CN116805204A - 一种智慧厂务监控方法及系统 - Google Patents
一种智慧厂务监控方法及系统 Download PDFInfo
- Publication number
- CN116805204A CN116805204A CN202311073755.XA CN202311073755A CN116805204A CN 116805204 A CN116805204 A CN 116805204A CN 202311073755 A CN202311073755 A CN 202311073755A CN 116805204 A CN116805204 A CN 116805204A
- Authority
- CN
- China
- Prior art keywords
- information
- plant
- monitoring
- qualification
- factory
- 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 288
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012797 qualification Methods 0.000 claims abstract description 153
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000009193 crawling Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 16
- 238000003066 decision tree Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种智慧厂务监控方法及系统，属于智慧监测领域，其中方法包括：获取厂区的效率需求信息和质量需求信息，进行监控等级决策，获得厂务监控等级；对预设无尘厂务要求信息进行调整，获得厂务要求信息；采集目标厂区图像，进行局部向量提取处理，获得局部向量集合；构建合格度分析通道，将局部向量集合和样本合格局部向量集合输入合格度分析通道，获得合格度信息；构建厂务监控信息矩阵，计算获得厂务监控信息和综合厂务监控信息。本申请解决了现有技术中无法根据工厂实际生产需求动态、精准地进行无尘工厂监控的技术问题，达到了根据工厂生产需求动态调整无尘监控策略，实现工厂关键位置精准高效无尘监控的技术效果。
Description
技术领域
本发明涉及智慧监测领域，具体涉及一种智慧厂务监控方法及系统。
背景技术
随着工业生产的自动化和精细化，工厂生产环境的控制成为影响产品质量和生产效率的关键因素之一。近年来，自动化的无尘工厂监控系统应运而生，通过环境监测设备采集空气指标数据进行监控。但是，这些系统往往采用固定的监控策略和空气质量标准对整个工厂区域进行统一监测，难以针对关键位置的具体状况进行动态调整，监控精度难以满足要求。另外，基于图像的无尘监控技术通过对工厂图像进行空气可视化分析实现监控，但由于不同工厂空气质量特征差异大，使得图像分析模型难以达到较高的泛化能力，应用范围受到限制。
发明内容
本申请通过提供了一种智慧厂务监控方法及系统，旨在解决现有技术中无法根据工厂实际生产需求动态、精准地进行无尘工厂监控的技术问题。
鉴于上述问题，本申请提供了一种智慧厂务监控方法及系统。
本申请公开的第一个方面，提供了一种智慧厂务监控方法，该方法包括：获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级；根据厂务监控等级，对目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数；采集目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合；构建厂务合格度分析通道，分别将M个局部向量集合和多个样本合格局部向量集合输入厂务合格度分析通道，获得M个合格度信息；结合M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，M个厂务监控信息包括M个位置当前的无尘厂务控制得分。
本申请公开的另一个方面，提供了一种智慧厂务监控系统，该系统包括：监控等级获取模块，用于获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级；要求信息调整模块，用于根据厂务监控等级，对目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数；局部向量提取模块，用于采集目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合；合格分析通道模块，用于构建厂务合格度分析通道，分别将M个局部向量集合和多个样本合格局部向量集合输入厂务合格度分析通道，获得M个合格度信息；厂务控制得分模块，用于结合M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，M个厂务监控信息包括M个位置当前的无尘厂务控制得分。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获取工厂当前生产需求信息，决定工厂监控等级，并根据监控等级调整不同位置的无尘监控要求，使监控策略根据工厂实际状况进行了动态优化；采集工厂各位置的图像，对图像进行局部特征提取，获得每个位置的特征向量集合；通过与训练样本进行合格度分析，计算不同位置具体的空气质量评分，实现对工厂各细节位置的精准监控；结合不同位置的监控要求和空气质量评分，构建工厂监控信息矩阵，通过矩阵分析算法计算工厂整体的空气质量得分，实现对整个工厂区域空气质量的监控评估的技术方案，解决了现有技术中无法根据工厂实际生产需求动态、精准地进行无尘工厂监控的技术问题，达到了根据工厂生产需求动态调整无尘监控策略，实现工厂关键位置精准高效无尘监控的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种智慧厂务监控方法可能的流程示意图；
图2为本申请实施例提供了一种智慧厂务监控方法中获得厂务监控等级可能的流程示意图；
图3为本申请实施例提供了一种智慧厂务监控方法中构建厂务合格度分析通道可能的流程示意图；
图4为本申请实施例提供了一种智慧厂务监控系统可能的结构示意图。
附图标记说明：监控等级获取模块11，要求信息调整模块12，局部向量提取模块13，合格分析通道模块14，厂务控制得分模块15。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了一种智慧厂务监控方法及系统。首先根据工厂当前生产需求决定监控等级，动态优化不同位置的监控要求使监控策略精准匹配工厂实际需求。然后采集工厂关键位置图像，提取图像局部特征，通过与样本进行合格度分析，精准计算每个位置的空气质量评分。进而结合不同位置的监控要求和空气质量评分，构建工厂监控信息矩阵，通过矩阵分析算法获得工厂整体空气质量评估结果，达到根据工厂生产需求动态调整无尘监控策略，实现工厂关键位置精准高效监控的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种智慧厂务监控方法，该方法包括：
步骤S100：获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级；
具体而言，目标厂区是指需要进行无尘厂务监控的工厂区域，是监控对象。效率需求信息是指目标厂区当前生产所需要达到的产量要求，为单位时间内需要生产的产品数量，是判断厂务监控等级的依据之一。质量需求信息是指目标厂区当前生产所需要达到的产品质量要求，为产品合格率要求，是判断厂务监控等级的依据之一。其中，效率要求越高，对于无尘控制的要求越低，质量要求越高，则对于无尘控制的要求越高。无尘厂务监控是指对工厂区内的生产环境、设备运行状态、产品质量等进行实时监测，以确保生产符合无尘车间标准，保障产品质量；厂务监控等级是指实施无尘厂务监控的强度，根据监控对象和要求的严格程度划分。
调用目标厂区生产计划系统，获取历史一定时间内的生产计划数据，这些数据中包含产品数量、合格率等信息。对获取的生产计划数据进行统计分析，计算得到目标厂区当前单位时间内需要生产的产品数量，作为效率需求信息；计算得到目标厂区当前生产产品的合格率要求，作为质量需求信息。然后，对目标厂区无尘厂务监控系统进行调用，获取历史一定时间内的无尘厂务监控数据及监控等级，例如，监控等级分为三级，由低到高为一级、二级和三级。随后，基于获取的无尘厂务监控数据，采用决策树模型建立无尘厂务监控等级决策模型，模型输入为效率需求信息和质量需求信息，输出为无尘厂务监控等级。之后，将获得的效率需求信息和质量需求信息输入建立的决策模型，模型分析后输出无尘厂务监控等级，即为厂务监控等级。根据输出的厂务监控等级，可确定目标厂区当前需要实施的无尘厂务监控程度，为后续无尘厂务监控提供参考依据。
步骤S200：根据所述厂务监控等级，对所述目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数；
具体而言，无尘厂务要求是针对每个位置提出的生产环境、设备状态、工序控制等方面的监控要求和标准，根据位置特征预先设定，并可根据监控等级进行调整。合格度信息阈值是指无尘厂务要求中用于判断某位置生产环境、设备状态等是否达标的数值指标，根据位置特征和监控等级确定阈值高低。
首先，分析目标厂区的工厂布局和生产工艺，划分出M个生产位置，每个位置都预先设定了无尘厂务要求，载明了环境指标、设备状态、生产工序等方面的监控要点和监控标准，其中，M为目标厂区内需要被监控的关键生产位置的数量，所划分的位置数量为大于1的整数，即至少包含2个被监控的生产位置。随后，评估每个位置的重要性、产品数量、设备密集度等因素，判断位置的关键程度和发生故障或质量事故的风险度，其中关键位置和高风险位置的监控要求会更为严格。接着，根据获得的厂务监控等级，判断目标厂区整体及各个位置需要达到的无尘环境和质量控制标准，监控等级越高，要求标准越严格。然后，参考每个位置的属性评估结果和监控等级要求，对预设的无尘厂务要求信息进行优化调整。保留或修订原要求内容，并根据监控等级新增更为严格的新要求。调整优化后，每个位置对应一套新的厂务要求信息。信息中包括环境指标要求、设备状态要求、生产工序要求等，并设定各项指标的合格判断阈值，这些阈值的高低根据位置重要性、风险程度以及监控等级确定。
通过对预设无尘厂务要求信息的调整，针对目标厂区的具体情况制定出更加合理和切合实际的监控要求方案，明确监控重点和标准，为后续的无尘厂务监控实施和监控数据分析提供依据，监控效率和资源利用率也会因此提高。
步骤S300：采集所述目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合；
具体而言，为了对目标厂区内M个位置实施有效的无尘厂务监控，采集每个位置的厂务图像信息，并对图像进行处理以提取特征向量，为后续的监控数据分析和判断提供依据。
首先，在目标厂区内的M个位置布置摄像头设备，实时捕捉每个位置的厂务图像。然后，将采集的图像传输至智慧厂务监控系统，并进行数字图像处理。先对每个图像进行灰度化处理，减少图像色彩信息而保留亮度信息，方便后续的特征提取；再将每个灰度图像划分为多个局部窗口，每个窗口包括若干像素点；之后在每个窗口内计算像素点的灰度梯度和方向，判断窗口内的边缘和纹理信息，并转化为数字特征向量。多个窗口的特征向量汇总形成一个位置的局部向量集合。
通过图像采集和特征提取过程，获得目标厂区内M个位置的M个局部向量集合，每个集合包含多个特征向量，有效表示该位置的关键信息，作为判断该位置是否达到无尘厂务要求的依据之一，为监控过程提供图像层面上的参考特征。
步骤S400：构建厂务合格度分析通道，分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，获得M个合格度信息；
具体而言，为判断目标厂区内M个位置实施无尘厂务监控后各自的合格度，构建厂务合格度分析通道对采集的特征信息进行分析处理。所构建的构建厂务合格度分析通道的合格度计算规则为样本合格局部向量集合与局部向量集合内相同的局部向量值的比例即为合格度。
获得的M个位置的M个局部向量集合，每个集合包含多个图像特征向量，表示该位置的实时厂务环境信息。同时，获取多个样本合格局部向量集合，每个样本集合对应一个位置，包含该位置合格环境状态下的理想特征向量信息。然后，将M个局部向量集合和多个样本合格局部向量集合输入构建的厂务合格度分析通道，通道内具备图像特征提取和匹配功能，能够判断输入图像信息与样本信息的相似度。先对输入的M个局部向量集合分别进行特征提取，获得每个位置的特征向量表示。其次，将每个位置的特征向量表示与对应位置的样本合格局部向量集合进行匹配和比较，获取相同的局部向量值的比例，为该位置的合格度信息。最后，获得目标厂区内M个位置的M个合格度信息，有效表示每个位置实现无尘环境的程度，为后续的监控效果评估和质量预警提供标准。
步骤S500：结合所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，所述M个厂务监控信息包括M个位置当前的无尘厂务控制得分。
具体而言，首先，对目标厂区采集的监控数据进行分类和整理，确定需要监控的要素，如温度、湿度、振动、颗粒物等，构成矩阵的列维度。然后，根据获得的M个厂务要求信息，确定矩阵行维度为M个位置，每个位置对应一行。在矩阵中，位置与监控要素的交叉区域填入该位置对该要素的要求值，如温度上限等。随后，根据获得的M个合格度信息，在矩阵中位置与监控要素的交叉区域同时填入该位置实测的监控数据与要求值的偏差或匹配度等，表示实现要求的程度。
构建的矩阵中，行表示位置，列表示监控要素，交叉区域同时包含该位置对该要素的要求值和实测合格度，实现要求信息和监控效果信息的关联。之后，根据矩阵内的数据计算M个厂务监控信息，表示M个位置在各监控要素上当前的无尘厂务控制得分。最后，将M个位置的各监控要素得分进行加权求和，获得综合厂务监控信息，以评价目标厂区各位置的整体无尘控制效果。通过将无尘厂务监控的要求信息和效果信息在同一矩阵框架内进行关联分析，采用定量指标对监控效果进行评价，实现工厂关键位置精准高效的无尘监控。
进一步的，如图2所示，本申请实施例还包括：
步骤S110：对所述目标厂区历史时间内的生产计划数据进行数据爬取，获取样本效率需求信息集合和样本质量需求信息集合；
步骤S120：对所述目标厂区历史时间内的无尘厂务监控数据进行数据爬取，获取样本厂务监控等级集合；
步骤S130：根据所述样本效率需求信息集合、样本质量需求信息集合和样本厂务监控等级集合，构建厂务监控等级决策通道；
步骤S140：将所述效率需求信息和质量需求信息输入所述厂务监控等级决策通道，进行决策，获得所述厂务监控等级。
具体而言，首先采用web爬虫技术对目标厂区的生产执行系统和无尘厂务监控系统进行数据爬取，从生产执行系统爬取历史生产计划数据，通过数据统计分析得到样本效率需求信息集合和样本质量需求信息集合，其中，效率需求信息集合反映单位时间内的产量要求；样本质量需求信息集合反映产品质量合格率要求。然后，从无尘厂务监控系统爬取历史监控数据和监控等级信息，得到样本厂务监控等级集合，表示不同监控强度选项。这三个样本集合构成模型输入信息，反映目标厂区生产和监控的历史特征。
然后，选择决策树算法作为生产决策的机器学习算法。随后，以效率需求信息为特征输入，根据样本效率需求信息集合构建第一决策层，该层包含多个节点，每个节点根据效率需求的高低将输入信息划分为两类，并指定流向下一决策层的路径。接着，以质量需求信息为特征输入，根据样本质量需求信息集合构建第二决策层，该层包含多个节点，每个节点根据质量需求的高低将信息进一步划分和判断，路径指向下一决策层。之后，在第三决策层，输出多个最终判断结果，并根据样本厂务监控等级集合，将结果分为一级监控、二级监控和三级监控三类。
将获得目标厂区当前时段内的效率需求信息和质量需求信息输入构建的厂务监控等级决策通道，经过多层判断后，通道输出一个无尘厂务监控等级，该等级表示目标厂区当前生产条件下需要的实施监控严格程度，为实现精准厂务监控提供基础。
进一步的，本申请实施例还包括：
步骤S131：以效率需求信息为决策特征，根据所述样本效率需求信息集合，构建多个第一决策阈值，每个第一决策阈值对输入的效率需求信息进行二分类划分决策；
步骤S132：以质量需求信息为决策特征，根据所述样本质量需求信息集合，构建多个第二决策阈值；
步骤S133：结合所述多个第一决策阈值和多个第二决策阈值，构建多层决策节点；
步骤S134：获取所述多层决策节点的多个最终决策结果，采用所述样本厂务监控等级集合内的多个样本厂务监控等级，对所述多个最终决策结果进行标记，获得所述厂务监控等级决策通道。
具体而言，为构建基于决策树的厂务监控等级决策通道，根据样本信息集合为决策树的各层节点设定判断规则。
首先，根据样本效率需求信息集合，计算目标厂区历史单位时间内平均要求及标准差等统计特征，判断要求的波动范围和变化规律；根据要求的波动范围和变化规律将效率需求信息的范围划分为多个区间，每个区间对应决策树第一层的一个节点。然后，根据划分的每个区间，计算出区间的中值作为第一决策阈值，将大于该决策阈值的效率需求信息判断为高，小于该决策阈值的信息判断为低。重复对划分的每个区域进行第一决策阈值的构建，获取多个第一决策阈值，当效率需求信息输入决策树后，会流经第一层的某一个节点，该节点根据第一决策阈值将信息进行二值化判断，大于第一决策阈值的信息将由该节点的一侧路径输出，小于第一决策阈值的信息由另一侧路径输出，进入下一轮判断。同样，以样本质量需求信息集合为特征，构建多个第二决策阈值。每个第二决策阈值对应决策树第二层的一个节点，用于进一步判断输入信息。
随后，根据第一决策层和第二决策层的节点数量及连接关系，构建出多层决策节点，每一路径代表一种判断规则。其中，第一决策阈值的数量为m个，第二决策阈值的数量为n个，多层决策节点的数量为m*n个。然后，跟踪决策树中各判断路径的输出，每个路径对应一个最终的判断结果。根据判断结果，对路径中通过的各层节点进行标记，将通过该节点的路径判断结果标为1，未通过的路径判断结果标为0，直观反映每个节点的信息筛选效果。之后，将路径判断结果与样本厂务监控等级集合进行比对和匹配，选择判断结果与某一监控等级匹配度最高的路径，将该路径输出的判断结果指定为该监控等级。如果多个路径判断结果与某监控等级高度匹配，则根据节点标记效果选择匹配度更高的路径。重复根据样本厂务监控等级集合中的监控等级，将所有最终路径判断结果分别进行匹配和指定。得到用于监控等级输出的判断路径。例如，样本厂务监控等级集合中的监控等级为一级监控、二级监控和三级监控，当新输入的信息进入通道，会根据判断路径流入相应的输出，获得一级监控、二级监控或三级监控判断结果，从而实现厂务监控等级决策通道的构建。
进一步的，本申请实施例还包括：
步骤S310：采集所述目标厂区内M个位置的M个厂务图像；
步骤S320：对所述M个厂务图像进行灰度化处理，获得M个灰度化厂务图像；
步骤S330：将所述M个灰度化厂务图像划分为多个3*3的局部窗口，获得M个局部窗口集合；
步骤S340：计算每个局部窗口内边缘灰度值与中央灰度值的差值，若差值大于0则标记为1，若差值不大于0则标记为0，获得所述M个局部向量集合。
具体而言，通过视频监控设备采集目标厂区内M个位置的M个厂务图像，厂务图像是采集的目标厂区M个位置的环境状态信息，图像中包含彩色信息，为RGB色彩模式。RGB图像由红、绿、蓝三个色彩通道组成，每个像素包含三个通道的色值，值域范围为0至255。对输入的厂务图像进行灰度化处理，即消除颜色信息，提取亮度信息，生成灰度图像。计算三个通道色值的平均值得到该像素的亮度值，该值即为灰度图像中的像素色值。
遍历厂务图像的每个像素，计算其红、绿、蓝三个通道色值的平均值，所得的值作为灰度图像中对应像素的色值，裁剪超出范围的值至0至255，经过全图像的像素转换，最终得到一幅灰度图像。灰度图像的每个像素只包含一个通道的色值，即该像素点的亮度值。色值范围依然为0至255，不同色值表示不同的亮度，从黑到白，其中，采集背景在灰度图像中呈现为白色，灰尘在灰度图像中呈现深色或黑色。对M个厂务图像执行灰度化运算，总共获得M个灰度化厂务图像。灰度化图像相比原图，信息量减少，但保留关键的亮度信息，有利于后续的特征提取，同时也降低了计算量，提高了处理效率。
再对每个灰度图像进行分割，获得多个局部窗口，每个窗口包含若干像素。窗口的大小为3*3，可有效保留图像局部信息。针对每个窗口，计算窗口中心像素与其周围8个像素的灰度值差，如果差值大于0，则标记为1，否则标记为0。每个窗口对应一串8位的01位串，这些位串的集合形成一个局部向量集合。
通过获得M个位置对应的M个局部向量集合，每个集合包含多个8位01向量，有效表示该位置环境表面纹理和结构特征，作为判断该位置是否达到无尘环境要求的判断依据之一。
进一步的，如图3所示，本申请实施例还包括：
步骤S410：构建合格度计算规则，所述合格度计算规则包括计算样本合格局部向量集合与局部向量集合内相同的局部向量值的比例，作为合格度；
步骤S420：基于所述合格度计算规则，构建获得所述厂务合格度分析通道。
具体而言，为判断目标厂区内M个位置实施无尘厂务监控后达标情况，构建合格度计算规则以及基于该规则的厂务合格度分析通道。合格度计算规则用于判断某一位置的当前环境状态是否达到无尘要求，规则定义为计算该位置的局部向量集合与相应位置的样本合格局部向量集合内相同的局部向量值的比例，作为该位置的环境合格度。其中，样本局部向量集合包含该位置合格状态下的环境特征。统计样本合格局部向量集合的向量数作为总数，将局部向量集合中的各向量与样本合格局部向量集合进行匹配，获取向量值两集合中向量值相同的数量，作为相同数，将相同数除以总数，为相同的局部向量值的比例，作为该位置的合格度，有效表示实时环境状态的合格程度，实现无尘环境的自动判断。
基于上述合格度计算规则，构建厂务合格度分析通道。首先，收集M个位置历史达标环境图像，对图像执行特征提取，获得多个样本合格局部向量集合；然后，计算输入局部向量集合与对应位置的样本合格局部向量集合中各对应向量是否相同；接着，将相同的向量值数量进行统计，除以向量值总数，得到的比例即为局部向量集合的合格度。
进一步的，本申请实施例还包括：
步骤S430：根据所述M个位置历史时间内的合格厂务监控数据，获取所述多个样本合格局部向量集合；
步骤S440：分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，计算获得M个合格度信息集合；
步骤S450：计算所述M个合格度信息集合的均值，获得所述M个合格度信息。
具体而言，为判断目标厂区内M个位置实施无尘厂务监控后的达标情况，先获取多个样本合格局部向量集合作为环境合格标准，再将各位置的局部向量集合与多个样本合格局部向量集合输入构建的厂务合格度分析通道进行匹配计算，最终获得每个位置的环境合格度信息。
首先，根据每个位置历史一定时间内的无尘厂务监控记录，收集当时达标环境的厂务图像。然后，对图像进行特征提取，获得多个特征向量集合，每个集合对应一个合格环境状态，构成样本合格局部向量集合。随后，将目标厂区内M个位置的M个局部向量集合和多个样本合格局部向量集合分别输入构建的厂务合格度分析通道。通道首先对输入的M个局部向量集合执行特征提取，获得表示各位置当前环境的特征向量。然后，将每个位置的特征向量与多个样本合格局部向量集合进行匹配对比，每个位置算出多个合格度，获得M个合格度信息集合。接着，对每个合格度信息集合中的多个合格度计算均值，获得M个合格度信息。
进一步的，本申请实施例还包括：
步骤S510：根据所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，如下式：
；
其中，为第一个位置的厂务要求信息内的合格度信息阈值，/>为第M个位置的厂务要求信息内的合格度信息阈值，/>为第一个位置的合格度信息，/>为第M个位置的合格度信息；
步骤S520：根据所述厂务监控信息矩阵，计算所述M个厂务监控信息和综合厂务监控信息，如下式：
；
；
其中，为第i个位置的厂务监控信息，/>为第i个位置的厂务要求信息内的合格度信息阈值，/>为第i个位置的合格度信息，/>为综合厂务监控信息，/>为根据M个位置的厂务要求信息内的合格度信息阈值的大小分配的第i个位置的权重。
具体而言，为定量评价目标厂区内M个位置实施无尘厂务监控的效果，根据各位置的厂务要求信息和合格度信息构建厂务监控信息矩阵。然后，通过矩阵计算可获得M个厂务监控信息和综合厂务监控信息，用于判断监控效果。
M个位置的厂务要求信息，每个信息中包含环境指标的合格度判断阈值。M个位置的合格度信息，表示各位置实际达到的环境合格度。将M个厂务要求信息和M个合格度信息构建成厂务监控信息矩阵；该矩阵有M行2列，其中，第i行表示第i个位置的信息，包括位置i的厂务要求信息/>和合格度信息/>；第一列的/>至/>代表M个位置的合格度判断阈值；第二列的/>至/>代表M个位置的实测合格度值。
随后，根据矩阵计算获得M个厂务监控信息，对于第i行使用/>计算第i个位置的厂务监控信息，获取/>至/>的M个厂务监控信息，其中，/>代表第i个位置的监控信息，用位置i的合格度判断阈值/>的平方减去实测合格度信息/>的平方得到。随后，通过/>计算获取目标厂区的综合厂务监控信息，其中，/>代表目标厂区整体的监控信息，是M个厂务监控信息/>的加权和。位置i的权重/>根据位置i的合格度判断阈值Bi的高低确定。阈值越高的位置，其权重越大，意味着该位置对环境控制的重要性更高。通过定量评价目标厂区内M个位置实施无尘厂务监控的效果，计算获得M个厂务监控信息和综合厂务监控信息，实现对工厂精准高效的无尘监控。
综上所述，本申请实施例所提供的一种智慧厂务监控方法具有如下技术效果：
获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级，通过根据工厂实际生产情况动态确定监控强度，为后续监控要求的调整提供依据；根据厂务监控等级，对目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数，通过动态调整各位置的空气质量要求，使监控策略精准匹配工厂当前状况；采集目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合，通过获取工厂各位置图像，并提取每个位置的局部特征向量，为后续的合格度分析提供输入信息；构建厂务合格度分析通道，分别将M个局部向量集合和多个样本合格局部向量集合输入厂务合格度分析通道，获得M个合格度信息，通过将获得的局部特征向量与训练样本进行比对，计算每个位置的合格度，实现对工厂各细节位置的精准监控；结合M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，M个厂务监控信息包括M个位置当前的无尘厂务控制得分，实现对整个工厂的监控评估，达到了根据工厂生产需求动态调整无尘监控策略，实现工厂关键位置精准高效无尘监控的技术效果。
实施例二
基于与前述实施例中一种智慧厂务监控方法相同的发明构思，如图4所示，本申请实施例提供了一种智慧厂务监控系统，该系统包括：
监控等级获取模块11，用于获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级；
要求信息调整模块12，用于根据所述厂务监控等级，对所述目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数；
局部向量提取模块13，用于采集所述目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合；
合格分析通道模块14，用于构建厂务合格度分析通道，分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，获得M个合格度信息；
厂务控制得分模块15，用于结合所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，所述M个厂务监控信息包括M个位置当前的无尘厂务控制得分。
进一步的，监控等级获取模块11包括以下执行步骤：
对所述目标厂区历史时间内的生产计划数据进行数据爬取，获取样本效率需求信息集合和样本质量需求信息集合；
对所述目标厂区历史时间内的无尘厂务监控数据进行数据爬取，获取样本厂务监控等级集合；
根据所述样本效率需求信息集合、样本质量需求信息集合和样本厂务监控等级集合，构建厂务监控等级决策通道；
将所述效率需求信息和质量需求信息输入所述厂务监控等级决策通道，进行决策，获得所述厂务监控等级。
进一步的，监控等级获取模块11还包括以下执行步骤：
以效率需求信息为决策特征，根据所述样本效率需求信息集合，构建多个第一决策阈值，每个第一决策阈值对输入的效率需求信息进行二分类划分决策；
以质量需求信息为决策特征，根据所述样本质量需求信息集合，构建多个第二决策阈值；
结合所述多个第一决策阈值和多个第二决策阈值，构建多层决策节点；
获取所述多层决策节点的多个最终决策结果，采用所述样本厂务监控等级集合内的多个样本厂务监控等级，对所述多个最终决策结果进行标记，获得所述厂务监控等级决策通道。
进一步的，局部向量提取模块13包括以下执行步骤：
采集所述目标厂区内M个位置的M个厂务图像；
对所述M个厂务图像进行灰度化处理，获得M个灰度化厂务图像；
将所述M个灰度化厂务图像划分为多个3*3的局部窗口，获得M个局部窗口集合；
计算每个局部窗口内边缘灰度值与中央灰度值的差值，若差值大于0则标记为1，若差值不大于0则标记为0，获得所述M个局部向量集合。
进一步的，合格分析通道模块14包括以下执行步骤：
构建合格度计算规则，所述合格度计算规则包括计算样本合格局部向量集合与局部向量集合内相同的局部向量值的比例，作为合格度；
基于所述合格度计算规则，构建获得所述厂务合格度分析通道。
进一步的，合格分析通道模块14还包括以下执行步骤：
根据所述M个位置历史时间内的合格厂务监控数据，获取所述多个样本合格局部向量集合；
分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，计算获得M个合格度信息集合；
计算所述M个合格度信息集合的均值，获得所述M个合格度信息。
进一步的，厂务控制得分模块15包括以下执行步骤：
根据所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，如下式：
；
其中，为第一个位置的厂务要求信息内的合格度信息阈值，/>为第M个位置的厂务要求信息内的合格度信息阈值，/>为第一个位置的合格度信息，/>为第M个位置的合格度信息；
根据所述厂务监控信息矩阵，计算所述M个厂务监控信息和综合厂务监控信息，如下式：
；/>
；
其中，为第i个位置的厂务监控信息，/>为第i个位置的厂务要求信息内的合格度信息阈值，/>为第i个位置的合格度信息，/>为综合厂务监控信息，/>为根据M个位置的厂务要求信息内的合格度信息阈值的大小分配的第i个位置的权重。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种智慧厂务监控方法，其特征在于，所述方法包括：
获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级；
根据所述厂务监控等级，对所述目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数；
采集所述目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合；
构建厂务合格度分析通道，分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，获得M个合格度信息；
结合所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，所述M个厂务监控信息包括M个位置当前的无尘厂务控制得分。
2.根据权利要求1所述的方法，其特征在于，获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级，包括：
对所述目标厂区历史时间内的生产计划数据进行数据爬取，获取样本效率需求信息集合和样本质量需求信息集合；
对所述目标厂区历史时间内的无尘厂务监控数据进行数据爬取，获取样本厂务监控等级集合；
根据所述样本效率需求信息集合、样本质量需求信息集合和样本厂务监控等级集合，构建厂务监控等级决策通道；
将所述效率需求信息和质量需求信息输入所述厂务监控等级决策通道，进行决策，获得所述厂务监控等级。
3.根据权利要求2所述的方法，其特征在于，根据所述样本效率需求信息集合、样本质量需求信息集合和样本厂务监控等级集合，构建厂务监控等级决策通道，包括：
以效率需求信息为决策特征，根据所述样本效率需求信息集合，构建多个第一决策阈值，每个第一决策阈值对输入的效率需求信息进行二分类划分决策；
以质量需求信息为决策特征，根据所述样本质量需求信息集合，构建多个第二决策阈值；
结合所述多个第一决策阈值和多个第二决策阈值，构建多层决策节点；
获取所述多层决策节点的多个最终决策结果，采用所述样本厂务监控等级集合内的多个样本厂务监控等级，对所述多个最终决策结果进行标记，获得所述厂务监控等级决策通道。
4.根据权利要求1所述的方法，其特征在于，采集所述目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合，包括：
采集所述目标厂区内M个位置的M个厂务图像；
对所述M个厂务图像进行灰度化处理，获得M个灰度化厂务图像；
将所述M个灰度化厂务图像划分为多个3*3的局部窗口，获得M个局部窗口集合；
计算每个局部窗口内边缘灰度值与中央灰度值的差值，若差值大于0则标记为1，若差值不大于0则标记为0，获得所述M个局部向量集合。
5.根据权利要求4所述的方法，其特征在于，构建厂务合格度分析通道，包括：
构建合格度计算规则，所述合格度计算规则包括计算样本合格局部向量集合与局部向量集合内相同的局部向量值的比例，作为合格度；
基于所述合格度计算规则，构建获得所述厂务合格度分析通道。
6.根据权利要求1所述的方法，其特征在于，分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，获得M个合格度信息，包括：
根据所述M个位置历史时间内的合格厂务监控数据，获取所述多个样本合格局部向量集合；
分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，计算获得M个合格度信息集合；
计算所述M个合格度信息集合的均值，获得所述M个合格度信息。
7.根据权利要求1所述的方法，其特征在于，结合所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，包括：
根据所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，如下式：
；
其中，为第一个位置的厂务要求信息内的合格度信息阈值，/>为第M个位置的厂务要求信息内的合格度信息阈值，/>为第一个位置的合格度信息，/>为第M个位置的合格度信息；
根据所述厂务监控信息矩阵，计算所述M个厂务监控信息和综合厂务监控信息，如下式：
；
；
其中，为第i个位置的厂务监控信息，/>为第i个位置的厂务要求信息内的合格度信息阈值，/>为第i个位置的合格度信息，/>为综合厂务监控信息，/>为根据M个位置的厂务要求信息内的合格度信息阈值的大小分配的第i个位置的权重。
8.一种智慧厂务监控系统，其特征在于，用于实施权利要求1-7任意一项所述的一种智慧厂务监控方法，所述系统包括：
监控等级获取模块，所述监控等级获取模块用于获取目标厂区当前进行生产的效率需求信息和质量需求信息，并进行无尘厂务监控等级决策，获得厂务监控等级；
要求信息调整模块，所述要求信息调整模块用于根据所述厂务监控等级，对所述目标厂区内M个位置的预设无尘厂务要求信息进行调整，获得M个厂务要求信息，每个厂务要求信息内包括合格度信息阈值，M为大于1的整数；
局部向量提取模块，所述局部向量提取模块用于采集所述目标厂区内M个位置的厂务图像，进行局部向量提取处理，获得M个局部向量集合；
合格分析通道模块，所述合格分析通道模块用于构建厂务合格度分析通道，分别将所述M个局部向量集合和多个样本合格局部向量集合输入所述厂务合格度分析通道，获得M个合格度信息；
厂务控制得分模块，所述厂务控制得分模块用于结合所述M个厂务要求信息和M个合格度信息，构建厂务监控信息矩阵，并计算获得M个厂务监控信息和综合厂务监控信息，所述M个厂务监控信息包括M个位置当前的无尘厂务控制得分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073755.XA CN116805204B (zh) | 2023-08-24 | 2023-08-24 | 一种智慧厂务监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073755.XA CN116805204B (zh) | 2023-08-24 | 2023-08-24 | 一种智慧厂务监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116805204A true CN116805204A (zh) | 2023-09-26 |
| CN116805204B CN116805204B (zh) | 2023-12-01 |
Family
ID=88079674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311073755.XA Active CN116805204B (zh) | 2023-08-24 | 2023-08-24 | 一种智慧厂务监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805204B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993029A (zh) * | 2023-09-27 | 2023-11-03 | 超网实业(成都)股份有限公司 | 用于智慧厂务的设备能效评估方法及系统 |
| CN117333675A (zh) * | 2023-10-09 | 2024-01-02 | 国网吉林省电力有限公司 | 一种gis伸缩节的监测预警方法及系统 |
| CN118071030A (zh) * | 2024-04-17 | 2024-05-24 | 中国电子系统工程第二建设有限公司 | 厂房的厂务设备监控系统及监控方法 |
| CN118071030B (zh) * | 2024-04-17 | 2024-06-28 | 中国电子系统工程第二建设有限公司 | 厂房的厂务设备监控系统及监控方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010203845A (ja) * | 2009-03-02 | 2010-09-16 | Omron Corp | 欠陥検出装置、欠陥検出方法および欠陥検出プログラム |
| CN107766457A (zh) * | 2017-09-27 | 2018-03-06 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种火电厂运营管理系统及其任务执行方法 |
| CN107909300A (zh) * | 2017-12-12 | 2018-04-13 | 北京可视化智能科技股份有限公司 | 智能工厂管理平台和方法 |
| CN109840900A (zh) * | 2018-12-31 | 2019-06-04 | 常州轻工职业技术学院 | 一种应用于智能制造车间的故障在线检测系统及检测方法 |
| CN115271626A (zh) * | 2022-03-28 | 2022-11-01 | 杭州三耐环保科技股份有限公司 | 一种用于电解生产的异常监控方法 |
| CN115577018A (zh) * | 2022-12-01 | 2023-01-06 | 北京华科仪科技股份有限公司 | 一种水质监测数据的智能处理方法及系统 |
| CN115951606A (zh) * | 2022-12-19 | 2023-04-11 | 中用科技有限公司 | 智慧工厂生产环境预警处理方法 |
| CN116110156A (zh) * | 2022-08-28 | 2023-05-12 | 杭州绿城信息技术有限公司 | 一种基于大数据的智慧社区智能化监控服务系统 |
-
2023
- 2023-08-24 CN CN202311073755.XA patent/CN116805204B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010203845A (ja) * | 2009-03-02 | 2010-09-16 | Omron Corp | 欠陥検出装置、欠陥検出方法および欠陥検出プログラム |
| CN107766457A (zh) * | 2017-09-27 | 2018-03-06 | 华能国际电力股份有限公司上海石洞口第二电厂 | 一种火电厂运营管理系统及其任务执行方法 |
| CN107909300A (zh) * | 2017-12-12 | 2018-04-13 | 北京可视化智能科技股份有限公司 | 智能工厂管理平台和方法 |
| CN109840900A (zh) * | 2018-12-31 | 2019-06-04 | 常州轻工职业技术学院 | 一种应用于智能制造车间的故障在线检测系统及检测方法 |
| CN115271626A (zh) * | 2022-03-28 | 2022-11-01 | 杭州三耐环保科技股份有限公司 | 一种用于电解生产的异常监控方法 |
| CN116110156A (zh) * | 2022-08-28 | 2023-05-12 | 杭州绿城信息技术有限公司 | 一种基于大数据的智慧社区智能化监控服务系统 |
| CN115577018A (zh) * | 2022-12-01 | 2023-01-06 | 北京华科仪科技股份有限公司 | 一种水质监测数据的智能处理方法及系统 |
| CN115951606A (zh) * | 2022-12-19 | 2023-04-11 | 中用科技有限公司 | 智慧工厂生产环境预警处理方法 |
Non-Patent Citations (5)
| Title |
|---|
| KARETH M. LEÓN-LÓPEZ DEPARTMENT OF SYSTEMS ENGINEERING, UNIVERSIDAD INDUSTRIAL DE SANTANDER, BUCARAMANGA, COLOMBIA等: "Anomaly Detection and Classification in Multispectral Time Series Based on Hidden Markov Models", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 》, vol. 60, pages 5402311 * |
| LI QING等: "Research on Monitoring Technology of Unprotected Cross-Area Access Behavior in New Energy Station", 《2019 INTERNATIONAL CONFERENCE ON INTERNET OF THINGS (ITHINGS)》, pages 441 - 449 * |
| 刘瑾萱: "面向石化厂区安全风险防控的异常场景图像识别技术研究", 《健康和环境》, pages 16 - 21 * |
| 李强: "A公司多工厂并行安全环保督查项目进度优化研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, pages 027 - 470 * |
| 金左雨: "基于嵌入式智能监控系统设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 06, pages 029 - 89 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116993029A (zh) * | 2023-09-27 | 2023-11-03 | 超网实业(成都)股份有限公司 | 用于智慧厂务的设备能效评估方法及系统 |
| CN116993029B (zh) * | 2023-09-27 | 2023-12-12 | 超网实业(成都)股份有限公司 | 用于智慧厂务的设备能效评估方法及系统 |
| CN117333675A (zh) * | 2023-10-09 | 2024-01-02 | 国网吉林省电力有限公司 | 一种gis伸缩节的监测预警方法及系统 |
| CN117333675B (zh) * | 2023-10-09 | 2024-04-09 | 国网吉林省电力有限公司 | 一种gis伸缩节的监测预警方法及系统 |
| CN118071030A (zh) * | 2024-04-17 | 2024-05-24 | 中国电子系统工程第二建设有限公司 | 厂房的厂务设备监控系统及监控方法 |
| CN118071030B (zh) * | 2024-04-17 | 2024-06-28 | 中国电子系统工程第二建设有限公司 | 厂房的厂务设备监控系统及监控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116805204B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116805204B (zh) | 一种智慧厂务监控方法及系统 | |
| CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN110826514A (zh) | 一种基于深度学习的施工现场违章智能识别方法 | |
| CN111915572B (zh) | 一种基于深度学习的自适应齿轮点蚀定量检测系统及方法 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN114092389A (zh) | 一种基于小样本学习的玻璃面板表面缺陷检测方法 | |
| CN108460362A (zh) | 一种检测人体部位的系统及方法 | |
| CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
| CN113160150B (zh) | 线网异物入侵ai检测方法与装置 | |
| CN106483143A (zh) | 一种太阳能光伏板积灰在线监测装置及其检测方法 | |
| CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
| CN115439099A (zh) | 基于bim模型的施工项目协同监管系统 | |
| CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
| CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查系统及其排查方法 | |
| CN102509414A (zh) | 一种基于计算机视觉的烟雾检测方法 | |
| CN116344378B (zh) | 一种光伏板生产用智能检测系统及其检测方法 | |
| CN111414855B (zh) | 基于端到端回归模型的电线杆标牌目标检测及识别方法 | |
| CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
| JP2840347B2 (ja) | 基板実装検査装置 | |
| CN115631402A (zh) | 一种适用于智慧养殖的ai算法服务平台构建方法 | |
| CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN116051539A (zh) | 一种变电设备发热故障的诊断方法 | |
| CN115497006A (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
| CN112153464A (zh) | 一种智慧城市管理系统 | |
| CN112183312A (zh) | 基于智慧城市的城市管理事件处理方法 |
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 |