CN116882790A - 一种矿山生态修复区域的碳排放设备管理方法及*** - Google Patents
一种矿山生态修复区域的碳排放设备管理方法及*** Download PDFInfo
- Publication number
- CN116882790A CN116882790A CN202311139858.1A CN202311139858A CN116882790A CN 116882790 A CN116882790 A CN 116882790A CN 202311139858 A CN202311139858 A CN 202311139858A CN 116882790 A CN116882790 A CN 116882790A
- Authority
- CN
- China
- Prior art keywords
- preset
- equipment
- carbon emission
- operation state
- abnormal
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 190
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 190
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 145
- 230000005856 abnormality Effects 0.000 claims abstract description 67
- 238000010586 diagram Methods 0.000 claims abstract description 61
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 238000007637 random forest analysis Methods 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000295 complement effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000002485 combustion reaction Methods 0.000 description 8
- 239000003344 environmental pollutant Substances 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mining & Mineral Resources (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Molecular Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Animal Husbandry (AREA)
Abstract
本发明涉及生态修复设备管理技术领域,特别是一种矿山生态修复区域的碳排放设备管理方法及***,获取碳排放设备的实时工作场景三维模型图,根据实时工作场景三维模型图得到预设动态参数;在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;获取运行状态异常设备的运行状态异常类型;根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。通过监测和调控碳排放设备的异常运行状态可以防止未经控制的碳排放增加,减少不必要的碳排放,有助于提高生态修复的成功率。
Description
技术领域
本发明涉及生态修复设备管理技术领域,特别是一种矿山生态修复区域的碳排放设备管理方法及***。
背景技术
矿山生态修复区域是指经过矿山开采活动后,为了恢复受到破坏的自然环境、生态***和生物多样性,采取一系列生态修复措施进行恢复和保护的区域。矿山生态修复旨在减轻矿山开采对生态环境所造成的不利影响,通过合理的生态恢复和植被建设,使修复区域逐步恢复成具有自然特点和生态功能的地区,在矿山生态修复过程中,需要使用到一些碳排放设备,如土壤处理设备、能源设备、生物质处理设备等。为了减少这些碳排放设备因运行异常而带来不必要的碳排放,降低这些碳排放设备的碳排放量,对其运行状态进行实时监测和及时调整至关重要。因此,矿山生态修复区域的碳排放设备运行状态监测对于提高设备性能、降低故障率和确保环境保护目标的实现具有重要价值。
发明内容
本发明克服了现有技术的不足,提供了一种矿山生态修复区域的碳排放设备管理方法及***。
为达到上述目的本发明采用的技术方案为:
本发明第一方面公开了一种矿山生态修复区域的碳排放设备管理方法,包括以下步骤:
构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数;
在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;
将所述重合度与预设重合度进行比较;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;
构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型;
根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。
进一步地,本发明的一个较佳实施例中,构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数,具体为:
通过大数据网络获取碳排放设备在各预设工作场景条件之下运行时的标准动态参数,获取各预设工作场景对应的预设工作场景三维模型图,并将各预设工作场景三维模型图及其对应的标准动态参数捆绑,得到若干个特性数据包;
构建数据库,将若干个所述特性数据包导入所述数据库中,得到特性数据库;
获取碳排放设备的实时工作场景图像信息,根据所述实时工作场景图像信息构建实时工作场景三维模型图;
将所述实时工作场景三维模型图导入所述特性数据库中,通过特征匹配算法计算所述实时工作场景三维模型图与各预设工作场景三维模型图之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度导入所述排序表中进行大小排序,排序完成后,提取出最大相似度,获取与最大相似度对应的预设工作场景三维模型图;
提取与最大相似度对应的预设工作场景三维模型图相捆绑的标准动态参数,将与最大相似度对应的预设工作场景三维模型图相捆绑的标准动态参数标定为碳排放设备在当前实时工作场景条件之下运行时的预设动态参数。
