CN117195110A - 一种opc_ua节点感知自适应优先级分类方法 - Google Patents
一种opc_ua节点感知自适应优先级分类方法 Download PDFInfo
- Publication number
- CN117195110A CN117195110A CN202311468706.6A CN202311468706A CN117195110A CN 117195110 A CN117195110 A CN 117195110A CN 202311468706 A CN202311468706 A CN 202311468706A CN 117195110 A CN117195110 A CN 117195110A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- priority
- variable
- opc
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008447 perception Effects 0.000 title abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 38
- 230000035939 shock Effects 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 3
- 150000001412 amines Chemical class 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 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
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Computer And Data Communications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种OPC_UA节点感知自适应优先级分类方法，该方法包括：提取变量节点的语义特征，并基于语义特征确定变量节点中数据的类型；判断第二类型数据是否变化，是则将第二类型数据归类为过程数据，否则给第二类型数据对应的节点打上低优先级标签；判断过程数据是否为字节串类型数据，是则给过程数据对应的节点打上低优先级标签，否则将过程数据归类为非图像型数据；判断非图像型数据中变异系数是否大于阈值，是则将非图像型数据归类为激变数据，否则给非图像型数据对应的节点打上中优先级标签；判断激变数据对应的节点的属性是否支持历史化存储，是则给激变数据对应的节点打上中优先级标签，否则给激变数据对应的节点打上高优先级标签。
Description
技术领域
本申请涉及节点优先级分类技术领域，特别是涉及一种OPC_UA节点感知自适应优先级分类方法。
背景技术
目前，基于OPC_UA通信的智能制造场景中不同的OPC_UA节点具有不同的实时性和紧急程度，为了有效地管理和处理这些节点数据，设置节点的优先级变得至关重要，但由于存在大量的节点，仅依靠人工进行优先级分类将极其繁琐。
发明内容
基于此，有必要提供一种可实现节点自动分类优先级的节点优先级分类方法，具体为一种OPC_UA节点感知自适应优先级分类方法。
本发明提供了一种OPC_UA节点感知自适应优先级分类方法，该方法包括：
S1：在OPC_UA服务器地址空间中过滤出变量节点；
S2：提取所述变量节点的语义特征，并基于所述语义特征确定所述变量节点中数据的类型；所述数据的类型包括第一类型数据和第二类型数据；给所述第一类型数据对应的节点打上高优先级标签；
S3：判断所述第二类型数据是否变化，是则将所述第二类型数据归类为过程数据，否则给所述第二类型数据对应的节点打上低优先级标签；
S4：判断所述过程数据是否为字节串类型数据，是则给所述过程数据对应的节点打上低优先级标签，否则将所述过程数据归类为非图像型数据；
S5：判断所述非图像型数据中变异系数是否大于阈值，是则将所述非图像型数据归类为激变数据，否则给所述非图像型数据对应的节点打上中优先级标签；
S6：判断激变数据对应的节点的属性是否支持历史化存储，是则给所述激变数据对应的节点打上中优先级标签，否则给所述激变数据对应的节点打上高优先级标签。
优选的，S1中，所述在OPC_UA服务器地址空间中过滤出变量节点包括：
在启动OPC_UA服务器后，遍历地址空间中Objects文件下节点类为变量的节点，即过滤出所述变量节点。
优选的，S2中，所述语义特征包括变量节点的浏览名称、显示名称、功能描述以及变量节点的父节点的显示名称。
优选的，S2中，将所述语义特征与预设的关键词列表中的关键词进行匹配，当所述语义特征中出现所述关键词，则将所述变量节点中数据的类型归类为第一类型数据；否则将所述变量节点中数据的类型归类为第二类型数据。
优选的，所述关键词包括“control”、“cmd”、“command”、“stop”、“start”、“action”、“position”、“axes”、“alarm”、“alert”、“warning”、“status”。
优选的，S3中，获取所述第二类型数据对应的变量节点的值，并将当前获得的值与前一次遍历得到的值进行比较，判定所述第二类型数据对应的变量节点的值是否发生变化，是则将所述第二类型数据归类为过程数据，否则将所述第二类型数据归类为静态数据，给所述静态数据对应的节点打上低优先级标签。
优选的，S4中，判断所述过程数据的数据类型是否为字节串类型数据，是则将所述过程数据归类为图像型数据，并给所述图像型数据对应的节点打上低优先级标签，否则将所述过程数据归类为非图像型数据；
所述字节串类型数据为OPC_UA中一种表示二进制数据序列的数据类型，用于存储图像数据。
优选的，S5中，所述非图像型数据中变异系数的计算公式为：
；
；
其中，CV表示非图像型数据对应的变量节点的变异系数；σ表示总的平方差值的平方根；μ表示非图像型数据对应的变量节点的若干个值的平均值；N表示非图像型数据对应的变量节点的值的数量；x i 表示非图像型数据对应的变量节点的第i个值。
优选的，S6中，根据激变数据对应的变量节点的历史化存储属性判断激变数据对应的变量节点是否支持历史化存储，是则给所述激变数据对应的节点打上中优先级标签，否则给所述激变数据对应的节点打上高优先级标签。
优选的，还包括对打上高优先级标签的变量节点进行高优先级自适应调整，过程包括：
步骤1：在数据开始传输之前，记录所述打上高优先级标签的变量节点对应的唯一标识符；唯一标识符为OPC_UA节点在OPC_UA服务器中的唯一标识；
步骤2：设置一个定时器，当所述定时器触发时，根据所述唯一标识符访问打上高优先级标签的变量节点的值，并将其与上一次获取的打上高优先级标签的变量节点的值进行比较；
若打上高优先级标签的变量节点的值发生变化，则保持打上高优先级标签的变量节点的优先级；
若打上高优先级标签的变量节点的值未发生变化，则将打上高优先级标签的变量节点的优先级降低至低优先级；
步骤3：监测数据传输过程，在每次数据传输之后，重置所述定时器，并执行步骤2。
有益效果：本发明提供的这种方法可以为基于OPC_UA通信的智能制造场景中的地址空间节点自动地分类为高、中、低三类优先级，减少人力及时间成本。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例的OPC_UA节点感知自适应优先级分类方法的流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施例的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
如图1所示，本实施例提供了一种OPC_UA节点感知自适应优先级分类方法，该方法包括：
S1：在OPC_UA服务器地址空间中过滤出变量节点。
具体的，所述在OPC_UA服务器地址空间中过滤出变量节点包括：
在启动OPC_UA服务器后，遍历地址空间中Objects文件下节点类为变量的节点，即过滤出所述变量节点。
OPC_UA（Open Platform Communications Unified Architecture）是一种开放、跨平台、通用的通信协议和标准，用于实现设备、系统和应用程序之间的数据交换、通信和互操作性。它是工业自动化领域中的一个重要标准，被广泛应用于实时数据传输、监控、控制和信息交换等各种应用场景。OPC_UA中的一项关键技术就是信息建模，OPC_UA使用信息模型来描述设备和数据，使得数据的语义和结构得以统一，减少了不同设备之间数据解释的复杂性，信息模型在经过实例化后构造地址空间，地址空间由不同类型的节点连接而成，节点的常见属性包括：
NodeId：节点的唯一标识符，用于在OPC_UA服务器中唯一标识节点。
NodeClass：节点的类别，如对象（Object）、变量（Variable）、方法（Method）等。
BrowseName：节点的浏览名称，用于标识节点在其命名空间下的名称。
DisplayName：节点的显示名称，用于在用户界面中显示节点的友好名称。
Description：节点的描述，提供关于节点用途和功能的详细信息。
Value：对于Variable类型节点，存储变量的当前值。
DataType：对于Variable类型节点，指示值的数据类型。
Historizing：对于Variable类型节点，指示是否对值进行历史记录。
S2：提取所述变量节点的语义特征，并基于所述语义特征确定所述变量节点中数据的类型；所述数据的类型包括第一类型数据和第二类型数据；给所述第一类型数据对应的节点打上高优先级标签。
具体的，所述语义特征包括变量节点的浏览名称（BrowseName）、显示名称（DisplayName）、功能描述（Description）以及变量节点的父节点的显示名称（DisplayName）。
进一步的，由于实际生产中存在预设的关键词的数据是确切的、对实时性需求较高的数据，故将所述语义特征与预设的关键词列表中的关键词进行匹配，当所述语义特征中出现所述关键词，则将所述变量节点中数据的类型归类为第一类型数据；否则将所述变量节点中数据的类型归类为第二类型数据。
在本实施例中，所述关键词可根据实际生产环境进行修改。本实施例提供的关键词包括“control”、“cmd”、“command”、“stop”、“start”、“action”、“position”、“axes”、“alarm”、“alert”、“warning”、“status”。
S3：判断所述第二类型数据是否变化，是则将所述第二类型数据归类为过程数据，否则给所述第二类型数据对应的节点打上低优先级标签。
具体的，获取所述第二类型数据对应的变量节点的值，并将当前获得的值与前一次遍历得到的值进行比较，判定所述第二类型数据对应的变量节点的值是否发生变化，是则将所述第二类型数据归类为过程数据，否则将所述第二类型数据归类为静态数据，给所述静态数据对应的节点打上低优先级标签。
在本实施例中，过程数据可以反映系统、设备或过程在特定时间内的状态和变化，这些数据通常是具有瞬时性的，而且其价值在时间上衰减得很快；因此，及时获取和分析这些数据对于监控和控制系统的有效运行起到至关重要的作用，如果数据不及时更新，系统可能无法及时作出反应，从而导致出现问题或者设备失去控制，故判定第二类型数据是否为过程数据是十分有必要的；因此，提高过程数据的优先级，进入下一级判断也是十分有必要的。反观静态数据，其包括设备型号、出厂信息等数据，其更侧重于描述持久性信息，不具备瞬时性，也就不会使得系统无法及时作出反应，故给静态数据对应的节点打上低优先级标签。
S4：判断所述过程数据是否为字节串类型数据，是则给所述过程数据对应的节点打上低优先级标签，否则将所述过程数据归类为非图像型数据。
具体的，判断所述过程数据的数据类型（DataType）是否为字节串类型数据（ByteString数据），是则将所述过程数据归类为图像型数据，并给所述图像型数据对应的节点打上低优先级标签，否则将所述过程数据归类为非图像型数据；
所述字节串类型数据为OPC_UA中一种表示二进制数据序列的数据类型，用于存储图像数据。
在本实施例中，图像型数据通常具有更高的复杂性和信息密度，其处理和分析通常需要更多的计算资源和时间，这会对计算和通信基础设施造成负担，故需要降低该类型数据的优先级，以免增加设备的负担。而非图像型数据通常可以更容易地表示和分析，更容易处理和传输，这使得该类型数据在资源有限的环境中更具有优势，并且在许多制造过程中，非图像型数据更直接地反映了系统的状态和性能（例如：温度、压力、湿度、电流、电压等传感器数据），可以提供有关设备的运行状况和关键信息，这些都使得非图像型数据在制造控制和优化方面更为重要，故而提高非图像型数据的优先级，进入下一级判断。
S5：判断所述非图像型数据中变异系数是否大于阈值，是则将所述非图像型数据归类为激变数据，否则给所述非图像型数据对应的节点打上中优先级标签。
具体的，所述非图像型数据中变异系数的计算公式为：
；
；
其中，CV表示非图像型数据对应的变量节点的变异系数；σ表示总的平方差值的平方根；μ表示非图像型数据对应的变量节点的若干个值的平均值；N表示非图像型数据对应的变量节点的值的数量；x i 表示非图像型数据对应的变量节点的第i个值。
S6：判断激变数据对应的节点的属性是否支持历史化存储，是则给所述激变数据对应的节点打上中优先级标签，否则给所述激变数据对应的节点打上高优先级标签。
具体的，根据激变数据对应的变量节点的历史化存储属性（Historizing属性）判断激变数据对应的变量节点是否支持历史化存储，是则给所述激变数据对应的节点打上中优先级标签，否则给所述激变数据对应的节点打上高优先级标签。
在本实施例中，支持历史化存储的变量节点的数据在产生后，可以存储在服务器中，在之后也可以进行查询和分析，其并不需要较高的优先级；相比之下，不支持历史化存储的变量节点的数据不能够进行历史数据记录，所以在传输中需要保证不支持历史化存储的数据的及时传递，这会影响智能制造通信及设备的性能，故需要实时的、及时的处理该类型数据，因此，给不支持历史化存储的变量节点打上高优先级标签是十分有必要的。
本实施例提供的这种方法可以为基于OPC_UA通信的智能制造场景中的地址空间节点自动地分类为高、中、低三类优先级，减少人力及时间成本。
另外，在实际场景中高优先级的数据可能会存在一段时间内停止更新数据但仍在传输而占用带宽的情况。故本实施例提供了高优先级自适应调整过程，对打上高优先级标签的变量节点进行高优先级自适应调整，过程包括：
步骤1：在数据开始传输之前，记录所述打上高优先级标签的变量节点对应的唯一标识符；唯一标识符为OPC_UA节点在OPC_UA服务器中的唯一标识；
步骤2：设置一个定时器，当所述定时器触发时，根据所述唯一标识符访问打上高优先级标签的变量节点的值，并将其与上一次获取的打上高优先级标签的变量节点的值进行比较；
若打上高优先级标签的变量节点的值发生变化，则保持打上高优先级标签的变量节点的优先级；
若打上高优先级标签的变量节点的值未发生变化，则将打上高优先级标签的变量节点的优先级降低至低优先级；
步骤3：监测数据传输过程，在每次数据传输之后，重置所述定时器，并执行步骤2。
本实施例提供的这种高优先级自适应调整过程可实现高优先级节点的自适应优先级调整，可以有效地解决高优先级节点在一段时间内停止更新数据而又占用带宽的问题，进一步提升了高优先级数据的实时性及传输效率。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种OPC_UA节点感知自适应优先级分类方法，其特征在于，包括：
S1：在OPC_UA服务器地址空间中过滤出变量节点；
S2：提取所述变量节点的语义特征，并基于所述语义特征确定所述变量节点中数据的类型；所述数据的类型包括第一类型数据和第二类型数据；给所述第一类型数据对应的节点打上高优先级标签；
S3：判断所述第二类型数据是否变化，是则将所述第二类型数据归类为过程数据，否则给所述第二类型数据对应的节点打上低优先级标签；
S4：判断所述过程数据是否为字节串类型数据，是则给所述过程数据对应的节点打上低优先级标签，否则将所述过程数据归类为非图像型数据；
S5：判断所述非图像型数据中变异系数是否大于阈值，是则将所述非图像型数据归类为激变数据，否则给所述非图像型数据对应的节点打上中优先级标签；
S6：判断激变数据对应的节点的属性是否支持历史化存储，是则给所述激变数据对应的节点打上中优先级标签，否则给所述激变数据对应的节点打上高优先级标签。
2.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S1中，所述在OPC_UA服务器地址空间中过滤出变量节点包括：
在启动OPC_UA服务器后，遍历地址空间中Objects文件下节点类为变量的节点，即过滤出所述变量节点。
3.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S2中，所述语义特征包括变量节点的浏览名称、显示名称、功能描述以及变量节点的父节点的显示名称。
4.根据权利要求3所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S2中，将所述语义特征与预设的关键词列表中的关键词进行匹配，当所述语义特征中出现所述关键词，则将所述变量节点中数据的类型归类为第一类型数据；否则将所述变量节点中数据的类型归类为第二类型数据。
5.根据权利要求4所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，所述关键词包括“control”、“cmd”、“command”、“stop”、“start”、“action”、“position”、“axes”、“alarm”、“alert”、“warning”、“status”。
6.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S3中，获取所述第二类型数据对应的变量节点的值，并将当前获得的值与前一次遍历得到的值进行比较，判定所述第二类型数据对应的变量节点的值是否发生变化，是则将所述第二类型数据归类为过程数据，否则将所述第二类型数据归类为静态数据，给所述静态数据对应的节点打上低优先级标签。
7.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S4中，判断所述过程数据的数据类型是否为字节串类型数据，是则将所述过程数据归类为图像型数据，并给所述图像型数据对应的节点打上低优先级标签，否则将所述过程数据归类为非图像型数据；
所述字节串类型数据为OPC_UA中一种表示二进制数据序列的数据类型，用于存储图像数据。
8.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S5中，所述非图像型数据中变异系数的计算公式为：
；
；
其中，CV表示非图像型数据对应的变量节点的变异系数；σ表示总的平方差值的平方根；μ表示非图像型数据对应的变量节点的若干个值的平均值；N表示非图像型数据对应的变量节点的值的数量；x i 表示非图像型数据对应的变量节点的第i个值。
9.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，S6中，根据激变数据对应的变量节点的历史化存储属性判断激变数据对应的变量节点是否支持历史化存储，是则给所述激变数据对应的节点打上中优先级标签，否则给所述激变数据对应的节点打上高优先级标签。
10.根据权利要求1所述的OPC_UA节点感知自适应优先级分类方法，其特征在于，还包括对打上高优先级标签的变量节点进行高优先级自适应调整，过程包括：
步骤1：在数据开始传输之前，记录所述打上高优先级标签的变量节点对应的唯一标识符；唯一标识符为OPC_UA节点在OPC_UA服务器中的唯一标识；
步骤2：设置一个定时器，当所述定时器触发时，根据所述唯一标识符访问打上高优先级标签的变量节点的值，并将其与上一次获取的打上高优先级标签的变量节点的值进行比较；
若打上高优先级标签的变量节点的值发生变化，则保持打上高优先级标签的变量节点的优先级；
若打上高优先级标签的变量节点的值未发生变化，则将打上高优先级标签的变量节点的优先级降低至低优先级；
步骤3：监测数据传输过程，在每次数据传输之后，重置所述定时器，并执行步骤2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468706.6A CN117195110B (zh) | 2023-11-07 | 2023-11-07 | 一种opc_ua节点感知自适应优先级分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468706.6A CN117195110B (zh) | 2023-11-07 | 2023-11-07 | 一种opc_ua节点感知自适应优先级分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195110A true CN117195110A (zh) | 2023-12-08 |
| CN117195110B CN117195110B (zh) | 2024-01-26 |
Family
ID=88987347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311468706.6A Active CN117195110B (zh) | 2023-11-07 | 2023-11-07 | 一种opc_ua节点感知自适应优先级分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195110B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6526314B1 (en) * | 1999-08-20 | 2003-02-25 | Cardiac Pacemakers, Inc. | Data management system for implantable cardiac device |
| US20140297225A1 (en) * | 2013-03-29 | 2014-10-02 | Symboticware Incorporated | Method and apparatus for underground equipment monitoring |
| CN104135549A (zh) * | 2014-08-19 | 2014-11-05 | 中国人民解放军信息工程大学 | 一种支持多样化寻址方式的数据传输方法及装置 |
| CN104363104A (zh) * | 2014-09-29 | 2015-02-18 | 中国人民解放军总参谋部第五十四研究所 | 一种面向用户需求的海量多元数据态势显示系统与方法 |
| CN115150274A (zh) * | 2022-09-06 | 2022-10-04 | 国网湖北省电力有限公司电力科学研究院 | 时间敏感网络设备的统一配置方法、系统及存储介质 |
| CN115568015A (zh) * | 2022-12-07 | 2023-01-03 | 湖南大学 | 一种船舶分段制造车间物料融合定位方法 |
| CN116264575A (zh) * | 2022-10-26 | 2023-06-16 | 中移(苏州)软件技术有限公司 | 边缘节点调度方法、装置、计算设备及存储介质 |
| CN116362245A (zh) * | 2022-12-22 | 2023-06-30 | 浙江大学 | 基于非结构化文本数据的opc ua信息模型构建方法 |
| CN116743658A (zh) * | 2023-03-08 | 2023-09-12 | 中国工业互联网研究院 | 一种基于opc ua-tsn的工业互联网确定性通信方法及装置 |
-
2023
- 2023-11-07 CN CN202311468706.6A patent/CN117195110B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6526314B1 (en) * | 1999-08-20 | 2003-02-25 | Cardiac Pacemakers, Inc. | Data management system for implantable cardiac device |
| US20140297225A1 (en) * | 2013-03-29 | 2014-10-02 | Symboticware Incorporated | Method and apparatus for underground equipment monitoring |
| CN104135549A (zh) * | 2014-08-19 | 2014-11-05 | 中国人民解放军信息工程大学 | 一种支持多样化寻址方式的数据传输方法及装置 |
| CN104363104A (zh) * | 2014-09-29 | 2015-02-18 | 中国人民解放军总参谋部第五十四研究所 | 一种面向用户需求的海量多元数据态势显示系统与方法 |
| CN115150274A (zh) * | 2022-09-06 | 2022-10-04 | 国网湖北省电力有限公司电力科学研究院 | 时间敏感网络设备的统一配置方法、系统及存储介质 |
| CN116264575A (zh) * | 2022-10-26 | 2023-06-16 | 中移(苏州)软件技术有限公司 | 边缘节点调度方法、装置、计算设备及存储介质 |
| CN115568015A (zh) * | 2022-12-07 | 2023-01-03 | 湖南大学 | 一种船舶分段制造车间物料融合定位方法 |
| CN116362245A (zh) * | 2022-12-22 | 2023-06-30 | 浙江大学 | 基于非结构化文本数据的opc ua信息模型构建方法 |
| CN116743658A (zh) * | 2023-03-08 | 2023-09-12 | 中国工业互联网研究院 | 一种基于opc ua-tsn的工业互联网确定性通信方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| ZHIYONG LUO 等: "Deterministic Communication Based on TSN and OPC UA Embedded Server", PROCEEDINGS OF THE 40TH CHINESE CONTROL CONFERENCE * |
| 冯馨仪: "基于统一数据模型和OPC UA的中控与实验系统通信研究", 中国优秀硕士学位论文全文数据库 * |
| 黄春红: "OPCUA及其事件模型在调度全域事件分析中的研究应用", 电力系统保护与控制, no. 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195110B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11089116B2 (en) | Operation triggering method and apparatus for machine-to-machine communications | |
| US9116978B2 (en) | Query engine for building management systems | |
| US9189527B2 (en) | Systems and methods for facilitating communication between a plurality of building automation subsystems | |
| US20110099232A1 (en) | Systems and Methods for Controlling Retention of Publication | |
| US20170293609A1 (en) | Methods and systems using cognitive artifical intelligence to implement adaptive linguistic models to process data | |
| CN111556074A (zh) | 基于opc ua的通信协议配置方法及装置 | |
| CN111314144B (zh) | 通信数据处理方法、装置及数据处理终端 | |
| CN109918341A (zh) | 日志处理方法及装置 | |
| CN117195110B (zh) | 一种opc_ua节点感知自适应优先级分类方法 | |
| US11310353B2 (en) | Data transmission method for creating data structure facilitating data transmission and reception | |
| CA3136404C (en) | Selective address space aggregation | |
| CN116545740B (zh) | 一种基于大数据的威胁行为分析方法及服务器 | |
| CN116233164A (zh) | 用于采集设备数据的方法、装置、存储介质及处理器 | |
| CN112039977B (zh) | 一种云原生的工业数据收集与故障报警系统和运作方法 | |
| CN114416560A (zh) | 程序崩溃分析聚合方法和系统 | |
| CN112671837A (zh) | 一种基于物联网的资源识别方法 | |
| CN111565377A (zh) | 应用于物联网的安全监测方法和装置 | |
| CN116074412B (zh) | 一种数据高速读写方法、系统、设备和可读存储介质 | |
| CN107562418B (zh) | 贴纸状态管理方法及装置 | |
| EP4160415A1 (en) | System and method for enabling client-server communication using opc ua protocol | |
| CN115834623A (zh) | 一种基于ipmi的远程监测系统、方法 | |
| JP2770758B2 (ja) | Ｏｓｉ管理エージェントシステム | |
| CN116301615A (zh) | 一种车载数据的读写方法、设备及存储介质 | |
| CN110995712A (zh) | 安防物联网设备的数据交换方法及装置 | |
| CN117742269A (zh) | 跨设备的资源处理方法及其相关设备 |
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 |