CN108683535A - 基于机器学习的高速数据分配模块故障诊断系统及方法 - Google Patents
基于机器学习的高速数据分配模块故障诊断系统及方法 Download PDFInfo
- Publication number
- CN108683535A CN108683535A CN201810480022.0A CN201810480022A CN108683535A CN 108683535 A CN108683535 A CN 108683535A CN 201810480022 A CN201810480022 A CN 201810480022A CN 108683535 A CN108683535 A CN 108683535A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- information
- distribution module
- speed data
- data distribution
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 65
- 238000009826 distribution Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 241001269238 Data Species 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 13
- 239000013307 optical fiber Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 208000024891 symptom Diseases 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 102000006479 Heterogeneous-Nuclear Ribonucleoproteins Human genes 0.000 description 1
- 108010019372 Heterogeneous-Nuclear Ribonucleoproteins Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明涉及一种基于机器学习的高速数据分配模块故障诊断系统，包括：人机交互界面，直观地将当前网络系统的运行状态、故障诊断信息以及应对措施呈现给用户；综合数据库，存储网络系统中的所有运行数据、历史数据以及配置信息；推理机，将综合数据库中的相应信息数据与知识库中的规则集进行逻辑判断，并得出对应的网络故障诊断结果和解决方案；知识获取模块，制定动态规则集，所述动态规则集由大量历史诊断数据采用深度神经网络进行不断训练形成；知识库，存储初始规则集与所述动态规则集。本发明加入了使用DNN对历史故障诊断数据进行学习训练的方法，得到新的更加有效的规则集，能够很好的提高数据分配模块自动故障诊断系统的准确性和可靠性。
Description
技术领域
本发明属于计算及人工智能机领域，尤其涉及一种基于机器学习的高速数据分配模块故障诊断系统。
背景技术
高速数据分配模块对于设备中的高速传输的网络系统具有十分重要的意义，它保证了高速数据传输过程的稳定高效的进行，高速数据分配模块中可能会出现不同种类的故障，比如配置包信息出错，光纤损坏，K码传输问题，高速数据传输问题等，这些都有可能造成高速网络系统的崩溃，对于工业生产可能会是极其惨痛的代价，所以怎么样有效的进行高速数据分配模块网络故障诊断，并给出相应的解决方案显得尤为重要。
基于机器学习算法的专家系统是一种人工智能计算机程序系统，其中包括大量的某个领域的专家级别的知识与经验，利用人类专家的知识来解决某一个领域中那些需要人类专家处理的复杂问题，采用基于机器学习算法的专家系统可以在某一特定领域给出专家级的解决方案。
发明内容
本发明目的在于针对基于机器学习中强化学习算法的专家系统的先进专业技术，提供一种基于机器学习的高速数据分配模块故障诊断系统，基于知识库的规则集采用LSTM进行判断预测，得出网络故障诊断结果和应对措施解决方案；另外，对于高速数据分配模块故障诊断的历史信息使用机器学习中的DNN算法进行大量训练，得到新的可靠的规则集，以期得到更为专业，更加准确的网络故障诊断结果和应对措施解决方案，具体由以下技术方案实现：
所述基于机器学习的高速数据分配模块故障诊断系统，包括：
人机交互界面，直观地将当前网络系统的运行状态、故障诊断信息以及应对措施呈现给用户；
综合数据库，存储网络系统中的所有运行数据、历史数据以及配置信息；
推理机，将综合数据库中的相应信息数据与知识库中的规则集进行逻辑判断，并得出对应的网络故障诊断结果和解决方案；
知识获取模块，制定动态规则集，所述动态规则集由大量历史诊断数据采用深度神经网络进行不断训练形成；
知识库，存储初始规则集与所述动态规则集。
所述基于机器学习的高速数据分配模块故障诊断系统的进一步设计在于，所述系统还包含解释器，解释器将高速数据分配模块自动故障诊断系统如何得出解决方案的过程通过人机交互界面向用户展示，便于用户进行维护和检查。
所述基于机器学习的高速数据分配模块故障诊断系统的进一步设计在于，所述初始规则集为人为设定的规则集。
所述基于机器学习的高速数据分配模块故障诊断系统的进一步设计在于，所述初始规则集包括：
初始化信息输出表中，-0x66bb0000表示配置包未收到，-0x66bb0003表示配置校验信息错误；
状态信息输出表中，0xff0000cx表示光纤损坏，0xff0001cx表示K码传输存在问题，0xff0002cx表示数据传输存在问题；
帧接收信息输出表中，数据不为零表示接收光纤数据有丢数，且每帧执行清零操作；
双机协同信息输出表中，0xff0000c0代表光纤损坏，0xff0001c0代表K码传输有问题，0xff0002c0代表数据传输有问题。
所述基于机器学习的高速数据分配模块故障诊断系统的进一步设计在于，综合数据库模块存储的运行数据包括：初始化信息输出表，状态信息输出表，帧接收信息输出表以及双机协同信息输出表；配置信息包括用户网络配置情况表与用户信息表；历史信息包括历史故障症状信息、诊断信息以及措施数据。
所述基于机器学习的高速数据分配模块故障诊断系统的进一步设计在于，推理机采用长短期记忆网络算法，将综合数据库中的相应信息数据与知识库中的规则集进行条件匹配判断预测，并得出对应的网络故障诊断和解决方案。
根据所述的高速数据分配模块自动故障诊断系统提供一种网络故障诊断方法，该方法包括如下步骤：
1）初始化规则集合，通过知识获取模块，采用If语句建立逻辑关系，得到关于网络故障判断和故障解决的一些规则集；
2）推理机从综合数据库中取得现有网络系统的运行信息，采用LSTM算法，通过知识库中的规则集进行逻辑判断和预测得到对应的故障信息以及解决方案；
3）用户通过人机交互界面得到高速数据分配模块自动故障诊断系统给出的故障诊断和相应的措施；
4）知识获取模块通过对大量历史高速数据分配模块诊断数据，采用DNN进行训练，产生新的规则集。
所述网络故障诊断方法的进一步设计在于，所述步骤2）中，推理机得到对应的故障信息以及解决方案后解释器将高速数据分配模块自动故障诊断系统推理的过程展示出来，用户通过解释器查看故障诊断专家系统得到最终解决方案的推理过程。
所述网络故障诊断方法的进一步设计在于，故障症状，所属步骤4）中诊断数据包括诊断结果、结果是否正确的信息、应对措施以及是措施否有效的信息。
本发明的优点如下：
本发明提供的基于机器学习的高速数据分配模块故障诊断系统，除了使用传统的人工自行添加高速数据分配模块故障诊断规则集，还加入了用DNN对大量的历史高速数据分配模块故障诊断信息进行不断训练，不断试错，得到更加优质，更加正确的新的规则集，与传统的只使用人工添加诊断规则集相比，可以得到更加优秀的高速数据分配模块故障解决方案。
附图说明
图1是高速数据分配模块故障诊断系统的结构示意图。
图2是高速数据分配模块故障诊断系统进行故障诊断的流程图。
具体实施方式
下面结合附图对本发明方案进行详细说明。
如图1，基于机器学习的高速数据分配模块故障诊断系统，主要由：人机交互界面、推理机、知识获取模块以及知识库组成。人机交互界面，直观地将当前网络系统的运行状态、故障诊断信息以及应对措施呈现给用户，故障诊断信息包括：光纤损坏，K码传输问题，数据传输问题等。综合数据库，存储网络系统中的所有运行数据、历史数据以及配置信息。推理机，将综合数据库中的相应信息数据与知识库中的规则集进行逻辑判断，并得出对应的网络故障诊断结果和解决方案。知识获取模块，制定动态规则集，动态规则集由大量历史诊断数据采用深度神经网络（DNN）进行不断训练形成。知识库，存储初始规则集与动态规则集。
进一步的本实施的系统还包含解释器，解释器将高速数据分配模块自动故障诊断系统如何得出解决方案的过程通过人机交互界面向用户展示，便于用户进行维护和检查。
本实施的初始规则集为人为设定的规则集。
进一步设计在于，初始规则集包括：
初始化信息输出表中，-0x66bb0000表示配置包未收到，-0x66bb0003表示配置校验信息错误。
状态信息输出表中，0xff0000cx表示光纤损坏，0xff0001cx表示K码传输存在问题， 0xff0002cx表示数据传输存在问题。
帧接收信息输出表中，数据不为零表示接收光纤数据有丢数，且每帧执行清零操作。
双机协同信息输出表中，0xff0000c0代表光纤损坏，0xff0001c0代表K码传输有问题，0xff0002c0代表数据传输有问题。
综合数据库模块存储的运行数据包括：初始化信息输出表，状态信息输出表，帧接收信息输出表以及双机协同信息输出表；配置信息包括用户网络配置情况表与用户信息表；历史信息包括历史故障症状信息、诊断信息以及措施数据。
本实施例的推理机采用长短期记忆网络（LSTM）算法，将综合数据库中的相应信息数据与知识库中的规则集进行条件匹配判断预测，并得出对应的网络故障诊断和解决方案。
在高速数据分配模块自动故障诊断系统运行工作时，根据图2所示的流程图，具体介绍该系统的故障诊断方法，具体包括如下步骤：
1）初始化规则集合，通过知识获取模块，采用if语句建立逻辑关系，得到关于网络故障判断和故障解决的一些规则集，例如：
双协同信息输出表中：If 0xff0000c0：光纤损坏
If 0xff0001c0：K码传输有问题
If 0xff0002c0：数据传输有问题
2）推理机从综合数据库中取得现有网络系统的运行信息，采用LSTM算法，通过知识库中的规则集进行逻辑判断和预测得到对应的故障信息以及解决方案；
3）解释器将专家系统推理的过程展示出来，用户通过解释器查看高速数据分配模块自动故障诊断系统得到最终解决方案的推理过程；
4）用户通过人机交互界面得到高速数据分配模块自动故障诊断系统给出的高速数据分配模块故障诊断结果以及应对措施；
5）知识获取模块通过对大量历史高速数据分配模块诊断数据（故障症状，诊断结果及结果是否正确，应对措施以及是措施否有效等数据），用DNN进行训练，产生新的规则集。
本实施例本发明提供的基于机器学习的高速数据分配模块故障诊断系统，对于知识获取模块，除了使用传统的人工自行添加高速数据分配模块故障诊断规则集，还加入了用DNN对大量的历史高速数据分配模块故障诊断信息（包括故障症状，诊断结果及是否正确，应对措施及是否有效等信息）进行不断训练，不断试错，得到更加优质，更加正确的新的规则集的方法，与传统的只使用人工添加诊断规则集相比，可以得到更加优秀的高速数据分配模块故障解决方案。
以上对本发明提供的一种基于机器学习的高速数据分配模块故障诊断系统及其诊断方法进行了详细介绍，以便于理解本发明和其核心思想。对于本领域的一般技术人员，在具体实施时，可根据本发明的核心思想进行多种修改和演绎。综上所述，本说明书不应视为对本发明的限制。
Claims (9)
1.一种基于机器学习的高速数据分配模块故障诊断系统，其特征在于，包括：
人机交互界面，直观地将当前网络系统的运行状态、故障诊断信息以及应对措施呈现给用户；
综合数据库，存储网络系统中的所有运行数据、历史数据以及配置信息；
推理机，将综合数据库中的相应信息数据与知识库中的规则集进行逻辑判断，并得出对应的网络故障诊断结果和解决方案；
知识获取模块，制定动态规则集，所述动态规则集由大量历史诊断数据采用深度神经网络进行不断训练形成；
知识库，存储初始规则集与所述动态规则集。
2.根据权利要求1所述的基于机器学习的高速数据分配模块故障诊断系统，其特征在于，所述系统还包含解释器，解释器将高速数据分配模块自动故障诊断系统如何得出解决方案的过程通过人机交互界面向用户展示，便于用户进行维护和检查。
3.根据权利要求1所述的基于机器学习的高速数据分配模块故障诊断系统，其特征在于，所述初始规则集为人为设定的规则集。
4.根据权利要求1所述的基于机器学习的高速数据分配模块故障诊断系统，其特征在于，所述初始规则集包括：
初始化信息输出表中，-0x66bb0000表示配置包未收到，-0x66bb0003表示配置校验信息错误；
状态信息输出表中，0xff0000cx表示光纤损坏，0xff0001cx表示K码传输存在问题，0xff0002cx表示数据传输存在问题；
帧接收信息输出表中，数据不为零表示接收光纤数据有丢数，且每帧执行清零操作；
双机协同信息输出表中，0xff0000c0代表光纤损坏，0xff0001c0代表K码传输有问题，0xff0002c0代表数据传输有问题。
5.根据权利要求1所述的基于机器学习的高速数据分配模块故障诊断系统，其特征在于，综合数据库模块存储的运行数据包括：初始化信息输出表，状态信息输出表，帧接收信息输出表以及双机协同信息输出表；配置信息包括用户网络配置情况表与用户信息表；历史信息包括历史故障症状信息、诊断信息以及措施数据。
6.根据权利要求1所述的基于机器学习的高速数据分配模块故障诊断系统，其特征在于，推理机采用长短期记忆网络算法，将综合数据库中的相应信息数据与知识库中的规则集进行条件匹配判断预测，并得出对应的网络故障诊断和解决方案。
7.如权利要求1-6任一项所述的高速数据分配模块自动故障诊断系统的网络故障诊断方法，其特征在于，包括如下步骤：
1）初始化规则集合，通过知识获取模块，采用If语句建立逻辑关系，得到关于网络故障判断和故障解决的一些规则集；
2）推理机从综合数据库中取得现有网络系统的运行信息，采用LSTM算法，通过知识库中的规则集进行逻辑判断和预测得到对应的故障信息以及解决方案；
3）用户通过人机交互界面得到高速数据分配模块自动故障诊断系统给出的故障诊断和相应的措施；
4）知识获取模块通过对大量历史高速数据分配模块诊断数据，采用DNN进行训练，产生新的规则集。
8.根据权利要求7所述的网络故障诊断方法，其特征在于所述步骤2）中，推理机得到对应的故障信息以及解决方案后解释器将高速数据分配模块自动故障诊断系统推理的过程展示出来，用户通过解释器查看故障诊断专家系统得到最终解决方案的推理过程。
9.根据权利要求7所述的网络故障诊断方法，其特征在于故障症状，所属步骤4）中诊断数据包括诊断结果、结果是否正确的信息、应对措施以及是措施否有效的信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810480022.0A CN108683535A (zh) | 2018-05-18 | 2018-05-18 | 基于机器学习的高速数据分配模块故障诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810480022.0A CN108683535A (zh) | 2018-05-18 | 2018-05-18 | 基于机器学习的高速数据分配模块故障诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108683535A true CN108683535A (zh) | 2018-10-19 |
Family
ID=63805094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810480022.0A Pending CN108683535A (zh) | 2018-05-18 | 2018-05-18 | 基于机器学习的高速数据分配模块故障诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108683535A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110006679A (zh) * | 2019-04-23 | 2019-07-12 | 南京大学 | 一种油料收获装备监控及诊断系统 |
| CN113530921A (zh) * | 2020-04-14 | 2021-10-22 | 湖州职业技术学院 | 基于es-mlstm的液压机故障诊断方法 |
| CN113920812A (zh) * | 2021-11-12 | 2022-01-11 | 中山职业技术学院 | 一种新能源汽车故障诊断培训考核与方案推送系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
| CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
| CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
| WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
-
2018
- 2018-05-18 CN CN201810480022.0A patent/CN108683535A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
| CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
| CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
| WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110006679A (zh) * | 2019-04-23 | 2019-07-12 | 南京大学 | 一种油料收获装备监控及诊断系统 |
| CN113530921A (zh) * | 2020-04-14 | 2021-10-22 | 湖州职业技术学院 | 基于es-mlstm的液压机故障诊断方法 |
| CN113920812A (zh) * | 2021-11-12 | 2022-01-11 | 中山职业技术学院 | 一种新能源汽车故障诊断培训考核与方案推送系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108683535A (zh) | 基于机器学习的高速数据分配模块故障诊断系统及方法 | |
| CN106844194B (zh) | 一种多层次软件故障诊断专家系统的构建方法 | |
| CN106411257A (zh) | 一种光伏电站状态诊断方法及装置 | |
| CN103840967B (zh) | 一种电力通信网中故障定位的方法 | |
| CN106548343A (zh) | 一种非法交易检测方法及装置 | |
| CN104202765B (zh) | 基于分布式网络的传感器故障检测方法及装置 | |
| CN106940913B (zh) | 一种金融终端的故障处理方法及其装置 | |
| CN110138597A (zh) | 基于信用积分和节点聚类的区块链dpos共识机制改进方法 | |
| CN102393922A (zh) | 变电站智能报警专家系统的模糊Petri推理方法 | |
| CN105574589B (zh) | 基于小生境遗传算法的变压器油色谱故障诊断方法 | |
| CN103926490A (zh) | 一种具有自学习功能的电力变压器综合诊断方法 | |
| CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
| CN102044308B (zh) | 一种用于核电厂dcs实时数据的采集方法及系统 | |
| CN106709607A (zh) | 分布式光伏电站智能监控运维系统 | |
| CN112086180A (zh) | 用于医用耗材的智能化库存管理系统 | |
| CN107038137A (zh) | 一种热插拔的设备及方法 | |
| CN117153431B (zh) | 基于互联网的医疗服务系统及方法 | |
| CN107004234A (zh) | 用于组件故障模式监测的系统和方法 | |
| CN108549276A (zh) | 一种智能交互控制制水设备的方法及系统 | |
| CN106407699A (zh) | 一种基于增量式神经网络模型的冠心病预测方法和预测系统 | |
| CN106446552A (zh) | 一种基于增量式神经网络模型的睡眠障碍预测方法和预测系统 | |
| CN114997280A (zh) | 基于人机协同控制决策机制的故障致因链构建方法及系统 | |
| CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 | |
| CN106384013A (zh) | 一种基于增量式神经网络模型的ii型糖尿病预测方法和预测系统 | |
| CN107864199A (zh) | 物联网通信方法、装置及物联网通信的实现装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |
|
| RJ01 | Rejection of invention patent application after publication |