CN117014471A - 一种基于人工智能的工程物联网安全监测系统 - Google Patents
一种基于人工智能的工程物联网安全监测系统 Download PDFInfo
- Publication number
- CN117014471A CN117014471A CN202311122934.8A CN202311122934A CN117014471A CN 117014471 A CN117014471 A CN 117014471A CN 202311122934 A CN202311122934 A CN 202311122934A CN 117014471 A CN117014471 A CN 117014471A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- user terminal
- engineering
- group
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 230000006855 networking Effects 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000012423 maintenance Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010223 real-time analysis 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
- H04L67/1004—Server selection for load balancing
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1095—Replication or mirroring of data, e.g. scheduling or transport for data synchronisation between network nodes
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- 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
- H04L67/14—Session management
- H04L67/142—Managing session states for stateless protocols; Signalling session states; State transitions; Keeping-state mechanisms
-
- 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
- H04L67/14—Session management
- H04L67/143—Termination or inactivation of sessions, e.g. event-controlled end of session
- H04L67/145—Termination or inactivation of sessions, e.g. event-controlled end of session avoiding end of session, e.g. keep-alive, heartbeats, resumption message or wake-up for inactive or interrupted session
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311122934.8A CN117014471A (zh) | 2023-09-01 | 2023-09-01 | 一种基于人工智能的工程物联网安全监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311122934.8A CN117014471A (zh) | 2023-09-01 | 2023-09-01 | 一种基于人工智能的工程物联网安全监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117014471A true CN117014471A (zh) | 2023-11-07 |
Family
ID=88569221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311122934.8A Pending CN117014471A (zh) | 2023-09-01 | 2023-09-01 | 一种基于人工智能的工程物联网安全监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117014471A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061569A (zh) * | 2023-10-11 | 2023-11-14 | 工福(北京)科技发展有限公司 | 一种基于物联网的工会交互数字信息监测系统 |
CN117238114A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市宏源建设科技有限公司 | 基于物联网的建筑环境数据处理方法、系统及装置 |
-
2023
- 2023-09-01 CN CN202311122934.8A patent/CN117014471A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061569A (zh) * | 2023-10-11 | 2023-11-14 | 工福(北京)科技发展有限公司 | 一种基于物联网的工会交互数字信息监测系统 |
CN117061569B (zh) * | 2023-10-11 | 2024-03-29 | 工福(北京)科技发展有限公司 | 一种基于物联网的工会交互数字信息监测系统 |
CN117238114A (zh) * | 2023-11-15 | 2023-12-15 | 深圳市宏源建设科技有限公司 | 基于物联网的建筑环境数据处理方法、系统及装置 |
CN117238114B (zh) * | 2023-11-15 | 2024-03-08 | 深圳市宏源建设科技有限公司 | 基于物联网的建筑环境数据处理方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117014471A (zh) | 一种基于人工智能的工程物联网安全监测系统 | |
CN110977614B (zh) | 一种数控机床健康诊断方法 | |
CN105515184B (zh) | 基于无线传感网络的多传感器多参量配网协同监测系统 | |
CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN112543465B (zh) | 一种异常检测方法、装置、终端及存储介质 | |
CN105325023A (zh) | 用于小区异常检测的方法和网络设备 | |
CN109490713A (zh) | 一种用于电缆线路移动巡检及交互诊断的方法及系统 | |
CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN109657003A (zh) | 一种将硬件数据直接接入大数据平台的方法 | |
WO2013189110A1 (zh) | 一种电力通信故障预警分析方法及系统 | |
CN113112635B (zh) | 一种智能设备用常规巡检系统 | |
CN113642946A (zh) | 一种基于城市重要基础设施的感知信息集成接入系统 | |
CN108880706A (zh) | 一种卫星信道链路故障的快速诊断方法 | |
CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测系统 | |
CN104615122A (zh) | 一种工控信号检测系统及检测方法 | |
CN114629802A (zh) | 一种基于业务感知的电力通信骨干网络质量评估方法 | |
CN104615121A (zh) | 一种列车故障诊断方法及系统 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN113625097A (zh) | 配电网运行状态大数据分析方法 | |
CN117156386A (zh) | 消防智能定位、呼救、报警对讲设备 | |
CN110533300B (zh) | 基于博弈集对云的变压器智能决策系统 | |
CN115833927A (zh) | 一种纤芯的切换方法、装置、电子设备和存储介质 | |
CN115092218A (zh) | 高速铁路信号系统全生命周期智能运维系统 |
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 |