CN114487283B - 一种空气质量监测***的远程智能诊断和运维方法及*** - Google Patents
一种空气质量监测***的远程智能诊断和运维方法及*** Download PDFInfo
- Publication number
- CN114487283B CN114487283B CN202111677810.7A CN202111677810A CN114487283B CN 114487283 B CN114487283 B CN 114487283B CN 202111677810 A CN202111677810 A CN 202111677810A CN 114487283 B CN114487283 B CN 114487283B
- Authority
- CN
- China
- Prior art keywords
- air quality
- data
- data set
- monitoring
- quality monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 256
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 title claims abstract description 27
- 238000012423 maintenance Methods 0.000 title abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 85
- 238000012800 visualization Methods 0.000 claims abstract description 36
- 238000009877 rendering Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 17
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- 230000001276 controlling effect Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 45
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000010354 integration Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 4
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 4
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 239000000809 air pollutant Substances 0.000 description 2
- 231100001243 air pollutant Toxicity 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0073—Control unit therefor
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种空气质量监测***的远程智能诊断和运维方法及***,其中,所述方法包括:基于第一目标区域匹配多个传感器;基于第一监测方案,使用多个传感器进行空气质量监测,获得第一数据集合;并通过无线通信方式传输至空气质量监测平台,获得第二数据集合;对第二数据集合进行异常检测,将异常检测结果上传至可视化组件进行渲染,获得第一显示结果;基于第一显示结果,生成第一调控指令,对空气质量监测***进行调控。解决了现有技术中存在由于空气监测***的显示方法直观性差、导致非专业人员很难参与日常管控运维工作,***运维人员紧缺,委托第三方机构运维成本高且远程***管控的效率和质量难以保证的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种空气质量监测***的远程智能诊断和运维方法及***。
背景技术
为了方便对空气质量进行监测,对空气污染治理工作进行数据支持,城市中增加大量的空气质量自动监测子站站点,期望对空气中各种污染物进行实时而有效的监测。随着空气质量检测站的增多,空气监测类型、检测仪器越来越多,空气质量检测***运维人才紧缺问题较为突出,导致大量的日常管控工作由第三方委托机构开展,数据质量和管控效果难以得到保证,三方委托机构资质也较难评估。如何降低管控成本,提高效率及监测结果的质量,降低日常运维管理的难度引起广泛关注。
但现有技术至少存在如下技术问题:
存在由于空气监测***的显示方法直观性差、导致非专业人员很难参与日常管控运维工作,***运维人员紧缺,委托第三方机构运维成本高且远程***管控的效率和质量难以保证的技术问题。
发明内容
本申请通过提供了一种空气质量监测***的远程智能诊断和运维方法及***,解决了现有技术中存在由于空气监测***的显示方法直观性差、导致非专业人员很难参与日常管控运维工作,***运维人员紧缺,委托第三方机构运维成本高且远程***管控的效率和质量难以保证的技术问题。达到了通过数据以及操作指令的可视化,将监测数据分析结果直观的呈现出来,提高非专业人员监测工作的效率,降低运维成本,实现远程智能管控,提高***异常数据检测的及时性,能够对空气质量检测***进行针对性调控,使监测数据更加准确、科学的技术效果。
鉴于上述问题,本申请提供了一种空气质量监测***的远程智能诊断和运维方法及***。
第一方面,本申请提供了一种空气质量监测***的远程智能诊断和运维方法,其中,所述方法包括:获得第一目标区域,基于所述第一目标区域匹配所述多个传感器;基于第一监测方案,使用所述多个传感器进行空气质量监测,获得第一数据集合;将所述第一数据集合通过无线通信方式传输至空气质量监测平台,其中,所述空气质量监测平台包括可视化组件;对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合;基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果;基于所述第一显示结果,生成第一调控指令,对所述空气质量监测***进行调控。
另一方面,本申请提供了一种空气质量监测***的远程智能诊断和运维***,其中,所述***包括:第一执行单元,所述第一执行单元用于获得第一目标区域,基于所述第一目标区域匹配多个传感器;第一获得单元,所述第一获得单元用于基于第一监测方案,使用所述多个传感器进行空气质量监测,获得第一数据集合;第二执行单元,所述第二执行单元用于将所述第一数据集合通过无线通信方式传输至空气质量监测平台,其中,所述空气质量监测平台包括可视化组件;第二获得单元,所述第二获得单元用于对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合;第三获得单元,所述第三获得单元用于基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果;第三执行单元,所述第三执行单元用于基于所述第一显示结果,生成第一调控指令,对空气质量监测***进行调控。
第三方面,本申请提供了一种空气质量监测***的远程智能诊断和运维***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
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:
由于采用了获得目标区域,基于目标区域匹配所述多个传感器;基于第一监测方案,通过多个传感器进行空气质量监测,获得第一数据集合;将第一数据集合通过无线通信方式传输至空气质量监测平台,空气质量监测平台接收到的第一数据集合后,进行数据预处理,获得第二数据集合;基于监测数据异常检测模型对第二数据集合进行检验,将异常检测结果上传至可视化组件进行内容渲染,获得第一显示结果;基于显示的异常情况,生成第一调控指令,根据第一调控指令对空气质量监测***进行远程调控的技术方案,本申请通过提供了一种空气质量监测***的远程智能诊断和运维方法及***,达到了通过数据以及操作指令的可视化,将监测数据分析结果直观的呈现出来,提高非专业人员监测工作的效率,降低运维成本,实现远程智能管控,提高***异常数据检测的及时性,能够对空气质量检测***进行针对性调控,使监测数据更加准确、科学的技术效果。
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为本申请实施例一种空气质量监测***的远程智能诊断和运维方法的流程示意图;
图2为本申请实施例一种空气质量监测***的远程智能诊断和运维方法的获得第二监测方案的流程示意图;
图3为本申请实施例一种空气质量监测***的远程智能诊断和运维方法的对空气质量监测***进行调控的流程示意图;
图4为本申请实施例一种空气质量监测***的远程智能诊断和运维***的结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一执行单元11,第一获得单元12,第二执行单元13,第二获得单元14,第三获得单元15,第三执行单元16,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供了一种空气质量监测***的远程智能诊断和运维方法及***,解决了现有技术中存在由于空气监测***的显示方法直观性差、导致非专业人员很难参与日常管控运维工作,***运维人员紧缺,委托第三方机构运维成本高且远程***管控的效率和质量难以保证的技术问题。达到了通过数据以及操作指令的可视化,将监测数据分析结果直观的呈现出来,提高非专业人员监测工作的效率,降低运维成本,实现远程智能管控,提高***异常数据检测的及时性,能够对空气质量检测***进行针对性调控,使监测数据更加准确、科学的技术效果。
随着空气质量检测站的增多,空气监测类型、检测仪器越来越多,空气质量检测***运维人才紧缺问题较为突出。大量的日常运维工作由第三方委托机构开展,数据质量和运维质量难以得到保证,三方委托机构资质也较难评估。如何降低运维成本,提高效率及监测结果的质量,降低日常运维管理的难度引起广泛关注。解决了现有技术中存在由于空气监测***的显示方法直观性差、导致非专业人员很难参与日常管控运维工作,***运维人员紧缺,委托第三方机构运维成本高且远程***管控的效率和质量难以保证的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种空气质量监测***的远程智能诊断和运维方法,其中,所述方法包括:获得目标区域,基于目标区域匹配所述多个传感器;基于第一监测方案,通过多个传感器进行空气质量监测,获得第一数据集合;将第一数据集合通过无线通信方式传输至空气质量监测平台,空气质量监测平台接收到的第一数据集合后,进行数据预处理,获得第二数据集合;基于监测数据异常检测模型对第二数据集合进行检验,将异常检测结果上传至可视化组件进行内容渲染,获得第一显示结果;基于显示的异常情况,生成第一调控指令,根据第一调控指令对空气质量监测***进行远程调控。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种空气质量监测***的远程智能诊断和运维方法,其中,所述方法应用于空气质量监测***,所述空气质量监测***与多个传感器通信连接,所述方法包括:
S100:获得第一目标区域,基于所述第一目标区域匹配所述多个传感器;
具体而言,空气质量监测工作可粗略的分为室内空气监测工作和大气(室外)空气监测工作。所述第一目标区域为任一待监测的区域,所述多个传感器包括但不限于温湿度传感器、NO2传感器、PM2.5传感器、PM10传感器、CO传感器、SO2传感器、O3传感器。根据不同的监测区域匹配所述多个传感器,即根据需要监测的空气污染指标匹配对应的传感器。
S200:基于第一监测方案,使用所述多个传感器进行空气质量监测,获得第一数据集合;
S300:将所述第一数据集合通过无线通信方式传输至空气质量监测平台,其中,所述空气质量监测平台包括可视化组件;
具体而言,基于所述第一目标区域和匹配得到的多个传感器,获得所述第一监测方案,所述第一监测方案包括但不限于使用的传感器类型、数量、监测精度、监测频率、监测时间周期等信息。多个传感器进行空气质量监测数据采集,获得所述第一数据集合。将采集到的数据通过无线通信方式实时传输至所述空气质量监测平台。数据可压缩后传输,从而减少传输数据量,提高传输速度。所述空气质量监测平台包括可视化组件,可视化组件包括但不限于液晶显示器,能够将接收的数据以不同形式呈现出来。同时数据上传至所述空气质量监测平台,能够为实现远程智能调控奠定基础。
S400:对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合;
S500:基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果;
具体而言,由于接收的所述第一数据集合中包含多个传感器采集的数据,为保证监测准确性进行多次测量、多点测量的方式,因此所述第一数据集合中数据量大、且可能会存在异常数据。通过数据预处理,进行所述第一数据集合中的重复数据、最大值和最小值删除等处理,获得所述第二数据集合。使用所述监测数据异常检测模型对所述第二数据集合进行异常检验。所述监测数据异常检测模型是通过高斯分布算法对异常检测模型进行训练获得的,能够对所述第二数据集合的数据进行异常检测,从而对监测数据的准确性进行检测。将所述异常检测结果上传至所述可视化组件,通过内容渲染,能够将异常的检测结果以所述第一显示结果呈现在所述空气质量监测平台上,通过数据可视化,将监测数据分析结果直观的呈现出来,提高非专业人员监测工作的效率,降低运维成本,
S600:基于所述第一显示结果,生成第一调控指令,对所述空气质量监测***进行调控。
具体而言,所述空气质量监测平台基于所述第一显示结果,生成对应的解决方法,即所述第一调控指令,从而对所述空气质量监测***进行远程调控。举不受限制的一例:若第一显示结果中的PM2.5浓度检测结果明显低于历史数据,被检测为异常数据,此时需要对PM2.5指标监测进行调控,进行二次监测,在进行异常检测,若结果仍为异常,可更换备用传感器继续监测,从而实现对空气质量监测***进行远程调控。通过远程智能管控,能够及时对***异常数据进行检测,从而对空气质量检测***进行针对性调控,获得更加准确、科学的监测数据。
进一步的,所述基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果,本申请实施例步骤S500还包括:
S510:获得所述第二数据集合中的各数据的方差和平均值;
S520:通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得监测数据异常检测模型;
S530:基于所述监测数据异常检测模型,获得所述第二数据集合中的异常数据集合;
S540:将所述异常数据集合上传至所述可视化组件进行内容渲染,获得所述第一显示结果。
具体而言,某个数据点与全局大多数点都不一样,那么这个点就构成了单点异常,也叫做全局异常,可以通过数据挖掘手段识别数据中的异常点。在数据挖掘中,异常检测能够对数据集中的异常观测值进行识别。高斯分布又叫正态分布是一种概率分布,也是自然界最常见的一种分布。高斯分布是具有两个参数μ和σ2的连续型随机变量的分布。第一参数μ是遵从正态分布的随机变量的均值,第二个参数σ2是此随机变量的方差。通常如果我们认为变量x符合高斯分布,那么可以获得其概率密度函数:
其中,p为概率密度,x为变量,μ为平均值,σ2为方差,σ为标准差。
进一步而言,利用测得的所述第二数据集合x(1),x(2),..,x(m)来计算各数据的方差和平均值,计算公式如下:
其中,x为变量,μ为平均值,σ2为方差。随机抽取一组历史数据进行测试,完成异常检测模型的构建。通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得监测数据异常检测模型。使用训练完成的所述监测数据异常检测模型对实时采集更新的第二数据集合进行异常数据检测。通过概率密度函数计算得到异常可能性P(x),可根据查准率与查全率的比例来选择判断阈值ε值。当P(x)<ε时,为异常数据,获得所述异常数据集合。将异常数据集合上传至所述可视化组件并完成内容渲染,获得所述第一显示结果。所述第一显示结果包含实时采集到的各传感器的正常数据和异常数据。通过可视化组件可以将异常数据以对话框、消息等形式醒目的显示出来,从而提醒监测人员数据监测出现异常,需要进行故障排查。
进一步的,所述对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合,本申请实施例步骤S400还包括:
S410:对所述空气质量监测平台接收到的所述第一数据集合进行数据清洗、数据整合;
S420:将整合后的数据渲染至第一雷达图,其中,所述第一雷达图上包括所述多个传感器的响应值;
S430:将所述第一雷达图上传至可视化组件进行内容渲染,获得第二显示结果;
S440:将所述数据清洗、数据整合的结果作为所述第二数据集合。
具体而言,所述空气质量监测平台接收到的数据信号后通过现有的信号转换技术,将数据信号转换为数据,获得所述第一数据集合。由于空气监测中的各种干扰往往会导致采集的数据存在重复、准确度低等问题,因此需要进行数据预处理。数据清洗包括但不限于删除重复值,最大值、最小值,空缺数据的二次采集等。将数据清洗之后的同一传感器的多次采集的数据进行数据整合。将经过预处理的数据渲染至雷达图上,获得所述第一雷达图。从雷达图能够直观的看出不同传感器的响应值和不同空气污染物的含量差异。并且随着时间的延长,会得到第二雷达图、第三雷达图……第N雷达图,通过雷达图能够帮助监测人员观察空气污染物变化趋势,从而有利于治理空气污染。将所述第一雷达图上传至可视化组件,渲染后能够在所述空气质量监测平台中查阅雷达图,能够提高数据分析和的效率。将数据整合后的数据作为所述第二数据集合,通过数据清洗和数据整合提高后续数据处理的效率和准确度。
进一步的,所述基于所述监测数据异常检测模型,获得所述第二数据集合中的异常数据集合,本申请实施例步骤S530还包括:
S531:获得第一比例系数,所述第一比例系数为所述第二数据集合中的异常数据集合占所述第二数据集合的比例系数;
S532:当所述第一比例系数超过第一异常阈值时,获得第一检测指令;
S533:将所述第一检测指令上传至所述可视化组件进行内容渲染,获得第三显示结果;
S534:基于所述第三显示结果,执行所述第一检测指令,对所述多个传感器进行质量检测。
具体而言,当所述第二数据集合中的数据经过异常检测后获得所述异常数据集合,将所述异常数据集合占所述第二数据集合的比例系数作为所述第一比例系数。第一比例系数反映了异常数据的比重,也反映了监测数据的准确性。预设第一异常阈值,所述第一异常阈值具有一定宽容度。当所述第一比例系数小于所述第一异常阈值,说明异常数据集合中的异常数据很少,且极有可能是由于测量误差带来的,属于正常容错范围内。当所述第一比例系数超过所述第一异常阈值时,说明空气质量监测***出现异常,获得所述第一检测指令。所述第一检测指令重点检测异常数据采集装置即异常数据对应的传感器。将所述第一监测指令上传至所述可视化组件进行内容渲染,获得所述第三显示结果,显示需要检测的传感器。空气质量监测平台的工作人员根据所述第三显示结果,执行所述第一检测指令,对传感器进行重点检测。能够提高异常数据的处理效率,同时让非专业人员也能够进行远程监控的部分工作,提高空气质量监测中心的工作效率。
进一步的,本申请实施例还包括:
S541:获得所述第一显示结果,其中,所述第一显示结果包括PM2.5浓度、PM10浓度、一氧化碳浓度、臭氧浓度、二氧化硫浓度、二氧化氮浓度监测结果;
S542:根据空气质量评价标准和所述第一显示结果,获得空气质量等级;
S543:基于所述空气质量等级,获得第二监测方案,所述第二监测方案用于下一监测周期空气的质量监测。
具体而言,所述第一显示结果包括多个传感器检测的数据结果、异常检测分析的结果等,其中多个传感器检测结果包括但不限于PM2.5浓度、PM10浓度、一氧化碳浓度、臭氧浓度、二氧化硫浓度、二氧化氮浓度监测结果,并且可以通过扩增传感器的方法增添检测项目。已知空气质量指数(AQI)的计算参考标准是现行的《环境空气质量评级标准》。根据空气质量指数(AQI)能够将空气质量等级划分为:一级:空气质量指数≤50优级,二级:空气质量指数≤100良好,三级:空气质量指数≤150轻度污染,四级:空气质量指数≤200中度污染,五级:空气质量指数≤300重度污染,六级:空气质量指数>300严重污染。针对所述第一显示结果中单项的污染物浓度使用空气质量指数(AQI)进行计算,获得实际的所述空气质量等级。根据得到的实际空气质量等级,获取***匹配预设的所述第二监测方案,用于下一监测周期空气质量监测工作。能够通过实时监测结果准确划分空气质量等级,有利于工作人员精准把握当前的空气质量,并且能够灵活调整空气监测方案,提高空气监测的准确性、科学性和灵活性。
进一步的,如图2所示,所述基于所述空气质量等级,获得第二监测方案,本申请实施例步骤S543还包括:
S5431:获得历史空气监测数据集合和历史监测方案集合;
S5432:使用所述空气质量等级对所述历史空气监测数据集合进行标记,获得第一标记数据集合;
S5433:将所述第一标记数据集合和历史监测方案集合进行偏离度分析,获得第一分析结果;
S5434:基于所述第一分析结果,构建所述空气质量等级与监测方案集合的映射关系;
S5435:基于所述映射关系和所述空气质量等级,获得所述第二监测方案。
具体而言,所述空气质量监测***使用过程中会存储大量的历史数据,并且保留了预设的监测方案。且历史数据与历史监测方案对应。使用所述空气质量等级对所述历史空气监测数据集合进行标记,从而得到带有等级标记的历史数据集合。将带有标记的数据作为所述第一标记数据集合。对所述第一标记数据集合和历史监测方案集合进行偏离度分析,偏离度分析即分析每一等级的数据使用的监测方案是否准确、科学。举例如:将同一等级对应的监测方案进行汇总,对统一等级中不同的监测方案对应的历史数据进行精密度和准确度进行计算。通过偏离度分析获得所述第一分析结果,将偏离度最低的方案作为每一等级对应的监测方案,构建二者之间的映射关系。进一步而言,基于所述映射关系和所述空气质量等级,按照所述空气质量等级,获得第二监测方案。达到了提高了检测方案决策的准确性和科学性,提高监测结果质量的技术效果。
进一步的,如图3所示,所述基于所述第一显示结果,生成第一调控指令,对所述空气质量监测***进行调控,本申请实施例步骤S600还包括:
S610:基于所述第一显示结果,获得关联监测链路,所述关联监测链路包括关联监测设备、关联传输路径;
S620:对所述关联监测设备和所述关联传输路径进行故障查找,获得故障查找结果;
S630:基于所述故障查找结果,生成第一调控指令;
S640:基于第一调控指令,对所述空气质量监测***进行调控。
具体而言,基于第一显示结果能够得知异常检测数据,例如PM2.5传感器的监测数据异常,此时异常的原因可能是传感器检测异常,也可能是无线传输过程异常。因此基于所述第一显示结果,获得所述关联监测链路。关联监测链路包括所述关联监测设备和关联传输路径,对数据的检测、数据的传输、接收进行故障查找,通过相应技术手段完成故障查找后,获得所述故障查找结果。基于所述故障查找结果生成所述第一调控指令,通过所述第一调控指令针对故障进行***修复,从而实现对所述空气质量监测***进行远程调控,能够敏锐的发现***故障,保障***安全。
综上所述,本申请实施例所提供的一种空气质量监测***的远程智能诊断和运维方法及***具有如下技术效果:
1、由于采用了获得目标区域,基于目标区域匹配所述多个传感器;基于第一监测方案,通过多个传感器进行空气质量监测,获得第一数据集合;将第一数据集合通过无线通信方式传输至空气质量监测平台,空气质量监测平台接收到的第一数据集合后,进行数据预处理,获得第二数据集合;基于监测数据异常检测模型对第二数据集合进行检验,将异常检测结果上传至可视化组件进行内容渲染,获得第一显示结果;基于显示的异常情况,生成第一调控指令,根据第一调控指令对空气质量监测***进行远程调控的技术方案,本申请实施例通过提供了一种空气质量监测***的远程智能诊断和运维方法及***,达到了通过数据以及操作指令的可视化,将监测数据分析结果直观的呈现出来,提高非专业人员监测工作的效率,降低运维成本,实现远程智能管控,提高***异常数据检测的及时性,能够对空气质量检测***进行针对性调控,使监测数据更加准确、科学的技术效果。
