CN115527203A - 一种基于物联网的谷物干燥远程控制方法及系统 - Google Patents
一种基于物联网的谷物干燥远程控制方法及系统 Download PDFInfo
- Publication number
- CN115527203A CN115527203A CN202211296588.0A CN202211296588A CN115527203A CN 115527203 A CN115527203 A CN 115527203A CN 202211296588 A CN202211296588 A CN 202211296588A CN 115527203 A CN115527203 A CN 115527203A
- Authority
- CN
- China
- Prior art keywords
- equipment
- information
- drying equipment
- running
- drying
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Drying Of Solid Materials (AREA)
Abstract
本发明提供了一种基于物联网的谷物干燥远程控制方法及系统,涉及数据处理技术领域,通过获得干燥设备的运行参数信息并匹配图像采集设备编码,进行对应干燥设备图像采集并进行图像特征提取,获得图像特征信息,进行特征分析确定干燥设备运行状态特征、运行环境特征,基于设备运行预测模型进行设备运行预测信息获取,判断设备运行预测信息是否满足运行状态要求,当不满足时发送提醒信息,解决了现有技术中谷物干燥设备的控制方法由于智能度不足且控制方向不够全面、无法进行设备运行状态的远程精准预测调整,控制精度不足,使得设备的后续运行状态无法达到预期目标的技术问题,通过连接物联网,实现了干燥设备的远程智能化精准控制。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于物联网的谷物干燥远程控制方法及系统。
背景技术
谷物收获后若需进行短期或长期保存,需进行谷物干燥以避免变质,随着国家对仓储设施建设的重视,带动着谷物干燥设备市场的快速发展,现如今,存在着一系列的谷物干燥设备,以快速进行谷物干燥进行粮食仓储,但由于谷物干燥设备占地较大且工作环境较为恶劣,通过设备控制柜进行设备运行监测与控制,便捷性不足,为使干燥设备得到更好的运行监测与运维管理,需在现有技术上进行一定程度的技术优化,如今,可通过进行谷物干燥设备的远程集成化管理提升操作便捷性,但现有技术还存在着一定的弊端,无法达到预期控制要求。
现有技术中,对于谷物干燥设备的控制方法由于智能度不足且控制方向不够全面、无法进行设备运行状态的远程精准预测调整,控制精度不足,使得设备的后续运行状态无法达到预期目标。
发明内容
本申请提供了一种基于物联网的谷物干燥远程控制方法及系统,用于针对解决现有技术中存在的谷物干燥设备的控制方法由于智能度不足且控制方向不够全面、无法进行设备运行状态的远程精准预测调整,控制精度不足,使得设备的后续运行状态无法达到预期目标的技术问题。
鉴于上述问题,本申请提供了一种基于物联网的谷物干燥远程控制方法及系统。
第一方面,本申请提供了一种基于物联网的谷物干燥远程控制方法,所述方法包括:获得干燥设备的运行参数信息,其中,所述干燥设备的运行参数信息包括干燥设备跟踪编码;基于所述干燥设备跟踪编码,匹配图像采集设备编码;利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息;对所述干燥设备图像信息进行特征提取,获得图像特征信息;根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征;将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息;判断所述设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息。
第二方面,本申请提供了一种基于物联网的谷物干燥远程控制系统,所述系统包括:信息获取模块,所述信息获取模块用于获得干燥设备的运行参数信息,其中,所述干燥设备的运行参数信息包括干燥设备跟踪编码;编码匹配模块,所述编码匹配模块用于基于所述干燥设备跟踪编码,匹配图像采集设备编码;信息采集模块,所述信息采集模块用于利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息;特征提取模块,所述特征提取模块用于对所述干燥设备图像信息进行特征提取,获得图像特征信息;特征分析模块,所述特征分析模块用于根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征;信息预测模块,所述信息预测模块用于将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息;信息判断模块,所述信息判断模块用于判断所述设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于物联网的谷物干燥远程控制方法,获得干燥设备的运行参数信息,包括干燥设备跟踪编码,对其匹配图像采集设备编码,利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息并进行特征提取,获得图像特征信息,通过对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征,基于设备运行预测模型进行设备运行预测信息获取,判断设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息,解决了现有技术中存在的谷物干燥设备的控制方法由于智能度不足且控制方向不够全面、无法进行设备运行状态的远程精准预测调整,控制精度不足,使得设备的后续运行状态无法达到预期目标的技术问题,通过连接物联网,实现了干燥设备的远程智能化精准控制。
附图说明
图1为本申请提供了一种基于物联网的谷物干燥远程控制方法流程示意图;
图2为本申请提供了一种基于物联网的谷物干燥远程控制方法中干燥设备的运行参数信息获取流程示意图;
