CN108958205A - 一种集群网络工作方法与系统 - Google Patents

一种集群网络工作方法与系统 Download PDF

Info

Publication number
CN108958205A
CN108958205A CN201810953875.1A CN201810953875A CN108958205A CN 108958205 A CN108958205 A CN 108958205A CN 201810953875 A CN201810953875 A CN 201810953875A CN 108958205 A CN108958205 A CN 108958205A
Authority
CN
China
Prior art keywords
intelligent object
actuator
information
data center
sensor
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
Application number
CN201810953875.1A
Other languages
English (en)
Inventor
丁贤根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Addie Intelligent System Co Ltd
Original Assignee
Shenzhen Addie Intelligent System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Addie Intelligent System Co Ltd filed Critical Shenzhen Addie Intelligent System Co Ltd
Priority to CN201810953875.1A priority Critical patent/CN108958205A/zh
Publication of CN108958205A publication Critical patent/CN108958205A/zh
Pending legal-status Critical Current

Links

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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

一种集群网络工作方法与系统，其控制函数关系是ym＝f(∑α，∑∑δ)，其中，执行器m的输出值ym与即时信息∑α和历史信息∑∑δ之间的控制函数关系f。采用智能模块连接传感器和执行器，以采集传感器信息输出执行器信息。微基站与智能模块相连，再与数据中心相连，数据中心建立联网关系树、分配节点的通信动作时序。将采集的信息、输出的信息、控制函数和关联函数存储于大数据，采用深度学习、神经网络人工智能算法构成专家系统。在数据中心，根据各个控制子系统的控制函数，重构该子系统，根据各个子系统之间的关联函数，重构整个系统。从而构造可灵活再现和即时修改的传感器、执行器集群网络，实现人工智能算法和专家系统的控制方法和系统。

