CN112686512B - 变化幅度承受程度识别系统及方法 - Google Patents
变化幅度承受程度识别系统及方法 Download PDFInfo
- Publication number
- CN112686512B CN112686512B CN202011543183.3A CN202011543183A CN112686512B CN 112686512 B CN112686512 B CN 112686512B CN 202011543183 A CN202011543183 A CN 202011543183A CN 112686512 B CN112686512 B CN 112686512B
- Authority
- CN
- China
- Prior art keywords
- time
- temperature
- change
- real
- programmable gate
- 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
Abstract
本发明涉及一种变化幅度承受程度识别系统,包括:温度测量机构,设置在机械主体的被监控温度的位置,用于每接收到一次现场触发信号执行一次机械主体的外壳温度的测量,以获得对应的实时外壳温度;变化检测机构,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述网络以机械主体能否承受温度变化幅度为输出。本发明还涉及一种变化幅度承受程度识别方法。通过本发明,能够引入人工智能模式对机械主体承受温度变化敏感程度进行现场检测,从而有效维护机械主体的正常运行。
Description
技术领域
本发明涉及机械设备维护领域,尤其涉及一种变化幅度承受程度识别系统及方法。
背景技术
机械设备种类繁多,机械设备运行时,其一些部件甚至其本身可进行不同形式的机械运动。机械设备由驱动装置、变速装置、传动装置、工作装置、制动装置、防护装置、润滑系统、冷却系统等部分组成。
例如,包装机械根据包装物与包装材料的供给方式,可分为全自动包装机械及半自动包装机械;若按包装物的使用范围划分,可分为通用包装机、兼用包装机及专用包装机;而依包装种类可分为个包装机、内包装机及外包装机等。用于加工包装材料和容器的包装机械包括复合材料加工机械、制袋机械、塑料中空容器加工机械等。包装机械是包装工业的一大门类产品,它给行业提供必要的技术设备,以完成所要求的产品包装工艺过程。包装设备包括合成包装材料制造、印刷和容器成型等工序的机械和设备,是将原料经加工、印刷、成型等转换成包装容器的机器。该类设备大多数是成套生产线,与工艺和原料关系十分密切。
目前,存在一些温度变化幅度敏感的机械主体,这些机械主体因为过于敏感而难以维护,其中关键问题在于无法准确判断机械主体当前温度变化幅度是否能够承受,进而无法给出相应的针对性的设备维护操作,从而使得设备维护缺乏方向。
发明内容
为了解决相关领域的技术问题,本发明提供了一种变化幅度承受程度识别系统及方法,能够定制用于检测机械主体承受温度变化敏感程度的多层神经网络对机械主体进行温度变化幅度承受程度的现场检测,从而提升了温度变化幅度承受能力检测的智能化水平。
为此,本发明需要具备以下几处关键的发明点:
(1)采用定制的多层神经网络以对温度变化幅度敏感的机械主体进行承受温度变化的能力评估,从而为机械主体的设备维护提供关键的参考数据;
(2)使用变化检测机构用于对每一个实时外壳温度执行以下变化检测,其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率,从而获得定制的多层神经网络的定制输入数据。
根据本发明的一方面,提供了一种变化幅度承受程度识别系统,所述系统包括:
逐时触发设备,设置在被监控温度的运行状态下的机械主体上,用于每隔固定时间发送一次现场触发信号;
温度测量机构,设置在所述机械主体的被监控温度的位置,与所述逐时触发设备连接,用于每接收到一次现场触发信号执行一次所述机械主体的外壳温度的测量,以获得对应的实时外壳温度;
变化检测机构,与所述温度测量机构连接,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;
现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述定制的多层神经网络以所述变化检测机构输出的固定数量的温度变化斜率作为输入,以机械主体能否承受温度变化幅度为输出;
液晶显示机构,设置在所述机械主体的附近,与所述现场可编程门阵列通过无线局域网建立数据连接,用于接收并显示所述定制的多层神经网络的运行结果;
其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率包括:将历史最近数个实时外壳温度与本实时外壳温度进行曲线拟合以获得变化曲线,进而获得所述变化曲线的最大斜率以作为本实时外壳温度对应的温度变化斜率;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体能承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以能够承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体无法承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以无法承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,在VHDL语言的配置下运行定制的多层神经网络包括:在VHDL语言的配置下运行训练后的定制的多层神经网络。
根据本发明的另一方面,还提供了一种变化幅度承受程度识别方法,所述方法包括:
使用逐时触发设备,设置在被监控温度的运行状态下的机械主体上,用于每隔固定时间发送一次现场触发信号;
使用温度测量机构,设置在所述机械主体的被监控温度的位置,与所述逐时触发设备连接,用于每接收到一次现场触发信号执行一次所述机械主体的外壳温度的测量,以获得对应的实时外壳温度;
使用变化检测机构,与所述温度测量机构连接,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;
使用现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述定制的多层神经网络以所述变化检测机构输出的固定数量的温度变化斜率作为输入,以机械主体能否承受温度变化幅度为输出;
使用液晶显示机构,设置在所述机械主体的附近,与所述现场可编程门阵列通过无线局域网建立数据连接,用于接收并显示所述定制的多层神经网络的运行结果;