2、由于采用了通过实时监测结果准确划分空气质量等级的方法,有利于工作人员精准把握当前的空气质量,并且能够灵活调整空气监测方案,提高空气监测的准确性、科学性和灵活性的技术效果。
实施例二
基于与前述实施例中一种空气质量监测***的远程智能诊断和运维方法相同的发明构思,如图4所示,本申请实施例提供了一种空气质量监测***的远程智能诊断和运维***,其中,所述***包括:
第一执行单元11,所述第一执行单元11用于获得第一目标区域,基于所述第一目标区域匹配多个传感器;
第一获得单元12,所述第一获得单元12用于基于第一监测方案,使用所述多个传感器进行空气质量监测,获得第一数据集合;
第二执行单元13,所述第二执行单元13用于将所述第一数据集合通过无线通信方式传输至空气质量监测平台,其中,所述空气质量监测平台包括可视化组件;
第二获得单元14,所述第二获得单元14用于对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合;
第三获得单元15,所述第三获得单元15用于基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果;
第三执行单元16,所述第三执行单元16用于基于所述第一显示结果,生成第一调控指令,对空气质量监测***进行调控。
进一步的,所述***包括:
第四获得单元,所述第四获得单元用于获得所述第二数据集合中的各数据的方差和平均值;
第五获得单元,所述第五获得单元用于通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得监测数据异常检测模型;
第六获得单元,所述第六获得单元用于基于所述监测数据异常检测模型,获得所述第二数据集合中的异常数据集合;
第七获得单元,所述第七获得单元用于将所述异常数据集合上传至所述可视化组件进行内容渲染,获得所述第一显示结果。
进一步的,所述***包括:
第四执行单元,所述第四执行单元用于对所述空气质量监测平台接收到的所述第一数据集合进行数据清洗、数据整合;
第五执行单元,所述第五执行单元用于将整合后的数据渲染至第一雷达图,其中,所述第一雷达图上包括所述多个传感器的响应值;
第八获得单元,所述第八获得单元用于将所述第一雷达图上传至可视化组件进行内容渲染,获得第二显示结果;
第六执行单元,所述第六执行单元用于将所述数据清洗、数据整合的结果作为所述第二数据集合。
进一步的,所述***包括:
第九获得单元,所述第九获得单元用于获得第一比例系数,所述第一比例系数为所述第二数据集合中的异常数据集合占所述第二数据集合的比例系数;
第十获得单元,所述第十获得单元用于当所述第一比例系数超过第一异常阈值时,获得第一检测指令;
第十一获得单元,所述第十一获得单元用于将所述第一检测指令上传至所述可视化组件进行内容渲染,获得第三显示结果;
第七执行单元,所述第七执行单元用于基于所述第三显示结果,执行所述第一检测指令,对所述多个传感器进行质量检测。
进一步的,所述***包括:
第十二获得单元,所述第十二获得单元用于获得所述第一显示结果,其中,所述第一显示结果包括PM2.5浓度、PM10浓度、一氧化碳浓度、臭氧浓度、二氧化硫浓度、二氧化氮浓度监测结果;
第十三获得单元,所述第十三获得单元用于根据空气质量评价标准和所述第一显示结果,获得空气质量等级;
第十四获得单元,所述第十四获得单元用于基于所述空气质量等级,获得第二监测方案,所述第二监测方案用于下一监测周期空气的质量监测。
进一步的,所述***包括:
第十五获得单元,所述第十五获得单元用于获得历史空气监测数据集合和历史监测方案集合;
第十六获得单元,所述第十六获得单元用于使用所述空气质量等级对所述历史空气监测数据集合进行标记,获得第一标记数据集合;
第十七获得单元,所述第十七获得单元用于将所述第一标记数据集合和历史监测方案集合进行偏离度分析,获得第一分析结果;
第一构建单元,所述第一构建单元用于基于所述第一分析结果,构建所述空气质量等级与监测方案集合的映射关系;
第十八获得单元,所述第十八获得单元用于基于所述映射关系和所述空气质量等级,获得所述第二监测方案。
进一步的,所述***包括:
第十九获得单元,所述第十九获得单元用于基于所述第一显示结果,获得关联监测链路,所述关联监测链路包括关联监测设备、关联传输路径;
第二十获得单元,所述第二十获得单元用于对所述关联监测设备和所述关联传输路径进行故障查找,获得故障查找结果;
第八执行单元,所述第八执行单元用于基于所述故障查找结果,生成第一调控指令;
第九执行单元,所述第九执行单元用于基于第一调控指令,对所述空气质量监测***进行调控。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。
基于与前述实施例中一种空气质量监测***的远程智能诊断和运维方法相同的发明构思,本申请实施例还提供了一种空气质量监测***的远程智能诊断和运维***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的***,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种空气质量监测***的远程智能诊断和运维方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种空气质量监测***的远程智能诊断和运维方法,其中,所述方法包括:获得目标区域,基于目标区域匹配所述多个传感器;基于第一监测方案,通过多个传感器进行空气质量监测,获得第一数据集合;将第一数据集合通过无线通信方式传输至空气质量监测平台,空气质量监测平台接收到的第一数据集合后,进行数据预处理,获得第二数据集合;基于监测数据异常检测模型对第二数据集合进行检验,将异常检测结果上传至可视化组件进行内容渲染,获得第一显示结果;基于显示的异常情况,生成第一调控指令,根据第一调控指令对空气质量监测***进行远程调控。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑***,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。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 (6)
1.一种空气质量监测***的远程智能诊断和运维方法,其特征在于,所述方法应用于空气质量监测***,所述空气质量监测***与多个传感器通信连接,所述方法包括:
获得第一目标区域,基于所述第一目标区域匹配所述多个传感器;
基于第一监测方案,使用所述多个传感器进行空气质量监测,获得第一数据集合;
将所述第一数据集合通过无线通信方式传输至空气质量监测平台,所述空气质量监测平台接收到数据信号后通过现有的信号转换技术,将数据信号转换为数据,获得所述第一数据集合,其中,所述空气质量监测平台包括可视化组件;
对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合;
基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果,包括:
获得所述第二数据集合中的各数据的方差和平均值;
通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得监测数据异常检测模型;
基于所述监测数据异常检测模型,获得所述第二数据集合中的异常数据集合;
将所述异常数据集合上传至所述可视化组件进行内容渲染,获得所述第一显示结果;
基于所述第一显示结果,生成第一调控指令,对所述空气质量监测***进行调控,包括:
基于所述第一显示结果,获得关联监测链路,所述关联监测链路包括关联监测设备、关联传输路径;
对所述关联监测设备和所述关联传输路径进行故障查找,获得故障查找结果;
基于所述故障查找结果,生成第一调控指令;
基于第一调控指令,对所述空气质量监测***进行调控;
其中,所述对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合,所述方法包括:
对所述空气质量监测平台接收到的所述第一数据集合进行数据清洗、数据整合;
将整合后的数据渲染至第一雷达图,其中,所述第一雷达图上包括所述多个传感器的响应值;
将所述第一雷达图上传至可视化组件进行内容渲染,获得第二显示结果;
将所述数据清洗、数据整合的结果作为所述第二数据集合。
2.如权利要求1所述的一种空气质量监测***的远程智能诊断和运维方法,其特征在于,所述基于所述监测数据异常检测模型,获得所述第二数据集合中的异常数据集合,之后还包括:
获得第一比例系数,所述第一比例系数为所述第二数据集合中的异常数据集合占所述第二数据集合的比例系数;
当所述第一比例系数超过第一异常阈值时,获得第一检测指令;
将所述第一检测指令上传至所述可视化组件进行内容渲染,获得第三显示结果;
基于所述第三显示结果,执行所述第一检测指令,对所述多个传感器进行质量检测。
3.如权利要求1所述的一种空气质量监测***的远程智能诊断和运维方法,其特征在于,所述方法还包括:
获得所述第一显示结果,其中,所述第一显示结果包括PM2.5 浓度、PM10 浓度、一氧化碳浓度、臭氧浓度、二氧化硫浓度、二氧化氮浓度监测结果;
根据空气质量评价标准和所述第一显示结果,获得空气质量等级;
基于所述空气质量等级,获得第二监测方案,所述第二监测方案用于下一监测周期空气的质量监测。
4.如权利要求3所述的一种空气质量监测***的远程智能诊断和运维方法,其特征在于,所述基于所述空气质量等级,获得第二监测方案,所述方法还包括:
获得历史空气监测数据集合和历史监测方案集合;
使用所述空气质量等级对所述历史空气监测数据集合进行标记,获得第一标记数据集合;
将所述第一标记数据集合和历史监测方案集合进行偏离度分析,获得第一分析结果;
基于所述第一分析结果,构建所述空气质量等级与监测方案集合的映射关系;
基于所述映射关系和所述空气质量等级,获得所述第二监测方案。
5.一种空气质量监测***的远程智能诊断和运维***,其特征在于,所述***包括:
第一执行单元,所述第一执行单元用于获得第一目标区域,基于所述第一目标区域匹配多个传感器;
第一获得单元,所述第一获得单元用于基于第一监测方案,使用所述多个传感器进行空气质量监测,获得第一数据集合;
第二执行单元,所述第二执行单元用于将所述第一数据集合通过无线通信方式传输至空气质量监测平台,所述空气质量监测平台接收到的数据信号后通过现有的信号转换技术,将数据信号转换为数据,获得所述第一数据集合,其中,所述空气质量监测平台包括可视化组件;
第二获得单元,所述第二获得单元用于对所述空气质量监测平台接收到的所述第一数据集合进行数据预处理,获得第二数据集合;
第三获得单元,所述第三获得单元用于基于监测数据异常检测模型对所述第二数据集合进行检验,将异常检测结果上传至所述可视化组件进行内容渲染,获得第一显示结果;
第三执行单元,所述第三执行单元用于基于所述第一显示结果,生成第一调控指令,对空气质量监测***进行调控;
第四执行单元,所述第四执行单元用于对所述空气质量监测平台接收到的所述第一数据集合进行数据清洗、数据整合;
第五执行单元,所述第五执行单元用于将整合后的数据渲染至第一雷达图,其中,所述第一雷达图上包括所述多个传感器的响应值;
第八获得单元,所述第八获得单元用于将所述第一雷达图上传至可视化组件进行内容渲染,获得第二显示结果;
第六执行单元,所述第六执行单元用于将所述数据清洗、数据整合的结果作为所述第二数据集合;
所述***包括:
第四获得单元,所述第四获得单元用于获得所述第二数据集合中的各数据的方差和平均值;
第五获得单元,所述第五获得单元用于通过高斯分布算法,根据所述各数据的方差和平均值对异常检测模型进行训练,获得监测数据异常检测模型;
第六获得单元,所述第六获得单元用于基于所述监测数据异常检测模型,获得所述第二数据集合中的异常数据集合;
第七获得单元,所述第七获得单元用于将所述异常数据集合上传至所述可视化组件进行内容渲染,获得所述第一显示结果;
第十九获得单元,所述第十九获得单元用于基于所述第一显示结果,获得关联监测链路,所述关联监测链路包括关联监测设备、关联传输路径;
第二十获得单元,所述第二十获得单元用于对所述关联监测设备和所述关联传输路径进行故障查找,获得故障查找结果;
第八执行单元,所述第八执行单元用于基于所述故障查找结果,生成第一调控指令;
第九执行单元,所述第九执行单元用于基于第一调控指令,对所述空气质量监测***进行调控。
6.一种空气质量监测***的远程智能诊断和运维***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,其特征在于,使***以执行如权利要求1~4任一项所述的一种空气质量监测***的远程智能诊断和运维方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677810.7A CN114487283B (zh) | 2021-12-31 | 2021-12-31 | 一种空气质量监测***的远程智能诊断和运维方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111677810.7A CN114487283B (zh) | 2021-12-31 | 2021-12-31 | 一种空气质量监测***的远程智能诊断和运维方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114487283A CN114487283A (zh) | 2022-05-13 |
CN114487283B true CN114487283B (zh) | 2024-01-30 |
Family
ID=81510775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111677810.7A Active CN114487283B (zh) | 2021-12-31 | 2021-12-31 | 一种空气质量监测***的远程智能诊断和运维方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114487283B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133038A (zh) * | 2013-06-21 | 2014-11-05 | 赵时旻 | 车内环境监测管控*** |
CN107085070A (zh) * | 2017-03-14 | 2017-08-22 | 深圳市金立通信设备有限公司 | 一种基于空气质量的提醒方法及终端 |
CN108489877A (zh) * | 2018-05-31 | 2018-09-04 | 安徽中疆环境科技有限公司 | 一种空气监测*** |
CN109146434A (zh) * | 2018-10-24 | 2019-01-04 | 云南电网有限责任公司信息中心 | 一种面向数字电网业务的可视化监测平台及方法 |
CN109523510A (zh) * | 2018-10-11 | 2019-03-26 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN110909896A (zh) * | 2019-11-27 | 2020-03-24 | 北京搜狐新媒体信息技术有限公司 | 一种可视化运维监控方法及装置 |
CN111460059A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 环境空气质量数据可视化方法、装置、设备和存储介质 |
CN111679050A (zh) * | 2020-07-03 | 2020-09-18 | 广州傲马科技有限公司 | 基于物联网的水质监测及预警*** |
CN111983961A (zh) * | 2020-08-19 | 2020-11-24 | 詹晨 | 一种基于大数据的居民饮用水安全智能监测管理*** |
CN112100843A (zh) * | 2020-09-10 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种面向电力***安全事件模拟验证的可视化分析方法及*** |
CN113030666A (zh) * | 2021-03-22 | 2021-06-25 | 三门核电有限公司 | 大型变压器放电故障诊断方法及装置 |
CN113552817A (zh) * | 2021-07-27 | 2021-10-26 | 珠海格力电器股份有限公司 | 一种可移动的空气检测装置、检测方法及空气检测仪 |
CN113655175A (zh) * | 2021-08-05 | 2021-11-16 | 重庆亿森动力环境科技有限公司 | 一种网格化空气监测方法、***、计算机设备及存储介质 |
CN113687609A (zh) * | 2021-07-21 | 2021-11-23 | 浙江微科机电有限公司 | 应用于异常环境下的物联网智能监测***及监测方法 |
CN215263344U (zh) * | 2021-04-29 | 2021-12-21 | 福建农林大学 | 空气污染在线监测装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019071384A1 (en) * | 2017-10-09 | 2019-04-18 | Bl Technologies, Inc. | INTELLIGENT SYSTEMS AND METHODS FOR THE TREATMENT AND EVALUATION OF SANITATION DIAGNOSIS, DETECTION AND CONTROL OF ANOMALY IN WASTEWATER TREATMENT FACILITIES OR IN DRINKING WATER FACILITIES |
-
2021
- 2021-12-31 CN CN202111677810.7A patent/CN114487283B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133038A (zh) * | 2013-06-21 | 2014-11-05 | 赵时旻 | 车内环境监测管控*** |
CN107085070A (zh) * | 2017-03-14 | 2017-08-22 | 深圳市金立通信设备有限公司 | 一种基于空气质量的提醒方法及终端 |
CN108489877A (zh) * | 2018-05-31 | 2018-09-04 | 安徽中疆环境科技有限公司 | 一种空气监测*** |
CN109523510A (zh) * | 2018-10-11 | 2019-03-26 | 浙江大学 | 基于多光谱遥感影像的河道水质空间异常区域检测方法 |
CN109146434A (zh) * | 2018-10-24 | 2019-01-04 | 云南电网有限责任公司信息中心 | 一种面向数字电网业务的可视化监测平台及方法 |
CN110909896A (zh) * | 2019-11-27 | 2020-03-24 | 北京搜狐新媒体信息技术有限公司 | 一种可视化运维监控方法及装置 |
CN111460059A (zh) * | 2020-03-02 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 环境空气质量数据可视化方法、装置、设备和存储介质 |
CN111679050A (zh) * | 2020-07-03 | 2020-09-18 | 广州傲马科技有限公司 | 基于物联网的水质监测及预警*** |
CN111983961A (zh) * | 2020-08-19 | 2020-11-24 | 詹晨 | 一种基于大数据的居民饮用水安全智能监测管理*** |
CN112100843A (zh) * | 2020-09-10 | 2020-12-18 | 中国电力科学研究院有限公司 | 一种面向电力***安全事件模拟验证的可视化分析方法及*** |
CN113030666A (zh) * | 2021-03-22 | 2021-06-25 | 三门核电有限公司 | 大型变压器放电故障诊断方法及装置 |
CN215263344U (zh) * | 2021-04-29 | 2021-12-21 | 福建农林大学 | 空气污染在线监测装置 |
CN113687609A (zh) * | 2021-07-21 | 2021-11-23 | 浙江微科机电有限公司 | 应用于异常环境下的物联网智能监测***及监测方法 |
CN113552817A (zh) * | 2021-07-27 | 2021-10-26 | 珠海格力电器股份有限公司 | 一种可移动的空气检测装置、检测方法及空气检测仪 |
CN113655175A (zh) * | 2021-08-05 | 2021-11-16 | 重庆亿森动力环境科技有限公司 | 一种网格化空气监测方法、***、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114487283A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估*** | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
WO2013090026A2 (en) | Automated monitoring for changes in energy consumption patterns | |
Kirchen et al. | Metrics for the evaluation of data quality of signal data in industrial processes | |
CN108319664A (zh) | 一种大坝及工程安全监测数据粗差识别方法及*** | |
CN116399402B (zh) | 一种用于生态环境监测的无线传感器的故障预警*** | |
KR20220093597A (ko) | IoT기반 도시기상관측자료의 품질검사 시스템 | |
CN117152926B (zh) | 基于数据分析的自动压力检测预警*** | |
CN117318310B (zh) | 一种防爆配电柜远程无人智慧监测*** | |
CN114487283B (zh) | 一种空气质量监测***的远程智能诊断和运维方法及*** | |
CN116520236B (zh) | 一种智能电表的异常检测方法和*** | |
CN112580858A (zh) | 设备参数预测分析方法及*** | |
CN113006872A (zh) | 一种矿井通风网络关键分支风量监测装置及校正方法 | |
CN110455370B (zh) | 防汛抗旱远程遥测显示*** | |
CN112345972A (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及*** | |
CN117436569A (zh) | 基于随机森林的核电设备故障预测和智能标定方法及*** | |
CN117234156A (zh) | 选矿厂巡检***及巡检方法 | |
CN111562037A (zh) | 一种温度表的故障检测方法及装置 | |
CN114459523B (zh) | 一种在线质量检测仪器的标定预警方法 | |
CN115586321A (zh) | 油中溶解气在线监测数据识别方法、***、存储器及设备 | |
CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
CN114593792A (zh) | 一种地下水水位监测方法和装置、存储介质 | |
CN113610344A (zh) | 一种污染预警方法、装置、电子设备及存储介质 | |
Booysen et al. | A practical methodology for the systematic identification of outliers | |
CN118013468B (zh) | 一种风电机组部件健康度监测方法、装置、设备及介质 |
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 |