Description

一种集群网络工作方法与系统
技术领域
本发明涉及信息通信领域，尤其是涉及自动化控制系统和人工智能控制系统子领域，特别是由传感器和执行器构成的集群网络的工作方法和系统。
背景技术
现有的控制系统，几乎都是实时的控制系统，所参考的信息是当时的信息，其控制函数为y＝f(x)。例如在一个速度控制系统，设定目标速度V＝V0，而传感器检测到的实时速度为V1，那么，当V1＞V0时，让系统减速；反之，当V1＜V0时，让系统加速。也就是说，只要考虑目标速度V0和实时速度V1，而不要考虑其他，这就是所谓的实时控制系统。而在人工智能方法中，不仅要考虑V0和V1，还要考虑以往的值，还要考虑其他因素，即ym＝f(∑α，∑∑δ)。这里，m的输出ym，是实时值∑α和以往值和其它因素∑∑δ的函数，所谓“以往的值”我们可以理解成类似于人类的“经验”，而所谓“其他因素”，可能就是环境中的其它变量，或者V1的变化速度及方向等等。例如一个人在骑自行车从家里去公司，以往的经验告诉他，某个路口横穿马路的行人较多，于是他每到此处，就格外小心，这一点，是人的控制和自动化控制的不同。发明人认为，参考“以往的值”，这就是所谓“实时控制”和“人工智能控制”的主要区别。
可见，作为一个控制系统，现有技术的不足具体表现在以下几个方面：
1、只考虑实时值。
2、不考虑以往值。
3、不记忆以往值，不做大数据分析。
发明内容
本发明的目的是提供集群网络的工作方法和系统，来解决现有技术的不足。
本发明的目的是采用如下技术方案实现的：
一种集群网络工作方法，包括但不限于：产生大数据的步骤。依据大数据产生指令的步骤。建立联网关系树的步骤。数据中心向节点发布所述指令的步骤。所述指令包括但不限于：
向传感器端口发布采集传感器信息的指令，向执行器端口发布输出执行器信息的指令，分配所述节点之间通信的动作时序的指令。
这里大数据的产生不仅是来源于对于传感器信息的采集，还来源于各种算法包括人工智能算法的需要，例如在卷积神经网络中的隐层数据的设计和需要、来源于贝叶斯算法的需要、来源于算法的中间过程的需要。所述指令还包括对于系统中的其它设备的控制、探测的指令，还有对于传感器、执行器端口的各种操作指令。
在前述技术方案的基础上，在本发明的另一些方案中可以采用如下列的一种或者多种局部改进的措施：
所述产生大数据的步骤，包括所述数据中心存储和计算即时信息和历史信息的步骤，所述即时信息和所述历史信息，包括控制函数、关联函数、采集的所述传感器信息、输出的所述执行器信息、所述指令、所述联网关系树、所述动作时序以及产生的时刻；
所述依据大数据产生指令的步骤，是指针对所述大数据中的所述即时信息和所述历史信息，采用包括专家系统、模糊逻辑、机器学习、进化计算、贝叶斯函数、卷积神经网络、循环神经网络、对抗网络、支持向量机的这些人工智能方法，计算产生所述指令的步骤；和/或，
所述控制函数(ym＝f(∑α，∑∑δ))包括但不限于输出到所述执行器(m)的输出值(ym)，与所述即时信息(∑α)和所述历史信息(∑∑δ)之间的函数关系(f)；
所述即时信息(∑α)，在所采集的所述传感器信息中，具体还包括但不限于当前时刻所采集的与所述执行器(m)有关的所有的所述传感器的当前信息，但不包括所述历史信息(∑∑δ)；
所述历史信息(∑∑δ)，在所采集的所述传感器信息中，具体包括在当前时刻之前所采集的与所述执行器(m)有关的所有的所述传感器的所有时刻的所述传感器信息(∑∑α)，还包括由所述人工智能方法产生的过程信息，但不包括所述当前信息(∑α)；
所述关联函数(ym＝ff(∑yn，n≠m))包括但不限于，输出到所述执行器(m)的输出值(ym)，与其他执行器(n，n≠m)的输出值(yn)之间的函数关系(ff)；
所述函数关系还包括所述人工智能方法。
在这里，所述与所述执行器(m)有关的所有的所述传感器，通常是指与所述执行器(m)同在一个控制子系统的所述传感器，或者是算法中能够影响到所述执行器(m)输出值(ym)的那些传感器，这些传感器可能是多个。
由于在控制系统中，对于传感器数据的采集和对于执行器的输出，都是按照某种节拍一拍一拍实现的，因此，所述即时信息(∑α)就是指一次算法的计算所需要采集的这些传感器的信息的集合，也许是一次采集，也许是为了取得某种平均数而做的多次采集。
所述历史信息(∑∑δ)包括的内容较多，首先它包括在当前节拍前的所有的与所述执行器(m)有关的所有的传感器所采集的传感器信息，例如上一节拍的、几分钟之前的、甚至上个月的、上一年度的信息；其次，它包括在以往由算法计算得到的结果，这些结果将作为“经验”加以学习；第三，还包括算法本身或者其它。由于这些历史信息的加入，才使得人工智能的算法、才使得以往的经验对于系统的贡献成为可能。
在前述技术方案的基础上，在本发明的另一些方案中可以采用如下列的一种或者多种局部改进的措施：
为所述数据中心和联网的所有所述节点定义唯一的工D号的步骤。
搜索联网中的所有所述节点，以所述数据中心为根节点，并依据各个节点之间的父子关系，建立并存储所述联网关系树。
遍历整个所述联网关系树，对于任一存在多个父节点的所述节点，为其保留一个父节点，删除其它父节点。
对于具备多个父节点的删除，可以包括采用某种策略来进行，例如，假设有父节点A1、A2，子节点为B，B到A1的信号强度为E1，B到A2的信号强度为E2，那么，通过比较E1和E2，当E1＞E2时，删除A2父节点，保留A1父节点，依此类推。
所述节点包括数据中心、微基站、智能模块、所述传感器端口、所述执行器端口，所述智能模块包括所述传感器端口、所述执行器端口。
根据系统的需要，修改联网关系树的步骤。
在前述技术方案的基础上，在本发明的所述微基站进一步包含但不限于以下措施以及它们的组合：
所述数据中心向节点发布指令的步骤，包括但不限于：
依据所述控制函数生成所述指令的步骤。
依据所述动作时序生成所述指令的步骤。
发布所述指令以初始化所述节点的步骤。
发布实施指令以实现对所述大数据的存储进行加解密的步骤。
发布实施指令以实现对所述传感器信息和/或所述执行器信息进行加解密传输的步骤。
分配所述智能模块由所述数据中心、所述微基站进行管理的步骤。
由所述数据中心、所述微基站执行控制所述智能模块的步骤。
所述数据中心直接向所述传感器端口、所述执行器端口发布所述指令的步骤，或者经由所述节点转述所述指令的步骤。
在前述技术方案的基础上，在本发明的所述智能模块进一步包含但不限于以下措施以及它们的组合：
所述分配节点之间通信的动作时序的步骤，包括但不限于：
基于所述父子节点之间所采用的通信协议的通信信道带宽，计算所述指令的传输带宽、所述采集传感器信息的传输带宽、所述向执行器输出信息的传输带宽，分配所述父子节点之间在任何时刻所发生的通信动作的总带宽小于所述通信信道带宽的步骤。
基于所述传输带宽计算采样频率、通信频率、通信次数的步骤。
分配通信时所述指令的传输带宽、所述采集传感器信息的传输带宽、所述向执行器输出信息的传输带宽不高于所述通信信道带宽的步骤。
分配所述采样所述传感器信息、输出所述执行器信息的周期与系统惯性时间常数的比例在1:2到1:10000之间的步骤。
具体的计算步骤包括但不限于：
计算所述父子节点之间同一个时刻所能容纳的最大通信次数Tmax，分配该父子节点之间在任何时刻的所述通信发生的次数Tin+out不大于所述最大通信次数Tmax的步骤，即Tin+out≦Tmax。
基于控制规律，计算所述采集传感器信息和所述输出执行器信息的在规定时间内所需要的最小通信次数分别为Tin-min和Tout-min，该父子节点之间在任何时间内的所述采集传感器信息和所述输出执行器信息的在规定时间内所需要的通信次数分别为Tin和Tout，分配Tin≥Tin-min和Tout≥Tout-min的步骤。
基于控制规律，计算Tin和Tout的最劣先后次序的步骤，分配Tin和Tout的先后次序优于所述最劣先后次序的步骤。
在前述技术方案的基础上，在本发明的所述智能模块进一步包含但不限于以下措施以及它们的组合：
响应由联网的所述智能模块发起的通信请求并执行的步骤。
主动搜索、被动搜索所述数据中心、所述智能模块，联网、记录并上传到所述数据中心的步骤。
在所述联网关系树中与所述智能模块联网，对所述智能模块实施管理及执行所述指令的步骤。
对于此前联网成功、但是此后联网失败的所述智能模块，向所述数据中心提交报警的步骤。
对于此前工作正常、但是此后工作异常的所述智能模块，向所述数据中心提交报警的步骤。
对于所述智能模块的所述传感器采集所述传感器信息并处理的步骤。
对于所述智能模块的所述执行器输出所述执行器信息并处理的步骤。
对于所述智能模块的所述动作时序进行调整的步骤。
将所述智能模块调整为从机模式工作、主机模式工作的步骤。
对于所述集群网络进行管理的步骤。
显示所述微基站、所述智能模块工作状态、数据的步骤。
在前述技术方案的基础上，在本发明的所述智能模块进一步包含但不限于以下措施以及它们的组合：
调整所述智能模块工作为从机模式，执行所述指令的步骤。
调整所述智能模块工作为主机模式，主动、以中断方式向所述数据中心、所述微基站发出通信的步骤。
依据所述联网关系树中的联网关系，所述智能模块与所述数据中心、所述微基站联网，接受该所述数据中心、所述微基站的管理、执行所述指令的步骤。
所述智能模块检测所述智能模块自身的工况、所述传感器、所述执行器的工况，并向所述数据中心、所述微基站上传检测结果的步骤。
所述智能模块对于此前工作正常、但是此后工作异常的所述传感器、所述执行器，向所述数据中心、所述微基站提交报警的步骤。
所述智能模块对于所述传感器采集所述传感器信息、处理并上传的步骤。
所述智能模块对于所述执行器输出所述执行器信息并处理的步骤。
所述智能模块对于所述传感器的采集、所述执行器的输出时序进行调整的步骤。
一种集群网络系统，包括但不限于：智能模块、微基站、数据中心，其中：
所述智能模块、所述微基站、所述数据中心能够实现相互联网；
所述数据中心能够建立联网关系树、控制通信的动作时序、采集传感器信息、输出执行器信息。
所述智能模块、所述微基站、所述数据中心设置有动作时序控制器。
所述智能模块和所述微基站包括包括有线通信模块和和/或无线通信模块，一个以上所述智能模块和一个以上所述微基站、所述数据中心之间通过所述无线通信模块实现联网通信。
所述智能模块还包括一个以上传感器端口、一个以上执行器端口。
所述传感器端口连接传感器并采集所述传感器信息，上传到所述数据中心、所述微基站。
所述执行器端口连接执行器，接收所述数据中心、所述微基站传送的所述执行器信息，输出到所述执行器。
在前述技术方案的基础上，在本发明进一步包含但不限于以下措施以及它们的组合：
所述微基站还包括上行网络端口、智能处理模块。
所述上行网络端口用于接入所述数据中心。
所述智能处理模块用于处理外部指令、管理所述有线通信模块和和/或所述无线通信模块所联网的所述智能模块，并向所述智能模块转达所述指令。
所述动作时序控制器与智能处理模块相连或纳入在所述智能处理模块中，用于控制所述智能模块发生通信的时刻、频率、数量。
所述微基站还包括存储模块、电源模块、加解密模块、显示模块。
所述加解密模块与所述智能处理模块相连或纳入在所述智能处理模块中，用于加密和解密通信的信息。
所述电源模块包括所述微基站外部电源供电、电池供电，所述外部电源供电包括POE供电，所述POE(Power Over Ethernet)指的是在现有的以太网Cat.5及以上布线基础架构不作任何改动的情况下，在为一些基于IP的终端传输数据信号的同时，还能为此类设备提供直流供电的技术。所述电池供电包括采用太阳能电池、一次性电池、可充电电池，所述充电包括有线充电和无线充电。
所述微基站还包括防水、防尘、防爆的壳体，所述壳体包括非金属材料制造。
所述微基站还包括复位功能，具体包括外部电源供电时的上电复位、过充复位、指令复位、看门狗复位和开关复位。
在前述技术方案的基础上，在本发明进一步包含但不限于以下措施以及它们的组合：
所述智能模块还包括智能处理模块、传感器模块、执行器模块。
所述智能处理模块用于处理外部指令、管理所述传感器模块、所述执行器模块；
所述传感器模块用于管理、连接包括一个以上A/D(Analog to DigitalConverter，模拟量到数字量的转换，亦称ADC)量端口、一个以上数字量端口、一个以上开关量采集端口，这些端口用于连接传感器。
所述执行器模块用于管理、连接包括一个以上D/A(Digital to AnalogConverter，数字量到模拟量的转换，亦称DAC)量端口、一个以上数字量端口、一个以上开关量输出端口，这些端口用于连接执行器。
所述智能模块还包括所述动作时序控制器、电源模块、加解密模块。
所述动作时序控制器与智能处理模块相连或纳入在所述智能处理模块中，用于控制所述传感器模块、所述执行器模块发生通信的时刻、频率、数量。
所述电源模块包括所述智能模块外部电源供电、电池供电，所述外部电源供电包括POE供电，所述电池供电包括采用太阳能电池、一次性电池、可充电电池，所述充电包括有线充电和无线充电。
所述加解密模块与所述智能处理模块相连或纳入在所述智能处理模块中，用于加密和解密通信的信息。
所述智能模块还包括显示模块。
所述智能模块还包括防水、防尘、防爆的壳体，所述壳体包括非金属材料制造；
所述智能模块还包括复位功能，具体包括外部电源供电时的上电复位、过充复位、指令复位、看门狗复位和开关复位。
在前述技术方案的基础上，在本发明进一步包含但不限于以下措施以及它们的组合：
所述数据中心包括服务器、网络设备、存储器、工作站，所述网络设备用于联网，包括交换机、路由器、防火墙、隔离器，包括POE供电。
所述无线端口包括ZigBee、Bluetooth、WIFI、WLAN、IrDA、UWB、HomeRF、Z-Wave、Insteon、RFID、LPWAN、GSM、GPRS、CDMA、TDMA、3G、4G、5G、6G、WAP、NB-IoT、LoRa端口的其中之一或组合。
所述微基站的所述网络端口的选择需要与所述数据中心和/或所述智能模块的所述网络端口的类型一致。
与现有技术相比，本发明具有以下有益效果：
1.作为控制系统，对于变量，不仅考虑实时值，还考虑以往值。
2.系统建立了大数据及其人工智能分析。
3.系统构造灵活，修改和升级代价低。
4.免布线低成本改造传统控制系统。
附图说明
图1：实施例系统图；
图2.1：联网关系树图1
图2.2：联网关系树图2
图2.3：联网关系树图3
图3：子系统映射图；
图4：动作时序图；
图5：动作时序细节图；
图6：微基站结构图；
图7：智能模块图；
图8：例二微基站结构图；
图9：例二智能模块结构图
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行描述。
本发明的一类具体实施方式如下：
具体实施例一：智能船舶集群网络
在船舶设计中，有很多自动化系统的设计应用，这些系统往往都是按照各自的应用，进行各自为政的设计。例如，一条较为先进的远洋船舶，其子系统的个数将超过50个。由于这些子系统来源于不同不同的厂家，其功能、标准、通信协议均不相同，并且互不兼容；同时，还由于知识产权包含的原因，这些标准和协议甚至相互封锁。这就为子系统的集成，带来了一个很大的难题。
传统的“自动化系统”，实际上在时间上看，是一个“实时”的系统。它根据系统“单一”和“即时”的环境参数，进行即时的控制。例如一个速度控制系统，它参考的环境参数只是当前的速度和设定的速度，而不去考察“以往的经验”。实际上，传统的自动化系统是不具备“经验”、不考虑“历史”的，它只考虑当期(实时)的现状。
人工智能的特点就是模仿人类的经验及智力，开展有“智慧”的工作。人工智能的快速发展，使得船东们对于船舶提出了新的需求，因此，对于智能船舶的设计，就带来了新的挑战。
本发明的这个实施例，设计目的就是为了使得船舶从“自动化”向“人工智能”迈进提供一个有效的创新途径。
具体方案如下：
一、结构说明
如图1所示，1001是数据中心，主要由交换机、服务器及储存构成。1002是布置在轮机舱内的微基站，1004和1005是轮机舱内的2台智能模块，分别用于采集轮机舱内相关设备的传感器信息，以及输出执行器信息。在轮机舱内，有6个传感器，分别是S1、S2、S3、S4、S5、S6，还有2个执行器，分别是Y1和Y4。1003是布置在舵机舱内的微基站，1006和1007是布置在舵机舱内的2台智能模块，分别用于采集舵机舱内相关设备的传感器信息，以及输出执行器信息。在舵机舱内，有6个传感器，分别是S7、S8、S9、SA、SB、SC，还有2个执行器，分别是Y2和Y3。1008是操控工作站，用于显示及操控，还可以人工干预本系统。
图2.1、图2.2、图2.3是联网关系树的节点分解图，其中，2001是数据中心，2002和2003是2个微基站，它们都上连到数据中心。其中，2004和2005分别是智能模块，上连到2002的微基站，2004下连4个传感器或执行器，分别是2008、2009、2010传感器和2011执行器；2005下连4个传感器或执行器，分别是2012、2013、2014传感器和2015执行器；2006和2007分别是智能模块，上连到2003的微基站，2006下连4个传感器，分别是2016、2017、2018、2019传感器；2007下连2个传感器和2个执行器，分别是2020、2022传感器和2021、2023执行器。每个节点包括节点名称和节点ID号，包括网络的上下连接关系。
图3是子系统映射图，分左半部分和右半部分。其中左半部分是网络的物理构成，右半部分是逻辑映射。
在左半部分中，3001是数据中心，下连分布于轮机舱的微基站3002和舵机舱的微基站3003，分别构成2个无线传感器网络(简称：WSN，Wireless Sensor Networks,WSN，它是一种分布式传感网络)通信域，即由3004构成的WSN通信域1和3005构成的WSN通信域2。在WSN通信域1中，如图2.1、图2.2、图2.3所示，由2个智能模块(2004和2005)，通过WSN无线通信与3002微基站联网通信，连接S1、S2、S3、S4、S5、S6传感器和Y1、Y4执行器；在WSN通信域2中，如图2.1、图2.2、图2.3所示，由2个智能模块(2006和2007)，通过WSN无线通信与3003微基站联网通信，连接S7、S8、S9、SA、SB、SC传感器和Y2、Y3执行器。
在右半部分中，根据实际应用，分成4个虚拟系统：
3015虚拟系统1，分别是由3011的传感器S1、3012的传感器S5、3013的传感器S8、3014的传感器SC构成的输入，由3016的Y1构成的输出。
虚拟系统2、虚拟系统3、虚拟系统4的构成依此类推。
图4是动作时序图，其中，垂直轴为信号强度，水平轴为时间，图中的垂直方波为具体的传感器和执行器的通信脉冲，每个脉冲上都有传感器/执行器的编号。根据动作时序的要求，在同一个WSN通信域，任意时刻只分配“一组”通信脉冲。需要注意的是，所述“一组”是指由WSN通信能力所限定的指标，在实际工作中，这里的“一组”可能是几个、几十个通信脉冲，而不仅仅是一个脉冲。
图5是动作时序细节图，其中，S1和S2是前后两组通信脉冲，Δt是时间间隔，t是脉冲宽度。由WSN的通信能力和协议决定，Δt必须大于所述WSN的通信能力和协议所限定的最小时间间隔，t必须大于所述WSN的通信能力和协议所限定的最小脉冲宽度。
图6是微基站结构图，其中，6001是上行网络端口，6002是智能处理模块，6003是下行网络端口，6004是WSN通信天线，6005是电源模块，6006是显示模块，6007是存储模块。连接关系如图所示。
图7是智能模块结构图，其中，7001是WSN天线天线，7002是WSN模块，7003存储模块，7004是智能处理模块，7005是传感器模块，7006是所连接的传感器，7007是执行器模块，7008是所连接的执行器。其中，传感器模块至少包括A/D量接口、数字量接口和开关量接口，执行器模块至少包括D/A量接口、数字量接口和开关量接口。在本实施例中，电源采用长寿命的干电池供电，智能模块的外壳上布置太阳能电池，全部电路采用微功耗设计，使得这个智能模块能够实现面外接电源自供电持续长达数年。此外，由于上行网络的通信采用低功耗的蓝牙BLE，无需有线通信。所以，本实施例对于智能船舶应用中旧船改造很适合，将本智能模块固定在机器的传感器、执行器傍边，除了本地就近连接的传感器执行器的线路之外，以实现免布线免维护工作。
二、方法说明
一种集群网络工作方法，包括但不限于：产生大数据的步骤。依据大数据产生指令的步骤。建立联网关系树的步骤。数据中心向节点发布所述指令的步骤。所述指令包括但不限于：
向传感器端口发布采集传感器信息的指令，向执行器端口发布输出执行器信息的指令，分配所述节点之间通信的动作时序的指令。
这里大数据的产生不仅是来源于对于传感器信息的采集，还来源于各种算法包括人工智能算法的需要，例如在卷积神经网络中的隐层数据的设计和需要、来源于贝叶斯算法的需要、来源于算法的中间过程的需要。所述指令还包括对于系统中的其它设备的控制、探测的指令，还有对于传感器、执行器端口的各种操作指令。
在前述技术方案的基础上，在本发明的另一些方案中可以采用如下列的一种或者多种局部改进的措施：
所述产生大数据的步骤，包括所述数据中心存储和计算即时信息和历史信息的步骤，所述即时信息和所述历史信息，包括控制函数、关联函数、采集的所述传感器信息、输出的所述执行器信息、所述指令、所述联网关系树、所述动作时序以及产生的时刻。
所述依据大数据产生指令的步骤，是指针对所述大数据中的所述即时信息和所述历史信息，采用包括专家系统、模糊逻辑、机器学习、进化计算、贝叶斯函数、卷积神经网络、循环神经网络、对抗网络、支持向量机的这些人工智能方法，计算产生所述指令的步骤。
所述控制函数(ymm＝f(∑α，∑∑δ))包括但不限于输出到所述执行器(m)的输出值(ymm)，与所述即时信息(∑α)和所述历史信息(∑∑δ)之间的函数关系(f)。
所述即时信息(∑α)，在所采集的所述传感器信息中，具体还包括但不限于当前时刻所采集的与所述执行器(m)有关的所有的所述传感器的当前信息，但不包括所述历史信息(∑∑δ)。
所述历史信息(∑∑δ)，在所采集的所述传感器信息中，具体包括在当前时刻之前所采集的与所述执行器(m)有关的所有的所述传感器的所有时刻的所述传感器信息(∑∑α)，还包括由所述人工智能方法产生的过程信息，但不包括所述当前信息(∑α)。
所述关联函数(ymm＝ff(∑yn，n≠m))包括但不限于，输出到所述执行器(m)的输出值(ymm)，与其他执行器(n，n≠m)的输出值(yn)之间的函数关系(ff)。
所述函数关系还包括所述人工智能方法。
在这里，所述与所述执行器(m)有关的所有的所述传感器，通常是指与所述执行器(m)同在一个控制子系统的所述传感器，或者是算法中能够影响到所述执行器(m)输出值(ymm)的那些传感器，这些传感器可能是多个。
由于在控制系统中，对于传感器数据的采集和对于执行器的输出，都是按照某种节拍一拍一拍实现的，因此，所述即时信息(∑α)就是指一次算法的计算所需要采集的这些传感器的信息的集合，也许是一次采集，也许是为了取得某种平均数而做的多次采集。
所述历史信息(∑∑δ)包括的内容较多，首先它包括在当前节拍前的所有的与所述执行器(m)有关的所有的传感器所采集的传感器信息，例如上一节拍的、几分钟之前的、甚至上个月的、上一年度的信息；其次，它包括在以往由算法计算得到的结果，这些结果将作为“经验”加以学习；第三，还包括算法本身或者其它。由于这些历史信息的加入，才使得人工智能的算法、才使得以往的经验对于系统的贡献成为可能。
在前述技术方案的基础上，在本发明的另一些方案中可以采用如下列的一种或者多种局部改进的措施：
为所述数据中心和联网的所有所述节点定义唯一的ID号的步骤。
搜索联网中的所有所述节点，以所述数据中心为根节点，并依据各个节点之间的父子关系，建立并存储所述联网关系树。
遍历整个所述联网关系树，对于任一存在多个父节点的所述节点，为其保留一个父节点，删除其它父节点。
对于具备多个父节点的删除，可以包括采用某种策略来进行，例如，假设有父节点A1、A2，子节点为B，B到A1的信号强度为E1，B到A2的信号强度为E2，那么，通过比较E1和E2，当E1＞E2时，删除A2父节点，保留A1父节点，依此类推。
根据系统的需要，修改联网关系树的步骤。
在前述技术方案的基础上，在本发明的所述微基站进一步包含但不限于以下措施以及它们的组合：
所述数据中心向节点发布指令的步骤，包括但不限于：
依据所述控制函数生成所述指令的步骤。
依据所述动作时序生成所述指令的步骤。
发布所述指令以初始化所述节点的步骤。
发布实施指令以实现对所述大数据的存储进行加解密的步骤。
发布实施指令以实现对所述传感器信息、所述执行器信息进行加解密传输的步骤。
分配所述智能模块由所述数据中心、所述微基站进行管理的步骤。
由所述数据中心、所述微基站执行控制所述智能模块的步骤。
所述数据中心直接向所述传感器端口、所述执行器端口发布所述指令的步骤，或者经由所述节点转述所述指令的步骤。
在前述技术方案的基础上，在本发明的所述智能模块进一步包含但不限于以下措施以及它们的组合：
所述分配节点之间通信的动作时序的步骤，包括但不限于：
基于所述父子节点之间所采用的通信协议的通信信道带宽，计算所述指令的传输带宽、所述采集传感器信息的传输带宽、所述向执行器输出信息的传输带宽，分配所述父子节点之间在任何时刻所发生的通信动作的总带宽小于所述通信信道带宽的步骤。
基于所述传输带宽计算采样频率、通信频率、通信次数的步骤。
分配通信时所述指令的传输带宽、所述采集传感器信息的传输带宽、所述向执行器输出信息的传输带宽不高于所述通信信道带宽的步骤。
分配所述采样所述传感器信息、输出所述执行器信息的周期与系统惯性时间常数的比例在1:2到1:10000之间的步骤。
具体的计算步骤包括但不限于：
计算所述父子节点之间同一个时刻所能容纳的最大通信次数Tmax，分配该父子节点之间在任何时刻的所述通信发生的次数Tin+out不大于所述最大通信次数Tmax的步骤，即Tin+out≦Tmax。
基于控制规律，计算所述采集传感器信息和所述输出执行器信息的在规定时间内所需要的最小通信次数分别为Tin-min和Tout-min，该父子节点之间在任何时间内的所述采集传感器信息和所述输出执行器信息的在规定时间内所需要的通信次数分别为Tin和Tout，分配Tin≥Tin-min和Tout≥Tout-min的步骤。
基于控制规律，计算Tin和Tout的最劣先后次序的步骤，分配Tin和Tout的先后次序优于所述最劣先后次序的步骤。
在前述技术方案的基础上，在本发明的所述智能模块进一步包含但不限于以下措施以及它们的组合：
响应由联网的所述智能模块发起的通信请求并执行的步骤。
主动搜索、被动搜索所述数据中心、所述智能模块，联网、记录并上传到所述数据中心的步骤。
在所述联网关系树中与所述智能模块联网，对所述智能模块实施管理及执行所述指令的步骤。
对于此前联网成功、但是此后联网失败的所述智能模块，向所述数据中心提交报警的步骤。
对于此前工作正常、但是此后工作异常的所述智能模块，向所述数据中心提交报警的步骤。
对于所述智能模块的所述传感器采集所述传感器信息并处理的步骤。
对于所述智能模块的所述执行器输出所述执行器信息并处理的步骤。
对于所述智能模块的所述动作时序进行调整的步骤。
将所述智能模块调整为从机模式工作、主机模式工作的步骤。
对于所述集群网络进行管理的步骤。
显示所述微基站、所述智能模块工作状态、数据的步骤。
在前述技术方案的基础上，在本发明的所述智能模块进一步包含但不限于以下措施以及它们的组合：
调整所述智能模块工作为从机模式，执行所述指令的步骤。
调整所述智能模块工作为主机模式，主动、以中断方式向所述数据中心、所述微基站发出通信的步骤。
依据所述联网关系树中的联网关系，所述智能模块与所述数据中心、所述微基站联网，接受该所述数据中心、所述微基站的管理、执行所述指令的步骤。
所述智能模块检测所述智能模块自身的工况、所述传感器、所述执行器的工况，并向所述数据中心、所述微基站上传检测结果的步骤。
所述智能模块对于此前工作正常、但是此后工作异常的所述传感器、所述执行器，向所述数据中心、所述微基站提交报警的步骤。
所述智能模块对于所述传感器采集所述传感器信息、处理并上传的步骤。
所述智能模块对于所述执行器输出所述执行器信息并处理的步骤。
所述智能模块对于所述传感器的采集、所述执行器的输出时序进行调整的步骤。
三、系统说明
一种集群网络系统，包括但不限于：智能模块、微基站、数据中心，其中：
所述智能模块、所述微基站、所述数据中心能够实现相互联网；
所述数据中心能够建立联网关系树、控制通信的动作时序、采集传感器信息、输出执行器信息。
所述智能模块、所述微基站、所述数据中心设置有动作时序控制器。
所述智能模块和所述微基站包括包括有线通信模块和、无线通信模块，一个以上所述智能模块和一个以上所述微基站、所述数据中心之间通过所述无线通信模块实现联网通信。
所述智能模块还包括一个以上传感器端口、一个以上执行器端口。
所述传感器端口连接传感器并采集所述传感器信息，上传到所述数据中心、所述微基站。
所述执行器端口连接执行器，接收所述数据中心、所述微基站传送的所述执行器信息，输出到所述执行器。
在前述技术方案的基础上，在本发明进一步包含但不限于以下措施以及它们的组合：
所述微基站还包括上行网络端口、智能处理模块。
所述上行网络端口用于接入所述数据中心。
所述智能处理模块用于处理外部指令、管理所述有线通信模块和、所述无线通信模块所联网的所述智能模块，并向所述智能模块转达所述指令。
所述动作时序控制器与智能处理模块相连或纳入在所述智能处理模块中，用于控制所述智能模块发生通信的时刻、频率、数量。
所述微基站还包括存储模块、电源模块、加解密模块、显示模块。
所述加解密模块与所述智能处理模块相连或纳入在所述智能处理模块中，用于加密和解密通信的信息。
所述电源模块包括所述微基站外部电源供电、电池供电，所述外部电源供电包括POE供电，所述POE(Power Over Ethernet)指的是在现有的以太网Cat.5及以上布线基础架构不作任何改动的情况下，在为一些基于IP的终端传输数据信号的同时，还能为此类设备提供直流供电的技术。所述电池供电包括采用太阳能电池、一次性电池、可充电电池，所述充电包括有线充电和无线充电。
所述微基站还包括防水、防尘、防爆的壳体，所述壳体包括非金属材料制造。
所述微基站还包括复位功能，具体包括外部电源供电时的上电复位、过充复位、指令复位、看门狗复位和开关复位。
在前述技术方案的基础上，在本发明进一步包含但不限于以下措施以及它们的组合：
所述智能模块还包括智能处理模块、传感器模块、执行器模块。
所述智能处理模块用于处理外部指令、管理所述传感器模块、所述执行器模块；
所述传感器模块用于管理、连接包括一个以上A/D(Analog to DigitalConverter，模拟量到数字量的转换，亦称ADC)量端口、一个以上数字量端口、一个以上开关量采集端口，这些端口用于连接传感器。
所述执行器模块用于管理、连接包括一个以上D/A(Digital to AnalogConverter，数字量到模拟量的转换，亦称DAC)量端口、一个以上数字量端口、一个以上开关量输出端口，这些端口用于连接执行器。
所述智能模块还包括所述动作时序控制器、电源模块、加解密模块。
所述动作时序控制器与智能处理模块相连或纳入在所述智能处理模块中，用于控制所述传感器模块、所述执行器模块发生通信的时刻、频率、数量。
所述电源模块包括所述智能模块外部电源供电、电池供电，所述外部电源供电包括POE供电，所述电池供电包括采用太阳能电池、一次性电池、可充电电池，所述充电包括有线充电和无线充电。
所述加解密模块与所述智能处理模块相连或纳入在所述智能处理模块中，用于加密和解密通信的信息。
所述智能模块还包括显示模块。
所述智能模块还包括防水、防尘、防爆的壳体，所述壳体包括非金属材料制造；
所述智能模块还包括复位功能，具体包括外部电源供电时的上电复位、过充复位、指令复位、看门狗复位和开关复位。
在前述技术方案的基础上，在本发明进一步包含但不限于以下措施以及它们的组合：
所述数据中心包括服务器、网络设备、存储器、工作站，所述网络设备用于联网，包括交换机、路由器、防火墙、隔离器，包括POE供电。
所述无线端口包括ZigBee、Bluetooth、WIFI、WLAN、IrDA、UWB、HomeRF、Z-Wave、Insteon、RFID、LPWAN、GSM、GPRS、CDMA、TDMA、3G、4G、5G、6G、WAP、NB-IoT、LoRa端口的其中之一或组合。
所述微基站的所述网络端口的选择需要与所述数据中心、所述智能模块的所述网络端口的类型一致。
具体实施例二：通用集群网络
该实施方式是本发明的一种通用集群网络的设计，与前述实施方式相比，相同之处不予复述，差异之处在于：
1、微基站不同点
如图8所示，微基站的供电改用包括POE供电，如8001含POE的上行有线网络端口所示，通过8001，由8009输出给8005电源模块。其优势在于不需要另外的电源供电，直接取电于网络布线。
作为一种选项，还可以在下行网络端口上，采用8008输出有线网络、POE网络，为后端设备实施POE供电。
2、智能模块不同点
如图9所示，智能模块的联网包括9010的POE网络端口和9001的WSN无线端口，其中9010通过POE取点后送9009电源模块。这种设计的智能模块就能够通过POE获得电源和网络通信，也能够通过WSN进行网络通信。此外，还增加了9011的显示模块，以显示相关需要的信息，例如轮流显示传感器采集的信息，执行器输出的信息等。

Claims (11)

1.一种集群网络工作方法，包括：
产生大数据的步骤；依据大数据产生指令的步骤；建立联网关系树的步骤；和/或，
数据中心向节点发布所述指令的步骤；所述指令包括：
向传感器端口发布采集传感器信息的指令，向执行器端口发布输出执行器信息的指令，分配所述节点之间通信的动作时序的指令。
2.根据权利要求1所述的集群网络工作方法，其特征在于：
所述产生大数据的步骤，包括所述数据中心存储和计算即时信息和历史信息的步骤，所述即时信息和所述历史信息，包括控制函数、关联函数、采集的所述传感器信息、输出的所述执行器信息、所述指令、所述联网关系树、所述动作时序以及产生的时刻；
所述依据大数据产生指令的步骤，是指针对所述大数据中的所述即时信息和所述历史信息，采用包括专家系统、模糊逻辑、机器学习、进化计算、贝叶斯函数、卷积神经网络、循环神经网络、对抗网络、支持向量机的这些人工智能方法，计算产生所述指令的步骤；和/或，
所述控制函数(ym＝f(Σα，ΣΣδ))包括：输出到所述执行器(m)的输出值(ym)，与所述即时信息(Σα)和所述历史信息(ΣΣδ)之间的函数关系(f)；
所述即时信息(Σα)，在所采集的所述传感器信息中，具体还包括当前时刻所采集的与所述执行器(m)有关的所有的所述传感器的当前信息，但不包括所述历史信息(ΣΣδ)；
所述历史信息(ΣΣδ)，在所采集的所述传感器信息中，具体包括在当前时刻之前所采集的与所述执行器(m)有关的所有的所述传感器的所有时刻的所述传感器信息(ΣΣα)，还包括由所述人工智能方法产生的过程信息，但不包括所述当前信息(Σα)；和/或，
所述关联函数(ym＝ff(Σyn，n≠m))包括，输出到所述执行器(m)的输出值(ym)，与其他执行器(n,n≠m)的输出值(yn)之间的函数关系(ff)；
所述函数关系还包括所述人工智能方法。
3.根据权利要求2所述的集群网络工作方法，其特征在于，所述建立联网关系树的步骤包括：
为所述数据中心和联网的所有所述节点定义唯一的ID号的步骤；
搜索联网中的所有所述节点，以所述数据中心为根节点，并依据各个节点之间的父子关系，建立并存储所述联网关系树；和/或，
遍历整个所述联网关系树，对于任一存在多个父节点的所述节点，为其保留一个父节点，删除其它父节点；
所述节点包括数据中心、微基站、智能模块和/或所述传感器端口和/或所述执行器端口，所述智能模块包括所述传感器端口和/或所述执行器端口。
4.根据权利要求3所述的集群网络工作方法，其特征在于，所述数据中心向节点发布指令的步骤还包括：
依据所述控制函数生成所述指令的步骤；
依据所述动作时序生成所述指令的步骤；
发布所述指令以初始化所述节点的步骤；
发布实施指令以实现对所述大数据的存储进行加解密的步骤；
发布实施指令以实现对所述传感器信息和/或所述执行器信息进行加解密传输的步骤；
分配所述智能模块由所述数据中心和/或所述微基站进行管理的步骤；
由所述数据中心和/或所述微基站执行控制所述智能模块的步骤；
所述数据中心直接向所述传感器端口和/或所述执行器端口发布所述指令的步骤，或者经由所述节点转述所述指令的步骤。
5.根据权利要求3所述的集群网络工作方法，其特征在于，所述分配节点之间通信的动作时序的步骤包括：
基于所述父子节点之间所采用的通信协议的通信信道带宽，计算所述指令的传输带宽、所述采集传感器信息的传输带宽、所述向执行器输出信息的传输带宽，分配所述父子节点之间在任何时刻所发生的通信动作的总带宽小于所述通信信道带宽的步骤；
基于所述传输带宽计算采样频率、通信频率、通信次数的步骤；
分配通信时所述指令的传输带宽、所述采集传感器信息的传输带宽、所述向执行器输出信息的传输带宽不高于所述通信信道带宽的步骤；
分配所述采样所述传感器信息和/或输出所述执行器信息的周期与系统惯性时间常数的比例在1:2到1:10000之间的步骤。
6.根据权利要求3所述的集群网络工作方法，其特征在于，还包括：
响应由联网的所述智能模块发起的通信请求并执行的步骤；
主动搜索和/或被动搜索所述数据中心和/或所述智能模块，联网、记录并上传到所述数据中心的步骤；
在所述联网关系树中与所述智能模块联网，对所述智能模块实施管理及执行所述指令的步骤；和/或，
对于此前联网成功、但是此后联网失败的所述智能模块，向所述数据中心提交报警的步骤；和/或，
对于此前工作正常、但是此后工作异常的所述智能模块，向所述数据中心提交报警的步骤；和/或，
对于所述智能模块的所述传感器采集所述传感器信息并处理的步骤；和/或，
对于所述智能模块的所述执行器输出所述执行器信息并处理的步骤；和/或，
对于所述智能模块的所述动作时序进行调整的步骤；和/或，
将所述智能模块调整为从机模式工作和/或主机模式工作的步骤；和/或，
对于所述集群网络进行管理的步骤；和/或，
显示所述微基站和/或所述智能模块工作状态和/或数据的步骤。
7.根据权利要求3所述的集群网络工作方法，其特征在于，还包括：
调整所述智能模块工作为从机模式，执行所述指令的步骤；和/或，
调整所述智能模块工作为主机模式，主动和/或以中断方式向所述数据中心和/或所述微基站发出通信的步骤；
依据所述联网关系树中的联网关系，所述智能模块与所述数据中心和/或所述微基站联网，接受该所述数据中心和/或所述微基站的管理、执行所述指令的步骤；和/或，
所述智能模块检测所述智能模块自身的工况、所述传感器和/或所述执行器的工况，并向所述数据中心和/或所述微基站上传检测结果的步骤；和/或，
所述智能模块对于此前工作正常、但是此后工作异常的所述传感器和/或所述执行器，向所述数据中心和/或所述微基站提交报警的步骤；和/或，
所述智能模块对于所述传感器采集所述传感器信息、处理并上传的步骤；和/或，
所述智能模块对于所述执行器输出所述执行器信息并处理的步骤；和/或，
所述智能模块对于所述传感器的采集和/或所述执行器的输出时序进行调整的步骤。
8.一种集群网络系统，包括：智能模块、微基站和数据中心；
所述智能模块、所述微基站、所述数据中心能够实现相互联网；
所述数据中心能够建立联网关系树、控制通信的动作时序、采集传感器信息、
输出执行器信息。
9.据权利要求8所述的集群网络系统，其特征在于，所述微基站还包括上行网络端口、智能处理模块；
所述上行网络端口用于接入所述数据中心；
所述智能处理模块用于处理外部指令、管理所述智能模块，并向所述智能模块转达所述指令；
所述控制通信的动作时序用于控制所述智能模块发生通信的时刻和/或频率和/或数量；和/或，
所述微基站还包括存储模块、电源模块、加解密模块和/或显示模块；和/或，
所述加解密模块与所述智能处理模块相连或纳入在所述智能处理模块中，用于加密和解密通信的信息；和/或，
所述电源模块包括所述微基站外部电源供电和/或电池供电，所述外部电源供电包括POE供电，所述电池供电包括采用太阳能电池和/或一次性电池和/或可充电电池，所述充电包括有线充电和无线充电；和/或，
所述微基站还包括防水、防尘、防爆的壳体，所述壳体包括非金属材料制造；和/或，
所述微基站还包括复位功能，具体包括外部电源供电时的上电复位、过充复位、指令复位、看门狗复位和开关复位。
10.根据权利要求8所述的集群网络系统，其特征在于：
所述智能模块包括智能处理模块、传感器模块和/或执行器模块；
所述智能处理模块用于处理外部指令、管理所述传感器模块和/或所述执行器模块；
所述传感器模块用于管理、连接包括一个以上A/D量端口和/或一个以上数字量端口和/或一个以上开关量采集端口，这些端口用于连接所述传感器；
所述执行器模块用于管理、连接包括一个以上D/A量端口和/或一个以上数字量端口和/或一个以上开关量输出端口，这些端口用于连接所述执行器；
所述控制通信的动作时序，用于控制所述传感器模块和/或所述执行器模块发生通信的时刻和/或频率和/或数量；和/或，
所述智能模块还包括电源模块和/或加解密模块；
所述电源模块包括所述智能模块外部电源供电和/或电池供电，所述外部电源供电包括POE供电，所述电池供电包括采用太阳能电池和/或一次性电池和/或可充电电池，所述充电包括有线充电和无线充电；和/或，
所述加解密模块与所述智能处理模块相连或纳入在所述智能处理模块中，用于加密和解密通信的信息；和/或，
所述智能模块还包括显示模块；和/或，
所述智能模块还包括防水、防尘、防爆的壳体，所述壳体包括非金属材料制造；
所述智能模块还包括复位功能，具体包括外部电源供电时的上电复位、过充复位、指令复位、看门狗复位和开关复位。
11.根据权利要求8所述的集群网络系统，其特征在于：
所述数据中心包括服务器、网络设备、存储器和/或工作站，所述网络设备用于联网，包括交换机和/或路由器和/或防火墙和/或隔离器，包括POE供电；和/或，
所述微基站和所述智能模块包括无线端口，所述无线端口包括ZigBee、Bluetooth、WIFI、WLAN、IrDA、UWB、HomeRF、Z-Wave、Insteon、RFID、LPWAN、GSM、GPRS、CDMA、TDMA、3G、4G、5G、6G、WAP、NB-IoT、LoRa端口的其中之一或组合；
所述微基站的所述网络端口的选择需要与所述数据中心和/或所述智能模块的所述网络端口的类型一致。
CN201810953875.1A 2018-08-21 2018-08-21 一种集群网络工作方法与系统 Pending CN108958205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810953875.1A CN108958205A (zh) 2018-08-21 2018-08-21 一种集群网络工作方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810953875.1A CN108958205A (zh) 2018-08-21 2018-08-21 一种集群网络工作方法与系统

Publications (1)

Publication Number Publication Date
CN108958205A true CN108958205A (zh) 2018-12-07

Family

ID=64472967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810953875.1A Pending CN108958205A (zh) 2018-08-21 2018-08-21 一种集群网络工作方法与系统

Country Status (1)

Country Link
CN (1) CN108958205A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264024A (zh) * 2019-02-25 2019-09-20 深圳艾迪宝智能系统有限公司 一种冷藏集装箱群的测控方法与系统
CN110650022A (zh) * 2019-09-17 2020-01-03 深圳艾迪宝智能系统有限公司 一种工业数据中心系统与工作方法
CN114441506A (zh) * 2022-04-08 2022-05-06 港湾之星健康生物(深圳)有限公司 量子磁光传感器

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557587A (zh) * 2009-04-08 2009-10-14 哈尔滨工程大学 一种无线传感器网络中层次树密钥管理方法
CN101957602A (zh) * 2009-07-15 2011-01-26 河南天擎机电技术有限公司 基于Zigbee的公共场所环境监测控制方法及其系统
CN102123393A (zh) * 2011-03-08 2011-07-13 东南大学 一种基于单向函数的分布式无线传感器网络密钥管理方法
CN107347208A (zh) * 2017-06-27 2017-11-14 阳光凯讯(北京)科技有限公司 基于人工智能技术的基站对终端高效定时调整方法及系统
WO2017198312A1 (en) * 2016-05-20 2017-11-23 Telefonaktiebolaget Lm Ericsson (Publ) Ran control based on mobility data estimates
CN107972695A (zh) * 2017-12-06 2018-05-01 株洲中车轨道交通装备有限公司 一种物联网轨道车辆车轴健康状态智能监测管理系统装置
CN108093030A (zh) * 2017-11-29 2018-05-29 杭州古北电子科技有限公司 一种基于云服务器的人工智能模型部署方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101557587A (zh) * 2009-04-08 2009-10-14 哈尔滨工程大学 一种无线传感器网络中层次树密钥管理方法
CN101957602A (zh) * 2009-07-15 2011-01-26 河南天擎机电技术有限公司 基于Zigbee的公共场所环境监测控制方法及其系统
CN102123393A (zh) * 2011-03-08 2011-07-13 东南大学 一种基于单向函数的分布式无线传感器网络密钥管理方法
WO2017198312A1 (en) * 2016-05-20 2017-11-23 Telefonaktiebolaget Lm Ericsson (Publ) Ran control based on mobility data estimates
CN107347208A (zh) * 2017-06-27 2017-11-14 阳光凯讯(北京)科技有限公司 基于人工智能技术的基站对终端高效定时调整方法及系统
CN108093030A (zh) * 2017-11-29 2018-05-29 杭州古北电子科技有限公司 一种基于云服务器的人工智能模型部署方法
CN107972695A (zh) * 2017-12-06 2018-05-01 株洲中车轨道交通装备有限公司 一种物联网轨道车辆车轴健康状态智能监测管理系统装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264024A (zh) * 2019-02-25 2019-09-20 深圳艾迪宝智能系统有限公司 一种冷藏集装箱群的测控方法与系统
CN110650022A (zh) * 2019-09-17 2020-01-03 深圳艾迪宝智能系统有限公司 一种工业数据中心系统与工作方法
CN114441506A (zh) * 2022-04-08 2022-05-06 港湾之星健康生物(深圳)有限公司 量子磁光传感器

Similar Documents

Publication Publication Date Title
Chen et al. Mean field deep reinforcement learning for fair and efficient UAV control
CN108958205A (zh) 一种集群网络工作方法与系统
CN112584347B (zh) Uav异构网络多维资源动态管理方法
CN110994798A (zh) 变电设备监控系统
Aydin et al. Energy efficient clustering-based mobile routing algorithm on WSNs
CN110081993A (zh) 一种空间温度可视化监测系统及其构建方法
Wei et al. Wireless sensor network data collection by connected cooperative UAVs
CN107222338A (zh) 一种物联网节点信息通信模型及通信方法
CN109683474A (zh) 一种基于时延丢包模态依赖的网络控制系统切换控制方法
Li et al. Throughput maximization by deep reinforcement learning with energy cooperation for renewable ultradense IoT networks
CN109152103A (zh) 一种对无线传感器网络进行组网方法及装置
An et al. Multi-robot systems and cooperative object transport: Communications, platforms, and challenges
Liu et al. Machine learning for 6G enhanced ultra-reliable and low-latency services
Karabekir et al. Energy-Efficient Clustering-Based Mobile Routing Algorithm For Wireless Sensor Networks.
CN117317408A (zh) 基于大数据和人工智能的电池及热量优化管理方法
Zhang et al. Multi-robot cooperative target encirclement through learning distributed transferable policy
Ahmed et al. Green industrial networking: recent advances, taxonomy, and open research challenges
Feng et al. Bidirectional green promotion of 6G and AI: architecture, solutions, and platform
Muhammad et al. Deep-reinforcement-learning-based sustainable energy distribution for wireless communication
CN106384850A (zh) 基于无线的电池管理系统
CN106714262B (zh) 一种基于自适应模糊控制的无线传感器网络拓扑控制方法
CN116112947A (zh) 数字孪生系统构建方法、建模方法、网络优化方法及装置
CN108471624A (zh) 无线体域网的通信模式切换方法及装置
Kaur et al. Machine learning technique for wireless sensor networks
Yan et al. Autonomous coordinated control strategy for complex process of traffic information physical fusion system based on big data

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