CN111243214A - 一种基于机器学习的工业机房火灾监测***及方法 - Google Patents

一种基于机器学习的工业机房火灾监测***及方法 Download PDF

Info

Publication number
CN111243214A
CN111243214A CN202010061245.0A CN202010061245A CN111243214A CN 111243214 A CN111243214 A CN 111243214A CN 202010061245 A CN202010061245 A CN 202010061245A CN 111243214 A CN111243214 A CN 111243214A
Authority
CN
China
Prior art keywords
fire
intention
sensor group
value
sensor
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
Application number
CN202010061245.0A
Other languages
English (en)
Inventor
张彩霞
王向东
胡绍林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan University
Original Assignee
Foshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan University filed Critical Foshan University
Priority to CN202010061245.0A priority Critical patent/CN111243214A/zh
Publication of CN111243214A publication Critical patent/CN111243214A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Emergency Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Fire Alarms (AREA)

Abstract

本发明涉及一种基于机器学习的工业机房火灾监测***及方法，包括以下：步骤201、在机房摆放机器的位置随机布置N处传感器组；步骤202、分别获取每个传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第N处传感器组的火灾意向因子E；步骤204、对于火灾意向因子超过阈值H的传感器组，将发送代表火灾隐患的报文信息至中心机房；步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。本发明能够在存在火灾意向时进行报警提醒工作人员及时进行预防调控。

Description

一种基于机器学习的工业机房火灾监测***及方法
技术领域
本发明涉及人工智能领域，尤其涉及一种基于机器学习的工业机房火灾监测***及方法。
背景技术
工业火灾风险管理是工业企业为预防、控制火灾而对火灾进行预测、预防、控制和扑救等项组织管理活动。其目的有：一是使火灾不发生。二是火灾发生后，尽可能将其危害和损失控制在最小限度之内。
当今工业应用中，往往仅仅通过在关键位置布置传感器，并将传感器的数值醒目的显示出来，由工作人员根据传感器的数值来判定是否存在火灾，这样一来，对专业的火灾判断人员过于依赖了，可能因为工作人员的疏忽而导致一段时间忘记对火灾情况进行关注了，这样一来，就有可能错过火灾的最佳预防时期，造成不必要的损失。
发明内容
本发明的目的是解决现有技术的不足，提供一种基于机器学习的工业机房火灾监测***及方法，能够通过在工业机房中设置多个传感器组，并根据传感器组测定的数据来对火灾隐患进行监控，在存在火灾意向时进行报警提醒工作人员及时进行预防调控。
为了实现上述目的，本发明采用以下的技术方案：
提出一种基于机器学习的工业机房火灾监测***，包括：
N个依次编号的传感器组，所述传感器组包括，
一氧化碳浓度测定单元，所述一氧化碳浓度测定单元用于获取传感器组附近的一氧化碳浓度，
二氧化碳浓度测定单元，所述二氧化碳浓度测定单元用于获取传感器组附近的二样化碳浓度，
温度测定单元，所述温度测定单元用于获取传感器组附近的温度，
湿度测定单元，所述湿度测定单元用于获取传感器组附近的湿度；
报文信息发送单元，所述报文信息发送单元用于在传感器组存在火灾意向时向中心机房发送代表火灾隐患的报文信息；
火灾意向测定模块，所述火灾意向测定模块存储有火灾预测模型，所述火灾意向测定模块用于根据传感器组所测定的数值计算出该处传感器组是否存在火灾意向；
火灾意向程度预测模块，所述火灾意向程度预测模块用于根据发送代表火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度；
显示报警模块，所述显示报警模块用于将火灾意向程度以及存在火灾隐患的传感器组予以显示，并在存在火灾意向时进行报警。
本发明还提出一种基于机器学习的工业机房火灾监测方法，其特征在于，包括以下：
步骤201、在机房摆放机器的位置随机布置N处传感器组，每处所述传感器组包括一氧化碳浓度传感器、二氧化碳浓度传感器、温度传感器以及湿度传感器；
步骤202、分别获取每个传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；
步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第N处传感器组的火灾意向因子E；
步骤204、对于火灾意向因子超过阈值H的传感器组，将发送代表火灾隐患的报文信息至中心机房；
步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。
进一步，上述步骤202中的火灾监测模型通过以下方式得到：
步骤301、构建目标层以及准则层，所述目标层即为输出的火灾意向因子E，所述准则层包括传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；
步骤302、构建判断矩阵P如下：
Figure BDA0002374567370000021
其中Pi-j代表i相对于j两两比较的相对权重，i取[A，D]，j取[A，D]；
步骤303、计算得到所述判断矩阵P的最大特征根
Figure BDA0002374567370000022
以及最大特征向量WP；
步骤304、进行一致性检验后得到一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D各个因素的权重；
步骤305、根据以上权重得到火灾监测模型如下：
E＝QA*WA+QB*WB+QC*WC+QD*WD；
其中，QA、QB、QC以及QD分别代表传感器数值所对应的分数。
进一步，上述步骤204中的判断矩阵P具体为：
Figure BDA0002374567370000031
而相应的WP＝(0.0622、0.1835、0.4432、0.3111)T，其中WA＝0.0622，WB＝0.1835，WC＝0.4432，WD＝0.3111。
进一步，上述步骤205中中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度具体包括以下：
步骤501、计算预测存在火灾隐患的传感器组的相邻程度，所述相邻程度通过相邻传感器的数量与传感器总数量的比值获得；
步骤502、判断所述相邻程度是否高于第一阈值，若是则判断为高危火灾隐患，判断所述相邻程度是否在第二阈值与第一阈值之间，若是则判断为中危火灾隐患，判断所述相邻程度是否低于第二阈值，若是则判断为低危火灾隐患。
进一步，所述阈值H的取值在[0.7，1.0]之间，所述第一阈值为0.3，所述第二阈值为0.1。
进一步，所述工业机房火灾监测方法还包括：
当存在故障时，会生成日志文件，所述日志文件包含以下内容，
存在火灾隐患的传感器组的编号、火灾意向程度等级、当前的时间以及日期。
本发明在采用上述的***以及方法时能够获得以下有益效果：
本发明能够通过在工业机房中设置多个传感器组，并根据传感器组测定的数据来对火灾隐患进行监控，在存在火灾意向时进行报警提醒工作人员及时进行预防调控，整个***智能化程度高，反应快，能够在源头对火灾进行预防。
附图说明
图1所示为本发明一种基于机器学习的工业机房火灾监测方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，本发明提出一种基于机器学习的工业机房火灾监测***，包括：
N个依次编号的传感器组，所述传感器组包括，
一氧化碳浓度测定单元，所述一氧化碳浓度测定单元用于获取传感器组附近的一氧化碳浓度，
二氧化碳浓度测定单元，所述二氧化碳浓度测定单元用于获取传感器组附近的二样化碳浓度，
温度测定单元，所述温度测定单元用于获取传感器组附近的温度，
湿度测定单元，所述湿度测定单元用于获取传感器组附近的湿度；
报文信息发送单元，所述报文信息发送单元用于在传感器组存在火灾意向时向中心机房发送代表火灾隐患的报文信息；
火灾意向测定模块，所述火灾意向测定模块存储有火灾预测模型，所述火灾意向测定模块用于根据传感器组所测定的数值计算出该处传感器组是否存在火灾意向；
火灾意向程度预测模块，所述火灾意向程度预测模块用于根据发送代表火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度；
显示报警模块，所述显示报警模块用于将火灾意向程度以及存在火灾隐患的传感器组予以显示，并在存在火灾意向时进行报警。
本发明还提出一种基于机器学习的工业机房火灾监测方法，其特征在于，包括以下：
步骤201、在机房摆放机器的位置随机布置N处传感器组，每处所述传感器组包括一氧化碳浓度传感器、二氧化碳浓度传感器、温度传感器以及湿度传感器；
步骤202、分别获取每个传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；
步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第N处传感器组的火灾意向因子E；
步骤204、对于火灾意向因子超过阈值H的传感器组，将发送代表火灾隐患的报文信息至中心机房；
步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。
作为本方案的优选实施方式，上述步骤202中的火灾监测模型通过以下方式得到：
步骤301、构建目标层以及准则层，所述目标层即为输出的火灾意向因子E，所述准则层包括传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；
步骤302、构建判断矩阵P如下：
Figure BDA0002374567370000041
其中Pi-j代表i相对于j两两比较的相对权重，i取[A，D]，j取[A，D]；
步骤303、计算得到所述判断矩阵P的最大特征根
Figure BDA0002374567370000051
以及最大特征向量WP；
步骤304、进行一致性检验后得到一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D各个因素的权重；
步骤305、根据以上权重得到火灾监测模型如下：
E＝QA*WA+QB*WB+QC*WC+QD*WD；
其中，QA、QB、QC以及QD分别代表传感器数值所对应的分数。
作为本方案的优选实施方式，上述步骤204中的判断矩阵P具体为：
Figure BDA0002374567370000052
而相应的WP＝(0.0622、0.1835、0.4432、0.3111)T，其中WA＝0.0622，WB＝0.1835，WC＝0.4432，WD＝0.3111。
作为本方案的优选实施方式，上述步骤205中中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度具体包括以下：
步骤501、计算预测存在火灾隐患的传感器组的相邻程度，所述相邻程度通过相邻传感器的数量与传感器总数量的比值获得；
步骤502、判断所述相邻程度是否高于第一阈值，若是则判断为高危火灾隐患，判断所述相邻程度是否在第二阈值与第一阈值之间，若是则判断为中危火灾隐患，判断所述相邻程度是否低于第二阈值，若是则判断为低危火灾隐患。
作为本方案的优选实施方式，所述阈值H的取值在[0.7，1.0]之间，所述第一阈值为0.3，所述第二阈值为0.1。
作为本方案的优选实施方式，所述工业机房火灾监测方法还包括：
当存在故障时，会生成日志文件，所述日志文件包含以下内容，
存在火灾隐患的传感器组的编号、火灾意向程度等级、当前的时间以及日期。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (7)

1.一种基于机器学习的工业机房火灾监测***，其特征在于，包括：
N个依次编号的传感器组，所述传感器组包括，
一氧化碳浓度测定单元，所述一氧化碳浓度测定单元用于获取传感器组附近的一氧化碳浓度，
二氧化碳浓度测定单元，所述二氧化碳浓度测定单元用于获取传感器组附近的二样化碳浓度，
温度测定单元，所述温度测定单元用于获取传感器组附近的温度，
湿度测定单元，所述湿度测定单元用于获取传感器组附近的湿度；
报文信息发送单元，所述报文信息发送单元用于在传感器组存在火灾意向时向中心机房发送代表火灾隐患的报文信息；
火灾意向测定模块，所述火灾意向测定模块存储有火灾预测模型，所述火灾意向测定模块用于根据传感器组所测定的数值计算出该处传感器组是否存在火灾意向；
火灾意向程度预测模块，所述火灾意向程度预测模块用于根据发送代表火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度；
显示报警模块，所述显示报警模块用于将火灾意向程度以及存在火灾隐患的传感器组予以显示，并在存在火灾意向时进行报警。
2.一种基于机器学习的工业机房火灾监测方法，其特征在于，包括以下：
步骤201、在机房摆放机器的位置随机布置N处传感器组，每处所述传感器组包括一氧化碳浓度传感器、二氧化碳浓度传感器、温度传感器以及湿度传感器；
步骤202、分别获取每个传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；
步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第N处传感器组的火灾意向因子E；
步骤204、对于火灾意向因子超过阈值H的传感器组，将发送代表火灾隐患的报文信息至中心机房；
步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。
3.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，上述步骤202中的火灾监测模型通过以下方式得到：
步骤301、构建目标层以及准则层，所述目标层即为输出的火灾意向因子E，所述准则层包括传感器组测得的一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D；
步骤302、构建判断矩阵P如下：
Figure FDA0002374567360000021
其中Pi-j代表i相对于j两两比较的相对权重，i取[A，D]，j取[A，D]；
步骤303、计算得到所述判断矩阵P的最大特征根
Figure FDA0002374567360000023
以及最大特征向量WP；
步骤304、进行一致性检验后得到一氧化碳浓度值A、二氧化碳浓度值B、温度值C以及湿度值D各个因素的权重；
步骤305、根据以上权重得到火灾监测模型如下：
E＝QA*WA+QB*WB+QC*WC+QD*WD；
其中，QA、QB、QC以及QD分别代表传感器数值所对应的分数。
4.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，上述步骤204中的判断矩阵P具体为：
Figure FDA0002374567360000022
而相应的WP＝(0.0622、0.1835、0.4432、0.3111)T，其中WA＝0.0622，WB＝0.1835，WC＝0.4432，WD＝0.3111。
5.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，上述步骤205中中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度具体包括以下：
步骤501、计算预测存在火灾隐患的传感器组的相邻程度，所述相邻程度通过相邻传感器的数量与传感器总数量的比值获得；
步骤502、判断所述相邻程度是否高于第一阈值，若是则判断为高危火灾隐患，判断所述相邻程度是否在第二阈值与第一阈值之间，若是则判断为中危火灾隐患，判断所述相邻程度是否低于第二阈值，若是则判断为低危火灾隐患。
6.根据权利要求5所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，所述阈值H的取值在[0.7，1.0]之间，所述第一阈值为0.3，所述第二阈值为0.1。
7.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，所述工业机房火灾监测方法还包括：
当存在故障时，会生成日志文件，所述日志文件包含以下内容，
存在火灾隐患的传感器组的编号、火灾意向程度等级、当前的时间以及日期。
CN202010061245.0A 2020-01-19 2020-01-19 一种基于机器学习的工业机房火灾监测***及方法 Pending CN111243214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010061245.0A CN111243214A (zh) 2020-01-19 2020-01-19 一种基于机器学习的工业机房火灾监测***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010061245.0A CN111243214A (zh) 2020-01-19 2020-01-19 一种基于机器学习的工业机房火灾监测***及方法

