CN113656170A - 一种基于雾计算的智能设备故障诊断方法及系统 - Google Patents

一种基于雾计算的智能设备故障诊断方法及系统 Download PDF

Info

Publication number
CN113656170A
CN113656170A CN202110853396.4A CN202110853396A CN113656170A CN 113656170 A CN113656170 A CN 113656170A CN 202110853396 A CN202110853396 A CN 202110853396A CN 113656170 A CN113656170 A CN 113656170A
Authority
CN
China
Prior art keywords
fault diagnosis
intelligent
fog
intelligent equipment
real
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
CN202110853396.4A
Other languages
English (en)
Inventor
王娟
胡跃明
李迪
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.)
South China University of Technology SCUT
Guangzhou Institute of Modern Industrial Technology
Original Assignee
South China University of Technology SCUT
Guangzhou Institute of Modern Industrial Technology
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 South China University of Technology SCUT, Guangzhou Institute of Modern Industrial Technology filed Critical South China University of Technology SCUT
Priority to CN202110853396.4A priority Critical patent/CN113656170A/zh
Publication of CN113656170A publication Critical patent/CN113656170A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2294—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing by remote test
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供的一种基于雾计算的智能设备故障诊断方法，包括：智能设备层将实时故障状态数据和故障诊断服务请求发送至雾层；雾层根据实时数据得到各智能设备的故障诊断样本数据并发送至云层，其中，雾层包括雾节点，雾节点包括多个用于部署多个不同类型智能设备的故障诊断通用模型的容器，根据智能设备的服务请求通过故障诊断通用模型完成对相应智能设备的实时故障诊断，得到诊断结果并反馈至相应的智能设备；云层对不同类型智能设备的故障诊断通用模型进行训练和更新，并将训练或更新后的模型迁移至雾节点中相应的容器中，为雾节点提供相应的故障诊断通用模型。还提供了相应的系统。本发明可解决智能设备故障诊断过程中的精度低、实时性差的问题。

Description

一种基于雾计算的智能设备故障诊断方法及系统
技术领域
本发明涉及智能设备故障诊断技术领域，具体涉及一种基于雾计算的智能设备故障诊断方法及系统。
背景技术
近年来，随着物联网、大数据、云计算等技术的不断进步，智能制造得到快速发展，越来越多的智能设备广泛应用在智能工厂中，是搭建智能工厂的基本单元，为智能工厂提供多样化服务。因此，智能设备的健康、可靠运行是保障智能工厂高效率生产的基础。与传统设备不同，智能设备的复杂程度高，智能生产对智能设备的可靠性和稳定性提出了更高的要求，这向智能设备的实时、有效诊断带来严峻挑战。云计算具有计算能力强、存储空间大等优势，为智能设备建立系统、精确的故障诊断通用模型，然而由于较大的网络传输延时，云计算无法为智能设备提供实时的故障诊断服务。
发明内容
针对现有技术的不足，本发明提供一种基于雾计算的智能设备故障诊断方法及系统，可以解决智能设备故障诊断过程中的精度低、实时性差的问题。
为了实现前述发明目的，本发明提供的一种基于雾计算的智能设备故障诊断系统，搭建了面向智能设备故障诊断的雾计算平台，包括三层分别是智能设备层、雾层和云层，
智能设备层负责数据实时采集，其中，智能设备层包括多个智能设备，智能设备上设置有用于采集数据的传感设备；
雾层用于为诊断模型提供部署空间与运行环境，所述雾层包括雾节点，雾节点包括多个用于部署多个不同类型智能设备的故障诊断通用模型的容器；
云层用于完成诊断模型的训练与大量历史样本数据的存储。
本发明还提供一种基于雾计算的智能设备故障诊断方法，包括以下步骤：
智能设备层通过传感器采集各智能设备运行过程中的实时故障状态数据，并将所述实时故障状态数据和故障诊断服务请求发送至雾层；
雾层接收实时数据，对实时数据进行预处理和数据分析，分别得到各智能设备的故障诊断样本数据，并将所述智能设备故障诊断样本数据发送至云层，其中，所述雾层包括雾节点，雾节点包括多个用于部署多个不同类型智能设备的故障诊断通用模型的容器，根据智能设备的服务请求通过故障诊断通用模型完成对相应智能设备的实时故障诊断，得到诊断结果，并将诊断结果反馈至相应的智能设备；针对智能设备的高精度、高实时故障诊断服务请求，为了保证诊断结果的及时性、准确性，需要协同云雾计算资源建立故障诊断模型来完成智能设备状态的诊断。
云层结合历史样本数据以及实时的各智能设备的故障诊断样本数据，分别对不同类型智能设备的故障诊断通用模型进行训练和更新，并将训练或更新后的各故障诊断通用模型迁移至雾节点中相应的容器中，为雾节点提供各类型智能设备相应的故障诊断通用模型。
对本发明方案的进一步改进，智能设备上安置了用于采集数据的传感设备。智能设备配置多种传感设备，实现对智能设备状态数据采集与信息融合，智能设备通过不同的通讯接口协议与雾节点相连，将采集的实时数据上传至雾节点。
对本发明方案的进一步改进，智能设备通过通讯接口协议与雾节点相连，以将采集的实时数据上传至雾节点。
对本发明方案的进一步改进，通过Docker技术将雾节点割为多个容器。雾节点配置微型数据库，对智能设备采集到得实时状态数据进行处理与存储，通过迁移学习在雾节点完成故障诊断通用模型的有效部署与实时运行。
对本发明方案的进一步改进，所述云层包括数据库和云计算中心，所述数据库用于存储训练样本数据，所述云计算中心用于完成对多种故障诊断通用模型的训练。训练样本数据包括历史训练样本数据集以及更新训练样本数据。基于云层丰富的训练样本资源和计算资源，通过对智能设备的故障诊断模型进行持续训练更新，以得到合适的故障诊断通用模型。
对本发明方案的进一步改进，雾节点通过广域网与云层的云数据中心建立通信连接，以将故障诊断样本数据发送至云数据中心。
对本发明方案的进一步改进，智能设备分为智能加工设备、智能运输设备以及智能监测设备。
对本发明方案的进一步改进，所述雾节点被分割为三个容器，每个容器均部署一种故障诊断通用模型，每种故障诊断通用模型对应一类智能设备。
对本发明方案的进一步改进，雾节点接收智能设备的故障诊断服务请求，选择相应的故障诊断通用模型，结合当前该智能设备的实时状态数据，完成智能设备的故障诊断。
对本发明方案的进一步改进，智能设备的服务请求等级包括服务请求的紧急性、智能设备的重要性以及智能设备的运行状态。
本发明相对于现有技术，至少能够实现以下有益效果：
1.利用近距离、分布式雾节点解决智能设备诊断数据的存储和处理问题，大量历史数据的挖掘为推理规则制定提供依据，这也为设备故障精确诊断奠定基础。同时，云服务器强大的计算能力为快速处理大量样本数据提供重要支撑。
2.通过迁移学习完成模型参数从云服务器到雾节点的迁移，节省了通用性模型在雾节点的训练时间，提高了雾节点的资源利用率。云雾协同技术的引入提高了智能设备故障诊断的实时性、准确性。
3.雾辅助的感知数据预处理不仅可以快速实现智能设备的故障诊断，还可以有效整合多模态数据，大大节约网络资源同时提高了数据传输速度。
4.借助云雾协同技术，将智能设备故障诊断服务请求按照实时性进行等级划分，对于实时性等级高的服务请求，雾节点进行及时响应；对于实时性等级低的服务请求，雾节点进行延迟响应。
5.为了同时满足多种智能设备故障诊断请求服务，采用Docker技术将雾节点划分为多个容器，在容器中完成通用模型的部署，结合智能设备的故障诊断请求，在通用模型的基础上进一步更新。
附图说明
图1为基于雾计算的智能设备故障诊断方法的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
雾节点部署在网络边缘，为智能设备提供近距离、分布式的计算、通信与网络资源，解决了云计算带来的网络高延时问题，借助雾计算平台，通过云雾协同技术，提高了智能设备故障诊断服务的实时性与准确性。
如图1所示，本发明提供一种基于雾计算的智能设备故障诊断系统，即搭建了一种面向智能设备故障诊断的雾计算平台，包括智能设备层、雾层和云层。
其中，云层位于雾计算平台的顶层，为智能设备故障诊断提供海量的计算、存样本数据、网络资源，并用于完成故障诊断通用模型的训练，基于云层丰富的训练样本资源和计算资源，得到智能设备的故障诊断通用模型，为雾节点提供初始诊断模型；
雾层位于平台的中间层，该层部署了雾节点，具有数据分析、模型优化功能，凭借较低的网络延时，基于迁移学习得到初始的故障诊断通用模型，通过雾节点个性化训练为智能设备提供实时、准确的故障诊断服务；
智能设备层位于平台的底层，智能设备层包括智能设备以及安装在智能设备的多种用于采集数据的传感设备，实现对智能设备状态数据采集与信息融合，智能设备通过不同的通讯接口协议与雾节点相连，将采集的实时数据上传至雾节点。负责采集智能设备的运行状态数据。
本发明还提供一种基于雾计算的智能设备故障诊断方法，包括以下步骤：
步骤1:各智能设备运行过程中，智能设备的各类传感设备实时采集智能设备的故障状态数据并由智能设备的计算中心对数据进行预处理，以进行数据清洗，减少无用数据，并将故障诊断服务请求和处理后的故障状态数据发送至雾层相应雾节点。
在本发明其中一个实施例中，智能设备通过端雾接口与雾节点相连。
在本发明其中一个实施例中，智能设备的故障诊断服务请求等级包括服务请求的紧急性、智能设备的重要性以及智能设备的运行状态。
步骤2:雾层接收其服务范围内的智能设备的实时状态数据，对实时数据进行预处理以减少无用数据和进行归纳、推理等数据分析，分别得到各智能设备的故障诊断样本数据，并将所述智能设备故障诊断样本数据发送至云层；其中，雾层包括雾节点，雾节点包括多个用于部署多个不同类型智能设备的故障诊断通用模型的容器，根据智能设备的服务请求通过故障诊断通用模型完成对相应智能设备的实时故障诊断，得到诊断结果，并将诊断结果反馈至相应的智能设备。
本发明中，采用Docker技术将雾节点划分为多个容器，在各容器中完成各类智能设备的故障诊断通用模型的部署，结合智能设备的故障诊断请求，在训练得到的故障诊断通用模型的基础上进一步更新。
具体地，在本发明其中一个实施例中，智能设备的类型包括加工智能设备、运输智能设备以及监测智能设备。采用Docker技术将雾节点划分为3个容器，每个容器部署一种故障诊断通用模型，每种故障诊断通用模型对应一类智能设备，即故障诊断通用模型包括运输设备故障诊断通用模型、加工设备故障诊断通用模型和监测设备故障诊断通用模型。
在本发明其中一个实施例中，雾节点具体是根据智能设备的服务请求等级执行顺序操作(优先执行实时性等级高的服务请求)，雾节点运行相应故障诊断通用模型，对智能设备状态数据进行实时分析，得出故障诊断结果。
在本发明其中一个实施例中，雾节点还配置有微型数据库，对智能设备采集到得实时状态数据进行存储与存储。
在本发明其中一个实施例中，雾节点通过广域网与云层建立通信连接，将故障诊断样本数据发送至云层。
步骤3：云层存储了大量的历史故障诊断样本数据，结合历史故障诊断样本数据和实时的各智能设备的故障诊断样本数据，分别通过训练建立各智能设备通用的故障诊断通用模型，并定期对各故障诊断通用模型进行更新，通过迁移学习，将最新的故障诊断通用模型迁移至雾节点中相应的容器中，从而可以为雾节点提供各类型智能设备相应的故障诊断通用模型。
在雾节点中完成智能设备的故障诊断，得到故障诊断结果，根据故障诊断结果得到相应的解决方案，智能设备或维修人员根据诊断结果和解决方案执行相应操作。
在本发明其中一个实施例中，所述云层包括数据库和云计算中心，所述数据库用于存储样本数据，所述云计算中心用于完成对故障诊断通用模型的训练。
在本发明其中一个实施例中，雾节点通过广域网与云层的云数据中心建立通信连接，以将故障诊断样本数据发送至云数据中心。
本发明中，雾节点为智能设备提供低延时、高可靠诊断服务，对故障诊断服务进行实时响应，在初始训练得到的故障诊断通用模型的基础上，结合现有实时的故障状态数据，完成智能设备的故障诊断。
以上实施例所提供的一种基于雾计算的智能设备故障诊断方法，通过智能设备实时采集各类传感器的数据，将有效诊断数据上传至雾节点，并在雾节点中进行数据预处理和数据分析。雾节点将智能设备故障有效诊断数据转化为样本数据，并定期发送至云服务器，为智能设备故障诊断通用模型提供有效训练样本数据。结合大量历史训练样本数据以及有效训练样本数据，在云服务器中完成通用智能设备故障诊断通用模型训练，并将训练好的智能设备故障诊断通用模型迁移至雾节点的容器中，为雾节点提供智能设备故障诊断初始模型，根据智能设备的服务请求即可完成智能设备的实时故障诊断，可以有效解决智能设备故障诊断过程中的精度低、实时性差的问题。其中，通过迁移学习完成模型参数从云服务器到雾节点的迁移，有效节省了通用性模型在雾节点的训练时间，大大提高了雾节点的资源利用率。
如上所述，便可较好地实现本发明。
本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于雾计算的智能设备故障诊断系统，其特征在于，包括：
智能设备层，用于进行数据的实时采集，其中，智能设备层包括多个智能设备，智能设备上设置有用于采集数据的传感设备；
雾层，用于为诊断模型提供持续更新以及实时运行的计算环境，所述雾层包括雾节点，雾节点包括多个用于部署多个不同类型智能设备的故障诊断通用模型的容器；
云层，用于完成诊断模型的训练与历史样本数据的存储。
2.一种基于雾计算的智能设备故障诊断方法，其特征在于，采用权利要求1所述的系统，所述方法包括以下步骤：
智能设备层通过传感器采集各智能设备运行过程中的实时故障状态数据，并将所述实时故障状态数据和故障诊断服务请求发送至雾层；
雾层接收实时数据，对实时数据进行预处理和数据分析，分别得到各智能设备的故障诊断样本数据，并将所述智能设备故障诊断样本数据发送至云层，其中，所述雾层包括雾节点，雾节点包括多个用于部署多个不同类型智能设备的故障诊断通用模型的容器，根据智能设备的服务请求通过故障诊断通用模型完成对相应智能设备的实时故障诊断，得到诊断结果，并将诊断结果反馈至相应的智能设备；
云层结合历史样本数据以及实时的各智能设备的故障诊断样本数据，分别对不同类型智能设备的故障诊断通用模型进行训练和更新，并将训练或更新后的各故障诊断通用模型迁移至雾节点中相应的容器中，为雾节点提供各类型智能设备相应的故障诊断通用模型。
3.根据权利要求2所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，智能设备通过通讯接口协议与雾节点相连，以将采集的实时数据上传至雾节点。
4.根据权利要求2所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，通过Docker技术将雾节点割为多个容器。
5.根据权利要求2所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，所述云层包括数据库和云计算中心，所述数据库用于存储样本数据，所述云计算中心用于完成对多种故障诊断通用模型的训练。
6.根据权利要求5所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，雾节点通过广域网与云层的云数据中心建立通信连接，以将故障诊断样本数据发送至云数据中心。
7.根据权利要求2所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，智能设备分为智能加工设备、智能运输设备以及智能监测设备。
8.根据权利要求7所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，所述雾节点被分割为三个容器，每个容器均部署一种故障诊断通用模型，每种故障诊断通用模型对应一类智能设备。
9.根据权利要求2所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，雾节点接收智能设备的故障诊断服务请求，选择相应的故障诊断通用模型，结合当前该智能设备的实时状态数据，完成智能设备的故障诊断。
10.根据权利要求2-9任一所述的一种基于雾计算的智能设备故障诊断方法，其特征在于，智能设备的服务请求等级包括服务请求的紧急性、智能设备的重要性以及智能设备的运行状态。
CN202110853396.4A 2021-07-27 2021-07-27 一种基于雾计算的智能设备故障诊断方法及系统 Pending CN113656170A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110853396.4A CN113656170A (zh) 2021-07-27 2021-07-27 一种基于雾计算的智能设备故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110853396.4A CN113656170A (zh) 2021-07-27 2021-07-27 一种基于雾计算的智能设备故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN113656170A true CN113656170A (zh) 2021-11-16

Family

ID=78490717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110853396.4A Pending CN113656170A (zh) 2021-07-27 2021-07-27 一种基于雾计算的智能设备故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113656170A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281052A (zh) * 2021-12-30 2022-04-05 中国兵器装备集团自动化研究所有限公司 机械设备运行状态监控装置、系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021451A (zh) * 2017-12-07 2018-05-11 上海交通大学 一种雾计算环境下的自适应容器迁移方法
US20180159745A1 (en) * 2016-12-06 2018-06-07 Cisco Technology, Inc. Orchestration of cloud and fog interactions
CN111077851A (zh) * 2018-10-22 2020-04-28 中国科学院沈阳自动化研究所 一种基于气相色谱雾计算框架的化工过程故障诊断系统
CN111124662A (zh) * 2019-11-07 2020-05-08 北京科技大学 一种雾计算负载均衡方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180159745A1 (en) * 2016-12-06 2018-06-07 Cisco Technology, Inc. Orchestration of cloud and fog interactions
CN108021451A (zh) * 2017-12-07 2018-05-11 上海交通大学 一种雾计算环境下的自适应容器迁移方法
CN111077851A (zh) * 2018-10-22 2020-04-28 中国科学院沈阳自动化研究所 一种基于气相色谱雾计算框架的化工过程故障诊断系统
CN111124662A (zh) * 2019-11-07 2020-05-08 北京科技大学 一种雾计算负载均衡方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王娟: ""面向智能制造的雾计算关键技术研究"", 中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 6, 15 June 2020 (2020-06-15), pages 18 - 45 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281052A (zh) * 2021-12-30 2022-04-05 中国兵器装备集团自动化研究所有限公司 机械设备运行状态监控装置、系统及方法

Similar Documents

Publication Publication Date Title
CN110390246A (zh) 一种边云环境中的视频分析方法
Chen et al. Edge computing in IoT-based manufacturing
WO2022257181A1 (zh) AIOT PaaS物联网运营平台
CN110336703A (zh) 基于边缘计算的工业大数据监测系统
CN110287945A (zh) 一种5g环境下无人机目标检测方法
KR20200063340A (ko) 클라우드향 기계학습 기반의 품질 검사 방법 및 그 시스템
CN108597057A (zh) 一种基于噪音深度学习的无人机故障预测诊断系统及方法
CN113422803B (zh) 一种基于端边云协同的无人机智能巡检任务无缝迁移方法
CN103177298A (zh) 泛能网控制方法
CN113568743A (zh) 物联网设备的管理方法、装置、介质及电子设备
CN113642946A (zh) 一种基于城市重要基础设施的感知信息集成接入系统
CN110505597A (zh) 一种无线传感器网络的数据传输方法
CN100450027C (zh) 基于移动代理的部落式大规模网络故障管理办法
CN109725949A (zh) 一种基于移动代理的移动边缘计算卸载系统及方法
CN113656170A (zh) 一种基于雾计算的智能设备故障诊断方法及系统
CN204425404U (zh) 基于物联网的移动维保系统
CN107609812A (zh) 一种新型的智能仓储系统
CN114301809B (zh) 一种边缘计算平台架构
Firouzi et al. Task offloading for edge-fog-cloud interplay in the healthcare Internet of Things (IoT)
CN102355373B (zh) 一种传输网络大汇聚点隐患自动排查的方法和装置
CN111077851A (zh) 一种基于气相色谱雾计算框架的化工过程故障诊断系统
CN107918273A (zh) 一种移动物联网技术在交叉带分拣机上的应用系统
CN114706675A (zh) 基于云边协同系统的任务部署方法及装置
CN116863652A (zh) 一种基于互联网加技术的地质灾害预警方法
CN116761194A (zh) 一种无线通信网络中警务协同通信优化系统及方法

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