CN117314389A - 一种基于物联网的市政管养维护系统 - Google Patents
一种基于物联网的市政管养维护系统 Download PDFInfo
- Publication number
- CN117314389A CN117314389A CN202311241866.7A CN202311241866A CN117314389A CN 117314389 A CN117314389 A CN 117314389A CN 202311241866 A CN202311241866 A CN 202311241866A CN 117314389 A CN117314389 A CN 117314389A
- Authority
- CN
- China
- Prior art keywords
- data
- internet
- module
- maintenance
- things
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 9
- 230000000737 periodic effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000002787 reinforcement Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000008439 repair process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012731 temporal analysis Methods 0.000 claims description 4
- 238000000700 time series analysis Methods 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000007689 inspection Methods 0.000 abstract description 11
- 230000007787 long-term memory Effects 0.000 description 10
- 238000007781 pre-processing Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000033748 Device issues Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及市政管养维护技术领域,公开了一种基于物联网的市政管养维护系统,其技术方案要点是包括以下模块:设备监测模块、数据处理模块、预测与决策模块、自动化维护模块、用户界面模块、通讯模块;采用物联网技术,机器学习和人工智能技术,自动化技术等最新科技,将市政设施的管理和维护工作自动化,智能化,大大提高了工作效率,降低了成本,减少了错误,提高了设施的安全性和可靠性,解决了现有技术中城市设施维护系统依赖于定期检查与维护,无法非实时监控和预测的问题。
Description
技术领域
本发明涉及市政管养维护领域,更具体地说,它涉及一种基于物联网的市政管养维护系统。
背景技术
目前,许多基于物联网的城市设施维护系统主要依赖于定期检查与维护,而非实时监控和预测。这些系统通常通过人工巡检或者基于时间的计划进行设施维护,这种可能会导致过度维护或者延迟维护。
现有技术中存在以下问题:
1.效率低下:定期检查与维护需要大量的人力物力,而且可能会导致设施在出问题之前就进行了不必要的维护。
响应慢:如果设施出现了问题,系统可能需要较长的时间才能发现并修复,这可能会导致较大的经济损失和社会影响。
例如,申请号为CN202110643731.8的发明专利公开了一种基于物联网的智慧市政服务平台,主要通过定期检查和维护来保持设施的正常运行,但没有提到实时监控和预测的功能。
2.数据利用不足:无法充分利用物联网设备收集的实时数据,无法进行设施状态的实时监控和预测。
例如,申请号为CN201410646320.4的发明专利公开了一种利用智能网络对城市供水管线管控的,但主要依赖的还是定期检查和维护,没有充分利用物联网设备收集的实时数据进行设施状态的实时监控和预测。
发明内容
本公开实施例旨在针对现有技术的不足,提供一种基于物联网的市政管养维护系统,本发明采用物联网技术,机器学习和人工智能技术,自动化技术等最新科技,将市政设施的管理和维护工作自动化,智能化,大大提高了工作效率,降低了成本,减少了错误,提高了设施的安全性和可靠性,解决了现有技术中城市设施维护系统依赖于定期检查与维护,无法非实时监控和预测的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:一种基于物联网的市政管养维护系统,包括以下模块:设备监测模块、数据处理模块、预测与决策模块、自动化维护模块、用户界面模块、通讯模块;
所述设备监测模块使用多种物联网设备监测市政设施的状态;所述多种物联网设备可以实时收集设施的数据并将数据传输到云服务器;
所述数据处理模块先收集设备监测模块发送的数据,并将数据处理为易于理解的格式;再通过机器学习算法来分析数据,找出可能的问题或趋势;
所述预测与决策模块先使用机器学习和人工智能对未来可能出现的问题进行预测;再通过对大量数据的分析,预见市政设施可能会出现的问题,并提前做出决策;
在识别到设施需要维护或修复时,所述自动化维护模块将自动启动并指导无人机或机器人进行维修工作;
所述用户界面模块为维护人员提供使用的界面,以监视和控制系统;
所述通讯模块负责系统内部各个模块之间,以及系统与物联网设备之间的通讯;并使用物联网通讯协议,以保证数据的安全和准确。
作为本发明的一种优选技术方案,所述多种物联网设备包括:温度传感器、湿度传感器、振动传感器、压力传感器、无人机;
所述温度传感器和湿度传感器用于监测市政桥梁和市政道路的环境条件;所述振动传感器用于检测市政桥梁和市政建筑物的结构稳定性;所述压力传感器用于监测城市供水系统的压力水平;所述无人机携带高分辨率的相机和视觉设备,用于对市政设施进行定期或者实时的视觉检查。
作为本发明的一种优选技术方案,所述数据处理模块将收集的数据处理成易于理解的格式的过程为:在进行数据分析时,将收集的数据进行归一化处理,使得数据可以在同一尺度上进行比较,公式如下:
X_normalized=(X-X_min)/(X_max-X_min)
其中,X是原始数据,X_normalized是归一化后的数据,X_min和X_max分别是数据集中的最小值和最大值;
在处理传感器数据时,使用滑动平均对数据进行平滑处理;滑动平均的公式如下:
SMA=(X_t+X_{t-1}+...+X_{t-n+1})/n
其中,SMA是滑动平均值,X_t是当前时刻的数据,n是滑动窗口的大小。
作为本发明的一种优选技术方案,所述数据处理模块通过机器学习算法来分析数据的过程为:
使用线性回归来分析温度变化对市政设施性能的影响;线性回归的公式为:
y=β0+β1*X1+ε
其中,y是预测的目标变量,X1是预测变量,β0和β1是模型参数,ε是误差项;
通过逻辑回归分析预测一个结果是发生还是不发生;逻辑回归的公式为:
p=1/(1+e^-(β0+β1*X1))
其中,p是事件发生的概率,β0和β1是模型参数,X1是预测变量;
通过时间序列分析来预测未来的趋势;时间序列模型的公式为:
Yt=C+Φ1Yt-1+...+ΦpYt-p-θ1et-1-...-θqet-q+et
其中,Yt是t时刻的目标变量,C是常数,Φ1到Φp是自回归项的参数,θ1到θq是滑动平均项的参数,et是误差项。
作为本发明的一种优选技术方案,所述预测与决策模块使用机器学习和人工智能对未来可能出现的问题进行预测的过程为:使用LSTM进行时间序列预测;所述LSTM用于处理和预测时间序列数据;
LSTM进行时间序列预测的公式为:
i_t=σ(Wi*[h_{t-1},x_t]+bi)
f_t=σ(Wf*[h_{t-1},x_t]+bf)
o_t=σ(Wo*[h_{t-1},x_t]+bo)
g_t=tanh(Wg*[h_{t-1},x_t]+bg)
c_t=f_t☉c_{t-1}+i_t☉g_t
h_t=o_t☉tanh(c_t)
其中,i_t,f_t,o_t,g_t,c_t,h_t分别为输入门,遗忘门,输出门,单元状态,记忆细胞,隐藏状态,σ为sigmoid函数,tanh为双曲正切函数,⊙为元素级别的相乘,*为矩阵乘法;
使用决策树进行设备故障预测;所述决策树用于预测设备是否会发生故障;
使用强化学习进行决策优化;所述强化学习使用Q-learning算法进行学习,通过试错学习和延迟奖励来进行决策优化;
Q-learning的更新公式为:
Q(s,a)=Q(s,a)+α*(r+γ(maxQ(s′,a′)-Q(s,a))
其中,s是当前状态,a是在状态s下采取的动作,r是得到的奖励,s’是新的状态,a’是在新状态s’下可能采取的动作,α是学习率,γ是折扣因子。
作为本发明的一种优选技术方案,所述预测与决策模块通过对大量数据的分析,预见市政设施可能会出现的问题,并提前做出决策的过程为:使用贝叶斯网络进行设备故障预测;所述贝叶斯网络使用概率图模型表示变量之间依赖关系的模型,用于预测设备故障;
所述贝叶斯定理的公式为:
P(A|B)=P(B|A)*P(A)/P(B)
其中,P(A|B)是在给定B的条件下A发生的概率,P(B|A)是在给定A的条件下B发生的概率,P(A)和P(B)分别是A和B发生的概率;
使用支持向量机进行设备故障预测;支持向量机的公式为:
f(x)=w*x+b
其中,w是权重向量,x是输入向量,b是偏置项;
使用人工神经网络进行设备故障预测;所述人工神经网络用于进行复杂的预测和分类任务;
所述神经网络的公式为:
y=f(W*X+b)
其中,y是输出,f是激活函数,W是权重矩阵,X是输入矩阵,b是偏置向量。
作为本发明的一种优选技术方案,所述自动化维护模块自动启动并指导无人机或机器人进行维修的过程为:使用PID控制器驱动无人机飞往设备所在位置进行检查;
所述PID控制器的位置函数为:
u(t)=Kp*e(t)+Ki*∫e(t)dt+Kd*de(t)/dt
其中,u(t)是控制输入,Kp、Ki、Kd分别是比例、积分、微分增益,e(t)是目标位置和当前位置的误差;
使用强化学习驱动机器人进行设备修复。
作为本发明的一种优选技术方案,所述用户界面模块为维护人员提供使用的界面,以监视和控制系统的过程为:使用图形用户界面进行设施状态监控;所述图形用户界面可以以可视化的方式显示设施的状态;
使用命令行界面进行系统控制;所述命令行界面用于执行系统控制命令;所述命令行界面中的命令一般可以表示为:
command-option argument;
其中,command是命令名,option是选项,argument是参数。
作为本发明的一种优选技术方案,所述通讯模块使用物联网通讯协议,以保证数据的安全和准确的过程为:使用MQTT协议进行设备状态更新;使用CoAP协议进行设备控制。
综上所述,本发明具有以下有益效果:
其一,实时监控:基于物联网的市政管养维护系统可以实时监控设施的状态,及时发现并处理设施的异常情况,避免或减少设施故障对城市运行的影响。
其二,准确预测:通过对物联网设备收集的大量实时数据进行分析和预测,可以准确预测设施的运行情况,为设施的维护决策提供科学依据。
其三,提高效率:通过实时监控和准确预测,可以避免不必要的设施维护,提高设施维护的效率,降低设施维护的成本。
其四,数据安全:使用MQTT或CoAP等物联网通讯协议,配合TLS/SSL或DTLS等加密技术,可以保证物联网设备收集的数据的安全,防止数据泄露或设备被恶意控制。
其五,设施寿命延长:通过实时监控和准确预测,可以及时发现设施的潜在问题,及早进行维护,避免设施的过度使用,从而延长设施的使用寿命。
附图说明
图1为本发明实施例提供的基于物联网的市政管养维护系统的框架图;
具体实施方式
下面结合具体实施例对本申请进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本申请,但不以任何形式限制本申请。应当指出的是,对本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进。这些都属于本申请的保护范围。
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,如果不冲突,本申请实施例中的各个特征可以相互结合,均在本申请的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。此外,本文所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
除非另有定义,本说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本说明书中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是用于限制本申请。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
此外,下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本公开实施例旨在解决定期检查与维护需要大量的人力物力,且无法充分利用物联网设备收集的实时数据,无法进行设施状态的实时监控和预测的问题。有鉴于此,本公开实施例提出了一种基于物联网的市政管养维护系统以采用物联网技术,机器学习和人工智能技术,自动化技术等最新科技,将市政设施的管理和维护工作自动化,智能化,大大提高了工作效率,降低了成本,减少了错误,提高了设施的安全性和可靠性。
请参考图1,图1示出了本公开实施例所述基于物联网的市政管养维护系统的框架图。整体流程主要包括以下6个步骤:
步骤1:设备监测模块使用多种物联网设备监测市政设施的状态。多种物联网设备可以实时收集设施的数据,例如温度、湿度、结构完整性等,并将这些数据传输到云服务器。
步骤1.1,实施例一:使用传感器监测市政设施。
考虑到市政设施的多样性,可以使用各种不同类型的传感器来监测设施的状态。例如:
温度和湿度传感器:由于桥梁周围的湿度过高,可能会导致腐蚀或其他结构问题,所以通过温度和湿度传感器可用于监测市政设施。例如,桥梁和道路的环境条件。
振动传感器:可以用于检测市政设施,如桥梁和建筑物的结构稳定性。如果传感器检测到异常的振动模式,可能表明存在潜在的结构问题。
压力传感器:可以被用于监测城市供水系统的压力水平,如果压力过高或过低,可能表明存在水管泄漏或堵塞的问题。
步骤1.2,实施例二:使用无人机进行视觉监测。
无人机可以携带高分辨率的相机和其他视觉设备,对市政设施进行定期或者实时的视觉检查。例如:
对桥梁进行定期的视觉检查,检测是否有明显的裂缝,腐蚀或者其他可能导致结构问题的迹象。
对城市绿地进行实时的监测,检测是否有树木死亡,病虫害,或者其他需要及时处理的问题。
对城市道路进行实时的监测,检测是否有交通堵塞,事故,或者需要及时清理的垃圾等问题。
步骤2:数据处理模块负责收集设备监测模块发送的数据,并将这些数据处理成易于理解的格式。然后,通过使用机器学习算法来分析数据,以便找出可能的问题或趋势。
步骤2.1,数据处理模块负责收集设备监测模块发送的数据,并将这些数据处理成易于理解的格式。具体过程为:
通过统计来处理缺失值、异常值和数据标准化。例如,用均值或中位数填充缺失值,用Z-score标准化数据等。
填充缺失值:如果X是数据集,x是数据集中的一个元素,可以使用以下公式计算X的均值μ以填充缺失值:μ=(1/n)∑x(x属于X)
Z-score标准化:如果X是数据集,x是数据集中的一个元素,μ是X的均值,σ是X的标准差,可以用以下公式计算x的Z-score:Z=(x-μ)/σ。
实施例三:数据归一化。
在进行数据分析时,首先需要处理不同的数据范围。例如,温度传感器可能在-20到40度之间变化,而湿度传感器可能在0到100%之间变化。为了使这些数据可以在同一尺度上进行比较,需要进行归一化处理。
常用的归一化是最小-最大归一化,其公式如下:
X_normalized=(X-X_min)/(X_max-X_min)
其中X是原始数据,X_normalized是归一化后的数据,X_min和X_max分别是数据集中的最小值和最大值。
实施例四:数据平滑处理。
在处理传感器数据时,可能会遇到噪声问题。为了减少噪声的影响,可以使用滑动平均对数据进行平滑处理。
滑动平均的公式如下:
SMA=(X_t+X_{t-1}+...+X_{t-n+1})/n
其中,SMA是滑动平均值,X_t是当前时刻的数据,n是滑动窗口的大小。进而计算最近n个数据点的平均值。
步骤2.2,通过使用机器学习算法来分析数据,以便找出可能的问题或趋势。具体过程为:
实施例五,线性回归分析。
线性回归是预测工具,可以用来识别两个或多个变量之间的关系。例如,可以使用线性回归来分析温度变化对市政设施性能的影响。线性回归的公式为:
y=β0+β1*X1+ε
其中,y是预测的目标变量,X1是预测变量,β0和β1是模型参数,ε是误差项。
实施例六,逻辑回归分析。
逻辑回归是分类,可以用来预测一个结果是发生还是不发生(例如,一个设备是否会失败)。逻辑回归的公式为:
p=1/(1+e^-(β0+β1*X1))
其中,p是事件发生的概率,β0和β1是模型参数,X1是预测变量。
实施例七,时间序列分析。
市政设施的数据往往具有时间序列特性,可以通过时间序列分析来预测未来的趋势。一个常见的时间序列模型是ARIMA模型,结合了自回归(AR)、差分(I)和滑动平均(MA)。ARIMA模型的公式为:
Yt=C+Φ1Yt-1+...+ΦpYt-p-θ1et-1-...-θqet-q+et
其中,Yt是t时刻的目标变量,C是常数,Φ1到Φp是自回归项的参数,θ1到θq是滑动平均项的参数,et是误差项。
步骤3:预测与决策模块将使用机器学习和人工智能技术对未来可能出现的问题进行预测。然后,通过对大量数据的分析,系统可以预见市政设施可能会出现的问题,并提前做出决策。
步骤3.1,预测与决策模块将使用机器学习和人工智能技术对未来可能出现的问题进行预测。具体过程为:
实施例八:使用LSTM进行时间序列预测。
LSTM(长短期记忆)是循环神经网络,用于处理和预测时间序列数据。
步骤如下:
1.数据预处理:将数据整理成适合LSTM输入的格式;即需要将数据转换为一系列有序的时间步长和对应的标签。
2.建立LSTM模型:使用一个或多个LSTM层以及一个输出层来建立模型。
3.训练模型:使用历史数据来训练模型,优化模型的参数以减小预测误差。
4.预测:使用训练好的模型对未来的数据进行预测。
LSTM进行时间序列预测的公式为:
i_t=σ(Wi*[h_{t-1},x_t]+bi)
f_t=σ(Wf*[h_{t-1},x_t]+bf)
o_t=σ(Wo*[h_{t-1},x_t]+bo)
g_t=tanh(Wg*[h_{t-1},x_t]+bg)
c_t=f_t☉c_{t-1}+i_t☉g_t
h_t=o_t☉tanh(c_t)
其中,i_t,f_t,o_t,g_t,c_t,h_t分别为输入门,遗忘门,输出门,单元状态,记忆细胞,隐藏状态,σ为sigmoid函数,tanh为双曲正切函数,⊙为元素级别的相乘,*为矩阵乘法。
实施例九:使用决策树进行设备故障预测。
决策树是分类和回归,可以用来预测设备是否会发生故障。
步骤如下:
1.数据预处理:将数据整理成适合决策树输入的格式。
2.建立决策树模型:使用历史数据来训练决策树,每个节点都是一个判断条件,每个叶子节点都是一个预测结果。
3.预测:使用训练好的决策树对新数据进行预测。
实施例十:使用强化学习进行决策优化。
强化学习是通过试错学习和延迟奖励来进行决策优化的。
步骤如下:
1.定义状态、动作和奖励:状态通常是系统的当前状况,动作是系统可以执行的操作,奖励是执行某个动作后系统的反馈。
2.使用Q-learning或其他强化学习算法进行学习:通过与环境的交互来更新Q值,并基于Q值来选择最优动作。
3.决策:使用学习好的策略来进行决策。
Q-learning的更新公式为:
Q(s,a)=Q(s,a)+α*(r+γ*maxQ(s′,a′)-Q(s,a))
其中,s是当前状态,a是在状态s下采取的动作,r是得到的奖励,s’是新的状态,a’是在新状态s’下可能采取的动作,α是学习率,γ是折扣因子。
步骤3.2,通过对大量数据的分析,系统可以预见市政设施可能会出现的问题,并提前做出决策。具体过程为:
实施例十一:使用贝叶斯网络进行设备故障预测。
贝叶斯网络是使用概率图模型表示变量之间依赖关系的模型,可以用来预测设备故障。
步骤如下:
1.数据预处理:将数据整理成适合贝叶斯网络输入的格式。
2.建立贝叶斯网络模型:使用历史数据来训练贝叶斯网络,确定各个节点(即变量)之间的依赖关系,以及各个状态的概率。
3.预测:使用训练好的贝叶斯网络模型对新数据进行预测。
贝叶斯定理的公式为:
P(A|B)=P(B|A)*P(A)/P(B)
其中,P(A|B)是在给定B的条件下A发生的概率,P(B|A)是在给定A的条件下B发生的概率,P(A)和P(B)分别是A和B发生的概率。
实施例十二:使用支持向量机(SVM)进行设备故障预测。
支持向量机是分类和回归,可以用来预测设备是否会发生故障。
步骤如下:
1.数据预处理:将数据整理成适合SVM输入的格式。
2.建立SVM模型:使用历史数据来训练SVM,确定最优的分类超平面。
3.预测:使用训练好的SVM对新数据进行预测。
SVM的公式为:
f(x)=w*x+b
其中,w是权重向量,x是输入向量,b是偏置项。
实施例十三:使用人工神经网络进行设备故障预测。
人工神经网络可以用来进行复杂的预测和分类任务。
步骤如下:
1.数据预处理:将数据整理成适合神经网络输入的格式。
2.建立神经网络模型:确定网络结构(如各层神经元数量、激活函数等),然后使用历史数据进行训练。
3.预测:使用训练好的神经网络对新数据进行预测。
神经网络的公式为:
y=f(W*X+b)
其中,y是输出,f是激活函数,W是权重矩阵,X是输入矩阵,b是偏置向量。
步骤4:在识别到设施需要维护或修复时,自动化维护模块将自动启动并指导无人机或机器人进行必要的维修工作,或者自动联系相关人员进行处理。
实施例十四:使用PID控制器驱动无人机进行设备检查。
PID(比例-积分-微分)控制器是控制算法,可以用来驱动无人机飞往设备所在位置进行检查。
步骤如下:
1.根据设备报告的故障信息确定无人机的目标位置。
2.使用PID控制器计算无人机的控制输入,使其飞向目标位置。
3.无人机到达目标位置后,使用搭载的相机或传感器进行设备检查。
4.根据检查结果决定下一步行动,如继续飞行检查其他设备,或者返回基地。
PID控制器的位置函数为:
u(t)=Kp*e(t)+Ki*∫e(t)dt+Kd*de(t)/dt
其中,u(t)是控制输入,Kp、Ki、Kd分别是比例、积分、微分增益,e(t)是目标位置和当前位置的误差。
实施例十五:使用强化学习驱动机器人进行设备修复。
强化学习是通过试错学习和延迟奖励来进行决策优化的,可以用来驱动机器人进行设备修复。
步骤如下:
1.根据设备报告的故障信息确定机器人的任务目标。
2.使用强化学习算法训练机器人,使其能够根据当前状态选择最优动作。
3.机器人到达设备位置后,根据训练得到的策略进行设备修复。
4.根据修复结果决定下一步行动,如继续修复其他设备,或者返回基地。
强化学习的Q-learning更新公式为:
Q(s,a)=Q(s,a)+α′*(r+γ*maxQ(s′,a′)-Q(s,a))
其中,s是当前状态,a是在状态s下采取的动作,r是得到的奖励,s’是新的状态,a’是在新状态s’下可能采取的动作,α是学习率,γ是折扣因子。
步骤5:用户界面模块为维护人员提供了一个易于使用的界面,以监视和控制系统。用户可以在用户界面模块中查看设施的状态,查看系统的预测和决策,以及管理维护任务。
步骤5.1,实施例十六,使用图形用户界面(GUI)进行设施状态监控。
图形用户界面可以以可视化的方式显示设施的状态,如设备运行状况、故障情况等。
步骤如下:
1.设计界面:设计并实现一个直观易用的界面,可以显示设施的各项状态信息。
2.数据获取:通过与后台数据库的通信,获取设施的实时状态数据。
3.数据显示:将获取的数据在界面中以图表或文字的形式显示出来。
4.用户交互:用户可以通过界面查看设施的状态,也可以通过界面操作进行设施的控制。
步骤5.2,实施例十七,使用命令行界面(CLI)进行系统控制。
命令行界面可以执行高级的系统控制命令,如启动或停止某台设备、调整设备的运行参数等。
步骤如下:
1.设计命令:设计并实现一套命令,用于控制系统的各项操作。
2.用户输入:用户通过键盘输入命令,然后按Enter键执行。
3.命令解析:系统接收到用户的输入后,解析命令并执行相应的操作。
4.结果反馈:系统将操作结果反馈给用户,如显示操作成功或失败的信息。
命令行界面中的命令一般可以表示为:
command-option argument
其中,command是命令名,option是选项,argument是参数。例如,“start-ddevice1”命令表示启动名为device1的设备。
步骤6:通讯模块负责系统内部各个模块之间,以及系统与物联网设备之间的通讯。然后使用最新的物联网通讯协议,以保证数据的安全和准确。
实施例十八,使用MQTT协议进行设备状态更新。
MQTT(Message Queuing Telemetry Transport)是物联网通讯协议。
步骤如下:
1.设备连接到MQTT服务器,并订阅相关主题。
2.当设备状态发生变化时,设备向MQTT服务器发布消息。
3.MQTT服务器将消息发送给订阅了该主题的所有设备。
4.系统内部各个模块可以通过订阅设备的主题来获得设备的状态更新。
MQTT协议使用TLS/SSL加密技术保证数据的安全,使用QoS(Quality of Service)保证数据的准确。
实施例十九,使用CoAP协议进行设备控制。
CoAP(Constrained Application Protocol)是资源受限的物联网设备设计的通讯协议。
步骤如下:
1.当需要控制设备时,系统向设备发送CoAP请求。
2.设备收到请求后,根据请求内容执行相应操作。
3.设备执行完操作后,向系统返回CoAP响应。
4.系统收到响应后,根据响应内容更新设备状态。
CoAP协议使用DTLS(Datagram Transport Layer Security)加密技术保证数据的安全,使用确认/重传机制保证数据的准确。
由于MQTT和CoAP都是应用层协议,因此在传输层需要使用TCP/IP或UDP/IP协议进行数据传输。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于物联网的市政管养维护系统,其特征在于,所述系统包括以下模块:设备监测模块、数据处理模块、预测与决策模块、自动化维护模块、用户界面模块、通讯模块;
所述设备监测模块使用多种物联网设备监测市政设施的状态;所述多种物联网设备可以实时收集设施的数据并将数据传输到云服务器;
所述数据处理模块先收集设备监测模块发送的数据,并将数据处理为易于理解的格式;再通过机器学习算法来分析数据,找出可能的问题或趋势;
所述预测与决策模块先使用机器学习和人工智能对未来可能出现的问题进行预测;再通过对大量数据的分析,预见市政设施可能会出现的问题,并提前做出决策;
在识别到设施需要维护或修复时,所述自动化维护模块将自动启动并指导无人机或机器人进行维修工作;
所述用户界面模块为维护人员提供使用的界面,以监视和控制系统;
所述通讯模块负责系统内部各个模块之间,以及系统与物联网设备之间的通讯;并使用物联网通讯协议,以保证数据的安全和准确。
2.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述多种物联网设备包括:温度传感器、湿度传感器、振动传感器、压力传感器、无人机;
所述温度传感器和湿度传感器用于监测市政桥梁和市政道路的环境条件;所述振动传感器用于检测市政桥梁和市政建筑物的结构稳定性;所述压力传感器用于监测城市供水系统的压力水平;所述无人机携带高分辨率的相机和视觉设备,用于对市政设施进行定期或者实时的视觉检查。
3.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述数据处理模块将收集的数据处理成易于理解的格式的过程为:在进行数据分析时,将收集的数据进行归一化处理,使得数据可以在同一尺度上进行比较,公式如下:
X_normalized=(X-X_min)/(X_max-X_min)
其中,X是原始数据,X_normalized是归一化后的数据,X_min和X_max分别是数据集中的最小值和最大值;
在处理传感器数据时,使用滑动平均对数据进行平滑处理;滑动平均的公式如下:
SMA=(X_t+X_{t-1}+...+X_{t-n+1})/n
其中,SMA是滑动平均值,X_t是当前时刻的数据,n是滑动窗口的大小。
4.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述数据处理模块通过机器学习算法来分析数据的过程为:
使用线性回归来分析温度变化对市政设施性能的影响;线性回归的公式为:
y=β0+β1*X1+ε
其中,y是预测的目标变量,X1是预测变量,β0和β1是模型参数,ε是误差项;
通过逻辑回归分析预测一个结果是发生还是不发生;逻辑回归的公式为:
p=1/(1+e^-(β0+β1*X1))
其中,p是事件发生的概率,β0和β1是模型参数,X1是预测变量;
通过时间序列分析来预测未来的趋势;时间序列模型的公式为:
Yt=C+φ1Yt-1+...+φpYt-p-θ1et-1-...-θqet-q+et
其中,Yt是t时刻的目标变量,C是常数,φ1到Φp是自回归项的参数,θ1到θq是滑动平均项的参数,et是误差项。
5.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述预测与决策模块使用机器学习和人工智能对未来可能出现的问题进行预测的过程为:使用LSTM进行时间序列预测;所述LSTM用于处理和预测时间序列数据;
LSTM进行时间序列预测的公式为:
i_t=σ(Wi*[h_{t-1},x_t]+bi)
f_t=σ(Wf*[h_{t-1},x_t]+bf)
o_t=σ(Wo*[h_{t-1},x_t]+bo)
g_t=tanh(Wg*[h_{t-1},x_t]+bg)
c_t=f_t⊙c_{t-1}+i_t⊙g_t
h_t=o_t⊙tanh(c_t)
其中,i_t,f_t,o_t,g_t,c_t,h_t分别为输入门,遗忘门,输出门,单元状态,记忆细胞,隐藏状态,σ为sigmoid函数,tanh为双曲正切函数,⊙为元素级别的相乘,*为矩阵乘法;
使用决策树进行设备故障预测;所述决策树用于预测设备是否会发生故障;
使用强化学习进行决策优化;所述强化学习使用Q-learning算法进行学习,通过试错学习和延迟奖励来进行决策优化;
Q-learning的更新公式为:
Q(s,a)=Q(s,a)+α*(r+γ*maxQ(s′,a′)-Q(s,a))
其中,s是当前状态,a是在状态s下采取的动作,r是得到的奖励,s’是新的状态,a’是在新状态s’下可能采取的动作,α是学习率,γ是折扣因子。
6.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述预测与决策模块通过对大量数据的分析,预见市政设施可能会出现的问题,并提前做出决策的过程为:使用贝叶斯网络进行设备故障预测;所述贝叶斯网络使用概率图模型表示变量之间依赖关系的模型,用于预测设备故障;
所述贝叶斯定理的公式为:
P(A|B)=P(B|A)*P(A)/P(B)
其中,P(A|B)是在给定B的条件下A发生的概率,P(B|A)是在给定A的条件下B发生的概率,P(A)和P(B)分别是A和B发生的概率;
使用支持向量机进行设备故障预测;支持向量机的公式为:
f(x)=W*x+b
其中,w是权重向量,x是输入向量,b是偏置项;
使用人工神经网络进行设备故障预测;所述人工神经网络用于进行复杂的预测和分类任务;
所述神经网络的公式为:
y=f(W*X+b)
其中,y是输出,f是激活函数,W是权重矩阵,X是输入矩阵,b是偏置向量。
7.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述自动化维护模块自动启动并指导无人机或机器人进行维修的过程为:使用PID控制器驱动无人机飞往设备所在位置进行检查;
所述PID控制器的位置函数为:
u(t)=Kp*e(t)+Ki*∫e(t)dt+Kd*de(t)/dt
其中,u(t)是控制输入,Kp、Ki、Kd分别是比例、积分、微分增益,e(t)是目标位置和当前位置的误差;
使用强化学习驱动机器人进行设备修复。
8.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述用户界面模块为维护人员提供使用的界面,以监视和控制系统的过程为:使用图形用户界面进行设施状态监控;所述图形用户界面可以以可视化的方式显示设施的状态;
使用命令行界面进行系统控制;所述命令行界面用于执行系统控制命令;所述命令行界面中的命令一般可以表示为:
command-option argument;
其中,command是命令名,option是选项,argument是参数。
9.根据权利要求1所述的基于物联网的市政管养维护系统,其特征在于,所述通讯模块使用物联网通讯协议,以保证数据的安全和准确的过程为:使用MQTT协议进行设备状态更新;使用CoAP协议进行设备控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241866.7A CN117314389A (zh) | 2023-09-25 | 2023-09-25 | 一种基于物联网的市政管养维护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311241866.7A CN117314389A (zh) | 2023-09-25 | 2023-09-25 | 一种基于物联网的市政管养维护系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314389A true CN117314389A (zh) | 2023-12-29 |
Family
ID=89261471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311241866.7A Pending CN117314389A (zh) | 2023-09-25 | 2023-09-25 | 一种基于物联网的市政管养维护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314389A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633722A (zh) * | 2024-01-25 | 2024-03-01 | 江西省交通工程集团有限公司 | 基于智能检测机器人的检测控制方法及系统 |
-
2023
- 2023-09-25 CN CN202311241866.7A patent/CN117314389A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633722A (zh) * | 2024-01-25 | 2024-03-01 | 江西省交通工程集团有限公司 | 基于智能检测机器人的检测控制方法及系统 |
CN117633722B (zh) * | 2024-01-25 | 2024-04-23 | 江西省交通工程集团有限公司 | 基于智能检测机器人的检测控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diez-Olivan et al. | Data fusion and machine learning for industrial prognosis: Trends and perspectives towards Industry 4.0 | |
CN106598791B (zh) | 一种基于机器学习的工业设备故障预防性识别方法 | |
KR102171807B1 (ko) | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 | |
CN117314389A (zh) | 一种基于物联网的市政管养维护系统 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
Wang et al. | Research on assembly quality adaptive control system for complex mechanical products assembly process under uncertainty | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
KR20210115356A (ko) | 심층 기계 학습을 이용한 도장 검사 시스템 및 방법 | |
CN114253242B (zh) | 一种基于vpn的物联网云端设备数据采集系统 | |
CN115946132B (zh) | 一种智能密集库与物流机器人系统及其故障监测方法 | |
CN118037014B (zh) | 基于物联网的道路施工监测系统 | |
KR20230115970A (ko) | 빅데이터 및 인공지능 기반의 제조 실행 시스템 및이의 운영방법 | |
CN115526375A (zh) | 一种航天装备预测性维护系统 | |
CN117118781A (zh) | 一种智能化工业网关设计方法及装置 | |
CN118114840A (zh) | 一种基于大数据分析的建设工程成本预测与控制方法 | |
CN116976862A (zh) | 一种工厂设备信息化管理系统及方法 | |
KR20230003819A (ko) | 딥러닝을 이용하여 예지보전이 가능한 설비관리시스템 | |
CN116436980A (zh) | 一种实时视频任务端网边协同调度方法及装置 | |
EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process | |
Subbu et al. | Management of complex dynamic systems based on model-predictive multi-objective optimization | |
CN118134093B (zh) | 一种基于机器学习的智慧工厂质量控制系统 | |
Prokop et al. | AGV Quality of Service Throughput Prediction via Neural Networks | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
CN117252851B (zh) | 一种基于图像检测识别的标准质量检测管理平台 | |
CN118517769B (zh) | 一种高效节能空调机房的运行管理方法及系统 |
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 |