Publications (1)

Publication Number Publication Date
CN111243214A true CN111243214A (zh) 2020-06-05

Family

ID=70879680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010061245.0A Pending CN111243214A (zh) 2020-01-19 2020-01-19 一种基于机器学习的工业机房火灾监测***及方法

Country Status (1)

Country Link
CN (1) CN111243214A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784994A (zh) * 2020-07-14 2020-10-16 中国民航大学 一种火灾检测方法及装置
CN111784987A (zh) * 2020-07-13 2020-10-16 广元量知汇科技有限公司 智能安防报警***
CN117370115A (zh) * 2023-10-16 2024-01-09 广东粤云数智科技有限公司 一种idc机房运营监测***

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101341521A (zh) * 2005-12-19 2009-01-07 L·凯茨 便携监视器
CN102424027A (zh) * 2011-11-14 2012-04-25 江苏大学 基于乘坐印迹的乘客类型及坐姿识别装置及方法
CN103325205A (zh) * 2013-07-01 2013-09-25 江南大学 基于径向基神经网络的室内火灾预测方法及***
CN103679558A (zh) * 2013-12-20 2014-03-26 国家电网公司 电动汽车充换电站火灾风险数据评估方法
CN103913165A (zh) * 2014-04-18 2014-07-09 中国地质大学（武汉） 一种室内应急响应情景感知导航***与导航方法
CN205327425U (zh) * 2016-02-03 2016-06-22 仲恺农业工程学院 一种防御森林火灾的多旋翼无人机装置
CN206348892U (zh) * 2016-11-29 2017-07-21 郑州市星淼电子科技有限公司 一种家庭防火监控管理***
WO2017134622A1 (en) * 2016-02-04 2017-08-10 Dotvocal S.R.L. People monitoring and personal assistance system, in particular for elderly and people with special and cognitive needs
CN107421568A (zh) * 2017-07-20 2017-12-01 上海木爷机器人技术有限公司 光学传感器调整方法及装置
CN108325135A (zh) * 2018-01-24 2018-07-27 福建省雾精灵环境科技有限公司 一种主题公园环境监控及逃生***
CN108877131A (zh) * 2018-07-02 2018-11-23 上海信颐信息技术有限公司 一种安防报警方法及设备
CN109242283A (zh) * 2018-08-24 2019-01-18 同济大学 基于模糊层次分析法的超高层建筑火灾动态风险评估方法
CN110675587A (zh) * 2019-09-25 2020-01-10 深圳市中电数通智慧安全科技股份有限公司 火灾预警方法、装置、终端及可读存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101341521A (zh) * 2005-12-19 2009-01-07 L·凯茨 便携监视器
CN102424027A (zh) * 2011-11-14 2012-04-25 江苏大学 基于乘坐印迹的乘客类型及坐姿识别装置及方法
CN103325205A (zh) * 2013-07-01 2013-09-25 江南大学 基于径向基神经网络的室内火灾预测方法及***
CN103679558A (zh) * 2013-12-20 2014-03-26 国家电网公司 电动汽车充换电站火灾风险数据评估方法
CN103913165A (zh) * 2014-04-18 2014-07-09 中国地质大学（武汉） 一种室内应急响应情景感知导航***与导航方法
CN205327425U (zh) * 2016-02-03 2016-06-22 仲恺农业工程学院 一种防御森林火灾的多旋翼无人机装置
WO2017134622A1 (en) * 2016-02-04 2017-08-10 Dotvocal S.R.L. People monitoring and personal assistance system, in particular for elderly and people with special and cognitive needs
CN206348892U (zh) * 2016-11-29 2017-07-21 郑州市星淼电子科技有限公司 一种家庭防火监控管理***
CN107421568A (zh) * 2017-07-20 2017-12-01 上海木爷机器人技术有限公司 光学传感器调整方法及装置
CN108325135A (zh) * 2018-01-24 2018-07-27 福建省雾精灵环境科技有限公司 一种主题公园环境监控及逃生***
CN108877131A (zh) * 2018-07-02 2018-11-23 上海信颐信息技术有限公司 一种安防报警方法及设备
CN109242283A (zh) * 2018-08-24 2019-01-18 同济大学 基于模糊层次分析法的超高层建筑火灾动态风险评估方法
CN110675587A (zh) * 2019-09-25 2020-01-10 深圳市中电数通智慧安全科技股份有限公司 火灾预警方法、装置、终端及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭晓虹: "基于温度传感器阵列的火灾定位方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784987A (zh) * 2020-07-13 2020-10-16 广元量知汇科技有限公司 智能安防报警***
CN111784987B (zh) * 2020-07-13 2021-03-23 深圳智乐未来机器人技术有限公司 智能安防报警***
CN111784994A (zh) * 2020-07-14 2020-10-16 中国民航大学 一种火灾检测方法及装置
CN111784994B (zh) * 2020-07-14 2021-11-30 中国民航大学 一种火灾检测方法及装置
WO2022012295A1 (zh) * 2020-07-14 2022-01-20 中国民航大学 一种火灾检测方法及装置
CN117370115A (zh) * 2023-10-16 2024-01-09 广东粤云数智科技有限公司 一种idc机房运营监测***

Similar Documents

Publication Publication Date Title
CN111243214A (zh) 一种基于机器学习的工业机房火灾监测***及方法
US11617028B2 (en) Systems and methods for sensor monitoring and sensor-related calculations
US20180017959A1 (en) Methods and systems for context based operator assistance for control systems
CN101764846A (zh) 一种远程集中式磁盘阵列运行监控***及其实现方法
JP6315528B1 (ja) 異常検知モデル構築装置、異常検知モデル構築方法及びプログラム
JPH11338848A (ja) データ異常検出装置
EP3495905A2 (en) Operational improvement effect calculation device, operational improvement effect calculation method and recording medium
CN112650608B (zh) 异常根因定位方法以及相关装置、设备
CN110211343B (zh) 实验室管理方法、***、计算机设备和存储介质
CN103344742A (zh) 一种粮仓储粮虫霉活动危害度预测的方法
CN113362009A (zh) 一种物资库存管理方法、***及计算机存储介质
CN114254879A (zh) 多传感器信息融合的电力设备安全诊断方法和装置
US11934522B2 (en) System and method for detecting malicious activities and anomalies in building systems
CN116502925A (zh) 基于大数据的数字工厂设备巡检评估方法、***和介质
CN116740883A (zh) 一种基于云计算的安防监控报警***
CN114118731A (zh) 一种动态风险预警分级方法及装置
CN116421178B (zh) 辅助监护的方法、装置、终端设备及可读存储介质
US20230224612A1 (en) Systems and methods for sensor monitoring and sensor-related calculations
JP6327009B2 (ja) 異常判定装置及びプログラム
CN115342937A (zh) 温度异常检测方法及装置
JP2020018208A (ja) サイロの管理装置
CN111813922B (zh) 一种基于微博文本数据的高温事件检测方法及***
US20200112577A1 (en) Graph-based sensor ranking
CN113282639B (zh) 燃气泄露数据监控方法、***、智能终端及存储介质
Piroutek et al. Space–time prospective surveillance based on Knox local statistics

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