CN111832832B - 一种基于物联网的小区自巡检*** - Google Patents
一种基于物联网的小区自巡检*** Download PDFInfo
- Publication number
- CN111832832B CN111832832B CN202010706803.4A CN202010706803A CN111832832B CN 111832832 B CN111832832 B CN 111832832B CN 202010706803 A CN202010706803 A CN 202010706803A CN 111832832 B CN111832832 B CN 111832832B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- self
- gate
- face recognition
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 31
- 230000006855 networking Effects 0.000 title claims description 4
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 14
- 230000010365 information processing Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 7
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002567 autonomic effect Effects 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 5
- 239000000779 smoke Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 150000002500 ions Chemical class 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- LXQXZNRPTYVCNG-YPZZEJLDSA-N americium-241 Chemical compound [241Am] LXQXZNRPTYVCNG-YPZZEJLDSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000001640 nerve ending Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的小区自巡检***,包括多种均配置有物联网传感器的硬件设施和集中式自主管理平台,所述集中式自主管理平台包括信息服务机构,用于实时分发所述物联网传感器传递的信息,并且接收反馈信息;信息处理机构,用于处理所述信息服务机构传递的信息并进行处理,实时将处理结果反馈至所述信息服务机构。本发明具有的优点在于:1)可以达到实时数据分析,自动巡检,自动预测风险;2)可以学习预案,推荐解决方案,提高问题处理效率;3)降低维护的人力成本,降低巡检工人工作难度,提高巡检工人人身安全;4)具有自动学习功能,可以自我优化,提高预测准确性和巡检工作效率。
Description
技术领域
本发明涉及智慧小区领域,具体的,涉及一种基于物联网的小区自巡检***。
背景技术
科技赋能服务,为城市基础设备设施提供设备状态数据分析,安全隐患检测和预防,让和谐美好的社会生活环境来提高人们幸福指数。
如何从劳动密集型向知识和服务密集型转型,将是解决城市安全管理难,应用***多(难互通,碎片化,难决策),基建设施设备维护差(不在线,难触达,不及时等)的解决方向。
传统设备设施维护和管理存在的问题:1.设备设施巡查需要人力,设备大多数时间正常运转,则产生冗余的人力成本;而不巡查存在安全隐患,责任重大。2.设施损坏维修往往需要专业人员,上报,找专业人修理,修理期间设备存在‘罢工’现象(如:交通红绿灯故障到修理完成期间,容易造成事故),影响社会正常运转。3.设施设备安装位置隐蔽或者不易触达,难以经常性探查(如:社区排水排污***等),往往事后才得以解决,造成危害升级或无法挽回的损失。
发明内容
有鉴于此,本发明的目的是提供一种基于物联网的小区自巡检***,降低维护的人力成本,降低巡检工人工作难度,提高巡检工人人身安全。
本发明的目的是通过以下技术方案实现的:
一种基于物联网的小区自巡检***,包括多种均配置有物联网传感器的硬件设施和集中式自主管理平台,所述集中式自主管理平台包括
信息服务机构,用于实时分发所述物联网传感器传递的信息,并且接收反馈信息;
信息处理机构,用于处理所述信息服务机构传递的信息并进行处理,实时将处理结果反馈至所述信息服务机构。
进一步,所述信息处理机构包括主服务器和多个与所述主服务器连接的次服务器,
主服务器用于接收所述信息服务机构传递的所有类型的所述硬件设施的信息,并将每一个类型的所述硬件设施的信息分发至每个所述次服务器。
进一步,所述次服务器配置有自巡检模型,所述自巡检模型用于预测对应的所述硬件设施的是否发生异常行为。
进一步,所述自巡检模型包括维护管理模块和预测模块;
所述预测模块配置有预测模型,所述预测模型具备深度学习的功能;
所述预测管理模块用于接收人工干预的过程信息,并将其传递至所述预测模块,进而优化所述预测模型。
进一步,所述预测模型的数量与对应的所述硬件设施的工作环境的种类数量相同,每个所述预测模型对应一个所述工作环境。
进一步,所述信息服务机构包括:
数据采集服务模块,用于接收所有所述物联网传感器传递的信息;
平台服务模块,用于将所有的信息传递至所述主服务器,并且接收所述次服务器传递的异常行为信息;
文件服务模块,用于存储训练所述预测模型的资料
本发明的有益效果是:
本发明具有的优点在于:1)可以达到实时数据分析,自动巡检,自动预测风险;2)可以学习预案,推荐解决方案,提高问题处理效率;3)降低维护的人力成本,降低巡检工人工作难度,提高巡检工人人身安全(如有毒气体、液体,如超高温、超低温、超高压、超高真空、超强磁场、超弱磁场等等恶劣环境不用每次亲自到场);4)具有自动学习功能,可以自我优化,提高预测准确性和巡检工作效率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
附图1为本发明层次示意图;
附图2为本发明结构示意图;
附图3为预测模型所基于的算法的流程图;
附图4为本发明的实现方案过程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
本实施例提出了一种基于物联网的小区自巡检***,如图1和2所示,包括多种均配备有物联网传感器的硬件设施,硬件设施为小区人脸识别闸机、风机等,针对带有物联网传感器的设备设施,传输的是传感器实时状态特征数据,该特征数据完全表征的是传感器设备运行状态(或理论上代表该设备性能或运行状态的数据,例如风机传回来的速度,加速度,位移,噪声分贝等表示该风机运行状态的特征数据)。
物联网是通过射频识别(RFID)、红外感应器、全球定位***、激光扫描器等信息传感设备,按约定的协议,把任何物品与互联网连接起来,进行信息交换和通讯,以实现智能化识别、定位、跟踪、监控和管理的一种网络。
传感器就是把自然界中的各种物理量、化学量、生物量转化为可测量的电信号的装置与元件。传感器属于物联网的神经末梢:传感器按照其用途分类:压力敏和力敏传感器、位置传感器、液面传感器、能耗传感器、速度传感器、雷达传感器、加速度传感器、射线辐射传感器、热敏传感器、24GHz雷达传感器。
集中式自主管理平台,物联网传感器将相关信息传递至该平台,平台对于所有信息进行归类,用以预测每一个类型的硬件设施是否会发生异常事件。集中式自主管理平台包括:
信息服务机构,用于实时分发物联网传感器传递的信息,并且接收反馈信息。信息服务机构通过数据采集服务模块、平台服务模块和文件服务模块三个模块实现其功能。
数据采集服务模块用于实时采集所有物联网传感器所传递的表达其性能或者运行状态的信息,此处的信息包括所有类型的信息。数据采集设备是完成模拟电信号转换为数字,量化存储和预处理的装置:模拟电信号是由各种变化着的物理量,例如应变、温度、压力、震动等通过相应的传感器转换得到的。
例如烟雾传感器:烟雾传感器常用的有化学探测和光学探测两种。前者利用了放射性镅241元素,在电离状态下产生的正、负离子在电场作用下定向运动产生稳定的电压和电流。一旦有烟雾进入传感器,影响了正、负离子的正常运动,使电压和电流产生了相应变化,通过计算就能判断烟雾的强弱。后者通过光敏材料,正常情况下光线能完全照射在光敏材料上,产生稳定的电压和电流。而一旦有烟雾进入传感器,则会影响光线的正常照射,从而产生波动的电压和电流,通过计算也能判断出烟雾的强弱。
数据采集装置与计算机配合可实现巡回检测,实时控制及数据处理等。数据采集装置一般包括前置放大器、采样开关电路、采样保持电路、模-数转换电路、数-模转换电路、逻辑控制电路和存储设备等。
平台服务模块用于接收数据采集服务模块所传递的信息,并将这信息推送至信息处理机构,同时接收经过信息处理机构处理推送的异常警告,并发出报警。
平台服务即对接收的数据进行数据分析处理,数据分析处理是从大量的原始数据抽取出有价值的信息,即数据转换成信息的过程。主要对所输入的各种形式的数据进行加工整理,其过程包含对数据的收集、存储、加工、分类、归并、计算、排序、转换、检索和传播的演变与推导全过程。比如,接收到人脸道闸上传的数据,对数据进行分析,将分析结果对应相应的指令,执行。
文件服务模块用于存储训练预测模型的资料,文件服务模块可以为数据库。
还包括信息处理机构,用于接收信息服务机构传递的信息并进行处理,实时将处理结果反馈至信息服务机构。
信息处理机构通过主服务器和若干次服务器达到其技术目的。
主服务器接收平台服务模块所传递的信息,将这些信息分门别类,将每一个子信息发送给对应的次服务器,即每个次服务器处理单一类型的硬件设施的信息,例如第一次服务器用于处理风机,第二次服务器用于处理人脸识别闸机。
每个次服务器配置有自巡检模型,自巡检模型用于预测对应的所述硬件设施的是否发生异常行为。自巡检模型的运行原理如图3所示,包括维护管理模块和预测模块。维护管理模块不是具体的硬件,是指根据对异常信息分析,得到故障类型,执行相匹配的动作。这个执行者可以是设备自身,如重启,断电,加压等。也可以是人去维护。
预测模块配置有预测模型,预测模型具备深度学习的功能。该预测模型对应为一种模型对应同种工作环境下同类设备,所有设备集中处理。所有设备自巡检模型并行处理。同种设备同样工作环境设置相同的模型,其所工作过程中采集的数据训练同一个模型W,不同工作环境,对应不同的模型;不同设备,对应不同模型。
算法设计如图4所示,实用方法包括不限于多元线性回归,深度卷积神经网络,等常规和成熟稳定的网络结构。每个自巡检设备模型对应优化结构,具备自适应改变的功能(限时或实时迁移学***台上,彰显准确性和稳定性。
维护管理模块用于接收人工干预的过程信息,并将其输入预测模型中,对预测模型进行修正。
例如,针对风机,采用线性规划模型对其进行预测,而在风机不工作的状态下,采用VGG网络模型对其进行预测;而针对人脸识别闸机,采用深度残差神经网络模型对其工作状态进行预测。其机制均为:原始数据为生活中实际处理方案,原始数据作为训练,让模型具有自决策,自主调整的能力,训练数据在随着时间和处理故障过程中越来越丰富,模型适应该设备工作环境和故障发生应对越来越娴熟,这是由于采用深度学习的模型机制决定的下面针对于人脸识别闸机,简述其预测模型的建立方法。
人脸道闸由两部分组成,数目人脸识别仪和闸机。
X_Data={“人脸识别仪正常工作,闸机半开半闭”,“人脸识别仪正常工作,闸机正常工作”,“人脸识别仪正常,闸机始终打开”,“人脸识别仪正常工作,闸机始终关闭”,“人脸识别仪故障,闸机不工作”,……}
Y_Data={“闸机自控制重启”,“整机自重启”,“整机自切换电源”,“人工线路检修”,“人脸识别仪自动重启”,“人脸识别仪自修复更新”,……}
数据集X_Data为检查到故障现象对应的抽象数据集作为整个深度网络的输入层。Y_Data表示采集的哪些措施抽象的方案类型集,为训练网络的输出。通过大量的数据,建立处理当前工作环境下,设备运行状态和故障检修维护的自决策模型{W},模型中的隐藏层采用残差网络结构,和全连接网络的结合。
深度残差神经网络的基本原理在于,输入层与中间层的矩阵乘法以及残差结构和池化组成,输入经过全连接层,残差网络层,输出全连接层,softmax层后得到输出Y,其反向传播依据交叉熵损失函数,通过符合函数导数链式法则调节整个模型的参数变化。
其中重要层次包括:
ReLu层:f(x)=max(0,x)|f′(x)=0
SoftMax层:
交叉熵损失函数L(y,a)=-∑iyilog(ai)
复合函数导数的链式法则:设f和g为关于x的可导函数,复合函数y=f[g(x)]。
复合函数y对x的导数
网络公式表示为:
X*[resnet resnet]=y-------(2)
y*Wfc→Softmax=Y-------(3)
其中,网络结构中的ResNet结构如下:
即,(3)式中,y1=F(X,{Wi})+WsX
终上所述,通过对设备传感器传输的事件数据进行抽象处理,生成完全事件表示数据集x,对应解决方案类别Y,建立针对性场景和设备的高匹配适用模型
预测管理模块用于接收修改默认设置操作信息,并将其传递至预测模块,进而优化预测模型。
例如,当所有次服务器之一认为人脸识别闸机下一时段会发生人脸识别错误,闸机打开的情况,且无法进行自处理,将该信息传递给平台服务模块,平台服务模块进行报警,启动人为干预,维修人员到场后,人脸识别闸机进行人工线路检修并且整机重启,则X_Data对应{人脸识别错误,闸机打开},Y_Data对应{人工线路检修并且整机重启},维护管理模块接收到这一过程信息,将其传递至文件服务模块对这一数据进行存储,并输入到现有的预测模型中,对其进行优化。数据和操作流程(本次法规)被存储为新的区块,作为当前种类设备的新法规。即为区块链式的存储方式。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于物联网的小区自巡检***,其特征在于:包括多种均配置有物联网传感器的硬件设施和集中式自主管理平台,所述集中式自主管理平台包括:
信息服务机构,用于实时分发所述物联网传感器传递的信息,并且接收反馈信息;
信息处理机构,用于处理所述信息服务机构传递的信息并进行处理,实时将处理结果反馈至所述信息服务机构,
其中,所述信息处理机构包括主服务器和多个与所述主服务器连接的次服务器,
主服务器用于接收所述信息服务机构传递的所有类型的所述硬件设施的信息,并将每一个类型的所述硬件设施的信息分发至每个所述次服务器;
所述次服务器配置有自巡检模型,所述自巡检模型用于预测对应的所述硬件设施的是否发生异常行为;
所述自巡检模型包括维护管理模块和预测模块;
所述预测模块配置有预测模型,所述预测模型具备深度学习的功能;
所述维护管理模块用于接收人工干预的过程信息,并将其传递至所述预测模块,进而优化所述预测模型;
所述信息服务机构包括:
数据采集服务模块,用于接收所有所述物联网传感器传递的信息;
平台服务模块,用于将所有的信息传递至所述主服务器,并且接收所述次服务器传递的异常行为信息;
文件服务模块,用于存储训练所述预测模型的资料;
所述硬件设施包括人脸道闸,所述人脸道闸包括人脸识别仪和闸机;
X_Data={“人脸识别仪正常工作,闸机半开半闭”,“人脸识别仪正常工作,闸机正常工作”,“人脸识别仪正常,闸机始终打开”,“人脸识别仪正常工作,闸机始终关闭”,“人脸识别仪故障,闸机不工作”};
Y_Data={“闸机自控制重启”,“整机自重启”,“整机自切换电源”,“人工线路检修”,“人脸识别仪自动重启”,“人脸识别仪自修复更新”};
数据集X_Data为检查到故障现象对应的抽象数据集作为整个深度网络的输入层;Y_Data表示采集的哪些措施抽象的方案类型集,为训练网络的输出;通过大量的数据,建立处理当前工作环境下,设备运行状态和故障检修维护的自决策模型{W},模型中的隐藏层采用残差网络结构,和全连接网络的结合;
预测管理模块用于接收修改默认设置操作信息,并将其传递至预测模块,进而优化预测模型;
当所有次服务器之一认为人脸识别闸机下一时段会发生人脸识别错误,闸机打开的情况,且无法进行自处理,将该信息传递给平台服务模块,平台服务模块进行报警,启动人为干预,维修人员到场后,人脸识别闸机进行人工线路检修并且整机重启,则X_Data对应{人脸识别错误,闸机打开},Y_Data对应{人工线路检修并且整机重启},维护管理模块接收到这一过程信息,将其传递至文件服务模块对这一数据进行存储,并输入到现有的预测模型中,对其进行优化。
