CN117388893A - 一种基于gps的多设备定位系统 - Google Patents
一种基于gps的多设备定位系统 Download PDFInfo
- Publication number
- CN117388893A CN117388893A CN202311690493.1A CN202311690493A CN117388893A CN 117388893 A CN117388893 A CN 117388893A CN 202311690493 A CN202311690493 A CN 202311690493A CN 117388893 A CN117388893 A CN 117388893A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- equipment
- power
- vector
- training
- 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
Links
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 165
- 238000012549 training Methods 0.000 claims description 62
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 7
- 230000008030 elimination Effects 0.000 abstract description 3
- 238000003379 elimination reaction Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于GPS的多设备定位系统，其通过在后端引入数据处理和分析算法来对这些设备状态信息进行分析和处理，可以判断设备的工作状态是否存在异常，这对于设备的维护和故障排除非常重要。通过这样的方式，可以实现对多个设备的位置和工作状态进行实时监控和管理，为设备管理和维护提供了便利和效率，减少了人力资源的浪费，从而能够提升整体工程的质量和效益。
Description
技术领域
本申请涉及多设备定位领域，且更为具体地，涉及一种基于GPS的多设备定位系统。
背景技术
在户外进行多点工程作业时，通常需要使用各种施工设备。然而，目前大多数施工设备缺乏定位功能，这导致在工程作业中出现一些不便的情况。例如，施工设备可能会在多个施工点之间相互借用，经过多次借用后，人们可能无法准确知道设备的具体位置。此外，如果施工设备发生故障，厂家需要派人去检修，但往往无法快速找到设备的位置，这就需要施工方安排员工引导，从而浪费了人力资源。
因此，期望一种基于GPS的多设备定位系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于GPS的多设备定位系统，其通过在后端引入数据处理和分析算法来对这些设备状态信息进行分析和处理，可以判断设备的工作状态是否存在异常，这对于设备的维护和故障排除非常重要。通过这样的方式，可以实现对多个设备的位置和工作状态进行实时监控和管理，为设备管理和维护提供了便利和效率，减少了人力资源的浪费，从而能够提升整体工程的质量和效益。
根据本申请的一个方面，提供了一种基于GPS的多设备定位系统，其包括：
GPS模块，用于接收卫星信号，并计算多个设备的位置信息；
服务器，用于接收和存储各个所述设备的位置信息，并提供查询和分析功能；
客户端，用于向所述服务器发送被定位设备的位置信息，并从所述服务器获取其他设备的位置信息，在设备地图上进行显示；
工作状态监测器，用于监测所述被定位设备的工作状态，并将所述被定位设备的工作状态同步到所述设备地图上进行显示。
与现有技术相比，本申请提供的一种基于GPS的多设备定位系统，其通过在后端引入数据处理和分析算法来对这些设备状态信息进行分析和处理，可以判断设备的工作状态是否存在异常，这对于设备的维护和故障排除非常重要。通过这样的方式，可以实现对多个设备的位置和工作状态进行实时监控和管理，为设备管理和维护提供了便利和效率，减少了人力资源的浪费，从而能够提升整体工程的质量和效益。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于GPS的多设备定位系统的框图；
图2为根据本申请实施例的基于GPS的多设备定位系统的系统架构图；
图3为根据本申请实施例的基于GPS的多设备定位系统的训练阶段的框图；
图4为根据本申请实施例的基于GPS的多设备定位系统中工作状态监测器的框图；
图5为根据本申请实施例的基于GPS的多设备定位系统中设备功率时序特征分析模块的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
目前大多数施工设备缺乏定位功能，这导致在工程作业中出现一些不便的情况。例如，施工设备可能会在多个施工点之间相互借用，经过多次借用后，人们可能无法准确知道设备的具体位置。此外，如果施工设备发生故障，厂家需要派人去检修，但往往无法快速找到设备的位置，这就需要施工方安排员工引导，从而浪费了人力资源。针对上述技术问题，在本申请的技术方案中，提供了一种基于GPS的多设备定位系统。这种系统可以通过GPS模块来获取施工设备的位置信息，并将其发送到服务器进行存储和管理。通过客户端，用户可以方便地查询和显示各个设备的位置信息，以及在设备地图上进行可视化展示。这样，施工方就能够准确了解每个设备的位置，避免了设备借用和故障维修时的不便和资源浪费。特别地，除了能够便于用户查询和显示各个设备的位置信息，基于GPS的多设备定位系统还可以监测设备的工作状态。具体来说，通过工作状态监测器，可以获取设备在预定时间段内的设备状态信息，如设备功率值和设备温度值。通过在后端引入数据处理和分析算法来对这些设备状态信息进行分析和处理，可以判断设备的工作状态是否存在异常，这对于设备的维护和故障排除非常重要。通过这样的方式，可以实现对多个设备的位置和工作状态进行实时监控和管理，为设备管理和维护提供了便利和效率，减少了人力资源的浪费，从而能够提升整体工程的质量和效益。
