CN113934175A - 一种智能无线汽轮机数据采集系统 - Google Patents
一种智能无线汽轮机数据采集系统 Download PDFInfo
- Publication number
- CN113934175A CN113934175A CN202111246096.6A CN202111246096A CN113934175A CN 113934175 A CN113934175 A CN 113934175A CN 202111246096 A CN202111246096 A CN 202111246096A CN 113934175 A CN113934175 A CN 113934175A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- wireless
- steam turbine
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 23
- 230000003750 conditioning effect Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 229910000897 Babbitt (metal) Inorganic materials 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004377 microelectronic Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009529 body temperature measurement Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24215—Scada supervisory control and data acquisition
Abstract
本发明属于汽轮机数据采集应用领域,尤其涉及一种智能无线汽轮机数据采集系统,包括传感器模块、多个无线采集模块和边缘计算模块,所述传感器模块与汽轮机设备信号相连,获取汽轮机设备的数据,并将同类型的数据成组,多个无线采集模块形成采集集群,无线采集模块中的无线通信模块将数据传输到边缘计算模块,边缘计算模块对数据进行趋势预测、概率密度分布的分析,得到数据的测点或设备的状态特征,再通过网线传输数据到智慧电厂系统的数据平台。本发明提供了一种智能无线汽轮机数据采集方法,可实现无线数据通信。无线通信技术在特殊的环境之下有效地弥补了有线网络的不足,进一步优化了工业数据采集网络的通信性能。
Description
技术领域
本发明属于汽轮机数据采集应用领域,尤其涉及一种智能无线汽轮机数据采集系统。
背景技术
现有的汽轮机特性参数采集大部分是有线的,有线数据采集装置布线较多,而且还经常被损坏,某些情况下火电机组汽轮机数据测点由于现场不具备施工条件时,往往需要通过无线通信方案来解决。国内对无线数据采集的研究已经开展了很多年,尤其在热力特性无线测试方面已经取得了丰硕的成果(如油田输油管道温度测试、陶瓷窑炉温度测试、锅炉水温测试、工业多点温湿度测试等等),但关于火电厂实验这方面的应用还不多见。
现有相关专利如专利号为CN201310473146.3,名称为《一种火电机组性能的监测系统和方法》的发明专利,其内容为:本发明实施例提供了一种火电机组性能的监测系统和方法,其中包括:无线采集装置、处理装置以及投切装置;所述无线采集装置连接火电机组余热利用系统,用于采集火电机组余热利用系统的机组运行参数;所述机组运行参数包括:驱动蒸汽压力、凝结水压力、凝结水流量并发送至处理装置;所述处理装置建立所述火电机组中能耗特性与机组运行参数之间的特征向量集后获取供电煤耗率以及所述火电机组的性能;所述投切装置连接所述处理装置,用于根据所述处理装置获得的所述火电机组的性能进行投切。再如专利号为CN201811113622.X,名称为《采用温差模块供电的无源无线火电厂壁温测量系统》的发明专利,其内容为:本发明涉及采用温差模块供电的无源无线火电厂壁温测量系统,技术方案是,温差发电模块的电能与升压模块的相连,升压模块与电源管理模块相连,电源管理模块的输出端分别与可充电锂电池的输入端、微处理器的供电输入端和温度传感器的供电输入端相连,可充电锂电池的输出端分别与微处理器的供电输入端和温度传感器的供电输入端相连,温度传感器的信号输出端与微处理器的信号输入端相连。其中《一种火电机组性能的监测系统和方法》用于解决现有技术中热力系统结构复杂,从而使得在线监测机组的能耗指标更加难以实现,主要目的是监测计算火电机组性能。而《采用温差模块供电的无源无线火电厂壁温测量系统》侧重于温差模块供电技术,两者都不具备数据分析能力。
发明内容
为实现上述技术效果,现在提出一种采用无线通信模块实现数据集采,并应用边缘计算模块得到数据的特征值,具备智能分析功能,并且能应用在火电厂的智能无线汽轮机数据采集系统。
为实现上述技术效果,本申请所采用的技术方案如下:
一种智能无线汽轮机数据采集系统,包括传感器模块、多个无线采集模块和边缘计算模块,所述传感器模块与汽轮机设备信号相连,获取汽轮机设备的数据,并将同类型的数据成组,多个无线采集模块形成采集集群,无线采集模块中的无线通信模块将数据传输到边缘计算模块,边缘计算模块对数据进行趋势预测、概率密度分布的分析,得到数据的测点或设备的状态特征,再通过网线传输数据到智慧电厂系统的数据平台。
进一步地,传感器模块获取汽轮机设备的热力系统温度、压力、轴承金属温度、轴承振动数据数据。
进一步地,所述无线采集模块采用Zigbee通信方案,无线采集模块包括供电电路、调理电路和超低功耗性能无线通信的MCU,电源通过供电电路对MCU和调理电路供电。无线采集模块通过调理电路将传感器传入的模拟信号进行模拟/数字转换后,将数字化后的数据传入MCU,并经过低通一阶滤波处理:
其中:y(n)为当前输出值,τ为滤波常数,x(n-1)为上一采样周期的输入值,y(n-1)为上一采样周期的输出值,n为当前采样点;
然后通过高速ZigBee无线通信发射数据,并且MCU将通信加入安全机制。
进一步地,边缘计算模块包括的子模块为供电电路、无线通信电路和MCU电路;边缘计算模块对汽轮机数据进行前端的处理与诊断。
一个边缘模块连接多个采集模块,采取多测点采集的方式,获得汽轮机典型的故障信号,对故障信号进行鉴别添加标签,构建获得训练集数据和验证集数据;然后建立神经网络模型,包括:输入层、n个卷积层、n个池化层、全连接层与输出层,n为大于1的整数;
各个卷积层的输入为:
各个卷积层的输出为:
其中,l为大于1的整数,是卷积神经网络诊断模型的第l-1层的第i个特征平面的激活值;是模型的第一层第j个特征平面与第l-1平面的卷积核;是模型的第一层第j个特征平面的偏置值;是模型的第一层第j个特征平面的加权和,f()表示激活函数,Ri是指输入数据信号的集合。
各个池化层的输入为:
各个池化层的输出为:
全连接层的输入为:
u1=w1x1+b1
全连接层的输出为:
x′=f(u1)
w1是模型的全连接层的权重系数,b1是模型的全连接层的偏置值,x1是全连接层的前一层输出的特征矩阵转换得到的一维数据特征值,u1是全连接层的净激活值,x′是全连接层的激活值,f()表示激活函数。
输出层通过选择合适的激活函数,可以得到样本数据属于各个类别的概率分布情况,得到诊断结果。
本申请的优点在于:
1.本发明提供了一种智能无线汽轮机数据采集方法,可实现无线数据通信。无线通信技术在特殊的环境之下有效地弥补了有线网络的不足,进一步优化了工业数据采集网络的通信性能。
2.本发明还实现了数据的预处理与边缘人工智能分析计算,在成本增加不高的前提下,可以实现更为快速的前端分析计算。
3.本发明的数据通信系统还具有稳定、安全、快速的效果。
附图说明
图1为系统架构。
图2为无线通信模块架构。
图3为边缘计算模块架构。
图4为系统处理流程。
图5为神经网络模型架构图。
具体实施方式
实施例1
一种智能无线汽轮机数据采集系统,包括传感器模块、多个无线采集模块和边缘计算模块,所述传感器模块与汽轮机设备信号相连,获取汽轮机设备的数据,并将同类型的数据成组,多个无线采集模块形成采集集群,成组是通过数据接收端实现,无线采集模块中的无线通信模块将数据传输到边缘计算模块,边缘计算模块对数据进行趋势预测、概率密度分布的分析,得到数据的测点或设备的状态特征,如压力偏高、温度偏高、振动偏大等,再通过网线传输数据到智慧电厂系统的数据平台。本发明提供了一种智能无线汽轮机数据采集方法,可实现无线数据通信。无线通信技术在特殊的环境之下有效地弥补了有线网络的不足,进一步优化了工业数据采集网络的通信性能。
如图4所示,传感器模块首先采集汽轮机特性,然后无限采集模块进行调理采集,然后无线采集模块通过无线通信将数据传输给边缘计算模块,边缘计算模块应用人工智能算法进行前端数据分析,边缘计算模块将处理后的数据发送。
实施例2
一种智能无线汽轮机数据采集系统,包括传感器模块、多个无线采集模块和边缘计算模块,所述传感器模块与汽轮机设备信号相连,获取汽轮机设备的数据,并将同类型的数据成组,多个无线采集模块形成采集集群,成组是通过数据接收端实现,无线采集模块中的无线通信模块将数据传输到边缘计算模块,边缘计算模块对数据进行趋势预测、概率密度分布的分析,得到数据的测点或设备的状态特征,如压力偏高、温度偏高、振动偏大等,再通过网线传输数据到智慧电厂系统的数据平台。
进一步地,传感器模块获取汽轮机设备的热力系统温度、压力、轴承金属温度、轴承振动数据数据。
进一步地,所述无线采集模块采用Zigbee通信方案,无线采集模块包括供电电路、调理电路和超低功耗性能无线通信的MCU,电源通过供电电路对MCU和调理电路供电;Zigbee为低功耗、自我修复、网状网络的全球标准,本系统采用超低功耗性能无线通信MCU,MCU可选TI的CC2652系列,传感器控制器可让主MCU保持睡眠,降低功耗。无线采集模块通过调理电路将传感器传入的模拟信号进行模拟/数字转换后,将数字化后的数据传入MCU,并经过低通一阶滤波处理:
其中:y(n)为当前输出值,τ为滤波常数,x(n-1)为上一采样周期的输入值,y(n-1)为上一采样周期的输出值,n为当前采样点;
然后通过高速ZigBee无线通信发射数据,并且MCU将通信加入安全机制,保证数据通信的安全性,安全机制可为CRC校验。
进一步地,边缘计算模块包括的子模块为供电电路、无线通信电路和MCU电路;边缘计算模块主要是对汽轮机数据进行前端的处理与诊断,核心处理器采用瑞芯微电子的RK3399Pro,在运行深度算法与人工智能算法时比传统的处理器性能更强,并且功耗与传统的嵌入式处理器差别不大。以汽轮机转子故障分析计算为例,说明边缘计算模块的工作原理。
一个边缘模块一般连接多个采集模块,采取多测点采集的方式,获得汽轮机典型的故障信号,对故障信号进行鉴别添加标签,构建获得训练集数据和验证集数据;然后建立神经网络模型,包括:输入层、n个卷积层、n个池化层、全连接层与输出层,n为大于1的整数;
各个卷积层的输入为:
各个卷积层的输出为:
其中,l为大于1的整数,是卷积神经网络诊断模型的第l-1层的第i个特征平面的激活值;是模型的第一层第j个特征平面与第l-1平面的卷积核;是模型的第一层第j个特征平面的偏置值;是模型的第一层第j个特征平面的加权和,f()表示激活函数,Ri是指输入数据信号的集合。
各个池化层的输入为:
各个池化层的输出为:
全连接层的输入为:
u1=w1x1+b1
全连接层的输出为:
x′=f(u1)
w1是模型的全连接层的权重系数,b1是模型的全连接层的偏置值,x1是全连接层的前一层输出的特征矩阵转换得到的一维数据特征值,u1是全连接层的净激活值,x′是全连接层的激活值,f()表示激活函数。
输出层通过选择合适的激活函数,可以得到样本数据属于各个类别的概率分布情况,得到诊断结果。
本发明提供了一种智能无线汽轮机数据采集方法,可实现无线数据通信。无线通信技术在特殊的环境之下有效地弥补了有线网络的不足,进一步优化了工业数据采集网络的通信性能。本发明还实现了数据的预处理与边缘人工智能分析计算,在成本增加不高的前提下,可以实现更为快速的前端分析计算。本发明的数据通信系统还具有稳定、安全、快速的效果。
实施例3
如图1所示,通过振动传感器采集汽轮机各轴承的振动数据,然后通过无线采集模块将振动数据以Zigbee通信协议传输至边缘计算模块,然后由边缘计算模块应用卷积神经网络对振动数据进行特征提取、故障诊断。
如图2所示,无线采集模块包括供电电路、调理电路、MCU电路三部分。供电电路采取电池供电,采取双组电源供电,每组5节5号电池。在更换一组电池时,模块不会掉电,保证模块的连续运行。5节5号电池电压7.5V,通过电源电路降压稳定在5V与3.3V给无线采集模块各部分供电。降压电路采用电源芯片型号为TPS54332,以及外围电路。调理电路将传感器输入的电压信号进行滤波、放大、采样,采样芯片采用AD7656。MCU电路的作用是对汽轮机的振动信号进行预处理后通过无线通信传输至边缘计算模块。MCU采用TI公司的CC2652P,为具有352kB闪存的SimpleLink 32位Arm Cortex-M4F多协议2.4GHz无线MCU。通信协议波特率460800,串口带命令保护,输入命令中间断掉时会自动抛弃,输出命令之间带12字节的帧间隔,协调器可以存储200个入网设备的link key,至少可以入网200个节点。
边缘计算模块如图3所示,供电由外部接入24V供电,无线通信模块采取TI公司的CC2652P,集成ZigBee通信协议。AI计算部分采用瑞芯微的RK3399Pro芯片,双Cortex-A72+四Cortex-A53大小核CPU结构,频率最高1.8GHz。Mali-T860 GPU,支持OpenGL ES1.1/2.0/3.0/3.1,OpenCL支持AFBC(帧缓冲压缩)内存为双通道DDR3-1866/DDR3L-1866/LPDDR3-1866/LPDDR4,支持eMMC 5.1,SDIO3.0。还配备了一个功能强大的神经网络处理单元(NPU),支持市场主流平台,能够加速神经网络解算。
边缘计算模块一般连接多个无线采集模块,采取多测点采集的方式,获得汽轮机振动信号,以6轴承汽轮机为例,采集6个轴承的X、Y两个方向的振动数据,每次分析计算的数据点数设为1024,则输入数据为1024×6×2的矩阵。
如图5所示,然后建立神经网络模型,包括:输入层、2个卷积层、2个池化层、全连接层与输出层。
各个卷积层的输入为:
各个卷积层的输出为:
其中,l为大于1的整数,是卷积神经网络诊断模型的第l-1层的第i个特征平面的激活值;是模型的第一层第j个特征平面与第l-1平面的卷积核;是模型的第一层第j个特征平面的偏置值;是模型的第一层第j个特征平面的加权和。f()表示激活函数,这里采用修正线性单元(ReLU),不能采用Sigmoid,经常会不收敛。
各个池化层的输入为:
各个池化层的输出为:
其中第l+1层为池化层,是模型第l+1层第j通道的净激活值,是模型的第l+1层的权重系数;是模型的第l+1层的偏置值;mp()是池化函数,常用的是最大值与平均值池化,这里采用最大值池化函数。f()表示激活函数,池化层的激活函数采用Sigmoid。
全连接层的输入为:
u1=w1x1+b1
全连接层的输出为:
x′=f(u1)
w1是模型的全连接层的权重系数,b1是模型的全连接层的偏置值,x1是全连接层的前一层输出的特征矩阵转换得到的一维数据特征值,u1是全连接层的净激活值,x′是全连接层的激活值,f()表示激活函数。
输出层通过选择合适的激活函数,这里采用softmax函数,可以得到样本数据属于各个类别的概率分布情况,得到诊断结果。
如图4所示,传感器模块首先采集汽轮机特性,然后无限采集模块进行调理采集,然后无线采集模块通过无线通信将数据传输给边缘计算模块,边缘计算模块应用人工智能算法进行前端数据分析,边缘计算模块将处理后的数据发送。
Claims (8)
1.一种智能无线汽轮机数据采集系统,其特征在于:包括传感器模块、多个无线采集模块和边缘计算模块,所述传感器模块与汽轮机设备信号相连,获取汽轮机设备的数据,并将同类型的数据成组,多个无线采集模块形成采集集群,无线采集模块中的无线通信模块将数据传输到边缘计算模块,边缘计算模块对数据进行趋势预测、概率密度分布的分析,得到数据的测点或设备的状态特征,再通过网线传输数据到智慧电厂系统的数据平台。
2.根据权利要求1所述的一种智能无线汽轮机数据采集系统,其特征在于:传感器模块获取汽轮机设备的热力系统温度、压力、轴承金属温度、轴承振动数据数据。
4.根据权利要求1所述的一种智能无线汽轮机数据采集系统,其特征在于:边缘计算模块包括的子模块为供电电路、无线通信电路和MCU电路;边缘计算模块对汽轮机数据进行前端的处理与诊断。
5.根据权利要求4所述的一种智能无线汽轮机数据采集系统,其特征在于:一个边缘模块连接多个采集模块,采取多测点采集的方式,获得汽轮机典型的故障信号,对故障信号进行鉴别添加标签,构建获得训练集数据和验证集数据;然后建立神经网络模型,包括:输入层、n个卷积层、n个池化层、全连接层与输出层,n为大于1的整数;
各个卷积层的输入为:
各个卷积层的输出为:
其中,l为大于1的整数,是卷积神经网络诊断模型的第l-1层的第i个特征平面的激活值;是模型的第一层第j个特征平面与第l-1平面的卷积核;是模型的第一层第j个特征平面的偏置值;是模型的第一层第j个特征平面的加权和,f( )表示激活函数,Ri是指输入数据信号的集合。
各个池化层的输入为:
各个池化层的输出为:
全连接层的输入为:
u1=w1x1+b1
全连接层的输出为:
x′=f(u1)
w1是模型的全连接层的权重系数,b1是模型的全连接层的偏置值,x1是全连接层的前一层输出的特征矩阵转换得到的一维数据特征值,u1是全连接层的净激活值,x′是全连接层的激活值,f( )表示激活函数。
输出层通过选择合适的激活函数,得到样本数据属于各个类别的概率分布情况,得到诊断结果。
6.根据权利要求3所述的一种智能无线汽轮机数据采集系统,其特征在于:MCU为TI的CC2652系列。
7.根据权利要求3所述的一种智能无线汽轮机数据采集系统,其特征在于:所述安全机制可为CRC校验。
8.根据权利要求4所述的一种智能无线汽轮机数据采集系统,其特征在于:MCU电路的核心处理器采用瑞芯微电子的RK3399Pro。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246096.6A CN113934175A (zh) | 2021-10-26 | 2021-10-26 | 一种智能无线汽轮机数据采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246096.6A CN113934175A (zh) | 2021-10-26 | 2021-10-26 | 一种智能无线汽轮机数据采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113934175A true CN113934175A (zh) | 2022-01-14 |
Family
ID=79284448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111246096.6A Pending CN113934175A (zh) | 2021-10-26 | 2021-10-26 | 一种智能无线汽轮机数据采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113934175A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432477A (zh) * | 2023-06-12 | 2023-07-14 | 临沂大学 | 一种基于bim的施工模拟方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
CN212515430U (zh) * | 2020-07-22 | 2021-02-09 | 上海明华电力科技有限公司 | 基于多源互补取电的电厂开关柜用低功耗边缘控制器 |
CN112541563A (zh) * | 2020-09-30 | 2021-03-23 | 国电龙源电力技术工程有限责任公司 | 基于边缘计算技术的旋转设备振动预测管理系统 |
-
2021
- 2021-10-26 CN CN202111246096.6A patent/CN113934175A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111830408A (zh) * | 2020-06-23 | 2020-10-27 | 朗斯顿科技(北京)有限公司 | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 |
CN212515430U (zh) * | 2020-07-22 | 2021-02-09 | 上海明华电力科技有限公司 | 基于多源互补取电的电厂开关柜用低功耗边缘控制器 |
CN112541563A (zh) * | 2020-09-30 | 2021-03-23 | 国电龙源电力技术工程有限责任公司 | 基于边缘计算技术的旋转设备振动预测管理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432477A (zh) * | 2023-06-12 | 2023-07-14 | 临沂大学 | 一种基于bim的施工模拟方法、系统及存储介质 |
CN116432477B (zh) * | 2023-06-12 | 2023-08-18 | 临沂大学 | 一种基于bim的施工模拟方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111504385B (zh) | 一种适用于机械设备异常状态多参数监测装置及方法 | |
CN111417178B (zh) | 基于机器学习与边缘计算的工业互联网节能系统及方法 | |
CN101839805A (zh) | 发动机主动故障质检与智能故障诊断方法 | |
CN104399682A (zh) | 一种光伏电站组件清扫智能决策预警系统 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN112857658B (zh) | 一种基于云平台的压力检测系统 | |
CN113934175A (zh) | 一种智能无线汽轮机数据采集系统 | |
CN112862256A (zh) | 一种畜禽舍环境大数据检测系统 | |
CN108335233A (zh) | 一种基于大数据技术的智能电网量测数据处理系统 | |
CN104915906A (zh) | 一种面向家庭健康服务的信息感知系统及其实现方法 | |
Zhang et al. | A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data | |
CN109858125B (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN206930312U (zh) | 铁塔运行状态在线监测装置 | |
CN104392591B (zh) | 输电线杆故障监测专家系统 | |
CN109150603A (zh) | 云服务端自动扩容方法及装置 | |
Wei et al. | Fault diagnosis of sucker rod pump based on deep-broad learning using motor data | |
Chang et al. | Design of indoor temperature and humidity monitoring system based on CC2430 and fuzzy-PID | |
CN102156408A (zh) | 一种动态自适应演化最大功率点跟踪控制系统及方法 | |
CN116365713A (zh) | 一种光伏电站集群监控方法及系统 | |
CN110287256A (zh) | 一种基于云计算的电网数据并行处理系统及其处理方法 | |
CN110991519A (zh) | 一种智能开关状态分析调整方法及系统 | |
Mehrani et al. | Deep-learning based forecasting sampling frequency of biosensors in wireless body area networks | |
CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
CN201000670Y (zh) | 传动装置的智能故障诊断及修复装置 |
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 |