CN117091799B - 医用中心氧气供应安全智能立体监测方法及系统 - Google Patents
医用中心氧气供应安全智能立体监测方法及系统 Download PDFInfo
- Publication number
- CN117091799B CN117091799B CN202311336689.0A CN202311336689A CN117091799B CN 117091799 B CN117091799 B CN 117091799B CN 202311336689 A CN202311336689 A CN 202311336689A CN 117091799 B CN117091799 B CN 117091799B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- gnn
- time
- steps
- 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
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 93
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 93
- 239000001301 oxygen Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 239000007789 gas Substances 0.000 claims abstract description 106
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 76
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007634 remodeling Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical compound O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001595 contractor effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及医用中心氧气供应安全智能立体监测方法及系统，包括：步骤S1，设医用中心氧气供应系统中氧气供应支路管道数为N，每个支路管道中设6个传感器，分别为气体压力、气体流速、温度、氧气浓度、氮气浓度、气体水含量传感器；6N个传感器以相同的时间进行数据采集；步骤S2，数据处理服务器接收所采集到的数据进行数据滤波处理；步骤S3，对滤波数据进行同类传感器时间方向动态预测；步骤S4，结合原始数据、滤波数据以及预测数据，对供应系统进行综合评价，形成反馈信息；步骤S5，显示报警装置接收反馈信息并判断是否报警。本发明提高了医用氧气供应的安全性和可靠性，为医疗领域提供了更高水平的氧气供应监测和管理。
Description
技术领域
本发明属于监测系统领域，具体涉及一种医用中心氧气供应安全智能立体监测方法及系统。
背景技术
在医疗领域，氧气供应的安全性至关重要，它直接关系到患者的生命和健康。然而，现有的监测方法存在一些局限性，这些局限性在实际应用中可能导致医护人员的重复无意义的劳动甚至可能造成一定的安全问题，具体局限性有：
1.参数单独测试：目前的技术通常将不同的氧气供应参数单独测试，这种分散的监测方法使用的传感器规格不一，导致数据不一致和互不关联的问题，对于后续判断会造成较大误差；2.简单的阈值判断：现有技术通常仅使用阈值判断作为决策标准。一旦某个参数超过预设的阈值，系统会发出警报或采取措施。然而，传感器的反应延时或偶发信号误差将会使得这种方法出现误报或漏报；3.灵敏性差：由于仅使用阈值来判断，现有的阈值判断技术对数据波动不敏感，在有些情况下，参数可能在阈值附近波动，这种反复报警或者误报。以上情况将给医护人员带来额外的工作量甚至对患者安全带来一些不可控风险。
发明内容
针对当前医用中心氧气供应中，在安全检测方面存在的难点和不足，本发明提出了一种医用中心氧气供应安全智能立体监测方法及系统。
为了实现上述目标，本发明提供了一种医用中心氧气供应安全智能立体监测方法，包括以下步骤：
步骤S1，设医用中心氧气供应系统中氧气供应支路管道数为N，N为大于1的正整数，且在每个支路管道中设置6个传感器，6个传感器分别为1个气体压力传感器、1个气体流速传感器、1个温度传感器、1个氧气浓度传感器、1个氮气浓度传感器、1个气体水含量传感器；上述6N个传感器以相同的采样时间进行数据采集，得到原始数据；
步骤S2，数据处理服务器接收所采集到的原始数据并进行数据滤波处理，得到滤波数据；
步骤S3，对所述滤波数据进行同类传感器时间方向动态预测，得到预测数据；
步骤S4，结合原始数据、滤波数据以及预测数据，对医用中心氧气供应系统进行综合评价，并形成反馈信息；
步骤S5，显示报警装置接收数据处理服务器发送的反馈信息并判断是否报警。
所述气体压力传感器，用于采集支管道气体压力；所述气体流速传感器，用于采集支管道气体流速；所述温度传感器用于采集支管道温度信息；所述氧气浓度传感器，用于采集支管道氧气浓度；所述氮气浓度传感器，用于采集支管道氮气浓度；所述气体水含量传感器，用于采集支管道气体水含量；所述数据处理服务器，用于接收所有传感器的输出信息并进行相关数据分析推理；所述显示报警装置，用于在出现警报时报警。
在氧气供应过程中，单位时间内输送至终端的纯氧量，其中为输氧管道内气体流速，为氧气浓度，但由于气体流动过程中的湍流效应，湍流实时速度场极不规则，同一管道同一截面不同位置的速度差可以大于平均速度，因而仅通过流速传感器检测气体流速带来的误差巨大，需要借助其他物理量同时检测气体物理场的变化。
气体流量，其中为管道，为管道首末端水头差，为管道首末端长度，为比阻，取决了管道材质；其中，，为管道首末端压力差，h为水平落差，为气体密度，为重力加速度，进而有：
；
因而同时选用气体压力传感器监测气体物理场变化过程从而增强系统的稳定性，考虑到温度带来的气体热胀冷缩效应，将温度参数也纳入考虑。同时，由于医用氧气浓度要求不低于99.5%，因而对氧气浓度传感器的分辨率和灵敏度要求极高，为进一步减小氧气浓度传感器产生误差带来的影响，本发明还引入氮气浓度传感器、气体水含量传感器共同监测气体含量的变换。
作为本发明的进一步改进方法：
可选的，所述步骤S1中的采样时间的计算公式如下：
；
其中，为6N个传感器的可选择采样时间集合，表示取该集合的最小值，表示取该集合的最大值。对所有传感器采样时间使用先最小后最大方式选择系统的采样时间，目的是所有传感器可以同步以最小的采样时间进行采样，乘0.8是为了使采样时间最大的传感器不会因为持续处于极限采样时间而出现错误。
可选的，所述步骤S2中的进行数据滤波处理，包括以下步骤：
步骤S201，存储采集到的原始数据，气体压力传感器发送的数据串记为，气体流速传感器发送的数据串为，温度传感器发送的数据串为，氧气浓度传感器发送的数据串为，氮气浓度传感器发送的数据串为，气体水含量传感器发送的数据串为；且在前1000个时间步只执行数据存储；
步骤S202，在系统启动1000个时间步后，每接收一个新时间步的数据，首先进行同类型传感器的空间方向正则化，具体运算如下：
其中为同类传感器同时间步的均值，为同类传感器同时间步的标准差，为接受自传感器带有噪声的原始数据，为实数集；经过正则化的数据为：
步骤S203，对正则化后的数据进行同一传感器的时间方向滤波，使用指数加权平均移动滤波法：
其中，为滤波后的数据；为指数加权因子，D为所有6N个传感器发送的数据串之一，P为气体压力传感器发送的数据串，F为流速传感器发送的数据串，U为温度传感器发送的数据串，O为氧气浓度传感器发送的数据串，M为氮气浓度传感器发送的数据串，H为气体水含量传感器发送的数据串；为相对于当前时间步前k个时间步的数据，k的范围为1-10；
步骤S204，将步骤S203运算后的滤波数据存入数据串中，依次执行以下赋值运算：
新数据被存入D中，而最远的旧数据将被遗弃。
可选的，所述步骤S3中的进行同类传感器时间方向动态预测，包括以下步骤：
步骤S301，创建6个输入为N维的自注意力机制Transformer模型Trans1~Trans6，输入数据分别为数据矩阵；其中，P_cat为气体压力传感器发送的数据串的拼接矩阵，F_cat为流速传感器发送的数据串的拼接矩阵，U_cat为温度传感器发送的数据串的拼接矩阵，O_cat为氧气浓度传感器发送的数据串的拼接矩阵，M_cat为氮气浓度传感器发送的数据串的拼接矩阵，H_cat为气体水含量传感器发送的数据串的拼接矩阵；
输出数据分别为当前时间步后续1000个时间步的预测值，P_pre为预测气体压力传感器的数据串的拼接矩阵，F_pre为预测流速传感器的数据串的拼接矩阵，U_pre为预测气温度传感器的数据串的拼接矩阵，O_pre为预测氧气浓度传感器数据串的拼接矩阵，M_pre为预测氮气浓度传感器数据串的拼接矩阵，H_pre为预测气体水含量传感器数据串的拼接矩阵；
其中，数据矩阵的拼接方式如下：
数据的预测方式如下：
其中，为Trans1~Trans6之间的一个，为形状的张量集合，D_cat为所有6N个传感器发送的数据串的拼接矩阵之一，D_pre为所有预测6N个传感器数据串的拼接矩阵之一；
步骤S302，每接收到下一时间步的数据时，对Trans1~Trans6进行梯度下降法训练：
其中，L为的损失函数，为Trans1~Trans6的参数，为Trans1~Trans6参数的梯度，为学习率。
可选的，所述步骤S4，包括以下步骤：
步骤S401，构建多层次时空图网络GNN，GNN包含6个子网络GNN1~GNN6和1个总特征融合器GNN0，，GNN1~GNN6具有相同的结构，分别处理6种不同传感器的滤波数据和预测数据的拼接，GNN0融合将所有信息特征并输出高维向量；
步骤S402，训练多层次时空图网络GNN，具体方法如下：
使用交叉熵损失，对过去时间步的1000个数据进行反向传播训练，
其中，为GNN的损失函数，为GNN的参数，为GNN参数的梯度，为交叉熵函数，为学习率，All是所有传感器发送数据的拼接；
步骤S403，综合分析未来时间步的1000个数据，形成反馈信息发送至显示报警装置，具体方法为：
对输出高维向量的后半部分进行张量形状重塑：
其中，经过形状重塑的张量，view表示将张量从转化到的形状重塑函数，为对在前2维度求极值。
可选的，所述步骤S401中GNN1~GNN6的结构为：
输入数据为同种传感器滤波数据和预测数据的拼接；
首先对输入的进行特征构图，使用KNN方法构图；
GNN1~GNN6由4层基于谱域的图卷积网络构成，卷积核大小分别为4、16、64、64，输入数据为由构建的时空图数据，表示为，其中，V为节点数据，E为边数据，输出为高维图数据，表示为
，其中；
GNN1~GNN6分别输出。
可选的，所述GNN1~GNN6的结构中KNN方法构图，具体步骤为：
步骤A1，计算各个数据点之间的时空距离distance，计算方式如下：
其中，表示传感器序号，表示时间步，表示取绝对值，为时间距离转化系数，可以调节模型在时间步上的灵敏度，取。
步骤A2，根据各个数据点之间的时空距离distance建立时空图数据：
节点数据为展平：；
边数据为：
其中，为时空距离阈值，和分别为第i，j个节点数据，表示i，j两个节点之间的边数据。
可选的，所述步骤S401中GNN0的结构为：
GNN0由2层基于空域的图卷积网络和1层图最大池化层构成，卷积核大小分别为64，6，输入数据为，输出数据为特征向量；
其中为将GNN1~GNN6分别输出进行图数据合并得到新的图数据：
其中，为图数据合并运算符，具体操作方式为图数据节点编号重排。
可选的，所述显示报警装置接收数据处理服务器发送的反馈信息并判断是否报警，具体方法为：
当时，报警“系统气压过大！”；
当时，报警“系统气压不足！”；
当时，报警“系统气体流速过快！”；
当时，报警“系统气体流速过慢！”；
当时，报警“系统气体温度过高！”；
当时，报警“系统气体温度过低！”；
当时，报警“氧气浓度过低！”；
当时，报警“氮气浓度过高！”；
当时，报警“水蒸气含量过高！”；
其中，为人为预先设定的参数，分别为最大气压、最小气压、最大流速、最小流速、最大温度、最小温度、氧气最小浓度、氮气最大浓度及最大水含量浓度。
本发明还提供了一种医用中心氧气供应安全智能立体监测系统，包括：数据采集装置，数据处理服务器和显示报警装置；
所述数据采集装置包括在待检测的N条氧气供应支路管道上每条设置的1个气体压力传感器、1个气体流速传感器、1个温度传感器、1个氧气浓度传感器、1个氮气浓度传感器、1个气体水含量传感器；
所述气体压力传感器，用于采集支管道气体压力；
所述气体流速传感器，用于采集支管道气体流速；
所述温度传感器用于采集支管道温度信息；
所述氧气浓度传感器，用于采集支管道氧气浓度；
所述氮气浓度传感器，用于采集支管道氮气浓度；
所述气体水含量传感器，用于采集支管道气体水含量；
所述数据处理服务器，用于接收所有传感器的输出信息并进行相关数据分析推理；
所述显示报警装置，用于在出现异常时报警。
有益效果
本发明旨在解决目前医疗领域氧气供应安全监测中存在的参数单独测试、简单阈值判断、灵敏性差这些局限性。本发明有以下有益效果：
全面监测多参数：本系统同时监测多个关键参数，包括气体压力、气体流速、温度、氧气浓度、氮气浓度、气体水含量，这有助于更全面地评估氧气供应系统的状态。这种全面性可以确保医疗中心可以在各个方面实时了解供氧系统的情况，包括供氧压力是否在安全范围内、氧气和氮气浓度是否符合医疗要求。
数据同步和一致性：通过统一采样时间和数据处理，确保所有传感器以相同的采样时间进行采样，避免了数据不一致和互不关联的问题。这个特点确保了数据的一致性，使得后续时空预测和多层次图卷积网络的全系统评估能够在所有参数上同步进行，进而使得医护人员可以更加可信地使用监测数据来做出决策，保证数据不出现滞后或不一致。
智能数据处理：系统通过数据滤波、正则化、时间方向滤波技术对传感器数据进行智能处理，减少了传感器噪声和误差的影响。这种智能数据处理可以提高监测的准确性和稳定性，从而确保系统运行的稳定性。引入自注意力机制Transformer模型和多层次时空图卷积，对传感器数据进行时空预测。这种时空预测能力使系统可以提前检测到潜在问题，并及时采取预防措施。
实时报警和反馈：系统能够实时监测供氧系统的状态，并在出现问题时发出报警。这种实时报警系统可以帮助医护人员及时采取措施，确保患者的生命和健康安全。例如，当气压过大或氧气浓度过低时，系统可以立即发出警报，以通知医护人员采取紧急措施。
参数可调性：本发明还提供了一些参数的可调性，如最大气压、最小气压、最大流速等，使系统能够根据不同的医疗需求进行定制和调整。这种可调性使得系统可以灵活适应不同医疗环境和需求，确保供氧系统的安全性和可靠性。
综合上述有益效果，本发明的医用中心氧气供应安全智能立体监测系统可以有效提高氧气供应的安全性和可靠性，降低了医护人员的工作负担，为医疗领域提供了更高水平的氧气供应监测和管理。这将有助于保护患者的生命和健康，提高医疗服务的质量。
附图说明
图1为本发明的实施流程图；
图2为本发明提出的多层次时空图卷积模型；
具体实施方式
为了使本发明的目的、特征能够更加的明显和易懂，下面通过实施例并结合附图对本技术方案进行详细说明。
实施例1
如图1所示，一种医用中心氧气供应安全智能立体监测方法，设医用中心氧气供应系统中氧气供应支路管道数为N，N为大于1的正整数，且在每个支路管道中设置6个传感器，6个传感器分别为1个气体压力传感器、1个气体流速传感器、1个温度传感器、1个氧气浓度传感器、1个氮气浓度传感器、1个气体水含量传感器；气体压力传感器用于采集支管道气体压力；气体流速传感器用于采集支管道气体流速；温度传感器用于采集支管道温度信息；氧气浓度传感器用于采集支管道氧气浓度；氮气浓度传感器用于采集支管道氮气浓度；气体水含量传感器用于采集支管道气体水含量；数据处理服务器接收所有传感器的输出信息并进行相关数据分析推理；显示报警装置在出现警报时报警。具体地，该方法的工作流程包括以下步骤：
步骤S1，上述6N个传感器以相同的采样时间对相关参数进行数据采样，得到原始数据；采样时间的计算公式如下：
；
其中，为6N个传感器的可选择采样时间集合，表示取该集合的最小值，表示取该集合的最大值。对所有传感器采样时间使用先最小后最大方式选择系统的采样时间，目的是所有传感器可以同步以最小的采样时间进行采样，乘0.8是为了使采样时间最大的传感器不会因为持续处于极限采样时间而出现错误。
步骤S2，数据处理服务器接收所采集到的原始数据并进行数据滤波处理，得到滤波数据，具体包含以下步骤：
步骤S201，储存所述6N个传感器发送的原始数据，气体压力传感器发送的数据串记为，气体流速传感器发送的数据串为，温度传感器发送的数据串为，氧气浓度传感器发送的数据串为，氮气浓度传感器发送的数据串为，气体水含量传感器发送的数据串为；在系统启动的前1000个时间步只执行数据存储；
步骤S202，在系统启动1000个时间步后，每接收一个新时间步的数据，首先进行同类型传感器的空间方向正则化，具体运算如下：
；
；
其中为同类传感器同时间步的均值，为同类传感器同时间步的标准差，为接受自传感器带有噪声的原始数据，为实数集；经过正则化的数据为：
；
步骤S203，对步骤S202得到的正则化后的新数据进行同一传感器的时间方向滤波，具体使用指数加权平均移动滤波法：
；
；
；
其中，为滤波后的数据；为指数加权因子，D为所有6N个传感器发送的数据串之一，P为气体压力传感器发送的数据串，F为流速传感器发送的数据串，U为温度传感器发送的数据串，O为氧气浓度传感器发送的数据串，M为氮气浓度传感器发送的数据串，H为气体水含量传感器发送的数据串；
为相对于当前时间步前k个时间步的数据，k的范围为1-10；
步骤S204，将步骤S203运算后的数据存入数据串中，依次执行以下赋值算式：
新数据被存入D中，而最远的旧数据将被遗弃。
步骤S3，对滤波数据进行同类传感器时间方向动态预测，得到预测数据；具体步骤包括：
步骤S301，创建6个输入为N维的自注意力机制Transformer模型Trans1~Trans6，输入数据分别为数据矩阵；其中，P_cat为气体压力传感器发送的数据串的拼接矩阵，F_cat为流速传感器发送的数据串的拼接矩阵，U_cat为温度传感器发送的数据串的拼接矩阵，O_cat为氧气浓度传感器发送的数据串的拼接矩阵，M_cat为氮气浓度传感器发送的数据串的拼接矩阵，H_cat为气体水含量传感器发送的数据串的拼接矩阵；
输出数据分别为当前时间步后续1000个时间步的预测值，P_pre为预测气体压力传感器的数据串的拼接矩阵，F_pre为预测流速传感器的数据串的拼接矩阵，U_pre为预测气温度传感器的数据串的拼接矩阵，O_pre为预测氧气浓度传感器数据串的拼接矩阵，M_pre为预测氮气浓度传感器数据串的拼接矩阵，H_pre为预测气体水含量传感器数据串的拼接矩阵；
其中，数据矩阵的拼接方式如下：
数据的预测方式如下：
其中，为Trans1~Trans6之间的一个，为形状为的张量的组成的集合，D_cat为所有6N个传感器发送的数据串的拼接矩阵之一，D_pre为所有预测6N个传感器数据串的拼接矩阵之一；
步骤S302，每接收到下一时间步的数据时，对Trans1~Trans6进行梯度下降法训练，损失函数使用均方根误差，具体算式如下：
其中，L为损失函数，为Trans1~Trans6的参数，为Trans1~Trans6参数的梯度，为学习率，设置为：。
步骤S4，结合原始数据、滤波数据以及预测数据，对医用中心氧气供应系统进行综合评价，并形成反馈信息；包括以下步骤：
步骤S401，构建多层次时空图网络GNN，GNN包含6个子网络GNN1~GNN6和1个总特征融合器GNN0，GNN1~GNN6具有相同的结构，分别处理6种不同传感器的滤波数据和预测数据的拼接，GNN0融合将所有信息特征并输出高维向量；
GNN1~GNN6的结构为：
输入数据为同种传感器滤波数据和预测数据的拼接；
首先对输入的进行特征构图，使用KNN方法构图，具体包括以下步骤：
步骤A1，计算各个数据点之间的时空距离distance，计算方式如下：
其中，表示传感器序号，表示时间步，表示取绝对值，为时间距离转化系数，可以调节模型在时间步上的灵敏度，取。
步骤A2，根据各个数据点之间的时空距离distance建立时空图数据，V为节点数据，E为边数据：
节点数据为展平：
；
边数据为：
其中，和分别为第i，j个节点数据，表示i，j两个节点之间的边数据，为时空距离阈值，取。
GNN1~GNN6由4层图卷积网络构成，卷积核大小分别为4、16、64、64，输入数据为由构建的时空图数据，均表示为，其中V为节点数据，E为边数据，输出为高维图数据，均表示为，其中。
GNN1~GNN6的具体运算过程可以表示为：
其中，为图卷积层的输出，为图卷积层的偏置，为图卷积层的输入，为图卷积权重矩阵，为节点的邻居节点集合。
GNN1~GNN6分别输出，将其进行图数据合并，得到新的图数据
其中，为图数据合并运算符，具体操作方式为图数据节点编号重排，运算时使用dgl库函数中的dgl.batch()函数；
GNN0由2层基于空域的图卷积网络和1层图最大池化层构成，卷积核大小分别为64，6，输入数据为，输出数据为特征向量。
步骤S402，训练多层次时空图网络GNN，具体方法如下：
使用交叉熵损失，只对过去时间步的1000个数据进行反向传播训练，
其中，为GNN的损失函数，为GNN的参数，为GNN参数的梯度，为交叉熵函数，All是所有传感器发送数据的拼接，为学习率，设置。
步骤S403，综合分析未来时间步的1000个数据，形成反馈信息发送至显示报警装置，具体方法为：
对输出高维向量的后半部分进行张量形状重塑：
其中，经过形状重塑的张量，view表示将张量从转化到的形状重塑函数，为对在前2个维度求最大值；
物理含义为各个传感器指标范围。
步骤S5，显示报警装置接收数据处理服务器发送的反馈信息，判断是否报警，具体方法为：
当时，报警“系统气压过大！”；
当时，报警“系统气压不足！”；
当时，报警“系统气体流速过快！”；
当时，报警“系统气体流速过慢！”；
当时，报警“系统气体温度过高！”；
当时，报警“系统气体温度过低！”；
当时，报警“氧气浓度过低！”；
当时，报警“氮气浓度过高！”；
当时，报警“水蒸气含量过高！”；
其中，为人为预先设定的参数，分别为最大气压、最小气压、最大流速、最小流速、最大温度、最小温度、氧气最小浓度、氮气最大浓度及最大水含量浓度。
至此，按照本发明公开的方法，已实施完一次本发明的工作过程。
实施例2
本发明还提供了一种医用中心氧气供应安全智能立体监测系统，包括：数据采集装置，数据处理服务器和显示报警装置；
数据采集装置包括在待检测的N条氧气供应支路管道上每条设置的1个气体压力传感器、1个气体流速传感器、1个温度传感器、1个氧气浓度传感器、1个氮气浓度传感器、1个气体水含量传感器；
气体压力传感器，用于采集支管道气体压力；气体流速传感器，用于采集支管道气体流速；温度传感器用于采集支管道温度信息；氧气浓度传感器，用于采集支管道氧气浓度；氮气浓度传感器，用于采集支管道氮气浓度；气体水含量传感器，用于采集支管道气体水含量；
数据处理服务器，用于接收所有传感器的输出信息并进行相关数据分析推理；
显示报警装置，用于在出现异常时报警。
详细地，本发明实施例中所述医用中心氧气供应安全智能立体监测系统中的所述传感器、识别服务器及显示报警装置在使用时采用与上述的图1中所述的医用中心氧气供应安全智能立体监测方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (10)
1.一种医用中心氧气供应安全智能立体监测方法，其特征在于：包括以下步骤：
步骤S1，设医用中心氧气供应系统中氧气供应支路管道数为N，N为大于1的正整数，且在每个支路管道中设置6个传感器，6个传感器分别为1个气体压力传感器、1个气体流速传感器、1个温度传感器、1个氧气浓度传感器、1个氮气浓度传感器、1个气体水含量传感器；6N个传感器以相同的采样时间进行数据采集，得到原始数据；
步骤S2，数据处理服务器接收所采集到的原始数据并进行数据滤波处理，得到滤波数据；
步骤S3，对所述滤波数据进行同类传感器时间方向动态预测，得到预测数据；
步骤S301，创建6个输入为N维的自注意力机制Transformer模型Trans1~Trans6，输入数据分别为各类传感器发送的数据串的拼接矩阵，输出数据分别为各类传感器当前时间步后续1000个时间步的预测值，
步骤S302，每接收到下一时间步的数据时，对Trans1~Trans6进行梯度下降法训练；
步骤S4，结合原始数据、滤波数据以及预测数据，对医用中心氧气供应系统进行综合评价，并形成反馈信息；
步骤S401，构建多层次时空图网络GNN，GNN包含6个子网络GNN1~GNN6和1个总特征融合器GNN0，GNN1~GNN6具有相同的结构，分别处理6种不同传感器的滤波数据和预测数据的拼接，GNN0将所有信息特征融合并输出高维向量；
步骤S402，训练多层次时空图网络GNN；
步骤S403，综合分析未来时间步的1000个数据，形成反馈信息发送至显示报警装置；
步骤S5，显示报警装置接收数据处理服务器发送的反馈信息并判断是否报警。
2.根据权利要求1所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述步骤S1中的采样时间的计算公式如下：
；
其中，为6N个传感器的可选择采样时间集合，表示取该集合的最小值，表示取该集合的最大值。
3.根据权利要求2所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述步骤S2中的进行数据滤波处理，包括以下步骤：
步骤S201，存储采集到的原始数据，气体压力传感器发送的数据串记为，气体流速传感器发送的数据串为，温度传感器发送的数据串为，氧气浓度传感器发送的数据串为，氮气浓度传感器发送的数据串为，气体水含量传感器发送的数据串为；且在前1000个时间步只执行数据存储；
步骤S202，在系统启动1000个时间步后，每接收一个新时间步的数据，首先进行同类型传感器的空间方向正则化，具体运算如下：
；
；
其中为同类传感器同时间步的均值，为同类传感器同时间步的标准差，为接收来自传感器带有噪声的原始数据，为实数集；经过正则化的数据为：
；
步骤S203，对正则化后的数据进行同一传感器的时间方向滤波，使用指数加权平均移动滤波法：
；
；
；
其中，为滤波后的数据；为指数加权因子，D为所有6N个传感器发送的数据串之一，P为气体压力传感器发送的数据串，F为流速传感器发送的数据串，U为温度传感器发送的数据串，O为氧气浓度传感器发送的数据串，M为氮气浓度传感器发送的数据串，H为气体水含量传感器发送的数据串；为相对于当前时间步前k个时间步的数据，k的范围为1-10；
步骤S204，将步骤S203运算后的数据存入数据串中，依次执行以下赋值运算：
。
4.根据权利要求3所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述步骤S3中的进行同类传感器时间方向动态预测，包括以下步骤：
步骤S301，创建6个输入为N维的自注意力机制Transformer模型Trans1~Trans6，输入数据分别为数据矩阵；其中，P_cat为气体压力传感器发送的数据串的拼接矩阵，F_cat为流速传感器发送的数据串的拼接矩阵，U_cat为温度传感器发送的数据串的拼接矩阵，O_cat为氧气浓度传感器发送的数据串的拼接矩阵，M_cat为氮气浓度传感器发送的数据串的拼接矩阵，H_cat为气体水含量传感器发送的数据串的拼接矩阵；
输出数据分别为当前时间步后续1000个时间步的预测值，P_pre为预测气体压力传感器的数据串的拼接矩阵，F_pre为预测流速传感器的数据串的拼接矩阵，U_pre为预测温度传感器的数据串的拼接矩阵，O_pre为预测氧气浓度传感器数据串的拼接矩阵，M_pre为预测氮气浓度传感器数据串的拼接矩阵，H_pre为预测气体水含量传感器数据串的拼接矩阵；
其中，数据矩阵的拼接方式如下：
；
数据的预测方式如下：
；
其中，为Trans1~Trans6之间的一个，为形状的张量集合，D_cat为所有6N个传感器发送的数据串的拼接矩阵之一，D_pre为所有预测6N个传感器数据串的拼接矩阵之一；
步骤S302，每接收到下一时间步的数据时，对Trans1~Trans6进行梯度下降法训练：
；
；
；
其中，L为的损失函数，为Trans1~Trans6的参数，为Trans1~Trans6参数的梯度，为学习率。
5.根据权利要求4所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述步骤S4，包括以下步骤：
步骤S401，构建多层次时空图网络GNN，GNN包含6个子网络GNN1~GNN6和1个总特征融合器GNN0，GNN1~GNN6具有相同的结构，分别处理6种不同传感器的滤波数据和预测数据的拼接，GNN0将所有信息特征融合并输出高维向量；
步骤S402，训练多层次时空图网络GNN，具体方法如下：
使用交叉熵损失，对过去时间步的1000个数据进行反向传播训练，
；
；
其中，为GNN的损失函数，为GNN的参数，为GNN参数的梯度，为交叉熵函数，为学习率，All是所有传感器发送数据的拼接；
步骤S403，综合分析未来时间步的1000个数据，形成反馈信息发送至显示报警装置，具体方法为：
对输出高维向量的后半部分进行张量形状重塑：
；
；
其中，经过形状重塑的张量，view表示将张量从转化到的形状重塑函数，为对在前2维度求极值。
6.根据权利要求5所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述步骤S401中GNN1~GNN6的结构为：
输入数据为同种传感器滤波数据和预测数据的拼接；
首先对输入的进行特征构图，使用KNN方法构图；
GNN1~GNN6由4层基于谱域的图卷积网络构成，卷积核大小分别为4、16、64、64，输入数据为由构建的时空图数据，表示为，其中，V为节点数据，E为边数据，输出为高维图数据，表示为，其中；
GNN1~GNN6分别输出。
7.根据权利要求6所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述GNN1~GNN6的结构中KNN方法构图，具体步骤为：
步骤A1，计算各个数据点之间的时空距离distance，计算方式如下：
；
其中，表示传感器序号，表示时间步，表示取绝对值，为时间距离转化系数，取；
步骤A2，根据各个数据点之间的时空距离distance建立时空图数据：
节点数据为展平：；
边数据为：
；
其中，为时空距离阈值，和分别为第i，j个节点数据，表示i，j两个节点之间的边数据。
8.根据权利要求7所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述步骤S401中GNN0的结构为：
GNN0由2层基于空域的图卷积网络和1层图最大池化层构成，卷积核大小分别为64，6，输入数据为，输出数据为特征向量；
其中为将GNN1~GNN6分别输出进行图数据合并得到新的图数据：
；
其中，为图数据合并运算符，具体操作方式为图数据节点编号重排。
9.根据权利要求8所述的医用中心氧气供应安全智能立体监测方法，其特征在于，所述显示报警装置接收数据处理服务器发送的反馈信息并判断是否报警，具体方法为：
当时，报警“系统气压过大！”；
当时，报警“系统气压不足！”；
当时，报警“系统气体流速过快！”；
当时，报警“系统气体流速过慢！”；
当时，报警“系统气体温度过高！”；
当时，报警“系统气体温度过低！”；
当时，报警“氧气浓度过低！”；
当时，报警“氮气浓度过高！”；
当时，报警“水蒸气含量过高！”；
其中，为人为预先设定的参数，分别为最大气压、最小气压、最大流速、最小流速、最大温度、最小温度、氧气最小浓度、氮气最大浓度及最大水含量浓度。
10.一种用于实现权利要求1-9任意一项所述的医用中心氧气供应安全智能立体监测方法的医用中心氧气供应安全智能立体监测系统，其特征在于，包括：数据采集装置，数据处理服务器和显示报警装置；
所述数据采集装置包括在待检测的N条氧气供应支路管道上每条设置的1个气体压力传感器、1个气体流速传感器、1个温度传感器、1个氧气浓度传感器、1个氮气浓度传感器、1个气体水含量传感器；
所述气体压力传感器，用于采集支管道气体压力；
所述气体流速传感器，用于采集支管道气体流速；
所述温度传感器用于采集支管道温度信息；
所述氧气浓度传感器，用于采集支管道氧气浓度；
所述氮气浓度传感器，用于采集支管道氮气浓度；
所述气体水含量传感器，用于采集支管道气体水含量；
所述数据处理服务器，用于接收所有传感器的输出信息并进行相关数据分析推理；
所述显示报警装置，用于在出现异常时报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311336689.0A CN117091799B (zh) | 2023-10-17 | 2023-10-17 | 医用中心氧气供应安全智能立体监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311336689.0A CN117091799B (zh) | 2023-10-17 | 2023-10-17 | 医用中心氧气供应安全智能立体监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117091799A CN117091799A (zh) | 2023-11-21 |
| CN117091799B true CN117091799B (zh) | 2024-01-02 |
Family
ID=88771994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311336689.0A Active CN117091799B (zh) | 2023-10-17 | 2023-10-17 | 医用中心氧气供应安全智能立体监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117091799B (zh) |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR950011905A (ko) * | 1993-10-29 | 1995-05-16 | 박세창 | 가스 경보회로 |
| CN102989067A (zh) * | 2012-11-08 | 2013-03-27 | 珠海智领医疗科技有限公司 | 医用氧气终端设备及医用氧气在线监测系统 |
| CN104568323A (zh) * | 2014-06-25 | 2015-04-29 | 贵州电力试验研究院 | 一种sf6气体泄漏在线监测报警系统 |
| CN204557739U (zh) * | 2015-05-12 | 2015-08-12 | 沈阳天航电气设备工程有限公司 | 一种医用气体报警仪 |
| CN204582204U (zh) * | 2015-04-23 | 2015-08-26 | 四川大学华西医院 | 多功能氧浓度监测转换器 |
| CN106248134A (zh) * | 2016-08-22 | 2016-12-21 | 湖南特电子医用工程股份有限公司 | 医用气体监测管理设备和系统 |
| KR20170127923A (ko) * | 2016-05-13 | 2017-11-22 | 주식회사 유피오 | IoT 기반 가스 누출 원격 모니터링 시스템 |
| CN109858576A (zh) * | 2019-03-22 | 2019-06-07 | 盾钰（上海）互联网科技有限公司 | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 |
| CN113963514A (zh) * | 2021-11-05 | 2022-01-21 | 中国安全生产科学研究院 | 一种油气化管道一体化监测预警系统 |
| KR20220048234A (ko) * | 2020-10-12 | 2022-04-19 | 인투카오스 주식회사 | Ai 알고리즘 내장 지능형 상황 인지, 학습 및 제어전략 수립과 예측이 가능한 무선검지 가스 차단장치 및 이의 운용 제어 방법 |
| CN114428937A (zh) * | 2021-12-10 | 2022-05-03 | 南京师范大学 | 一种基于时空图神经网络的时间序列数据预测方法 |
| CN115097064A (zh) * | 2021-09-24 | 2022-09-23 | 深圳大学 | 一种气体检测方法、装置、计算机设备及存储介质 |
| CN115264406A (zh) * | 2022-08-01 | 2022-11-01 | 中国石油大学(华东) | 一种深度学习融合物理信息的管道泄漏监测系统 |
| CN115409063A (zh) * | 2022-08-31 | 2022-11-29 | 杭州依技设备成套工程有限公司 | 医用气体供给管道系统的监测方法、装置及系统 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
| CN115860214A (zh) * | 2022-11-30 | 2023-03-28 | 北京京诚嘉宇环境科技有限公司 | 一种pm2.5排放浓度的预警方法和装置 |
| CN115963229A (zh) * | 2023-01-09 | 2023-04-14 | 吉安创成环保科技有限责任公司 | 气体监测系统及其监测方法 |
| CN116257318A (zh) * | 2023-05-17 | 2023-06-13 | 湖南一特医疗股份有限公司 | 一种基于物联网的氧气供应可视化构建方法及系统 |
| CN116304912A (zh) * | 2023-03-28 | 2023-06-23 | 吉林大学 | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 |
| CN116453307A (zh) * | 2023-04-11 | 2023-07-18 | 嵊州市浙江工业大学创新研究院 | 一种在线检测管道安全预警系统及其方法 |
| CN116502539A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种VOCs气体浓度预测方法及系统 |
| CN116595424A (zh) * | 2023-07-13 | 2023-08-15 | 湖南一特医疗股份有限公司 | 一种面向医疗环境的数字化智能制氧系统 |
| CN116720078A (zh) * | 2023-05-16 | 2023-09-08 | 上海交通大学 | 一种智能传感器的连续采集和数据模型构建系统及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150310718A1 (en) * | 2014-04-23 | 2015-10-29 | Beaconmedaes Llc | Medical gas alarm system |
| CN112256526B (zh) * | 2020-10-14 | 2024-02-23 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
| WO2022221719A2 (en) * | 2021-04-16 | 2022-10-20 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
| CN115796408B (zh) * | 2023-02-13 | 2023-04-25 | 成都秦川物联网科技股份有限公司 | 一种用于智慧燃气的燃气输送损耗预测方法和物联网系统 |
-
2023
- 2023-10-17 CN CN202311336689.0A patent/CN117091799B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR950011905A (ko) * | 1993-10-29 | 1995-05-16 | 박세창 | 가스 경보회로 |
| CN102989067A (zh) * | 2012-11-08 | 2013-03-27 | 珠海智领医疗科技有限公司 | 医用氧气终端设备及医用氧气在线监测系统 |
| CN104568323A (zh) * | 2014-06-25 | 2015-04-29 | 贵州电力试验研究院 | 一种sf6气体泄漏在线监测报警系统 |
| CN204582204U (zh) * | 2015-04-23 | 2015-08-26 | 四川大学华西医院 | 多功能氧浓度监测转换器 |
| CN204557739U (zh) * | 2015-05-12 | 2015-08-12 | 沈阳天航电气设备工程有限公司 | 一种医用气体报警仪 |
| KR20170127923A (ko) * | 2016-05-13 | 2017-11-22 | 주식회사 유피오 | IoT 기반 가스 누출 원격 모니터링 시스템 |
| CN106248134A (zh) * | 2016-08-22 | 2016-12-21 | 湖南特电子医用工程股份有限公司 | 医用气体监测管理设备和系统 |
| CN109858576A (zh) * | 2019-03-22 | 2019-06-07 | 盾钰（上海）互联网科技有限公司 | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 |
| KR20220048234A (ko) * | 2020-10-12 | 2022-04-19 | 인투카오스 주식회사 | Ai 알고리즘 내장 지능형 상황 인지, 학습 및 제어전략 수립과 예측이 가능한 무선검지 가스 차단장치 및 이의 운용 제어 방법 |
| WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
| CN115097064A (zh) * | 2021-09-24 | 2022-09-23 | 深圳大学 | 一种气体检测方法、装置、计算机设备及存储介质 |
| CN113963514A (zh) * | 2021-11-05 | 2022-01-21 | 中国安全生产科学研究院 | 一种油气化管道一体化监测预警系统 |
| CN114428937A (zh) * | 2021-12-10 | 2022-05-03 | 南京师范大学 | 一种基于时空图神经网络的时间序列数据预测方法 |
| CN115264406A (zh) * | 2022-08-01 | 2022-11-01 | 中国石油大学(华东) | 一种深度学习融合物理信息的管道泄漏监测系统 |
| CN115409063A (zh) * | 2022-08-31 | 2022-11-29 | 杭州依技设备成套工程有限公司 | 医用气体供给管道系统的监测方法、装置及系统 |
| CN115860214A (zh) * | 2022-11-30 | 2023-03-28 | 北京京诚嘉宇环境科技有限公司 | 一种pm2.5排放浓度的预警方法和装置 |
| CN115963229A (zh) * | 2023-01-09 | 2023-04-14 | 吉安创成环保科技有限责任公司 | 气体监测系统及其监测方法 |
| CN116304912A (zh) * | 2023-03-28 | 2023-06-23 | 吉林大学 | 一种基于深度学习transformer神经网络的传感器气体浓度检测方法 |
| CN116453307A (zh) * | 2023-04-11 | 2023-07-18 | 嵊州市浙江工业大学创新研究院 | 一种在线检测管道安全预警系统及其方法 |
| CN116720078A (zh) * | 2023-05-16 | 2023-09-08 | 上海交通大学 | 一种智能传感器的连续采集和数据模型构建系统及方法 |
| CN116257318A (zh) * | 2023-05-17 | 2023-06-13 | 湖南一特医疗股份有限公司 | 一种基于物联网的氧气供应可视化构建方法及系统 |
| CN116502539A (zh) * | 2023-05-18 | 2023-07-28 | 淮阴工学院 | 一种VOCs气体浓度预测方法及系统 |
| CN116595424A (zh) * | 2023-07-13 | 2023-08-15 | 湖南一特医疗股份有限公司 | 一种面向医疗环境的数字化智能制氧系统 |
Non-Patent Citations (4)
| Title |
|---|
| 基于多传感器的医院空气正压异常监测报警系统;赵海宏;《中国医疗设备》;第37卷(第11期);全文 * |
| 基于物联网的医院供氧系统监控技术研究;徐力;尹军;;中国医学装备(12);全文 * |
| 移动式医用高压氧供系统的研制;窦建洪，郑理华，秦伏秋;《中国医疗设备》;第29卷(第11期);全文 * |
| 高原制氧装备远程监控系统的设计与实现;周峰;《医疗卫生装置》;第40卷(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117091799A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114757309B (zh) | 多物理场监测数据协同融合的工程灾害预警方法及系统 | |
| CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
| CN112685950B (zh) | 一种海洋时序观测数据的异常检测方法、系统和设备 | |
| CN107169426A (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN112987675A (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| CN112766429B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| CN113192283B (zh) | 一种多传感器信息融合的无线火灾预警系统 | |
| CN113516837B (zh) | 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质 | |
| CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
| CN112765257B (zh) | 一种基于时序序列预测温度的环境采集系统设计的方法 | |
| CN113569445A (zh) | 一种基于数字孪生技术的钢结构健康监测系统及方法 | |
| CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
| CN109541022A (zh) | 一种桥梁结构裂缝健康监测分析方法 | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN117761416A (zh) | 一种母线槽在线监测系统 | |
| JP7248103B2 (ja) | 異常検知方法、異常検知装置、プログラム | |
| CN117235443A (zh) | 一种基于边缘ai的电力作业安全监测方法及系统 | |
| CN111738996A (zh) | 基于机器学习的桥梁健康监测预警系统 | |
| CN117791856B (zh) | 一种基于巡检机器人的电网故障预警方法及装置 | |
| CN117091799B (zh) | 医用中心氧气供应安全智能立体监测方法及系统 | |
| CN116402190A (zh) | 一种铁路沿线滑坡地质灾害识别方法及系统 | |
| CN114910125B (zh) | 一种基于AR和IoT的管道监测系统及方法 | |
| EP4068027A1 (en) | Health assessment of a mechanical system | |
| CN115829536A (zh) | 电力网中逐渐发展的故障 | |
| CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 |
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 |