危险品数据采集与智能化大数据监测方法及其云平台技术

本发明专利技术公开了危险品数据采集与智能化的大数据监测方法及其云平台，包括检测节点采集危险品参数经网关节点上传到云平台，利用云平台提供的数据给客户端

【技术实现步骤摘要】
危险品数据采集与智能化大数据监测方法及其云平台


[0001]本专利技术涉及危险品数据采集与智能化的大数据监测自动化装备
，具体涉及一种危险品数据采集与智能化大数据监测方法及其云平台
。

技术介绍

[0002]国家对于危险品的管理如公安
、
交通
、
质检
、
卫生
、
环保以及事务归口管理部门如海关
、
工商
、
税务等都有权制定关于危险品的法规
。
多部门监管还造成了难以建立一个统一的安全监管平台，协同管理难度大
、
效率低
。
加强危险品的监管是提高生产
、
储存
、
运输
、
销售
、
使用
、
销毁易燃易爆危险品的安全性
、
降低危险品事故的关键措施
。
危险品数据采集与智能化的大数据监测及其云平台采用
RFID
射频识别
、5G
网络通信
、GPS
全球定位系统和智能化技术，实现对危险品物理状态的实时监测和物流信息的实时监管，可实现数据信息和控制信息的双向传递和执行，采集危险品固定点状态信息传输云平台提供监测数据；通过
GPS
全球定位系统和
CIS
路径跟踪时刻跟踪危险品状态信息反馈给云端服务器，实现对危险品货物实时位置进行监测；相关职能部门及时把握危险品的信息大大降低了危险品监控难度，各部门协同监管危险品过程中共享云平台的信息大大方便了各部门之间的信息交流，避免了各自为战和互为“孤岛”的状态
。

技术实现思路

[0003]本专利技术目的为了解决现有危险品的管理归口部门多，造成了监管难以统一安全监管，从而导致协同管理难度大
、
效率低等问题；本技术方案采用
RFID
射频识别
、5G
网络通信
、GPS
全球定位系统和智能化技术，实现对危险品物理状态的实时监测和物流信息的实时监管
。
[0004]为解决上述问题，本专利技术采用如下的技术方案：
[0005]一
、
危险品数据采集与智能化大数据监测方法：
[0006]1、
构建参数检测模块，参数检测模块包括多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型
、
多个
AANN
自联想神经网络模型
‑
新陈代谢灰色
GM(1
，
1)
模型
、
多个
BiLSTM
神经网络模型
‑
CNN
卷积神经网络模型
、BiLSTM
神经网络模型
‑
新陈代谢灰色
GM(1
，
1)
模型
、FCM
模糊聚类分类器
、PSO
的
Elman
神经网络模型
、BiLSTM
神经网络模型
、TDL
按拍延迟线和动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型；参数检测模块结构见图1所示
。
[0007]2、
多个传感器输出值分别作为多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型的对应输入和多个
AANN
自联想神经网络模型
‑
新陈代谢灰色
GM(1
，
1)
模型的对应输入，多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型输出作为
FCM
模糊聚类分类器的输入，
FCM
模糊聚类分类器输出的3类
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型输出分别作为
PSO
的
Elman
神经网络模型
1、PSO
的
Elman
神经网络模型2和
PSO
的
Elman
神经网络模型3的对应输入，
PSO
的
Elman
神经网络模型1与
PSO
的
Elman
神经网络模型2的输出时间序列差和
PSO
的
Elman
神经网络模型2与
PSO
的
Elman
神经网络模型3的输出时间序列差分别作为
BiLSTM
神经网络模型1和
BiLSTM
神经网络模型2的输入，
BiLSTM
神经网络模型1和
BiLSTM
神经网络模型2的输出分别作为
TDL
按拍延迟线1和
TDL
按拍延迟线2的输入，
TDL
按拍延迟线1和
TDL
按拍延迟线2的输出分别作为动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型的对应输入；多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型输出和多个
AANN
自联想神经网络模型
‑
新陈代谢灰色
GM(1
，
1)
模型的输出分别作为多个
BiLSTM
神经网络模型
‑
CNN
卷积神经网络模型的对应输入，多个
BiLSTM
神经网络模型
‑
CNN
卷积神经网络模型输出作为
BiLSTM
神经网络模型
‑
新陈代谢灰色
GM(1
，
1)
模型的对应输入，
BiLSTM
神经网络模型
‑
新陈代谢灰色
GM(1
，
1)
模型输出作为
TDL
按拍延迟线3的输入，
TDL
按拍延迟线3输出作为动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型的对应输入，动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型输出分别作为
TDL...

【技术保护点】

【技术特征摘要】
1. 危险品数据采集与智能化大数据监测方法，其特征在于，包括以下步骤：步骤
1、
构建参数检测模块参数检测模块包括
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型
、AANN
自联想神经网络模型
‑
新陈代谢灰色
GM
（1，1）模型
、BiLSTM
神经网络模型
‑
CNN
卷积神经网络模型
、BiLSTM
神经网络模型
‑
新陈代谢灰色
GM
（1，1）模型
、FCM
模糊聚类分类器
、PSO
的
Elman
神经网络模型
、BiLSTM
神经网络模型
、TDL
按拍延迟线和动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型；步骤
2、
构建危险品智能化大数据监测子系统危险品智能化大数据监测子系统包括
FCM
模糊聚类分类器
、
参数检测模块
、CNN
卷积神经网络模型
、BiLSTM
神经网络模型
、AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型
、
动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型
、TDL
按拍延迟线
、
动态三角模糊数的
BiLSTM
神经网络模型
‑
递归
T
‑
S
模糊神经网络分类器
。2.
根据权利要求1所述危险品数据采集与智能化大数据监测方法，其特征在于，所述步骤1中，多个传感器输出值分别作为多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型的对应输入和多个
AANN
自联想神经网络模型
‑
新陈代谢灰色
GM
（1，1）模型的对应输入，多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型输出作为
FCM
模糊聚类分类器的输入，
FCM
模糊聚类分类器输出的3类
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型输出分别作为
PSO
的
Elman
神经网络模型
1、PSO
的
Elman
神经网络模型2和
PSO
的
Elman
神经网络模型3的对应输入，
PSO
的
Elman
神经网络模型1与
PSO
的
Elman
神经网络模型2的输出时间序列差和
PSO
的
Elman
神经网络模型2与
PSO
的
Elman
神经网络模型3的输出时间序列差分别作为
BiLSTM
神经网络模型1和
BiLSTM
神经网络模型2的输入，
BiLSTM
神经网络模型1和
BiLSTM
神经网络模型2的输出分别作为
TDL
按拍延迟线1和
TDL
按拍延迟线2的输入，
TDL
按拍延迟线1和
TDL
按拍延迟线2的输出分别作为动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型的对应输入；多个
AANN
自联想神经网络模型
‑
BiLSTM
神经网络模型输出和多个
AANN
自联想神经网络模型
‑
新陈代谢灰色
GM
（1，1）模型的输出分别作为多个
BiLSTM
神经网络模型
‑
CNN
卷积神经网络模型的对应输入，多个
BiLSTM
神经网络模型
‑
CNN
卷积神经网络模型输出作为
BiLSTM
神经网络模型
‑
新陈代谢灰色
GM
（1，1）模型的对应输入，
BiLSTM
神经网络模型
‑
新陈代谢灰色
GM
（1，1）模型输出作为
TDL
按拍延迟线3的输入，
TDL
按拍延迟线3输出作为动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型的对应输入，动态三角模糊数的
BiLSTM
神经网络模型
‑
PSO
的
Elman
神经网络模型输出分别作为
TDL
按拍延迟线4的输入，
TDL
按拍延迟线4输出分别作为
BiLSTM
神经网...

【专利技术属性】
技术研发人员：寇霄，杨一凡，李文轩，王沛泽，周红标，马从国，王建国，秦小芹，李亚洲，孙娜，张静，马海波，周恒瑞，赵宏亮，黄凤芝，徐健翔，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：