CN117391312B - 一种智慧建筑的告警智能处理方法及系统 - Google Patents
一种智慧建筑的告警智能处理方法及系统 Download PDFInfo
- Publication number
- CN117391312B CN117391312B CN202311695476.7A CN202311695476A CN117391312B CN 117391312 B CN117391312 B CN 117391312B CN 202311695476 A CN202311695476 A CN 202311695476A CN 117391312 B CN117391312 B CN 117391312B
- Authority
- CN
- China
- Prior art keywords
- information
- influence
- alarm
- stage
- parameter
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000010438 heat treatment Methods 0.000 claims abstract description 140
- 238000004458 analytical method Methods 0.000 claims abstract description 131
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012795 verification Methods 0.000 claims abstract description 38
- 208000032140 Sleepiness Diseases 0.000 claims description 41
- 206010041349 Somnolence Diseases 0.000 claims description 41
- 230000037321 sleepiness Effects 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 208000021663 Female sexual arousal disease Diseases 0.000 claims description 6
- 208000006262 Psychological Sexual Dysfunctions Diseases 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 230000004044 response Effects 0.000 abstract description 4
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 230000001815 facial effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000001747 pupil Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000035565 breathing frequency Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种智慧建筑的告警智能处理方法及系统,包括:通过采集多级供暖管道参数和供暖运行告警信息,结合作业信息,进行告警分析和验证,按照验证结果,确定告警方案进行告警处理,解决了告警信息的响应速度较慢,不能及时处理异常情况的技术问题,实现了有效地监控异常情况,自动触发相应的处理流程,从而快速响应异常情况,减少供暖管道和供暖系统的故障停机时间,提高系统处理效率以及稳定性的技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域,具体涉及一种智慧建筑的告警智能处理方法及系统。
背景技术
智慧建筑是科技园区的重要组成部分,为高效作业生产提供了智能的条件。然而,随着智慧建筑的规模和复杂性不断增加,管理和监控这些建筑已经成为了一个巨大的挑战,特别是智慧建筑中供暖管道和供暖系统的异常运行可能会严重影响作业生产,需要进行及时的监测告警。
由于供暖管道和供暖系统的复杂性,人工筛选和处理告警信息容易出错且效率低下,其次,供暖运行告警信息通常被存储在独立的数据库中,并没有与建筑中的其他系统进行集成,对于大量的供暖运行告警信息,需要花费大量的时间和精力,因此,需要更加高效的告警处理方法来提高智慧建筑的管理和监控水平。
综上所述,现有技术中存在告警信息的响应速度较慢,不能及时处理异常情况的技术问题。
发明内容
本申请通过提供了一种智慧建筑的告警智能处理方法及系统,旨在解决现有技术中的告警信息的响应速度较慢,不能及时处理异常情况的技术问题。
鉴于上述问题,本申请提供了一种智慧建筑的告警智能处理方法及系统。
本申请公开的第一个方面,提供了一种智慧建筑的告警智能处理方法,其中,所述方法用于一智慧建筑的告警智能处理装置,所述装置包括多级参数告警分析单元、作业信息采集设备阵列和作业影响告警分析单元,所述方法包括:通过多级参数告警分析单元,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,其中,每级供暖管道包括多个供暖管道;根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息;通过所述作业信息采集设备阵列,采集多个指定人员的作业信息,获得多个作业信息,其中,作业信息包括指定人员的面部信息,多个指定人员与所述多级供暖管道对应;通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,其中,作业影响度分析包括基于面部信息进行困意分析和寒意分析;对所述多级参数告警信息和多个作业影响度进行验证,获得多个验证结果;基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,进行告警处理。
本申请公开的另一个方面,提供了一种智慧建筑的告警智能处理系统,其中,所述系统包括:参数采集模块,用于通过多级参数告警分析单元,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,其中,每级供暖管道包括多个供暖管道;告警分析模块,用于根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息;作业信息获得模块,用于通过作业信息采集设备阵列,采集多个指定人员的作业信息,获得多个作业信息,其中,作业信息包括指定人员的面部信息,多个指定人员与所述多级供暖管道对应;影响度分析模块,用于通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,其中,作业影响度分析包括基于面部信息进行困意分析和寒意分析;验证模块,用于对所述多级参数告警信息和多个作业影响度进行验证,获得多个验证结果;告警处理模块,用于基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,进行告警处理。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了收集智慧建筑中供暖管道对应的告警信息;将这些信息整合到一个统一的数据流中;使用深度学习模型对数据进行分类和分析;结合作业信息,进行告警分析和验证,按照验证结果自动生成告警方案并处理,实现了有效地监控异常情况,自动触发相应的处理流程,从而快速响应异常情况,减少供暖管道和供暖系统的故障停机时间,提高系统处理效率以及稳定性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种智慧建筑的告警智能处理方法可能的流程示意图;
图2为本申请实施例提供了一种智慧建筑的告警智能处理方法中获得多个验证结果可能的流程示意图;
图3为本申请实施例提供了一种智慧建筑的告警智能处理系统可能的结构示意图。
附图标记说明:参数采集模块100,告警分析模块200,作业信息获得模块300,影响度分析模块400,验证模块500,告警处理模块600。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一:
如图1所示,本申请实施例提供了一种智慧建筑的告警智能处理方法,其中,所述方法用于一智慧建筑的告警智能处理装置,所述装置包括多级参数告警分析单元、作业信息采集设备阵列和作业影响告警分析单元,所述方法包括:
Step-1:通过多级参数告警分析单元,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,其中,每级供暖管道包括多个供暖管道;
常见的,智慧建筑内的供暖系统可能包括暖气供暖系统以及暖通空调供暖系统,供暖系统包括多级供暖管道,用以进行供暖。智慧建筑中供暖管道在出现异常时会产生告警信息,通常以文本或图像的形式出现,并被存储在特定的数据库或日志文件中;工作人员会定期检查这些数据库或日志文件中的告警信息;根据告警的类别和性质,工作人员会采取相应的处理措施,包括修复故障、重新启动系统、调整设备参数等;在处理完告警后,工作人员会将处理结果反馈给智慧建筑的监控系统。
从上述分析可知,供暖运行的告警处理系统缺乏自动化处理能力,对于大量重复性或常规性的告警信息,不能自动进行分类、处理和反馈,需要人工干预,对告警信息的响应速度较慢,不能及时处理异常情况,供暖的告警处理效率低下。
针对上述问题,本申请在原有基础上进行升级,具体的,所述多级参数告警分析单元中包括多种类型的传感器、仪表或其他数据采集设备,比如流速传感器、温度表、压力传感器;
进一步而言,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,本申请方法包括:
采集目标建筑内多级供暖管道的多级供暖温度、多级管道压力和多级流速信息;
整合所述多级供暖温度、多级管道压力和多级流速信息,获得多级运行参数集合。
采集目标建筑内多级供暖管道的多级供暖温度:在目标建筑内多级供暖管道安装温度表,进而得到温度表阵列;通过温度表阵列,在目标建筑内的多级供暖管道的关键位置设置温度表,如每个供暖片的入口和出口、管道的分支处等,其中,每个温度表定期(例如,每分钟)测量其所在位置的供暖温度,并将测量数据发送到数据采集系统;数据采集系统收集各个温度表的数据,形成多级供暖温度集合。
采集目标建筑内多级供暖管道的多级管道压力:在目标建筑内的多级供暖管道上安装压力传感器,用于监测管道的压力,其中,每个压力传感器定期(例如,每分钟)测量管道的压力,并将测量数据发送到数据采集系统;数据采集系统收集各个压力传感器的数据,形成多级管道压力集合。
采集目标建筑内多级供暖管道的多级流速信息:在目标建筑内的多级供暖管道上安装流速传感器,用于监测管道内水的流速,其中,每个流速传感器定期(例如,每分钟)测量管道的流速,并将测量数据发送到数据采集系统;数据采集系统收集各个流速传感器的数据,形成多级流速信息集合。
整合多级运行参数集合:将上述收集的多级供暖温度集合、多级管道压力集合和多级流速信息集合进行整合,形成一个多级运行参数集合,每个参数在集合中都有对应的位置和数值,将整合所得的多级运行参数集合记为多级运行参数集合,为后续的告警分析提供数据支持。
Step-2:根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息;
进一步而言,Step-2包括:
获取所述目标建筑内所述多级供暖管道的多级供暖运行参数预设范围;
获取多级供暖管道的多个样本运行参数集合,结合多级供暖运行参数预设范围,获取多个样本告警信息集合;
采用所述多个样本运行参数集合和多个样本告警信息集合,训练多级参数告警分析器,其中,多级参数告警分析器包括多级参数告警分析路径;
采用所述多级参数告警分析路径,对所述多级运行参数集合进行供暖运行告警分析,获得多级参数告警信息。
根据合格供暖参数范围,分析当前温度与合格供暖参数范围之间的偏离程度,比如温度过高还是过低,根据过高或者过低的程度,生成不同级别的参数告警信息,具体可以包括:获取多级供暖运行参数预设范围,其中,所述预设范围多级供暖运行参数的预设范围可以依据历史的运行数据、设计规范、专家经验等进行设定,例如,对于温度,可以根据人体适宜温度设定一个合理的范围;对于压力和流速,可以根据管道的设计参数和实际运行情况设定相应的范围;预设范围确定后,可以将其作为判断供暖运行是否正常的标准。
获取多级供暖管道的多个样本运行参数集合,包括,从所述多级运行参数集合中,随机选择或者按一定规则(供暖管道上每隔10cm作为的样本数据的选择规则)选择一部分数据作为样本数据,所述样本数据需要能代表整个多级运行参数集合的整体特征。
结合多级供暖运行参数预设范围,获取多个样本告警信息集合,包括,使用上一步得到的多个样本运行参数集合,结合多级供暖运行参数预设范围进行告警分析;如果多个样本运行参数集合(包括温度、压力、流速等)中一个或多个参数相较于所述多级供暖运行参数预设范围过高或过低,那么就认为该参数偏离了合格范围,生成相应的告警信息(如告警级别、告警内容等),例如,如果温度低于多级供暖运行参数预设范围的温度下限,就生成低温告警信息;如果压力高于多级供暖运行参数预设范围的压力上限,就生成高压告警信息。
采用所述多个样本运行参数集合和多个样本告警信息集合,训练多级参数告警分析器,包括,使用得到的多个样本运行参数集合和对应的多个样本告警信息集合,训练一个多级参数告警分析器,可以使用机器学习、深度学习或其他人工智能方法来构建多级参数告警分析器,实现从运行参数到告警信息的映射和转换,同时,使用交叉验证、梯度下降或其他优化方法,调整模型的参数和优化模型的结构,使模型能够从运行参数中映射比对出相应的告警信息,之后,采用所述多级参数告警分析器中的多级参数告警分析路径,对所述多级运行参数集合进行供暖运行告警分析,获得多级参数告警信息。
使用训练好的多级参数告警分析器,采用所述多级参数告警分析路径,对所述多级运行参数集合进行供暖运行告警分析,分析过程中,需要将运行参数与多级供暖运行参数预设范围进行比较,如果超出多级供暖运行参数预设范围,就生成相应等级的告警信息,例如,已知的,供暖温度标准为18℃±2℃,对应的,如果实际温度低于多级供暖运行参数预设范围的最低温度标准16℃且不低于一级温度下限(15℃),就生成一级低温告警信息;如果温度低于一级温度下限(15℃)且不低于二级温度下限(14℃),就生成二级低温告警信息,所述多级参数告警信息与供暖维护紧急程度相对。根据多级运行参数集合进行供暖运行告警分析,并生成相应的告警信息,可以按照供暖维护紧急程度进行分级维护,以便及时调整供暖设备的运行状态,确保室内环境的舒适度和设备的正常运行。
Step-3:通过所述作业信息采集设备阵列,采集多个指定人员的作业信息,获得多个作业信息,其中,作业信息包括指定人员的面部信息,多个指定人员与所述多级供暖管道对应;
进一步而言,Step-3包括:
通过所述作业信息采集设备阵列内的多个作业信息采集设备,采集所述多个指定人员的多个图像信息;
对所述多个图像信息进行图像分割处理,获取多个面部信息,作为多个作业信息。
使用摄像头阵列,采集人员办公时的图像,分割获得面部图像信息,指定人员为事先同意进行面部图像采集使用的人员,具体可以包括:所述作业信息采集设备为摄像头之类的图像实时采集设备,所述作业信息采集设备阵列(例如摄像头阵列)安装在物业办公室,通过作业信息采集设备阵列内的多个作业信息采集设备,采集多个指定人员(例如智慧建筑的物业人员,若智慧建筑的物业人员为多个,则所述多个指定人员与所述多级供暖管道对应)的多个图像信息,所述多个图像信息包括指定人员的面部信息和其他相关作业信息,可以以视频流的形式传输到数据处理中心,也可以定期(例如每分钟)从所述作业信息采集设备阵列内的多个作业信息采集设备中获取。
图像分割处理,包括,对采集到的多个图像信息进行图像分割处理。主要是将图像中的指定人员面部和其他部分分开,从而能够更准确地提取出所需的面部信息,其中,图像分割处理可以使用各种图像处理算法实现,例如基于像素的分割、基于区域的分割、基于边缘的分割等。
获取多个面部信息,包括,在完成图像分割处理后,可以获取到多个指定人员的多个面部信息,所述指定人员的眼睛、嘴巴、表情等,并以此作为多个作业信息,为后续作业影响度分析提供数据支持。
Step-4:通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,其中,作业影响度分析包括基于面部信息进行困意分析和寒意分析;
进一步而言,Step-4包括:
根据所述多个指定人员的历史作业检测信息,构建作业影响分析器,其中,作业影响分析器包括多个作业影响分析路径,每个作业影响分析路径包括困意影响分析分支和寒意影响分析分支;
基于所述作业影响分析器,对所述多个作业信息进行分析,获得多个困意影响度和多个寒意影响度;
基于多个困意影响度和多个寒意影响度,根据所述多级参数告警信息,对多个困意影响度和多个寒意影响度加权计算获得多个作业影响度,其中,参数告警信息与对所述困意影响度和寒意影响度进行加权计算的权重有映射关系。
根据面部信息,具体为根据眼睛的图像信息,分析人员是否因为供暖太暖产生困意或者因为供暖太冷产生寒意而影响办公作业,及时采取相应的措施(供暖太暖-产生困意对应的措施可以是温度调高)以改善工作环境和提高工作效率,具体可以包括:构建作业影响分析器,包括,根据多个指定人员的历史作业检测信息,构建作业影响分析器,所述分析器应该包括多个作业影响分析路径,每个路径对应一个困意影响分析分支和一个寒意影响分析分支,其中,困意影响分析分支可以基于人员的面部信息,特别是眼睛部分的图像信息,来分析人员是否因为供暖太暖而产生困意,可以通过分析眼睛的闭合程度、瞳孔的变化等来判断,例如,如果眼部图像显示人员眼睛闭合频繁或瞳孔缩小,则可以认为人员感到困意;寒意影响分析分支可以基于人员的面部信息,特别是嘴巴和鼻子的图像信息,来分析人员是否因为供暖太冷而产生寒意,可以通过分析嘴唇的颜色、呼吸的频率等来判断,例如,如果面部皮肤颜色偏白、呼吸频率加快,则可以认为人员感到寒意。
所述作业信息包括指定人员的面部信息,基于所述作业影响分析器,对所述多个作业信息进行分析,根据每个作业影响分析路径,分别得出多个困意影响度和多个寒意影响度,影响度可以表示为数值或等级,用于评估人员在特定环境(供暖太暖-困意影响度、供暖太冷-寒意影响度)下的作业受影响程度;
计算多个作业影响度,包括,基于计算得到的多个困意影响度和多个寒意影响度,结合多级参数告警信息,进行加权计算,得到多个作业影响度,参数告警信息与对所述困意影响度和寒意影响度进行加权计算的权重有映射关系,映射关系可以根据历史数据、专家经验或者其他方法来确定,例如,如果参数告警信息显示温度偏低,那么在计算作业影响度时,寒意影响度可能就会有一个较高的权重。基于多个作业信息和多级参数告警信息进行作业影响度分析,采用加权计算的方式综合考虑,得出更准确的作业影响度。
进一步而言,根据所述多个指定人员的历史作业检测信息,构建作业影响分析器,本申请方法包括:
根据所述多个指定人员的历史作业检测信息,获取多个样本作业信息集合,并获取多个样本困意影响度集合和多个样本寒意影响度集合;
基于卷积神经网络,构建包括困意影响分析分支和寒意影响分析分支的多个作业影响分析路径;
分别采用所述多个样本作业信息集合,结合所述多个样本困意影响度集合和多个样本寒意影响度集合,对所述多个作业影响分析路径内的困意影响分析分支和寒意影响分析分支进行监督训练更新,直到准确率收敛,获得作业影响分析器。
获取多个样本作业信息集合和困意/寒意影响度集合,包括,从历史作业检测信息中,为每个指定人员选择一定数量的样本数据,这些数据应包括作业信息和对应的困意影响度或寒意影响度,例如,可以选取一段时间内的数据,如过去一周或一个月的数据作为样本;对于每个样本,应包括作业信息(例如作业时间、作业内容等)和对应的困意影响度或寒意影响度,影响度可以是由专家评估得出。
构建作业影响分析路径,包括,基于卷积神经网络(CNN),为每个分析分支(困意影响分析分支和寒意影响分析分支)构建一个卷积神经网络模型,其中,每个模型应该包括适当的卷积层、池化层和全连接层,以从面部图像中提取特征,并分析困意或寒意的程度;进行监督训练更新,使用上一步得到的多个样本作业信息集合和困意/寒意影响度集合,对每个作业影响分析路径(即每个卷积神经网络模型)进行监督训练;在训练过程中,将样本作业信息输入到模型中,并比较模型的预测结果(困意或寒意的程度)与实际的影响度,如果预测结果与实际影响度存在误差,就根据误差调整模型的参数,直到模型的准确率收敛;一旦所有模型的准确率都收敛,就得到了最终的作业影响分析器,所述作业影响分析器用于对新的作业信息进行困意和寒意分析。根据多个指定人员的历史作业检测信息,构建作业影响分析器,快速分析人员在进行作业时的困意和寒意程度,能够有效地分析面部信息。
Step-5:对所述多级参数告警信息和多个作业影响度进行验证,获得多个验证结果;
进一步而言,如图2所示,Step-5包括:
获取所述多级供暖管道的多个样本参数告警信息集合,并获取多个样本作业影响度集合;
划分获取多个样本参数告警信息区间和多个样本作业影响度区间;
构建所述多个样本参数告警信息区间和多个样本作业影响度区间的映射关系,对所述多级参数告警信息和多个作业影响度进行映射验证,获得多个验证结果。
参数告警信息能够获取偏冷的程度或者偏暖的程度,然后结合作业影响度看是否合理,来排除部分人员由于睡眠不好导致产生困意或者穿衣太少产生冷意的影响,消除不准确参数的影响,具体可以包括:获取多个样本参数告警信息集合和作业影响度集合,包括,从所述多级供暖管道的经验数据中,为每个级别选择一定数量的样本数据(例如,历史温度数据、历史压力数据和历史流速数据等),包括对应的参数告警信息(例如,温度过高或过低等)和作业影响度;对于每个样本,应包括参数告警信息(例如,温度超过预设上限)和对应的作业影响度(例如,困意程度增加),影响度可以是由专家评估得出。
划分多个样本参数告警信息区间和作业影响度区间,包括,将每个级别的样本参数告警信息划分为多个区间,例如,温度可以划分为一级温度区间(16℃~15℃]、二级温度区间(15℃~14℃]、三级温度区间(14℃~13℃]。同时,将每个级别的样本作业影响度也划分为相似的区间,例如,困意程度可以划分为“轻微冷意”、“严重冷意”等区间。
构建映射关系并进行映射验证,包括,对于每个级别的样本数据,构建参数告警信息区间和作业影响度区间的映射关系,例如,当温度处于一级温度区间(16℃~15℃]时,冷意程度可能处于“轻微冷意”的区间;使用参数告警信息区间和作业影响度区间的映射关系,对每个样本数据进行映射验证,对于每个样本,将参数告警信息映射到对应的作业影响度上,并比较映射结果与实际作业影响度。
获得验证结果,包括,对于每个样本,如果映射结果与实际作业影响度相符,则认为该样本的映射验证为合格的。可以统计映射验证的成功率,以评估参数告警信息与作业影响度之间的映射关系的准确性。对多级参数告警信息进行验证,以确认它们是否准确反映了供暖管道的运行状况,其中,验证参数告警信息可以包括检查数据的准确性、合理性和一致性。对多个作业影响度进行验证,以确保多个作业影响度是基于可靠的数据和分析得出的,在验证过程中,可以结合其他数据来源,例如人员的睡眠报告等,以综合评估作业影响度的准确性。
Step-6:基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,进行告警处理。
进一步而言,基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,本申请方法包括:
对所述多级参数告警信息进行加权计算,获得总参数告警信息,其中,层级越低的供暖管道的参数告警信息的权重越大;
计算所述多个合格作业影响度的均值,获得总作业告警信息;
根据所述总参数告警信息和总作业告警信息,生成告警方案。
根据程度生成不同的告警方案,比如供暖维护紧急程度等,具体可以包括:加权计算总参数告警信息,包括,对多级参数告警信息进行加权计算,以获得总参数告警信息,在加权计算时,可以考虑不同层级的供暖管道的参数告警信息的权重,通常来说,层级越低的供暖管道(例如,末梢供暖管道)的参数告警信息的权重应该越大,因为层级越低的供暖管道更直接地影响到作业人员的感受,例如,可以采用基于专家经验的权重分配方法,或者根据历史数据进行学习并自动调整权重的方法来进行加权计算。
计算总作业告警信息,包括,计算多个合格作业影响度的均值,以获得总作业告警信息,由于所有验证结果为合格的作业影响度都是可信的,因此计算所有验证结果为合格的作业影响度的平均值,并将计算结果作为总作业告警信息。
生成告警方案,包括,告警方案可以包括多个级别的告警信息,例如,“温度过高,困意程度中度”或“温度过低,冷意程度轻微”等,还可以根据实际需求,设置不同级别告警信息的处理方式,例如,当出现“温度过高,困意程度轻微”时,可以建议作业人员适当减衣以缓解高温产生的困意。
根据总参数告警信息和总作业告警信息,生成相应的告警方案,告警方案应包括紧急程度;可以根据不同的参数和作业影响度阈值,生成不同级别的告警方案,例如,当温度过高时,可以生成“供暖维护紧急”的告警方案,并采取相应的措施进行告警处理,通知相关人员对供暖设备进行检查和维护,以保障设备的正常运行和室内环境的舒适度,同时,对于作业影响度较高的员工,可以提供必要的支持(严重冷意的员工提供毛毯),以减轻影响程度。
综上所述,本申请实施例所提供的一种智慧建筑的告警智能处理方法及系统具有如下技术效果:
1.采用机器学习技术,更准确地分类和识别告警信息。
2.自动化筛选、分类和处理告警信息,显著提高告警处理的效率。
3.实时监控告警信息,并自动触发相应的处理流程,从而快速响应异常情况。
4.更有效地监控异常情况,从而减少系统故障和停机时间,提高系统的稳定性。
4.由于采用了获取多级供暖管道的多个样本参数告警信息集合,并获取多个样本作业影响度集合;划分获取多个样本参数告警信息区间和多个样本作业影响度区间;构建多个样本参数告警信息区间和多个样本作业影响度区间的映射关系,对多级参数告警信息和多个作业影响度进行映射验证,获得多个验证结果。对多个作业影响度进行验证,以确保多个作业影响度是基于可靠的数据和分析得出的,在验证过程中,可以结合其他数据来源,例如人员的睡眠报告等,以综合评估作业影响度的准确性。
实施例二:
基于与前述实施例中一种智慧建筑的告警智能处理方法相同的发明构思,如图3所示,本申请实施例提供了一种智慧建筑的告警智能处理系统,其中,所述系统包括:
参数采集模块100,用于通过多级参数告警分析单元,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,其中,每级供暖管道包括多个供暖管道;
告警分析模块200,用于根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息;
作业信息获得模块300,用于通过作业信息采集设备阵列,采集多个指定人员的作业信息,获得多个作业信息,其中,作业信息包括指定人员的面部信息,多个指定人员与所述多级供暖管道对应;
影响度分析模块400,用于通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,其中,作业影响度分析包括基于面部信息进行困意分析和寒意分析;
验证模块500,用于对所述多级参数告警信息和多个作业影响度进行验证,获得多个验证结果;
告警处理模块600,用于基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,进行告警处理。
进一步地,该系统还包括:
采集目标建筑内多级供暖管道的多级供暖温度、多级管道压力和多级流速信息;
整合所述多级供暖温度、多级管道压力和多级流速信息,获得多级运行参数集合。
进一步地,该系统还包括:
获取所述目标建筑内所述多级供暖管道的多级供暖运行参数预设范围;
获取多级供暖管道的多个样本运行参数集合,结合多级供暖运行参数预设范围,获取多个样本告警信息集合;
采用所述多个样本运行参数集合和多个样本告警信息集合,训练多级参数告警分析器,其中,多级参数告警分析器包括多级参数告警分析路径;
采用所述多级参数告警分析路径,对所述多级运行参数集合进行供暖运行告警分析,获得多级参数告警信息。
进一步地,该系统还包括:
通过所述作业信息采集设备阵列内的多个作业信息采集设备,采集所述多个指定人员的多个图像信息;
对所述多个图像信息进行图像分割处理,获取多个面部信息,作为多个作业信息。
进一步地,该系统还包括:
根据所述多个指定人员的历史作业检测信息,构建作业影响分析器,其中,作业影响分析器包括多个作业影响分析路径,每个作业影响分析路径包括困意影响分析分支和寒意影响分析分支;
基于所述作业影响分析器,对所述多个作业信息进行分析,获得多个困意影响度和多个寒意影响度;
基于多个困意影响度和多个寒意影响度,根据所述多级参数告警信息,对多个困意影响度和多个寒意影响度加权计算获得多个作业影响度,其中,参数告警信息与对所述困意影响度和寒意影响度进行加权计算的权重有映射关系。
进一步地,该系统还包括:
根据所述多个指定人员的历史作业检测信息,获取多个样本作业信息集合,并获取多个样本困意影响度集合和多个样本寒意影响度集合;
基于卷积神经网络,构建包括困意影响分析分支和寒意影响分析分支的多个作业影响分析路径;
分别采用所述多个样本作业信息集合,结合所述多个样本困意影响度集合和多个样本寒意影响度集合,对所述多个作业影响分析路径内的困意影响分析分支和寒意影响分析分支进行监督训练更新,直到准确率收敛,获得作业影响分析器。
进一步地,该系统还包括:
获取所述多级供暖管道的多个样本参数告警信息集合,并获取多个样本作业影响度集合;
划分获取多个样本参数告警信息区间和多个样本作业影响度区间;
构建所述多个样本参数告警信息区间和多个样本作业影响度区间的映射关系,对所述多级参数告警信息和多个作业影响度进行映射验证,获得多个验证结果。
进一步地,该系统还包括:
对所述多级参数告警信息进行加权计算,获得总参数告警信息,其中,层级越低的供暖管道的参数告警信息的权重越大;
计算所述多个合格作业影响度的均值,获得总作业告警信息;
根据所述总参数告警信息和总作业告警信息,生成告警方案。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种智慧建筑的告警智能处理方法,其特征在于,所述方法用于一智慧建筑的告警智能处理装置,所述装置包括多级参数告警分析单元、作业信息采集设备阵列和作业影响告警分析单元,所述方法包括:
通过多级参数告警分析单元,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,其中,每级供暖管道包括多个供暖管道;
根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息;
通过所述作业信息采集设备阵列,采集多个指定人员的作业信息,获得多个作业信息,其中,作业信息包括指定人员的面部信息,多个指定人员与所述多级供暖管道对应;
通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,其中,作业影响度分析包括基于面部信息进行困意分析和寒意分析;
对所述多级参数告警信息和多个作业影响度进行验证,获得多个验证结果;
基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,进行告警处理;
所述通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,包括:
根据所述多个指定人员的历史作业检测信息,构建作业影响分析器,其中,作业影响分析器包括多个作业影响分析路径,每个作业影响分析路径包括困意影响分析分支和寒意影响分析分支;
基于所述作业影响分析器,对所述多个作业信息进行分析,获得多个困意影响度和多个寒意影响度;
基于多个困意影响度和多个寒意影响度,根据所述多级参数告警信息,对多个困意影响度和多个寒意影响度加权计算获得多个作业影响度,其中,参数告警信息与对所述困意影响度和寒意影响度进行加权计算的权重有映射关系。
2.根据权利要求1所述的方法,其特征在于,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,包括:
采集目标建筑内多级供暖管道的多级供暖温度、多级管道压力和多级流速信息;
整合所述多级供暖温度、多级管道压力和多级流速信息,获得多级运行参数集合。
3.根据权利要求1所述的方法,其特征在于,根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息,包括:
获取所述目标建筑内所述多级供暖管道的多级供暖运行参数预设范围;
获取多级供暖管道的多个样本运行参数集合,结合多级供暖运行参数预设范围,获取多个样本告警信息集合;
采用所述多个样本运行参数集合和多个样本告警信息集合,训练多级参数告警分析器,其中,多级参数告警分析器包括多级参数告警分析路径;
采用所述多级参数告警分析路径,对所述多级运行参数集合进行供暖运行告警分析,获得多级参数告警信息。
4.根据权利要求1所述的方法,其特征在于,通过所述作业信息采集设备阵列,采集多个指定人员的作业信息,包括:
通过所述作业信息采集设备阵列内的多个作业信息采集设备,采集所述多个指定人员的多个图像信息;
对所述多个图像信息进行图像分割处理,获取多个面部信息,作为多个作业信息。
5.根据权利要求1所述的方法,其特征在于,根据所述多个指定人员的历史作业检测信息,构建作业影响分析器,包括:
根据所述多个指定人员的历史作业检测信息,获取多个样本作业信息集合,并获取多个样本困意影响度集合和多个样本寒意影响度集合;
基于卷积神经网络,构建包括困意影响分析分支和寒意影响分析分支的多个作业影响分析路径;
分别采用所述多个样本作业信息集合,结合所述多个样本困意影响度集合和多个样本寒意影响度集合,对所述多个作业影响分析路径内的困意影响分析分支和寒意影响分析分支进行监督训练更新,直到准确率收敛,获得作业影响分析器。
6.根据权利要求1所述的方法,其特征在于,对所述多级参数告警信息和多个作业影响度进行验证,包括:
获取所述多级供暖管道的多个样本参数告警信息集合,并获取多个样本作业影响度集合;
划分获取多个样本参数告警信息区间和多个样本作业影响度区间;
构建所述多个样本参数告警信息区间和多个样本作业影响度区间的映射关系,对所述多级参数告警信息和多个作业影响度进行映射验证,获得多个验证结果。
7.根据权利要求1所述的方法,其特征在于,基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,包括:
对所述多级参数告警信息进行加权计算,获得总参数告警信息,其中,层级越低的供暖管道的参数告警信息的权重越大;
计算所述多个合格作业影响度的均值,获得总作业告警信息;
根据所述总参数告警信息和总作业告警信息,生成告警方案。
8.一种智慧建筑的告警智能处理系统,其特征在于,用于实施权利要求1-7任意一项所述的一种智慧建筑的告警智能处理方法,包括:
参数采集模块,用于通过多级参数告警分析单元,采集目标建筑内多级供暖管道的多级供暖运行参数,获得多级运行参数集合,其中,每级供暖管道包括多个供暖管道;
告警分析模块,用于根据所述多级运行参数集合,进行供暖运行告警分析,获得多级参数告警信息;
作业信息获得模块,用于通过作业信息采集设备阵列,采集多个指定人员的作业信息,获得多个作业信息,其中,作业信息包括指定人员的面部信息,多个指定人员与所述多级供暖管道对应;
影响度分析模块,用于通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,其中,作业影响度分析包括基于面部信息进行困意分析和寒意分析;
验证模块,用于对所述多级参数告警信息和多个作业影响度进行验证,获得多个验证结果;
告警处理模块,用于基于多级参数告警信息以及验证结果为合格的多个合格作业影响度,分别计算获得总参数告警信息和总作业告警信息,生成告警方案,进行告警处理;
所述通过作业影响告警分析单元,根据多个作业信息,进行作业影响度分析,获得多个作业影响度,包括:
根据所述多个指定人员的历史作业检测信息,构建作业影响分析器,其中,作业影响分析器包括多个作业影响分析路径,每个作业影响分析路径包括困意影响分析分支和寒意影响分析分支;
基于所述作业影响分析器,对所述多个作业信息进行分析,获得多个困意影响度和多个寒意影响度;
基于多个困意影响度和多个寒意影响度,根据所述多级参数告警信息,对多个困意影响度和多个寒意影响度加权计算获得多个作业影响度,其中,参数告警信息与对所述困意影响度和寒意影响度进行加权计算的权重有映射关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695476.7A CN117391312B (zh) | 2023-12-12 | 2023-12-12 | 一种智慧建筑的告警智能处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695476.7A CN117391312B (zh) | 2023-12-12 | 2023-12-12 | 一种智慧建筑的告警智能处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117391312A CN117391312A (zh) | 2024-01-12 |
CN117391312B true CN117391312B (zh) | 2024-03-15 |
Family
ID=89468708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311695476.7A Active CN117391312B (zh) | 2023-12-12 | 2023-12-12 | 一种智慧建筑的告警智能处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391312B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008198124A (ja) * | 2007-02-15 | 2008-08-28 | Matsushita Electric Works Ltd | 警戒センサ |
CN104133986A (zh) * | 2014-07-10 | 2014-11-05 | 国家电网公司 | 一种面向多业务对象的配网告警信息综合推理分析方法 |
CN105914881A (zh) * | 2016-05-13 | 2016-08-31 | 国网辽宁省电力有限公司电力科学研究院 | 一种智能变电站高级应用系统 |
CN116045357A (zh) * | 2022-12-28 | 2023-05-02 | 张文祥 | 一种基于地热的城市供热三维可视化监控系统及方法 |
CN116823135A (zh) * | 2022-12-15 | 2023-09-29 | 兴业银行股份有限公司 | 基于智慧园区的管理方法及设备 |
-
2023
- 2023-12-12 CN CN202311695476.7A patent/CN117391312B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008198124A (ja) * | 2007-02-15 | 2008-08-28 | Matsushita Electric Works Ltd | 警戒センサ |
CN104133986A (zh) * | 2014-07-10 | 2014-11-05 | 国家电网公司 | 一种面向多业务对象的配网告警信息综合推理分析方法 |
CN105914881A (zh) * | 2016-05-13 | 2016-08-31 | 国网辽宁省电力有限公司电力科学研究院 | 一种智能变电站高级应用系统 |
CN116823135A (zh) * | 2022-12-15 | 2023-09-29 | 兴业银行股份有限公司 | 基于智慧园区的管理方法及设备 |
CN116045357A (zh) * | 2022-12-28 | 2023-05-02 | 张文祥 | 一种基于地热的城市供热三维可视化监控系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于大数据挖掘的电网监控信息智能监控研究;孙云岭;徐建建;李飞;李少博;苏玉京;李芸;;电力大数据(01);全文 * |
长输管道通信系统综合告警平台的搭建;苑宝金;任杰;张新荣;李凡;;油气田地面工程(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117391312A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
CN108154291B (zh) | 一种基于策略库的供电厂性能指标评价方法及系统 | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN107430715A (zh) | 建筑物自动化中的级联识别 | |
CN109540212A (zh) | 一种基于大数据的电缆井状态评估预警系统及方法 | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN105095963A (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
CN108780315A (zh) | 用于优化旋转设备的诊断的方法和装置 | |
CN112529320A (zh) | 空压机集群智能诊断系统 | |
CN113036913B (zh) | 一种综合能源设备状态监测方法及装置 | |
CN114322199B (zh) | 基于数字孪生的通风系统自主优化运行调控平台及方法 | |
TWI738016B (zh) | 液態氣體充填之智能化學習機制與自適應調節系統 | |
CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
CN117764422B (zh) | 智慧节能运维管理云平台 | |
CN109947064A (zh) | 智能通水温度控制专家系统及硬件检测和数据监测方法 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN117391312B (zh) | 一种智慧建筑的告警智能处理方法及系统 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控系统 | |
CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
CN115481815A (zh) | 基于神经网络的火电厂负荷分配系统及方法 | |
CN104713410A (zh) | 一种调控冷却塔出水温度的方法 |
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 |