CN114201322A - 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 - Google Patents
一种基于嵌入边缘计算的旋转机电设备故障追溯系统 Download PDFInfo
- Publication number
- CN114201322A CN114201322A CN202010987490.4A CN202010987490A CN114201322A CN 114201322 A CN114201322 A CN 114201322A CN 202010987490 A CN202010987490 A CN 202010987490A CN 114201322 A CN114201322 A CN 114201322A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- intelligent
- fault tracing
- embedded
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004804 winding Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于嵌入边缘计算的旋转机电设备故障追溯系统，属于工业物联网和智能制造领域。本发明采用嵌入式人工智能的解决方案进行旋转机电设备的故障追溯，对于传感器采集的数据分别在数据层、特征层和决策层应用数据融合技术，最后采取嵌入边缘计算的手段部署整体架构，整个系统具有高扩展性，高实时性和高准确度，将深度学习模型和机电设备运行机理模型深度结合，有效的解决旋转机电设备故障追溯问题。
Description
技术领域
本发明涉及工业物联网和智能制造领域，尤其涉及一种基于嵌入边缘计算的旋转机电设备故障追溯系统。
背景技术
在日常生产生活中，电机驱动的旋转机电设备涉及到各个行业领域。随着生产技术的不断更新，机电设备的结构也愈加复杂，同时对设备的可靠性要求也越来越高。旋转机电设备的故障会对整个系统造成影响，某个部分的故障都有可能导致系统瘫痪的严重后果甚至威胁工作人员人身安全。因此对机电设备的故障追溯与预测性维护非常重要，对于正在运行的机电设备，需要结合整个系统的工作情况来设计相应的故障追溯系统来确保可靠性。除了在设计之初要考虑安装传感器进行状态监测，还有部分现有的机电设备不具备状态监测和故障追溯功能，需要在现有的基础上进行改造，需要一种具有便于移植的高扩展性故障追溯系统。
随着个人电脑和嵌入式微处理器芯片的处理能力提升，人工智能技术，尤其是深度学习模型被广泛的应用于图像处理、计算机视觉自然语言处理和语音识别等领域。同时深度学习的方法也被用于解决故障追溯问题。现有的技术中大部分采取的是传感器端采集数据，使用电脑或者服务器进行深度学习模型运算，比如神经网络模型的运算。但是该手段想真正落实到项目或者商业产品应用还具有一定的局限性，主要体现在该方法不仅需要性能优越的算法模型和可靠的硬件支持，还需要把深度学习技术和硬件环境进行有机结合。
针对未来的工业系统，随着智能制造的提出和智慧工厂的建设，工业现场的传感器数据变得丰富起来，现有的监测系统，未能充分利用传感器数据，对于故障的追溯不够智能化。针对现有的工业系统，我们希望能够通过智能化改造，使工厂变得智能化，需要一个具有丰富接口和扩展性强的旋转机电设备故障追溯系统来实现对工业现场的数据进行融合，智能的提供故障追溯结果。
现有的应用于旋转机电设备故障追溯的系统，未实现智能算法，都采用了云计算的方法，该方法往往存在着如下几个问题：数据传输成本高，网络延时将导致实时性能降低，工业物联网中会存在安全和隐私问题。因此需要一种能够在传感器端完成深度学习模型运算的技术手段。
发明内容
本发明针对以上的问题，提出了一种基于嵌入边缘计算的旋转机电设备故障追溯系统。该系统采用嵌入式人工智能的解决方案，应用数据融合技术，最后采取嵌入边缘计算的手段部署整体架构，有效的解决旋转机电设备故障追溯问题。
本发明解决上述问题的具体技术方案如下：
一种基于嵌入边缘计算的旋转机电设备故障追溯系统，包含如下几个模块：
传感器数据采集模块，该模块采集旋转机电设备的运行状态信息，并将数据进行初步处理。
数据传输模块，该数据传输模块负责将不同传感器的数据进行汇总，实现传感器的组网。
边缘计算主站，该主站收集一台设备的不同传感器数据，对一台设备的状态进行评估。
网络传输模块，该模块将每台设备的故障追溯的结果情况进行汇总传输至网络服务器。
设备大数据平台模块，该大数据平台能够汇总多台设备，准确报告由多台设备组成的车间或者生产线的故障追溯情况，采用智能的决策与控制方法为设备的预测性维护提供指导。
报告查询终端模块，为方便用户的查看，设备健康情况将以报告的形式提供给用户，报告可以通过网页或者手机APP查看。
本发明进一步包括以下优选方案：
优选地，所述的传感器数据采集模块是由嵌入式微处理器、信号调理电路、传感器等组成。所述的运行状态信息包括空间3个轴向的振动数据，两端轴承和绕组的温度数据等。所述的数据初步处理的方式包括滤波降噪、求均方根值、求平均值、快速傅里叶变换等。
优选的，数据传输模块根据传感器在不同环境中采用不同方案，液体环境中将采用有线的RS485通信模块，空气环境中将采用蓝牙4.0或者Zigbee进行数据的传输。
优选的，边缘计算主站中将运行深度学习模型，将训练好的神经网络模型下载到嵌入式处理器中，采用智能的评估方法识别设备振动数据，得到设备的健康情况。
所述的评估方法将采用传感器数据融合的方法和嵌入边缘计算的解决方案进行设计，整合多层次数据，在本地运算，在不联网的情况下就可以实现智能感知，智能分析，智能的决策与控制，将智能分析后的结果发送给服务器用于远程查看和历史数据的查询。
进一步的，所述的数据融合技术有三个层次，一是数据层融合，如通过多个温度传感器来估算电机整体的温度分布；二是特征层的融合，如提取振动信息的特征后，汇总多点振动特征信息对故障评估；三是决策层的融合，如融合环境温度、电机温度场和振动情况，对电机是否停机检修做出决策。
进一步的，所述的嵌入边缘计算，首先将对目标的旋转机电设备运行机理进行研究，包括生产流程需要的参数，然后再对可能发生的故障进行预估，围绕着故障和参数，部署新的或扩展现有的传感器，收集传感器数据，构建神经网络模型，利用采集的数据训练神经网络，再将训练好的模型嵌入到边缘计算的智能设备中，最终实现故障追溯。
优选的，网络传输模块是根据现场环境确定传输方式，在具备GPRS 2G/3G/4G网络条件下，将采用无线网络传输，当环境中不具备GPRS信号，将采取以太网网络电缆的方式连接至网络。
优选的，设备大数据平台模块中所述的智能的决策与控制方法，将采用强化学习的方法，实现旋转机电设备在特定的健康状态下的设备与环境的交互过程，通过学习策略以实现回报最大化。
采取以上技术方案的基于嵌入边缘计算的旋转机电设备故障追溯系统具有如下有益效果：
（1）该故障追溯系统具有自学习能力，适应于不同的运行环境，系统成本低、扩展性高，支持用户的深度定制。
（2）同传统的监测设备相比，应用嵌入边缘计算技术的故障追溯系统无需将大量数据上传至服务器，降低了数据传输的成本，节约了服务器搭建的成本，使整体成本降低，同时不会因网络延迟造成实时性差，具有高可靠性与高时间响应速度。
（3）本发明的旋转机电设备故障追溯系统，将与用户的生产线深度结合，实现深度学习模型与用户的生产机理模型深度结合。利用传感器信息融合技术，整合资源，提高故障追溯的准确率，为设备的预测性维护提供精准的参考信息。
附图说明：
图1是本发明模块关系框图；
图2是本发明功能系统逻辑框图。
具体实施方式：
本发明是通过上述的技术方案来实现系统的功能，该系统是由硬件装置和软件功能算法相配合来实现的。为了使本技术领域的人员更好地理解本发明的基于嵌入边缘计算的旋转机电设备故障追溯系统，下面将结合说明书附图对发明中提到的系统进行具体实施方式的描述。
如图1所示，本发明的一种基于嵌入边缘计算的旋转机电设备故障追溯系统，包含如下几个模块：
传感器数据采集模块，该模块采集旋转机电设备的运行状态信息，并将数据进行初步处理。
实施例中所述的传感器数据采集模块是由嵌入式微处理器、信号调理电路、传感器组成。传感器数据采集模块的传感器类型是可选的，方便应用于不同的工业场景，传感器采集的数据即所述的运行状态信息包括：环境的温度、环境的湿度、电机表面的温度、电机轴承的温度、电机绕组的温度、电机驱动端振动加速度、电机基座振动加速度、电机风扇端振动加速度，和被电机驱动设备相关的物理参数，如风机的转速、风压，水泵的流量、水的压强等。每一个传感器从站根据安装的位置可以外挂多个数量和类型的传感器，每个传感器从站具有一个高性能的嵌入式微处理器，能够对采集的数据进行预处理，如对采集的信号滤波降噪、求均方根值、求平均值、快速傅里叶变换。
数据传输模块，该数据传输模块负责将不同传感器的数据进行汇总，实现传感器的组网。
实施例中，数据传输模块根据传感器在不同环境中采用不同方案，液体环境中将采用有线的RS485通信模块，空气环境中将采用蓝牙4.0或者Zigbee进行数据的传输，不同传感器模块可以根据被测单元进行汇总。
边缘计算主站，该主站收集一台设备的不同传感器数据，对一台设备的状态进行评估。
实施例中，边缘计算主站中将运行深度学习模型，将训练好的神经网络模型嵌入到处理器中，采用智能的评估方法识别设备振动数据，得到设备的健康情况。
在边缘计算主站，由嵌入式处理器来作为核心，程序运行于Linux操作系统或其他实时操作系统下。通过特征工程对数据进行初步处理，提取振动信号的时域幅值特征、包络特征，再进行频域分析得到频谱、能量谱，对幅值包络进行解调，得到信号的各频率的信息。对于传感器采集的温度信号，结合旋转机电设备的材料、物理结构参数的有限元分析结果，建立设备、环境的温度场。对旋转机电设备的关键机械摩擦部位和电机绕组绝缘等对温度敏感的部位进行监测和故障追溯，预估其健康状况。再通过深度学习模型进行多个传感器的数据融合，得到当前设备的各项健康指标，通过与健康数据库中数据进行比对，追溯当前设备发生故障的根源，得到设备的健康状况。
网络传输模块，该模块将每台设备的故障追溯的结果情况进行汇总传输至网络服务器。
实施例中，网络传输模块是根据现场环境确定传输方式，在具备GPRS 2G/3G/4G网络条件下，将采用无线网络传输，当环境中不具备GPRS信号，将采取以太网网络电缆的方式连接至网络。所述的网络传输方式将采用工业物联网中常用的MQTT协议。
设备大数据平台模块，该大数据平台能够汇总多台设备，准确报告由多台设备组成的车间或者生产线的故障追溯情况，采用智能的决策与控制方法为设备的预测性维护提供指导。
实施例中，设备大数据平台模块中所述的智能的决策与控制方法，将采用强化学习的方法，实现旋转机电设备在特定的健康状态下的设备与环境的交互过程，通过学习策略以实现回报最大化。
报告查询终端模块，为方便用户的查看，设备健康情况将以报告的形式提供给用户，报告可以通过网页或者手机APP查看。
实施例中，报告查询终端模块为用户的人机交互模块，根据前面对设备数据监测，对机器运行状态标准数据和日常运行数据的比对、分析，最终将设备的健康以及维护指导信息报告给用户，通过网页的方式可以放置于监控室，便于维护人员监视大批量的设备，APP的方式便于维护人员查询，对设备的历史数据或特定的数据进行查阅。便于使用。
图2简单的描绘了实施例中软件流程与硬件的关系，是对前面跨模块的软件流程的总结，进一步说明了本发明所提出的基于嵌入边缘计算的旋转机电设备故障源追溯系统的组成。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于嵌入边缘计算的旋转机电设备故障追溯系统，其特征在于：
所述系统包含以下模块：
传感器数据采集模块，该模块采集旋转机电设备的运行状态信息，并将数据进行初步处理；
数据传输模块，该数据传输模块负责将不同传感器的数据进行汇总，实现传感器的组网；
边缘计算主站，该主站收集一台设备的不同传感器数据，对一台设备的状态进行评估；
网络传输模块，该模块将每台设备的故障追溯的结果情况进行汇总传输至网络服务器；
设备大数据平台模块，该大数据平台能够汇总多台设备，准确报告由多台设备组成的车间或者生产线的故障追溯情况，采用智能的决策与控制方法为设备的预测性维护提供指导；
报告查询终端模块，为方便用户的查看，设备健康情况将以报告的形式提供给用户，报告可以通过网页或者手机APP查看。
2.根据权利要求书1所述的一种基于嵌入边缘计算的旋转机电设备故障追溯系统，其特征在于：
传感器数据采集模块是由嵌入式微处理器、信号调理电路、传感器等组成；所述的运行状态信息可以根据具体设备的情况而定，如应用于电动机，则包括空间3个轴向的振动数据，两端轴承和绕组的温度数据等；所述的数据初步处理的方式包括滤波降噪、求均方根值、求平均值、快速傅里叶变换等。
3.根据权利要求书1所述的一种基于嵌入边缘计算的旋转机电设备故障追溯系统，其特征在于：
数据传输模块根据传感器在不同环境中采用不同方案，液体环境中将采用有线的RS485通信模块，空气环境中将采用蓝牙4.0或者Zigbee进行数据的传输。
4.根据权利要求书1所述的一种基于嵌入边缘计算的旋转机电设备故障追溯系统，其特征在于：
边缘计算主站中将运行深度学习模型，将训练好的神经网络模型嵌入到处理器中，采用智能的评估方法识别设备振动数据，得到设备的健康情况。
5.根据权利要求书4所述的智能的评估方法，其特征在于智能评估方法将采用传感器数据融合的方法和嵌入边缘计算的解决方案进行设计，整合多层次数据，在本地运算，在不联网的情况下就可以实现智能感知，智能分析，智能的决策与控制，将智能分析后的结果发送给服务器用于远程查看和历史数据的查询。
6.根据权利要求书5所述的数据融合技术有三个层次，一是数据层融合，如通过多个温度传感器来估算电机整体的温度分布；二是特征层的融合，如提取振动信息的特征后，汇总多点振动特征信息对故障评估；三是决策层的融合，如融合环境温度、电机温度场和振动情况，对电机是否停机检修做出决策。
7.根据权利要求书5所述的嵌入边缘计算，首先将对目标的旋转机电设备运行机理进行研究，包括生产流程需要的参数，然后再对可能发生的故障进行预估，围绕着故障和参数，部署新的或扩展现有的传感器，收集传感器数据，构建神经网络模型，利用采集的数据训练神经网络，再将训练好的模型嵌入到边缘计算的智能设备中，最终实现故障追溯。
8.根据权利要求书1所述的网络传输模块是根据现场环境确定传输方式，在具备GPRS2G/3G/4G网络条件下，将采用无线网络传输，当环境中不具备GPRS信号，将采取以太网网络电缆的方式连接至网络。
9.根据权利要求书1所述的设备大数据平台模块中的智能的决策与控制方法，将采用强化学习的方法，实现旋转机电设备在特定的健康状态下的设备与环境的交互过程，通过学习策略以实现回报最大化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010987490.4A CN114201322A (zh) | 2020-09-18 | 2020-09-18 | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010987490.4A CN114201322A (zh) | 2020-09-18 | 2020-09-18 | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114201322A true CN114201322A (zh) | 2022-03-18 |
Family
ID=80645073
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010987490.4A Pending CN114201322A (zh) | 2020-09-18 | 2020-09-18 | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114201322A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114838760A (zh) * | 2022-04-11 | 2022-08-02 | 湖南中融汇智信息科技股份有限公司 | 温振智能监测模组边缘计算系统 |
| CN116467674A (zh) * | 2023-04-10 | 2023-07-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
-
2020
- 2020-09-18 CN CN202010987490.4A patent/CN114201322A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114838760A (zh) * | 2022-04-11 | 2022-08-02 | 湖南中融汇智信息科技股份有限公司 | 温振智能监测模组边缘计算系统 |
| CN116467674A (zh) * | 2023-04-10 | 2023-07-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
| CN116467674B (zh) * | 2023-04-10 | 2024-05-17 | 国网辽宁省电力有限公司抚顺供电公司 | 一种配电网智能故障处理融合更新系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109032099A (zh) | 工程机械总装生产线在线感知系统 | |
| CN108803552B (zh) | 一种设备故障的监测系统及监测方法 | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN109102189B (zh) | 一种电气设备健康管理系统和方法 | |
| CN109920295A (zh) | 一种智能工业互联网教学实训系统及方法 | |
| CN104386449B (zh) | 用于矿用皮带运输机头尾轮在线检测智能保护装置 | |
| CN114201322A (zh) | 一种基于嵌入边缘计算的旋转机电设备故障追溯系统 | |
| CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
| CN111911483B (zh) | 基于数字孪生的液压系统融合型故障诊断预测方法 | |
| CN112594142B (zh) | 一种基于5g的端云协同风电运维诊断系统 | |
| CN111160616B (zh) | 一种基于边云协同的厨电设备预测性维护系统及方法 | |
| CN106774090A (zh) | 一种远程设备监控系统 | |
| CN114576152B (zh) | 水泵状态监测系统、监测方法、装置、电子设备和介质 | |
| CN104615121B (zh) | 一种列车故障诊断方法及系统 | |
| CN109670584A (zh) | 一种基于大数据的故障诊断方法及系统 | |
| CN108932581A (zh) | 多物理域信息融合的自主感知方法及系统 | |
| CN107843287A (zh) | 集成传感器装置及基于其的环境事件识别方法 | |
| CN111680774A (zh) | 基于ZigBee技术和优化射频识别技术的仓库安全管理系统 | |
| CN202267864U (zh) | 基于云计算的发电机组管理控制系统 | |
| CN111556111A (zh) | 基于物联网的管廊设备故障远程诊断系统 | |
| CN103019159A (zh) | 基于云计算的电梯设备管理控制系统及方法 | |
| CN202373020U (zh) | 基于云计算平台的客车智慧运营系统实现装置 | |
| CN105678987B (zh) | 非稳态设备振动无线监测装置 | |
| CN109683546A (zh) | 链式垃圾存储设备用运维系统及运维方法 | |
| CN208210013U (zh) | 基于物联网网关边缘计算的振动分析系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220318 |