CN117094563A - 一种基于大数据的液体废物泄漏智能监测系统及方法 - Google Patents

一种基于大数据的液体废物泄漏智能监测系统及方法 Download PDF

Info

Publication number
CN117094563A
CN117094563A CN202311331065.XA CN202311331065A CN117094563A CN 117094563 A CN117094563 A CN 117094563A CN 202311331065 A CN202311331065 A CN 202311331065A CN 117094563 A CN117094563 A CN 117094563A
Authority
CN
China
Prior art keywords
monitoring
alarm
scene
leakage
liquid waste
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
Application number
CN202311331065.XA
Other languages
English (en)
Other versions
CN117094563B (zh
Inventor
梁景原
沈习波
任远哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Liuji Photoelectric Technology Research Institute Co ltd
Original Assignee
Nanjing Liuji Photoelectric Technology Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Liuji Photoelectric Technology Research Institute Co ltd filed Critical Nanjing Liuji Photoelectric Technology Research Institute Co ltd
Priority to CN202311331065.XA priority Critical patent/CN117094563B/zh
Publication of CN117094563A publication Critical patent/CN117094563A/zh
Application granted granted Critical
Publication of CN117094563B publication Critical patent/CN117094563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及液体废物泄漏监测技术领域，具体为一种基于大数据的液体废物泄漏智能监测系统及方法，包括监测系统构建模块、监测场景分类模块、最优参数配置分析模块、新增场景匹配模块和参数预警模块；监测系统构建模块用于构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统；监测场景分类模块用于对监测场景进行分类；最优参数配置分析模块用于对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；新增场景匹配模块用于遍历历史监测场景匹配相似度最高的历史监测场景；参数预警模块用于基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。

Description

一种基于大数据的液体废物泄漏智能监测系统及方法
技术领域
本发明涉及液体废物泄漏监测技术领域，具体为一种基于大数据的液体废物泄漏智能监测系统及方法。
背景技术
基于大数据的液体废物泄露智能监测系统是化工危废安全处置企业以及相关监管部门不可缺少的一部分，对于企业的危废管理起到非常重要作用。
传统的人工巡检的方式存在检测不到位，通知不及时等缺点，且对于现有存在的智能监测系统，对于检测算法参数的配置没有一个较为完善的评估体系，对于不同类型、不同泄漏危险等级的液体废物监测，没有做到具体分析具体实施，对于整体的监测更多的只是起到预警响应的作用，对不同监测场景下的监测差别没有明确区分，并且没有合理的调整监测算法对应的参数配置以提高监测的高效性和监测的精确性。
发明内容
本发明的目的在于提供一种基于大数据的液体废物泄漏智能监测系统及方法，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：一种基于大数据的液体废物泄漏智能监测方法，包括以下分析步骤：
步骤S1：构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统，液体废物泄漏监测系统以泄漏监测和设备配置为数据来源，将数据来源中每一监测告警事件记录的监测告警数据为子区块存储至中心数据库；基于监测告警数据，对监测场景进行分类；
步骤S2：基于分类完成的监测场景，对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；算法参数配置是指基于算法管理功能中的泄漏监测算法配置；
在历史系统使用中管理人员为了提高监测的精确度以及适应监测场景的变化会对泄漏监测算法进行重新配置以不断调整适应监测状态，在这一过程中往往算法是由人为进行配置，需要耗费人力以及会产生相应误差，且在动态调整过程中，不能及时分析出监测阶段内最优算法配置，不断调整会导致系统算力切换频繁降低监测设备硬件寿命，且会浪费大量资源；
步骤S3：当新增监测场景时，遍历历史监测场景匹配相似度最高的历史监测场景，并设置相似度最高的历史监测场景对应的最优参数配置于新增监测场景；
步骤S4：记录新增监测场景在监测周期的监测告警数据，计算新增监测场景的训练偏差值，基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。
进一步的，对监测场景进行分类包括以下分析步骤：
监测告警数据包括告警内容和监测对象信息；
告警内容是指设备配置功能中记录的监测设备捕捉到监测场景的图像数据，图像数据包括初始图像数据和运行图像数据，初始图像数据为未发生泄漏时场景的图像数据，运行图像数据为监测设备开始监测运行后记录的图像数据；
监测对象信息是指监测场景内存放液体废物的泄漏危险等级；
遍历液体废物泄漏监测系统记录的各监测场景，比较各监测场景对应的初始图像数据，将初始图像数据相似度大于等于相似度阈值且存放液体废物的泄漏危险等级相同的监测场景分为一类。
从初始图像数据对监测场景分类是为了保障场景的相似性，从物理结构层面对场景进行归类，从液体废物的泄漏等级对监测场景分类是为了确保在相似图像场景下液体废物泄漏带来的影响程度是相同的，避免因危险等级的差异造成算法参数的分析偏差。
进一步的，步骤S2包括以下分析步骤：
步骤S21：算法参数配置是指由图像抓拍间隔、泄露扩散速度、泄露面积扩散阈值对应的算法参数进行数值调整的配置；提取每一类监测场景下记录的监测告警事件以及监测告警事件对应的监测告警数据，监测告警数据还包括告警原因和告警时间；
步骤S22：将同一类监测场景下记录的监测告警事件以算法参数配置的不同进行分类，每一类监测告警事件对应一种算法参数配置，提取第i类监测告警事件在第j种告警原因下的平均间隔告警时间tij，平均间隔告警时间是指在若干监测告警事件中告警内容记录捕捉到的运行图像数据与初始图像数据的相似度小于等于相似度阈值时的监测时刻到传输告警信号的告警时刻对应的平均间隔时长；利用公式：
Ti=(1/m)∑tij，
计算第i类监测告警事件在所有告警原因对应监测告警事件下的有效间隔告警时间Ti，m表示告警原因的种类数，且m个告警原因均存在于n类监测告警事件中；j≤m，i≤n，n表示监测告警事件的总类型数；
分析告警原因存在于所有类型监测告警事件中是为了保证计算平均间隔时长的误差最小，且控制变量的统一；
步骤S23：提取第i类监测告警事件在历史查询功能中记录的事件属性，事件属性包括有效告警事件和无效告警事件；获取第i类监测告警事件对应算法参数配置参与监测训练的训练时长Li，输出n类监测告警事件中训练时长Li的最小值minLi为目标训练时长；选择目标训练时长是为了保证每一类监测告警事件在历史训练过程中都存在足够时长内的记录数据；计算第i类监测告警事件在目标训练时长内的无效告警指数Pi，Pi=Gi/minLi，Gi表示第i类监测告警事件在目标训练时长内记录为无效告警事件的个数；
步骤S24：将有效间隔时间和无效告警指数进行归一化处理，利用公式：计算第i类监测告警事件对应的评估指数Yi，Yi=k1*Ti 0+k2*Pi 0，其中k1、k2表示对应有效间隔时间的参考系数和无效告警指数的参考系数，0<k1、k2<1，且k1+k2=1；Ti 0表示第i类监测告警事件对应有效间隔时间归一化后的值，Pi 0表示第i类监测告警事件对应无效告警指数归一化后的值；
步骤S25：将n类监测告警事件按照对应评估指数的数值进行由小到大的排序，输出序列第一的监测告警事件为目标告警事件，提取目标告警事件对应的算法参数配置为对应监测场景下的最优参数配置。
进一步的，遍历历史监测场景匹配相似度最高的历史监测场景，包括：
获取新增监测场景的初始图像数据和液体废物的泄漏危险等级；
提取液体废物的泄漏危险等级相同的历史监测场景为待考察监测场景；
获取待考察监测场景中记录的初始图像数据为对照图像数据，比较新增监测场景的初始图像数据与对照图像数据的相似度，提取相似度最大的对照图像数据所对应的待考察监测场景为核准监测场景；
输出核准监测场景为新增监测场景所需匹配相似度最高的历史监测场景。
进一步的，步骤S4包括以下分析步骤：
监测周期是指新增监测场景中记录d个监测告警事件对应的周期时长；d≥2；
计算新增监测场景中d个监测告警事件的有效间隔时长U1以及无效告警指数V1；
当监测周期≠目标训练时长时，更新计算无效告警指数为V0，
V0=(V1*L0)/minLi，其中L0表示新增监测场景中记录d个监测告警事件对应的周期时长；
更新无效告警指数是为了将在计算无效告警指数中的周期时长统一化；
基于更新后的无效告警指数V0和有效间隔时长U1，计算新增监测场景的评估指数Y0；
将新增监测场景的评估指数和核准监测场景对应的评估指数进行比较，输出训练偏差值E，E=｜Y0-Yi｜；
设置训练偏差值阈值E0，当E>E0时，对新增监测场景的参数配置进行预警响应，提醒管理人员进行参数调整；当E≤E0时，保存当前算法参数配置为新增监测场景的最优算法配置并继续监测。
一种基于大数据的液体废物泄漏智能监测系统，包括监测系统构建模块、监测场景分类模块、最优参数配置分析模块、新增场景匹配模块和参数预警模块；
监测系统构建模块用于构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统；液体废物泄漏监测系统以泄漏监测和设备配置为数据来源，将数据来源中每一监测告警事件记录的监测告警数据为子区块存储至中心数据库；
监测场景分类模块用于对监测场景进行分类；
最优参数配置分析模块用于对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；
新增场景匹配模块用于遍历历史监测场景匹配相似度最高的历史监测场景，并设置相似度最高的历史监测场景对应的最优参数配置于新增监测场景；
参数预警模块用于基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。
进一步的，监测场景分类模块包括告警内容获取单元、监测对象信息获取单元和数据比较单元；
告警内容获取单元用于获取设备配置功能中记录的监测设备捕捉到监测场景的图像数据；
监测对象信息获取单元用于获取监测场景内存放液体废物的泄漏危险等级；
数据比较单元用于遍历液体废物泄漏监测系统记录的各监测场景，比较各监测场景对应的初始图像数据，将初始图像数据相似度大于等于相似度阈值且存放液体废物的泄漏危险等级相同的监测场景分为一类。
进一步的，最优参数配置分析模块包括参数配置分类单元、间隔时长分析单元、无效告警指数分析单元、评估指数计算单元和最优参数配置输出单元；
参数配置分类单元用于将同一类监测场景下记录的监测告警事件以算法参数配置的不同进行分类；
间隔时长分析单元用于计算监测告警事件在所有告警原因对应监测告警事件下的有效间隔告警时间；
无效告警指数分析单元用于基于目标训练时长内的无效告警事件个数计算无效告警指数；
评估指数计算单元用于利用间隔时长分析单元和无效告警指数分析单元的输出值计算评估指数；
最优参数配置输出单元用于将监测告警事件按照对应评估指数的数值进行由小到大的排序，输出序列第一的监测告警事件为目标告警事件，提取目标告警事件对应的算法参数配置为对应监测场景下的最优参数配置。
进一步的，参数预警模块包括新增监测数据计算单元、无效告警指数更新单元、评估指数对比单元和预警输出单元；
新增监测数据计算单元用于计算新增监测场景下的有效间隔时长以及无效告警指数；
无效告警指数更新单元用于在监测周期≠目标训练时长时，更新无效告警指数；
评估指数对比单元用于基于更新后的无效告警指数和有效间隔时长，计算新增监测场景的评估指数；
预警输出单元用于将新增监测场景的评估指数和核准监测场景对应的评估指数进行比较，输出训练偏差值，基于训练偏差值进行预警响应传输。
与现有技术相比，本发明所达到的有益效果是：本发明通过对系统应用的监测场景进行分类分析，在每一类型监测场景下分析历史数据记录的参数差异，控制变量且从参数配置影响的响应间隔时长和无效告警事件的比例，来衡量参数配置对应监测场景下的监测精确性和监测高效性；使得不同监测场景可以匹配到适合的算法参数配置；除此之外，在新增监测场景时，基于场景特征可以做出快速有效的参数定位，并予以实施和监测，提高智能化液体废物泄漏的监测有效性和精确性，降低了人为改动参数造成的误差以及人力物力成本的消耗。
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液体废物泄漏智能监测系统的结构示意图。
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：一种基于大数据的液体废物泄漏智能监测方法，包括以下分析步骤：
步骤S1：构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统，液体废物泄漏监测系统以泄漏监测和设备配置为数据来源，将数据来源中每一监测告警事件记录的监测告警数据为子区块存储至中心数据库；基于监测告警数据，对监测场景进行分类；
本系统采用B/S结构，部署在服务器上，客户可在PC及其兼容机上通过浏览器输入网址即可访问，无需安装客户端软件；
步骤S2：基于分类完成的监测场景，对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；算法参数配置是指基于算法管理功能中的泄漏监测算法配置；
在历史系统使用中管理人员为了提高监测的精确度以及适应监测场景的变化会对泄漏监测算法进行重新配置以不断调整适应监测状态，在这一过程中往往算法是由人为进行配置，需要耗费人力以及会产生相应误差，且在动态调整过程中，不能及时分析出监测阶段内最优算法配置，不断调整会导致系统算力切换频繁降低监测设备硬件寿命，且会浪费大量资源；
步骤S3：当新增监测场景时，遍历历史监测场景匹配相似度最高的历史监测场景，并设置相似度最高的历史监测场景对应的最优参数配置于新增监测场景；
步骤S4：记录新增监测场景在监测周期的监测告警数据，计算新增监测场景的训练偏差值，基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。
对监测场景进行分类包括以下分析步骤：
监测告警数据包括告警内容和监测对象信息；
告警内容是指设备配置功能中记录的监测设备捕捉到监测场景的图像数据，图像数据包括初始图像数据和运行图像数据，初始图像数据为未发生泄漏时场景的图像数据，运行图像数据为监测设备开始监测运行后记录的图像数据；
在不发生泄漏时运行图像数据可能与初始图像数据相同；在发生泄漏后运行图像数据与初始图像数据会存在差异；
监测对象信息是指监测场景内存放液体废物的泄漏危险等级；
遍历液体废物泄漏监测系统记录的各监测场景，比较各监测场景对应的初始图像数据，将初始图像数据相似度大于等于相似度阈值且存放液体废物的泄漏危险等级相同的监测场景分为一类。
从初始图像数据对监测场景分类是为了保障场景的相似性，从物理结构层面对场景进行归类，从液体废物的泄漏等级对监测场景分类是为了确保在相似图像场景下液体废物泄漏带来的影响程度是相同的，避免因危险等级的差异造成算法参数的分析偏差。
步骤S2包括以下分析步骤：
步骤S21：算法参数配置是指由图像抓拍间隔、泄露扩散速度、泄露面积扩散阈值对应的算法参数进行数值调整的配置；提取每一类监测场景下记录的监测告警事件以及监测告警事件对应的监测告警数据，监测告警数据还包括告警原因和告警时间；
如告警原因包括容器倾倒、容器老化、容器缺陷、违规操作、自然灾害；
步骤S22：将同一类监测场景下记录的监测告警事件以算法参数配置的不同进行分类，每一类监测告警事件对应一种算法参数配置，提取第i类监测告警事件在第j种告警原因下的平均间隔告警时间tij，平均间隔告警时间是指在若干监测告警事件中告警内容记录捕捉到的运行图像数据与初始图像数据的相似度小于等于相似度阈值时的监测时刻到传输告警信号的告警时刻对应的平均间隔时长；利用公式：
Ti=(1/m)∑tij，
计算第i类监测告警事件在所有告警原因对应监测告警事件下的有效间隔告警时间Ti，m表示告警原因的种类数，且m个告警原因均存在于n类监测告警事件中；j≤m，i≤n，n表示监测告警事件的总类型数；
分析告警原因存在于所有类型监测告警事件中是为了保证计算平均间隔时长的误差最小，且控制变量的统一；
步骤S23：提取第i类监测告警事件在历史查询功能中记录的事件属性，事件属性包括有效告警事件和无效告警事件；获取第i类监测告警事件对应算法参数配置参与监测训练的训练时长Li，输出n类监测告警事件中训练时长Li的最小值minLi为目标训练时长；选择目标训练时长是为了保证每一类监测告警事件在历史训练过程中都存在足够时长内的记录数据；计算第i类监测告警事件在目标训练时长内的无效告警指数Pi，Pi=Gi/minLi，Gi表示第i类监测告警事件在目标训练时长内记录为无效告警事件的个数；
步骤S24：将有效间隔时间和无效告警指数进行归一化处理，利用公式：计算第i类监测告警事件对应的评估指数Yi，Yi=k1*Ti 0+k2*Pi 0，其中k1、k2表示对应有效间隔时间的参考系数和无效告警指数的参考系数，0<k1、k2<1，且k1+k2=1；Ti 0表示第i类监测告警事件对应有效间隔时间归一化后的值，Pi 0表示第i类监测告警事件对应无效告警指数归一化后的值；
步骤S25：将n类监测告警事件按照对应评估指数的数值进行由小到大的排序，输出序列第一的监测告警事件为目标告警事件，提取目标告警事件对应的算法参数配置为对应监测场景下的最优参数配置。
如实施例所示：监测场景一对应存在两类监测告警事件；
第一类监测告警事件（算法参数配置：图像抓拍间隔0.1s、泄露扩散速度1cm/s、泄露面积扩散阈值1m2）
包含告警原因为容器倾倒、容器老化、容器缺陷；
第二类监测告警事件（算法参数配置：图像抓拍间隔0.5s、泄露扩散速度1cm/s、泄露面积扩散阈值2m2）
包含告警原因容器老化、容器缺陷；
则共同告警原因为容器老化和容器缺陷，进一步分析告警老化对应监测告警事件记录的监测告警数据，计算第一类监测告警事件的有效间隔时长和第二类监测告警事件的有效间隔时长；且有效间隔时长是取容器老化对应告警事件记录的平均告警间隔时长和容器缺陷对应告警事件记录的平均告警间隔时长的均值；
以及获取两类监测告警事件的目标训练时长72h，且第一类监测告警事件对应记录无效告警事件个数为3，第二类监测告警事件对应记录无效告警事件个数为7；则对应计算无效告警指数，设置k1=0.45，k2=0.55；
综合计算评估指数，比较两类监测告警事件对应评估指数的大小，输出小的一方的监测告警事件对应记录的算法参数配置为监测场景一的最优参数配置。
遍历历史监测场景匹配相似度最高的历史监测场景，包括：
获取新增监测场景的初始图像数据和液体废物的泄漏危险等级；
提取液体废物的泄漏危险等级相同的历史监测场景为待考察监测场景；
获取待考察监测场景中记录的初始图像数据为对照图像数据，比较新增监测场景的初始图像数据与对照图像数据的相似度，提取相似度最大的对照图像数据所对应的待考察监测场景为核准监测场景；
输出核准监测场景为新增监测场景所需匹配相似度最高的历史监测场景。
步骤S4包括以下分析步骤：
监测周期是指新增监测场景中记录d个监测告警事件对应的周期时长；d≥2；
计算新增监测场景中d个监测告警事件的有效间隔时长U1以及无效告警指数V1；
新增监测场景中有效间隔时长和无效告警指数的计算方式与上述相同，且不用区分算法参数配置的差异；
当监测周期≠目标训练时长时，更新计算无效告警指数为V0，
V0=(V1*L0)/minLi，其中L0表示新增监测场景中记录d个监测告警事件对应的周期时长；
更新无效告警指数是为了将在计算无效告警指数中的周期时长统一化；
基于更新后的无效告警指数V0和有效间隔时长U1，计算新增监测场景的评估指数Y0；
将新增监测场景的评估指数和核准监测场景对应的评估指数进行比较，输出训练偏差值E，E=｜Y0-Yi｜；
设置训练偏差值阈值E0，当E>E0时，对新增监测场景的参数配置进行预警响应，提醒管理人员进行参数调整；当E≤E0时，保存当前算法参数配置为新增监测场景的最优算法配置并继续监测。
一种基于大数据的液体废物泄漏智能监测系统，包括监测系统构建模块、监测场景分类模块、最优参数配置分析模块、新增场景匹配模块和参数预警模块；
监测系统构建模块用于构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统；液体废物泄漏监测系统以泄漏监测和设备配置为数据来源，将数据来源中每一监测告警事件记录的监测告警数据为子区块存储至中心数据库；
监测场景分类模块用于对监测场景进行分类；
最优参数配置分析模块用于对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；
新增场景匹配模块用于遍历历史监测场景匹配相似度最高的历史监测场景，并设置相似度最高的历史监测场景对应的最优参数配置于新增监测场景；
参数预警模块用于基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。
监测场景分类模块包括告警内容获取单元、监测对象信息获取单元和数据比较单元；
告警内容获取单元用于获取设备配置功能中记录的监测设备捕捉到监测场景的图像数据；
监测对象信息获取单元用于获取监测场景内存放液体废物的泄漏危险等级；
数据比较单元用于遍历液体废物泄漏监测系统记录的各监测场景，比较各监测场景对应的初始图像数据，将初始图像数据相似度大于等于相似度阈值且存放液体废物的泄漏危险等级相同的监测场景分为一类。
最优参数配置分析模块包括参数配置分类单元、间隔时长分析单元、无效告警指数分析单元、评估指数计算单元和最优参数配置输出单元；
参数配置分类单元用于将同一类监测场景下记录的监测告警事件以算法参数配置的不同进行分类；
间隔时长分析单元用于计算监测告警事件在所有告警原因对应监测告警事件下的有效间隔告警时间；
无效告警指数分析单元用于基于目标训练时长内的无效告警事件个数计算无效告警指数；
评估指数计算单元用于利用间隔时长分析单元和无效告警指数分析单元的输出值计算评估指数；
最优参数配置输出单元用于将监测告警事件按照对应评估指数的数值进行由小到大的排序，输出序列第一的监测告警事件为目标告警事件，提取目标告警事件对应的算法参数配置为对应监测场景下的最优参数配置。
参数预警模块包括新增监测数据计算单元、无效告警指数更新单元、评估指数对比单元和预警输出单元；
新增监测数据计算单元用于计算新增监测场景下的有效间隔时长以及无效告警指数；
无效告警指数更新单元用于在监测周期≠目标训练时长时，更新无效告警指数；
评估指数对比单元用于基于更新后的无效告警指数和有效间隔时长，计算新增监测场景的评估指数；
预警输出单元用于将新增监测场景的评估指数和核准监测场景对应的评估指数进行比较，输出训练偏差值，基于训练偏差值进行预警响应传输。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备所固有的要素。
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液体废物泄漏智能监测方法，其特征在于，包括以下分析步骤：
步骤S1：构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统，所述液体废物泄漏监测系统以泄漏监测和设备配置为数据来源，将数据来源中每一监测告警事件记录的监测告警数据为子区块存储至中心数据库；基于监测告警数据，对监测场景进行分类；
步骤S2：基于分类完成的监测场景，对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；所述算法参数配置是指基于算法管理功能中的泄漏监测算法配置；
步骤S3：当新增监测场景时，遍历历史监测场景匹配相似度最高的历史监测场景，并设置相似度最高的历史监测场景对应的最优参数配置于新增监测场景；
步骤S4：记录新增监测场景在监测周期的监测告警数据，计算新增监测场景的训练偏差值，基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。
2.根据权利要求1所述的一种基于大数据的液体废物泄漏智能监测方法，其特征在于：所述对监测场景进行分类包括以下分析步骤：
所述监测告警数据包括告警内容和监测对象信息；
所述告警内容是指设备配置功能中记录的监测设备捕捉到监测场景的图像数据，所述图像数据包括初始图像数据和运行图像数据，所述初始图像数据为未发生泄漏时场景的图像数据，所述运行图像数据为监测设备开始监测运行后记录的图像数据；
所述监测对象信息是指监测场景内存放液体废物的泄漏危险等级；
遍历液体废物泄漏监测系统记录的各监测场景，比较各监测场景对应的初始图像数据，将初始图像数据相似度大于等于相似度阈值且存放液体废物的泄漏危险等级相同的监测场景分为一类。
3.根据权利要求1所述的一种基于大数据的液体废物泄漏智能监测方法，其特征在于：所述步骤S2包括以下分析步骤：
步骤S21：所述算法参数配置是指由图像抓拍间隔、泄露扩散速度、泄露面积扩散阈值对应的算法参数进行数值调整的配置；提取每一类监测场景下记录的监测告警事件以及监测告警事件对应的监测告警数据，所述监测告警数据还包括告警原因和告警时间；
步骤S22：将同一类监测场景下记录的监测告警事件以算法参数配置的不同进行分类，每一类监测告警事件对应一种算法参数配置，提取第i类监测告警事件在第j种告警原因下的平均间隔告警时间tij，所述平均间隔告警时间是指在若干监测告警事件中告警内容记录捕捉到的运行图像数据与初始图像数据的相似度小于等于相似度阈值时的监测时刻到传输告警信号的告警时刻对应的平均间隔时长；利用公式：
Ti=(1/m)∑tij，
计算第i类监测告警事件在所有告警原因对应监测告警事件下的有效间隔告警时间Ti，m表示告警原因的种类数，且m个告警原因均存在于n类监测告警事件中；j≤m，i≤n，n表示监测告警事件的总类型数；
步骤S23：提取第i类监测告警事件在历史查询功能中记录的事件属性，所述事件属性包括有效告警事件和无效告警事件；获取第i类监测告警事件对应算法参数配置参与监测训练的训练时长Li，输出n类监测告警事件中训练时长Li的最小值minLi为目标训练时长；计算第i类监测告警事件在目标训练时长内的无效告警指数Pi，Pi=Gi/minLi，Gi表示第i类监测告警事件在目标训练时长内记录为无效告警事件的个数；
步骤S24：将有效间隔时间和无效告警指数进行归一化处理，利用公式：计算第i类监测告警事件对应的评估指数Yi，Yi=k1*Ti 0+k2*Pi 0，其中k1、k2表示对应有效间隔时间的参考系数和无效告警指数的参考系数，0<k1、k2<1，且k1+k2=1；Ti 0表示第i类监测告警事件对应有效间隔时间归一化后的值，Pi 0表示第i类监测告警事件对应无效告警指数归一化后的值；
步骤S25：将n类监测告警事件按照对应评估指数的数值进行由小到大的排序，输出序列第一的监测告警事件为目标告警事件，提取目标告警事件对应的算法参数配置为对应监测场景下的最优参数配置。
4.根据权利要求3所述的一种基于大数据的液体废物泄漏智能监测方法，其特征在于：所述遍历历史监测场景匹配相似度最高的历史监测场景，包括：
获取新增监测场景的初始图像数据和液体废物的泄漏危险等级；
提取液体废物的泄漏危险等级相同的历史监测场景为待考察监测场景；
获取待考察监测场景中记录的初始图像数据为对照图像数据，比较新增监测场景的初始图像数据与对照图像数据的相似度，提取相似度最大的对照图像数据所对应的待考察监测场景为核准监测场景；
输出核准监测场景为新增监测场景所需匹配相似度最高的历史监测场景。
5.根据权利要求4所述的一种基于大数据的液体废物泄漏智能监测方法，其特征在于：所述步骤S4包括以下分析步骤：
所述监测周期是指新增监测场景中记录d个监测告警事件对应的周期时长；d≥2；
计算新增监测场景中d个监测告警事件的有效间隔时长U1以及无效告警指数V1；
当监测周期≠目标训练时长时，更新计算无效告警指数为V0，
V0=(V1*L0)/minLi，其中L0表示新增监测场景中记录d个监测告警事件对应的周期时长；
基于更新后的无效告警指数V0和有效间隔时长U1，计算新增监测场景的评估指数Y0；
将新增监测场景的评估指数和核准监测场景对应的评估指数进行比较，输出训练偏差值E，E=｜Y0-Yi｜；
设置训练偏差值阈值E0，当E>E0时，对新增监测场景的参数配置进行预警响应，提醒管理人员进行参数调整；当E≤E0时，保存当前算法参数配置为新增监测场景的最优算法配置并继续监测。
6.一种基于大数据的液体废物泄漏智能监测系统，用于实现权利要求1-5任一项所述的一种基于大数据的液体废物泄漏智能监测方法，其特征在于，包括监测系统构建模块、监测场景分类模块、最优参数配置分析模块、新增场景匹配模块和参数预警模块；
所述监测系统构建模块用于构建以泄漏监测、设备配置、算法管理和历史查询为功能主体的液体废物泄漏监测系统；所述液体废物泄漏监测系统以泄漏监测和设备配置为数据来源，将数据来源中每一监测告警事件记录的监测告警数据为子区块存储至中心数据库；
所述监测场景分类模块用于对监测场景进行分类；
所述最优参数配置分析模块用于对每一监测场景记录的监测告警数据对应的算法参数配置进行分析，输出每一监测场景下的最优参数配置；
所述新增场景匹配模块用于遍历历史监测场景匹配相似度最高的历史监测场景，并设置相似度最高的历史监测场景对应的最优参数配置于新增监测场景；
所述参数预警模块用于基于训练偏差值进行新增监测场景对应算法参数配置的预警响应。
7.根据权利要求6所述的一种基于大数据的液体废物泄漏智能监测系统，其特征在于：所述监测场景分类模块包括告警内容获取单元、监测对象信息获取单元和数据比较单元；
所述告警内容获取单元用于获取设备配置功能中记录的监测设备捕捉到监测场景的图像数据；
所述监测对象信息获取单元用于获取监测场景内存放液体废物的泄漏危险等级；
所述数据比较单元用于遍历液体废物泄漏监测系统记录的各监测场景，比较各监测场景对应的初始图像数据，将初始图像数据相似度大于等于相似度阈值且存放液体废物的泄漏危险等级相同的监测场景分为一类。
8.根据权利要求6所述的一种基于大数据的液体废物泄漏智能监测系统，其特征在于：所述最优参数配置分析模块包括参数配置分类单元、间隔时长分析单元、无效告警指数分析单元、评估指数计算单元和最优参数配置输出单元；
所述参数配置分类单元用于将同一类监测场景下记录的监测告警事件以算法参数配置的不同进行分类；
所述间隔时长分析单元用于计算监测告警事件在所有告警原因对应监测告警事件下的有效间隔告警时间；
所述无效告警指数分析单元用于基于目标训练时长内的无效告警事件个数计算无效告警指数；
所述评估指数计算单元用于利用间隔时长分析单元和无效告警指数分析单元的输出值计算评估指数；
所述最优参数配置输出单元用于将监测告警事件按照对应评估指数的数值进行由小到大的排序，输出序列第一的监测告警事件为目标告警事件，提取目标告警事件对应的算法参数配置为对应监测场景下的最优参数配置。
9.根据权利要求8所述的一种基于大数据的液体废物泄漏智能监测系统，其特征在于：所述参数预警模块包括新增监测数据计算单元、无效告警指数更新单元、评估指数对比单元和预警输出单元；
所述新增监测数据计算单元用于计算新增监测场景下的有效间隔时长以及无效告警指数；
所述无效告警指数更新单元用于在监测周期≠目标训练时长时，更新无效告警指数；
所述评估指数对比单元用于基于更新后的无效告警指数和有效间隔时长，计算新增监测场景的评估指数；
所述预警输出单元用于将新增监测场景的评估指数和核准监测场景对应的评估指数进行比较，输出训练偏差值，基于训练偏差值进行预警响应传输。
CN202311331065.XA 2023-10-16 2023-10-16 一种基于大数据的液体废物泄漏智能监测系统及方法 Active CN117094563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311331065.XA CN117094563B (zh) 2023-10-16 2023-10-16 一种基于大数据的液体废物泄漏智能监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311331065.XA CN117094563B (zh) 2023-10-16 2023-10-16 一种基于大数据的液体废物泄漏智能监测系统及方法

Publications (2)

Publication Number Publication Date
CN117094563A true CN117094563A (zh) 2023-11-21
CN117094563B CN117094563B (zh) 2024-02-06

Family

ID=88783601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311331065.XA Active CN117094563B (zh) 2023-10-16 2023-10-16 一种基于大数据的液体废物泄漏智能监测系统及方法

Country Status (1)

Country Link
CN (1) CN117094563B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190011905A1 (en) * 2015-08-13 2019-01-10 Avl List Gmbh System for monitoring a technical device
CN110569513A (zh) * 2018-06-06 2019-12-13 中国石油化工股份有限公司 一种危化品气体检测器水平布置距离的优化方法
US20200150637A1 (en) * 2018-11-13 2020-05-14 Rockwell Automation Technologies, Inc. Industrial safety monitoring configuration using a digital twin
CN111638024A (zh) * 2020-05-25 2020-09-08 智强通达科技（北京）有限公司 基于大数据的油罐泄露监测告警系统及方法
CN111723720A (zh) * 2020-06-15 2020-09-29 中国石油大学(华东) 一种有机气体泄漏智能可视化实时在线监测系统
CN111770306A (zh) * 2020-05-22 2020-10-13 深圳奇迹智慧网络有限公司 场景监控方法、装置、计算机设备和存储介质
CN112994919A (zh) * 2019-12-17 2021-06-18 中兴通讯股份有限公司 通信参数配置方法、装置、设备和存储介质
US20210215158A1 (en) * 2018-05-11 2021-07-15 Grundfos Holding A/S A monitoring module and method for identifying an operating scenario in a wastewater pumping station
CN114489693A (zh) * 2021-12-27 2022-05-13 国网冀北电力有限公司 一种基于边缘应用的变压器全面状态监测系统
CN114662327A (zh) * 2022-03-29 2022-06-24 青岛澎湃海洋探索技术有限公司 一种用于auv舱内泄露监测的辅助方法
CN116054416A (zh) * 2023-03-15 2023-05-02 扬州康德电气有限公司 一种基于物联网的智能监控运维管理系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190011905A1 (en) * 2015-08-13 2019-01-10 Avl List Gmbh System for monitoring a technical device
US20210215158A1 (en) * 2018-05-11 2021-07-15 Grundfos Holding A/S A monitoring module and method for identifying an operating scenario in a wastewater pumping station
CN110569513A (zh) * 2018-06-06 2019-12-13 中国石油化工股份有限公司 一种危化品气体检测器水平布置距离的优化方法
US20200150637A1 (en) * 2018-11-13 2020-05-14 Rockwell Automation Technologies, Inc. Industrial safety monitoring configuration using a digital twin
CN112994919A (zh) * 2019-12-17 2021-06-18 中兴通讯股份有限公司 通信参数配置方法、装置、设备和存储介质
CN111770306A (zh) * 2020-05-22 2020-10-13 深圳奇迹智慧网络有限公司 场景监控方法、装置、计算机设备和存储介质
CN111638024A (zh) * 2020-05-25 2020-09-08 智强通达科技（北京）有限公司 基于大数据的油罐泄露监测告警系统及方法
CN111723720A (zh) * 2020-06-15 2020-09-29 中国石油大学(华东) 一种有机气体泄漏智能可视化实时在线监测系统
CN114489693A (zh) * 2021-12-27 2022-05-13 国网冀北电力有限公司 一种基于边缘应用的变压器全面状态监测系统
CN114662327A (zh) * 2022-03-29 2022-06-24 青岛澎湃海洋探索技术有限公司 一种用于auv舱内泄露监测的辅助方法
CN116054416A (zh) * 2023-03-15 2023-05-02 扬州康德电气有限公司 一种基于物联网的智能监控运维管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵明斌: "地下停车场内燃料电池汽车泄漏及爆炸事故的安全分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 12, pages 026 - 22 *
陈锐 等: "电能质量监测中频谱泄露检测方法研究", 《测控技术》, vol. 38, no. 08, pages 99 - 102 *

Also Published As

Publication number Publication date
CN117094563B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN111475804B (zh) 一种告警预测方法及系统
WO2021184630A1 (zh) 基于知识图谱定位排污对象的方法及相关设备
CN107239705B (zh) 一种非接触式的工业控制系统或设备静态漏洞检测系统和检测方法
CN108776276B (zh) 用电异常检测方法及系统
CN111917877A (zh) 物联网设备的数据处理方法及装置、电子设备、存储介质
CN116975378B (zh) 一种基于大数据的设备环境监测方法及系统
CN117235649A (zh) 一种基于大数据的工业设备状态智能监测系统及方法
CN110636066A (zh) 基于无监督生成推理的网络安全威胁态势评估方法
CN115296933B (zh) 一种工业生产数据风险等级评估方法及系统
CN116681402A (zh) 一种基于物联网的项目信息库服务管理系统及方法
CN117041312A (zh) 基于物联网的企业级信息技术监控系统
CN117094563B (zh) 一种基于大数据的液体废物泄漏智能监测系统及方法
CN114138601A (zh) 一种业务告警方法、装置、设备及存储介质
CN112882898A (zh) 基于大数据日志分析的异常检测方法、系统、设备及介质
CN113483815A (zh) 一种基于工业大数据的机械故障监控系统
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
CN111667391A (zh) 一种环保大数据监测系统
CN116468423A (zh) 一种运维应急协同方法、系统和终端设备
Holmes et al. The application of data mining tools and statistical techniques to identify patterns and changes in fire events
CN113705547B (zh) 环境弄虚作假行为识别动态管控方法、装置
Ranga et al. Log anomaly detection using sequential convolution neural networks and Dual-LSTM model
CN117540369B (zh) 用于安全分析的数值行为安全基线生成方法及装置
CN112904816B (zh) 一种智慧环保实时监测方法
CN117935519B (zh) 一种燃气检测警报系统
CN116405523A (zh) 一种基于互联网的环境安全监测系统及方法

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