CN118133210A - 电梯人体感应传感器数据异常特征提取方法、装置 - Google Patents
电梯人体感应传感器数据异常特征提取方法、装置 Download PDFInfo
- Publication number
- CN118133210A CN118133210A CN202410551419.XA CN202410551419A CN118133210A CN 118133210 A CN118133210 A CN 118133210A CN 202410551419 A CN202410551419 A CN 202410551419A CN 118133210 A CN118133210 A CN 118133210A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- data
- key
- elevator
- 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 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006698 induction Effects 0.000 title claims abstract description 33
- 238000009826 distribution Methods 0.000 claims abstract description 182
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- GXFZCDMWGMFGFL-KKXMJGKMSA-N (+)-Tubocurarine chloride hydrochloride Chemical compound [Cl-].[Cl-].C([C@H]1[N+](C)(C)CCC=2C=C(C(=C(OC3=CC=C(C=C3)C[C@H]3C=4C=C(C(=CC=4CC[NH+]3C)OC)O3)C=21)O)OC)C1=CC=C(O)C3=C1 GXFZCDMWGMFGFL-KKXMJGKMSA-N 0.000 claims description 3
- 241001111317 Chondrodendron tomentosum Species 0.000 claims description 3
- 239000008709 Curare Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
本发明公开了电梯人体感应传感器数据异常特征提取方法、装置，涉及物联网技术领域，该方法通过绘制实时分布图和正常分布图，将两者进行分布匹配系数计算，获得分布匹配系数；基于分布匹配系数的数值大小判定是否进行异常特征提取，当数值大于设定阈值时，获取该分布匹配系数对应时间内的相关实时关键数据并将其进行处理获得初级实时关键时间序列；通过检测窗进行采样处理后，进行分解获得初级实时关键时间子序列并作为原始样本，建立关键原始矩阵，提取出主要特征；计算关键原始矩阵与近似矩阵之间的残差，根据残差值与残差安全系数阈值进行比较，标记异常特征对象。本发明通过结合分布匹配系数计算和残差运算使得数据异常特征提取更加精确。
Description
技术领域
本发明属于物联网技术领域，具体涉及电梯人体感应传感器数据异常特征提取方法、装置。
背景技术
随着物联网技术的发展，电梯物联网系统逐渐普及。电梯物联网系统是一个集成了物联网技术的电梯安全管理系统，将电梯与互联网相连接，进行信息交换和通讯，以实现智能化识别、定位、追踪、监控和管理，可以实时监测电梯的运行状态，包括电梯的位置、速度、负载等关键信息。当电梯发生故障或异常情况时，系统能够自动报警，并通过网络将故障信息传输到远程监控中心，以便及时进行处理。此外，系统还可以提供视频安抚、应急救援等功能，确保乘客在电梯故障时能够得到及时、有效的帮助。
总的来说，电梯人体感应传感器是一种集安全监测、物体检测、环境调节于一体的智能设备，它不仅能提高电梯的安全性，还能提升乘客的乘坐体验。随着技术的不断进步，这种传感器在电梯系统中的应用将越来越广泛，为人们的日常生活带来更多便利和安全保障。
然而，在实际应用中，由于各种原因，传感器数据可能会出现异常，如数据波动大、数据缺失等，这可能导致电梯运行异常或安全问题。因此，需要一种能够快速、准确地识别出人体感应传感器数据异常的特征提取方法。
发明内容
为了克服上述现有技术存在的缺点与不足，本发明提供电梯人体感应传感器数据异常特征提取方法、装置。
为了实现上述目的，本发明采用了如下技术方案：
电梯人体感应传感器数据异常特征提取方法，包括以下步骤：
步骤一、通过电梯物联网系统收集获取电梯运行管理时间段内人体感应传感器的实时关键数据和历史关键数据；
步骤二、对实时关键数据和历史关键数据进行预处理；
步骤三、根据预处理后的实时关键数据绘制TP实时分布图和TT实时分布图，根据历史关键数据绘制电梯正常运行时的TP正常分布图和TT正常分布图；
步骤四、将TP实时分布图和TT实时分布图分别与TP正常分布图和TT正常分布图进行分布匹配系数计算，获得分布匹配系数；
步骤五、基于分布匹配系数的数值大小判定是否进行异常特征提取，当分布匹配系数大于设定的分布安全系数阈值时，获取该分布匹配系数对应时间区间段内的相关实时关键数据；
步骤六、将相关实时关键数据特征处理获得根据时间变化的初级实时关键时间序列；通过检测窗对其进行采样处理后，利用REMD将其进行分解获得初级实时关键时间子序列；
步骤七、将初级实时关键时间子序列作为原始样本，建立关键原始矩阵，通过CUR分解提取出关键原始矩阵的主要特征；
步骤八、计算关键原始矩阵与近似矩阵CUR之间的残差；
步骤九、将残差值与残差安全系数阈值进行比较，当大于残差安全系数阈值时，判定存在数据特征异常情况，标记对应的对象为异常特征。
作为优选，步骤二具体流程如下：
对实时关键数据和历史关键数据进行清洗去噪操作；进行数据对齐与同步操作，使电梯与乘客的相关数据的时间戳一致。其中，实时关键数据包括电梯运行数据、乘客数据和电梯人体感应传感器数据；历史关键数据包括电梯正常运行时的电梯历史运行数据、乘客历史数据和电梯人体感应传感器历史数据；电梯运行数据包括电梯运行时间数据，乘客数据包括乘客数量、分布和等待时间数据，电梯人体感应传感器数据包括人流量、平均人流量、高峰期和低谷期的起始时间数据。
作为优选，步骤三具体流程如下：
根据预处理后的实时关键数据计算人流量数据的均值μ1和标准差σ1，其中，均值μ1代表人流量数据的中心点，标准差σ1代表人流量数据分布的离散程度，以时间为横坐标，电梯对应人流量为纵坐标绘制TP实时分布图;计算电梯运行时间数据的均值μ2和标准差σ2，其中，均值μ2代表电梯运行时间数据的中心点，标准差σ2代表电梯运行时间数据分布的离散程度，以时间为横坐标，电梯对应运行时间为纵坐标绘制TT实时分布图；TP正常分布图和TT正常分布图绘制过程与TP实时分布图和TT实时分布图的绘制流程相同。
作为优选，步骤四的具体流程如下：
将TP实时分布图、TP正常分布图、TT实时分布图和TT正常分布图转化为RGB格式，过滤掉低置信度的关键点，进行平滑处理，进行数据转换；
将处理后的TP实时分布图和TT实时分布图输入到CNN中进行特征提取，CNN包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层用于接收输入分布图，卷积层和池化层用于分布图特征提取，全连接层用于特征分类，输出层用于输出结果，其中，输出层为分布图的实时分布图特征坐标和正常分布图特征坐标；实时分布图特征坐标(xi s,yi s)，i=1,2,3…m，坐标数量为m；正常分布图特征坐标(xj z,yj z)，j=1,2,3…m，坐标数量为m；
将实时分布图特征坐标按照顺序表示成高维向量A：
A=[a1,a2,a3…ai]；
其中a1为坐标(x1 s,y1 s)构成的向量；a2为坐标(x2 s,y2 s)构成的向量；a3为坐标(x3 s,y3 s)构成的向量；ai为坐标(xi s,yi s)构成的向量；
正常分布图特征坐标按照顺序表示成高维向量B：
B=[b1,b2,b3…bj]；
其中，b1为坐标(x1 z,y1 z)构成的向量；b2为坐标(x2 z,y2 z)构成的向量；b3为坐标(x3 z,y3 z)构成的向量；bi为坐标(xj z,yj z)构成的向量；
将向量B作为基准序列B，向量A作为对比序列A，代入分布匹配系数计算公式中，获得分布匹配系数D，公式如下：
D=D(i,j)=d(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]；
d(i,j)=1-cos(ai,bj)；
其中，d(i,j)为ai和bj之间的余弦距离；D(i,j)为对比序列A前i个坐标与基准序列B前j个坐标的距离之和。
作为优选，步骤五具体流程如下：
当分布匹配系数D值大于分布安全系数阈值时，表示向量A与向量B之间距离越大，即实时分布图和正常分布图之间存在超出分布安全系数阈值的差异，判定存在数据特征异常情况；
基于上述数据特征异常情况，获取该分布匹配系数D对应时间区间段内的相关实时关键数据特征。
作为优选，步骤六具体流程如下：
处理获得初级实时关键时间序列过程如下：
首先，提取相关实时关键数据特征中的时间戳字段，对整理后的时间戳字段进行统计分析，计算每个时间段内的人流量、平均人流量、高峰期和低谷期的起始时间；根据日期和时间的信息数据，整理出不同的时间段，包括单位时间、高峰期/低峰期、工作日/非工作日；将工作日电梯使用高峰期时间段标记为第一主动时间戳，工作日电梯使用低峰期时间段标记为第二主动时间戳；
将非工作日电梯使用高峰期时间段标记为第一非主动时间戳，非工作日电梯使用低峰期时间段标记为第二非主动时间戳；
将提取的相关实时关键数据特征按照时间戳顺序进行排列，构建初级实时关键时间序列；
初级实时关键时间序列包括第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列；
滑动采样过程如下：
基于以上时间戳，设定检测窗口周期；
确定检测窗大小为m，步长为n，window_size = m，step_size = n ; 检测窗包括检测窗C1，检测窗C2，检测窗C3,...，检测窗Cn，其中n大于等于1，利用检测窗进行滑动采样；
将采样后的初级实时关键时间序列利用REMD将其进行分解获得初级实时关键时间子序列。
作为优选，步骤七具体流程如下：
将初级实时关键时间子序列作为原始样本，建立一个K*4的关键原始矩阵Q，其中，K表示样本数量，4表示第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列这4种属性；
提取关键原始矩阵Q的低秩近似，将关键原始矩阵Q近似为C、U和R三个矩阵的乘积，近似关联公式如下：
A≈CUR；
其中，C由关键原始矩阵Q的列组成；U是一个低秩矩阵；R由关键原始矩阵Q的行组成；
通过CUR分解，提取出关键原始矩阵Q的主要特征。
作为优选，步骤八具体流程如下：
计算关键原始矩阵Q与近似矩阵CUR之间的残差，残差矩阵P计算公式如下：
P=Q-CUR；
计算残差矩阵P中每个元素pi的绝对值，其中，i=1,2,3,...,i；
作为优选，步骤九具体流程如下：
当大于残差安全系数阈值时，判定第i个元素pi存在数据特征异常情况，标记对应的对象为异常特征。
作为优选，步骤一中实时关键数据包括电梯运行数据、乘客数据和电梯人体感应传感器数据，历史关键数据包括电梯正常运行时的电梯历史运行数据、乘客历史数据和电梯人体感应传感器历史数据。
一种电梯人体感应传感器数据异常特征提取装置，包括：
获取模块，用于通过电梯物联网系统收集获取电梯运行管理时间段内人体感应传感器的实时关键数据和历史关键数据；
第一处理模块，用于对实时关键数据和历史关键数据进行预处理；
第一计算模块，用于根据预处理后的实时关键数据绘制TP实时分布图和TT实时分布图，根据历史关键数据绘制电梯正常运行时的TP正常分布图和TT正常分布图；
第二计算模块，用于将TP实时分布图和TT实时分布图分别与TP正常分布图和TT正常分布图进行分布匹配系数计算，获得分布匹配系数；
第一判断模块，用于基于分布匹配系数的数值大小判定是否进行异常特征提取，当分布匹配系数大于设定的分布安全系数阈值时，获取该分布匹配系数对应时间区间段内的相关实时关键数据；
第二处理模块，用于将相关实时关键数据特征处理获得根据时间变化的初级实时关键时间序列；
采样模块，用于通过检测窗对初级实时关键时间序列进行采样处理后，进行分解处理获得初级实时关键时间子序列；
提取模块，用于将初级实时关键时间子序列作为原始样本，建立关键原始矩阵，通过分解处理提取出关键原始矩阵的主要特征；
第三计算模块，用于计算关键原始矩阵与近似矩阵之间的残差；
第二判断模块，用于将残差值与残差安全系数阈值进行比较，当大于残差安全系数阈值时，判定存在数据特征异常情况，标记对应的对象为异常特征。
一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一项所述的方法。
一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一项所述方法的步骤。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明通过数据收集、数据预处理、特征提取、特征分类、异常特征识别的流程来进行电梯人体感应传感器数据异常特征的提取；通过绘制实时分布图和正常分布图，将两者进行分布匹配系数计算，获得分布匹配系数，基于分布匹配系数的数值大小判定是否进行异常特征提取，可以帮助识别和过滤掉不相关的信息数据，只关注与异常特征高度相似的部分，从而减少因电梯人体感应传感器数据过多或杂乱而导致的错误，方便后续异常特征提取步骤；提高了电梯运行的安全性和稳定性。
2、本发明通过检测窗进行采样处理后，进行分解获得初级实时关键时间子序列并作为原始样本，建立关键原始矩阵，提取出主要特征；计算关键原始矩阵与近似矩阵CUR之间的残差，根据残差值与残差安全系数阈值进行比较，标记异常特征对象，通过设定残差安全系数阈值，可以实现对异常特征对象的精准判定，只有当残差值超过该阈值时，才会被标记为异常特征对象，避免了因误判而导致的误报或漏报情况。
3、本发明通过结合分布匹配系数计算和残差运算可以不仅标记出异常特征对象，还可以提供关于异常特征的解释性信息，综合考虑分布和残差信息，可以减少单一指标带来的误判和不稳定性，从而提高算法的鲁棒性和稳定性，使得数据异常特征提取更加精确。
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，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，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示出了本发明电梯人体感应传感器数据异常特征提取方法的流程图；
图2示出了本发明电梯人体感应传感器数据异常特征提取装置的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
参阅图1所示，本实施例的电梯人体感应传感器数据异常特征提取方法，步骤如下：
步骤一、通过电梯物联网系统收集获取电梯运行管理时间段内人体感应传感器的实时关键数据和历史关键数据；
此步骤涉及电梯物联网系统的充分利用，它是一种智能监控手段，能够在预定的管理时段内自动、连续地收集电梯运行过程中人体感应传感器产生的实时数据，同时回溯并整合历史关键数据。
步骤二、对实时关键数据和历史关键数据进行预处理；
此步骤涉及电梯物联网系统的充分利用，它是一种智能监控手段，能够在预定的管理时段内自动、连续地收集电梯运行过程中人体感应传感器产生的实时数据，同时回溯并整合历史关键数据。
需要说明的是，本实施例以写字楼电梯为例；本实施例中电梯物联网系统是一种通过物联网技术将电梯与互联网连接起来的系统。其中，实时关键数据包括但不限于电梯运行数据、乘客数据和电梯人体感应传感器数据；历史关键数据包括但不限于电梯正常运行时的电梯历史运行数据、乘客历史数据和电梯人体感应传感器历史数据。
具体地，对实时关键数据和历史关键数据进行清洗去噪操作，以保证数据的准确性和可靠性；进行数据对齐与同步操作，确保所有电梯与乘客的相关数据的时间戳一致，以便进行后续步骤的分析和处理。
步骤三、根据预处理后的实时关键数据绘制TP实时分布图和TT实时分布图，根据历史关键数据绘制电梯正常运行时的TP正常分布图和TT正常分布图；
基于预处理后的数据，通过可视化技术，构建TP和TT的实时与正常分布图。实时图反映当前状态，而正常图则基于历史数据，这有助于直观识别两者间是否存在偏差。
步骤四、将TP实时分布图和TT实时分布图分别与TP正常分布图和TT正常分布图进行分布匹配系数计算，获得分布匹配系数；
具体的，根据预处理后的实时关键数据计算人流量数据的均值μ1和标准差σ1，其中，均值μ1代表人流量数据的中心点，标准差σ1代表人流量数据分布的离散程度，以时间为横坐标，电梯对应人流量为纵坐标绘制TP实时分布图;计算电梯运行时间数据的均值μ2和标准差σ2，其中，均值μ2代表电梯运行时间数据的中心点，标准差σ2代表电梯运行时间数据分布的离散程度，以时间为横坐标，电梯对应运行时间为纵坐标绘制TT实时分布图；TP正常分布图和TT正常分布图绘制过程与TP实时分布图和TT实时分布图的绘制流程相同，此处不再赘述。
分布匹配系数计算过程如下：
将TP实时分布图、TP正常分布图、TT实时分布图和TT正常分布图转化为RGB格式，过滤掉低置信度的关键点，进行平滑处理以减少噪声，进行数据转换以适应后续特征提取处理；
将处理后的TP实时分布图和TT实时分布图输入到CNN中进行特征提取，所述CNN包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层用于接收输入分布图，卷积层和池化层用于分布图特征提取，全连接层用于特征分类，输出层用于输出结果，其中，输出层为分布图的实时分布图特征坐标和正常分布图特征坐标;实时分布图特征坐标(xi s,yi s)，i=1,2,3…m，坐标数量为m；正常分布图特征坐标(xj z,yj z)，j=1,2,3…m，坐标数量为m；
将实时分布图特征坐标按照顺序表示成高维向量A：
A=[a1,a2,a3…ai]；
其中a1为坐标(x1 s,y1 s)构成的向量；a2为坐标(x2 s,y2 s)构成的向量；a3为坐标(x3 s,y3 s)构成的向量；ai为坐标(xi s,yi s)构成的向量；
正常分布图特征坐标按照顺序表示成高维向量B：
B=[b1,b2,b3…bj]；
其中，b1为坐标(x1 z,y1 z)构成的向量；b2为坐标(x2 z,y2 z)构成的向量；b3为坐标(x3 z,y3 z)构成的向量；bi为坐标(xj z,yj z)构成的向量；
将向量B作为基准序列B，向量A作为对比序列A，代入分布匹配系数计算公式中，获得分布匹配系数D，公式如下：
D=D(i,j)=d(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)]；
d(i,j)=1-cos(ai,bj)；
其中，d(i,j)为ai和bj之间的余弦距离；D(i,j)为对比序列A前i个坐标与基准序列B前j个坐标的距离之和。
利用统计学或机器学习算法，计算实时分布图与正常分布图之间的匹配程度，得到分布匹配系数D。这一系数量化了实时数据与历史基准数据间的相似度或差异性。
步骤五、基于分布匹配系数的数值大小判定是否进行异常特征提取，当分布匹配系数大于设定的分布安全系数阈值时，获取该分布匹配系数对应时间区间段内的相关实时关键数据；
当分布匹配系数D值大于分布安全系数阈值时，表示向量A与向量B之间距离越大，即实时分布图和正常分布图之间存在超出分布安全系数阈值的差异，判定存在数据特征异常情况；在本实施例中，分布安全系数阈值是指实时分布图和正常分布图在进行分布匹配时，人为设定的其偏离相似系数所允许的最大值。
基于上述数据特征异常情况，获取该分布匹配系数D对应时间区间段内的相关实时关键数据特征。
当D值超过预设阈值，表明当前电梯运行状态偏离正常范围，此时，针对异常时段内的实时关键数据进行特别关注和提取，为后续的深入分析准备数据基础。
步骤六、将相关实时关键数据特征处理获得根据时间变化的初级实时关键时间序列；通过检测窗对其进行采样处理后，利用REMD将其进行分解获得初级实时关键时间子序列；
具体地，处理获得初级实时关键时间序列过程如下：
首先，提取相关实时关键数据特征中的时间戳字段，这一步骤确保了后续分析基于精确的时间基础。
对整理后的时间戳字段进行统计分析，计算每个时间段内的人流量、平均人流量、高峰期和低谷期的起始时间；对整理后的时间戳进行分组统计，计算每个指定时间段内的人流量总数，以此捕捉人流密度的变化。计算平均人流量，以反映整体的客流量水平。通过时间序列分析，识别并标注出人流量高峰期和低谷期的具体起始时间，这有助于理解人流分布的模式。
根据日期和时间的信息数据，整理出不同的时间段，包括分钟、高峰期/低峰期、工作日/非工作日；根据时间信息，将全天划分为更细粒度的单元，如按分钟计，便于观察微观变化。分类定义高峰期和低峰期，以及工作日与非工作日时段，以区分不同时间段的人流特征。
将工作日电梯使用高峰期时间段标记为第一主动时间戳，工作日电梯使用低峰期时间段标记为第二主动时间戳；工作日：将电梯使用最频繁的时段标记为第一主动时间戳，反映高峰时段；相对人流量较少的时段标记为第二主动时间戳，代表低峰期。
将非工作日电梯使用高峰期时间段标记为第一非主动时间戳，非工作日电梯使用低峰期时间段标记为第二非主动时间戳；非工作日：同样，分别标记出第一非主动时间戳（高峰期）和第二非主动时间戳（低峰期），以区别于工作日的流量模式。
将提取的相关实时关键数据特征按照时间戳顺序进行排列，构建初级实时关键时间序列。
初级实时关键时间序列包括第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列；其中，初级实时关键时间序列为多维数组。将上述标记好的时间戳及其对应的人流量数据，按照时间顺序进行排序和整合，形成多维度的数据结构。这包括四个主要序列：第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列。
多维数组结构：初级实时关键时间序列采用多维数组的形式存储，其中每个维度承载特定的信息：第一维度可能代表不同类型的时段标记（主动/非主动，高峰/低峰）。第二维度则记录了时间序列中的具体时间点或区间。第三维度（如果存在）可以包含人流量统计值、平均值或其他衍生的流量特征指标。
通过这一系列处理，不仅获得了对人流量动态变化的清晰视图，还创建了一个结构化的数据序列，为后续的高级分析（如预测模型构建、资源调度优化等）提供了坚实的数据基础。
滑动采样过程如下：
基于以上所述时间戳，设定检测窗口周期；
确定检测窗大小为m，步长为n，window_size = m，step_size = n ; 检测窗包括检测窗C1，检测窗C2，检测窗C3,...，检测窗Cn，其中n大于等于1，利用检测窗进行滑动采样；
将采样后的初级实时关键时间序列利用REMD将其进行分解获得初级实时关键时间子序列。
将提取的实时关键数据按时间顺序排列，形成初级时间序列。通过设置合适的检测窗口对其采样，旨在减少噪声干扰，并进一步分解为子序列，为特征提取提供更为精细的结构化数据。
步骤七、将初级实时关键时间子序列作为原始样本，建立关键原始矩阵，通过CUR分解提取出关键原始矩阵的主要特征；
具体地，将初级实时关键时间子序列作为原始样本，建立一个K*4的关键原始矩阵Q，其中，K表示样本数量，4表示第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列这4种属性；
提取关键原始矩阵Q的低秩近似，将关键原始矩阵Q近似为C、U和R三个矩阵的乘积，近似关联公式如下：
A≈CUR；
其中，C由关键原始矩阵Q的列组成；U是一个低秩矩阵；R由关键原始矩阵Q的行组成。
通过CUR分解，提取出关键原始矩阵Q的主要特征；
将初级时间子序列整合成关键原始矩阵，还可以运用如主成分分析（PCA）、独立成分分析（ICA）等高级分析技术，从大量数据中提炼出最具代表性且能有效解释数据变异的主要特征，构建起关键特征的数学模型。
步骤八、计算关键原始矩阵与近似矩阵CUR之间的残差；
计算关键原始矩阵Q与近似矩阵CUR之间的残差，残差矩阵P计算公式如下：
P=Q-CUR；
计算残差矩阵P中每个元素pi的绝对值，其中，i=1,2,3,...,i；
通过比较关键原始矩阵与其降维或近似表示之间的差异（即残差），评估数据压缩或模型拟合的质量。这是验证特征提取效果的一个重要环节。
步骤九、将残差值与残差安全系数阈值进行比较，当大于残差安全系数阈值时，判定存在数据特征异常情况，标记对应的对象为异常特征；
当大于残差安全系数阈值时，判定第i个元素pi存在数据特征异常情况，标记对应的对象为异常特征。
最终，将残差与预设的残差安全系数阈值对比，若超过阈值，则确认存在数据特征异常。相应的电梯运行状态被标记为异常特征，为维修、调整或进一步调查提供直接依据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
与前述的电梯人体感应传感器数据异常特征提取方法的实施例相对应，本申请还提供了一种电梯人体感应传感器数据异常特征提取装置的实施例。
实施例2
图2是根据一示例性实施例示出的一种电梯人体感应传感器数据异常特征提取装置的模块示意图。参照图2，该装置包括：
获取模块，用于通过电梯物联网系统收集获取电梯运行管理时间段内人体感应传感器的实时关键数据和历史关键数据；
第一处理模块，用于对实时关键数据和历史关键数据进行预处理；
第一计算模块，用于根据预处理后的实时关键数据绘制TP实时分布图和TT实时分布图，根据历史关键数据绘制电梯正常运行时的TP正常分布图和TT正常分布图；
第二计算模块，用于将TP实时分布图和TT实时分布图分别与TP正常分布图和TT正常分布图进行分布匹配系数计算，获得分布匹配系数；
第一判断模块，用于基于分布匹配系数的数值大小判定是否进行异常特征提取，当分布匹配系数大于设定的分布安全系数阈值时，获取该分布匹配系数对应时间区间段内的相关实时关键数据；
第二处理模块，用于将相关实时关键数据特征处理获得根据时间变化的初级实时关键时间序列；
采样模块，用于通过检测窗对初级实时关键时间序列进行采样处理后，进行分解处理获得初级实时关键时间子序列；
提取模块，用于将初级实时关键时间子序列作为原始样本，建立关键原始矩阵，通过分解处理提取出关键原始矩阵的主要特征；
第三计算模块，用于计算关键原始矩阵与近似矩阵之间的残差；
第二判断模块，用于将残差值与残差安全系数阈值进行比较，当大于残差安全系数阈值时，判定存在数据特征异常情况，标记对应的对象为异常特征。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
实施例3
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的电梯门故障检测及故障发生率预测方法。除了处理器、存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的电梯门故障检测方法或电梯门故障发生率预测方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (13)
1.电梯人体感应传感器数据异常特征提取方法，其特征在于，包括以下步骤：
步骤一、通过电梯物联网系统收集获取电梯运行管理时间段内人体感应传感器的实时关键数据和历史关键数据；
步骤二、对实时关键数据和历史关键数据进行预处理；
步骤三、根据预处理后的实时关键数据绘制TP实时分布图和TT实时分布图，根据历史关键数据绘制电梯正常运行时的TP正常分布图和TT正常分布图；
步骤四、将TP实时分布图和TT实时分布图分别与TP正常分布图和TT正常分布图进行分布匹配系数计算，获得分布匹配系数；
步骤五、基于分布匹配系数的数值大小判定是否进行异常特征提取，当分布匹配系数大于设定的分布安全系数阈值时，获取该分布匹配系数对应时间区间段内的相关实时关键数据；
步骤六、将相关实时关键数据特征处理获得根据时间变化的初级实时关键时间序列；通过检测窗对其进行采样处理后，进行分解处理获得初级实时关键时间子序列；
步骤七、将初级实时关键时间子序列作为原始样本，建立关键原始矩阵，通过分解处理提取出关键原始矩阵的主要特征；
步骤八、计算关键原始矩阵与近似矩阵之间的残差；
步骤九、将残差值与残差安全系数阈值进行比较，当大于残差安全系数阈值时，判定存在数据特征异常情况，标记对应的对象为异常特征。
2.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，步骤二的具体流程如下：
对实时关键数据和历史关键数据进行清洗去噪操作；进行数据对齐与同步操作，使电梯与乘客的相关数据的时间戳一致；其中，实时关键数据包括电梯运行数据、乘客数据和电梯人体感应传感器数据；历史关键数据包括电梯正常运行时的电梯历史运行数据、乘客历史数据和电梯人体感应传感器历史数据；电梯运行数据包括电梯运行时间数据，乘客数据包括乘客数量、分布和等待时间数据，电梯人体感应传感器数据包括人流量、平均人流量、高峰期和低谷期的起始时间数据。
3.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤三的具体流程如下：
根据预处理后的实时关键数据计算人流量数据的均值μ1和标准差σ1，其中，均值μ1代表人流量数据的中心点，标准差σ1代表人流量数据分布的离散程度，以时间为横坐标，电梯对应人流量为纵坐标绘制TP实时分布图;计算电梯运行时间数据的均值μ2和标准差σ2，其中，均值μ2代表电梯运行时间数据的中心点，标准差σ2代表电梯运行时间数据分布的离散程度，以时间为横坐标，电梯对应运行时间为纵坐标绘制TT实时分布图；TP正常分布图和TT正常分布图绘制过程与TP实时分布图和TT实时分布图的绘制流程相同。
4.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤四的具体流程如下：
将TP实时分布图、TP正常分布图、TT实时分布图和TT正常分布图转化为RGB格式，过滤掉低置信度的关键点，进行平滑处理，进行数据转换；
将处理后的TP实时分布图和TT实时分布图输入到CNN中进行特征提取，输出分布图的实时分布图特征坐标和正常分布图特征坐标；实时分布图特征坐标(xi s,yi s)，i=1,2,3…m，坐标数量为m；正常分布图特征坐标(xj z,yj z)，j=1,2,3…m，坐标数量为m；
将实时分布图特征坐标按照顺序表示成高维向量A：
A=[a1,a2,a3…ai]；
其中a1为坐标(x1 s,y1 s)构成的向量；a2为坐标(x2 s,y2 s)构成的向量；a3为坐标(x3 s,y3 s)构成的向量；ai为坐标(xi s,yi s)构成的向量；
正常分布图特征坐标按照顺序表示成高维向量B：
B=[b1,b2,b3…bj]；
其中，b1为坐标(x1 z,y1 z)构成的向量；b2为坐标(x2 z,y2 z)构成的向量；b3为坐标(x3 z,y3 z)构成的向量；bi为坐标(xj z,yj z)构成的向量；
将向量B作为基准序列B，向量A作为对比序列A，代入分布匹配系数计算公式中，获得分布匹配系数D，公式如下：
D=D(i,j)=d(i,j)+min[D(i-1,j),D(i,j-1),D(i-1,j-1)];
d(i,j)=1-cos(ai,bj);
其中,d(i,j)为ai和bj之间的余弦距离；D(i,j)为对比序列A前i个坐标与基准序列B前j个坐标的距离之和。
5.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤五具体流程如下：
当分布匹配系数D值大于分布安全系数阈值时，表示向量A与向量B之间距离越大，即实时分布图和正常分布图之间存在超出分布安全系数阈值的差异，判定存在数据特征异常情况；
基于上述数据特征异常情况，获取该分布匹配系数D对应时间区间段内的相关实时关键数据特征。
6.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤六具体流程如下：
处理获得初级实时关键时间序列过程如下：
首先，提取相关实时关键数据特征中的时间戳字段，对整理后的时间戳字段进行统计分析，计算每个时间段内的人流量、平均人流量、高峰期和低谷期的起始时间；根据日期和时间的信息数据，整理出不同的时间段，包括单位时间、高峰期/低峰期、工作日/非工作日；将工作日电梯使用高峰期时间段标记为第一主动时间戳，工作日电梯使用低峰期时间段标记为第二主动时间戳；
将非工作日电梯使用高峰期时间段标记为第一非主动时间戳，非工作日电梯使用低峰期时间段标记为第二非主动时间戳；
将提取的相关实时关键数据特征按照时间戳顺序进行排列，构建初级实时关键时间序列；
初级实时关键时间序列包括第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列；
滑动采样过程如下：
基于以上所述时间戳，设定检测窗口周期；
确定检测窗大小为m，步长为n，window_size = m，step_size = n ; 检测窗包括检测窗C1，检测窗C2，检测窗C3,...，检测窗Cn，其中n大于等于1，利用检测窗进行滑动采样；
将采样后的初级实时关键时间序列利用REMD将其进行分解处理获得初级实时关键时间子序列。
7.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤七具体流程如下：
将初级实时关键时间子序列作为原始样本，建立一个K*4的关键原始矩阵Q，其中，K表示样本数量，4表示第一主动时间戳序列、第二主动时间戳序列、第一非主动时间戳序列和第二非主动时间戳序列这4种属性；
提取关键原始矩阵Q的低秩近似，将关键原始矩阵Q近似为C、U和R三个矩阵的乘积，近似关联公式如下：
A≈CUR；
其中，C由关键原始矩阵Q的列组成；U是一个低秩矩阵；R由关键原始矩阵Q的行组成；
通过CUR分解，提取出关键原始矩阵Q的主要特征。
8.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤八具体流程如下：
计算关键原始矩阵Q与近似矩阵CUR之间的残差，残差矩阵P计算公式如下：
P=Q-CUR；
计算残差矩阵P中每个元素pi的绝对值，其中，i=1,2,3,...,i。
9.根据权利要求1所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述步骤九具体流程如下：
当大于残差安全系数阈值时，判定第i个元素pi存在数据特征异常情况，标记对应的对象为异常特征。
10.根据权利要求4所述的电梯人体感应传感器数据异常特征提取方法，其特征在于，所述CNN包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层用于接收输入分布图，卷积层和池化层用于分布图特征提取，全连接层用于特征分类，输出层用于输出结果。
11.一种电梯人体感应传感器数据异常特征提取装置，其特征在于，包括：
获取模块，用于通过电梯物联网系统收集获取电梯运行管理时间段内人体感应传感器的实时关键数据和历史关键数据；
第一处理模块，用于对实时关键数据和历史关键数据进行预处理；
第一计算模块，用于根据预处理后的实时关键数据绘制TP实时分布图和TT实时分布图，根据历史关键数据绘制电梯正常运行时的TP正常分布图和TT正常分布图；
第二计算模块，用于将TP实时分布图和TT实时分布图分别与TP正常分布图和TT正常分布图进行分布匹配系数计算，获得分布匹配系数；
第一判断模块，用于基于分布匹配系数的数值大小判定是否进行异常特征提取，当分布匹配系数大于设定的分布安全系数阈值时，获取该分布匹配系数对应时间区间段内的相关实时关键数据；
第二处理模块，用于将相关实时关键数据特征处理获得根据时间变化的初级实时关键时间序列；
采样模块，用于通过检测窗对初级实时关键时间序列进行采样处理后，进行分解处理获得初级实时关键时间子序列；
提取模块，用于将初级实时关键时间子序列作为原始样本，建立关键原始矩阵，通过分解处理提取出关键原始矩阵的主要特征；
第三计算模块，用于计算关键原始矩阵与近似矩阵之间的残差；
第二判断模块，用于将残差值与残差安全系数阈值进行比较，当大于残差安全系数阈值时，判定存在数据特征异常情况，标记对应的对象为异常特征。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410551419.XA CN118133210B (zh) | 2024-05-07 | 2024-05-07 | 电梯人体感应传感器数据异常特征提取方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410551419.XA CN118133210B (zh) | 2024-05-07 | 2024-05-07 | 电梯人体感应传感器数据异常特征提取方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118133210A true CN118133210A (zh) | 2024-06-04 |
| CN118133210B CN118133210B (zh) | 2024-08-02 |
Family
ID=91233874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410551419.XA Active CN118133210B (zh) | 2024-05-07 | 2024-05-07 | 电梯人体感应传感器数据异常特征提取方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118133210B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111886677A (zh) * | 2018-03-09 | 2020-11-03 | 株式会社斯库林集团 | 基板处理装置以及基板处理方法 |
| CN112693985A (zh) * | 2020-12-10 | 2021-04-23 | 太原理工大学 | 一种融合传感器数据的非侵入式电梯状态监测方法 |
| CN114328095A (zh) * | 2021-12-21 | 2022-04-12 | 深圳前海微众银行股份有限公司 | 一种任务异常告警方法及装置 |
| US20230082218A1 (en) * | 2021-09-15 | 2023-03-16 | Shandong University | Method and system for analyzing regional energy internet load behavior based on random matrix |
| CN115829422A (zh) * | 2023-02-21 | 2023-03-21 | 创银科技(南通)有限公司 | 基于大数据的工业设备运行异常状态识别方法 |
| CN116450711A (zh) * | 2023-06-20 | 2023-07-18 | 山东科技大学 | Gnss坐标时间序列数据流匹配方法 |
| CN117354171A (zh) * | 2023-12-06 | 2024-01-05 | 北京智麟科技有限公司 | 基于物联网平台的平台健康状况预警方法及系统 |
-
2024
- 2024-05-07 CN CN202410551419.XA patent/CN118133210B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111886677A (zh) * | 2018-03-09 | 2020-11-03 | 株式会社斯库林集团 | 基板处理装置以及基板处理方法 |
| CN112693985A (zh) * | 2020-12-10 | 2021-04-23 | 太原理工大学 | 一种融合传感器数据的非侵入式电梯状态监测方法 |
| US20230082218A1 (en) * | 2021-09-15 | 2023-03-16 | Shandong University | Method and system for analyzing regional energy internet load behavior based on random matrix |
| CN114328095A (zh) * | 2021-12-21 | 2022-04-12 | 深圳前海微众银行股份有限公司 | 一种任务异常告警方法及装置 |
| CN115829422A (zh) * | 2023-02-21 | 2023-03-21 | 创银科技(南通)有限公司 | 基于大数据的工业设备运行异常状态识别方法 |
| CN116450711A (zh) * | 2023-06-20 | 2023-07-18 | 山东科技大学 | Gnss坐标时间序列数据流匹配方法 |
| CN117354171A (zh) * | 2023-12-06 | 2024-01-05 | 北京智麟科技有限公司 | 基于物联网平台的平台健康状况预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张见;张宁;邵家玉;: "城市轨道交通自动售检票系统实时进站客流量异常检测", 城市轨道交通研究, no. 10, 10 October 2018 (2018-10-10) * |
| 杜启亮;黄理广;田联房;黄迪臻;靳守杰;李淼;: "基于视频监控的手扶电梯乘客异常行为识别", 华南理工大学学报(自然科学版), no. 08, 15 August 2020 (2020-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118133210B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
| CN110728252B (zh) | 一种应用于区域人员运动轨迹监控的人脸检测方法 | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN112367273B (zh) | 基于知识蒸馏的深度神经网络模型的流量分类方法及装置 | |
| CN112528952B (zh) | 一种电力营业厅人员的工作状态智能识别系统 | |
| CN114596448A (zh) | 一种肉鸭健康管理方法及其管理系统 | |
| CN112836809A (zh) | 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法 | |
| CN114898261A (zh) | 一种基于视频和生理数据融合的睡眠质量评估方法及系统 | |
| CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
| CN111259949A (zh) | 飞机环控系统故障识别模型构建方法、模型及识别方法 | |
| CN115457403A (zh) | 一种基于多类型遥感图像的农作物智能识别方法 | |
| CN117612693B (zh) | 一种患者实时监测和预警方法、装置、计算机及存储介质 | |
| CN201035376Y (zh) | 工业生产过程小样本条件下的故障诊断装置 | |
| CN118133210B (zh) | 电梯人体感应传感器数据异常特征提取方法、装置 | |
| CN114298604A (zh) | 一种基于大数据动态监测分析的孵化器入住企业智能综合评价管理系统 | |
| CN117933531A (zh) | 一种分布式光伏发电功率预测系统及方法 | |
| CN116821403B (zh) | 一种厂区设备的智能运维方法及系统 | |
| CN116416665A (zh) | 基于安防系统的人脸识别方法、装置及存储介质 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
| CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
| CN118114186B (zh) | 一种基于人工智能的设备振动故障诊断方法 | |
| CN112686135B (zh) | 基于分布拟合的可泛化的行人重识别方法 | |
| CN116975627A (zh) | 一种声发射信号识别方法及网络模型训练方法 | |
| CN115100177A (zh) | 一种基于图像识别的舌苔影像分析系统 | |
| CN118397672A (zh) | 一种基于人工智能的信息智能管理方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |