CN113446988A - 基于云边融合架构的机场跑道道面状态监测系统及方法 - Google Patents
基于云边融合架构的机场跑道道面状态监测系统及方法 Download PDFInfo
- Publication number
- CN113446988A CN113446988A CN202110636640.1A CN202110636640A CN113446988A CN 113446988 A CN113446988 A CN 113446988A CN 202110636640 A CN202110636640 A CN 202110636640A CN 113446988 A CN113446988 A CN 113446988A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- edge
- monitoring
- time
- 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 62
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013307 optical fiber Substances 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 208000025697 familial rhabdoid tumor Diseases 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000010183 spectrum analysis Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
- G01K11/3206—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres at discrete locations in the fibre, e.g. using Bragg scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种基于云边融合架构的机场跑道道面状态监测系统及方法，系统包括异构监测传感器、数据采集终端、接入分发节点、边缘计算节点、交换机和云服务器；异构监测传感器分别通过匹配的数据采集终端与接入分发节点连接通信，接入分发节点通过若干边缘计算节点与交换机连接通信，交换机与云服务器连接通信；本发明基于云边融合架构，减轻了中心云节点的计算压力，实现了对道面状态监测、预测的实时性要求。以分布式采集处理方式对采集进行负载均衡实现了对海量数据实时采集，利用边缘节点计算能力对采集数据进行实时处理。边缘对采集数据进行处理后上传至中心云存储，为算法模型的训练和升级提供数据支撑，使预测模型不断优化。
Description
技术领域
本发明属于云计算和边缘计算技术领域，涉及一种机场跑道道面状态监测系统及方法，具体涉及一种基于云边融合架构的机场跑道道面状态监测系统及方法。
技术背景
随着云计算的广泛应用，云计算已经深刻的改变了人们的日常生活以及工作。在云计算中，边缘设备收集数据并将其发送到云上进行进一步的处理和分析，中心云将处理后的数据返回给用户。但随着5G时代各种互联网应用的大规模爆发，基础数据的采集传输和处理，各种计算压力，如果都直接交给中心云，显然传输压力大，处理效率低。且由于物理距离不可改变，网络延时不可避免，无法满足高实时性要求。在边缘计算中，计算资源更加接近数据源，数据的采集、存储和处理都尽可能使用边缘计算节点的算力，可在本地对数据进行预处理，降低网络传输过程当中的带宽压力，加速数据分析处理。边缘计算节点与云计算中心相辅相成，互相协作配合。
传统机场跑道状态监测方式主要由人工完成，受天气等外界条件影响较大，且无法实现机场道面关键技术参数的全时、全域智能监测。
发明内容
本发明的目的是提供一种基于云边融合架构的机场跑道道面状态监测系统及方法，用于解决机场跑道道面状态全时域实时监测，对道面沉降进行预警、预测，降低检测维修成本，保障机场跑道长期运营安全。
本发明的系统所采用的技术方案是：一种基于云边融合架构的机场跑道道面状态监测系统，包括异构监测传感器、数据采集终端、接入分发节点、边缘计算节点、交换机和云服务器；
所述异构监测传感器分别通过匹配的数据采集终端与所述接入分发节点连接通信，所述接入分发节点通过若干边缘计算节点与所述交换机连接通信，所述交换机与所述云服务器连接通信；
所述异构监测传感器包括光纤式沉降计、光栅阵列应变传感缆、光栅阵列振动传感缆、光栅阵列温度传感缆、FBG加速度传感器；
所述数据采集终端包括光纤沉降数据采集仪、光栅阵列应变解调仪、光栅阵列振动解调仪、光栅阵列温度解调仪、FBG传感器解调仪；
所述接入分发节点，集成有各类采集协议，包括UDP、TCP、RS232、RS485和Modbus；采用DDS/RTPS数据分发服务，根据多源数据按需表达和信息提取需求将采集数据自适应分发至边缘计算节点。
本发明的方法所采用的技术方案是：一种基于云边融合架构的机场跑道道面状态监测方法，包括以下步骤：
步骤1：建立一种基于蚁群算法加权的改进灰色-马尔可夫预测模型对机场道面状态进行预测。针对机场道面原始数据少、变化复杂的特点将灰色系统理论与马尔可夫预测方法相结合，基于蚁群算法构造加权状态转移矩阵替代传统的统计法和回归分析法。步骤为：
(1)建立时间单序列的线性动态模型，对原始数列x0进行累加生成新数列x1，对待识别的灰色参数进行最小二乘估计得到时间响应式，累减还原得到原始序列的预测值，采用残差检验预测结果；
(2)根据(1)中模型预测结果，将原始数据和模拟数据的比值λ进行等距划分；
(3)将数据进行分组，用蚁群算法求得分组数据权重值和分组数据转移概率矩阵，确定加权后的状态转移矩阵；
(4)根据加权状态转移矩阵对道面状态进行预测分析，并根据预测结果对预测模型进行优化；
利用异构监测传感器采集的机场跑道道面状态历史数据信息对预测模型进行训练，获得训练好的预测模型；将训练好的预测模型下发至边缘平台；
步骤2：异构监测传感器分别实时采集机场跑道道面状态数据信息，包括沉降时间序列、应变场、振动场、温度场、飞机起降振动数据，并将数据发送到接入分发节点；
步骤3：接入分发节点根据各异构监测传感器数据通信协议，建立多源信息的组网与互联，实现多源数据的实时采集，并根据多源数据的按需表达和信息提取需求将采集数据自适应分发至各边缘计算节点；
步骤4：边缘计算节点对数据进行预处理，根据多源数据判定合理预警值，当监测数据超过预警值向中心云服务器中的机场跑道道面状态监测系统提供报警，同时将监测数据输入步骤1中的预测模型进行预测，并将预测结果和数据存储本地数据库并上传数据入云服务器，向中心云服务器中的机场跑道道面状态监测系统提供数据实时监测；并在中心云服务器中的机场跑道道面状态监测系统平台上进行可视化展示。
本发明具有以下优点：本发明基于云边融合架构，边缘节点可以负责自己范围内的数据计算和存储工作，减轻了中心云节点的计算压力，实现了对道面状态监测、预测的实时性要求。以分布式采集处理方式对采集进行负载均衡实现了对海量数据实时采集，利用边缘节点计算能力对采集数据进行实时处理。边缘对采集数据进行处理后上传至中心云存储，为算法模型的训练和升级提供数据支撑，结合RMSprom和动量算法，利用梯度的一阶矩估计和二阶矩估计调整每个参数的学习率，对学习率进行动态约束，平稳参数，使预测模型不断优化。接入分发节点支持多种协议通讯，实现多源数据的采集。
附图说明
图1为本发明实施例的系统架构图；
图2为本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种基于云边融合架构的机场跑道道面状态监测系统，包括异构监测传感器、数据采集终端、接入分发节点、边缘计算节点、交换机和云服务器；
异构监测传感器分别通过匹配的数据采集终端与接入分发节点连接通信，接入分发节点通过若干边缘计算节点与交换机连接通信，交换机与云服务器连接通信。
本实施例的异构监测传感器包括但不限于光纤式沉降计、光栅阵列应变传感缆、光栅阵列振动传感缆、光栅阵列温度传感缆、FBG加速度传感器；
本实施例的数据采集终端包括但不限于光纤沉降数据采集仪、光栅阵列应变解调仪、光栅阵列振动解调仪、光栅阵列温度解调仪、FBG传感器解调仪；
本实施例的接入分发节点，集成有各类采集协议，包括但不限于UDP、TCP、RS232、RS485和Modbus；采用DDS/RTPS数据分发服务，根据多源数据按需表达和信息提取需求将采集数据自适应分发至边缘计算节点。
请见图2，本发明提供的一种基于云边融合架构的机场跑道道面状态监测方法，其特征在于，包括以下步骤：
步骤1：建立一种基于蚁群算法加权的改进灰色-马尔可夫预测模型对机场道面状态进行预测。针对机场道面原始数据少、变化复杂的特点将灰色系统理论与马尔可夫预测方法相结合，基于蚁群算法构造加权状态转移矩阵替代传统的统计法和回归分析法。步骤为：
(1)建立时间单序列的线性动态模型，对原始数列x0进行累加生成新数列x1，对待识别的灰色参数进行最小二乘估计得到时间响应式，累减还原得到原始序列的预测值，采用残差检验预测结果；
(2)根据(1)中模型预测结果，将原始数据和模拟数据的比值λ进行等距划分；
(3)将数据进行分组，用蚁群算法求得分组数据权重值和分组数据转移概率矩阵，确定加权后的状态转移矩阵；
(4)根据加权状态转移矩阵对道面状态进行预测分析，并根据预测结果对预测模型进行优化；
本实施例结合RMSprom和动量算法，利用梯度的一阶矩估计和二阶矩估计调整每个参数的学习率，对学习率进行动态约束，平稳参数，使预测模型不断优化。
利用异构监测传感器采集的机场跑道道面状态历史数据信息对预测模型进行训练，获得训练好的预测模型；将训练好的预测模型下发至边缘平台；
步骤2：异构监测传感器分别实时采集机场跑道道面状态数据信息，包括沉降时间序列、应变场、振动场、温度场、飞机起降振动数据，并将数据发送到接入分发节点；
步骤3：接入分发节点根据各异构监测传感器数据通信协议，建立多源信息的组网与互联，实现多源数据的实时采集，并根据多源数据的按需表达和信息提取需求将采集数据自适应分发至各边缘计算节点；
步骤4：边缘计算节点对数据进行预处理，根据多源数据判定合理预警值，当监测数据超过预警值向中心云服务器中的机场跑道道面状态监测系统提供报警，同时将监测数据输入步骤1中的预测模型进行预测，并将预测结果和数据存储本地数据库并上传数据入云服务器，向中心云服务器中的机场跑道道面状态监测系统提供数据实时监测；并在中心云服务器中的机场跑道道面状态监测系统平台上进行可视化展示。
本实施例中，数据预处理是对传感器采集多源数据采用小波变换对数据进行预处理，步骤为：
1、选取小波基和分解尺度对含噪信号进行小波变换，得到变换后的小波系数；
2、基于软阈值法和硬阈值法改进的阈值函数，对小波变换后的小波系数进行量化运算处理，改进的阈值函数公示为：
其中，ωj,k是小波系数，λ是阈值。当a→1时，阈值函数等于软阈值法，当a→0时，阈值函数等于硬阈值法。
3、对阈值处理后的小波系数进行小波逆变换，得到增强信号。
数据存储是将处理后的数据进行分布式存储，各节点处理数据存储在本地，并统一上传至云端；将处理完成的特征数据集作为云端下发的预测模型的输入层，利用边缘计算节点的算力对道面状态进行预测。
本实施例中，云服务器为分布式计算集群；从数据库获取监测数据，采用短时能量频谱分析法将时域数据转换为频域进行特征提取，步骤为：
(1)对降噪后的数据信号x(t)加窗，窗函数为ω(t-τ)，获得加窗后的信号xω(t,τ)；
(2)对加窗后的信号进行短时傅里叶变换得到短时频谱xω(f,τ)；
(3)在此基础上求得短时能量谱E(τ)
公式为：
xω(t,τ)＝ω(t-τ)x(t）
其中，x(t)是降噪后t时刻的信号；Xω(t,τ)为短时傅里叶变换后的频谱，τ表示时间位移参数；f为频率。
本实施例还可以采用现有技术中的模型作为训练模型，包括但不仅限于反向传播神经网络BP、长短期记忆网络LSTM、循环神经网络RNN。将标准化数据作为初始化参数，计算得出各个神经元层的输入和输出值，计算输出层的误差，若误差不满足阈值，则根据结果进行参数修改，重新计算直至满足阈值，若误差满足阈值，则得到最终预测模型，并将模型下发给边缘计算平台；并将预测数据存入数据库提供给管理系统平台进行可视化展示。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于云边融合架构的机场跑道道面状态监测系统，其特征在于：包括异构监测传感器、数据采集终端、接入分发节点、边缘计算节点、交换机和云服务器；
所述异构监测传感器分别通过匹配的数据采集终端与所述接入分发节点连接通信，所述接入分发节点通过若干边缘计算节点与所述交换机连接通信，所述交换机与所述云服务器连接通信；
所述异构监测传感器包括光纤式沉降计、光栅阵列应变传感缆、光栅阵列振动传感缆、光栅阵列温度传感缆、FBG加速度传感器；
所述数据采集终端包括光纤沉降数据采集仪、光栅阵列应变解调仪、光栅阵列振动解调仪、光栅阵列温度解调仪、FBG传感器解调仪；
所述接入分发节点，集成有各类采集协议，包括UDP、TCP、RS232、RS485和Modbus；采用DDS/RTPS数据分发服务，根据多源数据按需表达和信息提取需求将采集数据自适应分发至边缘计算节点。
2.一种基于云边融合架构的机场跑道道面状态监测方法，其特征在于，包括以下步骤：
步骤1：构建基于蚁群算法加权的改进灰色-马尔可夫预测模型用于对机场道面状态进行预测；利用异构监测传感器采集的机场跑道道面状态历史数据信息对预测模型进行训练，获得训练好的预测模型；将训练好的预测模型下发至边缘平台；
所述预测模型的构建具体包括以下子步骤：
(1)建立时间单序列的线性动态模型，对原始数列x0进行累加生成新数列x1，对待识别的灰色参数进行最小二乘估计得到时间响应式，累减还原得到原始序列的预测值，采用残差检验预测结果；
(2)根据(1)中模型预测结果，将原始数据和模拟数据的比值λ进行等距划分；
(3)将数据进行分组，用蚁群算法求得分组数据权重值和分组数据转移概率矩阵，确定加权后的状态转移矩阵；
(4)根据加权状态转移矩阵对道面状态进行预测分析，并根据预测结果对预测模型进行优化；
步骤2：异构监测传感器分别实时采集机场跑道道面状态数据信息，包括沉降时间序列、应变场、振动场、温度场、飞机起降振动数据，并将数据发送到接入分发节点；
步骤3：接入分发节点根据各异构监测传感器数据通信协议，建立多源信息的组网与互联，实现多源数据的实时采集，并根据多源数据的按需表达和信息提取需求将采集数据自适应分发至各边缘计算节点；
步骤4：边缘计算节点对数据进行预处理，根据多源数据判定合理预警值，当监测数据超过预警值向中心云服务器中的机场跑道道面状态监测系统提供报警，同时将监测数据输入步骤1中的步骤1中的预测模型进行预测，并将预测结果和数据存储本地数据库并上传数据入云服务器，向机场跑道道面状态监测系统提供数据实时监测；并在机场跑道道面状态监测系统平台上进行可视化展示。
3.根据权利要求2所述的基于云边融合架构的机场跑道道面状态监测方法，其特征在于：步骤1中所述对预测模型进行优化，是结合RMSprom和动量算法，利用梯度的一阶矩估计和二阶矩估计调整每个参数的学习率，对学习率进行动态约束，平稳参数，使预测模型不断优化。
4.根据权利要求2所述的基于云边融合架构的机场跑道道面状态监测方法，其特征在于：步骤4中所述边缘计算节点采用小波变换对数据进行降噪处理，具体包括以下子步骤：
(1)选取小波基和分解尺度对含噪信号进行小波变换，得到变换后的小波系数；
(2)基于软阈值法和硬阈值法改进的阈值函数，对小波变换后的小波系数进行量化运算处理，改进的阈值函数公式为：
其中，ωj,k是小波系数，λ是阈值；当a→1时，阈值函数等于软阈值法，当a→0时，阈值函数等于硬阈值法；
(3)对阈值处理后的小波系数进行小波逆变换，得到增强信号。
5.根据权利要求2所述的基于云边融合架构的机场跑道道面状态监测方法，其特征在于：步骤4中，将处理后的数据进行分布式存储，各节点处理数据存储在本地，并统一上传至云服务器；将处理完成的特征数据集作为云服务器下发的预测模型的输入层，利用边缘计算节点的算力对道面状态进行预测。
6.根据权利要求2-5任意一项所述的基于云边融合架构的机场跑道道面状态监测方法，其特征在于：步骤4中，云服务器为分布式计算集群；从数据库获取监测数据，采用短时能量频谱分析法将时域数据转换为频域进行特征提取；具体包括以下子步骤：
(1)对降噪后的数据信号x(t)加窗，窗函数为ω(t-τ)，获得加窗后的信号xω(t,τ)；
(2)对加窗后的信号进行短时傅里叶变换得到短时频谱xω(f,τ)；
(3)在此基础上求得短时能量谱E(τ)
公式为：
xω(t，τ)＝ω(t-τ)x(t)
其中，x(t)是降噪后t时刻的信号；Xω(f,τ)为短时傅里叶变换后的频谱，τ是时间位移参数；f为频率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110636640.1A CN113446988B (zh) | 2021-06-08 | 2021-06-08 | 基于云边融合架构的机场跑道道面状态监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110636640.1A CN113446988B (zh) | 2021-06-08 | 2021-06-08 | 基于云边融合架构的机场跑道道面状态监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113446988A true CN113446988A (zh) | 2021-09-28 |
| CN113446988B CN113446988B (zh) | 2022-04-15 |
Family
ID=77810893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110636640.1A Active CN113446988B (zh) | 2021-06-08 | 2021-06-08 | 基于云边融合架构的机场跑道道面状态监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113446988B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114838743A (zh) * | 2022-04-25 | 2022-08-02 | 武汉理工大学 | 一种用于机场场道安全监测的光栅阵列编码方法及装置 |
| CN114842680A (zh) * | 2022-04-25 | 2022-08-02 | 武汉理工大学 | 基于大容量光栅阵列传感网络的机场飞行场道智能感知系统 |
| CN114877984A (zh) * | 2022-04-25 | 2022-08-09 | 武汉理工大学 | 基于光栅阵列振动传感网络的航空器地面行驶轨迹监测系统 |
| CN115269342A (zh) * | 2022-09-27 | 2022-11-01 | 江苏高信交通科技有限公司 | 一种基于边缘计算的监测云平台及其监测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103744977A (zh) * | 2014-01-13 | 2014-04-23 | 浪潮(北京)电子信息产业有限公司 | 一种云计算系统平台中的监控方法及系统 |
| CN103924500A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工业大学 | 基于触发采集和无线传输的机场沥青道面结构信息长期实时监测系统 |
| CN106372799A (zh) * | 2016-08-31 | 2017-02-01 | 全球能源互联网研究院 | 一种电网安全风险预测方法 |
| CN108171259A (zh) * | 2017-12-13 | 2018-06-15 | 南京理工大学 | 一种基于NB-IoT的智慧末梢水质监测系统及方法 |
| CN109167671A (zh) * | 2018-07-11 | 2019-01-08 | 国网信通亿力科技有限责任公司 | 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法 |
| CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
| WO2019179024A1 (zh) * | 2018-03-20 | 2019-09-26 | 平安科技（深圳）有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN111486869A (zh) * | 2020-04-22 | 2020-08-04 | 电子科技大学 | 一种基于5g的分布式飞行校验系统和方法 |
| CN111678489A (zh) * | 2020-04-22 | 2020-09-18 | 南通弘帆数据科技有限公司 | 一种机场飞行区跑道沉降监测系统及方法 |
| CN111899457A (zh) * | 2020-07-10 | 2020-11-06 | 河海大学 | 一种基于边缘计算的博物馆火警监控系统 |
| WO2020245639A1 (en) * | 2019-06-07 | 2020-12-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Fault prediction using adaptive model selection |
-
2021
- 2021-06-08 CN CN202110636640.1A patent/CN113446988B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103744977A (zh) * | 2014-01-13 | 2014-04-23 | 浪潮(北京)电子信息产业有限公司 | 一种云计算系统平台中的监控方法及系统 |
| CN103924500A (zh) * | 2014-04-25 | 2014-07-16 | 哈尔滨工业大学 | 基于触发采集和无线传输的机场沥青道面结构信息长期实时监测系统 |
| CN106372799A (zh) * | 2016-08-31 | 2017-02-01 | 全球能源互联网研究院 | 一种电网安全风险预测方法 |
| CN108171259A (zh) * | 2017-12-13 | 2018-06-15 | 南京理工大学 | 一种基于NB-IoT的智慧末梢水质监测系统及方法 |
| WO2019179024A1 (zh) * | 2018-03-20 | 2019-09-26 | 平安科技（深圳）有限公司 | 机场跑道智能监控方法、应用服务器及计算机存储介质 |
| CN109167671A (zh) * | 2018-07-11 | 2019-01-08 | 国网信通亿力科技有限责任公司 | 一种面向量子密钥分发业务的配用通信系统均衡负载调度算法 |
| CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
| WO2020245639A1 (en) * | 2019-06-07 | 2020-12-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Fault prediction using adaptive model selection |
| CN110401262A (zh) * | 2019-06-17 | 2019-11-01 | 北京许继电气有限公司 | 基于边缘计算技术的gis设备状态智能监控系统及方法 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN111486869A (zh) * | 2020-04-22 | 2020-08-04 | 电子科技大学 | 一种基于5g的分布式飞行校验系统和方法 |
| CN111678489A (zh) * | 2020-04-22 | 2020-09-18 | 南通弘帆数据科技有限公司 | 一种机场飞行区跑道沉降监测系统及方法 |
| CN111899457A (zh) * | 2020-07-10 | 2020-11-06 | 河海大学 | 一种基于边缘计算的博物馆火警监控系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114838743A (zh) * | 2022-04-25 | 2022-08-02 | 武汉理工大学 | 一种用于机场场道安全监测的光栅阵列编码方法及装置 |
| CN114842680A (zh) * | 2022-04-25 | 2022-08-02 | 武汉理工大学 | 基于大容量光栅阵列传感网络的机场飞行场道智能感知系统 |
| CN114877984A (zh) * | 2022-04-25 | 2022-08-09 | 武汉理工大学 | 基于光栅阵列振动传感网络的航空器地面行驶轨迹监测系统 |
| CN114877984B (zh) * | 2022-04-25 | 2023-12-15 | 武汉理工大学 | 基于光栅阵列振动传感网络的航空器地面行驶轨迹监测系统 |
| CN114842680B (zh) * | 2022-04-25 | 2024-03-08 | 武汉理工大学 | 基于大容量光栅阵列传感网络的机场飞行场道智能感知系统 |
| CN115269342A (zh) * | 2022-09-27 | 2022-11-01 | 江苏高信交通科技有限公司 | 一种基于边缘计算的监测云平台及其监测方法 |
| CN115269342B (zh) * | 2022-09-27 | 2023-01-31 | 江苏高信交通科技有限公司 | 一种基于边缘计算的监测云平台及其监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113446988B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113446988B (zh) | 基于云边融合架构的机场跑道道面状态监测系统及方法 | |
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN111741133B (zh) | 一种云边端协同的气象智能预警系统 | |
| CN113313947A (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
| CN110991690A (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN112766600B (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN107704970A (zh) | 一种基于Spark的需求侧负荷预测方法 | |
| CN116362325A (zh) | 一种基于模型压缩的电力图像识别模型轻量化应用方法 | |
| CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
| Tian et al. | A hybrid time-delay prediction method for networked control system | |
| CN112561199A (zh) | 天气参数预测模型训练方法、天气参数预测方法及装置 | |
| CN113469425A (zh) | 深度交通拥堵预测方法 | |
| CN115205782A (zh) | 一种基于数字孪生技术的喂饭机器人集群监测管理方法 | |
| Zhai et al. | Optimization of traffic congestion management in smart cities under bidirectional long and short-term memory model | |
| CN114266602A (zh) | 电力物联网多源数据融合的深度学习电价预测方法和装置 | |
| WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质 | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| CN117131991A (zh) | 基于混合神经网络的城市降雨量预测方法及平台 | |
| CN116699731A (zh) | 一种热带气旋路径短期预报方法、系统及存储介质 | |
| CN115168327A (zh) | 基于多层树状长短期记忆网络的大规模数据时空预测方法 | |
| Li et al. | Online prediction method of icing of overhead power lines based on support vector regression | |
| Zhao et al. | Missing data reconstruction using adaptively updated dictionary in wireless sensor networks | |
| CN114915563A (zh) | 一种网络流量预测方法和系统 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Sheng Inventor after: Liu Fang Inventor after: Xu Yimin Inventor after: Zou Chengming Inventor after: Hu Jun Inventor before: Zou Chengming Inventor before: Wu Henghao |
|
| CB03 | Change of inventor or designer information |