进一步地,本发明的一个较佳实施例中,获取碳排放设备的实时工作场景图像信息,根据所述实时工作场景图像信息构建实时工作场景三维模型图,具体为:
通过无人机获取碳排放设备的实时工作场景图像信息,对所述实时工作场景图像信息进行特征提取处理,得到若干特征点;
通过孤立森林算法计算各特征点的孤立得分,将孤立得分大于预设孤立得分的特征点筛除,并将孤立得分不大于预设孤立得分的特征点提取,得到若干稀疏特征点;
选取任一稀疏特征点作为坐标原点,基于所述坐标原点建立三维坐标系,并在所述三维坐标系中获取各稀疏特征点的三维坐标信息;根据所述三维坐标信息计算出各稀疏特征点之间的欧式距离;
将各稀疏特征点之间的欧式距离进行排序,排序完成后,提取出各稀疏特征点与其余稀疏特征点之间的最小欧式距离;
将最小欧式距离的两个稀疏特征点进行匹配,得到多对稀疏特征点对;在所述三维坐标系中获取每一对稀疏特征点对的坐标中值点,并将每一对稀疏特征点对的坐标中值点标记为补录特征点;
根据所述补录特征点与稀疏特征点生成密集特征点;获取各密集特征点的点云数据,并对所述点云数据进行网格化处理,得到实时工作场景三维模型图。
进一步地,本发明的一个较佳实施例中,在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度,具体为:
在预设时间内获取碳排放设备的实际动态参数,基于所述实际动态参数建立实际动态参数曲线图;以及获取碳排放设备的预设动态参数,基于所述预设动态参数建立预设动态参数曲线图;
构建平面坐标系,将所述实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中,并将所述实际动态参数曲线图与预设动态参数曲线图进行配准处理;
配准完毕后,在所述平面坐标系剔除实际动态参数曲线图与预设动态参数曲线图相重合的线段部分,保留实际动态参数曲线图与预设动态参数曲线图不相重合的线段部分,得到动态参数偏移图;
获取所述动态参数偏移图的曲线长度,将所述曲线长度与预设曲线长度进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度。
进一步地,本发明的一个较佳实施例中,构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型,具体为:
通过大数据网络获取碳排放设备在各种历史动态参数时对应的运行状态标签,并将在各种历史动态参数时对应的运行状态标签分为训练集与测试集;
构建随机森林模型,将所述训练集导入所述随机森林模型中;根据交叉熵损失函数对训练集进行反向传播训练,直至训练误差收敛至预设值后,保存随机森林模型的参数;
将所述测试集导入所述随机森林模型中,通过所述测试集对所述随机森林模型进行测试,若所述随机森林模型满足测试要求,则将随机森林模型输出,得到训练好的随机森林模型;
获取运行状态异常设备的实际动态参数,将运行状态异常设备的实际动态参数导入所述训练好的随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型。
进一步地,本发明的一个较佳实施例中,根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整,具体为:
通过大数据网络获取碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数;构建知识图谱,并将碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数导入所述知识图谱中;
获取运行状态异常设备的运行状态异常类型,将运行状态异常设备的运行状态异常类型导入所述知识图谱中,将所述运行状态异常类型与各种预设运行状态异常类型进行匹配,得到匹配度最高的预设运行状态异常类型;
获取与匹配度最高的预设运行状态异常类型对应的历史调控参数,并将与匹配度最高的预设运行状态异常类型对应的历史调控参数标定为最佳调控参数;
基于所述最佳调控参数对运行状态异常设备进行调整。
本方面第二方面公开了一种矿山生态修复区域的碳排放设备管理***,所述碳排放设备管理***包括存储器与处理器,所述存储器中存储有碳排放设备管理方法程序,当所述碳排放设备管理方法程序被所述处理器执行时,实现如下步骤:
构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数;
在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;
将所述重合度与预设重合度进行比较;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;
构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型;
根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。
进一步地,本发明的一个较佳实施例中,在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度,具体为:
在预设时间内获取碳排放设备的实际动态参数,基于所述实际动态参数建立实际动态参数曲线图;以及获取碳排放设备的预设动态参数,基于所述预设动态参数建立预设动态参数曲线图;
构建平面坐标系,将所述实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中,并将所述实际动态参数曲线图与预设动态参数曲线图进行配准处理;
配准完毕后,在所述平面坐标系剔除实际动态参数曲线图与预设动态参数曲线图相重合的线段部分,保留实际动态参数曲线图与预设动态参数曲线图不相重合的线段部分,得到动态参数偏移图;
获取所述动态参数偏移图的曲线长度,将所述曲线长度与预设曲线长度进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度。
进一步地,本发明的一个较佳实施例中,构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型,具体为:
通过大数据网络获取碳排放设备在各种历史动态参数时对应的运行状态标签,并将在各种历史动态参数时对应的运行状态标签分为训练集与测试集;
构建随机森林模型,将所述训练集导入所述随机森林模型中;根据交叉熵损失函数对训练集进行反向传播训练,直至训练误差收敛至预设值后,保存随机森林模型的参数;
将所述测试集导入所述随机森林模型中,通过所述测试集对所述随机森林模型进行测试,若所述随机森林模型满足测试要求,则将随机森林模型输出,得到训练好的随机森林模型;
获取运行状态异常设备的实际动态参数,将运行状态异常设备的实际动态参数导入所述训练好的随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型。
进一步地,本发明的一个较佳实施例中,根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整,具体为:
通过大数据网络获取碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数;构建知识图谱,并将碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数导入所述知识图谱中;
获取运行状态异常设备的运行状态异常类型,将运行状态异常设备的运行状态异常类型导入所述知识图谱中,将所述运行状态异常类型与各种预设运行状态异常类型进行匹配,得到匹配度最高的预设运行状态异常类型;
获取与匹配度最高的预设运行状态异常类型对应的历史调控参数,并将与匹配度最高的预设运行状态异常类型对应的历史调控参数标定为最佳调控参数;
基于所述最佳调控参数对运行状态异常设备进行调整。
本发明解决了背景技术中存在的技术缺陷,本发明具备以下有益效果:获取碳排放设备的实时工作场景三维模型图,根据实时工作场景三维模型图得到预设动态参数;在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;获取运行状态异常设备的运行状态异常类型;根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。通过监测和调控碳排放设备的异常运行状态可以防止未经控制的碳排放增加,减少不必要的碳排放,从而减少空气中的污染物排放,可以降低污染对生态修复的干扰,有助于提高生态修复的成功率。
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作简单地介绍,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实施例的附图。
图1为一种矿山生态修复区域的碳排放设备管理方法的第一方法流程图;
图2为一种矿山生态修复区域的碳排放设备管理方法的第二方法流程图;
图3为一种矿山生态修复区域的碳排放设备管理方法的第三方法流程图;
图4为一种矿山生态修复区域的碳排放设备管理***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明第一方面公开了一种矿山生态修复区域的碳排放设备管理方法,包括以下步骤:
S102:构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数;
S104:在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;
S106:将所述重合度与预设重合度进行比较;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;
S108:构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型;
S110:根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。
需要说明的是,通过监测和调控碳排放设备的异常运行状态可以防止未经控制的碳排放增加,减少不必要的碳排放,从而减少空气中的污染物排放,可以降低污染对生态修复的干扰,有助于提高生态修复的成功率;通过监测和调控,可以优化设备运行,可以延长设备的使用寿命,提高资源利用效率,降低成本,有助于实现生态修复区域的可持续发展和健康运行。
其中,构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数,具体为:
通过大数据网络获取碳排放设备在各预设工作场景条件之下运行时的标准动态参数,获取各预设工作场景对应的预设工作场景三维模型图,并将各预设工作场景三维模型图及其对应的标准动态参数捆绑,得到若干个特性数据包;
构建数据库,将若干个所述特性数据包导入所述数据库中,得到特性数据库;
获取碳排放设备的实时工作场景图像信息,根据所述实时工作场景图像信息构建实时工作场景三维模型图;
将所述实时工作场景三维模型图导入所述特性数据库中,通过特征匹配算法计算所述实时工作场景三维模型图与各预设工作场景三维模型图之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度导入所述排序表中进行大小排序,排序完成后,提取出最大相似度,获取与最大相似度对应的预设工作场景三维模型图;
提取与最大相似度对应的预设工作场景三维模型图相捆绑的标准动态参数,将与最大相似度对应的预设工作场景三维模型图相捆绑的标准动态参数标定为碳排放设备在当前实时工作场景条件之下运行时的预设动态参数。
需要说明的是,特征匹配算法是一类用于在不同数据集或模型图中寻找相似性特征的算法,通过比较不同数据之间的特征,识别出相似性或匹配关系。通过特征匹配,可以得到两个模型之间的特征对应关系,接着,使用这些对应关系来计算模型之间的相似度,相似度度量可以根据匹配的特征点之间的距离、误差、变换矩阵等来计算。
需要说明的是,所述工作场景包括地形特征、土壤特性以及植被类型等。所述动态参数包括但不限于碳排放量。不同工作场景会影响碳排放设备的运作环境,从而导致碳排放量的差异,为了准确估算和管理设备的碳排放,需要考虑地形特点,并综合考虑地形、土壤、植被等因素的综合影响。如不同地形可能伴随着地势的变化,从而影响局部的气流、温度分布等,这些地形变化会影响气体的扩散和运移,进而影响碳的排放量。通过本步骤能够根据碳排放设备的实时工作环境预估出对应的预设碳排量。
其中,获取碳排放设备的实时工作场景图像信息,根据所述实时工作场景图像信息构建实时工作场景三维模型图,具体为:
通过无人机获取碳排放设备的实时工作场景图像信息,对所述实时工作场景图像信息进行特征提取处理,得到若干特征点;
通过孤立森林算法计算各特征点的孤立得分,将孤立得分大于预设孤立得分的特征点筛除,并将孤立得分不大于预设孤立得分的特征点提取,得到若干稀疏特征点;
选取任一稀疏特征点作为坐标原点,基于所述坐标原点建立三维坐标系,并在所述三维坐标系中获取各稀疏特征点的三维坐标信息;根据所述三维坐标信息计算出各稀疏特征点之间的欧式距离;
将各稀疏特征点之间的欧式距离进行排序,排序完成后,提取出各稀疏特征点与其余稀疏特征点之间的最小欧式距离;
将最小欧式距离的两个稀疏特征点进行匹配,得到多对稀疏特征点对;在所述三维坐标系中获取每一对稀疏特征点对的坐标中值点,并将每一对稀疏特征点对的坐标中值点标记为补录特征点;
根据所述补录特征点与稀疏特征点生成密集特征点;获取各密集特征点的点云数据,并对所述点云数据进行网格化处理,得到实时工作场景三维模型图。
需要说明的是,孤立森林是一种用于检测离群点的机器学习算法,它基于一种称为“孤立”思想的概念,即离群点在数据集中相对较少,容易被“孤立”出来。对于一个新的样本点,可以通过在每棵树上沿着从根节点到达该样本点的路径,计算路径的长度。离群点通常具有较短的路径长度,因为它们在数据空间中相对孤立,容易被分割出来。相反,正常样本通常需要更长的路径来被“孤立”。
需要说明的是,通过如ORB算法、SIFT算法等对所述实时工作场景图像信息进行特征提取处理得到的特征点会存在一部分离群点(即噪声点),从而影响后续模型的建模精度,因此通过孤立森林算法计算各特征点的孤立得分,将孤立得分大于预设孤立得分的特征点筛除,即将离群点筛除,由于所提取到的特征点数量有限,并且一部分离群的特征点会被筛除,因此此阶段的特征点数量较少,为稀疏特征点,若此时直接根据稀疏特征点构建实时工作场景三维模型图,所构建得到的模型会存在模型缺失缺陷,模型的完整度较低。因此,需要将最小欧式距离的两个稀疏特征点进行匹配,得到多对稀疏特征点对;在所述三维坐标系中获取每一对稀疏特征点对的坐标中值点,并将每一对稀疏特征点对的坐标中值点标记为补录特征点,然后将补录特征点与稀疏特征点进行汇集从而得到密集特征点,然后再获取各密集特征点的点云数据,再利用点云重构的方式重构得到实时工作场景三维模型图。通过本步骤能够得到完整度高、还原度高的实时工作场景三维模型图,以更加真实还原碳排放设备的工作场景。
其中,在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度,如图2所示,具体为:
S202:在预设时间内获取碳排放设备的实际动态参数,基于所述实际动态参数建立实际动态参数曲线图;以及获取碳排放设备的预设动态参数,基于所述预设动态参数建立预设动态参数曲线图;
S204:构建平面坐标系,将所述实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中,并将所述实际动态参数曲线图与预设动态参数曲线图进行配准处理;
S206:配准完毕后,在所述平面坐标系剔除实际动态参数曲线图与预设动态参数曲线图相重合的线段部分,保留实际动态参数曲线图与预设动态参数曲线图不相重合的线段部分,得到动态参数偏移图;
S208:获取所述动态参数偏移图的曲线长度,将所述曲线长度与预设曲线长度进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度。
需要说明的是,基于所述实际动态参数建立基于时间序列的实际动态参数曲线图,以及基于所述预设动态参数建立基于时间序列的预设动态参数曲线图。利用三维软件构建平面坐标系,并将所述实际动态参数曲线图与预设动态参数曲线图在所述平面坐标系中进行配准处理,如可以在实际动态参数与预设动态参数中检索出在两个或两个以上相同时间节点上数值相同的动态参数作为配准基准。通过本方法能够得到碳排放设备的实际动态参数与预设动态参数的重合度。
其中,构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型,如图3所示,具体为:
S302:通过大数据网络获取碳排放设备在各种历史动态参数时对应的运行状态标签,并将在各种历史动态参数时对应的运行状态标签分为训练集与测试集;
S304:构建随机森林模型,将所述训练集导入所述随机森林模型中;根据交叉熵损失函数对训练集进行反向传播训练,直至训练误差收敛至预设值后,保存随机森林模型的参数;
S306:将所述测试集导入所述随机森林模型中,通过所述测试集对所述随机森林模型进行测试,若所述随机森林模型满足测试要求,则将随机森林模型输出,得到训练好的随机森林模型;
S308:获取运行状态异常设备的实际动态参数,将运行状态异常设备的实际动态参数导入所述训练好的随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型。
其中,运行状态异常类型包括燃烧温度异常、空气配比异常、燃烧压力异常以及废气循环率异常。
需要说明的是,随机森林是一种集成学习方法,由多棵决策树组成,用于解决分类和回归问题,它通过将多个决策树的结果进行集成,提高了模型的泛化性能和稳定性。随机森林中的每棵决策树都根据随机选择的数据子集进行训练。在每棵树中,根据选定的特征,采用递归分割的方式,将数据划分成不同的类别。
需要说明的是,一方面碳排放设备的动态参数直接反映了设备在特定工况下的性能,当设备性能出现异常时,相应的动态参数也会发生变化,因此,通过监测这些参数的变化,可以推测设备的运行状态。另一方面,设备在出现故障前,往往会出现一定的异常特征,这些特征可以通过动态参数的变化来识别,通过实时监测这些参数,可以提前发现潜在的故障,从而采取相应的维护措施。通过实时监测碳排放设备的动态参数,可以推测出设备的运行状态和碳排放水平,这是因为设备的运行状态和碳排放之间存在一定的关联和模式。通过历史参数,可以建立设备的随机森林模型,这个模型可以描述不同运行状态下参数与排放之间的关系,利用随机森林模型,可以根据实时参数的变化来推测设备的当前运行状态。通过监测碳排放设备的实时动态参数,可以推测出设备的运行状态,这有助于及时发现设备的异常情况和潜在故障,从而保障设备的正常运行和降低碳排放。
其中,根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整,具体为:
通过大数据网络获取碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数;构建知识图谱,并将碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数导入所述知识图谱中;
获取运行状态异常设备的运行状态异常类型,将运行状态异常设备的运行状态异常类型导入所述知识图谱中,将所述运行状态异常类型与各种预设运行状态异常类型进行匹配,得到匹配度最高的预设运行状态异常类型;
获取与匹配度最高的预设运行状态异常类型对应的历史调控参数,并将与匹配度最高的预设运行状态异常类型对应的历史调控参数标定为最佳调控参数;
基于所述最佳调控参数对运行状态异常设备进行调整。
需要说明的是,当设备的燃烧压力异常时,如可以适当调整燃烧室的通风情况,从而调整燃烧气体的流动,从而调节燃烧压力;如燃烧压力过低,可以适当增加燃料供应量,以增加燃烧的能量输出;如燃烧压力过高,可以减少燃料供应量。这样一来,当监测出设备发生运行状态异常后,能够及时调整设备参数,从而优化设备运行,提高资源利用效率,降低成本。
此外,所述一种矿山生态修复区域的碳排放设备管理方法还包括以下步骤:
通过随机森林模型获取运行状态异常设备到达性能临界点的预估时间,并获取运行状态异常设备的剩余任务时间;
将所述预估时间与剩余任务时间进行比较,若所述预估时间不大于剩余任务时间,则获取运行状态异常设备的设备类型信息;
基于运行状态异常设备的设备类型信息与到达性能临界点的预估时间建立检索标签,根据所述检索标签在矿山生态修复区域内进行检索,以检索得到同一设备类型的处于空闲状态的正常碳排放设备;
获取所有处于空闲状态的正常碳排放设备的位置信息,以及获取运行状态异常设备的位置信息,将处于空闲状态的正常碳排放设备的位置信息与运行状态异常设备的位置信息导入蚁群算法中进行反复构造,得到将各处于空闲状态的正常碳排放设备的位置信息转移至运行状态异常设备的位置的转移路径值;
提取出最短转移路径值,将与最短转移路径值对应的处于空闲状态的正常碳排放设备转移至运行状态异常设备的位置上。
需要说明的是,运行状态异常设备到达性能临界点后,即该设备便会处于故障状态,若所述预估时间不大于剩余任务时间,说明该设备不能够满足修复任务,此时需要将其余正常设备调度至该设备的工作地点上,以替代该设备进行修复工作,通过本方法能够筛选出矿山生态修复区域内最佳的其余空闲设备,提高碳排放设备管理的合理性。
此外,所述一种矿山生态修复区域的碳排放设备管理方法还包括以下步骤:
在多个预设时间节点上获取运行状态异常设备的实时动态参数,基于所述实时动态参数计算得到动态参数变化率;
若所述动态参数变化率大于预设变化率,则获取运行状态异常设备的实时工作位置区域,并获取所述实时工作位置区域的遥感图像数据信息;以及获取实时工作位置区域的实时气候因子信息;
通过所述遥感图像数据信息获取运行状态异常设备的实时工作位置区域的地形特征数据;根据所述地形特征数据与实时气候因子信息预估得到实时工作位置区域的在预设时间段内的风速风向信息;
根据所述风速风向信息生成碳排放污染物的迁移区域,并将所述迁移区域标定为污染区域。
需要说明的是,可以通过构建动力模型,然后将地形特征数据与实时气候因子信息导入建动力模型中,从而预估得到实时工作位置区域的在预设时间段内的风速风向信息。若所述动态参数变化率大于预设变化率,说明设备的碳排放量已经远远超标,从而形成碳排放污染物,此时需要对碳排放污染物的迁移方向与位置进行分析,进而确定出污染区域。
此外,所述一种矿山生态修复区域的碳排放设备管理方法还包括以下步骤:
通过大数据网络获取碳排放设备在不同工作环境下的能量损耗速率,构建能量预测模型,并将碳排放设备在不同工作环境下的能量损耗速率导入能量预测模型进行训练,得到训练好的能量预测模型;
获取预设时间段内监测区域的实时工作环境,并将所述实时工作环境导入所述训练好的能量预测模型中,得到在预设时间段内碳排放设备的平均能量损耗速率;
获取碳排放设备的剩余能量信息,基于所述剩余能量信息与平均能量损耗速率计算出碳排放设备的剩余工作时长信息;
判断所述剩余工作时长信息是否小于预设工作时长信息,若小于,则将该碳排放设备标记为待充能设备。
需要说明的是,通过本方法能够对能量不足以支撑完成剩余工作时长的设备及时补充能量。
如图4所示,本方面第二方面公开了一种矿山生态修复区域的碳排放设备管理***,所述碳排放设备管理***包括存储器11与处理器22,所述存储器11中存储有碳排放设备管理方法程序,当所述碳排放设备管理方法程序被所述处理器22执行时,实现如下步骤:
构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数;
在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;
将所述重合度与预设重合度进行比较;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;
构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型;
根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。
进一步地,本发明的一个较佳实施例中,在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度,具体为:
在预设时间内获取碳排放设备的实际动态参数,基于所述实际动态参数建立实际动态参数曲线图;以及获取碳排放设备的预设动态参数,基于所述预设动态参数建立预设动态参数曲线图;
构建平面坐标系,将所述实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中,并将所述实际动态参数曲线图与预设动态参数曲线图进行配准处理;
配准完毕后,在所述平面坐标系剔除实际动态参数曲线图与预设动态参数曲线图相重合的线段部分,保留实际动态参数曲线图与预设动态参数曲线图不相重合的线段部分,得到动态参数偏移图;
获取所述动态参数偏移图的曲线长度,将所述曲线长度与预设曲线长度进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度。
进一步地,本发明的一个较佳实施例中,构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型,具体为:
通过大数据网络获取碳排放设备在各种历史动态参数时对应的运行状态标签,并将在各种历史动态参数时对应的运行状态标签分为训练集与测试集;
构建随机森林模型,将所述训练集导入所述随机森林模型中;根据交叉熵损失函数对训练集进行反向传播训练,直至训练误差收敛至预设值后,保存随机森林模型的参数;
将所述测试集导入所述随机森林模型中,通过所述测试集对所述随机森林模型进行测试,若所述随机森林模型满足测试要求,则将随机森林模型输出,得到训练好的随机森林模型;
获取运行状态异常设备的实际动态参数,将运行状态异常设备的实际动态参数导入所述训练好的随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型。
进一步地,本发明的一个较佳实施例中,根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整,具体为:
通过大数据网络获取碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数;构建知识图谱,并将碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数导入所述知识图谱中;
获取运行状态异常设备的运行状态异常类型,将运行状态异常设备的运行状态异常类型导入所述知识图谱中,将所述运行状态异常类型与各种预设运行状态异常类型进行匹配,得到匹配度最高的预设运行状态异常类型;
获取与匹配度最高的预设运行状态异常类型对应的历史调控参数,并将与匹配度最高的预设运行状态异常类型对应的历史调控参数标定为最佳调控参数;
基于所述最佳调控参数对运行状态异常设备进行调整。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元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,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种矿山生态修复区域的碳排放设备管理方法,其特征在于,包括以下步骤:
构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数;
在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;
将所述重合度与预设重合度进行比较;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;
构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型;
根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。
2.根据权利要求1所述的一种矿山生态修复区域的碳排放设备管理方法,其特征在于,构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数,具体为:
通过大数据网络获取碳排放设备在各预设工作场景条件之下运行时的标准动态参数,获取各预设工作场景对应的预设工作场景三维模型图,并将各预设工作场景三维模型图及其对应的标准动态参数捆绑,得到若干个特性数据包;
构建数据库,将若干个所述特性数据包导入所述数据库中,得到特性数据库;
获取碳排放设备的实时工作场景图像信息,根据所述实时工作场景图像信息构建实时工作场景三维模型图;
将所述实时工作场景三维模型图导入所述特性数据库中,通过特征匹配算法计算所述实时工作场景三维模型图与各预设工作场景三维模型图之间的相似度,得到多个相似度;
构建排序表,将多个所述相似度导入所述排序表中进行大小排序,排序完成后,提取出最大相似度,获取与最大相似度对应的预设工作场景三维模型图;
提取与最大相似度对应的预设工作场景三维模型图相捆绑的标准动态参数,将与最大相似度对应的预设工作场景三维模型图相捆绑的标准动态参数标定为碳排放设备在当前实时工作场景条件之下运行时的预设动态参数。
3.根据权利要求2所述的一种矿山生态修复区域的碳排放设备管理方法,其特征在于,获取碳排放设备的实时工作场景图像信息,根据所述实时工作场景图像信息构建实时工作场景三维模型图,具体为:
通过无人机获取碳排放设备的实时工作场景图像信息,对所述实时工作场景图像信息进行特征提取处理,得到若干特征点;
通过孤立森林算法计算各特征点的孤立得分,将孤立得分大于预设孤立得分的特征点筛除,并将孤立得分不大于预设孤立得分的特征点提取,得到若干稀疏特征点;
选取任一稀疏特征点作为坐标原点,基于所述坐标原点建立三维坐标系,并在所述三维坐标系中获取各稀疏特征点的三维坐标信息;根据所述三维坐标信息计算出各稀疏特征点之间的欧式距离;
将各稀疏特征点之间的欧式距离进行排序,排序完成后,提取出各稀疏特征点与其余稀疏特征点之间的最小欧式距离;
将最小欧式距离的两个稀疏特征点进行匹配,得到多对稀疏特征点对;在所述三维坐标系中获取每一对稀疏特征点对的坐标中值点,并将每一对稀疏特征点对的坐标中值点标记为补录特征点;
根据所述补录特征点与稀疏特征点生成密集特征点;获取各密集特征点的点云数据,并对所述点云数据进行网格化处理,得到实时工作场景三维模型图。
4.根据权利要求1所述的一种矿山生态修复区域的碳排放设备管理方法,其特征在于,在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度,具体为:
在预设时间内获取碳排放设备的实际动态参数,基于所述实际动态参数建立实际动态参数曲线图;以及获取碳排放设备的预设动态参数,基于所述预设动态参数建立预设动态参数曲线图;
构建平面坐标系,将所述实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中,并将所述实际动态参数曲线图与预设动态参数曲线图进行配准处理;
配准完毕后,在所述平面坐标系剔除实际动态参数曲线图与预设动态参数曲线图相重合的线段部分,保留实际动态参数曲线图与预设动态参数曲线图不相重合的线段部分,得到动态参数偏移图;
获取所述动态参数偏移图的曲线长度,将所述曲线长度与预设曲线长度进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度。
5.根据权利要求1所述的一种矿山生态修复区域的碳排放设备管理方法,其特征在于,构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型,具体为:
通过大数据网络获取碳排放设备在各种历史动态参数时对应的运行状态标签,并将在各种历史动态参数时对应的运行状态标签分为训练集与测试集;
构建随机森林模型,将所述训练集导入所述随机森林模型中;根据交叉熵损失函数对训练集进行反向传播训练,直至训练误差收敛至预设值后,保存随机森林模型的参数;
将所述测试集导入所述随机森林模型中,通过所述测试集对所述随机森林模型进行测试,若所述随机森林模型满足测试要求,则将随机森林模型输出,得到训练好的随机森林模型;
获取运行状态异常设备的实际动态参数,将运行状态异常设备的实际动态参数导入所述训练好的随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型。
6.根据权利要求1所述的一种矿山生态修复区域的碳排放设备管理方法,其特征在于,根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整,具体为:
通过大数据网络获取碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数;构建知识图谱,并将碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数导入所述知识图谱中;
获取运行状态异常设备的运行状态异常类型,将运行状态异常设备的运行状态异常类型导入所述知识图谱中,将所述运行状态异常类型与各种预设运行状态异常类型进行匹配,得到匹配度最高的预设运行状态异常类型;
获取与匹配度最高的预设运行状态异常类型对应的历史调控参数,并将与匹配度最高的预设运行状态异常类型对应的历史调控参数标定为最佳调控参数;
基于所述最佳调控参数对运行状态异常设备进行调整。
7.一种矿山生态修复区域的碳排放设备管理***,其特征在于,所述碳排放设备管理***包括存储器与处理器,所述存储器中存储有碳排放设备管理方法程序,当所述碳排放设备管理方法程序被所述处理器执行时,实现如下步骤:
构建特性数据库,获取碳排放设备的实时工作场景三维模型图,将所述实时工作场景三维模型图导入所述特性数据库中,得到碳排放设备在当前实时工作场景条件之下运行时的预设动态参数;
在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度;
将所述重合度与预设重合度进行比较;若所述重合度不大于预设重合度,则将重合度不大于预设重合度对应的碳排放设备作为运行状态异常设备输出;
构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型;
根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整。
8.根据权利要求7所述的一种矿山生态修复区域的碳排放设备管理***,其特征在于,在预设时间内获取碳排放设备的实际动态参数,并将所述实际动态参数与预设动态参数进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度,具体为:
在预设时间内获取碳排放设备的实际动态参数,基于所述实际动态参数建立实际动态参数曲线图;以及获取碳排放设备的预设动态参数,基于所述预设动态参数建立预设动态参数曲线图;
构建平面坐标系,将所述实际动态参数曲线图与预设动态参数曲线图导入所述平面坐标系中,并将所述实际动态参数曲线图与预设动态参数曲线图进行配准处理;
配准完毕后,在所述平面坐标系剔除实际动态参数曲线图与预设动态参数曲线图相重合的线段部分,保留实际动态参数曲线图与预设动态参数曲线图不相重合的线段部分,得到动态参数偏移图;
获取所述动态参数偏移图的曲线长度,将所述曲线长度与预设曲线长度进行比较,得到碳排放设备的实际动态参数与预设动态参数的重合度。
9.根据权利要求7所述的一种矿山生态修复区域的碳排放设备管理***,其特征在于,构建随机森林模型,将运行状态异常设备的实际动态参数导入所述随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型,具体为:
通过大数据网络获取碳排放设备在各种历史动态参数时对应的运行状态标签,并将在各种历史动态参数时对应的运行状态标签分为训练集与测试集;
构建随机森林模型,将所述训练集导入所述随机森林模型中;根据交叉熵损失函数对训练集进行反向传播训练,直至训练误差收敛至预设值后,保存随机森林模型的参数;
将所述测试集导入所述随机森林模型中,通过所述测试集对所述随机森林模型进行测试,若所述随机森林模型满足测试要求,则将随机森林模型输出,得到训练好的随机森林模型;
获取运行状态异常设备的实际动态参数,将运行状态异常设备的实际动态参数导入所述训练好的随机森林模型中进行状态预测,得到运行状态异常设备的运行状态异常类型。
10.根据权利要求7所述的一种矿山生态修复区域的碳排放设备管理***,其特征在于,根据所述运行状态异常类型确定出运行状态异常设备对应的最佳调控参数,并基于所述最佳调控参数对运行状态异常设备进行调整,具体为:
通过大数据网络获取碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数;构建知识图谱,并将碳排放设备发生各种预设运行状态异常类型时对应的历史调控参数导入所述知识图谱中;
获取运行状态异常设备的运行状态异常类型,将运行状态异常设备的运行状态异常类型导入所述知识图谱中,将所述运行状态异常类型与各种预设运行状态异常类型进行匹配,得到匹配度最高的预设运行状态异常类型;
获取与匹配度最高的预设运行状态异常类型对应的历史调控参数,并将与匹配度最高的预设运行状态异常类型对应的历史调控参数标定为最佳调控参数;
基于所述最佳调控参数对运行状态异常设备进行调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139858.1A CN116882790B (zh) | 2023-09-06 | 2023-09-06 | 一种矿山生态修复区域的碳排放设备管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139858.1A CN116882790B (zh) | 2023-09-06 | 2023-09-06 | 一种矿山生态修复区域的碳排放设备管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882790A true CN116882790A (zh) | 2023-10-13 |
CN116882790B CN116882790B (zh) | 2023-11-21 |
Family
ID=88271878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311139858.1A Active CN116882790B (zh) | 2023-09-06 | 2023-09-06 | 一种矿山生态修复区域的碳排放设备管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882790B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171223A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及*** |
CN117608259A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市富温传感技术有限公司 | 一种储存芯片生产设备的控制方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247834A (zh) * | 2017-05-31 | 2017-10-13 | 华中科技大学 | 一种基于图像识别的三维环境模型重构方法、设备及*** |
CN112085845A (zh) * | 2020-09-11 | 2020-12-15 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无人机影像的室外场景快速三维重建装置 |
CN114155472A (zh) * | 2021-12-09 | 2022-03-08 | 华电宁夏灵武发电有限公司 | 厂区场景临空面防护设备异常状态检测方法、装置和设备 |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
KR20230030542A (ko) * | 2021-08-25 | 2023-03-06 | 주식회사 타키온테크 | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 |
CN115796358A (zh) * | 2022-11-28 | 2023-03-14 | 国网福建省电力有限公司 | 一种碳排放预测的方法及终端 |
CN116452961A (zh) * | 2023-05-15 | 2023-07-18 | 蓝卓数字科技有限公司 | 一种工业设备状态判断方法及装置 |
CN116634622A (zh) * | 2023-07-26 | 2023-08-22 | 深圳特朗达照明股份有限公司 | 一种基于物联网的led智能控制方法、***及介质 |
-
2023
- 2023-09-06 CN CN202311139858.1A patent/CN116882790B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247834A (zh) * | 2017-05-31 | 2017-10-13 | 华中科技大学 | 一种基于图像识别的三维环境模型重构方法、设备及*** |
CN112085845A (zh) * | 2020-09-11 | 2020-12-15 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无人机影像的室外场景快速三维重建装置 |
KR20230030542A (ko) * | 2021-08-25 | 2023-03-06 | 주식회사 타키온테크 | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 |
CN114155472A (zh) * | 2021-12-09 | 2022-03-08 | 华电宁夏灵武发电有限公司 | 厂区场景临空面防护设备异常状态检测方法、装置和设备 |
CN115222019A (zh) * | 2022-06-27 | 2022-10-21 | 西南石油大学 | 基于测井数据的深度Transformer迁移学习储层参数预测方法 |
CN115796358A (zh) * | 2022-11-28 | 2023-03-14 | 国网福建省电力有限公司 | 一种碳排放预测的方法及终端 |
CN116452961A (zh) * | 2023-05-15 | 2023-07-18 | 蓝卓数字科技有限公司 | 一种工业设备状态判断方法及装置 |
CN116634622A (zh) * | 2023-07-26 | 2023-08-22 | 深圳特朗达照明股份有限公司 | 一种基于物联网的led智能控制方法、***及介质 |
Non-Patent Citations (1)
Title |
---|
唐建荣;陈实;: "基于随机森林方法的碳足迹及其影响因素研究", 统计与信息论坛, no. 10, pages 71 - 75 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117171223A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及*** |
CN117171223B (zh) * | 2023-11-02 | 2024-02-06 | 北京建工环境修复股份有限公司 | 一种微生物修复过程中的微生物培养方案推荐方法及*** |
CN117608259A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市富温传感技术有限公司 | 一种储存芯片生产设备的控制方法及*** |
CN117608259B (zh) * | 2024-01-24 | 2024-05-28 | 深圳市富温传感技术有限公司 | 一种储存芯片生产设备的控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116882790B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及*** | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN110929036B (zh) | 电力营销稽查管理方法、装置、计算机设备和存储介质 | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和*** | |
CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
CN111340063A (zh) | 一种磨煤机数据异常检测方法 | |
CN116862081B (zh) | 一种污染治理设备运维方法及*** | |
CN111459698A (zh) | 一种数据库集群故障自愈方法及装置 | |
CN110570012A (zh) | 一种基于Storm的电厂生产设备故障预警方法及*** | |
CN111126820A (zh) | 反窃电方法及*** | |
CN111522705A (zh) | 一种工业大数据智能运维解决方法 | |
CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及*** | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN110489852A (zh) | 提高风电***数据质量的方法及装置 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN113268552B (zh) | 一种基于局部敏感哈希的发电机设备隐患预警方法 | |
CN110716101B (zh) | 电力线路故障定位方法、装置、计算机和存储介质 | |
CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及*** | |
CN117439899B (zh) | 一种基于大数据的通信机房巡检方法及*** | |
CN116611004B (zh) | 煤矿安全灾害预测模型训练方法、预警方法、预警*** | |
CN116883755B (zh) | 一种乡村建设环境监测方法、***、设备及存储介质 | |
CN114358911B (zh) | 开票数据风险控制方法、装置、计算机设备和存储介质 | |
CN113887718B (zh) | 一种基于相对激活率的通道剪枝方法和装置及轻量级流量特征提取网络模型简化的方法 | |
CN112749513B (zh) | 一种电源模块的智能统型方法 | |
CN116739867A (zh) | 电力***碳排放量测算方法、装置及计算机设备 |
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 |