CN110262421A - 生产设备的控制方法和装置 - Google Patents
生产设备的控制方法和装置 Download PDFInfo
- Publication number
- CN110262421A CN110262421A CN201910542782.4A CN201910542782A CN110262421A CN 110262421 A CN110262421 A CN 110262421A CN 201910542782 A CN201910542782 A CN 201910542782A CN 110262421 A CN110262421 A CN 110262421A
- Authority
- CN
- China
- Prior art keywords
- production equipment
- data
- target
- flight control
- operating environment
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 49
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 112
- 238000012544 monitoring process Methods 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 104
- 230000007613 environmental effect Effects 0.000 claims description 82
- 238000012806 monitoring device Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 5
- 238000009333 weeding Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 25
- 230000015654 memory Effects 0.000 description 17
- 238000006116 polymerization reaction Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34457—Emit alarm signal
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请涉及一种生产设备的控制方法和装置。所述方法用于生产设备控制***的目标边缘侧设备中，所述方法包括：接收目标监测设备发送的目标生产设备的作业环境数据，所述目标监测设备和所述目标生产设备均与所述目标边缘侧设备建立有通信连接；根据所述作业环境数据判断所述目标生产设备是否需要进行应急控制；当所述目标生产设备需要进行应急控制时，生成应急控制指令，并向所述目标生产设备发送所述应急控制指令。通过本发明实施例，不仅可以解决生产设备计算能力不足的问题，而且可以避免云端服务器无法及时返回决策导致生产设备发生事故的问题，减少对云端服务器的依赖，提高应急响应速率。
Description
技术领域
本申请涉及物联网技术领域，特别是涉及一种生产设备的控制方法和装置。
背景技术
传统的工业生产自动化控制***中，存在生产设备计算力能力不足、不能支持本地快速决策等问题。相关技术中，物联网将工业生产自动化控制***的监测设备接到云计算平台上，由云计算平台对监测数据进行数据处理，并根据数据处理结果实时返回决策控制生产设备。
但是，由于云计算平台接入的监测设备越来越多，向云计算平台输入的监控数据也越来越多，就会出现带宽不足的问题。尤其是一些对延时要求严格的情景，比如工业生产的安全监控，大量的监控数据传输到云计算中心存在数据延迟的情况，导致云计算中心无法及时返回决策，从而导致发生比较严重的事故。
发明内容
基于此，有必要针对上述技术问题，提供一种能够及时决策避免事故的生产设备的控制方法和装置。
第一方面，本发明实施例一种生产设备的控制方法，用于生产设备控制***的目标边缘侧设备中，生产设备控制***包括云端服务器、多个边缘侧设备、多个生产设备和多个监测设备，云端服务器与各边缘侧设备建立有通信连接，各边缘侧设备与至少一个生产设备和至少一个监测设备建立有通信连接，目标边缘侧设备是多个边缘侧设备中的任一个，方法包括：
接收目标监测设备发送的目标生产设备的作业环境数据，目标监测设备和目标生产设备均与目标边缘侧设备建立有通信连接；
根据作业环境数据判断目标生产设备是否需要进行应急控制；
当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
在其中一个实施例中，上述接收目标监测设备发送的目标生产设备的作业环境数据之后，该方法还包括：
向云端服务器发送作业环境数据，作业环境数据用于触发云端服务器根据作业环境数据生成非应急控制指令，并向目标生产设备发送非应急控制指令。
在其中一个实施例中，上述向云端服务器发送作业环境数据，包括：
在作业环境数据中剔除掉无效数据，得到有效作业环境数据；
向云端服务器发送有效作业环境数据。
在其中一个实施例中，上述根据作业环境数据判断目标生产设备是否需要进行应急控制，包括：
根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制；所述有效作业环境数据为剔除掉无效数据的作业环境数据。
在其中一个实施例中，上述有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；
上述根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制，包括：
采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；
若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
在其中一个实施例中，所述有效作业环境数据包括图像数据；
上述根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制，包括：
采用应急检测模型对图像数据进行图像识别，得到图像识别结果；
若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
在其中一个实施例中，在上述根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制之前，该方法还包括：
从云端服务器获取应急检测模型；
存储应急检测模型。
在其中一个实施例中，在存储应急检测模型之后，该方法还包括：
接收云端服务器发送的更新后的应急检测模型；
采用更新后的应急检测模型更新已存储的应急检测模型。
在其中一个实施例中，在向目标生产设备发送应急控制指令时，该方法还包括：
生成报警信息，并将报警信息发送至用户终端；报警信息用于通知用户目标生产设备需要进行应急控制。
第二方面，本发明实施例提供了一种生产设备的控制装置，用于生产设备控制***的目标边缘侧设备中，生产设备控制***包括云端服务器、多个边缘侧设备、多个生产设备和多个监测设备，云端服务器与各边缘侧设备建立有通信连接，各边缘侧设备与至少一个生产设备和至少一个监测设备建立有通信连接，目标边缘侧设备是多个边缘侧设备中的任一个，该装置包括：
作业环境数据接收模块，用于接收目标监测设备发送的目标生产设备的作业环境数据，目标监测设备和目标生产设备均与目标边缘侧设备建立有通信连接；
应急判断模块，用于根据作业环境数据判断目标生产设备是否需要进行应急控制；
应急控制指令发送模块，用于当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
在其中一个实施例中，该装置还包括：
作业环境数据发送模块，用于向云端服务器发送作业环境数据，作业环境数据用于触发云端服务器根据作业环境数据生成非应急控制指令，并向目标生产设备发送非应急控制指令。
在其中一个实施例中，作业环境数据发送模块，具体地用于在作业环境数据中剔除掉无效数据，得到有效作业环境数据；向云端服务器发送有效作业环境数据。
在其中一个实施例中，应急判断模块，具体地用于根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制；所述有效作业环境数据为剔除掉无效数据的作业环境数据。
在其中一个实施例中，有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；
应急判断模块，具体地用于采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
在其中一个实施例中，有效作业环境数据包括图像数据；
应急判断模块，具体地用于采用应急检测模型对图像数据进行图像识别，得到图像识别结果；若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
在其中一个实施例中，该装置还包括：
急检测模型获取模块，用于从云端服务器获取应急检测模型；
应急检测模型存储模块，用于存储应急检测模型。
在其中一个实施例中，该装置还包括：
更新模型接收模块，用于接收云端服务器发送的更新后的应急检测模型；
模型更新模块，用于采用更新后的应急检测模型更新已存储的应急检测模型。
在其中一个实施例中，该装置还包括：
报警信息发送模块，用于生成报警信息，并将报警信息发送至用户终端；报警信息用于通知用户目标生产设备需要进行应急控制。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法中的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的步骤。
上述生产设备的控制方法、装置、计算机设备和存储介质，目标边缘侧设备接收目标监测设备发送的目标生产设备的作业环境数据；根据作业环境数据判断目标生产设备是否需要进行应急控制；当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。通过本发明实施例，目标边缘侧设备可以根据作业环境数据确定目标生产设备是否需要进行应急控制，并在目标生产设备需要应急控制时向目标生产设备发送应急控制指令，控制目标生产设备及时采取相应的保护措施。与现有技术相比，不仅可以解决生产设备计算能力不足的问题，而且可以避免云端服务器无法及时返回决策导致生产设备发生事故的问题。可见，由边缘侧设备进行决策，减少了对云端服务器的依赖，提高了应急响应速率。
附图说明
图1为一个实施例中生产设备的控制方法的应用环境图；
图2为一个实施例中生产设备的控制方法的流程示意图；
图3为一个实施例中判断目标生产设备是否需要进行应急控制步骤的流程示意图；
图4为另一个实施例中生产设备的控制方法的流程示意图；
图5为一个实施例中边缘侧设备的结构示意图；
图6为一个实施例中云端服务器的结构示意图；
图7为一个实施例中生产设备的控制装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的生产设备的控制方法，可以应用于图1所示的应用环境中。生产设备控制***包括云端服务器、多个边缘侧设备、多个生产设备和多个监测设备，云端服务器与各边缘侧设备建立有通信连接，各边缘侧设备与至少一个生产设备和至少一个监测设备建立有通信连接。其中，监测设备以星型组网方式与边缘侧设备建立有通信连接。监测设备监测生产设备的作业环境，可以包括摄像头、拾音器、红外传感器、气体浓度传感器、功率传感器、电流传感器、电压传感器、温度传感器、压力传感器中的至少一种。边缘侧设备可以采用树莓派加LoRa网关模块的形式。本发明实施例对监测设备和边缘侧设备不作详细限定，可以根据实际情况进行设置。
在一个实施例中，如图2所示，提供了一种生产设备的控制方法，以该方法应用于图1中的目标边缘侧设备为例进行说明，目标边缘侧设备可以是多个边缘侧设备中的任一个，该方法包括以下步骤：
步骤101，接收目标监测设备发送的目标生产设备的作业环境数据。
本实施例中，目标监测设备和目标生产设备均与目标边缘侧设备建立有通信连接。目标监测设备监测到目标生产设备的作业环境数据后，将作业环境数据发送至目标边缘侧设备。目标边缘侧设备接收目标监测设备发送的作业环境数据。例如，目标监测设备包括压力传感器、温度传感器、摄像头等，目标生产设备为聚合釜，目标监测设备监测到聚合釜的压力数据、聚合釜的温度数据、合釜的图像数据等作业环境数据，目标边缘侧设备接收这些作业环境数据。
步骤102，根据作业环境数据判断目标生产设备是否需要进行应急控制。
本实施例中，目标边缘侧设备接收到作业环境数据后，根据作业环境数据判断目标生产设备是否需要进行应急控制。例如，目标边缘侧设备根据聚合釜的压力数据、聚合釜的温度数据、聚合釜的图像数据等作业环境数据，判断聚合釜是否需要进行切断聚合釜的电源、紧急出料、停止聚合反应等应急控制。本发明实施例对应急控制的措施不作详细限定，可以根据实际情况进行设置。
步骤103，当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
本实施例中，在目标生产设备需要进行应急控制时，根据目标生产设备的具体情况生成相应的应急控制指令，并向目标生产设备发送该应急控制指令。例如，根据聚合釜的压力数据判断聚合釜需要紧急出料，则生成紧急出料的应急控制指令，并将该应急控制指令发送到聚合釜，指示聚合釜紧急出料。或者，根据聚合釜的温度数据判断聚合釜需要停止聚合反应，则生成停止聚合反应的应急控制指令，并将该应急控制指令发送到聚合釜，指示聚合釜停止聚合反应。或者，根据聚合釜的图像数据判断聚合釜需要切断电源，则生成切断聚合釜电源的应急控制指令，并将该应急控制指令发送到聚合釜，指示聚合釜切断电源。本发明实施例对应急控制指令不作详细限定，可以根据实际情况进行设置。
可选地，生成报警信息，并将报警信息发送至用户终端，报警信息用于通知操作用户目标生产设备需要进行应急控制。
本实施例中，在目标生产设备需要进行应急控制时，可以生成应急控制指令并向目标生产设备发送应急控制指令；同时，也可以生成报警信息，并将报警信息发送到用户终端，通知用户目标生产设备需要进行应急控制。例如，聚合釜的温度超过预算温度阈值，生成加大注水量的应急控制指令，并将该应急控制指令发送到聚合釜。同时，根据聚合釜温度超过预设温度阈值的情况生成报警信息，将报警信息发送到用户终端，用户终端显示该报警信息通知用户，由用户决定是否需要停止聚合反应。
上述生产设备的控制方法中，目标边缘侧设备接收目标监测设备发送的目标生产设备的作业环境数据；根据作业环境数据判断目标生产设备是否需要进行应急控制；当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。通过本发明实施例，目标边缘侧设备可以根据作业环境数据确定目标生产设备是否需要进行应急控制，并在目标生产设备需要应急控制时向目标生产设备发送应急控制指令，控制目标生产设备及时采取相应的保护措施。与现有技术相比，不仅可以解决生产设备计算能力不足的问题，而且可以避免云端服务器无法及时返回决策导致生产设备发生事故的问题。可见，由边缘侧设备进行决策，减少了对云端服务器的依赖，提高了应急响应速率。
在另一个实施例中，本实施例涉及的是在接收作业环境数据之后的一种可选的过程。在上述图2所示实施例的基础上，在步骤101之后，还可以包括以下步骤：
向云端服务器发送作业环境数据，作业环境数据用于触发云端服务器根据作业环境数据生成非应急控制指令，并向目标生产设备发送非应急控制指令。
本实施例中，目标边缘侧设备在接收到作业环境数据后，将作业环境数据发送到云端服务器，使云端服务器可以根据作业环境数据生成相应的非应急控制指令，然后将非应急控制指令发送到目标生产设备，从而控制目标生产设备的生产操作。例如，云端服务器根据作业环境数据生成向聚合釜中进料的非应急控制指令，并将该非应急控制指令发送到聚合釜，使聚合釜根据该非应急控制指令进行进料操作。又如，云端服务器根据作业环境数据生成调整聚合釜中的聚合反应速率的非应急控制指令，并将该非应急控制指令发送到聚合釜，使聚合釜根据该非应急控制指令调整聚合反应速率。本发明实施例对非应急控制指令不作详细限定，可以根据实际情况进行设置。
云端服务器在接收到作业环境数据后，还可以将作业环境数据与目标边缘侧设备的网络地址、目标生产设备的设备编号、监测设备的设备编号等信息一起对应存储至数据库。
在其中一个实施例中，目标边缘侧向云端服务器发送大量作业环境数据，为了缓解带宽压力，向云端服务器发送作业环境数据具体可以包括：在作业环境数据中剔除掉无效数据，得到有效作业环境数据；向云端服务器发送有效作业环境数据。
具体地，目标边缘侧设备对接收到作业环境数据进行校验，剔除不完整的、不合理的无效数据，并对剔除无效数据后的作业环境数据进行格式转换，得到有效作业环境数据。然后，再将有效作业环境数据发送至云端服务器。
例如，作业环境数据中未包含聚合釜的设备编号，或者，聚合釜的温度数据超出合理范围，比如温度数据为10000摄氏度，则目标边缘侧设备将这些无效数据剔除掉，然后对作业环境数据进行格式转换，比如转换成json格式，最后得到符合预设数据格式的有效作业环境数据。
上述向云端服务器发送作业环境数据的步骤中，先在作业环境数据中剔除掉无效数据，得到有效作业环境数据；再向云端服务器发送有效作业环境数据。通过本发明实施例，目标边缘侧设备在向云端服务器发送作业环境数据时，对作业环境数据进行了预处理，剔除掉无效数据，仅向云端服务器发送有效作业环境数据，这样，可以减少数据发送量，缓解带宽压力。
在另一个实施例中，见图3所示，本实施例涉及的是根据作业环境数据判断目标生产设备是否需要进行应急控制的一种可选的过程。在上述图2所示实施例的基础上，还可以包括以下步骤：
步骤201，从云端服务器获取应急检测模型；存储应急检测模型。
本实施例中，在生产设备控制***运行初期，云端服务器收集传感器数据、音频数据、视频数据等，为各个生产设备分别建立应急检测模型。例如，云端服务器对聚合釜的各项监测数据进行深度学习训练，得到聚合釜的应急检测模型。然后，目标边缘侧设备从云端服务器获取应急检测模型，并存储应急检测模型。
可选地，接收云端服务器发送的更新后的应急检测模型；采用更新后的应急检测模型更新已存储的应急检测模型。
由于目标边缘侧设备不断向云端服务器传输有效作业环境数据，云端服务器在收集了大量的有效作业环境数据后，可以对应急检测模型进行更新，优化应急检测模型的参数。在更新应急检测模型后，云端服务器可以将应急检测模型发送至目标边缘侧设备。目标边缘侧设备接收云端服务器发送的更新后的应急检测模型，并更新已存储的应急检测模型。
步骤202，根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制。
本实施例中，目标边缘侧设备在获取到应急检测模型，并得到目标生产设备的有效作业环境数据之后，根据有效作业环境数据和应急检测模型判断目标生产设备是否需要应急控制。其中，有效作业环境数据为剔除掉无效数据的作业环境数据。
可选地，有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种，采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
例如，预设温度阈值为350摄氏度，聚合釜的温度数据为355摄氏度，超出预设温度阈值，则确定聚合釜需要进行应急控制。或者预设压力阈值为10Mpa，聚合釜的压力数据为11Mpa，超出预设压力阈值，则确定聚合釜需要进行应急控制。又或者，预设音量阈值为30dB，聚合釜的音量为40dB，超出预设音量阈值，表明有异常响动，则确定聚合釜需要进行应急控制。本发明实施例对预设阈值不作详细限定，可以根据实际情况进行设置。
可选地，有效作业环境数据包括图像数据，采用应急检测模型对图像数据进行图像识别，得到图像识别结果；若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
有效作业环境数据中可以包含聚合釜的视频数据，采用应急检测模型对聚合釜的视频数据进行图像识别，得到图像识别结果。例如，采用神经网络模型进行图像识别，确定是否有陌生人员、泄露、火灾等异常图像。如果图像识别结果包括异常图像，则确定聚合釜需要进行应急控制。本发明实施例对异常图像不作详细限定，可以根据实际情况进行设置。
上述根据作业环境数据判断目标生产设备是否需要进行应急控制的步骤中，从云端服务器获取应急检测模型；存储应急检测模型，根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制。通过本发明实施例，云端服务器为各个生产设备建立对应的应急检测模型，由边缘侧设备根据应急检测模型进行应急判断，可以减少对云端服务器的依赖，提高应急响应速率。并且，由边缘侧设备进行决策，可以降低与云端服务器之间的交互量，缓解带宽压力。
在另一个实施例中，见图4所示，本实施例涉及的是生产设备的控制方法的一种可选的过程。在上述实施例的基础上，具体可以包括以下步骤：
步骤301，从云端服务器获取应急检测模型，存储应急检测模型。
可选地，接收云端服务器发送的更新后的应急检测模型；采用更新后的应急检测模型更新已存储的应急检测模型。
步骤302，接收目标监测设备发送的目标生产设备的作业环境数据。
步骤303，在作业环境数据中剔除掉无效数据，得到有效作业环境数据。
步骤304，向云端服务器发送有效作业环境数据。
步骤305，根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制。
可选地，有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
可选地，有效作业环境数据包括图像数据；采用应急检测模型对图像数据进行图像识别，得到图像识别结果；若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
步骤306，当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
步骤307，生成报警信息，并将报警信息发送至用户终端；报警信息用于通知用户目标生产设备需要进行应急控制。
步骤308，接收云端服务器发送的更新后的应急检测模型，采用更新后的应急检测模型更新已存储的应急检测模型。
本实施例中，参照图5所示，目标边缘侧设备可以包括输入接口模块、数据预处理模块、检测模块、反向控制模块、传输模块。其中，输入接口模块接收监测设备发送的作业环境数据，并剔除掉无效数据；数据预处理模块对剔除无效数据后的作业环境数据进行数据格式转换；然后，检测模块根据格式转换后的有效作业环境数据检测目标生产设备是否需要应急控制；如果需要由反向控制模块向目标生产设备发送应急控制指令。而传输模块向云端服务器发送有效作业环境数据，并从云端服务器获取应急检测模型。
参照图6所示，云端服务器可以包括数据库、数据挖掘模块、模型训练模块、验证模块、模型管理模块。其中，数据库存储有效作业环境数据、应急检测模型、目标边缘侧设备的网络地址、目标生产设备的设备编号、目标监测设备的设备编号等等。本发明实施例对数据库中存储的数据不作详细限定，可以根据实际情况进行设置。数据挖掘模块从数据库中提取一部分作业环境数据，并整理成模型训练的输入数据集。模型训练模块可以根据输入数据集进行神经网络模型的训练，得到应急检测模型。验证模块从数据库中提取出另一部分作业环境数据对应急检测模型进行验证。模型管理模块将应急检测模型、目标边缘侧设备的网络地址、目标生产设备的设备编号、目标监测设备的设备编号等对应存储至数据库中。
本发明实施例对上述步骤304和305的顺序不作详细限定，对步骤306和307的顺序不作详细限定，可以根据实际情况进行设置。
上述生产设备的控制方法中，目标边缘侧设备可以根据作业环境数据确定目标生产设备是否需要进行应急控制，并在目标生产设备需要应急控制时向目标生产设备发送应急控制指令，控制目标生产设备及时采取相应的保护措施。与现有技术相比，不仅可以解决生产设备计算能力不足的问题，而且可以避免云端服务器无法及时返回决策导致生产设备发生事故的问题。可见，由边缘侧设备进行决策，减少了对云端服务器的依赖，提高了应急响应速率。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种生产设备的控制装置，用于生产设备控制***的目标边缘侧设备中，生产设备控制***包括云端服务器、多个边缘侧设备、多个生产设备和多个监测设备，云端服务器与各边缘侧设备建立有通信连接，各边缘侧设备与至少一个生产设备和至少一个监测设备建立有通信连接，目标边缘侧设备是多个边缘侧设备中的任一个，装置包括：
作业环境数据接收模块401，用于接收目标监测设备发送的目标生产设备的作业环境数据，目标监测设备和目标生产设备均与目标边缘侧设备建立有通信连接；
应急判断模块402，用于根据作业环境数据判断目标生产设备是否需要进行应急控制；
应急控制指令发送模块403，用于当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
在其中一个实施例中，装置还包括：
作业环境数据发送模块，用于向云端服务器发送作业环境数据，作业环境数据用于触发云端服务器根据作业环境数据生成非应急控制指令，并向目标生产设备发送非应急控制指令。
在其中一个实施例中，作业环境数据发送模块，具体地用于在作业环境数据中剔除掉无效数据，得到有效作业环境数据；向云端服务器发送有效作业环境数据。
在其中一个实施例中，应急判断模块，具体地用于根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制；有效作业环境数据为剔除掉无效数据的作业环境数据。
在其中一个实施例中，有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；应急判断模块，具体地用于采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
在其中一个实施例中，有效作业环境数据包括图像数据；应急判断模块，具体地用于采用应急检测模型对图像数据进行图像识别，得到图像识别结果；若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
在其中一个实施例中，装置还包括：
急检测模型获取模块，用于从云端服务器获取应急检测模型；
应急检测模型存储模块，用于存储应急检测模型。
在其中一个实施例中，装置还包括：
更新模型接收模块，用于接收云端服务器发送的更新后的应急检测模型；
模型更新模块，用于采用更新后的应急检测模型更新已存储的应急检测模型。
在其中一个实施例中，装置还包括：
报警信息发送模块，用于生成报警信息，并将报警信息发送至用户终端；报警信息用于通知用户目标生产设备需要进行应急控制。
关于生产设备的控制装置的具体限定可以参见上文中对于生产设备的控制方法的限定，在此不再赘述。上述生产设备的控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
接收目标监测设备发送的目标生产设备的作业环境数据，目标监测设备和目标生产设备均与目标边缘侧设备建立有通信连接；
根据作业环境数据判断目标生产设备是否需要进行应急控制；
当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
向云端服务器发送作业环境数据，作业环境数据用于触发云端服务器根据作业环境数据生成非应急控制指令，并向目标生产设备发送非应急控制指令。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在作业环境数据中剔除掉无效数据，得到有效作业环境数据；
向云端服务器发送有效作业环境数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制；有效作业环境数据为剔除掉无效数据的作业环境数据。
在一个实施例中，有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；处理器执行计算机程序时还实现以下步骤：
采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；
若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
在一个实施例中，有效作业环境数据包括图像数据；处理器执行计算机程序时还实现以下步骤：
采用应急检测模型对图像数据进行图像识别，得到图像识别结果；
若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从云端服务器获取应急检测模型；
存储应急检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
接收云端服务器发送的更新后的应急检测模型；
采用更新后的应急检测模型更新已存储的应急检测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
生成报警信息，并将报警信息发送至用户终端；报警信息用于通知用户目标生产设备需要进行应急控制。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
接收目标监测设备发送的目标生产设备的作业环境数据，目标监测设备和目标生产设备均与目标边缘侧设备建立有通信连接；
根据作业环境数据判断目标生产设备是否需要进行应急控制；
当目标生产设备需要进行应急控制时，生成应急控制指令，并向目标生产设备发送应急控制指令。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
