CN117251698B - 一种基于区块链的饮食业油烟净化在线监控方法及系统 - Google Patents
一种基于区块链的饮食业油烟净化在线监控方法及系统 Download PDFInfo
- Publication number
- CN117251698B CN117251698B CN202311531892.3A CN202311531892A CN117251698B CN 117251698 B CN117251698 B CN 117251698B CN 202311531892 A CN202311531892 A CN 202311531892A CN 117251698 B CN117251698 B CN 117251698B
- Authority
- CN
- China
- Prior art keywords
- data
- oil smoke
- analysis strategy
- purifying
- analysis
- 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
- 239000003517 fume Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000010411 cooking Methods 0.000 title claims description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 153
- 238000000746 purification Methods 0.000 claims abstract description 51
- 238000004140 cleaning Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 239000006233 lamp black Substances 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 239000000779 smoke Substances 0.000 claims description 133
- 230000007613 environmental effect Effects 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 23
- 238000009825 accumulation Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000003102 growth factor Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 235000013305 food Nutrition 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 235000013361 beverage Nutrition 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 4
- 241000282461 Canis lupus Species 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 241000282421 Canidae Species 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 2
- 108700041286 delta Proteins 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000004071 soot Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Natural products C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- -1 methane hydrocarbon Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24C—DOMESTIC STOVES OR RANGES ; DETAILS OF DOMESTIC STOVES OR RANGES, OF GENERAL APPLICATION
- F24C15/00—Details
- F24C15/20—Removing cooking fumes
- F24C15/2021—Arrangement or mounting of control or safety systems
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于区块链的饮食业油烟净化在线监控方法及系统，涉及油烟净化监控技术领域，该基于区块链的饮食业油烟净化在线监控方法包括以下步骤：基于分析算法，判断油烟通道内的油烟恶劣程度；根据需要启动油烟净化系统；通过异常检测算法对运行状态数据进行检测，判断是否为异常；确定净化设备的最佳清洗周期。本发明通过分析算法，可以实时监控和判断油烟通道内的油烟恶劣程度，从而控制排烟风机的转速，并且可以确定净化设备的最佳清洗周期，从而减轻人工清洗的工作量，同时通过异常检测算法进行检测，可以及时发现净化设备的异常，进而及时的对净化设备故障诊断和预防。
Description
技术领域
本发明涉及油烟净化监控技术领域，具体来说，涉及一种基于区块链的饮食业油烟净化在线监控方法及系统。
背景技术
随着人们生活水平的不断提高，居住条件的不断改善，对节能减排、环境治理也越来越重视。而日常餐饮制作过程中，会产生餐厨油烟，餐厨油烟的成分复杂，既影响人体健康，又污染厨房卫生环境。特别是饭店、酒店、公共餐厅等场所，若不经过处理随意排放将对周围环境造成影响。
近些年，国内餐饮行业大力发展，大大小小的餐饮企业多达数百万家，且整体数量仍呈上升趋势。国内餐饮多以经营中餐为主，中餐讲究爆炒，整个过程中会产生较多的油烟，若直接排放到生活环境当中，势必会造成环境的影响。因此，餐饮企业必须有效安装使用烟机才能最大限度的减少油烟造成的影响，同时，如果能够有效掌握区域烟机设备覆盖情况、设备运行情况，就能有效的进行区域排烟监管，大大提高相关部门工作效率，真正的做到全过程追溯。
现有技术中，油烟在线监测系统只能简单的监控油烟净化系统的各个设备的开停状态，一般是风机和净化器只要各设备正常开启就简单的认为油烟排放也是正常达标的，不便于实时监控和判断油烟通道内的油烟恶劣程度，从而不便于控制排烟风机的转速，不能根据需要启动油烟净化系统，容易造成资源的损耗，并且不便于及时发现设备的异常，从而进行及时的故障诊断和预防，同时便于通过计算油烟净化设备的污秽积累量来确定设备的最佳清洗周期，进而增加了人工清洗的工作量，降低了设备的使用寿命。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提出一种基于区块链的饮食业油烟净化在线监控方法及系统，解决了上述背景技术中提出现有的油烟在线监测系统只能简单的监控油烟净化系统的各个设备的开停状态，一般是风机和净化器只要各设备正常开启就简单的认为油烟排放也是正常达标的，不便于实时监控和判断油烟通道内的油烟恶劣程度，从而不便于控制排烟风机的转速，不能根据需要启动油烟净化系统，容易造成资源的损耗，并且不便于及时发现设备的异常，从而进行及时的故障诊断和预防，同时不便于通过计算油烟净化设备的污秽积累量来确定设备的最佳清洗周期，进而增加了人工清洗的工作量，降低了设备的使用寿命的问题。
为实现以上目的，本发明通过以下技术方案予以实现：
根据本发明的一个方面，提供了一种基于区块链的饮食业油烟净化在线监控方法，该基于区块链的饮食业油烟净化在线监控方法包括以下步骤：
S1、通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理；
S2、基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度；
S3、根据判断结果启动油烟净化系统；
S4、实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常；
S5、基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期；
S6、将采集到的环境数据、设备数据以及清洗周期信息通过区块链技术进行上链，确保数据的安全性和完整性。
进一步的，通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理包括以下步骤：
S11、在指定的油烟通道内部署数据采集节点，通过通信协议获取油烟通道内的油烟及环境的实时参数信息；
S12、从数据采集节点获取原始数据，并对原始数据进行小波变换，将数据从时域转换到频域，筛选出包含干扰波的各频段波场记录；
S13、在各频段波场记录中逐个追踪干扰波，并获取计算样点处的干扰波方向；
S14、选取以计算样点为中心的若干道窗进行中值滤波，并恢复计算样点处的干扰信号；
S15、逐个对各频段波场记录中的干扰信号进行恢复，并进行小波反变换以获得干扰波的整个波场；
S16、从原始数据中减去干扰波场，得到有效信号波场，基于有效信号波场生成去噪后的环境数据和油烟通道内的油烟数据。
进一步的，基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度包括以下步骤：
S21、导入去噪后的环境数据和油烟通道内的油烟数据，并进行初始化，运用最短路径算法计算油烟通道内任意两检测点间的最低油烟浓度路径；
S22、每个分析策略分别代表一种油烟恶劣程度的判断方法，前N个数表示所选择的检测点的编号，后N个数表示所设定的等级，并与前N个数位置一一对应；
S23、根据上层决策目标找到全局最优分析策略，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化；
S24、将优化后的分析策略代入Kent映射，并将Kent分析策略与优化前的原分析策略以下层决策目标式作为评判标准进行比较；
S25、通过比较下层决策目标淘汰表现差的分析策略；
S26、运用精英保留策略，根据上层决策目标将表现差的分析策略替换成全局次优解；
S27、循环执行步骤S23至步骤S26，如果迭代次数超过阈值，结束迭代，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度。
进一步的，根据上层决策目标找到全局最优分析策略，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化包括以下步骤：
S231、定义上层决策目标函数，用于评估分析策略的适应度；
S232、初始化分析策略群体，随机生成每个分析策略的参数；
S233、根据目标函数计算每个分析策略的适应度；
S234、找到全局最优分析策略，作为最佳解；
S235、对每组最优分析策略，随机生成环境影响因子，并计算每组局部最优分析策略的组内平均参数，作为组群体趋势；
S236、将原分析策略参数带入更新公式，计算得到新分析策略的参数，并更新每个分析策略的参数；
S237、重复步骤S233至步骤S236，直至满足终止条件。
进一步的，将优化后的分析策略代入Kent映射，并将Kent分析策略与优化前的原分析策略以下层决策目标式作为评判标准进行比较包括以下步骤：
S241、对分析策略种群进行训练和迭代，得到优化后的分析策略种群；
S242、对优化后的分析策略种群进行数据归一化处理，使其处于预设状态；
S243、随机生成Kent映射的参数，并预设取值范围；
S244、使用Kent映射公式对每个优化后的分析策略进行映射，生成新的分析策略个体；
S245、比较每个分析策略与其Kent映射结果的适应度，保留适应度最佳的分析策略个体作为Kent分析策略；
S246、将Kent分析策略与原分析策略种群进行适应度比较，保留适应度最佳的分析策略个体进入下一代分析策略种群；
S247、重复步骤S242至步骤S246，直至达到迭代终止条件。
进一步的，更新公式为：
；
其中，表示优化后的新分析策略的参数；
表示原始分析策略的参数；
m表示第m个分析策略；
i表示第i次迭代；
b表示第b维度的参数值；
x表示分析策略的参数向量；
l1表示环境影响因子经归一化处理后的权重；
l2表示成长因子δ1的随机权重影响因子经归一化处理后的权重；
l3表示成长因子δ2的随机权重影响因子经归一化处理后的权重。
进一步的，实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常包括以下步骤：
S41、将获取运行状态数据划分成若干份子数据，并获取每份子数据的数据点；
S42、计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值；
S43、设定局部离群因子值的阈值，若子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的异常数据。
进一步的，计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值包括以下步骤：
S421、通过提取每份子数据的特征，并构建特征矩阵；
S422、使用欧氏距离计算每份子数据的数据点之间的距离，以量化每份子数据的数据点之间的相似性；
S423、选择最优的K值，对于每份子数据的数据点，找到数据点的K个近邻，并记录K个近邻在特征矩阵的位置；
S424、对于每份子数据的数据点和所有K近邻，分别计算可达距离、局部可达密度及局部离群因子值；
S425、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度，评估每份子数据的数据点的异常程度，并按照局部离群因子值对每份子数据的数据点进行排序。
进一步的，基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期包括以下步骤：
S51、将油烟净化设备的实际净化效率与预设阈值进行对比；
S52、若实际净化效率高于预设阈值，则表明油烟净化设备内部的污秽积累未超标，无需对净化设备进行清洗，若实际净化效率低于预设阈值，则表明油烟净化设备内部的污秽积累超标，需要对净化设备进行清洗；
S53、统计不同时间段的实际净化效率下降程度，判断污秽积累的规律，确定净化设备的最佳清洗周期；
S54、在确定的最佳清洗周期内，定期对油烟净化设备内部进行清洗。
根据本发明的另一方面，还提供了一种基于区块链的饮食业油烟净化在线监控系统，该基于区块链的饮食业油烟净化在线监控系统包括：数据采集与处理模块、数据分析模块、控制系统模块、异常检测模块、清洗周期确定模块及数据安全管理模块；
其中，数据采集与处理模块，用于通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理；
数据分析模块，用于基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度；
控制系统模块，用于根据判断结果启动油烟净化系统；
异常检测模块，用于实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常；
清洗周期确定模块，用于基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期，并利用自动清洗设备对其进行清洗；
数据安全管理模块，用于将采集到的环境数据、设备数据以及清洗周期信息通过区块链技术进行上链，确保数据的安全性和完整性。
本发明的有益效果为：
1、本发明通过传感器实时采集环境数据和油烟数据，再结合分析算法，可以实时监控和判断油烟通道内的油烟恶劣程度，从而控制排烟风机的转速，使得根据需要启动油烟净化系统，从而降低了资源的损耗，提高油烟净化效率，并且可以确定净化设备的最佳清洗周期，从而减轻人工清洗的工作量，提高设备的使用寿命，同时通过异常检测算法进行检测，可以及时发现净化设备的异常，进而及时的对净化设备故障诊断和预防，使得可以减少设备的停机时间，提高净化设备的运行效率。
2、本发明通过利用分析算法对预处理结果进行分析，判断油烟通道内的油烟恶劣程度，并配合排烟风机的实时转速调整和油烟净化系统的启动，使得系统能够自我调整和优化以适应不断变化的环境，从而提高排烟和净化设备的效率。
3、本发明通过实时监控油烟净化系统的运行状态和异常检测，可以在第一时间内发现净化设备的异常情况，从而及时进行维护和修复，避免净化设备长时间运行在异常状态，从而提高净化设备效率和寿命，并且根据净化设备的运行状况和污秽积累量的检测分析，可以确定净化设备的最佳清洗周期，从而减轻人工清洗的工作量，避免设备因污秽积累过多而影响其运行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于区块链的饮食业油烟净化在线监控方法的流程图。
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。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
根据本发明的实施例，提供了一种基于区块链的饮食业油烟净化在线监控方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于区块链的饮食业油烟净化在线监控方法，该基于区块链的饮食业油烟净化在线监控方法包括以下步骤：
S1、通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理；
具体的，环境数据包括环境温度、环境空间体积和环境湿度等环境数据。
具体的，油烟数据包括油烟浓度、温度、湿度、颗粒物浓度和非甲烷总烃浓度等。
S2、基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度；
S3、根据判断结果启动油烟净化系统；
具体的，油烟净化系统是指用于清除烹饪过程中产生的油烟的设备或系统，包括吸油烟机或排烟风机、油烟过滤装置（如电场净化、活性炭过滤、超声波雾化等，以去除空气中的油烟和其它有害物质）及控制系统（控制系统可以监测和调整整个系统的运行状态，包括排烟风机的转速、油烟过滤装置的工作状态等）等。
S4、实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常；
具体的，运行状态数据包括设备运行时间（设备一天中运行的持续时间和频率）、转速数据（如排烟风机的实时转速、最大转速、最小转速等）、电流和电压数据（设备在运行过程中使用的平均电流和电压）、温度数据（设备内部和外部的温度）、油烟浓度数据（排烟管道中的油烟浓度，以及净化后的油烟浓度）及报警及错误状态（任何设备故障、过载、过热或其他错误状态的记录）等。
S5、基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期；
S6、将采集到的环境数据、设备数据以及清洗周期信息通过区块链技术进行上链，确保数据的安全性和完整性。
优选地，通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理包括以下步骤：
S11、在指定的油烟通道内部署数据采集节点，通过通信协议获取油烟通道内的油烟及环境的实时参数信息；
具体的，参数信息包括环境参数（包括温度、湿度、气压等环境因素的数据）、设备参数（包括设备的运行状态，例如，设备是否正在运行，设备的转速等）、设备的工作效率（例如，净化效率）以及设备的维护信息（例如，最后一次维护的日期、维护的类型等）和油烟数据（包括油烟的浓度、油烟的粒子大小分布等）等。
S12、从数据采集节点获取原始数据，并对原始数据进行小波变换，将数据从时域转换到频域，筛选出包含干扰波的各频段波场记录；
具体的，采用快速傅立叶变换（FFT），在信号处理中用于将时域信号转换为频域信号。在频域中，干扰波通常会表现出特定的特征，例如，会在某些频率上有较强的能量。因此，可以通过分析信号的频谱来识别可能包含干扰的频段。
S13、在各频段波场记录中逐个追踪干扰波，并获取计算样点处的干扰波方向；
具体的，在复杂的信号环境中，会同时存在多个来源的干扰波，获取干扰波方向可以帮助系统更精确地识别和分离出来自不同方向的干扰信号。
S14、选取以计算样点为中心的若干道窗进行中值滤波，并恢复计算样点处的干扰信号；
具体的，选取计算样点，并选择一个合适的窗口大小，窗口将被用来围绕每个计算样点提取数据，对于每个计算样点，选取以其为中心的若干道窗内的数据，数据将用于计算中位数，在每个窗口内，对数据进行排序并找到中位数，将计算样点处的原始数据值替换为这个中位数。
S15、逐个对各频段波场记录中的干扰信号进行恢复，并进行小波反变换以获得干扰波的整个波场；
S16、从原始数据中减去干扰波场，得到有效信号波场，基于有效信号波场生成去噪后的环境数据和油烟通道内的油烟数据。
优选地，基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度包括以下步骤：
S21、导入去噪后的环境数据和油烟通道内的油烟数据，并进行初始化，运用最短路径算法计算油烟通道内任意两检测点间的最低油烟浓度路径；
具体的，最短路径算法为Floyd-Warshall算法，是一种用于在加权图中搜索任意两点间最短路径的经典算法，利用动态规划思想逐步改进路径，以获得最短路径长度，通过中间节点分割路径，比较并选择更优的间接路径。
具体的，两点油烟浓度的最短路径是指在油烟通道内，从一个点到另一个点的最短路径，这个路径上的油烟浓度是最低的。
S22、每个分析策略（即为改进郊狼优化算法中的每只郊狼）分别代表一种油烟恶劣程度的判断方法，前N个数表示所选择的检测点的编号，后N个数表示所设定的等级，并与前N个数位置一一对应；
具体的，所选择的检测点的编号是指在油烟通道内的特定位置设置的油烟检测点，这些检测点会被用来收集油烟浓度的数据，以便于评估和预测油烟的恶劣程度。
具体的，所设定的等级是指为每个检测点设定的油烟恶劣程度的等级，例如，设定一组等级，如“轻度”、“中度”和“重度”，来描述油烟的恶劣程度。
S23、根据上层决策目标找到全局最优分析策略，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化；
具体的，环境影响因子包括多种环境参数，如温度、湿度、风速、地理位置等，这些因素对油烟的恶劣程度有影响，例如，高温和高湿度会使油烟问题更严重，获取这些因素的数据可以通过各种传感器和设备，或者直接从环境监测机构获取。
具体的，局部最优分析策略是通过对每个检测点或检测点的一个子集进行详细分析得到的，通过比较不同策略的效果，可以确定出哪一种策略在特定情况下是最优的。
具体的，组群体趋势是指检测点之间的相互关系或者趋势，例如，如果某些检测点总是同时出现高油烟恶劣程度，表明它们之间有某种关联性，这种关联性与环境因素、地理位置或设备的使用情况有关，这种趋势可以通过分析数据集中的模式或使用统计方法（例如相关性分析、聚类分析等）来发现。
具体的，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化可以通过权重分配法、模拟模型方法及机器学习方法等方法来实现。
S24、将优化后的分析策略代入Kent映射，并将Kent分析策略与优化前的原分析策略以下层决策目标式作为评判标准进行比较；
具体的，Kent映射是一种混沌映射，当取值为0.5时，为对称混沌映射。
S25、通过比较下层决策目标淘汰表现差的分析策略；
S26、运用精英保留策略，根据上层决策目标将表现差的分析策略替换成全局次优解；
具体的，精英保留策略本身是将最优解替换最差解，避免算法在寻优过程中将优秀解淘汰，达到保留优秀解基因的目的，故将精英选择策略调整为将整个种群成长前的次优狼命名为Beta狼，用Beta狼替换成长后的狼群中的社会适应能力最差的狼，在保留种群内优秀解基因的同时提升了搜索效率。
S27、循环执行步骤S23至步骤S26，如果迭代次数超过阈值，结束迭代，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度。具体的，分析算法为改进郊狼优化算法，传统的郊狼优化算法寻优时郊狼的成长是获得新解的主要途径。郊狼优化算法将整个郊狼种群分组进行成长，在成长过程中通过组alpha狼和组文化趋势cult引导组内郊狼的成长，极大地限制了COA郊狼的种群多样性与种群内的信息交流，郊狼在成长过程中的全局遍历性较低，同时由于COA郊狼的出生率低，种群多样性较低，算法的勘探能力较差，易陷入局部最优，本发明主要针对郊狼优化算法中郊狼的成长模式（即本发明中的更新公式）进行改进。
优选地，根据上层决策目标找到全局最优分析策略，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化包括以下步骤：
S231、定义上层决策目标函数，用于评估分析策略的适应度；
具体的，本发明中，定义目标函数为评估预测结果与实际结果之间的误差，误差越小，说明预测的油烟的恶劣程度越接近实际，分析的策略越好。例如，可以使用均方误差作为目标函数。
S232、初始化分析策略群体，随机生成每个分析策略的参数（即为改进郊狼优化算法中郊狼的位置）；
S233、根据目标函数计算每个分析策略的适应度；
具体的，目标函数指的是用于评估分析策略适应度的函数。这个函数依据一套预定的标准或指标来确定分析策略的质量或适应度。
S234、找到全局最优分析策略，作为最佳解；
S235、对每组最优分析策略，随机生成环境影响因子，并计算每组局部最优分析策略的组内平均参数，作为组群体趋势；
S236、将原分析策略参数带入更新公式，计算得到新分析策略的参数，并更新每个分析策略的参数；
S237、重复步骤S233至步骤S236，直至满足终止条件。
优选地，将优化后的分析策略代入Kent映射，并将Kent分析策略与优化前的原分析策略以下层决策目标式作为评判标准进行比较包括以下步骤：
S241、对分析策略种群进行训练和迭代，得到优化后的分析策略种群；
S242、对优化后的分析策略种群进行数据归一化处理，使其处于预设状态；
具体的，归一化处理（Normalization）：归一化处理是将数据的量纲统一，使不同数据之间具有可比性，对预测结果进行归一化处理，有助于消除数据量纲的影响，便于后续的加权处理和求和计算。
S243、随机生成Kent映射的参数，并预设取值范围（0，1）；
S244、使用Kent映射公式对每个优化后的分析策略进行映射，生成新的分析策略个体；
具体的，每个优化后的分析策略，即为每只成长后的郊狼。
S245、比较每个分析策略与其Kent映射结果的适应度，保留适应度最佳的分析策略个体作为Kent分析策略；
S246、将Kent分析策略与原分析策略种群进行适应度比较，保留适应度最佳的分析策略个体进入下一代分析策略种群；
S247、重复步骤S242至步骤S246，直至达到迭代终止条件。
优选地，更新公式为：
；
其中，表示优化后的新分析策略的参数；
表示原始分析策略的参数；
m表示第m个分析策略；
i表示第i次迭代；
b表示第b维度的参数值；
x表示分析策略的参数向量；
l1表示环境影响因子经归一化处理后的权重；
l2表示成长因子δ1的随机权重影响因子经归一化处理后的权重；
l3表示成长因子δ2的随机权重影响因子经归一化处理后的权重。
优选地，实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常包括以下步骤：
S41、将获取运行状态数据划分成若干份子数据，并获取每份子数据的数据点；
S42、计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值；
具体的，局部可达密度是一种在局部性质的基础上定义的密度概念，常用于识别数据集中的离群点，局部可达密度的定义是基于“可达距离”的概念，可达距离是一个点到它的k近邻的最大距离。
S43、设定局部离群因子值的阈值，若子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的异常数据。
优选地，计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值包括以下步骤：
S421、通过提取每份子数据的特征，并构建特征矩阵；
S422、使用欧氏距离计算每份子数据的数据点之间的距离，以量化每份子数据的数据点之间的相似性；
S423、选择最优的K值，对于每份子数据的数据点，找到数据点的K个近邻，并记录K个近邻在特征矩阵的位置；
S424、对于每份子数据的数据点和所有K近邻，分别计算可达距离、局部可达密度及局部离群因子值；
具体的，对于每份子数据的数据点和所有K近邻，分别计算可达距离、局部可达密度及局部离群因子值包括以下步骤：
S4241、对于每份子数据的数据点和每份子数据的数据点一个K近邻，计算每份子数据的数据点与每份子数据的数据点一个K近邻之间的实际距离和每份子数据的数据点一个K近邻与其所有K近邻之间的最大距离之间的较大值，得出可达距离；
S4242、利用K值除以每份子数据的数据点，得到其K近邻的可达距离之和，得出局部可达密度；
S4243、为每份子数据的数据点的K近邻的局部可达密度之和除以每份子数据的数据点自身的局部可达密度再除以K值，得出局部离群因子值。
S425、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度，评估每份子数据的数据点的异常程度，并按照局部离群因子值对每份子数据的数据点进行排序。
优选地，基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期包括以下步骤：
S51、将油烟净化设备的实际净化效率与预设阈值进行对比；
S52、若实际净化效率高于预设阈值，则表明油烟净化设备内部的污秽积累未超标，无需对净化设备进行清洗，若实际净化效率低于预设阈值，则表明油烟净化设备内部的污秽积累超标，需要对净化设备进行清洗；
S53、统计不同时间段的实际净化效率下降程度，判断污秽积累的规律，确定净化设备的最佳清洗周期；
S54、在确定的最佳清洗周期内，定期对油烟净化设备内部进行清洗。
根据本发明的另一个实施例，还提供了一种基于区块链的饮食业油烟净化在线监控系统，该基于区块链的饮食业油烟净化在线监控系统包括：数据采集与处理模块、数据分析模块、控制系统模块、异常检测模块、清洗周期确定模块及数据安全管理模块；
其中，数据采集与处理模块，用于通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理；
数据分析模块，用于基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度；
控制系统模块，用于根据判断结果启动油烟净化系统；
异常检测模块，用于实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常；
清洗周期确定模块，用于基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期，并利用自动清洗设备对其进行清洗；
数据安全管理模块，用于将采集到的环境数据、设备数据以及清洗周期信息通过区块链技术进行上链，确保数据的安全性和完整性。
综上所述，借助于本发明的上述技术方案，本发明通过利用分析算法对预处理结果进行分析，判断油烟通道内的油烟恶劣程度，并配合排烟风机的实时转速调整和油烟净化系统的启动，使得系统能够自我调整和优化以适应不断变化的环境，从而提高排烟和净化设备的效率。本发明通过实时监控油烟净化系统的运行状态和异常检测，可以在第一时间内发现净化设备的异常情况，从而及时进行维护和修复，避免净化设备长时间运行在异常状态，从而提高净化设备效率和寿命，并且根据净化设备的运行状况和污秽积累量的检测分析，可以确定净化设备的最佳清洗周期，从而减轻人工清洗的工作量，避免设备因污秽积累过多而影响其运行效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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.x表示分析策略的参数向量；一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，该基于区块链的饮食业油烟净化在线监控方法包括以下步骤：
S1、通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理；
S2、基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度；
S3、根据判断结果启动油烟净化系统；
S4、实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常；
S5、基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期；
S6、将采集到的环境数据、设备数据以及清洗周期信息通过区块链技术进行上链，确保数据的安全性和完整性；
所述基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度包括以下步骤：
S21、导入去噪后的环境数据和油烟通道内的油烟数据，并进行初始化，运用最短路径算法计算油烟通道内任意两检测点间的最低油烟浓度路径；
S22、每个分析策略分别代表一种油烟恶劣程度的判断方法，前N个数表示所选择的检测点的编号，后N个数表示所设定的等级，并与前N个数位置一一对应；
S23、根据上层决策目标找到全局最优分析策略，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化；
S24、将优化后的分析策略代入Kent映射，并将Kent分析策略与优化前的原分析策略以下层决策目标式作为评判标准进行比较；
S25、通过比较下层决策目标淘汰表现差的分析策略；
S26、运用精英保留策略，根据上层决策目标将表现差的分析策略替换成全局次优解；
S27、循环执行步骤S23至步骤S26，如果迭代次数超过阈值，结束迭代，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度。
2.根据权利要求1所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理包括以下步骤：
S11、在指定的油烟通道内部署数据采集节点，通过通信协议获取油烟通道内的油烟及环境的实时参数信息；
S12、从数据采集节点获取原始数据，并对原始数据进行小波变换，将数据从时域转换到频域，筛选出包含干扰波的各频段波场记录；
S13、在各频段波场记录中逐个追踪干扰波，并获取计算样点处的干扰波方向；
S14、选取以计算样点为中心的若干道窗进行中值滤波，并恢复计算样点处的干扰信号；
S15、逐个对各频段波场记录中的干扰信号进行恢复，并进行小波反变换以获得干扰波的整个波场；
S16、从原始数据中减去干扰波场，得到有效信号波场，基于有效信号波场生成去噪后的环境数据和油烟通道内的油烟数据。
3.根据权利要求2所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述根据上层决策目标找到全局最优分析策略，加入环境影响因子与每组局部最优分析策略和组群体趋势共同影响分析策略的优化包括以下步骤：
S231、定义上层决策目标函数，用于评估分析策略的适应度；
S232、初始化分析策略群体，随机生成每个分析策略的参数；
S233、根据目标函数计算每个分析策略的适应度；
S234、找到全局最优分析策略，作为最佳解；
S235、对每组最优分析策略，随机生成环境影响因子，并计算每组局部最优分析策略的组内平均参数，作为组群体趋势；
S236、将原分析策略参数带入更新公式，计算得到新分析策略的参数，并更新每个分析策略的参数；
S237、重复步骤S233至步骤S236，直至满足终止条件。
4.根据权利要求3所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述将优化后的分析策略代入Kent映射，并将Kent分析策略与优化前的原分析策略以下层决策目标式作为评判标准进行比较包括以下步骤：
S241、对分析策略种群进行训练和迭代，得到优化后的分析策略种群；
S242、对优化后的分析策略种群进行数据归一化处理，使其处于预设状态；
S243、随机生成Kent映射的参数，并预设取值范围；
S244、使用Kent映射公式对每个优化后的分析策略进行映射，生成新的分析策略个体；
S245、比较每个分析策略与其Kent映射结果的适应度，保留适应度最佳的分析策略个体作为Kent分析策略；
S246、将Kent分析策略与原分析策略种群进行适应度比较，保留适应度最佳的分析策略个体进入下一代分析策略种群；
S247、重复步骤S242至步骤S246，直至达到迭代终止条件。
5.根据权利要求4所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述更新公式为：
；
其中，表示优化后的新分析策略的参数；
表示原始分析策略的参数；
m表示第m个分析策略；
i表示第i次迭代；
b表示第b维度的参数值；
x表示分析策略的参数向量；
l 1表示环境影响因子经归一化处理后的权重；
l 2表示成长因子δ 1的随机权重影响因子经归一化处理后的权重；
l 3表示成长因子δ 2的随机权重影响因子经归一化处理后的权重。
6.根据权利要求1所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常包括以下步骤：
S41、将获取运行状态数据划分成若干份子数据，并获取每份子数据的数据点；
S42、计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值；
S43、设定局部离群因子值的阈值，若子数据的数据点的局部离群因子值大于设定的阈值，将其视为异常值，得到潜在的异常数据。
7.根据权利要求6所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述计算每份子数据的数据点的K近邻距离和局部可达密度，通过比较每份子数据的数据点的局部可达密度与其K近邻的局部可达密度，计算局部离群因子值包括以下步骤：
S421、通过提取每份子数据的特征，并构建特征矩阵；
S422、使用欧氏距离计算每份子数据的数据点之间的距离，以量化每份子数据的数据点之间的相似性；
S423、选择最优的K值，对于每份子数据的数据点，找到数据点的K个近邻，并记录K个近邻在特征矩阵的位置；
S424、对于每份子数据的数据点和所有K近邻，分别计算可达距离、局部可达密度及局部离群因子值；
S425、根据可达距离、局部可达密度及局部离群因子值得出每份子数据的数据点周围邻居的密集程度，评估每份子数据的数据点的异常程度，并按照局部离群因子值对每份子数据的数据点进行排序。
8.根据权利要求1所述的一种基于区块链的饮食业油烟净化在线监控方法，其特征在于，所述基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期包括以下步骤：
S51、将油烟净化设备的实际净化效率与预设阈值进行对比；
S52、若实际净化效率高于预设阈值，则表明油烟净化设备内部的污秽积累未超标，无需对净化设备进行清洗，若实际净化效率低于预设阈值，则表明油烟净化设备内部的污秽积累超标，需要对净化设备进行清洗；
S53、统计不同时间段的实际净化效率下降程度，判断污秽积累的规律，确定净化设备的最佳清洗周期；
S54、在确定的最佳清洗周期内，定期对油烟净化设备内部进行清洗。
9.一种基于区块链的饮食业油烟净化在线监控系统，用于实现权利要求1-8中任一项所述的基于区块链的饮食业油烟净化在线监控方法，其特征在于，该基于区块链的饮食业油烟净化在线监控系统包括：数据采集与处理模块、数据分析模块、控制系统模块、异常检测模块、清洗周期确定模块及数据安全管理模块；
其中，所述数据采集与处理模块，用于通过传感器采集环境数据和油烟通道内的油烟数据，并进行预处理；
所述数据分析模块，用于基于分析算法，对预处理结果进行分析，得到油烟恶劣程度的判断方法，并判断油烟通道内的油烟恶劣程度；
所述控制系统模块，用于根据判断结果启动油烟净化系统；
所述异常检测模块，用于实时监控油烟净化系统的运行状态，获取运行状态数据，并通过异常检测算法对运行状态数据进行检测，判断是否为异常；
所述清洗周期确定模块，用于基于判断结果，计算油烟净化设备的污秽积累量，确定净化设备的最佳清洗周期，并利用自动清洗设备对其进行清洗；
所述数据安全管理模块，用于将采集到的环境数据、设备数据以及清洗周期信息通过区块链技术进行上链，确保数据的安全性和完整性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531892.3A CN117251698B (zh) | 2023-11-17 | 2023-11-17 | 一种基于区块链的饮食业油烟净化在线监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311531892.3A CN117251698B (zh) | 2023-11-17 | 2023-11-17 | 一种基于区块链的饮食业油烟净化在线监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117251698A CN117251698A (zh) | 2023-12-19 |
| CN117251698B true CN117251698B (zh) | 2024-01-19 |
Family
ID=89126787
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311531892.3A Active CN117251698B (zh) | 2023-11-17 | 2023-11-17 | 一种基于区块链的饮食业油烟净化在线监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251698B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118014374B (zh) * | 2024-04-08 | 2024-06-14 | 江苏海龙风电科技股份有限公司 | 一种基于运动幅值的风电机组安装可行性评价方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018109107A1 (en) * | 2016-12-16 | 2018-06-21 | Siemens Healthcare Gmbh | Monitoring system, monitoring apparatus, client, and monitoring method for medical device |
| CN109146141A (zh) * | 2018-07-25 | 2019-01-04 | 上海交通大学 | 一种燃煤电站回转式空气预热器漏风率预测方法 |
| CN112232235A (zh) * | 2020-10-20 | 2021-01-15 | 罗子尧 | 基于5g的智慧工厂远程监控方法及系统 |
| CN112628819A (zh) * | 2020-12-22 | 2021-04-09 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控净化方法及系统 |
| CN113010903A (zh) * | 2021-02-22 | 2021-06-22 | 杭州肥牛信息科技有限公司 | 一种基于区块链的饮食业油烟在线监控方法及系统 |
| CN113110309A (zh) * | 2021-02-26 | 2021-07-13 | 江苏蓝创智能科技股份有限公司 | 餐饮油烟在线自动监控管理系统及方法 |
| CN116597372A (zh) * | 2023-04-24 | 2023-08-15 | 秦皇岛港股份有限公司 | 一种基于finflo算法的设备高温故障预测性维护方法 |
| CN116933197A (zh) * | 2023-09-19 | 2023-10-24 | 安徽融兆智能有限公司 | 一种基于大数据的用电信息采集系统故障判别方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102299375B1 (ko) * | 2020-05-15 | 2021-09-09 | 한국전자통신연구원 | 블록체인 기술을 이용한 무인 항공기 비행 자료 기록 방법 및 이를 위한 장치 |
| US11531330B2 (en) * | 2020-08-05 | 2022-12-20 | Eternal Paradise Limited | Blockchain-based failsafe mechanisms for autonomous systems |
-
2023
- 2023-11-17 CN CN202311531892.3A patent/CN117251698B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018109107A1 (en) * | 2016-12-16 | 2018-06-21 | Siemens Healthcare Gmbh | Monitoring system, monitoring apparatus, client, and monitoring method for medical device |
| CN109146141A (zh) * | 2018-07-25 | 2019-01-04 | 上海交通大学 | 一种燃煤电站回转式空气预热器漏风率预测方法 |
| CN112232235A (zh) * | 2020-10-20 | 2021-01-15 | 罗子尧 | 基于5g的智慧工厂远程监控方法及系统 |
| CN112628819A (zh) * | 2020-12-22 | 2021-04-09 | 张家口市杰星电子科技有限公司 | 一种油烟在线监控净化方法及系统 |
| CN113010903A (zh) * | 2021-02-22 | 2021-06-22 | 杭州肥牛信息科技有限公司 | 一种基于区块链的饮食业油烟在线监控方法及系统 |
| CN113110309A (zh) * | 2021-02-26 | 2021-07-13 | 江苏蓝创智能科技股份有限公司 | 餐饮油烟在线自动监控管理系统及方法 |
| CN116597372A (zh) * | 2023-04-24 | 2023-08-15 | 秦皇岛港股份有限公司 | 一种基于finflo算法的设备高温故障预测性维护方法 |
| CN116933197A (zh) * | 2023-09-19 | 2023-10-24 | 安徽融兆智能有限公司 | 一种基于大数据的用电信息采集系统故障判别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117251698A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117251698B (zh) | 一种基于区块链的饮食业油烟净化在线监控方法及系统 | |
| Zubaidi et al. | The prediction of municipal water demand in Iraq: a case study of Baghdad governorate | |
| CN106529723A (zh) | 基于监控平台实现光伏电站清洗周期估计的方法 | |
| CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
| CN116976707B (zh) | 基于用电信息采集的用户用电数据异常分析方法及系统 | |
| CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
| CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
| CN116633978A (zh) | 基于物联网的污水处理远程监控系统 | |
| CN103996071A (zh) | 一种基于马尔科夫理论的风电场风速预测方法 | |
| CN118016202B (zh) | 一种基于汽水质量的化学设备运行分析方法及系统 | |
| CN105372995B (zh) | 污水处理系统测控方法 | |
| CN118134210B (zh) | 钢铁生产的碳足迹管理方法及系统 | |
| CN118214502B (zh) | 一种数字广播信号质量实时监控方法及系统 | |
| CN116915582A (zh) | 一种通信终端故障根因诊断分析方法及装置 | |
| CN113887571A (zh) | 改进svr算法的电子设备故障预测方法 | |
| CN117892094A (zh) | 一种污水运维平台大数据分析系统 | |
| CN115115137A (zh) | 基于匹配统计子波的光伏功率预测方法及装置 | |
| CN118446513A (zh) | 工业园区环境质量监测系统 | |
| Gildish et al. | Vibration signal decomposition using dilated CNN | |
| Lv et al. | A new feature extraction technique for early degeneration detection of rolling bearings | |
| CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
| CN115294556B (zh) | 基于改进YOLOv5的密闭振动筛上异常流态流体检测方法 | |
| CN112633561A (zh) | 一种基于工业大数据的生产风险智能预测预警方法 | |
| CN111967593A (zh) | 一种基于建模对异常数据进行处理的方法和系统 | |
| CN118014374B (zh) | 一种基于运动幅值的风电机组安装可行性评价方法及系统 |
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 |