图3为本申请提供了一种基于物联网的谷物干燥远程控制方法中设备运行预测信息获取流程示意图;
图4为本申请提供了一种基于物联网的谷物干燥远程控制系统结构示意图。
附图标记说明:信息获取模块11,编码匹配模块12,信息采集模块13,特征提取模块14,特征分析模块15,信息预测模块16,信息判断模块17。
具体实施方式
本申请通过提供一种基于物联网的谷物干燥远程控制方法及系统,获得干燥设备的运行参数信息并匹配图像采集设备编码,进行对应干燥设备图像采集并进行图像特征提取,获得图像特征信息,进行特征分析确定干燥设备运行状态特征、运行环境特征,基于设备运行预测模型进行设备运行预测信息获取,判断设备运行预测信息是否满足运行状态要求,当不满足时发送提醒信息,用于解决现有技术中存在的谷物干燥设备的控制方法由于智能度不足且控制方向不够全面、无法进行设备运行状态的远程精准预测调整,控制精度不足,使得设备的后续运行状态无法达到预期目标的技术问题。
实施例一
如图1所示,本申请提供了一种基于物联网的谷物干燥远程控制方法,所述方法应用于物联网控制平台,所述物联网控制平台与干燥设备、图像采集设备通信连接,所述方法包括:
步骤S100:获得干燥设备的运行参数信息,其中,所述干燥设备的运行参数信息包括干燥设备跟踪编码;
具体而言,干燥是谷物进行短期或长期保存必不可少的环节,随着科技的发展,可通过干燥设备进行谷物的烘干,以缩短干燥期限,本申请提供的一种基于物联网的谷物干燥远程控制方法应用于所述物联网控制平台,所述物联网控制平台为进行谷物干燥的总控平台,与所述干燥设备和所述图像采集设备通信连接,将干燥设备控制柜通过通讯电缆远程连接,利用移动设备远程对干燥设备进行参数配置和数据权限配置,进行设备运行的远程监管,并基于所述图像采集设备进行实时工况环境采集分析,实现所述干燥设备的故障报修,工序启停等管理功能,提高远程控制质量效果与干燥设备的运维智能化,所述干燥设备为进行谷物干燥的主要机械设备,当干燥谷物量过大时,可基于多个干燥设备组建干燥机组进行谷物干燥,以提升效率,首先,对所述干燥设备的运行效率、单位干燥面积、温控区间等进行数据采集,获取所述运行参数信息,同时所述运行参数信息包括了所述干燥设备跟踪编码,所述干燥设备跟踪编码为可指代对应干燥设备的另类表述,可通过一串字符或数字进行表示,所述干燥设备追踪编码与所述干燥设备一一对应,可基于所述干燥设备追踪编码进行对应干燥设备的识别追踪。
进一步而言,如图2所示,本申请步骤S100还包括:
步骤S110:获得物联网控制平台关联干燥设备总集;
步骤S120:根据所述关联干燥设备总集,确定设备分布坐标信息;
步骤S130:选择设备分布坐标信息,确定坐标信息对应的干燥设备跟踪编码;
步骤S140:基于所述干燥设备跟踪编码,与干燥设备建立通信连接,获得干燥设备的运行参数信息。
具体而言,所述物联网控制平台为进行所述干燥设备控制的总控平台,可同时进行多台干燥设备的监控,确定所述物联网控制平台监控的多台干燥设备,作为所述关联干燥设备总集,对所述关联干燥设备总集中各设备的分布坐标进行确定,示例性的,基于设备分布实况确定最佳识别方位,选取一参考位置作为原点,基于谷物干燥区域构建二维坐标系,于所述二维坐标系中确定各设备的分布坐标,进而进行信息整合获取所述设备分布坐标信息,进而对所述谷物干燥区域的二维坐标系对应的地图进行缩放,以便进行实时监测追踪,进一步的,确定各坐标信息对应的所述干燥设备跟踪编码并进行锁定,其中,所述干燥设备与跟踪编码一一对应,进而对所述干燥设备追踪编码与对应的干燥设备建立通信连接,基于所述干燥设备跟踪编码进行所述干燥设备的实时定位监测,以获取所述干燥设备的运行参数信息,包括所述干燥设备跟踪编码,通过对所述干燥设备匹配跟踪编码,以降低设备定位识别的复杂度,便于进行设备跟踪的可视化展现。
进一步而言,本申请步骤S110还包括:
步骤S111:根据所述关联设备总集,确定关联干燥设备信息;
步骤S112:基于所述干燥设备信息,确定关注规则信息,其中,关注规则信息包括关注时长、数据更新频量、关注参数要求;
步骤S113:根据所述关联干燥设备信息、所述关注规则信息,生成同步跟踪指令,所述同步跟踪指令用于按照关注干燥设备信息、关注规则信息对关联干燥设备进行跟踪,获得监测数据同步发送至关注用户对应的终端设备中。
具体而言,对所述关联设备总集中的多个关联设备进行确定,可筛选其中的与用户实际需求量相适配的干燥设备,对该设备进行预约,进而确定该设备的相关信息,进一步基于所述干燥设备信息确定所述关注时长、所述数据更新频量与所述关注参数要求,基于此生成所述关注规则信息,所述关注规则信息为对预约设备进行信息追踪的要求标准,所述关注时长为进行设备信息追踪的时间区间;所述数据更新频量为实时数据采集更新的频率与实时数据量;所述关注参数要求为设备运行参数的实时变化状态,进一步基于所述关联干燥设备信息与所述关注规则信息,针对所述关联设备生成所述同步跟踪指令,基于关注要求对所述关联干燥设备进行同步实时追踪,对所述关联干燥设备的实时运行数据进行监测,获取所述检测数据并同步发送至所述关注用户的终端设备中,所述终端设备可以时手机、电脑等具有数据接收功能的电子设备,通过基于关注要求进行所述关联干燥设备的实时数据监测,以保证用户对设备实时信息的接收并确保监测数据与用户要求相契合。
步骤S200:基于所述干燥设备跟踪编码,匹配图像采集设备编码;
步骤S300:利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息;
具体而言,通过对所述干燥设备进行参数信息采集,获取所述干燥设备跟踪编码,进一步以所述干燥设备跟踪编码为基准,匹配所述图像采集设备编码,所述图像采集设备编码可与所述干燥设备跟踪编码为同系列,以进行两者关联性的可视化表述,便于进行识别对应,基于所述图像采集设备编码确定与所述干燥设备相契合的所述图像采集设备,所述图像采集设备与所述干燥设备相对应,只针对该干燥设备进行设备运行的实时图像采集,进一步的,依据所述图像采集设备编码对应的所述图像采集设备,对与其相关联的所述干燥设备进行实时图像采集,确定所述干燥设备的实时运行状态与实时运行环境,例如设备的干燥速率、运行稳定性等;设备运行中的周边的故障分布状况、天气变化实况等,优选的,可通过调整所述图像采集设备的采集角度,对所述干燥设备进行多角度图像采集,以提高所述图像采集结果的信息完备性,进一步基于时间序列对采集图像进行顺序性整合,获取所述干燥设备图像信息,所述干燥设备图像信息的获取为后续进行设备运行预测分析提供的基本信息依据。
步骤S400:对所述干燥设备图像信息进行特征提取,获得图像特征信息;
步骤S500:根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征;
具体而言,基于所述图像采集设备进行对应的所述干燥设备的实时运行图像采集,获取所述干燥设备图像信息,进一步对所述干燥设备图像信息进行图像特征提取,示例性的,可设定单次图像分析区间,例如五分钟,对所述干燥设备图像信息基于所述单次图像分析区间进行划分,进行该区间内的所述干燥设备图像信息的图像特征识别,获取多个图像特征作为所述图像特征信息,所述图像特征信息包括了设备运行状态特征与运行环境特征,进一步的,采集历史设备运行图像集合,对其中所包含的设备运行状态特征与运行环境特征进行提取标识,将上述信息作为训练数据对构建的卷积神经网络模型进行训练,生成图像识别分析模型,所述图像识别分析模型包括了图像分类层与图像特征识别分析层,将所述图像特征信息输入所述图像识别分析模型中,通过进行特征识别分类与特征匹配校对,获取所述干燥设备运行状态特征与所述运行环境特征并进行输出,所述干燥设备运行状态特征与所述运行环境特征的获取为后续进行设备运行预测夯实里基础。
进一步而言,根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征之前,本申请步骤S500还包括:
步骤S510-1:获得训练数据集,所述训练数据集包括干燥设备运行状态图像集、运行环境图像集;
步骤S520-1:基于所述干燥设备运行状态图像集、运行环境图像集,确定干燥设备运行状态图像标识特征、运行环境图像标识特征;
步骤S530-1:利用所述干燥设备运行状态图像标识特征、运行环境图像标识特征与干燥设备运行状态图像集、运行环境图像集的对应关系,对卷积神经网络模型进行训练,其中所述卷积神经网络模型包括图像分类层、图像特征分析层;
步骤S540-1:基于所述干燥设备运行状态图像标识特征、运行环境图像标识特征,利用图像分类层对训练数据集进行分类;
步骤S550-1:根据所述干燥设备运行状态图像标识特征、运行环境图像标识特征与干燥设备运行状态图像集、运行环境图像集的对应关系,通过图像特征分析层对分类后的图像集进行特征识别分析,输出干燥设备运行状态特征、运行环境特征;
步骤S560-1:根据输出结果对卷积神经网络模型进行训练收敛,获得图像识别分析模型。
进一步而言,根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征,本申请步骤S500还包括:
步骤S510-2:将所述图像特征信息输入所述图像识别分析模型,获得模型输出结果,包括所述干燥设备运行状态特征、运行环境特征。
具体而言,采集所述干燥设备运行状态图像集与所述运行环境图像集,将上述图像信息作为所述训练数据集,例如可基于预设时间区间将所述干燥设备的历史运行数据作为所述训练数据集,进一步的,基于所述干燥设备运行状态图像集,确定各图像中设备运行状态特征,例如设备震动、冒烟、扬尘、等,对所述干燥设备图像中的可视化特征进行对应标识,以便进行识别区分,同理,对所述运行环境图像集中的设备运行区域的环境特征进行识别,例如障碍物分布状况、风向变化状况等,对其分别进行标识获取所述运行环境标识特征,其中,所述运行状态图像集与所述运行状态图像标识特征、所述运行环境图像集合与所述运行环境图像标识特征分别对应,基于深度学习算法构建所述卷积神经网络模型,本实施例中所述卷积神经网络模型包括了所述图像分类层与所述图像特征分析层,所述卷积神经网络模型可依据内部阶层结构对输入信息进行平移不变的分类。
进一步的,将所述干燥设备运行状态图像标识特征、所述运行环境图像标识特征、所述干燥设备运行状态图像集与所述运行环境图像集输入所述卷积神经网络模型中进行模型训练,对输入的标识特征进行识别,在此基础上基于所述图像分类层对所述训练数据集进行识别分类,获取分类结果,进而将所述分类结果输入所述图像特征分析层中,基于所述干燥设备运行状态图像标识特征对所述干燥设备运行状态图像集中各图像分别进行特征识别对应,确定采集图像中蕴含的图像标识特征及特征匹配度,将其作为所述干燥设备运行状态特征进行输出,同理,获取所述运行环境特征并进行模型输出,基于所述输出结果进行所述卷积神经网络模型的训练收敛,确定所述图像识别分析模型,以提高所述图像识别分析模型的模拟结果与实际操作的贴合度。
进一步将所述图像特征信息输入所述图像识别分析模型中,通过进行所述图像识别特征的识别对应,与模型中的图像标识特征进行重叠比对,确定其中与所述干燥设备运行状态图像标识特征与所述运行环境图像标识特征相契合的特征,作为所述干燥设备运行状态特征与所述运行环境特征,基于所述图像识别分析模型的输出层进行输出,通过构建所述图像识别分析模型,可有效提高特征识别分析的准确度与客观性。
步骤S600:将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息;
步骤S700:判断所述设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息。
具体而言,采集所述干燥设备的历史运行参数信息,并基于时间序列对所述历史运行参数信息进行划分,确定多个时间节点,各时间节点对应以历史运行参数信息,在此基础上构建时序链,所述时序链为进行设备运行预测的所述设备运行预测模型,进一步基于所述设备运行参数信息确定设备运行状态影响性与环境设备影响性,基于此对所述时序链的节点状态进行调整,进一步基于所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息进行所述时序链的节点状态的适配性分析,确定契合度较高的节点并依据实时状态与设备运行趋势对设备运行状态进行预测,获取所述设备运行预测信息,所述设备运行预测信息为设备的后续运行状态,进一步判断所述设备运行预测信息是否满足所述运行状态要求,当满足时,表明所述干燥设备可维系后续正常的设备运作,当不满足时,生成提醒信息进行预警警示,进而基于所述设备运行预警信息进行调整分析与远程调控,确保后续设备的运行安全性与精准度。
进一步而言,如图3所示,将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息,本申请步骤S600还包括:
步骤S610:获得干燥设备的历史运行参数信息,其中,包括干燥设备运行参数、干燥设备运行时间、干燥运行状态、运行环境特征;
步骤S620:基于所述干燥设备运行时间,构建时序链,将设备运行时间对应的干燥设备运行参数作为时序链节点状态;
步骤S630:根据历史运行参数信息,对干燥设备运行状态与设备运行参数影响关系进行分析,确定设备运行状态影响性;
步骤S640:根据历史运行参数信息,对运行环境特征与设备运行参数影响关系进行分析,确定环境设备影响性;
步骤S650:利用所述设备运行状态影响性、所述干燥设备运行状态特征,确定第一影响值;
步骤S660:利用所述运行环境特征、环境设备影响性,确定第二影响值;
步骤S670:将第一影响值、第二影响值输入所述时序链节点状态中,对状态进行改变,确定干燥设备运行参数预测值,基于所述干燥设备运行参数预测值获得所述设备运行预测信息。
具体而言,对所述干燥设备曾使用时间区间内的所述干燥设备运行参数、所述干燥设备运行时间、所述干燥运行状态与所述运行环境特征进行采集,基于时间序列对上述参数数据进行对应性整合处理,获取所述干燥设备的所述历史运行参数信息,将所述历史运行参数信息作为参考数据,进一步的,基于所述干燥设备运行时间确定多个时间节点,基于时序性对时间节点进行顺序性连接构建所述时序链,确定各时序链节点对应的设备运行时间,将该设备运行时间对应的所述干燥设备运行参数作为该节点的时序链节点状态,例如隔一小时确定一时序链节点。
进一步的,基于所述历史运行参数信息提取所述干燥设备运行状态,分析所述设备运行参数与所述干燥设备运行状态的影响关系,一般而言,所述设备运行参数与运行状态成正比,获取所述设备运行状态影响性,进而联合所述干燥设备运行状态特征确定运行参数对运行状态的单位影响度,以确定相邻节点之间的设备运行状态影响值,将其作为所述第一影响值;同理,对环境特征与设备运行参数之间的影响关系进行分析,一般而言,环境特征与设备运行参数成正比,确定所述环境设备影响性,进而联合所述运行环境特征确定相邻节点之间的环境影响程度,作为所述第二影响值,进一步将所述第一影响值与所述第二影响值输入所述时序链节点状态中,对节点状态进行调整,例如某个节点对应的设备运行状态较之影响值的对应状态出入过大,可能存在某些特殊诱因造成采集状态异常,对异常节点的状态基于确定的影响值进行调整,进而确定所述时序链中所述干燥设备正常状态下的时序节点状态,进而基于所述时序链确定所述干燥设备的运行参数变化趋势,在负荷运行参数趋势走向的基础上对设备运行信息进行预测,获取所述设备运行参数预测值,基于所述设备运行参数预测值确定设备的运行预测状态,作为所述设备运行预测信息,通过分析影响值对构建的时序链进行状态调整,以保证时序链的节点状态准确性,以提升后续设备运行预测的精确度。
进一步而言,本申请步骤S700还包括:
步骤S710-1:获得干燥设备运行记录数据;
步骤S720-1:根据所述干燥设备运行记录数据进行干燥设备各运行参数分析,确定各运行参数要求、运行参数走势关系;
步骤S730-1:基于所述运行参数要求、运行参数走势关系,获得所述运行状态要求。
具体而言,对干燥设备的运行记录数据进行提取,所述运行记录数据为该设备的曾使用运行参数信息状态,对所述干燥设备的多个运行参数分别进行分析,获取各运行参数要求,所述运行参数要去为维系设备参数正常运行所需的实际条件,例如设备中的除尘过滤器,当其中的残留灰尘量过大时,会影响设备的正常过滤速率与过滤度,保证过滤量处于正常状态的极限参数条件为该参数的运行要求,对所述干燥设备运行记录数据中随着时间推移各运行参数的走势关系,例如随着时间推移设备中除尘过滤参数会递减,而温控参数会呈上升走势,都会对设备的运行状态产生一定的影响,其中所述运行参数要求与所述运行参数走势关系一一对应,对两者进行对应整合确定维系参数正常运作对应的运行状态要求,例如设备震动频率等,通过历史记录数据进行参数运行分析以确定所述运行状态要求,可有效保障运行状态要求的精确性,便于后续进行设备的精准调控,提高远程控制质量。
进一步而言,本申请步骤S700还包括:
步骤S710-2:获得设备运行预测信息、设备运行参数变化信息;
步骤S720-2:当所述设备运行预测信息不满足所述运行参数要求时,发送预警信息,并根据所述设备运行预测信息、运行参数要求,确定参数调整信息;
步骤S730-2:根据所述参数调整信息对干燥设备跟踪编码对应的干燥设备进行远程参数调整;
步骤S740-2:当所述设备运行预测信息无法进行参数调整时,生成停止指令,利用停止指令对干燥设备进行远程关闭;
步骤S750-2:当所述设备运行参数变化信息不满足所述运行参数走势关系时,发送预警信息;
步骤S760-2:判断所述设备运行参数变化信息是否超出变化阈值,若超出时,发送停止指令。
具体而言,通过对所述干燥设备的实时运行状态进行预测获取所述设备运行预测信息,判断所述设备运行预测信息是否满足所述运行参数要求,当满足时,表明可维系设备后续的正常运作,当不满足时,表明设备的后续运行可能存在潜在性故障,生成所述预警信息进行预警,进一步的,以所述运行参数要求为调整标准,在所述设备运行预测信息的基础上进行参数调整,确定所述设备运行预测信息对应的参数与所述运行参数要求之间的参数偏差值,以所述参数偏差值为调整尺度进行各参数的调整,生成所述参数调整信息,进一步对所述干燥设备编码对应的所述干燥设备基于所述参数调整信息进行远程控制调整,以保证设备后续的正常运作,当所述设备运行预测信息对应的所述干燥设备无法进行远程参数调整时,为避免潜在性的安全隐患等的发生,生成所述停止指令,基于停止指令对所述干燥设备进行远程关闭控制,停止进行设备运作。
进一步的,获取所述设备运行参数变化信息,判断所述设备运行参数变化信息是否满足所述运行参数走势关系,当满足时,正常进行设备运作,当不满足时,表明设备运行参数变化异常,发送所述预警信息进行预警警示,进一步判断所述运行参数变化信息是否超出所述变化阈值,所述变化阈值为参数变化的处于可控范围内的最大变化区间,当满足所述变化阈值时,表明所述设备运行参数变化信息处于可控区间内,继续后续设备运行,当超出所述变化阈值时,发送所述停止指令,并远程控制所述干燥设备进行关闭,通过基于设备运行预测信息与所述设备运行参数变化信息进行设备后续运行参数调整与异常预警,可提高参数分析结果与实际的贴合度,提升后续设备运行的精准度,同时规避潜在性的运行风险。
实施例二
基于与前述实施例中一种基于物联网的谷物干燥远程控制方法相同的发明构思,如图4所示,本申请提供了一种基于物联网的谷物干燥远程控制系统,所述系统包括:
信息获取模块11,所述信息获取模块11用于获得干燥设备的运行参数信息,其中,所述干燥设备的运行参数信息包括干燥设备跟踪编码;
编码匹配模块12,所述编码匹配模块12用于基于所述干燥设备跟踪编码,匹配图像采集设备编码;
信息采集模块13,所述信息采集模块13用于利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息;
特征提取模块14,所述特征提取模块14用于对所述干燥设备图像信息进行特征提取,获得图像特征信息;
特征分析模块15,所述特征分析模块15用于根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征;
信息预测模块16,所述信息预测模块16用于将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息;
信息判断模块17,所述信息判断模块17用于判断所述设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息。
进一步而言,所述系统还包括:
设备获取模块,所述设备获取模块用于获得物联网控制平台关联干燥设备总集;
坐标确定模块,所述坐标确定模块用于根据所述关联干燥设备总集,确定设备分布坐标信息;
编码确定模块,所述编码确定模块用于选择设备分布坐标信息,确定坐标信息对应的干燥设备跟踪编码;
参数获取模块,所述参数获取模块用于基于所述干燥设备跟踪编码,与干燥设备建立通信连接,获得干燥设备的运行参数信息。
进一步而言,所述系统还包括:
数据获取模块,所述数据获取模块用于获得训练数据集,所述训练数据集包括干燥设备运行状态图像集、运行环境图像集;
特征确定模块,所述特征确定模块用于基于所述干燥设备运行状态图像集、运行环境图像集,确定干燥设备运行状态图像标识特征、运行环境图像标识特征;
模型训练模块,所述模型训练模块用于利用所述干燥设备运行状态图像标识特征、运行环境图像标识特征与干燥设备运行状态图像集、运行环境图像集的对应关系,对卷积神经网络模型进行训练,其中所述卷积神经网络模型包括图像分类层、图像特征分析层;
数据分类模块,所述数据分类模块用于基于所述干燥设备运行状态图像标识特征、运行环境图像标识特征,利用图像分类层对训练数据集进行分类;
特征输出模块,所述特征输出模块用于根据所述干燥设备运行状态图像标识特征、运行环境图像标识特征与干燥设备运行状态图像集、运行环境图像集的对应关系,通过图像特征分析层对分类后的图像集进行特征识别分析,输出干燥设备运行状态特征、运行环境特征;
模型获取模块,所述模型获取模块用于根据输出结果对卷积神经网络模型进行训练收敛,获得图像识别分析模型。
进一步而言,所述系统还包括:
模型分析模块,所述模型分析模块用于将所述图像特征信息输入所述图像识别分析模型,获得模型输出结果,包括所述干燥设备运行状态特征、运行环境特征。
进一步而言,所述系统还包括:
运行参数获取模块,所述运行参数获取模块用于获得干燥设备的历史运行参数信息,其中,包括干燥设备运行参数、干燥设备运行时间、干燥运行状态、运行环境特征;
时序链构建模块,所述时序链构建模块用于基于所述干燥设备运行时间,构建时序链,将设备运行时间对应的干燥设备运行参数作为时序链节点状态;
状态影响性确定模块,所述状态影响性确定模块用于根据历史运行参数信息,对干燥设备运行状态与设备运行参数影响关系进行分析,确定设备运行状态影响性;
环境设备影响性确定模块,所述环境设备影响性确定模块用于根据历史运行参数信息,对运行环境特征与设备运行参数影响关系进行分析,确定环境设备影响性;
第一影响值确定模块,所述第一影响值确定模块用于利用所述设备运行状态影响性、所述干燥设备运行状态特征,确定第一影响值;
第二影响值确定模块,所述第二影响值确定模块用于利用所述运行环境特征、环境设备影响性,确定第二影响值;
预测值确定模块,所述预测值确定模块用于将第一影响值、第二影响值输入所述时序链节点状态中,对状态进行改变,确定干燥设备运行参数预测值,基于所述干燥设备运行参数预测值获得所述设备运行预测信息。
进一步而言,所述系统还包括:
记录数据获取模块,所述记录数据获取模块用于获得干燥设备运行记录数据;
参数分析模块,所述参数分析模块用于根据所述干燥设备运行记录数据进行干燥设备各运行参数分析,确定各运行参数要求、运行参数走势关系;
状态要求获取模块,所述状态要求获取模块用于基于所述运行参数要求、运行参数走势关系,获得所述运行状态要求。
进一步而言,所述系统还包括:
参数信息获取模块,所述参数信息获取模块用于获得设备运行预测信息、设备运行参数变化信息;
信息预警模块,所述信息预警模块用于当所述设备运行预测信息不满足所述运行参数要求时,发送预警信息,并根据所述设备运行预测信息、运行参数要求,确定参数调整信息;
参数调整模块,所述参数调整模块用于根据所述参数调整信息对干燥设备跟踪编码对应的干燥设备进行远程参数调整;
停止指令生成模块,所述停止指令生成模块用于当所述设备运行预测信息无法进行参数调整时,生成停止指令,利用停止指令对干燥设备进行远程关闭;
预警信息发送模块,所述预警信息发送模块用于当所述设备运行参数变化信息不满足所述运行参数走势关系时,发送预警信息;
阈值判断模块,所述阈值判断模块用于判断所述设备运行参数变化信息是否超出变化阈值,若超出时,发送停止指令。
进一步而言,所述系统还包括:
设备信息确定模块,所述设备信息确定模块用于根据所述关联设备总集,确定关联干燥设备信息;
规则信息确定模块,所述规则信息确定模块用于基于所述干燥设备信息,确定关注规则信息,其中,关注规则信息包括关注时长、数据更新频量、关注参数要求;
指令追踪模块,所述指令追踪模块用于根据所述关联干燥设备信息、所述关注规则信息,生成同步跟踪指令,所述同步跟踪指令用于按照关注干燥设备信息、关注规则信息对关联干燥设备进行跟踪,获得监测数据同步发送至关注用户对应的终端设备中。
本说明书通过前述对一种基于物联网的谷物干燥远程控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于物联网的谷物干燥远程控制方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于物联网的谷物干燥远程控制方法,其特征在于,所述方法应用于物联网控制平台,所述物联网控制平台与干燥设备、图像采集设备通信连接,所述方法包括:
获得干燥设备的运行参数信息,其中,所述干燥设备的运行参数信息包括干燥设备跟踪编码;
基于所述干燥设备跟踪编码,匹配图像采集设备编码;
利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息;
对所述干燥设备图像信息进行特征提取,获得图像特征信息;
根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征;
将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息;
判断所述设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得物联网控制平台的关联干燥设备总集;
根据所述关联干燥设备总集,确定设备分布坐标信息;
选择设备分布坐标信息,确定坐标信息对应的干燥设备跟踪编码;
基于所述干燥设备跟踪编码,与干燥设备建立通信连接,获得干燥设备的运行参数信息。
3.如权利要求1所述的方法,其特征在于,根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征,之前包括:
获得训练数据集,所述训练数据集包括干燥设备运行状态图像集、运行环境图像集;
基于所述干燥设备运行状态图像集、运行环境图像集,确定干燥设备运行状态图像标识特征、运行环境图像标识特征;
利用所述干燥设备运行状态图像标识特征、运行环境图像标识特征与干燥设备运行状态图像集、运行环境图像集的对应关系,对卷积神经网络模型进行训练,其中所述卷积神经网络模型包括图像分类层、图像特征分析层;
基于所述干燥设备运行状态图像标识特征、运行环境图像标识特征,利用图像分类层对训练数据集进行分类;
根据所述干燥设备运行状态图像标识特征、运行环境图像标识特征与干燥设备运行状态图像集、运行环境图像集的对应关系,通过图像特征分析层对分类后的图像集进行特征识别分析,输出干燥设备运行状态特征、运行环境特征;
根据输出结果对卷积神经网络模型进行训练收敛,获得图像识别分析模型。
4.如权利要求3所述的方法,其特征在于,根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征,包括:
将所述图像特征信息输入所述图像识别分析模型,获得模型输出结果,包括所述干燥设备运行状态特征、运行环境特征。
5.如权利要求1所述的方法,其特征在于,将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息,包括:
获得干燥设备的历史运行参数信息,其中,包括干燥设备运行参数、干燥设备运行时间、干燥运行状态、运行环境特征;
基于所述干燥设备运行时间,构建时序链,将设备运行时间对应的干燥设备运行参数作为时序链节点状态;
根据历史运行参数信息,对干燥设备运行状态与设备运行参数影响关系进行分析,确定设备运行状态影响性;
根据历史运行参数信息,对运行环境特征与设备运行参数影响关系进行分析,确定环境设备影响性;
利用所述设备运行状态影响性、所述干燥设备运行状态特征,确定第一影响值;
利用所述运行环境特征、环境设备影响性,确定第二影响值;
将第一影响值、第二影响值输入所述时序链节点状态中,对状态进行改变,确定干燥设备运行参数预测值,基于所述干燥设备运行参数预测值获得所述设备运行预测信息。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得干燥设备运行记录数据;
根据所述干燥设备运行记录数据进行干燥设备各运行参数分析,确定各运行参数要求、运行参数走势关系;
基于所述运行参数要求、运行参数走势关系,获得所述运行状态要求。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
获得设备运行预测信息、设备运行参数变化信息;
当所述设备运行预测信息不满足所述运行参数要求时,发送预警信息,并根据所述设备运行预测信息、运行参数要求,确定参数调整信息;
根据所述参数调整信息对干燥设备跟踪编码对应的干燥设备进行远程参数调整;
当所述设备运行预测信息无法进行参数调整时,生成停止指令,利用停止指令对干燥设备进行远程关闭;
当所述设备运行参数变化信息不满足所述运行参数走势关系时,发送预警信息;
判断所述设备运行参数变化信息是否超出变化阈值,若超出时,发送停止指令。
8.如权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述关联设备总集,确定关联干燥设备信息;
基于所述干燥设备信息,确定关注规则信息,其中,关注规则信息包括关注时长、数据更新频量、关注参数要求;
根据所述关联干燥设备信息、所述关注规则信息,生成同步跟踪指令,所述同步跟踪指令用于按照关注干燥设备信息、关注规则信息对关联干燥设备进行跟踪,获得监测数据同步发送至关注用户对应的终端设备中。
9.一种基于物联网的谷物干燥远程控制系统,其特征在于,所述系统包括:
信息获取模块,所述信息获取模块用于获得干燥设备的运行参数信息,其中,所述干燥设备的运行参数信息包括干燥设备跟踪编码;
编码匹配模块,所述编码匹配模块用于基于所述干燥设备跟踪编码,匹配图像采集设备编码;
信息采集模块,所述信息采集模块用于利用图像采集设备编码对应的图像采集设备对干燥设备进行运行状态、运行环境图像采集,获得干燥设备图像信息;
特征提取模块,所述特征提取模块用于对所述干燥设备图像信息进行特征提取,获得图像特征信息;
特征分析模块,所述特征分析模块用于根据所述图像特征信息,分别对干燥设备运行状态、运行环境进行特征分析,确定干燥设备运行状态特征、运行环境特征;
信息预测模块,所述信息预测模块用于将所述干燥设备运行状态特征、运行环境特征、干燥设备的运行参数信息输入设备运行预测模型,获得设备运行预测信息;
信息判断模块,所述信息判断模块用于判断所述设备运行预测信息是否满足运行状态要求,当不满足时,发送提醒信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296588.0A CN115527203B (zh) | 2022-10-21 | 2022-10-21 | 一种基于物联网的谷物干燥远程控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296588.0A CN115527203B (zh) | 2022-10-21 | 2022-10-21 | 一种基于物联网的谷物干燥远程控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115527203A true CN115527203A (zh) | 2022-12-27 |
CN115527203B CN115527203B (zh) | 2023-08-25 |
Family
ID=84703915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296588.0A Active CN115527203B (zh) | 2022-10-21 | 2022-10-21 | 一种基于物联网的谷物干燥远程控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115527203B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909177A (zh) * | 2023-02-22 | 2023-04-04 | 江苏甬金金属科技有限公司 | 一种传送轧带的表面智能监测方法及系统 |
CN116765426A (zh) * | 2023-06-25 | 2023-09-19 | 浙江拓博环保科技有限公司 | 一种3d打印的金属粉末筛分方法及系统 |
CN116988309A (zh) * | 2023-08-01 | 2023-11-03 | 杭州帝凯工业布有限公司 | 一种防静电阻燃尼龙帘子布及其制备方法 |
CN117010650A (zh) * | 2023-08-11 | 2023-11-07 | 山东金洲科瑞节能科技有限公司 | 一种基于物联网的设备运行自动化监测系统及方法 |
CN117761048A (zh) * | 2023-02-02 | 2024-03-26 | 嘉兴市叁壹工程检测有限公司 | 一种防水涂料的干燥阶段检测识别方法及系统 |
CN117781661A (zh) * | 2024-02-27 | 2024-03-29 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
KR102111162B1 (ko) * | 2019-10-28 | 2020-05-14 | 주식회사 경림이앤지 | 블랙 박스와 연동된 다채널 카메라 홈 모니터링 시스템 및 방법 |
CN111290371A (zh) * | 2020-03-05 | 2020-06-16 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN114997690A (zh) * | 2022-06-16 | 2022-09-02 | 沈阳琰讯科技有限公司 | 一种基于物联网的铁路智能控制方法及系统 |
CN115167252A (zh) * | 2022-08-26 | 2022-10-11 | 吉安英佳电子科技有限公司 | 一种基于物联网的远程设备控制系统 |
CN116149198A (zh) * | 2023-03-13 | 2023-05-23 | 合肥惟新数控科技有限公司 | 基于物联网的家用电器远程控制系统 |
-
2022
- 2022-10-21 CN CN202211296588.0A patent/CN115527203B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
KR102111162B1 (ko) * | 2019-10-28 | 2020-05-14 | 주식회사 경림이앤지 | 블랙 박스와 연동된 다채널 카메라 홈 모니터링 시스템 및 방법 |
CN111290371A (zh) * | 2020-03-05 | 2020-06-16 | 深圳知路科技有限公司 | 物联网设备远程诊断的方法及装置、电子设备 |
CN114997690A (zh) * | 2022-06-16 | 2022-09-02 | 沈阳琰讯科技有限公司 | 一种基于物联网的铁路智能控制方法及系统 |
CN115167252A (zh) * | 2022-08-26 | 2022-10-11 | 吉安英佳电子科技有限公司 | 一种基于物联网的远程设备控制系统 |
CN116149198A (zh) * | 2023-03-13 | 2023-05-23 | 合肥惟新数控科技有限公司 | 基于物联网的家用电器远程控制系统 |
Non-Patent Citations (4)
Title |
---|
HOU RUI等: "Image anomaly detection for IoT equipment based on deep learning", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》, vol. 64, pages 1 - 9 * |