向云端服务器发送作业环境数据，作业环境数据用于触发云端服务器根据作业环境数据生成非应急控制指令，并向目标生产设备发送非应急控制指令。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在作业环境数据中剔除掉无效数据，得到有效作业环境数据；
向云端服务器发送有效作业环境数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据有效作业环境数据和应急检测模型判断目标生产设备是否需要进行应急控制；有效作业环境数据为剔除掉无效数据的作业环境数据。
在一个实施例中，有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；计算机程序被处理器执行时还实现以下步骤：
采用应急检测模型判断有效作业环境数据是否超出对应的预设阈值；预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；
若有效作业环境数据超出对应的预设阈值，则确定目标生产设备需要进行应急控制。
在一个实施例中，有效作业环境数据包括图像数据；计算机程序被处理器执行时还实现以下步骤：
采用应急检测模型对图像数据进行图像识别，得到图像识别结果；
若图像识别结果包括异常图像，则确定目标生产设备需要进行应急控制。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从云端服务器获取应急检测模型；
存储应急检测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
接收云端服务器发送的更新后的应急检测模型；
采用更新后的应急检测模型更新已存储的应急检测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
生成报警信息，并将报警信息发送至用户终端；报警信息用于通知用户目标生产设备需要进行应急控制。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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发明专利范围的限制。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)
1.一种生产设备的控制方法，其特征在于，用于生产设备控制***的目标边缘侧设备中，所述生产设备控制***包括云端服务器、多个边缘侧设备、多个生产设备和多个监测设备，所述云端服务器与各所述边缘侧设备建立有通信连接，各所述边缘侧设备与至少一个生产设备和至少一个监测设备建立有通信连接，所述目标边缘侧设备是所述多个边缘侧设备中的任一个，所述方法包括：
接收目标监测设备发送的目标生产设备的作业环境数据，所述目标监测设备和所述目标生产设备均与所述目标边缘侧设备建立有通信连接；
根据所述作业环境数据判断所述目标生产设备是否需要进行应急控制；
当所述目标生产设备需要进行应急控制时，生成应急控制指令，并向所述目标生产设备发送所述应急控制指令。
2.根据权利要求1所述的方法，其特征在于，所述接收目标监测设备发送的目标生产设备的作业环境数据之后，所述方法还包括：
向所述云端服务器发送所述作业环境数据，所述作业环境数据用于触发所述云端服务器根据所述作业环境数据生成非应急控制指令，并向所述目标生产设备发送所述非应急控制指令。
3.根据权利要求2所述的方法，其特征在于，所述向所述云端服务器发送所述作业环境数据，包括：
在所述作业环境数据中剔除掉无效数据，得到有效作业环境数据；
向所述云端服务器发送所述有效作业环境数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述作业环境数据判断所述目标生产设备是否需要进行应急控制，包括：
根据有效作业环境数据和应急检测模型判断所述目标生产设备是否需要进行应急控制；所述有效作业环境数据为剔除掉无效数据的作业环境数据。
5.根据权利要求4所述的方法，其特征在于，所述有效作业环境数据包括温度数据、压力数据、电压数据、电流数据、功率数据、气体浓度数据、音量数据中的至少一种；
所述根据所述有效作业环境数据和应急检测模型判断所述目标生产设备是否需要进行应急控制，包括：
采用所述应急检测模型判断所述有效作业环境数据是否超出对应的预设阈值；所述预设阈值包括预设温度阈值、预设压力阈值、预设电压阈值、预设电流阈值、预设功率阈值、预设气体浓度阈值、预设音量阈值中的至少一种；
若所述有效作业环境数据超出所述对应的预设阈值，则确定所述目标生产设备需要进行应急控制。
6.根据权利要求4所述的方法，其特征在于，所述有效作业环境数据包括图像数据；
所述根据所述有效作业环境数据和应急检测模型判断所述目标生产设备是否需要进行应急控制，包括：
采用所述应急检测模型对所述图像数据进行图像识别，得到图像识别结果；
若所述图像识别结果包括异常图像，则确定所述目标生产设备需要进行应急控制。
7.根据权利要求4所述的方法，其特征在于，在所述根据所述有效作业环境数据和应急检测模型判断所述目标生产设备是否需要进行应急控制之前，所述方法还包括：
从所述云端服务器获取所述应急检测模型；
存储所述应急检测模型。
8.根据权利要求7所述的方法，其特征在于，在所述存储所述应急检测模型之后，所述方法还包括：
接收所述云端服务器发送的更新后的应急检测模型；
采用所述更新后的应急检测模型更新已存储的应急检测模型。
9.根据权利要求1所述的方法，其特征在于，在所述向所述目标生产设备发送所述应急控制指令时，所述方法还包括：
生成报警信息，并将所述报警信息发送至用户终端；所述报警信息用于通知用户所述目标生产设备需要进行应急控制。
10.一种生产设备的控制装置，其特征在于，用于生产设备控制***的目标边缘侧设备中，所述生产设备控制***包括云端服务器、多个边缘侧设备、多个生产设备和多个监测设备，所述云端服务器与各所述边缘侧设备建立有通信连接，各所述边缘侧设备与至少一个生产设备和至少一个监测设备建立有通信连接，所述目标边缘侧设备是所述多个边缘侧设备中的任一个，所述装置包括：
作业环境数据接收模块，用于接收目标监测设备发送的目标生产设备的作业环境数据，所述目标监测设备和所述目标生产设备均与所述目标边缘侧设备建立有通信连接；
应急判断模块，用于根据所述作业环境数据判断所述目标生产设备是否需要进行应急控制；
应急控制指令发送模块，用于当所述目标生产设备需要进行应急控制时，生成应急控制指令，并向所述目标生产设备发送所述应急控制指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542782.4A CN110262421A (zh) | 2019-06-21 | 2019-06-21 | 生产设备的控制方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910542782.4A CN110262421A (zh) | 2019-06-21 | 2019-06-21 | 生产设备的控制方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110262421A true CN110262421A (zh) | 2019-09-20 |
Family
ID=67920294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910542782.4A Pending CN110262421A (zh) | 2019-06-21 | 2019-06-21 | 生产设备的控制方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110262421A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583196A (zh) * | 2020-04-22 | 2020-08-25 | 北京智芯微电子科技有限公司 | 用于输电线路的监测***及监测方法 |
| CN112114533A (zh) * | 2020-08-26 | 2020-12-22 | 深圳奇迹智慧网络有限公司 | 物联网数据处理方法、装置、计算机设备和存储介质 |
| CN114844925A (zh) * | 2022-04-29 | 2022-08-02 | 青岛慧拓智能机器有限公司 | 无人矿山全域智能监测*** |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105824338A (zh) * | 2016-04-21 | 2016-08-03 | 苏州科技学院 | 一种基于物联网和智能手机的精品蔬菜自动培育*** |
| CN105972693A (zh) * | 2016-06-01 | 2016-09-28 | 北京暖流科技有限公司 | 一种实现透明供热的方法及*** |
| CN106604496A (zh) * | 2016-11-24 | 2017-04-26 | 海南电力技术研究院 | 基于模糊技术的停车场照明***控制方法 |
| CN107883529A (zh) * | 2017-10-30 | 2018-04-06 | 海南电网有限责任公司电力科学研究院 | 一种基于模糊技术的中央空调***温度控制方法 |
| CN108200166A (zh) * | 2017-12-30 | 2018-06-22 | 广州柏颐信息科技有限公司 | 一种基于传感器监测的低功耗控制方法和装置 |
| CN108900363A (zh) * | 2018-08-15 | 2018-11-27 | 广州易行信息技术有限公司 | 调整局域网工作状态的方法、装置及*** |
| CN109167804A (zh) * | 2018-05-21 | 2019-01-08 | 广东力源液压机械有限公司 | 一种液压打桩锤通信交互方法及其*** |
| CN109462654A (zh) * | 2018-11-30 | 2019-03-12 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧应急控制*** |
| CN109613428A (zh) * | 2018-12-12 | 2019-04-12 | 广州汇数信息科技有限公司 | 一种能像***及其在电机设备故障检测方法中的应用 |
| CN109618301A (zh) * | 2019-01-23 | 2019-04-12 | 南京邮电大学 | 无线传感器网络的数据处理方法、可读存储介质和终端 |
| CN109639835A (zh) * | 2019-01-26 | 2019-04-16 | 成都鑫芯电子科技有限公司 | 农业物联网*** |
-
2019
- 2019-06-21 CN CN201910542782.4A patent/CN110262421A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105824338A (zh) * | 2016-04-21 | 2016-08-03 | 苏州科技学院 | 一种基于物联网和智能手机的精品蔬菜自动培育*** |
| CN105972693A (zh) * | 2016-06-01 | 2016-09-28 | 北京暖流科技有限公司 | 一种实现透明供热的方法及*** |
| CN106604496A (zh) * | 2016-11-24 | 2017-04-26 | 海南电力技术研究院 | 基于模糊技术的停车场照明***控制方法 |
| CN107883529A (zh) * | 2017-10-30 | 2018-04-06 | 海南电网有限责任公司电力科学研究院 | 一种基于模糊技术的中央空调***温度控制方法 |
| CN108200166A (zh) * | 2017-12-30 | 2018-06-22 | 广州柏颐信息科技有限公司 | 一种基于传感器监测的低功耗控制方法和装置 |
| CN109167804A (zh) * | 2018-05-21 | 2019-01-08 | 广东力源液压机械有限公司 | 一种液压打桩锤通信交互方法及其*** |
| CN108900363A (zh) * | 2018-08-15 | 2018-11-27 | 广州易行信息技术有限公司 | 调整局域网工作状态的方法、装置及*** |
| CN109462654A (zh) * | 2018-11-30 | 2019-03-12 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧应急控制*** |
| CN109613428A (zh) * | 2018-12-12 | 2019-04-12 | 广州汇数信息科技有限公司 | 一种能像***及其在电机设备故障检测方法中的应用 |
| CN109618301A (zh) * | 2019-01-23 | 2019-04-12 | 南京邮电大学 | 无线传感器网络的数据处理方法、可读存储介质和终端 |
| CN109639835A (zh) * | 2019-01-26 | 2019-04-16 | 成都鑫芯电子科技有限公司 | 农业物联网*** |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583196A (zh) * | 2020-04-22 | 2020-08-25 | 北京智芯微电子科技有限公司 | 用于输电线路的监测***及监测方法 |
| CN112114533A (zh) * | 2020-08-26 | 2020-12-22 | 深圳奇迹智慧网络有限公司 | 物联网数据处理方法、装置、计算机设备和存储介质 |
| CN112114533B (zh) * | 2020-08-26 | 2024-05-03 | 深圳奇迹智慧网络有限公司 | 物联网数据处理方法、装置、计算机设备和存储介质 |
| CN114844925A (zh) * | 2022-04-29 | 2022-08-02 | 青岛慧拓智能机器有限公司 | 无人矿山全域智能监测*** |
| CN114844925B (zh) * | 2022-04-29 | 2024-04-05 | 青岛慧拓智能机器有限公司 | 无人矿山全域智能监测*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110262421A (zh) | 生产设备的控制方法和装置 | |
| CN111208748B (zh) | 基于物联网的联动控制方法、***和计算机设备 | |
| CN109472372B (zh) | 基于租赁设备的资源数据分配方法、装置和计算机设备 | |
| CN107679504A (zh) | 基于摄像头场景的人脸识别方法、装置、设备及存储介质 | |
| CN109508790B (zh) | 基于租赁设备的故障数据处理方法、装置和计算机设备 | |
| CN110955226B (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
| CN109194913B (zh) | 监控视频数据的处理方法、装置、设备及介质 | |
| CN110490078A (zh) | 监控视频处理方法、装置、计算机设备和存储介质 | |
| CN111462507B (zh) | 信号数据处理方法、***、计算机设备和存储介质 | |
| CN109803231B (zh) | 电子围栏内电力设备监控方法、装置和计算机设备 | |
| CN103971487B (zh) | 安全监控***及安全监控方法 | |
| CN110892675B (zh) | 用于监控区块链的方法和设备 | |
| CN109462580B (zh) | 训练流量检测模型、检测业务流量异常的方法及装置 | |
| EP3985562A1 (en) | Model training method and apparatus, system, prediction method, and computer readable storage medium | |
| CN109615058A (zh) | 一种神经网络模型的训练方法 | |
| CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
| DE112015004210B4 (de) | Ultraschalllokalisierung verschachtelt mit alternierenden audiofunktionen | |
| CN114534146A (zh) | 基于移动式电力消防灭火机器人火焰自动寻地的控制方法与*** | |
| CN111695544A (zh) | 基于人群检测模型的信息发送方法、装置和计算机设备 | |
| CN109040075B (zh) | 无线移动传感器网络中节点的管理方法、服务器和*** | |
| Kim et al. | An intelligent collaboration framework between edge camera and video analysis system | |
| CN112540604A (zh) | 机器人充电***、方法及终端设备 | |
| KR20210013865A (ko) | 생성적 대립 네트워크를 이용한 사람의 비정상 행동 탐지 시스템 및 방법 | |
| CN109733831A (zh) | 控制给煤机的方法及装置 | |
| CN114418092A (zh) | 基于区块链的联邦学习恶意节点甄别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |