CN114608741A - 一种基于大数据的压力传感器采集系统 - Google Patents
一种基于大数据的压力传感器采集系统 Download PDFInfo
- Publication number
- CN114608741A CN114608741A CN202210217139.6A CN202210217139A CN114608741A CN 114608741 A CN114608741 A CN 114608741A CN 202210217139 A CN202210217139 A CN 202210217139A CN 114608741 A CN114608741 A CN 114608741A
- Authority
- CN
- China
- Prior art keywords
- data
- compensation
- pressure sensor
- model
- acquiring
- 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
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 230000007613 environmental effect Effects 0.000 claims abstract description 41
- 238000007405 data analysis Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 16
- 238000013473 artificial intelligence Methods 0.000 claims description 15
- 238000004088 simulation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/04—Means for compensating for effects of changes of temperature, i.e. other than electric compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明公开了一种基于大数据的压力传感器采集系统,涉及传感器技术领域,解决了现有技术获取的基础数据不准确,无法保证对应温度补偿曲线的准确性,导致压力传感器的测量结果补偿不准确的技术问题;本发明先确定压力传感器的补偿范围,确定是否需要进行补偿,再通过根据实验室标准数据获取的补偿模型获取补偿值,来对测量数据进行补偿,能够保证补偿模型的准确性,提高测量结果的精确度;本发明将基础数据和测量数据建立关联关系,结合标定参数或者实际经验获取补偿范围,再将补偿范围和环境参数对比,设置补偿标签,根据补偿标签对关联的测量数据进行补偿,保障了基础数据的合理性,进而提高测量数据的精确度。
Description
技术领域
本发明属于传感器领域,涉及一种压力传感器采集技术,具体是一种基于大数据的压力传感器采集系统。
背景技术
压力传感器是指将压力变化转换为电信号输出的装置,也是自动化测试设备中的神经系统;压力传感器在工作过程中会受到环境影响,导致测量结果不准确,因此需要对测量结果进行补偿。
现有技术(文献号为CN113468693A的发明专利申请)通过互联网获取同型号压力传感器温度和压力值之间对应关系,并建立压力传感器温度曲线,进而可以补偿测量结果;现有技术通过互联网获取相关基础数据,无法保证基础数据的准确性,进而无法保证压力传感器温度曲线的准确性,导致压力传感器的测量结果补偿不准确;因此,亟须一种基于大数据的压力传感器采集系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了一种基于大数据的压力传感器采集系统,用于解决现有技术获取的基础数据不准确,无法保证对应温度补偿曲线的准确性,导致压力传感器的测量结果补偿不准确的技术问题。
本发明先确定压力传感器的补偿范围,确定是否需要进行补偿,再通过根据实验室标准数据获取的补偿模型获取补偿值,来对测量数据进行补偿,能够保证补偿模型的准确性,提高测量结果的精确度。
为实现上述目的,本发明的第一方面提供了一种基于大数据的压力传感器采集系统,包括数据采集模块和数据分析模块,且数据采集模块和数据分析模块相连接;
所述数据采集模块:采集压力传感器的基础数据和测量数据,并将基础数据和测量数据发送至数据分析模块;其中,基础数据包括环境参数和标定参数;
所述数据分析模块:通过标定参数或者实际经验获取压力传感器对应的补偿范围,将补偿范围和环境参数对比,获取补偿标签;以及
根据补偿标签调用补偿模型,将补偿模型和环境参数相结合获取补偿值,通过补偿值对测量数据进行补偿;其中,补偿模型通过标准数据和曲线拟合法或者人工智能模型结合获取。
优选的,所述数据采集模块实时或者定时采集压力传感器的基础数据,且对基础数据和测量数据进行数据预处理之后发送至所述数据分析模块;其中,数据预处理包括剔除异常值和数据标准化。
优选的,所述数据采集模块根据采集时刻为所述基础数据和所述测量数据建立关联关系,包括:
获取所述测量数据的采集时刻,并标记为时刻一;
获取与所述测量数据采集时刻最近的所述基础数据的采集时刻,并标记为时刻二;
当所述时刻一和所述时刻二的差值绝对值小于差值阈值时,则建立对应所述测量数据和所述基础数据的关联关系;其中,差值阈值根据经验设定,或者根据大数据模拟获取。
优选的,所述数据分析模块根据补偿范围获取补偿标签,包括:
当环境参数在补偿范围内时,则获取与环境参数关联的所述测量数据;
为所述测量数据设定补偿标签,根据补偿标签对测量数据进行补偿。
优选的,所述标准数据通过实验室模拟获取,且包括环境参数以及对应型号压力传感器的补偿值;其中,实验室模拟中设定的环境参数的范围应大于对应型号压力传感器的补偿范围。
优选的,基于所述曲线拟合法建立补偿模型,包括:
获取标准数据;
以标准数据中环境参数为自变量,以对应的补偿值为因变量,结合多项式拟合法建立补偿模型。
优选的,基于所述人工智能模型建立补偿模型,包括:
获取标准数据;
以标准数据中环境参数为输入数据,以对应的补偿值为输出数据,训练构建的人工智能模型;其中,人工智能模型包括深度卷积神经网络模型或者RBF神经网络模型;
将训练完成的人工智能模型标记为补偿模型。
优选的,所述数据分析模块根据补偿值对压力传感器进行故障预警,包括:
获取压力传感器的补偿值;
当补偿值大于等于补偿阈值时,判定压力传感器故障,则发出故障预警;其中,补偿阈值根据压力传感器型号设定。
与现有技术相比,本发明的有益效果是:
1、本发明先确定压力传感器的补偿范围,确定是否需要进行补偿,再通过根据实验室标准数据获取的补偿模型获取补偿值,来对测量数据进行补偿,能够保证补偿模型的准确性,提高测量结果的精确度。
2、本发明将基础数据和测量数据建立关联关系,结合标定参数或者实际经验获取补偿范围,再将补偿范围和环境参数对比,设置补偿标签,根据补偿标签对关联的测量数据进行补偿,保障了基础数据的合理性,进而提高测量数据的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
现有技术(文献号为CN113468693A的发明专利申请)通过互联网获取同型号压力传感器温度和压力值之间对应关系,并建立压力传感器温度曲线,进而可以补偿测量结果;现有技术通过互联网获取相关基础数据,无法保证基础数据的准确性,进而无法保证压力传感器温度曲线的准确性,导致压力传感器的测量结果补偿不准确。
本发明先确定压力传感器的补偿范围,确定是否需要进行补偿,再通过根据实验室标准数据获取的补偿模型获取补偿值,来对测量数据进行补偿,能够保证补偿模型的准确性,提高测量结果的精确度。
请参阅图1,本申请第一方面实施例提供了一种基于大数据的压力传感器采集系统,包括数据采集模块和数据分析模块,且数据采集模块和数据分析模块相连接;
数据采集模块:采集压力传感器的基础数据和测量数据,并将基础数据和测量数据发送至数据分析模块;
数据分析模块:通过标定参数或者实际经验获取压力传感器对应的补偿范围,将补偿范围和环境参数对比,获取补偿标签;以及
根据补偿标签调用补偿模型,将补偿模型和环境参数相结合获取补偿值,通过补偿值对测量数据进行补偿。
本申请中的数据采集模块和数据分析模块相互连接,二者之间既可以单项连接,也可以是双向连接;可以理解的是,数据采集模块可以与多个压力传感器连接,也可以只与一个压力传感器连接(此时数据采集模块可以有多个)。
本申请数据采集模块采集的数据包括压力传感器的基础数据和测量数据;基础数据包括环境参数和标定参数,环境参数是指压力传感器的工作环境,如温度、湿度、气压等参数,标定参数是压力传感器的出厂性能参数,如量程、灵敏度、工作温度范围、温度补偿范围等,测量数据则是指压力传感器的压力测量结果。
本申请中数据采集模块实时或者定时采集压力传感器的基础数据,且对基础数据和测量数据进行数据预处理之后发送至数据分析模块;可以理解的是,数据预处理包括剔除异常值、数据标准化等,主要为了保证数据便于处理。
值得注意的是,本申请中可定时采集基础数据,或者实时采集基础数据(但是会实时采集测量数据,只是不需要基础数据进行补偿);当压力传感器的工作环境在正常范围内时,可定时甚至不采集压力传感器的基础数据,以节省能耗,当压力传感器的工作环境不在正常范围内(需要进行补偿)时,则实时采集基础数据,以便及时对测量数据进行补偿。
在一个实施例中,数据采集模块根据采集时刻为基础数据和测量数据建立关联关系,包括:
获取测量数据的采集时刻,并标记为时刻一;
获取与测量数据采集时刻最近的基础数据的采集时刻,并标记为时刻二;
当时刻一和时刻二的差值绝对值小于差值阈值时,则建立对应测量数据和基础数据的关联关系。
本实施例的主要目的是选择合适的基础数据获取补偿值,以便对测量数据进行合理补偿;可以理解的是,差值阈值根据经验设定,或者根据大数据模拟获取。
本实施例是为了保证基础数据(尤其是环境参数)和测量数据的匹配性,最理想的状态就是基础数据和测量数据的采集时刻相同,该状态下二者的匹配性最好。当基础数据和测量数据的采集时刻不同时,则根据二者采集时刻,即采集时刻最接近的基础数据和测量数据相关联,也能尽可能保证二者的匹配性。
值得注意的是,当以采集时刻差值来对基础数据和测量数据进行关联时,可能会出现一个基础数据与多个测量数据关联的情况,这并不影响后续对测量数据的补偿。
在一个实施例中,数据分析模块根据补偿范围获取补偿标签,包括:
当环境参数在补偿范围内时,则获取与环境参数关联的测量数据;
为测量数据设定补偿标签,根据补偿标签对测量数据进行补偿。
本实施例的主要目的是判定压力传感器的测量数据是否需要进行补偿,即当环境参数落在补偿范围内时,则为与环境参数对应基础数据相关联的测量数据设定补偿标签,一旦设定补偿标签即可以理解为需要对该测量数据进行补偿。
值得注意的是,本实施例中的补偿范围是指压力传感器的实际工作环境已经超出了正常范围,即补偿范围大于正常范围,或者与正常范围没有交集。
在一个实施例中,标准数据通过实验室模拟获取,且包括环境参数以及对应型号压力传感器的补偿值。
本实施例中的标准数据通过实验室模拟获取,即在实验室中设定多组环境参数,每组环境参数包括温度、湿度、气压等,获取每组数据对应的真实压力值与测量压力值的差值,即为补偿值。
值得注意的是,实验室模拟中设定的环境参数的范围应大于对应型号压力传感器的补偿范围,以保证在压力传感器的补偿范围内都能够获取准确的补偿值。
在一个可选的实施例中,基于曲线拟合法建立补偿模型,包括:
获取标准数据;
以标准数据中环境参数为自变量,以对应的补偿值为因变量,结合多项式拟合法建立补偿模型。
本实施例是通过多项式拟合法建立补偿模型,自变量可以是一个,也可以是多个,这种方法建立补偿模型的效率高,可以随时建立,适用于环境参数较少的情况。
在一个可选的实施例中,基于人工智能模型建立补偿模型,包括:
获取标准数据;
以标准数据中环境参数为输入数据,以对应的补偿值为输出数据,训练构建的人工智能模型;
将训练完成的人工智能模型标记为补偿模型。
本实施例是通过人工智能模型建立补偿模型,这种方法建立的补偿模型精度高,适用于环境参数较多的情况。
上述两种方法可以根据实际情况进行选择,如环境参数只有温度时,则可以通过多项式拟合法建立补偿模型,如环境参数包括温度、湿度、气压时,则可通过人工智能模型建立补偿模型。
在一个实施例中,数据分析模块根据补偿值对压力传感器进行故障预警,包括:
获取压力传感器的补偿值;
当补偿值大于等于补偿阈值时,判定压力传感器故障,则发出故障预警。
本实施例中补偿阈值根据压力传感器型号设定,补偿阈值根据压力传感器的使用年限、老化程度等设定,每种型号的压力传感器的每组环境参数均对应一个补偿阈值。
当根据补偿模型获取的补偿值大于等于补偿阈值时,则可以判定压力传感器出现故障,此时可发出故障预警,工作人员可根据故障预警对压力传感器进行更换或者维修。
本发明的工作原理:
数据采集模块采集压力传感器的基础数据和测量数据,并将基础数据和测量数据发送至数据分析模块。
数据分析模块通过标定参数获取压力传感器对应的补偿范围,将补偿范围和环境参数对比,获取补偿标签。
数据分析模块根据补偿标签调用补偿模型,将补偿模型和环境参数相结合获取补偿值,通过补偿值对测量数据进行补偿。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于大数据的压力传感器采集系统,包括数据采集模块和数据分析模块,且数据采集模块和数据分析模块相连接,其特征在于:
所述数据采集模块:采集压力传感器的基础数据和测量数据,并将基础数据和测量数据发送至数据分析模块;其中,基础数据包括环境参数和标定参数;
所述数据分析模块:通过标定参数或者实际经验获取压力传感器对应的补偿范围,将补偿范围和环境参数对比,获取补偿标签;以及
根据补偿标签调用补偿模型,将补偿模型和环境参数相结合获取补偿值,通过补偿值对测量数据进行补偿;其中,补偿模型通过标准数据和曲线拟合法或者人工智能模型结合获取。
2.根据权利要求1所述的一种基于大数据的压力传感器采集系统,其特征在于,所述数据采集模块实时或者定时采集压力传感器的基础数据,且对基础数据和测量数据进行数据预处理之后发送至所述数据分析模块;其中,数据预处理包括剔除异常值和数据标准化。
3.根据权利要求1所述的一种基于大数据的压力传感器采集系统,其特征在于,所述数据采集模块根据采集时刻为所述基础数据和所述测量数据建立关联关系,包括:
获取所述测量数据的采集时刻,并标记为时刻一;
获取与所述测量数据采集时刻最近的所述基础数据的采集时刻,并标记为时刻二;
当所述时刻一和所述时刻二的差值绝对值小于差值阈值时,则建立对应所述测量数据和所述基础数据的关联关系;其中,差值阈值根据经验设定,或者根据大数据模拟获取。
4.根据权利要求1或3所述的一种基于大数据的压力传感器采集系统,其特征在于,所述数据分析模块根据补偿范围获取补偿标签,包括:
当环境参数在补偿范围内时,则获取与环境参数关联的所述测量数据;
为所述测量数据设定补偿标签,根据补偿标签对测量数据进行补偿。
5.根据权利要求1所述的一种基于大数据的压力传感器采集系统,其特征在于,所述标准数据通过实验室模拟获取,且包括环境参数以及对应型号压力传感器的补偿值;其中,实验室模拟中设定的环境参数的范围大于对应型号压力传感器的补偿范围。
6.根据权利要求5所述的一种基于大数据的压力传感器采集系统,其特征在于,基于所述曲线拟合法建立补偿模型,包括:
获取标准数据;
以标准数据中环境参数为自变量,以对应的补偿值为因变量,结合多项式拟合法建立补偿模型。
7.根据权利要求5所述的一种基于大数据的压力传感器采集系统,其特征在于,基于所述人工智能模型建立补偿模型,包括:
获取标准数据;
以标准数据中环境参数为输入数据,以对应的补偿值为输出数据,训练构建的人工智能模型;其中,人工智能模型包括深度卷积神经网络模型或者RBF神经网络模型;
将训练完成的人工智能模型标记为补偿模型。
8.根据权利要求1所述的一种基于大数据的压力传感器采集系统,其特征在于,所述数据分析模块根据补偿值对压力传感器进行故障预警,包括:
获取压力传感器的补偿值;
当补偿值大于等于补偿阈值时,判定压力传感器故障,则发出故障预警;其中,补偿阈值根据压力传感器型号设定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217139.6A CN114608741A (zh) | 2022-03-07 | 2022-03-07 | 一种基于大数据的压力传感器采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217139.6A CN114608741A (zh) | 2022-03-07 | 2022-03-07 | 一种基于大数据的压力传感器采集系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114608741A true CN114608741A (zh) | 2022-06-10 |
Family
ID=81861715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217139.6A Pending CN114608741A (zh) | 2022-03-07 | 2022-03-07 | 一种基于大数据的压力传感器采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114608741A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115071090A (zh) * | 2022-06-13 | 2022-09-20 | 深圳市精研科洁科技股份有限公司 | 基于注塑发泡成型模具的注塑量动态补偿系统及方法 |
CN117738975A (zh) * | 2024-02-06 | 2024-03-22 | 中科云谷科技有限公司 | 用于电磁阀的标定方法、标定装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468693A (zh) * | 2021-07-20 | 2021-10-01 | 蚌埠高灵传感系统工程有限公司 | 一种基于大数据的压力传感器采集系统 |
CN113790836A (zh) * | 2021-09-29 | 2021-12-14 | 西安安森智能仪器股份有限公司 | 一种基于桥阻温度的扩散硅压力传感器压力补偿方法 |
CN113804232A (zh) * | 2021-08-20 | 2021-12-17 | 深圳市撰文科技有限公司 | 传感器校准方法、装置以及终端设备 |
-
2022
- 2022-03-07 CN CN202210217139.6A patent/CN114608741A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468693A (zh) * | 2021-07-20 | 2021-10-01 | 蚌埠高灵传感系统工程有限公司 | 一种基于大数据的压力传感器采集系统 |
CN113804232A (zh) * | 2021-08-20 | 2021-12-17 | 深圳市撰文科技有限公司 | 传感器校准方法、装置以及终端设备 |
CN113790836A (zh) * | 2021-09-29 | 2021-12-14 | 西安安森智能仪器股份有限公司 | 一种基于桥阻温度的扩散硅压力传感器压力补偿方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115071090A (zh) * | 2022-06-13 | 2022-09-20 | 深圳市精研科洁科技股份有限公司 | 基于注塑发泡成型模具的注塑量动态补偿系统及方法 |
CN115071090B (zh) * | 2022-06-13 | 2023-10-27 | 深圳市精研科洁科技股份有限公司 | 基于注塑发泡成型模具的注塑量动态补偿系统及方法 |
CN117738975A (zh) * | 2024-02-06 | 2024-03-22 | 中科云谷科技有限公司 | 用于电磁阀的标定方法、标定装置及存储介质 |
CN117738975B (zh) * | 2024-02-06 | 2024-04-26 | 中科云谷科技有限公司 | 用于电磁阀的标定方法、标定装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114608741A (zh) | 一种基于大数据的压力传感器采集系统 | |
CN105974273B (zh) | 配电网故障定位系统 | |
CN114034826B (zh) | 一种基于数据分析的冻干燕窝工艺用生产环境监测系统 | |
CN114199962B (zh) | 一种用于畜禽舍内有害气体分析监测系统 | |
CN114977483B (zh) | 一种智能电网调控控制设备故障诊断系统 | |
CN108921305B (zh) | 一种部件生命期监测方法 | |
CN112129893B (zh) | 一种电池热失控监测系统的co传感器在线校准方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN116390137B (zh) | 一种智能终端无线网络信号异常监测方法 | |
CN117169585A (zh) | 一种光伏板功率测试系统 | |
CN111157413B (zh) | 一种pm2.5网格化监控网络系统及其一致性校准方法 | |
KR20220093597A (ko) | IoT기반 도시기상관측자료의 품질검사 시스템 | |
CN112414576A (zh) | 一种基于无线传感器网络的工厂环境温度检测系统 | |
CN116054417A (zh) | 一种变电站用的监控系统及方法 | |
CN114705965A (zh) | 基于大数据的第三代半导体可靠性数据分析系统 | |
CN114527078A (zh) | 基于全光谱水质分析仪的监测预警方法和系统 | |
CN115015483B (zh) | 基于肉鸽生长数据的饲喂供给分析处理系统 | |
CN116634487A (zh) | 一种5g通讯基站的实时检测控制系统 | |
CN115423383B (zh) | 基于人工智能的分布式村镇饮用水监测调控系统及方法 | |
CN116773756A (zh) | 一种大气环境中有害气体含量的监测预警方法及系统 | |
CN116366756A (zh) | 一种手机智能化测试运行监控系统 | |
CN114821025A (zh) | 一种基于深度学习的表计识别方法和系统 | |
CN113468693A (zh) | 一种基于大数据的压力传感器采集系统 | |
CN117031164B (zh) | 基于数据分析的干式空心电抗器运行温度智能监管系统 | |
CN117932501B (zh) | 一种电能表运行状态管理方法和系统 |
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 |