KAZY NOOR-E-ALAM SIDDIQUEE等: "Development of Algorithms for an IoT-Based Smart Agriculture Monitoring System", 《WIRELESS COMMUNICATIONS AND MOBILE COMPUTING》, pages 1 - 16 * |
张占军: "基于大数据的远程设备智能检测系统设计", 《电子测试》, vol. 22, pages 64 - 65 * |
成晓辉: "智能预测控制在谷物干燥过程中的应用研究", 《计算机测量与控制》, vol. 25, no. 05, pages 91 - 93 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761048A (zh) * | 2023-02-02 | 2024-03-26 | 嘉兴市叁壹工程检测有限公司 | 一种防水涂料的干燥阶段检测识别方法及系统 |
CN117761048B (zh) * | 2023-02-02 | 2024-06-11 | 嘉兴市叁壹工程检测有限公司 | 一种防水涂料的干燥阶段检测识别方法及系统 |
CN115909177A (zh) * | 2023-02-22 | 2023-04-04 | 江苏甬金金属科技有限公司 | 一种传送轧带的表面智能监测方法及系统 |
CN115909177B (zh) * | 2023-02-22 | 2023-08-22 | 江苏甬金金属科技有限公司 | 一种传送轧带的表面智能监测方法及系统 |
CN116765426A (zh) * | 2023-06-25 | 2023-09-19 | 浙江拓博环保科技有限公司 | 一种3d打印的金属粉末筛分方法及系统 |
CN116765426B (zh) * | 2023-06-25 | 2023-11-24 | 浙江拓博环保科技有限公司 | 一种3d打印的金属粉末筛分方法及系统 |
CN116988309A (zh) * | 2023-08-01 | 2023-11-03 | 杭州帝凯工业布有限公司 | 一种防静电阻燃尼龙帘子布及其制备方法 |
CN116988309B (zh) * | 2023-08-01 | 2024-03-05 | 杭州帝凯工业布有限公司 | 一种防静电阻燃尼龙帘子布及其制备方法 |
CN117010650A (zh) * | 2023-08-11 | 2023-11-07 | 山东金洲科瑞节能科技有限公司 | 一种基于物联网的设备运行自动化监测系统及方法 |
CN117010650B (zh) * | 2023-08-11 | 2024-01-12 | 山东金洲科瑞节能科技有限公司 | 一种基于物联网的设备运行自动化监测系统及方法 |
CN117781661A (zh) * | 2024-02-27 | 2024-03-29 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
CN117781661B (zh) * | 2024-02-27 | 2024-05-14 | 广东金湾高景太阳能科技有限公司 | 一种基于d-lka网络模型的硅片烘干改善方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115527203B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115527203A (zh) | 一种基于物联网的谷物干燥远程控制方法及系统 | |
CN109980781B (zh) | 一种变电站智能监控系统 | |
CN110658807A (zh) | 一种车辆故障诊断方法、装置及系统 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN115395646B (zh) | 一种数字孪生式牵引变电所智慧运维系统 | |
CN112333211B (zh) | 一种基于机器学习的工控行为检测方法和系统 | |
CN117556359A (zh) | 配电设备健康状态评估系统及方法 | |
CN113849774A (zh) | 基于寿命分析和健康监测的设备智能维护平台 | |
CN115909203A (zh) | 建筑施工安全全景监控系统及方法 | |
CN113568899A (zh) | 基于大数据的数据优化方法及云服务器 | |
Kotenko et al. | An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis | |
He et al. | A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot | |
CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN118193595A (zh) | 工业物联网的数据采集分析方法、装置、设备及存储介质 | |
CN116959117A (zh) | 针对垃圾投放行为分析和违规行为多角度抓拍的监测系统 | |
CN116910491A (zh) | 一种雷电监测预警系统、方法、电子设备及存储介质 | |
CN115480556A (zh) | 一种暖通机电设备的智能在线故障诊断系统 | |
CN114219051A (zh) | 图像分类方法、分类模型的训练方法、装置及电子设备 | |
CN114169623A (zh) | 一种电力设备故障分析方法、装置、电子设备及存储介质 | |
WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
CN117232577B (zh) | 一种光缆交接箱承载内部监测方法、系统和光缆交接箱 | |
CN113596229B (zh) | 一种基于云化架构的数字家庭的智能手机 | |
CN118114855A (zh) | 一种社区数字化信息智能操控方法及系统 | |
CN118034343A (zh) | 一种远程无人机房设备的巡视方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |