CN116384775A - 一种污染场地监测设备的管理方法、系统及存储介质 - Google Patents
一种污染场地监测设备的管理方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116384775A CN116384775A CN202310645110.2A CN202310645110A CN116384775A CN 116384775 A CN116384775 A CN 116384775A CN 202310645110 A CN202310645110 A CN 202310645110A CN 116384775 A CN116384775 A CN 116384775A
- Authority
- CN
- China
- Prior art keywords
- monitoring equipment
- damage
- target area
- damage condition
- data information
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 355
- 238000007726 management method Methods 0.000 title claims abstract description 16
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000006378 damage Effects 0.000 claims abstract description 261
- 239000002689 soil Substances 0.000 claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000008439 repair process Effects 0.000 claims description 50
- 238000012806 monitoring device Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 34
- 238000003900 soil pollution Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 7
- 238000002144 chemical decomposition reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000002253 acid Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种污染场地监测设备的管理方法、系统及存储介质，属于污染监测设备管理技术领域，本发明通过基于评估结果获取目标区域中监测设备的损伤情况数据，从而根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备，最后通过获取目标区域中的修复工程进度数据信息，并根据修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。本发明通过对污染类型对监测设备的损伤情况进行预估，并根据实际的预估情况生成相关的调整建议以及调度计划，充分考虑了监测设备的维护以及根据实际的监测情况进行调度，使得土壤监测设备的监测更加合理。
Description
技术领域
本发明涉及污染监测设备管理技术领域，尤其涉及一种污染场地监测设备的管理方法、系统及存储介质。
背景技术
近年来，由于工艺、材料的推陈出新，导致环境污染的种类不断改变，现有的土壤环境保护技术已经很难适应新的环境需求，需要进行一定的技术改造。土壤环境污染监测可以使用采样监测和其它手段来确定污染物的来源、特征和扩散速度，从而为制定和更新环境保护技术标准提供依据。对于无色污染类型而言，土壤污染监测往往需要监测设备进行监测，从而能够定量地分析土壤中重金属、化肥和农药的含量，种类及其对生态的危害，从而使农业生产得到有效改善。然而，土壤监测设备的监测寿命往往与土壤污染类型密切相关，如酸性污染以及碱性污染，而酸性污染类型以及碱性污染类型容易造成设备的腐蚀性损伤或者设备的故障，从而进一步降低监测设备的寿命值，而若不能及时发现设备的损伤情况，采集到的监测数据很有可能是错误的，不利于监测设备的长期监测。
发明内容
本发明克服了现有技术的不足，提供了一种污染场地监测设备的管理方法、系统及存储介质。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种污染场地监测设备的管理方法，包括以下步骤：
获取目标区域中监测设备所监测的污染类型数据信息，并根据污染类型数据信息构建监测设备损伤预测模型；
根据监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于评估结果获取目标区域中监测设备的损伤情况数据；
根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备；
获取目标区域中的修复工程进度数据信息，并根据修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。
进一步地，本发明的一个较佳实施例中，获取目标区域中监测设备所监测的污染类型数据信息，根据污染类型数据信息构建监测设备损伤预测模型，具体包括：
获取目标区域中监测设备所监测的污染类型数据信息，根据目标区域中监测设备所监测的污染类型数据信息结合时间戳生成基于时间序列的污染类型数据信息，并获取每一时间戳对应监控设备的损伤数据信息；
基于深度学习网络构建监测设备损伤预测模型，通过对每一时间戳对应监控设备的损伤数据信息输入到卷积层中，并在卷积层中引入线性判别算法对每一时间戳对应监控设备的损伤数据信息进行降维处理，获取类间散射矩阵以及类内散射矩阵；
根据类间散射矩阵以及类内散射矩阵进行数据转换，生成协方差矩阵，并引入奇异值分解算法对协方差矩阵进行特征值分解，生成特征向量矩阵；
