CN116975378A - 一种基于大数据的设备环境监测方法及系统 - Google Patents
一种基于大数据的设备环境监测方法及系统 Download PDFInfo
- Publication number
- CN116975378A CN116975378A CN202311223460.6A CN202311223460A CN116975378A CN 116975378 A CN116975378 A CN 116975378A CN 202311223460 A CN202311223460 A CN 202311223460A CN 116975378 A CN116975378 A CN 116975378A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- abnormal
- gas
- monitoring point
- environment
- 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 402
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 222
- 238000009792 diffusion process Methods 0.000 claims abstract description 126
- 230000008859 change Effects 0.000 claims abstract description 36
- 230000007613 environmental effect Effects 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 14
- 238000004887 air purification Methods 0.000 claims abstract description 13
- 238000011835 investigation Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012098 association analyses Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 216
- 239000002440 industrial waste Substances 0.000 description 7
- 238000003915 air pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 108700041286 delta Proteins 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Emergency Alarm Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及环境监测技术领域，具体为一种基于大数据的设备环境监测方法及系统，包括：采集目标工厂内各类设备的工作区域、各监测点位置信息和气体环境进行监测的历史记录；分析各历史记录的气体浓度变化趋势，分析各监测点之间的关联性；确认气体环境异常区域，分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；获取当前时间节点时各监测点的气体环境浓度值，匹配出相应的气体扩散模型，若匹配出，则对所述气体扩散模型对应的工作区域进行空气净化；反之，则将异常监测点集反馈给相关人员，及时进行故障排查，有利于准确判断工作区域的异常性和环境监测仪本身的故障性。
Description
技术领域
本发明涉及环境监测技术领域，具体为一种基于大数据的设备环境监测方法及系统。
背景技术
环境监测是指环境监测机构对环境质量状况进行监视和测定的活动，它是通过对反映环境质量的指标进行监视和测定，以确定环境污染状况和环境质量的高低。
企业排放的工业废气超标会直接污染到大气，轻则导致大气存在异味下酸雨，重则直接威胁到人们的身体健康。人们可以通过在各个工厂内设立环境监测点对工业废气的合理监测识别工业分析的主要有害成分以及排放指标，为污染控制提供参考。
然而，由于工厂内各工作区域之间产生的气体环境相互独立，则在气体扩散的过程中会影响到其它工作区域，而利用环境监测仪监测工业废气时，无法根据环境监测仪的气体浓度值准确判断排放工业废气异常的工作区域；不仅如此，环境监测仪的设备参数，包括大气压、风速、温度等均会对监测数据产生影响，因此如何根据监测到的气体环境准确判断工作区域的异常性和环境监测仪本身的故障性成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于大数据的设备环境监测方法及系统，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：一种基于大数据的设备环境监测方法，包括以下步骤：
步骤S100：采集目标工厂内各类设备的工作区域，形成区域集；采集对目标工厂的气体环境进行监测的各监测点位置信息，形成监测位置集；采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录，形成历史记录集；
上述步骤中各类设备工作时会产生对空气环境有一定影响的气体，存在空气污染隐患；
上述步骤中各环境监测点是利用环境监测仪对目标工厂进行监测；同时，设立监测位置集中各环境监测点位置的目的是监测个工作区域，但并不能说明各环境监测点在相应各工作区域内，它的设立和目标工厂的布局以及和目标工厂气体排放习惯有关；
步骤S200：分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉，形成异常区间集；根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度；
步骤S300：对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；
步骤S400：获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点，形成异常监测点集；将异常监测点集和各气体扩散模型进行权重匹配，若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
进一步的，步骤S200包括：
步骤S210：根据历史记录集分别获取各监测点在历史时间序列下的气体浓度，则以各时间节点为横坐标，气体浓度为纵坐标，分别构建二维平面坐标系，形成各监测点相应的环境变化图；
步骤S220：根据环境变化图对气体浓度大于环境阈值α的各时间节点进行标记，作为检测节点；分别获取任意检测节点a1的两个相邻时间节点，以及相应各相邻时间节点的气体浓度值，分别得到各相邻时间节点和检测节点之间的斜率值K1、K2；当K2-K1大于斜率阈值β时，获取任意检测节点a1之后的所有时间节点和相应时间节点的气体浓度值；则根据所述所有时间节点的气体浓度值依次计算各相邻时间节点之间的斜率值，直至出现斜率值≤0时，记录时间节点为a2，进一步形成任意检测节点a1的异常区间[a1,a2]；反之，若K2-K1小于斜率阈值β，则表示任意检测节点a1不存在异常区间；此时遍历各检测节点，形成各监测点对应环境变化图的异常区间集；
上述步骤中环境阈值α并不是环境临界值，而是达到该值时，相应监测点的气体环境的扩散会影响到其它监测点的气体环境，便于后续构建异常区间；
上述步骤中相邻时间节点表示检测节点的前面一个时间节点和后面一个时间节点；
上述步骤中的a2需满足a2-a1大于节点阈值，目的是有效记录异常数据，避免短暂出现的异常气体环境降低系统计算效率；
通过根据环境变化图筛选出待检测节点，则当待检测节点的气体浓度变化发生突变并持续一段时间时，则表示在待检测节点时目标监测点的气体环境发生异常，有利于形成异常区间，便于后续根据异常区间分析各监测点之间的关联性；
步骤S230：对监测位置集中各监测点的位置信息进行获取，将任意监测点设为目标监测点，则分别计算目标监测点到其它各监测点之间的距离，形成距离集合；获取气体环境在目标工厂内的扩散速度v，则进一步根据距离集合/扩散速度v确认在目标监测点的气体环境分别扩散到其它各监测点的时长，形成扩散时长集合T={t1,t2,…,tn}，其中t1,t2,…,tn分别表示在目标监测点的气体环境到其它第1,2,…,n个监测点的扩散时长；
上述步骤中设定工厂内各监测点监测到的气体成分相同，则相应气体的扩散速度也相同，此时根据各监测点之间的距离和气体扩散速度进一步得到各监测点的气体环境扩散到其它监测点的时长；
步骤S240：获取目标监测点对应环境变化图的异常区间集，对异常区间集中任意检测节点a1的异常区间[a1,a2]进行捕捉；根据扩散时长集T中目标监测点扩散到其它任意监测点的时长ti，形成其它任意监测点对目标监测点的两个参考异常区间[a1-ti,a2-ti]和[a1+ti,a2+ti]；
步骤S250：根据其它任意监测点对应环境变化图的异常区间集对异常区间集中各异常区间进行获取，依次计算各异常区间分别和参考异常区间的重叠部分R；则若存在δ1≤R/(a2-a1)≤δ2时，其中δ1，δ2均表示重叠阈值，表示在目标监测点监测到的气体环境对其它任意监测点的气体环境产生影响，则将相应满足条件的异常区间作为参考异常区间的关联区间并确认关联程度S=σ*R/(a2-a1)，其中σ表示关联参数，反之，若不存在δ1≤R/(a2-a1)≤δ2，则表示目标监测点监测到的气体环境不会对其它任意监测点的气体环境产生影响；
上述步骤中设立δ1，δ2的目的是避免其它任意监测点监测到未受目标监测点影响的气体环境存在异常性，使数据产生偏差；
通过根据目标监测点的异常区间和目标监测点到其它各监测点的扩散时长分析目标监测点和其它各监测点在异常区间上的重叠部分，进一步根据重叠部分分析目标监测点和气体各监测点之间的关联程度，有利于后续根据关联程度确认关联权重并构建气体扩散模型。
进一步的，步骤S300包括：
步骤S310：为了分析各监测点气体环境异常的区域来源：获取所有和目标监测点的气体环境产生影响的各监测点位置，形成异常位置集；获取区域集中各工作区域的中心位置，依次计算各中心位置到异常位置集中各监测点位置的距离均值，则确认距离均值最小的中心位置对应的工作区域作为气体环境异常区域；
上述步骤的区域集中各工作区域产生的气体环境可以相同也可以不同，由实际生产决定；
步骤S320：获取气体环境异常区域中设备的工作区间，以及气体环境异常区域的中心位置到目标监测点的距离d，则根据扩散时长d/v、设备的工作区间和目标监测点的异常区间[a1,a2]确认气体环境异常区域和目标监测点的关联程度P；
步骤S330：获取异常位置集中各监测点和目标监测点的关联程度S，则根据关联程度P和关联程度S分别确认气体环境异常区域和所述各监测点的关联程度；进一步根据气体环境异常区域和所述各监测点的关联程度分别对所述各监测点设置权重，构建形成气体环境异常区域的气体扩散模型；
通过获取所有和目标监测点的气体环境产生影响的各监测点位置，并根据各监测点位置在区域集中各工作区域的密集程度确认气体环境异常区域和相应关联程度，并根据相应关联程度以及目标监测点和其它各监测点之间的关联程度确认气体环境异常区域和其它各监测点之间的关联程度，进一步构建气体扩散模型，有利于后续根据气体扩散模型中各监测点的权重确认监测点故障还是气体环境异常区域发生异常。
进一步的，步骤S400包括：
步骤S410：获取当前时间节点时各监测点的气体浓度值，对气体浓度值大于环境阈值α的各异常监测点进行提取，形成异常监测点集合H；
步骤S420：获取气体环境异常区域的气体扩散模型中各监测点的权重，对权重值大于权重阈值μ的各监测点进行提取，并根据权重值大小对提取的各监测点进行由大到小排序，形成关联监测集G；此时若关联监测集G⊆异常监测点集合H，则对气体环境异常区域进行空气净化；反之，若关联监测集G⊈异常监测点集合H，则将H-G中筛选出来的各监测点反馈给相关人员，及时进行监测点故障排查。
设备环境监测系统，所述系统包括：数据采集模块、数据库、关联分析模块、模型构建模块和数据处理模块；
通过数据采集模块采集目标工厂内各类设备的工作区域，形成区域集；采集对目标工厂的气体环境进行监测的各监测点位置信息，形成监测位置集；采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录，形成历史记录集；
通过数据库对所有采集的数据进行存储；
通过关联分析模块分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉，形成异常区间集；根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度；
通过模型构建模块对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；
通过数据处理模块获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点，形成异常监测点集；将异常监测点集和各气体扩散模型进行权重匹配，若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
进一步的，数据采集模块包括区域采集单元、监测点采集单元和历史记录采集单元；
所述区域采集单元用于采集目标工厂内各类设备的工作区域；所述监测点采集单元用于采集对目标工厂的气体环境进行监测的各监测点位置信息；所述历史记录采集单元用于采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录。
进一步的，关联分析模块包括趋势分析单元、扩散计算单元和关联分析单元；
所述趋势分析单元用于分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉；所述扩散计算单元用于根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；所述关联分析单元用于根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度。
进一步的，模型构建单元包括异常确认单元和模型构建单元；
所述异常确认用于对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；所述模型构建单元用于根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型。
进一步的，数据处理模块包括异常筛选单元、权重分析单元和数据反馈单元；
所述异常筛选单元用于获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点；所述权重分析单元用于将异常监测点集和各气体扩散模型进行权重匹配；所述数据反馈单元用于判断若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
与现有技术相比，本发明所达到的有益效果是：
通过获取所有和目标监测点的气体环境产生影响的各监测点位置，并根据各监测点位置在区域集中各工作区域的密集程度确认气体环境异常区域和相应关联程度，并根据相应关联程度以及目标监测点和其它各监测点之间的关联程度确认气体环境异常区域和其它各监测点之间的关联程度，进一步构建气体扩散模型，有利于后续根据气体扩散模型中各监测点的权重确认监测点故障还是气体环境异常区域发生异常。
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是本发明一种基于大数据的设备环境监测系统的结构图；
图2是本发明一种基于大数据的设备环境监测方法的流程图。
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：设备环境监测系统，所述系统包括：数据采集模块、数据库、关联分析模块、模型构建模块和数据处理模块；
通过数据采集模块采集目标工厂内各类设备的工作区域，形成区域集；采集对目标工厂的气体环境进行监测的各监测点位置信息，形成监测位置集；采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录，形成历史记录集；
数据采集模块包括区域采集单元、监测点采集单元和历史记录采集单元；
所述区域采集单元用于采集目标工厂内各类设备的工作区域；所述监测点采集单元用于采集对目标工厂的气体环境进行监测的各监测点位置信息；所述历史记录采集单元用于采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录。
通过数据库对所有采集的数据进行存储；
通过关联分析模块分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉，形成异常区间集；根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度；
关联分析模块包括趋势分析单元、扩散计算单元和关联分析单元；
所述趋势分析单元用于分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉；所述扩散计算单元用于根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；所述关联分析单元用于根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度。
通过模型构建模块对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；
模型构建单元包括异常确认单元和模型构建单元；
所述异常确认用于对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；所述模型构建单元用于根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型。
通过数据处理模块获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点，形成异常监测点集；将异常监测点集和各气体扩散模型进行权重匹配，若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查；
数据处理模块包括异常筛选单元、权重分析单元和数据反馈单元；
所述异常筛选单元用于获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点；所述权重分析单元用于将异常监测点集和各气体扩散模型进行权重匹配；所述数据反馈单元用于判断若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
请参阅图2，本发明提供技术方案：一种基于大数据的设备环境监测方法，包括以下步骤：
步骤S100：采集目标工厂内各类设备的工作区域，形成区域集；采集对目标工厂的气体环境进行监测的各监测点位置信息，形成监测位置集；采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录，形成历史记录集；
上述步骤中各类设备工作时会产生对空气环境有一定影响的气体，存在空气污染隐患；
上述步骤中各环境监测点是利用环境监测仪对目标工厂进行监测；同时，设立监测位置集中各环境监测点位置的目的是监测个工作区域，但并不能说明各环境监测点在相应各工作区域内，它的设立和目标工厂的布局以及和目标工厂气体排放习惯有关；
步骤S200：分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉，形成异常区间集；根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度；
步骤S200包括：
步骤S210：根据历史记录集分别获取各监测点在历史时间序列下的气体浓度，则以各时间节点为横坐标，气体浓度为纵坐标，分别构建二维平面坐标系，形成各监测点相应的环境变化图；
步骤S220：根据环境变化图对气体浓度大于环境阈值α=0.56的各时间节点进行标记，作为检测节点；分别获取任意检测节点a1的两个相邻时间节点，以及相应各相邻时间节点的气体浓度值，分别得到各相邻时间节点和检测节点之间的斜率值K1、K2；当K2-K1大于斜率阈值β=4时，获取任意检测节点a1之后的所有时间节点和相应时间节点的气体浓度值；则根据所述所有时间节点的气体浓度值依次计算各相邻时间节点之间的斜率值，直至出现斜率值≤0时，记录时间节点为a2，进一步形成任意检测节点a1的异常区间[a1,a2]；反之，若K2-K1小于斜率阈值β，则表示任意检测节点a1不存在异常区间；此时遍历各检测节点，形成各监测点对应环境变化图的异常区间集；
上述步骤中环境阈值α并不是环境临界值，而是达到该值时，相应监测点的气体环境的扩散会影响到其它监测点的气体环境，便于后续构建异常区间；
上述步骤中相邻时间节点表示检测节点的前面一个时间节点和后面一个时间节点；
上述步骤中的a2需满足a2-a1大于节点阈值，目的是有效记录异常数据，避免短暂出现的异常气体环境降低系统计算效率；
例如说设定检测节点a1=5相应的气体浓度值0.1，则分别得到两个相邻时间节点对应的气体浓度值，记(4,0.01),(6,0.6)，则分别得到各相邻时间节点和检测节点之间的斜率值K1=0.09、K2=0.5，则当K2-K1=0.5-0.09=0.41>4时，进一步依次分析(6,0.6)及之后的所有斜率值，直至遍历到时间节点为10时，依次得到的斜率值K2=0.5,K3=0.4,K4=0.3,K5=0.2,K6=0.1,K7=-0.03，此时记录时间节点a2=10，则形成检测节点a1=5的异常区间[5,10]；
步骤S230：对监测位置集中各监测点的位置信息进行获取，将任意监测点设为目标监测点，则分别计算目标监测点到其它各监测点之间的距离，形成距离集合；获取气体环境在目标工厂内的扩散速度v，则进一步根据距离集合/扩散速度v确认在目标监测点的气体环境分别扩散到其它各监测点的时长，形成扩散时长集合T={t1,t2,…,t20}，其中t1,t2,…,t20分别表示在目标监测点的气体环境到其它第1,2,…,20个监测点的扩散时长；
步骤S240：获取目标监测点对应环境变化图的异常区间集，对异常区间集中任意检测节点a1的异常区间[a1,a2]进行捕捉；根据扩散时长集T中目标监测点扩散到其它任意监测点的时长ti，形成其它任意监测点对目标监测点的两个参考异常区间[a1-ti,a2-ti]和[a1+ti,a2+ti]；
步骤S250：根据其它任意监测点对应环境变化图的异常区间集对异常区间集中各异常区间进行获取，依次计算各异常区间分别和参考异常区间的重叠部分R；则若存在0.4≤R/(a2-a1)≤0.8时，表示在目标监测点监测到的气体环境对其它任意监测点的气体环境产生影响，则将相应满足条件的异常区间作为参考异常区间的关联区间并确认关联程度S=σ*R/(a2-a1)，其中σ表示关联参数，反之，若不存在0.4≤R/(a2-a1)≤0.8，则表示目标监测点监测到的气体环境不会对其它任意监测点的气体环境产生影响。
步骤S300：对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；
步骤S300包括：
步骤S310：为了分析各监测点气体环境异常的区域来源：获取所有和目标监测点的气体环境产生影响的各监测点位置，形成异常位置集；获取区域集中各工作区域的中心位置，依次计算各中心位置到异常位置集中各监测点位置的距离均值，则确认距离均值最小的中心位置对应的工作区域作为气体环境异常区域；
上述步骤的区域集中各工作区域产生的气体环境可以相同也可以不同，由实际生产决定；
步骤S320：获取气体环境异常区域中设备的工作区间，以及气体环境异常区域的中心位置到目标监测点的距离d，则根据扩散时长d/v、设备的工作区间和目标监测点的异常区间[a1,a2]确认气体环境异常区域和目标监测点的关联程度P；
步骤S330：获取异常位置集中各监测点和目标监测点的关联程度S，则根据关联程度P和关联程度S分别确认气体环境异常区域和所述各监测点的关联程度；进一步根据气体环境异常区域和所述各监测点的关联程度分别对所述各监测点设置权重，构建形成气体环境异常区域的气体扩散模型；
上述步骤中若监测点和气体环境异常区域的关联程度越大，则设置的权重值越高，此时，若气体环境异常区域异常时，则相应监测点异常的概率越高。
步骤S400：获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点，形成异常监测点集；将异常监测点集和各气体扩散模型进行权重匹配，若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
步骤S400包括：
步骤S410：获取当前时间节点时各监测点的气体浓度值，对气体浓度值大于环境阈值α的各异常监测点进行提取，形成异常监测点集合H；
步骤S420：获取气体环境异常区域的气体扩散模型中各监测点的权重，对权重值大于权重阈值μ的各监测点进行提取，并根据权重值大小对提取的各监测点进行由大到小排序，形成关联监测集G；此时若关联监测集G⊆异常监测点集合H，则对气体环境异常区域进行空气净化；反之，若关联监测集G⊈异常监测点集合H，则将H-G中筛选出来的各监测点反馈给相关人员，及时进行监测点故障排查。
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 (9)
1.一种基于大数据的设备环境监测方法，其特征在于：包括以下步骤：
步骤S100：采集目标工厂内各类设备的工作区域，形成区域集；采集对目标工厂的气体环境进行监测的各监测点位置信息，形成监测位置集；采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录，形成历史记录集；
步骤S200：分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉，形成异常区间集；根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度；
步骤S300：对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；
步骤S400：获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点，形成异常监测点集；将异常监测点集和各气体扩散模型进行权重匹配，若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
2.根据权利要求1所述的一种基于大数据的设备环境监测方法，其特征在于：所述步骤S200包括：
步骤S210：根据历史记录集分别获取各监测点在历史时间序列下的气体浓度，则以各时间节点为横坐标，气体浓度为纵坐标，分别构建二维平面坐标系，形成各监测点相应的环境变化图；
步骤S220：根据环境变化图对气体浓度大于环境阈值α的各时间节点进行标记，作为检测节点；分别获取任意检测节点a1的两个相邻时间节点，以及相应各相邻时间节点的气体浓度值，分别得到各相邻时间节点和检测节点之间的斜率值K1、K2；当K2-K1大于斜率阈值β时，获取任意检测节点a1之后的所有时间节点和相应时间节点的气体浓度值；则根据所述所有时间节点的气体浓度值依次计算各相邻时间节点之间的斜率值，直至出现斜率值≤0时，记录时间节点为a2，进一步形成任意检测节点a1的异常区间[a1,a2]；反之，若K2-K1小于斜率阈值β，则表示任意检测节点a1不存在异常区间；此时遍历各检测节点，形成各监测点对应环境变化图的异常区间集；
步骤S230：对监测位置集中各监测点的位置信息进行获取，将任意监测点设为目标监测点，则分别计算目标监测点到其它各监测点之间的距离，形成距离集合；获取气体环境在目标工厂内的扩散速度v，则进一步根据距离集合/扩散速度v确认在目标监测点的气体环境分别扩散到其它各监测点的时长，形成扩散时长集合T={t1,t2,…,tn}，其中t1,t2,…,tn分别表示在目标监测点的气体环境到其它第1,2,…,n个监测点的扩散时长；
步骤S240：获取目标监测点对应环境变化图的异常区间集，对异常区间集中任意检测节点a1的异常区间[a1,a2]进行捕捉；根据扩散时长集T中目标监测点扩散到其它任意监测点的时长ti，形成其它任意监测点对目标监测点的两个参考异常区间[a1-ti,a2-ti]和[a1+ti,a2+ti]；
步骤S250：根据其它任意监测点对应环境变化图的异常区间集对异常区间集中各异常区间进行获取，依次计算各异常区间分别和参考异常区间的重叠部分R；则若存在δ1≤R/(a2-a1)≤δ2时，其中δ1，δ2均表示重叠阈值，表示在目标监测点监测到的气体环境对其它任意监测点的气体环境产生影响，则将相应满足条件的异常区间作为参考异常区间的关联区间并确认关联程度S=σ*R/(a2-a1)，其中σ表示关联参数。
3.根据权利要求2所述的一种基于大数据的设备环境监测方法，其特征在于：所述步骤S300包括：
步骤S310：获取所有和目标监测点的气体环境产生影响的各监测点位置，形成异常位置集；获取区域集中各工作区域的中心位置，依次计算各中心位置到异常位置集中各监测点位置的距离均值，则确认距离均值最小的中心位置对应的工作区域作为气体环境异常区域；
步骤S320：获取气体环境异常区域中设备的工作区间，以及气体环境异常区域的中心位置到目标监测点的距离d，则根据扩散时长d/v、设备的工作区间和目标监测点的异常区间[a1,a2]确认气体环境异常区域和目标监测点的关联程度P；
步骤S330：获取异常位置集中各监测点和目标监测点的关联程度S，则根据关联程度P和关联程度S分别确认气体环境异常区域和所述各监测点的关联程度；进一步根据气体环境异常区域和所述各监测点的关联程度分别对所述各监测点设置权重，构建形成气体环境异常区域的气体扩散模型。
4.根据权利要求3所述的一种基于大数据的设备环境监测方法，其特征在于：所述步骤S400包括：
步骤S410：获取当前时间节点时各监测点的气体浓度值，对气体浓度值大于环境阈值α的各异常监测点进行提取，形成异常监测点集合H；
步骤S420：获取气体环境异常区域的气体扩散模型中各监测点的权重，对权重值大于权重阈值μ的各监测点进行提取，并根据权重值大小对提取的各监测点进行由大到小排序，形成关联监测集G；此时若关联监测集G⊆异常监测点集合H，则对气体环境异常区域进行空气净化；反之，若关联监测集G⊈异常监测点集合H，则将H-G中筛选出来的各监测点反馈给相关人员，及时进行监测点故障排查。
5.用于实现权利要求1-4中任一项所述的一种基于大数据的设备环境监测方法的设备环境监测系统，其特征在于：所述系统包括：数据采集模块、数据库、关联分析模块、模型构建模块和数据处理模块；
通过所述数据采集模块采集目标工厂内各类设备的工作区域，形成区域集；采集对目标工厂的气体环境进行监测的各监测点位置信息，形成监测位置集；采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录，形成历史记录集；
通过所述数据库对所有采集的数据进行存储；
通过所述关联分析模块分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉，形成异常区间集；根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度；
通过所述模型构建模块对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型；
通过所述数据处理模块获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点，形成异常监测点集；将异常监测点集和各气体扩散模型进行权重匹配，若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
6.根据权利要求5所述的设备环境监测系统，其特征在于：所述数据采集模块包括区域采集单元、监测点采集单元和历史记录采集单元；
所述区域采集单元用于采集目标工厂内各类设备的工作区域；所述监测点采集单元用于采集对目标工厂的气体环境进行监测的各监测点位置信息；所述历史记录采集单元用于采集监测位置集中各监测点在历史时间序列下对目标工厂的气体环境进行监测的历史记录。
7.根据权利要求5所述的设备环境监测系统，其特征在于：所述关联分析模块包括趋势分析单元、扩散计算单元和关联分析单元；
所述趋势分析单元用于分析历史记录集中各历史记录的气体浓度变化趋势，并分别对各历史记录中气体浓度变化异常的时间区间进行捕捉；所述扩散计算单元用于根据气体环境的扩散速度和监测位置集中各监测点的位置分析各监测点之间的气体扩散时长；所述关联分析单元用于根据异常时间集和各监测点之间的气体扩散时长分析各监测点之间的关联性并确认相应的关联程度。
8.根据权利要求5所述的设备环境监测系统，其特征在于：所述模型构建模块包括异常确认单元和模型构建单元；
所述异常确认用于对存在关联性的各监测点位置进行聚类，形成异常位置集，并将区域集中各工作区域的中心位置和异常位置集进行匹配，确认气体环境异常区域；所述模型构建单元用于根据气体环境异常区域到各监测点的气体扩散时长和各监测点之间的关联性分析气体环境异常区域和各监测点之间的关联程度，并根据关联程度构建气体环境异常区域的气体扩散模型。
9.根据权利要求5所述的设备环境监测系统，其特征在于：所述数据处理模块包括异常筛选单元、权重分析单元和数据反馈单元；
所述异常筛选单元用于获取当前时间节点时各监测点的气体环境浓度值，并捕捉气体环境浓度值大于环境阈值的各监测点；所述权重分析单元用于将异常监测点集和各气体扩散模型进行权重匹配；所述数据反馈单元用于判断若匹配出相应的气体扩散模型，则对所述气体扩散模型对应的工作区域进行空气净化；反之，若未匹配出相应的气体扩散模型，则将异常监测点集反馈给相关人员，及时进行故障排查。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223460.6A CN116975378B (zh) | 2023-09-21 | 2023-09-21 | 一种基于大数据的设备环境监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223460.6A CN116975378B (zh) | 2023-09-21 | 2023-09-21 | 一种基于大数据的设备环境监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975378A true CN116975378A (zh) | 2023-10-31 |
| CN116975378B CN116975378B (zh) | 2023-12-05 |
Family
ID=88476906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311223460.6A Active CN116975378B (zh) | 2023-09-21 | 2023-09-21 | 一种基于大数据的设备环境监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975378B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408520A (zh) * | 2023-12-11 | 2024-01-16 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117434227A (zh) * | 2023-12-20 | 2024-01-23 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分监控方法及系统 |
| CN117517596A (zh) * | 2024-01-08 | 2024-02-06 | 辽宁中消安全设备有限公司 | 基于物联网的可燃及有毒有害气体实时监测方法及系统 |
| CN117574301A (zh) * | 2024-01-10 | 2024-02-20 | 四川正诚石油技术开发有限公司 | 基于多传感器的便携式智能环境侦检设备数据分析系统 |
| CN117871446A (zh) * | 2024-03-13 | 2024-04-12 | 安徽省大气探测技术保障中心 | 基于ai技术的大气温室气体浓度监测系统及方法 |
| CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
| CN118627757A (zh) * | 2024-08-09 | 2024-09-10 | 北京首钢气体有限公司 | 一种气体综合管网安全控制系统 |
| CN118644957A (zh) * | 2024-08-15 | 2024-09-13 | 安徽阿瑞特汽车电子科技有限公司 | 一种客车易燃挥发物实时监测报警系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160370339A1 (en) * | 2015-06-16 | 2016-12-22 | International Business Machines Corporation | Air-Pollution Anomaly Location Mechanism |
| CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
| CN110941648A (zh) * | 2019-11-19 | 2020-03-31 | 广州市自来水有限公司 | 基于聚类分析的异常数据识别方法、系统和存储介质 |
| CN111121862A (zh) * | 2019-09-29 | 2020-05-08 | 广西中遥空间信息技术有限公司 | 一种空天地一体化的大气环境监测系统及方法 |
| CN111950936A (zh) * | 2020-08-31 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 空气质量监测方法、装置、设备及介质 |
| CN114062038A (zh) * | 2020-07-31 | 2022-02-18 | 力合科技（湖南）股份有限公司 | 一种污染溯源管控方法 |
| CN115859068A (zh) * | 2023-03-03 | 2023-03-28 | 四川三思德科技有限公司 | 一种用于智能水利架构的环境信息感知方法及系统 |
| CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
| CN116702477A (zh) * | 2023-06-09 | 2023-09-05 | 西安交通大学 | 一种基于大气扩散模型的泄漏源定位方法及系统 |
-
2023
- 2023-09-21 CN CN202311223460.6A patent/CN116975378B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160370339A1 (en) * | 2015-06-16 | 2016-12-22 | International Business Machines Corporation | Air-Pollution Anomaly Location Mechanism |
| CN110085281A (zh) * | 2019-04-26 | 2019-08-02 | 成都之维安科技股份有限公司 | 一种基于特征污染因子源解析的环境污染溯源系统及方法 |
| CN111121862A (zh) * | 2019-09-29 | 2020-05-08 | 广西中遥空间信息技术有限公司 | 一种空天地一体化的大气环境监测系统及方法 |
| CN110941648A (zh) * | 2019-11-19 | 2020-03-31 | 广州市自来水有限公司 | 基于聚类分析的异常数据识别方法、系统和存储介质 |
| CN114062038A (zh) * | 2020-07-31 | 2022-02-18 | 力合科技（湖南）股份有限公司 | 一种污染溯源管控方法 |
| CN111950936A (zh) * | 2020-08-31 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 空气质量监测方法、装置、设备及介质 |
| CN115859068A (zh) * | 2023-03-03 | 2023-03-28 | 四川三思德科技有限公司 | 一种用于智能水利架构的环境信息感知方法及系统 |
| CN116186566A (zh) * | 2023-04-27 | 2023-05-30 | 北京建工环境修复股份有限公司 | 基于深度学习的扩散预测方法及系统 |
| CN116702477A (zh) * | 2023-06-09 | 2023-09-05 | 西安交通大学 | 一种基于大气扩散模型的泄漏源定位方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| LEI SHU 等: "Detectin g the Dangerous Area of Toxic Gases with Wireless Sensor Networks", IEEE TRANSACTIONS ON EMERGING TOPICS IN COMPUTING, vol. 8, no. 1, pages 137, XP011775848, DOI: 10.1109/TETC.2017.2700358 * |
| 刘权 等: "蚌埠市空气中PM2.5形成与扩散的研究", 河北北方学院学报(自然科学版), vol. 32, no. 05, pages 35 - 41 * |
| 殷大发: "煤矿安全监控系统监测点数据异常识别技术研究", 矿山机械, vol. 41, no. 04, pages 120 - 123 * |
| 王东方: "工业园区典型VOCs 污染过程精细化溯源", 中国环境科学, vol. 42, no. 02, pages 585 - 592 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408520B (zh) * | 2023-12-11 | 2024-03-29 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117408520A (zh) * | 2023-12-11 | 2024-01-16 | 深圳卓音智能科技有限公司 | 一种数据服务智能识别方法及系统 |
| CN117434227B (zh) * | 2023-12-20 | 2024-04-30 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分监控方法及系统 |
| CN117434227A (zh) * | 2023-12-20 | 2024-01-23 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分监控方法及系统 |
| CN117517596B (zh) * | 2024-01-08 | 2024-03-15 | 辽宁中消安全设备有限公司 | 基于物联网的可燃及有毒有害气体实时监测方法及系统 |
| CN117517596A (zh) * | 2024-01-08 | 2024-02-06 | 辽宁中消安全设备有限公司 | 基于物联网的可燃及有毒有害气体实时监测方法及系统 |
| CN117574301A (zh) * | 2024-01-10 | 2024-02-20 | 四川正诚石油技术开发有限公司 | 基于多传感器的便携式智能环境侦检设备数据分析系统 |
| CN117574301B (zh) * | 2024-01-10 | 2024-03-22 | 四川正诚石油技术开发有限公司 | 基于多传感器的便携式智能环境侦检设备数据分析系统 |
| CN117871446A (zh) * | 2024-03-13 | 2024-04-12 | 安徽省大气探测技术保障中心 | 基于ai技术的大气温室气体浓度监测系统及方法 |
| CN117871794A (zh) * | 2024-03-13 | 2024-04-12 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
| CN117871794B (zh) * | 2024-03-13 | 2024-05-24 | 江苏吉华电子科技有限公司 | 一种基于云平台的气体浓度数据监管系统及方法 |
| CN117871446B (zh) * | 2024-03-13 | 2024-05-28 | 安徽省大气探测技术保障中心 | 基于ai技术的大气温室气体浓度监测系统及方法 |
| CN118627757A (zh) * | 2024-08-09 | 2024-09-10 | 北京首钢气体有限公司 | 一种气体综合管网安全控制系统 |
| CN118644957A (zh) * | 2024-08-15 | 2024-09-13 | 安徽阿瑞特汽车电子科技有限公司 | 一种客车易燃挥发物实时监测报警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975378B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116975378B (zh) | 一种基于大数据的设备环境监测方法及系统 | |
| CN111475804B (zh) | 一种告警预测方法及系统 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN111738308A (zh) | 基于聚类及半监督学习的监控指标动态阈值检测方法 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN116485020B (zh) | 一种基于大数据的供应链风险识别预警方法、系统及介质 | |
| CN115994046B (zh) | 一种用于设备巡检的高精度识别方法及系统 | |
| CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
| CN118015795B (zh) | 一种基于卷积神经网络的ppb级污染物监测预警方法及系统 | |
| CN115980531A (zh) | 一种特定环境下的gis开关柜质量检测方法及系统 | |
| CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
| CN117826693B (zh) | 一种智慧油库监控预警系统及方法 | |
| CN117520999B (zh) | 一种边缘数据中心设备的智能运维方法和系统 | |
| CN113267601B (zh) | 一种基于机器视觉和数据分析的工业生产环境远程实时监测云平台 | |
| CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
| CN111314110B (zh) | 一种用于分布式系统的故障预警方法 | |
| CN117950947A (zh) | 一种基于互联网的计算机故障监测系统及方法 | |
| CN116930423A (zh) | 一种空气质量模型模拟效果的自动验证评估方法及系统 | |
| CN113628423B (zh) | 一种有害气体浓度监测报警系统 | |
| CN115757836A (zh) | 基于知识图谱的产品碳足迹分析系统 | |
| CN115190039A (zh) | 一种设备健康评测方法、系统、设备以及存储介质 | |
| CN113836203A (zh) | 一种网络数据化诊断检测分析系统 | |
| CN111340095A (zh) | 基于深度学习的环境监测数据质量控制方法 | |
| CN117035230B (zh) | 一种基于大数据分析的污水处理设备运行状态评估方法 | |
| CN116777086B (zh) | 基于多模数据的钢结构智能生产线预测性维护方法及系统 |
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 |