CN116742519B - 一种基于全景监控的gis设备无尘化安装环境智能管理系统 - Google Patents
一种基于全景监控的gis设备无尘化安装环境智能管理系统 Download PDFInfo
- Publication number
- CN116742519B CN116742519B CN202311005333.9A CN202311005333A CN116742519B CN 116742519 B CN116742519 B CN 116742519B CN 202311005333 A CN202311005333 A CN 202311005333A CN 116742519 B CN116742519 B CN 116742519B
- Authority
- CN
- China
- Prior art keywords
- tool
- state
- environment
- installation
- gis
- 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
- 238000009434 installation Methods 0.000 title claims abstract description 89
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000010276 construction Methods 0.000 claims abstract description 24
- 238000011900 installation process Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims description 50
- 238000007726 management method Methods 0.000 claims description 42
- 230000009471 action Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 25
- 239000000428 dust Substances 0.000 claims description 18
- 239000002245 particle Substances 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 7
- 238000004887 air purification Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- 229910018503 SF6 Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 description 1
- 229960000909 sulfur hexafluoride Drugs 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
- H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
- H02B13/035—Gas-insulated switchgear
- H02B13/0356—Mounting of monitoring devices, e.g. current transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B13/00—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle
- H02B13/02—Arrangement of switchgear in which switches are enclosed in, or structurally associated with, a casing, e.g. cubicle with metal casing
- H02B13/035—Gas-insulated switchgear
- H02B13/065—Means for detecting or reacting to mechanical or electrical defects
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02B—BOARDS, SUBSTATIONS OR SWITCHING ARRANGEMENTS FOR THE SUPPLY OR DISTRIBUTION OF ELECTRIC POWER
- H02B3/00—Apparatus specially adapted for the manufacture, assembly, or maintenance of boards or switchgear
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Abstract
本发明公开了一种基于全景监控的GIS设备无尘化安装环境智能管理系统;系统包括全景摄像头,用于施工环境内部的图像采集;系统还设有智能工具管理模块,该模块根据全景摄像头采集的图像,跟踪管理GIS设备安装过程中使用的工具,并在满足预定条件时发出预警信息;GIS设备安装评价模块则根据全景摄像头采集的图像分析GIS设备的每个安装步骤,并为每个步骤生成评分;系统中的实时环境状态调控模块采用自适应环境管理算法,根据环境监测数据动态调节设备如空气净化器、工业空调、干燥空气发生器等的运行状态,以维持施工环境在制造商设定的优化范围内;此系统提供全方位的环境和工具管理,优化了GIS设备的安装过程,从而提升了施工效率和安装质量。
Description
技术领域
本发明涉及GIS安装环境管控领域,特别涉及一种基于全景监控的GIS设备无尘化安装环境智能管理系统。
背景技术
在高压电力系统中,气体绝缘开关设备(Gas Insulated Switchgear,GIS)由于其高可靠性、占地面积小、维护周期长等优点,得到了广泛的应用。GIS设备通常在封闭的金属壳内填充硫六氟化硫气体作为绝缘介质。然而,GIS设备的安装过程需要在无尘或尘埃极低的环境中进行,以防止尘埃颗粒降低设备的绝缘强度。
在传统的GIS设备安装过程中,环境监测和管理主要依赖于人工操作,包括手动测量环境参数(如温度、湿度和尘埃粒子计数等)、手动调节空气净化设备等设备的运行状态,以及手动跟踪管理安装过程中使用的工具。这种方式的效率较低,而且容易出现人为错误。此外,由于缺乏系统的安装过程评价,安装质量的控制也存在困难。
全景摄像头作为一种新型的监控设备,可以采集到施工环境的全景图像,但如何将其应用于GIS设备的无尘安装环境管理,以提高管理效率和安装质量,仍是当前技术面临的问题。
因此,亟待研发出一种新型的基于全景监控的GIS设备无尘化安装环境智能管理系统。
发明内容
本申请提供一种基于全景监控的GIS设备无尘化安装环境智能管理系统,以提升GIS设备安装的施工效率和安装质量。
本申请提供的基于全景监控的GIS设备无尘化安装环境智能管理系统,包括:全景摄像头,智能工具管理模块,GIS设备安装评价模块,实时环境状态调控模块,其中,所述全景摄像头,用于在施工环境内部进行图像采集;
所述智能工具管理模块,用于根据所述全景摄像头采集的图像,对于GIS设备安装过程中使用的工具进行跟踪管理,并根据预定的条件发出预警信息;
所述GIS设备安装评价模块,用于根据所述全景摄像头采集的图像,对GIS设备安装的每个步骤进行分析,并根据每个步骤的表现生成评分;
所述实时环境状态调控模块,使用自适应环境管理算法,根据环境监测数据动态调节空气净化设备、工业空调、干燥空气发生器等设备的运行状态,保持施工环境在厂家设定的优化范围内。
更进一步地,所述智能工具管理模块包括:
工具状态检测单元,采用机器视觉技术,用于识别并跟踪施工环境内部每个工具的状态和位置;
工具状态分析单元,采用深度学习算法对从工具状态检测单元获取的数据进行分析,以判断工具是否遗失或者位置是否变化;
工具状态显示单元,用于在界面上动态显示各工具的状态和位置,工具的形象通过3D建模与真实工具一一对应,状态包括但不限于工具是否被使用,被使用的工具当前的工作状态;
工具遗失预警单元,用于当工具状态分析单元判断工具可能遗失时,能够在工具状态显示单元中标注,并发出预警。
更进一步地,所述工具状态显示单元进一步包括一个模拟现场环境的3D界面,工具的位置将在该3D界面中以工具的3D模型形式实时显示,工具状态以直观的颜色或图案变化的方式表现在工具的3D模型上。
更进一步地,所述工具状态显示单元进一步包括一个工具状态列表,该列表将以表格或其他形式展示所有工具的详细状态,包括但不限于工具的类型、当前位置、是否被使用等信息。
更进一步地,所述GIS设备安装评价模块包括一个步骤分析部分,采用深度学习算法,通过训练来识别并分析每个安装步骤的执行情况,判断其是否符合预定的安装标准,并根据算法的判断结果为每个步骤生成相应的评分。
更进一步地,所述GIS设备安装评价模块包括一个总分计算部分,用于根据每个步骤的评分,按照预定的权重计算出总评分。
更进一步地,所述GIS设备安装评价模块进一步包括结果展示模块,该模块包括一个步骤时间轴,所述步骤时间轴上标注有所有的安装步骤及其预计开始和结束时间,其中,所述步骤时间轴上的每个步骤均以图标的形式表示,不同的颜色代表该步骤的状态,绿色表示已完成,黄色表示正在执行,灰色表示未开始。
更进一步地,所述实时环境状态调控模块具体用于:
采集GIS设备安装环境的参数,包括但不限于温度、湿度和尘埃粒子计数;
根据采集到的环境参数,设定对应的环境状态s;
针对每个环境状态s,设定可能的设备行动a,如空气净化器的风速、工业空调的温度设定、干燥空气发生器的湿度设定等;
定义奖励r,其值为负的环境参数与优化范围的差值;
利用Q-learning方法,为每个状态s和行动a计算对应的Q值Q(s, a),该Q值表示在状态s下采取行动a可以获得的期望奖励;
对于每个环境状态s,选择使得Q(s, a)最大的a作为设备的设置;
根据新的环境状态s'和奖励r,更新Q值Q(s, a)。
更进一步地,所述实时环境状态调控模块具体用于:采用如下公式,更新Q值Q(s,a),
Q(s, a) ← Q(s, a) +α[r +γmax_a' Q(s', a') - Q(s, a)],其中α为学习率,γ为折扣因子,s'为新的环境状态,a'为在新的状态下可能的行动。
更进一步地,所述实时环境状态调控模块包括一个Q-table可视化面板,该面板设计为以热图或者颜色编码的表格形式展示所述Q-table的内容,其中,不同的颜色代表不同的Q值,并且该Q-table可视化面板允许操作员直观地查看在各种环境状态下,各种行动的期望奖励。
本申请提供的基于全景监控的GIS设备无尘化安装环境智能管理系统融合了全景摄像头技术、智能工具管理、环境监控和管理,以及评分模块等多项先进技术。本申请的创造性体现在,采用全景监控技术,全景摄像头在施工环境内部进行全面的图像采集,将施工现场的全景情况清晰地呈现给操作员,这是传统监控手段无法实现的。通过图像分析技术,可以对GIS设备安装过程中使用的工具进行实时跟踪管理,并在预设条件触发时发出预警信息,大大提高了工具管理的效率和准确性。GIS设备安装评价模块可以对GIS设备安装的每个步骤进行深入分析,并生成评分,这是对安装过程的全方位评估,有助于保证安装质量。实时环境状态调控模块使用自适应环境管理算法,根据环境监测数据动态调节设备的运行状态,保持施工环境在厂家设定的优化范围内。这一自动化的、动态的环境调控方式,既提高了施工环境管理的效率,也更好地保证了安装质量。
本申请有益的技术效果主要包括:提高了GIS设备安装过程的智能化管理水平,减少了人为误操作的风险,优化了施工环境,提高了工具管理的效率和准确性,从而有利于提高GIS设备的安装质量和施工效率。同时,通过对安装过程的全方位评估和反馈,有助于不断优化安装流程,提升工作效率。
附图说明
图1是本申请第一实施例提供的一种基于全景监控的GIS设备无尘化安装环境智能管理系统的示意图。
图2是本申请第一实施例涉及的智能工具管理模块的示意图。
实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多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申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种基于全景监控的GIS设备无尘化安装环境智能管理系统。请参看图1,该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种基于全景监控的GIS设备无尘化安装环境智能管理系统进行详细说明。
所述系统包括全景摄像头101,智能工具管理模块103,GIS设备安装评价模块105,实时环境状态调控模块107。
所述全景摄像头101,用于在施工环境内部进行图像采集。
全景摄像头可以是一种360度摄像头,其可以捕捉到环境中所有方向的图像。这种类型的摄像头通常由多个鱼眼镜头组合而成,每个镜头覆盖一定的视角,然后通过软件技术将各个镜头捕捉到的图像拼接起来,生成一个无缝的360度全景图像。
全景摄像头101可以被安装在施工环境的各个角落,例如顶部、角落或者需要特别关注的区域。这样,无论施工现场的实际布局如何,摄像头都可以捕捉到所有的角度,提供全方位的视觉信息。
施工环境指的是GIS设备安装的具体场地,它可能涵盖各种各样的场景,例如防尘棚等。
所述智能工具管理模块103,用于根据所述全景摄像头采集的图像,对于GIS设备安装过程中使用的工具进行跟踪管理,并根据预定的条件发出报警信息。
如图2所示,所述智能工具管理模块103包括工具状态检测单元201,工具状态分析单元203,工具状态显示单元205以及工具遗失预警单元207。
工具状态检测单元201,采用机器视觉技术,用于识别并跟踪安装现场内每个工具的状态和位置。
工具状态检测单元201的实施具体包括如下步骤:
(1)工具识别:在这个单元的初始化阶段,每个工具都被标记有一个独特的可机器识别的机器可读码标签,例如二维码。本实施例可以采用一个或多个摄像头捕获安装现场的实时图像,然后将这些图像输入到深度学习算法中。这种深度学习算法可以是一种卷积神经网络(CNN),它已经被训练过能够识别图像中的工具标签。
(2)工具跟踪:一旦工具被识别,本实施例采用一种多目标跟踪的算法来跟踪每个工具的位置。这种算法基于一种被称为卡尔曼滤波器的方法,该方法能够预测每个工具在下一帧图像中的位置,然后根据下一帧图像中的实际观察结果来修正预测。
该算法主要包含以下步骤:
(a)初始化:首先,使用机器视觉技术(例如,目标检测和识别)来在安装现场的初始图像中识别所有的工具。每个工具的初始状态(包括位置和速度)被用来初始化一个卡尔曼滤波器。本实施例根据GIS设备安装的特点,可以将工具的位置定义为相对于某个固定参考点(例如,GIS设备本体)的相对位置。
(b)预测:然后,使用每个工具的卡尔曼滤波器来预测工具在下一帧图像中的位置。这一步基于物理学中的运动方程,例如,如果假设工具的速度在短时间内是恒定的,那么运动模型可以表示为:;这里:x_{k|k-1} 是预测的状态(例如,工具在第 k 帧图像中的预测位置和速度),F_k 是状态转移矩阵,描述了状态如何从一帧图像演化到下一帧,x_{k-1|k-1} 是在上一帧图像中的估计状态,B_k 是控制输入矩阵,描述了控制输入(例如,工人的操控)如何影响状态,u_k 是控制输入。
对应的预测协方差则由下式计算:
;这里,P_{k|k-1} 是预测协方差,描述了预测状态的不确定性,P_{k-1|k-1} 是在上一帧图像中的估计协方差,Q_k 是过程噪声协方差,描述了因为各种因素(例如,图像噪声、模型误差等)引起的预测误差。
(c)观察:在获得下一帧图像后,再次使用机器视觉技术来确定工具的实际位置。
(d)更新:最后,使用卡尔曼滤波器的更新方程来结合预测位置和实际观察位置,得到对工具位置的最优估计。这一步旨在减小预测误差,并对工具的运动模型进行在线调整,以便更好地适应可能的速度变化。
(e)反馈:根据实际需要,可以使用这些位置信息来更新现场的工具状态显示,或者触发某些警报事件(例如,当工具离开规定区域时)。
这个过程会在每一帧图像上重复进行,从而实现对工具位置的实时跟踪。
为了适应GIS设备安装的特性,可以在算法中引入一些特殊的规则或者约束条件。例如,如果知道某个工具只能在一定的区域内移动(例如,扳手必须沿着设备的某个通道运行),那么可以在卡尔曼滤波器中引入这个约束条件,以提高跟踪的准确性。
(3)工具状态检测:除了位置,本实施例还会检测每个工具的状态,比如是否正在使用,使用情况如何等。本实施例采用一种基于深度学习的方法来识别工具的状态,这种方法将考虑到工具的位置、角度、形状等多种因素。例如,如果一个钳子的两个部分靠近了,本实施例可以判断这个钳子正在被使用。
特别的,由于这个系统是针对GIS设备安装设计的,还会考虑到GIS设备安装的特点。比如,GIS设备的安装需要多个不同的工具,并且需要按照特定的顺序和方式使用。因此,本实施例提供的算法还会预测工具的使用顺序,并根据这个预测结果来进一步判断工具的状态。
(4)结果反馈:识别和跟踪结果将实时地反馈到操作员的界面上。界面上将显示一个动态的3D模型,这个模型将反映出安装现场的实际情况,包括每个工具的位置和状态。此外,操作员还可以通过界面查询到每个工具的详细信息,如工具的类型、使用历史等。
工具状态分析单元203,采用深度学习算法对从工具状态检测单元获取的数据进行分析,以判断工具是否遗失或者位置是否变化。
该单元的实施具体包括如下步骤:
(1)数据获取:首先,工具状态检测单元会使用机器视觉技术在每一帧图像中识别和跟踪安装现场的每一个工具。这个过程可以通过先前讨论的卡尔曼滤波器进行预测和跟踪。同时,本实施例会收集环境信息,如各区域的人员密度、工作进行的阶段等,这些信息会被用于后续的深度学习算法中。
(2)工具遗失检测:为了检测工具是否遗失,本实施例需要设计一个深度学习模型,例如基于递归神经网络(RNN)的模型。RNN适合处理时间序列数据,能够捕捉工具状态数据的时间性质。
本实施例设置一个二元分类任务,目标是预测每个工具在下一时间步是否会遗失。输入是一个时间窗口内工具的状态数据(例如位置、速度等)和环境信息(例如各区域的人员密度、工作进行的阶段等)。输出是工具在下一时间步是否会遗失的概率。
在训练过程中,可以使用交叉熵损失函数,公式如下:
;这里,y 是真实标签(0表示工具未遗失,1表示工具遗失),p 是模型预测的工具遗失的概率。
(3)工具位置变化检测:要检测工具位置的变化,可以利用前面的工具跟踪模块的输出,比如卡尔曼滤波器的预测位置。如果工具的实际位置与预测位置的差值超过某个阈值,可以判断工具的位置已经变化。这个阈值可以通过实验确定,或者根据GIS设备安装的具体情况进行设定。
具体的判别公式可以表示为:
d = sqrt((x_real - x_pred)2+ (y_real - y_pred)2);
if d>threshold:
判断工具位置发生变化:
这里,(x_real, y_real) 是工具的实际位置,(x_pred, y_pred) 是卡尔曼滤波器预测的位置,d 是两个位置之间的欧式距离,threshold 是预设的阈值。
(4)输出:最后,工具状态分析单元会输出每个工具是否遗失和位置是否变化的信息。这些信息会被用于指导工作人员查找工具,或者触发警告信号,提醒工作人员注意工具的管理。
工具状态显示单元205,用于在界面上动态显示各工具的状态和位置,工具的形象通过3D建模与真实工具一一对应,状态包括但不限于工具是否被使用,被使用的工具当前的工作状态。
该单元可以通过如下步骤实现:
(1)3D模型创建:首先,需要创建每个工具的3D模型。这可以通过使用CAD软件(如AutoCAD或SolidWorks)来实现,或者使用3D扫描技术直接扫描真实工具生成。生成的3D模型将被存储在数据库中,并与真实工具一一对应。
(2)工具状态与位置获取:这一步是通过工具状态检测单元工具状态分析单元完成的。前者使用机器视觉技术来跟踪每个工具的位置,后者使用深度学习算法来分析工具的状态,包括是否正在被使用以及工具的工作状态。
(3)状态与位置的显示:一旦有了每个工具的3D模型、位置和状态信息,就可以在界面上动态显示这些信息。可以使用计算机图形学的方法(例如OpenGL或WebGL)来渲染3D模型,并将其放置在对应的位置。同时,还可以使用不同的颜色或纹理来表示工具的状态。例如,可以使用绿色来表示工具正在被使用,红色表示工具可能遗失,蓝色表示工具未被使用。
(4)工作状态的表示:对于正在使用的工具,还可以显示其工作状态。具体如何表示取决于工具的种类和使用情境。例如,对于扳手,可以通过模型的旋转来表示其是否正在拧紧或松开螺丝;对于电钻,可以通过模型的震动来表示其是否正在工作。这些状态的表示可以通过计算机动画的方法来实现。
(5)界面交互:为了使操作人员能更直观地理解工具的状态和位置,还可以添加一些界面交互的功能。例如,操作人员可以通过鼠标或触摸屏来旋转和缩放3D视图,或者点击某个工具来获取其详细的状态信息。
所述工具状态显示单元205进一步包括一个模拟现场环境的3D界面,工具的位置将在该3D界面中以工具的3D模型形式实时显示,工具状态将以直观的颜色或图案变化的方式表现在工具的3D模型上。
该模拟现场环境的3D界面具体包括如下实施步骤:
(a)创建模拟现场环境的3D界面:首先需要创建一个模拟现场环境的3D界面,包括工地的基础设施,如建筑物、脚手架、电线等,以及GIS设备的安装位置。这可以通过CAD软件或者3D建模软件,如SketchUp或3ds Max等来实现。
(b)3D模型的动态显示:一旦工具被工具状态检测单元检测到,它的3D模型将在3D界面上的相应位置实时显示。例如,如果一个扳手正在用于固定GIS设备的某个部分,那么扳手的3D模型就会出现在该部分的位置。
(c)工具状态的直观显示:对于工具状态的显示,系统可以使用颜色或图案的变化来表现。例如,如果工具正在被使用,那么其3D模型可能会变成绿色;如果工具可能遗失,那么其模型可能会变成红色。此外,工具的工作状态也可以通过3D模型的动画来表示,例如,正在使用的电钻的3D模型会显示旋转的动画。
所述工具状态显示单元进一步包括一个工具状态列表,该列表将以表格或其他形式展示所有工具的详细状态,包括但不限于工具的类型、当前位置、是否被使用等信息。
这个列表可以以表格的形式显示,每行对应一个工具,每列对应一种状态信息,如工具的类型、当前位置、是否被使用等。
该工具状态列表具体包括如下实施步骤:
(a)状态信息的更新:当工具的状态变化时,例如当工具被取出使用或放回工具箱,工具状态检测单元会检测到这些变化,并更新工具状态列表。例如,如果一个扳手被取出使用,那么在工具状态列表中,扳手对应的行的“是否被使用”列会从“否”变为“是”。
(b)状态信息的展示:通过工具状态列表,监控人员可以一目了然地看到每个工具的状态,从而做出决策,例如是否需要查找遗失的工具,或者是否需要清理已经使用过的工具等。
工具遗失预警单元207,用于当工具状态分析单元判断工具可能遗失时,能够立即在工具状态显示单元中标注,并发出预警。
所述GIS设备安装评价模块105,用于根据所述全景摄像头采集的图像,对GIS设备安装的每个步骤进行分析,并根据每个步骤的表现生成评分。
GIS设备安装的每个步骤都有严格的安装标准,传统的GIS设备安装评价是专业人员通过实时视频监控进行的,这种评价方法依赖于专业人员的经验并且耗费人力资源。本实施例提供一种GIS设备安装评价模块,基于人工智能,提高了GIS设备安装评价的自动化程度以及精度。
本实施例提供的GIS设备安装评价模块105包括一个步骤分析部分,采用深度学习算法,通过训练来识别并分析每个安装步骤的执行情况,判断其是否符合预定的安装标准,并根据算法的判断结果为每个步骤生成相应的评分。步骤分析部分具体包括如下实施步骤:
(1)步骤识别:使用计算机视觉技术,包括深度学习算法如卷积神经网络(CNN),对全景监控的视频流进行实时分析,识别出当前进行的安装步骤。这可能涉及到对象检测(例如,识别出吊车、断路器、工具等)、动作识别(例如,识别出吊起、放置、调整等动作)以及场景理解(例如,理解出断路器安装的位置和状态)等任务。
(2)步骤评价:使用深度学习算法,比如递归神经网络(RNN),将每个步骤的信息(包括识别的对象、动作和场景)作为输入,输出一个分数,表示该步骤是否符合要求。这需要事先定义好每个步骤应符合的要求,例如断路器的x、y轴位置误差小于5mm,法兰的清洁程度等,并将这些要求转化为算法可以理解的形式。
所述GIS设备安装评价模块105包括一个总分计算部分,用于根据每个步骤的评分,按照预定的权重计算出总评分。这部分将每个步骤的分数进行加权平均,计算出安装过程的总分。具体的加权方式可以根据每个步骤的重要程度来设定,例如,一些关键步骤(如法兰的密封操作)的分数权重可能会更高。
所述GIS设备安装评价模块105进一步包括结果展示部分,这部分将每个步骤的分数和总分展示在用户界面上。这可以以图表的形式进行,例如,使用柱状图显示每个步骤的分数,使用折线图显示总分的变化。同时,该模块还可以提供每个步骤的分析,例如,指出哪些步骤的分数较低,以及可能的原因。
结果展示部分还可以包括一个步骤时间轴,所述步骤时间轴上标注有所有的安装步骤及其预计开始和结束时间,其中,所述步骤时间轴上的每个步骤均以图标的形式表示,不同的颜色代表该步骤的状态,绿色表示已完成,黄色表示正在执行,灰色表示未开始。下面对于步骤时间轴进行举例说明:
设想一个用户正在安装GIS设备,打开本实施例提供的智能管理系统,屏幕的一侧会有一个横向或纵向的时间轴。时间轴上清晰地标注了所有的安装步骤,以及每个步骤的开始和结束时间,形成一条连续的时间流。
在这个时间轴上,每个步骤都像一个小的时间节点,节点上用不同颜色的图标代表了该步骤的状态。比如绿色表示已完成,黄色表示正在执行,灰色表示未开始。用户很容易看出现在处于整个安装过程的什么阶段,以及还有哪些步骤未开始。
如果用户点击时间轴上的任何一个步骤,主屏幕上会弹出一个详细信息窗口。窗口中显示了该步骤的具体操作、得分、可能出现的问题以及改进建议等信息。例如,用户点击了“断路器就位”的步骤,弹出的信息窗口会显示:“此步骤得分:95/100,可能的问题:x、y轴线对齐误差超过5mm,改进建议:使用全站仪精确校准轴线位置。”这样用户就能知道自己在这个步骤中做得怎么样,哪些地方需要改进。
这种设计可以帮助用户清晰地把握整个安装过程的进度,同时也方便用户查阅每个步骤的详细信息和评价,对于提高安装效率和质量具有极大的帮助。
结果展示部分还可以包括交互式3D GIS设备模型展示,其采用现代的3D渲染技术,将GIS设备以高精度3D模型的形式展示在屏幕上。用户可以通过鼠标或触摸屏操作,实现对模型的旋转、缩放等交互操作,更加直观地理解设备的构造和每个部件的位置。同时,各个安装步骤在3D模型上都有相应的标注和高亮显示,用户点击某一步骤,模型会自动旋转和缩放到最适合观察该步骤的角度和大小。下面对于交互式3D GIS设备模型展示进行举例说明:
假设用户正在安装一个GIS设备,打开本实施例提供的智能管理系统,首先进入视觉范围的便是一款与实际设备高度一致的3D GIS设备模型。这个模型通过复杂的3D渲染技术,细节逼真,可以清晰地看到每一个部件的形状、尺寸,甚至材料的质感。模型以旋转的形式展示在屏幕中央,允许用户通过触摸屏或鼠标拖动操作来调整模型的角度、大小,以便从不同视角观察设备的结构和部件。
在设备模型下方,会有一条进度条,列出了所有的安装步骤。每个步骤都标有相应的编号,这些编号与3D模型上的部件编号相对应,方便用户在安装过程中随时查看和比对。当用户点击进度条上的某一步骤,如“断路器安装”,3D模型会自动旋转和缩放,聚焦到断路器的位置,同时断路器部件会被高亮显示,帮助用户更好地识别和定位。
在3D模型的一侧,还有一个操作提示窗口,根据用户选择的安装步骤,展示相关的操作指引和注意事项,配合3D模型的实时展示,让用户可以在理论与实践之间快速切换,提高安装的效率和精确度。
比如,在进行断路器安装的时候,模型会自动将断路器部件高亮并将其放在视线中心,窗口中则显示"使用尼龙吊绳将断路器吊至安装位置,吊运中要轻缓平稳,禁止粗吊重卸"等操作步骤。当用户在实际操作中发现困难,可以参照3D模型进行对照,同时查看详细步骤,以确保正确无误地安装断路器。
通过交互式3D GIS设备模型展示,用户可以更直观、更准确地理解设备的构造和每个部件的位置,提升了GIS设备的安装效率和准确度。
所述实时环境状态调控模块107,使用自适应环境管理算法,根据环境监测数据动态调节空气净化设备、工业空调、干燥空气发生器等设备的运行状态,保持施工环境在厂家设定的优化范围内。
GIS设备对于安装环境有严格的要求,传统的安装环境需要人工调节,本实施例提出一种自适应环境管理算法,根据环境监测数据动态调节空气净化设备、工业空调、干燥空气发生器等设备的运行状态,保持施工环境在厂家设定的优化范围内。
自适应环境管理算法的目标是根据监测到的环境参数(如温度、湿度、尘埃粒子计数等),实时调整设备如空气净化器、工业空调、干燥空气发生器等的运行状态,以保持施工环境在制造商设定的优化范围内。
自适应环境管理算法可以采用强化学习的方法,使得算法能够通过反馈学习如何优化环境状态。以下是一个高级的强化学习方法的例子,可以使用Q-learning方法。
对于每个设备,定义其状态s为当前的环境状态,例如温度、湿度等,行动a为可能的设备设置,例如空气净化器的风速等。每次设备采取行动a后,环境会变为新的状态s',并给出奖励r,这个奖励值可以设为负的环境参数与优化范围的差值。
在GIS设备安装过程中,环境状态可以包括如下参数:
温度:设备安装的环境温度。比如,当前温度为25°C。
湿度:设备安装的环境湿度。如,当前湿度为45%。
尘埃粒子计数:环境中的尘埃粒子数量。例如,当前尘埃粒子计数为5000粒子/立方米。
本实施例中,实时环境状态调控模块控制空气净化器、工业空调和干燥空气发生器等设备的运行状态。具体设备行动可以包括:
空气净化器的风速设置。例如,将风速从中档(a1)调整到高档(a2)。
工业空调的温度设置。例如,将设定温度从24°C(a3)调整到23°C(a4)。
干燥空气发生器的湿度设置。例如,将设定湿度从50%(a5)调整到45%(a6)。
定义Q(s, a)为在状态s下采取行动a可以获得的期望奖励,通过反复的试验,可以逐渐学习到每个Q(s, a)的值,即本实施例的Q-table。每次设备需要决定采取何种行动时,选择能够使得Q(s, a)最大的a作为设备的设定。
奖励设计为负的环境参数与制造商设定的优化范围之间的差值。例如,如果制造商设定的优化温度为24°C,而当前环境温度为25°C,那么奖励r就为-1。这样设计奖励机制,使得环境参数尽可能接近优化范围。
当环境状态发生变化时(例如,环境温度从24°C变为25°C),强化学习模型会选择新的设备行动以优化环境状态。具体来说,模型会查找Q-table,选择使得Q(s, a)最大的a作为新的设备设置。
更新Q-table的公式为:Q(s, a) ← Q(s, a) +α[r +γmax_a' Q(s', a') - Q(s, a)],其中α是学习率,γ是折扣因子,r是奖励,s'是新的状态,a'是在新的状态下可能的行动。
例如,如果当前环境状态s为(温度25°C,湿度45%,尘埃粒子计数5000粒子/立方米),设备空气净化器采取了行动a1(将风速调整到高档),然后环境变为新状态s',奖励r为-1,可以通过上述公式,更新Q(s, a1)的值。同时,模型也会更新其他行动a2, a3, a4,a5, a6对应的Q值。
通过不断地交互和学习,模型会逐渐了解每个环境状态下哪种设备设置能够最大程度地优化环境状态,从而实现自适应的环境管理。
所述实时环境状态调控模块包括一个Q-table可视化面板,该面板设计为以热图或者颜色编码的表格形式展示所述Q-table的内容,其中,不同的颜色代表不同的Q值,并且该Q-table可视化面板允许操作员直观地查看在各种环境状态下,各种行动的期望奖励。
首先,要设定一个Q-table。在这个强化学习算法中,Q-table是一个二维表,其中行代表状态,列代表行动。在GIS设备安装环境中,状态可能包括环境温度、湿度、尘埃粒子计数等,而行动可能包括空气净化器的风速、工业空调的温度设定、干燥空气发生器的运行频率等。
Q-table可视化面板的核心是一个二维图,其中X轴代表状态,Y轴代表行动。表中的每个单元格代表一个特定状态-行动对(s, a),单元格的颜色代表Q(s, a)的值。颜色可以用热图来表示,例如,较高的Q值可以用较暖的颜色(如红色)来表示,较低的Q值可以用较冷的颜色(如蓝色)来表示。这样,操作员只需要观察面板,就可以直观地了解在各种环境状态下,各种行动的期望奖励。
除了显示Q-table,面板还可以提供搜索和排序功能。搜索功能允许操作员输入一个状态或者一个行动,然后面板会高亮显示与搜索条件匹配的单元格。排序功能则允许操作员按照Q值、状态或者行动对表格进行排序。这样,操作员可以更快地找到在特定环境状态下的最佳行动,或者找到对环境有最大改善效果的行动。
最后,可以在面板上添加一个实时更新功能。每当GIS设备执行一个行动并接收到环境反馈后,Q-table的值就会更新,面板也需要同步更新以反映最新的数据。这样,操作员就可以实时地看到环境状态的变化,以及不同行动的效果。
Q-table可视化面板为操作员提供了一个直观、方便的工具,可以帮助他们更好地理解和控制GIS设备的运行状态,从而保证设备在最优的环境中安装和运行。
所述实时环境状态调控模块还包括实时环境状态监测面板,这个面板上可以显示当前环境参数的数值,例如温度、湿度、尘埃粒子计数等,这些参数可以用实时更新的仪表或图形来表示。当环境参数超出制造商设定的优化范围时,相关的仪表或图形可以以闪烁、变色或其他显眼的方式提示操作员。
实时环境状态监测面板可设计成一个高度互动和信息丰富的界面,采用图形化的方式来显示环境参数的实时数值,例如温度、湿度、尘埃粒子计数等。
例如,温度可以用一个形似温度计的动态条形图来表示。这个条形图可以根据实时的温度数值在一个预设的范围内上下移动。在条形图旁边,可以显示一个数字,显示当前的具体温度。条形图的背景色可以用渐变色来表示,当温度在安全范围内时,背景色为绿色;当温度接近预警值时,背景色渐变为黄色;当温度超出制造商设定的优化范围时,背景色变为红色,并开始闪烁,以提示操作员注意。
湿度和尘埃粒子计数也可以用类似的方式来表示。湿度可以用一个像水滴的图形来表示,水滴的大小根据湿度的高低进行变化;尘埃粒子计数可以用一个像云的图形来表示,云的密度根据尘埃粒子的多少进行变化。
为了更加直观地展示环境状态,还可以设计一个动态环境模拟图。这个图是一个三维的室内模型,模型中的色彩、光线、雾化效果等元素可以根据环境参数的变化进行动态调整。例如,如果温度过高,模型中的色彩可以变得更加偏向红色;如果湿度过大,模型中可以出现雾气;如果尘埃粒子过多,模型中的视线可以变得模糊。这样,操作员就可以通过直观的视觉效果了解当前的环境状态。
此外,面板上还可以设置一键优化按钮,当环境参数超出制造商设定的优化范围时,操作员可以点击这个按钮,系统会自动调整设备设置,尽快将环境参数调整回到优化范围内。
所述实时环境状态调控模块还包括设备运行状态和设置面板,这个面板上可以显示各个设备的运行状态和设置。每个设备可以有一个专门的区域,显示设备的运行状态(例如是否开启、当前运行的强度等)以及算法选择的设置。这个面板还可以提供手动调整设备设置的选项,以备在需要时进行人工干预。
例如,考虑空气净化器的运行状态和设置。可以设计一个3D模型的空气净化器图标,运行状态可以通过图标的动画效果来展示:如果设备正在运行,图标可以展现出旋转或振动的动画效果;如果设备处于待机状态,图标则保持静止。设备的运行强度可以通过动画效果的速度或者设备图标颜色的深浅来表示。此外,设备的模块还会显示一个数字或者进度条来直观地显示设备的运行强度。如果设备处于非理想状态(例如滤网需要更换),设备图标可以开始闪烁或变色以提醒操作员注意。
除此之外,设备运行状态和设置面板还有一个设置区域,其中包含一些滑动条或下拉菜单,操作员可以通过这些工具手动调整设备的运行状态和参数。例如,操作员可以通过滑动条来调整空气净化器的风速,或者通过下拉菜单来选择不同的运行模式。
所述设备运行状态和设置面板还具有智能推荐设置。在该面板中,设置区域旁边可以有一个小灯泡图标,当操作员点击这个图标时,系统会根据当前的环境参数和Q-learning算法给出一个最佳的设备设置建议,操作员可以选择是否应用这个建议。
设备运行状态和设置面板也可以包括一个总体控制区域,包括一个全局的开关按钮和一个一键优化按钮。全局开关按钮可以控制所有设备的开关状态,一键优化按钮可以让系统自动根据当前的环境参数调整所有设备的设置,以达到最佳的环境状态。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
Claims (7)
1.一种基于全景监控的GIS设备无尘化安装环境智能管理系统,其特征在于,包括:全景摄像头,智能工具管理模块,GIS设备安装评价模块,实时环境状态调控模块,其中,所述全景摄像头,用于在施工环境内部进行图像采集;
所述智能工具管理模块,用于根据所述全景摄像头采集的图像,对于GIS设备安装过程中使用的工具进行跟踪管理,并根据预定的条件发出预警信息;
所述GIS设备安装评价模块,用于根据所述全景摄像头采集的图像,对GIS设备安装的每个步骤进行分析,并根据每个步骤的表现生成评分;
所述实时环境状态调控模块,使用自适应环境管理算法,根据环境监测数据动态调节空气净化设备、工业空调、干燥空气发生器设备的运行状态,保持施工环境在厂家设定的优化范围内;
其中,所述智能工具管理模块包括:
工具状态检测单元,采用机器视觉技术,用于识别并跟踪施工环境内部每个工具的状态和位置;
工具状态分析单元,采用深度学习算法对从所述工具状态检测单元获取的数据进行分析,以判断工具是否遗失或者位置是否变化;
工具状态显示单元,用于在界面上动态显示各个工具的状态和位置,工具的形象通过3D建模与真实工具一一对应,所述状态包括工具是否被使用和被使用的工具当前的工作状态;
工具遗失预警单元,用于当所述工具状态分析单元判断工具可能遗失时,能够在工具状态显示单元中标注,并发出预警;
所述实时环境状态调控模块具体用于:
采集GIS设备安装环境的参数,包括温度、湿度和尘埃粒子计数;
根据采集到的环境参数,设定对应的环境状态s;
针对每个环境状态s,设定可能的设备行动a,包括空气净化器的风速、工业空调的温度设定和干燥空气发生器的湿度设定;
定义奖励r,其值为负的环境参数与优化范围的差值;
利用Q-learning方法,为每个状态s和行动a计算对应的Q值Q(s, a),该Q值表示在状态s下采取行动a可以获得的期望奖励;
对于每个环境状态s,选择使得Q(s, a)最大的a作为设备的设置;
根据新的环境状态s'和奖励r,更新Q值Q(s, a);
所述实时环境状态调控模块包括一个Q-table可视化面板,该面板设计为以热图或者颜色编码的表格形式展示所述Q-table的内容,其中,不同的颜色代表不同的Q值,并且该Q-table可视化面板允许操作员查看在各种环境状态下,各种行动的期望奖励。
2.根据权利要求1所述的系统,其特征在于,所述工具状态显示单元包括一个模拟现场环境的3D界面,工具的位置在该3D界面中以工具的3D模型形式实时显示,工具状态以颜色或图案变化的方式表现在工具的3D模型上。
3.根据权利要求1所述的系统,其特征在于,所述工具状态显示单元包括一个工具状态列表,该列表将以表格形式展示所有工具的详细状态,包括工具的类型、当前位置和是否被使用信息。
4.根据权利要求1所述的系统,其特征在于,所述GIS设备安装评价模块包括一个步骤分析部分,采用深度学习算法,通过训练来识别并分析每个安装步骤的执行情况,判断其是否符合预定的安装标准,并根据算法的判断结果为每个步骤生成相应的评分。
5.根据权利要求4所述的系统,其特征在于,所述GIS设备安装评价模块包括一个总分计算部分,用于根据每个步骤的评分,按照预定的权重计算出总评分。
6.根据权利要求1所述的系统,其特征在于,所述GIS设备安装评价模块包括结果展示模块,该模块包括一个步骤时间轴,所述步骤时间轴上标注有所有的安装步骤及其预计开始和结束时间,其中,所述步骤时间轴上的每个步骤均以图标的形式表示,不同的颜色代表该步骤的状态,绿色表示已完成,黄色表示正在执行,灰色表示未开始。
7.根据权利要求1所述的系统,其特征在于,所述实时环境状态调控模块具体用于:采用如下公式,更新Q值Q(s, a),Q(s, a) ← Q(s, a) +α[r +γmax_a' Q(s', a') - Q(s,a)],其中α为学习率,γ为折扣因子,s'为新的环境状态,a'为在新的状态下可能的行动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005333.9A CN116742519B (zh) | 2023-08-10 | 2023-08-10 | 一种基于全景监控的gis设备无尘化安装环境智能管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311005333.9A CN116742519B (zh) | 2023-08-10 | 2023-08-10 | 一种基于全景监控的gis设备无尘化安装环境智能管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116742519A CN116742519A (zh) | 2023-09-12 |
CN116742519B true CN116742519B (zh) | 2024-01-19 |
Family
ID=87901530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311005333.9A Active CN116742519B (zh) | 2023-08-10 | 2023-08-10 | 一种基于全景监控的gis设备无尘化安装环境智能管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116742519B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140093034A (ko) * | 2013-01-17 | 2014-07-25 | 강석일 | 외장형 부분방전 검출센서 |
JP2017201479A (ja) * | 2016-05-06 | 2017-11-09 | 日本ユニシス株式会社 | コミュニケーション支援システム |
KR101822829B1 (ko) * | 2017-08-11 | 2018-01-29 | 문경훈 | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
CN113325815A (zh) * | 2021-06-29 | 2021-08-31 | 重庆川仪控制系统有限公司 | 用于监测诊断工业现场环境和设备的dcs系统 |
WO2022025282A1 (ja) * | 2020-07-31 | 2022-02-03 | TechMagic株式会社 | 学習制御システム |
CN114200987A (zh) * | 2021-12-03 | 2022-03-18 | 天津农学院 | 一种基于强化学习的密闭式畜禽舍环境智能调控方法 |
CN115048688A (zh) * | 2022-04-01 | 2022-09-13 | 湖州电力设计院有限公司 | 一种基于可移动式屋面的gis室平面优化方法 |
-
2023
- 2023-08-10 CN CN202311005333.9A patent/CN116742519B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140093034A (ko) * | 2013-01-17 | 2014-07-25 | 강석일 | 외장형 부분방전 검출센서 |
JP2017201479A (ja) * | 2016-05-06 | 2017-11-09 | 日本ユニシス株式会社 | コミュニケーション支援システム |
KR101822829B1 (ko) * | 2017-08-11 | 2018-01-29 | 문경훈 | 머신러닝을 이용한 차단기 부분방전 유형진단 및 노이즈 판별 방법 |
CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
WO2022025282A1 (ja) * | 2020-07-31 | 2022-02-03 | TechMagic株式会社 | 学習制御システム |
CN113325815A (zh) * | 2021-06-29 | 2021-08-31 | 重庆川仪控制系统有限公司 | 用于监测诊断工业现场环境和设备的dcs系统 |
CN114200987A (zh) * | 2021-12-03 | 2022-03-18 | 天津农学院 | 一种基于强化学习的密闭式畜禽舍环境智能调控方法 |
CN115048688A (zh) * | 2022-04-01 | 2022-09-13 | 湖州电力设计院有限公司 | 一种基于可移动式屋面的gis室平面优化方法 |
Non-Patent Citations (2)
Title |
---|
cooperative neural fitted learning for distributed energy management in microgrids via wireless networks;Weirong Liu 等;《2017 IEEE 86th vehicular technology Conference》;1-5 * |
一种新的多智能体Q学习算法;郭锐 等;《自动化学报》;367-372 * |
Also Published As
Publication number | Publication date |
---|---|
CN116742519A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417120A (zh) | 一种变电站实景三维智能巡检系统及方法 | |
CN107087016B (zh) | 基于视频监控网络的楼宇内移动物体的导航方法及系统 | |
CN113954066B (zh) | 一种基于数字孪生系统的配网作业机器人控制方法及装置 | |
CN108445767A (zh) | 一种基于无人机的可视化现场安全监督管理系统 | |
CN110225296A (zh) | 园区三维实景智能监控方法、系统及装置 | |
EP2296069A1 (en) | Process monitoring system | |
EP4004333A1 (en) | Well site machine learning based rod pump failure predictions | |
CN106572325A (zh) | 基于虚拟现实技术的隧道监控设备巡检系统 | |
US11487350B2 (en) | Dynamically representing a changing environment over a communications channel | |
US20220297304A1 (en) | System and method for early event detection using generative and discriminative machine learning models | |
CN116772868B (zh) | 一种配电室巡检机器人及其自动巡检方法 | |
CN112929602A (zh) | 基于图像处理的数据监控方法、装置及相关设备 | |
CN116742519B (zh) | 一种基于全景监控的gis设备无尘化安装环境智能管理系统 | |
CN111384776B (zh) | 一种基于vr的变电站三维全景状态监测方法及系统 | |
CN109118584B (zh) | 控制自动化系统的方法、控制系统及计算机程序产品 | |
CN112153344B (zh) | 基于嵌入式gpu平台和深度学习的配电房设备状态在线智能监控系统及方法 | |
CN117111660A (zh) | 一种无人值守智能粮仓系统及方法 | |
CN104298972A (zh) | 家用设备状态识别方法、系统及移动终端 | |
CN115574945B (zh) | 一种矿热炉巡检机器人控制系统及方法 | |
CN115828620A (zh) | 一种基于增强现实的矿山灾害应急仿真方法及系统 | |
US11893714B2 (en) | Precipitation removal from video | |
CN116168381A (zh) | 电压切换开关的状态检测方法及系统 | |
CN117237813B (zh) | 基于视频识别的隧道施工供氧控制方法、装置及系统 | |
US20230419650A1 (en) | Image localization using a digital twin representation of an environment | |
CN114386313A (zh) | 基于机器学习和北斗短报文的行为识别装置及方法 |
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 |