CN117232577A - 一种光缆交接箱承载内部监测方法、***和光缆交接箱 - Google Patents
一种光缆交接箱承载内部监测方法、***和光缆交接箱 Download PDFInfo
- Publication number
- CN117232577A CN117232577A CN202311196241.3A CN202311196241A CN117232577A CN 117232577 A CN117232577 A CN 117232577A CN 202311196241 A CN202311196241 A CN 202311196241A CN 117232577 A CN117232577 A CN 117232577A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- abnormal
- optical cable
- diagnosis
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 109
- 230000003287 optical effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 claims abstract description 173
- 230000005540 biological transmission Effects 0.000 claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims description 123
- 238000005457 optimization Methods 0.000 claims description 17
- 239000000779 smoke Substances 0.000 claims description 17
- 238000013136 deep learning model Methods 0.000 claims description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000004891 communication Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000009545 invasion Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 11
- 241000238631 Hexapoda Species 0.000 description 6
- 241000699666 Mus <mouse, genus> Species 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Alarm Systems (AREA)
Abstract
本发明公开了一种光缆交接箱承载内部监测方法、***和光缆交接箱,属于涉及通信技术和光缆接入设备技术领域;本发明通过光缆交接箱本地判定是否发生故障,相较于上传后再由工作人员或者服务器发现故障的运维方式,不仅避免了诊断结果不准确的问题,还避免了网络传输的滞后性,提高运维效率;通过结合传感器模组和图像获取模组所获取的数据,进行故障判断,提高了故障判断的准确性,避免了传感器或者图像的误判,从而保证了运维的可靠性;通过基于多尺度深度特征学习模型,构建诊断模型,并进一步进行故障诊断,相较于简单的数值比较,在保证诊断效率的基础上,还进一步提高了诊断结果的准确性,从而保证了运维效率。
Description
技术领域
本发明涉及通信技术和光缆接入设备技术领域,特别涉及一种光缆交接箱承载内部监测方法、***和光缆交接箱。
背景技术
光缆交接箱是一种为主干层光缆、配线层光缆提供光缆成端、跳接的交接设备。随着光缆交接箱在网络架设安装中的不断应用,除了要求其能抵受剧变的气候和恶劣的工作环境外,还需要对其内部的元器件进行监控,使得在发生高温侵害、雨水入侵、虫鼠害入侵以及冲击损坏,运维人员能够及时发现并进行维修。
现有的光缆交接箱往往只是通过在内部设置传感器或者摄像头的方式,实现内部监控,从而实现内部监控数据或者画面的获取和上传。
但是本领域技术人员发现,在内部监控数据或者画面上传至后台服务器或者工作人员,再由工作人员或者服务器发现故障的情况下,不仅仅由于远距离诊断会出现诊断结果不准确的问题,还由于网络传输的滞后性,使得发现故障的时间滞后,进一步导致运维的滞后,从而造成损失,增加运维成本。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种光缆交接箱承载内部监测方法、***和光缆交接箱。所述技术方案如下:
第一方面,提供了一种光缆交接箱承载内部监测方法,所述方法应用于一种光缆交接箱承载内部监测***,所述***至少包括监测服务器以及多个光缆交接箱,所述光缆交接箱至少配置图像获取模组、传感器模组和传输模组;所述图像获取模组、所述传感器模组和所述传输模组通过通用接口,与所述光缆交接箱内部设置的承载平台连接;所述传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;所述方法包括:
实时获取所述传感器模组和所述图像获取模组感知到的数据,并生成监控日志,实时上传并记录所述监控日志;
在所述传感器模组检测到异常数据时,则开启所述图像获取模组的故障诊断模型,并输出诊断结果;
所述传输模组根据所述异常数据,设置异常事件,并向所述监测服务器传输所述异常事件,所述异常事件至少包括所述异常数据以及与所述异常数据相关的多组数据;
在所述图像获取模组检测到异常画面时,则开启所述传感器模组的故障诊断模型,并输出诊断结果;
所述传输模组根据所述异常画面,获取差异图像,并向所述监测服务器传输所述差异图像,
所述传输模组向所述监测服务器上传并记录所述诊断结果;
其中,所述方法还包括设置所述故障诊断模型,包括:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置所述异常画面和所述异常数据作为特征数据;
基于Adam优化算法,优化更新所述故障诊断模型的参数。
可选的,所述传感器模组检测到异常数据包括:
设置于所有元器件对应的判断模型;
计算所述所有元器件的交叉熵,并基于所述交叉熵,优化所述判断模型;
根据判断模型,判断所检测到的数据是否异常。
可选的,所述开启所述图像获取模组的诊断模型,并输出诊断结果:
根据所述判断模型的输出结果,设置识别目标;
设置所述识别目标对应的图像特征元素;
根据所述故障诊断模型,识别并提取图像中的图像特征元素;
优化提取后的图像特征元素,并根据优化后的图像特征元素,在所述故障诊断模型的基础上进行诊断,并输出所述诊断结果。
可选的,所述图像获取模组检测到异常画面包括:
识别所述图像获取模组所获取的当前画面与上一个画面之间的差异数据;
基于所述差异数据,计算出异常画面在整个画面中的区域;
基于所述故障诊断模型,识别出所述区域内的目标。
可选的,所述开启所述传感器模组的诊断模型,并输出诊断结果包括:
根据所述目标,识别出故障描述数据;所述故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物;
根据所述故障描述数据,以及所述传感器模组感知到的数据,在所述故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
可选的,所述基于多尺度深度特征学习模型包括:
通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
基于所述特征提取器,对所述光缆交接箱内的关键元器件的监测数据进行特征提取;
根据提取后的特征数据,建立与所述关键元器件对应的深度学习模型;
基于交叉熵分类损失优化目标,优化所述深度学习模型。
可选的,所述方法还:
所述监测服务器周期性的更新并向所述光缆交接箱下发所述故障诊断模型。
另一方面,提供了一种光缆交接箱承载内部监测***,所述***至少包括监测服务器以及多个光缆交接箱,所述光缆交接箱至少配置诊断模组、图像获取模组、传感器模组和传输模组;所述图像获取模组、所述传感器模组和所述传输模组通过通用接口,与所述光缆交接箱内部设置的承载平台连接;所述传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;其中:
所述诊断模组用于实时获取所述传感器模组和所述图像获取模组感知到的数据,并生成监控日志,实时上传并记录所述监控日志;
所述诊断模组用于在所述传感器模组检测到异常数据时,则开启所述图像获取模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常数据,设置异常事件,并向所述监测服务器传输所述异常事件,所述异常事件至少包括所述异常数据以及与所述异常数据相关的多组数据;
所述诊断模组还用于在所述图像获取模组检测到异常画面时,则开启所述传感器模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常画面,获取差异图像,并向所述监测服务器传输所述差异图像,
所述传输模组用于向所述监测服务器上传并记录所述诊断结果;
其中,所述诊断模组还用于:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置所述异常画面和所述异常数据作为特征数据;
基于Adam优化算法,优化更新所述故障诊断模型的参数。
可选的,所述诊断模组用于:
根据所述判断模型的输出结果,设置识别目标;
设置所述识别目标对应的图像特征元素;
根据所述故障诊断模型,识别并提取图像中的图像特征元素;
优化提取后的图像特征元素,并根据优化后的图像特征元素,在所述故障诊断模型的基础上进行诊断,并输出所述诊断结果。
可选的,所述图像获取模组用于:
识别所述图像获取模组所获取的当前画面与上一个画面之间的差异数据;
基于所述差异数据,计算出异常画面在整个画面中的区域;
基于所述故障诊断模型,识别出所述区域内的目标。
可选的,所述诊断模组用于:
根据所述目标,识别出故障描述数据;所述故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物;
根据所述故障描述数据,以及所述传感器模组感知到的数据,在所述故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
可选的,所述诊断模组还用于:
通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
基于所述特征提取器,对所述光缆交接箱内的关键元器件的监测数据进行特征提取;
根据提取后的特征数据,建立与所述关键元器件对应的深度学习模型;
基于交叉熵分类损失优化目标,优化所述深度学习模型。
可选的,
所述监测服务器还用于周期性的更新并向所述光缆交接箱下发所述故障诊断模型。
另一方面,提供了一种光缆交接箱,所述光缆交接箱包括诊断模组、图像获取模组、传感器模组和传输模组;所述图像获取模组、所述传感器模组和所述传输模组通过通用接口,与所述光缆交接箱内部设置的承载平台连接;所述传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;其中:
所述诊断模组用于实时获取所述传感器模组和所述图像获取模组感知到的数据,并生成监控日志,实时上传并记录所述监控日志;
所述诊断模组用于在所述传感器模组检测到异常数据时,则开启所述图像获取模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常数据,设置异常事件,并向所述监测服务器传输所述异常事件,所述异常事件至少包括所述异常数据以及与所述异常数据相关的多组数据;
所述诊断模组还用于在所述图像获取模组检测到异常画面时,则开启所述传感器模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常画面,获取差异图像,并向所述监测服务器传输所述差异图像,
所述传输模组用于向所述监测服务器上传并记录所述诊断结果;
其中,所述诊断模组还用于:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置所述异常画面和所述异常数据作为特征数据;
基于Adam优化算法,优化更新所述故障诊断模型的参数。
可选的,所述承载平台与所述光缆交接箱可拆卸连接,所述光缆交接箱外部设置有显示模组和输入模组,所述显示模组和所述输入模组,与所述承载平台通过通用接口连接。
可选的,所述诊断模组用于:
根据所述判断模型的输出结果,设置识别目标;
设置所述识别目标对应的图像特征元素;
根据所述故障诊断模型,识别并提取图像中的图像特征元素;
优化提取后的图像特征元素,并根据优化后的图像特征元素,在所述故障诊断模型的基础上进行诊断,并输出所述诊断结果。
可选的,所述图像获取模组用于:
识别所述图像获取模组所获取的当前画面与上一个画面之间的差异数据;
基于所述差异数据,计算出异常画面在整个画面中的区域;
基于所述故障诊断模型,识别出所述区域内的目标。
可选的,所述诊断模组用于:
根据所述目标,识别出故障描述数据;所述故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物;
根据所述故障描述数据,以及所述传感器模组感知到的数据,在所述故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
可选的,所述诊断模组还用于:
通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
基于所述特征提取器,对所述光缆交接箱内的关键元器件的监测数据进行特征提取;
根据提取后的特征数据,建立与所述关键元器件对应的深度学习模型;
基于交叉熵分类损失优化目标,优化所述深度学习模型。
本发明至少具有以下有益效果:
1、通过光缆交接箱本地判定是否发生故障,相较于在内部监控数据或者画面上传至后台服务器或者工作人员,再由工作人员或者服务器发现故障的运维方式,不仅避免了诊断结果不准确的问题,还避免了网络传输的滞后性,提高运维效率;
2、通过结合传感器模组和图像获取模组所获取的数据,进行故障判断,提高了故障判断的准确性,避免了传感器或者图像的误判,从而保证了运维的可靠性;
3、通过基于多尺度深度特征学习模型,构建诊断模型,并进一步进行故障诊断,相较于简单的数值比较,在保证诊断效率的基础上,还进一步提高了诊断结果的准确性,从而保证了运维效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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将,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的附图。
图1为本发明实施例提供的光缆交接箱承载内部监测方法流程示意图;
图2为本发明实施例提供的光缆交接箱承载内部监测***示意图;
图3为本发明实施例提供的光缆交接箱结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例所述的光缆交接箱承载内部监测方法,应用于一种光缆交接箱承载内部监测***,示例性的,该***至少包括监测服务器以及多个光缆交接箱,该监测服务器与多个光缆交接箱之间的通信方式可以是基于物联网的无线通信,即光缆交接箱的传输模组至少配置物联网通信模组(即传输模组),如5G模组等,本发明实施例对具体的物联网通信模组不加以限定;
对应的,光缆交接箱至少配置图像获取模组、传感器模组和传输模组;该图像获取模组可以为监控摄像头,在实际应用中,该监控摄像头至少可以自由转动;该图像获取模组、传感器模组和传输模组通过通用接口,与光缆交接箱内部设置的承载平台连接;实现图像获取模组、传感器模组和传输模组通过通用接口即插即用,从而在图像获取模组、传感器模组和传输模组损坏或者故障时,方便更换,或者在增加别的模组时,方便安装;
另外传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;上述传感器仅仅是示例性的,在实际应用中,为了更好的防范高温侵害、雨水入侵、虫鼠害入侵以及冲击损坏,还可以增加别的传感器,本发明实施例对具体的传感器不加以限定。
参照图1所示,提供了一种光缆交接箱承载内部监测方法,该方法包括:
101、实时获取传感器模组和图像获取模组感知到的数据,并生成监控日志,实时上传并记录监控日志;
具体的,传感器模组和图像获取模组感知到的数据为:
传感器模组所获取的传感数据,以及图像获取模组采集到的图像数据。
102、在传感器模组检测到异常数据时,则开启图像获取模组的故障诊断模型,并输出诊断结果;
103、传输模组根据异常数据,设置异常事件,并向监测服务器传输异常事件,异常事件至少包括异常数据以及与异常数据相关的多组数据;
具体的,与异常数据相关的多组数据可以为:
与异常数据所对应元器件相关的其他元器件的运行数据;或者,
异常数据发生时间之前的时间段与之后的时间段内所对应的运行数据;
以提高数据获取的全面性,方便监测服务器或者运维人员更准确的进行故障判断。
104、在图像获取模组检测到异常画面时,则开启传感器模组的故障诊断模型,并输出诊断结果;
105、传输模组根据异常画面,获取差异图像,并向监测服务器传输差异图像;
具体的,上述根据异常画面,获取差异图像的过程与步骤104所述的方式相同,此处不再加以赘述。
106、传输模组向监测服务器上传并记录诊断结果;
其中,在步骤101之前,该方法还包括设置故障诊断模型,包括:
107、基于多尺度深度特征学习模型,设置故障诊断模型,并设置异常画面和异常数据作为特征数据;
108、基于Adam优化算法,优化更新故障诊断模型的参数。
可选的,步骤102中传感器模组检测到异常数据包括:
201、设置于所有元器件对应的判断模型;
具体的,设置与元器件对应的判断模型的过程可以为:
设置元器件运行参数的期望值集合,该集合至少包括期望采样时间以及期望采样值,在实际应用中,该期望采样值为理论值;
设置元器件运行参数的实际值集合;该集合至少包括实际采样时间以及实际采样值,
计算期望值集合与实际值集合之间的差异值,该差异值具体为实际采样时间和期望采样时间相同时,实际采样值和期望采样值之间的差值;
将差异值作为特征值集合;
基于决策树模型,设置与元器件对应的判断模型,设置特征值集合为该判断模型的输入值。
设置输出值为故障类型,示例性的,该故障类型包括高温侵害、雨水入侵、虫鼠害入侵以及冲击损坏。
202、计算所有元器件的交叉熵,并基于交叉熵,优化判断模型;
具体的,对于某个元器件之间的交叉熵,其计算方式可以是通过离散变量的方式计算,其计算公式包括:
其中,H(p,q)为交叉熵;x为元器件的期望值集合对应的概率分布和实际值集合对应的概率分布。
基于交叉熵,优化判断模型的过程可以为:
设置交叉熵作为判断模型的损失函数。
203、根据判断模型,判断所检测到的数据是否异常。
具体的,根据判断模型的输出结果,判断所检测到的数据是否异常,本发明实施例对具体的过程不加以限定。
可选的,步骤102中开启图像获取模组的诊断模型,并输出诊断结果包括:
301、根据判断模型的输出结果,设置识别目标;
具体的,输出结果(即输出值)高温侵害、雨水入侵、虫鼠害入侵以及冲击损坏,上述过程可以为:
根据该输出结果在画面上的呈现图像,设置识别目标,该过程可以是人为设置的,例如,雨水入侵的呈现图像为画面中出现深色雨水侵入部分,虫鼠害入侵的呈现画面为画面中出现虫鼠,冲击损坏的呈现图像为画面抖动或者摇晃。
302、设置识别目标对应的图像特征元素;
具体的,该图像特征元素包括画面中的形状信息、形状变化持续时间以及抖动或者摇晃。
303、根据故障诊断模型,识别并提取图像中的图像特征元素;
具体的,获取大量的形状信息所在画面、形状变化持续时间所在的画面以及抖动或者摇晃时的画面,作为训练样本,对故障诊断模型进行训练;
将图像输入至故障诊断模型,输出的结果为异常画面,即包含形状信息所在画面、形状变化持续时间所在的画面以及抖动或者摇晃时的画面。
304、优化提取后的图像特征元素,并根据优化后的图像特征元素,在故障诊断模型的基础上进行诊断,并输出诊断结果。
具体的,优化提取后的图像特征元素的过程可以为:
对画面进行裁剪,得到只包括形状信息的图像、多个只包含形状变化的图像(该多个图像内形状信息的大小不同,且时间上连续)以及抖动画面;
上述优化过程可以是通过深度识别算法实现的,本发明实施例不加以限定。
可选的,步骤104中图像获取模组检测到异常画面包括:
401、识别图像获取模组所获取的当前画面与上一个画面之间的差异数据;
具体的,该该过程可以是通过识别当前画面与上一个画面之间像素值差异实现的,本发明实施例对具体的识别不加以限定。
402、基于差异数据,计算出异常画面在整个画面中的区域;
上述过程与步骤304所述的过程相同,此处不再加以赘述。
403、基于故障诊断模型,识别出区域内的目标。
上述过程与步骤304所述的过程相同,此处不再加以赘述。
可选的,步骤104中开启传感器模组的诊断模型,并输出诊断结果包括:
501、根据目标,识别出故障描述数据;故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物,该异物包括水渍以及虫鼠;
具体的,画面中产生火花或者烟雾的过程与步骤304所述的过程相同,此不再加以赘述。
502、根据故障描述数据,以及传感器模组感知到的数据,在故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
具体的,获取故障描述数据中所包含的故障发生时间;
获取传感器模组感知到的数据所包含异常数据的采样时间;
将上述故障发生时间和采样时间,输入故障诊断模型,输出故障元器件以及相关元器件。
可选的,步骤107中基于多尺度深度特征学习模型包括:
601、通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
具体的,针对多尺度学习的卷积核,通过多个Inception单元,对多尺度学习的卷积核进行优化,并将优化后的多尺度学习的卷积核设置为特征提取器。
602、基于特征提取器,对光缆交接箱内的关键元器件的监测数据进行特征提取;
具体的,上述过程特征提取的过程包括文本(数据)提取以及图像提取,本发明实施例对具体的提取方式不加以限定。
603、根据提取后的特征数据,建立与关键元器件对应的深度学习模型;
604、基于交叉熵分类损失优化目标,优化深度学习模型。
具体的,设置交叉熵为深度学习模型的损失函数。
需要说明的是,本发明实施例所述的多尺度深度特征学习模型(即故障诊断模型),至少包括基于文本提取和识别的多尺度深度特征学习模型,该多尺度深度特征学习模型主要用于以异常数据作为输入值,进行故障诊断;
除此之外,上多尺度深度特征学习模型,还包括基于图像提取和识别的多尺度深度特征学习模型,该多尺度深度特征学习模型主要用于以异常画面作为输入值,进行故障诊断。
可选的,步骤106之后,该方法还:
监测服务器周期性的更新并向光缆交接箱下发故障诊断模型,从而提高故障诊断模型识别的准确性和可靠性。
参照图2所示,提供了一种光缆交接箱承载内部监测***,***至少包括监测服务器以及多个光缆交接箱,光缆交接箱至少配置诊断模组、图像获取模组、传感器模组和传输模组;图像获取模组、传感器模组和传输模组通过通用接口,与光缆交接箱内部设置的承载平台连接;传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;其中:
诊断模组用于实时获取传感器模组和图像获取模组感知到的数据,并生成监控日志,实时上传并记录监控日志;
诊断模组用于在传感器模组检测到异常数据时,则开启图像获取模组的故障诊断模型,并输出诊断结果;
传输模组用于根据异常数据,设置异常事件,并向监测服务器传输异常事件,异常事件至少包括异常数据以及与异常数据相关的多组数据;
诊断模组还用于在图像获取模组检测到异常画面时,则开启传感器模组的故障诊断模型,并输出诊断结果;
传输模组用于根据异常画面,获取差异图像,并向监测服务器传输差异图像,
传输模组用于向监测服务器上传并记录诊断结果;
其中,诊断模组还用于:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置异常画面和异常数据作为特征数据;
基于Adam优化算法,优化更新故障诊断模型的参数。
可选的,诊断模组用于:
根据判断模型的输出结果,设置识别目标;
设置识别目标对应的图像特征元素;
根据故障诊断模型,识别并提取图像中的图像特征元素;
优化提取后的图像特征元素,并根据优化后的图像特征元素,在故障诊断模型的基础上进行诊断,并输出诊断结果。
可选的,图像获取模组用于:
识别图像获取模组所获取的当前画面与上一个画面之间的差异数据;
基于差异数据,计算出异常画面在整个画面中的区域;
基于故障诊断模型,识别出区域内的目标。
可选的,诊断模组用于:
根据目标,识别出故障描述数据;故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物;
根据故障描述数据,以及传感器模组感知到的数据,在故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
可选的,诊断模组还用于:
通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
基于特征提取器,对光缆交接箱内的关键元器件的监测数据进行特征提取;
根据提取后的特征数据,建立与关键元器件对应的深度学习模型;
基于交叉熵分类损失优化目标,优化深度学习模型。
可选的,
监测服务器还用于周期性的更新并向光缆交接箱下发故障诊断模型。
参照图3所示,提供了一种光缆交接箱,光缆交接箱包括诊断模组、图像获取模组、传感器模组和传输模组;图像获取模组、传感器模组和传输模组通过通用接口,与光缆交接箱内部设置的承载平台连接;传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;其中:
诊断模组用于实时获取传感器模组和图像获取模组感知到的数据,并生成监控日志,实时上传并记录监控日志;
诊断模组用于在传感器模组检测到异常数据时,则开启图像获取模组的故障诊断模型,并输出诊断结果;
传输模组用于根据异常数据,设置异常事件,并向监测服务器传输异常事件,异常事件至少包括异常数据以及与异常数据相关的多组数据;
诊断模组还用于在图像获取模组检测到异常画面时,则开启传感器模组的故障诊断模型,并输出诊断结果;
传输模组用于根据异常画面,获取差异图像,并向监测服务器传输差异图像,
传输模组用于向监测服务器上传并记录诊断结果;
其中,诊断模组还用于:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置异常画面和异常数据作为特征数据;
基于Adam优化算法,优化更新故障诊断模型的参数。
可选的,承载平台与光缆交接箱可拆卸连接,光缆交接箱外部设置有显示模组和输入模组,显示模组和输入模组,与承载平台通过通用接口连接。
可选的,诊断模组用于:
根据判断模型的输出结果,设置识别目标;
设置识别目标对应的图像特征元素;
根据故障诊断模型,识别并提取图像中的图像特征元素;
优化提取后的图像特征元素,并根据优化后的图像特征元素,在故障诊断模型的基础上进行诊断,并输出诊断结果。
可选的,图像获取模组用于:
识别图像获取模组所获取的当前画面与上一个画面之间的差异数据;
基于差异数据,计算出异常画面在整个画面中的区域;
基于故障诊断模型,识别出区域内的目标。
可选的,诊断模组用于:
根据目标,识别出故障描述数据;故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物;
根据故障描述数据,以及传感器模组感知到的数据,在故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
可选的,诊断模组还用于:
通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
基于特征提取器,对光缆交接箱内的关键元器件的监测数据进行特征提取;
根据提取后的特征数据,建立与关键元器件对应的深度学习模型;
基于交叉熵分类损失优化目标,优化深度学习模型。
上述所有可选技术方案,可以采用任意结合形成本发明的可选实施例,在此不再一一赘述。
需要说明的是:上述实施例提供的光缆交接箱承载内部监测***和光缆交接箱在执行光缆交接箱承载内部监测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将***的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的光缆交接箱承载内部监测***、方法和光缆交接箱实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本发明作了较为具体和详细的描述。应当指出的是,在不脱离本发明构思的前提下,显然还可以对这些具体实施例作出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光缆交接箱承载内部监测方法,其特征在于,所述方法应用于一种光缆交接箱承载内部监测***,所述***至少包括监测服务器以及多个光缆交接箱,所述光缆交接箱至少配置图像获取模组、传感器模组和传输模组;所述图像获取模组、所述传感器模组和所述传输模组通过通用接口,与所述光缆交接箱内部设置的承载平台连接;所述传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;所述方法包括:
实时获取所述传感器模组和所述图像获取模组感知到的数据,并生成监控日志,实时上传并记录所述监控日志;
在所述传感器模组检测到异常数据时,则开启所述图像获取模组的故障诊断模型,并输出诊断结果;
所述传输模组根据所述异常数据,设置异常事件,并向所述监测服务器传输所述异常事件,所述异常事件至少包括所述异常数据以及与所述异常数据相关的多组数据;
在所述图像获取模组检测到异常画面时,则开启所述传感器模组的故障诊断模型,并输出诊断结果;
所述传输模组根据所述异常画面,获取差异图像,并向所述监测服务器传输所述差异图像,
所述传输模组向所述监测服务器上传并记录所述诊断结果;
其中,所述方法还包括设置所述故障诊断模型,包括:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置所述异常画面和所述异常数据作为特征数据;
基于Adam优化算法,优化更新所述故障诊断模型的参数。
2.根据权利要求1所述的方法,其特征在于,所述传感器模组检测到异常数据包括:
设置于所有元器件对应的判断模型;
计算所述所有元器件的交叉熵,并基于所述交叉熵,优化所述判断模型;
根据判断模型,判断所检测到的数据是否异常。
3.根据权利要求2所述的方法,其特征在于,所述开启所述图像获取模组的诊断模型,并输出诊断结果:
根据所述判断模型的输出结果,设置识别目标;
设置所述识别目标对应的图像特征元素;
根据所述故障诊断模型,识别并提取图像中的图像特征元素;
优化提取后的图像特征元素,并根据优化后的图像特征元素,在所述故障诊断模型的基础上进行诊断,并输出所述诊断结果。
4.根据权利要求3所述的方法,其特征在于,所述图像获取模组检测到异常画面包括:
识别所述图像获取模组所获取的当前画面与上一个画面之间的差异数据;
基于所述差异数据,计算出异常画面在整个画面中的区域;
基于所述故障诊断模型,识别出所述区域内的目标。
5.根据权利要求4所述的方法,其特征在于,所述开启所述传感器模组的诊断模型,并输出诊断结果包括:
根据所述目标,识别出故障描述数据;所述故障描述数据包括画面抖动、画面中产生火花或者烟雾以及画面出现异物;
根据所述故障描述数据,以及所述传感器模组感知到的数据,在所述故障诊断模型的基础上,识别出故障元器件以及相关元器件,并输出诊断结果。
6.根据权利要求5所述的方法,其特征在于,所述基于多尺度深度特征学习模型包括:
通过多个Inception单元,在多尺度学习的卷积核的基础上,设置特征提取器;
基于所述特征提取器,对所述光缆交接箱内的关键元器件的监测数据进行特征提取;
根据提取后的特征数据,建立与所述关键元器件对应的深度学习模型;
基于交叉熵分类损失优化目标,优化所述深度学习模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还:
所述监测服务器周期性的更新并向所述光缆交接箱下发所述故障诊断模型。
8.一种光缆交接箱承载内部监测***,其特征在于,所述***至少包括监测服务器以及多个光缆交接箱,所述光缆交接箱至少配置诊断模组、图像获取模组、传感器模组和传输模组;所述图像获取模组、所述传感器模组和所述传输模组通过通用接口,与所述光缆交接箱内部设置的承载平台连接;所述传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;其中:
所述诊断模组用于实时获取所述传感器模组和所述图像获取模组感知到的数据,并生成监控日志,实时上传并记录所述监控日志;
所述诊断模组用于在所述传感器模组检测到异常数据时,则开启所述图像获取模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常数据,设置异常事件,并向所述监测服务器传输所述异常事件,所述异常事件至少包括所述异常数据以及与所述异常数据相关的多组数据;
所述诊断模组还用于在所述图像获取模组检测到异常画面时,则开启所述传感器模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常画面,获取差异图像,并向所述监测服务器传输所述差异图像,
所述传输模组用于向所述监测服务器上传并记录所述诊断结果;
其中,所述诊断模组还用于:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置所述异常画面和所述异常数据作为特征数据;
基于Adam优化算法,优化更新所述故障诊断模型的参数。
9.一种光缆交接箱,其特征在于,所述光缆交接箱包括诊断模组、图像获取模组、传感器模组和传输模组;所述图像获取模组、所述传感器模组和所述传输模组通过通用接口,与所述光缆交接箱内部设置的承载平台连接;所述传感器模组包括温度传感器、湿度传感器、烟雾传感器以及用于监控元器件是否正常运作的监测单元;其中:
所述诊断模组用于实时获取所述传感器模组和所述图像获取模组感知到的数据,并生成监控日志,实时上传并记录所述监控日志;
所述诊断模组用于在所述传感器模组检测到异常数据时,则开启所述图像获取模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常数据,设置异常事件,并向所述监测服务器传输所述异常事件,所述异常事件至少包括所述异常数据以及与所述异常数据相关的多组数据;
所述诊断模组还用于在所述图像获取模组检测到异常画面时,则开启所述传感器模组的故障诊断模型,并输出诊断结果;
所述传输模组用于根据所述异常画面,获取差异图像,并向所述监测服务器传输所述差异图像,
所述传输模组用于向所述监测服务器上传并记录所述诊断结果;
其中,所述诊断模组还用于:
基于多尺度深度特征学习模型,设置故障诊断模型,并设置所述异常画面和所述异常数据作为特征数据;
基于Adam优化算法,优化更新所述故障诊断模型的参数。
10.根据权利要求9所述的光缆交接箱,其特征在于,所述承载平台与所述光缆交接箱可拆卸连接,所述光缆交接箱外部设置有显示模组和输入模组,所述显示模组和所述输入模组,与所述承载平台通过通用接口连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196241.3A CN117232577B (zh) | 2023-09-18 | 2023-09-18 | 一种光缆交接箱承载内部监测方法、***和光缆交接箱 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311196241.3A CN117232577B (zh) | 2023-09-18 | 2023-09-18 | 一种光缆交接箱承载内部监测方法、***和光缆交接箱 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117232577A true CN117232577A (zh) | 2023-12-15 |
CN117232577B CN117232577B (zh) | 2024-04-05 |
Family
ID=89090540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311196241.3A Active CN117232577B (zh) | 2023-09-18 | 2023-09-18 | 一种光缆交接箱承载内部监测方法、***和光缆交接箱 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117232577B (zh) |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021474A (zh) * | 2006-12-05 | 2007-08-22 | 中国科学院安徽光学精密机械研究所 | 开放式气体多组分监测仪及监测方法 |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于改进小波包和深度学习的变压器声音异常检测方法 |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其*** |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、***及电子装置 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN113469219A (zh) * | 2021-06-08 | 2021-10-01 | 中国地质大学(武汉) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 |
US20210382120A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Failure diagnosis method for power transformer winding based on gsmallat-nin-cnn network |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN114492642A (zh) * | 2022-01-27 | 2022-05-13 | 洛阳中重自动化工程有限责任公司 | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 |
CN115204368A (zh) * | 2022-07-14 | 2022-10-18 | 绍兴羊羽智能芯片有限公司 | 一种基于智能芯片技术的飞机发动机故障诊断方法 |
KR102477088B1 (ko) * | 2022-04-07 | 2022-12-14 | 세이지리서치 주식회사 | 검사 영역 조정 방법 및 검사 영역 조정 장치 |
CN115560983A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于联邦特征迁移学习的不同工况下滚动轴承故障诊断方法及*** |
CN115828088A (zh) * | 2022-11-14 | 2023-03-21 | 国网安徽省电力有限公司电力科学研究院 | 基于深度学习的高压并联电抗器振动异常故障诊断方法 |
CN115865630A (zh) * | 2023-02-28 | 2023-03-28 | 广东名阳信息科技有限公司 | 基于深度学习的网络设备故障诊断方法及*** |
CN116026593A (zh) * | 2022-12-19 | 2023-04-28 | 山东大学 | 跨工况的滚动轴承故障靶向迁移诊断方法及*** |
CN116152179A (zh) * | 2022-12-30 | 2023-05-23 | 中国电信股份有限公司 | 一种光缆交接箱的检测方法、装置、设备及存储介质 |
CN116244646A (zh) * | 2022-12-29 | 2023-06-09 | 浪潮云信息技术股份公司 | 一种基于机器学***台故障诊断方法及*** |
CN116292147A (zh) * | 2023-04-14 | 2023-06-23 | 华能(福建连城)新能源有限公司 | 一种风机传动***故障诊断装置及方法 |
CN116541771A (zh) * | 2023-04-04 | 2023-08-04 | 河北工业大学 | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 |
CN116560341A (zh) * | 2023-05-25 | 2023-08-08 | 重庆大学 | 工业机器人故障诊断模型及故障诊断方法 |
-
2023
- 2023-09-18 CN CN202311196241.3A patent/CN117232577B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021474A (zh) * | 2006-12-05 | 2007-08-22 | 中国科学院安徽光学精密机械研究所 | 开放式气体多组分监测仪及监测方法 |
CN105045256A (zh) * | 2015-07-08 | 2015-11-11 | 北京泰乐德信息技术有限公司 | 基于数据对比分析的轨道交通实时故障诊断方法和*** |
CN111259921A (zh) * | 2019-12-19 | 2020-06-09 | 杭州安脉盛智能技术有限公司 | 一种基于改进小波包和深度学习的变压器声音异常检测方法 |
US20210255059A1 (en) * | 2020-02-19 | 2021-08-19 | Beijing University Of Chemical Technology | Fault diagnosis method of reciprocating machinery based on keyphasor-free complete-cycle signal |
US20210382120A1 (en) * | 2020-06-08 | 2021-12-09 | Wuhan University | Failure diagnosis method for power transformer winding based on gsmallat-nin-cnn network |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其*** |
CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、***及电子装置 |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
CN113469219A (zh) * | 2021-06-08 | 2021-10-01 | 中国地质大学(武汉) | 基于元迁移学习的复杂工况下的旋转机械故障诊断方法 |
CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN114492642A (zh) * | 2022-01-27 | 2022-05-13 | 洛阳中重自动化工程有限责任公司 | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 |
KR102477088B1 (ko) * | 2022-04-07 | 2022-12-14 | 세이지리서치 주식회사 | 검사 영역 조정 방법 및 검사 영역 조정 장치 |
CN115204368A (zh) * | 2022-07-14 | 2022-10-18 | 绍兴羊羽智能芯片有限公司 | 一种基于智能芯片技术的飞机发动机故障诊断方法 |
CN115560983A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于联邦特征迁移学习的不同工况下滚动轴承故障诊断方法及*** |
CN115828088A (zh) * | 2022-11-14 | 2023-03-21 | 国网安徽省电力有限公司电力科学研究院 | 基于深度学习的高压并联电抗器振动异常故障诊断方法 |
CN116026593A (zh) * | 2022-12-19 | 2023-04-28 | 山东大学 | 跨工况的滚动轴承故障靶向迁移诊断方法及*** |
CN116244646A (zh) * | 2022-12-29 | 2023-06-09 | 浪潮云信息技术股份公司 | 一种基于机器学***台故障诊断方法及*** |
CN116152179A (zh) * | 2022-12-30 | 2023-05-23 | 中国电信股份有限公司 | 一种光缆交接箱的检测方法、装置、设备及存储介质 |
CN115865630A (zh) * | 2023-02-28 | 2023-03-28 | 广东名阳信息科技有限公司 | 基于深度学习的网络设备故障诊断方法及*** |
CN116541771A (zh) * | 2023-04-04 | 2023-08-04 | 河北工业大学 | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 |
CN116292147A (zh) * | 2023-04-14 | 2023-06-23 | 华能(福建连城)新能源有限公司 | 一种风机传动***故障诊断装置及方法 |
CN116560341A (zh) * | 2023-05-25 | 2023-08-08 | 重庆大学 | 工业机器人故障诊断模型及故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
刘云鹏;裴少通;武建华;纪欣欣;梁利辉;: "基于深度学习的输变电设备异常发热点红外图片目标检测方法", 南方电网技术, no. 02, 20 February 2019 (2019-02-20) * |
刘骊;贾嵘;李涛涛;尹浩霖;马喜平;郭泽维;: "基于多尺度排列熵和支持向量机的风力发电机组齿轮箱振动故障诊断", 电网与清洁能源, no. 05, 25 May 2017 (2017-05-25) * |
吕宁;熊智华;王雄;: "综合性SDG故障诊断架构", 计算机与应用化学, no. 01, 28 January 2010 (2010-01-28) * |
王江萍;孟祥芹;鲍泽富;: "钻进参数实时监测与故障诊断技术", 钻采工艺, no. 01, 25 January 2008 (2008-01-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117232577B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7312919B2 (ja) | 太陽光発電アレイの動作状態を決定する方法および装置、デバイス並びに記憶媒体 | |
EP3531386B1 (en) | Fire monitoring system | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN115527203A (zh) | 一种基于物联网的谷物干燥远程控制方法及*** | |
CN112924471B (zh) | 一种设备故障诊断***及其诊断方法 | |
KR101825725B1 (ko) | 태양광 전지모듈의 열화 진단 방법 및 태양광 전지모듈의 열화 진단 장치 | |
CN111446920A (zh) | 光伏电站监控方法、装置及*** | |
CN113343779B (zh) | 环境异常检测方法、装置、计算机设备和存储介质 | |
CN116055690B (zh) | 一种机房监控视频的处理方法及设备 | |
CN113066070A (zh) | 三维场景中多源数据融合交互方法 | |
CN117232577B (zh) | 一种光缆交接箱承载内部监测方法、***和光缆交接箱 | |
CN111400114A (zh) | 基于深度递归网络大数据计算机***故障检测方法及*** | |
US20190114725A1 (en) | Utility network monitoring with a device and an unmanned aircraft | |
CN113807227A (zh) | 基于图像识别的安全监测方法、装置、设备及存储介质 | |
CN110675427B (zh) | 智能振动检测方法及相关产品 | |
CN113095160A (zh) | 基于人工智能和5g的电力***人员安全行为识别方法及*** | |
CN116823233A (zh) | 一种基于全周期运维的用户数据处理方法及*** | |
CN114037937A (zh) | 一种基于多目标追踪的实时冰箱食材识别方法 | |
CN113850144A (zh) | 一种基于图像识别的视频可靠性自动巡检*** | |
JP4637564B2 (ja) | 状態検知装置、状態検知方法、プログラムおよび記録媒体 | |
Pandya et al. | Sensor Data Validation for IoT Applications | |
CN111885349B (zh) | 一种管廊异常检测***及方法 | |
CN117686823B (zh) | 一种变电站继电保护自动化验收*** | |
KR102646871B1 (ko) | 축사 감시 카메라를 이용한 환경 변화 탐지 장치 및 방법 | |
CN116591911A (zh) | 一种面向海上风机发电机组的智能检测运维***及方法 |
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 |