通过将特征向量矩阵输入到池化层以及全连接层中，通过输出向量识别，通过Softmax 进行分类，保存模型参数，输出监测设备损伤预测模型。
进一步地，本发明的一个较佳实施例中，根据监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于评估结果获取目标区域中监测设备的损伤情况数据，具体以下步骤：
获取目标区域中监测设备的当前污染类型数据信息，根据监测设备损伤预测模型以及目标区域中监测设备的当前污染类型数据信息获取每一监测设备的损伤情况；
判断每一监测设备的损伤情况高于预设损伤情况，若损伤情况高于预设损伤情况，并将损伤情况高于预设损伤情况的监测设备作为待维护的监测设备；
若损伤情况不高于预设损伤情况，则获取损伤情况不高于预设损伤情况的监测设备，并根据损伤情况不高于预设损伤情况的监测设备以及监测设备损伤预测模型进行预估，获取该监测设备达到预设损伤情况的预估时间数据；
根据损伤情况高于预设损伤情况的监测设备作为待维护的监测设备以及监测设备达到预设损伤情况的预估时间数据生成目标区域中监测设备的损伤情况数据。
进一步地，本发明的一个较佳实施例中，根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，具体包括：
若目标区域中监测设备的损伤情况高于预设损伤情况时，则获取损伤情况高于预设损伤情况的监测设备所在的地理位置信息，将该地理位置信息标记为待替换点；
获取待替换点的污染分布区域调查数据，并根据待替换点的污染分布区域调查数据进行新监测设备进行重新布点，生成相应的损伤维护建议；
若目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取每一监测设备的损伤情况，并通过大数据网络根据每一监测设备的损伤情况进行检索；
通过检索，获取每一监测设备的修复建议，并根据每一监测设备的修复建议生成相应的损伤维护建议。
进一步地，本发明的一个较佳实施例中，获取目标区域中的修复工程进度数据信息，根据修复工程进度数据信息生成监测设备智能调度结果，具体包括：
若目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取当前目标区域中土壤修复设备的历史平均修复速度数据以及获取目标区域中土壤的污染浓度数据信息，根据目标区域中土壤的污染浓度数据信息以及历史平均修复速度数据计算出当前土壤污染区域的完成预估时间信息；
获取当前土壤污染监测设备达到预设损伤情况的预估时间数据，当完成预估时间信息大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则将当前监测设备作为不可调度的监测设备；
当完成预估时间信息不大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则根据完成预估时间信息以及当前土壤污染监测设备达到预设损伤情况的预估时间数据计算出时间差值；
当时间差值大于预设时间差值时，则将该监测设备作为可调度的监测设备，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备，并根据可调度的监测设备生成监测设备智能调度结果。
进一步地，本发明的一个较佳实施例中，根据可调度的监测设备生成监测设备智能调度结果，具体包括以下步骤：
获取目标区域中可调度的监测设备所在的地理位置信息以及目标区域中需要增添或替换监测设备所在的地理位置信息，并根据目标区域中可调度的监测设备所在的地理位置信息以及目标区域中需要增添或替换监测设备所在的地理位置信息生成每一可调度的监测设备的调度路径；
在解空间中均匀产生若干个染色体个体，并设置每一个染色体个体的维度，生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化，基于调度路径对初代种群中每一染色体进行快速非支配排序和拥挤度计算；
对初代种群进行选择、交叉、变异操作，以获取下一代种群，将初代种群以及下一代种群合并，以获取新种群，基于调度路径，对新种群中每一个染色体个体进行快速非支配排序和拥挤度的计算，对新种群选择符合条件的个体来组成新初代种群；
确定演化过程的进化代数，若进化代数小于最大进化代数，则进化代数的数量加一，并转至对初代种群进行选择、交叉、变异操作，以获得下一代种群，若进化代数大于最大进化代数，则中止迭代并输出可调度的监测设备的调度路径，生成监测设备智能调度结果。
本发明第二方面提供了一种污染场地监测设备的管理系统，管理系统包括存储器以及处理器，存储器中包括污染场地监测设备的管理方法程序，污染场地监测设备的管理方法程序被处理器执行时，实现如下步骤：
获取目标区域中监测设备所监测的污染类型数据信息，并根据污染类型数据信息构建监测设备损伤预测模型；
根据监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于评估结果获取目标区域中监测设备的损伤情况数据；
根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备；
获取目标区域中的修复工程进度数据信息，并根据修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。
在本实施例中，获取目标区域中监测设备所监测的污染类型数据信息，根据污染类型数据信息构建监测设备损伤预测模型，具体包括：
获取目标区域中监测设备所监测的污染类型数据信息，根据目标区域中监测设备所监测的污染类型数据信息结合时间戳生成基于时间序列的污染类型数据信息，并获取每一时间戳对应监控设备的损伤数据信息；
基于深度学习网络构建监测设备损伤预测模型，通过对每一时间戳对应监控设备的损伤数据信息输入到卷积层中，并在卷积层中引入线性判别算法对每一时间戳对应监控设备的损伤数据信息进行降维处理，获取类间散射矩阵以及类内散射矩阵；
根据类间散射矩阵以及类内散射矩阵进行数据转换，生成协方差矩阵，并引入奇异值分解算法对协方差矩阵进行特征值分解，生成特征向量矩阵；
通过将特征向量矩阵输入到池化层以及全连接层中，通过输出向量识别，通过Softmax 进行分类，保存模型参数，输出监测设备损伤预测模型。
在本实施例中，获取目标区域中的修复工程进度数据信息，根据修复工程进度数据信息生成监测设备智能调度结果，具体包括：
若目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取当前目标区域中土壤修复设备的历史平均修复速度数据以及获取目标区域中土壤的污染浓度数据信息；根据目标区域中土壤的污染浓度数据信息以及历史平均修复速度数据计算出当前土壤污染区域的完成预估时间信息；
获取当前土壤污染监测设备达到预设损伤情况的预估时间数据，当完成预估时间信息大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则将当前监测设备作为不可调度的监测设备；
当完成预估时间信息不大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则根据完成预估时间信息以及当前土壤污染监测设备达到预设损伤情况的预估时间数据计算出时间差值；
当时间差值大于预设时间差值时，则将该监测设备作为可调度的监测设备，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备，并根据可调度的监测设备生成监测设备智能调度结果。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含污染场地监测设备的管理方法程序，污染场地监测设备的管理方法程序被处理器执行时，实现任一项污染场地监测设备的管理方法中的步骤。
本发明解决了背景技术中存在的缺陷，具备以下有益效果：
本发明通过获取目标区域中监测设备所监测的污染类型数据信息，并根据污染类型数据信息构建监测设备损伤预测模型，进一步根据监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于评估结果获取目标区域中监测设备的损伤情况数据，从而根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备，最后通过获取目标区域中的修复工程进度数据信息，并根据修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。本发明通过对污染类型对监测设备的损伤情况进行预估，并根据实际的预估情况生成相关的调整建议以及调度计划，充分考虑了监测设备的维护以及根据实际的监测情况进行调度，使得土壤监测设备的监测更加合理。
附图说明
为了更清楚地说明本发明实施例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本发明的一些实施例，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，还可以根据这些附图获得其他实施例的附图。
图1示出了一种污染场地监测设备的管理方法的整体方法流程图；
图2示出了一种污染场地监测设备的管理方法的第一方法流程图；
图3示出了一种污染场地监测设备的管理方法的第二方法流程图；
图4示出了一种污染场地监测设备的管理系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面提供了一种污染场地监测设备的管理方法，包括以下步骤：
S102:获取目标区域中监测设备所监测的污染类型数据信息，并根据污染类型数据信息构建监测设备损伤预测模型；
示例性的，污染类型数据信息可以为酸性化学物质污染类型、碱性化学物质污染类型、重金属污染类型等。
如图2所示，在步骤S102中，本步骤具体包括：
S202:获取目标区域中监测设备所监测的污染类型数据信息，根据目标区域中监测设备所监测的污染类型数据信息结合时间戳生成基于时间序列的污染类型数据信息，并获取每一时间戳对应监控设备的损伤数据信息；
S204:基于深度学习网络构建监测设备损伤预测模型，通过对每一时间戳对应监控设备的损伤数据信息输入到卷积层中，并在卷积层中引入线性判别算法对每一时间戳对应监控设备的损伤数据信息进行降维处理，获取类间散射矩阵以及类内散射矩阵；
S206:根据类间散射矩阵以及类内散射矩阵进行数据转换，生成协方差矩阵，并引入奇异值分解算法对协方差矩阵进行特征值分解，生成特征向量矩阵；
S208:通过将特征向量矩阵输入到池化层以及全连接层中，通过输出向量识别，通过Softmax 进行分类，保存模型参数，输出监测设备损伤预测模型。
在本实施例中，深度学习网络为卷积神经网络，主要包括卷积层、池化层以及全连接层，在卷积层中引入线性判别算法以及奇异值分解算法，其中，根据类间散射矩阵以及类内散射矩阵进行数据转换，由于类间散射矩阵以及类内散射矩阵均为实对称矩阵，因此本过程满足以下关系式：
其中，
为类间散射矩阵；/>
为类内散射矩阵；/>
为类间散射矩阵的降维系数；
为类内散射矩阵的降维系数；/>
为类间散射矩阵降维后的矩阵；/>
为类内散射矩阵降维后的矩阵；/>
为第j类样本的个数；/>
为样本总体均值；/>
为第j类的样本均值；/>
为第j类样本；T表示矩阵转置。
其中，
表示地1类样本均值，/>
表示第2类样本的均值，/>
为第1类样本，/>
为第2类样本，以此类推。通过数据转换之后，根据类间散射矩阵降维后的矩阵以及类内散射矩阵降维后的矩阵组成协方差矩阵，最后通过奇异值分解算法进一步降维相差特征向量矩阵，通过引入线性判别算法以及奇异值分解算法进一步降低了计算的复杂度，从而可以极大地降低了模型的计算量，提高模型的预测计算速度。其中损伤具体可以指某一零部件的损伤，如无线传感器的损伤、信息传输设备的损伤、零件的被腐蚀性损伤等情况。
S104:根据监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于评估结果获取目标区域中监测设备的损伤情况数据；
在本S104步骤中，具体包括：
获取目标区域中监测设备的当前污染类型数据信息，根据监测设备损伤预测模型以及目标区域中监测设备的当前污染类型数据信息获取每一监测设备的损伤情况；
判断每一监测设备的损伤情况高于预设损伤情况，若损伤情况高于预设损伤情况，并将损伤情况高于预设损伤情况的监测设备作为待维护的监测设备；
若损伤情况不高于预设损伤情况，则获取损伤情况不高于预设损伤情况的监测设备，并根据损伤情况不高于预设损伤情况的监测设备以及监测设备损伤预测模型进行预估，获取该监测设备达到预设损伤情况的预估时间数据；
根据损伤情况高于预设损伤情况的监测设备作为待维护的监测设备以及监测设备达到预设损伤情况的预估时间数据生成目标区域中监测设备的损伤情况数据。
其中，损伤情况可以包括低度损伤情况、中低度损伤情况、中度损伤情况、中高度损伤、高度损伤情况等，当损伤情况高于中度损伤情况时，说明设备需要进行设备维护以及监测设备的替换以维持长时间有效的污染监测。
S106:根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备；
在本S106步骤中，具体包括：若目标区域中监测设备的损伤情况高于预设损伤情况时，则获取损伤情况高于预设损伤情况的监测设备所在的地理位置信息，将该地理位置信息标记为待替换点；获取待替换点的污染分布区域调查数据，并根据待替换点的污染分布区域调查数据进行新监测设备进行重新布点，生成相应的损伤维护建议；若目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取每一监测设备的损伤情况，并通过大数据网络根据每一监测设备的损伤情况进行检索；通过检索，获取每一监测设备的修复建议，并根据每一监测设备的修复建议生成相应的损伤维护建议。
S108:获取目标区域中的修复工程进度数据信息，并根据修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。
如图3所示，在步骤S108中，具体包括：
S302:若目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取当前目标区域中土壤修复设备的历史平均修复速度数据以及获取目标区域中土壤的污染浓度数据信息，根据目标区域中土壤的污染浓度数据信息以及历史平均修复速度数据计算出当前土壤污染区域的完成预估时间信息；
S304:获取当前土壤污染监测设备达到预设损伤情况的预估时间数据，当完成预估时间信息大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则将当前监测设备作为不可调度的监测设备；
S306:当完成预估时间信息不大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则根据完成预估时间信息以及当前土壤污染监测设备达到预设损伤情况的预估时间数据计算出时间差值；
S308:当时间差值大于预设时间差值时，则将该监测设备作为可调度的监测设备，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备，并根据可调度的监测设备生成监测设备智能调度结果。
需要说明的是，在本实施例中，土壤修复设备主要为原位的土壤修复设备，当完成预估时间信息大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，说明该设备在修复的时间段内达到中高损伤情况，说明该监测设备亦为待报废设备。当时间差值大于预设时间差值说明该监测设备还具备一定的监测寿命，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备。从而通过遗传算法来根据可调度的监测设备的调度路径来求出最短的总调度路径，提高监测设备调度的合理性。
其中通过遗传算法根据可调度的监测设备生成监测设备智能调度结果，具体包括以下步骤：
获取目标区域中可调度的监测设备所在的地理位置信息以及目标区域中需要增添或替换监测设备所在的地理位置信息，并根据目标区域中可调度的监测设备所在的地理位置信息以及目标区域中需要增添或替换监测设备所在的地理位置信息生成每一可调度的监测设备的调度路径；
在解空间中均匀产生若干个染色体个体，并设置每一个染色体个体的维度，生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化，基于调度路径对初代种群中每一染色体进行快速非支配排序和拥挤度计算；
对初代种群进行选择、交叉、变异操作，以获取下一代种群，将初代种群以及下一代种群合并，以获取新种群，基于调度路径，对新种群中每一个染色体个体进行快速非支配排序和拥挤度的计算，对新种群选择符合条件的个体来组成新初代种群；
确定演化过程的进化代数，若进化代数小于最大进化代数，则进化代数的数量加一，并转至对初代种群进行选择、交叉、变异操作，以获得下一代种群，若进化代数大于最大进化代数，则中止迭代并输出可调度的监测设备的调度路径，生成监测设备智能调度结果。
此外，本方法还可以包括以下步骤：
通过土壤监测设备获取监测过程中的监测数据信息，并根据所述监测过程中的监测数据信息构建监测数据变化曲线图，通过所述监测数据变化曲线图获取预设时间之内的监测数据变化率；
当所述预设时间之内的监测数据变化情况大于预设变化率之时，获取监测设备所在位置的地形遥感图像数据信息；
通过所述地形遥感图像数据信息获取监测设备所在位置的地形特征数据信息，并根据所述地形特征数据信息分为多个子区域，并通过对每个子区域的水分径流方向进行预估，获取各子区域的水分流向；
根据所述各子区域的水分流向生成污染最可能迁移的流向区域，并根据所述污染最可能迁移的流向区域生成监测设备的调整布置位置。
需要说明的是，在无修复的情况之下，当所述预设时间之内的监测数据变化情况大于预设变化率之时，说明污染发生了迁移，本发明通过结合地形数据预估出污染的迁移方向，即各子区域的水分流向很可能即为污染的迁移方向，从而生成监测设备的调整布置位置，从而提供一个更准确的调整位置，提高监测设备监测合理性。
此外，本方法还可以包括以下步骤：
获取目标区域中的历史气候数据信息，并基于深度学习网络构建气候偏好模型，将所述目标区域中的历史气候数据信息输入到气候偏好模型中进行编码学习；
通过深度学习网络获取目标区域中气候偏好信息，并获取当前目标区域中的污染成分数据信息，判断所述目标区域中气候偏好信息是否会导致当前目标区域中的污染成分数据产生化学分解反应；
若所述目标区域中气候偏好信息会导致当前目标区域中的污染成分数据产生化学分解反应，则通过大数据获取产生化学分解反应后的分解产物数据信息；
根据所述产生化学分解反应后的分解产物数据信息调整当前目标区域中的监测项目。
需要说明的是，历史气候数据信息主要包括温度数据，而污染成分数据信息可能存在温度高的情况之下进行分解的情况，由于土壤监测是长时间的监测，分解之后容易产生新的物质，而新的物质用原来的监测设备可能监测不到，因此根据所述产生化学分解反应后的分解产物数据信息调整当前目标区域中的监测项目，通过本方法能进一步提高土壤监测的合理性。
本发明第二方面提供了一种污染场地监测设备的管理系统4，管理系统4包括存储器41以及处理器62，存储器41中包括污染场地监测设备的管理方法程序，污染场地监测设备的管理方法程序被处理器62执行时，实现如下步骤：
获取目标区域中监测设备所监测的污染类型数据信息，并根据污染类型数据信息构建监测设备损伤预测模型；
根据监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于评估结果获取目标区域中监测设备的损伤情况数据；
根据目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备；
获取目标区域中的修复工程进度数据信息，并根据修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。
在本实施例中，获取目标区域中监测设备所监测的污染类型数据信息，根据污染类型数据信息构建监测设备损伤预测模型，具体包括：
获取目标区域中监测设备所监测的污染类型数据信息，根据目标区域中监测设备所监测的污染类型数据信息结合时间戳生成基于时间序列的污染类型数据信息，并获取每一时间戳对应监控设备的损伤数据信息；
基于深度学习网络构建监测设备损伤预测模型，通过对每一时间戳对应监控设备的损伤数据信息输入到卷积层中，并在卷积层中引入线性判别算法对每一时间戳对应监控设备的损伤数据信息进行降维处理，获取类间散射矩阵以及类内散射矩阵；
根据类间散射矩阵以及类内散射矩阵进行数据转换，生成协方差矩阵，并引入奇异值分解算法对协方差矩阵进行特征值分解，生成特征向量矩阵；
通过将特征向量矩阵输入到池化层以及全连接层中，通过输出向量识别，通过Softmax 进行分类，保存模型参数，输出监测设备损伤预测模型。
在本实施例中，获取目标区域中的修复工程进度数据信息，根据修复工程进度数据信息生成监测设备智能调度结果，具体包括：
若目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取当前目标区域中土壤修复设备的历史平均修复速度数据以及获取目标区域中土壤的污染浓度数据信息；根据目标区域中土壤的污染浓度数据信息以及历史平均修复速度数据计算出当前土壤污染区域的完成预估时间信息；
获取当前土壤污染监测设备达到预设损伤情况的预估时间数据，当完成预估时间信息大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则将当前监测设备作为不可调度的监测设备；
当完成预估时间信息不大于当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则根据完成预估时间信息以及当前土壤污染监测设备达到预设损伤情况的预估时间数据计算出时间差值；
当时间差值大于预设时间差值时，则将该监测设备作为可调度的监测设备，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备，并根据可调度的监测设备生成监测设备智能调度结果。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包含污染场地监测设备的管理方法程序，污染场地监测设备的管理方法程序被处理器执行时，实现任一项污染场地监测设备的管理方法中的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种污染场地监测设备的管理方法，其特征在于，包括以下步骤：
获取目标区域中监测设备所监测的污染类型数据信息，并根据所述污染类型数据信息构建监测设备损伤预测模型；
根据所述监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于所述评估结果获取目标区域中监测设备的损伤情况数据；
根据所述目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备；
获取目标区域中的修复工程进度数据信息，并根据所述修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果。
2.根据权利要求1所述的一种污染场地监测设备的管理方法，其特征在于，获取目标区域中监测设备所监测的污染类型数据信息，根据所述污染类型数据信息构建监测设备损伤预测模型，具体包括：
获取目标区域中监测设备所监测的污染类型数据信息，根据所述目标区域中监测设备所监测的污染类型数据信息结合时间戳生成基于时间序列的污染类型数据信息，并获取每一时间戳对应监控设备的损伤数据信息；
基于深度学习网络构建监测设备损伤预测模型，通过对所述每一时间戳对应监控设备的损伤数据信息输入到卷积层中，并在卷积层中引入线性判别算法对所述每一时间戳对应监控设备的损伤数据信息进行降维处理，获取类间散射矩阵以及类内散射矩阵；
根据所述类间散射矩阵以及类内散射矩阵进行数据转换，生成协方差矩阵，并引入奇异值分解算法对所述协方差矩阵进行特征值分解，生成特征向量矩阵；
通过将所述特征向量矩阵输入到池化层以及全连接层中，通过输出向量识别，通过Softmax 进行分类，保存模型参数，输出监测设备损伤预测模型。
3.根据权利要求1所述的一种污染场地监测设备的管理方法，其特征在于，根据所述监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于所述评估结果获取目标区域中监测设备的损伤情况数据，具体以下步骤：
获取目标区域中监测设备的当前污染类型数据信息，根据所述监测设备损伤预测模型以及目标区域中监测设备的当前污染类型数据信息获取每一监测设备的损伤情况；
判断所述每一监测设备的损伤情况高于预设损伤情况，若所述损伤情况高于预设损伤情况，并将所述损伤情况高于预设损伤情况的监测设备作为待维护的监测设备；
若所述损伤情况不高于预设损伤情况，则获取所述损伤情况不高于预设损伤情况的监测设备，并根据所述损伤情况不高于预设损伤情况的监测设备以及所述监测设备损伤预测模型进行预估，获取该监测设备达到预设损伤情况的预估时间数据；
根据所述损伤情况高于预设损伤情况的监测设备作为待维护的监测设备以及监测设备达到预设损伤情况的预估时间数据生成目标区域中监测设备的损伤情况数据。
4.根据权利要求1所述的一种污染场地监测设备的管理方法，其特征在于，根据所述目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，具体包括：
若所述目标区域中监测设备的损伤情况高于预设损伤情况时，则获取损伤情况高于预设损伤情况的监测设备所在的地理位置信息，将该地理位置信息标记为待替换点；
获取待替换点的污染分布区域调查数据，并根据所述待替换点的污染分布区域调查数据进行新监测设备进行重新布点，生成相应的损伤维护建议；
若所述目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取每一监测设备的损伤情况，并通过大数据网络根据所述每一监测设备的损伤情况进行检索；
通过检索，获取每一监测设备的修复建议，并根据所述每一监测设备的修复建议生成相应的损伤维护建议。
5.根据权利要求1所述的一种污染场地监测设备的管理方法，其特征在于，获取目标区域中的修复工程进度数据信息，并根据所述修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果，具体包括：
若所述目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取当前目标区域中土壤修复设备的历史平均修复速度数据以及获取目标区域中土壤的污染浓度数据信息，根据所述目标区域中土壤的污染浓度数据信息以及历史平均修复速度数据计算出当前土壤污染区域的完成预估时间信息；
获取当前土壤污染监测设备达到预设损伤情况的预估时间数据，当所述完成预估时间信息大于所述当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则将当前监测设备作为不可调度的监测设备；
当所述完成预估时间信息不大于所述当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则根据所述完成预估时间信息以及当前土壤污染监测设备达到预设损伤情况的预估时间数据计算出时间差值；
当所述时间差值大于预设时间差值时，则将该监测设备作为可调度的监测设备，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备，并根据所述可调度的监测设备生成监测设备智能调度结果。
6.根据权利要求5所述的一种污染场地监测设备的管理方法，其特征在于，根据所述可调度的监测设备生成监测设备智能调度结果，具体包括以下步骤：
获取目标区域中可调度的监测设备所在的地理位置信息以及目标区域中需要增添或替换监测设备所在的地理位置信息，并根据所述目标区域中可调度的监测设备所在的地理位置信息以及目标区域中需要增添或替换监测设备所在的地理位置信息生成每一可调度的监测设备的调度路径；
在解空间中均匀产生若干个染色体个体，并设置每一个染色体个体的维度，生成初代种群，并确定种群规模以及最大进化代数，对选择比例、交叉概率、变异概率进行初始化，基于所述调度路径对所述初代种群中每一染色体进行快速非支配排序和拥挤度计算；
对所述初代种群进行选择、交叉、变异操作，以获取下一代种群，将所述初代种群以及所述下一代种群合并，以获取新种群，基于所述调度路径，对所述新种群中每一个所述染色体个体进行快速非支配排序和拥挤度的计算，对所述新种群选择符合条件的个体来组成新初代种群；
确定演化过程的进化代数，若所述进化代数小于所述最大进化代数，则所述进化代数的数量加一，并转至所述对所述初代种群进行选择、交叉、变异操作，以获得下一代种群，若所述进化代数大于所述最大进化代数，则中止迭代并输出可调度的监测设备的调度路径，生成监测设备智能调度结果。
7.一种污染场地监测设备的管理系统，其特征在于，所述管理系统包括存储器以及处理器，所述存储器中包括污染场地监测设备的管理方法程序，所述污染场地监测设备的管理方法程序被处理器执行时，实现如下步骤：
获取目标区域中监测设备所监测的污染类型数据信息，并根据所述污染类型数据信息构建监测设备损伤预测模型；
根据所述监测设备损伤预测模型对目标区域中监测设备的损伤情况进行评估，获取评估结果，并基于所述评估结果获取目标区域中监测设备的损伤情况数据；
根据所述目标区域中监测设备的损伤情况数据生成相应的损伤维护建议，并获取损伤情况低于预设损伤情况的监测设备；
获取目标区域中的修复工程进度数据信息，并根据所述修复工程进度数据信息生成监测设备智能调度结果。
8.根据权利要求7所述的一种污染场地监测设备的管理系统，其特征在于，获取目标区域中监测设备所监测的污染类型数据信息，根据所述污染类型数据信息构建监测设备损伤预测模型，具体包括：
获取目标区域中监测设备所监测的污染类型数据信息，根据所述目标区域中监测设备所监测的污染类型数据信息结合时间戳生成基于时间序列的污染类型数据信息，并获取每一时间戳对应监控设备的损伤数据信息；
基于深度学习网络构建监测设备损伤预测模型，通过对所述每一时间戳对应监控设备的损伤数据信息输入到卷积层中，并在卷积层中引入线性判别算法对所述每一时间戳对应监控设备的损伤数据信息进行降维处理，获取类间散射矩阵以及类内散射矩阵；
根据所述类间散射矩阵以及类内散射矩阵进行数据转换，生成协方差矩阵，并引入奇异值分解算法对所述协方差矩阵进行特征值分解，生成特征向量矩阵；
通过将所述特征向量矩阵输入到池化层以及全连接层中，通过输出向量识别，通过Softmax 进行分类，保存模型参数，输出监测设备损伤预测模型。
9.根据权利要求7所述的一种污染场地监测设备的管理系统，其特征在于，获取目标区域中的修复工程进度数据信息，并根据所述修复工程进度数据信息以及损伤情况低于预设损伤情况的监测设备生成监测设备智能调度结果，具体包括：
若所述目标区域中监测设备的损伤情况不高于预设损伤情况时，则获取当前目标区域中土壤修复设备的历史平均修复速度数据以及获取目标区域中土壤的污染浓度数据信息；根据所述目标区域中土壤的污染浓度数据信息以及历史平均修复速度数据计算出当前土壤污染区域的完成预估时间信息；
获取当前土壤污染监测设备达到预设损伤情况的预估时间数据，当所述完成预估时间信息大于所述当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则将当前监测设备作为不可调度的监测设备；
当所述完成预估时间信息不大于所述当前土壤污染监测设备达到预设损伤情况的预估时间数据时，则根据所述完成预估时间信息以及当前土壤污染监测设备达到预设损伤情况的预估时间数据计算出时间差值；
当所述时间差值大于预设时间差值时，则将该监测设备作为可调度的监测设备，当时间差值不大于预设时间差值时，则将监测设备作为不可调度的监测设备，并根据所述可调度的监测设备生成监测设备智能调度结果。
10.一种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包含污染场地监测设备的管理方法程序，所述污染场地监测设备的管理方法程序被处理器执行时，实现如权利要求1—6任一项所述的污染场地监测设备的管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645110.2A CN116384775B (zh) | 2023-06-02 | 2023-06-02 | 一种污染场地监测设备的管理方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645110.2A CN116384775B (zh) | 2023-06-02 | 2023-06-02 | 一种污染场地监测设备的管理方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384775A true CN116384775A (zh) | 2023-07-04 |
| CN116384775B CN116384775B (zh) | 2023-08-01 |
Family
ID=86971484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310645110.2A Active CN116384775B (zh) | 2023-06-02 | 2023-06-02 | 一种污染场地监测设备的管理方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384775B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116700016A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100100337A1 (en) * | 2008-10-16 | 2010-04-22 | Oxfordian, Llc | Method to extract parameters from in-situ monitored signals for prognostices |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| US20200034785A1 (en) * | 2018-07-27 | 2020-01-30 | The Heil Co. | Refuse contamination analysis |
| US11109194B1 (en) * | 2020-06-27 | 2021-08-31 | Sas Institute Inc. | Location network analysis tool for predicting contamination change |
| CN115081945A (zh) * | 2022-07-25 | 2022-09-20 | 天津市地质研究和海洋地质中心 | 一种地下水环境监测井的损伤监测与评估方法及系统 |
| CN115859729A (zh) * | 2022-12-13 | 2023-03-28 | 中海石油(中国)有限公司 | 基于深度学习的水下井口系统疲劳损伤评估方法及装置 |
| CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
-
2023
- 2023-06-02 CN CN202310645110.2A patent/CN116384775B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100100337A1 (en) * | 2008-10-16 | 2010-04-22 | Oxfordian, Llc | Method to extract parameters from in-situ monitored signals for prognostices |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| US20200034785A1 (en) * | 2018-07-27 | 2020-01-30 | The Heil Co. | Refuse contamination analysis |
| US11109194B1 (en) * | 2020-06-27 | 2021-08-31 | Sas Institute Inc. | Location network analysis tool for predicting contamination change |
| CN115081945A (zh) * | 2022-07-25 | 2022-09-20 | 天津市地质研究和海洋地质中心 | 一种地下水环境监测井的损伤监测与评估方法及系统 |
| CN115859729A (zh) * | 2022-12-13 | 2023-03-28 | 中海石油(中国)有限公司 | 基于深度学习的水下井口系统疲劳损伤评估方法及装置 |
| CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| SERGIO COFRE-MARTEL: "Deep Convolutional Neural Network-Based Structural Damage Localization and Quantification Using Transmissibility Data", VIBRATION-BASED HEALTH MONITORING OF MECHANICAL SYSTEMS * |
| TONGWEI LIU ETC.: "A Data-Driven Damage Identification Framework Based on Transmissibility Function Datasets and One-Dimensional Convolutional Neural Networks：Verification on Structural Health Monitoring Benchmark Structure", SENSOR 2020, vol. 20, no. 04 * |
| 李书鹏等: "污染场地原位热修复技术与能效分析", 地学前缘, vol. 29, no. 03 * |
| 程树林等: "基于HBase的污染源监控数据存储系统实现方法研究", 计算机应用与软件, no. 10 * |
| 罗娜等: "基于空间插值的土壤重金属污染评估分析系统设计与实现", 食品安全质量检测学报, no. 02 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116700016A (zh) * | 2023-08-07 | 2023-09-05 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
| CN116700016B (zh) * | 2023-08-07 | 2023-09-29 | 北京建工环境修复股份有限公司 | 一种六价铬污染场地修复设备的管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384775B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116186566B (zh) | 基于深度学习的扩散预测方法及系统 | |
| CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
| Luna et al. | Prediction of ozone concentration in tropospheric levels using artificial neural networks and support vector machine at Rio de Janeiro, Brazil | |
| CN110796299A (zh) | 一种雷电预测方法 | |
| CN116385689A (zh) | 一种场地污染数据的可视化信息管理方法、系统及介质 | |
| CN116384754B (zh) | 一种基于深度学习的在产化工园区环境污染风险评估方法 | |
| CN116384775B (zh) | 一种污染场地监测设备的管理方法、系统及存储介质 | |
| CN116153437B (zh) | 一种饮用水源的水质安全评价与水质预测方法及系统 | |
| CN116384776B (zh) | 基于模糊评价的场地污染评估方法、系统及存储介质 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| Casallas et al. | Long short-term memory artificial neural network approach to forecast meteorology and PM 2.5 local variables in Bogotá, Colombia | |
| CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
| CN113033861A (zh) | 一种基于时间序列模型的水质预测方法及系统 | |
| CN116485202B (zh) | 一种基于物联网工业污染实时监测方法及系统 | |
| CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及系统 | |
| CN112884008A (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
| Lee et al. | An efficient prediction for heavy rain from big weather data using genetic algorithm | |
| CN106919645A (zh) | 复杂地貌大景区的景点气象要素智能精细预测方法 | |
| CN116109462A (zh) | 一种自然灾害后饮水水源地污染监测预警方法及系统 | |
| CN116189010B (zh) | 一种基于卫星图谱的矿山生态识别预警方法及系统 | |
| CN113688506A (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
| CN117332815A (zh) | 一种工业园区大气污染的预测方法及预测预警系统 | |
| CN116433017A (zh) | 土壤重金属污染评估方法、装置、设备及存储介质 | |
| CN113537607B (zh) | 停电预测方法 | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |