CN114563975A - 箱梁生产的工地环境监测系统及方法 - Google Patents
箱梁生产的工地环境监测系统及方法 Download PDFInfo
- Publication number
- CN114563975A CN114563975A CN202210201788.7A CN202210201788A CN114563975A CN 114563975 A CN114563975 A CN 114563975A CN 202210201788 A CN202210201788 A CN 202210201788A CN 114563975 A CN114563975 A CN 114563975A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- training
- rbf neural
- unit
- 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
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
- G05B19/048—Monitoring; Safety
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种箱梁生产的工地环境监测系统及方法,包括:环境监测模块,包括颗粒物监测单元和湿度监测单元,用于采集环境数据;数据分析模块,与环境监测模块连接,用于分析环境数据,并给出预警信息;客户端,与数据分析模块通信连接,用于接收并发送预警信息;视频模块,与数据分析模块和客户端连接,用于接收到预警信息时采集工地的视频,并传输至客户端;供电模块,环境监测模块、数据分析模块和视频模块均与供电模块连接。通过环境监测模块采集环境数据,数据分析模块分析环境数据,并给出预警信息,利用视频模块接收到预警信息时采集工地的视频,能准确地作出预警,并能将预警信息与视频相结合,直观的观察到现场的各种情况。
Description
技术领域
本发明涉及混凝土盖板技术领域,具体地说,涉及一种箱梁生产的工地环境监测系统及方法。
背景技术
箱梁生产过程中会产生扬尘等有害物质,目前通常需要对其进行监测,以保障其建筑工地内的施工符合环保要求。现有环境监测设备智能监测到是否超标,无法更直观的观察到现场的各种情况,也没法更准确等进行预警。
发明内容
为达到上述目的,本发明公开了一种箱梁生产的工地环境监测系统及方法。
一种箱梁生产的工地环境监测系统,包括:
环境监测模块,包括颗粒物监测单元和湿度监测单元,用于采集环境数据;
数据分析模块,与所述环境监测模块连接,用于分析所述环境数据,并给出预警信息;
客户端,与所述数据分析模块通信连接,用于接收并发送所述预警信息;
视频模块,与所述数据分析模块和所述客户端连接,用于接收到所述预警信息时采集工地的视频,并传输至所述客户端;
供电模块,所述环境监测模块、所述数据分析模块和所述视频模块均与所述供电模块连接。
优选的,所述数据分析模块包括接收单元、校正单元和对比单元,所述接收单元与所述环境监测模块连接,用于接收环境监测模块采集的颗粒物浓度和湿度;所述处理单元与所述接收单元连接,用于根据校正模型对所述颗粒物浓度进行校正,得到校正后的颗粒物浓度;所述对比单元与所述校正单元连接,用于将校正后的颗粒物浓度与预设浓度比对,并作出预警信息。
优选的,所述校正模型由以下方式获得:将历史颗粒物浓度数据、历史湿度作为训练集,输入至RBF神经网络的输入,同时将所述RBF神经网络的隐节点数设置为训练集的样本个数,训练所述RBF神经网络;根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络;将所述历史湿度作为所述新的RBF神经网络的输入,训练所述新的RBF神经网络从而得到校正模型。
优选的,根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络,包括:提取训练集中各个训练数据的特征;将所述训练集中各个训练数据的特征划分为M个特征单元,其中,所述M大于1,且每个特征单元中包含的特征数不小于1;分别基于各个特征单元和各个特征单元所对应的训练单元,训练相应的RBF神经网络单元,且所述RBF神经网络单元的输入数据与输出数据相同;将所述M个RBF神经网络单元并列拼接成新的RBF神经网络。
优选的,所述客户端对接收到的颗粒物浓度、湿度、视频进行分析处理得到颗粒物浓度和环境的对应关系表,并将超标浓度数据和超标环境图像进行显示。
优选的,颗粒物监测单元和湿度监测单元均设置为多个,获取各颗粒物监测单元和湿度监测单元的监测数据;利用视频模块建立工地图像,根据所述监测数据分别确定对应的当前超标值,根据不同区域的所述当前超标值在所述工地图像中将各区域相应进行区分显示。
一种工地环境监测方法,包括以下步骤:
利用环境监测模块采集环境数据;
利用数据分析模块分析所述环境数据,并给出预警信息;
利用客户端接收并发送所述预警信息;
利用视频模块接收到所述预警信息时采集工地的视频,并传输至所述客户端。
优选的,所述数据分析模块包括接收单元、校正单元和对比单元,所述接收单元与所述环境监测模块连接,用于接收环境监测模块采集的颗粒物浓度和湿度;所述校正单元与所述接收单元连接,用于根据校正模型对所述颗粒物浓度进行校正,得到校正后的颗粒物浓度;所述对比单元与所述校正单元连接,用于将校正后的颗粒物浓度与预设浓度比对,并作出预警信息。
优选的,所述校正模型由以下方式获得:将历史颗粒物浓度数据、历史湿度作为训练集,输入至RBF神经网络的输入,同时将所述RBF神经网络的隐节点数设置为训练集的样本个数,训练所述RBF神经网络;根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络;将所述历史湿度作为所述新的RBF神经网络的输入,训练所述新的RBF神经网络从而得到校正模型。
优选的,根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络,包括:提取训练集中各个训练数据的特征;将所述训练集中各个训练数据的特征划分为M个特征单元,其中,所述M大于1,且每个特征单元中包含的特征数不小于1;分别基于各个特征单元和各个特征单元所对应的训练单元,训练相应的RBF神经网络单元,且所述RBF神经网络单元的输入数据与输出数据相同;将所述M个RBF神经网络单元并列拼接成新的RBF神经网络。
本发明的工作原理和有益效果为:通过环境监测模块采集环境数据,数据分析模块分析所述环境数据,并通过采集分析颗粒物和湿度给出预警信息,利用视频模块接收到所述预警信息时采集工地的视频,并传输至所述客户端,因此能准确地作出预警,并能将预警信息与视频相结合,直观的观察到现场的各种情况。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的箱梁生产的工地环境监测方法的流程示意图。
具体实施方式
下面将结合附图对本发明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。
本发明实施例提供了一种箱梁生产的工地环境监测系统,包括环境监测模块、数据分析模块、客户端、视频模块和供电模块。其中,本实施例的环境监测模块,包括颗粒物监测单元和湿度监测单元,颗粒物监测单元可采集颗粒物的浓度,湿度监测单元可采用环境中的湿度,从而得到包括颗粒物的浓度和环境中的湿度的环境数据。数据分析模块与所述环境监测模块连接,用于分析所述环境数据,并给出预警信息。客户端与所述数据分析模块通信连接,用于接收并发送所述预警信息。视频模块与所述数据分析模块和所述客户端连接,用于接收到所述预警信息时采集工地的视频,并传输至所述客户端;供电模块所述环境监测模块、所述数据分析模块和所述视频模块均与所述供电模块连接。
上述实施例通过环境监测模块采集环境数据,数据分析模块分析所述环境数据,并通过采集分析颗粒物和湿度给出预警信息,利用视频模块接收到所述预警信息时采集工地的视频,并传输至所述客户端,因此能准确地作出预警,并能将预警信息与视频相结合,直观的观察到现场的各种情况。
其中,作为优选的实施方式,所述数据分析模块包括接收单元、校正单元和对比单元,所述接收单元与所述环境监测模块连接,用于接收环境监测模块采集的颗粒物浓度和湿度;所述处理单元与所述接收单元连接,用于根据校正模型对所述颗粒物浓度进行校正,得到校正后的颗粒物浓度;所述对比单元与所述校正单元连接,用于将校正后的颗粒物浓度与预设浓度比对,并作出预警信息。所述校正模型由以下方式获得:将历史颗粒物浓度数据、历史湿度作为训练集,输入至RBF神经网络的输入,同时将所述RBF神经网络的隐节点数设置为训练集的样本个数,训练所述RBF神经网络;根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络;将所述历史湿度作为所述新的RBF神经网络的输入,训练所述新的RBF神经网络从而得到校正模型。
RBF神经网络用RBF作为隐单元的“基”构成隐含层空间,这样就可以将输入矢量直接映射到隐空间,而不需要通过权连接。当RBF的中心点确定以后,这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的,即网络的输出是隐单元输出的线性加权和,此处的权即为网络可调参数。其中,隐含层的作用是把向量从低维度的p映射到高维度的h,这样低维度线性不可分的情况到高维度就可以变得线性可分了。这样,网络由输入到输出的映射是非线性的,而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出,从而大大加快学习速度并避免局部极小问题。
上述实施方式通过确定隐含层隐节点个数,降低了校正模型的复杂度;通过各个训练数据的特征大小选择样本作为隐含层节点,该方法充分利用了历史颗粒物浓度数据、历史湿度之间的关系确定隐节点,有效提高了校正模型的精确度。
进一步的,根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络,包括:提取训练集中各个训练数据的特征;将所述训练集中各个训练数据的特征划分为M个特征单元,其中,所述M大于1,且每个特征单元中包含的特征数不小于1;分别基于各个特征单元和各个特征单元所对应的训练单元,训练相应的RBF神经网络单元,且所述RBF神经网络单元的输入数据与输出数据相同;将所述M个RBF神经网络单元并列拼接成新的RBF神经网络。
各个训练数据的特征可根据实际使用过程进行调整,特征划分时特征单元的个数也可根据实际情况进行设置。利用各个训练数据的特征优化训练RBF神经网络,能得到结构参数最优的RBF神经网络模型。通过将所述M个RBF神经网络单元并列拼接成新的RBF神经网络,进一步提高了RBF神经网络的精确度。
为了更清楚地观察现场情况,作为优选的实施方式,所述客户端对接收到的颗粒物浓度、湿度、视频进行分析处理得到颗粒物浓度和环境的对应关系表,并将超标浓度数据和超标环境图像进行显示。颗粒物监测单元和湿度监测单元均设置为多个,获取各颗粒物监测单元和湿度监测单元的监测数据;利用视频模块建立工地图像,根据所述监测数据分别确定对应的当前超标值,根据不同区域的所述当前超标值在所述工地图像中将各区域相应进行区分显示。
如图1所示,本申请还提供了一种工地环境监测方法,包括以下步骤:
利用环境监测模块采集环境数据;
利用数据分析模块分析所述环境数据,并给出预警信息;
利用客户端接收并发送所述预警信息;
利用视频模块接收到所述预警信息时采集工地的视频,并传输至所述客户端。
通过上述方法,可通过环境监测模块采集环境数据,数据分析模块分析所述环境数据,并通过采集分析颗粒物和湿度给出预警信息,利用视频模块接收到所述预警信息时采集工地的视频,并传输至所述客户端,因此能准确地作出预警,并能将预警信息与视频相结合,直观的观察到现场的各种情况。
所述数据分析模块包括接收单元、校正单元和对比单元,所述接收单元与所述环境监测模块连接,用于接收环境监测模块采集的颗粒物浓度和湿度;所述校正单元与所述接收单元连接,用于根据校正模型对所述颗粒物浓度进行校正,得到校正后的颗粒物浓度;所述对比单元与所述校正单元连接,用于将校正后的颗粒物浓度与预设浓度比对,并作出预警信息。
校正模型可采用现有任意神经网络,其中最为常用的神经网络主要为:BP(BackPropagation,反向传播)神经网络和RBF神经网络。BP神经网络具备结构简单和适用性强的优点,但BP神经网络采用全局逼近算法,训练时间过长,且容易陷入局部最优。与BP神经网络相比,RBF神经网络在输入层与隐藏层之间使用具有光滑对称和任意阶导数的高斯函数作为径向基函数,在隐藏层与输出层之间采用线性函数,使得输出和节点权值具有线性关系,RBF神经网络具有非线性拟合能力强、全局最优逼近、训练速度快等优点。因此,作为优选的方式,采用RBF神经网络进行。具体地,所述校正模型由以下方式获得:将历史颗粒物浓度数据、历史湿度作为训练集,输入至RBF神经网络的输入,同时将所述RBF神经网络的隐节点数设置为训练集的样本个数,训练所述RBF神经网络;根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络;将所述历史湿度作为所述新的RBF神经网络的输入,训练所述新的RBF神经网络从而得到校正模型。
根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络,包括:提取训练集中各个训练数据的特征;将所述训练集中各个训练数据的特征划分为M个特征单元,其中,所述M大于1,且每个特征单元中包含的特征数不小于1;分别基于各个特征单元和各个特征单元所对应的训练单元,训练相应的RBF神经网络单元,且所述RBF神经网络单元的输入数据与输出数据相同;将所述M个RBF神经网络单元并列拼接成新的RBF神经网络。
各个训练数据的特征可根据实际使用过程进行调整,特征划分时特征单元的个数也可根据实际情况进行设置。利用各个训练数据的特征优化训练RBF神经网络,能得到结构参数最优的RBF神经网络模型。通过将所述M个RBF神经网络单元并列拼接成新的RBF神经网络,进一步提高了RBF神经网络的精确度。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种箱梁生产的工地环境监测系统,其特征在于,包括:
环境监测模块,包括颗粒物监测单元和湿度监测单元,用于采集环境数据;
数据分析模块,与所述环境监测模块连接,用于分析所述环境数据,并给出预警信息;
客户端,与所述数据分析模块通信连接,用于接收并发送所述预警信息;
视频模块,与所述数据分析模块和所述客户端连接,用于接收到所述预警信息时采集工地的视频,并传输至所述客户端;
供电模块,所述环境监测模块、所述数据分析模块和所述视频模块均与所述供电模块连接。
2.根据权利要求1所述的工地环境监测系统,其特征在于,所述数据分析模块包括接收单元、校正单元和对比单元,所述接收单元与所述环境监测模块连接,用于接收环境监测模块采集的颗粒物浓度和湿度;所述校正单元与所述接收单元连接,用于根据校正模型对所述颗粒物浓度进行校正,得到校正后的颗粒物浓度;所述对比单元与所述校正单元连接,用于将校正后的颗粒物浓度与预设浓度比对,并作出预警信息。
3.根据权利要求2所述的工地环境监测系统,其特征在于,所述校正模型由以下方式获得:将历史颗粒物浓度数据、历史湿度作为训练集,输入至RBF神经网络的输入,同时将所述RBF神经网络的隐节点数设置为训练集的样本个数,训练所述RBF神经网络;根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络;将所述历史湿度作为所述新的RBF神经网络的输入,训练所述新的RBF神经网络从而得到校正模型。
4.根据权利要求3所述的工地环境监测系统,其特征在于,根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络,包括:提取训练集中各个训练数据的特征;将所述训练集中各个训练数据的特征划分为M个特征单元,其中,M大于1,且每个特征单元中包含的特征数不小于1;分别基于各个特征单元和各个特征单元所对应的训练单元,训练相应的RBF神经网络单元,且所述RBF神经网络单元的输入数据与输出数据相同;将所述M个RBF神经网络单元并列拼接成新的RBF神经网络。
5.根据权利要求1所述的工地环境监测系统,其特征在于,所述客户端对接收到的颗粒物浓度、湿度、视频进行分析处理得到颗粒物浓度和环境的对应关系表,并将超标浓度数据和超标环境图像进行显示。
6.根据权利要求5所述的工地环境监测系统,其特征在于,颗粒物监测单元和湿度监测单元均设置为多个,获取各颗粒物监测单元和湿度监测单元的监测数据;利用视频模块建立工地图像,根据所述监测数据分别确定对应的当前超标值,根据不同区域的所述当前超标值在所述工地图像中将各区域相应进行区分显示。
7.一种工地环境监测方法,其特征在于,包括以下步骤:
利用环境监测模块采集环境数据;
利用数据分析模块分析所述环境数据,并给出预警信息;
利用客户端接收并发送所述预警信息;
利用视频模块接收到所述预警信息时采集工地的视频,并传输至所述客户端。
8.根据权利要求7所述的工地环境监测方法,其特征在于,所述数据分析模块包括接收单元、校正单元和对比单元,所述接收单元与所述环境监测模块连接,用于接收环境监测模块采集的颗粒物浓度和湿度;所述校正单元与所述接收单元连接,用于根据校正模型对所述颗粒物浓度进行校正,得到校正后的颗粒物浓度;所述对比单元与所述校正单元连接,用于将校正后的颗粒物浓度与预设浓度比对,并作出预警信息。
9.根据权利要求8所述的工地环境监测方法,其特征在于,所述校正模型由以下方式获得:将历史颗粒物浓度数据、历史湿度作为训练集,输入至RBF神经网络的输入,同时将所述RBF神经网络的隐节点数设置为训练集的样本个数,训练所述RBF神经网络;根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络;将所述历史湿度作为所述新的RBF神经网络的输入,训练所述新的RBF神经网络从而得到校正模型。
10.根据权利要求9所述的工地环境监测方法,其特征在于,根据所述训练集中的各个训练数据的特征大小确定隐含层节点,并得到新的RBF神经网络,包括:提取训练集中各个训练数据的特征;将所述训练集中各个训练数据的特征划分为M个特征单元,其中,M大于1,且每个特征单元中包含的特征数不小于1;分别基于各个特征单元和各个特征单元所对应的训练单元,训练相应的RBF神经网络单元,且所述RBF神经网络单元的输入数据与输出数据相同;将所述M个RBF神经网络单元并列拼接成新的RBF神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201788.7A CN114563975A (zh) | 2022-03-03 | 2022-03-03 | 箱梁生产的工地环境监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201788.7A CN114563975A (zh) | 2022-03-03 | 2022-03-03 | 箱梁生产的工地环境监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114563975A true CN114563975A (zh) | 2022-05-31 |
Family
ID=81717318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201788.7A Pending CN114563975A (zh) | 2022-03-03 | 2022-03-03 | 箱梁生产的工地环境监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563975A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837137A (zh) * | 2019-11-07 | 2020-02-25 | 刘健华 | 一种台风预测报警方法 |
CN110888402A (zh) * | 2019-07-29 | 2020-03-17 | 南京合智信息技术有限公司 | 一种基于saas平台的智慧工地环境综合监测系统 |
CN113618888A (zh) * | 2021-08-20 | 2021-11-09 | 北京好运达智创科技有限公司 | 外模清理打磨控制系统 |
CN113804598A (zh) * | 2021-10-15 | 2021-12-17 | 邯郸中建恒质工程项目管理有限公司 | 基于大数据的施工环境监测系统及监测方法 |
CN113888841A (zh) * | 2021-12-08 | 2022-01-04 | 成都千嘉科技有限公司 | 燃气报警器系统 |
-
2022
- 2022-03-03 CN CN202210201788.7A patent/CN114563975A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110888402A (zh) * | 2019-07-29 | 2020-03-17 | 南京合智信息技术有限公司 | 一种基于saas平台的智慧工地环境综合监测系统 |
CN110837137A (zh) * | 2019-11-07 | 2020-02-25 | 刘健华 | 一种台风预测报警方法 |
CN113618888A (zh) * | 2021-08-20 | 2021-11-09 | 北京好运达智创科技有限公司 | 外模清理打磨控制系统 |
CN113804598A (zh) * | 2021-10-15 | 2021-12-17 | 邯郸中建恒质工程项目管理有限公司 | 基于大数据的施工环境监测系统及监测方法 |
CN113888841A (zh) * | 2021-12-08 | 2022-01-04 | 成都千嘉科技有限公司 | 燃气报警器系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108574737B (zh) | 基于云技术和zynq平台的农业自动监控系统及方法 | |
WO2022151819A1 (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN116186634A (zh) | 一种建筑工程施工数据智能管理系统 | |
CN109376660B (zh) | 一种目标监测方法、装置及系统 | |
CN110930262A (zh) | 一种突发事件电力应急处置现场全域监测信息交互支撑前置服务系统及方法 | |
CN113408087A (zh) | 一种基于云边系统和视频智能分析的变电站巡视方法 | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN115744839A (zh) | 基于物联网的制氮制氧设备远程控制方法 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN116781864B (zh) | 基于物联网数据采集的工厂经营状态远程监控系统及方法 | |
CN114563975A (zh) | 箱梁生产的工地环境监测系统及方法 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
CN115664006A (zh) | 一种增量配电网智能管控一体化平台 | |
CN114282782A (zh) | 一种基于3d可视化和物联网技术的智慧能耗管理系统 | |
CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
CN113958463A (zh) | 风机叶片在线监测方法、系统及装置 | |
CN103428407A (zh) | 一种视频中打架的侦测方法 | |
CN112351071B (zh) | 一种基于云计算的中药生产远程监控系统 | |
CN117834540B (zh) | 一种基于超声波水表的通信优化方法、物联网系统及设备 | |
CN116483019B (zh) | 一种基于plc的工业物联网云管控系统 | |
CN114500615B (zh) | 基于物联传感技术的智能终端 | |
CN114691905B (zh) | 一种用于监视器的人工智能多源数据处理系统 | |
CN115955419A (zh) | 数据中心带宽流量主动告警及异常流量监控系统 | |
CN113542053A (zh) | 一种宽带通信设备测试系统 |
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 |