在本申请的技术方案中，提出了一种基于GPS的多设备定位系统。图1为根据本申请实施例的基于GPS的多设备定位系统的框图。如图1所示，根据本申请的实施例的基于GPS的多设备定位系统300，包括：GPS模块310，用于接收卫星信号，并计算多个设备的位置信息；服务器320，用于接收和存储各个所述设备的位置信息，并提供查询和分析功能；客户端330，用于向所述服务器发送被定位设备的位置信息，并从所述服务器获取其他设备的位置信息，在设备地图上进行显示；工作状态监测器340，用于监测所述被定位设备的工作状态，并将所述被定位设备的工作状态同步到所述设备地图上进行显示。
特别地，所述GPS模块310，用于接收卫星信号，并计算多个设备的位置信息。其中，GPS（全球定位系统）是一种用于接收卫星信号并确定地理位置的系统。GPS接收器是专门设计用于接收和处理GPS卫星发出的信号，并计算出接收器的位置、速度和时间信息。
特别地，所述服务器320，用于接收和存储各个所述设备的位置信息，并提供查询和分析功能。值得一提的是，服务器可以提供位置信息数据的分析功能，例如统计特定地理区域内的设备数量、设备轨迹分析、热点分析等。这些分析功能可以帮助用户理解设备的分布情况、行为模式等。服务器需要具备良好的扩展性和可靠性，能够处理大量的位置信息数据，并保证系统的稳定性和可用性。
特别地，所述客户端330，用于向所述服务器发送被定位设备的位置信息，并从所述服务器获取其他设备的位置信息，在设备地图上进行显示。值得一提的是，通过这样的客户端应用程序，用户可以方便地发送和获取设备位置信息，并在设备地图上进行实时显示和交互操作，从而实现设备位置的可视化和管理。
特别地，所述工作状态监测器340，用于监测所述被定位设备的工作状态，并将所述被定位设备的工作状态同步到所述设备地图上进行显示。如图2和图4所示，所述工作状态监测器340，包括：设备状态信息采集模块341，用于获取所述被定位设备在预定时间段内多个预定时间点的设备状态信息，其中，所述设备状态信息包括设备功率值和设备温度值；设备状态信息时序排列模块342，用于将所述多个预定时间点的设备状态信息分别按照时间维度进行排列以得到设备功率时序输入向量和设备温度时序输入向量；设备功率时序特征分析模块343，用于对所述设备功率时序输入向量进行局部时序特征分析以得到设备功率局部时序特征向量的序列；设备温度时序特征提取模块344，用于通过基于一维卷积神经网络模型的温度时序特征提取器对所述设备温度时序输入向量进行特征提取以得到设备温度时序特征向量；设备状态特征融合模块345，用于将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征；工作状态检测模块346，用于基于所述设备温度时序特征，确定被定位设备的工作状态是否存在异常。
具体地，所述设备状态信息采集模块341，用于获取所述被定位设备在预定时间段内多个预定时间点的设备状态信息，其中，所述设备状态信息包括设备功率值和设备温度值。在一个示例中，可通过温度传感器来获取所述被定位设备在预定时间段内多个预定时间点的设备温度值；以及，通过功率传感器来获取多个预定时间点的设备功率。值得一提的是，温度传感器是一种用于测量环境或物体温度的设备。它可以将温度转换为电信号或数字信号，以便进行测量、监控和控制。功率传感器是一种用于测量电力系统中功率的设备。它可以测量电路中的电压、电流以及相位差等参数，并根据这些参数计算得出功率值。
具体地，所述设备状态信息时序排列模块342，用于将所述多个预定时间点的设备状态信息分别按照时间维度进行排列以得到设备功率时序输入向量和设备温度时序输入向量。考虑到所述被定位设备的设备功率值和设备温度值在时间维度上都具有着时序的动态变化规律，因此，为了能够对于该设备的设备功率值和设备温度值进行时序分析，需要将所述多个预定时间点的设备状态信息分别按照时间维度进行排列以得到设备功率时序输入向量和设备温度时序输入向量，以此来分别整合所述设备功率值和所述设备温度值在时间维度上的时序分布信息。
具体地，所述设备功率时序特征分析模块343，用于对所述设备功率时序输入向量进行局部时序特征分析以得到设备功率局部时序特征向量的序列。特别地，在本申请的一个具体示例中，如图5所示，所述设备功率时序特征分析模块343，包括：向量切分单元3431，用于对所述设备功率时序输入向量进行向量切分以得到设备功率局部时序输入向量的序列；设备功率局部时序特征提取单元3432，用于将所述设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述设备功率局部时序特征向量的序列。
更具体地，所述向量切分单元3431，用于对所述设备功率时序输入向量进行向量切分以得到设备功率局部时序输入向量的序列。应可以理解，在工作状态监测器中，获取的设备状态信息包括设备功率值和设备温度值，其中，所述设备功率值的时序信息可以反映设备的工作状态变化，例如设备的开关机状态、负载变化等。因此，为了更好地分析和理解这些时序信息，进一步将所述设备功率时序输入向量进行向量切分以将其分割成多个局部时序输入向量以得到设备功率局部时序输入向量的序列。
更具体地，所述设备功率局部时序特征提取单元3432，用于将所述设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述设备功率局部时序特征向量的序列。也就是，将所述设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器中进行特征提取，以提取出所述设备功率值在时间维度上的各个时间片段内的局部时序特征信息，从而得到设备功率局部时序特征向量的序列。通过对所述设备功率局部时序输入向量的序列进行时序特征提取，可以捕捉到设备工作状态的变化模式和趋势。这有助于识别设备的正常工作状态和异常工作状态。例如，如果设备的功率时序特征显示出明显的异常模式，可能意味着设备存在故障或异常情况。在一个具体示例中，将所述设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述设备功率局部时序特征向量的序列，包括：使用所述基于一维卷积层的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积层的时序特征提取器的最后一层的输出为所述设备功率局部时序特征向量的序列，所述基于一维卷积层的时序特征提取器的第一层的输入为所述设备功率局部时序输入向量的序列。
值得注意的是，一维卷积层是深度学习中常用的一种神经网络层，用于处理一维序列数据。它可以有效地提取序列数据中的局部特征和模式。维卷积层使用一个可学习的滤波器（也称为卷积核或内核）对输入进行卷积操作。滤波器是一个小的一维向量，它通过滑动窗口的方式在输入序列上进行局部区域的卷积操作。滤波器的大小通常由卷积窗口大小和输入通道数决定。在卷积操作中，滤波器与输入序列的每个位置进行逐元素相乘，并将结果相加，得到一个输出值。通过滑动窗口的方式，滤波器会在整个输入序列上移动，并生成一个新的一维特征序列。一维卷积层通常还包括一个激活函数，如ReLU，用于引入非线性性质。激活函数将卷积操作的输出进行非线性变换，增加网络的表达能力。一维卷积层的输出形状取决于卷积层的超参数设置，包括卷积核的数量、卷积核的大小、步长和填充方式。一维卷积层常用于处理时间序列数据、文本数据、音频数据等具有序列结构的数据。它在许多应用中被广泛用于特征提取、模式识别、情感分析、语音识别等任务中，尤其在深度学习中的卷积神经网络和自然语言处理领域中得到了广泛应用。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述设备功率时序输入向量进行局部时序特征分析以得到设备功率局部时序特征向量的序列，例如：确定用于分析的窗口大小，该窗口将从功率时序输入向量中提取局部时序特征；将窗口应用于功率时序输入向量，从起始位置开始，依次滑动窗口并截取窗口内的功率数据；对每个窗口内的功率数据进行特征提取。可以使用各种统计特征、频域特征或时域特征来描述窗口内的局部时序特征。常见的特征包括均值、方差、最大值、最小值、峰值、频谱能量等；将每个窗口提取的特征组合成一个特征向量。这些特征向量将形成设备功率局部时序特征向量的序列；对设备功率局部时序特征向量的序列进行进一步分析。可以应用时间序列分析方法、机器学习算法或其他相关技术来探索序列中的模式、趋势或异常。
具体地，所述设备温度时序特征提取模块344，用于通过基于一维卷积神经网络模型的温度时序特征提取器对所述设备温度时序输入向量进行特征提取以得到设备温度时序特征向量。应可以理解，由于设备温度是设备工作状态的一个重要指标，它可以反映设备的热量产生和散热情况。通过监测设备温度的变化，可以判断设备是否正常工作、是否存在过热或过冷等异常情况。因此，为了从温度数据中提取有用的特征信息，以此来更准确地进行设备工作状态的分析和检测，在本申请的技术方案中，进一步将所述设备温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器中进行特征挖掘，以提取出所述设备温度值在时间维度上的时序动态关联特征信息，从而得到设备温度时序特征向量。通过提取所述设备温度时序特征向量，可以更好地表示设备温度的变化模式和趋势。这样，得到的所述设备温度时序特征向量可以用于后续的分类或异常检测任务，例如判断设备是否处于正常工作状态或是否存在温度异常。更具体地，将所述设备温度时序输入向量通过基于一维卷积神经网络模型的温度时序特征提取器以得到所述设备温度时序特征向量，包括：使用所述基于一维卷积神经网络模型的温度时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的温度时序特征提取器的最后一层的输出为所述设备温度时序特征向量，所述基于一维卷积神经网络模型的温度时序特征提取器的第一层的输入为所述设备温度时序输入向量。
值得注意的是，一维卷积神经网络（1D CNN）是一种深度学习模型，用于处理一维序列数据的神经网络结构。一维卷积神经网络通常由多个一维卷积层、池化层和全连接层组成。其中，一维卷积层用于提取序列数据中的局部特征和模式，池化层用于降低特征的维度和空间大小，全连接层用于将提取到的特征映射到最终的输出类别或预测结果。在一维卷积神经网络中，一维卷积层通过使用一维的卷积核对输入序列进行卷积操作，从而捕捉到序列中的局部模式。卷积核在输入序列上滑动，通过逐元素相乘和求和的方式，生成新的特征序列。这样可以有效地提取序列数据中的局部特征，并保留了序列的顺序信息。池化层常用于减少特征的维度和空间大小，以降低模型的复杂性和计算量。常见的一维池化操作包括最大池化和平均池化，它们分别选择输入序列中的最大值或平均值作为池化结果。一维卷积神经网络的最后一层通常是全连接层，它将提取到的特征映射到最终的输出类别或预测结果。全连接层将特征向量展平，并通过一系列的全连接操作进行分类、回归或其他任务的预测。一维卷积神经网络在处理一维序列数据方面具有优势，特别适用于时间序列数据、文本数据和音频数据等具有序列结构的任务。它在语音识别、情感分析、文本分类、基因组学等领域取得了显著的成果，并成为深度学习中重要的模型结构之一。
具体地，所述设备状态特征融合模块345，用于将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征。应可以理解，设备功率和温度是反映设备工作状态的两个重要指标。设备功率可以反映设备的能耗和负载变化，而设备温度可以反映设备的热量产生和散热情况。这两个指标在不同情况下存在着相关性，例如设备负载增加时，功率和温度可能同时上升。因此，为了综合考虑设备功率和温度两个方面的信息，从而得到更全面和准确的设备状态特征，以更为准确地进行设备工作状态检测，在本申请的技术方案中，进一步将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征向量。通过将所述设备功率局部时序特征向量的序列融合入所述设备温度时序特征向量，可以将功率时序特征信息和温度时序特征信息进行关联和整合。这样，可以更好地捕捉到功率和温度之间的交互关系，进一步提取出融合了功率信息的设备温度时序特征，这个特征信息能够提供更丰富和综合的设备状态特征表示。更具体地，将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征，包括：以如下融合公式将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征向量作为所述融合功率信息的设备温度时序特征；其中，所述融合公式为：
其中，是所述设备温度时序特征向量，/>是所述设备功率局部时序特征向量的序列中各个设备功率局部时序特征向量，A是1× />的矩阵，B是1×/>的矩阵，/>和/>分别是所述设备温度时序特征向量以及所述各个设备功率局部时序特征向量的尺度，/>是多个所述设备功率局部时序特征向量的向量总数，/>是Sigmoid函数，/>和/>表示点卷积函数，/>是所述融合功率信息的设备温度时序特征向量。
具体地，所述工作状态检测模块346，用于基于所述设备温度时序特征，确定被定位设备的工作状态是否存在异常。也就是，在本申请的技术方案中，将所述融合功率信息的设备温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被定位设备的工作状态是否存在异常。也就是说，利用所述设备功率时序特征融合入所述设备温度时序特征的交互关联特征信息来进行分类处理，以此来判断设备的工作状态是否存在异常，为设备管理和维护提供了便利和效率，并减少了人力资源的浪费。更具体地，将所述融合功率信息的设备温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被定位设备的工作状态是否存在异常，包括：使用所述分类器的多个全连接层对所述融合功率信息的设备温度时序特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，在利用上述神经网络模型进行推断之前，需要用于对所述基于一维卷积层的时序特征提取器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练。也就是说，根据本申请的基于GPS的多设备定位系统300，还包括训练阶段400，用于用于对所述基于一维卷积层的时序特征提取器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练。
图3为根据本申请实施例的基于GPS的多设备定位系统的训练阶段的框图。如图3所示，根据本申请实施例的基于GPS的多设备定位系统300，包括：训练阶段400，包括：训练数据获取单元410，用于获取训练数据，所述训练数据包括被定位设备在预定时间段内多个预定时间点的训练设备状态信息，其中，所述设备状态信息包括训练设备功率值和训练设备温度值；时序排列单元420，用于将所述多个预定时间点的训练设备状态信息分别按照时间维度进行排列以得到训练设备功率时序输入向量和训练设备温度时序输入向量；训练向量切分单元430，用于对所述训练设备功率时序输入向量进行向量切分以得到训练设备功率局部时序输入向量的序列；局部时序特征提取单元440，用于将所述训练设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述训练设备功率局部时序特征向量的序列；温度时序特征提取单元450，用于通过基于一维卷积神经网络模型的温度时序特征提取器对所述训练设备温度时序输入向量进行特征提取以得到训练设备温度时序特征向量；训练特征融合单元460，用于将所述训练设备功率局部时序特征向量的序列蕴含的信息融合入所述训练设备温度时序特征向量以得到训练融合功率信息的设备温度时序特征向量；特征优化单元470，用于对所述训练融合功率信息的设备温度时序特征向量的各个特征值进行优化以得到优化训练融合功率信息的设备温度时序特征向量；分类损失单元480，用于将所述优化训练融合功率信息的设备温度时序特征向量通过分类器以得到分类损失函数值；训练单元490，用于基于所述分类损失函数值对所述基于一维卷积层的时序特征提取器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练。
其中，所述分类损失单元，用于：使用所述分类器对所述优化训练融合功率信息的设备温度时序特征向量进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述被定位设备的工作状态是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
特别地，在本申请的技术方案中，这里，所述设备功率局部时序特征向量的序列中的各个设备功率局部时序特征向量表示全局时序下各个基于向量切分的局部时域下的设备功率局部时域关联特征，而所述设备温度时序特征向表示全局时域下设备温度时域关联特征，由此，在将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量时可以基于设备温度的全时序分布来进行沿时序方向的所述设备功率的高阶局部时序关联特征的时序动态编码，使得所述融合功率信息的设备温度时序特征向量表达时序多阶次关联特征。但是，这种时序多阶次关联特征也会使得所述融合功率信息的设备温度时序特征向量存在时序特征分布表示稀疏化，从而导致将所述融合功率信息的设备温度时序特征向量通过分类器进行类概率回归映射时，所述融合功率信息的设备温度时序特征向量的各个特征值的回归概率的概率密度分布的收敛性差，影响通过分类器得到的分类结果的准确性。因此，优选地，对所述融合功率信息的设备温度时序特征向量的各个特征值进行优化，具体表示为：
其中和/>是所述融合功率信息的设备温度时序特征向量的第/>和第/>个特征值，且/>是所述融合功率信息的设备温度时序特征向量的全局特征均值，/>表示向量的指数运算，/>是所述优化融合功率信息的设备温度时序特征向量的第/>特征值。具体地，针对所述融合功率信息的设备温度时序特征向量在高维特征空间内的稀疏分布导致的概率空间内概率密度分布的局部概率密度不匹配，通过正则化全局自洽类编码，来模仿所述融合功率信息的设备温度时序特征向量的高维特征流形在概率空间内的编码行为的全局自洽关系，以调整在高维开放空间域内的特征流形的误差景观，实现所述融合功率信息的设备温度时序特征向量的高维特征流形对显式概率空间嵌入的自洽匹配式类编码，从而提升所述融合功率信息的设备温度时序特征向量的回归概率的概率密度分布的收敛性，改进其通过分类器得到的分类结果的准确性。这样，能够实现对多个设备的位置和工作状态进行实时监控和管理，为设备管理和维护提供了便利和效率，并减少了人力资源的浪费，从而提升了整体工程的质量和效益。
如上所述，根据本申请实施例的基于GPS的多设备定位系统300可以实现在各种无线终端中，例如具有基于GPS的多设备定位算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于GPS的多设备定位系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于GPS的多设备定位系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于GPS的多设备定位系统300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于GPS的多设备定位系统300与该无线终端也可以是分立的设备，并且该基于GPS的多设备定位系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于GPS的多设备定位系统，其特征在于，包括：
GPS模块，用于接收卫星信号，并计算多个设备的位置信息；
服务器，用于接收和存储各个所述设备的位置信息，并提供查询和分析功能；
客户端，用于向所述服务器发送被定位设备的位置信息，并从所述服务器获取其他设备的位置信息，在设备地图上进行显示；
工作状态监测器，用于监测所述被定位设备的工作状态，并将所述被定位设备的工作状态同步到所述设备地图上进行显示。
2.根据权利要求1所述的基于GPS的多设备定位系统，其特征在于，所述工作状态监测器，包括：
设备状态信息采集模块，用于获取所述被定位设备在预定时间段内多个预定时间点的设备状态信息，其中，所述设备状态信息包括设备功率值和设备温度值；
设备状态信息时序排列模块，用于将所述多个预定时间点的设备状态信息分别按照时间维度进行排列以得到设备功率时序输入向量和设备温度时序输入向量；
设备功率时序特征分析模块，用于对所述设备功率时序输入向量进行局部时序特征分析以得到设备功率局部时序特征向量的序列；
设备温度时序特征提取模块，用于通过基于一维卷积神经网络模型的温度时序特征提取器对所述设备温度时序输入向量进行特征提取以得到设备温度时序特征向量；
设备状态特征融合模块，用于将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征；
工作状态检测模块，用于基于所述设备温度时序特征，确定被定位设备的工作状态是否存在异常。
3.根据权利要求2所述的基于GPS的多设备定位系统，其特征在于，所述设备功率时序特征分析模块，包括：
向量切分单元，用于对所述设备功率时序输入向量进行向量切分以得到设备功率局部时序输入向量的序列；
设备功率局部时序特征提取单元，用于将所述设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述设备功率局部时序特征向量的序列。
4.根据权利要求3所述的基于GPS的多设备定位系统，其特征在于，所述设备状态特征融合模块，用于：以如下融合公式将所述设备功率局部时序特征向量的序列蕴含的信息融合入所述设备温度时序特征向量以得到融合功率信息的设备温度时序特征向量作为所述融合功率信息的设备温度时序特征；
其中，所述融合公式为：
其中，是所述设备温度时序特征向量，/>是所述设备功率局部时序特征向量的序列中各个设备功率局部时序特征向量，/>是1×/>的矩阵，B是1×/>的矩阵，/>和/>分别是所述设备温度时序特征向量以及所述各个设备功率局部时序特征向量的尺度，/>是多个所述设备功率局部时序特征向量的向量总数，/>是Sigmoid函数，/>和/>表示点卷积函数，/>是所述融合功率信息的设备温度时序特征向量。
5.根据权利要求4所述的基于GPS的多设备定位系统，其特征在于，所述工作状态检测模块，包括：将所述融合功率信息的设备温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示被定位设备的工作状态是否存在异常。
6.根据权利要求5所述的基于GPS的多设备定位系统，其特征在于，还包括用于对所述基于一维卷积层的时序特征提取器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练的模型训练模块。
7.根据权利要求6所述的基于GPS的多设备定位系统，其特征在于，所述模型训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括被定位设备在预定时间段内多个预定时间点的训练设备状态信息，其中，所述设备状态信息包括训练设备功率值和训练设备温度值；
时序排列单元，用于将所述多个预定时间点的训练设备状态信息分别按照时间维度进行排列以得到训练设备功率时序输入向量和训练设备温度时序输入向量；
训练向量切分单元，用于对所述训练设备功率时序输入向量进行向量切分以得到训练设备功率局部时序输入向量的序列；
局部时序特征提取单元，用于将所述训练设备功率局部时序输入向量的序列通过基于一维卷积层的时序特征提取器以得到所述训练设备功率局部时序特征向量的序列；
温度时序特征提取单元，用于通过基于一维卷积神经网络模型的温度时序特征提取器对所述训练设备温度时序输入向量进行特征提取以得到训练设备温度时序特征向量；
训练特征融合单元，用于将所述训练设备功率局部时序特征向量的序列蕴含的信息融合入所述训练设备温度时序特征向量以得到训练融合功率信息的设备温度时序特征向量；
特征优化单元，用于对所述训练融合功率信息的设备温度时序特征向量的各个特征值进行优化以得到优化训练融合功率信息的设备温度时序特征向量；
分类损失单元，用于将所述优化训练融合功率信息的设备温度时序特征向量通过分类器以得到分类损失函数值；
训练单元，用于基于所述分类损失函数值对所述基于一维卷积层的时序特征提取器、所述基于一维卷积神经网络模型的温度时序特征提取器和所述分类器进行训练。
8.根据权利要求7所述的基于GPS的多设备定位系统，其特征在于，所述分类损失单元，用于：
使用所述分类器对所述优化训练融合功率信息的设备温度时序特征向量进行处理以得到训练分类结果:以及
计算所述训练分类结果与所述被定位设备的工作状态是否存在异常的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311690493.1A CN117388893B (zh) | 2023-12-11 | 2023-12-11 | 一种基于gps的多设备定位系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311690493.1A CN117388893B (zh) | 2023-12-11 | 2023-12-11 | 一种基于gps的多设备定位系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117388893A true CN117388893A (zh) | 2024-01-12 |
| CN117388893B CN117388893B (zh) | 2024-03-12 |
Family
ID=89472489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311690493.1A Active CN117388893B (zh) | 2023-12-11 | 2023-12-11 | 一种基于gps的多设备定位系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388893B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN112905787A (zh) * | 2020-02-25 | 2021-06-04 | 腾讯科技（深圳）有限公司 | 文本信息处理方法、短信处理方法、电子设备及可读介质 |
| CN114023350A (zh) * | 2021-11-09 | 2022-02-08 | 新疆大学 | 基于浅层特征重激活和多阶段混合注意力的声源分离方法 |
| CN114063546A (zh) * | 2022-01-17 | 2022-02-18 | 四川旷谷信息工程有限公司 | 一种查看设备工作状态的方法、装置、介质 |
| CN114120363A (zh) * | 2021-11-23 | 2022-03-01 | 上海市刑事科学技术研究院 | 基于背景及姿态归一化的行人跨镜重识别方法及系统 |
| CN115293170A (zh) * | 2022-08-12 | 2022-11-04 | 桂林电子科技大学 | 一种基于协同注意力融合的方面级多模态情感分析方法 |
| CN115546553A (zh) * | 2022-10-17 | 2022-12-30 | 四川大学 | 一种基于动态特征抽取和属性修正的零样本分类方法 |
| CN115565161A (zh) * | 2022-10-24 | 2023-01-03 | 复旦大学 | 一种基于统一融合特征的多模态车辆驾驶风格识别方法 |
| CN115903705A (zh) * | 2022-11-30 | 2023-04-04 | 福建省杭氟电子材料有限公司 | 用于电子级六氟丁二烯制备的生产管理控制系统 |
| CN116027372A (zh) * | 2023-03-30 | 2023-04-28 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位方法及系统 |
| CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN116503054A (zh) * | 2023-06-26 | 2023-07-28 | 睿至科技集团有限公司 | 一种基于大数据的设备统一运维平台及方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116658492A (zh) * | 2023-07-28 | 2023-08-29 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
| CN116700193A (zh) * | 2023-07-20 | 2023-09-05 | 江西斯源科技股份有限公司 | 工厂车间智能化监控管理系统及其方法 |
| CN116700403A (zh) * | 2023-06-26 | 2023-09-05 | 杭州国辰智企科技有限公司 | 基于工业系统角色划分的自动化系统及其方法 |
| CN116701559A (zh) * | 2023-06-13 | 2023-09-05 | 浙江源创智控技术有限公司 | 设备监控方法、装置及服务器 |
| CN116776273A (zh) * | 2023-08-23 | 2023-09-19 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及系统 |
| CN116796269A (zh) * | 2023-05-12 | 2023-09-22 | 广州鲸盾网络科技有限公司 | 用于物联网设备的管理方法及其系统 |
| CN116880402A (zh) * | 2023-07-28 | 2023-10-13 | 江西斯源科技股份有限公司 | 智慧工厂协同管控系统及其方法 |
| CN116893336A (zh) * | 2023-07-11 | 2023-10-17 | 浙江和能电力设备有限公司 | 高低压开关设备及其方法 |
| CN116909712A (zh) * | 2023-07-31 | 2023-10-20 | 杭州朗视视频技术有限公司 | 基于机器学习的智能任务调度系统及其方法 |
| CN116929815A (zh) * | 2023-07-20 | 2023-10-24 | 漳州市诺兰信息科技有限公司 | 基于物联网的设备工作状态监测系统及其方法 |
| CN116959417A (zh) * | 2022-11-30 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 对话回合的检测方法、装置、设备、介质、程序产品 |
| CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
| CN116994390A (zh) * | 2023-07-18 | 2023-11-03 | 漳州市诺兰信息科技有限公司 | 基于物联网的安防监控系统及其方法 |
| CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测系统及其方法 |
| CN117077075A (zh) * | 2023-07-27 | 2023-11-17 | 湖南省三联环保科技有限公司 | 用于环境保护的水质监测系统及其方法 |
| CN117113218A (zh) * | 2023-08-04 | 2023-11-24 | 杭州国辰智企科技有限公司 | 可视化的数据分析系统及其方法 |
| CN117132461A (zh) * | 2023-10-27 | 2023-11-28 | 中影年年(北京)文化传媒有限公司 | 基于角色形变目标体角色全身优化的方法及系统 |
-
2023
- 2023-12-11 CN CN202311690493.1A patent/CN117388893B/zh active Active
Patent Citations (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112905787A (zh) * | 2020-02-25 | 2021-06-04 | 腾讯科技（深圳）有限公司 | 文本信息处理方法、短信处理方法、电子设备及可读介质 |
| CN112801404A (zh) * | 2021-02-14 | 2021-05-14 | 北京工业大学 | 一种基于自适应空间自注意力图卷积的交通预测方法 |
| CN114023350A (zh) * | 2021-11-09 | 2022-02-08 | 新疆大学 | 基于浅层特征重激活和多阶段混合注意力的声源分离方法 |
| CN114120363A (zh) * | 2021-11-23 | 2022-03-01 | 上海市刑事科学技术研究院 | 基于背景及姿态归一化的行人跨镜重识别方法及系统 |
| CN114063546A (zh) * | 2022-01-17 | 2022-02-18 | 四川旷谷信息工程有限公司 | 一种查看设备工作状态的方法、装置、介质 |
| CN115293170A (zh) * | 2022-08-12 | 2022-11-04 | 桂林电子科技大学 | 一种基于协同注意力融合的方面级多模态情感分析方法 |
| CN115546553A (zh) * | 2022-10-17 | 2022-12-30 | 四川大学 | 一种基于动态特征抽取和属性修正的零样本分类方法 |
| CN115565161A (zh) * | 2022-10-24 | 2023-01-03 | 复旦大学 | 一种基于统一融合特征的多模态车辆驾驶风格识别方法 |
| CN115903705A (zh) * | 2022-11-30 | 2023-04-04 | 福建省杭氟电子材料有限公司 | 用于电子级六氟丁二烯制备的生产管理控制系统 |
| CN116959417A (zh) * | 2022-11-30 | 2023-10-27 | 腾讯科技（深圳）有限公司 | 对话回合的检测方法、装置、设备、介质、程序产品 |
| CN116027372A (zh) * | 2023-03-30 | 2023-04-28 | 深圳市移联通信技术有限责任公司 | 一种基于gps的多设备定位方法及系统 |
| CN116796269A (zh) * | 2023-05-12 | 2023-09-22 | 广州鲸盾网络科技有限公司 | 用于物联网设备的管理方法及其系统 |
| CN116701559A (zh) * | 2023-06-13 | 2023-09-05 | 浙江源创智控技术有限公司 | 设备监控方法、装置及服务器 |
| CN116454772A (zh) * | 2023-06-14 | 2023-07-18 | 浙江浙能迈领环境科技有限公司 | 用于集装箱中压配电柜的泄压装置及方法 |
| CN116992226A (zh) * | 2023-06-16 | 2023-11-03 | 青岛西格流体技术有限公司 | 一种水泵电机故障检测方法、系统 |
| CN116503054A (zh) * | 2023-06-26 | 2023-07-28 | 睿至科技集团有限公司 | 一种基于大数据的设备统一运维平台及方法 |
| CN116700403A (zh) * | 2023-06-26 | 2023-09-05 | 杭州国辰智企科技有限公司 | 基于工业系统角色划分的自动化系统及其方法 |
| CN116893336A (zh) * | 2023-07-11 | 2023-10-17 | 浙江和能电力设备有限公司 | 高低压开关设备及其方法 |
| CN116994390A (zh) * | 2023-07-18 | 2023-11-03 | 漳州市诺兰信息科技有限公司 | 基于物联网的安防监控系统及其方法 |
| CN116700193A (zh) * | 2023-07-20 | 2023-09-05 | 江西斯源科技股份有限公司 | 工厂车间智能化监控管理系统及其方法 |
| CN116929815A (zh) * | 2023-07-20 | 2023-10-24 | 漳州市诺兰信息科技有限公司 | 基于物联网的设备工作状态监测系统及其方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN117077075A (zh) * | 2023-07-27 | 2023-11-17 | 湖南省三联环保科技有限公司 | 用于环境保护的水质监测系统及其方法 |
| CN116880402A (zh) * | 2023-07-28 | 2023-10-13 | 江西斯源科技股份有限公司 | 智慧工厂协同管控系统及其方法 |
| CN116658492A (zh) * | 2023-07-28 | 2023-08-29 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
| CN116909712A (zh) * | 2023-07-31 | 2023-10-20 | 杭州朗视视频技术有限公司 | 基于机器学习的智能任务调度系统及其方法 |
| CN117113218A (zh) * | 2023-08-04 | 2023-11-24 | 杭州国辰智企科技有限公司 | 可视化的数据分析系统及其方法 |
| CN116776273A (zh) * | 2023-08-23 | 2023-09-19 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及系统 |
| CN117058622A (zh) * | 2023-08-28 | 2023-11-14 | 海宁市立洁环保有限公司 | 污水处理设备的智能监测系统及其方法 |
| CN117132461A (zh) * | 2023-10-27 | 2023-11-28 | 中影年年(北京)文化传媒有限公司 | 基于角色形变目标体角色全身优化的方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
| CN117618708B (zh) * | 2024-01-26 | 2024-04-05 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117388893B (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Data-driven prognostic method based on self-supervised learning approaches for fault detection | |
| WO2021004154A1 (zh) | 一种数控机床刀具剩余寿命预测方法 | |
| CN111177095A (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
| EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
| CN117388893B (zh) | 一种基于gps的多设备定位系统 | |
| JP7353238B2 (ja) | 高次元センサデータにおける異常事象の自動化された根本原因分析を実行する方法及びシステム | |
| US20220082625A1 (en) | Data processor, data processing method, and computer program | |
| JP6210867B2 (ja) | データ関連性解析システムおよびデータ管理装置 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| EP3696693A1 (en) | Method and apparatus for monitoring state of device in process industry and medium | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| CN116126947B (zh) | 应用于企业管理系统的大数据分析方法及系统 | |
| CN117156442A (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
| KR20190001501A (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
| CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
| CN116776273A (zh) | 物联网设备的运行状态监测方法及系统 | |
| US11657148B2 (en) | Event analysis in an electric power system | |
| CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
| WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
| CN116259161A (zh) | 一种电力故障预警系统 | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| KR20190132223A (ko) | 네트워크 장애 원인 분석 장치 및 방법 | |
| Wu et al. | Custom machine learning architectures: towards realtime anomaly detection for flight testing |
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 |