其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率包括:将历史最近数个实时外壳温度与本实时外壳温度进行曲线拟合以获得变化曲线,进而获得所述变化曲线的最大斜率以作为本实时外壳温度对应的温度变化斜率;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体能承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以能够承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体无法承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以无法承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,在VHDL语言的配置下运行定制的多层神经网络包括:在VHDL语言的配置下运行训练后的定制的多层神经网络。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明实施方案示出的变化幅度承受程度识别系统的结构示意图。
具体实施方式
下面将参照附图对本发明的变化幅度承受程度识别方法的实施方案进行详细说明。
人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
生物神经网络主要是指人脑的神经网络,它是人工神经网络的技术原型。人脑是人类思维的物质基础,思维的功能定位在大脑皮层,后者含有大约10^11个神经元,每个神经元又通过神经突触与大约103个其它神经元相连,形成一个高度复杂高度灵活的动态网络。作为一门学科,生物神经网络主要研究人脑神经网络的结构、功能及其工作机制,意在探索人脑思维和智能活动的规律。
人工神经网络是生物神经网络在某种简化意义下的技术复现,作为一门学科,它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型,设计相应的学习算法,模拟人脑的某种智能活动,然后在技术上实现出来用以解决实际问题。因此,生物神经网络主要研究智能的机理;人工神经网络主要研究智能机理的实现,两者相辅相成。
目前,存在一些温度变化幅度敏感的机械主体,这些机械主体因为过于敏感而难以维护,其中关键问题在于无法准确判断机械主体当前温度变化幅度是否能够承受,进而无法给出相应的针对性的设备维护操作,从而使得设备维护缺乏方向。
为了克服上述不足,本发明搭建了一种变化幅度承受程度识别系统及方法,能够有效解决相应的技术问题。
图1为根据本发明实施方案示出的变化幅度承受程度识别系统的结构示意图,所述系统包括:
逐时触发设备,设置在被监控温度的运行状态下的机械主体上,用于每隔固定时间发送一次现场触发信号;
温度测量机构,设置在所述机械主体的被监控温度的位置,与所述逐时触发设备连接,用于每接收到一次现场触发信号执行一次所述机械主体的外壳温度的测量,以获得对应的实时外壳温度;
变化检测机构,与所述温度测量机构连接,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;
现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述定制的多层神经网络以所述变化检测机构输出的固定数量的温度变化斜率作为输入,以机械主体能否承受温度变化幅度为输出;
液晶显示机构,设置在所述机械主体的附近,与所述现场可编程门阵列通过无线局域网建立数据连接,用于接收并显示所述定制的多层神经网络的运行结果;
其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率包括:将历史最近数个实时外壳温度与本实时外壳温度进行曲线拟合以获得变化曲线,进而获得所述变化曲线的最大斜率以作为本实时外壳温度对应的温度变化斜率;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体能承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以能够承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体无法承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以无法承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,在VHDL语言的配置下运行定制的多层神经网络包括:在VHDL语言的配置下运行训练后的定制的多层神经网络。
接着,继续对本发明的变化幅度承受程度识别系统的具体结构进行进一步的说明。
所述变化幅度承受程度识别系统中还可以包括:
时钟发生机构,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
数据存储芯片,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
其中,所述数据存储芯片用于暂存所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备的输入/输出数据。
在所述变化幅度承受程度识别系统中:
所述时钟发生机构用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备提供各自需要的参考时钟信号。
所述变化幅度承受程度识别系统中还可以包括:
数值转换设备,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接以用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接提供各自需要的电压数值。
在所述变化幅度承受程度识别系统中:
所述液晶显示机构还与所述温度测量机构连接,用于接收并显示每接收到一次现场触发信号测量到的实时外壳温度;
其中,所述液晶显示机构还与所述变化检测机构连接,用于接收并显示所述变化检测机构输出的每一个实时外壳温度对应的温度变化斜率。
根据本发明实施方案示出的变化幅度承受程度识别方法包括:
使用逐时触发设备,设置在被监控温度的运行状态下的机械主体上,用于每隔固定时间发送一次现场触发信号;
使用温度测量机构,设置在所述机械主体的被监控温度的位置,与所述逐时触发设备连接,用于每接收到一次现场触发信号执行一次所述机械主体的外壳温度的测量,以获得对应的实时外壳温度;
使用变化检测机构,与所述温度测量机构连接,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;
使用现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述定制的多层神经网络以所述变化检测机构输出的固定数量的温度变化斜率作为输入,以机械主体能否承受温度变化幅度为输出;
使用液晶显示机构,设置在所述机械主体的附近,与所述现场可编程门阵列通过无线局域网建立数据连接,用于接收并显示所述定制的多层神经网络的运行结果;
其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率包括:将历史最近数个实时外壳温度与本实时外壳温度进行曲线拟合以获得变化曲线,进而获得所述变化曲线的最大斜率以作为本实时外壳温度对应的温度变化斜率;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体能承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以能够承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体无法承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以无法承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,在VHDL语言的配置下运行定制的多层神经网络包括:在VHDL语言的配置下运行训练后的定制的多层神经网络。
接着,继续对本发明的变化幅度承受程度识别方法的具体步骤进行进一步的说明。
所述变化幅度承受程度识别方法还可以包括:
使用时钟发生机构,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
使用数据存储芯片,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
其中,所述数据存储芯片用于暂存所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备的输入/输出数据。
所述变化幅度承受程度识别方法中:
所述时钟发生机构用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备提供各自需要的参考时钟信号。
所述变化幅度承受程度识别方法还可以包括:
使用数值转换设备,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接以用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接提供各自需要的电压数值。
所述变化幅度承受程度识别方法中:
所述液晶显示机构还与所述温度测量机构连接,用于接收并显示每接收到一次现场触发信号测量到的实时外壳温度;
其中,所述液晶显示机构还与所述变化检测机构连接,用于接收并显示所述变化检测机构输出的每一个实时外壳温度对应的温度变化斜率。
另外,在所述变化幅度承受程度识别系统及方法中,所述数据存储芯片为显存芯片。显存,也被叫做帧缓存,他的作用是用来存储显卡芯片处理过或者即将提取的渲染数据。如同计算机的内存一样,显存是用来存储要处理的图形信息的部件。如同计算机的内存一样,显存是用来存储要处理的图形信息的部件。人们在显示屏上看到的画面是由一个个的像素点构成的,而每个像素点都以4至32甚至64位的数据来控制它的亮度和色彩,这些数据必须通过显存来保存,再交由显示芯片和CPU调配,最后把运算结果转化为图形输出到显示器上。显存和主板内存一样,执行存贮的功能,但它存贮的对像是显卡输出到显示器上的每个像素的信息。显存是显卡非常重要的组成部分,显示芯片处理完数据后会将数据保存到显存中,然后由RAMDAC(数模转换器)从显存中读取出数据并将数字信号转换为模拟信号,最后由屏幕显示出来。在高级的图形加速卡中,显存不仅用来存储图形数据,而且还被显示芯片用来进行3D函数运算。在nVIDIA等高级显示芯片中,已发展出和CPU平行的“GPU”(图形处理单元)。“T&L”(变形和照明)等高密度运算由GPU在显卡上完成,由此更加重了对显存的依赖。由于显存在显卡上所起的作用,显然显存的速度和带宽直接影响到显卡的整体速度。显存作为存贮器也和主板内存一样经历了多个发展阶段,甚至可以说显存的发展比主板内存更为活跃,并有着更多的品种和类型。被广泛使用的显存类型是SDRAM和SGRAM,性能更加优异的DDR内存首先被应用到显卡上,促进了显卡整体性能的提高。
虽然以上描述参看了优选设计,但可在本发明内容的精神和范围内对优选设计进行进一步修改。因此,本申请案被用来涵盖使用本文揭示的普遍原理对优选设计所作出的任何改变、使用或调整。进一步地,本申请案被用来涵盖属于相关领域中的已知或惯例实践并且属于所附权利要求书的限制内的自本发明揭示内容的改变。
Claims (10)
1.一种变化幅度承受程度识别系统,其特征在于,所述系统包括:
逐时触发设备,设置在被监控温度的运行状态下的机械主体上,用于每隔固定时间发送一次现场触发信号;
温度测量机构,设置在所述机械主体的被监控温度的位置,与所述逐时触发设备连接,用于每接收到一次现场触发信号执行一次所述机械主体的外壳温度的测量,以获得对应的实时外壳温度;
变化检测机构,与所述温度测量机构连接,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;
现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述定制的多层神经网络以所述变化检测机构输出的固定数量的温度变化斜率作为输入,以机械主体能否承受温度变化幅度为输出;
液晶显示机构,设置在所述机械主体的附近,与所述现场可编程门阵列通过无线局域网建立数据连接,用于接收并显示所述定制的多层神经网络的运行结果;
其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率包括:将历史最近数个实时外壳温度与本实时外壳温度进行曲线拟合以获得变化曲线,进而获得所述变化曲线的最大斜率以作为本实时外壳温度对应的温度变化斜率;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体能承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以能够承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体无法承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以无法承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,在VHDL语言的配置下运行定制的多层神经网络包括:在VHDL语言的配置下运行训练后的定制的多层神经网络。
2.如权利要求1所述的变化幅度承受程度识别系统,其特征在于,还包括:
时钟发生机构,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
数据存储芯片,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
其中,所述数据存储芯片用于暂存所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备的输入/输出数据。
3.如权利要求2所述的变化幅度承受程度识别系统,其特征在于:
所述时钟发生机构用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备提供各自需要的参考时钟信号。
4.如权利要求3所述的变化幅度承受程度识别系统,其特征在于,还包括:
数值转换设备,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接以用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接提供各自需要的电压数值。
5.如权利要求4所述的变化幅度承受程度识别系统,其特征在于:
所述液晶显示机构还与所述温度测量机构连接,用于接收并显示每接收到一次现场触发信号测量到的实时外壳温度;
其中,所述液晶显示机构还与所述变化检测机构连接,用于接收并显示所述变化检测机构输出的每一个实时外壳温度对应的温度变化斜率。
6.一种变化幅度承受程度识别方法,其特征在于,所述方法包括:
使用逐时触发设备,设置在被监控温度的运行状态下的机械主体上,用于每隔固定时间发送一次现场触发信号;
使用温度测量机构,设置在所述机械主体的被监控温度的位置,与所述逐时触发设备连接,用于每接收到一次现场触发信号执行一次所述机械主体的外壳温度的测量,以获得对应的实时外壳温度;
使用变化检测机构,与所述温度测量机构连接,用于对每一个实时外壳温度执行以下变化检测:基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率;
使用现场可编程门阵列,在VHDL语言的配置下运行定制的多层神经网络,所述定制的多层神经网络以所述变化检测机构输出的固定数量的温度变化斜率作为输入,以机械主体能否承受温度变化幅度为输出;
使用液晶显示机构,设置在所述机械主体的附近,与所述现场可编程门阵列通过无线局域网建立数据连接,用于接收并显示所述定制的多层神经网络的运行结果;
其中,基于历史最近数个实时外壳温度与本实时外壳温度的变化趋势获得本实时外壳温度对应的温度变化斜率包括:将历史最近数个实时外壳温度与本实时外壳温度进行曲线拟合以获得变化曲线,进而获得所述变化曲线的最大斜率以作为本实时外壳温度对应的温度变化斜率;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体能承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以能够承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,所述现场可编程门阵列还在VHDL语言的配置下,以机械主体无法承受温度变化幅度状态下的固定数量的温度变化斜率作为输入,以无法承受温度变化幅度为输出对所述定制的多层神经网络进行训练;
其中,在VHDL语言的配置下运行定制的多层神经网络包括:在VHDL语言的配置下运行训练后的定制的多层神经网络。
7.如权利要求6所述的变化幅度承受程度识别方法,其特征在于,还包括:
使用时钟发生机构,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
使用数据存储芯片,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接;
其中,所述数据存储芯片用于暂存所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备的输入/输出数据。
8.如权利要求7所述的变化幅度承受程度识别方法,其特征在于:
所述时钟发生机构用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备提供各自需要的参考时钟信号。
9.如权利要求8所述的变化幅度承受程度识别方法,其特征在于,还包括:
使用数值转换设备,分别与所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接以用于分别为所述变化检测机构、所述现场可编程门阵列、所述温度测量机构和所述逐时触发设备连接提供各自需要的电压数值。
10.如权利要求9所述的变化幅度承受程度识别方法,其特征在于:
所述液晶显示机构还与所述温度测量机构连接,用于接收并显示每接收到一次现场触发信号测量到的实时外壳温度;
其中,所述液晶显示机构还与所述变化检测机构连接,用于接收并显示所述变化检测机构输出的每一个实时外壳温度对应的温度变化斜率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543183.3A CN112686512B (zh) | 2020-12-24 | 2020-12-24 | 变化幅度承受程度识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011543183.3A CN112686512B (zh) | 2020-12-24 | 2020-12-24 | 变化幅度承受程度识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686512A CN112686512A (zh) | 2021-04-20 |
CN112686512B true CN112686512B (zh) | 2021-11-26 |
Family
ID=75451392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011543183.3A Active CN112686512B (zh) | 2020-12-24 | 2020-12-24 | 变化幅度承受程度识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686512B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115834642B (zh) * | 2023-02-14 | 2023-04-21 | 成都主干智慧云信息技术有限公司 | 基于物联网技术的智慧小蚕共育室数据传输方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9857228B2 (en) * | 2014-03-25 | 2018-01-02 | Rosemount Inc. | Process conduit anomaly detection using thermal imaging |
US11507064B2 (en) * | 2016-05-09 | 2022-11-22 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for industrial internet of things data collection in downstream oil and gas environment |
CN107980125B (zh) * | 2016-12-05 | 2021-06-11 | 深圳市柔宇科技股份有限公司 | 温度监测方法、装置及用户设备 |
JP6412093B2 (ja) * | 2016-12-26 | 2018-10-24 | ファナック株式会社 | 学習モデル構築装置およびオーバーヒート予知装置 |
CN109755687B (zh) * | 2019-01-16 | 2023-10-27 | 吉林大学 | 一种利用石墨烯膜对电池进行精确加热和冷却系统及其控制方法 |
CN110848896A (zh) * | 2019-11-12 | 2020-02-28 | 深圳孚沃德斯科技有限公司 | 基于神经网络的空调冷却系统智能节能控制系统及方法 |
CN110926676B (zh) * | 2019-12-17 | 2021-03-02 | 沈阳建筑大学 | 一种利用钢轨振动特性获取温度力的方法 |
-
2020
- 2020-12-24 CN CN202011543183.3A patent/CN112686512B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112686512A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
Gopal et al. | Remote sensing of forest change using artificial neural networks | |
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
CN108257121B (zh) | 产品缺陷检测模型更新的方法、装置、存储介质及终端设备 | |
CN108320278A (zh) | 产品缺陷检测定位方法、装置、设备及计算机可读介质 | |
CN112686512B (zh) | 变化幅度承受程度识别系统及方法 | |
KR20200137897A (ko) | 인공지능 기반의 피부 진단 방법 및 시스템 | |
KR20190086141A (ko) | Cnn을 이용한 교량 구조물 손상추정기법의 개발을 위한 시뮬레이션 데이터 처리방법 | |
Agarwal et al. | Computer vision-based fruit disease detection and classification | |
EP4227856A1 (en) | System and method for defect detection | |
Peng et al. | Automatic wear‐particle classification using neural networks | |
CN110414903A (zh) | 物流超时责任的判断方法、装置、设备及存储介质 | |
US20230324896A1 (en) | Method and apparatus for detecting anomaly data | |
CN113610851B (zh) | 一种基于机器视觉的包装装潢质检方法和系统 | |
CN110009038A (zh) | 筛查模型的训练方法、装置及存储介质 | |
Lee | Artificial intelligence-based sampling planning system for dynamic manufacturing process | |
CN114203300A (zh) | 一种健康状态评估方法及系统、服务端、存储介质 | |
CN111339838B (zh) | 一种基于信息融合的猪行为识别方法及系统 | |
CN115810005B (zh) | 基于并行计算的瓦楞纸箱缺陷检测加速方法、系统、设备及存储介质 | |
US20230090616A1 (en) | Learning system, apparatus and method | |
Tang et al. | A new ore image segmentation method based on Swin-Unet | |
Bono et al. | Development of soft sensors based on neural networks for detection of anomaly working condition in automated machinery | |
CN115904062A (zh) | 一种基于多维泰勒网的vr眩晕状态检测分类方法 | |
CN111553816B (zh) | 行政复议影响因素分析方法及装置 | |
CN115329827A (zh) | 关于经制造过程制造的产品进行预测的系统和其训练方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211108 Address after: 226000 No. 180, Hongjiang Road, Chongchuan District, Nantong City, Jiangsu Province Applicant after: Jiangsu Shouqing Software Technology Co.,Ltd. Address before: 225300 factory building 3-2, west side, No.16, south side of Baojiu Road, medical hi tech Zone, Taizhou City, Jiangsu Province Applicant before: Taizhou Keke Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |