CN116434466A - 一种基于多传感器的预警分级处理方法 - Google Patents
一种基于多传感器的预警分级处理方法 Download PDFInfo
- Publication number
- CN116434466A CN116434466A CN202211620965.1A CN202211620965A CN116434466A CN 116434466 A CN116434466 A CN 116434466A CN 202211620965 A CN202211620965 A CN 202211620965A CN 116434466 A CN116434466 A CN 116434466A
- Authority
- CN
- China
- Prior art keywords
- early warning
- sensor
- data
- warning
- reporting
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 21
- 238000002474 experimental method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 9
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 9
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 9
- 239000001257 hydrogen Substances 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000009825 accumulation Methods 0.000 claims description 29
- 230000001066 destructive effect Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 150000002431 hydrogen Chemical class 0.000 claims description 5
- 239000007789 gas Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种基于多传感器的预警分级处理方法，包括：建立专用实验舱，搜集预警鉴别数据集；所述专用实验舱包括粒子浓度传感器、电气火灾传感器、氢气传感器、一氧化碳传感器；使用云平台搜集实验数据，进行建模和分析；在预警系统中对预警信息进行甄别和分级；进行预警上报用户的决策；进行分级预警的展示及处理。本发明通过分级甄别和时间窗口，可以有效剔除大量虚警；通过分级展示，系统可以迅速筛选关键告警，帮助工作人员将注意力集中在重要问题的解决上。
Description
技术领域
本发明涉及火灾预警技术领域，尤其涉及一种基于多传感器的预警分级处理方法。
背景技术
现有预警系统都需要搜集火灾特征进行分析预测，其特征数据选取多聚焦于若干特定场景，比如置于60~100℃下的木材（CN113538838A，文物建筑热解粒子特征识别的电气火灾监控方法），又如明确处于较大规模阴燃的实验场景（CN104766433A，基于数据融合的电气火灾报警系统，表3 标准阴燃火实验数据），这些技术对早早期的隐患发现没有涉及，而在现有火灾预警系统中，最多的误报出现在早早期环节，故此时风险的准确识别，是现有技术的一个痛点，未能得到解决。
现有的消防预警系统需要处理大量异常场景，对各种情况进行预警。各类预警信息涉及不同场景，不同风险敞口和发生预期，在告警的日常处理中会占用工作人员大量时间和精力。特别是大量虚警和非关键告警信息会淹没重要告警，耽误问题的解决。在实际工作中，对告警进行真伪鉴别并对处理紧迫程度进行分级管理是一个亟待解决的主要矛盾。
因此，本领域的技术人员致力于开发一种基于多传感器的预警分级处理方法，以克服现有技术存在的问题。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何提供一种基于多传感器的预警分级处理方法，以解决火灾预警系统中上报告警虚警多，难以识别重点问题，工作效率低的问题。
为实现上述目的，本发明提供了一种基于多传感器的预警分级处理方法，包括以下步骤：
步骤1、 建立专用实验舱，搜集预警鉴别数据集；所述专用实验舱包括粒子浓度传感器、电气火灾传感器、氢气传感器、一氧化碳传感器；
步骤2、 使用云平台搜集实验数据，进行建模和分析；
步骤3、 在预警系统中对预警信息进行甄别和分级；
步骤4、 进行预警上报用户的决策；
步骤5、 进行分级预警的展示及处理。
进一步地，所述步骤1中的所述搜集预警鉴别数据集包括：通过粒子浓度传感器收集粒子浓度浓度数据和温度数据；通过电气火灾传感器搜集电流、电压和导线温度；通过氢气传感器搜集氢气浓度；通过一氧化碳传感器搜集一氧化碳浓度。
进一步地，所述步骤2包括以下步骤：
步骤2.1、 获得单传感器预警分级：
常态数据建模；
破坏性试验标注数据建模；
设置预警阈值；
步骤2.2、 传感器逻辑组合，形成决策树：
定义组合设备数据结构；
参照所述单传感器的所述预警阈值设置单项判断算法；
按环境判断和本征判断进行交叉的原则建立决策树，对结果进行综合判断。
进一步地，所述步骤3包括将常态数据作为参考模型，对比新环境数据，按预设的分段阈值和时间窗口累积的方式插入各传感器预警堆栈。
进一步地，所述步骤3具体包括以下步骤：
步骤3.1、 根据预设的分段阈值分别设定预警累积点，所述预警累积点包括蓝色预警累积点、黄色预警累积点、橙色预警累积点、红色预警累积点；
步骤3.2、 根据蓝色预警累积点判断是否存在连续X1个上报时间点符合标准，若存在，则记录一个蓝色预警；
步骤3.3、 根据黄色预警累积点判断是否存在连续X2个上报时间点符合标准，若存在，则记录一个黄色预警；
步骤3.4、 根据橙色预警累积点判断是否存在连续X3个上报时间点符合标准，若存在，则记录一个橙色预警；
步骤3.5、 根据红色预警累积点判断是否存在连续X4个上报时间点符合标准，若存在，则记录一个红色预警；
步骤3.6、 在预设的各级预警的时间窗口内对上报数据进行累积预警，当预警数量达到预设的累积数量时，则将本级预警升级；
其中，X1、X2、X3、X4为可调门控阈值。
进一步地，所述步骤4中所述预警上报用户的决策包括：
单个传感器蓝色预警、黄色预警、橙色预警只记录不上报；
单个传感器出现红色预警不上报；
粒子浓度和电气火灾数据同时大于等于橙色预警上报用户；
粒子浓度和气体数据同时大于等于橙色预警上报用户。
进一步地，所述步骤5中所述分级预警的展示包括：
每个预警具备颜色标签，按照颜色分类汇总展示；
按照传感器名称或识别号、传感器部署区域、预警发生时间对预警进行查询；
对于以时间窗累积方式升级的预警，展示级联关系，以便和直接达到阈值产生的预警相互区别。
进一步地，所述步骤5中所述分级预警的处理包括：
填入预警的问题根因和处理方式，以便对传感器数据进行标注；
将问题根因和处理方式存储入数据库，作为长期记录。
进一步地，所述步骤3.1中所述预设的分段阈值包括历史统计的常态高点、常态数据中异常数据75%分位点、破坏性实验标注“测试人群可感知”的采样取均值、破坏性实验陡增曲线的75%分位均值。
进一步地，所述步骤4还包括以下步骤：
用破坏性实验数据建立的LSTM模型预估未来T时间的情况，如后继上报数据符合预测上升趋势，立即上报红色预警到用户。
本发明的有益效果在于：
(1) 通过分级甄别和时间窗口，可以有效剔除大量虚警，比如启动瞬间电流波动，外部施工烟尘干扰等。
(2) 通过分级展示，系统可以迅速筛选关键告警，帮助工作人员将注意力集中在重要问题的解决上。如某局点通过筛选，指出一个持续漏电问题，通过排查解决了一个施工遗留的接线错误。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的流程图；
图2是本发明的一个较佳实施例的实验舱示意图；
图3是本发明的一个较佳实施例的常态建模示意图；
图4是本发明的一个较佳实施例的异常测试数据采样示意图；
图5是本发明的一个较佳实施例的系统架构图。
具体实施方式
以下参考说明书附图介绍本发明的优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
本发明提供了一种基于多传感器的预警分级处理方法，具体步骤如下：
S1、建立专用实验舱，包含下述各类传感器，搜集预警鉴别数据集；
通过粒子浓度传感器收集粒子浓度浓度数据和温度数据；
通过电气火灾传感器搜集电流、电压和导线温度；
通过H2传感器搜集氢气浓度；
通过CO传感器搜集一氧化碳浓度；
S2、使用云平台搜集实验数据，进行建模和分析工作；
S3、在预警系统中对预警信息进行甄别和分级，具体手段如下：
a) 将常态数据作为参考模型，取常态模型上限为TopLimit（上限数据，后简称TL）对比新环境数据，按下面描述的分段阈值和时间窗口累积的方式插入各传感器预警堆栈；
b) 150%–200% TL作为蓝色预警累积点，连续X1个上报时间点符合标准，记录一个蓝警；24小时内每累积Y1个蓝警升级一个黄警；
c) 200%–300% TL作为黄色预警累积点，连续X2个上报时间点符合标准，记录一个黄警；24小时内每累积Y2个黄警升级一个橙警；蓝警，黄警不上报，只记录；
d) 破坏性测试电线，比如PE、PCB这两种常见线皮材料，飙升起点浓度值作为橙警累积点，连续X3个上报时间点符合标准，记录一个橙警；24小时内累积每Y3个橙警升级一个红警；橙色预警需要通知用户，包括由黄色升级的。
e) 破坏性起点和报警器标准预警阈值取均值，作为红警累积点，连续X4个时点上报超过此阈值，立即启动预测。
用破坏性实验数据建立的长短期记忆（Long short-term memory, LSTM）模型预估未来T1分钟的情况，如后继上报数据符合预测上升趋势，立即上报红色预警到用户。
S4、进行预警上报用户的决策；
S5、进行分级预警的展示及处理。
如图2所示是本发明所搭建的实验舱示意图，试验舱10内上部安装有4种传感器11，包括粒子浓度探测器、一氧化碳传感器、氢气传感器和温度传感器，精确控温加热炉12对受试材质13（例如聚氯乙烯绝缘皮）进行各种速率的加热过程测试，试验舱10将数据实时上报中心云平台的测试数据处理模块。
如图3所示，此为正常态对照数据组，横轴分别是1.0/2.5/10 μm粒子浓度及环境温度。
如图4所示，此为木材、纸张、电线等材料的标注数据集，纵轴为浓度数据，横轴为时间线，曲线1、2、3分别为10/2.5/1.0 μm微粒，显示了材料状态，温度和粒子浓度的对照关系，这是本实验舱需要搜集的数据。
本发明重点关注预警分级和用户界面，目的在于提高一线人员工作效率。其有效方式为对预警按照风险敞口和发生几率进行分类，选择紧急重要的预警优先通知用户。系统可以通过已标注数据和预警逐步升级情况对火灾风险进行预判，对风险点给出建议。
1、单传感器预警分级算法获得过程，包括：
常态数据建模；
破坏性试验标注数据建模；
设置预警阈值；
2、传感器逻辑组合，形成决策树：
定义组合设备数据结构；
参照上述单传感器阈值设置单项判断算法；
按环境判断和本征判断进行交叉的原则建立决策树，对结果进行综合判断；
3、黄橙红分级预警分级（以浓度传感器为例）
3.1. 预警阈值定义：
a) 50，历史统计的常态高点；
b) 181，常态数据中异常数据75%分位点；
c) 251，破坏性实验标注“人可确定感知”的采样取均值；
d) 500，是破坏性实验陡增曲线的75%分位均值。
e) 综上得到蓝黄橙红分段点：蓝-50-黄-181-橙-251-红-500，即为50以下为蓝色情况，通常可以视为常态，可以忽略，也可以设置一个下限，比如40，记录具体蓝色预警。其余50-181段记录黄警；181-251记录橙警；251-500记录红警；超过500的情况为存在人可感知的烟雾或异味，归入红警处理，此时需要立即通知用户。
3.2. 粒子浓度：设定时间窗口为C个（默认3分钟一个原子窗口，可配置）对上报数据累积预警x，预设累积数量Y(Y<=x)则本级清零上级加一（蓝色不需要累积升级，黄橙红预警信息需要体现报警递增关联）；
以3分钟一个原子时间窗口为例，各级预警的时间窗口为：（蓝，黄，橙，红）（3*C,3*C^2, 3*C^3, 3*C^4）
对于电气火灾和气体传感器，按原定阈值上报，需要设定时间窗口，累积N个周期（可配置）才做预警（初步按原有阈值设置，按连续上报次数设定分级，（蓝，黄，橙，红）（暂设2^M次，M=1, 2, 3, 4））
4、预警上报用户的决策：
4.1. 单个传感器蓝、黄、橙只记录不上报；
4.2. 单个传感器出现红警不上报；
4.3. 粒子浓度和电气火灾同时>=橙色警需要上报用户；
4.4. 粒子浓度和气体同时>=橙色警需要通知用户；
5、黄橙红分级预警展示方式
5.1 每个预警具备颜色标签，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，用点击具体预警后在右侧明细窗口中显示预警详细内容；
5.2 除颜色标签外，预警可以按照传感器（名称，识别号），传感器部署区域（如茶水间，仓库），预警发生时间进行查询；
5.3 对于以时间窗累积方式升级的预警，可展示级联关系，以便和直接达到阈值产生的预警相互区别，预警表述中也体现这种关联关系；（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）
5.4 工作人员对预警进行处理后，系统严格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。
5.5 问题根因和处理方式可入库存储，作为长期记录。
如图5所示是本发明的系统架构图，实验舱训练模型部署在传感器侧边缘云中。
实时实验数据通过传感器采集上报；
实验模型的训练及迭代在安全云完成；
实验数据的汇聚和算法的部署由边缘云和安全云配合完成。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于多传感器的预警分级处理方法，其特征在于，包括以下步骤：
步骤1、 建立专用实验舱，搜集预警鉴别数据集；所述专用实验舱包括粒子浓度传感器、电气火灾传感器、氢气传感器、一氧化碳传感器；
步骤2、 使用云平台搜集实验数据，进行建模和分析；
步骤3、 在预警系统中对预警信息进行甄别和分级；
步骤4、 进行预警上报用户的决策；
步骤5、 进行分级预警的展示及处理。
2.如权利要求1所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤1中的所述搜集预警鉴别数据集包括：通过粒子浓度传感器收集粒子浓度浓度数据和温度数据；通过电气火灾传感器搜集电流、电压和导线温度；通过氢气传感器搜集氢气浓度；通过一氧化碳传感器搜集一氧化碳浓度。
3.如权利要求2所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1、 获得单传感器预警分级：
常态数据建模；
破坏性试验标注数据建模；
设置预警阈值；
步骤2.2、 传感器逻辑组合，形成决策树：
定义组合设备数据结构；
参照所述单传感器的所述预警阈值设置单项判断算法；
按环境判断和本征判断进行交叉的原则建立决策树，对结果进行综合判断。
4.如权利要求3所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤3包括将常态数据作为参考模型，对比新环境数据，按预设的分段阈值和时间窗口累积的方式插入各传感器预警堆栈。
5.如权利要求4所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1、 根据预设的分段阈值分别设定预警累积点，所述预警累积点包括蓝色预警累积点、黄色预警累积点、橙色预警累积点、红色预警累积点；
步骤3.2、 根据蓝色预警累积点判断是否存在连续X1个上报时间点符合标准，若存在，则记录一个蓝色预警；
步骤3.3、 根据黄色预警累积点判断是否存在连续X2个上报时间点符合标准，若存在，则记录一个黄色预警；
步骤3.4、 根据橙色预警累积点判断是否存在连续X3个上报时间点符合标准，若存在，则记录一个橙色预警；
步骤3.5、 根据红色预警累积点判断是否存在连续X4个上报时间点符合标准，若存在，则记录一个红色预警；
步骤3.6、 在预设的各级预警的时间窗口内对上报数据进行累积预警，当预警数量达到预设的累积数量时，则将本级预警升级；
其中，X1、X2、X3、X4为可调门控阈值。
6.如权利要求5所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤4中所述预警上报用户的决策包括：
单个传感器蓝色预警、黄色预警、橙色预警只记录不上报；
单个传感器出现红色预警不上报；
粒子浓度和电气火灾数据同时大于等于橙色预警上报用户；
粒子浓度和气体数据同时大于等于橙色预警上报用户。
7.如权利要求6所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤5中所述分级预警的展示包括：
每个预警具备颜色标签，按照颜色分类汇总展示；
按照传感器名称或识别号、传感器部署区域、预警发生时间对预警进行查询；
对于以时间窗累积方式升级的预警，展示级联关系，以便和直接达到阈值产生的预警相互区别。
8.如权利要求7所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤5中所述分级预警的处理包括：
填入预警的问题根因和处理方式，以便对传感器数据进行标注；
将问题根因和处理方式存储入数据库，作为长期记录。
9.如权利要求5所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤3.1中所述预设的分段阈值包括历史统计的常态高点、常态数据中异常数据75%分位点、破坏性实验标注“测试人群可感知”的采样取均值、破坏性实验陡增曲线的75%分位均值。
10.如权利要求6所述的基于多传感器的预警分级处理方法，其特征在于，所述步骤4还包括以下步骤：
用破坏性实验数据建立的LSTM模型预估未来T时间的情况，如后继上报数据符合预测上升趋势，立即上报红色预警到用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211620965.1A CN116434466A (zh) | 2022-12-16 | 2022-12-16 | 一种基于多传感器的预警分级处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211620965.1A CN116434466A (zh) | 2022-12-16 | 2022-12-16 | 一种基于多传感器的预警分级处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116434466A true CN116434466A (zh) | 2023-07-14 |
Family
ID=87084312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211620965.1A Pending CN116434466A (zh) | 2022-12-16 | 2022-12-16 | 一种基于多传感器的预警分级处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116434466A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704735A (zh) * | 2023-08-08 | 2023-09-05 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
-
2022
- 2022-12-16 CN CN202211620965.1A patent/CN116434466A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704735A (zh) * | 2023-08-08 | 2023-09-05 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
| CN116704735B (zh) * | 2023-08-08 | 2023-11-03 | 湖南江河能源科技股份有限公司 | 一种水电站智能报警方法、系统、终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108965340B (zh) | 一种工业控制系统入侵检测方法及系统 | |
| CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
| CN116434466A (zh) | 一种基于多传感器的预警分级处理方法 | |
| CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理系统及其实现方法 | |
| CN108449366B (zh) | 基于人工智能的关键信息基础设施安全威胁情报分析系统 | |
| CN111464793B (zh) | 一种基于人工智能对实验装置进行监控预警的方法和系统 | |
| CN109361260A (zh) | 一种电力系统故障智能监控及判断方法 | |
| CN113536440A (zh) | 一种基于bim运维管理系统的数据处理方法 | |
| CN111476979A (zh) | 一种基于多模型分析的智能安保维稳方法及系统 | |
| CN111044845B (zh) | 基于Apriori算法的配电网事故识别方法及系统 | |
| CN104574729B (zh) | 一种报警方法、装置及系统 | |
| KR101281460B1 (ko) | 통계적 공정 관리도를 이용하여 이상증후를 탐지하는 방법 | |
| CN115146726A (zh) | 一种基于机器学习的智能运维中kpi异常预警方法 | |
| CN106713492A (zh) | 一种基于云计算的垃圾中转站监控系统及监控方法 | |
| CN116434459A (zh) | 一种基于多传感器微环境异常识别系统 | |
| CN117277566A (zh) | 基于大数据的电网数据分析电力调度系统及方法 | |
| CN116614313A (zh) | 一种基于数据识别的网络入侵防护系统及方法 | |
| CN116956148A (zh) | 一种电力系统数据交互安全威胁信息分析方法 | |
| CN116895128A (zh) | 校园行为综合预警系统 | |
| CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 | |
| CN108650124A (zh) | 一种基于WebGIS的电网通信预警系统 | |
| CN111813922B (zh) | 一种基于微博文本数据的高温事件检测方法及系统 | |
| CN107844383B (zh) | 一种基于站控层信息与录波文件融合模型的故障分析方法 | |
| CN116010837A (zh) | 基于多传感器的本体监测破坏性测试数据标注与建模方法 | |
| CN117373198B (zh) | 一种停车场警报监控方法、装置及存储介质 |
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 |