CN115033253A - 一种深度学习模型的云边协同训练和部署系统及方法 - Google Patents
一种深度学习模型的云边协同训练和部署系统及方法 Download PDFInfo
- Publication number
- CN115033253A CN115033253A CN202210532404.XA CN202210532404A CN115033253A CN 115033253 A CN115033253 A CN 115033253A CN 202210532404 A CN202210532404 A CN 202210532404A CN 115033253 A CN115033253 A CN 115033253A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- task
- deployment
- central cloud
- 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
- 238000012549 training Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013136 deep learning model Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/38—Concurrent instruction execution, e.g. pipeline or look ahead
- G06F9/3854—Instruction completion, e.g. retiring, committing or graduating
- G06F9/3856—Reordering of instructions, e.g. using queues or age tags
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习模型的云边协同训练和部署系统及方法，属于深度学习和互联网技术领域。本发明系统包括检测器、边缘服务器和中心云服务器；本发明通过云边协同的方式训练和部署深度学习模型，可以实现模型更加便捷地发布到检测设备，确保生产车间数据不出厂，降低了网络负载和数据泄露风险；同时，充分利用边缘服务器硬件资源，可视化和自动化的深度学习模型训练和部署，有利于推动深度学习在智能制造、工业质检领域的商业化应用；基于这种检测系统及方法可以开发出应用于各种工业视觉检测系统，具有广泛的应用空间。
Description
技术领域
本发明属于深度学习和互联网技术领域，具体涉及一种深度学习模型的云边协同训练和部署系统及方法。
背景技术
在国家大力提倡和发展工业生产智能制造的环境下，人工智能工业质检解决方案将全面赋能工业生产制造。目前视觉检测系统凭借其独特的优势逐渐替代人工检测方式，广泛应用于生产流水线中。与传统方式相比，深度学习可以在训练过程中自学习相关属性，省去特征工程环节，识别精度更高、更加灵活。
深度学习模型的训练往往要进行大量数据的处理工作，对硬件的内存和计算能力要求较高，因此需要在资源充足的数据中心完成。在视觉检测系统中，检测器本身从硬件成本和检测实时性考虑，都不适合充当数据中心。而在工厂内各车间、产线部署服务器单独进行模型训练，既效率低，也无法实现模型的统一管理和部署。收集大量的样本数据送往云端数据中心进行模型训练则存在两个主要的弊端。一方面，将所有产线数据传输到云端会给核心网络带来沉重负担，造成服务延时。另一方面，大量的原始数据通过广域网传输容易泄露用户数据隐私，违背用户意愿。
随着工业互联网和边缘计算的发展，将云边协同技术应用到深度学习模型的训练和部署，可以解决目前工业质检领域深度学习模型训练和部署系统及方法的不足，使模型的训练和部署更加安全、高效、智能化、低成本。
发明内容
针对现有技术中存在的上述技术问题，本发明提出了一种深度学习模型的云边协同训练和部署系统及方法，设计合理，克服了现有技术的不足，具有良好的效果。
为了实现上述目的，本发明采用如下技术方案：
一种深度学习模型的云边协同训练和部署系统，包括检测器、边缘服务器和中心云服务器；
检测器，被配置为用于调用深度学习模型对产品质量进行实时检测，并将历史数据传送到边缘服务器；其包括工控机、单片机、图像采集通讯组件、光源控制电路和编码器信号采集电路；
边缘服务器，被配置为用于在收到中心云服务模型训练命令后，解析命令，获取任务参数信息，采集指定检测器存储数据，进行模型训练，同时定时更新包括训练进度、训练精度和训练损失值在内的过程信息给中心云服务器；在收到中心云服务模型部署命令后，解析命令，向检测器下发训练好的模型文件，进行模型部署，同时定时更新包括模型下发进度和检测器加载模型进度在内的过程信息给中心云服务器；
中心云服务器，被配置为用于接收用户的远程控制，向边缘服务器发送模型训练和模型部署命令，以及接收边缘服务器的返回信息，向用户显示任务执行情况。
此外，本发明还提到一种深度学习模型的云边协同训练和部署方法，该方法采用如上所述的深度学习模型的云边协同训练和部署系统；具体包括如下步骤：
步骤1：通过检测器调用深度学习模型对产品质量进行实时检测，并将历史数据传送到边缘服务器；
步骤2：边缘服务器，被配置为用于在收到中心云服务模型训练命令后，解析命令，获取任务参数信息，采集指定检测器存储数据，进行模型训练，同时定时更新包括训练进度、训练精度和训练损失值在内的过程信息给中心云服务器；在收到中心云服务模型部署命令后，解析命令，向检测器下发训练好的模型文件，进行模型部署，同时定时更新包括模型下发进度和检测器加载模型进度在内的过程信息给中心云服务器；
步骤3：中心云服务器，被配置为用于接收用户的远程控制，向边缘服务器发送模型训练和模型部署命令，以及接收边缘服务器的返回信息，向用户显示任务执行情况；
步骤4：实现检测模型的自动化训练和部署。
优选地，中心云服务器执行分布式任务处理，在收到用户的控制命令后，发布包括训练模型或部署模型在内的异步任务，发布定时任务更新任务执行进度，任务信息立即放入消息队列中，任务执行单元从消息队列中依次取出任务执行，并存储执行结果。
优选地，模型训练的任务流程如下：
步骤S1：用户在中心云服务器进行模型训练配置数据；
模型训练配置数据，包括训练集和验证集的生成器配置；模型尺寸、迭代次数和分类种类的配置，以及数据预处理、预训练权重、回调函数和模型微调项目的配置；
步骤S2：中心云服务器将任务消息放入Redis队列；
步骤S3：Redis队列有新任务信息；
步骤S4：中心云服务器的任务执行单元从Redis队列取出并解析任务信息，向边缘服务器下发训练任务，同时开启定时任务，获取任务执行进度；
步骤S5：边缘服务器接收到训练任务之后，采集相应检测器存储的原始数据，采集完成后按照任务要求，开展模型训练；
步骤S6：判读模型训练是否完成；
若：判断结果是模型训练已经完成，则执行步骤S7；
或判断结果是模型训练没有完成，则执行步骤S8；
步骤S7：生成模型，执行步骤S3；
步骤S8：向中心云服务器定时返回模型的训练进度和训练效果，继续训练；
步骤S9：判断中途是否停止；
若：判断结果是中途停止，则执行步骤S10；
或判断结果是中途没有停止，则执行步骤S6；
步骤S10：回调函数中结束训练；
步骤S11：模型训练完成，自动上传至中心云服务器进行进一步的评估测试。
优选地，模型部署的任务流程如下：
步骤S21：用户在中心云服务器进行模型部署配置数据；
模型的部署配置数据，包括模型尺寸、图像兴趣区域、模型归属和部署完成其他操作配置；
步骤S22：中心云服务器将任务消息放入Redis队列；
步骤S23：Redis队列有新任务信息；
步骤S24：中心云服务器的任务执行单元从Redis队列取出并解析任务信息，向边缘服务器下发部署任务，同时开启定时任务，获取任务执行进度；
步骤S25：边缘服务器接收到任务之后，向指定检测器发送训练好的模型文件；
步骤S26：判断模型文件下发是否完成；
若：判断结果是模型文件下发完成，则执行步骤S27；
或判断结果是模型文件下发没有完成，则执行步骤S28；
步骤S27：检测器接收完成模型文件，放入指定的品牌参数文件夹下，检测器执行加载模型；然后执行步骤S23；
步骤S28：向中心云服务器定时返回模型返回下发进度，继续传输；
步骤S29：判断中途是否停止；
若：判断结果是中途停止，则执行步骤S29；
或判断结果是中途没有停止，则执行步骤S26；
步骤S29：返回状态；
步骤S30：边缘服务器向中心云服务器返回模型部署成功消息。
本发明所带来的有益技术效果：
本发明通过云边协同的方式训练和部署深度学习模型，可以实现模型更加便捷地发布到检测设备，确保生产车间数据不出厂，降低了网络负载和数据泄露风险。同时，充分利用边缘服务器硬件资源，可视化和自动化的深度学习模型训练和部署，有利于推动深度学习在智能制造、工业质检领域的商业化应用。
基于这种检测系统及方法可以开发出应用于各种工业视觉检测系统，具有广泛的应用空间。
附图说明
图1是本发明系统的架构图。
图2是中心云服务器的分布式任务流程图。
图3是模型训练任务执行流程图。
图4是中心云服务器模型训练配置界面示意图。
图5是边缘服务器模型训练执行界面示意图。
图6是模型部署任务执行流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
实施例1：
如图1所示，一种深度学习模型的云边协同训练和部署系统，包括检测器、边缘服务器和中心云服务器；
检测器，用于调用深度学习模型对产品质量进行实时检测，并将历史数据传送到边缘服务器；其包括工控机、单片机、图像采集通讯组件、光源控制电路和编码器信号采集电路；
边缘服务器，用于在收到中心云服务模型训练命令后，解析命令，获取任务参数信息，采集指定检测器存储数据，进行模型训练，同时定时更新包括训练进度、训练精度和训练损失值在内的过程信息给中心云服务器；在收到中心云服务模型部署命令后，解析命令，向检测器下发训练好的模型文件，进行模型部署，同时定时更新包括模型下发进度和检测器加载模型进度在内的过程信息给中心云服务器；
中心云服务器，用于接收用户的远程控制，向边缘服务器发送模型训练和模型部署命令，以及接收边缘服务器的返回信息，向用户显示任务执行情况。
实施例2：
在上述实施例1的基础上，本发明一种深度学习模型的云边协同训练和部署方法，具体包括如下步骤：
步骤1：通过检测器调用深度学习模型对产品质量进行实时检测，并将历史数据传送到边缘服务器；
步骤2：边缘服务器，被配置为用于在收到中心云服务模型训练命令后，解析命令，获取任务参数信息，采集指定检测器存储数据，进行模型训练，同时定时更新包括训练进度、训练精度和训练损失值在内的过程信息给中心云服务器；在收到中心云服务模型部署命令后，解析命令，向检测器下发训练好的模型文件，进行模型部署，同时定时更新包括模型下发进度和检测器加载模型进度在内的过程信息给中心云服务器；
步骤3：中心云服务器，被配置为用于接收用户的远程控制，向边缘服务器发送模型训练和模型部署命令，以及接收边缘服务器的返回信息，向用户显示任务执行情况；
步骤4：实现检测模型的自动化训练和部署。
图2为中心云服务器的分布式任务流程图。
在收到控制终端的控制命令后，发布异步任务(训练或部署模型)，发布定时任务更新任务执行进度，任务信息立即放入消息队列中，任务执行单元从消息队列中依次取出任务执行，并存储执行结果。
如图3所示，模型训练任务流程如下：
步骤S1：用户在中心云服务器进行模型训练配置数据；
模型训练配置数据，包括训练集和验证集的生成器配置；模型尺寸、迭代次数和分类种类的配置，以及数据预处理、预训练权重、回调函数和模型微调项目的配置；
步骤S2：中心云服务器将任务消息放入Redis队列；
步骤S3：Redis队列有新任务信息；
步骤S4：中心云服务器的任务执行单元从Redis队列取出并解析任务信息，向边缘服务器下发训练任务，同时开启定时任务，获取任务执行进度；
步骤S5：边缘服务器接收到训练任务之后，采集相应检测器存储的原始数据，采集完成后按照任务要求，开展模型训练；
步骤S6：判读模型训练是否完成；
若：判断结果是模型训练已经完成，则执行步骤S7；
或判断结果是模型训练没有完成，则执行步骤S8；
步骤S7：生成模型，执行步骤S3；
步骤S8：向中心云服务器定时返回模型的训练进度和训练效果，继续训练；
步骤S9：判断中途是否停止；
若：判断结果是中途停止，则执行步骤S10；
或判断结果是中途没有停止，则执行步骤S6；
步骤S10：回调函数中结束训练；
步骤S11：模型训练完成，自动上传至中心云服务器进行进一步的评估测试。
图4是中心云服务器模型训练配置界面示意图。
图5是边缘服务器模型训练执行界面示意图。
如图6所示，模型部署任务流程如下：
步骤S21：用户在中心云服务器进行模型部署配置数据；
模型的部署配置数据，包括模型尺寸、图像兴趣区域、模型归属和部署完成其他操作配置；
步骤S22：中心云服务器将任务消息放入Redis队列；
步骤S23：Redis队列有新任务信息；
步骤S24：中心云服务器的任务执行单元从Redis队列取出并解析任务信息，向边缘服务器下发部署任务，同时开启定时任务，获取任务执行进度；
步骤S25：边缘服务器接收到任务之后，向指定检测器发送训练好的模型文件；
步骤S26：判断模型文件下发是否完成；
若：判断结果是模型文件下发完成，则执行步骤S27；
或判断结果是模型文件下发没有完成，则执行步骤S28；
步骤S27：检测器接收完成模型文件，放入指定的品牌参数文件夹下，检测器执行加载模型；然后执行步骤S23；
步骤S28：向中心云服务器定时返回模型返回下发进度，继续传输；
步骤S29：判断中途是否停止；
若：判断结果是中途停止，则执行步骤S29；
或判断结果是中途没有停止，则执行步骤S26；
步骤S29：返回状态；
步骤S30：边缘服务器向中心云服务器返回模型部署成功消息。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (5)
1.一种深度学习模型的云边协同训练和部署系统，其特征在于：包括检测器、边缘服务器和中心云服务器；
检测器，被配置为用于调用深度学习模型对产品质量进行实时检测，并将历史数据传送到边缘服务器；其包括工控机、单片机、图像采集通讯组件、光源控制电路和编码器信号采集电路；
边缘服务器，被配置为用于在收到中心云服务模型训练命令后，解析命令，获取任务参数信息，采集指定检测器存储数据，进行模型训练，同时定时更新包括训练进度、训练精度和训练损失值在内的过程信息给中心云服务器；在收到中心云服务模型部署命令后，解析命令，向检测器下发训练好的模型文件，进行模型部署，同时定时更新包括模型下发进度和检测器加载模型进度在内的过程信息给中心云服务器；
中心云服务器，被配置为用于接收用户的远程控制，向边缘服务器发送模型训练和模型部署命令，以及接收边缘服务器的返回信息，向用户显示任务执行情况。
2.一种深度学习模型的云边协同训练和部署方法，其特征在于：采用如权利要求1所述的深度学习模型的云边协同训练和部署系统；具体包括如下步骤：
步骤1：通过检测器调用深度学习模型对产品质量进行实时检测，并将历史数据传送到边缘服务器；
步骤2：边缘服务器，被配置为用于在收到中心云服务模型训练命令后，解析命令，获取任务参数信息，采集指定检测器存储数据，进行模型训练，同时定时更新包括训练进度、训练精度和训练损失值在内的过程信息给中心云服务器；在收到中心云服务模型部署命令后，解析命令，向检测器下发训练好的模型文件，进行模型部署，同时定时更新包括模型下发进度和检测器加载模型进度在内的过程信息给中心云服务器；
步骤3：中心云服务器，被配置为用于接收用户的远程控制，向边缘服务器发送模型训练和模型部署命令，以及接收边缘服务器的返回信息，向用户显示任务执行情况；
步骤4：实现检测模型的自动化训练和部署。
3.根据权利要求2所述的深度学习模型的云边协同训练和部署方法，其特征在于：中心云服务器执行分布式任务处理，在收到用户的控制命令后，发布包括训练模型或部署模型在内的异步任务，发布定时任务更新任务执行进度，任务信息立即放入消息队列中，任务执行单元从消息队列中依次取出任务执行，并存储执行结果。
4.根据权利要求2所述的深度学习模型的云边协同训练和部署方法，其特征在于：模型训练的任务流程如下：
步骤S1：用户在中心云服务器进行模型训练配置数据；
模型训练配置数据，包括训练集和验证集的生成器配置；模型尺寸、迭代次数和分类种类的配置，以及数据预处理、预训练权重、回调函数和模型微调项目的配置；
步骤S2：中心云服务器将任务消息放入Redis队列；
步骤S3：Redis队列有新任务信息；
步骤S4：中心云服务器的任务执行单元从Redis队列取出并解析任务信息，向边缘服务器下发训练任务，同时开启定时任务，获取任务执行进度；
步骤S5：边缘服务器接收到训练任务之后，采集相应检测器存储的原始数据，采集完成后按照任务要求，开展模型训练；
步骤S6：判读模型训练是否完成；
若：判断结果是模型训练已经完成，则执行步骤S7；
或判断结果是模型训练没有完成，则执行步骤S8；
步骤S7：生成模型，执行步骤S3；
步骤S8：向中心云服务器定时返回模型的训练进度和训练效果，继续训练；
步骤S9：判断中途是否停止；
若：判断结果是中途停止，则执行步骤S10；
或判断结果是中途没有停止，则执行步骤S6；
步骤S10：回调函数中结束训练；
步骤S11：模型训练完成，自动上传至中心云服务器进行进一步的评估测试。
5.根据权利要求2所述的深度学习模型的云边协同训练和部署方法，其特征在于：模型部署的任务流程如下：
步骤S21：用户在中心云服务器进行模型部署配置数据；
模型的部署配置数据，包括模型尺寸、图像兴趣区域、模型归属和部署完成其他操作配置；
步骤S22：中心云服务器将任务消息放入Redis队列；
步骤S23：Redis队列有新任务信息；
步骤S24：中心云服务器的任务执行单元从Redis队列取出并解析任务信息，向边缘服务器下发部署任务，同时开启定时任务，获取任务执行进度；
步骤S25：边缘服务器接收到任务之后，向指定检测器发送训练好的模型文件；
步骤S26：判断模型文件下发是否完成；
若：判断结果是模型文件下发完成，则执行步骤S27；
或判断结果是模型文件下发没有完成，则执行步骤S28；
步骤S27：检测器接收完成模型文件，放入指定的品牌参数文件夹下，检测器执行加载模型；然后执行步骤S23；
步骤S28：向中心云服务器定时返回模型返回下发进度，继续传输；
步骤S29：判断中途是否停止；
若：判断结果是中途停止，则执行步骤S29；
或判断结果是中途没有停止，则执行步骤S26；
步骤S29：返回状态；
步骤S30：边缘服务器向中心云服务器返回模型部署成功消息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210532404.XA CN115033253A (zh) | 2022-05-10 | 2022-05-10 | 一种深度学习模型的云边协同训练和部署系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210532404.XA CN115033253A (zh) | 2022-05-10 | 2022-05-10 | 一种深度学习模型的云边协同训练和部署系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115033253A true CN115033253A (zh) | 2022-09-09 |
Family
ID=83121422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210532404.XA Pending CN115033253A (zh) | 2022-05-10 | 2022-05-10 | 一种深度学习模型的云边协同训练和部署系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115033253A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116543563A (zh) * | 2023-07-07 | 2023-08-04 | 深圳市国硕宏电子有限公司 | 一种基于云计算和深度学习的数据分析方法 |
-
2022
- 2022-05-10 CN CN202210532404.XA patent/CN115033253A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116543563A (zh) * | 2023-07-07 | 2023-08-04 | 深圳市国硕宏电子有限公司 | 一种基于云计算和深度学习的数据分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668237B (zh) | 一种基于工业互联网云平台的数字孪生模型及其构建方法 | |
| CN108093030B (zh) | 一种基于云服务器的人工智能模型部署方法 | |
| CN111509862B (zh) | 基于数字孪生云的海上平台电力系统结构优化方法及系统 | |
| CN109754804A (zh) | 一种语音控制方法、装置、存储介质及智能家居系统 | |
| 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 | |
| CN112925646A (zh) | 一种电力数据边缘计算系统以及计算方法 | |
| CN102540133A (zh) | 智能电网数据采集终端的自动检测系统及方法 | |
| CN113364115B (zh) | 一种电力电缆信息综合处理系统、方法 | |
| CN110390020A (zh) | 语义网关的建模方法和语义网关 | |
| 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 | |
| CN113281594A (zh) | 针对继电保护实现远方智能自动测试的系统及其方法 | |
| CN114218763A (zh) | 一种基于数字孪生的产线动态虚拟重组方法 | |
| CN106292584B (zh) | 一种基于模块化的控制单元的柔性制造系统 | |
| CN106325242B (zh) | 一种基于模块化的控制单元的mes系统 | |
| CN110427007A (zh) | 一种智能远程管控系统及其工作流程 | |
| CN108282384B (zh) | 一种基于iec61850的mms服务端通信稳定性的自动测试系统 | |
| CN106354015B (zh) | 对角递归神经网络控制系统的远程监控与在线调试方法 | |
| CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
| CN116993240A (zh) | 一种物流系统控制方法、装置、设备及存储介质 | |
| CN110866614B (zh) | 基于gsp的智能变电站自动化设备透明运维方法及系统 | |
| Yang et al. | Modeling and analysis of cyber-physical systems based on Petri net | |
| CN107707038B (zh) | 一种物联网无线通讯装置供电系统及其监控方法 | |
| CN112348209A (zh) | 列车组运维系统及方法、电子设备及可读存储介质 | |
| CN115765897B (zh) | 一种电力巡检机器人通信模块的检测方法 | |
| CN113806847A (zh) | 一种面向大规模硬件运行数据的动态配置系统及方法 |
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 |