CN116909238B - 基于数字孪生的智慧水厂综合管理系统 - Google Patents
基于数字孪生的智慧水厂综合管理系统 Download PDFInfo
- Publication number
- CN116909238B CN116909238B CN202311092099.8A CN202311092099A CN116909238B CN 116909238 B CN116909238 B CN 116909238B CN 202311092099 A CN202311092099 A CN 202311092099A CN 116909238 B CN116909238 B CN 116909238B
- Authority
- CN
- China
- Prior art keywords
- equipment
- water plant
- parameters
- information
- real
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 142
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001953 sensory effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011010 flushing procedure Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 30
- 238000007726 management method Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的智慧水厂综合管理系统,该基于数字孪生的智慧水厂综合管理系统包括建立模块、更新模块、生成模块和预测模块,能够建立目标水厂的三维模型,并根据水厂设备的实时设备信息和传感信息来更新三维模型的参数,且能够接受用户的漫游指令和控制指令,并预测控制结果。可见,本发明能够借助三维技术和神经网络算法技术来为水厂管理用户提供更加智能和更加直观的水厂管理,提高水厂管理的效率和效果。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于数字孪生的智慧水厂综合管理系统。
背景技术
随着居民用水需求的提高和用水健康观念的普及,水厂在管理方面也面临越来越大的挑战,尤其是在智慧化管理概念的推行时,越来越多的水厂开始寻求采用更加直观和高效的方式进行管理。但现有的水厂管理技术,一般还是采用传感器和人工审核控制的方式进行管理,没有考虑到采用更加直观的三维技术来进行管理,也没有考虑利用神经网络算法的优势来减少管理出错,因此存在缺陷,亟待改进。
发明内容
本发明所要解决的技术问题在于,提供一种基于数字孪生的智慧水厂综合管理系统,能够借助三维技术和神经网络算法技术来为水厂管理用户提供更加智能和更加直观的水厂管理,提高水厂管理的效率和效果。
为了解决上述技术问题,本发明第一方面公开了一种基于数字孪生的智慧水厂综合管理系统,所述系统包括:
建立模块,用于建立目标水厂的数字孪生三维模型;
更新模块,用于获取所述目标水厂的实时设备信息和实时传感信息,并根据所述实时设备信息和实时传感信息,实时更新所述三维模型的模型参数;
生成模块,用于接收目标用户的漫游指令和自动化控制指令,根据所述漫游指令,生成所述三维模型的显示参数,以及根据所述自动化控制指令,生成所述目标水厂的控制参数;
预测模块,用于根据神经网络算法,以及所述控制参数,预测所述目标水厂的控制结果,以提示所述目标用户是否执行所述自动化控制指令。
在一个可选的实施方式中,所述实时设备信息包括设备压力数据、设备流量数据、设备水质数据、设备电压数据、设备电流数据、设备控制器参数数据中的至少一种;和/或,所述实时传感信息包括区域图像信息、区域温度信息、区域湿度信息、区域门禁信息和区域门窗监控信息中的至少一种;和/或,所述显示参数包括显示角度、显示景深、显示位置、显示图像参数、显示更新频率中的至少一种。
在一个可选的实施方式中,所述更新模块具体用于执行以下步骤:
获取所述目标水厂的多个水厂设备对应的实时设备信息和实时传感信息;
根据每一所述水产设备对应的设备位置和设备类型,基于多种分组规则,对所述多个水产设备进行多次分组,得到多个设备组合集;每一所述设备组合集包括对所述多个水产设备进行一次分组得到多个设备组合;
对于每一所述设备组合集,根据该设备组合集中每一所述设备组合中的所有水厂设备对应的所述设备类型、所述实时设备信息和所述实时传感信息,计算该设备组合集对应的分组合理性参数;
将所述分组合理性参数高于预设的参数阈值的多个所述设备组合集,确定为多个优选设备组合集;
根据所述多个优选设备组合集对应的所述实时设备信息和所述实时传感信息,基于预设的校正算法,实时更新所述三维模型的模型参数。
在一个可选的实施方式中,所述多种分组规则包括:
根据预设的多个设备协作规则,将属于协作关系的设备类型对应的多个水厂设备分为同一设备组合;
根据预设的多个设备位置阈值,基于动态规划算法,将相互之间距离小于所述设备位置阈值的多个水厂设备分为同一设备组合;
根据预设的多个设备工作流规则,将属于同一工作流关系的设备类型对应的多个水厂设备分为同一设备组合。
在一个可选的实施方式中,所述更新模块根据该设备组合集中每一所述设备组合中的所有水厂设备对应的所述设备类型、所述实时设备信息和所述实时传感信息,计算该设备组合集对应的分组合理性参数的具体方式,包括:
确定该设备组合集对应的分组规则所对应的训练后的第一神经网络模型;所述第一神经网络模型通过包括有多个通过所述对应的分组规则进行分组的训练设备组合对应的设备类型、设备信息和传感信息和分组合理性标注的训练数据集训练得到;
将该设备组合集中每一所述设备组合中的所有水厂设备对应的所述设备类型、所述实时设备信息和所述实时传感信息,输入至训练好的第一神经网络模型中,以得到每一所述设备组合对应的合理性参数;
计算每一所述设备组合中的设备数量与预设的组内设备数量参考值之间第一数量差值;所述组内设备数量参考值通过对通过所述对应的分组规则进行分组的历史设备数据中的设备组合中的设备数量进行统计得到;
计算每一所述设备组合对应的所述合理性参数和第一数量权重的乘积;所述第二数量权重和所述第一数量差值的绝对值大小成反比;
计算该设备组合集中的所述设备组合的数量与预设的分组数量参考值之间的第二数量差值;所述分组数量参考值通过对通过所述对应的分组规则进行分组的历史设备数据中的设备组合集中的设备组合数量进行统计得到;
计算该设备组合集中的所有所述设备组合的所述乘积的平均值,和第二数量权重,的乘积,得到该设备组合集对应的分组合理性参数;所述第二数量权重和所述第二数量差值的绝对值大小成反比。
在一个可选的实施方式中,所述更新模块根据所述多个优选设备组合集对应的所述实时设备信息和所述实时传感信息,基于预设的校正算法,实时更新所述三维模型的模型参数的具体方式,包括:
对于每一所述优选设备组合集中的每一所述设备组合中的任意两个水厂设备,根据预设的设备信息校正规则和传感信息校正规则,对该两个水厂设备对应的所述实时设备信息和所述实时传感信息进行校正,以得到该两个水厂设备对应的校正设备信息和校正传感信息;
对于任一所述水厂设备,计算该水厂设备在所有所述优选设备组合集中的设备组合中对应的所述校正设备信息的加权求和平均值,得到该水厂设备对应的统计设备信息;
计算该水厂设备在所有所述优选设备组合集中的设备组合中对应的所述校正传感信息的加权求和平均值,得到该水厂设备对应的统计传感信息;
对所述三维模型的模型参数中与该水厂设备对应的参数,根据所述统计设备信息和所述统计传感信息进行更新。
在一个可选的实施方式中,所述设备信息校正规则用于限定特定位置和特定设备类型的两个水厂设备之间的特定类型的实时设备信息之间的数学关系;和/或,所述传感信息校正规则用于限定特定位置和特定设备类型的两个水厂设备之间的特定类型的实时传感信息之间的数学关系。
在一个可选的实施方式中,所述自动化控制指令包括加药指令、管道冲洗指令、管道停水指令和管道供水指令中的至少一种;所述生成模块具体用于执行以下步骤:
基于预设的指令-设备对应关系,确定所述自动化控制指令对应的多个待控制水厂设备;
根据所述自动化控制指令的指令内容,确定每一所述待控制水厂设备对应的目标参数;
根据所述目标参数,和每一所述待控制水厂设备的所述实时设备信息和所述实时传感信息,确定每一所述待控制水厂设备对应的设备控制参数;所述设备控制参数用于控制对应的所述待控制水厂设备以使得其所述实时设备信息和所述实时传感信息满足所述目标参数。
在一个可选的实施方式中,所述预测模块具体用于执行以下步骤:
将所有所述待控制水厂设备对应的设备控制参数,输入至所述自动化控制指令的指令类型对应的训练好的第二神经网络模型,以得到输出的所有所述待控制水厂设备的预测设备控制后参数;所述第二神经网络模型通过包括有受所述指令类型的指令控制的多个训练设备控制参数和对应的控制后参数标注的训练数据集训练得到;所述预测设备控制后参数包括预测控制后设备信息和预测控制后传感信息;
将所有所述待控制水厂设备的预测设备控制后参数,输入至所述更新模块中进行预演算,以得到所述三维模型对应的演算后模型参数;
将所述演算后模型参数,以区别于所述三维模型的当前参数的显示状态,向所述目标用户进行展示。
在一个可选的实施方式中,所述预测模块将所述演算后模型参数,以区别于所述三维模型的当前参数的显示状态,向所述目标用户进行展示的具体方式,包括:
对于每一所述演算后模型参数,计算该演算后模型参数与所述三维模型中对应类型的当前参数之间的第一参数差值;
计算该演算后模型参数与对应的所述待控制水厂设备对应的目标参数之间的第二参数差值;
计算所述第一参数差值和所述第二参数差值之间的加权求和平均值,得到该演算后模型参数对应的差异参数;其中,所述第二参数差值的权重大于所述第一参数差值;
根据所述差异参数,以及对应的差异-显示对应规则,确定该演算后模型参数对应的显示显眼比例;所述显示显眼比例与所述差异参数的大小成正比;
根据所述对应类型的当前参数的显示参数,以及所述显示差异比例,计算该演算后模型参数对应的差异显示参数,并根据所述差异显示参数向所述目标用户显示该演算后模型参数。
与现有技术相比,本发明具有以下有益效果:
本发明能够建立水厂的三维模型以供用户漫游和控制,并通过神经网络对用户的控制进行预测,从而能够借助三维技术和神经网络算法技术来为水厂管理用户提供更加智能和更加直观的水厂管理,提高水厂管理的效率和效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于数字孪生的智慧水厂综合管理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或端没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
具体的,请参阅图1,图1是本发明实施例公开的一种基于数字孪生的智慧水厂综合管理系统的结构示意图。如图1所示,该基于数字孪生的智慧水厂综合管理系统至少包括建立模块101、更新模块102、生成模块103和预测模块104。
具体的,建立模块101用于建立目标水厂的数字孪生三维模型。
可选的,建立模型101可以通过操作人员对目标水厂的前期数据采集,以及结合WEBGL建模技术、UE建模技术和BIM建模技术来建立目标水厂的数字孪生三维模型,该三维模型中包括有目标水厂的所有水厂设备的位置和可视化形象以及对应的设备信息和传感信息。
具体的,更新模块102用于获取目标水厂的实时设备信息和实时传感信息,并根据实时设备信息和实时传感信息,实时更新三维模型的模型参数。
可选的,实时设备信息包括设备压力数据、设备流量数据、设备水质数据、设备电压数据、设备电流数据、设备控制器参数数据中的至少一种。
可选的,实时传感信息包括区域图像信息、区域温度信息、区域湿度信息、区域门禁信息和区域门窗监控信息中的至少一种。
具体的,生成模块103用于接收目标用户的漫游指令和自动化控制指令,根据漫游指令,生成三维模型的显示参数,以及根据自动化控制指令,生成目标水厂的控制参数。
可选的,显示参数包括显示角度、显示景深、显示位置、显示图像参数、显示更新频率中的至少一种。
可选的,目标用户的漫游指令可以为目标用户通过人机交互设备发出的在目标水厂区域进行移动或转向的指令,生成模块103可以根据这些指令,以及预设的三维模型数据处理算法,生成三维模型的显示参数以及对应的画面。
具体的,预测模块104用于根据神经网络算法,以及控制参数,预测目标水厂的控制结果,以提示目标用户是否执行自动化控制指令。
在一个可选的实施例中,更新模块102具体用于执行以下步骤:
获取目标水厂的多个水厂设备对应的实时设备信息和实时传感信息;
根据每一水产设备对应的设备位置和设备类型,基于多种分组规则,对多个水产设备进行多次分组,得到多个设备组合集;每一设备组合集包括对多个水产设备进行一次分组得到多个设备组合;
对于每一设备组合集,根据该设备组合集中每一设备组合中的所有水厂设备对应的设备类型、实时设备信息和实时传感信息,计算该设备组合集对应的分组合理性参数;
将分组合理性参数高于预设的参数阈值的多个设备组合集,确定为多个优选设备组合集;
根据多个优选设备组合集对应的实时设备信息和实时传感信息,基于预设的校正算法,实时更新三维模型的模型参数。
这样设置可以使得更新模块能够更加合理地根据分组后得到的设备组合来校正设备信息或传感信息,以提高确定的设备信息和传感信息的精确性和合理性,并使得三维模型的模型参数可以得到更加精确地更新。
可选的,多种分组规则包括:
根据预设的多个设备协作规则,将属于协作关系的设备类型对应的多个水厂设备分为同一设备组合;
根据预设的多个设备位置阈值,基于动态规划算法,将相互之间距离小于设备位置阈值的多个水厂设备分为同一设备组合;
根据预设的多个设备工作流规则,将属于同一工作流关系的设备类型对应的多个水厂设备分为同一设备组合。
上述分组规则可以尽可能地考虑设备之间的关系来实现设备的分组,以便于后续可以根据分组合理性参数来筛选出合理的分组,以使得不会有可能的设备组合被遗漏。
在一个可选的实施例中,更新模块102根据该设备组合集中每一设备组合中的所有水厂设备对应的设备类型、实时设备信息和实时传感信息,计算该设备组合集对应的分组合理性参数的具体方式,包括:
确定该设备组合集对应的分组规则所对应的训练后的第一神经网络模型;第一神经网络模型通过包括有多个通过对应的分组规则进行分组的训练设备组合对应的设备类型、设备信息和传感信息和分组合理性标注的训练数据集训练得到;
将该设备组合集中每一设备组合中的所有水厂设备对应的设备类型、实时设备信息和实时传感信息,输入至训练好的第一神经网络模型中,以得到每一设备组合对应的合理性参数;
计算每一设备组合中的设备数量与预设的组内设备数量参考值之间第一数量差值;组内设备数量参考值通过对通过对应的分组规则进行分组的历史设备数据中的设备组合中的设备数量进行统计得到;
计算每一设备组合对应的合理性参数和第一数量权重的乘积;第二数量权重和第一数量差值的绝对值大小成反比;
计算该设备组合集中的设备组合的数量与预设的分组数量参考值之间的第二数量差值;分组数量参考值通过对通过对应的分组规则进行分组的历史设备数据中的设备组合集中的设备组合数量进行统计得到;
计算该设备组合集中的所有设备组合的乘积的平均值,和第二数量权重,的乘积,得到该设备组合集对应的分组合理性参数;第二数量权重和第二数量差值的绝对值大小成反比。
上述设置可以使得更新模块能够综合考虑神经网络算法的合理性预测结果以及组内设备数量和组合数量的异常程度,来确定设备组合集的分组合理性参数,以更加准确地评估组合集的分组合理性,以便于后续的校正。
在一个可选的实施例中,更新模块102根据多个优选设备组合集对应的实时设备信息和实时传感信息,基于预设的校正算法,实时更新三维模型的模型参数的具体方式,包括:
对于每一优选设备组合集中的每一设备组合中的任意两个水厂设备,根据预设的设备信息校正规则和传感信息校正规则,对该两个水厂设备对应的实时设备信息和实时传感信息进行校正,以得到该两个水厂设备对应的校正设备信息和校正传感信息;
对于任一水厂设备,计算该水厂设备在所有优选设备组合集中的设备组合中对应的校正设备信息的加权求和平均值,得到该水厂设备对应的统计设备信息;
计算该水厂设备在所有优选设备组合集中的设备组合中对应的校正传感信息的加权求和平均值,得到该水厂设备对应的统计传感信息;
对三维模型的模型参数中与该水厂设备对应的参数,根据统计设备信息和统计传感信息进行更新。
上述设置可以利用合理的分组方式得到的设备组合来实现设备信息和传感信息的校正,可以有效提高模型参数的更新的准确性。
在一个可选的实施例中,设备信息校正规则用于限定特定位置和特定设备类型的两个水厂设备之间的特定类型的实时设备信息之间的数学关系;和/或,传感信息校正规则用于限定特定位置和特定设备类型的两个水厂设备之间的特定类型的实时传感信息之间的数学关系。
可选的,校正规则可以由操作人员根据实验或历史经验来设定,并通过实际实施的效果来不断调整。
在一个可选的实施例中,自动化控制指令包括加药指令、管道冲洗指令、管道停水指令和管道供水指令中的至少一种,具体的,生成模块103具体用于执行以下步骤:
基于预设的指令-设备对应关系,确定自动化控制指令对应的多个待控制水厂设备;
根据自动化控制指令的指令内容,确定每一待控制水厂设备对应的目标参数;
根据目标参数,和每一待控制水厂设备的实时设备信息和实时传感信息,确定每一待控制水厂设备对应的设备控制参数;设备控制参数用于控制对应的待控制水厂设备以使得其实时设备信息和实时传感信息满足目标参数。
通过上述设置,能够有效根据自动化控制指令来精确地确定出待控制的设备和设备的控制参数,以有效执行用户的指令,以及提高后续预测控制结果的准确性。
在一个可选的实施例中,预测模块104具体用于执行以下步骤:
将所有待控制水厂设备对应的设备控制参数,输入至自动化控制指令的指令类型对应的训练好的第二神经网络模型,以得到输出的所有待控制水厂设备的预测设备控制后参数;第二神经网络模型通过包括有受指令类型的指令控制的多个训练设备控制参数和对应的控制后参数标注的训练数据集训练得到;预测设备控制后参数包括预测控制后设备信息和预测控制后传感信息;
将所有待控制水厂设备的预测设备控制后参数,输入至更新模块102中进行预演算,以得到三维模型对应的演算后模型参数;
将演算后模型参数,以区别于三维模型的当前参数的显示状态,向目标用户进行展示。
具体的,更新模块102的预演算的具体步骤,可以参考上述更新模块102更新三维模型的模型参数的计算步骤,在此不再赘述。
通过上述设置,可以通过神经网络算法来预测设备在控制后的参数,再通过更新模块102来预演算出可能的模型参数,以更加精确地确定出模型被控制后的可能的控制结果。
在一个可选的实施例中,预测模块104将演算后模型参数,以区别于三维模型的当前参数的显示状态,向目标用户进行展示的具体方式,包括:
对于每一演算后模型参数,计算该演算后模型参数与三维模型中对应类型的当前参数之间的第一参数差值;
计算该演算后模型参数与对应的待控制水厂设备对应的目标参数之间的第二参数差值;
计算第一参数差值和第二参数差值之间的加权求和平均值,得到该演算后模型参数对应的差异参数;其中,第二参数差值的权重大于第一参数差值;
根据差异参数,以及对应的差异-显示对应规则,确定该演算后模型参数对应的显示显眼比例;显示显眼比例与差异参数的大小成正比;
根据对应类型的当前参数的显示参数,以及显示差异比例,计算该演算后模型参数对应的差异显示参数,并根据差异显示参数向目标用户显示该演算后模型参数。
可选的,显示差异比例可以为显示颜色加深比例、显示大小放大比例、显示位置移动比例中的至少一种。
通过上述设置可以综合考虑演算后模型参数的多种参数差异,以使得演算后变化更大的参数,以及与预想的目标参数差别更大的参数被更加显著地显示,以提醒目标用户该控制预测结果的重要性。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray, FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、 Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL (Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL (RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种基于数字孪生的智慧水厂综合管理系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项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;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (8)
1.一种基于数字孪生的智慧水厂综合管理系统,其特征在于,所述系统包括:
建立模块,用于建立目标水厂的数字孪生三维模型;
更新模块,用于获取所述目标水厂的实时设备信息和实时传感信息,并根据所述实时设备信息和实时传感信息,实时更新所述三维模型的模型参数;所述更新模块具体用于执行以下步骤:
获取所述目标水厂的多个水厂设备对应的实时设备信息和实时传感信息;
根据每一所述水厂设备对应的设备位置和设备类型,基于多种分组规则,对所述多个水厂设备进行多次分组,得到多个设备组合集;每一所述设备组合集包括对所述多个水厂设备进行一次分组得到多个设备组合;
确定该设备组合集对应的分组规则所对应的训练后的第一神经网络模型;所述第一神经网络模型通过包括有多个通过所述对应的分组规则进行分组的训练设备组合对应的设备类型、设备信息和传感信息和分组合理性标注的训练数据集训练得到;
将该设备组合集中每一所述设备组合中的所有水厂设备对应的所述设备类型、所述实时设备信息和所述实时传感信息,输入至训练好的第一神经网络模型中,以得到每一所述设备组合对应的合理性参数;
计算每一所述设备组合中的设备数量与预设的组内设备数量参考值之间第一数量差值;所述组内设备数量参考值通过对通过所述对应的分组规则进行分组的历史设备数据中的设备组合中的设备数量进行统计得到;
计算每一所述设备组合对应的所述合理性参数和第一数量权重的乘积;第二数量权重和所述第一数量差值的绝对值大小成反比;
计算该设备组合集中的所述设备组合的数量与预设的分组数量参考值之间的第二数量差值;所述分组数量参考值通过对通过所述对应的分组规则进行分组的历史设备数据中的设备组合集中的设备组合数量进行统计得到;
计算该设备组合集中的所有所述设备组合的所述乘积的平均值,和第二数量权重的乘积,得到该设备组合集对应的分组合理性参数;所述第二数量权重和所述第二数量差值的绝对值大小成反比;
将所述分组合理性参数高于预设的参数阈值的多个所述设备组合集,确定为多个优选设备组合集;
根据所述多个优选设备组合集对应的所述实时设备信息和所述实时传感信息,基于预设的校正算法,实时更新所述三维模型的模型参数;
生成模块,用于接收目标用户的漫游指令和自动化控制指令,根据所述漫游指令,生成所述三维模型的显示参数,以及根据所述自动化控制指令,生成所述目标水厂的控制参数;
预测模块,用于根据神经网络算法,以及所述控制参数,预测所述目标水厂的控制结果,以提示所述目标用户是否执行所述自动化控制指令。
2.根据权利要求1所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述实时设备信息包括设备压力数据、设备流量数据、设备水质数据、设备电压数据、设备电流数据、设备控制器参数数据中的至少一种;和/或,所述实时传感信息包括区域图像信息、区域温度信息、区域湿度信息、区域门禁信息和区域门窗监控信息中的至少一种;和/或,所述显示参数包括显示角度、显示景深、显示位置、显示图像参数、显示更新频率中的至少一种。
3.根据权利要求1所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述多种分组规则包括:
根据预设的多个设备协作规则,将属于协作关系的设备类型对应的多个水厂设备分为同一设备组合;
根据预设的多个设备位置阈值,基于动态规划算法,将相互之间距离小于所述设备位置阈值的多个水厂设备分为同一设备组合;
根据预设的多个设备工作流规则,将属于同一工作流关系的设备类型对应的多个水厂设备分为同一设备组合。
4.根据权利要求1所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述更新模块根据所述多个优选设备组合集对应的所述实时设备信息和所述实时传感信息,基于预设的校正算法,实时更新所述三维模型的模型参数的具体方式,包括:
对于每一所述优选设备组合集中的每一所述设备组合中的任意两个水厂设备,根据预设的设备信息校正规则和传感信息校正规则,对该两个水厂设备对应的所述实时设备信息和所述实时传感信息进行校正,以得到该两个水厂设备对应的校正设备信息和校正传感信息;
对于任一所述水厂设备,计算该水厂设备在所有所述优选设备组合集中的设备组合中对应的所述校正设备信息的加权求和平均值,得到该水厂设备对应的统计设备信息;
计算该水厂设备在所有所述优选设备组合集中的设备组合中对应的所述校正传感信息的加权求和平均值,得到该水厂设备对应的统计传感信息;
对所述三维模型的模型参数中与该水厂设备对应的参数,根据所述统计设备信息和所述统计传感信息进行更新。
5.根据权利要求1所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述设备信息校正规则用于限定特定位置和特定设备类型的两个水厂设备之间的特定类型的实时设备信息之间的数学关系;和/或,所述传感信息校正规则用于限定特定位置和特定设备类型的两个水厂设备之间的特定类型的实时传感信息之间的数学关系。
6.根据权利要求1所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述自动化控制指令包括加药指令、管道冲洗指令、管道停水指令和管道供水指令中的至少一种;所述生成模块具体用于执行以下步骤:
基于预设的指令-设备对应关系,确定所述自动化控制指令对应的多个待控制水厂设备;
根据所述自动化控制指令的指令内容,确定每一所述待控制水厂设备对应的目标参数;
根据所述目标参数,和每一所述待控制水厂设备的所述实时设备信息和所述实时传感信息,确定每一所述待控制水厂设备对应的设备控制参数;所述设备控制参数用于控制对应的所述待控制水厂设备以使得其所述实时设备信息和所述实时传感信息满足所述目标参数。
7.根据权利要求6所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述预测模块具体用于执行以下步骤:
将所有所述待控制水厂设备对应的设备控制参数,输入至所述自动化控制指令的指令类型对应的训练好的第二神经网络模型,以得到输出的所有所述待控制水厂设备的预测设备控制后参数;所述第二神经网络模型通过包括有受所述指令类型的指令控制的多个训练设备控制参数和对应的控制后参数标注的训练数据集训练得到;所述预测设备控制后参数包括预测控制后设备信息和预测控制后传感信息;
将所有所述待控制水厂设备的预测设备控制后参数,输入至所述更新模块中进行预演算,以得到所述三维模型对应的演算后模型参数;
将所述演算后模型参数,以区别于所述三维模型的当前参数的显示状态,向所述目标用户进行展示。
8.根据权利要求7所述的基于数字孪生的智慧水厂综合管理系统,其特征在于,所述预测模块将所述演算后模型参数,以区别于所述三维模型的当前参数的显示状态,向所述目标用户进行展示的具体方式,包括:
对于每一所述演算后模型参数,计算该演算后模型参数与所述三维模型中对应类型的当前参数之间的第一参数差值;
计算该演算后模型参数与对应的所述待控制水厂设备对应的目标参数之间的第二参数差值;
计算所述第一参数差值和所述第二参数差值之间的加权求和平均值,得到该演算后模型参数对应的差异参数;其中,所述第二参数差值的权重大于所述第一参数差值;
根据所述差异参数,以及对应的差异-显示对应规则,确定该演算后模型参数对应的显示显眼比例;所述显示显眼比例与所述差异参数的大小成正比;
根据所述对应类型的当前参数的显示参数,以及显示差异比例,计算该演算后模型参数对应的差异显示参数,并根据所述差异显示参数向所述目标用户显示该演算后模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092099.8A CN116909238B (zh) | 2023-08-29 | 2023-08-29 | 基于数字孪生的智慧水厂综合管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092099.8A CN116909238B (zh) | 2023-08-29 | 2023-08-29 | 基于数字孪生的智慧水厂综合管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116909238A CN116909238A (zh) | 2023-10-20 |
CN116909238B true CN116909238B (zh) | 2024-01-19 |
Family
ID=88353287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311092099.8A Active CN116909238B (zh) | 2023-08-29 | 2023-08-29 | 基于数字孪生的智慧水厂综合管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116909238B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3798948A1 (en) * | 2019-09-26 | 2021-03-31 | Rockwell Automation Technologies, Inc. | Ai design analysis and recommendations |
CN112818446A (zh) * | 2021-01-26 | 2021-05-18 | 西安交通大学 | 一种智能车间数字孪生系统的构建方法 |
CN113433910A (zh) * | 2021-06-30 | 2021-09-24 | 武汉理工大学 | 一种基于数字孪生的净水厂智能加药控制系统及方法 |
CN113505492A (zh) * | 2021-07-28 | 2021-10-15 | 陕西省引汉济渭工程建设有限公司 | 一种基于数字孪生技术的跨流域调水工程的调度方法 |
CN114862288A (zh) * | 2022-07-06 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务二次加压管理系统 |
EP4167245A1 (en) * | 2021-10-18 | 2023-04-19 | Koninklijke Philips N.V. | Systems and methods for modelling a human subject |
CN116362683A (zh) * | 2023-03-31 | 2023-06-30 | 盐城良笔数字科技有限公司 | 基于数字孪生技术的智慧工厂管理系统 |
CN116468338A (zh) * | 2023-05-19 | 2023-07-21 | 上海旷仪智能科技有限公司 | 基于数字孪生的智慧水务监测方法、系统及电子设备 |
CN116631162A (zh) * | 2023-04-23 | 2023-08-22 | 浙江和达科技股份有限公司 | 一种基于数字孪生的水务设备异常预警方法及装置 |
-
2023
- 2023-08-29 CN CN202311092099.8A patent/CN116909238B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3798948A1 (en) * | 2019-09-26 | 2021-03-31 | Rockwell Automation Technologies, Inc. | Ai design analysis and recommendations |
CN112818446A (zh) * | 2021-01-26 | 2021-05-18 | 西安交通大学 | 一种智能车间数字孪生系统的构建方法 |
CN113433910A (zh) * | 2021-06-30 | 2021-09-24 | 武汉理工大学 | 一种基于数字孪生的净水厂智能加药控制系统及方法 |
CN113505492A (zh) * | 2021-07-28 | 2021-10-15 | 陕西省引汉济渭工程建设有限公司 | 一种基于数字孪生技术的跨流域调水工程的调度方法 |
EP4167245A1 (en) * | 2021-10-18 | 2023-04-19 | Koninklijke Philips N.V. | Systems and methods for modelling a human subject |
CN114862288A (zh) * | 2022-07-06 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务二次加压管理系统 |
CN116362683A (zh) * | 2023-03-31 | 2023-06-30 | 盐城良笔数字科技有限公司 | 基于数字孪生技术的智慧工厂管理系统 |
CN116631162A (zh) * | 2023-04-23 | 2023-08-22 | 浙江和达科技股份有限公司 | 一种基于数字孪生的水务设备异常预警方法及装置 |
CN116468338A (zh) * | 2023-05-19 | 2023-07-21 | 上海旷仪智能科技有限公司 | 基于数字孪生的智慧水务监测方法、系统及电子设备 |
Non-Patent Citations (1)
Title |
---|
基于数字孪生的绿色建筑运营成本管理系统设计与应用;王艺蕾;陈烨;王文;;建筑节能(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116909238A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163417B (zh) | 一种业务量的预测方法、装置及设备 | |
CN114880733B (zh) | 智慧水务水力模型数据处理方法及装置 | |
CN107066365A (zh) | 一种系统异常的监测方法及装置 | |
EP3859455B1 (en) | Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
CN113849166B (zh) | 智慧水环境积木式零代码开发平台 | |
CN116823521B (zh) | 基于ai算法的智能二次供水终端控制系统 | |
CN116909238B (zh) | 基于数字孪生的智慧水厂综合管理系统 | |
CN116821647B (zh) | 基于样本偏离评估的数据标注的优化方法、装置及设备 | |
CN116611006B (zh) | 基于用户反馈的电水壶的故障识别方法及装置 | |
CN116403097A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN111798177A (zh) | 订单压单方法及装置 | |
CN113902356B (zh) | 区域流量数据分析方法及装置 | |
CN116699998B (zh) | 基于ai算法的无人值守加压站控制系统 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN117393140B (zh) | 基于历史数据的智能指环控制方法及装置 | |
CN116760871B (zh) | 基于多协议协同的智慧表务管理系统 | |
CN117406628B (zh) | 一种基于传感监测的实验室通风控制系统 | |
CN117875789A (zh) | 一种用于海绵城市排水效果评估的数据处理方法及装置 | |
CN117216146B (zh) | 一种基于人工智能的数据分析及展现系统 | |
CN111104979B (zh) | 一种用户行为价值评估模型的生成方法、装置及设备 | |
CN116777010B (zh) | 一种模型训练的方法以及任务执行方法及装置 | |
CN117423445B (zh) | 基于用户集群感知的智能指环控制方法及装置 | |
CN117216327B (zh) | 基于可视化数据关系的数据分析系统 | |
CN117077058B (zh) | 基于用水数据分析的智慧营业收费管理系统 |
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 |