CN116881833A - 一种基于人工智能的故障运维数据传输系统及方法 - Google Patents
一种基于人工智能的故障运维数据传输系统及方法 Download PDFInfo
- Publication number
- CN116881833A CN116881833A CN202311147586.XA CN202311147586A CN116881833A CN 116881833 A CN116881833 A CN 116881833A CN 202311147586 A CN202311147586 A CN 202311147586A CN 116881833 A CN116881833 A CN 116881833A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- hydraulic equipment
- time
- data transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000012423 maintenance Methods 0.000 title claims description 19
- 230000003993 interaction Effects 0.000 claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims description 60
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 39
- 238000012546 transfer Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000001483 mobilizing effect Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 239000010802 sludge Substances 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fluid-Pressure Circuits (AREA)
Abstract
本发明涉及故障运维数据传输技术领域,具体为一种基于人工智能的故障运维数据传输系统及方法,所述系统包括数据传输管理模块,所述数据传输管理模块数据传输层将数据处理层得到的处理数据通过无线网络上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合。本发明构建区域泵闸调动关联链,能够快速锁定异常风险源之间的关系,能够实现对监测数据的快速筛选,并通过构建的数据传输优先交互通道实现筛选数据的快速传输,便于管理员及时作出反馈及决策。
Description
技术领域
本发明涉及故障运维数据传输技术领域,具体为一种基于人工智能的故障运维数据传输系统及方法。
背景技术
液压启闭机常用于水利项目工程的泵闸控制,但是液压启闭机在使用过程中存在磨损的情况,进而管理人员修改对液压设备进行故障运维;但是,由于不同时间段对液压启闭机的使用情况不同(使用频率及使用的时长),而故障运维过程中对液压启闭机的使用存在影响,进而需要对液压启闭机的故障维护时间进行选择,通常情况下,对液压启闭机的故障运维需错开相应区域的汛期,降低故障运维过程中对液压启闭机使用时的干扰影响,进而提高了对液压启闭机的状态预警的要求;
现有的基于人工智能的故障运维数据传输系统中,只是通过传感器对液压启闭机(液压设备)进行实时监测,并将监测到的数据实时传输给管理员;但是该方式存在较大的缺陷,一方面是缺乏对液压设备的磨损状态进行提前监测,预警效率不高;另一方面,无法有效对监测数据进行筛选,并快速筛选数据进行传输,仅仅是通过传输通道将监测的数据统一传输给管理员,不利于管理员快速筛选异常数据进行分析,并快速做出决策。
发明内容
本发明的目的在于提供一种基于人工智能的故障运维数据传输系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的故障运维数据传输方法,所述方法包括以下步骤:
S1、通过感知层内设置在各个液压设备上的若干传感器实时获取液压设备的预置节点处的监测数据,得到每个液压设备分别对应的感知信息,并传输至数据处理层;所述感知信息包括液压设备工作时间及工作时的水体威胁影响值;
S2、数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系;
S3、提取数据处理层接收感知层传输感知信息的时间,记为感知时间,结合感知时间与待测区域内的汛期及S2所得结果,预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,并将故障风险状态异常的每个液压设备作为一个异常风险源;
S4、数据传输层将数据处理层得到的处理数据通过无线网络(4G、5G、WIFI)上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合;
所述数据传输优先交互通道的交互对象数据对集合中每个交互对象数据对中的一个交互对象属于外接设备,另一个交互对象属于液压设备。
本发明中人工智能体现在通过监测数据实现对异常风险源的快速且精准的筛选,并控制构建数据传输优先交互通道,实现对交互对象数据对中相应交互对象之间数据的快速传输,确保交互对象之间信息交互的及时性,确保管理员能够及时发现异常数据,并针对异常数据及时做出响应,降低状态异常的液压设备造成的影响。
进一步的,所述S1中不同传感器类型在液压设备上放置的预置节点位置不同,
所述液压设备工作时间为相应液压设备从最近一次维护的时间点开始至待测时间点的时长;
所述感知信息中工作时的水体威胁影响值为传感器监测结果的处理值,将工作时间t时的水体威胁影响值记为,/>,其中,/>表示水流传感器监测到的液压设备在工作时间t时监测到的水流速度;/>表示液压设备上设置的深度传感器在工作时间t时监测到的最大水深;/>表示工作时间t时液压设备对应泵闸通过水流的最大截面积;/>表示工作时间t时液压设备对应的泵闸位置的最大淤泥深度;/>表示历史数据中相应液压设备每次维护时,对应泵闸位置的淤泥深度的最大值;a表示转化系数且a为数据库中预置的常数。
本发明监测到的水体威胁影响值,是考虑到通过液压设备控制泵闸的过程中,泵闸的开关过程的液压设备工作量是直接受水体威胁影响值干扰的,而液压设备的工作量在一定程度上影响了液压设备的疲劳损伤情况;进而监测水体威胁影响值能够间接反映液压设备的设备疲劳损伤情况,为执行S2内容提供了数据支撑。
进一步的,所述S2中分析液压设备在不同时间的感知信息相应的设备疲劳损伤影响值时,将液压设备在工作时间t内的感知信息相应的设备疲劳损伤影响值等于各个时间点分别对应的水体威胁影响值的积分结果;
所述S2中构建区域泵闸调动关联链时,获取同一个区域内的各个泵闸位置,并水流相通且位置相邻的两个泵闸作为同一条泵闸调动关联链上的两个节点,所述水流相通表示通过第一个节点的水流,在泵闸开启的状态下能够再次通过第二个节点,且相应泵闸调动关联链上第一个节点的位置放置在第二个节点位置的前方;
所述S2中获取个同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系的方法包括以下步骤:
S21、获取数据库预置表单中待测区域对应的汛期,将所得汛期的初始时间记为tr;构建平面直角坐标系,所述平面直角坐标系是以o为原点、以距离相应汛期的初始时间tr的时长为x轴且以设备疲劳损伤影响值变化速率为y轴构建的;
S22、获取第i区域泵闸调动关联链中第j个液压设备在第m个汛期内的时间tr1时对应设备疲劳损伤影响值变化速率pbijm,构建影响数据对(tr1-tr,pbijm),并将第i区域泵闸调动关联链中第j个液压设备在第m个汛期内不同时间点分别对应的各个影响数据对在平面直角系中相应坐标点上进行标记,将任意相邻的两个坐标点相连,得到第i区域泵闸调动关联链中第j个液压设备在第m个汛期内设备疲劳损伤影响值变化速率随时间变化的折线图,将所得折线图对应的函数记为Fijm(x),x∈[tr,trz],所述trz表示汛期中的最大时间;
S23、得到第i区域泵闸调动关联链中第j个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系,记为Gij(x),x∈[tr,trz];将x为x1时,Gij(x)对应的值记为Gij(x1),
,
其中,表示第i区域泵闸调动关联链中第j个液压设备在汛期内时间xe时的设备疲劳损伤影响值最大变化速率,
,
m1表示历史数据中第i区域泵闸调动关联链中第j个液压设备经历的汛期总个数,表示m为不同值时,xe对应的各个/>中的最大值。
本发明分析区域泵闸调动关联链中液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系,是为了便于后续步骤中预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,进而构建数据传输优先交互通道相应的交互对象数据对集合。
进一步的,所述S3中预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态的方法包括以下步骤:
S31、获取感知时间与待测区域内的汛期及S2所得结果,将感知时间记为tu;获取感知时间tu时第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤影响值,记为Ptu;
S32、预测第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险值,记为gij,
当tu属于[tr,trz]时,则,
当tu不属于[tr,trz]时,则,
其中,表示x为trz时/>对应的值,/>表示x为tu时/>对应的值,T表示感知时间tu距离后一个汛期初始时间的时长,/>表示感知时间tu时对应的设备疲劳损伤影响值变化速率;
S33、将gij与第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤阈值进行比较,所述设备疲劳损伤阈值等于相应设备在历史维护过程中每个维护分别对应的设备疲劳损伤影响值的平均值,
当gij大于等于第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤阈值时,则判定第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险状态异常,反之,则判定第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险状态正常。
进一步的,所述S4中提取异常风险源对应的液压设备所属的关联设备集时,关联设备集为在包含异常风险源对应的液压设备的区域泵闸调动关联链中,与异常风险源对应的液压设备相邻的节点对应的液压设备构成的集合;
所述S4中构建的数据传输优先交互通道用于相应交互对象数据对集合中每个交互对象数据对中两个交互对象之间的数据传输,
若相应交互对象数据对集合中存在一个或多个交互对象数据对对应的交互对象之间存在传输数据时,则生成交互传输数据序列,并将所得交互传输数据序列通过相应的数据优先交互通道进行数据传输;
若相应交互对象数据对集合中不存在交互对象数据对对应的交互对象之间存在传输数据时,则不通过相应的数据优先交互通道进行数据传输,但构建的数据传输优先交互通道依旧保留,直至数据传输优先交互通道对应的异常风险源不存在为止;
除数据传输优先交互通道相应交互对象数据对集合中各个交互对象数据对之外的所有交互对象数据对相应的交互对象之间的数据均正常传输,不使用数据传输优先交互通道。
本发明通过构建数据传输优先交互通道,能够便于用户提前接收到异常风险源对应的液压设备信息,便于用户及时生成针对异常风险源对应的液压设备的处理决策,并将处理决策及时传输给相应液压设备,对相应液压设备进行控制。
进一步的,所述生成交互传输数据序列的方法包括以下步骤:
S41、获取每个交互对象数据对中对应液压设备所属的区域泵闸调动关联链;
S42、获取每个交互对象数据对相应的数据传输关联影响值,并按照对应数据传输关联影响值从大到小的顺序对交互对象数据对相应的传输数据进行优先级排列,生成交互传输数据序列;
将第c个交互对象数据对相应的数据传输关联影响值记为Qc,将第c个交互对象数据对中对应液压设备记为,
所述,
其中,表示/>所属的区域泵闸调动关联链包含的异常风险源个数,
表示/>对应的异常辐射路径占比,所述/>,/>表示包含/>的各个区域泵闸调动关联链中与/>相邻且在/>前方的节点个数,/>表示包含/>的各个区域泵闸调动关联链中与/>相邻且在/>后方的节点个数;
表示第c个交互对象数据对中对应液压设备的故障风险值预测结果的偏离系数,所述故障风险值预测结果的偏离系数等于故障风险值预测结果与相应液压设备的设备疲劳损伤阈值的差值除以液压设备对应的设备疲劳损伤阈的比值。
一种基于人工智能的故障运维数据传输系统,所述系统包括:
感知监测模块,所述感知监测模块通过感知层内设置在各个液压设备上的若干传感器实时获取液压设备的预置节点处的监测数据,得到每个液压设备分别对应的感知信息,并传输至数据处理层;
联合调动分析模块,所述联合调动分析模块将数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系;
故障风险状态预测模块,所述故障风险状态预测模块提取数据处理层接收感知层传输感知信息的时间,记为感知时间,结合感知时间与待测区域内的汛期及联合调动分析模块所得结果,预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,并将故障风险状态异常的每个液压设备作为一个异常风险源;
数据传输管理模块,所述数据传输管理模块数据传输层将数据处理层得到的处理数据通过无线网络(4G、5G、WIFI)上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合;
进一步的,所述联合调动分析模块包括疲劳损伤影响分析单元、关联链构建单元及汛期影响分析单元,
所述疲劳损伤影响分析单元将数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;
所述关联链构建单元结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;
所述汛期影响分析单元获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系。
与现有技术相比,本发明所达到的有益效果是:本发明通过感知层的传感器实时监测设备的疲劳损伤影响值,并结合设备历史数据中的变化趋势及当前设备的实际监测结果,实现对疲劳损伤影响值的精准预测,进而快速筛选异常风险源;构建区域泵闸调动关联链,能够快速锁定异常风险源之间的关系(监测到的异常风险源可能会对相邻的其余液压设备也产生干扰),能够实现对监测数据的快速筛选,并通过构建的数据传输优先交互通道实现筛选数据的快速传输,便于管理员及时作出反馈及决策,实现了对故障运维数据的有效监管。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的故障运维数据传输方法的结构示意图;
图2是本发明一种基于人工智能的故障运维数据传输系统的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
请参阅图1,本发明提供技术方案:一种基于人工智能的故障运维数据传输方法,所述方法包括以下步骤:
S1、通过感知层内设置在各个液压设备上的若干传感器实时获取液压设备的预置节点处的监测数据,得到每个液压设备分别对应的感知信息,并传输至数据处理层;所述感知信息包括液压设备工作时间及工作时的水体威胁影响值;
所述S1中不同传感器类型在液压设备上放置的预置节点位置不同,
所述液压设备工作时间为相应液压设备从最近一次维护的时间点开始至待测时间点的时长;
所述感知信息中工作时的水体威胁影响值为传感器监测结果的处理值,将工作时间t时的水体威胁影响值记为,/>,其中,/>表示水流传感器监测到的液压设备在工作时间t时监测到的水流速度;/>表示液压设备上设置的深度传感器在工作时间t时监测到的最大水深;/>表示工作时间t时液压设备对应泵闸通过水流的最大截面积;/>表示工作时间t时液压设备对应的泵闸位置的最大淤泥深度;/>表示历史数据中相应液压设备每次维护时,对应泵闸位置的淤泥深度的最大值;a表示转化系数且a为数据库中预置的常数。
S2、数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系;
所述S2中分析液压设备在不同时间的感知信息相应的设备疲劳损伤影响值时,将液压设备在工作时间t内的感知信息相应的设备疲劳损伤影响值等于各个时间点分别对应的水体威胁影响值的积分结果;
所述S2中构建区域泵闸调动关联链时,获取同一个区域内的各个泵闸位置,并水流相通且位置相邻的两个泵闸作为同一条泵闸调动关联链上的两个节点,所述水流相通表示通过第一个节点的水流,在泵闸开启的状态下能够再次通过第二个节点,且相应泵闸调动关联链上第一个节点的位置放置在第二个节点位置的前方;
所述S2中获取个同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系的方法包括以下步骤:
S21、获取数据库预置表单中待测区域对应的汛期,将所得汛期的初始时间记为tr;构建平面直角坐标系,所述平面直角坐标系是以o为原点、以距离相应汛期的初始时间tr的时长为x轴且以设备疲劳损伤影响值变化速率为y轴构建的;
本发明中计算设备疲劳损伤影响值变化速率时,设备疲劳损伤影响值变化速率等于相应液压设备在相应时间点的水体威胁影响值;本发明默认一年为一个时间周期,汛期的时间区间均是相对于相应时间周期来进行判定的;
S22、获取第i区域泵闸调动关联链中第j个液压设备在第m个汛期内的时间tr1时对应设备疲劳损伤影响值变化速率pbijm,构建影响数据对(tr1-tr,pbijm),并将第i区域泵闸调动关联链中第j个液压设备在第m个汛期内不同时间点分别对应的各个影响数据对在平面直角系中相应坐标点上进行标记,将任意相邻的两个坐标点相连,得到第i区域泵闸调动关联链中第j个液压设备在第m个汛期内设备疲劳损伤影响值变化速率随时间变化的折线图,将所得折线图对应的函数记为Fijm(x),x∈[tr,trz],所述trz表示汛期中的最大时间;
本实施例中数据库预置表单内不同区域设置的汛期不同:珠江的汛期为4~9月,长江的汛期为5~10月,淮河的汛期为6~9月;
S23、得到第i区域泵闸调动关联链中第j个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系,记为Gij(x),x∈[tr,trz];将x为x1时,Gij(x)对应的值记为Gij(x1),
,
其中,表示第i区域泵闸调动关联链中第j个液压设备在汛期内时间xe时的设备疲劳损伤影响值最大变化速率,
,
m1表示历史数据中第i区域泵闸调动关联链中第j个液压设备经历的汛期总个数,表示m为不同值时,xe对应的各个/>中的最大值。
S3、提取数据处理层接收感知层传输感知信息的时间,记为感知时间,结合感知时间与待测区域内的汛期及S2所得结果,预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,并将故障风险状态异常的每个液压设备作为一个异常风险源;
所述S3中预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态的方法包括以下步骤:
S31、获取感知时间与待测区域内的汛期及S2所得结果,将感知时间记为tu;获取感知时间tu时第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤影响值,记为Ptu;
S32、预测第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险值,记为gij,
当tu属于[tr,trz]时,则,
当tu不属于[tr,trz]时,则,
其中,表示x为trz时/>对应的值,/>表示x为tu时/>对应的值,T表示感知时间tu距离后一个汛期初始时间的时长,/>表示感知时间tu时对应的设备疲劳损伤影响值变化速率;
S33、将gij与第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤阈值进行比较,所述设备疲劳损伤阈值等于相应设备在历史维护过程中每个维护分别对应的设备疲劳损伤影响值的平均值,
当gij大于等于第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤阈值时,则判定第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险状态异常,反之,则判定第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险状态正常。
S4、数据传输层将数据处理层得到的处理数据通过无线网络(4G、5G、WIFI)上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合;
所述数据传输优先交互通道的交互对象数据对集合中每个交互对象数据对中的一个交互对象属于外接设备,另一个交互对象属于液压设备。
所述S4中提取异常风险源对应的液压设备所属的关联设备集时,关联设备集为在包含异常风险源对应的液压设备的区域泵闸调动关联链中,与异常风险源对应的液压设备相邻的节点对应的液压设备构成的集合;
所述S4中构建的数据传输优先交互通道用于相应交互对象数据对集合中每个交互对象数据对中两个交互对象之间的数据传输,
若相应交互对象数据对集合中存在一个或多个交互对象数据对对应的交互对象之间存在传输数据时,则生成交互传输数据序列,并将所得交互传输数据序列通过相应的数据优先交互通道进行数据传输;
若相应交互对象数据对集合中不存在交互对象数据对对应的交互对象之间存在传输数据时,则不通过相应的数据优先交互通道进行数据传输,但构建的数据传输优先交互通道依旧保留,直至数据传输优先交互通道对应的异常风险源不存在为止;
除数据传输优先交互通道相应交互对象数据对集合中各个交互对象数据对之外的所有交互对象数据对相应的交互对象之间的数据均正常传输,不使用数据传输优先交互通道。
所述生成交互传输数据序列的方法包括以下步骤:
S41、获取每个交互对象数据对中对应液压设备所属的区域泵闸调动关联链;
S42、获取每个交互对象数据对相应的数据传输关联影响值,并按照对应数据传输关联影响值从大到小的顺序对交互对象数据对相应的传输数据进行优先级排列,生成交互传输数据序列;
将第c个交互对象数据对相应的数据传输关联影响值记为Qc,将第c个交互对象数据对中对应液压设备记为,
所述,
其中,表示/>所属的区域泵闸调动关联链包含的异常风险源个数,
表示/>对应的异常辐射路径占比,所述/>,/>表示包含/>的各个区域泵闸调动关联链中与/>相邻且在/>前方的节点个数,/>表示包含/>的各个区域泵闸调动关联链中与/>相邻且在/>后方的节点个数;/>表示第c个交互对象数据对中对应液压设备的故障风险值预测结果的偏离系数,所述故障风险值预测结果的偏离系数等于故障风险值预测结果与相应液压设备的设备疲劳损伤阈值的差值除以液压设备对应的设备疲劳损伤阈的比值。
如图2所示,一种基于人工智能的故障运维数据传输系统,本系统由感知层、数据处理层、数据传输层及外部接口组成,所述系统包括:
感知监测模块,所述感知监测模块通过感知层内设置在各个液压设备上的若干传感器实时获取液压设备的预置节点处的监测数据,得到每个液压设备分别对应的感知信息,并传输至数据处理层;
联合调动分析模块,所述联合调动分析模块将数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系;
故障风险状态预测模块,所述故障风险状态预测模块提取数据处理层接收感知层传输感知信息的时间,记为感知时间,结合感知时间与待测区域内的汛期及联合调动分析模块所得结果,预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,并将故障风险状态异常的每个液压设备作为一个异常风险源;
数据传输管理模块,所述数据传输管理模块数据传输层将数据处理层得到的处理数据通过无线网络(4G、5G、WIFI)上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合;
所述联合调动分析模块包括疲劳损伤影响分析单元、关联链构建单元及汛期影响分析单元,
所述疲劳损伤影响分析单元将数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;
所述关联链构建单元结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;
所述汛期影响分析单元获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系。
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。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的包含,从而使得包括一系列要素的过程、方法、物品或者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、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能的故障运维数据传输方法,其特征在于,所述方法包括以下步骤:
S1、通过感知层内设置在各个液压设备上的若干传感器实时获取液压设备的预置节点处的监测数据,得到每个液压设备分别对应的感知信息,并传输至数据处理层;所述感知信息包括液压设备工作时间及工作时的水体威胁影响值;
S2、数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系;
S3、提取数据处理层接收感知层传输感知信息的时间,记为感知时间,结合感知时间与待测区域内的汛期及S2所得结果,预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,并将故障风险状态异常的每个液压设备作为一个异常风险源;
S4、数据传输层将数据处理层得到的处理数据通过无线网络上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合;
所述数据传输优先交互通道的交互对象数据对集合中每个交互对象数据对中的一个交互对象属于外接设备,另一个交互对象属于液压设备。
2.根据权利要求1所述的一种基于人工智能的故障运维数据传输方法,其特征在于:所述S1中不同传感器类型在液压设备上放置的预置节点位置不同,
所述液压设备工作时间为相应液压设备从最近一次维护的时间点开始至待测时间点的时长;
所述感知信息中工作时的水体威胁影响值为传感器监测结果的处理值,将工作时间t时的水体威胁影响值记为,/>,其中,/>表示水流传感器监测到的液压设备在工作时间t时监测到的水流速度;/>表示液压设备上设置的深度传感器在工作时间t时监测到的最大水深;/>表示工作时间t时液压设备对应泵闸通过水流的最大截面积;/>表示工作时间t时液压设备对应的泵闸位置的最大淤泥深度;/>表示历史数据中相应液压设备每次维护时,对应泵闸位置的淤泥深度的最大值;a表示转化系数且a为数据库中预置的常数。
3.根据权利要求1所述的一种基于人工智能的故障运维数据传输方法,其特征在于:所述S2中分析液压设备在不同时间的感知信息相应的设备疲劳损伤影响值时,将液压设备在工作时间t内的感知信息相应的设备疲劳损伤影响值等于各个时间点分别对应的水体威胁影响值的积分结果;
所述S2中构建区域泵闸调动关联链时,获取同一个区域内的各个泵闸位置,并水流相通且位置相邻的两个泵闸作为同一条泵闸调动关联链上的两个节点,所述水流相通表示通过第一个节点的水流,在泵闸开启的状态下能够再次通过第二个节点,且相应泵闸调动关联链上第一个节点的位置放置在第二个节点位置的前方;
所述S2中获取个同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系的方法包括以下步骤:
S21、获取数据库预置表单中待测区域对应的汛期,将所得汛期的初始时间记为tr;构建平面直角坐标系,所述平面直角坐标系是以o为原点、以距离相应汛期的初始时间tr的时长为x轴且以设备疲劳损伤影响值变化速率为y轴构建的;
S22、获取第i区域泵闸调动关联链中第j个液压设备在第m个汛期内的时间tr1时对应设备疲劳损伤影响值变化速率pbijm,构建影响数据对(tr1-tr,pbijm),并将第i区域泵闸调动关联链中第j个液压设备在第m个汛期内不同时间点分别对应的各个影响数据对在平面直角系中相应坐标点上进行标记,将任意相邻的两个坐标点相连,得到第i区域泵闸调动关联链中第j个液压设备在第m个汛期内设备疲劳损伤影响值变化速率随时间变化的折线图,将所得折线图对应的函数记为Fijm(x),x∈[tr,trz],所述trz表示汛期中的最大时间;
S23、得到第i区域泵闸调动关联链中第j个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系,记为Gij(x),x∈[tr,trz];将x为x1时,Gij(x)对应的值记为Gij(x1),
,
其中,表示第i区域泵闸调动关联链中第j个液压设备在汛期内时间xe时的设备疲劳损伤影响值最大变化速率,
,
m1表示历史数据中第i区域泵闸调动关联链中第j个液压设备经历的汛期总个数,表示m为不同值时,xe对应的各个/>中的最大值。
4.根据权利要求3所述的一种基于人工智能的故障运维数据传输方法,其特征在于:所述S3中预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态的方法包括以下步骤:
S31、获取感知时间与待测区域内的汛期及S2所得结果,将感知时间记为tu;获取感知时间tu时第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤影响值,记为Ptu;
S32、预测第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险值,记为gij,
当tu属于[tr,trz]时,则,
当tu不属于[tr,trz]时,则,
其中,表示x为trz时/>对应的值,/>表示x为tu时/>对应的值,T表示感知时间tu距离后一个汛期初始时间的时长,/>表示感知时间tu时对应的设备疲劳损伤影响值变化速率;
S33、将gij与第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤阈值进行比较,所述设备疲劳损伤阈值等于相应设备在历史维护过程中每个维护分别对应的设备疲劳损伤影响值的平均值,
当gij大于等于第i区域泵闸调动关联链中第j个液压设备对应的设备疲劳损伤阈值时,则判定第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险状态异常,反之,则判定第i区域泵闸调动关联链中第j个液压设备在汛期内的故障风险状态正常。
5.根据权利要求1所述的一种基于人工智能的故障运维数据传输方法,其特征在于:所述S4中提取异常风险源对应的液压设备所属的关联设备集时,关联设备集为在包含异常风险源对应的液压设备的区域泵闸调动关联链中,与异常风险源对应的液压设备相邻的节点对应的液压设备构成的集合;
所述S4中构建的数据传输优先交互通道用于相应交互对象数据对集合中每个交互对象数据对中两个交互对象之间的数据传输,
若相应交互对象数据对集合中存在一个或多个交互对象数据对对应的交互对象之间存在传输数据时,则生成交互传输数据序列,并将所得交互传输数据序列通过相应的数据优先交互通道进行数据传输;
若相应交互对象数据对集合中不存在交互对象数据对对应的交互对象之间存在传输数据时,则不通过相应的数据优先交互通道进行数据传输,但构建的数据传输优先交互通道依旧保留,直至数据传输优先交互通道对应的异常风险源不存在为止;
除数据传输优先交互通道相应交互对象数据对集合中各个交互对象数据对之外的所有交互对象数据对相应的交互对象之间的数据均正常传输,不使用数据传输优先交互通道。
6.根据权利要求5所述的一种基于人工智能的故障运维数据传输方法,其特征在于:所述生成交互传输数据序列的方法包括以下步骤:
S41、获取每个交互对象数据对中对应液压设备所属的区域泵闸调动关联链;
S42、获取每个交互对象数据对相应的数据传输关联影响值,并按照对应数据传输关联影响值从大到小的顺序对交互对象数据对相应的传输数据进行优先级排列,生成交互传输数据序列;
将第c个交互对象数据对相应的数据传输关联影响值记为Qc,将第c个交互对象数据对中对应液压设备记为,
所述,
其中,表示/>所属的区域泵闸调动关联链包含的异常风险源个数,
表示/>对应的异常辐射路径占比,所述/>,/>表示包含/>的各个区域泵闸调动关联链中与/>相邻且在/>前方的节点个数,/>表示包含/>的各个区域泵闸调动关联链中与/>相邻且在/>后方的节点个数;
表示第c个交互对象数据对中对应液压设备的故障风险值预测结果的偏离系数,所述故障风险值预测结果的偏离系数等于故障风险值预测结果与相应液压设备的设备疲劳损伤阈值的差值除以液压设备对应的设备疲劳损伤阈的比值。
7.一种基于人工智能的故障运维数据传输系统,所述系统通过权利要求1-6中任意一项所述的一种基于人工智能的故障运维数据传输方法实现,其特征在于,所述系统包括:
感知监测模块,所述感知监测模块通过感知层内设置在各个液压设备上的若干传感器实时获取液压设备的预置节点处的监测数据,得到每个液压设备分别对应的感知信息,并传输至数据处理层;
联合调动分析模块,所述联合调动分析模块将数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系;
故障风险状态预测模块,所述故障风险状态预测模块提取数据处理层接收感知层传输感知信息的时间,记为感知时间,结合感知时间与待测区域内的汛期及联合调动分析模块所得结果,预测区域泵闸调动关联链中对应的各个液压设备在汛期内的故障风险状态,并将故障风险状态异常的每个液压设备作为一个异常风险源;
数据传输管理模块,所述数据传输管理模块数据传输层将数据处理层得到的处理数据通过无线网络上传到应用层对应的云端;外接设备通过云端对应的外部接口实时与云端进行数据交互,并在云端数据中存在异常风险源时,构建数据传输优先交互通道,提取异常风险源对应的液压设备所属的关联设备集,生成数据传输优先交互通道的交互对象数据对集合。
8.根据权利要求7所述的一种基于人工智能的故障运维数据传输系统,其特征在于:所述联合调动分析模块包括疲劳损伤影响分析单元、关联链构建单元及汛期影响分析单元,
所述疲劳损伤影响分析单元将数据处理层实时接收感知层传输的感知信息,分析每个液压设备在不同时间的感知信息相应的设备疲劳损伤影响值;
所述关联链构建单元结合历史数据中待测区域内的泵闸联合调动之间的关系,构建区域泵闸调动关联链;
所述汛期影响分析单元获取同一个区域泵闸调动关联链中对应的各个液压设备在汛期内的设备疲劳损伤影响值随时间的变化关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147586.XA CN116881833B (zh) | 2023-09-07 | 2023-09-07 | 一种基于人工智能的故障运维数据传输系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311147586.XA CN116881833B (zh) | 2023-09-07 | 2023-09-07 | 一种基于人工智能的故障运维数据传输系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881833A true CN116881833A (zh) | 2023-10-13 |
CN116881833B CN116881833B (zh) | 2023-11-10 |
Family
ID=88262644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311147586.XA Active CN116881833B (zh) | 2023-09-07 | 2023-09-07 | 一种基于人工智能的故障运维数据传输系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881833B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391454A (zh) * | 2023-11-16 | 2024-01-12 | 龙滩水电开发有限公司龙滩水力发电厂 | 一种基于云边协同的工业管理系统和方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5388965A (en) * | 1990-10-10 | 1995-02-14 | Friedrich Wilhelm Schwing Gmbh | Sludge pump with monitoring system |
US20080286119A1 (en) * | 2007-05-04 | 2008-11-20 | Saab Ab | Arrangement and method for monitoring a hydraulic system |
CN102507244A (zh) * | 2011-10-31 | 2012-06-20 | 河海大学常州校区 | 液压启闭机故障自诊断专家系统 |
CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
CN110544030A (zh) * | 2019-08-27 | 2019-12-06 | 上海高诚智能科技有限公司 | 一种智慧水务泵闸调度决策系统及其调度流程 |
CN110554655A (zh) * | 2019-09-09 | 2019-12-10 | 望江县江华设备制造有限公司 | 一种智能型液压防洪闸门及其控制系统 |
CN112343890A (zh) * | 2019-08-09 | 2021-02-09 | 上海堃锐电力科技发展有限公司 | 一种液压系统在线监测系统 |
CN114880787A (zh) * | 2022-01-05 | 2022-08-09 | 上海电气集团股份有限公司 | 基于线上液压系统的液压系统运维方法和装置 |
CN114879554A (zh) * | 2022-04-29 | 2022-08-09 | 江苏中科云墨数字科技有限公司 | 一种智能船闸系统 |
-
2023
- 2023-09-07 CN CN202311147586.XA patent/CN116881833B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5388965A (en) * | 1990-10-10 | 1995-02-14 | Friedrich Wilhelm Schwing Gmbh | Sludge pump with monitoring system |
US20080286119A1 (en) * | 2007-05-04 | 2008-11-20 | Saab Ab | Arrangement and method for monitoring a hydraulic system |
CN102507244A (zh) * | 2011-10-31 | 2012-06-20 | 河海大学常州校区 | 液压启闭机故障自诊断专家系统 |
CN105868533A (zh) * | 2016-03-23 | 2016-08-17 | 四川理工学院 | 基于物联网和3s技术江河流域水环境集成感知与应用方法 |
CN112343890A (zh) * | 2019-08-09 | 2021-02-09 | 上海堃锐电力科技发展有限公司 | 一种液压系统在线监测系统 |
CN110544030A (zh) * | 2019-08-27 | 2019-12-06 | 上海高诚智能科技有限公司 | 一种智慧水务泵闸调度决策系统及其调度流程 |
CN110554655A (zh) * | 2019-09-09 | 2019-12-10 | 望江县江华设备制造有限公司 | 一种智能型液压防洪闸门及其控制系统 |
CN114880787A (zh) * | 2022-01-05 | 2022-08-09 | 上海电气集团股份有限公司 | 基于线上液压系统的液压系统运维方法和装置 |
CN114879554A (zh) * | 2022-04-29 | 2022-08-09 | 江苏中科云墨数字科技有限公司 | 一种智能船闸系统 |
Non-Patent Citations (3)
Title |
---|
LI J 等: "A remote monitoring and diagnosis method based on four-layer IoT frame perception", 《IEEE ACCESS》, vol. 7, pages 144324 - 144338, XP011750364, DOI: 10.1109/ACCESS.2019.2945076 * |
李志;: "泵闸自控系统对设备诊断的探讨", 《上海水务》, no. 01, pages 5 - 7 * |
韩飞;: "液压启闭设备故障分析与维护经验", 《山东水利》, no. 04, pages 43 - 44 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391454A (zh) * | 2023-11-16 | 2024-01-12 | 龙滩水电开发有限公司龙滩水力发电厂 | 一种基于云边协同的工业管理系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116881833B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116881833B (zh) | 一种基于人工智能的故障运维数据传输系统及方法 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
Schlüter et al. | Smart supply chain risk management-a conceptual framework | |
KR102303399B1 (ko) | 자율주행-연합학습 로봇 기반 지능형 지하시설물 무인 감시진단 시스템 및 방법 | |
CN116887212B (zh) | 基于无线通信网络的火灾情况信息处理与传输方法 | |
CN108454653A (zh) | 一种基于卫星通信和公共蜂窝通信的列车控制系统 | |
CN117610322B (zh) | 基于数字孪生的智慧水务动态监测系统及监测方法 | |
CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
CN116862115B (zh) | 基于边缘计算的智慧城市物联井盖数据管控系统及方法 | |
CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN117391373B (zh) | 一种基于多维数据的全渠道智慧运维管理方法及系统 | |
Wanasinghe et al. | Industry 4.0 based process data analytics platform | |
CN117739288A (zh) | 油气管道站场完整性管理系统 | |
CN117793746A (zh) | 一种基于大数据的基站设备管理方法及系统 | |
Kanthila et al. | Markov chain-based algorithms for building occupancy modeling: A review | |
CN116976862A (zh) | 一种工厂设备信息化管理系统及方法 | |
KR102600552B1 (ko) | 마을 상수도를 포함하는 소규모 수도시설 비대면 원격 자동관리 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 | |
Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
CN113931270A (zh) | 一种基于深度学习的截流井智能监控系统及监控方法 | |
CN117391374B (zh) | 一种基于物联网技术的智慧水务监管方法及系统 | |
CN116911807B (zh) | 一种智慧燃气数据中心流程可视化管理方法和物联网系统 | |
CN117196591B (zh) | 一种设备失效模式预判与剩余寿命预测耦合系统及方法 | |
CN117687369B (zh) | 基于多源数据的降尘喷雾节能控制方法及系统 | |
Malhotra | A New Traffic Prediction Algorithm with Machine Learning for Optical Fiber Communication System |
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 |