CN116310940A - 一种机电设备运行状态的风险评估方法及系统 - Google Patents
一种机电设备运行状态的风险评估方法及系统 Download PDFInfo
- Publication number
- CN116310940A CN116310940A CN202211705897.9A CN202211705897A CN116310940A CN 116310940 A CN116310940 A CN 116310940A CN 202211705897 A CN202211705897 A CN 202211705897A CN 116310940 A CN116310940 A CN 116310940A
- Authority
- CN
- China
- Prior art keywords
- target
- obtaining
- inspection
- real
- classifier
- 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
- 238000012502 risk assessment Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims description 132
- 238000012549 training Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000006835 compression Effects 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 23
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机电设备运行状态的风险评估方法及系统，涉及人工智能领域，所述方法包括：通过确定目标设备的目标作业范围；通过智能监测组件得到实时环境参数；判断实时环境参数是否符合预设环境阈值；若是满足，生成巡检指令，并启动智能巡检设备得到实时巡检视频；组建目标检修元件的目标样本集，其中包括多个目标样本；构建目标分类器，得到目标分类结果，其中包括所述目标检修元件的识别定位数据；得到目标提取图像集并进行风险评估。解决了现有无法对机电设备运行安全状态进行动态监测，无法及时发现机电设备运行中的风险的问题。达到了提高运行状态下机电设备的运行风险识别效率和准确率，提高风险评估可靠性和贴近事实性的效果。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种机电设备运行状态的风险评估方法及系统。
背景技术
机电设备对于经济社会发展有着明显的促进作用，其运行过程中的安全检测和风险管理工作，是机电设备能够始终处于一种正常、稳定的运行状态的基础保障。举例如电梯、起重机即为常见的特种机电设备，在经济社会发展的各个行业中的应用也越发广泛。现有通过定期检查和维护保养来保障机电设备的运行安全，然而实际生产使用过程中，机电设备的运行安全受到周围环境、操控人员以及历史检修保养、设备管理等多方面因素的影响，现有技术对于运行状态下的机电设备，无法对其运行安全状态进行动态的监测，进而存在无法及时发现机电设备运行中的风险，最终影响后续风险管控决策效率和管控质量，甚至影响人员生命财产安全。因此，采用各类智能传感器对机电设备，举例如电梯所在楼层、停止、卡层、冲顶、蹬底、抖动、重复关门等运行状态进行实时监测，同时详细查看电梯的基本信息、维保信息、故障信息等，对运行状态下的机电设备进行智能化的风险评估，进而保障人员生命财产安全亟待解决。
然而，现有技术中通过定期检查和维护保养来保障机电设备的运行安全，然而对于运行状态下的机电设备，则无法对其运行安全状态进行动态的监测，进而存在无法及时发现机电设备运行中的风险，影响后续风险管控质量的技术问题。
发明内容
本发明的目的是提供一种机电设备运行状态的风险评估方法及系统，用以解决现有技术中通过定期检查和维护保养来保障机电设备的运行安全，然而对于运行状态下的机电设备，则无法对其运行安全状态进行动态的监测，进而存在无法及时发现机电设备运行中的风险，影响后续风险管控质量的技术问题。
鉴于上述问题，本发明提供了一种机电设备运行状态的风险评估方法及系统。
第一方面，本发明提供了一种机电设备运行状态的风险评估方法，所述方法通过一种机电设备运行状态的风险评估系统实现，其中，所述方法包括：通过获得目标设备，并确定所述目标设备的目标作业范围；通过智能监测组件对所述目标作业范围进行监测，得到实时环境参数；获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；若是满足，生成巡检指令，并基于所述巡检指令，启动智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。
第二方面，本发明还提供了一种机电设备运行状态的风险评估系统，用于执行如第一方面所述的一种机电设备运行状态的风险评估方法，其中，所述系统包括：范围确定模块，其用于获得目标设备，并确定所述目标设备的目标作业范围；环境监测模块，其用于通过智能监测组件对所述目标作业范围进行监测，得到实时环境参数；智能判断模块，其用于获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；智能巡检模块，其用于若是满足，生成巡检指令，并基于所述巡检指令，启动智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；元件获得模块，其用于获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；智能分类模块，其用于构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；评估执行模块，其用于基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过获得目标设备，并确定所述目标设备的目标作业范围；通过智能监测组件对所述目标作业范围进行监测，得到实时环境参数；获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；若是满足，生成巡检指令，并基于所述巡检指令，启动智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。通过智能监测组件对目标设备实际运行时周围的环境状况进行智能化动态监测，进而保障运行环境安全，达到了为机电设备的安全运行提供基础的技术效果。通过智能巡检设备对运行状态下的目标设备进行智能化巡检和实时运行情况视频采集，得到实时巡检视频，实现了提高设备运行检查的智能化程度，通过以智能设备巡检代替人工巡检，达到了提高巡检效率的技术效果。通过对目标设备的相关数据进行分析确定目标检修元件，从而为智能设备的巡检分析提供基础和重点巡检依据，提高智能巡检的可靠性和有效性。通过训练目标分类器，实现了为智能化分析目标设备的实时运行风险提供模型基础的目标，达到了提高巡检情况分类效率和分类准确性的技术效果。通过目标分类器对实时巡检视频和多个目标样本进行智能化分析，得到实时巡检视频中关于目标检修元件的实时巡检图像帧，进而确定对应的位置，达到了快速提取需要分析评估的设备元件的实时图像帧，并为分析该设备元件的运行状态提供实时图像数据依据的技术效果。通过对需要关注检查的元件依次进行风险分析评估，最终实现对目标设备的风险评估目标，达到了提高机电设备运行状态风险评估的智能化程度的技术效果。实现了提高机电设备运行状态风险评估智能化程度的技术目标，达到了提高运行状态下的机电设备的运行风险识别效率和识别准确率，进而提高机电设备风险评估可靠性和贴近事实性的技术效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明一种机电设备运行状态的风险评估方法的流程示意图；
图2为本发明一种机电设备运行状态的风险评估方法中得到所述实时环境参数的流程示意图；
图3为本发明一种机电设备运行状态的风险评估方法中随机提取所述目标元件集中任意一个元件，作为所述目标检修元件的流程示意图；
图4为本发明一种机电设备运行状态的风险评估方法中叠加得到所述目标分类器的流程示意图；
图5为本发明一种机电设备运行状态的风险评估系统的结构示意图。
附图标记说明：
范围确定模块M100，环境监测模块M200，智能判断模块M300，智能巡检模块M400，元件获得模块M500，智能分类模块M600，评估执行模块M700。
具体实施方式
本发明通过提供一种机电设备运行状态的风险评估方法及系统，解决了现有技术中通过定期检查和维护保养来保障机电设备的运行安全，然而对于运行状态下的机电设备，则无法对其运行安全状态进行动态的监测，进而存在无法及时发现机电设备运行中的风险，影响后续风险管控质量的技术问题。实现了提高机电设备运行状态风险评估智能化程度的技术目标，达到了提高运行状态下的机电设备的运行风险识别效率和识别准确率，进而提高机电设备风险评估可靠性和贴近事实性的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例一
请参阅附图1，本发明提供了一种机电设备运行状态的风险评估方法，其中，所述方法应用于一种机电设备运行状态的风险评估系统，所述风险评估系统与智能监测组件、智能巡检设备通信连接，所述方法具体包括如下步骤：
步骤S100：获得目标设备，并确定所述目标设备的目标作业范围；
具体而言，所述一种机电设备运行状态的风险评估方法应用于一种机电设备运行状态的风险评估系统，可以通过与所述风险评估系统通信连接的智能监测组件和智能巡检设备对目标设备的运行状态进行智能化的监测和状态信息采集，实现提高机电设备运行状态风险评估智能化程度的目标，进一步提高机电设备风险评估可靠性和贴近事实性。首先确定需要通过所述风险评估系统进行设备实时运行状态分析评估的任意一个机电设备，即确定所述目标设备，然后对所述目标设备的基础信息进行采集分析，示范性的如设备用途、设备工作条件、设备安装要点等，进一步确定所述目标设备的实际运行区域，示范性的如某机电设备A为电梯，用于一写字楼中的客用升降。最后综合分析确定所述目标设备的目标作业范围。通过分析确定对应目标设备的目标作业范围，为后续分析周围环境条件对目标设备的运行安全性提供监测范围基础，达到了提高环境监测针对性，进而提高设备运行风险评估全面性、准确性的技术效果。
步骤S200：通过所述智能监测组件对所述目标作业范围进行监测，得到实时环境参数；
进一步的，如附图2所示，本发明步骤S200包括：
步骤S210：提取所述智能监测组件中的温度传感器；
步骤S220：获得第一预设布置方案，并基于所述第一预设布置方案对所述温度传感器进行布置安装，得到第一布置结果；
步骤S230：基于所述第一布置结果得到环境温度时序；
步骤S240：提取所述智能监测组件中的湿度传感器；
步骤S250：获得第二预设布置方案，并基于所述第二预设布置方案对所述湿度传感器进行布置安装，得到第二布置结果；
步骤S260：基于所述第二布置结果得到环境湿度时序；
步骤S270：将所述环境温度时序和所述环境湿度时序进行组合，得到所述实时环境参数。
具体而言，环境安全是机电设备安全运行的基础。在机电设备正常运行的情况下，机电设备的运行风险主要来源于环境的变化，示范性的如环境中的空气温度、湿度等。因此，通过与所述风险评估系统通信连接的所述智能监测组件，对所述目标作业范围的环境情况进行智能化监测和环境指标采集。
首先提取所述智能监测组件中的温度传感器，其中，所述温度传感器包括若干个温度传感器设备。然后对所述目标作业范围，即所述温度传感器实际要监测的范围进行综合分析，对应得到通过所述温度传感器进行目标作业范围中的环境温度采集时，对温度传感器进行科学、合理的布置和安装的方案，即所述第一预设方案。进而基于所述第一预设布置方案对所述温度传感器进行布置安装，得到所述温度传感器的第一布置结果。示范性的如在目标作业范围中，横向和纵向均以两米间隔均匀布设温度传感器，最后根据所述第一布置结果中的各个温度传感器，对其对应位置的温度进行实时监测，从而得到各个位置下，对应温度传感器在不同时刻的温度数据，即得到所述环境温度时序。接下来，提取所述智能监测组件中的湿度传感器，其中，所述湿度传感器包括若干个湿度传感器设备。然后获得第二预设布置方案，并基于所述第二预设布置方案对若干个所述湿度传感器进行布置安装，并对应的得到第二布置结果。最后基于所述第二布置结果得到环境湿度时序。最终将所述环境温度时序和所述环境湿度时序进行组合，即得到所述实时环境参数。
通过智能监测组件对目标设备实际运行时周围的环境状况进行智能化动态监测，进而保障运行环境安全，达到了为机电设备的安全运行提供基础的技术效果。
步骤S300：获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；
步骤S400：若是满足，生成巡检指令，并基于所述巡检指令，启动所述智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；
具体而言，所述预设环境阈值是指所述目标设备正常稳定作业基础上，需要的不会对其正常稳定作业产生巨大影响的环境指标范围。示范性的如结合某电梯历史运行数据，发现其在零下20度、空气湿度80％的条件下运行缓慢，易发生危险，因此相关技术人员将温度在零下20度以上、湿度在80％以下的条件，作为预设环境阈值。接着，判断所述实时环境参数是否符合所述预设环境阈值，其中，当所述实时环境参数满足所述预设环境阈值的规定范围时，系统自动发出巡检指令。其中，所述巡检指令用于指导所述智能巡检设备对所述目标设备进行智能化的巡检。最后，基于所述巡检指令，启动所述智能巡检设备对所述目标设备进行巡检，并得到所述目标设备实时运行的所述实时巡检视频。通过智能巡检设备对运行状态下的目标设备进行智能化巡检和实时运行情况视频采集，得到实时巡检视频，实现了提高设备运行检查的智能化程度，通过以智能设备巡检代替人工巡检，达到了提高巡检效率的技术效果。
步骤S500：获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；
进一步的，如附图3所示，本发明步骤S500包括：
步骤S510：采集所述目标设备的历史检修记录；
步骤S520：对所述历史检修记录进行分析，并根据分析结果组建历史运行风险事故集；
步骤S530：依次分析所述历史运行风险事故集中各个运行风险事故的最小割集，组成最小割集集合；
进一步的，本发明还包括如下步骤：
步骤S531：提取所述历史运行风险事故集中的第一事故；
步骤S532：将所述第一事故作为顶上事件，并分析所述顶上事件的事故因子；
步骤S533：基于所述顶上事件和所述事故因子绘制得到目标事故树；
步骤S534：根据所述目标事故树，计算确定第一最小割集；
步骤S535：基于所述第一事故的所述第一最小割集，组建所述最小割集集合。
步骤S540：基于所述最小割集集合组建目标元件集，并随机提取所述目标元件集中任意一个元件，作为所述目标检修元件。
具体而言，为对所述实时巡检视频进行针对性的分析，提高视频分析效率，进而提高目标设备的风险评估效率，首先确定要基于所述实时巡检视频分析处理的目标设备的具体一个部位，示范性的如电梯设备中的升降绳索元件。
具体来说，首先采集所述目标设备的历史检修记录，并对所述历史检修记录进行分析，进而根据分析结果组建所述目标设备在历史运行过程中，曾经发生的风险事故，即组成所述历史运行风险事故集。然后依次分析所述历史运行风险事故集中各个运行风险事故的最小割集。也就是说，随机提取所述历史运行风险事故集中的任意一个事故数据，即得到第一事故，接着将所述第一事故作为顶上事件，并分析所述顶上事件的事故因子。进而基于所述顶上事件和所述事故因子绘制得到目标事故树，并根据所述目标事故树，计算确定第一最小割集。接下来基于所述第一事故的所述第一最小割集，组建所述最小割集集合。也就是说，将对应的所有风险事故的最小割集共同组成所述最小割集集合。最后基于所述最小割集集合组建目标元件集，并随机提取所述目标元件集中任意一个元件，将其作为作为所述目标检修元件。此外，基于相关技术人员的经验和主观判断，将对应目标设备在实际运行过程中，容易出现异常的元件添加至所述目标元件集中，用于系统对其元件进行重点巡检和重点关注，从而提高目标设备的巡检针对性，进而提高巡检效果。
进一步的，随机提取所述目标元件集中任意一个元件，并将其作为所述目标检修元件，结合所述实时巡检视频对所述目标检修元件的实时状态进行分析，从而确定所述目标检修元件的风险情况，最终通过对所述目标元件集中各个元件依次进行分析和评估，得到所述目标设备的风险评估结果。在此之前，为了快速识别所述实时巡检视频中的所述目标检修元件，进而定位后对所述目标检修元件进行针对性分析，提高其分析效率，首先建立所述目标检修元件的所述目标样本集。其中，所述目标样本集包括多个目标样本。示范性的如事先对目标检修元件进行多角度的拍摄，将拍摄到的照片图像作为目标样本，或者通过三维建模软件对其进行数字建模，将建模得到的模型图作为目标样本，或者基于大数据搜集该元件的相关图像等作为目标样本，从而最大化样本丰富度，为后续识别视频中的样本提供识别基础，提高视频识别准确率。
步骤S600：构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；
进一步的，如附图4所示，本发明步骤S600包括：
步骤S610：基于大数据获得第一巡检视频；
步骤S620：将所述第一巡检视频中的所述目标检修元件进行标记，得到第一标记结果；
步骤S630：将所述第一巡检视频和所述多个目标样本作为第一训练数据，训练得到第一分类器；
步骤S640：获得所述第一分类器的第一分类结果，并将所述第一分类结果与所述第一标记结果进行对比，生成第一对比结果；
步骤S650：基于所述第一对比结果，对所述第一训练数据进行调整，得到第二训练数据；
步骤S660：根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
步骤S670：基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述目标分类器。
进一步的，本发明还包括如下步骤：
步骤S-before 610：利用动态图像专家组对所述实时巡检视频进行压缩处理，得到初始压缩结果；
步骤S-before 620：基于所述初始压缩结果得到多张I帧图像，对所述多张I帧图像依次进行解码分析，并根据分析结果绘制目标特征差值曲线；
进一步的，本发明还包括如下步骤：
步骤S-before 621：依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像；
步骤S-before 622：对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数；
步骤S-before 623：基于所述第一离散余弦变换系数计算得到所述第一I帧图像的第一特征值，基于所述第二离散余弦变换系数计算得到所述第二I帧图像的第二特征值；
步骤S-before 624：对所述第一特征值、所述第二特征值进行相减计算，得到所述第一I帧图像与所述第二I帧图像的目标特征差值；
步骤S-before 625：根据所述目标特征差值，绘制得到所述目标特征差值曲线。
步骤S-before 630：对所述目标特征差值曲线进行预处理得到目标预处理结果，对所述目标预处理结果进行分析，并组建目标关键帧集合，其中，所述目标关键帧集合包括多张具有时序特征的巡检图像；
步骤S-before 640：将所述多张具有时序特征的巡检图像进行有序组合，获得所述实时巡检视频的目标压缩视频。
具体而言，所述目标分类器用于对所述实时巡检视频中每个图像帧进行智能化判断和分类，即分析各个图像帧是否属于所述目标检修元件的巡检信息。进一步的，通过将所述多个目标样本中各样本依次与视频中各个图像帧进行特征分析匹配，若匹配成功，则对应图像帧为目标检修元件，所述目标分类器自动将其分入对应组别，同时保存该图像帧在所述实时巡检视频中的具体帧别位置信息，方便后续快速定位视频位置，提高系统分析效率。也就是说，将所述实时巡检视频、输入所述目标分类器，得到所述目标分类器的目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据。其中，在将所述实时巡检视频输入所述目标分类器进行识别判断并分类之前，首先对所述实时巡检视频进行压缩处理，从而提高后续目标分类器的智能分类效率，进而提高风险评估系统的综合性能。
具体来说，首先利用动态图像专家组对所述实时巡检视频进行压缩处理，得到对应的初始压缩结果。根据动态图像专家组的压缩原理，将所述初始压缩结果中各个压缩编码单元依次进而分析，并分别提取各个编码单元中的I帧图像，即得到多张I帧图像。接着对所述多张I帧图像依次进行解码分析。也就是说，首先依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像。然后对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数。接着基于所述第一离散余弦变换系数计算得到所述第一I帧图像的第一特征值，基于所述第二离散余弦变换系数计算得到所述第二I帧图像的第二特征值。最后对所述第一特征值、所述第二特征值进行相减计算，即得到所述第一I帧图像与所述第二I帧图像的目标特征差值。最终根据所述目标特征差值，绘制得到所述目标特征差值曲线。
进一步的，对所述目标特征差值曲线进行降噪预处理，从而得到目标预处理结果。示范性的如对该曲线进行小波降噪处理。然后对所述目标预处理结果进行分析，选取曲线上的峰值点对应的图像帧，进而组建为目标关键帧集合，其中，所述目标关键帧集合包括多张具有时序特征的巡检图像。最后，将所述多张具有时序特征的巡检图像进行有序组合，即获得所述实时巡检视频的目标压缩视频，并以所述目标压缩视频代替所述实时巡检视频输入目标分类器中进行智能化分析和判断分类，提高目标分类器的分类效率。
在通过所述目标分类器对巡检视频进行针对性分析前，首先结合历史巡检视频等信息进行所述目标分类器的训练。首先基于大数据获得第一巡检视频，其中，所述第一巡检视频是指历史上任意一次对目标设备进行巡检时采集到的视频。然后通过人工分析，将所述第一巡检视频中，包含所述目标检修元件的图像帧依次进行标记，并得到所述第一标记结果。接着将所述第一巡检视频和所述多个目标样本作为第一训练数据，训练得到第一分类器。此时利用所述第一分类器对所述第一巡检视频进行智能化分类识别，得到第一分类结果，并将所述第一分类结果与所述第一标记结果进行对比，也就是说，将分类器的智能分类结果和人工分析得到的结果进行对比，从而可以实现对第一分类器的分类效果的评估，并生成第一对比结果。进而基于所述第一对比结果，对所述第一训练数据进行调整，得到第二训练数据，并根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器。最终基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述目标分类器。通过叠加训练得到的分类器，最终确定目标分类器，实现了对目标分类器的训练目标，达到了提高目标分类器的分类准确性的技术效果。通过训练目标分类器，实现了为智能化分析目标设备的实时运行风险提供模型基础的目标，达到了提高巡检情况分类效率和分类准确性的技术效果。
步骤S700：基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。
具体而言，基于所述目标分类器的智能化分类结果，得到巡检视频压缩后的视频中，包含有目标检修元件的各帧图像的位置信息，即得到所述识别定位数据。接着，基于所述识别定位数据对目标压缩视频进行定位，并对应提取其图像帧，得到目标提取图像集。最后基于所述目标提取图像集对所述目标设备进行风险评估。示范性的如依次对所述目标提取图像集中的各个图像帧进行人工分析，判断其状态是否正常，从而确定目标检修元件的风险情况，最后结合各个元件的情况确定目标设备的风险程度。
综上所述，本发明所提供的一种机电设备运行状态的风险评估方法具有如下技术效果：
通过获得目标设备，并确定所述目标设备的目标作业范围；通过智能监测组件对所述目标作业范围进行监测，得到实时环境参数；获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；若是满足，生成巡检指令，并基于所述巡检指令，启动智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。通过智能监测组件对目标设备实际运行时周围的环境状况进行智能化动态监测，进而保障运行环境安全，达到了为机电设备的安全运行提供基础的技术效果。通过智能巡检设备对运行状态下的目标设备进行智能化巡检和实时运行情况视频采集，得到实时巡检视频，实现了提高设备运行检查的智能化程度，通过以智能设备巡检代替人工巡检，达到了提高巡检效率的技术效果。通过对目标设备的相关数据进行分析确定目标检修元件，从而为智能设备的巡检分析提供基础和重点巡检依据，提高智能巡检的可靠性和有效性。通过训练目标分类器，实现了为智能化分析目标设备的实时运行风险提供模型基础的目标，达到了提高巡检情况分类效率和分类准确性的技术效果。通过目标分类器对实时巡检视频和多个目标样本进行智能化分析，得到实时巡检视频中关于目标检修元件的实时巡检图像帧，进而确定对应的位置，达到了快速提取需要分析评估的设备元件的实时图像帧，并为分析该设备元件的运行状态提供实时图像数据依据的技术效果。通过对需要关注检查的元件依次进行风险分析评估，最终实现对目标设备的风险评估目标，达到了提高机电设备运行状态风险评估的智能化程度的技术效果。实现了提高机电设备运行状态风险评估智能化程度的技术目标，达到了提高运行状态下的机电设备的运行风险识别效率和识别准确率，进而提高机电设备风险评估可靠性和贴近事实性的技术效果。
实施例二
基于与前述实施例中一种机电设备运行状态的风险评估方法，同样发明构思，本发明还提供了一种机电设备运行状态的风险评估系统，请参阅附图5，所述系统包括：
范围确定模块M100，其用于获得目标设备，并确定所述目标设备的目标作业范围；
环境监测模块M200，其用于通过智能监测组件对所述目标作业范围进行监测，得到实时环境参数；
智能判断模块M300，其用于获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；
智能巡检模块M400，其用于若是满足，生成巡检指令，并基于所述巡检指令，启动智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；
元件获得模块M500，其用于获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；
智能分类模块M600，其用于构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；
评估执行模块M700，其用于基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。
进一步的，所述系统中的所述环境监测模块M200还用于：
提取所述智能监测组件中的温度传感器；
获得第一预设布置方案，并基于所述第一预设布置方案对所述温度传感器进行布置安装，得到第一布置结果；
基于所述第一布置结果得到环境温度时序；
提取所述智能监测组件中的湿度传感器；
获得第二预设布置方案，并基于所述第二预设布置方案对所述湿度传感器进行布置安装，得到第二布置结果；
基于所述第二布置结果得到环境湿度时序；
将所述环境温度时序和所述环境湿度时序进行组合，得到所述实时环境参数。
进一步的，所述系统中的所述元件获得模块M500还用于：
采集所述目标设备的历史检修记录；
对所述历史检修记录进行分析，并根据分析结果组建历史运行风险事故集；
依次分析所述历史运行风险事故集中各个运行风险事故的最小割集，组成最小割集集合；
基于所述最小割集集合组建目标元件集，并随机提取所述目标元件集中任意一个元件，作为所述目标检修元件。
进一步的，所述系统中的所述元件获得模块M500还用于：
提取所述历史运行风险事故集中的第一事故；
将所述第一事故作为顶上事件，并分析所述顶上事件的事故因子；
基于所述顶上事件和所述事故因子绘制得到目标事故树；
根据所述目标事故树，计算确定第一最小割集；
基于所述第一事故的所述第一最小割集，组建所述最小割集集合。
进一步的，所述系统中的所述智能分类模块M600还用于：
基于大数据获得第一巡检视频；
将所述第一巡检视频中的所述目标检修元件进行标记，得到第一标记结果；
将所述第一巡检视频和所述多个目标样本作为第一训练数据，训练得到第一分类器；
获得所述第一分类器的第一分类结果，并将所述第一分类结果与所述第一标记结果进行对比，生成第一对比结果；
基于所述第一对比结果，对所述第一训练数据进行调整，得到第二训练数据；
根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述目标分类器。
进一步的，所述系统中的所述智能分类模块M600还用于：
利用动态图像专家组对所述实时巡检视频进行压缩处理，得到初始压缩结果；
基于所述初始压缩结果得到多张I帧图像，对所述多张I帧图像依次进行解码分析，并根据分析结果绘制目标特征差值曲线；
对所述目标特征差值曲线进行预处理得到目标预处理结果，对所述目标预处理结果进行分析，并组建目标关键帧集合，其中，所述目标关键帧集合包括多张具有时序特征的巡检图像；
将所述多张具有时序特征的巡检图像进行有序组合，获得所述实时巡检视频的目标压缩视频。
进一步的，所述系统中的所述智能分类模块M600还用于：
依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像；
对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数；
基于所述第一离散余弦变换系数计算得到所述第一I帧图像的第一特征值，基于所述第二离散余弦变换系数计算得到所述第二I帧图像的第二特征值；
对所述第一特征值、所述第二特征值进行相减计算，得到所述第一I帧图像与所述第二I帧图像的目标特征差值；
根据所述目标特征差值，绘制得到所述目标特征差值曲线。
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，前述图1实施例一中的一种机电设备运行状态的风险评估方法和具体实例同样适用于本实施例的一种机电设备运行状态的风险评估系统，通过前述对一种机电设备运行状态的风险评估方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种机电设备运行状态的风险评估系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
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 (8)
1.一种机电设备运行状态的风险评估方法，其特征在于，所述风险评估方法应用于风险评估系统，所述风险评估系统与智能监测组件、智能巡检设备通信连接，所述风险评估方法包括：
获得目标设备，并确定所述目标设备的目标作业范围；
通过所述智能监测组件对所述目标作业范围进行监测，得到实时环境参数；
获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；
若是满足，生成巡检指令，并基于所述巡检指令，启动所述智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；
获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；
构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；
基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。
2.根据权利要求1所述的风险评估方法，其特征在于，所述通过所述智能监测组件对所述目标作业范围进行监测，得到实时环境参数，包括：
提取所述智能监测组件中的温度传感器；
获得第一预设布置方案，并基于所述第一预设布置方案对所述温度传感器进行布置安装，得到第一布置结果；
基于所述第一布置结果得到环境温度时序；
提取所述智能监测组件中的湿度传感器；
获得第二预设布置方案，并基于所述第二预设布置方案对所述湿度传感器进行布置安装，得到第二布置结果；
基于所述第二布置结果得到环境湿度时序；
将所述环境温度时序和所述环境湿度时序进行组合，得到所述实时环境参数。
3.根据权利要求1所述的风险评估方法，其特征在于，所述获得目标检修元件，包括：
采集所述目标设备的历史检修记录；
对所述历史检修记录进行分析，并根据分析结果组建历史运行风险事故集；
依次分析所述历史运行风险事故集中各个运行风险事故的最小割集，组成最小割集集合；
基于所述最小割集集合组建目标元件集，并随机提取所述目标元件集中任意一个元件，作为所述目标检修元件。
4.根据权利要求3所述的风险评估方法，其特征在于，所述依次分析所述历史运行风险事故集中各个运行风险事故的最小割集，组成最小割集集合，包括：
提取所述历史运行风险事故集中的第一事故；
将所述第一事故作为顶上事件，并分析所述顶上事件的事故因子；
基于所述顶上事件和所述事故因子绘制得到目标事故树；
根据所述目标事故树，计算确定第一最小割集；
基于所述第一事故的所述第一最小割集，组建所述最小割集集合。
5.根据权利要求1所述的风险评估方法，其特征在于，所述构建目标分类器，包括：
基于大数据获得第一巡检视频；
将所述第一巡检视频中的所述目标检修元件进行标记，得到第一标记结果；
将所述第一巡检视频和所述多个目标样本作为第一训练数据，训练得到第一分类器；
获得所述第一分类器的第一分类结果，并将所述第一分类结果与所述第一标记结果进行对比，生成第一对比结果；
基于所述第一对比结果，对所述第一训练数据进行调整，得到第二训练数据；
根据所述第二训练数据，训练得到第二分类器，继续迭代至得到第N分类器；
基于所述第一分类器、所述第二分类器直至所述第N分类器，叠加得到所述目标分类器。
6.根据权利要求5所述的风险评估方法，其特征在于，在所述将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果之前，还包括：
利用动态图像专家组对所述实时巡检视频进行压缩处理，得到初始压缩结果；
基于所述初始压缩结果得到多张I帧图像，对所述多张I帧图像依次进行解码分析，并根据分析结果绘制目标特征差值曲线；
对所述目标特征差值曲线进行预处理得到目标预处理结果，对所述目标预处理结果进行分析，并组建目标关键帧集合，其中，所述目标关键帧集合包括多张具有时序特征的巡检图像；
将所述多张具有时序特征的巡检图像进行有序组合，获得所述实时巡检视频的目标压缩视频。
7.根据权利要求6所述的风险评估方法，其特征在于，所述基于所述初始压缩结果得到多张I帧图像，对所述多张I帧图像依次进行解码分析，并根据分析结果绘制目标特征差值曲线，包括：
依次提取所述多张I帧图像中的第一I帧图像、第二I帧图像，其中，所述第一I帧图像与所述第二I帧图像为相邻帧图像；
对所述第一I帧图像、所述第二I帧图像依次进行离散余弦变换，分别得到第一离散余弦变换系数、第二离散余弦变换系数；
基于所述第一离散余弦变换系数计算得到所述第一I帧图像的第一特征值，基于所述第二离散余弦变换系数计算得到所述第二I帧图像的第二特征值；
对所述第一特征值、所述第二特征值进行相减计算，得到所述第一I帧图像与所述第二I帧图像的目标特征差值；
根据所述目标特征差值，绘制得到所述目标特征差值曲线。
8.一种机电设备运行状态的风险评估系统，其特征在于，所述风险评估系统包括：
范围确定模块，其用于获得目标设备，并确定所述目标设备的目标作业范围；
环境监测模块，其用于通过智能监测组件对所述目标作业范围进行监测，得到实时环境参数；
智能判断模块，其用于获得预设环境阈值，并判断所述实时环境参数是否符合所述预设环境阈值；
智能巡检模块，其用于若是满足，生成巡检指令，并基于所述巡检指令，启动智能巡检设备对所述目标设备进行巡检，得到实时巡检视频；
元件获得模块，其用于获得目标检修元件，并组建所述目标检修元件的目标样本集，其中，所述目标样本集包括多个目标样本；
智能分类模块，其用于构建目标分类器，并将所述实时巡检视频、所述多个目标样本输入所述目标分类器，得到目标分类结果，其中，所述目标分类结果包括所述目标检修元件的识别定位数据；
评估执行模块，其用于基于所述识别定位数据得到目标提取图像集，并基于所述目标提取图像集，对所述目标设备进行风险评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211705897.9A CN116310940A (zh) | 2022-12-29 | 2022-12-29 | 一种机电设备运行状态的风险评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211705897.9A CN116310940A (zh) | 2022-12-29 | 2022-12-29 | 一种机电设备运行状态的风险评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310940A true CN116310940A (zh) | 2023-06-23 |
Family
ID=86776920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211705897.9A Pending CN116310940A (zh) | 2022-12-29 | 2022-12-29 | 一种机电设备运行状态的风险评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310940A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117145753A (zh) * | 2023-10-31 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
| CN117253350A (zh) * | 2023-11-17 | 2023-12-19 | 深圳市创兴建设股份有限公司 | 一种基于多传感器的建筑施工场地安全预警系统 |
| CN118211823A (zh) * | 2024-02-18 | 2024-06-18 | 北京科百宏业科技有限公司 | 一种农业设备风控预警方法、系统、电子设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008936A (zh) * | 2007-01-24 | 2007-08-01 | 浙江大学 | 一种校正测量数据显著误差与随机误差的方法 |
| CN108509290A (zh) * | 2018-02-11 | 2018-09-07 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 数据驱动的故障树分析方法、装置及系统 |
| CN111325434A (zh) * | 2018-12-17 | 2020-06-23 | 中安智讯(北京)信息科技有限公司 | 一种基于大数据的煤矿生产风险评估指标体系构建方法 |
| CN111651505A (zh) * | 2020-06-05 | 2020-09-11 | 中国民用航空厦门空中交通管理站 | 一种基于数据驱动的设备运行态势分析预警方法及系统 |
| CN111650919A (zh) * | 2020-05-14 | 2020-09-11 | 中铁第四勘察设计院集团有限公司 | 多维度监测的自动扶梯故障预测与健康管理方法及系统 |
| CN111738698A (zh) * | 2020-07-02 | 2020-10-02 | 北京公联洁达公路养护工程有限公司 | 一种基于bim技术的桥梁养护管理系统 |
| CN112432669A (zh) * | 2020-11-27 | 2021-03-02 | 贵州电网有限责任公司 | 一种电力二次设备运行状态移动视频实时监视方法及系统 |
| CN112906764A (zh) * | 2021-02-01 | 2021-06-04 | 中国人民解放军海军工程大学 | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 |
| CN113408154A (zh) * | 2021-08-02 | 2021-09-17 | 广东电网有限责任公司中山供电局 | 基于数字孪生的变电站继电保护设备状态监测方法及系统 |
| CN113847216A (zh) * | 2021-10-14 | 2021-12-28 | 远景智能国际私人投资有限公司 | 风机叶片的状态预测方法、装置、设备及存储介质 |
| CN114881869A (zh) * | 2022-03-24 | 2022-08-09 | 天津三源电力信息技术股份有限公司 | 一种巡检视频图像预处理方法 |
| CN115499670A (zh) * | 2022-11-17 | 2022-12-20 | 广东电网有限责任公司中山供电局 | 一种基于边缘计算的视频图像压缩处理设备 |
-
2022
- 2022-12-29 CN CN202211705897.9A patent/CN116310940A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008936A (zh) * | 2007-01-24 | 2007-08-01 | 浙江大学 | 一种校正测量数据显著误差与随机误差的方法 |
| CN108509290A (zh) * | 2018-02-11 | 2018-09-07 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 数据驱动的故障树分析方法、装置及系统 |
| CN111325434A (zh) * | 2018-12-17 | 2020-06-23 | 中安智讯(北京)信息科技有限公司 | 一种基于大数据的煤矿生产风险评估指标体系构建方法 |
| CN111650919A (zh) * | 2020-05-14 | 2020-09-11 | 中铁第四勘察设计院集团有限公司 | 多维度监测的自动扶梯故障预测与健康管理方法及系统 |
| CN111651505A (zh) * | 2020-06-05 | 2020-09-11 | 中国民用航空厦门空中交通管理站 | 一种基于数据驱动的设备运行态势分析预警方法及系统 |
| CN111738698A (zh) * | 2020-07-02 | 2020-10-02 | 北京公联洁达公路养护工程有限公司 | 一种基于bim技术的桥梁养护管理系统 |
| CN112432669A (zh) * | 2020-11-27 | 2021-03-02 | 贵州电网有限责任公司 | 一种电力二次设备运行状态移动视频实时监视方法及系统 |
| CN112906764A (zh) * | 2021-02-01 | 2021-06-04 | 中国人民解放军海军工程大学 | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 |
| CN113408154A (zh) * | 2021-08-02 | 2021-09-17 | 广东电网有限责任公司中山供电局 | 基于数字孪生的变电站继电保护设备状态监测方法及系统 |
| CN113847216A (zh) * | 2021-10-14 | 2021-12-28 | 远景智能国际私人投资有限公司 | 风机叶片的状态预测方法、装置、设备及存储介质 |
| CN114881869A (zh) * | 2022-03-24 | 2022-08-09 | 天津三源电力信息技术股份有限公司 | 一种巡检视频图像预处理方法 |
| CN115499670A (zh) * | 2022-11-17 | 2022-12-20 | 广东电网有限责任公司中山供电局 | 一种基于边缘计算的视频图像压缩处理设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117145753A (zh) * | 2023-10-31 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
| CN117145753B (zh) * | 2023-10-31 | 2023-12-22 | 意朗智能科技(南通)有限公司 | 一种空压机的工作质量测试方法及装置 |
| CN117253350A (zh) * | 2023-11-17 | 2023-12-19 | 深圳市创兴建设股份有限公司 | 一种基于多传感器的建筑施工场地安全预警系统 |
| CN117253350B (zh) * | 2023-11-17 | 2024-01-16 | 深圳市创兴建设股份有限公司 | 一种基于多传感器的建筑施工场地安全预警系统 |
| CN118211823A (zh) * | 2024-02-18 | 2024-06-18 | 北京科百宏业科技有限公司 | 一种农业设备风控预警方法、系统、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116310940A (zh) | 一种机电设备运行状态的风险评估方法及系统 | |
| CN108399277B (zh) | 一种基于温度与应变关联性的桥梁损伤识别方法 | |
| CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
| CN108776452B (zh) | 一种特种设备现场维保监控方法及系统 | |
| CN112820321A (zh) | 一种抽油机远程智能音频诊断系统、方法、设备及介质 | |
| CN112686402A (zh) | 一种日常巡检与智慧运维管理平台结合的方法 | |
| CN115650006B (zh) | 一种基于大数据的电梯安全监测预警方法及系统 | |
| CN108763966B (zh) | 一种尾气检测作弊监管系统及方法 | |
| CN115311246A (zh) | 一种基于大数据的桥梁安全管理方法和系统 | |
| CN117934248B (zh) | 一种电厂安全管控平台数据分析方法及系统 | |
| CN115520741A (zh) | 基于神经网络的电梯运行监控预警方法、系统及存储介质 | |
| CN115165725A (zh) | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 | |
| CN118114186B (zh) | 一种基于人工智能的设备振动故障诊断方法 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
| CN114912678A (zh) | 电网调控异常操作在线自动检测预警方法及系统 | |
| CN117909784A (zh) | 一种基于人工智能的设备故障检测分析方法及装置 | |
| CN111754737A (zh) | 一种计量装置安装验收在线识别评价装置及评价方法 | |
| CN117933974A (zh) | 水质数据采集监测设备的远程维护方法及系统 | |
| CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
| CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
| CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
| CN116029862A (zh) | 一种智慧建筑的可视化安全管理系统 | |
| CN115328986A (zh) | 一种电厂安全预警数据分析处理方法及系统 | |
| CN115818388A (zh) | 电梯运行状况不良风险监测系统 | |
| CN118350652B (zh) | 用于变电站作业人员的安全防护方法及系统 |
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 |