CN116558574A - 基于大数据的气站安全监测方法和装置 - Google Patents
基于大数据的气站安全监测方法和装置 Download PDFInfo
- Publication number
- CN116558574A CN116558574A CN202310785207.3A CN202310785207A CN116558574A CN 116558574 A CN116558574 A CN 116558574A CN 202310785207 A CN202310785207 A CN 202310785207A CN 116558574 A CN116558574 A CN 116558574A
- Authority
- CN
- China
- Prior art keywords
- computing node
- parameters
- gas station
- sensor
- edge computing
- 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 102
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000000605 extraction Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims description 71
- 238000012502 risk assessment Methods 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000013058 risk prediction model Methods 0.000 claims description 8
- 239000007789 gas Substances 0.000 description 189
- 230000006399 behavior Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 23
- 238000004458 analytical method Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000013209 evaluation strategy Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000004043 responsiveness Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003915 liquefied petroleum gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请公开了一种基于大数据的气站安全监测方法和装置,涉及安全监控技术领域。该方法包括:通过获取待监测气站的多维传感器参数,并将其输入到边缘计算节点中。边缘计算节点利用预设的特征提取模型计算每个维度在第一约束等级下的初始特征参数。这些初始特征参数随后上传至中心计算节点,并在中心计算节点中进行动态修正,以获得目标特征参数。基于目标特征参数,中心计算节点确定待监测气站的当前危险等级和预测危险等级。根据当前危险等级,中心计算节点向边缘计算节点下发相应的风险处理策略,并在预测危险等级超过预设阈值时,下发强化监控策略至边缘计算节点。解决了现有由于算力限制,导致对气体站点安全监测结果不够准确的问题。
Description
技术领域
本发明涉及安全监控技术领域,尤其涉及一种基于大数据的气站安全监测方法和装置。
背景技术
气体站点是指存储和处理气体的场所,例如天然气站、液化石油气站、氧气站等。用于加注车辆或为家庭、企业提供燃气供应。为了确保气站运营过程中的安全性,需要及时检测和响应任何潜在的安全风险,需要对其进行安全监测。这些安全风险可能包括气体泄漏、火灾、爆炸、人危险行为、有害气体积累等。
相关技术中,现有的气体站点的安全检测仅仅停留于基于传感器的定量分析阶段,只能在风险发生后起到告警作用,因此无法满足气体站点的安全性要求,或者依靠气体站点部署的设备来进行风险预警,但是由于算力限制,导致对气体站点安全监测结果不够准确。
发明内容
本发明提供了一种基于大数据的气站安全监测方法和装置,解决了现有由于算力限制,导致对气体站点安全监测结果不够准确的问题。
第一方面,本发明实施例提供了一种基于大数据的气站安全监测方法,方法包括:
获取待监测气站的待识别多维传感器参数,并将待识别多维传感器参数输入对应维度的边缘计算节点;
边缘计算节点将待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数;
边缘计算节点将各自维度的初始特征参数上传至中心计算节点,中心计算节点对初始特征参数进行动态修正,以获得目标特征参数,其中,边缘计算节点的算力小于中心计算节点的算力;
中心计算节点根据目标特征参数,确定待监测气站的当前危险等级和预测危险等级;
中心计算节点根据当前危险等级,向边缘计算节点下发对应的风险处理策略,并在预测危险等级大于预设阈值的情况下,向边缘计算节点下发强化监控策略。
本申请实施例提供的技术方案至少带来以下有益效果:
首先,通过获取待监测气站的多维传感器参数。可以更全面地了解气站的运行状态和环境情况,从而提高安全监测的准确性和可靠性。将待识别的多维传感器参数输入到边缘计算节点进行处理。边缘计算节点的算力较小,可以在气站附近进行实时处理和分析,减少数据传输和延迟,并提高响应速度。这种分布式计算的方式可以降低中心计算节点的负载压力。
通过使用预设特征提取模型,可以对传感器参数进行初步的特征提取和分析。这有助于识别潜在的安全风险特征,并提供初始特征参数供后续处理使用。预设特征提取模型的使用可以减少计算复杂性和资源消耗。中心计算节点接收到各个维度的初始特征参数后,根据目标特征参数进行动态修正。这意味着中心计算节点可以根据实时数据进行动态调整和优化,以获得更准确的安全风险判断和预测。中心计算节点的高算力能够处理复杂的计算任务和决策过程。根据实时情况采取针对性的措施来应对安全风险,以确保气站的安全运营。在预测危险等级超过预设阈值时,中心计算节点还可以下发强化监控策略,加强对气站的监控和管理。
综上,本申请利用多维传感器参数和分布式计算的方式,能够提高气站安全监测的准确性、实时性和响应能力。通过动态修正和决策,系统可以更好地识别安全风险并采取相应的处理策略,从而提高气站的安全性能。并且在气站侧依靠边缘计算节点进行简单的特征计算,由部署在云端的中心计算节点来完成更高算力的监测结果判断,从而提高了整个监测的数据时效性和数据准确性。
在一种可选的实现方式中,获取待监测气站的待识别多维传感器参数,包括:
传感器通过第一频率采集待监测气站各个监测维度的传感器数据,以获得第一数据包,并进行储存;
边缘计算节点每间隔第一预设时延获取传感器储存的第一数据包。
在一种可选的实现方式中,多维传感器参数至少包括气体成分维度和人行为维度;边缘计算节点将待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数,包括:
将气体成分维度的待识别传感器参数输入第一特征提取模型,以获得第一约束等级下的气体成分初始特征参数;
将人行为维度的待识别传感器参数输入第二特征提取模型,以获得第一约束等级下的人行为初始特征参数。
在一种可选的实现方式中,对初始特征参数进行动态修正,以获得目标特征参数,包括:
根据数据清洗规则,对初始特征参数进行第一级修正,以获得中间特征参数;
根据参考气站的目标特征参数,对中间特征参数进行第二级修正,以获得目标特征参数。
在一种可选的实现方式中,根据参考气站的目标特征参数,对中间特征参数进行第二级修正,以获得目标特征参数,包括:
确定待监测气站的区域特征,根据区域特征在中心计算节点的数据库中遍历,以获得参考气站;
根据参考气站的目标特征参数和中间特征参数的比对结果,以确定修正因子;
根据修正因子对中间特征参数进行修正,以获得待监测气站的目标特征参数。
在一种可选的实现方式中,目标特征参数包括人行为目标特征参数和气体成分目标特征参数,根据目标特征参数,确定待监测气站的当前危险等级和预测危险等级,包括:
根据人行为目标特征参数与预设第一危险评估策略的匹配情况,确定第一危险评估分数;
根据气体成分目标特征参数与预设第二危险评估策略的匹配情况,确定第二危险评估分数;
根据第一危险评估分数和第二危险评估分数,确定边待监测气站的当前危险等级;
将人行为目标特征参数和气体成分目标特征参数输入危险预测模型,以获得待监测气站下一周期的预测危险等级。
在一种可选的实现方式中,预测危险等级大于预设阈值的情况下,向边缘计算节点下发强化监控策略之后,方法还包括:
边缘计算节点在接收到强化监控策略后,对特征提取模型的参数进行更新,以将第一约束等级调整至与强化监控策略匹配的等级;
边缘计算节点将强化监控策略下发至传感器,以对传感器的数据采集频率进行调整。
在一种可选的实现方式中,方法还包括:
传感器通过第二频率采集待监测气站各个监测维度的传感器数据,以获得第二数据包,并进行储存,其中,第二频率高于第一频率;
边缘计算节点每间隔第二预设时延获取传感器储存的第二数据包,第二预设时延小于第一时延;
边缘计算节点将待识别多维传感器参数输入参数更新后的特征提取模型,计算每个维度对应约束等级下的初始特征参数。
第二方面,本发明实施例提供了一种基于大数据的气站安全监测装置,装置包括:
获取模块,用于获取待监测气站的待识别多维传感器参数,并将待识别多维传感器参数输入对应维度的边缘计算节点;
计算模块,用于边缘计算节点将待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数;
修正模块,用于边缘计算节点将各自维度的初始特征参数上传至中心计算节点,中心计算节点对初始特征参数进行动态修正,以获得目标特征参数,其中,边缘计算节点的算力小于中心计算节点的算力;
判断模块,用于中心计算节点根据目标特征参数,确定待监测气站的当前危险等级和预测危险等级;
执行模块,用于中心计算节点根据当前危险等级,向边缘计算节点下发对应的风险处理策略,并在预测危险等级大于预设阈值的情况下,向边缘计算节点下发强化监控策略。
在一种可选的实现方式中,获取模块包括:
数据采集子模块,用于传感器通过第一频率采集待监测气站各个监测维度的传感器数据,以获得第一数据包,并进行储存;
数据获取子模块,用于边缘计算节点每间隔第一预设时延获取传感器储存的第一数据包。
在一种可选的实现方式中,计算模块包括:
第一计算子模块,用于将气体成分维度的待识别传感器参数输入第一特征提取模型,以获得第一约束等级下的气体成分初始特征参数;
第二计算子模块,用于将人行为维度的待识别传感器参数输入第二特征提取模型,以获得第一约束等级下的人行为初始特征参数。
在一种可选的实现方式中,修正模块包括:
第一修正子模块,用于根据数据清洗规则,对初始特征参数进行第一级修正,以获得中间特征参数;
第二计算子模块,用于根据参考气站的目标特征参数,对中间特征参数进行第二级修正,以获得目标特征参数。
在一种可选的实现方式中,第二计算子模块包括:
参考气站确定单元,用于确定待监测气站的区域特征,根据区域特征在中心计算节点的数据库中遍历,以获得参考气站;
比较单元,用于根据参考气站的目标特征参数和中间特征参数的比对结果,以确定修正因子;
修正单元,用于根据修正因子对中间特征参数进行修正,以获得待监测气站的目标特征参数。
在一种可选的实现方式中,判断模块,包括:
第一评估子模块,用于根据人行为目标特征参数与预设第一危险评估策略的匹配情况,确定第一危险评估分数;
第二评估子模块,用于根据气体成分目标特征参数与预设第二危险评估策略的匹配情况,确定第二危险评估分数;
综合评估子模块,用于根据第一危险评估分数和第二危险评估分数,确定边待监测气站的当前危险等级;
预测子模块,用于将人行为目标特征参数和气体成分目标特征参数输入危险预测模型,以获得待监测气站下一周期的预测危险等级。
在一种可选的实现方式中,装置还包括:
第一更新子模块,用于边缘计算节点在接收到强化监控策略后,对特征提取模型的参数进行更新,以将第一约束等级调整至与强化监控策略匹配的等级;
第二更新子模块,用于边缘计算节点将强化监控策略下发至传感器,以对传感器的数据采集频率进行调整。
本发明实施例第三方面提出一种电子设备,电子设备包括:
至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本发明实施例第一方面提出方法。
本发明实施例第四方面提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例第一方面提出方法。
附图说明
图1为本发明实施例涉及的硬件运行环境的电子设备结构示意图;
图2是本发明实施例提供的一种基于大数据的气站安全监测方法的步骤流程图;
图3是本发明实施例提供的一种基于大数据的气站安全监测装置的功能模块示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
下面结合附图对本发明的方案进一步说明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作装置、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中,电子设备通过处理器1001调用存储器1005中存储的基于大数据的气站安全监测装置,并执行本发明实施例提供的基于大数据的气站安全监测方法。
参照图2,本发明的实施例提供了一种基于大数据的气站安全监测方法,具体可以包括以下步骤:
S201:获取待监测气站的待识别多维传感器参数,并将待识别多维传感器参数输入对应维度的边缘计算节点。
在本实施方式中,待监测气站通常配备了多种传感器设备,用于收集不同类型的环境数据。这些传感器可能包括气体传感器、温湿度传感器、运动传感器等。通过与这些传感器设备进行通信,可以获取待监测气站的多维传感器参数。边缘计算节点是指设置在待监测气站内的计算设备,边缘计算节点具有一定的计算和存储能力,可以进行实时数据处理和分析,减少数据传输延迟,并提供更快速的响应。多维传感器参数通常包含不同的维度,如气体维度、行为维度等。
通过将待监测气站的待识别多维传感器参数输入到对应维度的边缘计算节点,可以实现分布式的数据处理和分析。每个边缘计算节点负责处理特定维度的传感器数据,进行特征提取、特征参数计算等操作。这种分布式处理的方式可以减少数据传输量和延迟,提高系统的实时性和效率。
在一种可选的实现方式中,获取待监测气站的待识别多维传感器参数,包括:
S2011:传感器通过第一频率采集待监测气站各个监测维度的传感器数据,以获得第一数据包,并进行储存。
传感器通过第一频率对待监测气站的各个监测维度进行传感器数据的采集。这意味着传感器以一定的频率进行数据采集,监测气站可能包括温度、湿度、压力等多个监测维度。传感器会将采集到的数据组成一个数据包,并进行储存。所谓的第一数据包指的是初始的数据采集结果。
S2012:边缘计算节点每间隔第一预设时延获取传感器储存的第一数据包。
边缘计算节点会以第一预设时延的间隔获取传感器存储的第一数据包。第一预设时延则表示在固定的时间间隔内进行数据包的获取操作的。需要说明的是,传感器在进行数据采集时需要消耗能源,如果采集频率过高,会导致能源的过度消耗。通过设置较低的采集频率,可以减少能源的使用,并延长传感器的使用寿命。同时,边缘计算节点在获取数据包时也需要消耗计算资源,通过增加获取数据包的时间间隔,可以减轻计算节点的负载。如果传感器的数据采集频率过高,会导致大量的数据产生。这将增加数据传输的成本和对网络带宽的要求。通过设置较低的采集频率和较长的时间间隔,可以减少产生的数据量,降低数据传输的成本,并避免网络拥塞。
S202:边缘计算节点将待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数。
边缘计算节点接收到待识别的多维传感器参数之后,边缘计算节点将这些传感器参数输入预设的特征提取模型。特征提取模型是预先在中心计算节点训练好的模型,用于从输入数据中提取有用的特征。需要说明的是,边缘计算节点部署了多个特征提取模型,用于对每个维度的待识别传感器参数进行处理。在特征提取模型中,针对每个维度的传感器参数,边缘计算节点会计算出该维度下的初始特征参数。第一约束等级是指对初始特征参数进行约束或限制的级别。
特征提取过程中,第一约束等级的设定表示对特征参数的筛选条件相对宽松。这意味着边缘计算节点在计算每个维度的初始特征参数时,允许较大范围内的参数值通过,不过多地对参数进行限制。在初始阶段,边缘计算节点可能更注重获取尽可能多的特征参数信息,以全面了解传感器数据的特性和模式。通过设定较低的约束等级,可以保留更多的特征参数,包括那些可能具有一定噪声或波动的参数,以便在后续的分析和处理中进行进一步的挖掘和优化。某些特征参数可能在实际应用中对于某种特定模式或故障具有较高的敏感性。通过设定较低的约束等级,可以保留这些敏感参数,以便在后续的分析中更好地检测和识别潜在的问题。这种宽松的约束可以提高系统的检测能力和故障诊断的准确性。设定较低的约束等级可以为后续的特征选择和优化过程提供更大的空间。在这个阶段,边缘计算节点主要关注于收集尽可能多的特征信息,并保留较大的数据集。这样在后续的处理过程中,可以基于更多的特征参数进行进一步的筛选、降维或优化,以获取更具有代表性和有效性的特征集合。
在一种可选的实现方式中,其具体包括:
S2021:将气体成分维度的待识别传感器参数输入第一特征提取模型,以获得第一约束等级下的气体成分初始特征参数。
S2022:将人行为维度的待识别传感器参数输入第二特征提取模型,以获得第一约束等级下的人行为初始特征参数。
在S2021至S2022的实施方式中,第一特征提取模型针对气体成分维度的参数进行特征提取,并得到第一约束等级下的气体成分的初始特征参数,以从气体成分数据中提取出有用的特征信息。第二特征提取模型专门针对人行为维度的参数进行特征提取,并得到第一约束等级下的人行为的初始特征参数。这个模型可能采用与第一特征提取模型类似或不同方法来提取人行为数据中的特征信息。通过两个不同的特征提取模型,分别处理了气体成分维度和人行为维度的传感器参数,得到了对应的初始特征参数。这些初始特征参数可以用于后续的数据分析、模式识别、行为分析等任务,以揭示传感器数据中的有用信息。
需要说明的是,当存在其他维度的传感器数据时,需要将其输入对应的特征提取模型,以获得对应的初始特征参数。
S203:边缘计算节点将各自维度的初始特征参数上传至中心计算节点,中心计算节点对初始特征参数进行动态修正,以获得目标特征参数。
在本实施方式中,边缘计算节点的算力小于中心计算节点的算力,边缘计算节点位于气体站点附近,负责收集和处理待监测气站的多维传感器参数。边缘计算节点的算力相对较小,由于资源限制、能源消耗或成本等因素。它能够处理较为简单的计算任务,并且可以快速地对传感器参数进行初步处理和分析。边缘计算节点利用预设特征提取模型对传感器参数进行处理,得到各个维度的初始特征参数。
然后,边缘计算节点将各个维度的初始特征参数上传至中心计算节点。中心计算节点拥有更强大的算力和计算资源,通常位于中央控制中心或云平台。中心计算节点接收到来自边缘计算节点的初始特征参数后,对这些参数进行动态修正和优化,以获得目标特征参数。动态修正可能涉及更复杂的计算任务,例如使用机器学习算法对数据进行进一步分析、模型训练和优化等。中心计算节点通过集中的计算能力,可以更全面地评估和预测气站的安全状况。
在这个实施方式中,边缘计算节点的算力相对较小,主要负责数据收集、初步处理和传输,以及预设特征提取模型的应用。而中心计算节点具备更高的算力,用于处理更复杂的计算任务、动态修正和决策过程。这种分层的计算架构将计算任务分配到不同的节点,可以充分利用资源,并提高整个系统的效率和性能。
在一种可选的实现方式中,中心计算节点对边缘计算节点上传的初始特征参数进行修正的目的是获得目标特征参数。修正的过程可以进一步优化和调整传感器参数的分析结果,以更准确地评估气站的安全状况。
修正的原因包括:第一方面,传感器数据可能受到噪声、干扰或传感器本身的不确定性影响。通过对初始特征参数进行修正,可以减少或排除这些不确定性,提高数据的准确性和可靠性。第二方面,预设特征提取模型可能只能提取部分重要的特征参数,或者对于不同气站的特征参数可能有所差异。通过修正,中心计算节点可以根据实际情况和领域专业知识,调整和优化特征参数的提取方式,以获得更具代表性和相关性的目标特征参数。第三方面,中心计算节点可以根据实时数据和实际情况,对初始特征参数进行动态调整。这意味着系统可以根据不同时刻和环境条件进行适应性调整,以更好地适应气站的实际运行状态和变化。
通过修正初始特征参数,中心计算节点可以根据系统需求和实际情况,对数据进行更准确、更全面的分析和评估。这有助于提高安全监测的准确性、可靠性和预测能力,从而更好地保护气站的安全性。其具体的步骤包括:
S2031:根据数据清洗规则,对初始特征参数进行第一级修正,以获得中间特征参数。
第一级修正是基于数据清洗规则对初始特征参数进行修正,以获得中间特征参数。数据清洗规则可以用于检测和纠正数据中的异常值、噪声或错误。通过数据清洗规则,可以排除不符合规定的数据点,并修正潜在的错误,以获得更准确和可靠的中间特征参数。
S2032:根据参考气站的目标特征参数,对中间特征参数进行第二级修正,以获得目标特征参数。
第二级修正是基于参考气站的目标特征参数对中间特征参数进行修正,以获得所需的目标特征参数。参考气站是已经验证和认可的安全性能较高的气站,其目标特征参数被视为理想状态。通过将中间特征参数与参考气站的目标特征参数进行比较和对比,可以进行进一步的修正。这个修正过程可以根据两者之间的差异或相关性来进行调整,以使中间特征参数更接近目标特征参数。
通过两个级别的修正过程可以进一步优化和调整初始特征参数,以获得更准确、更可靠的目标特征参数。数据清洗规则的应用可以减少数据中的错误和噪声,确保数据的质量。参考气站的目标特征参数可以作为标准和参考,用于指导修正过程并提高修正的准确性。这样的修正过程有助于提高安全监测的准确性和可靠性,从而更好地评估气站的安全状况和风险。
在一种可选的实现方式中,S2032具体包括:
S20321:确定待监测气站的区域特征,根据区域特征在中心计算节点的数据库中遍历,以获得参考气站。
区域特征是指与气站所处地理位置、环境条件以及周围设施等相关的特征。例如,可以考虑气站所在的城市或地区的气候、地形、交通情况等因素。通过确定区域特征,可以为后续的参考气站选择提供指导。然后,在中心计算节点的数据库中进行遍历,以获得参考气站。中心计算节点的数据库可能包含了多个气站的数据,包括其安全性能指标、历史记录、地理信息等。遍历数据库意味着对每个气站的数据进行逐一查看和分析,以确定哪些气站可以作为参考气站。
在遍历过程中,可以根据待监测气站的区域特征进行筛选和匹配。通过比较待监测气站和数据库中气站的区域特征,可以识别出具有相似特征或相近环境条件的参考气站。这些参考气站可能位于相同的城市或地区,或者在类似的气候和地形条件下运行。一旦找到合适的参考气站,可以将其记录下来以供后续的修正过程使用。参考气站的数据和特征将用于与待监测气站进行比较和对比,以进一步修正中间特征参数并获得目标特征参数。
S20322:根据参考气站的目标特征参数和中间特征参数的比对结果,以确定修正因子。
首先,参考气站的目标特征参数被视为理想状态或期望值,代表了安全性能较高的气站的特征参数。中间特征参数是经过第一级修正后的数据,但可能仍然存在与目标特征参数之间的差异。为了使中间特征参数更接近目标特征参数,需要进行进一步的修正。在比对过程中,目标是找到合适的修正因子,通过对中间特征参数进行适当的调整,使其与目标特征参数更加一致。修正因子可以是一个系数或偏差值,用于对中间特征参数进行线性或非线性的调整。
比对的过程可以采用多种方法,包括基于统计学方法、机器学习模型或领域专家知识。一种常见方法是计算中间特征参数与目标特征参数之间的差异或相似度指标,如误差、相关系数或距离度量。根据这些指标,可以评估中间特征参数与目标特征参数之间的一致性程度。
根据比对结果,可以确定修正因子的大小和方向。如果中间特征参数偏离目标特征参数,修正因子可以根据差异的大小和方向进行调整。例如,如果中间特征参数偏小,则可以增加修正因子以增加中间特征参数的值。如果中间特征参数偏大,则可以减小修正因子以减少中间特征参数的值。修正因子的确定可以基于经验、实验数据或优化算法。最终,通过应用修正因子对中间特征参数进行调整,可以使其更接近目标特征参数。这种修正过程有助于提高数据的准确性和一致性,从而提高安全监测系统的可靠性和预测能力。
S20323:根据修正因子对中间特征参数进行修正,以获得待监测气站的目标特征参数。
修正过程可以通过简单的加权计算来实现。每个中间特征参数都与对应的修正因子相乘,以获得修正后的数值。修正因子可以调整中间特征参数的权重,使其对目标特征参数的影响程度不同。通过适当地调整修正因子的值,可以使中间特征参数朝着目标特征参数靠近。
作为示例的,假设参考气站,其目标特征参数是每小时的气体泄漏量。还有一个中间特征参数,即通过第一级修正得到的每小时气体泄漏量。首先,比较参考气站的目标特征参数和中间特征参数,计算它们之间的差异。假设目标特征参数为100立方米/小时,而中间特征参数为80立方米/小时,那么差异为20立方米/小时。接下来,确定修正因子,使中间特征参数更接近目标特征参数。在这个示例中,可以使用简单的线性修正因子,将差异的一部分纳入修正计算中。假设选择将差异的50%作为修正因子。修正因子 = 差异 * 修正比例 =20立方米/小时 * 50% = 10立方米/小时,最后,将修正因子应用于中间特征参数。修正后的中间特征参数 = 中间特征参数 + 修正因子 = 80立方米/小时 + 10立方米/小时 = 90立方米/小时。
通过这个修正过程,将中间特征参数从80立方米/小时调整为90立方米/小时,使其更接近目标特征参数100立方米/小时。
S204:中心计算节点根据目标特征参数,确定待监测气站的当前危险等级和预测危险等级。
中心计算节点接收到边缘计算节点上传的经过修正的特征参数。这些特征参数代表了气站的关键指标,如气体泄漏程度、火灾风险、爆炸潜力等。在中心计算节点中,定义了危险等级规则。这些规则根据具体应用和领域知识来设定,可以基于特征参数的范围、阈值或其他指标来划分不同的危险等级。例如,将特征参数在一定范围内的气站定义为低危,超过一定阈值的气站定义为高危。根据目标特征参数和危险等级规则,中心计算节点对待监测气站进行当前危险等级的确定。中心计算节点将目标特征参数与危险等级规则进行匹配和比较,以确定待监测气站当前的危险等级。除了当前危险等级,中心计算节点还可以预测未来的危险等级。这可以通过基于历史数据和趋势分析来实现。中心计算节点可以使用机器学习、统计分析或其他预测方法,根据目标特征参数的变化趋势和模式,来预测待监测气站在未来的一段时间内可能的危险等级。
通过以上步骤,中心计算节点可以根据目标特征参数对待监测气站的当前危险等级进行确定,并预测其未来的危险等级。这样的分析和预测有助于及时识别潜在的安全风险,采取适当的措施和策略来确保气站的安全运行。同时,基于特征参数的危险等级评估也可以为运维人员和决策者提供重要的参考信息,帮助他们做出有效的风险管理和应对措施。
其具体的步骤包括:
S2041:根据人行为目标特征参数与预设第一危险评估策略的匹配情况,确定第一危险评估分数;
S2042:根据气体成分目标特征参数与预设第二危险评估策略的匹配情况,确定第二危险评估分数;
S2043:根据第一危险评估分数和第二危险评估分数,确定边待监测气站的当前危险等级;
S2044:将人行为目标特征参数和气体成分目标特征参数输入危险预测模型,以获得待监测气站下一周期的预测危险等级。
在S2041至S2044的实施方式中,预设的危险评估策略可能是根据行业标准、安全规范或领域专家知识制定的规则集。通过比较人行为目标特征参数与这些规则的匹配程度,可以确定第一危险评估分数。该分数反映了人行为对气站安全性的潜在影响程度。第二危险评估策略可能涉及对气体成分的阈值、浓度或其他相关指标进行评估。通过比较气体成分目标特征参数与这些评估策略的匹配情况,可以确定第二危险评估分数。该分数反映了气体成分对气站安全性的潜在风险程度。根据第一危险评估分数和第二危险评估分数,可以确定待监测气站的当前危险等级。危险等级可能是根据特定的标准和规则来划分的,可以根据危险评估分数的范围或阈值来确定。
下面将给出一种简单的示例,
第一危险评估策略:操作规范遵守情况:符合规范为分数10,部分违规为分数5,严重违规为分数1。设备维护记录:记录完整为分数8,记录不完整为分数3,无记录为分数1。
员工培训:培训记录完整为分数7,培训记录不完整为分数4,无培训记录为分数1。气体成分目标特征参数:气体泄漏程度:无泄漏为分数10,小泄漏为分数5,大泄漏为分数1。有害气体浓度:低浓度为分数8,中浓度为分数4,高浓度为分数1。氧气含量:正常含量为分数10,轻微偏离为分数6,严重偏离为分数1。
假设待监测气站的评估结果如下:操作规范遵守情况:部分违规,分数为5。设备维护记录:记录完整,分数为8。员工培训:培训记录完整,分数为7。则第一危险评估分数为5+8+7=20。气体泄漏程度:无泄漏,分数为10。有害气体浓度:中浓度,分数为4。氧气含量:轻微偏离,分数为6。则第二危险评估分数为10+4+6=20。如果0-10为低危等级,11-20为中危等级,21及以上为高危等级,那么由于第一和第二评估分数都为20,该气站可以被划分为中危等级。
计算节点获取到的目标特征参数中包含了人行为目标特征参数和气体成分目标特征参数。人行为目标特征参数可能包括操作员的行为活动、使用设备的方式、遵循安全规程的程度等。气体成分目标特征参数涉及气体的组分、浓度、压力等信息。在中心计算节点中,需要建立一个危险预测模型。该模型可以是基于机器学习、统计分析或其他预测方法构建的模型,用于根据输入的特征参数来预测待监测气站的危险等级。人行为目标特征参数和气体成分目标特征参数作为输入被提供给危险预测模型。这些特征参数可能被编码为适合模型输入的形式,例如数值向量或矩阵。通过危险预测模型的计算和分析,中心计算节点可以根据输入的人行为目标特征参数和气体成分目标特征参数预测待监测气站在下一周期(通常是未来一段时间)内的危险等级。这个预测结果可以是一个离散的等级,如低危、中危、高危,或者是一个连续的数值表示危险程度。
S205:中心计算节点根据当前危险等级,向边缘计算节点下发对应的风险处理策略,并在预测危险等级大于预设阈值的情况下,向边缘计算节点下发强化监控策略。
在本实施方式中,中心计算节点对待监测气站的当前危险等级的评估,会制定一系列的风险处理策略。这些策略可以是针对具体风险情况的指导性措施,包括但不限于紧急停机、调整操作参数、增加检测频率、加强维护、疏散人员等。中心计算节点会根据当前危险等级的不同,选择相应的处理策略,并将其下发给对应的边缘计算节点。
在预测危险等级大于预设阈值的情况下,中心计算节点可能会采取更加严格和强化的监控策略。这意味着需要对待监测气站进行更密集、更频繁的监测和检测,以及更加及时的响应和处理措施。强化监控策略可能包括增加传感器的采集频率、加强数据的实时传输和分析、提高报警的敏感性等。中心计算节点会将这些策略下发给边缘计算节点,以确保对潜在风险的监测和处理能够及时、准确地进行。
通过向边缘计算节点下发风险处理策略和强化监控策略,中心计算节点可以实现对待监测气站的远程控制和指导。这样可以保证在不同危险等级和预测情况下,针对性地采取适当的措施来应对风险,确保气体站点的安全性和运行的稳定性。这种分布式的计算和控制架构能够提高系统的实时性、响应性和适应性,同时减轻中心计算节点的负担,并提高整体系统的效率和性能。
在一种可选的实现方式中,预测危险等级大于预设阈值的情况下,向边缘计算节点下发强化监控策略之后,方法还包括:
边缘计算节点在接收到强化监控策略后,对特征提取模型的参数进行更新,以将第一约束等级调整至与强化监控策略匹配的等级;
边缘计算节点将强化监控策略下发至传感器,以对传感器的数据采集频率进行调整。
在本实施方式中,边缘计算节点在接收到强化监控策略后,会对特征提取模型的参数进行更新,以调整第一约束等级与强化监控策略相匹配。同时,边缘计算节点还会将强化监控策略下发至传感器,以调整传感器的数据采集频率。在接收到强化监控策略后,边缘计算节点会根据这些策略对特征提取模型的参数进行更新。更新的目的是调整模型的工作方式,使其能够更好地适应强化监控策略所要求的特征提取能力。通过更新参数,边缘计算节点可以确保特征提取模型能够有效地提取与强化监控策略相匹配的特征。
边缘计算节点会将强化监控策略下发至传感器,以调整传感器的数据采集频率。这意味着传感器会根据强化监控策略的要求,调整数据采集的频率和间隔。通过增加数据采集频率,边缘计算节点可以获得更多的实时数据,以便更准确地监测和识别潜在的安全风险。这样可以提高系统对风险的感知和响应能力,并使强化监控策略能够更加精确地执行。
通过对特征提取模型参数的更新和传感器数据采集频率的调整,边缘计算节点能够使系统在强化监控策略下具备更好的适应性和响应性。特征提取模型的更新确保所提取的特征与强化监控策略相匹配,从而提供更准确的特征表示。传感器数据采集频率的调整则确保边缘计算节点能够获得足够的实时数据,以支持更精确和及时的监测和风险识别。
在一种可选的实现方式中,方法还包括:
传感器通过第二频率采集待监测气站各个监测维度的传感器数据,以获得第二数据包,并进行储存,其中,第二频率高于第一频率;
边缘计算节点每间隔第二预设时延获取传感器储存的第二数据包,第二预设时延小于第一时延;
边缘计算节点将待识别多维传感器参数输入参数更新后的特征提取模型,计算每个维度对应约束等级下的初始特征参数。
在本实施方式中,传感器根据第二频率进行数据采集,这意味着它以较高的频率进行监测维度的数据采集。通过第二频率采集,传感器可以获取更频繁、更多样化的数据样本,以更准确地反映待监测气站的状态和变化。这些数据样本组成了第二数据包,用于后续的处理和分析。边缘计算节点每隔第二预设时延,即预设的时间间隔,获取传感器储存的第二数据包。这意味着边缘计算节点定期地获取传感器采集的最新数据,以便进行后续的特征提取和分析。第二预设时延较第一时延较短,意味着边缘计算节点更频繁地获取数据包,以保持对待监测气站状态的实时性监测。边缘计算节点将待识别的多维传感器参数输入参数更新后的特征提取模型,计算每个维度对应约束等级下的初始特征参数。这意味着边缘计算节点利用特征提取模型对传感器数据进行处理,以提取与约束等级相对应的特征参数。这些特征参数用于后续的危险等级评估和风险预测。
需要说明的是,第一约束等级是指系统或监测任务中最基本的安全要求和限制。它通常是根据相关标准、规范或经验设定的,以确保系统的基本运行和安全性。第一约束等级可能涉及到最低安全标准、最小监测要求或必要的安全措施。在监测气站的情境中,第一约束等级可能代表着最低安全要求,以确保气站的正常运营和基本安全。在强化监控策略下,会采用比第一约束等级更高的约束等级,更高的约束等级表示对系统或监测任务的进一步安全要求和限制。它可能涉及更严格的安全标准、更高的监测要求或更强大的安全措施。更高的约束等级通常是在第一约束等级的基础上建立的,以满足更严格的安全性需求或更复杂的监测任务。在监测气站的情境中,更高的约束等级可能代表着更严格的安全要求,以应对更复杂或更危险的场景,如气体泄漏、火灾或爆炸等。
第一约束等级是系统或任务的最基本安全要求,而更高的约束等级则表示对系统或任务更严格的安全性要求。更高的约束等级通常是为了应对更复杂、更危险或更严峻的情况,并确保系统在这些情况下能够保持安全、稳定和可靠的运行。
本申请通过获取待监测气站的多维传感器参数,可以更全面地了解气站的运行状态和环境情况,从而提高安全监测的准确性和可靠性。将待识别的多维传感器参数输入到边缘计算节点进行处理。边缘计算节点的算力较小,可以在气站附近进行实时处理和分析,减少数据传输和延迟,并提高响应速度。这种分布式计算的方式可以降低中心计算节点的负载压力。
通过使用预设特征提取模型,可以对传感器参数进行初步的特征提取和分析。这有助于识别潜在的安全风险特征,并提供初始特征参数供后续处理使用。预设特征提取模型的使用可以减少计算复杂性和资源消耗。中心计算节点接收到各个维度的初始特征参数后,根据目标特征参数进行动态修正。这意味着中心计算节点可以根据实时数据进行动态调整和优化,以获得更准确的安全风险判断和预测。中心计算节点的高算力能够处理复杂的计算任务和决策过程。根据实时情况采取针对性的措施来应对安全风险,以确保气站的安全运营。在预测危险等级超过预设阈值时,中心计算节点还可以下发强化监控策略,加强对气站的监控和管理
本发明实施例还提供了一种基于大数据的气站安全监测装置,参照图3,示出了本发明一种基于大数据的气站安全监测装置300的功能模块图,该装置可以包括以下模块:
获取模块301,用于获取待监测气站的待识别多维传感器参数,并将待识别多维传感器参数输入对应维度的边缘计算节点;
计算模块302,用于边缘计算节点将待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数;
修正模块303,用于边缘计算节点将各自维度的初始特征参数上传至中心计算节点,中心计算节点对初始特征参数进行动态修正,以获得目标特征参数,其中,边缘计算节点的算力小于中心计算节点的算力;
判断模块304,用于中心计算节点根据目标特征参数,确定待监测气站的当前危险等级和预测危险等级;
执行模块305,用于中心计算节点根据当前危险等级,向边缘计算节点下发对应的风险处理策略,并在预测危险等级大于预设阈值的情况下,向边缘计算节点下发强化监控策略。
在一种可选的实现方式中,获取模块包括:
数据采集子模块,用于传感器通过第一频率采集待监测气站各个监测维度的传感器数据,以获得第一数据包,并进行储存;
数据获取子模块,用于边缘计算节点每间隔第一预设时延获取传感器储存的第一数据包。
在一种可选的实现方式中,计算模块包括:
第一计算子模块,用于将气体成分维度的待识别传感器参数输入第一特征提取模型,以获得第一约束等级下的气体成分初始特征参数;
第二计算子模块,用于将人行为维度的待识别传感器参数输入第二特征提取模型,以获得第一约束等级下的人行为初始特征参数。
在一种可选的实现方式中,修正模块包括:
第一修正子模块,用于根据数据清洗规则,对初始特征参数进行第一级修正,以获得中间特征参数;
第二计算子模块,用于根据参考气站的目标特征参数,对中间特征参数进行第二级修正,以获得目标特征参数。
在一种可选的实现方式中,第二计算子模块包括:
参考气站确定单元,用于确定待监测气站的区域特征,根据区域特征在中心计算节点的数据库中遍历,以获得参考气站;
比较单元,用于根据参考气站的目标特征参数和中间特征参数的比对结果,以确定修正因子;
修正单元,用于根据修正因子对中间特征参数进行修正,以获得待监测气站的目标特征参数。
在一种可选的实现方式中,判断模块,包括:
第一评估子模块,用于根据人行为目标特征参数与预设第一危险评估策略的匹配情况,确定第一危险评估分数;
第二评估子模块,用于根据气体成分目标特征参数与预设第二危险评估策略的匹配情况,确定第二危险评估分数;
综合评估子模块,用于根据第一危险评估分数和第二危险评估分数,确定边待监测气站的当前危险等级;
预测子模块,用于将人行为目标特征参数和气体成分目标特征参数输入危险预测模型,以获得待监测气站下一周期的预测危险等级。
在一种可选的实现方式中,装置还包括:
第一更新子模块,用于边缘计算节点在接收到强化监控策略后,对特征提取模型的参数进行更新,以将第一约束等级调整至与强化监控策略匹配的等级;
第二更新子模块,用于边缘计算节点将强化监控策略下发至传感器,以对传感器的数据采集频率进行调整。
基于同一发明构思,本发明另一实施例提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现本发明的基于大数据的气站安全监测方法。
上述终端提到的通信总线可以是外设部件互联标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于上述终端与其他设备之间的通信。存储器可以包括随机存取存储器(Random AccessMemory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
此外,为实现上述目的,本发明的实施例还提出了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现本发明实施例的基于大数据的气站安全监测方法。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用车辆(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例方法、终端设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后,还需要说明的是,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。“”和/或“”表示可以选择两者之中的任意一个,也可以两者都选择。而且,术语“”包括“”“”包含“”或者其任何其他变体意在涵盖非排他性地包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“”包括一个……“”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
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,可轻易想到各种等效的修改或替换,这些修改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)
1.一种基于大数据的气站安全监测方法,其特征在于,所述方法包括:
获取待监测气站的待识别多维传感器参数,并将所述待识别多维传感器参数输入对应维度的边缘计算节点;
所述边缘计算节点将所述待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数;
所述边缘计算节点将各自维度的初始特征参数上传至中心计算节点,所述中心计算节点对所述初始特征参数进行动态修正,以获得目标特征参数,其中,所述边缘计算节点的算力小于所述中心计算节点的算力;
所述中心计算节点根据所述目标特征参数,确定待监测气站的当前危险等级和预测危险等级;
所述中心计算节点根据所述当前危险等级,向所述边缘计算节点下发对应的风险处理策略,并在所述预测危险等级大于预设阈值的情况下,向所述边缘计算节点下发强化监控策略。
2.根据权利要求1所述的基于大数据的气站安全监测方法,其特征在于,获取待监测气站的待识别多维传感器参数,包括:
传感器通过第一频率采集待监测气站各个监测维度的传感器数据,以获得第一数据包,并进行储存;
所述边缘计算节点每间隔第一预设时延获取所述传感器储存的所述第一数据包。
3.根据权利要求1所述的基于大数据的气站安全监测方法,其特征在于,所述多维传感器参数至少包括气体成分维度和人行为维度;所述边缘计算节点将所述待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数,包括:
将所述气体成分维度的待识别传感器参数输入第一特征提取模型,以获得第一约束等级下的气体成分初始特征参数;
将所述人行为维度的待识别传感器参数输入第二特征提取模型,以获得第一约束等级下的人行为初始特征参数。
4.根据权利要求1所述的基于大数据的气站安全监测方法,其特征在于,所述对所述初始特征参数进行动态修正,以获得目标特征参数,包括:
根据数据清洗规则,对所述初始特征参数进行第一级修正,以获得中间特征参数;
根据参考气站的目标特征参数,对所述中间特征参数进行第二级修正,以获得所述目标特征参数。
5.根据权利要求4所述的基于大数据的气站安全监测方法,其特征在于,根据参考气站的目标特征参数,对所述中间特征参数进行第二级修正,以获得所述目标特征参数,包括:
确定所述待监测气站的区域特征,根据所述区域特征在所述中心计算节点的数据库中遍历,以获得所述参考气站;
根据所述参考气站的目标特征参数和所述中间特征参数的比对结果,以确定修正因子;
根据所述修正因子对所述中间特征参数进行修正,以获得所述待监测气站的目标特征参数。
6.根据权利要求1所述的基于大数据的气站安全监测方法,其特征在于,所述目标特征参数包括人行为目标特征参数和气体成分目标特征参数,所述根据所述目标特征参数,确定待监测气站的当前危险等级和预测危险等级,包括:
根据所述人行为目标特征参数与预设第一危险评估策略的匹配情况,确定第一危险评估分数;
根据所述气体成分目标特征参数与预设第二危险评估策略的匹配情况,确定第二危险评估分数;
根据所述第一危险评估分数和所述第二危险评估分数,确定边所述待监测气站的当前危险等级;
将所述人行为目标特征参数和所述气体成分目标特征参数输入危险预测模型,以获得所述待监测气站下一周期的预测危险等级。
7.根据权利要求1所述的基于大数据的气站安全监测方法,其特征在于,所述预测危险等级大于预设阈值的情况下,向所述边缘计算节点下发强化监控策略之后,所述方法还包括:
所述边缘计算节点在接收到所述强化监控策略后,对所述特征提取模型的参数进行更新,以将所述第一约束等级调整至与所述强化监控策略匹配的等级;
所述边缘计算节点将所述强化监控策略下发至所述传感器,以对所述传感器的数据采集频率进行调整。
8.根据权利要求2所述的基于大数据的气站安全监测方法,其特征在于,所述方法还包括:
传感器通过第二频率采集待监测气站各个监测维度的传感器数据,以获得第二数据包,并进行储存,其中,所述第二频率高于所述第一频率;
所述边缘计算节点每间隔第二预设时延获取所述传感器储存的所述第二数据包,所述第二预设时延小于所述第一时延;
所述边缘计算节点将所述待识别多维传感器参数输入参数更新后的特征提取模型,计算每个维度对应约束等级下的初始特征参数。
9.一种基于大数据的气站安全监测的装置,其特征在于,所述装置包括:
获取模块,用于获取待监测气站的待识别多维传感器参数,并将所述待识别多维传感器参数输入对应维度的边缘计算节点;
计算模块,用于所述边缘计算节点将所述待识别多维传感器参数输入预设特征提取模型,计算每个维度第一约束等级下的初始特征参数;
修正模块,用于所述边缘计算节点将各自维度的初始特征参数上传至中心计算节点,所述中心计算节点对所述初始特征参数进行动态修正,以获得目标特征参数,其中,所述边缘计算节点的算力小于所述中心计算节点的算力;
判断模块,用于所述中心计算节点根据所述目标特征参数,确定待监测气站的当前危险等级和预测危险等级;
执行模块,用于所述中心计算节点根据所述当前危险等级,向所述边缘计算节点下发对应的风险处理策略,并在所述预测危险等级大于预设阈值的情况下,向所述边缘计算节点下发强化监控策略。
10.根据权利要求9所述的基于大数据的气站安全监测的装置,其特征在于,所述获取模块包括:
数据采集子模块,用于传感器通过第一频率采集待监测气站各个监测维度的传感器数据,以获得第一数据包,并进行储存;
数据获取子模块,用于所述边缘计算节点每间隔第一预设时延获取所述传感器储存的所述第一数据包。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310785207.3A CN116558574B (zh) | 2023-06-29 | 2023-06-29 | 基于大数据的气站安全监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310785207.3A CN116558574B (zh) | 2023-06-29 | 2023-06-29 | 基于大数据的气站安全监测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116558574A true CN116558574A (zh) | 2023-08-08 |
CN116558574B CN116558574B (zh) | 2023-09-26 |
Family
ID=87493179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310785207.3A Active CN116558574B (zh) | 2023-06-29 | 2023-06-29 | 基于大数据的气站安全监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116558574B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117784697A (zh) * | 2024-01-31 | 2024-03-29 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
CN117931577A (zh) * | 2024-01-26 | 2024-04-26 | 湖北消费金融股份有限公司 | 一种服务器运维数据监测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100923016B1 (ko) * | 2009-06-24 | 2009-10-22 | 월드브리지산업 주식회사 | 유류저장탱크의 안전밸브 |
CN111024158A (zh) * | 2019-12-23 | 2020-04-17 | 广东工业大学 | 一种结合边缘计算的厨电危险智能监测方法 |
CN112000674A (zh) * | 2020-10-29 | 2020-11-27 | 上海盟扩软件科技有限公司南京分公司 | 一种基于大数据的加油站异常数据监控处理方法及系统 |
CN112464817A (zh) * | 2020-11-27 | 2021-03-09 | 永顺县何家湾加油站 | 一种智慧化加油站环境风险防控检测系统及方法 |
CN112699750A (zh) * | 2020-12-22 | 2021-04-23 | 南方电网深圳数字电网研究院有限公司 | 基于边缘计算和ai的智慧加油站安全监测方法及系统 |
CN113570840A (zh) * | 2021-06-22 | 2021-10-29 | 东莞市绿灯网络科技有限公司 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
JP2021187523A (ja) * | 2020-06-01 | 2021-12-13 | Eneos株式会社 | 給油所管理システム |
CN113935571A (zh) * | 2021-09-01 | 2022-01-14 | 应急管理部通信信息中心 | 一种加油站安全风险评估分级方法及系统 |
CN114065619A (zh) * | 2021-11-11 | 2022-02-18 | 北京石油化工学院 | 加油站危险预警方法及装置 |
CN114979585A (zh) * | 2022-06-16 | 2022-08-30 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的加油站智能安全系统 |
CN115481940A (zh) * | 2022-10-31 | 2022-12-16 | 中特检管道工程(北京)有限公司 | 一种基于大数据的油气管道区域风险监测系统 |
CN116319777A (zh) * | 2022-12-16 | 2023-06-23 | 广东飞企互联科技股份有限公司 | 一种基于边缘计算的智能网关业务处理方法 |
-
2023
- 2023-06-29 CN CN202310785207.3A patent/CN116558574B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100923016B1 (ko) * | 2009-06-24 | 2009-10-22 | 월드브리지산업 주식회사 | 유류저장탱크의 안전밸브 |
CN111024158A (zh) * | 2019-12-23 | 2020-04-17 | 广东工业大学 | 一种结合边缘计算的厨电危险智能监测方法 |
JP2021187523A (ja) * | 2020-06-01 | 2021-12-13 | Eneos株式会社 | 給油所管理システム |
CN112000674A (zh) * | 2020-10-29 | 2020-11-27 | 上海盟扩软件科技有限公司南京分公司 | 一种基于大数据的加油站异常数据监控处理方法及系统 |
CN112464817A (zh) * | 2020-11-27 | 2021-03-09 | 永顺县何家湾加油站 | 一种智慧化加油站环境风险防控检测系统及方法 |
CN112699750A (zh) * | 2020-12-22 | 2021-04-23 | 南方电网深圳数字电网研究院有限公司 | 基于边缘计算和ai的智慧加油站安全监测方法及系统 |
CN113570840A (zh) * | 2021-06-22 | 2021-10-29 | 东莞市绿灯网络科技有限公司 | 基于计算机视觉的加油站危险事故预警方法、装置及设备 |
CN113935571A (zh) * | 2021-09-01 | 2022-01-14 | 应急管理部通信信息中心 | 一种加油站安全风险评估分级方法及系统 |
CN114065619A (zh) * | 2021-11-11 | 2022-02-18 | 北京石油化工学院 | 加油站危险预警方法及装置 |
CN114979585A (zh) * | 2022-06-16 | 2022-08-30 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的加油站智能安全系统 |
CN115481940A (zh) * | 2022-10-31 | 2022-12-16 | 中特检管道工程(北京)有限公司 | 一种基于大数据的油气管道区域风险监测系统 |
CN116319777A (zh) * | 2022-12-16 | 2023-06-23 | 广东飞企互联科技股份有限公司 | 一种基于边缘计算的智能网关业务处理方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931577A (zh) * | 2024-01-26 | 2024-04-26 | 湖北消费金融股份有限公司 | 一种服务器运维数据监测方法及系统 |
CN117784697A (zh) * | 2024-01-31 | 2024-03-29 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
CN117784697B (zh) * | 2024-01-31 | 2024-05-24 | 成都秦川物联网科技股份有限公司 | 智慧燃气管网数据采集终端智能控制方法与物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116558574B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
Frangopol et al. | Life-cycle of structural systems: recent achievements and future directions | |
Le et al. | Optimal maintenance strategy of deteriorating system under imperfect maintenance and inspection using mixed inspectionscheduling | |
CN110020770A (zh) | 基于人工智能的风险和知识管理 | |
CN106886481B (zh) | 一种系统健康度静态分析预测方法及装置 | |
Kim et al. | Diagnosis and prediction of traffic congestion on urban road networks using Bayesian networks | |
CN110008096B (zh) | 数据监测方法、装置、电子设备及计算机可读存储介质 | |
CN103617110A (zh) | 服务器设备状态检修系统 | |
CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及系统 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
CN115423318A (zh) | 一种基于组合权重的计算机设备健康度评估方法及系统 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
CN114333317B (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
Miao et al. | Comparison of Markov chain and recurrent neural network in predicting bridge deterioration considering various factors | |
JP6832890B2 (ja) | 監視装置、監視方法、及びコンピュータプログラム | |
CN116132103A (zh) | 一种网络安全态势监测方法、装置、电子设备和存储介质 | |
JP6453784B2 (ja) | 信頼性評価装置、信頼性評価方法、及びプログラム | |
Morales et al. | Historical maintenance relevant information road-map for a self-learning maintenance prediction procedural approach | |
CN110413482B (zh) | 检测方法和装置 | |
RU2689090C2 (ru) | Способ оценки уровня безопасности сложной технической системы | |
CN117291432B (zh) | 一种基于人工智能的水资源调度监测系统 | |
JP6592580B2 (ja) | 信頼性評価装置、信頼性評価方法、及びプログラム |
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 |