CN112532717A - 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 - Google Patents

基于stm32单片机及长短时记忆网络的生产过程安全监控方法 Download PDF

Info

Publication number
CN112532717A
CN112532717A CN202011342805.6A CN202011342805A CN112532717A CN 112532717 A CN112532717 A CN 112532717A CN 202011342805 A CN202011342805 A CN 202011342805A CN 112532717 A CN112532717 A CN 112532717A
Authority
CN
China
Prior art keywords
data
chip microcomputer
long
production process
single chip
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
CN202011342805.6A
Other languages
English (en)
Inventor
张军
占梦来
李良
王另
徐晓龙
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.)
Sichuan Wiscred Technology Co ltd
Original Assignee
Sichuan Wiscred 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 Sichuan Wiscred Technology Co ltd filed Critical Sichuan Wiscred Technology Co ltd
Priority to CN202011342805.6A priority Critical patent/CN112532717A/zh
Publication of CN112532717A publication Critical patent/CN112532717A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
    • H04L51/42—Mailbox-related aspects, e.g. synchronisation of mailboxes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Medical Informatics (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于STM32单片机及长短时记忆网络的生产过程安全监控方法，主要解决现有技术中存在的人为监测复杂、监测不及时和没有及时防患于未然，导致工厂发生安全事故的问题。该方法分为单片机控制系统、服务器模块、时间序列预测模块、报警模块。单片机控制系统以STM32单片机为控制核心，由温度及湿度传感器、LCD1602液晶、ESP8266WIFI模块组成；服务器部分由OneNet平台及手机APP组成，超过阈值直接报警；时间序列预测板块为LSTM长短时记忆循环神经网络，能够进行数据预测及自动调节。通过上述设计，本发明可有效预防生产过程发生火灾、爆炸等危险情况，保障货品及人员安全，具有很高的实际应用价值。

Description

基于STM32单片机及长短时记忆网络的生产过程安全监控 方法
技术领域
本发明涉及工业控制技术和领域，具体地说，是涉及一种基于STM32单片机及长短时记忆网络的生产过程安全监控方法。
背景技术
随着社会经济水平不断提升，制造业蓬勃发展，新兴的工厂企业越来越多，随之而来的存放货品的生产过程安全问题引发人们极大关注。特别是近几年工厂安全事故频发，许多地方都有发生工厂爆炸导致伤亡的惨痛事故，特别是2015年8月12日发生在天津滨海新区的重大安全事故，造成了165人死亡，798人受伤，周围大部分房屋车辆受损，这个惨痛的悲剧极大地让人们深刻认识到工厂安全的重要性和迫在眉睫性。
然而，现有的方法主要是人为监测或者使用监测器件进行监测，很难脱离人的控制，近两年来新出现的监测系统能够将各种监测数据进行集中整合分析，但只能对已经产生的数据进行阈值判断，并且并没有形成自动化的调节应对措施，就算监测到情况异常，等待工作人员前来处理还是需要花费一段时间，这段时间内，危险情况仍然随时可能发生，甚至还会让前来处理的工作人员受伤。防患于未然仍然是未来发展的方向，在危险发生前就能及时预测，及时调整工厂环境，维持数据稳定正常，或者在发生危险前就能通知工作人员，给工作人员留够安全的处理时间，才能从根本源头上进行安全防控。
LSTM模型(Long Short-Term Memory)是一种RNN回归模型的变型，最早由JuergenSchmidhuber提出，通过时间序列预测分析，利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征，提前预测数据的变化趋势，实现真正的安全防控。LSTM的特点是在RNN结构以外添加了各层的阀门节点。阀门有3类：遗忘阀门(forget gate)，输入阀门(input gate)和输出阀门(output gate)。这些阀门可以打开或关闭，用于将判断模型网络的记忆态(之前网络的状态)在该层输出的结果是否达到阈值从而加入到当前该层的计算中。
发明内容
本发明的目的在于提供一种基于STM32单片机及长短时记忆网络的生产过程安全监控方法，主要解决现有技术中存在的人为监测复杂、监测不及时和没有及时防患于未然，导致工厂发生安全事故的问题。
为实现上述目的，本发明采用的技术方案如下：
一种基于STM32单片机及长短时记忆网络的生产过程安全监控方法，包括：
单片机控制系统，包括STM32单片机，以及与STM32单片机相连的温度传感器、湿度传感器、液晶显示模块和WiFi模块，主要用于数据采集；
服务器模块，包括物联网平台及手机APP，主要用于远程显示及报警提示；
时间序列预测模块，采用LSTM长短时记忆循环神经网络，能够进行数据预测及自动调节，提前对危险情况预警并采取措施；
报警模块，包括直接报警和预警调节，能够分析数据是否超过安全阈值，对已经超过阈值数据直接报警，对预测存在危险的数据预警及调节；
基于上述系统实现生产过程安全监控方法的具体步骤为：
(S1)通过单片机系统采集工厂内温度及湿度数据，并通过液晶显示模块进行显示；
(S2)将采集到的温度及湿度数据，通过WIFI模块上传至物联网平台，并在手机APP中进行查看；
(S3)对上传物联网平台的数据首先进行直接判断，若湿度或温度超过阈值，则直接报警，并向手机发送报警邮件提示；
(S4)对于未超过阈值的数据，则送入LSTM长短时记忆网络，该网络对前后按时间顺序依次输入的五组数据进行数据的预测判断，若存在超过阈值的可能，则启动预警，并采取自动调节措施保证工厂货品及人员安全。
进一步地，在所述步骤(S4)中，具体预测方法为：
a：将采集的温度和湿度数据进行转化，并记录相邻两次采集数据的时间间隔；
b：将每次采集的温度和湿度数据作为一组数据导入LSTM长短时记忆网络中的模型进行训练，并设定数据更新间隔；
c：生成模型训练数据集，用t-2，t-1，t次的间隔进行模型训练，然后用t+1次间隔对结果进行验证；
d：使用均方误差计算误差，采用RMSprop算法进行权重参数的迭代更新，设定模型训练的迭代周期epoch和迭代量batch size；
e：将收集的数据集按4:1的比例随机拆分为训练集和验证集，然后将数据作为参数导入模型便可得到预测值，与实际的值相比便可得到该模型的预测性能。
作为优选，所述温度传感器采用DS18B20传感器。
作为优选，所述湿度传感器采用HS1101湿度传感器。
作为优选，所述液晶显示模块采用LCD1602模块。
作为优选，所述WiFi模块的型号为ESP8266。
作为优选，所述物联网平台为OneNet平台。
与现有技术相比，本发明具有以下有益效果：
(1)本发明采用OneNet平台作为免费服务器平台，实现了远程实时显示数据的功能，将互联网与工业控制相结合，将工厂控制更加趋向智能化与便捷化。
(2)本发明利用服务器平台自带的触发器报警功能，可以绑定指定邮箱或URL发送报警邮件，当出现异常情况时，除了报警提示，还会发送邮件进行提示，如果一直没有工作人员处理现场情况，现场监测数据持续异常，邮件便会一直发送，能够起到催促作用，报警功能更加全面细致。
(3)本发明能够进行防患于未然的预测判断，并不像现在的方法主要还是针对问题进行解决。本发明使用LSTM长短时记忆网络，能够运用时间序列预测数据的走势，提前进行预警告知工作人员，同时更加智能化的实现了自动调节，针对可能存在的危险调节工厂的环境，避免出现安全隐患或事故。
附图说明
图1为本发明的系统结构框图。
图2为本发明的方法流程图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。
实施例
如图1、2所示，本发明公开的一种基于STM32单片机及长短时记忆网络的生产过程安全监控方法，包括：
单片机控制系统，该系统以STM32单片机为控制核心，以及与STM32单片机相连的温度传感器、湿度传感器、液晶显示模块和WiFi模块，主要用于数据采集。单片机选用STM32F103单片机，它是32位ARM微控制器，工作频率最高为72MHZ，内部具有晶振振荡器，采用的频率为4-16MHZ，内部功能强大，具有目前最新架构的Cortex-M3内核，多达112个快速I/O端口，运行速度很快，功耗不高，有较大的存储空间。
在本实施例中，对于温度采集，在系统初始化后，调用温度检测子程序采集温度数据。所述温度采集使用DS18B20传感器，它是一种输出信号为数字量的传感器，尺寸小，测量的精度较高，能够抵抗环境的干扰，使用单根线的特殊接口方式，3.0～5.5V电压可以正常供电，温度在－55℃～+125℃内可以进行正常测温，传送方式为串口传送。
在本实施例中，所述湿度传感器使用HS1101湿度传感器，它是一种具有独特工艺设计的电容元件，在标准环境下不需校正，长时间饱和下快速脱湿，可以自动化焊接，包括波峰焊或水浸，具有高可靠性与长时间稳定性的特点。对于湿度采集，在系统初始化后，调用湿度检测子程序采集湿度数据。
在本实施例中，所述液晶显示模块使用LCD1602模块，它是一种特殊的液晶模块，只能对字母、数字、符号进行显示，由于它的结构，只能显示32个字符，每行显示16个字符，总共显示两行。它的内部有复位电路，可在电压为3.3V或者为5V时工作。液晶显示模块能够将STM32单片机采集处理后得到的温度、湿度数据在液晶上进行显示，并且能够分两行进行显示，一行显示温度数据，一行显示湿度数据。LCD1602的四种方式分别为读状态、读数据、写命令和写数据。若要设置数据接口的位数，就需要改变DL的值，若采用8位数据接口，就让DL为1，若采用4位数据接口，就让DL为0；显示数据时，需要两行显示数据，就令N＝1；F＝0时为5×8点阵字符，F＝1时为5×10点阵字符。如果要写指令字，就令RS和RW都为0，LCD1602采用的驱动方式为并行驱动，数据接口的位数不做要求，可以为8位，也可以为4位。根据LCD1602的指令要求，在设计液晶显示程序时，若要写数据指令，则令RS＝1，RW＝0，指令执行时，要在DB7—DB0上先设置好要写入的数据，然后执行写命令，若要进行读数据指令，令RS和RW都等于1，先进行CGRAM或DDRAM地址的设置，再进行读命令操作。改变RS和RW的0或1值，就可以控制对LCD1602是读数据还是写数据，是读状态还是写状态。
在本实施例中，所述WiFi模块使用ESP8266，它是具有低功耗特点的无线传输模块，采用透明传输方式，由于它的尺寸较小，在物联网领域中得到了广泛的应用。它可以将用户设备与无线网络建立联系，起到网络连接和信息通讯的功能。它能在无线标准为802.11b/g/n时使用，内部含有TCP/IP协议栈，允许连接不只一个TCP Client，可以使用UART/GPIO数据通信接口、采用Socket AT指令，工作电压为3.3V。
服务器模块，包括物联网平台及手机APP，主要用于远程显示及报警提示。OneNet平台是一个由中国移动创建，免费使用的物联网平台，可以建立与设备的关联，适应各种传感网络和通信网络，支持多类型标准协议，如EDP协议、Matlab协议等，可以进行平台的实时监控和在线调试，同时能够与设备连接建立双向通信，该平台还自带触发器报警功能，可以绑定指定邮箱或URL发送报警邮件。
使用OneNet平台前需要进行用户注册，同时需要选择使用的协议，比如EDP、Modbus、http协议等。可以在OneNet平台上运用“应用管理”板块进行网页设计，能够设定数据流参数，以至于能够在设计的网页上查看上传的数据，也可以用移动设备与本系统连接，在手机上通过网址登录用户账号进入该平台查看数据，也可以运用该平台的触发器功能进行工厂温度、湿度数据采集的正常范围设定，当超出设定范围后，将通过OneNet平台发送邮件或URL给指定用户告知出现异常情况，以便于工作人员及时作出处理，保障现场安全。
在程序设计中，需要添加连接服务器OneNet设备的设备号，OneNet平台的ID号，设置热点名称和密码，并在程序中添加ESP8266将要连入的热点名称及密码、服务器平台OneNet的IP和端口号。建立WiFi模块与服务器OneNet的连接，能够实现WiFi模块成功接入热点，将数据流不断封装打包发送至服务器平台OneNet。
时间序列预测模块，采用LSTM长短时记忆网络，针对数据的预测，采用LSTM长短时记忆网络。首先进行原始数据转化，需要将时间点数据进行数值化。将具体时间转化为时间段用于表示相邻两次采集数据的时间间隔，然后再导入模型进行训练，每次采集的温度和湿度数据作为一组数据，设定为2分钟采集更新一次最新数据。然后生成模型训练数据集(确定训练集的窗口长度)，这里的窗口指需要几次采集间隔用来预测下一次的采集间隔。本实施例中采用窗口长度为3进行训练，即用t-2，t-1，t次的间隔进行模型训练，然后用t+1次间隔对结果进行验证，窗口长度需要根据模型验证结果进行调整。然后进行网络模型结构的确定和调整。使用均方误差计算误差，采用RMSprop算法进行权重参数的迭代更新，还要设定模型训练的迭代周期epoch和迭代量batch size。最后进行模型训练和结果预测。将收集的数据集按4:1的比例随机拆分为训练集和验证集，避免过度拟合。然后将数据作为参数导入模型便可得到预测值，与实际的值相比便可得到该模型的预测性能。
不断进行训练后，将该模型用于实际工厂的数据危险预测。当输入连续的五组都没有超过阈值的温度及湿度数据后，该模型能够对数据的走势进行预测，若预测的值超过设定的阈值，将启动预警系统，将该情况以邮件的形式发送给工作人员，督促他们尽快前往现场检查处理，此时并没有触发报警，能够起到防患于未然的作用。同时如果预测的数据超过设定的阈值，将启动工厂的自动调节功能，通过程序设定自动通风等处理，恢复工厂的安全环境，再次等待LSTM网络的预测，预测值若此时小于阈值，说明刚才的自动调节有效，或者当工作人员前来处理后，预测值恢复正常，则处理过程起作用，监测系统继续工作。
报警模块，根据工厂正常工作的标准，对OneNet平台采集的工厂温度、湿度数据进行正常与否的判断，若采集的温度或湿度数据超过正常数据范围，则触发器立即工作，向指定的工作人员发送邮箱或URL告知，要求其尽快前来处理，且在数据恢复正常之前，都会持续发送报警邮件。
对采集的工厂温度及湿度数据设定一个正常的范围，再设置温度及湿度的标志位，若采集的温度及湿度在设定的阈值范围内，则相应的标志位为0，若采集的温度及湿度在设定的阈值范围以外，则让相应的标志位为1，在触发器的设置里填写触发器名字和相应的温度及湿度标志位的数据流名称，选中触发报警条件为温度或湿度标志位变为1，即采集的温度或湿度在设定的工厂正常运行的阈值范围外触发报警，同时需要绑定工作人员邮箱，在触发器设置中选中邮箱报警。
进行预警判断时，通过LSTM长短时记忆网络预测数据走势，若预测的温度或湿度数据没有超出设定的阈值范围，则不启动预警，继续进行预测；若预测的温度或湿度数据超出设定的阈值范围，则将预测数据传输回服务器平台，启发预警操作，向工作人员发送预警提示，督促工作人员前往现场检查，并启动自动调节，在工作人员赶来前，自动调节工厂环境，等到工作人员前来处理后实现双重安全保障，尽可能保证工厂的安全运行。
通过上述设计，能够进行防患于未然的预测判断，并不像现在的方法主要还是针对问题进行解决。本发明使用LSTM长短时记忆网络，能够运用时间序列预测数据的走势，提前进行预警告知工作人员，同时更加智能化的实现了自动调节，针对可能存在的危险调节工厂的环境，避免出现安全隐患或事故。因此，与现有技术相比，本发明具有突出的实质性特点和显著的进步，在无线局域网接入领域具有广阔的市场前景。
上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。

Claims (7)

1.一种基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，包括：
单片机控制系统，包括STM32单片机，以及与STM32单片机相连的温度传感器、湿度传感器、液晶显示模块和WiFi模块，主要用于数据采集；
服务器模块，包括物联网平台及手机APP，主要用于远程显示及报警提示；
时间序列预测模块，采用LSTM长短时记忆循环神经网络，能够进行数据预测及自动调节，提前对危险情况预警并采取措施；
报警模块，包括直接报警和预警调节，能够分析数据是否超过安全阈值，对已经超过阈值数据直接报警，对预测存在危险的数据预警及调节；
基于上述系统实现生产过程安全监控方法的具体步骤为：
(S1)通过单片机系统采集工厂内温度及湿度数据，并通过液晶显示模块进行显示；
(S2)将采集到的温度及湿度数据，通过WIFI模块上传至物联网平台，并在手机APP中进行查看；
(S3)对上传物联网平台的数据首先进行直接判断，若湿度或温度超过阈值，则直接报警，并向手机发送报警邮件提示；
(S4)对于未超过阈值的数据，则送入LSTM长短时记忆网络，该网络对前后按时间顺序依次输入的五组数据进行数据的预测判断，若存在超过阈值的可能，则启动预警，并采取自动调节措施保证工厂货品及人员安全。
2.根据权利要求1所述的基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，在所述步骤(S4)中，具体预测方法为：
a：将采集的温度和湿度数据进行转化，并记录相邻两次采集数据的时间间隔；
b：将每次采集的温度和湿度数据作为一组数据导入LSTM长短时记忆网络中的模型进行训练，并设定数据更新间隔；
c：生成模型训练数据集，用t-2，t-1，t次的间隔进行模型训练，然后用t+1次间隔对结果进行验证；
d：使用均方误差计算误差，采用RMSprop算法进行权重参数的迭代更新，设定模型训练的迭代周期epoch和迭代量batch size；
e：将收集的数据集按4:1的比例随机拆分为训练集和验证集，然后将数据作为参数导入模型便可得到预测值，与实际的值相比便可得到该模型的预测性能。
3.根据权利要求1所述的基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，所述温度传感器采用DS18B20传感器。
4.根据权利要求1所述的基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，所述湿度传感器采用HS1101湿度传感器。
5.根据权利要求1所述的基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，所述液晶显示模块采用LCD1602模块。
6.根据权利要求1所述的基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，所述WiFi模块的型号为ESP8266。
7.根据权利要求1所述的基于STM32单片机及长短时记忆网络的生产过程安全监控方法，其特征在于，所述物联网平台为OneNet平台。
CN202011342805.6A 2020-11-25 2020-11-25 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 Pending CN112532717A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011342805.6A CN112532717A (zh) 2020-11-25 2020-11-25 基于stm32单片机及长短时记忆网络的生产过程安全监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011342805.6A CN112532717A (zh) 2020-11-25 2020-11-25 基于stm32单片机及长短时记忆网络的生产过程安全监控方法

Publications (1)

Publication Number Publication Date
CN112532717A true CN112532717A (zh) 2021-03-19

Family

ID=74993855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011342805.6A Pending CN112532717A (zh) 2020-11-25 2020-11-25 基于stm32单片机及长短时记忆网络的生产过程安全监控方法

Country Status (1)

Country Link
CN (1) CN112532717A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115202304A (zh) * 2022-07-19 2022-10-18 湖北三环锻造有限公司 一种锻件生产过程中的物料框跟踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170529A (zh) * 2017-12-26 2018-06-15 北京工业大学 一种基于长短期记忆网络的云数据中心负载预测方法
CN109708689A (zh) * 2018-11-14 2019-05-03 沈阳理工大学 基于改进长短时记忆神经网络的连锁药店温湿度预警系统
CN110662245A (zh) * 2018-06-28 2020-01-07 中国移动通信集团山东有限公司 基于深度学习的基站负荷预警方法及装置
CN111132190A (zh) * 2019-11-28 2020-05-08 中通服建设有限公司 基站负荷预警方法、装置
CN111351664A (zh) * 2020-02-13 2020-06-30 成都运达科技股份有限公司 一种基于lstm模型的轴承温度预测和报警诊断方法
CN111676365A (zh) * 2020-06-09 2020-09-18 邯郸钢铁集团有限责任公司 一种基于lstm的过渡钢卷退火温度设定值的预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170529A (zh) * 2017-12-26 2018-06-15 北京工业大学 一种基于长短期记忆网络的云数据中心负载预测方法
CN110662245A (zh) * 2018-06-28 2020-01-07 中国移动通信集团山东有限公司 基于深度学习的基站负荷预警方法及装置
CN109708689A (zh) * 2018-11-14 2019-05-03 沈阳理工大学 基于改进长短时记忆神经网络的连锁药店温湿度预警系统
CN111132190A (zh) * 2019-11-28 2020-05-08 中通服建设有限公司 基站负荷预警方法、装置
CN111351664A (zh) * 2020-02-13 2020-06-30 成都运达科技股份有限公司 一种基于lstm模型的轴承温度预测和报警诊断方法
CN111676365A (zh) * 2020-06-09 2020-09-18 邯郸钢铁集团有限责任公司 一种基于lstm的过渡钢卷退火温度设定值的预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115202304A (zh) * 2022-07-19 2022-10-18 湖北三环锻造有限公司 一种锻件生产过程中的物料框跟踪方法

Similar Documents

Publication Publication Date Title
CN111200663A (zh) 一种基于云平台的转炉炼钢在线监控和预警系统及方法
CN111882071A (zh) 一种基于机器学习的预应力钢构件监测方法
CN203241783U (zh) 阴极保护远程管理系统
CN203165151U (zh) 实时水文信息自动监测和灾情预警报警系统
CN204178533U (zh) 远程智能监测仪
CN111077817A (zh) 一种基于物联网的电力公司用安全监控管理系统
CN116503054B (zh) 一种基于大数据的设备统一运维平台及方法
CN111223581A (zh) 一种运用于疫情期间的智能化体温管理平台
CN110930023A (zh) 基于区块链的特定人群聚集点的公共安全预警系统
CN112532717A (zh) 基于stm32单片机及长短时记忆网络的生产过程安全监控方法
CN101452628B (zh) 电气化铁路接触网温度在线监测系统
CN116367109A (zh) 一种基于无线通信网络的火灾防控信息交互方法及系统
Islam et al. Design and implementation of an IoT based home automation
CN104863798A (zh) 基于分布式存储的风电机组状态监测系统及其监测方法
CN115313355A (zh) 一种智能电网大数据在短期负荷预测中的自动预测方法及系统
CN113326585B (zh) 燃气锅炉的能效异常预警方法、装置和计算机设备
Fengbo et al. Design and development of forest fire monitoring terminal
CN113064399A (zh) 一种基于大数据分布式编程框架的工业监控软件预测维护系统
CN106296446B (zh) 一种供电安全管理系统及方法
CN116257023A (zh) 基于物联网的设备自动故障诊断与状态分析系统
CN116176348A (zh) 一种基于lora的新能源汽车动力电池预警系统
CN115753906A (zh) 一种基于多数据融合的智能气体监测与预警系统及方法
CN212181311U (zh) 一种技术监督预警系统
CN114993486A (zh) 一种新能源汽车预警方法及系统
CN113473261A (zh) 基于物联网的预应力工程施工监控系统及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210319