CN117014471A - 一种基于人工智能的工程物联网安全监测系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的工程物联网安全监测系统，属于安全监测技术领域，包括用户终端、组网模块、环境感知模块、采集传输模块、存储管理模块、分析预测模块、协同决策模块、报警通知模块、远程控制模块、维护管理模块以及自动化控制模块；本发明能够实现多组设备之间的灵活通信，提高工程人员消息传递的的实时性，有效消除通信障碍，确保数据的可用性，有效提高数据的冗余性和容错性，能够确保对工程预测的准确，提高故障诊断和安全风险评估的准确性和效率，同时可以适应不同工程项目的特点和变化，为工程项目管理者提供有价值的决策支持。

Description

一种基于人工智能的工程物联网安全监测系统

技术领域

本发明涉及安全监测技术领域，尤其涉及一种基于人工智能的工程物联网安全监测系统。

背景技术

传统的工程监测手段通常依赖于人工采集和分析数据，面对庞大的数据量和复杂的问题，人工的方式显得力不从心。而基于人工智能的工程物联网安全监测系统则通过物联网技术和智能算法的融合，实现了数据的自动采集、实时分析和智能预测，为工程项目的安全监测和决策提供了全新的解决方案；随着工程项目规模不断扩大和物联网技术的广泛应用，工程物联网安全监测系统的重要性日益凸显。这种系统利用人工智能技术，结合物联网传感器和大数据分析，为工程项目提供全方位的安全监测和预警服务，有效降低事故风险，保障工程的安全运行和顺利完成。

现有的工程物联网安全监测系统多组设备之间无法灵活通信，且及采集到的数据可用性差；此外，现有的工程物联网安全监测系统故障诊断和安全风险评估的准确性和效率低，无法为工程项目管理者提供有价值的决策支持，为此，我们提出一种基于人工智能的工程物联网安全监测系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于人工智能的工程物联网安全监测系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于人工智能的工程物联网安全监测系统，包括用户终端、组网模块、环境感知模块、采集传输模块、存储管理模块、分析预测模块、协同决策模块、报警通知模块、远程控制模块、维护管理模块以及自动化控制模块；

所述用户终端用于管理人员实时了解设施状态和安全风险，获取智能化的决策支持，同时进行设施管理和控制；

所述组网模块用于使多个用户终端互相连接成一个网络进行通信；

所述环境感知模块用于监测周边环境状况；

所述采集传输模块用于实时采集工程设施的数据，并进行数据预处理后传输至存储管理模块中；

所述存储管理模块用于接收并存储传入的实时数据，并对数据进行分布式存储，同时对历史数据进行整理和归档；

所述分析预测模块用于建立预测模型，并预测设施故障和安全风险；

所述协同决策模块用于接收预测结果并提供决策辅助建议以供管理人员参考选择；

所述报警通知模块用于监控预测结果和实时数据，并对存在设施异常或安全风险进行报警，并向相关责任人发送实时通知；

所述远程控制模块用于管理人员远程控制工程设施；

所述维护管理模块用于记录和管理设施的维护历史和维修计划，同时通过对设施维护数据进行分析并为管理人员提供维护建议；

所述自动化控制模块用于在某些条件下对工程设施进行自动操作。

作为本发明的进一步方案，所述用户终端具体包括电脑、笔记本电脑、智能手机、平板电脑、专用监测终端、车载设备、手环以及智能手表。

作为本发明的进一步方案，所述组网模块网络构建具体步骤如下：

步骤1：组网模块初始化各组用户终端，并为各组用户终端建立自己的网络标识、唯一ID以及识别信息，同时通过各组用户终端广播信息并寻找其他用户终端；

步骤2：组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据一定的连接策略使各用户终端建立连接关系，以形成Mesh组网，之后根据网络规模和通信需求为各用户终端设定一组心跳周期，各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态；

步骤3：用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态；

步骤4：当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接；

步骤5：当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态。

作为本发明的进一步方案，通过组网模块实现多组设备之间的灵活通信，提高工程人员消息传递的的实时性，有效消除通信障碍。

作为本发明的进一步方案，所述采集传输模块数据预处理具体步骤如下：

步骤一：采集传输模块检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除；

步骤二：计算各组数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除，通过指数平滑来去除噪音和波动以获取趋势和周期性信息，同时对各历史数据进行标准化处理以统一格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除。

作为本发明的进一步方案，所述存储管理模块分布式存储具体步骤如下：

步骤(1)：存储管理模块按照预设的时间区间对各组数据进行分割，以获形成多组数据块，之后为机器自动每组数据块分配一个唯一的ID或者通过哈希算法生成各组数据块的标识；

步骤(2)：收集各组节点信息，并依据数据块划分规则以及节点负载情况，并通过负载均衡算法选择合适的节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组节点上；

步骤(3)：当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点，之后自动检测节点运行情况，并对故障节点进行数据迁移或修复。

作为本发明的进一步方案，通过分布式存储将数据分散存储在多个节点上，即使某个节点发生故障，其他节点仍可提供服务，确保数据的可用性，同时在多个节点上存储相同的数据，提高数据的冗余性和容错性。

作为本发明的进一步方案，所述分析预测模块故障风险预测具体步骤如下：

步骤Ⅰ：分析预测模块从存储管理模块获取历史检测数据，再对收集到的各组数据进行预处理后，通过归一化方法统一数据格式，之后将数据集划分为训练集和测试集；

步骤Ⅱ：初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中并计算对应输出，之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值；

步骤Ⅲ：若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出预测模型；

步骤Ⅳ：将采集到的最新数据进行预处理后作为输入数据输入预测模型中，之后使预测模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致，之后输入数据从预测模型输入层开始经过模型的各隐藏层；

步骤Ⅴ：各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果对施工人员以及工程设施进行调配。

作为本发明的进一步方案，步骤Ⅲ所述卷积神经网络参数更新具体步骤如下：

步骤①：分析预测模块在卷积神经网络的规定区间内初始化网络连接权值，计算卷积神经网络的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；

步骤②：当局部误差超出预设阈值后，依据学习规则方程对卷积神经网络的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；

步骤③：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。

相比于现有技术，本发明的有益效果在于：

1、本发明通过通过各组用户终端广播信息并寻找其他用户终端，并根据规定连接策略使各用户终端建立连接关系，之后各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态，当用户终端之间的连接中断或失效，则自动尝试重新连接，同时建立新连接，相关用户终端会更新自身的路由信息，同时动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态，同时存储管理模块按照预设的时间区间对各组数据进行分割，以获形成多组数据块并进行标记，选择合适的节点来存储每组数据块，同时根据系统的要求和可用资源进行配置复制规定数量的数据块到多组节点上，当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点，之后自动检测节点运行情况，并对故障节点进行数据迁移或修复，能够实现多组设备之间的灵活通信，提高工程人员消息传递的的实时性，有效消除通信障碍，确保数据的可用性，有效提高数据的冗余性和容错性。

2、本发明通过从存储管理模块获取历史检测数据并进行预处理后将其划分为训练集和测试集，初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中并计算对应输出，之后衡量模型的预测结果与真实标签之间的损失值，若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集进行评估，计算卷积神经网络在测试集上的性能指标，并输出预测模型，将采集到的最新数据进行预处理后作为输入数据输入预测模型中，输入数据从预测模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果对施工人员以及工程设施进行调配，能够确保对工程预测的准确，提高故障诊断和安全风险评估的准确性和效率，同时可以适应不同工程项目的特点和变化，为工程项目管理者提供有价值的决策支持。

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。

图1为本发明提出的一种基于人工智能的工程物联网安全监测系统的系统框图。

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。

实施例1

参照图1，一种基于人工智能的工程物联网安全监测系统，包括用户终端、组网模块、环境感知模块、采集传输模块、存储管理模块、分析预测模块、协同决策模块、报警通知模块、远程控制模块、维护管理模块以及自动化控制模块。

所述用户终端用于管理人员实时了解设施状态和安全风险，获取智能化的决策支持，同时进行设施管理和控制。

本实施例中，用户终端具体包括电脑、笔记本电脑、智能手机、平板电脑、专用监测终端、车载设备、手环以及智能手表。

所述组网模块用于使多个用户终端互相连接成一个网络进行通信。

具体的，组网模块初始化各组用户终端，并为各组用户终端建立自己的网络标识、唯一ID以及识别信息，同时通过各组用户终端广播信息并寻找其他用户终端，组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据一定的连接策略使各用户终端建立连接关系，以形成Mesh组网，之后根据网络规模和通信需求为各用户终端设定一组心跳周期，各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态，用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态，当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接，当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态。

所述环境感知模块用于监测周边环境状况；所述采集传输模块用于实时采集工程设施的数据，并进行数据预处理后传输至存储管理模块中。

具体的，采集传输模块检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，计算各组数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除，通过指数平滑来去除噪音和波动以获取趋势和周期性信息，同时对各历史数据进行标准化处理以统一格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除。

所述存储管理模块用于接收并存储传入的实时数据，并对数据进行分布式存储，同时对历史数据进行整理和归档。

具体的，存储管理模块按照预设的时间区间对各组数据进行分割，以获形成多组数据块，之后为机器自动每组数据块分配一个唯一的ID或者通过哈希算法生成各组数据块的标识，收集各组节点信息，并依据数据块划分规则以及节点负载情况，并通过负载均衡算法选择合适的节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组节点上，当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点，之后自动检测节点运行情况，并对故障节点进行数据迁移或修复。

实施例2

参照图1，一种基于人工智能的工程物联网安全监测系统，包括用户终端、组网模块、环境感知模块、采集传输模块、存储管理模块、分析预测模块、协同决策模块、报警通知模块、远程控制模块、维护管理模块以及自动化控制模块。

所述分析预测模块用于建立预测模型，并预测设施故障和安全风险。

具体的，分析预测模块从存储管理模块获取历史检测数据，再对收集到的各组数据进行预处理后，通过归一化方法统一数据格式，之后将数据集划分为训练集和测试集，初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中并计算对应输出，之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值，若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出预测模型，将采集到的最新数据进行预处理后作为输入数据输入预测模型中，之后使预测模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致，之后输入数据从预测模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果对施工人员以及工程设施进行调配。

需要进一步说明的是，分析预测模块在卷积神经网络的规定区间内初始化网络连接权值，计算卷积神经网络的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差，当局部误差超出预设阈值后，依据学习规则方程对卷积神经网络的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值，将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。

所述协同决策模块用于接收预测结果并提供决策辅助建议以供管理人员参考选择；所述报警通知模块用于监控预测结果和实时数据，并对存在设施异常或安全风险进行报警，并向相关责任人发送实时通知。

所述远程控制模块用于管理人员远程控制工程设施；所述维护管理模块用于记录和管理设施的维护历史和维修计划，同时通过对设施维护数据进行分析并为管理人员提供维护建议；所述自动化控制模块用于在某些条件下对工程设施进行自动操作。

Claims (7)

1.一种基于人工智能的工程物联网安全监测系统，其特征在于，包括用户终端、组网模块、环境感知模块、采集传输模块、存储管理模块、分析预测模块、协同决策模块、报警通知模块、远程控制模块、维护管理模块以及自动化控制模块；

所述用户终端用于管理人员实时了解设施状态和安全风险，获取智能化的决策支持，同时进行设施管理和控制；

所述组网模块用于使多个用户终端互相连接成一个网络进行通信；

所述环境感知模块用于监测周边环境状况；

所述采集传输模块用于实时采集工程设施的数据，并进行数据预处理后传输至存储管理模块中；

所述存储管理模块用于接收并存储传入的实时数据，并对数据进行分布式存储，同时对历史数据进行整理和归档；

所述分析预测模块用于建立预测模型，并预测设施故障和安全风险；

所述协同决策模块用于接收预测结果并提供决策辅助建议以供管理人员参考选择；

所述报警通知模块用于监控预测结果和实时数据，并对存在设施异常或安全风险进行报警，并向相关责任人发送实时通知；

所述远程控制模块用于管理人员远程控制工程设施；

所述维护管理模块用于记录和管理设施的维护历史和维修计划，同时通过对设施维护数据进行分析并为管理人员提供维护建议；

所述自动化控制模块用于在某些条件下对工程设施进行自动操作。

2.根据权利要求1所述的一种基于人工智能的工程物联网安全监测系统，其特征在于，所述用户终端具体包括电脑、笔记本电脑、智能手机、平板电脑、专用监测终端、车载设备、手环以及智能手表。

3.根据权利要求1所述的一种基于人工智能的工程物联网安全监测系统，其特征在于，所述组网模块网络构建具体步骤如下：

步骤1：组网模块初始化各组用户终端，并为各组用户终端建立自己的网络标识、唯一ID以及识别信息，同时通过各组用户终端广播信息并寻找其他用户终端；

步骤2：组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据一定的连接策略使各用户终端建立连接关系，以形成Mesh组网，之后根据网络规模和通信需求为各用户终端设定一组心跳周期，各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态；

步骤3：用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态；

步骤4：当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接；

步骤5：当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态。

4.根据权利要求3所述的一种基于人工智能的工程物联网安全监测系统，其特征在于，所述采集传输模块数据预处理具体步骤如下：

步骤一：采集传输模块检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除；

步骤二：计算各组数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除，通过指数平滑来去除噪音和波动以获取趋势和周期性信息，同时对各历史数据进行标准化处理以统一格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除。

5.根据权利要求4所述的一种基于人工智能的工程物联网安全监测系统，其特征在于，所述存储管理模块分布式存储具体步骤如下：

步骤(1)：存储管理模块按照预设的时间区间对各组数据进行分割，以获形成多组数据块，之后为机器自动每组数据块分配一个唯一的ID或者通过哈希算法生成各组数据块的标识；

步骤(2)：收集各组节点信息，并依据数据块划分规则以及节点负载情况，并通过负载均衡算法选择合适的节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组节点上；

步骤(3)：当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点，之后自动检测节点运行情况，并对故障节点进行数据迁移或修复。

6.根据权利要求5所述的一种基于人工智能的工程物联网安全监测系统，其特征在于，所述分析预测模块故障风险预测具体步骤如下：

步骤Ⅰ：分析预测模块从存储管理模块获取历史检测数据，再对收集到的各组数据进行预处理后，通过归一化方法统一数据格式，之后将数据集划分为训练集和测试集；

步骤Ⅱ：初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中并计算对应输出，之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值；

步骤Ⅲ：若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出预测模型；

步骤Ⅳ：将采集到的最新数据进行预处理后作为输入数据输入预测模型中，之后使预测模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致，之后输入数据从预测模型输入层开始经过模型的各隐藏层；

步骤Ⅴ：各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果对施工人员以及工程设施进行调配。

7.根据权利要求6所述的一种基于人工智能的工程物联网安全监测系统，其特征在于，步骤Ⅲ所述卷积神经网络参数更新具体步骤如下：

步骤①：分析预测模块在卷积神经网络的规定区间内初始化网络连接权值，计算卷积神经网络的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；

步骤②：当局部误差超出预设阈值后，依据学习规则方程对卷积神经网络的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；

步骤③：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换卷积神经网络原有参数。