传输通道,从所述第一集合中剔除不合格传输通道,得到第二集合;统计第二集合中的每一个传输通道的缓冲数据的数量大于标准数量且缓冲速率大于标准缓冲速率的采样节点的第三个数;根据第二集合中每一个传输通道的第三个数进行从大到小进行排列,得到传输通道的第一排队队列;确定第三个数为0的若干个传输通道,作为待评估传输通道;获取待评估传输通道中缓冲速率为0的采样节点,作为待评估节点;确定所述待评估节点上数据中断的原因;根据所述待评估节点上数据中断的原因确定对应的待待评估传输通道的评价值,将所述评价值从大到小进行排列,得到第二排队队列;根据所述第二排队队列对所述第一排队队列进行更新,得到第三排队队列。对第二集合中包括的合格的传输通道基于其传输质量进行排列,即得到第一排队队列;对于第一排队队列中第三个数为0的若干个传输通道进行稳定性评估,确定对应的待待评估传输通道的评价值,将所述评价值从大到小进行排列,得到第二排队队列;进而根据所述第二排队队列对所述第一排队队列进行更新,得到第三排队队列;数据解析模块,用于对所述待传输数据进行聚类分析,得到若干个子待传输数据,确定若干个子待传输数据的优先级信息,根据所述优先级信息建立第四排队队列;匹配模块,用于将所述第四排队队列与所述第三排队队列进行匹配,得到匹配结果,根据所述匹配结果实现待传输数据的传输。根据所述待评估节点上数据中断的原因查询预设的原因-评价值数据表,得到对应的评价值。
上述技术方案的有益效果:基于多传输通道的传输方式便于提高对数据的传输效率,准确剔除通讯层中包括的不合格的传输通道,保留合格的传输通道,便于保证数据传输的准确性,消除基于不合格传输通道对数据传输出现的数据泄露及数据缺失的问题,提高数据传输的可靠性。将第二集合中包括的合格传输通道进行有序排队,将待传输数据包括的子待传输数据基于优先级信息进行有序排列,将所述第四排队队列与所述第三排队队列进行匹配,得到匹配结果,实现将传输质量较高的传输通道传输优先级较高的数据,保证数据传输的高效性及准确性,使得数据传输更加的合理且稳定,实现对优先级较高的数据的重点保护,提高重点数据的安全性。
根据本发明的一些实施例,还包括:标记模块,用于:
获取监测图像;
将所述监测图像输入识别模型中,将所述监测图像分割为若干个子监测图像,获取每一个子监测图像的中心坐标;每一个子监测图像对应一个物体;
获取标准图像,将所述标准图像分割为若干个子标准图像,获取每一个子标准图像的中心坐标;每一个子标准图像对应一个物体;
对所述子监测图像进行边缘轮廓提取,得到第一边缘轮廓;
对所述子标准图像进行边缘轮廓提取,得到第二边缘轮廓;
将所述第一边缘轮廓与所述第二边缘轮廓进行匹配,在确定匹配失败时,将所述第一边缘轮廓对应的子监测图像进行第一标记;
在确定匹配成功时,判断所述第一边缘轮廓对应的子监测图像的中心坐标与第二边缘轮廓对应的子标准图像的中心坐标是否一致,在确定不一致时,对所述第一边缘轮廓对应的子监测图像进行第二标记;
将带有第一标记和/或第二标记的监测图像发送至第二控制层。
上述技术方案的工作原理:标记模块,用于:获取监测图像;将所述监测图像输入识别模型中,将所述监测图像分割为若干个子监测图像,获取每一个子监测图像的中心坐标;每一个子监测图像对应一个物体;获取标准图像,将所述标准图像分割为若干个子标准图像,获取每一个子标准图像的中心坐标;每一个子标准图像对应一个物体;对所述子监测图像进行边缘轮廓提取,得到第一边缘轮廓;对所述子标准图像进行边缘轮廓提取,得到第二边缘轮廓;将所述第一边缘轮廓与所述第二边缘轮廓进行匹配,在确定匹配失败时(表示监测图像中不包括该物体),将所述第一边缘轮廓对应的子监测图像进行第一标记;在确定匹配成功时,判断所述第一边缘轮廓对应的子监测图像的中心坐标与第二边缘轮廓对应的子标准图像的中心坐标是否一致,在确定不一致时(表示监测图像中包括该物体,但是该物体的摆放位置与标准图像中的不一致),对所述第一边缘轮廓对应的子监测图像进行第二标记;将带有第一标记和/或第二标记的监测图像发送至第二控制层。
上述技术方案的有益效果:便于实现对生物安全实验室中各个物体的存放位置的准确监测,及时发现是否缺失物体,及物体的摆放位置是否正确等信息,基于第二控制层实现准确监测,便于及时采取相应措施,保证生物安全实验室的各个物体存放在正确的位置,避免因物体存放不正确导致的安全隐患。同时基于第一标记及第二标记的不同设置,便于用户可以准确且快速的获取相关信息,提高用户体验。
显然,本领域的技术人员可以对本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,则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种用于生物安全实验室环境安全监测系统,其特征在于,包括:第一控制层、执行层、通讯层及第二控制层;其中,
所述第一控制层与所述执行层通过有线或无线信号连接;
所述第一控制层与所述通讯层通过MODBUS连接;
所述通讯层与所述第二控制层通过以太网或5G网络连接。
2.如权利要求1所述的用于生物安全实验室环境安全监测系统,其特征在于,所述第一控制层包括控制器和人机界面;
所述控制器为嵌入式控制器,用于:
根据存储运行程序和大数据控制策略,对执行层发出动作指令并采集执行层反馈数据;
接收上位机操作指令;
所述人机界面,用于显示系统运行参数以及状态。
3.如权利要求2所述的用于生物安全实验室环境安全监测系统,其特征在于,所述控制器包括高速开关量模块、模拟量模块、通讯模块和大数据模块;其中,
所述通讯模块,分别与所述高速开关量模块、模拟量模块及大数据模块连接,用于:
接收所述高速开关量模块采集的开关量信号;
接收所述模拟量模块采集的模拟量信号;
将所述开关量信号及所述模拟量信号上传至所述大数据模块;
所述大数据模块,用于根据所述开关量信号及所述模拟量信号进行数据处理。
4.如权利要求1所述的用于生物安全实验室环境安全监测系统,其特征在于,所述第一控制层中存储有神经网络机器学习算法,所述神经网络机器学习算法包括离散型神经网络演化方程:
Figure FDA0003585176770000021
Figure FDA0003585176770000022
其中,ui为第i个神经元的当前状态;vi为第i个神经元的输出信息;ui(t+1)表示在t+1时刻时,第i个神经元的当前状态;vi(t+1)表示在t+1时刻时,第i个神经元的输出信息;Wij表示第i个神经元和第j个神经元之间连接的权值;vj(t)为在t时刻时,第j个神经元的输出信息;Ii为神经元i的外部连续输入值;n为神经元的数量;f(ui)为第i个神经元的当前状态与输出信息的关联函数。
5.如权利要求1所述的用于生物安全实验室环境安全监测系统,其特征在于,所述执行层包括末端阀系统、报警系统、消防联动系统、安防监控系统、室内环境监测系统;其中,
所述安防监控系统,用于采集实验室的安全数据,并传输至所述第一控制层;
所述室内环境监测系统,用于检测实验室的环境数据,并传输至所述第一控制层;
所述第一控制层,用于接收所述安全数据及所述环境数据并进行解析,在确定发生异常情况时,发出报警指令至报警系统、联动指令至消防联动系统、及开启指令至末端阀系统。
6.如权利要求3所述的用于生物安全实验室环境安全监测系统,其特征在于,所述大数据模块,用于:
通过KNN算法确定实验过程中辅助设备的n个参数变量X1~Xn分别的i次状态变量;
通过集合方差验证法得到方差最小的临界K值;
通过欧式距离计算法,以K值为条件数量对n个参数变量分别进行数据分类。
7.如权利要求2所述的用于生物安全实验室环境安全监测系统,其特征在于,所述通讯层包括远程通讯模块,所述远程通讯模块用于读取所述控制器内的所有的数据参数上传到第二控制层。
8.如权利要求3所述的用于生物安全实验室环境安全监测系统,其特征在于,所述第二控制层包括移动端和集成管理平台端;
所述移动端和所述集成管理平台端均可通过互联网远程查看系统的运行状态、参数并且能按权限进行反向控制和所述大数据模块调用进行数据处理。
9.如权利要求1所述的用于生物安全实验室环境安全监测系统,其特征在于,还包括:
排队队列确定模块,用于:
在将所述第一控制层的待传输数据通过所述通讯层发送至所述第二控制层前,获取通讯层的多个传输通道,作为第一集合;
所述通讯层基于第一集合中的多个传输通道的传输方式发送检测数据至第二控制层;
确定第一集合中每一个传输通道在各个采样节点的缓冲数据的数量及缓冲速率;
获取基于标准传输通道传输检测数据在各个采样节点的缓冲数据的标准数量及标准缓冲速率;
将第一集合中每一个传输通道在各个采样节点的缓冲数据的数量与对应采样节点的缓冲数据的标准数量进行比较;
将第一集合中每一个传输通道在各个采样节点的缓冲速率与对应采样节点的标准缓冲速率进行比较;
统计第一集合中每一个传输通道的缓冲数据的数量小于标准数量且缓冲速率小于标准缓冲速率的采样节点的第一个数;
获取每一个传输通道上所有采样节点的第二个数;
计算所述第一个数与所述第二个数的比值,并判断是否大于预设比值,确定所述比值大于预设比值的传输通道,作为不合格传输通道,从所述第一集合中剔除不合格传输通道,得到第二集合;
统计第二集合中的每一个传输通道的缓冲数据的数量大于标准数量且缓冲速率大于标准缓冲速率的采样节点的第三个数;
根据第二集合中每一个传输通道的第三个数进行从大到小进行排列,得到传输通道的第一排队队列;
确定第三个数为0的若干个传输通道,作为待评估传输通道;
获取待评估传输通道中缓冲速率为0的采样节点,作为待评估节点;确定所述待评估节点上数据中断的原因;
根据所述待评估节点上数据中断的原因确定对应的待待评估传输通道的评价值,将所述评价值从大到小进行排列,得到第二排队队列;
根据所述第二排队队列对所述第一排队队列进行更新,得到第三排队队列;
数据解析模块,用于对所述待传输数据进行聚类分析,得到若干个子待传输数据,确定若干个子待传输数据的优先级信息,根据所述优先级信息建立第四排队队列;
匹配模块,用于将所述第四排队队列与所述第三排队队列进行匹配,得到匹配结果,根据所述匹配结果实现待传输数据的传输。
10.如权利要求1所述的用于生物安全实验室环境安全监测系统,其特征在于,还包括:标记模块,用于:
获取监测图像;
将所述监测图像输入识别模型中,将所述监测图像分割为若干个子监测图像,获取每一个子监测图像的中心坐标;每一个子监测图像对应一个物体;
获取标准图像,将所述标准图像分割为若干个子标准图像,获取每一个子标准图像的中心坐标;每一个子标准图像对应一个物体;
对所述子监测图像进行边缘轮廓提取,得到第一边缘轮廓;
对所述子标准图像进行边缘轮廓提取,得到第二边缘轮廓;
将所述第一边缘轮廓与所述第二边缘轮廓进行匹配,在确定匹配失败时,将所述第一边缘轮廓对应的子监测图像进行第一标记;
在确定匹配成功时,判断所述第一边缘轮廓对应的子监测图像的中心坐标与第二边缘轮廓对应的子标准图像的中心坐标是否一致,在确定不一致时,对所述第一边缘轮廓对应的子监测图像进行第二标记;
将带有第一标记和/或第二标记的监测图像发送至第二控制层。
CN202210364129.5A 2022-04-07 2022-04-07 一种用于生物安全实验室环境安全监测系统 Active CN114755920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210364129.5A CN114755920B (zh) 2022-04-07 2022-04-07 一种用于生物安全实验室环境安全监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210364129.5A CN114755920B (zh) 2022-04-07 2022-04-07 一种用于生物安全实验室环境安全监测系统

Publications (2)

Publication Number Publication Date
CN114755920A true CN114755920A (zh) 2022-07-15
CN114755920B CN114755920B (zh) 2024-05-14

Family

ID=82328234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210364129.5A Active CN114755920B (zh) 2022-04-07 2022-04-07 一种用于生物安全实验室环境安全监测系统

Country Status (1)

Country Link
CN (1) CN114755920B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414957A (zh) * 2007-10-17 2009-04-22 北京中电华大电子设计有限责任公司 一种用于无线局域网的缓冲队列管理方法
CN105356916A (zh) * 2015-12-11 2016-02-24 中南大学 一种可穿戴智能设备的自适应蓝牙传输方法
CN106598014A (zh) * 2017-03-02 2017-04-26 广西师范大学 一种用于实验室的安全监控系统
CN206671874U (zh) * 2017-03-02 2017-11-24 广西师范大学 一种用于实验室的安全监控系统
CN108924898A (zh) * 2018-06-13 2018-11-30 广州番禺职业技术学院 一种基于缓冲的无线中继网络干扰抑制方法及系统
CN110737264A (zh) * 2019-09-11 2020-01-31 北京戴纳实验科技有限公司 一种实验室远程监控系统
CN110852926A (zh) * 2019-11-21 2020-02-28 江苏开放大学(江苏城市职业学院) 一种实验室监管系统
CN110868454A (zh) * 2019-10-25 2020-03-06 浙江工贸职业技术学院 一种基于物联网的高校实验室安全管理装置
CN111583592A (zh) * 2020-05-06 2020-08-25 哈尔滨工业大学 一种基于多维卷积神经网络的实验环境安全预警方法
CN112034766A (zh) * 2020-09-15 2020-12-04 广州邦禾检测技术有限公司 一种基于物联网的实验室安全管理系统
CN113341901A (zh) * 2021-06-25 2021-09-03 青岛沃柏斯智能实验科技有限公司 一种基于实验工艺的多设备集成控制方法及系统
CN113610349A (zh) * 2021-07-08 2021-11-05 北京工业大学 一种基于离散型Hopfield神经网络的化学实验室风险预警方法
CN114021969A (zh) * 2021-11-04 2022-02-08 中国安全生产科学研究院 一种涉农企业安全生产风险指数分析系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414957A (zh) * 2007-10-17 2009-04-22 北京中电华大电子设计有限责任公司 一种用于无线局域网的缓冲队列管理方法
CN105356916A (zh) * 2015-12-11 2016-02-24 中南大学 一种可穿戴智能设备的自适应蓝牙传输方法
CN106598014A (zh) * 2017-03-02 2017-04-26 广西师范大学 一种用于实验室的安全监控系统
CN206671874U (zh) * 2017-03-02 2017-11-24 广西师范大学 一种用于实验室的安全监控系统
CN108924898A (zh) * 2018-06-13 2018-11-30 广州番禺职业技术学院 一种基于缓冲的无线中继网络干扰抑制方法及系统
CN110737264A (zh) * 2019-09-11 2020-01-31 北京戴纳实验科技有限公司 一种实验室远程监控系统
CN110868454A (zh) * 2019-10-25 2020-03-06 浙江工贸职业技术学院 一种基于物联网的高校实验室安全管理装置
CN110852926A (zh) * 2019-11-21 2020-02-28 江苏开放大学(江苏城市职业学院) 一种实验室监管系统
CN111583592A (zh) * 2020-05-06 2020-08-25 哈尔滨工业大学 一种基于多维卷积神经网络的实验环境安全预警方法
CN112034766A (zh) * 2020-09-15 2020-12-04 广州邦禾检测技术有限公司 一种基于物联网的实验室安全管理系统
CN113341901A (zh) * 2021-06-25 2021-09-03 青岛沃柏斯智能实验科技有限公司 一种基于实验工艺的多设备集成控制方法及系统
CN113610349A (zh) * 2021-07-08 2021-11-05 北京工业大学 一种基于离散型Hopfield神经网络的化学实验室风险预警方法
CN114021969A (zh) * 2021-11-04 2022-02-08 中国安全生产科学研究院 一种涉农企业安全生产风险指数分析系统

Also Published As

Publication number Publication date
CN114755920B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN110059894B (zh) 设备状态评估方法、装置、系统及存储介质
CN110996280B (zh) 一种rfid室内定位指纹库更新系统及方法
CN114328075A (zh) 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质
CN114757517A (zh) 一种设备零部件的生产智能管理方法及系统
CN115640860B (zh) 一种工业云服务的机电设备远程维护方法及系统
CN115575584B (zh) 一种大气环境镉含量监测预警方法及系统
CN118430092B (zh) 一种基于mcc系统的数据通用采集方法
CN112306816A (zh) 一种基于深度学习的评测实体机器人响应的方法及其系统
CN115499521A (zh) 面向底层设备的多通道多接口协议数字化采集控制系统
CN116679653A (zh) 一种用于工业设备数据的智能采集系统
CN113726559B (zh) 基于人工智能网络安全分析预警系统
CN117007825B (zh) 一种全自动凝血测试仪的试剂自动识别与定位系统及方法
CN117237813B (zh) 基于视频识别的隧道施工供氧控制方法、装置及系统
CN114755920B (zh) 一种用于生物安全实验室环境安全监测系统
CN112531679A (zh) 一种测负荷特征大数据监测设备及监测方法
CN111290953B (zh) 分析测试日志的方法与装置
CN114638290B (zh) 基于边缘计算和bp神经网络的环境监测仪器故障预测方法
CN114266483B (zh) 一种基于物联网的危险废物监管系统
CN112936342B (zh) 基于人体姿态识别算法的实体机器人动作评测系统及方法
CN115598309A (zh) 一种大气环境铅含量的监测预警方法及系统
CN114004138A (zh) 基于大数据人工智能的建筑监测方法、系统及存储介质
CN108490912A (zh) 一种基于主元相似性分析的多模态过程模态辨识方法
CN111882135B (zh) 一种物联网设备入侵检测方法及相关装置
CN115358595A (zh) 实验室任务管理方法、装置、设备及可读存储介质
CN111402444B (zh) 一种一体化机房运维管理系统

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
GR01 Patent grant
GR01 Patent grant