CN114466389B - 一种机械振动无线传感器网络的边缘计算网关设计方法 - Google Patents
一种机械振动无线传感器网络的边缘计算网关设计方法 Download PDFInfo
- Publication number
- CN114466389B CN114466389B CN202210154557.5A CN202210154557A CN114466389B CN 114466389 B CN114466389 B CN 114466389B CN 202210154557 A CN202210154557 A CN 202210154557A CN 114466389 B CN114466389 B CN 114466389B
- Authority
- CN
- China
- Prior art keywords
- data
- edge computing
- computing gateway
- node
- wireless sensor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013461 design Methods 0.000 title claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 35
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000006855 networking Effects 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims abstract description 5
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010044048 Tooth missing Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/16—Gateway arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及无线传感器网络技术领域,具体为一种机械振动无线传感器网络的边缘计算网关设计方法,包括以下具体步骤:S1、边缘计算网关与上位机建立网络通信,收到组网命令后开始组网;S2、边缘计算网关会为当前申请加入的采集节点分配一个子进程,后续和该节点所有的通信和管理都将在该子进程中进行;S3、边缘计算网关从上位机收到采集命令后进行数据的获取;S4、数据获取以后,依次进行数据分拣存储、预处理以及模型诊断,得到分析结果;S5、根据验证结果判断当前设备是否存在故障。本发明能将结构复杂、参数量庞大的深度学习模型部署到资源、能耗受限的边端设备上。
Description
技术领域
本发明涉及无线传感器网络技术领域,具体为一种机械振动无线传感器网络的边缘计算网关设计方法。
背景技术
装备智能运维是将装备运维与物联网技术以及人工智能技术进行深度融合,通过物联网采集装备运行状态数据,大数据和人工智能技术预测装备未来运行状态。较之有线连接的机械振动监测系统,基于无线传感器网络的机械振动监测系统具有部署方便、机动灵活、可维护性好等特点。然而目前机械振动无线传感器网络主要功能是振动数据收集,数据处理能力弱,其本身不具有智能数据处理的能力。
随着制造服务转型和大型复杂机电装备智能运维的推进,需要面对爆发式增长的装备和数据,尤其是在需要连续、近实时获取大量振动数据进行机械振动状态监测与故障预测,这种由机械振动无线传感器网络收集数据上传至数据中心进行故障预测、维修决策等集中计算处理的模式,逐渐暴露出通信能耗开销大、带宽需求高、时延大、数据中心计算压力大等问题,需要研究带有较强数据处理分析能力的机械振动无线传感器网络。
对于大型装备的智能运维,单个部署的传感器采集到的信号显然不能准确的反应当前装备的运行情况,必要时甚至需要结合振动、应变、温度等多种参量来准确的描述当前装备的健康状态,并作出快速准确的故障诊断。如何将结构复杂、参数量庞大的深度学习模型部署到资源、能耗受限的边端设备上,一直都是亟待解决的难题。
发明内容
本发明目的是针对背景技术中存在的问题,提出一种机械振动无线传感器网络的边缘计算网关设计方法。
本发明的技术方案:一种机械振动无线传感器网络的边缘计算网关设计方法,包括以下具体步骤:
S1、边缘计算网关与上位机建立网络通信,边缘计算网关收到来自上位机的组网命令以后,同时开启两种基于不同协议的组网模式,开始组网;
S2、当有新的采集节点申请加入当前网络时,边缘计算网关会为当前申请加入的采集节点分配一个子进程,后续和该节点所有的通信和管理都将在该子进程中进行;
S3、边缘计算网关从上位机收到采集命令后,通过通信模块A或通信模块B发送给下游采集节点,进行数据的获取;
S4、数据获取以后,依次进行数据分拣存储以及预处理,在进入预先在边缘计算网关上部署好的基于神经网络的异构数据多维信息融合模型,得到分析结果;
S5、根据验证结果判断当前设备是否存在故障;
若是,则第一时间报警并将对应故障标签和该端原始数据一起回传给上位机;
若否,则直接回传结果标签。
优选的,S2中边缘计算网关采用双通信模块,根据接入节点自身采用的通信协议来自动识别节点类型。
优选的,S4中对采集的数据按照节点号以及数据类型进行分类存储。
优选的,S4中将基于神经网络的异构数据多维信息融合模型部署在资源受限的边缘计算网关上,并提供数据、参数设置的接口,对经过预处理以后的数据进行基于神经网络的多维信息融合,得到故障分类结果。
与现有技术相比,本发明的上述技术方案具有如下有益的技术效果:
本发明提供的机械振动无线传感器网络的边缘计算网关设计方法旨在解决大型装备智能运维无线传感器网络系统中存在的模型部署难、协议支持单一化、多参量难融合等问题,以多并发的思想配合无线无源低功耗的高性能边缘计算网关;该边缘计算网关支持基于神经网络的故障诊断模型部署、下游多协议采集节点集群式管理、多传感器数据接入和多源数据融合,以满足机械振动无线传感器网络的需求。
附图说明
图1为本发明提出的一种实施例的流程图。
图2为测试例中边缘计算网关硬件架构图。
图3为测试例中分拣数据的流程图。
图4为测试例中数据预处理的流程图。
图5为测试例中故障诊断模型进行数据处理的流程图。
图6为测试例中无线传感器网络拓扑示意图。
图7为测试例中故障诊断模型的结构图。
具体实施方式
实施例一
如图1所示,本发明提出的一种机械振动无线传感器网络的边缘计算网关设计方法,包括以下具体步骤:
S1、边缘计算网关与上位机建立网络通信,边缘计算网关收到来自上位机的组网命令以后,同时开启两种基于不同协议的组网模式,开始组网;
进一步的,在设备开机启动后,通过预先设置好的启动项,边缘计算网关与上位机之间建立无线网络通信;
S2、当有新的采集节点申请加入当前网络时,边缘计算网关会为当前申请加入的采集节点分配一个子进程,后续和该节点所有的通信和管理都将在该子进程中进行;其中,边缘计算网关采用双通信模块,根据接入节点自身采用的通信协议来自动识别节点类型;
S3、边缘计算网关从上位机收到采集命令后,通过通信模块A或通信模块B发送给下游采集节点,进行数据的获取;
S4、数据获取以后,依次进行数据分拣存储以及预处理,在进入预先在边缘计算网关上部署好的基于神经网络的异构数据多维信息融合模型,得到分析结果;其中,基于神经网络的异构数据多维信息融合模型为神经网络的故障诊断模型;
S5、根据验证结果判断当前设备是否存在故障;
若是,则第一时间报警并将对应故障标签和该端原始数据一起回传给上位机;
若否,则直接回传结果标签。
实施例二
本发明提出的一种机械振动无线传感器网络的边缘计算网关设计方法,相较于实施例一,本实施例中,在S4中得到分析结果的具体方法,包括以下具体步骤:
S41、对来自不同节点的多源采集数据进行可靠的分拣和预处理,将预处理后的数据按照节点号以及数据类型进行分类存储;其中,预处理时根据实际需要选择预处理模块;
S42、将基于神经网络的异构数据多维信息融合模型部署在资源受限的边缘计算网关上,并提供数据、参数设置的接口,将预处理以后的多源数据融合,并进行基于神经网络的故障诊断模型验证,得到故障分类结果;
S43、将得到的故障分类结果根据结果的情况选择回传结果标签或将原始数据回传,以方便进一步数据分析。
测试例
在传动系统故障试验台上针对机械振动信号对本发明提供的机械振动无线传感器网络的边缘计算网关设计方法进行测试;
如图2所述,本申请文件提供的边缘计算网关包括基于ARM Cortex-A7架构的中央处理器、外扩8GB容量的EMMC闪存、外扩512MB容量的DDR3L内存、USB_HOST接口、CC2530通信模块及电源管理模块;
USB_HOST是多功能接入接口,当节点正常工作时,将USB WiFi模块插入即可作为WiFi通信模块,当节点需要从中提取数据时,除了用FTP等文件传输协议,还可以通过U盘从设备上拷取文件,非常便捷;
测试时选用的系统软件包括uboot文件、ARM Linux内核、设备树以及通过busybox构建的文件系统;uboot文件、ARM Linux内核、设备树以及通过busybox构建的文件系统均存储在在eMMC外扩flash中,边缘计算网关系统开始运行以后,ARM Linux操作系统运行在DDR内存中;
如图6所示为测试时采用的网络拓扑,其支持接入包括基于Zigbee和基于wifi传输协议的采集节点,会由程序通过组网时回传接入消息的接口来判断当前接入节点的通信协议;一个网络中可以拥有多个边缘计算网关,但是在一定范围内,需要将其信道进行区分;超过这个范围保证网关之间组网传输不会互相影响,则可以用一个信道;
测试中的硬件方面,机械振动无线传感器网络的边缘计算网关设计方法中边缘计算网关装载两种基于不同通信协议的通信模块,两种基于不同通信协议的通信模块选用但不限于基于802.15.4的ZigBee模块和基于802.11的WiFi模块;但是采用上述这两种通信协议基本满足了无线传感器网络中针对不同场景所需的通信要求;
ZigBee模块基于TIMAC协议栈开发,主要负责网络组建与维护、命令下发、数据传输等功能;WiFi模块基于Linux下的网络编程,利用socket实现和主机之间的通信;在主机上需要有一个面向用户的上位机软件,实现人机交互。本发明的上位机就是用Windows下的socket编程实现和边缘计算网关的通信;
多协议采集节点集群式管理的方法,包括以下步骤:
首先启动边缘计算网关以后,根据Linux文件系统根目录下/etc/init.d/rcS文件中设置好的启动项,边缘计算网关会自动加入当前局域网中,并且启动网关程序,和上位机之间建立套接字连接;
等待连接成功以后,上位机会有相应的显示,然后在上位机上分别点击组网、采集参数设置、开始采集、停止采集(非定长采集)、处理数据并回传等;
点击这些选项会通过套接字给边缘计算网关传递信息,然后在网关程序中执行对应的程序,向通信模块发送指定的数据,从而实现对下游采集节点的控制;
在组网环节中,网关程序作为主进程,每当有一个采集节点申请加入当前边缘计算网关的网络,会对应的fork一个子进程出去来管理该采集节点,后续对该节点所有的操作和命令都将在这个子进程中进行;
在实施例2中的S43中将得到的故障分类结果根据结果的情况选择回传结果标签或将原始数据回传,在处理数据并回传过程中,当数据被回传到边缘计算网关以后,会将所有数据存放在嵌入式Linux的文件系统中;
然后分拣该文件中的数据,如图3所示,分拣该文件中的数据具体包括以下步骤:
S111、开始;
S112、读取下一个包;
S113、判断节点号是否符合当前子进程;
若是,则执行S114;否,则执行S115;
S114、判断包序号是否连续;
若是,则执行S116;否,则执行S117;
S115、判断是否到数据文件结尾;
若是,则执行S118;否,则执行S112;
S116、存入节点文件,并继续执行S115;
S117、向上位机报告丢失包,并继续执行S115;
S118、结束;
通过分拣该文件中的数据,实现各个采集节点的数据单独存储;继续进入数据预处理过程,依次根据实际需要经过数据的类型转换、单位转换、FFT等数据预处理模块,如图4所示,数据预处理的过程具体包括以下步骤:
S211、开始;
S212、读取下一个包;
S213、判断是否需要类型转换;
若是,则执行类型转换;若否,则继续执行S214;
S214、判断是否需要单位转换;
若是,则执行单位转换;若否,则继续执行S215;
S215、判断是否需要FFT变换;
若是,则执行FFT变换;若否,则继续执行S216;
S216、存入经过数据处理的节点文件;
S217、判断是否到节点数据文件结尾;
若是,则继续执行S218;若否,则继续执行S212;
S218、结束;
其中,数据预处理过程根据使用过程中的实际需要来选择是否处理,以测试例中的振动数据为例,使用自主研发研制的WSN-G4.0采集节点采集振动信号,ADC采样位宽是24位,数据以字节为单位传输;当边缘计算节点收到数据以后,即通过图5的数据预处理流程,首先将长度为三个字节的采样数据进行重组,成为float类型的有效数据;转换完毕以后单位是电压信号,再根据后续故障诊断模型输入类型转换成需要的单位;
将预处理后的数据输入故障诊断模型进行处理,处理的过程如图5所示,具体包括以下步骤:
S311、开始;
S312、将训练好的模型在节点上部署;
S313、判断数据量是否够一个批次;
若是,则继续执行S314;若否,则继续执行S320;
S314、读取一个批次大小的数据;
S315、从接口导入模型;
S316、判断是否有故障发生;
若是,则继续执行S317;若否,则继续执行S318;
S317、将原始数据和结果一并传回,并执行S319;
S318、回传结果,并执行S319;
S319、判断是否是最后一个批次;
若是,则继续执行S321;若否,则继续执行S314;
S320、报告上位机该节点数据量不足,无法进行验证;
S321、结束;
通过故障诊断模型的处理,若发生故障情况,那么边缘计算网关会把结果和该次数据全部传给上位机,方便后续的进一步分析处理;如果是正常状况,那么边缘计算网关只会将结果回传,显示在人机交互界面;
故障诊断模型是基于神经网络的故障诊断模型,在边缘计算网关上运行的基于神经网络的故障诊断模型是一个支持前向传递的模型,但不包含BP神经网络的反向训练过程;主要原因是首先嵌入式系统的性能和资源不足以支持大批量样本数据的存储和训练,其次由于本发明的主要目的是将实时采集到的数据进行故障诊断分类,故本发明的模型部署工作主要是将已经训练好的模型部署到我们的边缘计算网关上;其中,在故障诊断中常用到的基本网络需要包括全连接神经网络、卷积神经网络(CNN)、Batch Normalization层、Pooling layers层以及sigmod、relu等激活函数层;在嵌入式Linux的编程环境中,上述提到的基本网络元素是没有可以调用的api的,本发明首先需要将这些功能通过编写底层代码实现,搭建一个能实现神经网络前向传递的框架,以提供输入输出、各项参数、网络基本结构等等设置网络参数的接口,方便后续直接调用;在这个框架搭好以后,在计算机上通过pytorch深度学习框架利用现有样本进行训练,得到的多传感器融合故障诊断模型的结构如图7所示,训练好以后导出模型的参数;将所有参数以头文件数组的形式存放在整个工程的文件中,并按照图7的网络基本结构来搭建前向传递的网络结构,利用上述设置好的网络参数的接口,引入训练好的模型参数和设置好具体的网络结构;
最后整个源文件对外提供一个接口,告知本次数据验证完毕后得到的结果;
测试时,在传动系统故障试验台上使用垂直安装在行星齿轮箱输入轴、左中间轴、右中间轴和输出轴上的四个加速计(PCB352C03)进行数据采集。如下表1所示,总共模拟了九种健康状态;
表1九种健康模拟状态
分类 | 齿轮箱健康状态 |
1 | 正常 |
2 | 太阳齿轮齿崩 |
3 | 太阳齿轮轮齿缺失 |
4 | 太阳齿轮齿根裂纹 |
5 | 太阳齿轮齿面点蚀 |
6 | 太阳齿轮齿崩 |
7 | 行星齿轮轴承外部故障 |
8 | 行星齿轮轴承内部故障 |
9 | 行星轴承上的多种复合故障 |
当电机在48秒内从20hz均匀加速至36hz时,以25600hz的采样频率收集了360次观测(每次观测4096个数据点)。将每个健康状态的振动信号重复采集4次,以扩展数据集,使每个健康状态有4096×40个观测值。
通过本发明提供的机械振动无线传感器网络的边缘计算网关设计方法的具体流程,对每次观测的多源数据进行处理,并在上位机上观察结果;
得到的360组数据中仅有2组数据诊断结果与样本标签不一致,该方法在实际应用中的准确率达到99.4%;其中,所有诊断出故障结果的数据均被回传到上位机,并在上位机本地保存。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于此,在所属技术领域的技术人员所具备的知识范围内,在不脱离本发明宗旨的前提下还可以作出各种变化。
Claims (4)
1.一种机械振动无线传感器网络的边缘计算网关设计方法,其特征在于,包括以下具体步骤:
S1、边缘计算网关与上位机建立网络通信,边缘计算网关收到来自上位机的组网命令以后,同时开启两种基于不同协议的组网模式,开始组网;
S2、当有新的采集节点申请加入当前网络时,边缘计算网关会为当前申请加入的采集节点分配一个子进程,后续和该节点所有的通信和管理都将在该子进程中进行;
S3、边缘计算网关从上位机收到采集命令后,通过通信模块A或通信模块B发送给下游采集节点,进行数据的获取;
S4、数据获取以后,依次进行数据分拣存储以及预处理,在进入预先在边缘计算网关上部署好的基于神经网络的异构数据多维信息融合模型,得到分析结果;得到分析结果的具体方法,包括以下具体步骤:
S41、对来自不同节点的多源采集数据进行可靠的分拣和预处理,将预处理后的数据按照节点号以及数据类型进行分类存储;其中,预处理时根据实际需要选择预处理模块;
S42、将基于神经网络的异构数据多维信息融合模型部署在资源受限的边缘计算网关上,并提供数据、参数设置的接口,将预处理以后的多源数据融合,并进行基于神经网络的故障诊断模型验证,得到故障分类结果;
S43、将得到的故障分类结果根据结果的情况选择回传结果标签或将原始数据回传;
S5、根据验证结果判断当前设备是否存在故障;
若是,则第一时间报警并将对应故障标签和原始数据一起回传给上位机;
若否,则直接回传结果标签。
2.根据权利要求1所述的一种机械振动无线传感器网络的边缘计算网关设计方法,其特征在于,S2中边缘计算网关采用双通信模块,根据接入节点自身采用的通信协议来自动识别节点类型。
3.根据权利要求1所述的一种机械振动无线传感器网络的边缘计算网关设计方法,其特征在于,S4中对采集的数据按照节点号以及数据类型进行分类存储。
4.根据权利要求1所述的一种机械振动无线传感器网络的边缘计算网关设计方法,其特征在于,S4中将基于神经网络的异构数据多维信息融合模型部署在资源受限的边缘计算网关上,并提供数据、参数设置的接口,对经过预处理以后的数据进行基于神经网络的多维信息融合,得到故障分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154557.5A CN114466389B (zh) | 2022-02-21 | 2022-02-21 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210154557.5A CN114466389B (zh) | 2022-02-21 | 2022-02-21 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114466389A CN114466389A (zh) | 2022-05-10 |
CN114466389B true CN114466389B (zh) | 2023-12-15 |
Family
ID=81415941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210154557.5A Active CN114466389B (zh) | 2022-02-21 | 2022-02-21 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114466389B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430045A (zh) * | 2015-10-28 | 2016-03-23 | 成都鼎智汇科技有限公司 | 一种基于物联网的信息处理方法 |
CN106686686A (zh) * | 2016-09-23 | 2017-05-17 | 东南大学 | 一种用于作物温室栽培的无线传感器网络自组网方法 |
WO2017209668A1 (en) * | 2016-05-31 | 2017-12-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Distinguishing icn from non-icn traffic in a mobile network |
CN109451040A (zh) * | 2018-12-10 | 2019-03-08 | 王顺志 | 基于边缘计算的物联网组网系统及组网方法 |
CN110149353A (zh) * | 2018-02-11 | 2019-08-20 | 陕西爱尚物联科技有限公司 | 一种物联网方法及其系统 |
CN110221558A (zh) * | 2019-06-05 | 2019-09-10 | 镇江四联机电科技有限公司 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
CN110958299A (zh) * | 2019-10-30 | 2020-04-03 | 浙江省北大信息技术高等研究院 | 一种集成多组网协议多边缘计算框架的边缘计算处理平台 |
CN111342984A (zh) * | 2018-12-18 | 2020-06-26 | 电信科学技术研究院有限公司 | 一种信息处理方法、系统及装置 |
CN111679905A (zh) * | 2020-05-11 | 2020-09-18 | 天津大学 | 算网融合网络模型 |
CN111970372A (zh) * | 2020-08-26 | 2020-11-20 | 武汉华起物联科技有限公司 | 一种智慧工地物联网网关通信方法、网关和系统 |
CN112543429A (zh) * | 2020-11-25 | 2021-03-23 | 北京科技大学 | 一种具备自主决策功能的可配置边缘计算网关 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9628373B2 (en) * | 2012-12-19 | 2017-04-18 | Comcast Cable Communications, Llc | Multipath communication in a network |
US11501160B2 (en) * | 2019-03-28 | 2022-11-15 | International Business Machines Corporation | Cloud computing data compression for allreduce in deep learning |
-
2022
- 2022-02-21 CN CN202210154557.5A patent/CN114466389B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105430045A (zh) * | 2015-10-28 | 2016-03-23 | 成都鼎智汇科技有限公司 | 一种基于物联网的信息处理方法 |
WO2017209668A1 (en) * | 2016-05-31 | 2017-12-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Distinguishing icn from non-icn traffic in a mobile network |
CN106686686A (zh) * | 2016-09-23 | 2017-05-17 | 东南大学 | 一种用于作物温室栽培的无线传感器网络自组网方法 |
CN110149353A (zh) * | 2018-02-11 | 2019-08-20 | 陕西爱尚物联科技有限公司 | 一种物联网方法及其系统 |
CN109451040A (zh) * | 2018-12-10 | 2019-03-08 | 王顺志 | 基于边缘计算的物联网组网系统及组网方法 |
CN111342984A (zh) * | 2018-12-18 | 2020-06-26 | 电信科学技术研究院有限公司 | 一种信息处理方法、系统及装置 |
CN110221558A (zh) * | 2019-06-05 | 2019-09-10 | 镇江四联机电科技有限公司 | 一种基于边缘计算技术的电液伺服阀在线故障诊断网关 |
CN110958299A (zh) * | 2019-10-30 | 2020-04-03 | 浙江省北大信息技术高等研究院 | 一种集成多组网协议多边缘计算框架的边缘计算处理平台 |
CN111679905A (zh) * | 2020-05-11 | 2020-09-18 | 天津大学 | 算网融合网络模型 |
CN111970372A (zh) * | 2020-08-26 | 2020-11-20 | 武汉华起物联科技有限公司 | 一种智慧工地物联网网关通信方法、网关和系统 |
CN112543429A (zh) * | 2020-11-25 | 2021-03-23 | 北京科技大学 | 一种具备自主决策功能的可配置边缘计算网关 |
Non-Patent Citations (2)
Title |
---|
Heng Wang ; Qing Wang ; Min Li ; Tong Shi.An Edge Computing Based Gateway for WIA-PA Networks.《2019 Chinese Automation Congress (CAC)》.2020,全文. * |
范旭辉 ; 刘辉 ; 王叶闯.工程机械行业大数据技术探索与实践.《科技创新与应用》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114466389A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102955977B (zh) | 一种基于云技术的能效服务方法及其能效服务平台 | |
CN106056269A (zh) | 一种基于贝叶斯网络模型的微纳卫星星务健康管理系统 | |
CN103235881B (zh) | 一种基于最小割集的核反应堆故障监测系统 | |
US20210263947A1 (en) | Transactional-unstructured data driven sequential federated query method for distributed systems | |
CN103235820A (zh) | 一种集群系统中数据存储方法与装置 | |
CN103901847A (zh) | 一种印刷机远程故障监测系统及方法 | |
CN107085932A (zh) | 一种制造环境下远程可配置的大数据采集器及其运行方法 | |
CN112187589B (zh) | 基于流量回放的系统测试方法 | |
CN109241030A (zh) | 机器人作业数据分析服务器和机器人作业数据分析方法 | |
CN110401579A (zh) | 基于hash表的全链路数据采样方法、装置、设备及存储介质 | |
CN116231860B (zh) | 一种基于云边端协同的电力负荷智能识别系统、方法及设备 | |
CN113776794B (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
CN114466389B (zh) | 一种机械振动无线传感器网络的边缘计算网关设计方法 | |
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 | |
CN113360555A (zh) | 一种基于电网二次设备大数据的故障诊断分析方法及系统 | |
CN107454089A (zh) | 一种基于多节点关联性的网络安全态势诊断方法 | |
CN207216853U (zh) | 一种制造环境下远程可配置的大数据采集器 | |
CN114172928B (zh) | 一种物联网系统的设计方法 | |
CN115561583A (zh) | 一种基于数字孪生技术的电力设备巡检方法、装置及系统 | |
CN115239160A (zh) | 一种基于数字孪生的电力数字空间资源池化管理调度系统 | |
CN109471746A (zh) | 一种集群日志的收集方法与系统 | |
CN115033253A (zh) | 一种深度学习模型的云边协同训练和部署系统及方法 | |
CN107316105B (zh) | 一种大区域农业预测系统 | |
CN214850625U (zh) | 多状态量可组态变电设备智能组件 | |
CN110083577B (zh) | 一种智能家居云平台的数据收集方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |