CN107526316B - 一种基于互联网通信引擎的引导显示设备监控系统 - Google Patents
一种基于互联网通信引擎的引导显示设备监控系统 Download PDFInfo
- Publication number
- CN107526316B CN107526316B CN201710888000.3A CN201710888000A CN107526316B CN 107526316 B CN107526316 B CN 107526316B CN 201710888000 A CN201710888000 A CN 201710888000A CN 107526316 B CN107526316 B CN 107526316B
- Authority
- CN
- China
- Prior art keywords
- module
- time
- peer
- unit
- client
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer And Data Communications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于互联网通信引擎的引导显示设备监控系统,解决的是硬件成本高、客户端之间隔离的技术问题,通过采用包括至少对等系统,对等系统包括串联的至少两个客户端,所述客户端包括智能处理模块,与智能处理模块连接的设备信息采集模块、设备监控模块及工控机控制模块,设备监控模块海域设备信息采集模块连接,所述工控机控制模块包括工控模块及显示模块;所述客户端还包括与智能处理模块连接的数据交换单元、状态反馈单元、数据存储单元、计时单元及电源模块;智能处理模块包括中央处理器,与中央处理器连接的侦测模块及存储读写模块的技术方案,较好的解决了该问题,可用于引导显示设备监控中。
Description
技术领域
本发明涉及监控设备领域,具体涉及一种基于互联网通信引擎的引导显示设备监控系统。
背景技术
基于互联网通信引擎的引导显示设备监控系统引导显示设备能够指导多种交通方式的常规运营并在能发生紧急情况时发挥信息发布、疏导旅客等功能。ICE,即互联网通讯引擎具有适用于异种环境面向对象中间件平台的优点,可以高效解决服务端与远程工控机端客户端软件的通讯问题,进而解决对工控机及其对应的引导显示器的监视与控制问题。基于构建的火车站引导显示设备监控系统整合了图形化监视功能与集成智能自动控制功能,满足了现代大型交通枢纽的实时、远程、全方位监控的要求,大大缩减了人力投入,减少了误操作的可能并弥补了由于管理人员到达现场需要一定时间而导致的操作时间延迟的缺陷。
现有的引导显示设备监控系统通过设置服务器的模式,导致服务器需要集中运算,硬件成本高,并且各客户端之间的互联互通少,不能根据其余客户端进行自我修正。因此,提供一种硬件成本低,自我学习修正的基于互联网通信引擎的引导显示设备监控系统就很有必要。
发明内容
本发明所要解决的技术问题是现有技术中存在的硬件成本高、客户端之间隔离的技术问题。提供一种新的基于互联网通信引擎的引导显示设备监控系统,该引导显示设备监控系统具有引导精度高、硬件要求低、功能齐全的特点。
为解决上述技术问题,采用的技术方案如下:
一种基于互联网通信引擎的引导显示设备监控系统,所述引导显示设备监控系统包括至少对等系统,对等系统包括串联的至少两个客户端,所述客户端包括智能处理模块,与智能处理模块连接的设备信息采集模块、设备监控模块及工控机控制模块,设备监控模块海域设备信息采集模块连接,所述工控机控制模块包括工控模块及显示模块;所述客户端还包括与智能处理模块连接的数据交换单元、状态反馈单元、数据存储单元、计时单元及电源模块;智能处理模块包括中央处理器,与中央处理器连接的侦测模块及存储读写模块;
所述数据储存单元中存储有值守程序,中央处理器用于执行所述值守程序,以执行下列步骤:
步骤1:客户端的中央处理器控制侦测模块获取实时参数,将实时参数通过存储读写模块存放在数据储存单元中,并将实时参数传输给状态反馈单元;实时参数包括电源模块给客户端的供电信息,控制工控数据采集单元采集工控模块参数,控制显示器数据采集单元采集显示模块参数;
步骤2:状态反馈单元将实时参数通过数据交换单元传输给对等系统所有的客户端;
步骤3:定义对等系统中任一客户端为值守客户端,值守客户端的中央处理器通过对等系统中所有客户端的实时参数生成值守客户端引导参数,中央处理器根据引导参数控制工控模块与显示模块。
本发明的工作原理:本发明将对等系统中的各客户端均设置为一个简易的服务器系统,将客户端的实时信息与其余客户端的实时信息均输入中央处理器,中央处理器据此生成引导参数,任一客户端根据自我生成的引导参数进行工控控制,实现引导功能。
上述方案中,为优化,进一步地,所述生成值守客户端引导参数过程如下:
步骤A:对等系统中的客户端数量为n,将n个客户端实时数据作为原始样本,对原始样本进行预处理得到预处理样本;
步骤B:依据步骤A中预处理样本,依据带有外部输入的非线性自回归网络,建立关于时间序列的NARX引导参数预测模型p(t),所述外部输入为外部印象因素u(t),所述带有外部输入的非线性自回归网络包括输入层、输入滞时、隐藏层、输出层及输出滞时:
步骤C:根据步骤B中的NARX引导参数预测模型,激励函数以及训练算法,进行引导参数预测,所述引导参数预测包括上电时间、持续供电时间、显示时间;
其中,t表示时间,p表示引导参数,n为延时阶数,n为正整数,W表示权重矩阵。
进一步地,所述预处理包括关键信息提取及数据整理。
进一步地,所述关键信息提取包括提取显示时间、上电时间及数据交换过程。
进一步地,所述中央处理器为单片机STM32。
进一步地,所述客户端还包括与智能处理模块连接的无线告警模块,无线报警模块包括手机通信模块。
进一步地,所述计时单元包括晶体振荡器。
进一步地,所述数据交换单元的接口为USB接口或Micro-USB接口。
将原始样本中任意时间序列向量和它所对应的引导参数作为输入,对未来短期内某时间段内的引导参数进行预测。根据时空分布规律,为时滞非线性自回归神经网络模型增加了具有代表性的客流分布站点预测。时滞非线性自回归神经网络在处理时序的非线性数据上有更好表现,且能弥补支持向量机样本的局限性问题。NARX模型全称为带有外部输入的非线性自回归模型。NARX神经网络比全回归神经网络更有优势,NARX神经网络可以与全回归神经网络进行相互转换,NARX在模型中引入了与时间序列密切相关的外部输入,使得预测的精度更为准确。
本发明的有益效果:
效果一,通过对等系统客户端之间的数据互联,然后将数据输入生成以引导参数模型,构建高精度的引导模型;
效果二,通过省略中央服务器,简化对硬件的要求,根据高一倍硬件要求,设备需要更新18个月的规律,降低硬件成本;
效果三,通过无线告警功能与移动终端互联,能够及时通知工作人员引导系统的故障,提高功能性,方便使用。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1,基于互联网通信引擎的引导显示设备监控系统的示意图。
图2,值守程序示意图。
图3,生成值守客户端引导参数示意图。
图4,NARX神经网络结构示意图。
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,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种基于互联网通信引擎的引导显示设备监控系统,如图1,所述引导显示设备监控系统包括至少对等系统,对等系统包括串联的至少两个客户端,所述客户端包括智能处理模块,与智能处理模块连接的设备信息采集模块、设备监控模块及工控机控制模块,设备监控模块海域设备信息采集模块连接,所述工控机控制模块包括工控模块及显示模块;所述客户端还包括与智能处理模块连接的数据交换单元、状态反馈单元、数据存储单元、计时单元及电源模块;智能处理模块包括中央处理器,与中央处理器连接的侦测模块及存储读写模块;
如图2,所述数据储存单元中存储有值守程序,中央处理器用于执行所述值守程序,以执行下列步骤:
步骤1:客户端的中央处理器控制侦测模块获取实时参数,将实时参数通过存储读写模块存放在数据储存单元中,并将实时参数传输给状态反馈单元;实时参数包括电源模块给客户端的供电信息,控制工控数据采集单元采集工控模块参数,控制显示器数据采集单元采集显示模块参数;
步骤2:状态反馈单元将实时参数通过数据交换单元传输给对等系统所有的客户端;
步骤3:定义对等系统中任一客户端为值守客户端,值守客户端的中央处理器通过对等系统中所有客户端的实时参数生成值守客户端引导参数,中央处理器根据引导参数控制工控模块与显示模块。
本发明的工作原理:本发明将对等系统中的各客户端均设置为一个简易的服务器系统,将客户端的实时信息与其余客户端的实时信息均输入中央处理器,中央处理器据此生成引导参数,任一客户端根据自我生成的引导参数进行工控控制,实现引导功能。
如图3,所述生成值守客户端引导参数过程如下:
步骤A:对等系统中的客户端数量为n,将n个客户端实时数据作为原始样本,对原始样本进行预处理得到预处理样本;
步骤B:依据步骤A中预处理样本,依据带有外部输入的非线性自回归网络,建立关于时间序列的NARX引导参数预测模型p(t),所述外部输入为外部印象因素u(t),所述带有外部输入的非线性自回归网络包括输入层、输入滞时、隐藏层、输出层及输出滞时:
步骤C:根据步骤B中的NARX引导参数预测模型,激励函数以及训练算法,进行引导参数预测,所述引导参数预测包括上电时间、持续供电时间、显示时间;
其中,t表示时间,p表示引导参数,n为延时阶数,n为正整数,W表示权重矩阵。
其中,延时阶数n=30。隐藏层数量为1,隐藏层神经元数量l=20。所述训练算法为SCG算法。所述激励函数为S型函数。所述激励函数为T Elloit S函数或者为Tan-Sigmoid函数。
人工神经元结构如图4。输入X=(x1,x2,…,xn)T:神经元的输入端将引入其他人工神经元包含的信息,也能够引入自身输出信号、外部信息。权重W=(wij)n×n:权重能够反映输入对与神经元的影响程度,神经元之间的连接权重可以调节自某一神经元到另一神经元的信号强度,它对从某个神经元到另一个的作用量造成直接影响。连接函数WX:处理多个输入量和对应权重并将结果传输给传递函数。连接函数一般为加权求和函数。传递函数f(WX):作用函数或激活函数,映射连接函数的结果为神经元输出。输出Y=(y1,y2,…,ym)T:输出是传递函数的结果,一个神经元仅有一个输出。
人工神经元根据拓扑结构衔接而成为人工神经网络,具有以下优点:大规模并行计算与分布式存储能力:在神经网络中,整个神经网络甚至单个神经元都具有信息的处理与存储能力,计算过程的并行性对信息的高速处理能力具有决定性作用。鲁棒性和容错性:信息的分布式存储与集体协作计算导致每一个信息处理单元在含有对集体的贡献以外不能确定整个网络状态,这令神经网络的局部故障对整体网络输出而言并无影响。非局域性:多个神经元衔接成为一个完整的神经网络,系统的整体行为由单个神经元特征和神经元之间相互作用、相互连接共同决定。非线性映射能力:神经网络中的各个神经元之间的映射特征属于非线性,个别神经元之间采用了复杂的非线性连接。因此,人工神经网络是大规模非线性的,且拥有极强的非线性处理能力。非凸性:特定的状态函数在一定条件下决定了系统的演化方向。系统的能量函数具有多个极值,因此具备多个较为稳定的平衡状态,使得系统演化具备多样性。自组织、自适应和自学习能力:人工神经网络可以处理各种变化的信息,与此同时,非线性动力系统也在不断更新变化,能够经过对信息数据的有监督学习与无监督学习,实现对复杂函数的映射以适应变化的环境。
由于原始样本是从现实世界采集到的大量数据,而现实生产与实际生活以及科学研究之间存在多样性、不确定性和复杂性,导致采集到的原始数据较为散乱,符合预测算法进行知识获取研究的程度低。因此,进行预处理,所述预处理包括关键信息提取及数据整理。
详细地,所述关键信息提取包括提取显示时间、上电时间及数据交换过程。
详细地,所述中央处理器为单片机STM32。
详细地,所述客户端还包括与智能处理模块连接的无线告警模块,无线报警模块包括手机通信模块。
详细地,所述计时单元包括晶体振荡器。
详细地,所述数据交换单元的接口为USB接口或Micro-USB接口。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员能够理解本发明,但是本发明不仅限于具体实施方式的范围,对本技术领域的普通技术人员而言,只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内,一切利用本发明构思的发明创造均在保护之列。
Claims (7)
1.一种基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述引导显示设备监控系统包括至少对等系统,对等系统包括串联的至少两个客户端,所述客户端包括智能处理模块,与智能处理模块连接的设备信息采集模块、设备监控模块及工控机控制模块,设备监控模块还与设备信息采集模块连接,所述工控机控制模块包括工控模块及显示模块;
所述客户端还包括与智能处理模块连接的数据交换单元、状态反馈单元、数据存储单元、计时单元及电源模块;智能处理模块包括中央处理器,与中央处理器连接的侦测模块及存储读写模块;
数据存储单元中存有值守程序,中央处理器用于执行所述值守程序,以执行下列步骤:
步骤1:客户端的中央处理器控制侦测模块获取实时参数,将实时参数通过存储读写模块存放在数据储存单元中,并将实时参数传输给状态反馈单元;实时参数包括电源模块给客户端的供电信息,控制工控数据采集单元采集工控模块参数,控制显示器数据采集单元采集显示模块参数;
步骤2:状态反馈单元将实时参数通过数据交换单元传输给对等系统所有的客户端;
步骤3:定义对等系统中任一客户端为值守客户端,值守客户端的中央处理器通过对等系统中所有客户端的实时参数生成值守客户端引导参数,中央处理器根据引导参数控制工控模块与显示模块;
将原始样本中任意时间序列向量和它所对应的引导参数作为输入,对未来短期内某时间段内的引导参数进行预测;
所述客户端还包括与智能处理模块连接的无线告警模块,无线报警模块包括手机通信模块。
2.根据权利要求1所述的基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述生成值守客户端引导参数过程包括:
步骤A:对等系统中的客户端数量为n,将n个客户端实时数据作为原始样本,对原始样本进行预处理得到预处理样本;
步骤B:依据步骤A中预处理样本,依据带有外部输入的非线性自回归网络,建立关于时间序列的NARX引导参数预测模型p(t),所述外部输入为外部印象因素u(t),所述带有外部输入的非线性自回归网络包括输入层、输入滞时、隐藏层、输出层及输出滞时:
p(t)=f(p(t-1),p(t-2),...,p(t-n),u(t-1),u(t-2),...,u(t-n),W)
=f[p(t),u(t),W];
步骤C:根据步骤B中的NARX引导参数预测模型,激励函数以及训练算法,进行引导参数预测,所述引导参数预测包括上电时间、持续供电时间、显示时间;
其中,t表示时间,p表示引导参数,n为延时阶数,n为正整数,W表示权重矩阵。
3.根据权利要求2所述的基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述预处理包括关键信息提取及数据整理。
4.根据权利要求3所述的基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述关键信息提取包括提取显示时间、上电时间及数据交换过程。
5.根据权利要求1所述的基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述中央处理器为单片机STM32。
6.根据权利要求1所述的基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述计时单元包括晶体振荡器。
7.根据权利要求1所述的基于互联网通信引擎的引导显示设备监控系统,其特征在于:所述数据交换单元的接口为USB接口或Micro-USB接口。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710888000.3A CN107526316B (zh) | 2017-09-27 | 2017-09-27 | 一种基于互联网通信引擎的引导显示设备监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710888000.3A CN107526316B (zh) | 2017-09-27 | 2017-09-27 | 一种基于互联网通信引擎的引导显示设备监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107526316A CN107526316A (zh) | 2017-12-29 |
CN107526316B true CN107526316B (zh) | 2020-06-16 |
Family
ID=60736403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710888000.3A Active CN107526316B (zh) | 2017-09-27 | 2017-09-27 | 一种基于互联网通信引擎的引导显示设备监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526316B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113315813A (zh) * | 2021-05-08 | 2021-08-27 | 重庆第二师范学院 | 一种大数据网际信息链系统的信息交换方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510878A (zh) * | 2009-03-27 | 2009-08-19 | 北京星网锐捷网络技术有限公司 | 一种对等网络监控方法、装置和设备 |
CN101521682A (zh) * | 2009-03-31 | 2009-09-02 | 张志强 | 一种综合远程监控系统及远程监控数据的处理方法 |
CN104460576A (zh) * | 2014-07-23 | 2015-03-25 | 绍兴智慧鸽信息科技有限公司 | 多功能智能控制系统 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7440842B1 (en) * | 2003-05-09 | 2008-10-21 | Dimitri Vorona | System for transmitting, processing, receiving, and displaying traffic information |
EP2216965B1 (en) * | 2009-02-05 | 2015-08-12 | Thomson Licensing | Method for managing data transmission between peers according to levels of priority of transmitted and received data and associated management device |
CN101697223A (zh) * | 2009-09-23 | 2010-04-21 | 易程科技股份有限公司 | 综合交通枢纽客流管理系统 |
CN103336495A (zh) * | 2013-06-05 | 2013-10-02 | 上海申通地铁集团有限公司 | 轨道交通车站控制室的一体化操作终端 |
CN103680094B (zh) * | 2013-12-31 | 2016-07-20 | 山东博安智能科技股份有限公司 | 公路监控系统的远端监控装置及信息发布方法及监控方法 |
CN203799252U (zh) * | 2014-04-24 | 2014-08-27 | 宁夏捷诚电子科技有限公司 | 城市交通设备安全监控装置 |
CN104881999A (zh) * | 2015-06-16 | 2015-09-02 | 山东大学 | 一种交通路况信息自动采集和查询的分布式系统及方法 |
CN107067076A (zh) * | 2017-05-27 | 2017-08-18 | 重庆大学 | 一种基于时滞narx神经网络的客流预测方法 |
-
2017
- 2017-09-27 CN CN201710888000.3A patent/CN107526316B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101510878A (zh) * | 2009-03-27 | 2009-08-19 | 北京星网锐捷网络技术有限公司 | 一种对等网络监控方法、装置和设备 |
CN101521682A (zh) * | 2009-03-31 | 2009-09-02 | 张志强 | 一种综合远程监控系统及远程监控数据的处理方法 |
CN104460576A (zh) * | 2014-07-23 | 2015-03-25 | 绍兴智慧鸽信息科技有限公司 | 多功能智能控制系统 |
CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107526316A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN106934497B (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
CN109445935A (zh) | 云计算环境下一种高性能大数据分析系统自适应配置方法 | |
CN115314343A (zh) | 一种源荷储资源聚合控制网关装置及负荷和出力预测方法 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
Liu et al. | Research on wind speed prediction of wind power system based on GRU deep learning | |
Wen et al. | DLSTM: Distributed long short-term memory neural networks for the Internet of Things | |
Zhang et al. | OSTTD: Offloading of splittable tasks with topological dependence in multi-tier computing networks | |
CN107526316B (zh) | 一种基于互联网通信引擎的引导显示设备监控系统 | |
CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
Goh et al. | Hybrid SDS and WPT-IBBO-DNM Based Model for Ultra-short Term Photovoltaic Prediction | |
CN114204675A (zh) | 一种基于云边协同的配电台区电能数据采集终端 | |
Showkati et al. | Short term load forecasting using echo state networks | |
Huang et al. | Tool remaining useful life prediction based on edge data processing and lstm recurrent neural network | |
Chen et al. | Research on network management technology of power line carrier communication in low-voltage distribution network based on digital twin | |
Guo et al. | Short-Term Photovoltaic Power-Forecasting based on Machine Learning | |
Rafik et al. | Learning and Predictive Energy Consumption Model based on LSTM recursive neural networks | |
Cárdenas et al. | STLF in the user-side for an iEMS based on evolutionary training of Adaptive Networks | |
Vukmirović et al. | Optimal workflow scheduling in critical infrastructure systems with neural networks | |
Hu et al. | Prediction of River Water Quality Based on Neural Network Model | |
Babu et al. | Intelligent Energy Management System for Smart Grids Using Machine Learning Algorithms | |
CN116154779B (zh) | 一种基于预训练模型的最优潮流计算方法和装置 | |
Qu et al. | A method for CIR fault diagnosis based on improved tri-training in big data environment | |
Balaji et al. | Energy prediction in IoT systems using machine learning models | |
Seethalakshmi et al. | Prediction of energy demand in smart grid using deep neural networks with optimizer ensembles |
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 |