CN113008591A - 一种基于物联网的设备全生命周期监测方法及系统 - Google Patents
一种基于物联网的设备全生命周期监测方法及系统 Download PDFInfo
- Publication number
- CN113008591A CN113008591A CN202110261397.XA CN202110261397A CN113008591A CN 113008591 A CN113008591 A CN 113008591A CN 202110261397 A CN202110261397 A CN 202110261397A CN 113008591 A CN113008591 A CN 113008591A
- Authority
- CN
- China
- Prior art keywords
- equipment
- time
- temperature
- data
- module
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 230000007787 long-term memory Effects 0.000 abstract description 4
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 230000017525 heat dissipation Effects 0.000 abstract description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 239000013598 vector Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- 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
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- 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
-
- 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
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的设备全生命周期监测方法和系统,基于带有注意力机制的长短期记忆网络训练得到设备温度预测模型,所述设备温度预测模型用于预测当前开启设备下一时刻的温度,当预测温度超出设备最大承受温度时,控制模块控制风扇运行,实现了设备在升至最大承受温度之前的散热,避免了设备温度变化过大造成对设备的损害;当达到设备最大一次工作时长时,控制模块控制报警模块工作,用于提醒工作人员注意设备损耗,建议用户暂时停止设备工作,能够提高设备的使用寿命。
Description
技术领域
本发明属于设备生命周期监测技术领域,尤其涉及一种基于物联网的设备全生命周期监测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
设备是高校发展建设重要的物质基础,高校设备的快速增长为高校人才培养和科技创新提供了保障,为了更加科学的对设备管理,引入了企业领域“全生命周期管理”的理念,设备的全生命周期就是从自然中来回到自然中去的全过程,也就是既包括制造产品所需要的原材料的采集、加工等生产过程,也包括产品贮存、运输等流通过程,还包括产品的使用过程以及产品报废或处置等废弃回到自然过程。
随着科技的逐渐发展,互联网+设备的全生命周期成为一种新型科技,但现有技术存在以下问题:
1、无法了解设备运行时间;
2、无法了解设备运行环境,无法针对对环境状况自动作出应对;
3、无法快速获取设备所在位置。
发明内容
为克服上述现有技术的不足,本发明的第一个方面提供一种基于物联网的设备全生命周期监测方法,解决了现在技术无法了解设备运行时间的问题,还解决了无法了解设备运行环境,无法对环境状况应对的问题,以及无法快速获取设备所在位置的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于物联网的设备全生命周期监测方法,包括:
获取当前开启设备的运行数据;
将获取的当前开启设备的运行数据输入到设备温度预测模型,预测得到当前开启设备下一时刻的温度,比较当前开启设备下一时刻的预测温度值与设备最大承受温度;
在所述设备下一时刻的预测温度值超出设备承受温度时,风扇运行,进行设备散热。
进一步地,比较设备本次运行时长与设备最大一次工作时长;
进一步地,基于设备本次运行时长和设备每次运行总时长,计算设备已运行总时长,比较设备已运行总时长与设备使用期限。
进一步地,在设备本次运行时长超过设备最大一次工作时长时,发出声光报警;
进一步地,在所述设备已运行总时长超过设备使用期限时,发出声光报警。
进一步地,所述运行数据包括基本数据、本次运行数据、历史运行数据;
所述基本数据包括设备类型、设备第一次开始运行的具体时间、设备最大承受温度、设备最大一次工作时长、设备使用期限、设备定位信息;
所述本次运行数据包括设备本次运行时长、本次运行设备温度数据、本次运行环境温度数据;
所述历史运行数据包括设备故障记录、设备每次运行总时长、设备每次运行时的设备温度数据、设备每次运行时的环境温度数据;
进一步地,所述设备温度预测模型是通过将在公物仓网络平台中获取的M台已废弃设备的基本数据和历史运行数据输入到带有注意力机制的长短期记忆网络中进行训练得到的。
为了解决上述问题,本发明的第二个方面提供一种基于物联网的设备全生命周期监测系统,解决了现在技术无法了解设备运行时间的问题,还解决了无法了解设备运行环境,无法对环境状况应对的问题,以及无法快速获取设备所在位置的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于物联网的设备全生命周期监测系统,包括:
数据获取模块,用于获取当前开启设备的运行数据;
监控模块,用于将获取的当前开启设备的运行数据输入到设备温度预测模型,预测得到当前开启设备下一时刻的温度,比较当前开启设备下一时刻的预测温度值与设备最大承受温度;
控制模块,用于在设备下一时刻的预测温度值超出设备承受温度时,控制风扇运行,进行设备散热。
进一步地,还包括计时模块,用于比较设备本次运行时长与设备最大一次工作时长;
进一步地,所述计时模块,用于基于设备本次运行时长和设备每次运行总时长,计算设备已运行总时长,比较设备已运行总时长与设备使用期限。
进一步地,所述控制模块,用于在设备本次运行时长超过设备最大一次工作时长时,控制报警模块工作,报警模块发出声光报警;
进一步地,所述控制模块,用于当所述设备已运行总时长超过设备使用期限时,控制报警模块工作,报警模块发出声光报警。
进一步地,还包括大数据模块,用于将在公物仓网络平台中获取的M台已废弃设备的基本数据和历史运行数据输入到带有注意力机制的长短期记忆网络中进行模型训练,得到所述设备温度预测模型。
为了解决上述问题,本发明的第三个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现所述的一种基于物联网的设备全生命周期监测方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明中,在设备开启时,计时模块测量时间,在存储模块中写入设备最大一次工作时长,在计时模块计量到最大时间时,控制模块控制报警模块工作,报警模块发出声光报警,用于提醒工作人员注意设备损耗,建议用户暂时停止设备工作,能够间接提高设备的使用寿命;并且计时模块统计设备“有效期”,并与存储模块数据对比,在设备超出使用期间能够通过控制模块报警处理,达到提醒的目的。
(2)本发明中,监控模块对开启的设备实时监视,监控模块监控设备的内部温度,监控模块内含温度传感器,监控模块检测温度超出存储模块中的温度数据时,控制模块控制风扇运行,这样能够对设备进行散热,对设备所处环境高温环境改变,利于设备保护。
(3)本发明中,大数据模块通过海量历史设备运行数据,训练设备温度预测模型,该模型能够对设备下一时刻的温度进行预测,当预测温度超出设备最大承受温度时,控制模块控制风扇运行,实现了设备在升至最大承受温度之前的散热,避免了设备温度变化过大造成的设备损害。
(4)本发明中,存储模块中存储设备第一次运行的具体时间,存储模块中还存储设备历史运行数据,故障维修以及设备承受温度,通过在设备中建立大数据模块,对设备的数据库中海量数据筛选,分析,计算,挖掘设备讯息。
(5)本发明中,定位模块获取设备所在位置,设备应用在高校中能够利于快速找到设备位置,方便在不同校区转换使用。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明的局部流程图;
图2为本发明的局部流程图;
图3为本发明的局部流程图;
图4为本发明的局部流程图。
图5为本发明的局部流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例公开了一种基于物联网的设备全生命周期监测方法,具体包括:
获取当前开启设备的运行数据,所述运行数据包括基本数据、本次运行数据、历史运行数据,其中:
基本数据包括设备类型、设备第一次开始运行的具体时间、设备最大承受温度、设备最大一次工作时长、设备使用期限、设备定位信息;
本次运行数据包括设备本次运行时长(即设备从本次开始运行的时刻到当前时刻的运行时长)、本次运行设备温度数据(即设备从本次开始运行的时刻到当前时刻的设备温度随时间变化的数据)、本次运行环境温度数据(即设备从本次开始运行的时刻到当前时刻的设备所处环境温度随时间变化的数据);
历史运行数据包括设备故障记录(即设备每种故障发生次数,设备从第一次开始运行到本次运行发生过的每种故障类型的次数,本申请将所有设备故障类型依次编码为1-K,并统计设备从第一次开始运行到本次运行发生过的每种故障类型的次数)、设备每次运行总时长(即设备每次从开始运行的时刻到关闭的总运行时长)、设备每次运行时的设备温度数据(即设备每次运行期间设备温度随时间变化的数据)、设备每次运行时的环境温度数据(即设备每次运行期间设备所处环境温度随时间变化的数据)。
如图1所示,将获取的当前开启设备的运行数据输入到设备温度预测模型,预测得到当前开启设备下一时刻的温度,其中,设备温度预测模型通过将M台已废弃设备的数据输入到带有注意力机制的长短期记忆网络中进行训练得到,具体的:
步骤1:在公物仓网络平台中获取M台已废弃设备的基本数据和历史运行数据,对所述M台已废弃设备的基本数据和历史运行数据进行预处理;预处理后的数据中每台设备每一时刻包括n个特征:设备类型(即每台设备所属的类型)、设备每种故障发生次数(即每台设备从第一次开始运行到本次运行的第t时刻发生过的每种故障类型的次数,本申请将所有设备故障类型依次编码为1-K,并统计每台设备从第一次开始运行到本次运行第t时刻发生过的每种故障类型的次数)、设备已运行总时长(即每台设备从第一次开始运行的时刻到本次运行第t时刻的设备总运行时长)、设备本次运行时长(即每台设备从本次开始运行的时刻到第t时刻的运行时长)、设备本次运行设备温度数据(即从本次开始运行的时刻到第t时刻中每一时刻测量到的设备温度)、设备本次运行环境温度数据(即从本次开始运行的时刻到第t时刻中每一时刻测量到的设备所处环境温度);
步骤2:将预处理后的设备数据组成每台设备的输入序列X:
X=(x1,x2…,xT)
步骤3:初始化长短期记忆网络LSTM的权值;
步骤4:把每台设备的特征向量xt输入到长短期记忆网络的输入层;
步骤7:计算网络的损失函数值,循环执行步骤4-步骤7,更新整个网络的权值,迭代直到损失函数值小于设定的阈值时,或者迭代次数k达到最大迭代次数K时,完成模型训练,得到设备温度预测模型;其中损失函数的计算公式为:
其中,表示第i台设备在t+1时刻真实测量得到的温度,表示由模型预测得到的第i台设备在t+1时刻的温度,M为用于预测模型训练的样本总数量,k为当前网络迭代次数,K为最大迭代次数;损失函数将均方误差损失函数与Log-cosh损失函数相结合,避免了在始终出现非常大的偏离目标的预测值时,仅仅使用Log-cosh损失函数造成的梯度问题,使得网络更加容易收敛,加速网络的训练;而且损失函数的计算与迭代次数相关联,前期主要使用均方误差损失函数,加快收敛速度,后期主要使用Log-cosh损失函数,加强局部搜索能力,提高预测模型的准确性。
如图1所示,比较当前开启设备下一时刻的预测温度值与设备最大承受温度,在设备下一时刻的预测温度值超出设备承受温度时,风扇运行,进行设备散热。
在获取当前开启设备的运行数据后,比较设备本次运行时长与设备最大一次工作时长,在设备本次运行时长超过设备最大一次工作时长时,发出声光报警,用于提醒工作人员注意设备损耗,建议用户暂时停止设备工作;
在获取当前开启设备的运行数据后,计算设备已运行总时长,当设备已运行总时长超过设备使用期限时,发出声光报警,达到提醒用户目的,其中,设备已运行总时长的计算公式为:
在获取当前开启设备的运行数据后,对当前开启设备的运行数据按照年报的格式进行自动统计,生成年报,将自动生成的年报上传至终端,以便于用户了解设备一年来的设备使用状况。
对当前开启设备的讯息进行分析、展示:在获取当前开启设备的运行数据后,对当前开启设备的运行数据进行筛选、分析、计算,得到设备的讯息,设备的讯息包括:设备每次运行期间温度随时间变化的曲线图、每次发生故障的时间和类型、设备具体位置信息的变化情况,并在终端显示当前开启设备的讯息,便于用户实时了解设备运行状况。
设备定位信息基于GPS、LBS定位技术获取,将获取的设备定位信息传输至用户终端进行显示,帮助用户快速找到设备位置。
当设备被废弃时,废弃设备的基本数据和和历史运行数据被用于重新训练带有注意力机制的长短期记忆网络,更新设备温度预测模型。
本实施例中,设备为机柜服务器,机柜服务器的设备温度和设备所在环境温度均通过温度传感器测得,其中,机柜服务器的设备温度通过安装在机柜内壁的接触式温度传感器测量得到,机柜服务器的环境温度通过安装在服务器机柜所处房间墙壁上的环境温度传感器测量得到;风扇安装于服务器机柜背面,用于在设备下一时刻的预测温度值超出设备承受温度时进行设备散热;机柜服务器按照可以支持的处理器数量不同划分为4种类型:入门级服务器、工作组级服务器、部门级服务器和企业级服务器。
实施例2
参见图2-图4,本实施例公开了一种基于物联网的设备全生命周期监测系统,包括数据获取模块、定位模块、温度感知模块、控制模块、报警模块、监控模块、存储模块、无线通信模块、大数据模块、计时模块、终端以及年报统计模块;
定位模块实现短时间内准确得知设备的具体位置,快速寻找到设备;并将具体位置上传至存储模块,用户终端通过数据获取模块获取存储模块中所存储的设备具体位置信息;定位模块是基于GPS、LBS定位技术;
温度感知模块,温度感知模块包括温度传感器;温度传感器为接触式传感器,对当前开启的设备实时监视,用于测量当前开启设备的设备温度和设备所在环境的实时温度;温度感知模块将测量得到的当前开启设备的设备温度和环境温度转换成可用输出信号,并上传至存储模块;
存储模块中用于存储当前开启设备的运行数据;
数据获取模块,用于获取存储模块中当前开启设备的运行数据,所述运行数据包括基本数据、本次运行数据、历史运行数据;
大数据模块用于对设备的数据库中海量设备数据筛选,分析,计算,挖掘设备讯息,大数据模块具有学习功能:
大数据模块与终端连接,当用户查询当前运行设备的运行信息时,数据获取模块获取设备的运行数据并上传至大数据模块,大数据模块对该设备的运行数据进行设备讯息挖掘,并将挖掘出的设备讯息发送至终端;所述挖掘出的设备讯息包括:设备所属的类型、设备每次运行期间设备温度和环境温度随时间变化的曲线图、每次发生故障的时间和类型、设备具体位置信息的变化情况;
当用户通过终端输入想要获取的公物仓网络平台中所存储的某设备的历史运行信息时,公物仓网络平台将该设备的历史运行信息上传至大数据模块,大数据模块对该设备的历史运行信息进行设备讯息挖掘,并将挖掘出的设备讯息发送至终端;所述挖掘出的设备讯息包括:设备所属的类型、设备从第一次运行到废弃全生命周期中每次运行时设备温度和环境温度随时间变化的曲线图、每次发生故障的时间和类型、设备具体位置信息的变化情况;
大数据模块,获取公物仓网络平台中M台已废弃设备的基本数据和历史运行数据,将在公物仓网络平台中获取的M台已废弃设备的基本数据和历史运行数据输入到带有注意力机制的长短期记忆网络中进行模型训练,得到设备温度预测模型;
监控模块获取大数据模块的设备温度预测模型,监控模块通过数据获取模块获取当前开启设备的运行数据;监控模块将当前开启设备的数据输入到设备温度预测模型,预测得到当前开启设备下一时刻的温度,比较当前开启设备下一时刻的预测温度值与设备最大承受温度进行对比,并将对比结果传输至控制模块;
在设备下一时刻的预测温度值超出设备承受温度时,控制模块控制风扇运行,进行设备散热;
控制模块用于控制设备的运行状态,控制模块内含控制器、单片机、风扇;具体的,控制模块,在设备当前时刻温度超出存储模块中的设备承受温度时,控制模块控制风扇运行,进行设备散热;
无线通信模块用于数据之间的信息传输,无线通信模块与公物仓网络平台无线连接,且无线通信模块可以将设备信息实时网络传输至终端;无线通信模块支持GPRS和短消息双通道传输数据,支持多中心数据通信;无线通信模块为5G互联网;
计时模块顾名思义用于计时,在设备开启时,计时模块测量时间,计时模块为正计时,在存储模块中写入设备最大一次工作时长,计时模块通过数据获取模块获取存储模块中存储的设备最大一次工作时长,并将设备当前时刻运行时长与设备最大一次工作时长进行比较,计时模块将比较结果上传至控制模块,在计时模块计量到最大时间时,控制模块控制报警模块工作,报警模块发出声光报警;
每次设备开启时,计时模块从0开始计时,每隔固定时间段θ,将设备当前时刻运行时长上传至存储模块,同时,温度感知模块上传该时刻的设备温度和环境温度;当设备关闭时,计时模块计算设备本次运行总时长,并上传至存储模块;
计时模块还通过数据获取模块从存储模块获取设备使用期限和设备每次运行总时长,并将每次运行总时长进行加和后与本次运行时长进行加和,得到设备从第一次使用到当前时刻的设备运行总时长,并比较当前时刻的设备运行总时长与设备使用期限,将比较结果上传至控制模块,在设备运行总时长超过设备使用期限时,控制模块控制报警模块工作,报警模块发出声光报警,能够通过报警模块实时自动报警处理,达到提醒用户目的;
年报统计模块通过数据获取模块获取存储模块中的设备运行数据信息,能够对年报进行统计自动生成,并将自动生成的年报上传至终端;
终端用于接收讯息,终端指电脑、手机、iPad、智能手表。
当设备被报废或处置等废弃时,存储模块将设备数据上至大数据模块,用于增加预测模型训练的样本总数量,当有新的设备数据上传至大数据模块时,大数据模块重新训练带有注意力机制的长短期记忆网络,更新设备温度预测模型;并且废弃设备的数据通过大数据模块上传至公物仓网络平台。
如图4所示,计时模块实现特种设备超期预警,在设备开启时,计时模块测量时间,计时模块为正计时,在存储模块中写入设备最大一次工作时长,在计时模块计量到最大时间时,控制模块控制报警模块工作,报警模块发出声光报警,计时模块还能够对设备从第一次使用时间计算,在设备超过使用期限,能够通过报警模块实时自动报警处理,达到提醒用户目的;
报警模块包括指示灯和报警器,用于发出警告,通过声音报警和指示灯报警达到提醒目的。
实施例3
本实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现实施例1所述方法的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于物联网的设备全生命周期监测方法,其特征在于,包括以下步骤:
获取当前开启设备的运行数据;
将获取的当前开启设备的运行数据输入到设备温度预测模型,预测得到当前开启设备下一时刻的温度,比较当前开启设备下一时刻的预测温度值与设备最大承受温度;
在所述设备下一时刻的预测温度值超出设备承受温度时,风扇运行,进行设备散热。
2.如权利要求1所述的基于物联网的设备全生命周期监测方法,其特征在于,还包括,比较设备本次运行时长与设备最大一次工作时长;
基于设备本次运行时长和设备每次运行总时长,计算设备已运行总时长,比较设备已运行总时长与设备使用期限。
3.如权利要求2所述的基于物联网的设备全生命周期监测方法,其特征在于,还包括,在设备本次运行时长超过设备最大一次工作时长时,发出声光报警;
在所述设备已运行总时长超过设备使用期限时,发出声光报警。
4.如权利要求1所述的基于物联网的设备全生命周期监测方法,其特征在于,所述运行数据包括基本数据、本次运行数据、历史运行数据;
所述基本数据包括设备类型、设备第一次开始运行的具体时间、设备最大承受温度、设备最大一次工作时长、设备使用期限、设备定位信息;
所述本次运行数据包括设备本次运行时长、本次运行设备温度数据、本次运行环境温度数据;
所述历史运行数据包括设备故障记录、设备每次运行总时长、设备每次运行时的设备温度数据、设备每次运行时的环境温度数据。
5.如权利要求1所述的基于物联网的设备全生命周期监测方法,其特征在于,所述设备温度预测模型是通过将在公物仓网络平台中获取的M台已废弃设备的基本数据和历史运行数据输入到带有注意力机制的长短期记忆网络中进行训练得到的。
6.一种基于物联网的设备全生命周期监测系统,其特征在于,包括:
数据获取模块,用于获取当前开启设备的运行数据;
监控模块,用于将获取的当前开启设备的运行数据输入到设备温度预测模型,预测得到当前开启设备下一时刻的温度,比较当前开启设备下一时刻的预测温度值与设备最大承受温度;
控制模块,用于在设备下一时刻的预测温度值超出设备承受温度时,控制风扇运行,进行设备散热。
7.如权利要求6所述的基于物联网的设备全生命周期监测系统,其特征在于,还包括计时模块,用于比较设备本次运行时长与设备最大一次工作时长;
所述计时模块,用于基于设备本次运行时长和设备每次运行总时长,计算设备已运行总时长,比较设备已运行总时长与设备使用期限。
8.如权利要求7所述的基于物联网的设备全生命周期监测系统,其特征在于,所述控制模块,用于在设备本次运行时长超过设备最大一次工作时长时,控制报警模块工作,报警模块发出声光报警;
所述控制模块,用于当所述设备已运行总时长超过设备使用期限时,控制报警模块工作,报警模块发出声光报警。
9.如权利要求6所述的基于物联网的设备全生命周期监测系统,其特征在于,还包括大数据模块,用于将在公物仓网络平台中获取的M台已废弃设备的基本数据和历史运行数据输入到带有注意力机制的长短期记忆网络中进行模型训练,得到所述设备温度预测模型。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时,实现如权利要求1-5中任一项所述的基于物联网的设备全生命周期监测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110261397.XA CN113008591B (zh) | 2021-03-10 | 2021-03-10 | 一种基于物联网的设备全生命周期监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110261397.XA CN113008591B (zh) | 2021-03-10 | 2021-03-10 | 一种基于物联网的设备全生命周期监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113008591A true CN113008591A (zh) | 2021-06-22 |
CN113008591B CN113008591B (zh) | 2021-12-17 |
Family
ID=76404410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110261397.XA Active CN113008591B (zh) | 2021-03-10 | 2021-03-10 | 一种基于物联网的设备全生命周期监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113008591B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862833A (zh) * | 2023-02-16 | 2023-03-28 | 成都与睿创新科技有限公司 | 用于器械损耗的检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204376537U (zh) * | 2015-02-02 | 2015-06-03 | 哈尔滨理工大学 | 电缆分支箱在线运行监测系统 |
CN106768414A (zh) * | 2017-03-14 | 2017-05-31 | 福建瑞达精工股份有限公司 | 一种基于窄带物联网粮仓温度监测系统和方法 |
CN107315433A (zh) * | 2017-06-23 | 2017-11-03 | 北京新能源汽车股份有限公司 | 驱动电机的温度获取方法及装置 |
CN109905462A (zh) * | 2019-01-28 | 2019-06-18 | 安徽斯瑞菱智能科技有限公司 | 一种设备健康度管理系统 |
CN111090252A (zh) * | 2019-12-11 | 2020-05-01 | 中建八局第二建设有限公司 | 一种基于物联网大数据的工程机械姿态监测系统 |
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 |
CN111476385A (zh) * | 2020-05-25 | 2020-07-31 | 欧碧芳 | 一种基于bim的建筑设施维护监管系统 |
US20200264969A1 (en) * | 2019-02-15 | 2020-08-20 | Tencent America LLC | Machine learning model full life cycle management framework |
CN112163297A (zh) * | 2020-09-30 | 2021-01-01 | 厦门科灿信息技术有限公司 | 设备健康预测系统 |
CN112465582A (zh) * | 2020-10-14 | 2021-03-09 | 中企云链(北京)金融信息服务有限公司 | 一种租赁设备工况监控管理系统 |
-
2021
- 2021-03-10 CN CN202110261397.XA patent/CN113008591B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204376537U (zh) * | 2015-02-02 | 2015-06-03 | 哈尔滨理工大学 | 电缆分支箱在线运行监测系统 |
CN106768414A (zh) * | 2017-03-14 | 2017-05-31 | 福建瑞达精工股份有限公司 | 一种基于窄带物联网粮仓温度监测系统和方法 |
CN107315433A (zh) * | 2017-06-23 | 2017-11-03 | 北京新能源汽车股份有限公司 | 驱动电机的温度获取方法及装置 |
CN109905462A (zh) * | 2019-01-28 | 2019-06-18 | 安徽斯瑞菱智能科技有限公司 | 一种设备健康度管理系统 |
US20200264969A1 (en) * | 2019-02-15 | 2020-08-20 | Tencent America LLC | Machine learning model full life cycle management framework |
CN111090252A (zh) * | 2019-12-11 | 2020-05-01 | 中建八局第二建设有限公司 | 一种基于物联网大数据的工程机械姿态监测系统 |
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 |
CN111476385A (zh) * | 2020-05-25 | 2020-07-31 | 欧碧芳 | 一种基于bim的建筑设施维护监管系统 |
CN112163297A (zh) * | 2020-09-30 | 2021-01-01 | 厦门科灿信息技术有限公司 | 设备健康预测系统 |
CN112465582A (zh) * | 2020-10-14 | 2021-03-09 | 中企云链(北京)金融信息服务有限公司 | 一种租赁设备工况监控管理系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862833A (zh) * | 2023-02-16 | 2023-03-28 | 成都与睿创新科技有限公司 | 用于器械损耗的检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113008591B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
CN110275814A (zh) | 一种业务系统的监控方法及装置 | |
US10248528B2 (en) | System monitoring method and apparatus | |
US8989887B2 (en) | Use of prediction data in monitoring actual production targets | |
US10073724B2 (en) | Method of intuition generation | |
CN107040608A (zh) | 一种数据处理方法及系统 | |
CN111198808A (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
KR102540257B1 (ko) | Esg 경영을 위한 인공지능 기반 환경설비 및 산업플랜트 관리 서비스 시스템 | |
CN113008591B (zh) | 一种基于物联网的设备全生命周期监测方法及系统 | |
CN112270429A (zh) | 基于云边协同的动力电池极片制造设备维护方法和系统 | |
US20230342678A1 (en) | Methods for managing smart gas work order implementation and internet of things (iot) systems thereof | |
CN113687609A (zh) | 应用于异常环境下的物联网智能监测系统及监测方法 | |
CN116744357A (zh) | 基站故障预测方法、装置、设备和介质 | |
CN112527608A (zh) | 一种告警方法、装置及计算机设备 | |
US11033226B2 (en) | Detecting non-evident contributing values | |
CN114070718B (zh) | 一种告警方法、装置和存储介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
KR20220054640A (ko) | 객체 모니터링 | |
CN108694107A (zh) | 消息队列的积压量监控方法、装置、可读介质和电子设备 | |
CN110348653B (zh) | 一种业务数据处理方法、装置及电子设备 | |
CN116010897A (zh) | 数据异常检测的方法、装置、电子设备及存储介质 | |
CN110850768A (zh) | 一种基于5g的大数据物联网系统 |
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 |