CN116434459A - 一种基于多传感器微环境异常识别系统 - Google Patents
一种基于多传感器微环境异常识别系统 Download PDFInfo
- Publication number
- CN116434459A CN116434459A CN202211604227.8A CN202211604227A CN116434459A CN 116434459 A CN116434459 A CN 116434459A CN 202211604227 A CN202211604227 A CN 202211604227A CN 116434459 A CN116434459 A CN 116434459A
- Authority
- CN
- China
- Prior art keywords
- sensor
- module
- data
- layer
- management
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 14
- 230000001066 destructive effect Effects 0.000 claims abstract description 24
- 238000003066 decision tree Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims abstract description 4
- 238000000197 pyrolysis Methods 0.000 claims abstract description 4
- 230000007613 environmental effect Effects 0.000 claims description 38
- 238000002474 experimental method Methods 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000008447 perception Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 2
- 238000009825 accumulation Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000014860 sensory perception of taste Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
- G08B17/117—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means by using a detection device for specific gases, e.g. combustion products, produced by the fire
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及消防预警技术领域,且公开了一种基于多传感器微环境异常识别系统,包括展示层、应用层、平台层、网络层和感知层,所述感知层包括多个传感器和智能空气开关,且传感器包括热解粒子传感器、电气火灾传感器、气体传感器、温度传感器、湿度传感器消防水压传感器,所述网络层包括4G、5G、蓝牙、WiFi、远距离无线电、无线网卡的一种或多种。本发明采用微环境下多传感器配合,通过对每一类传感器常态环境数据进行聚类建模,再结合破坏性实验采样和常态数据上限情况确定分级标签,建立多传感器风险决策树对风险进行预警,可以实现自动化的异常检测,对风险进行早期预警,帮助识别各类火灾隐患。
Description
技术领域
本发明涉及消防预警技术领域,尤其涉及一种基于多传感器微环境异常识别系统。
背景技术
消防隐患已成为城市人民生活的重大安全隐患之一,每年都会有许多大小型的火灾给人民的生命财产造成严重损失,火灾的预防形势刻不容缓,所以各大城市都会定时或随机对居民区及公共场所进行消防设施检查,以确保消防安全。
现有的消防预警系统需要分析大量异常场景,训练算法时需要具备大量已标注的异常场景数据,一方面搜集工作量巨大,更加困难的是有些异常状态难以模拟或者难以准确模拟,这导致真实工作环境的异常情况难以通过实验数据全面覆盖,因此,提出一种基于多传感器微环境异常识别系统显得非常必要。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于多传感器微环境异常识别系统,解决了现有的识别系统异常检测效率较低,自动化性能低,且对风险不能进行早期预警的问题。
(二)技术方案
为了实现上述目的,本发明采用了如下技术方案:
一种基于多传感器微环境异常识别系统,包括展示层、应用层、平台层、网络层和感知层,所述感知层包括多个传感器和智能空气开关,且传感器包括热解粒子传感器、电气火灾传感器、气体传感器、温度传感器、湿度传感器消防水压传感器,所述网络层包括4G、5G、蓝牙、WiFi、远距离无线电、无线网卡的一种或多种,所述平台层算法包括物联网边缘云平台、物联网中心云平台,所述应用层包括安全生产管控平台,且安全生产管控平台包括业务管理模块和设备监测模块,且业务管理模块包括告警处理、隐患管理、智能巡检和智能报表,所述设备监测模块包括数据实时监测、设备联动控制、设备信息管理和安装点位管理,所述展示层包括监控中心和管理员移动终端,所述感知层包括实验模块,实验模块建立破坏性实验舱,且感知层的多个传感器均安装在破坏性实验舱中进行实验模拟,破坏性实验舱中还包括加热炉,加热炉上放置有聚氯乙烯绝缘皮。
在前述方案的基础上,所述电气火灾传感器包括电流传感器、电压传感器和检测导线温度的温度传感器。
进一步的,所述气体传感器包括H2传感器、CO传感器和烟雾传感器。
作为本发明再进一步的方案,所述安全生产管控平台包括数据采集、数据库管理、电子地图、层级权限管理、系统管理、日志管理。
在前述方案的基础上,所述感知层包括标注模块,标注模块对多个传感器稳定环境中采集的常态数据进行标注,包括环境稳定和环境干扰情况下的数据,且标注模块对破坏性实验舱中的破坏性实验数据进行标注,标注时标注实验材料物态变化。
进一步的,所述标注模块连接有分类模块,分类模块把收集的常态数据按照时间、环境温度进行聚类,按照时间聚类时按照年度、季度、月度进行切割聚类,按照环境温度进行聚类时将一年中的环境温度进行聚类,每3-8摄氏度做一个分类对温度数据做聚类,在聚类后进行箱线图分析,剔除异常数值,获取常态上限阈值。
作为本发明再进一步的方案,所述分类模块连接有建模模块、训练模块和决策树,训练模块按照时间聚类进行预测训练,三个周期循环,t-1建模,t数据,预测t+1,使用LSTM算法对常态数据集,异常数据集进行建模,包括按年,按月,按周及按温度聚合,输出4个趋势预测模型,训练时使用4个特征和一个标志列建立预测模型,预测阶段使用t时刻的4个特征值预测t+1时刻的标志列,然后使用去年今日,上月今日,上周今日,去年今日数据,得到当日趋势预测模型置入上述预测算法,预测当日常态趋势和异常趋势,然后通过决策树对预测趋势做箱线图分析,对当前数据应用箱线图上限进行异常判断,使用时间窗口累积判断,如果某一分钟累计设置阈值的异常则上报告警。
本发明的有益效果为:
1.本发明采用微环境下多传感器配合,通过对每一类传感器常态环境数据进行聚类建模,再结合破坏性实验采样和常态数据上限情况确定分级标签,建立多传感器风险决策树对风险进行预警,可以实现自动化的异常检测,对风险进行早期预警,帮助识别各类火灾隐患。
2.本发明可快速建模,通过常态建模反向判断异常,覆盖面广,通过分级和算法的串联运用,可以极大的减少虚警上报。
3.本发明中,通过分级预警和时间窗累积方式,可以观测出风险发展态势,包括隐患积累和蔓延的趋势。
附图说明
图1为本发明提出的一种基于多传感器微环境异常识别系统的系统框架流程结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。需要说明的是,除非另有明确的规定和限定,术语“安装”、“连接”、“设置”应做广义理解,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本专利中的具体含义。
实施例1
参照图1,一种基于多传感器微环境异常识别系统,包括展示层、应用层、平台层、网络层和感知层,所述感知层包括多个传感器和智能空气开关,且传感器包括热解粒子传感器、电气火灾传感器、气体传感器、温度传感器、湿度传感器消防水压传感器,所述网络层包括4G、5G、蓝牙、WiFi、远距离无线电、无线网卡的一种或多种,所述平台层算法包括物联网边缘云平台、物联网中心云平台,所述应用层包括安全生产管控平台,且安全生产管控平台包括业务管理模块和设备监测模块,且业务管理模块包括告警处理、隐患管理、智能巡检和智能报表,所述设备监测模块包括数据实时监测、设备联动控制、设备信息管理和安装点位管理,所述展示层包括监控中心和管理员移动终端,所述感知层包括实验模块,实验模块建立破坏性实验舱,且感知层的多个传感器均安装在破坏性实验舱中进行实验模拟,破坏性实验舱中还包括加热炉,加热炉上放置有聚氯乙烯绝缘皮,木材,纸张等实验材质,采用微环境下多传感器配合,通过对每一类传感器常态环境数据进行聚类建模,再结合破坏性实验采样和常态数据上限情况确定分级标签,建立多传感器风险决策树对风险进行预警,可以实现自动化的异常检测,对风险进行早期预警,帮助识别各类火灾隐患。
本发明中,电气火灾传感器包括电流传感器、电压传感器和检测导线温度的温度传感器,气体传感器包括H2传感器、CO传感器和烟雾传感器,安全生产管控平台包括数据采集、数据库管理、电子地图、层级权限管理、系统管理、日志管理,感知层包括标注模块,标注模块对多个传感器稳定环境中采集的常态数据进行标注,包括环境稳定和环境干扰情况下的数据,且标注模块对破坏性实验舱中的破坏性实验数据进行标注,标注时标注实验材料物态变化,包括色泽,软化,熔化,人的感知,包括触感温热,灼热,嗅觉无感知,间断轻微异味,明显异味,标注模块连接有分类模块,分类模块把收集的常态数据按照时间、环境温度进行聚类,按照时间聚类时按照年度、季度、月度进行切割聚类,按照环境温度进行聚类时将一年中的环境温度进行聚类,每5摄氏度做一个分类对温度数据做聚类,在聚类后进行箱线图分析,剔除异常数值,获取常态上限阈值,可快速建模,通过常态建模反向判断异常,覆盖面广,通过分级和算法的串联运用,可以极大的减少虚警上报,分类模块连接有建模模块和训练模块,训练模块按照时间聚类进行预测训练,三个周期循环,t-1建模,t数据,预测t+1,使用LSTM算法对常态数据集,异常数据集进行建模,包括按年,按月,按周及按温度聚合,输出4个趋势预测模型,描述LSTM算法,训练时使用4个特征和一个标志列建立预测模型,预测阶段使用t时刻的4个特征值预测t+1时刻的标志列,然后使用去年今日,上月今日,上周今日,去年今日数据,得到当日趋势预测模型置入上述预测算法,预测当日常态趋势和异常趋势,然后对预测趋势做箱线图分析,对当前数据应用箱线图上限进行异常判断,使用时间窗口累积判断,如果某一分钟累计设置阈值的异常则上报告警,通过分级预警和时间窗累积方式,可以观测出风险发展态势,包括隐患积累和蔓延的趋势。
实施例2
参照图1,一种基于多传感器微环境异常识别系统,包括展示层、应用层、平台层、网络层和感知层,所述感知层包括多个传感器和智能空气开关,且传感器包括热解粒子传感器、电气火灾传感器、气体传感器、温度传感器、湿度传感器消防水压传感器,所述网络层包括4G、5G、蓝牙、WiFi、远距离无线电、无线网卡的一种或多种,所述平台层算法包括物联网边缘云平台、物联网中心云平台,所述应用层包括安全生产管控平台,且安全生产管控平台包括业务管理模块和设备监测模块,且业务管理模块包括告警处理、隐患管理、智能巡检和智能报表,所述设备监测模块包括数据实时监测、设备联动控制、设备信息管理和安装点位管理,所述展示层包括监控中心和管理员移动终端,所述感知层包括实验模块,实验模块建立破坏性实验舱,且感知层的多个传感器均安装在破坏性实验舱中进行实验模拟,破坏性实验舱中还包括加热炉,加热炉上放置有聚氯乙烯绝缘皮,木材,纸张等实验材质,采用微环境下多传感器配合,通过对每一类传感器常态环境数据进行聚类建模,再结合破坏性实验采样和常态数据上限情况确定分级标签,建立多传感器风险决策树对风险进行预警,可以实现自动化的异常检测,对风险进行早期预警,帮助识别各类火灾隐患。
本发明中,电气火灾传感器包括电流传感器、电压传感器和检测导线温度的温度传感器,气体传感器包括H2传感器、CO传感器和烟雾传感器,安全生产管控平台包括数据采集、数据库管理、电子地图、层级权限管理、系统管理、日志管理,感知层包括标注模块,标注模块对多个传感器稳定环境中采集的常态数据进行标注,包括环境稳定和环境干扰情况下的数据,且标注模块对破坏性实验舱中的破坏性实验数据进行标注,标注时标注实验材料物态变化,包括色泽,软化,熔化,人的感知,包括触感温热,灼热,嗅觉无感知,间断轻微异味,明显异味,标注模块连接有分类模块,分类模块把收集的常态数据按照时间、环境温度进行聚类,按照时间聚类时按照年度、季度、月度进行切割聚类,按照环境温度进行聚类时将一年中的环境温度进行聚类,每5摄氏度做一个分类对温度数据做聚类,在聚类后进行箱线图分析,剔除异常数值,获取常态上限阈值,可快速建模,通过常态建模反向判断异常,覆盖面广,通过分级和算法的串联运用,可以极大的减少虚警上报,分类模块连接有建模模块和训练模块,训练模块按照时间聚类进行预测训练,三个周期循环,t-1建模,t数据,预测t+1,使用LSTM算法对常态数据集,异常数据集进行建模,包括按年,按月,按周及按温度聚合,输出4个趋势预测模型,描述LSTM算法,训练时使用4个特征和一个标志列建立预测模型,预测阶段使用t时刻的4个特征值预测t+1时刻的标志列,然后使用去年今日,上月今日,上周今日,去年今日数据,得到当日趋势预测模型置入上述预测算法,预测当日常态趋势和异常趋势,然后对预测趋势做箱线图分析,对当前数据应用箱线图上限进行异常判断,使用时间窗口累积判断,如果某一分钟累计设置阈值的异常则上报告警,通过分级预警和时间窗累积方式,可以观测出风险发展态势,包括隐患积累和蔓延的趋势。
把传感器安装在配电箱,电池柜,机柜,文物展厅,地下充电车库等地方,选取上述数据中的常态情况,按时间周期(周,月,季度,年),进行聚类建模,做5分类,取最高值分组作为常态上限数据集,然后对上述常态上限数据集进行均值分段,取75%位数作为常态上限阈值;(黄色预警阈值),对标注的破坏性实验数据进行分析,对材质标注安全使用上限进行标定(如线缆温度70度的阈值标签),此为异常态下限(橙色预警阈值),对破坏性实验中标注为危险可感知(味觉,触觉,电流,气体浓度)的情况定为异常态上限(红色预警),对各类传感器的预警消息建立决策树,对异常进行交叉判断,滤除虚报情况,每个告警需要有颜色标签,可以按照颜色分类汇总展示,比如用户可以直接查询当日所有红色预警,在屏幕左侧以梳状结构展示,按照发生时间排序,用点击具体告警后在右侧明细窗口中显示告警详细内容,除颜色标签外,告警可以按照传感器,传感器部署区域(如茶水间,烟厂),告警发生时间进行查询,对于以时间窗累积方式升级的告警,需要展示级联关系,以便和直接达到阈值产生的告警相互区别,告警表述中也需要体现这种关联关系;(比如强电间由于门口有人吸烟,连续产生若干橙色预警升级为一个红色预警的情况,需要与强电间内吸烟导致直接触发红色预警阈值相互区别),工作人员对告警进行处理后,系统必须要求其填入问题根因和处理方式,以便对传感器数据进行标注。问题根因和处理方式要求入库存储,作为长期记录。
以上所述,仅为本发明较佳的具体实施方式,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,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于多传感器微环境异常识别系统,包括展示层、应用层、平台层、网络层和感知层,其特征在于,所述感知层包括多个传感器和智能空气开关,且传感器包括热解粒子传感器、电气火灾传感器、气体传感器、温度传感器、湿度传感器消防水压传感器,所述网络层包括4G、5G、蓝牙、WiFi、远距离无线电、无线网卡的一种或多种,所述平台层算法包括物联网边缘云平台、物联网中心云平台,所述应用层包括安全生产管控平台,且安全生产管控平台包括业务管理模块和设备监测模块,且业务管理模块包括告警处理、隐患管理、智能巡检和智能报表,所述设备监测模块包括数据实时监测、设备联动控制、设备信息管理和安装点位管理,所述展示层包括监控中心和管理员移动终端,所述感知层包括实验模块,实验模块建立破坏性实验舱,且感知层的多个传感器均安装在破坏性实验舱中进行实验模拟,破坏性实验舱中还包括加热炉,加热炉上放置有聚氯乙烯绝缘皮。
2.根据权利要求1所述的一种基于多传感器微环境异常识别系统,其特征在于,所述电气火灾传感器包括电流传感器、电压传感器和检测导线温度的温度传感器。
3.根据权利要求2所述的一种基于多传感器微环境异常识别系统,其特征在于,所述气体传感器包括H2传感器、CO传感器和烟雾传感器。
4.根据权利要求3所述的一种基于多传感器微环境异常识别系统,其特征在于,所述安全生产管控平台包括数据采集、数据库管理、电子地图、层级权限管理、系统管理、日志管理。
5.根据权利要求1所述的一种基于多传感器微环境异常识别系统,其特征在于,所述感知层包括标注模块,标注模块对多个传感器稳定环境中采集的常态数据进行标注,包括环境稳定和环境干扰情况下的数据,且标注模块对破坏性实验舱中的破坏性实验数据进行标注,标注时标注实验材料物态变化。
6.根据权利要求1所述的一种基于多传感器微环境异常识别系统,其特征在于,所述标注模块连接有分类模块,分类模块把收集的常态数据按照时间、环境温度进行聚类,按照时间聚类时按照年度、季度、月度进行切割聚类,按照环境温度进行聚类时将一年中的环境温度进行聚类,每3-8摄氏度做一个分类对温度数据做聚类,在聚类后进行箱线图分析,剔除异常数值,获取常态上限阈值。
7.根据权利要求1所述的一种基于多传感器微环境异常识别系统,其特征在于,所述分类模块连接有建模模块、训练模块和决策树,训练模块按照时间聚类进行预测训练,三个周期循环,t-1建模,t数据,预测t+1,使用LSTM算法对常态数据集,异常数据集进行建模,包括按年,按月,按周及按温度聚合,输出4个趋势预测模型,训练时使用4个特征和一个标志列建立预测模型,预测阶段使用t时刻的4个特征值预测t+1时刻的标志列,然后使用去年今日,上月今日,上周今日,去年今日数据,得到当日趋势预测模型置入上述预测算法,预测当日常态趋势和异常趋势,然后通过决策树对预测趋势做箱线图分析,对当前数据应用箱线图上限进行异常判断,使用时间窗口累积判断,如果某一分钟累计设置阈值的异常则上报告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604227.8A CN116434459A (zh) | 2022-12-13 | 2022-12-13 | 一种基于多传感器微环境异常识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604227.8A CN116434459A (zh) | 2022-12-13 | 2022-12-13 | 一种基于多传感器微环境异常识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116434459A true CN116434459A (zh) | 2023-07-14 |
Family
ID=87087845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604227.8A Pending CN116434459A (zh) | 2022-12-13 | 2022-12-13 | 一种基于多传感器微环境异常识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434459A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649659A (zh) * | 2023-12-07 | 2024-03-05 | 国网福建省电力有限公司漳浦县供电公司 | 一种基于深度学习的微粒识别方法及电力设备智能运维系统 |
-
2022
- 2022-12-13 CN CN202211604227.8A patent/CN116434459A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649659A (zh) * | 2023-12-07 | 2024-03-05 | 国网福建省电力有限公司漳浦县供电公司 | 一种基于深度学习的微粒识别方法及电力设备智能运维系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113706355A (zh) | 化工园区智慧应急系统搭建方法 | |
CN102866313A (zh) | 电力隧道电缆运行状态综合监控方法 | |
CN104850047A (zh) | 电力设备安全监控系统 | |
CN111354169B (zh) | 一种基于物联网的建筑物安全的监控方法 | |
CN116434459A (zh) | 一种基于多传感器微环境异常识别系统 | |
CN111144782A (zh) | 一种基于gis技术的电力配网设备在线监测系统 | |
CN113793234A (zh) | 基于数字孪生技术的智慧园区平台 | |
CN113536440B (zh) | 一种基于bim运维管理系统的数据处理方法 | |
CN114881808A (zh) | 基于大数据的电力窃电精准识别方法及防窃电系统 | |
CN109490715A (zh) | 一种极端环境下的电力系统故障判别方法 | |
CN113409538A (zh) | 一种智能远程监控预警管理系统 | |
CN114693053A (zh) | 基于ai智能分析检测的风险评估和风险预警系统及方法 | |
CN108731731A (zh) | 一种防雷型安监系统及防雷型安监方法 | |
CN116434466A (zh) | 一种基于多传感器的预警分级处理方法 | |
CN112053533A (zh) | 智慧安全管控方法、装置及计算机存储介质 | |
CN113741354A (zh) | 安全生产监控预警方法、系统以及具有存储功能的装置 | |
CN116546043A (zh) | 电缆隧道巡检人员环境安全监测装置及方法 | |
CN103472192B (zh) | 一种气体传感器智能定位方法 | |
CN115115117A (zh) | 基于区块链的智慧处理分析系统 | |
CN115408941A (zh) | 基于多源数据的火情智能预警系统 | |
CN203965917U (zh) | 高危区工作远程监视系统 | |
CN114021896A (zh) | 一种智慧社区综合管理预警系统 | |
CN104111646B (zh) | 高压带电作业区域安防监控系统 | |
CN113188599A (zh) | 一种智慧小区环境监测系统 | |
CN203965918U (zh) | 重要区域环境信息采集系统 |
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 |