CN113468693A - 一种基于大数据的压力传感器采集*** - Google Patents

一种基于大数据的压力传感器采集*** Download PDF

Info

Publication number
CN113468693A
CN113468693A CN202110821530.2A CN202110821530A CN113468693A CN 113468693 A CN113468693 A CN 113468693A CN 202110821530 A CN202110821530 A CN 202110821530A CN 113468693 A CN113468693 A CN 113468693A
Authority
CN
China
Prior art keywords
pressure
value
temperature
pressure sensor
values
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.)
Withdrawn
Application number
CN202110821530.2A
Other languages
English (en)
Inventor
李峰
左妮娜
胡伟全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bengbu Gaoling Sensing System Project Co ltd
Original Assignee
Bengbu Gaoling Sensing System Project Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bengbu Gaoling Sensing System Project Co ltd filed Critical Bengbu Gaoling Sensing System Project Co ltd
Priority to CN202110821530.2A priority Critical patent/CN113468693A/zh
Publication of CN113468693A publication Critical patent/CN113468693A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Measuring Fluid Pressure (AREA)

Abstract

本发明公开了一种基于大数据的压力传感器采集***，属于压力传感器采集技术领域，包括修正模块、数据采集模块和服务器；所述修正模块用于修正环境温度对压力传感器采集压力的影响，具体方法包括：步骤SA1：获取压力传感器型号，根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；将检测出的多组在不同温度下的压力值标记为模拟值；步骤SA2：建立温度曲线模型；将模拟值输入到温度曲线模型中，获得压力传感器温度曲线；通过建立温度曲线模型，将模拟值输入到温度曲线模型中，获得压力传感器温度曲线，根据获得的压力传感器温度曲线就可以准确的了解到不同温度对压力采集的影响。

Description

一种基于大数据的压力传感器采集***
技术领域
本发明属于压力传感器采集技术领域，具体是一种基于大数据的压力传感器采集***。
背景技术
压力传感器是工业实践中最为常用的一种传感器，一般普通压力传感器的输出为模拟信号，模拟信号是指信息参数在给定范围内表现为连续的信号，或者在一段连续的时间间隔内，其代表信息的特征量可以在任意瞬间呈现为任意数值的信号。而我们通常使用的压力传感器主要是利用压电效应制造而成的，这样的传感器也称为压电传感器。
目前大部分的压力传感器采集的压力值都不是正确值，因为压力传感器在进行测量时，将会受到环境温度的影响，导致测量结果不准确，在某些需要精准测量的行业，不真实的测量值可能会产生较大的安全隐患和经济损失，如表1所示，不同温度下对压力传感器采集的影响；因此需要通过设置修正模块消除温度对压力传感器数据采集的影响。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于大数据的压力传感器采集***。
本发明的目的可以通过以下技术方案实现：
一种基于大数据的压力传感器采集***，包括：修正模块、数据采集模块和服务器；
所述数据采集模块用于采集压力值和温度值；
所述修正模块用于修正环境温度对压力传感器采集压力的影响，具体方法包括：
步骤SA1：获取压力传感器型号，根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；将检测出的多组在不同温度下的压力值标记为模拟值；
步骤SA2：建立温度曲线模型；将模拟值输入到温度曲线模型中，获得压力传感器温度曲线；
步骤SA3：获取数据采集模块实时采集的压力值和温度值；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值；
步骤SA4：将从数据采集模块获取的压力值减去温度压力值，获得真实压力值。
进一步地，对于步骤SA1中根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；
当从互联网中获取不到对应型号的压力传感器在不同温度下的压力值时；设置恒温槽，将压力传感器放进恒温槽内，改变恒温槽内的温度，检测出多组压力传感器在不同温度下的压力值，将检测出的多组在不同温度下的压力值标记为模拟值。
进一步地，数据采集模块采集温度值的方法包括：
步骤SB1：获取直接检测的温度值TEi，其中i＝1、2、……、n，n为正整数；相邻两次检测温度值TEi之间的时间间隔为t秒；
建立温度值坐标系，将获得的温度值TEi输入到温度值坐标系中；
步骤SB2：相邻两个温度值TEi点使用直线连接，获得相邻两个温度值TEi点之间的斜率kj，其中j＝1、2、……、n-1，n为正整数；
步骤SB3：按照顺序依次选择N个斜率kj，将选取的N个斜率kj中的第一个标记为ka；
步骤SB4：设置平稳值K，依次获取斜率差值k1＝|ka+1-ka|、k2＝|ka+2-ka+1|、……、kN＝|ka+N-ka+N-1|；
当k1、k2、……、kN均小于K时，进入步骤SB5；
当k1、k2、……、kN中有任意一个值不小于K时，返回步骤SB3；
步骤SB5：依次获取二级斜率差值k1′＝|k2-k1|、k2′＝|k3-k2|、……、kN-1′＝|kN-1-kN|；
当k1′、k2′、……、kN-1′均小于K时，选取对应的最后一个温度值为采集的温度值。
进一步地，步骤SB5中，当k1′、k2′、……、kN-1′中有任意一个值不小于K时，返回步骤SB3。
进一步地，t的取值范围为[5,10]。
进一步地，N为比例系数，且10≧N≧6。
进一步地，a∈[1，j-N+1]。
进一步地，还包括储存模块，所述储存模块用于储存修正模块和数据采集模块产生的数据信息。
进一步地，还包括维修模块，维修模块用于当***出现故障时，派遣维修人员进行维修，具体方法包括：
步骤SC1：获取维修人员个人信息，将维修人员标记为i；
步骤SC2：将维修人员的维修工龄标记为Pi；
步骤SC3：获取维修人员的工作状态，工作状态包括空闲状态和忙碌状态，将维修人员的工作状态标记为Li；
步骤SC4：获取维修人员与需要维修的压力传感器之间的距离，并将维修人员与需要维修的压力传感器之间的距离标记为Mi；
步骤SC5：根据公式Qi＝λ*(b1*Pi*b2*Li)/(b3*Mi+1)获取得到优先值Qi，且当维修人员的工作状态是忙碌状态时，Li＝0，且当维修人员的工作状态是空闲状态时，Li＝1；
步骤SC6：将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的维修人员进行维修。
与现有技术相比，本发明的有益效果是：通过对采集的温度进行递进检测，根据实际情况调整精度，确保采集的温度符合压力传感器的精度要求，解决在温度变化时检测的温度，在后续使用检测的温度时将会产生很大的误差，影响检测正确率的问题；通过建立温度曲线模型，将模拟值输入到温度曲线模型中，获得压力传感器温度曲线，根据获得的压力传感器温度曲线就可以准确的了解到不同温度对压力采集的影响；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值，再将从数据采集模块获取的压力值减去温度压力值，获得真实压力值，消除了温度对压力采集的影响，解决压力传感器在进行测量时，将会受到环境温度的影响，导致测量结果不准确，可能会产生较大的安全隐患和经济损失的问题。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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为本发明一种基于大数据的压力传感器采集***的原理框图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
如图1所示，一种基于大数据的压力传感器采集***，包括修正模块、数据采集模块、服务器、储存模块和维修模块；
储存模块用于储存修正模块和数据采集模块产生的数据信息；
数据采集模块用于采集压力值和温度值；
在检测温度时，会有各种各样的因素导致温度产生剧烈变化，因此，如果在温度变化时检测的温度，在后续使用检测的温度时将会产生很大的误差，影响检测的正确率；
数据采集模块采集温度值的方法包括：
步骤SB1：获取直接检测的温度值TEi，其中i＝1、2、……、n，n为正整数；相邻两次检测温度值TEi之间的时间间隔为t秒，且10≧t≧5；
建立温度值坐标系，温度值坐标系是以温度值和时间建立的坐标系；将获得的温度值TEi输入到温度值坐标系中；
步骤SB2：相邻两个温度值TEi点使用直线连接，获得相邻两个温度值TEi点之间的斜率kj，其中j＝1、2、……、n-1，n为正整数；
步骤SB3：按照顺序依次选择N个斜率kj，N为比例系数，且10≧N≧6，可以根据需要使用的压力传感器精度进行调整；将选取的N个斜率kj中的第一个标记为ka，a∈[1，j-N+1]；
步骤SB4：设置平稳值K，平稳值K由专家组进行讨论设置，用于评判连续测量的温度值是否稳定，根据需要使用的压力传感器精度进行调整；依次获取斜率差值k1＝|ka+1-ka|、k2＝|ka+2-ka+1|、……、kN＝|ka+N-ka+N-1|；
当k1、k2、……、kN均小于K时，进入步骤SB5；
当k1、k2、……、kN中有任意一个值不小于K时，返回步骤SB3，意思是返回到步骤SB3，剔除原先选择的第一个，按顺序再加一个，重新选择N个斜率kj；
步骤SB5：依次获取二级斜率差值k1′＝|k2-k1|、k2′＝|k3-k2|、……、kN-1′＝|kN-1-kN|；
当k1′、k2′、……、kN-1′均小于K时，选取对应的最后一个温度值为采集的温度值；
当k1′、k2′、……、kN-1′中有任意一个值不小于K时，返回步骤SB3；
通过对采集的温度进行递进检测，根据实际情况调整精度，确保采集的温度符合压力传感器的精度要求，解决在温度变化时检测的温度，在后续使用检测的温度时将会产生很大的误差，影响检测正确率的问题；
目前大部分的压力传感器采集的压力值都不是正确值，因为压力传感器在进行测量时，将会受到环境温度的影响，导致测量结果不准确，在某些需要精准测量的行业，不真实的测量值可能会产生较大的安全隐患和经济损失，如表1所示，不同温度下对压力传感器采集的影响；因此需要通过设置修正模块消除温度对压力传感器数据采集的影响；
表1
Figure BDA0003172136610000061
修正模块用于修正环境温度对压力传感器采集压力的影响，具体方法包括：
步骤SA1：获取压力传感器型号，根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；将检测出的多组在不同温度下的压力值标记为模拟值；
步骤SA2：建立温度曲线模型；将模拟值输入到温度曲线模型中，获得压力传感器温度曲线；
步骤SA3：获取数据采集模块实时采集的压力值和温度值；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值；
步骤SA4：将从数据采集模块获取的压力值减去温度压力值，获得真实压力值；
通过建立温度曲线模型，将模拟值输入到温度曲线模型中，获得压力传感器温度曲线，根据获得的压力传感器温度曲线就可以准确的了解到不同温度对压力采集的影响；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值，再将从数据采集模块获取的压力值减去温度压力值，获得真实压力值，消除了温度对压力采集的影响，解决压力传感器在进行测量时，将会受到环境温度的影响，导致测量结果不准确，可能会产生较大的安全隐患和经济损失的问题；
步骤SA2中建立温度曲线模型的方法包括：
获取温度曲线历史数据；温度曲线历史数据包括模拟值和对应的根据模拟值绘制的温度曲线，温度曲线是关于压力传感器压力值和温度的曲线；
构建人工智能模型；人工智能模型包括误差逆向传播神经网络、RBF神经网络和深度卷积神经网络；将多组模拟值和对应的根据模拟值绘制的温度曲线按照设定比例划分为训练集、测试集和校验集；设定比例包括2：1：1、3：2：1和3：1：1；
通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为温度曲线模型；
对于步骤SA1中根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；当从互联网中获取不到对应型号的压力传感器在不同温度下的压力值时；
设置恒温槽，将压力传感器放进恒温槽内，改变恒温槽内的温度，检测出多组压力传感器在不同温度下的压力值，将检测出的多组在不同温度下的压力值标记为模拟值；
维修模块用于当***出现故障时，派遣维修人员进行维修，具体方法包括：
步骤SC1：当服务器接收到维修信号时，获取维修人员个人信息，个人信息包括年龄、性别、联系方式和维修工龄，将维修人员标记为i，其中i＝1、2、……、n，n为正整数；
步骤SC2：将维修人员的维修工龄标记为Pi；
步骤SC3：获取维修人员的工作状态，工作状态包括空闲状态和忙碌状态，将维修人员的工作状态标记为Li；
步骤SC4：获取维修人员与需要维修的压力传感器之间的距离，并将维修人员与需要维修的压力传感器之间的距离标记为Mi；将维修人员、维修人员的维修工龄、维修人员的工作状态和维修人员与需要维修的压力传感器之间的距离进行去除量纲取其数值计算；
步骤SC5：根据公式Qi＝λ*(b1*Pi*b2*Li)/(b3*Mi+1)获取得到优先值Qi，其中，b1、b2、b3均为比例系数，取值范围为1<b1≤2，0≤b2≤1，0<b3≤1，λ为修正因子，取值范围为0<λ≤1，且当维修人员的工作状态是忙碌状态时，Li＝0，且当维修人员的工作状态是空闲状态时，Li＝1；
步骤SC6：将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的维修人员进行维修。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理：获取直接检测的温度值TEi，建立温度值坐标系，将获得的温度值TEi输入到温度值坐标系中；相邻两个温度值TEi点使用直线连接，获得相邻两个温度值TEi点之间的斜率kj，按照顺序依次选择N个斜率kj，将选取的N个斜率kj中的第一个标记为ka，设置平稳值K，依次获取斜率差值k1、k2、……、kN；当k1、k2、……、kN均小于K时，进入进一步；当k1、k2、……、kN中有任意一个值不小于K时，返回上一步，依次获取二级斜率差值k1′、k2′、……、kN-1′，当k1′、k2′、……、kN-1′均小于K时，选取对应的最后一个温度值为采集的温度值；
修正环境温度对压力传感器采集压力的影响，获取压力传感器型号，根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；将检测出的多组在不同温度下的压力值标记为模拟值；当从互联网中获取不到对应型号的压力传感器在不同温度下的压力值时；设置恒温槽，将压力传感器放进恒温槽内，改变恒温槽内的温度，检测出多组压力传感器在不同温度下的压力值，将检测出的多组在不同温度下的压力值标记为模拟值；建立温度曲线模型；将模拟值输入到温度曲线模型中，获得压力传感器温度曲线；获取数据采集模块实时采集的压力值和温度值；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值；将从数据采集模块获取的压力值减去温度压力值，获得真实压力值；
获取温度曲线历史数据；温度曲线历史数据包括模拟值和对应的根据模拟值绘制的温度曲线，温度曲线是关于压力传感器压力值和温度的曲线；构建人工智能模型；将多组模拟值和对应的根据模拟值绘制的温度曲线按照设定比例划分为训练集、测试集和校验集；通过训练集、测试集和校验集对人工智能模型进行训练、测试和校验；将训练完成的人工智能模型标记为温度曲线模型。
通过对采集的温度进行递进检测，根据实际情况调整精度，确保采集的温度符合压力传感器的精度要求，解决在温度变化时检测的温度，在后续使用检测的温度时将会产生很大的误差，影响检测正确率的问题；通过建立温度曲线模型，将模拟值输入到温度曲线模型中，获得压力传感器温度曲线，根据获得的压力传感器温度曲线就可以准确的了解到不同温度对压力采集的影响；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值，再将从数据采集模块获取的压力值减去温度压力值，获得真实压力值，消除了温度对压力采集的影响，解决压力传感器在进行测量时，将会受到环境温度的影响，导致测量结果不准确，可能会产生较大的安全隐患和经济损失的问题。
在本发明所提供的实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方法的目的。
另对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (9)

1.一种基于大数据的压力传感器采集***，其特征在于，包括：修正模块、数据采集模块和服务器；
所述数据采集模块用于采集压力值和温度值；
所述修正模块用于修正环境温度对压力传感器采集压力的影响，具体方法包括：
步骤SA1：获取压力传感器型号，根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；将检测出的多组在不同温度下的压力值标记为模拟值；
步骤SA2：建立温度曲线模型；将模拟值输入到温度曲线模型中，获得压力传感器温度曲线；
步骤SA3：获取数据采集模块实时采集的压力值和温度值；将获取的温度值代入到压力传感器温度曲线中，获得温度压力值；
步骤SA4：将从数据采集模块获取的压力值减去温度压力值，获得真实压力值。
2.根据权利要求1所述的一种基于大数据的压力传感器采集***，其特征在于，对于步骤SA1中根据压力传感器型号从互联网中获取多组对应型号的压力传感器在不同温度下的压力值；
当从互联网中获取不到对应型号的压力传感器在不同温度下的压力值时；设置恒温槽，将压力传感器放进恒温槽内，改变恒温槽内的温度，检测出多组压力传感器在不同温度下的压力值，将检测出的多组在不同温度下的压力值标记为模拟值。
3.根据权利要求1所述的一种基于大数据的压力传感器采集***，其特征在于，数据采集模块采集温度值的方法包括：
步骤SB1：获取直接检测的温度值TEi，其中i＝1、2、……、n，n为正整数；相邻两次检测温度值TEi之间的时间间隔为t秒；
建立温度值坐标系，将获得的温度值TEi输入到温度值坐标系中；
步骤SB2：相邻两个温度值TEi点使用直线连接，获得相邻两个温度值TEi点之间的斜率kj，其中j＝1、2、……、n-1，n为正整数；
步骤SB3：按照顺序依次选择N个斜率kj，将选取的N个斜率kj中的第一个标记为ka；
步骤SB4：设置平稳值K，依次获取斜率差值k1＝|ka+1-ka|、k2＝|ka+2-ka+1|、……、kN＝|ka+N-ka+N-1|；
当k1、k2、……、kN均小于K时，进入步骤SB5；
当k1、k2、……、kN中有任意一个值不小于K时，返回步骤SB3；
步骤SB5：依次获取二级斜率差值k1′＝|k2-k1|、k2′＝|k3-k2|、……、kN-1′＝|kN-1-kN|；
当k1′、k2′、……、kN-1′均小于K时，选取对应的最后一个温度值为采集的温度值。
4.根据权利要求3所述的一种基于大数据的压力传感器采集***，其特征在于，步骤SB5中，当k1′、k2′、……、kN-1′中有任意一个值不小于K时，返回步骤SB3。
5.根据权利要求3所述的一种基于大数据的压力传感器采集***，其特征在于，t的取值范围为[5,10]。
6.根据权利要求3所述的一种基于大数据的压力传感器采集***，其特征在于，N为比例系数，且10≧N≧6。
7.根据权利要求3所述的一种基于大数据的压力传感器采集***，其特征在于，a∈[1，j-N+1]。
8.根据权利要求1所述的一种基于大数据的压力传感器采集***，其特征在于，还包括储存模块，所述储存模块用于储存修正模块和数据采集模块产生的数据信息。
9.根据权利要求1所述的一种基于大数据的压力传感器采集***，其特征在于，还包括维修模块，维修模块用于当***出现故障时，派遣维修人员进行维修，具体方法包括：
步骤SC1：获取维修人员个人信息，将维修人员标记为i；
步骤SC2：将维修人员的维修工龄标记为Pi；
步骤SC3：获取维修人员的工作状态，工作状态包括空闲状态和忙碌状态，将维修人员的工作状态标记为Li；
步骤SC4：获取维修人员与需要维修的压力传感器之间的距离，并将维修人员与需要维修的压力传感器之间的距离标记为Mi；
步骤SC5：根据公式Qi＝λ*(b1*Pi*b2*Li)/(b3*Mi+1)获取得到优先值Qi，且当维修人员的工作状态是忙碌状态时，Li＝0，且当维修人员的工作状态是空闲状态时，Li＝1；
步骤SC6：将优先值Qi按照由大到小的顺序进行排列，并派遣优先值Qi排列第一的维修人员进行维修。
CN202110821530.2A 2021-07-20 2021-07-20 一种基于大数据的压力传感器采集*** Withdrawn CN113468693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110821530.2A CN113468693A (zh) 2021-07-20 2021-07-20 一种基于大数据的压力传感器采集***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110821530.2A CN113468693A (zh) 2021-07-20 2021-07-20 一种基于大数据的压力传感器采集***

Publications (1)

Publication Number Publication Date
CN113468693A true CN113468693A (zh) 2021-10-01

Family

ID=77881379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110821530.2A Withdrawn CN113468693A (zh) 2021-07-20 2021-07-20 一种基于大数据的压力传感器采集***

Country Status (1)

Country Link
CN (1) CN113468693A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114608741A (zh) * 2022-03-07 2022-06-10 蚌埠高灵传感***工程有限公司 一种基于大数据的压力传感器采集***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114608741A (zh) * 2022-03-07 2022-06-10 蚌埠高灵传感***工程有限公司 一种基于大数据的压力传感器采集***

Similar Documents

Publication Publication Date Title
CN106055888B (zh) 基于误差预测修正的变压器顶层油温预测方法和装置
CN106059661B (zh) 一种基于时序分析的光传输网络趋势预测方法
CN112508105B (zh) 一种采油机故障检测与检索方法
CN114266944B (zh) 快速模型训练结果检验***
CN104616212B (zh) 继电保护***可靠性分析方法与***
CN115687983B (zh) 一种桥梁健康状态监测方法、***及电子设备
CN107741578B (zh) 智能电能表运行误差远程校准的原始抄表数据处理方法
CN110296833B (zh) 一种面向液压缸综合测试台的软测量方法及***
CN109143972A (zh) 一种基于贝叶斯与故障树的数控机床可靠性评价方法
CN106599367A (zh) 一种航天器状态异常检测方法
CN113468693A (zh) 一种基于大数据的压力传感器采集***
CN114912364A (zh) 天然气井流量预测方法、装置、设备及计算机可读介质
CN117469603B (zh) 一种基于大数据学习的多水厂供水***压力优化控制方法
CN117553840A (zh) 一种基于智能化管理的仪表及其***
CN114608741A (zh) 一种基于大数据的压力传感器采集***
CN114441463A (zh) 全光谱水质数据分析方法
CN114330773A (zh) 一种电力电缆时变故障概率的评估方法和***
CN103279030A (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN106708786A (zh) 一种基于传感器检测的铁塔问题严重程度计算方法及***
CN109933031A (zh) 一种根据化验数据自动校正软测量仪表的***及方法
CN116842684A (zh) 电能表及其运行可靠性的评估方法、***、电能表处理器
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置
CN115907204A (zh) 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法
CN115453447A (zh) 基于嫌疑电表分步补偿剔除的超差电表在线检测方法
CN111881127A (zh) 基于多项式耦合的流域库岸边坡检测数据校验方法及***

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211001