2.根据权利要求1所述的基于物联网的小区自巡检***,其特征在于:所述预测模型的数量与对应的所述硬件设施的工作环境的种类数量相同,每个所述预测模型对应一个所述工作环境。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706803.4A CN111832832B (zh) | 2020-07-21 | 2020-07-21 | 一种基于物联网的小区自巡检*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010706803.4A CN111832832B (zh) | 2020-07-21 | 2020-07-21 | 一种基于物联网的小区自巡检*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832832A CN111832832A (zh) | 2020-10-27 |
CN111832832B true CN111832832B (zh) | 2023-12-29 |
Family
ID=72923942
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010706803.4A Active CN111832832B (zh) | 2020-07-21 | 2020-07-21 | 一种基于物联网的小区自巡检*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832832B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102403794A (zh) * | 2011-09-26 | 2012-04-04 | 国网信息通信有限公司 | 智能电网一体化管理*** |
CN103825944A (zh) * | 2014-02-25 | 2014-05-28 | 黄河科技学院 | 一种基于物联网的变电站安全管理*** |
CN106790344A (zh) * | 2016-11-09 | 2017-05-31 | 北京理工大学 | 一种嵌入式Web控制终端的物联网移动E‑Laboratory平台 |
CN106980883A (zh) * | 2017-02-17 | 2017-07-25 | 杭州润缘信息科技有限公司 | 结合云计算及物联网的巡检***及方法 |
CN108174293A (zh) * | 2017-12-01 | 2018-06-15 | 咪咕视讯科技有限公司 | 信息处理方法及装置、服务器及存储介质 |
CN108474866A (zh) * | 2018-03-23 | 2018-08-31 | 深圳市锐明技术股份有限公司 | 一种基于深度学习的井盖缺失检测***及方法 |
CN108805008A (zh) * | 2018-04-19 | 2018-11-13 | 江苏理工学院 | 一种基于深度学习的社区车辆安保*** |
CN108831098A (zh) * | 2018-06-09 | 2018-11-16 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧园区应急预警*** |
CN109189806A (zh) * | 2018-09-07 | 2019-01-11 | 广东智信信息科技股份有限公司 | 一种校园安全物联网感知平台 |
CN109377585A (zh) * | 2018-08-09 | 2019-02-22 | 上海安悦节能技术有限公司 | 工厂公配设施智能运行巡检***及其巡检方法 |
CN109544724A (zh) * | 2019-02-22 | 2019-03-29 | 新誉轨道交通科技有限公司 | 一种智能风机巡检***及其工作方法 |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN110779573A (zh) * | 2019-10-30 | 2020-02-11 | 重庆瑞坤科技发展股份有限公司 | 智慧小区物联网数据采集箱 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3496969A4 (en) * | 2016-08-10 | 2020-09-16 | Xevo Inc. | PROCEDURE AND SYSTEM FOR PROVIDING INFORMATION ON COLLECTED AND STORED METADATA WITH A DERIVED ATTENTION MODEL |
-
2020
- 2020-07-21 CN CN202010706803.4A patent/CN111832832B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102403794A (zh) * | 2011-09-26 | 2012-04-04 | 国网信息通信有限公司 | 智能电网一体化管理*** |
CN103825944A (zh) * | 2014-02-25 | 2014-05-28 | 黄河科技学院 | 一种基于物联网的变电站安全管理*** |
CN106790344A (zh) * | 2016-11-09 | 2017-05-31 | 北京理工大学 | 一种嵌入式Web控制终端的物联网移动E‑Laboratory平台 |
CN106980883A (zh) * | 2017-02-17 | 2017-07-25 | 杭州润缘信息科技有限公司 | 结合云计算及物联网的巡检***及方法 |
CN108174293A (zh) * | 2017-12-01 | 2018-06-15 | 咪咕视讯科技有限公司 | 信息处理方法及装置、服务器及存储介质 |
CN108474866A (zh) * | 2018-03-23 | 2018-08-31 | 深圳市锐明技术股份有限公司 | 一种基于深度学习的井盖缺失检测***及方法 |
CN108805008A (zh) * | 2018-04-19 | 2018-11-13 | 江苏理工学院 | 一种基于深度学习的社区车辆安保*** |
CN108831098A (zh) * | 2018-06-09 | 2018-11-16 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧园区应急预警*** |
CN109377585A (zh) * | 2018-08-09 | 2019-02-22 | 上海安悦节能技术有限公司 | 工厂公配设施智能运行巡检***及其巡检方法 |
CN109189806A (zh) * | 2018-09-07 | 2019-01-11 | 广东智信信息科技股份有限公司 | 一种校园安全物联网感知平台 |
CN109544724A (zh) * | 2019-02-22 | 2019-03-29 | 新誉轨道交通科技有限公司 | 一种智能风机巡检***及其工作方法 |
CN110059631A (zh) * | 2019-04-19 | 2019-07-26 | 中铁第一勘察设计院集团有限公司 | 接触网非接触式监测缺陷识别方法 |
CN110779573A (zh) * | 2019-10-30 | 2020-02-11 | 重庆瑞坤科技发展股份有限公司 | 智慧小区物联网数据采集箱 |
Non-Patent Citations (1)
Title |
---|
综合深度特征的异常交通事件视频解析及应用***;陈湘军;《中国优秀博士学位论文全文数据库》(第4期);C034-10 * |
Also Published As
Publication number | Publication date |
---|---|
CN111832832A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
Xiaojun et al. | IOT-based air pollution monitoring and forecasting system | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养*** | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及*** | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及*** | |
CN114519923A (zh) | 一种电厂智能诊断预警方法和*** | |
CN115860286B (zh) | 一种基于时序门机制的空气质量预测方法及*** | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
CN114498934A (zh) | 一种变电站监控*** | |
CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
CN111861215A (zh) | 基于物联网的小区智能设备自主维护派单***及派单方法 | |
CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及*** | |
Kang et al. | A method of online anomaly perception and failure prediction for high-speed automatic train protection system | |
Lin et al. | Early fault prediction for wind turbines based on deep learning | |
CN117689373A (zh) | 一种柔性直流牵引供电***能量路由器维护决策支持方法 | |
KR20220089853A (ko) | 머신러닝 기술을 활용한 신재생에너지 발전설비의 고장예지 및 건전성관리 방법 | |
CN111832832B (zh) | 一种基于物联网的小区自巡检*** | |
CN117057668A (zh) | 基于深度学习模型的工业污染物排放量预测方法 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN111861394A (zh) | 一种基于物联网的小区智能管理方法及*** | |
Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
Sverdlova et al. | Predicting anomaly conditions of energy equipment using neural networks | |
CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
Zhao et al. | Enterprise Pollution Emission Monitoring System Based on Deep Learning of Power Data |
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 |