CN114997641A - 一种污水监测调度方法、装置、电子设备及存储介质 - Google Patents

一种污水监测调度方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114997641A
CN114997641A CN202210606752.7A CN202210606752A CN114997641A CN 114997641 A CN114997641 A CN 114997641A CN 202210606752 A CN202210606752 A CN 202210606752A CN 114997641 A CN114997641 A CN 114997641A
Authority
CN
China
Prior art keywords
detection point
detection
fault detection
fault
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.)
Pending
Application number
CN202210606752.7A
Other languages
English (en)
Inventor
黄健文
梁志豪
范桂恒
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.)
Wm Environmental Molecular Diagnosis Co ltd
Original Assignee
Wm Environmental Molecular Diagnosis 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 Wm Environmental Molecular Diagnosis Co ltd filed Critical Wm Environmental Molecular Diagnosis Co ltd
Priority to CN202210606752.7A priority Critical patent/CN114997641A/zh
Publication of CN114997641A publication Critical patent/CN114997641A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • G01N33/1826—Water organic contamination in water
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本申请属于污水检测技术领域，公开了一种污水监测调度方法、装置、电子设备及存储介质，通过获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；根据故障检测点的位置数据确定相关检测点；根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期；从而有利于减小检测装置故障造成的人力浪费。

Description

一种污水监测调度方法、装置、电子设备及存储介质
技术领域
本申请涉及污水检测技术领域，具体而言，涉及一种污水监测调度方法、装置、电子设备及存储介质。
背景技术
目前，有些养殖户在养殖禽畜时会在饲料中添加违禁药物（如氯胺酮），以到达增加瘦肉量、提高生长速度等目的，食用这种饲料长大的禽畜被人食用后，会损害食用人的身体健康。为此，在畜牧农场集中分布的区域（即该区域内分布有多个畜牧农场，以下称之为畜牧区域）中，通常会在各污水排放点、河道的多个位置和污水管道的多个位置处设置检测装置，形成分布式污水检测系统，以对该区域的污水中的违禁药物含量进行实时监测，以便在发现有违禁药物含量超标的情况出现时进行溯源。
在实际应用中，有时候会出现一个或多个检测装置故障但无法在短期内完成维修的情况，在故障检测装置完成维修之前，一般会按预设周期定期派人到故障检测装置的检测点处对污水进行采样检测，为了避免出现违禁药物含量超标情况时没有及时进行采样检测，一般把预设周期设置得较短，从而需要频繁地派人进行实地采样检测，造成人力浪费。
发明内容
本申请的目的在于提供一种污水监测调度方法、装置、电子设备及存储介质，有利于减小检测装置故障造成的人力浪费。
第一方面，本申请提供了一种污水监测调度方法，用于在分布式污水检测系统中出现故障检测装置时，进行实地采样作业的调度，所述分布式污水检测系统包括分别设置在多个检测点处的多个检测装置；所述污水监测调度方法包括以下步骤：
A1.获取故障检测点的位置数据；所述故障检测点为所述故障检测装置对应的检测点；
A2.根据所述故障检测点的位置数据确定相关检测点；
A3.根据所述相关检测点的实时检测数据，判断所述故障检测点的违禁药物含量超标的风险等级；
A4.根据风险等级判断结果，调整对所述故障检测点进行实地采样作业的周期。
该污水监测调度方法，在出现故障检测装置时，先根据与故障检测点相关度较高的相关检测点的实时检测数据的违禁药物含量超标的风险等级，从而根据风险等级判断结果调整对故障检测点进行实地采样作业的周期；在进行调整时，可在风险较低时采取较长的周期，从而避免实地采样作业过于频繁而浪费人力，在风险较高时可采取较短的周期，从而保证后续监测过程中进行实地采样作业的及时性；可见，该污水监测调度方法有利于减小检测装置故障造成的人力浪费。
优选地，步骤A2包括：
选取以所述故障检测点为中心的预设区域内的非故障检测点为候选检测点；所述非故障检测点为对应的所述检测装置没有故障的所述检测点；
获取所述故障检测装置发生故障前的预设时间段内所述故障检测点和各所述候选检测点的历史检测数据；
根据所述历史检测数据计算各所述候选检测点与所述故障检测点的相关度；
根据所述相关度从所述候选检测点中选取出所述相关检测点。
在实际应用中，虽然畜牧区域内各畜牧农场的位置是固定的，每个畜牧农场的规定的排污点也是固定的，正常情况下，各检测点之间的相关情况是相对固定的，但可能出现畜牧农场把污染物运往别处进行偷排放的情况，因此，各检测点之间的相关情况可能会发生变化；此处，以预设时间段内的故障检测点和各候选检测点的历史检测数据来计算各候选检测点与故障检测点的相关度，进而确定相关检测点，可靠性高。
优选地，所述根据所述历史检测数据计算各所述候选检测点与所述故障检测点的相关度的步骤包括：
根据所述故障检测点的所述历史检测数据，获取所述故障检测点出现的各次违禁药物含量超标现象的第一出现时间；
根据各所述候选检测点的历史检测数据，获取各所述候选检测点出现的各次违禁药物含量超标现象的第二出现时间；
获取各所述候选检测点的所述第二出现时间与所述第一出现时间出现重合的次数；
根据所述次数计算各所述候选检测点与所述故障检测点的相关度。
在一些实施方式中，步骤A3包括：
获取各所述相关检测点的实时检测数据；
根据所述实时检测数据判断各所述相关检测点当前是否出现违禁药物含量超标现象；
若有至少一个所述相关检测点当前出现违禁药物含量超标现象，则判定所述故障检测点的违禁药物含量超标的风险等级为高风险，否则，判定所述故障检测点的违禁药物含量超标的风险等级为低风险。
在另一些实施方式中，步骤A3包括：
获取各所述相关检测点的实时检测数据；
根据各所述相关检测点的实时检测数据计算所述故障检测点的违禁药物含量的估计值；
根据所述估计值判断所述故障检测点的违禁药物含量超标的风险等级。
优选地，步骤A4包括：
根据风险等级的高低，把对所述故障检测点进行实地采样作业的周期调整为对应的预设周期；其中，风险等级越高，则对应的预设周期越短。
优选地，步骤A4还包括：
若风险等级过高，立即调派人员进行实地采样作业。
当发现故障检测点的风险等级过高时，马上派人进行实地采样并进行分析，可更加及时地确定该故障检测点是否发生违禁药物含量超标的情况，从而有利于更加及时的进行溯源和采取应对措施。
第二方面，本申请提供了一种污水监测调度装置，用于在分布式污水检测系统中出现故障检测装置时，进行实地采样作业的调度，所述分布式污水检测系统包括分别设置在多个检测点处的多个检测装置；所述污水监测调度装置包括：
第一获取模块，用于获取故障检测点的位置数据；所述故障检测点为所述故障检测装置对应的检测点；
相关检测点确定模块，用于根据所述故障检测点的位置数据确定相关检测点；
第一判断模块，用于根据所述相关检测点的实时检测数据，判断所述故障检测点的违禁药物含量超标的风险等级；
调整模块，用于根据风险等级判断结果，调整对所述故障检测点进行实地采样作业的周期。
该污水监测调度装置，在出现故障检测装置时，先根据与故障检测点相关度较高的相关检测点的实时检测数据的违禁药物含量超标的风险等级，从而根据风险等级判断结果调整对故障检测点进行实地采样作业的周期；在进行调整时，可在风险较低时采取较长的周期，从而避免实地采样作业过于频繁而浪费人力，在风险较高时可采取较短的周期，从而保证后续监测过程中进行实地采样作业的及时性；可见，使用该污水监测调度装置有利于减小检测装置故障造成的人力浪费。
第三方面，本申请提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如前文所述污水监测调度方法中的步骤。
第四方面，本申请提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如前文所述污水监测调度方法中的步骤。
有益效果
本申请提供的污水监测调度方法、装置、电子设备及存储介质，通过获取故障检测点的位置数据；所述故障检测点为所述故障检测装置对应的检测点；根据所述故障检测点的位置数据确定相关检测点；根据所述相关检测点的实时检测数据，判断所述故障检测点的违禁药物含量超标的风险等级；根据风险等级判断结果，调整对所述故障检测点进行实地采样作业的周期；从而有利于减小检测装置故障造成的人力浪费。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请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。
附图说明
图1为本申请实施例提供的污水监测调度方法的一种流程图。
图2为本申请实施例提供的污水监测调度装置的一种结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，本申请一些实施例中的一种污水监测调度方法，用于在分布式污水检测系统中出现故障检测装置时，进行实地采样作业的调度，分布式污水检测系统包括分别设置在多个检测点处的多个检测装置；污水监测调度方法包括以下步骤：
A1.获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；
A2.根据故障检测点的位置数据确定相关检测点；
A3.根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；
A4.根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期。
其中，分布式污水检测系统是用于对畜牧区域的污水中的违禁药物（例如氯胺酮，但不限于此）含量进行实时监测的系统。其中，检测点包括但不限于各畜牧农村的污水排放点、畜牧区域内河道的多个位置点和畜牧区域内污水管道的多个位置点中的至少一种。该污水监测调度方法可应用于分布式污水检测系统的调度平台中。
该污水监测调度方法，在出现故障检测装置时，先根据与故障检测点相关度较高的相关检测点的实时检测数据的违禁药物含量超标的风险等级，从而根据风险等级判断结果调整对故障检测点进行实地采样作业的周期；在进行调整时，可在风险较低时采取较长的周期，从而避免实地采样作业过于频繁而浪费人力，在风险较高时可采取较短的周期，从而保证后续监测过程中进行实地采样作业的及时性；可见，该污水监测调度方法有利于减小检测装置故障造成的人力浪费。
其中，各检测点的位置数据可预先存储在本地数据库中，并与对应的检测装置的身份识别信息（例如编号、MAC地址等，但不限于此）形成映射关系，从而，可根据各检测装置的身份识别信息在地数据库中查询得到对应的检测点的位置数据。在步骤A1中，可根据故障检测装置的身份识别信息在本地数据库中查询得到故障检测点的位置数据。
也可在每个检测装置上设置定位模块，并由检测装置发送位置数据，从而步骤A1中，获取故障检测装置发送的位置数据。这种方式仅在故障检测装置还能正常进行定位并能够进行位置数据发送的情况下可用。
在一些实施方式中，步骤A2包括：根据故障检测点的位置数据在预设的相关检测点查询表中查询得到相关检测点。
在该实施方式中，预先确定好各检测点的相关检测点并形成相关检测点查询表，例如，根据各检测点之间的水道连接关系进行确定（比如，根据经过检测点的水的流向，以上游最靠近的若干个其它检测点和下游最靠近的若干个检测点为相关检测点），但不限于此。通过这种方式，可快速确定相关检测点。
在另一些实施方式中，步骤A2包括：
选取以故障检测点为中心的预设区域内的非故障检测点为候选检测点；非故障检测点为对应的检测装置没有故障的检测点；
获取故障检测装置发生故障前的预设时间段内故障检测点和各候选检测点的历史检测数据；
根据历史检测数据计算各候选检测点与故障检测点的相关度；
根据相关度从候选检测点中选取出相关检测点。
在实际应用中，虽然畜牧区域内各畜牧农场的位置是固定的，每个畜牧农场的规定的排污点也是固定的，正常情况下，各检测点之间的相关情况是相对固定的，但可能出现畜牧农场把污染物运往别处进行偷排放的情况，因此，各检测点之间的相关情况可能会发生变化；此处，以预设时间段内的故障检测点和各候选检测点的历史检测数据来计算各候选检测点与故障检测点的相关度，进而确定相关检测点，可靠性高。
其中，预设区域为预设大小和预设形状的区域，其大小和形状可根据实际需要设置，例如，预设区域为预设半径的圆形区域，但不限于此。
其中，预设时间段可根据实际需要设置，此处不对其进行限定。各检测点的历史检测数据记录在本地数据库中，可直接从本地数据库中读取。其中，历史检测数据包括违禁药物含量数据，实际上还可包括其它成分（如氨、硫等）的含量数据。
在一些可能的实施例中，根据历史检测数据计算各候选检测点与故障检测点的相关度的步骤包括：
根据故障检测点的历史检测数据，获取故障检测点出现的各次违禁药物含量超标现象的第一出现时间；
根据各候选检测点的历史检测数据，获取各候选检测点出现的各次违禁药物含量超标现象的第二出现时间；
获取各候选检测点的第二出现时间与第一出现时间出现重合的次数；
根据该次数计算各候选检测点与故障检测点的相关度。
其中，检测装置是以一定的周期，周期性地上传检测数据的，每个上传的检测数据带有时间戳，可以把故障检测点的历史检测数据中的每个超标的违禁药物含量数据的时间戳作为一个第一出现时间，把候选检测点的历史检测数据中的每个超标的违禁药物含量数据的时间戳作为一个第二出现时间，进而，第二出现时间和第一出现时间重合是指第二出现时间和第一出现时间之间的间隔不超过预设的第一允差（由于各检测装置上传检测数据的时间节点具有偏差，因此，如果第二出现时间和第一出现时间相同才判定两者重合，则通常难以得到满足条件的第二出现时间和第一出现时间），该第一允差可以根据实际需要设置，一般小于检测数据发送周期的一半（各检测装置的发送周期相同）。
实际应用中，污水中的违禁药物含量超标的现象是具有一定的持续时间的，因此，一般会出现连续多个违禁药物含量数据超标的情况，因此，若故障检测点的历史检测数据中有连续的多个超标的违禁药物含量数据，则可根据预设的时间间隔（可根据实际需要设置）把对这些连续的超标的违禁药物含量数据进行分组，并以每组违禁药物含量数据的时间中点作为一个第一出现时间，这些连续的超标的违禁药物含量数据自身的时间戳不在作为第一出现时间；同理，若候选检测点的历史检测数据中有连续的多个超标的违禁药物含量数据，则可根据预设的时间间隔把对这些连续的超标的违禁药物含量数据进行分组，并以每组违禁药物含量数据的时间中点作为一个第二出现时间，这些连续的超标的违禁药物含量数据自身的时间戳不在作为第二出现时间；从而可减小数据处理量。
例如，若故障检测点的历史检测数据中的T1至Tn时刻的违禁药物含量数据超标，预设的时间间隔为△t，T5-T1≤△t，T6-T1>△t,则T1到T5为第一组，其时间中点为（T1+T5）/2，T6到T10为第二组，其时间中点为（T6+T10）/2，以此类推；对于候选检测点的历史检测数据中出现连续多个超标的违禁药物含量数据时的处理方法与此相同。
在一些示例中，根据该次数计算各候选检测点与故障检测点的相关度的步骤包括：
根据以下公式计算候选检测点与故障检测点的相关度：M=N/N1；
其中，M为候选检测点与故障检测点的相关度，N为该候选检测点的第二出现时间与第一出现时间出现重合的次数，N1为故障检测点的历史检测数据中出现违禁药物含量超标现象的总次数（即第一出现时间的总数量）。
实际上，若多个候选检测点的第二出现时间与第一出现时间出现重合的次数相同，则这些候选检测点中，其历史检测数据中出现违禁药物含量超标现象的总次数与故障检测点的历史检测数据中出现违禁药物含量超标现象的总次数越接近（即其第二出现时间的总数量和第一出现数据的总数量越接近），则与故障检测点的相关度应该更高，因此，为了更准确地反映检测点之间的相关度，需要考虑第二出现时间的总数量和第一出现数据的总数量之间偏差，从而，在另一些示例中，根据该次数计算各候选检测点与故障检测点的相关度的步骤包括：
根据以下公式计算候选检测点与故障检测点的相关度：
M=a* N1/N+b/|N1-N2|；
其中，a、b为两个权值（可根据实际需要设置），N2为该候选检测点的历史检测数据中出现违禁药物含量超标现象的总次数（即第二出现时间的总数量）。
在实际应用中，不限于通过上述方式来计算各候选检测点与故障检测点的相关度。例如，还可生成故障检测点的违禁药物含量变化曲线和各候选检测点的违禁药物含量变化曲线，然后计算各候选检测点的违禁药物含量变化曲线与故障检测点的违禁药物含量变化曲线之间的相似度（具体计算方法为现有技术，此处不对其进行详述），作为各候选检测点与故障检测点的相关度。例如，当历史检测数据还可包括其它成分（如氨、硫等）的含量数据时，可再生成各种成分（违禁药物和其它成分）的含量变化曲线，并分别计算各种成分对应的各候选检测点的含量变化曲线与故障检测点的的含量变化曲线之间的相关度（以下称之为第一相关度），最后综合各次第一相关度的计算结果，计算各候选检测点与故障检测点的相关度（例如计算各次第一相关度的平均值或加权平均值作为候选检测点与故障检测点的相关度，但不限于此）。
其中，根据相关度从候选检测点中选取出相关检测点的步骤包括：
根据相关度的大小，对各候选检测点进行降序排序；
根据排序，选取前K个候选检测点作为相关检测点；其中，K为预设的正整数值（可根据实际需要设置）。
在一些实施方式中，步骤A3包括：
获取各相关检测点的实时检测数据；
根据实时检测数据判断各相关检测点当前是否出现违禁药物含量超标现象；
若有至少一个相关检测点当前出现违禁药物含量超标现象，则判定故障检测点的违禁药物含量超标的风险等级为高风险，否则，判定故障检测点的违禁药物含量超标的风险等级为低风险。
即，在该实施方式中，风险等级分为两级，分别为高风险和低风险。
其中，实时检测数据是最新采集的检测数据，该实时检测数据包括违禁药物含量数据，还可包括其它成分（如氨、硫等）的含量数据。
当有至少一个相关检测点的违禁药物含量超标，则判定故障检测点的违禁药物含量超标的风险等级为高风险，相对比较保守，但能够可靠地保证发现故障检测点出现违禁药物含量超标现象的及时性。
在另一些实施方式中，步骤A3包括：
获取各相关检测点的实时检测数据；
根据各相关检测点的实时检测数据计算故障检测点的违禁药物含量的估计值；
根据该估计值判断故障检测点的违禁药物含量超标的风险等级。
在一些示例中，可根据以下公式计算故障检测点的违禁药物含量的估计值：
X=（M1*X1+M2*X2+…+MK*XK）/（M1+M2+…+MK）；
其中，X为故障检测点的违禁药物含量的估计值，X1、X2…XK分别为第一个至第K个相关检测点的实时检测数据中的违禁药物含量数据，M1、M2…MK分别为第一个至第K个相关检测点与故障检测点之间的相关度。
实际上，也可使用神经网络模型进行故障检测点的违禁药物含量的估计值的计算，但根据各相关检测点的实时检测数据计算故障检测点的违禁药物含量的估计值的方法不限于此。
其中，当该估计值超过预设阈值时，判定故障检测点的违禁药物含量超标的风险等级为高风险，否则，判定故障检测点的违禁药物含量超标的风险等级为低风险。也可根据估计值的范围设置三个或多于三个的风险等级（例如，风险等级包括高风险、中风险和低风险，或者，风险等级包括1级到5级，且等级数据越大风险越大，但不限于此），然后根据该估计值落入的具体范围，判定故障检测点的违禁药物含量超标的风险等级为对应的风险等级。
具体地，步骤A4包括：
根据风险等级的高低，把对故障检测点进行实地采样作业的周期调整为对应的预设周期；其中，风险等级越高，则对应的预设周期越短。
从而，当风险等级较低时，可采用较长的周期进行实地采样作业，减小人力浪费，当风险等级较高时，采用较短的周期进行实地采样作业，确保发现故障检测点出现违禁药物含量超标现象的及时性。
其中，各级风险等级对应的预设周期，可根据实际需要设置，此处不对其进行限定。
优选地，步骤A4还包括：
若风险等级过高，立即调派人员进行实地采样作业。
即相当于调整实地采样作业的周期的同时，把调整后的实地采用的第一个时间节点调整为当前时刻。
当发现故障检测点的风险等级过高时，马上派人进行实地采样并进行分析，可更加及时地确定该故障检测点是否发生违禁药物含量超标的情况，从而有利于更加及时的进行溯源和采取应对措施。
需要说明的是，对于该污水监测调度方法应用于分布式污水检测系统的调度平台中的情况，若风险等级过高，立即调派人员进行实地采样作业的步骤包括：若风险等级过高，发送实地采用任务信息至相应的工作人员（如专门负责进行实地采用的操作人员或专门负责进行任务分发的管理人员）。
由上可知，该污水监测调度方法，通过获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；根据故障检测点的位置数据确定相关检测点；根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期；从而有利于减小检测装置故障造成的人力浪费。
参考图2，本申请提供了一种污水监测调度装置，用于在分布式污水检测系统中出现故障检测装置时，进行实地采样作业的调度，分布式污水检测系统包括分别设置在多个检测点处的多个检测装置；污水监测调度装置包括：
第一获取模块1，用于获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；
相关检测点确定模块2，用于根据故障检测点的位置数据确定相关检测点；
第一判断模块3，用于根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；
调整模块4，用于根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期。
其中，分布式污水检测系统是用于对畜牧区域的污水中的违禁药物（例如氯胺酮，但不限于此）含量进行实时监测的系统。其中，检测点包括但不限于各畜牧农村的污水排放点、畜牧区域内河道的多个位置点和畜牧区域内污水管道的多个位置点中的至少一种。该污水监测调度装置可应用于分布式污水检测系统的调度平台中。
该污水监测调度装置，在出现故障检测装置时，先根据与故障检测点相关度较高的相关检测点的实时检测数据的违禁药物含量超标的风险等级，从而根据风险等级判断结果调整对故障检测点进行实地采样作业的周期；在进行调整时，可在风险较低时采取较长的周期，从而避免实地采样作业过于频繁而浪费人力，在风险较高时可采取较短的周期，从而保证后续监测过程中进行实地采样作业的及时性；可见，使用该污水监测调度装置有利于减小检测装置故障造成的人力浪费。
其中，各检测点的位置数据可预先存储在本地数据库中，并与对应的检测装置的身份识别信息（例如编号、MAC地址等，但不限于此）形成映射关系，从而，可根据各检测装置的身份识别信息在地数据库中查询得到对应的检测点的位置数据。在第一获取模块1可根据故障检测装置的身份识别信息在本地数据库中查询得到故障检测点的位置数据。
也可在每个检测装置上设置定位模块，并由检测装置发送位置数据，从而第一获取模块1获取故障检测装置发送的位置数据。这种方式仅在故障检测装置还能正常进行定位并能够进行位置数据发送的情况下可用。
在一些实施方式中，相关检测点确定模块2用于在根据故障检测点的位置数据确定相关检测点的时候，执行：根据故障检测点的位置数据在预设的相关检测点查询表中查询得到相关检测点。
在该实施方式中，预先确定好各检测点的相关检测点并形成相关检测点查询表，例如，根据各检测点之间的水道连接关系进行确定（比如，根据经过检测点的水的流向，以上游最靠近的若干个其它检测点和下游最靠近的若干个检测点为相关检测点），但不限于此。通过这种方式，可快速确定相关检测点。
在另一些实施方式中，相关检测点确定模块2用于在根据故障检测点的位置数据确定相关检测点的时候，执行：
选取以故障检测点为中心的预设区域内的非故障检测点为候选检测点；非故障检测点为对应的检测装置没有故障的检测点；
获取故障检测装置发生故障前的预设时间段内故障检测点和各候选检测点的历史检测数据；
根据历史检测数据计算各候选检测点与故障检测点的相关度；
根据相关度从候选检测点中选取出相关检测点。
在实际应用中，虽然畜牧区域内各畜牧农场的位置是固定的，每个畜牧农场的规定的排污点也是固定的，正常情况下，各检测点之间的相关情况是相对固定的，但可能出现畜牧农场把污染物运往别处进行偷排放的情况，因此，各检测点之间的相关情况可能会发生变化；此处，以预设时间段内的故障检测点和各候选检测点的历史检测数据来计算各候选检测点与故障检测点的相关度，进而确定相关检测点，可靠性高。
其中，预设区域为预设大小和预设形状的区域，其大小和形状可根据实际需要设置，例如，预设区域为预设半径的圆形区域，但不限于此。
其中，预设时间段可根据实际需要设置，此处不对其进行限定。各检测点的历史检测数据记录在本地数据库中，可直接从本地数据库中读取。其中，历史检测数据包括违禁药物含量数据，实际上还可包括其它成分（如氨、硫等）的含量数据。
在一些可能的实施例中，相关检测点确定模块2在根据历史检测数据计算各候选检测点与故障检测点的相关度的时候，执行：
根据故障检测点的历史检测数据，获取故障检测点出现的各次违禁药物含量超标现象的第一出现时间；
根据各候选检测点的历史检测数据，获取各候选检测点出现的各次违禁药物含量超标现象的第二出现时间；
获取各候选检测点的第二出现时间与第一出现时间出现重合的次数；
根据该次数计算各候选检测点与故障检测点的相关度。
其中，检测装置是以一定的周期，周期性地上传检测数据的，每个上传的检测数据带有时间戳，可以把故障检测点的历史检测数据中的每个超标的违禁药物含量数据的时间戳作为一个第一出现时间，把候选检测点的历史检测数据中的每个超标的违禁药物含量数据的时间戳作为一个第二出现时间，进而，第二出现时间和第一出现时间重合是指第二出现时间和第一出现时间之间的间隔不超过预设的第一允差（由于各检测装置上传检测数据的时间节点具有偏差，因此，如果第二出现时间和第一出现时间相同才判定两者重合，则通常难以得到满足条件的第二出现时间和第一出现时间），该第一允差可以根据实际需要设置，一般小于检测数据发送周期的一半（各检测装置的发送周期相同）。
实际应用中，污水中的违禁药物含量超标的现象是具有一定的持续时间的，因此，一般会出现连续多个违禁药物含量数据超标的情况，因此，若故障检测点的历史检测数据中有连续的多个超标的违禁药物含量数据，则可根据预设的时间间隔（可根据实际需要设置）把对这些连续的超标的违禁药物含量数据进行分组，并以每组违禁药物含量数据的时间中点作为一个第一出现时间，这些连续的超标的违禁药物含量数据自身的时间戳不在作为第一出现时间；同理，若候选检测点的历史检测数据中有连续的多个超标的违禁药物含量数据，则可根据预设的时间间隔把对这些连续的超标的违禁药物含量数据进行分组，并以每组违禁药物含量数据的时间中点作为一个第二出现时间，这些连续的超标的违禁药物含量数据自身的时间戳不在作为第二出现时间；从而可减小数据处理量。
例如，若故障检测点的历史检测数据中的T1至Tn时刻的违禁药物含量数据超标，预设的时间间隔为△t，T5-T1≤△t，T6-T1>△t,则T1到T5为第一组，其时间中点为（T1+T5）/2，T6到T10为第二组，其时间中点为（T6+T10）/2，以此类推；对于候选检测点的历史检测数据中出现连续多个超标的违禁药物含量数据时的处理方法与此相同。
在一些示例中，相关检测点确定模块2在根据该次数计算各候选检测点与故障检测点的时候，执行：
根据以下公式计算候选检测点与故障检测点的相关度：M=N/N1；
其中，M为候选检测点与故障检测点的相关度，N为该候选检测点的第二出现时间与第一出现时间出现重合的次数，N1为故障检测点的历史检测数据中出现违禁药物含量超标现象的总次数（即第一出现时间的总数量）。
实际上，若多个候选检测点的第二出现时间与第一出现时间出现重合的次数相同，则这些候选检测点中，其历史检测数据中出现违禁药物含量超标现象的总次数与故障检测点的历史检测数据中出现违禁药物含量超标现象的总次数越接近（即其第二出现时间的总数量和第一出现数据的总数量越接近），则与故障检测点的相关度应该更高，因此，为了更准确地反映检测点之间的相关度，需要考虑第二出现时间的总数量和第一出现数据的总数量之间偏差，从而，在另一些示例中，相关检测点确定模块2在根据该次数计算各候选检测点与故障检测点的时候，执行：
根据以下公式计算候选检测点与故障检测点的相关度：
M=a* N1/N+b/|N1-N2|；
其中，a、b为两个权值（可根据实际需要设置），N2为该候选检测点的历史检测数据中出现违禁药物含量超标现象的总次数（即第二出现时间的总数量）。
在实际应用中，不限于通过上述方式来计算各候选检测点与故障检测点的相关度。例如，还可生成故障检测点的违禁药物含量变化曲线和各候选检测点的违禁药物含量变化曲线，然后计算各候选检测点的违禁药物含量变化曲线与故障检测点的违禁药物含量变化曲线之间的相似度（具体计算方法为现有技术，此处不对其进行详述），作为各候选检测点与故障检测点的相关度。例如，当历史检测数据还可包括其它成分（如氨、硫等）的含量数据时，可再生成各种成分（违禁药物和其它成分）的含量变化曲线，并分别计算各种成分对应的各候选检测点的含量变化曲线与故障检测点的的含量变化曲线之间的相关度（以下称之为第一相关度），最后综合各次第一相关度的计算结果，计算各候选检测点与故障检测点的相关度（例如计算各次第一相关度的平均值或加权平均值作为候选检测点与故障检测点的相关度，但不限于此）。
其中，相关检测点确定模块2在根据相关度从候选检测点中选取出相关检测点的时候，执行：
根据相关度的大小，对各候选检测点进行降序排序；
根据排序，选取前K个候选检测点作为相关检测点；其中，K为预设的正整数值（可根据实际需要设置）。
在一些实施方式中，第一判断模块3用于在根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级的时候，执行：
获取各相关检测点的实时检测数据；
根据实时检测数据判断各相关检测点当前是否出现违禁药物含量超标现象；
若有至少一个相关检测点当前出现违禁药物含量超标现象，则判定故障检测点的违禁药物含量超标的风险等级为高风险，否则，判定故障检测点的违禁药物含量超标的风险等级为低风险。
即，在该实施方式中，风险等级分为两级，分别为高风险和低风险。
其中，实时检测数据是最新采集的检测数据，该实时检测数据包括违禁药物含量数据，还可包括其它成分（如氨、硫等）的含量数据。
当有至少一个相关检测点的违禁药物含量超标，则判定故障检测点的违禁药物含量超标的风险等级为高风险，相对比较保守，但能够可靠地保证发现故障检测点出现违禁药物含量超标现象的及时性。
在另一些实施方式中，第一判断模块3用于在根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级的时候，执行：
获取各相关检测点的实时检测数据；
根据各相关检测点的实时检测数据计算故障检测点的违禁药物含量的估计值；
根据该估计值判断故障检测点的违禁药物含量超标的风险等级。
在一些示例中，可根据以下公式计算故障检测点的违禁药物含量的估计值：
X=（M1*X1+M2*X2+…+MK*XK）/（M1+M2+…+MK）；
其中，X为故障检测点的违禁药物含量的估计值，X1、X2…XK分别为第一个至第K个相关检测点的实时检测数据中的违禁药物含量数据，M1、M2…MK分别为第一个至第K个相关检测点与故障检测点之间的相关度。
实际上，也可使用神经网络模型进行故障检测点的违禁药物含量的估计值的计算，但根据各相关检测点的实时检测数据计算故障检测点的违禁药物含量的估计值的方法不限于此。
其中，当该估计值超过预设阈值时，判定故障检测点的违禁药物含量超标的风险等级为高风险，否则，判定故障检测点的违禁药物含量超标的风险等级为低风险。也可根据估计值的范围设置三个或多于三个的风险等级（例如，风险等级包括高风险、中风险和低风险，或者，风险等级包括1级到5级，且等级数据越大风险越大，但不限于此），然后根据该估计值落入的具体范围，判定故障检测点的违禁药物含量超标的风险等级为对应的风险等级。
具体地，调整模块4用于在根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期的时候，执行：
根据风险等级的高低，把对故障检测点进行实地采样作业的周期调整为对应的预设周期；其中，风险等级越高，则对应的预设周期越短。
从而，当风险等级较低时，可采用较长的周期进行实地采样作业，减小人力浪费，当风险等级较高时，采用较短的周期进行实地采样作业，确保发现故障检测点出现违禁药物含量超标现象的及时性。
其中，各级风险等级对应的预设周期，可根据实际需要设置，此处不对其进行限定。
优选地，调整模块4用于在根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期的时候，还执行：
若风险等级过高，立即调派人员进行实地采样作业。
即相当于调整实地采样作业的周期的同时，把调整后的实地采用的第一个时间节点调整为当前时刻 。
当发现故障检测点的风险等级过高时，马上派人进行实地采样并进行分析，可更加及时地确定该故障检测点是否发生违禁药物含量超标的情况，从而有利于更加及时的进行溯源和采取应对措施。
需要说明的是，对于该污水监测调度装置应用于分布式污水检测系统的调度平台中的情况，若风险等级过高，立即调派人员进行实地采样作业具体包括：若风险等级过高，发送实地采用任务信息至相应的工作人员（如专门负责进行实地采用的操作人员或专门负责进行任务分发的管理人员）。
由上可知，该污水监测调度装置，通过获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；根据故障检测点的位置数据确定相关检测点；根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期；从而有利于减小检测装置故障造成的人力浪费。
请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构（未标出）互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的污水监测调度方法，以实现以下功能：获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；根据故障检测点的位置数据确定相关检测点；根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的污水监测调度方法，以实现以下功能：获取故障检测点的位置数据；故障检测点为故障检测装置对应的检测点；根据故障检测点的位置数据确定相关检测点；根据相关检测点的实时检测数据，判断故障检测点的违禁药物含量超标的风险等级；根据风险等级判断结果，调整对故障检测点进行实地采样作业的周期。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种污水监测调度方法，用于在分布式污水检测系统中出现故障检测装置时，进行实地采样作业的调度，所述分布式污水检测系统包括分别设置在多个检测点处的多个检测装置；其特征在于，所述污水监测调度方法包括以下步骤：
A1.获取故障检测点的位置数据；所述故障检测点为所述故障检测装置对应的检测点；
A2.根据所述故障检测点的位置数据确定相关检测点；
A3.根据所述相关检测点的实时检测数据，判断所述故障检测点的违禁药物含量超标的风险等级；
A4.根据风险等级判断结果，调整对所述故障检测点进行实地采样作业的周期。
2.根据权利要求1所述的污水监测调度方法，其特征在于，步骤A2包括：
选取以所述故障检测点为中心的预设区域内的非故障检测点为候选检测点；所述非故障检测点为对应的所述检测装置没有故障的所述检测点；
获取所述故障检测装置发生故障前的预设时间段内所述故障检测点和各所述候选检测点的历史检测数据；
根据所述历史检测数据计算各所述候选检测点与所述故障检测点的相关度；
根据所述相关度从所述候选检测点中选取出所述相关检测点。
3.根据权利要求2所述的污水监测调度方法，其特征在于，所述根据所述历史检测数据计算各所述候选检测点与所述故障检测点的相关度的步骤包括：
根据所述故障检测点的所述历史检测数据，获取所述故障检测点出现的各次违禁药物含量超标现象的第一出现时间；
根据各所述候选检测点的历史检测数据，获取各所述候选检测点出现的各次违禁药物含量超标现象的第二出现时间；
获取各所述候选检测点的所述第二出现时间与所述第一出现时间出现重合的次数；
根据所述次数计算各所述候选检测点与所述故障检测点的相关度。
4.根据权利要求1所述的污水监测调度方法，其特征在于，步骤A3包括：
获取各所述相关检测点的实时检测数据；
根据所述实时检测数据判断各所述相关检测点当前是否出现违禁药物含量超标现象；
若有至少一个所述相关检测点当前出现违禁药物含量超标现象，则判定所述故障检测点的违禁药物含量超标的风险等级为高风险，否则，判定所述故障检测点的违禁药物含量超标的风险等级为低风险。
5.根据权利要求1所述的污水监测调度方法，其特征在于，步骤A3包括：
获取各所述相关检测点的实时检测数据；
根据各所述相关检测点的实时检测数据计算所述故障检测点的违禁药物含量的估计值；
根据所述估计值判断所述故障检测点的违禁药物含量超标的风险等级。
6.根据权利要求1所述的污水监测调度方法，其特征在于，步骤A4包括：
根据风险等级的高低，把对所述故障检测点进行实地采样作业的周期调整为对应的预设周期；其中，风险等级越高，则对应的预设周期越短。
7.根据权利要求6所述的污水监测调度方法，其特征在于，步骤A4还包括：
若风险等级过高，立即调派人员进行实地采样作业。
8.一种污水监测调度装置，用于在分布式污水检测系统中出现故障检测装置时，进行实地采样作业的调度，所述分布式污水检测系统包括分别设置在多个检测点处的多个检测装置；其特征在于，所述污水监测调度装置包括：
第一获取模块，用于获取故障检测点的位置数据；所述故障检测点为所述故障检测装置对应的检测点；
相关检测点确定模块，用于根据所述故障检测点的位置数据确定相关检测点；
第一判断模块，用于根据所述相关检测点的实时检测数据，判断所述故障检测点的违禁药物含量超标的风险等级；
调整模块，用于根据风险等级判断结果，调整对所述故障检测点进行实地采样作业的周期。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一项所述污水监测调度方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一项所述污水监测调度方法中的步骤。
CN202210606752.7A 2022-05-31 2022-05-31 一种污水监测调度方法、装置、电子设备及存储介质 Pending CN114997641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210606752.7A CN114997641A (zh) 2022-05-31 2022-05-31 一种污水监测调度方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210606752.7A CN114997641A (zh) 2022-05-31 2022-05-31 一种污水监测调度方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114997641A true CN114997641A (zh) 2022-09-02

Family

ID=83030941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210606752.7A Pending CN114997641A (zh) 2022-05-31 2022-05-31 一种污水监测调度方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114997641A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626256A (zh) * 2023-07-24 2023-08-22 中国市政工程西南设计研究总院有限公司 一种智慧水务供水管网监测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116626256A (zh) * 2023-07-24 2023-08-22 中国市政工程西南设计研究总院有限公司 一种智慧水务供水管网监测系统及方法
CN116626256B (zh) * 2023-07-24 2023-10-27 中国市政工程西南设计研究总院有限公司 一种智慧水务供水管网监测系统及方法

Similar Documents

Publication Publication Date Title
CN108418841B (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
CN110171757A (zh) 基于物联网大数据支撑的电梯维保系统
CN112183758A (zh) 用于实现模型训练的方法及装置、计算机存储介质
CN109992440A (zh) 一种基于知识图谱和机器学习的it根故障分析识别方法
CN105871634A (zh) 检测集群异常的方法及应用、管理集群的系统
CN113341813B (zh) 一种城市燃气中低压管网检测方法及系统
CN116523508B (zh) 一种基于AIoT资产的智慧运维管理系统
CN112633779B (zh) 一种对环境监测数据可信度进行评估的方法
CN115118581B (zh) 一种基于5g的物联网数据全链路监控和智能保障系统
CN114997641A (zh) 一种污水监测调度方法、装置、电子设备及存储介质
CN112751726A (zh) 一种数据处理方法、装置、电子设备和存储介质
CN108809734A (zh) 网络告警根源分析方法、系统、存储介质及计算机设备
US9654997B2 (en) Method and system for evaluation of sensor observations
CN106330535A (zh) 一种车地通信数据处理方法及装置
CN114417981B (zh) 一种智能河长巡测系统
CN108764544A (zh) 线路隐患预测方法及装置
CN107561470B (zh) 一种故障指示器运行状态评价系统
CN114063582A (zh) 用于监控产品测试过程的方法和装置
CN113032239A (zh) 风险提示方法、装置、电子设备及存储介质
CN113177857A (zh) 一种基于台风灾害预估的资源弹性调配方法
CN117236559A (zh) 一种基于物联网的智能充电桩数据分析方法和装置
CN108055152B (zh) 基于分布式服务日志的通信网络信息系统异常检测方法
CN116708488A (zh) 水利物联网设备状态同步方法、装置、设备及存储介质
CN103324153A (zh) 锅炉安全自动监测装置及方法
CN108229585A (zh) 一种日志的归类方法及系统

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