CN116703167B - 养殖设备告警监测处理方法、装置、设备及存储介质 - Google Patents
养殖设备告警监测处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116703167B CN116703167B CN202310986756.7A CN202310986756A CN116703167B CN 116703167 B CN116703167 B CN 116703167B CN 202310986756 A CN202310986756 A CN 202310986756A CN 116703167 B CN116703167 B CN 116703167B
- Authority
- CN
- China
- Prior art keywords
- equipment
- alarm
- monitoring
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 114
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000012545 processing Methods 0.000 claims abstract description 191
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000010606 normalization Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 120
- 238000004364 calculation method Methods 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 37
- 238000000926 separation method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 10
- 230000001488 breeding effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000009313 farming Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 4
- 230000007257 malfunction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种养殖设备告警监测处理方法、装置、设备及存储介质,通过实时监测养殖设备,获取养殖设备的设备数据;基于识别算法,在设备数据存在风险前提下,识别出对应于设备数据的预测告警事件,基于监测预警模型生成告警事件处理流程,将事件处理流程拆分为各个处理节点,并获取处理终端反馈的各个处理节点正常化信号,基于正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用告警记录对监测预警模型进行优化训练;通过实时监测设备状态、精准预测设备问题、提高处理流程的效率,并通过保存告警记录不断优化预警模型,从而改善设备管理、提升养殖效率,同时为未来预警***提供更全面的数据支持。
Description
技术领域
本发明涉及养殖数字技术领域,特别涉及一种养殖设备告警监测处理方法、装置、设备及存储介质。
背景技术
目前,随着现代养殖业的快速发展,养殖设备已经成为了养殖业不可或缺的一部分。它们对于工作效率、生活环境和养殖的整体质量起到了重要的作用。然而,养殖设备在运行过程中可能会出现各种故障或异常,如设备的短期故障、控制器开关错误、操作超时等。这些问题可能会导致设备失效,甚至影响生物的生长和生产效率。因此,需要一个可靠的、自动的预警***,能够有效提前对这些问题进行识别和处理。
现有的告警***主要依靠人工检查,计算机辅助检测或者其他被动方式来发现设备问题,这对于大规模的养殖设备工作量来说显然不够及时且效率不高,而且难以进行精确的预测和处理。
发明内容
本发明的主要目的为提供一种养殖设备告警监测处理方法、装置、设备及存储介质,通过实时监测设备状态、精准预测设备问题、提高处理流程的效率,并通过保存告警记录不断优化预警模型,从而改善设备管理、提升养殖效率,同时为未来预警***提供更全面的数据支持。
为实现上述目的,本发明提供了一种养殖设备告警监测处理方法,包括以下步骤:
通过实时监测养殖设备,获取所述养殖设备的设备数据;
基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;
将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;
将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练。
进一步地,通过实时监测养殖设备,获取所述养殖设备的设备数据的步骤,包括:
基于被定义于养殖设备上的告警类型定义和告警参数定义,对应创建数据输入通道,以通过告警类型选择对应的数据输入通道将告警参数输入;
在所述数据输入通道的末端设置变量监测口,通过所述变量监测口获取实时的设备数据,其中,所述设备数据包括上报数据时间、设备运行电流、设备关机电流、控制器开关状态和设备采集参数;
对所述设备数据进行分隔运算,其中,所述分隔运算的第一级分隔为,将所述设备数据对应的告警类型和告警参数进行向量化构建,生成基于告警类型的若干条参数向量;第二级分隔为,将所述参数向量与对应告警类型的告警参数进行对标匹配;
同步生成用于识别所述告警参数的识别指令,和用于将所述参数向量输入至监测预警模型的输入指令;
将所述识别指令和输入指令携带于设备数据中。
进一步地,基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件的步骤,包括:
基于所述识别指令,将所述设备数据输入于识别算法中计算,以判断是否存在风险,所述识别算法为,
在同一个时刻中,对所述设备数据进行设备故障规则计算,计算包括:养殖设备最近一次上报数据时间距今时长是否小于预设数据上报间隔时长、养殖设备的控制器开关状态是否为打开状态、养殖设备运行电流波动值是否小于预设的10%振幅,若任一项或多项计算为否,则判定所述养殖设备存在故障;
在同一个时刻下,对所述设备数据进行设备异常规则计算,计算包括:相同告警类型在相邻两次的输入下,对应的告警参数波动值是否大于或等于50%,若是,则判定所述养殖设备存在异常信号;
在同一个时刻下,对所述设备数据进行运行超时规则计算,计算包括:养殖设备运行时长是否小于实际运行时长,若是,则判定所述养殖设备存在使用寿命损耗;
基于所述识别算法的设备故障规则计算、设备异常规则计算、运行超时规则计算,判断出所述养殖设备是否存在风险,以及若存在风险的前提下对应的预测告警事件。
进一步地,将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程的步骤,包括:
基于所述预测告警事件和对应的输入指令,将所述参数向量输入至监测预警模型中;
利用所述监测预警模型生成告警事件处理流程的方式,包括:
将所述参数向量进行梯度下降,以在输入层中预训练的向量总图上匹配一项预测向量;
基于预训练完成的隐藏层,构建与参数向量和预测向量对应的二维拓扑坐标系,其中,所述参数向量置于X轴,并基于参数向量携带的告警参数在Y轴方向形成对应的第一高度;所述预测向量置于Y轴,并基于预测向量过往训练数据值在X轴方向上形成对应的第二高度;
识别所述二维拓扑坐标系上的正常参数线,所述正常参数线为经过训练后预设于二维拓扑坐标系上X轴与Y轴向量必定相交的各个点位所串联的斜线;
识别所述二维拓扑坐标系上由第一高度和第二高度构建的告警事件线,与正常参数线的差异值,并将所述差异值标定于预测向量的对应参数节点上;
基于所述预测向量的各个存在差异值的参数节点,调取对应的方案模板,经纠正差异值后的偏差量,并将偏差量添置于方案模板中,形成告警事件处理流程;
由预训练的输出层,以输出所述告警事件处理流程。
进一步地,采用预设方式将所述告警事件处理流程发送至对应的处理终端的步骤中,所述处理终端包括智能移动设备和/或固定式平台终端设备,所述预设方式包括:
通过无线传输方式将所述告警事件处理流程输出至智能移动设备;
通过物联网、线体连接以及无线传输的方式将告警事件处理流程输出至固定式平台终端设备。
进一步地,将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理的步骤,包括:
识别所述事件处理流程上是否携带流程顺序因子;
若是,则监听各个所述处理节点基于流程顺序因子进行逐个正常化,以生成各个处理节点对应的正常化信号;
基于所述正常化信号完成告警事件处理。
进一步地,采用所述告警记录对监测预警模型进行优化训练的步骤,包括:
将所述告警记录输入至监测预警模型的输入层,基于所述告警记录中对应的告警类型和告警参数进行向量化,得到训练向量;
将所述训练向量与预部署于输入层中的向量总图进行相同性识别;
若识别在所述向量总图上不存在与训练向量一致的对应向量,则将所述训练向量放置于向量总图上,构成新的向量总图。
本发明还提出一种养殖设备告警监测处理装置,包括:
获取单元,用于通过实时监测养殖设备,获取所述养殖设备的设备数据;
识别单元,用于基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;
告警单元,用于将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;
处理单元,用于将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述养殖设备告警监测处理方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的养殖设备告警监测处理方法的步骤。
本发明提供的养殖设备告警监测处理方法、装置、设备及存储介质,具有以下有益效果:
能够实时监测养殖设备和分析数据,从而提早识别出可能出现的设备问题,降低设备问题引发的风险。其次,通过使用识别算法,可以更准确地根据设备数据预测设备可能出现的问题类型,从而更有效地解决问题。然后,通过处理终端,可以将事件处理流程拆分成各个处理节点,并基于正常化信号完成处理,这使得处理过程更有序,更高效。最后,通过对告警记录的保存和使用,能够不断优化预警模型,提高告警监测处理的准确性和效率,也为未来的预警***提供了更多的数据支持。
附图说明
图1是本发明一实施例中养殖设备告警监测处理方法的流程示意图;
图2是本发明一实施例中养殖设备告警监测处理装置的结构框图;
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1为本发明提出的一种养殖设备告警监测处理方法的流程示意图,包括以下步骤:
S1,通过实时监测养殖设备,获取所述养殖设备的设备数据;
S2,基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;
S3,将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;
S4,将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练。
在执行S1-S4时,首先通过对养殖设备进行实时监测,就每一台的养殖设备类型,收集每一台设备的实时状态数据,该状态数据即为各台设备的设备数据;在获取到的设备数据中,运用预先设定的识别算法进行数据分析。该识别算法涵盖设备故障规则计算、设备异常规则计算、运行超时规则计算的多个计算模块。通过计算能够有效识别设备数据中的预警信号,并针对各种预警信号生成对应的预警事件。识别出的预警事件将被输入到预测告警模型中。这个模型以预定的方式生成告警事件的处理流程,并将该流程发送至相应的处理终端,协助工作人员快速、准确地解决设备问题。拆分告警事件处理流程为多个处理节点,并获取处理终端的反馈,进行正常化操作,从而以步骤化的方式完成整个告警事件的处理。在处理结束后,生成并存储告警记录。这些告警记录不仅方便查阅学习,同时也用于监测预警模型的优化训练,帮助不断改进模型的预测准确性与处理效率。
具体在S3中,采用监测预警模型对识别到的预测告警事件进行处理,以生成告警事件处理流程,该生成告警事件处理流程为指导工作人员手动工作的处理流程,或指令相关应急设备处理告警事件的处理流程,将告警事件处理流程发送至对应的处理终端中,处理终端包括工作人员的智能设备、或者应急设备。
具体在S4中,将告警事件处理流程输出至对应的处理终端后,则实时监听处理终端所反馈的处理结果,以保障告警事件被处理的正常推进,而在监听的过程时,通过告警事件处理流程本身具有的流程性,来创建对应的各个处理节点,处理节点为告警事件处理流程中的一项待处理的事件,基于上述的流程性可知,工作人员的智能设备、或者应急设备逐步的反馈各个处理节点被处理的信号,而接收到该信号之后再通过识别算法进行对应的验证,直至被识别为信号正常,故而视为接收到处理终端反馈的各个处理节点的正常化信号。
在一个实施例中,通过实时监测养殖设备,获取所述养殖设备的设备数据的步骤,包括:
基于被定义于养殖设备上的告警类型定义和告警参数定义,对应创建数据输入通道,以通过告警类型选择对应的数据输入通道将告警参数输入;
在所述数据输入通道的末端设置变量监测口,通过所述变量监测口获取实时的设备数据,其中,所述设备数据包括上报数据时间、设备运行电流、设备关机电流、控制器开关状态和设备采集参数;
对所述设备数据进行分隔运算,其中,所述分隔运算的第一级分隔为,将所述设备数据对应的告警类型和告警参数进行向量化构建,生成基于告警类型的若干条参数向量;第二级分隔为,将所述参数向量与对应告警类型的告警参数进行对标匹配;
同步生成用于识别所述告警参数的识别指令,和用于将所述参数向量输入至监测预警模型的输入指令;
将所述识别指令和输入指令携带于设备数据中。
在这个实施例中,目的为将设备数据形成含义相同的两项数据,其一为参数向量,其二为,告警类型及其告警参数;用于在后续的识别处理中,对数据进行识别计算,仅有在计算到存在风险的前提下,才会将风险对应的参数向量输入至监测预警模型中,从而极大的节省了响应速度,将特征提取的步骤放置在数据输入通道的变量监测口上,减少了监测预警模型对所有设备数据进行向量化以及特征提取的过程。
具体为,创建数据输入通道:根据预设在养殖设备上的告警类型定义和告警参数定义,为每个设备创建相应的数据输入通道。然后,根据具体的告警类型,选取对应的数据输入通道,将这些告警参数输入进去。设定变量监测口:在数据输入通道的末端,设置变量监测口。这个监测口负责实时获取设备数据,包括但不限于上报数据时间、设备运行电流、设备关机电流、控制器开关状态和设备采集参数等。这些数据都将用于后续的告警预测与处理。设备数据分隔运算:对采集到的设备数据,进行两级分隔操作。首先,把设备数据按照告警类型和告警参数进行向量化构建,生成基于告警类型的若干条参数向量。其次,将这些参数向量与对应告警类型的告警参数进行对标匹配。这种分隔运算有助于精确提取出各种不同的告警数据。生成识别和输入指令:在获取设备数据的同时,生成用于识别告警参数的识别指令,以及用于将参数向量输入至监测预警模型的输入指令。指令在设备数据中携带:将生成的识别指令和输入指令嵌入到设备数据中。这意味着处理设备数据的同时,也能根据这些指令处理告警事件,提高告警预测和处理的效率。
在一个实施例中,基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件的步骤,包括:
基于所述识别指令,将所述设备数据输入于识别算法中计算,以判断是否存在风险,所述识别算法为,
在同一个时刻中,对所述设备数据进行设备故障规则计算,计算包括:养殖设备最近一次上报数据时间距今时长是否小于预设数据上报间隔时长、养殖设备的控制器开关状态是否为打开状态、养殖设备运行电流波动值是否小于预设的10%振幅,若任一项或多项计算为否,则判定所述养殖设备存在故障;
在同一个时刻下,对所述设备数据进行设备异常规则计算,计算包括:相同告警类型在相邻两次的输入下,对应的告警参数波动值是否大于或等于50%,若是,则判定所述养殖设备存在异常信号;
在同一个时刻下,对所述设备数据进行运行超时规则计算,计算包括:养殖设备运行时长是否小于实际运行时长,若是,则判定所述养殖设备存在使用寿命损耗;
基于所述识别算法的设备故障规则计算、设备异常规则计算、运行超时规则计算,判断出所述养殖设备是否存在风险,以及若存在风险的前提下对应的预测告警事件。
具体的,设备数据的二项化处理:为了提升响应速度,将设备数据转化为两类具有相同含义的信息。第一类是参数向量,第二类是告警类型和告警参数。在后续的风险识别过程中,只有在设备数据存在风险的前提下,才会将对应的参数向量输入至监测预警模型。这种方式避免了模型处理所有设备数据时进行的向量化及特征提取步骤,从而提高了告警预测和处理的效率。识别算法的计算:在设备数据存在风险的前提下,根据预先制定的识别指令,输入设备数据到识别算法中以判断是否存在风险。该识别算法包括以下几个方面的计算:设备故障规则计算:在同一个时刻检查设备的最新上报数据时间是否小于预设上报间隔,设备的控制器状态是否为打开,以及设备运行电流的波动是否在预设的10%振幅以内。如果这些条件中任何一个或多个不满足,就认为该设备可能存在故障。设备异常规则计算:检查相邻两次输入的同类型告警参数的波动值是否达到或超过50%,如果达到,就判断设备可能存在异常信号。运行超时规则计算:对比设备的运行时长是否小于实际运行时长,如果是,就判断设备可能存在使用寿命损耗状况。风险判定与告警事件生成:基于以上三类规则计算,可以辨认出设备是否存在风险,并在确认存在风险的情况下,识别出对应的预测告警事件。
在一个实施例中,将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程的步骤,包括:
基于所述预测告警事件和对应的输入指令,将所述参数向量输入至监测预警模型中;
利用所述监测预警模型生成告警事件处理流程的方式,包括:
将所述参数向量进行梯度下降,以在输入层中预训练的向量总图上匹配一项预测向量;
基于预训练完成的隐藏层,构建与参数向量和预测向量对应的二维拓扑坐标系,其中,所述参数向量置于X轴,并基于参数向量携带的告警参数在Y轴方向形成对应的第一高度;所述预测向量置于Y轴,并基于预测向量过往训练数据值在X轴方向上形成对应的第二高度;
识别所述二维拓扑坐标系上的正常参数线,所述正常参数线为经过训练后预设于二维拓扑坐标系上X轴与Y轴向量必定相交的各个点位所串联的斜线;
识别所述二维拓扑坐标系上由第一高度和第二高度构建的告警事件线,与正常参数线的差异值,并将所述差异值标定于预测向量的对应参数节点上;
基于所述预测向量的各个存在差异值的参数节点,调取对应的方案模板,经纠正差异值后的偏差量,并将偏差量添置于方案模板中,形成告警事件处理流程;
由预训练的输出层,以输出所述告警事件处理流程。
具体的,输入预测告警事件到监测预警模型:基于预测的告警事件和相应的输入指令,将参数向量输入监测预警模型中。
生成告警事件处理流程:通过监测预警模型,创建处理告警事件的流程。具体步骤包括:
参数向量梯度下降:对参数向量进行梯度下降,以便在预训练好的向量总图中找到对应的预测向量。
构建二维拓扑坐标系:在预训练完成的隐藏层基础上,根据参数向量和预测向量建立一个二维的拓扑坐标系。在这个坐标系中,参数向量位于X轴,它在Y轴方向形成的第一高度是基于参数向量携带的告警参数;预测向量放在Y轴上,它在X轴方向形成的第二高度是基于预测向量在过去的训练数据值。
识别正常参数线:在这个二维拓扑坐标系中,经过训练后,预设了一个正常参数线,这是一条斜线,它串联了所有X轴和Y轴向量交点。
识别告警事件线:在二维拓扑坐标系上,根据第一高度和第二高度构造出一个告警事件线,并计算出它与正常参数线的差异值。这个差异值会被标记在对应的预测向量参数节点上。
形成告警事件处理流程:基于存在差异值的预测向量参数节点,调取对应的方案模板,并计算出经过纠正差异值后的偏差量。然后,将这个偏差量添加到方案模板中,生成告警事件处理流程。
输出告警事件处理流程:最后,预训练的输出层会输出生成的告警事件处理流程。
在一个实施例中,采用预设方式将所述告警事件处理流程发送至对应的处理终端的步骤中,所述处理终端包括智能移动设备和/或固定式平台终端设备,所述预设方式包括:
通过无线传输方式将所述告警事件处理流程输出至智能移动设备;
通过物联网、线体连接以及无线传输的方式将告警事件处理流程输出至固定式平台终端设备。
在一个实施例中,将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理的步骤,包括:
识别所述事件处理流程上是否携带流程顺序因子;
若是,则监听各个所述处理节点基于流程顺序因子进行逐个正常化,以生成各个处理节点对应的正常化信号;
基于所述正常化信号完成告警事件处理。
在具体实施的过程中,根据前面生成的预警处理流程,实施针对设备问题的具体操作,并且获取每个处理节点的反馈,用以确认问题已被解决。具体步骤包括:识别流程顺序因子:首先要检查预警事件的处理流程是否包含流程顺序因子。这个流程顺序因子定义了处理事件的各个步骤应当按照什么样的顺序进行。监听正常化的处理节点:如果处理流程中存在流程顺序因子,那么需要监听所有处理节点的正常化过程。正常化就是根据流程顺序因子,对每个处理节点进行操作并收集其返回的结果,这个结果称之为正常化信号。简单来说,每个处理节点一旦完成其指定的任务,就会发送一个正常化信号来表示它已经执行完成。完成告警事件的处理:收集并确保所有处理节点返回的正常化信号后,告警事件的处理过程即被视为已完成。这样,就可以确认设备的问题已经得到了及时且合理的处理。
在一个实施例中,采用所述告警记录对监测预警模型进行优化训练的步骤,包括:
将所述告警记录输入至监测预警模型的输入层,基于所述告警记录中对应的告警类型和告警参数进行向量化,得到训练向量;
将所述训练向量与预部署于输入层中的向量总图进行相同性识别;
若识别在所述向量总图上不存在与训练向量一致的对应向量,则将所述训练向量放置于向量总图上,构成新的向量总图。
具体的,输入告警记录:将告警记录输入到监测预警模型的输入层,然后基于告警记录中的告警类型和告警参数进行向量化,得到称之为训练向量的结果。相同性识别:将得到的训练向量与已经预部署在输入层中的向量总图进行比较,要识别出两者中是否存在相同的向量。向量总图更新:如果在向量总图中没有找到与训练向量一致的对应向量,那么将训练向量添加到向量总图上,构成了一个新的、更新后的向量总图。这种方法的优点是,通过输入新的告警记录,监测预警模型可以不断学习信号对应的设备状态,通过更新向量总图来持续优化其预测和告警能力,从而提高设备监测的准确性和实时性。
参考附图2,为本发明提出的养殖设备告警监测处理装置的结构框图,装置包括:
获取单元1,用于通过实时监测养殖设备,获取所述养殖设备的设备数据;
识别单元2,用于基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;
告警单元3,用于将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;
处理单元4,用于将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练。
在本实施例中,上述装置实施例中的各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
综上所述,通过实时监测养殖设备,获取所述养殖设备的设备数据;基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练;通过实时监测设备状态、精准预测设备问题、提高处理流程的效率,并通过保存告警记录不断优化预警模型,从而改善设备管理、提升养殖效率,同时为未来预警***提供更全面的数据支持。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种养殖设备告警监测处理方法,其特征在于,包括以下步骤:
通过实时监测养殖设备,获取所述养殖设备的设备数据;
基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;
将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;
将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练;
通过实时监测养殖设备,获取所述养殖设备的设备数据的步骤,包括:
基于被定义于养殖设备上的告警类型定义和告警参数定义,对应创建数据输入通道,以通过告警类型选择对应的数据输入通道将告警参数输入;
在所述数据输入通道的末端设置变量监测口,通过所述变量监测口获取实时的设备数据,其中,所述设备数据包括上报数据时间、设备运行电流、设备关机电流、控制器开关状态和设备采集参数;
对所述设备数据进行分隔运算,其中,所述分隔运算的第一级分隔为,将所述设备数据对应的告警类型和告警参数进行向量化构建,生成基于告警类型的若干条参数向量;第二级分隔为,将所述参数向量与对应告警类型的告警参数进行对标匹配;
同步生成用于识别所述告警参数的识别指令,和用于将所述参数向量输入至监测预警模型的输入指令;
将所述识别指令和输入指令携带于设备数据中;
基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件的步骤,包括:
基于所述识别指令,将所述设备数据输入于识别算法中计算,以判断是否存在风险,所述识别算法为,
在同一个时刻中,对所述设备数据进行设备故障规则计算,计算包括:养殖设备最近一次上报数据时间距今时长是否小于预设数据上报间隔时长、养殖设备的控制器开关状态是否为打开状态、养殖设备运行电流波动值是否小于预设的10%振幅,若任一项或多项计算为否,则判定所述养殖设备存在故障;
在同一个时刻下,对所述设备数据进行设备异常规则计算,计算包括:相同告警类型在相邻两次的输入下,对应的告警参数波动值是否大于或等于50%,若是,则判定所述养殖设备存在异常信号;
在同一个时刻下,对所述设备数据进行运行超时规则计算,计算包括:养殖设备运行时长是否小于实际运行时长,若是,则判定所述养殖设备存在使用寿命损耗;
基于所述识别算法的设备故障规则计算、设备异常规则计算、运行超时规则计算,判断出所述养殖设备是否存在风险,以及若存在风险的前提下对应的预测告警事件;
将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程的步骤,包括:
基于所述预测告警事件和对应的输入指令,将所述参数向量输入至监测预警模型中;
利用所述监测预警模型生成告警事件处理流程的方式,包括:
将所述参数向量进行梯度下降,以在输入层中预训练的向量总图上匹配一项预测向量;
基于预训练完成的隐藏层,构建与参数向量和预测向量对应的二维拓扑坐标系,其中,所述参数向量置于X轴,并基于参数向量携带的告警参数在Y轴方向形成对应的第一高度;所述预测向量置于Y轴,并基于预测向量过往训练数据值在X轴方向上形成对应的第二高度;
识别所述二维拓扑坐标系上的正常参数线,所述正常参数线为经过训练后预设于二维拓扑坐标系上X轴与Y轴向量必定相交的各个点位所串联的斜线;
识别所述二维拓扑坐标系上由第一高度和第二高度构建的告警事件线,与正常参数线的差异值,并将所述差异值标定于预测向量的对应参数节点上;
基于所述预测向量的各个存在差异值的参数节点,调取对应的方案模板,经纠正差异值后的偏差量,并将偏差量添置于方案模板中,形成告警事件处理流程;
由预训练的输出层,以输出所述告警事件处理流程。
2.根据权利要求1所述的养殖设备告警监测处理方法,其特征在于,采用预设方式将所述告警事件处理流程发送至对应的处理终端的步骤中,所述处理终端包括智能移动设备和/或固定式平台终端设备,所述预设方式包括:
通过无线传输方式将所述告警事件处理流程输出至智能移动设备;
通过物联网、线体连接以及无线传输的方式将告警事件处理流程输出至固定式平台终端设备。
3.根据权利要求1所述的养殖设备告警监测处理方法,其特征在于,将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理的步骤,包括:
识别所述事件处理流程上是否携带流程顺序因子;
若是,则监听各个所述处理节点基于流程顺序因子进行逐个正常化,以生成各个处理节点对应的正常化信号;
基于所述正常化信号完成告警事件处理。
4.根据权利要求1所述的养殖设备告警监测处理方法,其特征在于,采用所述告警记录对监测预警模型进行优化训练的步骤,包括:
将所述告警记录输入至监测预警模型的输入层,基于所述告警记录中对应的告警类型和告警参数进行向量化,得到训练向量;
将所述训练向量与预部署于输入层中的向量总图进行相同性识别;
若识别在所述向量总图上不存在与训练向量一致的对应向量,则将所述训练向量放置于向量总图上,构成新的向量总图。
5.一种养殖设备告警监测处理装置,其特征在于,包括:
获取单元,用于通过实时监测养殖设备,获取所述养殖设备的设备数据;
识别单元,用于基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件,其中,所述识别算法包括设备故障规则计算、设备异常规则计算和运行超时规则计算;
告警单元,用于将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程,采用预设方式将所述告警事件处理流程发送至对应的处理终端;
处理单元,用于将所述事件处理流程拆分为各个处理节点,并获取所述处理终端反馈的各个处理节点正常化信号,基于所述正常化信号完成告警事件处理,同时,生成并存储告警记录,并采用所述告警记录对监测预警模型进行优化训练;
通过实时监测养殖设备,获取所述养殖设备的设备数据的步骤,包括:
基于被定义于养殖设备上的告警类型定义和告警参数定义,对应创建数据输入通道,以通过告警类型选择对应的数据输入通道将告警参数输入;
在所述数据输入通道的末端设置变量监测口,通过所述变量监测口获取实时的设备数据,其中,所述设备数据包括上报数据时间、设备运行电流、设备关机电流、控制器开关状态和设备采集参数;
对所述设备数据进行分隔运算,其中,所述分隔运算的第一级分隔为,将所述设备数据对应的告警类型和告警参数进行向量化构建,生成基于告警类型的若干条参数向量;第二级分隔为,将所述参数向量与对应告警类型的告警参数进行对标匹配;
同步生成用于识别所述告警参数的识别指令,和用于将所述参数向量输入至监测预警模型的输入指令;
将所述识别指令和输入指令携带于设备数据中;
基于识别算法,在设备数据存在风险前提下,识别出对应于所述设备数据的预测告警事件的步骤,包括:
基于所述识别指令,将所述设备数据输入于识别算法中计算,以判断是否存在风险,所述识别算法为,
在同一个时刻中,对所述设备数据进行设备故障规则计算,计算包括:养殖设备最近一次上报数据时间距今时长是否小于预设数据上报间隔时长、养殖设备的控制器开关状态是否为打开状态、养殖设备运行电流波动值是否小于预设的10%振幅,若任一项或多项计算为否,则判定所述养殖设备存在故障;
在同一个时刻下,对所述设备数据进行设备异常规则计算,计算包括:相同告警类型在相邻两次的输入下,对应的告警参数波动值是否大于或等于50%,若是,则判定所述养殖设备存在异常信号;
在同一个时刻下,对所述设备数据进行运行超时规则计算,计算包括:养殖设备运行时长是否小于实际运行时长,若是,则判定所述养殖设备存在使用寿命损耗;
基于所述识别算法的设备故障规则计算、设备异常规则计算、运行超时规则计算,判断出所述养殖设备是否存在风险,以及若存在风险的前提下对应的预测告警事件;
将所述预测告警事件输入至监测预警模型中,以基于所述监测预警模型生成告警事件处理流程的步骤,包括:
基于所述预测告警事件和对应的输入指令,将所述参数向量输入至监测预警模型中;
利用所述监测预警模型生成告警事件处理流程的方式,包括:
将所述参数向量进行梯度下降,以在输入层中预训练的向量总图上匹配一项预测向量;
基于预训练完成的隐藏层,构建与参数向量和预测向量对应的二维拓扑坐标系,其中,所述参数向量置于X轴,并基于参数向量携带的告警参数在Y轴方向形成对应的第一高度;所述预测向量置于Y轴,并基于预测向量过往训练数据值在X轴方向上形成对应的第二高度;
识别所述二维拓扑坐标系上的正常参数线,所述正常参数线为经过训练后预设于二维拓扑坐标系上X轴与Y轴向量必定相交的各个点位所串联的斜线;
识别所述二维拓扑坐标系上由第一高度和第二高度构建的告警事件线,与正常参数线的差异值,并将所述差异值标定于预测向量的对应参数节点上;
基于所述预测向量的各个存在差异值的参数节点,调取对应的方案模板,经纠正差异值后的偏差量,并将偏差量添置于方案模板中,形成告警事件处理流程;
由预训练的输出层,以输出所述告警事件处理流程。
6.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述养殖设备告警监测处理方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的养殖设备告警监测处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986756.7A CN116703167B (zh) | 2023-08-08 | 2023-08-08 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310986756.7A CN116703167B (zh) | 2023-08-08 | 2023-08-08 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703167A CN116703167A (zh) | 2023-09-05 |
CN116703167B true CN116703167B (zh) | 2024-01-26 |
Family
ID=87841851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310986756.7A Active CN116703167B (zh) | 2023-08-08 | 2023-08-08 | 养殖设备告警监测处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703167B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117688342B (zh) * | 2024-02-01 | 2024-04-19 | 山东云天安全技术有限公司 | 一种基于模型的设备状态预测方法、电子设备及存储介质 |
CN117787511B (zh) * | 2024-02-28 | 2024-05-10 | 福州工小四物联科技有限公司 | 一种工厂化高密度水产养殖监测预警方法及其*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、***、存储介质及计算机设备 |
CN109325601A (zh) * | 2018-08-21 | 2019-02-12 | 国网江苏省电力有限公司泰州供电分公司 | 物流设备故障监测运维管理方法 |
CN110175756A (zh) * | 2019-05-07 | 2019-08-27 | 岭澳核电有限公司 | 核电站信息***运行安全预警方法、装置、设备及介质 |
CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及*** |
CN113807547A (zh) * | 2021-08-12 | 2021-12-17 | 江铃汽车股份有限公司 | 车辆故障预警方法、***、可读存储介质及计算机设备 |
CN113805564A (zh) * | 2021-08-31 | 2021-12-17 | 国能榆林能源有限责任公司 | 一种基于cep的设备故障预警以及诊断*** |
CN114707834A (zh) * | 2022-03-24 | 2022-07-05 | 中国银行股份有限公司 | 一种告警提醒方法、装置及存储介质 |
CN115941441A (zh) * | 2022-11-14 | 2023-04-07 | 中能融合智慧科技有限公司 | ***链路自动化监控运维方法、***、设备以及介质 |
CN115934487A (zh) * | 2022-12-14 | 2023-04-07 | 宁波路特斯机器人有限公司 | 日志监控告警方法、装置、计算机设备和存储介质 |
CN116468423A (zh) * | 2023-04-07 | 2023-07-21 | 广发证券股份有限公司 | 一种运维应急协同方法、***和终端设备 |
-
2023
- 2023-08-08 CN CN202310986756.7A patent/CN116703167B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、***、存储介质及计算机设备 |
CN109325601A (zh) * | 2018-08-21 | 2019-02-12 | 国网江苏省电力有限公司泰州供电分公司 | 物流设备故障监测运维管理方法 |
CN110175756A (zh) * | 2019-05-07 | 2019-08-27 | 岭澳核电有限公司 | 核电站信息***运行安全预警方法、装置、设备及介质 |
CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及*** |
CN113807547A (zh) * | 2021-08-12 | 2021-12-17 | 江铃汽车股份有限公司 | 车辆故障预警方法、***、可读存储介质及计算机设备 |
CN113805564A (zh) * | 2021-08-31 | 2021-12-17 | 国能榆林能源有限责任公司 | 一种基于cep的设备故障预警以及诊断*** |
CN114707834A (zh) * | 2022-03-24 | 2022-07-05 | 中国银行股份有限公司 | 一种告警提醒方法、装置及存储介质 |
CN115941441A (zh) * | 2022-11-14 | 2023-04-07 | 中能融合智慧科技有限公司 | ***链路自动化监控运维方法、***、设备以及介质 |
CN115934487A (zh) * | 2022-12-14 | 2023-04-07 | 宁波路特斯机器人有限公司 | 日志监控告警方法、装置、计算机设备和存储介质 |
CN116468423A (zh) * | 2023-04-07 | 2023-07-21 | 广发证券股份有限公司 | 一种运维应急协同方法、***和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116703167A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116703167B (zh) | 养殖设备告警监测处理方法、装置、设备及存储介质 | |
CN112384924B (zh) | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测*** | |
CN108445410B (zh) | 一种监测蓄电池组运行状态的方法及装置 | |
CN113282461B (zh) | 传输网的告警识别方法和装置 | |
CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
CN115310562B (zh) | 一种适用于极端状态的储能设备的故障预测模型生成方法 | |
CN112929613A (zh) | 一种基于图像识别进行设备运维的巡检方法及*** | |
CN113282000A (zh) | 数据中心的故障诊断方法、装置及动环监控*** | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及*** | |
CN112036708A (zh) | 综合管廊巡检与检修方法、平台及计算机存储介质 | |
CN117193088B (zh) | 一种工业设备监控方法、装置以及服务器 | |
CN111062827B (zh) | 一种基于人工智能模式的工程监理方法 | |
CN111177488B (zh) | 计量设备检修处理方法、装置、计算机设备和存储介质 | |
CN112363465A (zh) | 一种专家规则集训练方法、训练器和工业设备预警*** | |
CN111708654A (zh) | 一种虚拟机故障修复的方法和设备 | |
CN115147236A (zh) | 一种处理方法、处理装置和电子设备 | |
CN113076350B (zh) | 焊接异常检测方法、装置、计算机设备和存储介质 | |
US11741686B2 (en) | System and method for processing facility image data | |
CN112380340B (zh) | 一种主站与电厂、变电站之间的错误数据诊断方法及*** | |
CN115202962A (zh) | 一种基于工业互联网平台的设备故障快速诊断方法和*** | |
US20200082281A1 (en) | Verification device | |
CN114399074A (zh) | 基于大数据的电网故障预警方法、装置、设备及存储介质 | |
CN105740822A (zh) | 一种机械故障诊断优化方法及*** | |
CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 |
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 |