CN116126961B - 再生循环物联信息***的防篡改无人值守过磅数据*** - Google Patents
再生循环物联信息***的防篡改无人值守过磅数据*** Download PDFInfo
- Publication number
- CN116126961B CN116126961B CN202310353060.0A CN202310353060A CN116126961B CN 116126961 B CN116126961 B CN 116126961B CN 202310353060 A CN202310353060 A CN 202310353060A CN 116126961 B CN116126961 B CN 116126961B
- Authority
- CN
- China
- Prior art keywords
- data
- random
- data sequence
- sequence
- sequential
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/58—Random or pseudo-random number generators
- G06F7/588—Random number generators, i.e. based on natural stochastic processes
-
- 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)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种再生循环物联信息***的防篡改无人值守过磅数据***,其核心数据架构具有内外两个数据架构层级,内层构建为以数据流为主体导向的软架构,外层构建为以站点阵列为主体导向的硬架构。其防篡改数据***用于存储和处理动态化和序列化的过磅数据,依照其数据构建过程包括如下数据处理单元:底层动态数据序列单元;双随机依序数据序列单元;比例化数据封装单元;其他并行加挂或后续开发数据单元。本发明进一步对循环物资回收的智能化、数字化、可视化进行了深入开发,对底层的无人值守和防篡改自动过磅子***及其数据构建进行了开拓研发,解决了在智能物联链条上完整自主化数据架构构建方面的难题。
Description
技术领域
本发明涉及再生工业物料技术领域,尤其涉及一种再生循环物联信息***的防篡改无人值守过磅数据***。
背景技术
随着资源的日益消耗和环境问题的日益严重,废旧工业物资的循环利用不仅在技术产业和成本收益层面,而是在更高及更宽的层面如社会效益、低碳环保、节能减排等视角维度展现出越来越重要的价值。为了解决废旧工业物资的处理问题,研究者们一直在探索新的技术,以提高废物的回收利用率和降低环境负荷。国际上看,全球工业废料回收利用技术在不断发展,世界各国都在积极探索可持续的废物利用模式。在回收利用技术上,一些国家比较领先,如日本、美国、德国等,他们在研发高效的废料回收利用技术方面已经取得了不错的成果,具有一定的借鉴和参考价值。在国内,工业废旧物资再生循环领域也在不断完善和发展。近年来,我国政府积极鼓励废品回收利用,并出台了相关政策,加强废品回收管理。我国工业废料回收利用率得到了显著提高,回收利用技术也在不断提高和完善。
目前来看,一个重要且明显的发展趋势是信息化,通过信息技术的应用更好地推动废物回收利用产业的进展。无论国内外,随着信息化技术的不断发展,废旧工业物资循环利用也在逐渐走向信息化和智能化。
事实上,再生工业物料的信息化趋势已经涉及到整个产业链条的各个方面。比如,通过互联网和大数据技术,可以将废旧工业物资的信息收集、处理和管理以数字化方式进行,实现废旧物资的追踪和溯源、统计分析等。还有利用物联网技术和智能传感器协同控制、检测分离等设备,实现废旧物资的自动分拣和处理,以实现废物的精细化回收和资源的高效利用,降低环境污染和资源浪费。
尤其是,智能化、数字化和可视化等技术也逐渐成为再生工业物料回收利用技术最受瞩目的方向,这些新技术的应用能够为废物回收利用工作增加效率和便利性。比如在诸多行业均快速发展的云管技术,作为一种高度集成IT技术的运营手段,其能够轻松跟踪、监管废物回收利用整个流程,并且可以获得实时数据和支持。高度数字化并垂直定制的物联网技术可以实现废物回收利用的智能化,通过物联网技术,回收环节中的数据采集、传输、分析和处理等环节可以被自动化地完成,并有助于实现物品的自动识别、追溯和安全保障。而AI技术的普及推动了废物回收利用领域的数字化升级,AI的发展和运用不仅可以实现废物识别和分类等重要信息的快速匹配,尤其是能够通过不断学习和改进算法模型,实现更准确的废料分类和回收利用。大数据云计算技术的引入使得废物回收利用清晰可视化,借助大数据云计算技术对海量数据进行分析和处理,通过可视化的数据展示,可以更直观地了解废物处理和利用的状态,优化资源配置和环保评估过程。
然而,上述这些再生工业物资领域的信息化技术,仍然主要体现在细节化的局部应用构建,将成熟的数据信息模块和工具直接引入到工业物料的再生循环利用当中,在***的整体构建上,尤其是深入的数据模型开发上,国内尚处于十分起步的阶段。
发明内容
本发明要解决的技术问题是基于对底层无人值守智能过磅数据***的自主构建,开发一种再生循环物联信息***的防篡改无人值守过磅数据***。
为解决上述技术问题,本发明所采取的技术方案如下。
再生循环物联信息***的防篡改无人值守过磅数据***,该数据***用于存储和处理动态化和序列化的过磅数据;该数据***依照其数据构建过程包括如下数据处理单元:底层动态数据序列单元;双随机依序数据序列单元;比例化数据封装单元;其他并行加挂或后续开发数据单元。
作为本发明的一种优选技术方案,该数据***依照其数据构建过程包括如下数据处理单元:底层动态数据序列单元,此数据单元基于硬件设备的最高采样频率接收并生成一个临时的数据序列;双随机依序数据序列单元,此数据单元面向两个差异化数据导向即①数据去冗余导向&②数据安全增强导向,对初始数据序列进行双随机生成;比例化数据封装单元,此数据单元对双随机依序数据序列单元生成的数据序列进行数据存储、传输和还原表征前的末次封装。
作为本发明的一种优选技术方案,该数据***的构建结构包括:底层动态数据序列单元,此数据单元基于硬件设备的最高采样频率接收并生成一个临时的数据序列,此临时的数据序列依照动态时序记录单次无人值守过磅中电子磅设备从稳定零值到稳定最高值整个过程中的离散数据序列;数据构型表征为;、/>分别对应单次无人值守过磅中电子磅设备从稳定零值到稳定最高值的过程时长和此动态过程称重数据最高采样频率的倒数。
作为本发明的一种优选技术方案,该数据***的构建结构还包括:双随机依序数据序列单元,依前所述,所述底层动态数据序列单元的过程化离散数据序列依照设备的最高采样频率生成,如毫秒级、微秒级,与此对应一个数百量级至上万量级的数据阵列,双随机依序数据序列单元面向两个差异化数据导向即①数据去冗余导向&②数据安全增强导向,对初始数据序列进行双随机生成;其中,数据导向②为绝对化的主导数据导向,数据导向①为相对化的次要辅助数据导向;在双随机依序数据序列单元中进行双随机数据序列生成时有两种数据范式:A、数据导向①&②对应同一双随机数据过程,则采用此唯一数据过程;B、数据导向①&②对应不同的双随机数据过程,则采用此数据导向②对应的双随机数据过程。
作为本发明的一种优选技术方案,该数据***的构建结构还包括:比例化数据封装单元,经过双随机依序数据序列单元处理而生成的全新数据序列对于真实的无人值守自动过磅数据进行了完整表征,一方面,包括底层动态数据序列单元所构建的离散数据采样范式,以及双随机依序数据序列单元的数据切分处理,这使得过磅数据具有了基本的安全属性,另一方面双随机依序数据序列单元的双重随机化处理使得过磅数据序列内蕴有双重的随机性,从而,在整个自动化可溯源产业链中均采用上述数据序列对真实过磅数据进行存储、传输和还原表征,藉此实现过磅数据这一整个自动化***中最底层数据的安全保障;比例化数据封装单元对双随机依序数据序列单元生成的数据序列进行数据存储、传输和还原表征前的末次封装,其数据处理模型表征为,具体的数据处理范式表征为,即以第一随机数据过程中的随机指标/>及第二随机数据过程中的随机指标/>,构建双随机依序数据序列单元所生成的非均分数据序列上相邻两个动态过磅数据之间的差值,标记为/>,同时,以与上述动态磅数差对应的相邻动态时差即标记/>为除数,并从上述所得随机化非均分数据序列的初始位数据位及其相邻数据位开始,依次递进归纳构建出整个随机化非均分数据序列上的动态比例化数据序列;所得数据序列作为内蕴有真实和单一过磅数据的终端数据序列进行***存储、传输及还原表征。由比例化数据封装单元的数据处理过程可知,其一定程度上内涵表征了无人值守自动过磅过程中动态数据的衍进趋势,重点在于,一般而言过磅数据的动态衍进趋势是不随货物重量的变化而变化的,这意味着,比例化封装后得到的数据序列除了满足过磅数据的安全性、随机性、序列化要求外,额外具备了数据化的故障检验和防篡改属性,即无论***或人为原因,当所得比例化数据序列所表征的数据衍进趋势与通常的或标准的数据趋势发生较大偏差时,则进行***数据故障报警或人为数据篡改预警;其中所述通常的或标准的数据趋势可以进行人为标定,或有历史数据的均值拟合化进行构建;其中,所述较大偏差通过人为标定并允许按需调整。
作为本发明的一种优选技术方案,双随机依序数据序列单元的第一随机数据过程的数据处理范式表征为、/>,二者单独择一或进行对应顺次交互,顺次交互模式下,数据处理在第一顺次的数据随机过程中依照/>数据范式下/>的随机取值,对单次无人值守过磅中电子磅设备从稳定零值到稳定最高值的整个过程时长进行从100-1000的随机切分,那么在此顺次的数据界定中已完成完整的随机化过程,则第二顺次的数据过程丧失随机性,与此对应,当中/>的取值依照第一顺次处理时随机获取/>进行映射取值,映射取值依照三个已知参数/>、/>和/>确定性的得到;其中,/>映射取值时,基于硬件设备的最高采样频率存在/>导出值为非整数的可能情形,此时依照更临近原则选取其两侧的一个整数值即可,如/>的映射值为85.7,则取/>=86;第一随机数据过程中将两种对等数据表征范式构建为顺次交互模式,这较择一采用具有逻辑清晰和数值操作性简易精准的优势,/>的随机取值清晰的、情景化的表征了数据切分的规模,/>直接作用到/>上,相当于依照/>值在原始w数据序列/>中进行间隔取值即可,具有直观性和数据操作的执行简易性;上述第一随机数据过程得到一个与底层动态数据序列单元相比数量级缩减的二级依序数据序列,其面向两个数据导向即①数据去冗余导向&②数据安全增强导向表现为emboding&affording数据支撑性,对于数据去冗余导向而言通过数据量级缩减直接实现,对于数据安全增强导向而言通过随机过程进行体现。
作为本发明的一种优选技术方案,双随机依序数据序列单元的第二随机数据过程采用数据处理范式在保持第一随机数据过程所得依序数据序列的时序前提下,进一步进行数据安全的二次随机增强并附带实现数据的适量缩减,总体上,第一随机数据过程所生成的数据序列依然是依照原始采样数据而言具有保序性,同时其模式的数据交互切分处理是一个全局数据均分过程,即所得数据序列具有均分性,只不过相较原始采样数据的均分间隔发生扩大化而已;第二随机数据过程的数据处理范式表征为;其中/>依照时序i顺次递进并在/>内随机取值,并顺次的将其随机取值映射到第一随机数据过程所得依序数据序列上使得第i次数据映射与第i+1次数据映射对应的两个依序数据之间的数据间隔数为/>;注意,这里所述的依序数据与数据间隔均指在第一随机数据过程所生成的数据序列范畴内,而非在底层动态数据序列单元的数据范畴内;对应使/>的赋值在完成对第一随机数据过程所生成的数据序列的一次单程遍历后即达到赋值终点;这样,由于/>取值的随机性和单次遍历性,则第二随机数据过程生成的新的数据序列构成一个随机化的非均分数据序列。
采用上述技术方案所产生的有益效果在于:
本发明对循环物资回收的智能化、数字化、可视化进行了深入开发,尤其对居于底层核心和基础地位的无人值守和防篡改自动过磅子***及其数据构建进行了开拓性研发,解决了多年来在完整自主化自有核心***及其数据架构构建方面的障碍和难题。
本发明的详细技术效果参见下文的具体实施方式(实施例2、3)。其中关于技术结构和技术细节及其技术优势进行了具体阐述。
具体实施方式
在以下实施例的描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例1、全程信息化和可追溯的再生循环产业链物联数据***
在整体架构上,全程信息化和可追溯的再生循环产业链物联数据***包括具有内外两个层级的导向性数据架构,内层构建为以数据流为主体导向的软架构,包括订单数据流、货物数据流、票税数据流、合同数据流、现金数据流、其他数据流,各个数据流通过以订单流为源载体的集成化数据标记***进行一体数据共联协同;外层构建为以站点阵列为主体导向的硬架构,包括工业再生资源源端阵列、回收站点阵列、工业再生资源回收分拣阵列、回收资源再加工站点阵列、再生资源成品终端用户阵列,各个阵列以语义数据和/或数字化数据进行表征。
更进一步的:物联数据***内部构建有智能过磅数据模组、原料成品追溯数据模组、智能出入库数据模组、CRM和/或SRM数据模组、其他数据模组;其中,智能过磅数据模组用于将再生资源进行无人值守的自动化称重,通过数据处理进行加密和防篡改处理,称重磅值自动传输至***并生成线上订单;其中,原料成品追溯数据模组构建一物一码数据通道,对再生资源物联产业链条各个环节精准管控和全程可追溯;其中,智能出入库数据模组构建进出库可视化视频数据库,拓展多站点远程数据阵列,对各站点物资数据、工作统计、订单数据、异常监控进行大数据整合;其中,CRM和/或SRM数据模组接入成熟的管理数据库,对整个供应端和应用端进行数字化分析和数据化整理。
另外,在功能构想及其整合规划上,原料、成品追溯功能导向针对于产品原料、生产、仓储货品溯源跟踪, 实现产品全 生命周期追溯管理,做到来源可查、去向可追、责任可究、成本可控;全程远程监管功能导向针对信息获取滞后、人工成本高、入库数据脱节监管成盲点,规划多站点远程管理、站点业务大数据、员工工作统计、订单异常监控等,进行实时监管,兼容大数据看板、异常报警、数据有限共享等;智能出入库功能导向对于订单增加带来的管理难题,实现进出库可视化管理,库存盘点清晰了然,数据实时更新;作业任务完成时,库存数量也跟着更新,做到实账一致,避免库存滞后性、不准确性,***自动整合仓库各个环节的数据,并形成相关的数据报表,等等,从根源上解决传统库存混乱、进销混乱等问题;CRM、SRM功能导向改善与供应链上、下游客户的关系,内部涵盖客户管理、供应商管理数字化,大数据分析,智能预警、反哺供销等。
实施例2、防篡改无人值守自动过磅数据***
本实施例针中,针对再生工业物资领域的信息化技术仍然主要体现在细节化的局部应用构建(如将成熟的数据信息模块和工具直接引入到工业物料的再生循环利用当中),而在***的整体构建上尤其是深入的数据模型开发上十分欠缺的现状,导致行业内自建软件和数据***或外购***的种种限制;为此发明人技术团队在之前开发的基础上,进一步对循环物资回收的智能化、数字化、可视化进行了深入开发,兼容聚合物联网、AI识别、大数据云计算等先进技术以打造出智能回收、智能采购、无人值守、智能出入库、运营监控、溯源追踪、大数据中心等系列产品。目前尤其对居于底层核心和基础地位的无人值守和防篡改自动过磅子***及其数据构建进行了开拓性研发,以解决多年来在完整自主化自有核心***及其数据架构构建方面的挑战和难题。
数据开发包括可视化和防篡改两个核心导向,本实施例主要包括防篡改数据化这一导向,主体构建为实施例1中全程信息化和可追溯的再生循环产业链物联数据***的一个无人值守防篡改过磅数据子***。该数据子***的构建结构包括:
1.1底层动态数据序列单元。
此数据单元基于硬件设备的最高采样频率接收并生成一个临时的数据序列,此临时的数据序列依照动态时序记录单次无人值守过磅中电子磅设备从稳定零值到稳定最高值整个过程中的离散数据序列;数据构型表征为;、/>分别对应单次无人值守过磅中电子磅设备从稳定零值到稳定最高值的过程时长和此动态过程称重数据最高采样频率的倒数。
1.2双随机依序数据序列单元。
依前,底层动态数据序列单元的过程化离散数据序列依照设备的最高采样频率生成,如毫秒级、微秒级,与此对应一个数百量级至上万量级的数据阵列,双随机依序数据序列单元面向两个差异化数据导向即①数据去冗余导向&②数据安全增强导向(数据导向②为绝对化的主导数据导向,数据导向①为相对化的次要辅助数据导向;在双随机依序数据序列单元中进行双随机数据序列生成时有两种数据范式:A、数据导向①&②对应同一双随机数据过程,则采用此唯一数据过程;B、数据导向①&②对应不同的双随机数据过程,则采用此数据导向②对应的双随机数据过程),对初始数据序列进行双随机生成。
1.2.1第一随机数据过程的数据处理范式对等的表征为、、,二者单独择一或进行对应顺次交互,顺次交互模式下,数据处理在第一顺次的数据随机过程中依照/>数据范式下/>的随机取值,对单次无人值守过磅中电子磅设备从稳定零值到稳定最高值的整个过程时长进行从100-1000的随机切分,那么在此顺次的数据界定中已完成完整的随机化过程,则第二顺次的数据过程丧失随机性,与此对应,/>当中/>的取值依照第一顺次处理时随机获取/>进行映射取值,映射取值依照三个已知参数/>、/>和/>确定性的得到。/>映射取值时,基于硬件设备的最高采样频率存在/>导出值为非整数的可能情形,此时依照更临近原则选取其两侧的一个整数值即可,如/>的映射值为85.7,则取/>=86。
可以看到,第一随机数据过程中将两种对等数据表征范式构建为顺次交互模式,这较择一采用具有逻辑清晰和数值操作性简易精准的优势,的随机取值清晰的、情景化的表征了数据切分的规模,/>直接作用到/>上,相当于依照/>值在原始w数据序列/>中进行间隔取值即可,具有直观性和数据操作的执行简易性。
上述第一随机数据过程得到一个与底层动态数据序列单元相比数量级缩减的二级依序数据序列,其面向两个数据导向即①数据去冗余导向&②数据安全增强导向表现为emboding&affording数据支撑性,对于数据去冗余导向而言通过数据量级缩减直接实现,对于数据安全增强导向而言通过随机过程进行体现。
1.2.2第二随机数据过程采用数据处理范式在保持第一随机数据过程所得依序数据序列的时序前提下,进一步进行数据安全的二次随机增强并附带实现数据的适量缩减,总体上,第一随机数据过程所生成的数据序列依然是依照原始采样数据而言具有保序性,同时其模式的数据交互切分处理是一个全局数据均分过程,即所得数据序列具有均分性,只不过相较原始采样数据的均分间隔发生扩大化而已;第二随机数据过程的数据处理范式表征为/>。
其中依照时序i顺次递进并在/>内随机取值,并顺次的将其随机取值映射到第一随机数据过程所得依序数据序列上使得第i次数据映射与第i+1次数据映射对应的两个依序数据之间的数据间隔数为/>。注意,这里的依序数据与数据间隔均指在第一随机数据过程所生成的数据序列范畴内,而非在底层动态数据序列单元的数据范畴内;对应使/>的赋值在完成对第一随机数据过程所生成的数据序列的一次单程遍历后即达到赋值终点;这样,由于/>取值的随机性和单次遍历性,则第二随机数据过程生成的新的数据序列构成一个随机化的非均分数据序列。
1.3比例化数据封装单元。
经过双随机依序数据序列单元处理而生成的全新数据序列对于真实的无人值守自动过磅数据进行了完整表征,一方面,包括底层动态数据序列单元所构建的离散数据采样范式,以及双随机依序数据序列单元的数据切分处理,这使得过磅数据具有了基本的安全属性,另一方面双随机依序数据序列单元的双重随机化处理使得过磅数据序列内蕴有双重的随机性,从而,在整个自动化可溯源产业链中均采用上述数据序列对真实过磅数据进行存储、传输和还原表征,藉此实现过磅数据这一整个自动化***中最底层数据的安全保障。
比例化数据封装单元对双随机依序数据序列单元生成的数据序列进行数据存储、传输和还原表征前的末次封装,其数据处理模型表征为,具体的数据处理范式表征为,即以第一随机数据过程中的随机指标/>及第二随机数据过程中的随机指标/>,构建双随机依序数据序列单元所生成的非均分数据序列上相邻两个动态过磅数据之间的差值,标记为/>,同时,以与上述动态磅数差对应的相邻动态时差即标记/>为除数,并从上述所得随机化非均分数据序列的初始位数据位及其相邻数据位开始,依次递进归纳构建出整个随机化非均分数据序列上的动态比例化数据序列;所得数据序列作为内蕴有真实和单一过磅数据的终端数据序列进行***存储、传输及还原表征。
由比例化数据封装单元的数据处理过程可知,其一定程度上内涵表征了无人值守自动过磅过程中动态数据的衍进趋势,重点在于,一般而言过磅数据的动态衍进趋势是不随货物重量的变化而变化的,这意味着,比例化封装后得到的数据序列除了满足过磅数据的安全性、随机性、序列化要求外,额外具备了数据化的故障检验和防篡改属性,即无论***或人为原因,当所得比例化数据序列所表征的数据衍进趋势与通常的或标准的数据趋势发生较大偏差时,则进行***数据故障报警或人为数据篡改预警;其中通常的或标准的数据趋势可以进行人为标定,或有历史数据的均值拟合化进行构建;其中,较大偏差通过人为标定并允许按需调整。
实施例3、可视化开发(防篡改无人值守自动过磅数据子***内部开发)
用于防篡改无人值守自动过磅数据***的可视化,可视化开发主要是在具有层级结构的过磅数据子***的基础上,进一步构建包括带有动态节点标记的视频数据子***,这一视频数据子***用于存储和处理无人值守过磅录像数据。
具体的,其构建有如下数据结构:
线性标记旁侧数据组:基于硬件视频设备(允许的兼容对象有录像设备、存储设备、传输设备、云服务器、显示设备等)的最高采样频率构建均匀化的线性动态节点标记数据序列,此数据序列通过依照时间顺序的线性标记映射,将硬件设备才记得到的全部视频数据依照最高可能频率分割为不同时间节点的节点化微视频片段,由此为后续的视频数据调取、合并、播放、传输、保存及其他处理需求提供数据基础;
随机标记加载数据组:通过与事先构建获取的随机序列数据库(这里是过磅数据子***内的防篡改无人值守自动过磅数据***)进行加挂,在线性标记旁侧数据组的基础上依照随机序列数据库内部的数据序列对线性标记旁侧数据组内部与全部节点化微视频片段一一对应的节点数据进行数据处理,(由于线性标记旁侧数据组的数据构建过程体现为数据标记,而非物理化的视频切割,由此通过数据标记点的加减或合并运算及其后续数据调取即可实现择时、择段视频调用,达到视频微片段切割的应用端呈现;)对应实现对原始视频数据的择时择段调取、合并、播放、传输、保存及其他处理需求。
可以看到,随机标记加载数据组的构建和记载模式可与已构建的随机标记加载数据组或类似数据组,以及其新增拓展功能需求,进行直接的加载适应。
换言之,这种数据结构具有无限的拓展性,能够应用于诸多后续功能的开发和应用(并不限于这里的过磅数据子***,也不限于再生物资循环***),在逻辑上和数据构建和软件功能操作上,均具有十分明显的便利优势。
实施例4、可视化防篡改无人值守自动过磅数据***
由于可视化开发实在防篡改无人值守自动过磅数据子***内部进行适应性开发的,将上述实施例2、3进行直接整合即可。
具体的,可视化防篡改无人值守自动过磅数据***在数据架构上包括带有动态节点标记的视频数据子***和具有层级结构的过磅数据子***。视频数据子***用于存储和处理无人值守过磅录像数据(如实施例3),过磅数据子***用于存储和处理动态化和序列化的过磅数据(如实施例2)。
这样,不仅能够实现防篡改的无人值守自动过磅,还能够按需调用过程视频数据,视频调用在随机适配的同时是通过数据运算而非真实的视频切割进行实现,运算资源的消耗几乎为零可以忽略不计。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。综上各个实施例可见,本发明的技术团队基于在先开发基础,联合多方技术资源进一步对循环物资回收的智能化、数字化、可视化进行了深入开发,兼容聚合物联网、AI识别、大数据云计算等先进技术以打造出智能回收、智能采购、无人值守、智能出入库、运营监控、溯源追踪、大数据中心等系列产品。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.再生循环物联信息***的防篡改无人值守过磅数据***,其特征在于:该数据***用于存储和处理动态化和序列化的过磅数据;该数据***依照其数据构建过程包括如下数据处理单元:底层动态数据序列单元;双随机依序数据序列单元;比例化数据封装单元;其他可选并行加挂或后续开发数据单元;
该数据***的构建结构包括:
底层动态数据序列单元,此数据单元基于硬件设备的最高采样频率接收并生成一个临时的数据序列,此临时的数据序列依照动态时序记录单次无人值守过磅中电子磅设备从稳定零值到稳定最高值整个过程中的离散数据序列;数据构型表征为;/>、/>分别对应单次无人值守过磅中电子磅设备从稳定零值到稳定最高值的过程时长和此动态过程称重数据最高采样频率的倒数;
双随机依序数据序列单元,所述底层动态数据序列单元的过程化离散数据序列依照设备的最高采样频率生成,双随机依序数据序列单元面向两个差异化数据导向即①数据去冗余导向和②数据安全增强导向,对初始数据序列进行双随机生成;其中,数据导向②为绝对化的主导数据导向,数据导向①为相对化的次要辅助数据导向;在双随机依序数据序列单元中进行双随机数据序列生成时有两种数据范式:A、数据导向①&②对应同一双随机数据过程,则采用此唯一数据过程;B、数据导向①&②对应不同的双随机数据过程,则采用数据导向②对应的双随机数据过程;
比例化数据封装单元,比例化数据封装单元对双随机依序数据序列单元生成的数据序列进行数据存储、传输和还原表征前的末次封装,其数据处理模型表征为,具体的数据处理范式表征为/>,即以第一随机数据过程中的随机指标/>及第二随机数据过程中的随机指标/>,构建双随机依序数据序列单元所生成的非均分数据序列上相邻两个动态过磅数据之间的差值,标记为/>,同时,以与上述动态磅数差对应的相邻动态时差即标记/>为除数,并从上述所得随机化非均分数据序列的初始数据位及其相邻数据位开始,依次递进归纳构建出整个随机化非均分数据序列上的动态比例化数据序列;所得数据序列作为内蕴有真实和单一过磅数据的终端数据序列进行***存储、传输及还原表征。
2.根据权利要求1所述的再生循环物联信息***的防篡改无人值守过磅数据***,其特征在于:所述双随机依序数据序列单元面向两个差异化数据导向即①数据去冗余导向②数据安全增强导向,对初始数据序列进行双随机生成,具体的:
双随机依序数据序列单元的第一随机数据过程的数据处理范式表征为、/>,二者单独择一或进行对应顺次交互,顺次交互模式下,数据处理在第一顺次的数据随机过程中依照数据范式下/>的随机取值,对单次无人值守过磅中电子磅设备从稳定零值到稳定最高值的整个过程时长进行从100-1000的随机切分,则在此顺次的数据界定中完成完整的随机化过程,则第二顺次的数据过程丧失随机性,与此对应,/>当中/>的取值依照/>获取的/>进行映射取值,映射取值依照三个已知参数/>、/>和/>确定性的得到;则第一随机数据过程得到一个与底层动态数据序列单元相比数量级缩减的二级依序数据序列;
双随机依序数据序列单元的第二随机数据过程采用数据处理范式在保持第一随机数据过程所得依序数据序列的时序前提下,进一步进行数据安全的二次随机增强并附带实现数据的缩减;第二随机数据过程的数据处理范式表征为;其中/>依照时序i顺次递进并在/>内随机取值,并顺次的将其随机取值映射到第一随机数据过程所得依序数据序列上,使得第i次数据映射与第i+1次数据映射对应的两个依序数据之间的数据间隔数为/>;注意,这里所述的依序数据与数据间隔均指在第一随机数据过程所生成的数据序列范畴内,而非在底层动态数据序列单元的数据范畴内;对应使/>的赋值在完成对第一随机数据过程所生成的数据序列的一次单程遍历后即达到赋值终点;这样,由于/>取值的随机性和单次遍历性,则第二随机数据过程生成的新的数据序列构成一个随机化的非均分数据序列。
5.根据权利要求2所述的再生循环物联信息***的防篡改无人值守过磅数据***,其特征在于:在第一随机数据过程中,第一随机数据过程得到一个与底层动态数据序列单元相比数量级缩减的二级依序数据序列,其面向两个数据导向即数据去冗余导向&数据安全增强导向表现为emboding&affording数据支撑性,对于数据去冗余导向而言通过数据量级缩减直接实现,对于数据安全增强导向而言通过随机过程进行体现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353060.0A CN116126961B (zh) | 2023-04-04 | 2023-04-04 | 再生循环物联信息***的防篡改无人值守过磅数据*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310353060.0A CN116126961B (zh) | 2023-04-04 | 2023-04-04 | 再生循环物联信息***的防篡改无人值守过磅数据*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116126961A CN116126961A (zh) | 2023-05-16 |
CN116126961B true CN116126961B (zh) | 2023-07-04 |
Family
ID=86297717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310353060.0A Active CN116126961B (zh) | 2023-04-04 | 2023-04-04 | 再生循环物联信息***的防篡改无人值守过磅数据*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116126961B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515985A (zh) * | 2020-07-01 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 自助过磅***、过磅检测方法、设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080104104A1 (en) * | 2006-11-01 | 2008-05-01 | Microsoft Corporation | Health integration platform schema |
CN101702117A (zh) * | 2009-11-09 | 2010-05-05 | 东南大学 | 一种基于离散渐进确定性随机的伪随机序列发生方法 |
CN105681298A (zh) * | 2016-01-13 | 2016-06-15 | 成都安信共创检测技术有限公司 | 公共信息平台中的数据安全异常监测方法及*** |
CN112102111B (zh) * | 2020-09-27 | 2021-06-08 | 华电福新广州能源有限公司 | 一种发电厂数据智能处理*** |
CN115080964B (zh) * | 2022-08-16 | 2022-11-15 | 杭州比智科技有限公司 | 基于图深度学习的数据流转异常检测方法及*** |
CN115563341A (zh) * | 2022-10-11 | 2023-01-03 | 河北电力工程监理有限公司 | 电力作业违章识别空间视频场及其智能数据处理***和方法 |
CN115859320A (zh) * | 2022-11-17 | 2023-03-28 | 华录科技文化(大连)有限公司 | 一种基于区块链的再生资源回收数据防篡改*** |
CN115797104A (zh) * | 2022-12-14 | 2023-03-14 | 国网河北省电力有限公司营销服务中心 | 业扩报装的多路径信息化识别方法 |
-
2023
- 2023-04-04 CN CN202310353060.0A patent/CN116126961B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113515985A (zh) * | 2020-07-01 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 自助过磅***、过磅检测方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于微软Dynamics AX的物流管理***设计与应用;李春明;;工业和信息化教育(第09期);全文 * |
燃料入厂智能化***的建设与应用;史波;;中国新技术新产品(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116126961A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Industrial big data analytics: challenges, methodologies, and applications | |
CN104112026B (zh) | 一种短信文本分类方法及*** | |
Sahu et al. | Appraisal of CNC machine tool by integrated MULTI-MOORA-IVGN circumferences: An empirical study | |
JP2017536604A5 (zh) | ||
Rivera et al. | Exploring the roles of ICT in supporting sustainability practices | |
Jing et al. | Intelligent generation method of 3D machining process based on process knowledge | |
Kou et al. | Binary Particle Swarm Optimization‐Based Association Rule Mining for Discovering Relationships between Machine Capabilities and Product Features | |
CN105205537A (zh) | 一种基于本体的特征加工工艺知识表达推理的装置及方法 | |
Li et al. | Exploiting a knowledge hypergraph for modeling multi-nary relations in fault diagnosis reports | |
Verma | Deep technologies using big data in: energy and waste management | |
CN116126961B (zh) | 再生循环物联信息***的防篡改无人值守过磅数据*** | |
Xu | Risk factor analysis combined with deep learning in the risk assessment of overseas investment of enterprises | |
Adeloye et al. | Applications of Artificial Intelligence (AI) in the construction industry: A review of Observational Studies | |
Zuo et al. | Route optimization of agricultural product distribution based on agricultural Iot and neural network from the perspective of fabric Blockchain | |
Liu et al. | Manufacturing service innovation and foreign trade upgrade model based on internet of things and industry 4.0 | |
Li et al. | Extension intelligence for process manufacturing | |
CN113837554B (zh) | 基于多模态关键信息匹配的食品安全风险识别方法及*** | |
CN115544112A (zh) | 一种基于大数据人工智能的双创成果高价值专利筛选方法 | |
Song | [Retracted] Research on Computer‐Aided Product Design Technology | |
Moon et al. | Design and verification of process discovery based on nlp approach and visualization for manufacturing industry | |
Yang | [Retracted] Low‐Carbon Awareness Information Technology of Enterprise Executives Based on Big Data and Multimodal Information Fusion | |
Sadiq et al. | Smart irrigation systems enabled with internet of things: a bibliometric review | |
Damar et al. | The Digital Twin Case in the Technological Transformation Process: Research Articles, Academic Collaborations, and Topics | |
CN105117483A (zh) | 本体驱动的海量数据事件决策方法 | |
FATA et al. | Solutions based on information and communication technologies for the circular economy |
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 |