CN117176560B - 一种基于物联网的监测设备监管系统及其方法 - Google Patents
一种基于物联网的监测设备监管系统及其方法 Download PDFInfo
- Publication number
- CN117176560B CN117176560B CN202311451944.6A CN202311451944A CN117176560B CN 117176560 B CN117176560 B CN 117176560B CN 202311451944 A CN202311451944 A CN 202311451944A CN 117176560 B CN117176560 B CN 117176560B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- model
- module
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012423 maintenance Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000007906 compression Methods 0.000 claims description 17
- 230000006835 compression Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000011990 functional testing Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 8
- 238000012550 audit Methods 0.000 abstract description 4
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000009499 grossing Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的监测设备监管系统及其方法，具体涉及物联网技术领域，包括数据采集模块、数据预处理模块、数据传输模块、边缘设备处理模块、云平台处理中心、设备监管模块，以及远程控制模块；通过云平台处理中心训练机器学习模型，对经过训练的模型进行压缩和优化处理，以减少模型的大小和复杂度；通过边缘设备处理模块在本地执行模型推断，避免将大量原始数据传输到云平台处理中心进行处理；通过远程控制模块远程对监测设备进行控制、配置和管理，提高监测设备管理的效率，并保留所有的远程控制、配置和管理操作日志，有助于后续的审计、故障排查和维护工作，以确保操作的完整性和可追溯性。
Description
技术领域
本发明涉及物联网技术领域，更具体地说，本发明涉及一种基于物联网的监测设备监管系统及其方法。
背景技术
近年来，随着我国物联网技术的飞速发展和普及，为各行业提供连接和通信设备的框架，使得设备能够收集和传输数据，实现设备之间的互联。
现有的监测设备监管系统，通常通过部署各种类型的传感器，实时获取监测设备的工作状态、环境参数、性能指标等重要信息，基于这些数据进行分析预测设备故障，及时发现故障有助于减少生产停机时间和损失。
但是其在实际使用时，仍旧存在较多缺点，如现有的监测设备监管系统数据量大，处理数据效率低下，响应速度较慢，且数据传输的成本较高；在网络连接不稳定或断开的情况下，系统并不能稳定运行；监测设备存在故障情况后，通常需要人工到达现场进行故障排除，故障处理速度慢且时间成本较高。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种基于物联网的监测设备监管系统及其方法，通过云平台处理中心训练机器学习模型，对经过训练的模型进行压缩和优化处理，以减少模型的大小和复杂度；通过边缘设备处理模块在本地执行模型推断，避免将大量原始数据传输到云平台处理中心进行处理；通过远程控制模块远程对监测设备进行控制、配置和管理，提高监测设备管理的效率，并保留所有的远程控制、配置和管理操作日志，有助于后续的审计、故障排查和维护工作，以确保操作的完整性和可追溯性，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于物联网的监测设备监管系统及其方法，包括：
数据采集模块：用于利用传感器、监测设备的数据接口采集监测设备原始数据；所述监测设备原始数据包括但不限于环境温度、设备表面温度、环境湿度、气体或液体压力、环境光照强度、设备电流、设备电压、设备的开关状态，以及设备的工作时间；所述传感器包括但不限于温度传感器、湿度传感器、压力传感器，以及光传感器；所述监测设备的数据接口，包括但串口、以太网接口、Modbus协议或其他通信方式；
数据预处理模块：用于接收传感器、监测设备的数据接口采集到的数据，将监测设备原始数据进行数据预处理操作得到监测设备数据，并将其传输到数据传输模块；
数据传输模块：用于接收数据预处理模块传输的数据，通过无线通信技术将数据传输到边缘设备处理模块进行处理和存储；
云平台处理中心：用于接收边缘设备处理模块传输的数据，根据其提供的大量数据训练机器学习模型，对经过训练的模型进行压缩和优化处理，将压缩优化后的机器学习模型部署到监测设备上，使其能够在本地执行推断任务；
边缘设备处理模块：用于接收数据传输模块、云平台处理中心传输的数据，通过在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断，将数据传输至云平台处理中心、设备监管模块；
设备监管模块：用于对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知；
远程控制模块包括报警信息处理单元、远程维护单元和日志记录单元，用于接收设备监管模块传输的数据，远程对监测设备进行控制、配置和管理。
在一个优选地实施方式中，所述云平台处理中心的具体处理方式为：
A1、将大量数据记作数据集ai={a1，a2……an}，根据数据集的特点，选择适合的机器学习模型；
A2、将数据集根据二八比例划分为验证集和训练集，使用训练集对所选模型进行训练，并针对目标指标进行调优；所述目标指标包括准确率、召回率和精确率；
A3、使用验证集评估训练得到的模型性能，并进行模型的微调和优化，通过交叉验证确保模型的泛化能力和稳定性；
A4、在训练完成后，采用参数剪枝和权重量化算法对经过训练的模型进行压缩和优化操作，以减少其大小和复杂度，以便在监测设备上运行；
A5、在压缩和优化后，使用验证集或测试集对压缩模型的性能进行评估；
A6、根据计算得到的性能评估指标，分析压缩和优化后模型的性能表现，并与原始模型进行比较；
A7、将压缩优化后的模型导出，并在监测设备上进行部署。
在一个优选地实施方式中，所述在压缩和优化后，使用验证集或测试集对压缩模型的性能进行评估，其具体处理过程如下：
A51、将压缩和优化后的模型与相应的测试集配对，确保测试集包含输入特征和对应的实际值；所述实际值用于回归问题；
A52、将输入数据输入到模型中，获取模型的预测结果；
A53、根据问题类型和任务需求，选择均方误差、平均绝对误差作为性能评估指标；
A54、使用模型的预测结果和实际值，计算所选的性能评估指标Qx：，其中ui表示实际值，f表示总体均值，ρ表示偏倚值，hi表示预测结果，v1、v2表示比例系数。
在一个优选地实施方式中，所述边缘设备处理模块的具体处理过程为：
B1、将预处理后的数据输入到已部署的机器学习模型中进行推断；
B2、使用本地环境中的计算资源，在监测设备上执行模型的推断任务；通过调用模型的推断接口或方法，将输入数据传递给模型，并获取模型输出的预测结果；
B3、对部署在监测设备上的模型进行性能评估和调优；
B4、监测设备将关键的数据传输给云平台处理中心、设备监管模块，以供后续分析和监控使用。
在一个优选地实施方式中，所述设备监管模块的具体处理过程为：
C1、收集与监测设备相关的历史故障数据，具体包括故障发生时间、故障发生次数、设备总数、故障类型，以及设备运行时长；
C2、根据历史故障数据，计算每个设备在每季度内发生故障的次数，即故障频率；其故障频率计算公式为：/>，其中U表示故障发生次数，Pt表示设备运行时长；
C3、选择与监测设备故障的相关因素进行量化或标记，具体包括设备年龄、使用环境和维护历史；
C4、利用Cox比例风险模型分析故障频率与相关因素之间的关系；所述Cox比例风险模型，具体是指由表示的风险函数，其计算公式为：，其中h0表示基准风险，t表示生存时间，/>表示风险权重，xi表示协变量的矩阵，n表示设备总数；
C5、根据风险函数，计算监测设备的设备故障概率系数；所述设备故障概率系数的计算公式为：/>，其中ηi表示比例系数，/>表示样本故障频率、相关因素的具体数值，/>表示风险函数，n表示设备总数；
C6、计算同一组数据设备故障概率系数的可信度，将可信度φ和预先设定的可信度阈值φ阈进行对比判断；
C7、依据判断结果将设备故障概率系数和预先设定的设备故障概率系数阈值进行判断，将超过阈值的数据作为报警信息，发送至远程控制模块。
在一个优选地实施方式中，所述计算同一组数据设备故障概率系数的可信度，将可信度φ和预先设定的可信度阈值φ阈进行对比判断，其处理过程如下：
C61、计算两次同一组数据的设备故障概率系数，计算设备故障概率系数的可信度φ：
，其中表示第i次的设备故障概率系数，/>表示第i+1次的设备故障概率系数，/>表示第i次的设备故障概率系数均值，/>表示第i+1次的设备故障概率系数均值，/>表示第i次的设备故障概率系数的标准差，/>表示第i+1次的设备故障概率系数的标准差，n表示设备总数；
C62、将可信度φ和预先设定的可信度阈值φ阈进行对比判断，若φ≥φ阈表示设备故障概率系数可信，执行C7；若φ<φ阈表示设备故障概率系数不可信，可以忽略。
在一个优选地实施方式中，所述报警信息处理单元，具体是指通过对报警信息进行分析生成远程控制命令，对设备进行实时调整和干预，其具体处理过程如下：
D1、对报警信息进行优先级排序、分类和筛选；
D2、对报警信息进行故障可能性原因分析得到分析结果，所述分析结果包括但不限于设备故障、环境变化，以及操作错误；
D3、基于报警信息的分析结果，生成相应的控制命令；所述控制命令包括对设备进行启动、停止、重启，以及参数配置操作；
D4、监测设备接收控制命令进行相应操作，实现对报警信息的实时调整和干预。
在一个优选地实施方式中，所述远程维护单元，具体是指通过远程访问和控制通道进行固件更新或维护操作，其具体维护过程如下：
E1、使用通过VPN、SSH或远程桌面，建立与监测设备的连接；
E2、通过文件传输协议将新的固件文件传输到目标设备中，确保传输过程的完整性和数据完整性；
E3、根据设备类型和厂商提供的指南，在监测设备上执行固件更新操作；
E4、在固件更新完成后，通过发送重启命令或远程控制设备电源执行设备重启操作以使新固件生效，确保在重启之前保存任何重要的设备配置或数据；
E5、根据需要，通过远程访问和控制通道对设备进行配置变更；所述配置变更，具体包括更新网络设置、调整传感器参数和修改工作模式操作；
E6、在完成固件更新或配置变更后，进行验证和测试以确保更新的正确性；所述验证和测试，具体包括检查设备状态、执行功能测试和监测数据输出。
在一个优选地实施方式中，一种基于物联网的监测设备监管系统的方法，包括以下步骤：
步骤S1、利用传感器、监测设备的数据接口采集监测设备原始数据；
步骤S2、将监测设备原始数据进行数据预处理操作得到监测设备数据；
步骤S3、通过无线通信技术将数据传输到边缘设备处理模块进行处理和存储；
步骤S4、训练机器学习模型，对经过训练的模型进行压缩和优化处理，将压缩优化后的机器学习模型部署到监测设备上；
步骤S5、在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断；
步骤S6、对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知；
步骤S7、远程对监测设备进行控制、配置和管理。
本发明的技术效果和优点：
本发明通过数据采集模块采集相关数据；通过数据预处理模块对数据进行数据预处理操作；通过数据传输模块将数据传输到边缘设备处理模块进行处理和存储；通过云平台处理中心训练机器学习模型，对经过训练的模型进行压缩和优化处理，以减少模型的大小和复杂度，以便能够适应监测设备的有限计算资源，将压缩优化后的机器学习模型部署到监测设备上；通过边缘设备处理模块在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断，避免将大量原始数据传输到云平台处理中心进行处理，且能够在网络连接不稳定或断开的情况下保持系统的正常运行，减少对云平台处理中心的依赖，从而提高响应速度和降低数据传输的成本；通过设备监管模块对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知，从而提高故障处理速度和监管效率；通过远程控制模块远程对监测设备进行控制、配置和管理，提高监测设备管理的效率，并保留所有的远程控制、配置和管理操作日志，有助于后续的审计、故障排查和维护工作，以确保操作的完整性和可追溯性。
附图说明
图1为本发明的整体结构框图。
图2为本发明的步骤方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
本发明提供了如图1-图2所示的一种基于物联网的监测设备监管系统及其方法，包括数据采集模块、数据预处理模块、数据传输模块、边缘设备处理模块、云平台处理中心、设备监管模块，以及远程控制模块；其中数据采集模块和数据预处理模块连接，数据预处理模块和数据传输模块连接，数据传输模块和边缘设备处理模块连接，边缘设备处理模块和云平台处理中心互相连接，边缘设备处理模块和设备监管模块连接，设备监管模块和远程控制模块连接。
所述数据采集模块用于利用传感器、监测设备的数据接口采集监测设备原始数据；所述监测设备原始数据包括但不限于环境温度、设备表面温度、环境湿度、气体或液体压力、环境光照强度、设备电流、设备电压、设备的开关状态，以及设备的工作时间；所述传感器包括但不限于温度传感器、湿度传感器、压力传感器，以及光传感器；所述监测设备的数据接口，包括但串口、以太网接口、Modbus协议或其他通信方式；
本实施需要具体说明的是，所述数据采集模块的具体采集方式为：将传感器与监测设备直接连接，通过传感器实时采集监测设备所在区域的环境温度、环境湿度、气体或液体压力，以及环境光照强度；通过监测设备的数据接口实时获取监测设备的设备表面温度、设备电流、设备电压、设备的开关状态，以及设备的工作时间；
所述数据预处理模块用于接收传感器、监测设备的数据接口采集到的数据，将监测设备原始数据进行数据预处理操作得到监测设备数据，并将其传输到数据传输模块；所述数据预处理具体包括数据清洗、数据聚合、数据平滑，以及数据降维；
所述数据清洗，具体是指检查数据是否存在缺失值、异常值或不一致的数据，并针对这些问题进行处理；其中缺失值可以通过插值、删除或补充估计值来处理；异常值可以通过统计方法或规则检测并修复或移除；不一致的数据可以通过数据校验和逻辑约束进行修正；
所述数据聚合，具体是指将较高频率的数据聚合到更低频率，将实时数据聚合为小时级数据，有助于减少数据量，并提供更高层次的总结信息；
所述数据平滑，具体是指对于存在噪音或波动性较大的数据，应用平滑算法来减少随机波动；所述平滑算法包括但不限于移动平均、指数加权平均或滤波器；
所述数据降维，具体是指对于具有高维度的数据，可以使用降维技术来减少特征的数量，同时保留数据中的主要信息，帮助提高计算效率和降低存储成本；所述降维技术包括但不限于主成分分析、线性判别分析；
需要说明的是，数据清洗、数据聚合、数据平滑，以及数据降维操作属于现有技术手段，因此本实施例未做出具体说明；
所述数据传输模块用于接收数据预处理模块传输的数据，通过无线通信技术将数据传输到边缘设备处理模块进行处理和存储；
本实施需要具体说明的是，所述数据传输模块的具体传输方式为：利用无线通信技术，将数据传输至数据预处理模块；所述无线通信技术，具体是指通过WiFi、LoRaWAN或NB-IoT实现数据的传输；
所述云平台处理中心用于接收边缘设备处理模块传输的数据，根据其提供的大量数据训练机器学习模型，对经过训练的模型进行压缩和优化处理，以减少模型的大小和复杂度，以便能够适应监测设备的有限计算资源，将压缩优化后的机器学习模型部署到监测设备上，使其能够在本地执行推断任务；其中训练机器学习模型所需的大量数据，除了从边缘设备处理模块获取，还可以从云平台处理中心提供的公共数据集中获取，这些数据集通常由云平台提供商或第三方整理和维护，可用于各种机器学习任务的训练；还可以从用户上传至云平台处理中心的数据进行获取，这些数据可以是来自监测设备传输的数据、传感器数据和公共数据集；
本实施需要具体说明的是，所述云平台处理中心的具体处理方式为：
A1、将大量数据记作数据集ai={a1，a2……an}，根据数据集的特点，选择适合的机器学习模型；其处理过程如下：
A11、将数据集中的数据按照环境温度、设备表面温度、环境湿度、气体或液体压力、环境光照强度、设备电流、设备电压、设备的开关状态，以及设备的工作时间类别进行划分得到数据子集；
A12、检查各数据子集中的数据类型；例如，温度、湿度、压力是否为数值型，设备开关状态是否为离散型，还需了解每个特征的取值范围，以确保数据的合理性；
A13、对数据子集进行统计分析，计算均值、标准差、最大值、最小值统计特征；有助于了解数据的分布情况，提取更有意义的信息，提高后续分析的性能和准确度；
A14、使用相关系数分析数据集中各个数据子集之间的相关性，有助于发现特征之间的依赖关系，并为后续建模提供参考；
所述相关系数r的计算公式为：，其中xi表示数据集中的任一个数据子集的数据，yi表示数据集中的另一个数据子集的数据，/>、/>分别表示其数据子集中对应的数据均值；r的绝对值介于0~1之间，r越接近1，表示xi与yi两个数据子集之间的相关程度就越强，反之，r越接近于0，xi与yi两个数据子集之间的相关程度就越弱；
A15、分析监测设备在不同时间段的使用情况，确定监测设备的高峰使用时间、工作时长分布，以获取时间性质上的特点；
所述分析监测设备在不同时间段的使用情况，具体是指针对每个时间段，计算该时间段内设备的使用次数或开机时间总和，确定不同时间段的设备使用频率，进而推测高峰使用时间，通过分析使用频率的统计结果，找出使用频率最高的时间段，通常表示设备的高峰使用时间，即设备使用较为集中和活跃的时间段；计算每个时间段内设备的平均工作时长或工作时长的分布情况，从而揭示设备的工作时长模式，例如是否存在较长连续运行的时间段，或者大多数时间段内设备工作时长相对较短；
A16、根据上述分析结果，选择基于支持向量机的机器学习模型；其中基于支持向量机的机器学习模型属于现有技术手段，因此本实施例未做出具体说明；
A2、将数据集根据二八比例划分为验证集和训练集，使用训练集对所选模型进行训练，并针对目标指标进行调优；所述目标指标包括准确率、召回率和精确率；所述准确率、召回率和精确率，具体通过混淆矩阵进行分析得到；所述混淆矩阵是监督学习中的一种可视化工具，主要用于模型的分类结果和实例的真实信息的比较；其中混淆矩阵和目标指标的计算属于现有技术手段，因此本实施例未做出具体说明；
A3、使用验证集评估训练得到的模型性能，并进行模型的微调和优化，通过交叉验证确保模型的泛化能力和稳定性；所述交叉验证属于现有技术手段，因此本实施例未做出具体说明；
A4、在训练完成后，采用参数剪枝和权重量化算法对经过训练的模型进行压缩和优化操作，以减少其大小和复杂度，以便在监测设备上运行；所述参数剪枝，具体是指删除模型中不重要的参数，以减少模型的大小和计算复杂度；所述权重量化，具体是指将模型中的浮点数权重转换为较低精度的表示形式，从而降低模型的存储需求和计算开销；其中参数剪枝和权重量化算法属于现有技术手段，因此本实施例未做出具体说明；
A5、在压缩和优化后，使用验证集或测试集对压缩模型的性能进行评估，确保压缩后的模型在保持合理性能的同时，尺寸和计算资源要求得到有效减少；其具体处理过程如下：
A51、将压缩和优化后的模型与相应的测试集配对，确保测试集包含输入特征和对应的实际值；所述实际值用于回归问题；
A52、将输入数据输入到模型中，获取模型的预测结果；
A53、根据问题类型和任务需求，选择均方误差、平均绝对误差作为性能评估指标；
A54、使用模型的预测结果和实际值，计算所选的性能评估指标Qx：，其中ui表示实际值，f表示总体均值，ρ表示偏倚值，hi表示预测结果，v1、v2表示比例系数；比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数的大小，只要不影响参数与量化后数值的比例关系即可；
A6、根据计算得到的性能评估指标，分析压缩和优化后模型的性能表现，并与原始模型进行比较；其中性能评估指标的变化将帮助判断压缩和优化对模型性能的影响；其具体处理过程如下：
A61、比较压缩和优化后模型的性能评估指标Qx与原始模型的性能评估指标Qx0，若Qx＞Qx0则表示优化后的模型比原始模型的性能更优；若Qx≤Qx0则表示优化后的模型比原始模型的性能更差，或者相较于原始模型没有优化效果；
A62、根据比较结果进行进一步分析，应用统计学方法进行显著性检验；所述统计学方法包括t检验、ANOVA，用于确定任何差异是否显著，属于现有技术手段，因此本实施例未做出具体说明；
A7、将压缩优化后的模型导出，并在监测设备上进行部署；
所述边缘设备处理模块用于接收数据传输模块、云平台处理中心传输的数据，通过在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断，将数据传输至云平台处理中心、设备监管模块，避免将大量原始数据传输到云平台处理中心进行处理，且能够在网络连接不稳定或断开的情况下保持系统的正常运行，减少对云平台处理中心的依赖，从而提高响应速度和降低数据传输的成本；
需要说明的是，边缘设备处理模块中各个监测设备可以协同工作，共同完成复杂的数据分析任务，提高数据处理效率；在监测设备上执行模型推断任务，使用经过压缩优化的模型对采集的数据进行分析，并生成相应的输出结果，由于模型已部署在监测设备上，可以实现快速响应和即时处理，无需依赖云平台的计算资源和网络连接，同时只将有意义或重要的结果传输给云平台处理中心，不仅减少对云平台处理中心的依赖，提高即时响应和减少数据传输的成本，还能够在网络连接不稳定或断开的情况下保持系统的正常运行；
本实施需要具体说明的是，所述边缘设备处理模块的具体处理过程为：
B1、将预处理后的数据输入到已部署的机器学习模型中进行推断；
B2、使用本地环境中的计算资源，在监测设备上执行模型的推断任务；通过调用模型的推断接口或方法，将输入数据传递给模型，并获取模型输出的预测结果；
B3、对部署在监测设备上的模型进行性能评估和调优；根据需要，可以使用测试集或实际场景数据来评估模型的准确性、效率和资源利用情况，并进行必要的调整和优化；
B4、监测设备将关键的数据传输给云平台处理中心、设备监管模块，以供后续分析和监控使用；
所述设备监管模块用于对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知，从而提高故障处理速度和监管效率；
本实施需要具体说明的是，所述设备监管模块的具体处理过程为：
C1、收集与监测设备相关的历史故障数据，具体包括故障发生时间、故障发生次数、设备总数、故障类型，以及设备运行时长；
C2、根据历史故障数据，计算每个设备在每季度内发生故障的次数，即故障频率；其故障频率计算公式为：/>，其中U表示故障发生次数，Pt表示设备运行时长；
C3、选择与监测设备故障的相关因素进行量化或标记，具体包括设备年龄、使用环境和维护历史；所述设备年龄，具体是指将设备的年龄转换为数值，采用设备的启用时间与当前时间之间的时长；所述使用环境，具体是指根据使用环境的特征指标，将其量化为数值，例如温度、湿度和气压，将温度划分为几个范围，并为每个范围分配一个数值来表示温度指标；所述维护历史，具体是指对于每个维护记录，记录维护所需的时间长度，并将其作为一个量化指标，例如，记录维护活动开始时间和结束时间之间的时长，以衡量维护的持续时间；
C4、利用Cox比例风险模型分析故障频率与相关因素之间的关系；所述Cox比例风险模型，具体是指由表示的风险函数，其计算公式为：/>，其中h0表示基准风险，t表示生存时间，/>表示风险权重，xi表示协变量的矩阵，n表示设备总数；
C5、根据风险函数，计算监测设备的设备故障概率系数；所述设备故障概率系数的计算公式为：/>，其中ηi表示比例系数，/>表示样本故障频率、相关因素的具体数值，/>表示风险函数，n表示设备总数；比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于比例系数的大小，只要不影响参数与量化后数值的比例关系即可；
C6、计算同一组数据设备故障概率系数的可信度，将可信度φ和预先设定的可信度阈值φ阈进行对比判断；其处理过程如下：
C61、计算两次同一组数据的设备故障概率系数，计算设备故障概率系数的可信度φ：
，其中/>表示第i次的设备故障概率系数，/>表示第i+1次的设备故障概率系数，/>表示第i次的设备故障概率系数均值，/>表示第i+1次的设备故障概率系数均值，/>表示第i次的设备故障概率系数的标准差，/>表示第i+1次的设备故障概率系数的标准差，n表示设备总数；
C62、将可信度φ和预先设定的可信度阈值φ阈进行对比判断，若φ≥φ阈表示设备故障概率系数可信，执行C7；若φ<φ阈表示设备故障概率系数不可信，可以忽略；其中预先设定的可信度阈值φ阈，可依据具体情况具体设定，本实施例不对具体数据做具体限定；
C7、依据判断结果将设备故障概率系数和预先设定的设备故障概率系数阈值进行判断，将超过阈值的数据作为报警信息，发送至远程控制模块；其中预先设定的设备故障概率系数阈值/>，可依据具体情况具体设定，本实施例不对具体数据做具体限定；
所述远程控制模块包括报警信息处理单元、远程维护单元和日志记录单元，用于接收设备监管模块传输的数据，远程对监测设备进行控制、配置和管理，能够自动调整参数和策略，提高监测设备管理的效率，例如，可以通过系统远程设置设备参数、升级固件或进行校准，避免了现场操作的需求，节省时间和成本；
本实施需要具体说明的是，所述报警信息处理单元，具体是指通过对报警信息进行分析生成远程控制命令，对设备进行实时调整和干预，其具体处理过程如下：
D1、对报警信息进行优先级排序、分类和筛选；
D2、对报警信息进行故障可能性原因分析得到分析结果，所述分析结果包括但不限于设备故障、环境变化，以及操作错误；
D3、基于报警信息的分析结果，生成相应的控制命令；所述控制命令包括对设备进行启动、停止、重启，以及参数配置操作；
D4、监测设备接收控制命令进行相应操作，实现对报警信息的实时调整和干预，降低设备发生故障的风险；
本实施需要具体说明的是，所述远程维护单元，具体是指通过远程访问和控制通道进行固件更新或维护操作，其具体维护过程如下：
E1、使用通过VPN、SSH或远程桌面，建立与监测设备的连接；
需要说明的是，在连接过程中，需要进行身份验证以确认操作人员的身份，并根据权限设置确定其对设备的访问权限，有助于确保只有授权人员能够进行相应的维护操作；
E2、通过文件传输协议将新的固件文件传输到目标设备中，确保传输过程的完整性和数据完整性；
E3、根据设备类型和厂商提供的指南，在监测设备上执行固件更新操作；
E4、在固件更新完成后，通过发送重启命令或远程控制设备电源执行设备重启操作以使新固件生效，确保在重启之前保存任何重要的设备配置或数据；
E5、根据需要，通过远程访问和控制通道对设备进行配置变更；所述配置变更，具体包括更新网络设置、调整传感器参数和修改工作模式操作；
E6、在完成固件更新或配置变更后，进行验证和测试以确保更新的正确性；所述验证和测试，具体包括检查设备状态、执行功能测试和监测数据输出；
本实施需要具体说明的是，所述日志记录单元，具体是指记录所有的远程控制、配置和管理操作，并保留相关日志，有助于后续的审计、故障排查和维护工作，以确保操作的完整性和可追溯性。
本实施例中，需要具体说明的是，用于使用一种基于物联网的监测设备监管系统的方法包括以下步骤：
步骤S1、利用传感器、监测设备的数据接口采集监测设备原始数据；
步骤S2、将监测设备原始数据进行数据预处理操作得到监测设备数据；
步骤S3、通过无线通信技术将数据传输到边缘设备处理模块进行处理和存储；
步骤S4、训练机器学习模型，对经过训练的模型进行压缩和优化处理，将压缩优化后的机器学习模型部署到监测设备上；
步骤S5、在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断；
步骤S6、对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知；
步骤S7、远程对监测设备进行控制、配置和管理。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于物联网的监测设备监管系统，其特征在于：包括：
数据采集模块：用于利用传感器、监测设备的数据接口采集监测设备原始数据；所述监测设备原始数据包括环境温度、设备表面温度、环境湿度、气体或液体压力、环境光照强度、设备电流、设备电压、设备的开关状态，以及设备的工作时间；所述传感器包括温度传感器、湿度传感器、压力传感器，以及光传感器；所述监测设备的数据接口，包括串口、以太网接口、Modbus协议；
数据预处理模块：用于接收传感器、监测设备的数据接口采集到的数据，将监测设备原始数据进行数据预处理操作得到监测设备数据，并将其传输到数据传输模块；
数据传输模块：用于接收数据预处理模块传输的数据，通过无线通信技术将数据传输到边缘设备处理模块进行处理和存储；
云平台处理中心：用于接收边缘设备处理模块传输的数据，根据其提供的大量数据训练机器学习模型，对经过训练的模型进行压缩和优化处理，将压缩优化后的机器学习模型部署到监测设备上，使其能够在本地执行推断任务；
边缘设备处理模块：用于接收数据传输模块、云平台处理中心传输的数据，通过在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断，将数据传输至云平台处理中心、设备监管模块；
设备监管模块：用于对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知；
远程控制模块包括报警信息处理单元、远程维护单元和日志记录单元，用于接收设备监管模块传输的数据，远程对监测设备进行控制、配置和管理；
所述设备监管模块的具体处理过程为：
C1、收集与监测设备相关的历史故障数据，具体包括故障发生时间、故障发生次数、设备总数、故障类型，以及设备运行时长；
C2、根据历史故障数据，计算每个设备在每季度内发生故障的次数，即故障频率；其故障频率计算公式为：/>，其中U表示故障发生次数，Pt表示设备运行时长；
C3、选择与监测设备故障的相关因素进行量化或标记，具体包括设备年龄、使用环境和维护历史；
C4、利用Cox比例风险模型分析故障频率与相关因素之间的关系；所述Cox比例风险模型，具体是指由表示的风险函数，其计算公式为：/>，其中h0表示基准风险，t表示生存时间，/>表示风险权重，xi表示协变量的矩阵，n表示设备总数；
C5、根据风险函数，计算监测设备的设备故障概率系数；所述设备故障概率系数的计算公式为：/>，其中ηi表示比例系数，/>表示样本故障频率、相关因素的具体数值，/>表示风险函数，n表示设备总数；
C6、计算同一组数据设备故障概率系数的可信度，将可信度φ和预先设定的可信度阈值φ阈进行对比判断；
C7、依据判断结果将设备故障概率系数和预先设定的设备故障概率系数阈值进行判断，将超过阈值的数据作为报警信息，发送至远程控制模块；
所述计算同一组数据设备故障概率系数的可信度，将可信度φ和预先设定的可信度阈值φ阈进行对比判断，其处理过程如下：
C61、计算两次同一组数据的设备故障概率系数，计算设备故障概率系数的可信度φ：
，其中/>表示第i次的设备故障概率系数，/>表示第i+1次的设备故障概率系数，/>表示第i次的设备故障概率系数均值，/>表示第i+1次的设备故障概率系数均值，/>表示第i次的设备故障概率系数的标准差，/>表示第i+1次的设备故障概率系数的标准差，n表示设备总数；
C62、将可信度φ和预先设定的可信度阈值φ阈进行对比判断，若φ≥φ阈表示设备故障概率系数可信，执行C7；若φ<φ阈表示设备故障概率系数不可信，忽略。
2.根据权利要求1所述的一种基于物联网的监测设备监管系统，其特征在于：所述云平台处理中心的具体处理方式为：
A1、将大量数据记作数据集ai={a1，a2……an}，根据数据集的特点，选择适合的机器学习模型；
A2、将数据集根据二八比例划分为验证集和训练集，使用训练集对所选模型进行训练，并针对目标指标进行调优；所述目标指标包括准确率、召回率和精确率；
A3、使用验证集评估训练得到的模型性能，并进行模型的微调和优化，通过交叉验证确保模型的泛化能力和稳定性；
A4、在训练完成后，采用参数剪枝和权重量化算法对经过训练的模型进行压缩和优化操作，以减少其大小和复杂度，以便在监测设备上运行；
A5、在压缩和优化后，使用验证集或测试集对压缩模型的性能进行评估；
A6、根据计算得到的性能评估指标，分析压缩和优化后模型的性能表现，并与原始模型进行比较；
A7、将压缩优化后的模型导出，并在监测设备上进行部署。
3.根据权利要求2所述的一种基于物联网的监测设备监管系统，其特征在于：所述在压缩和优化后，使用验证集或测试集对压缩模型的性能进行评估，其具体处理过程如下：
A51、将压缩和优化后的模型与相应的测试集配对，确保测试集包含输入特征和对应的实际值；所述实际值用于回归问题；
A52、将输入数据输入到模型中，获取模型的预测结果；
A53、根据问题类型和任务需求，选择均方误差、平均绝对误差作为性能评估指标；
A54、使用模型的预测结果和实际值，计算所选的性能评估指标Qx：，其中ui表示实际值，f表示总体均值，ρ表示偏倚值，hi表示预测结果，v1、v2表示比例系数。
4.根据权利要求1所述的一种基于物联网的监测设备监管系统，其特征在于：所述边缘设备处理模块的具体处理过程为：
B1、将预处理后的数据输入到已部署的机器学习模型中进行推断；
B2、使用本地环境中的计算资源，在监测设备上执行模型的推断任务；通过调用模型的推断接口或方法，将输入数据传递给模型，并获取模型输出的预测结果；
B3、对部署在监测设备上的模型进行性能评估和调优；
B4、监测设备将关键的数据传输给云平台处理中心、设备监管模块，以供后续分析和监控使用。
5.根据权利要求1所述的一种基于物联网的监测设备监管系统，其特征在于：所述报警信息处理单元，具体是指通过对报警信息进行分析生成远程控制命令，对设备进行实时调整和干预，其具体处理过程如下：
D1、对报警信息进行优先级排序、分类和筛选；
D2、对报警信息进行故障可能性原因分析得到分析结果，所述分析结果包括但不限于设备故障、环境变化，以及操作错误；
D3、基于报警信息的分析结果，生成相应的控制命令；所述控制命令包括对设备进行启动、停止、重启，以及参数配置操作；
D4、监测设备接收控制命令进行相应操作，实现对报警信息的实时调整和干预。
6.根据权利要求1所述的一种基于物联网的监测设备监管系统，其特征在于：所述远程维护单元，具体是指通过远程访问和控制通道进行固件更新或维护操作，其具体维护过程如下：
E1、使用通过VPN、SSH或远程桌面，建立与监测设备的连接；
E2、通过文件传输协议将新的固件文件传输到目标设备中，确保传输过程的完整性和数据完整性；
E3、根据设备类型和厂商提供的指南，在监测设备上执行固件更新操作；
E4、在固件更新完成后，通过发送重启命令或远程控制设备电源执行设备重启操作以使新固件生效，确保在重启之前保存任何重要的设备配置或数据；
E5、根据需要，通过远程访问和控制通道对设备进行配置变更；所述配置变更，具体包括更新网络设置、调整传感器参数和修改工作模式操作；
E6、在完成固件更新或配置变更后，进行验证和测试以确保更新的正确性；所述验证和测试，具体包括检查设备状态、执行功能测试和监测数据输出。
7.一种基于物联网的监测设备监管系统的方法，所述方法用于上述权利要求1-6任一所述的一种基于物联网的监测设备监管系统，其特征在于，包括下列步骤：
步骤S1、利用传感器、监测设备的数据接口采集监测设备原始数据；
步骤S2、将监测设备原始数据进行数据预处理操作得到监测设备数据；
步骤S3、通过无线通信技术将数据传输到边缘设备处理模块进行处理和存储；
步骤S4、训练机器学习模型，对经过训练的模型进行压缩和优化处理，将压缩优化后的机器学习模型部署到监测设备上；
步骤S5、在监测设备上使用本地存储和处理技术，以及部署压缩优化的机器学习模型进行数据分析，在本地执行模型推断；
步骤S6、对监测设备进行监管，计算设备故障概率系数，识别和预测设备故障，并实时发送报警通知；
步骤S7、远程对监测设备进行控制、配置和管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451944.6A CN117176560B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的监测设备监管系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311451944.6A CN117176560B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的监测设备监管系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117176560A CN117176560A (zh) | 2023-12-05 |
| CN117176560B true CN117176560B (zh) | 2024-01-26 |
Family
ID=88947301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311451944.6A Active CN117176560B (zh) | 2023-11-03 | 2023-11-03 | 一种基于物联网的监测设备监管系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117176560B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117376108B (zh) * | 2023-12-07 | 2024-03-01 | 深圳市亲邻科技有限公司 | 一种物联网设备智能运维方法与系统 |
| CN117425165B (zh) * | 2023-12-18 | 2024-04-09 | 江苏泽宇智能电力股份有限公司 | 一种使用智能终端对新型电力通信板卡进行管理的系统 |
| CN117572137B (zh) * | 2024-01-17 | 2024-03-29 | 山东海纳智能装备科技股份有限公司 | 一种七电平anpc高压变频器远程监测系统 |
| CN117978678A (zh) * | 2024-03-29 | 2024-05-03 | 杭州汉超科技有限公司 | 一种通信机柜的远程监测方法、系统、设备以及介质 |
| CN118170079B (zh) * | 2024-05-15 | 2024-07-19 | 浙江维度仪表有限公司 | 基于物联网的气体罗茨流量计阀控联动控制方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110932899A (zh) * | 2019-11-28 | 2020-03-27 | 杭州东方通信软件技术有限公司 | 一种应用ai智能故障压缩研究方法及其系统 |
| CN111706958A (zh) * | 2020-06-03 | 2020-09-25 | 中筑科技股份有限公司 | 一种基于大数据处理的中央空调故障性能检测系统 |
| JPWO2021245898A1 (zh) * | 2020-06-05 | 2021-12-09 | ||
| CN113987953A (zh) * | 2021-11-09 | 2022-01-28 | 国网浙江省电力有限公司信息通信分公司 | 一种故障检测模型轻量化的方法、系统、设备及存储介质 |
| CN114331217A (zh) * | 2022-01-20 | 2022-04-12 | 上海纳宇电气有限公司 | 一种基于物联网设备远程维护的方法 |
| CN114647234A (zh) * | 2022-05-23 | 2022-06-21 | 医链数科医疗科技(江苏)有限公司 | 一种基于物联网的医疗设备监控方法、装置及存储介质 |
| CN115619999A (zh) * | 2021-07-15 | 2023-01-17 | 国网冀北电力有限公司信息通信分公司 | 电力设备实时监测方法、装置、电子设备及可读介质 |
| CN116629627A (zh) * | 2023-04-25 | 2023-08-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 输电在线监测装置的智能检测系统 |
| CN116823227A (zh) * | 2023-07-07 | 2023-09-29 | 淮安瀚唐信息技术有限公司 | 一种基于物联网的智能设备管理系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200233397A1 (en) * | 2019-01-23 | 2020-07-23 | New York University | System, method and computer-accessible medium for machine condition monitoring |
-
2023
- 2023-11-03 CN CN202311451944.6A patent/CN117176560B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110932899A (zh) * | 2019-11-28 | 2020-03-27 | 杭州东方通信软件技术有限公司 | 一种应用ai智能故障压缩研究方法及其系统 |
| CN111706958A (zh) * | 2020-06-03 | 2020-09-25 | 中筑科技股份有限公司 | 一种基于大数据处理的中央空调故障性能检测系统 |
| JPWO2021245898A1 (zh) * | 2020-06-05 | 2021-12-09 | ||
| CN115619999A (zh) * | 2021-07-15 | 2023-01-17 | 国网冀北电力有限公司信息通信分公司 | 电力设备实时监测方法、装置、电子设备及可读介质 |
| CN113987953A (zh) * | 2021-11-09 | 2022-01-28 | 国网浙江省电力有限公司信息通信分公司 | 一种故障检测模型轻量化的方法、系统、设备及存储介质 |
| CN114331217A (zh) * | 2022-01-20 | 2022-04-12 | 上海纳宇电气有限公司 | 一种基于物联网设备远程维护的方法 |
| CN114647234A (zh) * | 2022-05-23 | 2022-06-21 | 医链数科医疗科技(江苏)有限公司 | 一种基于物联网的医疗设备监控方法、装置及存储介质 |
| CN116629627A (zh) * | 2023-04-25 | 2023-08-22 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 输电在线监测装置的智能检测系统 |
| CN116823227A (zh) * | 2023-07-07 | 2023-09-29 | 淮安瀚唐信息技术有限公司 | 一种基于物联网的智能设备管理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 工业设备远程监控系统研究;金洪吉;;科技经济导刊(27);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117176560A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
| CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN117318297A (zh) | 基于状态监测的告警阈值设置方法、系统、设备及介质 | |
| CN118211943B (zh) | 一种注塑产品生产管理方法及系统 | |
| CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
| CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及系统 | |
| CN116976862A (zh) | 一种工厂设备信息化管理系统及方法 | |
| CN118203260A (zh) | 一种基于智能分析的吸尘器状态评估方法及系统 | |
| CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
| CN118309644A (zh) | 基于数字孪生的管道泵运行流量监测方法及系统 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
| CN117273550B (zh) | 一种食品检测智能实验室的信息管理方法 | |
| CN118017502A (zh) | 基于数字孪生的配电算力预测方法、系统及介质 | |
| CN118169586A (zh) | 一种用于电池管理的自唤醒诊断方法及系统 | |
| CN117977536A (zh) | 一种智能电网负荷辨识方法 | |
| CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
| CN116863664A (zh) | 燃气设备的实时监测方法以及燃气设备监测系统 | |
| CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
| CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
| CN118396252B (zh) | 基于云计算的mes客户端数据分析优化方法 | |
| CN118445170B (zh) | 一种基于物联网的智能防误系统 | |
| CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及系统 |
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 |