CN116596322B - 一种基于大数据可视化的物业设备管理方法及系统 - Google Patents
一种基于大数据可视化的物业设备管理方法及系统 Download PDFInfo
- Publication number
- CN116596322B CN116596322B CN202310869524.3A CN202310869524A CN116596322B CN 116596322 B CN116596322 B CN 116596322B CN 202310869524 A CN202310869524 A CN 202310869524A CN 116596322 B CN116596322 B CN 116596322B
- Authority
- CN
- China
- Prior art keywords
- equipment
- risk
- data
- management
- judged
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 94
- 238000013079 data visualisation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000005265 energy consumption Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011234 economic evaluation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012800 visualization Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于大数据可视化的物业设备管理方法及系统，涉及可视化管理技术领域，包括：采集物业系统中设备的相关数据；通过卷积神经网络和循环神经网络对所述相关数据进行深度分析和预测，生成设备的第一风险系数，进行初次判断；根据初次判断的风险等级，触发相应的设备管理策略；重新获取设备状态数据，结合设备的历史风险预测值，通过深度学习模型进行第二次风险预测，得到第二风险系数，并计算标准差，根据第二风险系数和标准差进行最终判断。本发明所述方法通过数据可视化技术展示设备状态和优化设备管理，以实现设备风险识别、预测和优化设备管理的目的，提高设备的可靠性和性能，减少维修成本和停机时间。
Description
技术领域
本发明涉及可视化管理技术领域，尤其涉及一种基于大数据可视化的物业设备管理方法及系统。
背景技术
大数据分析和预测利用人工智能、机器学习和统计分析等技术，处理和分析大规模的数据集，以识别模式、关联性和趋势，并预测未来的情况，传统方法通常依赖手动分析和基于规则的决策，无法处理大量和复杂的数据，缺乏自动化和准确性，需要大量的人力和时间投入，且结果可能受主观因素影响，物联网和传感器技术结合了传感器、通信和云计算等技术，使物理设备能够通过互联网进行连接、通信和数据交换。
传统的物业管理方法在数据收集和分析方面存在局限性，通常依赖手动操作和基于规则的决策，无法处理大规模和复杂的数据。同时，传统方法中的数据收集和监测依赖人工操作或有限的传感器系统，效率低且缺乏实时性。为了解决这些问题，我们发明的基于大数据可视化的物业设备管理方法引入了先进的技术。这包括大数据分析和预测，利用人工智能、机器学习和统计分析等技术处理和分析大规模数据集，以识别模式、关联性和趋势，并预测未来情况。利用物联网和传感器技术，通过自动化收集设备数据和物业环境信息，实现设备状态的实时监测和数据交换。通过引入这些先进技术实现自动化的数据处理和准确的风险预测，同时利用数据可视化技术提供直观的信息展示和决策支持，优化物业设备的状态管理和维护策略。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于大数据可视化的物业设备管理方法，通过深度分析和预测技术，对设备状态和故障风险进行准确识别和预测，提前采取措施避免设备故障和服务中断。
为解决上述技术问题，本发明提供如下技术方案，一种基于大数据可视化的物业设备管理方法，包括：采集物业系统中设备的相关数据；通过卷积神经网络和循环神经网络对所述相关数据进行深度分析和预测，生成设备的第一风险系数，进行初次判断；根据初次判断的风险等级，触发相应的设备管理策略；重新获取设备状态数据，结合设备的历史风险预测值，通过深度学习模型进行第二次风险预测，得到第二风险系数，并计算设备在一个设定历史时间内的风险预测值的标准差，根据第二风险系数和标准差进行最终判断；根据最终判断的风险等级，确定设备的最终管理策略，利用数据可视化技术进行设备状态展示和设备状态管理。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述深度分析和预测包括：使用卷积神经网络对设备状态的时空模式进行编码，抽取出设备故障的空间分布特征和时间演变特征，通过嵌入方法将设备类型、设备制造商、设备工作环境信息编码为连续的特征向量，与卷积神经网络的输出进行融合。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述生成设备的第一风险系数包括通过循环神经网络分析由卷积神经网络编码的设备状态序列和嵌入编码的设备信息，检测出可能预示设备故障的复杂时间依赖模式，生成设备的第一风险系数，进行初次判断；所述第一风险系数表示为：
其中，表示第一风险系数，/>表示第一风险系数的权重系数，/>表示对设备状态序列/>应用卷积神经网络模型，/>表示对嵌入编码的设备信息/>应用循环神经网络模型，/>表示将/>和/>的输出进行组合的函数。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述初次判断包括：当时，设备被判断为一级风险，根据第一设定频率获取且检测设备参数；当/>时，设备被判断为二级风险，根据第二设定频率获取且检测设备参数；当/>时，设备被判断为三级风险，调整设备的运行参数，安装额外的监测设备监控设备的状态；当/>时，设备被判断为四级风险，进行紧急干预立即停止设备的运行，进行详细的设备检查，更换可能出现问题的设备部件。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述采集物业系统中设备的相关数据包括：使用IoT设备和传感器的自动收集环境数据，收集物业环境中设备信息，包括设备能耗、人流量数据、设备状态数据、故障历史、设备类型、设备制造商、设备工作环境，对收集的数据进行初步清洗、标准化和预处理。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述第二风险系数表示为：
其中，表示第二风险系数，/>表示第二风险系数的权重系数，/>表示标准差，/>表示将第一风险系数/>和标准差/>进行组合的函数。
所述标准差表示为：
其中，表示数据样本，/>表示数据样本的平均值，/>表示数据样本的数量。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述最终判断包括，当且/>时，设备最终被判断为一级风险；当且/>时，设备最终被判断为二级风险；当/>或时，设备最终被判断为三级风险。
当或/>时，设备最终被判断为四级风险。
确定设备的最终管理策略包括：
当最终被判断为一级风险时，则继续执行初次判断的设备管理策略。当最终被判断为二级风险时，则考虑设备的预防性维护。当最终被判断为三级风险时，则根据历史记录设定设备的运行参数；根据设备的运行状态自动调整设备的运行参数。
当最终被判断为四级风险时，则在紧急干预的同时，启动备用设备，同时启动故障追踪机制，判断设备故障的原因，对设备进行修复。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述进行设备状态展示包括：根据设备的最终风险等级，利用数据可视化技术，展示设备的风险预测值和风险等级的变化趋势，以及设备的故障历史和设备状态的实时数据，根据设备的实时状态数据和历史故障数据，评估风险管理策略的效果，根据设备的风险预测值和风险等级的变化趋势，触发保养策略的调整，将保养策略的执行结果反馈回模型，作为新的输入数据。
作为本发明所述的一种基于大数据可视化的物业设备管理方法的一种优选方案，其中，所述设备状态管理包括：根据设备类型、设备制造商、设备工作环境、设备历史故障数据信息，建立对应的设备应急管理策略，在设备出现无法预测的情况下，根据设备的具体情况，实施对应的应急管理策略；若判定设备出现严重故障，系统自动选择并执行对应的应急技术策略，紧急调整设备运行参数，将设备置于安全模式，迅速启动备用设备替换故障设备降低服务中断时间；若判断设备受到自然灾害影响，启动灾害应对模式，紧急切断电源、紧急数据备份。
本发明的另外一个目的是提供一种基于大数据可视化的物业设备管理系统，其能通过构建配网作业远程安全通信系统，解决了现有配网作业中的数据传输需要保证安全性和保密性，通过第三方平台不利于数据保密问题。
一种基于大数据可视化的物业设备管理系统，其特征在于，包括数据采集模块、风险评估模块、设备管理模块、经济评估模块；所述数据采集模块用于使用传感器和IoT设备自动收集设备能耗、人流量、设备状态和故障历史数据；所述风险评估模块通过深度学习和大数据分析技术对数据进行分析和预测，评估设备的风险，并生成风险系数；所述设备管理模块根据设备的风险等级，执行设备管理策略，进行常规检查、维护、设备升级和更换；所述经济评估模块用于对设备管理策略的执行效果进行评估。
本发明的有益效果：本发明方法利用物联网设备和传感器自动收集设备数据，通过深度分析和预测生成设备的风险系数，并根据风险等级触发相应的设备管理策略，通过数据可视化技术展示设备状态和优化设备管理，以实现设备风险识别、预测和优化设备管理的目的；通过采集物业系统中设备的相关数据，减少人工操作和错误，提高数据收集和处理的效率和准确性。
能够准确识别和预测设备故障的风险，并根据风险等级触发相应的设备管理策略，提前进行维护和调整，降低设备故障和服务中断的风险；通过数据可视化技术展示设备状态和风险等级的变化趋势，提供直观的信息展示和决策支持，优化物业设备的状态管理和维护策略，进一步提高设备的可靠性和性能，并减少维修成本和停机时间。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的一种基于大数据可视化的物业设备管理工作方法流程示意图；
图2为本发明一个实施例提供的一种基于大数据可视化的物业设备管理系统的整体结构图。
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，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
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它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种基于大数据可视化的物业设备管理方法，包括采集物业系统中设备的相关数据。
采集物业系统中设备的相关数据包括：使用IoT设备和传感器的自动收集环境数据，收集物业环境中设备信息，包括设备能耗、人流量数据、设备状态数据、故障历史、设备类型、设备制造商、设备工作环境，对收集的数据进行初步清洗、标准化和预处理。
IoT设备通过互联网连接并能够与其他设备进行通信和交互的物理设备，使用IoT设备实现了自动化的数据收集和设备信息交换。搭载传感器、处理器和通信模块，能够感知环境数据和设备状态，并将数据通过互联网传输到数据处理中心。
传感器感知和测量环境特定参数的装置，如温度、湿度、光照强度等，使用传感器实现了环境数据的自动收集，通过安装在物业环境中的传感器，获取设备能耗、人流量数据以及环境参数等重要信息。传感器将这些数据转换为电信号，供IoT设备收集和传输。
通过异常检测方法检测和移除异常值或噪声，或者通过数据质量评估方法，包括完整性检查、一致性检查、准确性检查保证数据的质量，对于设备模型的更新，通过增量学习或在线学习的方法来适应设备状态的变化，定期用最新的设备数据重新训练模型，当设备状态有大的变化时，触发模型的重新训练。
通过卷积神经网络和循环神经网络对所述相关数据进行深度分析和预测，生成设备的第一风险系数，进行初次判断。
首先利用卷积神经网络（Convolutional Neural Network，CNN）对设备的状态数据进行处理。CNN能有效地处理设备的空间和时间序列数据，从而抽取出设备故障的空间分布特征和时间演变特征。这种抽象的表示包含了设备的行为模式和可能的问题。
接下来，考虑设备的类型、制造商和工作环境信息，通过嵌入（embedding）方法将这些信息编码成连续的特征向量，将上述两步得到的信息进行融合。卷积神经网络输出的特征向量和设备信息的嵌入编码合并在一起，形成一个包含更全面设备信息的特征向量。
通过循环神经网络（Recurrent Neural Network，RNN）处理上述融合的信息。RNN的主要优点是能够处理时间序列数据，探测可能预示设备故障的复杂时间依赖模式。RNN会发现设备在过去一段时间内的异常行为，是未来故障的预兆。
RNN的输出进一步被转换成一个标量值，作为第一风险系数，代表设备的潜在风险，第一风险系数值越高，表示设备出现故障的可能性越大，设备状态序列S经过卷积神经网络模型处理，提取设备状态的时空模式，并生成相应的输出；嵌入编码的设备信息E经过循环神经网络模型处理，分析设备信息的时间依赖性，并生成相应的输出；函数F1将卷积神经网络和循环神经网络的输出进行组合，得到最终的第一风险系数R1。
第一风险系数表示为：
其中，表示第一风险系数，/>表示第一风险系数的权重系数，/>表示对设备状态序列/>应用卷积神经网络模型，/>表示对嵌入编码的设备信息/>应用循环神经网络模型，/>表示将/>和/>的输出进行组合的函数。若设备的使用频率高，使用强度大，或者工作在恶劣环境中，权重会相对较大；若设备的维护历史良好，权重相对较小，会降低风险系数。相反，如果设备经常需要维护，或者存在未解决的维护问题，那么这个因素的权重会较大，风险系数也会增加；若设备的年龄越大，设备年龄这个因素的权重就越大，从而增加风险系数。
相反，如果设备是新的或者使用年限较短，那么这个因素的权重较小，风险系数也较低；对于故障率较高或预期寿命较短的设备类型或制造商，这个因素的权重会较大，从而增加风险系数。相反，如果设备类型或制造商的故障率较低或预期寿命较长，那么这个因素的权重较小，风险系数也较低；若设备处于恶劣的工作环境，例如高温、高湿、高振动等，那么这个因素的权重会较大，从而增加风险系数。相反，如果设备工作环境良好，这个因素的权重较小，风险系数也较低；若设备的运行数据显示设备可能存在问题，例如电流、电压、温度、振动等参数异常，那么这个因素的权重会较大，风险系数也会增加。相反，如果设备的运行数据显示设备状态良好，那么这个因素的权重较小，风险系数也较低。
需要说明的是，在实际应用中，函数可以采用不同的形式来组合CNN(S)和RNN(E)的输出，本实施例中，采用全连接层（Dense Layer）来融合这两个网络的输出，具体公式如下：
式中，表示将CNN(S)和RNN(E)的输出拼接在一起，W 是权重矩阵，为常数，用于在组合过程中赋予CNN(S)和RNN(E)不同的权重。b 是偏差项，为常数。Activation是激活函数。
初次判断包括：当时，设备被判断为一级风险，根据第一设定频率获取且检测设备参数；当/>时，设备被判断为二级风险，根据第二设定频率获取且检测设备参数；当/>时，设备被判断为三级风险，调整设备的运行参数，安装额外的监测设备监控设备的状态；当/>时，设备被判断为四级风险，进行紧急干预立即停止设备的运行，进行详细的设备检查，更换可能出现问题的设备部件。
一级风险代表极低风险，第一设定频率为基础检查频率，可根据设备类型进行设定，一级风险只需要执行设备的定期检查和维护，保持设备的正常运行即可；二级风险为低风险，第二设定频率是指在基础检查频率的基础上额外一倍的检查频率，例如监控设备的第一设定频率为5天检查一次，那么该设备的第二设定频率就是2.5天检查一次。
三级风险为中风险，此时需要调整设备的运行参数，具体调整方案为：当设备处于中风险等级时，在数据平台上记录每个设备的历史工作参数和历史故障记录；历史工作参数包括设备的工作温度、压力、运行速度、能耗等，历史故障记录包括故障发生的时间、故障的类型、故障的原因；若设备的风险等级被评估为三级，对历史工作参数进行预处理，预处理包括去除异常值、填充缺失值、特征缩放，将这些历史工作参数作为输入特征，以设备的故障记录作为标签，使用支持向量机（SVM）对数据进行训练和预测，分析工作参数与故障发生的关系。
训练完成后，评估模型的性能，包括其准确率、召回率和F1分数，基于模型的特征权重，找到可能导致设备故障的关键工作参数，关键工作参数包括温度、运行速度、压力、能耗、振动频率、使用时长、工作负载以及零件磨损；若设备在高温度下运行时更容易发生故障，优化冷却系统以降低设备的工作温度，对冷却系统进行清洁、维修或升级，或者改进设备的环境设计，提高工作场所的通风条件；若设备在高速运行时更容易出现故障，调整设备的运行模式或设置，以降低设备的运行速度，对设备的驱动系统或控制软件进行调整；若设备在高压下更容易发生故障，调整设备的工作压力，修改液压或气压系统的设置，替换某些关键零件；若设备在高能耗时更容易出现故障，优化设备的能源使用效率，降低其能耗，优化设备的工作流程，使设备在不影响生产效率的情况下尽可能减少能源消耗。
若设备在高振动频率下更容易发生故障，增加防震设施或改进设备的固定方式，以减少设备的振动。需要增加防震垫，或者改进设备的安装设计；若设备的连续使用时间过长易导致故障，设置设备的使用时长限制，并给设备设置适当的休息时间，防止设备过度疲劳。
若设备在高负载下更容易发生故障，调整工作流程或任务分配，避免设备长时间处于高负载状态；若设备的某些零件磨损过快可能导致故障，定期进行维护和更换零件，或者选择使用耐磨性更好的零件，以减少零件的磨损；四级风险为高风险，此时设备可能随时出现问题，所以需要立刻检查。
当按照设备一次风险系数执行风险管理策略后，重新获取设备状态数据，结合设备的历史风险预测值，通过深度学习模型进行第二次风险预测，得到第二风险系数R2，并计算设备在一个设定历史时间内的风险预测值的标准差，在本实施例中，历史时间的区间可根据需要进行选取。
第二风险系数表示为：
其中，表示第二风险系数，/>表示第二风险系数的权重系数，/>表示标准差，表示将第一风险系数/>和标准差/>进行组合的函数。在本实施例中，采用简单的线性函数来融合这参数，具体公式为：/>。
所述标准差表示为：
其中，表示数据样本，/>表示数据样本的平均值，/>表示数据样本的数量。
若值很小，说明设备的风险预测值变化不大，设备的风险状态相对稳定，若/>值较大，说明设备的风险预测值波动较大，设备的风险状态可能有大的起伏，设备正在面临更大的风险或者可能在较短的时间内出现问题。
通过监测的变化，实时跟踪设备风险状态的稳定性，并根据需要调整设备的管理策略，一个高的/>值可能预示着设备风险状态的大幅变化，提供了提前采取行动的信号，尽可能地避免设备的故障。
所述最终判断包括，当且/>时，设备最终被判断为一级风险，继续执行初次判断的设备管理策略；当/>且/>时，设备最终被判断为二级风险，考虑设备的预防性维护；当/>或/>时，设备最终被判断为三级风险，根据历史记录设定设备的运行参数，根据设备的运行状态自动调整设备的运行参数；当/>或/>时，设备最终被判断为四级风险，在紧急干预的同时，启动备用设备，同时启动故障追踪机制，判断设备故障的原因，对设备进行修复根据风险等级，触发相应的设备管理策略，利用数据可视化技术进行设备状态展示和设备状态管理。
进行设备状态展示包括：根据设备的最终风险等级，利用数据可视化技术，展示设备的风险预测值和风险等级的变化趋势，以及设备的故障历史和设备状态的实时数据，根据设备的实时状态数据和历史故障数据，评估风险管理策略的效果，根据设备的风险预测值和风险等级的变化趋势，触发保养策略的调整，将保养策略的执行结果反馈回模型，作为新的输入数据。
设备状态管理包括：根据设备类型、设备制造商、设备工作环境、设备历史故障数据信息，建立对应的设备应急管理策略，在设备出现无法预测的情况下，根据设备的具体情况，实施对应的应急管理策略。
若判定设备出现严重故障，系统自动选择并执行对应的应急技术策略，紧急调整设备运行参数，将设备置于安全模式，迅速启动备用设备替换故障设备降低服务中断时间；若判断设备受到自然灾害影响，启动灾害应对模式，紧急切断电源、紧急数据备份。
若设备的运行状态突然偏离了正常范围故障指标超过了历史最高值的2倍，判断设备可能出现了严重故障，立即启动对应的应急管理策略，立即降低设备的工作负载，将设备置于安全模式，尽快启动备用设备，以减少服务中断时间。
若设备的环境参数（如温度、湿度、气压）在短时间内发生了异常变化，设备的振动、噪声等指标超过了预设阈值范围，将判断设备可能受到了自然灾害的影响，启动灾害应对模式，紧急切断设备的电源，或者立即备份设备的数据。同时，我们也将做好设备的后续处理，如评估设备的损坏程度，以及决定是否需要进行设备的更换或修复。
在设备出现严重故障或自然灾害等无法预测的情况下，根据设备的具体情况，实施对应的应急管理策略，如紧急停机、设备转移、设备备份、人员疏散、应急维修等；具体步骤可以包括：首先，系统根据设备的故障情况自动选择最适合的应急管理策略；然后，系统自动发送通知给物业管理人员，告知设备的故障情况和所选择的应急管理策略；接着，物业管理人员根据通知中的信息进行相应操作；最后，系统根据设备恢复后的运行数据和人工反馈，对应急管理策略进行评估和优化，以提高应对类似情况的效率。
建立设备行为模型，模拟设备在特定条件下可能的行为和响应，在实际故障发生之前预测并避免可能出现的问题，当某个设备的运行环境参数（如温度、湿度）发生改变时，设备行为模型可以预测设备可能的反应和可能出现的问题，从而提前进行调整，通过深度学习或其他机器学习算法，构建设备行为模型，该模型能够模拟设备在各种不同的工作环境参数下的行为反应，训练这个模型需要大量的历史设备状态和环境数据，预测模型应该是适应性的，即当新的数据输入时，模型能够自我调整以适应设备行为的变化。
为每个设备设定一个“健康分数”，根据设备的实时运行状态、历史故障数据、预测风险等级等因素动态更新，直观地反映设备的运行状态和风险等级，通过大数据可视化技术在界面上展示出来，便于物业管理人员实时查看和管理。
当设备的风险等级提高时，系统可以自动发送预警通知给物业管理人员，让他们可以提前采取行动，对设备进行检查、维护或更换。
在系统中加入设备生命周期管理的功能，包括设备的购买、安装、运行、维护、更新和淘汰等环节。帮助管理人员更全面、更系统地管理设备，延长设备的使用寿命，减少设备的总体拥有成本。
在现有系统中加入能源管理功能，监控和优化设备的能源消耗。通过设备调度和优化，使设备在低电价时段运行，从而节省能源成本。
当一台设备出现故障时，相关的设备可以自动调整其工作状态以适应这种变化，从而确保整体服务的稳定性。
用户可以及时反馈设备使用过程中的问题，这些反馈可以作为评估设备状态和风险管理策略效果的一个重要依据。
实施例2
参照图2，为本发明的第二个实施例，该实施例提供了一种基于大数据可视化的物业设备管理系统，包括：
数据采集模块、风险评估模块、设备管理模块、经济评估模块；
数据采集模块用于使用传感器和IoT设备自动收集设备能耗、人流量、设备状态和故障历史数据；
风险评估模块通过深度学习和大数据分析技术对数据进行分析和预测，评估设备的风险，并生成风险系数；
设备管理模块根据设备的风险等级，执行设备管理策略，进行常规检查、维护、设备升级和更换。
经济评估模块用于对设备管理策略的执行效果进行评估。
实施例3
本发明第三个实施例，其不同于前两个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例4
为本发明的第四个实施例，为了验证本发明的有益效果，通过经济效益计算和仿真实验对基于大数据可视化的物业设备管理方法和传统的物业管理程序进行科学论证。
使用MATLAB和CloudSim来评估算法。模拟已在具有Intel处理器和12 GB RAM的环境中运行。 使用的操作系统是64位Windows 11 Ultimate。用MATLAB编程语言对点系统进行仿真，连接记录，构建数据分布。
将传统的物业管理程序，作为对照组，从设备数据模拟软件中生成不同的设备数据，并输入到物业管理场景模拟器中；使用我方发明的物业管理方法实施程序和传统的物业管理程序分别处理这些数据，得到设备风险系数和设备管理策略；在物业管理场景模拟器中实施这些策略，并记录设备状态的变化；计算设备故障率和服务中断时间，以此为指标评价我们的方法和传统方法的效果，实验结果如表1、表2所示。
表1 设备故障率对比表（单位：%）
表2 服务中断时间对比表（单位：小时）
在设备故障率方面，传统方法与我们的方法相比在所有风险等级上都存在更高的故障率，这种差异在风险等级更高的设备上更为显著，因为我们的方法使用了深度学习技术对设备风险进行预测，并根据风险等级触发相应的设备管理策略，能够更准确地识别设备故障风险，从而降低设备故障率。
在服务中断时间方面，传统方法在所有风险等级上的服务中断时间都比我们的方法长，因为我们的方法在设备出现问题时，能够快速地进行维修和恢复服务，从而减少服务中断时间，我方发明方法在处理高风险设备的故障时表现出了明显的优势，能够大幅度地减少服务中断时间。
收集一段时间的设备状态数据和故障历史，然后使用这些数据来训练我们的深度学习模型，并用模型来计算R1。
将收集的数据分为两个部分，一部分用于训练模型（训练集），一部分用于验证模型的预测准确度（验证集）。通过在训练集上训练模型并在验证集上验证模型的预测结果，得到不同阈值下模型预测的准确率。
在实验中，尝试不同的阈值，并记录每个阈值下模型在验证集上的预测准确率。然后选择在验证集上预测准确率最高的阈值作为我们的阈值选择，实验结果如表3所示。
表3 不同阈值下预测准确率对比表
阈值的选择在很大程度上取决于预测模型的性能和希望模型能达到的预测目标，尽可能早地预警设备可能的故障，以便在设备出现故障前采取行动，从而避免或最小化由设备故障导致的服务中断，使得模型能够在设备可能出现故障前就给出预警，选择一个较低的阈值，如果阈值过低，模型可能会频繁地给出预警，而实际上设备并没有出现故障，发生误报，过多的误报会消耗管理人员的时间和资源，同时也可能导致他们对模型的预警失去耐心，因此需要在早期预警和避免误报之间找到一个平衡。
通过在不同阈值下评估模型在验证集上的预测准确率，当阈值为0.2时，模型在验证集上的预测准确率达到了最高，当阈值为0.2时，模型既能在设备可能出现故障前给出预警，又能避免过多的误报，因此，我们选择0.2作为风险系数R1的最优阈值。
因此，选择0.2作为风险系数R1的阈值是一个基于数据和实际需求的决定，体现了对预警早期性和误报防止的平衡，以及对设备重要性、置换成本、维护难易度等因素的考虑。我方发明能够大大提高设备的可靠性和稳定性，降低设备故障率，减少服务中断时间，从而提高物业管理的效率和质量。
应说明的是，以上实施例仅用于说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于大数据可视化的物业设备管理方法，其特征在于：包括，
采集物业系统中设备的相关数据；
通过卷积神经网络和循环神经网络对所述相关数据进行深度分析和预测，生成设备的第一风险系数，进行初次判断；
根据初次判断的风险等级，触发相应的设备管理策略；
重新获取设备状态数据，结合设备的历史风险预测值，通过深度学习模型进行第二次风险预测，得到第二风险系数；计算设备在一个设定历史时间内的风险预测值的标准差，根据第二风险系数和标准差进行最终判断；
根据最终判断的风险等级，确定设备的最终管理策略，利用数据可视化技术进行设备状态展示和设备状态管理；
所述初次判断包括：所述生成设备的第一风险系数包括通过循环神经网络分析由卷积神经网络编码的设备状态序列和嵌入编码的设备信息，检测出可能预示设备故障的复杂时间依赖模式，生成第一风险系数；
所述第一风险系数表示为，
，
其中，表示第一风险系数，/>表示第一风险系数的权重系数，/>表示对设备状态序列/>应用卷积神经网络模型，/>表示对嵌入编码的设备信息/>应用循环神经网络模型，/>表示将/>和/>的输出进行组合的函数；
所述初次判断包括：
当时，设备被判断为一级风险，根据第一设定频率获取且检测设备参数；当时，设备被判断为二级风险，根据第二设定频率获取且检测设备参数；当时，设备被判断为三级风险，调整设备的运行参数，安装额外的监测设备监控设备的状态；当/>时，设备被判断为四级风险，进行紧急干预立即停止设备的运行，进行详细的设备检查，更换可能出现问题的设备部件；所述采集物业系统中设备的相关数据包括：
使用IoT设备和传感器的自动收集环境数据，收集物业环境中设备信息，包括设备能耗、人流量数据、设备状态数据、故障历史、设备类型、设备制造商、设备工作环境，对收集的数据进行初步清洗、标准化和预处理；
所述第二风险系数表示为：
，
其中，表示第二风险系数的权重系数，/>表示标准差，/>表示将第一风险系数/>和标准差/>进行组合的函数；
所述标准差表示为：
，
其中，表示数据样本，/>表示数据样本的平均值，/>表示数据样本的数量；
所述最终判断包括，当且/>时，设备最终被判断为一级风险；当且/>时，设备最终被判断为二级风险；当/>或时，设备最终被判断为三级风险；当/>或/>时，设备最终被判断为四级风险；
确定设备的最终管理策略包括：
当最终被判断为一级风险时，则继续执行初次判断的设备管理策略；
当最终被判断为二级风险时，则考虑设备的预防性维护；
当最终被判断为三级风险时，则根据历史记录设定设备的运行参数；根据设备的运行状态自动调整设备的运行参数；
当最终被判断为四级风险时，则在紧急干预的同时，启动备用设备，同时启动故障追踪机制，判断设备故障的原因，对设备进行修复；
所述进行设备状态展示包括：
通过深度学习算法，构建设备行为模型，该模型能够模拟设备在各种不同的工作环境参数下的行为反应，当新的数据输入时，模型能够自我调整以适应设备行为的变化；
根据设备的最终风险等级，利用数据可视化技术，展示设备的风险预测值和风险等级的变化趋势，以及设备的故障历史和设备状态的实时数据，根据设备的实时状态数据和历史故障数据，评估风险管理策略的效果，根据设备的风险预测值和风险等级的变化趋势，触发保养策略的调整，将保养策略的执行结果反馈回设备行为模型，作为新的输入数据；
所述设备状态管理包括：
根据设备类型、设备制造商、设备工作环境、设备历史故障数据信息，建立对应的设备应急管理策略，在设备出现无法预测的情况下，根据设备的具体情况，实施对应的应急管理策略；
若判定设备出现严重故障，系统自动选择并执行对应的应急技术策略，紧急调整设备运行参数，将设备置于安全模式，迅速启动备用设备替换故障设备降低服务中断时间；若判断设备受到自然灾害影响，启动灾害应对模式，紧急切断电源、紧急数据备份；
所述深度分析和预测包括：
使用卷积神经网络对设备状态的时空模式进行编码，抽取出设备故障的空间分布特征和时间演变特征，通过嵌入方法将设备类型、设备制造商、设备工作环境信息编码为连续的特征向量，与卷积神经网络的输出进行融合。
2.一种采用如权利要求1所述的基于大数据可视化的物业设备管理方法的系统，其特征在于：包括，
数据采集模块、风险评估模块、设备管理模块、经济评估模块；
所述数据采集模块用于使用传感器和IoT设备自动收集设备能耗、人流量、设备状态和故障历史数据；
所述风险评估模块通过深度学习和大数据分析技术对数据进行分析和预测，评估设备的风险，并生成风险系数；
所述设备管理模块根据设备的风险等级，执行设备管理策略，进行常规检查、维护、设备升级和更换；
所述经济评估模块用于对设备管理策略的执行效果进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310869524.3A CN116596322B (zh) | 2023-07-17 | 2023-07-17 | 一种基于大数据可视化的物业设备管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310869524.3A CN116596322B (zh) | 2023-07-17 | 2023-07-17 | 一种基于大数据可视化的物业设备管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596322A CN116596322A (zh) | 2023-08-15 |
| CN116596322B true CN116596322B (zh) | 2023-10-31 |
Family
ID=87608559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310869524.3A Active CN116596322B (zh) | 2023-07-17 | 2023-07-17 | 一种基于大数据可视化的物业设备管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596322B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117171661B (zh) * | 2023-11-03 | 2024-01-26 | 山东鸿远新材料科技股份有限公司 | 一种化工厂污水处理监控方法及系统 |
| CN117808272B (zh) * | 2024-02-29 | 2024-05-10 | 南京迅集科技有限公司 | 一种基于机器学习的工业系统产能优化与调度方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的系统和方法 |
| CN109447242A (zh) * | 2018-10-10 | 2019-03-08 | 复旦大学 | 基于迭代学习的图像描述重生成系统及方法 |
| CN110567558A (zh) * | 2019-08-28 | 2019-12-13 | 华南理工大学 | 一种基于深度卷积特征的超声导波检测方法 |
| CN111818093A (zh) * | 2020-08-28 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
| CN111832993A (zh) * | 2020-07-13 | 2020-10-27 | 深圳市今天国际物流技术股份有限公司 | 一种仓储物流系统的预测维护方法及相关组件 |
| CN111967565A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220198256A1 (en) * | 2020-12-18 | 2022-06-23 | Nb Ventures, Inc. Dba Gep | Artificial intelligence based operations in enterprise application |
-
2023
- 2023-07-17 CN CN202310869524.3A patent/CN116596322B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447242A (zh) * | 2018-10-10 | 2019-03-08 | 复旦大学 | 基于迭代学习的图像描述重生成系统及方法 |
| CN109214719A (zh) * | 2018-11-02 | 2019-01-15 | 广东电网有限责任公司 | 一种基于人工智能的营销稽查分析的系统和方法 |
| CN110567558A (zh) * | 2019-08-28 | 2019-12-13 | 华南理工大学 | 一种基于深度卷积特征的超声导波检测方法 |
| CN111832993A (zh) * | 2020-07-13 | 2020-10-27 | 深圳市今天国际物流技术股份有限公司 | 一种仓储物流系统的预测维护方法及相关组件 |
| CN111818093A (zh) * | 2020-08-28 | 2020-10-23 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
| CN111967565A (zh) * | 2020-10-23 | 2020-11-20 | 支付宝(杭州)信息技术有限公司 | 用于进行风险评估的神经网络系统、方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596322A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596322B (zh) | 一种基于大数据可视化的物业设备管理方法及系统 | |
| KR102092185B1 (ko) | 중전기기 건전성 분석 플랫폼 및 이를 이용하는 분석 방법 | |
| KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
| CN108829933A (zh) | 一种半导体制造设备的预测性维护与健康管理的方法 | |
| CN112462734B (zh) | 一种工业生产设备故障预测分析方法及模型 | |
| CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
| KR102408426B1 (ko) | 설비 노화 지수를 이용한 이상 감지 방법 및 장치 | |
| CN111242323A (zh) | 用于修理机器次优操作的主动自动系统和方法 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN110262460B (zh) | 一种结合聚类思想进行特征提取的砼活塞故障预测方法 | |
| CN116821107A (zh) | 一种用于智慧电厂的主数据智能化管理方法及系统 | |
| CN116910680B (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN113723827A (zh) | 地铁机电设备运行风险诊断及运维管控方法与系统 | |
| CN117114454A (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| JP7062505B2 (ja) | 設備管理支援システム | |
| CN113673600B (zh) | 一种工业信号异常预警方法、系统、存储介质及计算设备 | |
| CN115169650A (zh) | 一种大数据分析的装备健康预测方法 | |
| CN112115128B (zh) | 一种基于多维传感器的5g实时动态故障处理系统 | |
| CN114091811A (zh) | 一种核电厂循环水泵维修决策系统及设计方法 | |
| Wang et al. | Predictive maintenance and sensitivity analysis for equipment with multiple quality states | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN117574303B (zh) | 施工状况的监测预警方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |