CN111537022A - 一种基于人工智能的冲压成型生产车间安全监控系统 - Google Patents

一种基于人工智能的冲压成型生产车间安全监控系统 Download PDF

Info

Publication number
CN111537022A
CN111537022A CN202010354718.6A CN202010354718A CN111537022A CN 111537022 A CN111537022 A CN 111537022A CN 202010354718 A CN202010354718 A CN 202010354718A CN 111537022 A CN111537022 A CN 111537022A
Authority
CN
China
Prior art keywords
data
sensor
cluster
representing
sequence
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
Application number
CN202010354718.6A
Other languages
English (en)
Other versions
CN111537022B (zh
Inventor
钟丽芳
聂顺新
姚文涛
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.)
Jiangxi Tianjing Jingcang Technology Co ltd
Original Assignee
Jiangxi Tianjing Jingcang Technology 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 Jiangxi Tianjing Jingcang Technology Co ltd filed Critical Jiangxi Tianjing Jingcang Technology Co ltd
Priority to CN202010354718.6A priority Critical patent/CN111537022B/zh
Publication of CN111537022A publication Critical patent/CN111537022A/zh
Application granted granted Critical
Publication of CN111537022B publication Critical patent/CN111537022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。本发明的有益效果为：利用传感器组件对冲压成型的生产车间进行安全监控，能够保证冲压成型生产车间的安全运行。

Description

一种基于人工智能的冲压成型生产车间安全监控系统
技术领域
本发明创造涉及安全监控领域，具体涉及一种基于人工智能的冲压成型生产车间安全监控系统。
背景技术
冲压成型是指靠压力机和模具对板材、带材、管材和型材等施加外力，使之产生塑性变形或分离，从而获得所需形状和尺寸的工件(冲压件)的加工成型方法。在冲压成型的过程中，容易产生高摩擦力和高温等，稍有不慎容易引起意外事故，因此，提供一种基于人工智能的冲压成型生产车间安全监控系统，对冲压成型的生产车间进行安全监控，保证了生产车间的安全，从而保证了冲压成型车间的安全进行。
针对上述问题，本发明旨在提供一种基于人工智能的冲压成型生产车间安全监控系统。
本发明创造的目的通过以下技术方案实现：
一种基于人工智能的冲压成型生产车间安全监控系统，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，包括监控初始阶段和监控稳定阶段，在监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，在监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。
本发明创造的有益效果：采用传感器组件对冲压成型的生产车间进行安全监控，分为监控初始阶段和监控稳定阶段，利用传感器组件在监控初始阶段采集的车间环境参数数据对车间的传感器组件进行分簇并选取能够代表整个簇的簇首组件，选取的簇首组件采集的车间环境参数数据跟簇中其他传感器组件采集的车间环境参数数据最为接近，从而只将簇首组件采集的车间环境参数数据传输至安全管理中心，在有效的减少传感器组件的数据传输量的同时，安全管理中心根据簇首组件采集的车间环境数据也能有效的对车间环境进行监控。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于人工智能的冲压成型生产车间安全监控系统，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，包括监控初始阶段和监控稳定阶段，在监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，在监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。
优选地，所述传感器组件包括温度传感器、湿度传感器、烟雾浓度传感器和粉尘浓度传感器。
优选地，所述安全监控模块中的传感器节点的初始能量值都相同。
优选地，所述安全监控模块采用传感器组件采集车间环境参数数据，分为监控初始阶段和监控稳定阶段，设t表示当前时刻，τ为给定的时间阈值，当t≤τ时，安全监控模块处于监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集的车间环境参数数据传输至安全信息收集模块；当t>τ时，安全监控模块处于监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块。
本优选实施例采用传感器组件对冲压成型生产车间进行安全监控，分为监控初始阶段和监控稳定阶段，利用传感器组件在监控初始阶段采集的车间环境参数数据对车间的传感器组件进行分簇并选取能够代表整个簇的簇首组件，选取的簇首组件采集的车间环境参数数据跟簇中的传感器组件采集的车间环境参数数据最为接近，从而只将簇首组件采集的车间环境参数数据传输至安全管理中心，在有效的减少传感器组件的数据传输量的同时，安全管理中心根据簇首组件采集的车间环境数据也能有效的对车间环境进行监控。
优选地，安全管理中心根据接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据对安全监控模块中的传感器组件进行分簇，包括数据预处理单元和分簇单元，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，所述分簇单元用于根据预处理后的车间环境参数数据对安全监控模块中的传感器组件进行分簇，并将分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果转发给安全监控模块中的传感器组件。
优选地，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，设ci表示安全监控模块中的第i个传感器组件，
Figure BDA0002473073880000031
表示传感器组件ci中用于采集第r个车间环境参数的传感器节点，i＝1,2,…,N(c)，其中，N(c)表示安全监控模块中的传感器组件数，设
Figure BDA0002473073880000032
表示传感器节点
Figure BDA0002473073880000033
在监控初始阶段采集得到的第r个车间环境参数的数据序列(所述数据序列
Figure BDA0002473073880000034
按传感器节点
Figure BDA0002473073880000035
的采集顺序进行排序)，且
Figure BDA0002473073880000036
其中，
Figure BDA0002473073880000037
表示数据序列
Figure BDA0002473073880000038
中的第1个数据，
Figure BDA0002473073880000039
表示数据序列
Figure BDA00024730738800000310
中的第2个数据，
Figure BDA00024730738800000311
表示数据序列
Figure BDA00024730738800000312
中的第
Figure BDA00024730738800000313
个数据，
Figure BDA00024730738800000314
表示数据序列
Figure BDA00024730738800000315
中的数据量；
对数据序列
Figure BDA00024730738800000316
中的数据进行依次处理，设
Figure BDA00024730738800000317
表示数据序列
Figure BDA00024730738800000318
中的第j个数据，对数据
Figure BDA00024730738800000319
建立长度为l1的第一数据序列
Figure BDA00024730738800000320
和第二数据序列
Figure BDA00024730738800000321
且
Figure BDA00024730738800000322
Figure BDA00024730738800000323
其中，l1为小于
Figure BDA00024730738800000324
的正整数，且l1可以被3整除，
Figure BDA00024730738800000325
和
Figure BDA00024730738800000326
分别为数据序列
Figure BDA00024730738800000327
中的第(j-l1+1)和(j-l1+2)个数据，
Figure BDA00024730738800000328
和
Figure BDA00024730738800000329
分别为数据序列
Figure BDA00024730738800000330
中的第
Figure BDA00024730738800000331
和
Figure BDA00024730738800000332
个数据，
Figure BDA00024730738800000333
和
Figure BDA00024730738800000334
分别为数据序列
Figure BDA00024730738800000335
中的第
Figure BDA00024730738800000336
和第
Figure BDA00024730738800000337
个数据；定义数据
Figure BDA00024730738800000338
对应的异常检测因子为
Figure BDA00024730738800000339
且
Figure BDA00024730738800000340
的计算公式为：
Figure BDA00024730738800000341
Figure BDA0002473073880000041
式中，
Figure BDA0002473073880000042
表示数据序列
Figure BDA0002473073880000043
中的第p个数据，且
Figure BDA0002473073880000044
Figure BDA0002473073880000045
为数据
Figure BDA0002473073880000046
在第一数据序列
Figure BDA0002473073880000047
中的检测因子，
Figure BDA0002473073880000048
表示数据序列
Figure BDA0002473073880000049
中的第l个数据，且
Figure BDA00024730738800000410
Figure BDA00024730738800000411
表示数据序列
Figure BDA00024730738800000412
中的第(j-1)个数据，
Figure BDA00024730738800000413
表示数据序列
Figure BDA00024730738800000414
中的第k个数据，且
Figure BDA00024730738800000415
Figure BDA00024730738800000416
表示对数据
Figure BDA00024730738800000417
建立的长度为l1的第一数据序列，且
Figure BDA00024730738800000418
当数据
Figure BDA00024730738800000419
对应的异常检查因子
Figure BDA00024730738800000420
时，则数据
Figure BDA00024730738800000421
为异常数据，当数据
Figure BDA00024730738800000422
对应的异常检测因子
Figure BDA00024730738800000423
时，则数据
Figure BDA00024730738800000424
为正常数据，其中，
Figure BDA00024730738800000425
为给定的异常检测阈值，且
Figure BDA00024730738800000426
其中，
Figure BDA00024730738800000427
和
Figure BDA00024730738800000428
分别表示数据序列
Figure BDA00024730738800000429
中的第a和第b个数据，
Figure BDA00024730738800000430
和
Figure BDA00024730738800000431
分别表示取中值；
当
Figure BDA00024730738800000432
为异常数据时，对异常数据
Figure BDA00024730738800000433
进行二次检测，设
Figure BDA00024730738800000434
表示传感器节点
Figure BDA00024730738800000435
的相邻传感器组件中用来采集第r个车间环境参数的传感器节点集合，且
Figure BDA00024730738800000436
其中，
Figure BDA00024730738800000437
表示集合
Figure BDA00024730738800000438
中的第d个传感器节点，
Figure BDA00024730738800000439
表示集合
Figure BDA00024730738800000440
中的传感器节点数，设传感器节点
Figure BDA00024730738800000441
采集异常数据
Figure BDA00024730738800000442
对应的时间为
Figure BDA00024730738800000443
定义异常数据
Figure BDA00024730738800000444
对应的二次检测因子为
Figure BDA00024730738800000445
且
Figure BDA00024730738800000446
的计算公式为：
Figure BDA00024730738800000447
式中，
Figure BDA00024730738800000448
表示传感器节点
Figure BDA00024730738800000449
在
Figure BDA00024730738800000450
时刻采集得到的第r个车间环境参数的数据，
Figure BDA00024730738800000451
表示判断函数，当数据
Figure BDA00024730738800000452
为正常数据时，则
Figure BDA00024730738800000453
当数据
Figure BDA0002473073880000051
为异常数据时，
Figure BDA0002473073880000052
当异常数据
Figure BDA0002473073880000053
对应的二次检测因子
Figure BDA0002473073880000054
时，则判定异常数据
Figure BDA0002473073880000055
为正常数据，当异常数据
Figure BDA0002473073880000056
对应的二次检测因子
Figure BDA0002473073880000057
时，则判定异常数据
Figure BDA0002473073880000058
为噪声数据，并令
Figure BDA0002473073880000059
其中，
Figure BDA00024730738800000510
表示时间序列
Figure BDA00024730738800000511
中的第(j-o)个数据，
Figure BDA00024730738800000512
为异常数据
Figure BDA00024730738800000513
对应的二次检测阈值，设
Figure BDA00024730738800000514
表示集合
Figure BDA00024730738800000515
中的传感器节点在
Figure BDA00024730738800000516
时刻采集得到的第r个车间环境参数的正常数据集合，且
Figure BDA00024730738800000517
其中，
Figure BDA00024730738800000518
和
Figure BDA00024730738800000519
分别表示集合
Figure BDA00024730738800000520
中的第1、第2和第f个正常数据，f表示集合
Figure BDA00024730738800000521
中的数据量，则
Figure BDA00024730738800000522
其中，
Figure BDA00024730738800000523
为集合
Figure BDA00024730738800000524
中的第g个正常数据，
Figure BDA00024730738800000525
表示集合
Figure BDA00024730738800000526
中的第s个正常数据；
按照上述方法去除传感器组件ci在监控初始阶段采集的其他车间环境参数的数据序列中的噪声数据。
本优选实施例用于去除安全监控模块中的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，定义异常检测因子和二次检测因子根据数据的时间相关性和空间相关性对数据进行综合检测，定义的异常检测因子从时间相关性方面对数据异常进行检测，相较于传统的根据时间相关性对数据异常进行检测的方法，本优选实施例根据时间相关性对数据的异常进行检测时，建立第一数据序列和第二数据序列，建立的第一数据序列是通过将待检测数据和其之前采集的数据进行对比发现待检测数据的异常，为了避免因车间环境突然变化造成的数据突变而被误判为异常数据的情况，建立的第二数据序列包括了待检测数据之前采集和之后采集的部分数据，将待检测数据和第二数据序列中的数据进行对比发现待检测数据的异常，从而提高了异常数据的检测准确度；为了进一步提高异常数据的检测精度，从空间相关性方面对检测所得的异常数据进行二次检测，相较于传统的根据空间相关性对数据异常进行检测的方法，本优选实施例在二次检测因子中除了将所述异常数据和其相邻传感器节点采集的正常数据进行对比检测该异常数据的异常情况，并额外引入了所述异常数据的相邻传感器节点在相同时刻采集的数据被判定为异常数据的个数，当所述异常数据的相邻传感器节点在相同时刻采集的数据被判定为异常数据的个数较多时，即表明所述异常数据较大概率为车间环境突然变化造成的数据突变，即从空间相关性方面进一步排除了因车间环境突然变化造成的数据突变使得该数据被误判为异常数据的现象，从而提高了噪声数据的检测精度。
优选地，所述分簇单元用于根据预处理后的车间环境参数数据对安全环境监控模块中的传感器组件进行分簇，具体包括：
(1)安全监控模块中的每个传感器组件生成一个0～1之间的随机数rand，当传感器组件的随机数
Figure BDA0002473073880000061
时，则该传感器组件当选为临时簇首组件，当
Figure BDA0002473073880000062
时，将该传感器组件标记为待入簇传感器组件；其中，Q为待选取的临时簇首组件数，N(c)为安全监控模块中的传感器组件数；
(2)设Ci表示选取的第i个临时簇首组件，且i＝1,2,…Q，
Figure BDA0002473073880000063
表示临时簇首组件Ci中用于采集第r个车间环境参数的传感器节点，将临时簇首组件Ci所在的簇记为簇Ψi，临时簇首组件Ci即为簇Ψi中的成员组件，继续确定簇Ψi中的其他成员组件，具体为：
设
Figure BDA0002473073880000064
表示临时簇首组件Ci的相邻待入簇传感器组件集合，且
Figure BDA0002473073880000065
Figure BDA0002473073880000066
其中，cj(Ci)表示集合LCi中的第j个待入簇传感器组件，NLCi表示集合LCi中的待入簇传感器组件数；
对集合
Figure BDA0002473073880000067
中的待入簇传感器组件进行入簇检测，设
Figure BDA0002473073880000068
表示传感器节点
Figure BDA0002473073880000069
在监控初始阶段采集的第r个车间环境参数的数据序列，且
Figure BDA00024730738800000610
Figure BDA00024730738800000611
和
Figure BDA00024730738800000612
分别表示数据序列
Figure BDA00024730738800000613
中的第1、第2和第
Figure BDA00024730738800000614
个数据，
Figure BDA00024730738800000615
表示数据序列
Figure BDA00024730738800000616
中的数据量，设
Figure BDA00024730738800000617
表示数据序列
Figure BDA00024730738800000618
经预处理单元预处理后的数据序列，且
Figure BDA00024730738800000619
Figure BDA00024730738800000620
和
Figure BDA00024730738800000621
分别表示数据序列
Figure BDA00024730738800000622
中的第1、第2和第
Figure BDA00024730738800000623
个数据，定义集合
Figure BDA00024730738800000624
中的待入簇传感器组件cj(Ci)加入簇Ψi的成簇代价函数为β(cj(Ci))，且β(cj(Ci))的表达式为：
Figure BDA00024730738800000625
式中，
Figure BDA0002473073880000071
表示数据序列
Figure BDA0002473073880000072
中的第α个数据，
Figure BDA0002473073880000073
表示数据序列
Figure BDA0002473073880000074
中的第α个数据，
Figure BDA0002473073880000075
表示传感器节点
Figure BDA0002473073880000076
采集数据
Figure BDA0002473073880000077
对应的时刻，
Figure BDA0002473073880000078
表示待入簇传感器组件cj(Ci)在
Figure BDA0002473073880000079
时刻采集的第r个车间环境参数的数据，
Figure BDA00024730738800000710
表示数据
Figure BDA00024730738800000711
经预处理单元预处理后的值，H(β)为给定的成簇阈值，且
Figure BDA00024730738800000712
当待入簇传感器组件cj(Ci)的成簇代价函数β(cj(Ci))≤1时，则待入簇传感器组件cj(Ci)加入到簇Ψi中，将待入簇传感器组件cj(Ci)标记为簇Ψi的成员组件，当待入簇传感器组件cj(Ci)的成簇代价函数β(cj(Ci))>1时，则待入簇传感器组件cj(Ci)仍标记为待入簇传感器组件；
(3)当新加入簇Ψi的成员组件的相邻传感器组件中存在待入簇传感器组件时，继续按照上述方法对新加入簇Ψi的成员组件的相邻待入簇传感器组件进行入簇检测，当所述待入簇传感器组件的成簇代价函数小于等于1时，则该待入簇传感器组件加入到簇Ψi中，成为簇Ψi的成员组件；当所述待入簇传感器组件的成簇代价函数大于1时，则该待入簇传感器组件仍标记为待入簇传感器组件；
(4)重复步骤(3)直到簇Ψi中没有新的成员组件加入时，即停止继续确定簇Ψi中的其他成员组件，此时Ψi即为划分的第i个簇。
本优选实施例用于将安全监控模块中的传感器组件进行分簇，相较于传统的分簇方式，本优选实施例根据传感器组件采集的车间环境参数数据之间的相关性对安全监控模块中的传感器组件进行分簇，保证每个簇中的传感器组件采集的车间环境参数数据较为接近。
优选地，安全管理中心将传感器组件的分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果传输给安全监控模块中的传感器组件，传感器组件接收到自己所在的簇后，位于同一个簇的传感器组件采用竞争的方式竞选其所在簇的簇首组件，具体为：
Ψi表示安全监控模块中的第i个簇，设Ψi＝{Cj(Ψi),j＝1,2,…,N(Ψi)}，其中，Cj(Ψi)表示簇Ψi中的第j个传感器组件，
Figure BDA00024730738800000713
表示传感器组件Cj(Ψi)中用来采集第r个车间环境参数的传感器节点，N(Ψi)表示簇Ψi中的传感器组件数，设
Figure BDA00024730738800000714
表示传感器节点
Figure BDA00024730738800000715
在监控初始阶段采集得到的第r个车间环境参数的数据序列，且
Figure BDA0002473073880000081
Figure BDA0002473073880000082
和
Figure BDA0002473073880000083
分别表示数据序列
Figure BDA0002473073880000084
中的第1、第2和第
Figure BDA0002473073880000085
个数据，
Figure BDA0002473073880000086
表示数据序列
Figure BDA0002473073880000087
经预处理单元处理后的数据序列，且
Figure BDA0002473073880000088
其中，
Figure BDA0002473073880000089
和
Figure BDA00024730738800000810
分别表示数据序列
Figure BDA00024730738800000811
中的第1、第2和第
Figure BDA00024730738800000812
个数据，
Figure BDA00024730738800000813
表示数据序列
Figure BDA00024730738800000814
中的数据量；
定义传感器组件Cj(Ψi)竞选簇Ψi的簇首组件的权值为B(Cj(Ψi))，则B(Cj(Ψi))的计算公式为：
B(Cj(Ψi))＝B1(Cj(Ψi))*B2(Cj(Ψi))
Figure BDA00024730738800000815
Figure BDA00024730738800000816
式中，B1(Cj(Ψi))为传感器组件Cj(Ψi)的属性检测因子，B2(Cj(Ψi))为传感器组件Cj(Ψi)的空间检测因子，E(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的当前能量值的最小值，E0(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的初始能量值，
Figure BDA00024730738800000817
表示数据预处理单元在数据序列
Figure BDA00024730738800000818
中检测所得的噪声数据量，
Figure BDA00024730738800000819
表示数据序列
Figure BDA00024730738800000820
中的第β个数据，
Figure BDA00024730738800000821
表示数据序列
Figure BDA00024730738800000822
中的第β个数据，
Figure BDA00024730738800000823
表示传感器节点
Figure BDA00024730738800000824
采集数据
Figure BDA00024730738800000825
对应的时刻，Cl(Ψi)表示簇Ψi中的第l个传感器组件，且Cl(Ψi)≠Cj(Ψi)，
Figure BDA00024730738800000826
表示传感器组件Cl(Ψi)中用来采集第r个车间环境参数的传感器节点，
Figure BDA00024730738800000827
表示传感器节点
Figure BDA0002473073880000091
在
Figure BDA0002473073880000092
时刻采集的数据经预处理单元处理后的值；
选取簇Ψi中权值最小的传感器组件为簇Ψi的簇首组件，簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块；
当安全监控模块中选取的簇首组件中存在传感器节点的当前能量值小于
Figure BDA0002473073880000093
时，则采用上述方式重新选取各簇的簇首组件，其中，
Figure BDA0002473073880000094
表示安全监控模块中传感器节点在当前时刻的平均能量值。
本优选实施例用于在每个簇中选取簇首组件将其采集的车间环境参数数据传输至安全信息收集模块，簇首组件采集的车间环境参数跟簇中其他传感器组件采集的车间环境参数最为接近，从而只将簇首组件采集的车间环境参数数据传输至安全管理中心，在有效的减少传感器组件的数据传输量，延长传感器组件的生命周期的同时，安全管理中心根据簇首组件采集的车间环境数据也能有效的对车间环境进行监控；因此，为保证簇首组件采集的车间环境参数数据能够代表整个簇，定义的传感器组件竞争簇首组件的权值公式中，包括了传感器组件的属性检测因子和空间检测因子两部分，所述属性检测因子用于对传感器组件的自身属性进行检测，包括传感器组件的当前能量值和传感器组件采集数据的出错率，使得选取的簇首组件能够拥有较高的当前能量值和可信度，所述空间检测因子用于检测传感器组件采集的车间环境数据和簇中其他传感器组件采集的车间环境参数数据之间的关系，使得选取的簇首组件采集的车间环境参数数据最能代表该簇所覆盖的车间范围的环境，进而在只将簇首组件采集的车间环境参数数据传输至安全监控管理中心的情况下，安全管理中心也能够对车间环境进行有效的监控。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (6)

1.一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，包括安全监控模块、安全信息收集模块和安全管理中心，所述安全监控模块采用传感器组件采集车间环境参数数据，包括监控初始阶段和监控稳定阶段，在监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集得到的车间环境参数数据传输至安全信息收集模块，在监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块，所述安全信息收集模块将接收到的车间环境参数数据转发至安全管理中心，安全管理中心将接收到的车间环境参数数据和给定的安全阈值进行比较，当所述车间环境参数数据高于给定的安全阈值时进行预警。
2.根据权利要求1所述的一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，所述安全监控模块采用传感器组件采集车间环境参数数据，分为监控初始阶段和监控稳定阶段，设t表示当前时刻，τ为给定的时间阈值，当t≤τ时，安全监控模块处于监控初始阶段，安全监控模块采用传感器组件采集车间环境参数数据，并将采集的车间环境参数数据传输至安全信息收集模块；当t>τ时，安全监控模块处于监控稳定阶段，安全监控模块采用传感器组件采集车间环境参数数据，并在传感器组件中选取簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块。
3.根据权利要求2所述的一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，所述安全管理中心根据接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据对安全监控模块中的传感器组件进行分簇，包括数据预处理单元和分簇单元，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，所述分簇单元用于根据预处理后的车间环境参数数据对安全监控模块中的传感器组件进行分簇，并将分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果转发给安全监控模块中的传感器组件。
4.根据权利要求3所述的一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，所述数据预处理单元用于去除接收到的传感器组件在监控初始阶段采集得到的车间环境参数数据中的噪声数据，设ci表示安全监控模块中的第i个传感器组件，
Figure FDA0002473073870000011
表示传感器组件ci中用于采集第r个车间环境参数的传感器节点，i＝1,2,…,N(c)，其中，N(c)表示安全监控模块中的传感器组件数，设
Figure FDA0002473073870000012
表示传感器节点
Figure FDA0002473073870000013
在监控初始阶段采集得到的第r个车间环境参数的数据序列，且
Figure FDA0002473073870000014
其中，
Figure FDA0002473073870000015
表示数据序列
Figure FDA0002473073870000016
中的第1个数据，
Figure FDA0002473073870000021
表示数据序列
Figure FDA0002473073870000022
中的第2个数据，
Figure FDA0002473073870000023
表示数据序列
Figure FDA0002473073870000024
中的第
Figure FDA0002473073870000025
个数据，
Figure FDA0002473073870000026
表示数据序列
Figure FDA0002473073870000027
中的数据量；
对数据序列
Figure FDA0002473073870000028
中的数据进行依次处理，设
Figure FDA0002473073870000029
表示数据序列
Figure FDA00024730738700000210
中的第j个数据，对数据
Figure FDA00024730738700000211
建立长度为l1的第一数据序列
Figure FDA00024730738700000212
和第二数据序列
Figure FDA00024730738700000213
且
Figure FDA00024730738700000214
Figure FDA00024730738700000215
其中，l1为小于
Figure FDA00024730738700000216
的正整数，且l1可以被3整除，
Figure FDA00024730738700000217
和
Figure FDA00024730738700000218
分别为数据序列
Figure FDA00024730738700000219
中的第(j-l1+1)和(j-l1+2)个数据，
Figure FDA00024730738700000220
和
Figure FDA00024730738700000221
分别为数据序列
Figure FDA00024730738700000222
中的第
Figure FDA00024730738700000223
和
Figure FDA00024730738700000224
个数据，
Figure FDA00024730738700000225
和
Figure FDA00024730738700000226
分别为数据序列
Figure FDA00024730738700000227
中的第
Figure FDA00024730738700000228
和第
Figure FDA00024730738700000229
个数据；定义数据
Figure FDA00024730738700000230
对应的异常检测因子为
Figure FDA00024730738700000231
且
Figure FDA00024730738700000232
的计算公式为：
Figure FDA00024730738700000233
Figure FDA00024730738700000234
式中，
Figure FDA00024730738700000235
表示数据序列
Figure FDA00024730738700000236
中的第p个数据，且
Figure FDA00024730738700000237
Figure FDA00024730738700000238
为数据
Figure FDA00024730738700000239
在第一数据序列
Figure FDA00024730738700000240
中的检测因子，
Figure FDA00024730738700000241
表示数据序列
Figure FDA00024730738700000242
中的第l个数据，且
Figure FDA00024730738700000243
Figure FDA00024730738700000244
表示数据序列
Figure FDA00024730738700000245
中的第(j-1)个数据，
Figure FDA00024730738700000246
表示数据序列
Figure FDA00024730738700000247
中的第k个数据，且
Figure FDA00024730738700000248
Figure FDA00024730738700000249
表示对数据
Figure FDA00024730738700000250
建立的长度为l1的第一数据序列，且
Figure FDA00024730738700000251
当数据
Figure FDA00024730738700000252
对应的异常检查因子
Figure FDA00024730738700000253
时，则数据
Figure FDA00024730738700000254
为异常数据，当数据
Figure FDA00024730738700000255
对应的异常检测因子
Figure FDA00024730738700000256
时，则数据
Figure FDA00024730738700000257
为正常数据，其中，
Figure FDA00024730738700000258
为给定的异常检测阈值，且
Figure FDA00024730738700000259
其中，
Figure FDA00024730738700000260
和
Figure FDA00024730738700000261
分别表示数据序列
Figure FDA0002473073870000031
中的第a和第b个数据，
Figure FDA0002473073870000032
和
Figure FDA0002473073870000033
分别表示取中值；
当
Figure FDA0002473073870000034
为异常数据时，对异常数据
Figure FDA0002473073870000035
进行二次检测，设
Figure FDA0002473073870000036
表示传感器节点
Figure FDA0002473073870000037
的相邻传感器组件中用来采集第r个车间环境参数的传感器节点集合，且
Figure FDA0002473073870000038
其中，
Figure FDA0002473073870000039
表示集合
Figure FDA00024730738700000310
中的第d个传感器节点，
Figure FDA00024730738700000311
表示集合
Figure FDA00024730738700000312
中的传感器节点数，设传感器节点
Figure FDA00024730738700000313
采集异常数据
Figure FDA00024730738700000314
对应的时间为
Figure FDA00024730738700000315
定义异常数据
Figure FDA00024730738700000316
对应的二次检测因子为
Figure FDA00024730738700000317
且
Figure FDA00024730738700000318
的计算公式为：
Figure FDA00024730738700000319
式中，
Figure FDA00024730738700000320
表示传感器节点
Figure FDA00024730738700000321
在
Figure FDA00024730738700000322
时刻采集得到的第r个车间环境参数的数据，
Figure FDA00024730738700000323
表示判断函数，当数据
Figure FDA00024730738700000324
为正常数据时，则
Figure FDA00024730738700000325
当数据
Figure FDA00024730738700000326
为异常数据时，
Figure FDA00024730738700000327
当异常数据
Figure FDA00024730738700000328
对应的二次检测因子
Figure FDA00024730738700000329
时，则判定异常数据
Figure FDA00024730738700000330
为正常数据，当异常数据
Figure FDA00024730738700000331
对应的二次检测因子
Figure FDA00024730738700000332
时，则判定异常数据
Figure FDA00024730738700000333
为噪声数据，并令
Figure FDA00024730738700000334
其中，
Figure FDA00024730738700000335
表示时间序列
Figure FDA00024730738700000336
中的第(j-o)个数据，
Figure FDA00024730738700000337
为异常数据
Figure FDA00024730738700000338
对应的二次检测阈值，设
Figure FDA00024730738700000339
表示集合
Figure FDA00024730738700000340
中的传感器节点在
Figure FDA00024730738700000341
时刻采集得到的第r个车间环境参数的正常数据集合，且
Figure FDA00024730738700000342
其中，
Figure FDA00024730738700000343
和
Figure FDA00024730738700000344
分别表示集合
Figure FDA00024730738700000345
中的第1、第2和第f个正常数据，f表示集合
Figure FDA00024730738700000346
中的数据量，则
Figure FDA00024730738700000347
其中，
Figure FDA00024730738700000348
为集合
Figure FDA00024730738700000349
中的第g个正常数据，
Figure FDA00024730738700000350
表示集合
Figure FDA00024730738700000351
中的第s个正常数据；
按照上述方法去除传感器组件ci在监控初始阶段采集的其他车间环境参数的数据序列中的噪声数据。
5.根据权利要求4所述的一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，所述分簇单元用于根据预处理后的车间环境参数数据对安全环境监控模块中的传感器组件进行分簇，具体包括：
(1)安全监控模块中的每个传感器组件生成一个0～1之间的随机数rand，当传感器组件的随机数
Figure FDA0002473073870000041
时，则该传感器组件当选为临时簇首组件，当时，将该传感器组件标记为待入簇传感器组件；其中，Q为待选取的临时簇首组件数；
(2)设Ci表示选取的第i个临时簇首组件，且i＝1,2,…Q，
Figure FDA0002473073870000043
表示临时簇首组件Ci中用于采集第r个车间环境参数的传感器节点，将临时簇首组件Ci所在的簇记为簇Ψi，临时簇首组件Ci即为簇Ψi中的成员组件，继续确定簇Ψi中的其他成员组件，具体为：
设
Figure FDA0002473073870000044
表示临时簇首组件Ci的相邻待入簇传感器组件集合，且
Figure FDA0002473073870000045
Figure FDA0002473073870000046
其中，cjCi表示集合LCi中的第j个待入簇传感器组件，NLCi表示集合LCi中的待入簇传感器组件数；
对集合
Figure FDA0002473073870000047
中的待入簇传感器组件进行入簇检测，设
Figure FDA0002473073870000048
表示传感器节点
Figure FDA0002473073870000049
在监控初始阶段采集的第r个车间环境参数的数据序列，且
Figure FDA00024730738700000410
Figure FDA00024730738700000411
和
Figure FDA00024730738700000412
分别表示数据序列
Figure FDA00024730738700000413
中的第1、第2和第
Figure FDA00024730738700000414
个数据，
Figure FDA00024730738700000415
表示数据序列
Figure FDA00024730738700000416
中的数据量，设
Figure FDA00024730738700000417
表示数据序列
Figure FDA00024730738700000418
经预处理单元预处理后的数据序列，且
Figure FDA00024730738700000419
Figure FDA00024730738700000420
和
Figure FDA00024730738700000421
分别表示数据序列
Figure FDA00024730738700000422
中的第1、第2和第
Figure FDA00024730738700000423
个数据，定义集合
Figure FDA00024730738700000424
中的待入簇传感器组件cj(Ci)加入簇Ψi的成簇代价函数为β(cj(Ci))，且β(cj(Ci))的表达式为：
Figure FDA00024730738700000425
式中，
Figure FDA0002473073870000051
表示数据序列
Figure FDA0002473073870000052
中的第α个数据，
Figure FDA0002473073870000053
表示数据序列
Figure FDA0002473073870000054
中的第α个数据，
Figure FDA0002473073870000055
表示传感器节点
Figure FDA0002473073870000056
采集数据
Figure FDA0002473073870000057
对应的时刻，
Figure FDA0002473073870000058
表示待入簇传感器组件cj(Ci)在
Figure FDA0002473073870000059
时刻采集的第r个车间环境参数的数据，
Figure FDA00024730738700000510
表示数据
Figure FDA00024730738700000511
经预处理单元预处理后的值，H(β)为给定的成簇阈值，且
Figure FDA00024730738700000512
当待入簇传感器组件cj(Ci)的成簇代价函数β(cj(Ci))≤1时，则待入簇传感器组件cj(Ci)加入到簇Ψi中，将待入簇传感器组件cj(Ci)标记为簇Ψi的成员组件，当待入簇传感器组件cj(Ci)的成簇代价函数β(cj(Ci))>1时，则待入簇传感器组件cj(Ci)仍标记为待入簇传感器组件；
(3)当新加入簇Ψi的成员组件的相邻传感器组件中存在待入簇传感器组件时，继续按照上述方法对新加入簇Ψi的成员组件的相邻待入簇传感器组件进行入簇检测，当所述待入簇传感器组件的成簇代价函数小于等于1时，则该待入簇传感器组件加入到簇Ψi中，成为簇Ψi的成员组件；当所述待入簇传感器组件的成簇代价函数大于1时，则该待入簇传感器组件仍标记为待入簇传感器组件；
(4)重复步骤(3)直到簇Ψi中没有新的成员组件加入时，即停止继续确定簇Ψi中的其他成员组件，此时Ψi即为划分的第i个簇。
6.根据权利要求5所述的一种基于人工智能的冲压成型生产车间安全监控系统，其特征是，安全管理中心将传感器组件的分簇结果传输至安全信息收集模块，由安全信息收集模块将分簇结果传输给安全监控模块中的传感器组件，传感器组件接收到自己所在的簇后，位于同一个簇的传感器组件采用竞争的方式竞选其所在簇的簇首组件，具体为：
Ψi表示安全监控模块中的第i个簇，设Ψi＝{Cj(Ψi),j＝1,2,…,N(Ψi)}，其中，Cj(Ψi)表示簇Ψi中的第j个传感器组件，Cj r(Ψi)表示传感器组件Cj(Ψi)中用来采集第r个车间环境参数的传感器节点，N(Ψi)表示簇Ψi中的传感器组件数，设
Figure FDA00024730738700000513
表示传感器节点Cj r(Ψi)在监控初始阶段采集得到的第r个车间环境参数的数据序列，且
Figure FDA00024730738700000514
Figure FDA00024730738700000515
和
Figure FDA00024730738700000516
分别表示数据序列
Figure FDA0002473073870000061
中的第1、第2和第m(Cj r(Ψi))个数据，
Figure FDA0002473073870000062
表示数据序列
Figure FDA0002473073870000063
经预处理单元处理后的数据序列，且
Figure FDA0002473073870000064
其中，
Figure FDA0002473073870000065
和
Figure FDA0002473073870000066
分别表示数据序列
Figure FDA0002473073870000067
中的第1、第2和第m(Cj r(Ψi))个数据，m(Cj r(Ψi))表示数据序列
Figure FDA0002473073870000068
中的数据量；
定义传感器组件Cj(Ψi)竞选簇Ψi的簇首组件的权值为B(Cj(Ψi))，则B(Cj(Ψi))的计算公式为：
B(Cj(Ψi))＝B1(Cj(Ψi))*B2(Cj(Ψi))
Figure FDA0002473073870000069
Figure FDA00024730738700000610
式中，B1(Cj(Ψi))为传感器组件Cj(Ψi)的属性检测因子，B2(Cj(Ψi))为传感器组件Cj(Ψi)的空间检测因子，E(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的当前能量值的最小值，E0(Cj(Ψi))表示传感器组件Cj(Ψi)中传感器节点的初始能量值，
Figure FDA00024730738700000611
表示数据预处理单元在数据序列
Figure FDA00024730738700000612
中检测所得的噪声数据量，
Figure FDA00024730738700000613
表示数据序列
Figure FDA00024730738700000614
中的第β个数据，
Figure FDA00024730738700000615
表示数据序列
Figure FDA00024730738700000616
中的第β个数据，
Figure FDA00024730738700000617
表示传感器节点Cj r(Ψi)采集数据
Figure FDA00024730738700000618
对应的时刻，Cl(Ψi)表示簇Ψi中的第l个传感器组件，且Cl(Ψi)≠Cj(Ψi)，
Figure FDA00024730738700000619
表示传感器组件Cl(Ψi)中用来采集第r个车间环境参数的传感器节点，
Figure FDA00024730738700000620
表示传感器节点
Figure FDA00024730738700000621
在
Figure FDA00024730738700000622
时刻采集的数据经预处理单元处理后的值；
选取簇Ψi中权值最小的传感器组件为簇Ψi的簇首组件，簇首组件将其采集得到的车间环境参数数据传输至安全信息收集模块；
当安全监控模块中选取的簇首组件中存在传感器节点的当前能量值小于
Figure FDA0002473073870000071
时，则采用上述方式重新选取各簇的簇首组件，其中，
Figure FDA0002473073870000072
表示安全监控模块中传感器节点在当前时刻的平均能量值。
CN202010354718.6A 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控系统 Active CN111537022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010354718.6A CN111537022B (zh) 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010354718.6A CN111537022B (zh) 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控系统

Publications (2)

Publication Number Publication Date
CN111537022A true CN111537022A (zh) 2020-08-14
CN111537022B CN111537022B (zh) 2021-04-20

Family

ID=71980179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010354718.6A Active CN111537022B (zh) 2020-04-29 2020-04-29 一种基于人工智能的冲压成型生产车间安全监控系统

Country Status (1)

Country Link
CN (1) CN111537022B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102497679A (zh) * 2011-12-20 2012-06-13 山东大学 一种无线传感器网络静态分簇算法
CN103068073A (zh) * 2013-01-31 2013-04-24 王福娟 无线传感器网络中数据不间断传输的方法
CN103338459A (zh) * 2013-05-24 2013-10-02 西安交通大学 一种无线传感器网络覆盖保持方法
CN106454815A (zh) * 2016-06-30 2017-02-22 华南理工大学 一种基于leach协议的无线传感器网络路由方法
CN106792973A (zh) * 2016-12-30 2017-05-31 武汉中原电子信息有限公司 一种能量异构无线传感器网络中的簇首选举及其轮换方法
CN107450342A (zh) * 2017-09-20 2017-12-08 深圳市晟达机械设计有限公司 一种智能家居智能安防系统
CN110930644A (zh) * 2019-12-13 2020-03-27 江西太平洋电缆集团有限公司 一种电缆生产安全预警系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102497679A (zh) * 2011-12-20 2012-06-13 山东大学 一种无线传感器网络静态分簇算法
CN103068073A (zh) * 2013-01-31 2013-04-24 王福娟 无线传感器网络中数据不间断传输的方法
CN103338459A (zh) * 2013-05-24 2013-10-02 西安交通大学 一种无线传感器网络覆盖保持方法
CN106454815A (zh) * 2016-06-30 2017-02-22 华南理工大学 一种基于leach协议的无线传感器网络路由方法
CN106792973A (zh) * 2016-12-30 2017-05-31 武汉中原电子信息有限公司 一种能量异构无线传感器网络中的簇首选举及其轮换方法
CN107450342A (zh) * 2017-09-20 2017-12-08 深圳市晟达机械设计有限公司 一种智能家居智能安防系统
CN110930644A (zh) * 2019-12-13 2020-03-27 江西太平洋电缆集团有限公司 一种电缆生产安全预警系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨友良等: "无线传感网的成簇算法与APTEEN协议 ", 《河北联合大学学报(自然科学版)》 *
顾相平等: "一种改进的无线传感器网络LEACH-ED算法 ", 《传感技术学报》 *

Also Published As

Publication number Publication date
CN111537022B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN106714220B (zh) 一种基于mea-bp神经网络wsn异常检测方法
CN102302370B (zh) 一种跌倒检测方法和装置
CN105139029B (zh) 一种监狱服刑人员的行为识别方法及装置
CN116304766A (zh) 基于多传感器的开关柜状态快速评估方法
CN113568774B (zh) 使用无监督深度神经网络的多维时序数据实时异常检测方法
CN116237817B (zh) 基于物联网的五轴联动数控机床智能监测系统
CN103106394A (zh) 一种视频监控中的人体行为识别方法
CN117171604B (zh) 基于传感器的保温板生产线异常监测系统
CN116404186B (zh) 一种功率型锂锰电池生产系统
CN117289778B (zh) 一种工控主机电源健康状态的实时监测方法
CN110378371B (zh) 一种基于平均近邻距离异常因子的能耗异常检测方法
CN111537022B (zh) 一种基于人工智能的冲压成型生产车间安全监控系统
Bo et al. Recognition of control chart patterns in auto-correlated process based on random forest
CN111317458A (zh) 一种基于深度学习的血压检测系统
CN110622692B (zh) 一种甘蔗联合收割机运行状态的智能识别方法及系统
CN116433049A (zh) 一种基于模糊粗糙熵的用电异常检测方法
CN115169650B (zh) 一种大数据分析的装备健康预测方法
CN117807551B (zh) 基于智能戒指的心率异常捕获方法及系统
CN113111918A (zh) 基于异常样本检测和多维信息输出的脑卒中风险筛查方法
CN115854490B (zh) 一种用于除湿机状态监控的分析方法与系统
CN117093947B (zh) 一种发电柴油机运行异常监测方法及系统
CN117171670B (zh) 一种纺织品生产过程故障监测方法、装置及系统
CN117438083B (zh) 一种基于人工智能的中老年疾病预测系统
CN113177873B (zh) 基于递进式预警方式的城市公共安全预警系统
CN117407824B (zh) 一种电力时间同步装置的健康检测方法、设备和介质

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