融合通信与物联网云边协同架构:边缘计算、本地联动与远程调度实践

【信息科学与工程学】【通信工程】 第一百四十四篇 城域云网中的数学分析02 全面覆盖了文档中提到的所有业务场景(L1~L5体验、游戏加速、医疗、工业互联网、卫星、智慧城市、车联网、全息通信、云游戏、5G LAN、智慧医疗、工业TSN等)以及所有技术细节(基站、OTN、IP网络设备、城域网拓扑、FlexE、SRv6 Policy、BIER6、APN6、MEC、内生安全、数字孪生、意图驱动、AIOps、零信任、SD-WAN等),每一题都体现了多要素(基站、OTN、IP、拓扑、业务、配置、调度、优化)的联合优化。问题:在 WIFI6 空口和城域网中为直播业务分配资源,保障上行带宽。 阅读详情

随着物联网设备在工业厂区、能源站点和智慧园区中的应用不断增加,企业通信系统面临的挑战已经不再局限于设备接入和信息交换。对于跨区域、多站点和无人值守的应用环境,网络延迟、链路中断、远程设备管理以及现场通信连续性,都需要在系统架构阶段进行考虑。

融合通信与物联网的云边协同模式,将现场设备接入、边缘数据处理、本地通信控制和中心指挥调度结合起来。物联网设备负责采集现场状态,边缘节点承担部分实时数据处理和业务联动,中心平台负责跨站点资源管理、信息汇总和统一调度。即使远程网络出现异常,经过合理设计的现场系统仍然可以在本地网络范围内维持部分监测和通信业务。

这种架构使融合通信不再完全依赖中心服务器处理所有业务,而是能够根据现场网络条件和业务要求,在边缘节点与中心平台之间合理分配处理任务,为工业通信、远程运维和分布式设施管理提供更加灵活的技术基础。

一、为什么物联网融合通信需要云边协同?

传统集中式架构通常将设备数据上传到中心平台,再由中心服务完成事件判断、通信任务生成和业务管理。这种方式便于统一管理,但在设备分布范围较广、网络条件复杂的场景中,也存在一定限制。

例如,一个企业拥有多个远程生产站点,各站点部署传感器、PLC、工业电话、广播和视频监控设备。所有现场数据都需要经过远程网络上传到中心服务器,再由中心平台判断是否触发通信任务。

如果站点与中心之间的网络出现故障,部分依赖中心平台的实时业务可能受到影响。即使现场设备和局域网仍然正常运行,远程通信控制也可能无法及时执行。

云边协同的主要目的,就是根据不同业务的实时性和管理范围,将适合在现场处理的任务放到边缘节点,将需要跨区域协调的任务交给中心平台。

  • 降低对远程链路的依赖:部分设备状态判断和本地联动可以在现场完成。
  • 减少不必要的数据传输:边缘节点可以先处理和筛选数据,再向中心平台上传重要事件。
  • 改善现场响应速度:本地网络内的设备联动不必全部经过远程中心服务器。
  • 支持分布式站点管理:不同站点能够独立完成部分业务,同时接受中心平台统一管理。
  • 提高系统运行弹性:网络中断时保留必要的本地业务能力,网络恢复后再进行数据同步。

需要注意,边缘计算并不意味着所有业务都必须下沉到现场。设备安全控制、实时通信和中心管理具有不同的要求,应根据实际部署条件确定处理位置。

二、云边协同架构如何划分系统职责?

融合通信与物联网的云边协同架构,可以分为现场设备层、边缘处理层和中心管理层。通信资源贯穿现场与中心两个层级,形成分布式运行、集中管理的系统结构。

现场边缘节点与中心融合通信平台的协同架构。

1. 现场边缘节点:负责设备接入和本地业务处理

边缘节点通常部署在工业现场、设备机房、能源站点或园区管理区域,主要负责连接现场设备和执行本地业务逻辑。

其组成可以包括:

  • 工业物联网网关及协议转换设备。
  • MQTT消息代理或本地消息接入服务。
  • 边缘计算主机和本地事件处理服务。
  • 本地通信服务器或经过适配的通信控制组件。
  • IP电话、SIP广播、对讲和现场视频设备。

边缘节点可以接收传感器、PLC及其他设备上报的信息,根据本地配置完成数据过滤、事件识别和通信任务生成。

例如,某生产车间设备发生异常时,现场边缘服务可以根据设备编号识别其所属区域,并在本地网络具备相应通信服务的条件下,调用指定广播终端或联系现场值班岗位。

这种方式减少了所有现场业务都依赖中心平台处理的情况。

2. 中心平台:负责跨站点管理与统一调度

中心平台面向企业管理部门和集中指挥中心,主要处理跨站点的信息汇总、通信资源管理、业务协调和运行分析。

其主要职责包括:

  • 汇总各边缘节点上传的设备事件和运行状态。
  • 统一管理不同站点的通信资源及组织关系。
  • 处理需要跨区域协作的业务任务。
  • 向指定站点下发经过授权的通信管理策略。
  • 关联事件记录、维护任务和运行分析数据。

对于多个工厂、能源站点或分布式园区,中心平台可以统一查看各站点状态,并根据管理权限组织跨区域通信和调度。

中心平台不必直接处理每个传感器的原始数据,而是接收边缘节点整理后的设备状态、重要事件和业务结果,降低中心系统的处理负担。

3. 本地通信与中心通信分层协作

在云边协同环境中,通信业务也需要考虑部署位置。

对于要求现场快速响应的业务,可以在站点内部配置本地通信服务和相应终端,使现场电话、广播和对讲能够在本地网络范围内运行。

对于跨站点调度、总部通知和多部门会商,则可以由中心融合通信平台统一组织。

例如,某远程站点内部的设备异常可以由本地系统通知现场值班人员;如果事件需要总部参与,再将相关信息同步到中心平台,由调度人员联系其他站点或管理部门。

需要明确的是,只有在本地SIP服务器、呼叫控制服务、通信网络及相关终端均具备独立运行条件时,才能在广域网中断后继续维持相应的本地通信业务。如果电话注册和呼叫控制完全依赖中心服务器,网络中断仍然可能导致相关业务不可用。

三、网络状态变化时,通信业务如何保持连续?

云边协同架构需要考虑的不只是正常联网状态,还包括网络质量下降、广域链路中断和网络恢复等不同情况。

不同网络状态下,设备数据和通信任务应采用不同的处理方式。

正常联网:边缘处理与中心调度同时运行

在正常联网情况下,现场设备将数据发送给边缘节点,边缘节点根据本地规则完成初步处理,并将需要中心管理的事件上传。

中心平台接收各站点信息后,可以进行统一展示、运行分析和跨区域调度。

在这种模式下:

  • 现场设备状态由边缘节点持续采集。
  • 本地事件可以按照现场规则进行判断。
  • 重要事件上传中心平台。
  • 中心平台管理跨站点通信资源。
  • 需要总部参与的任务通过中心调度系统执行。

边缘与中心各自承担适合自身的任务,避免将所有数据和业务请求集中到单一服务器。

广域网中断:优先维持经过设计的本地业务

当远程站点与中心平台之间的网络中断时,边缘节点应当能够识别当前网络状态,并按照预设策略继续执行允许本地独立运行的任务。

例如,现场传感器继续向本地网关上报状态,本地事件服务保留报警信息;在本地SIP通信服务和网络正常的前提下,现场人员仍然可以通过电话或对讲联系控制室,必要时调用本地广播终端。

此时,中心平台无法实时获取全部现场信息,跨站点调度和远程管理可能暂时不可用。边缘节点应将未能上传的事件保存在本地,等待网络恢复后进行同步。

对于重要业务,还需要明确哪些功能能够本地运行、哪些功能依赖中心服务,以及发生网络故障时如何通知现场管理人员。

网络恢复:同步事件并重新建立管理关系

网络恢复后,边缘节点需要将中断期间积累的事件和状态信息上传中心平台,并根据中心平台返回的处理结果更新本地记录。

这一过程不能简单地将所有缓存数据重新作为新事件执行。

例如,一条已经过期的设备异常通知,如果在网络恢复后再次触发自动电话呼叫,可能会产生不必要的重复通知。因此,系统需要区分历史事件补传与仍然有效的实时任务。

建议为事件设置发生时间、接收时间、事件编号、有效期限和当前处理状态。中心平台收到数据后,根据事件标识判断是否已经处理,再决定更新记录还是创建新的业务任务。

通过这种机制,可以使边缘节点与中心平台在网络异常和恢复期间保持相对一致的业务状态。

四、边缘事件缓存与中心数据同步如何设计?

云边协同系统中,网络中断时产生的事件不能因为中心平台暂时不可访问而直接丢失。因此,边缘节点需要具备本地持久化能力,并在网络恢复后逐步完成数据补传。

1. 建立本地事件缓存机制

边缘节点可以使用轻量级数据库保存设备事件、上传状态和处理结果。对于单机边缘网关或小规模站点,SQLite可以作为简单的本地事件存储方案;对于多进程、高并发和较大数据量的环境,则可以考虑专门的消息代理或数据库服务。

本地事件表可以包含以下字段:

字段作用
event_id事件唯一标识
site_id所属站点
device_id设备编号
event_type事件类别
occurred_at事件发生时间
payload设备事件数据
sync_status同步状态
retry_count同步尝试次数

事件写入本地数据库后,可以由独立同步任务定期读取待上传记录。中心平台确认接收后,再将对应事件标记为已同步。

对于重要事件,建议使用稳定的事件编号,并在中心数据库建立唯一约束,避免网络恢复后重复上传导致重复记录。

2. 区分事件补传与通信任务重放

数据补传与通信任务重放不是同一件事。

历史事件补传的目的是让中心平台了解网络中断期间发生过什么,而通信任务重放则可能再次触发电话、广播或其他现场动作。

两者应采用不同的处理规则。

  • 历史事件:补传记录,不一定再次执行通信。
  • 未完成任务:根据任务有效期和业务状态判断是否继续执行。
  • 已确认事件:同步人员确认及处理记录,不重复通知。
  • 已恢复设备:同步最新状态,并保留必要的历史异常记录。
  • 过期任务:根据业务规则标记失效,不盲目重放。

对于跨系统状态同步,还需要明确设备状态和事件状态的权威来源。例如,设备运行状态应以专业设备监测系统为准,通信任务状态由通信平台提供,人员处理结果则由对应的业务流程确认。

不同系统只同步自己负责的数据,避免中心平台与边缘节点相互覆盖对方的业务状态。

五、Python实现:使用SQLite构建边缘事件缓存

下面通过一个简单的Python示例,演示边缘节点如何保存设备事件,并在后续网络恢复时查询尚未同步的记录。

示例使用Python内置的sqlite3模块,不依赖第三方数据库库。代码只演示本地事件持久化和状态更新,不包含真实MQTT连接或中心平台API调用。

1. 创建本地事件存储

首先建立SQLite数据库,保存事件编号、站点、设备、事件内容和同步状态。


import sqlite3
import json
from datetime import datetime, timezone

DB_PATH = "edge_event_cache.db"


def get_connection():
    conn = sqlite3.connect(DB_PATH, timeout=10)
    conn.row_factory = sqlite3.Row
    conn.execute("PRAGMA synchronous=FULL")
    return conn


def init_database():
    conn = get_connection()

    try:
        conn.execute("PRAGMA journal_mode=WAL")

        conn.execute("""
            CREATE TABLE IF NOT EXISTS edge_events (
                event_id TEXT PRIMARY KEY,
                site_id TEXT NOT NULL,
                device_id TEXT NOT NULL,
                event_type TEXT NOT NULL,
                occurred_at TEXT NOT NULL,
                payload TEXT NOT NULL,
                sync_status TEXT NOT NULL DEFAULT 'pending',
                retry_count INTEGER NOT NULL DEFAULT 0,
                last_error TEXT,
                created_at TEXT NOT NULL,
                synced_at TEXT
            )
        """)

        conn.commit()

    finally:
        conn.close()


if __name__ == "__main__":
    init_database()
    print("Edge event database initialized.")

这里采用event_id作为主键,避免相同事件编号被重复保存。WAL模式可以改善读写并发条件,但并不意味着数据库天然具备跨设备高可用能力,实际使用还需要考虑磁盘空间、存储介质寿命和备份策略。

2. 保存设备事件并查询待同步记录

当边缘节点接收到MQTT消息或本地设备事件时,可以将经过基础验证的数据写入本地数据库。


def save_event(event):
    required = [
        "event_id",
        "site_id",
        "device_id",
        "event_type",
        "occurred_at"
    ]

    for field in required:
        if not event.get(field):
            raise ValueError(f"Missing field: {field}")

    conn = get_connection()

    try:
        cursor = conn.execute("""
            INSERT OR IGNORE INTO edge_events (
                event_id,
                site_id,
                device_id,
                event_type,
                occurred_at,
                payload,
                created_at
            )
            VALUES (?, ?, ?, ?, ?, ?, ?)
        """, (
            event["event_id"],
            event["site_id"],
            event["device_id"],
            event["event_type"],
            event["occurred_at"],
            json.dumps(
                event.get("payload", {}),
                ensure_ascii=False
            ),
            datetime.now(timezone.utc).isoformat()
        ))

        conn.commit()
        return cursor.rowcount == 1

    finally:
        conn.close()


def get_pending_events(limit=100):
    conn = get_connection()

    try:
        rows = conn.execute("""
            SELECT *
            FROM edge_events
            WHERE sync_status = 'pending'
            ORDER BY created_at ASC
            LIMIT ?
        """, (limit,)).fetchall()

        return [dict(row) for row in rows]

    finally:
        conn.close()

INSERT OR IGNORE可以利用事件编号的唯一约束避免重复插入。但前提是同一事件重试时使用相同的event_id。如果上游每次重发都生成新编号,还需要通过设备编号、事件来源和业务序列号等信息建立去重关系。

3. 根据中心平台确认结果更新同步状态

事件上传后,应等待中心平台确认接收,再更新本地同步状态。


def mark_synced(event_id):
    conn = get_connection()

    try:
        conn.execute("""
            UPDATE edge_events
            SET sync_status = 'synced',
                synced_at = ?
            WHERE event_id = ?
              AND sync_status = 'pending'
        """, (
            datetime.now(timezone.utc).isoformat(),
            event_id
        ))

        conn.commit()

    finally:
        conn.close()


def mark_retry(event_id, error):
    conn = get_connection()

    try:
        conn.execute("""
            UPDATE edge_events
            SET retry_count = retry_count + 1,
                last_error = ?
            WHERE event_id = ?
              AND sync_status = 'pending'
        """, (
            str(error)[:1000],
            event_id
        ))

        conn.commit()

    finally:
        conn.close()

实际部署时,可以由独立的同步服务调用get_pending_events,将事件发送至中心平台,并在收到明确的业务确认后调用mark_synced。如果上传失败,则记录错误并按照重试策略再次处理。

这个示例采用单一同步工作进程的简化方式。多进程或多实例部署时,还需要增加原子任务认领、租约超时和并发控制,避免多个同步工作进程同时处理同一事件。

此外,本地数据库需要设置数据保留周期、磁盘容量监测和异常恢复策略。SQLite适合轻量级边缘缓存,不应直接将其当作大型分布式消息系统使用。

六、多站点部署:边缘通信与中心调度如何协作?

当企业拥有多个工厂、能源站点或远程设施时,可以为每个站点配置独立的边缘节点,再由中心融合通信平台统一管理。

多站点边缘节点与中心调度平台协同部署。

站点内部独立运行,中心平台统一管理

每个站点可以部署现场物联网网关、边缘事件服务和相应的通信资源。站点内部的设备监测、局部广播和现场对讲,根据本地网络及服务器部署情况运行。

中心平台负责管理各站点的组织信息、通信资源、事件汇总和跨区域协作。

例如,企业拥有三个生产厂区,每个厂区都有自己的设备监测系统和现场通信终端。各站点可以先完成本地设备事件处理,再将重要信息上传中心平台。

当某个厂区发生需要总部参与的事件时,中心调度人员可以根据授权联系相关站点,组织跨区域电话会议或其他通信任务。

多站点资源管理与远程任务分发

中心平台可以按照站点编号、区域和组织架构管理通信资源,并为不同站点配置相应的业务策略。

远程任务下发需要考虑站点网络状态、任务有效期和执行权限。对于暂时无法连接的站点,可以保留任务状态,待网络恢复后重新判断是否仍然有效。

例如,总部安排某站点进行设备检查时,可以将任务与设备编号和维护岗位关联。边缘节点收到任务后,根据本地资源情况通知相关人员,并将任务状态反馈给中心平台。

对于需要立即执行的安全关键操作,不能仅依靠网络恢复后自动补发任务,应由专业控制系统和现场管理流程决定是否执行。

七、云边协同部署中的安全与可靠性设计

边缘节点通常部署在工业现场或远程设施,既要连接现场设备,也需要与中心平台交换数据,因此必须考虑网络安全、设备安全和运行可靠性。

网络分区:将工业控制网络、物联网接入网络和通信业务网络按照实际安全要求划分,使用受控网关交换必要的数据。

身份认证:边缘节点与中心平台之间应建立可信身份关系,使用受控凭证或证书进行身份验证。

数据保护:通过TLS等机制保护远程通信链路,并限制不同站点之间的消息访问权限。

本地访问控制:现场通信控制接口不应直接暴露给未经授权的设备和服务,电话呼叫、广播和设备操作应分别设置权限。

数据完整性:重要事件应保留唯一标识、来源信息和必要的审计记录,避免历史数据被错误覆盖。

运行监测:关注边缘节点CPU、内存、磁盘容量、网络连接和消息队列积压情况,防止长期断网造成存储空间耗尽。

还需要明确物联网边缘控制与专业安全控制之间的界限。消防联动、安全仪表、设备紧急停机和其他安全关键功能,应由经过验证的专业系统承担。融合通信平台可以负责通知、调度和记录,但不能替代安全联锁。

八、从单站点到多站点:云边协同的工程实施路径

实施物联网融合通信云边协同架构时,可以先从一个典型站点开始验证,再逐步扩展到更多区域。

第一阶段:确定现场业务边界。

梳理现场传感器、PLC、工业网关、IP电话、广播、对讲和视频设备,明确哪些业务需要本地运行,哪些业务需要中心平台参与。

第二阶段:部署边缘接入与本地处理。

配置物联网接入服务、本地事件缓存和必要的边缘处理模块,建立设备编号、区域及通信终端之间的对应关系。

第三阶段:接入本地通信资源。

根据现场需求,将本地IP PBX、SIP广播和对讲系统纳入边缘业务流程。需要断网继续运行的通信业务,应提前验证本地服务器、注册服务、呼叫控制和媒体链路的独立性。

第四阶段:连接中心管理平台。

通过MQTT、HTTP API或其他适用接口上传事件和运行状态,建立中心与边缘之间的资源管理和任务交换关系。

第五阶段:测试网络异常与恢复。

模拟广域链路中断、边缘服务重启、中心平台不可用和通信终端离线等情况,检查本地业务是否符合设计要求,以及恢复后的数据同步是否准确。

第六阶段:扩展多站点协同。

在单站点运行验证完成后,逐步接入其他工厂和远程站点,统一管理设备事件、通信资源和跨区域调度任务。

整个建设过程应当围绕实际业务连续性要求进行测试,而不是仅凭网络连接成功或消息能够上传,就认定云边协同系统已经完成。

从技术发展角度看,物联网与融合通信的云边协同,使现场设备数据、通信资源和企业管理平台形成更加灵活的分布式体系。边缘节点承担本地接入与部分实时处理,中心平台负责跨站点管理和统一调度,双方通过标准化接口和状态同步机制保持业务协作。

对于工业制造、能源设施和智慧园区等场景,这种架构可以在保留原有物联网平台与通信系统的基础上,扩展现场独立运行、远程运维和集中管理能力。

真正有效的云边协同,不是把所有计算和通信功能简单地部署到边缘,而是根据业务实时性、网络条件和管理范围,合理确定本地处理与中心协作的边界。

科能融合(KeneUC)专注于企业融合通信与行业通信系统建设,围绕IP PBX、SIP语音通信、IP广播、SIP对讲、视频联动、报警通知、通信网关及指挥调度等领域,提供软硬件结合的通信产品与系统解决方案。

【信息科学与工程学】【通信工程】第二百 四十五篇 “意图网络/意图驱动网络(Intent-Based Networking, IBN)1001 意图网络中的任务01 意图网络任务;1. 意图存在性公理:∀需求∃意图表达 2. 可满足性公理:合法意图必可被满足 3. 可验证性公理:意图实现必可验证 4. 可优化公理:意图实现可优化 5. 可组合公理:简单意图可组合为复杂意图 6. 可分解公理:复杂意图可分解为简单意图 数学工具族 → 在IBN/ADN中的落点 集合论与逻辑:意图匹配域、ACL五元组、LTL/μ-calculus合规校验 图论:拓扑、SFC、依赖DAG、跨域意图图、SRv6路径 线性/非线性优化:QoS、容量、切片资源、节能(LP/MILP/凸优化) 排队论 阅读详情

相关推荐

wpf入门第五篇 WPF with ECharts

前言 本文是wpf入门系列第五篇,面向有winform或者web前端基础的、并且也有C#基础的同学。 ECharts是百度团队开发的开源免费的js图表控件库,非常强大,文档齐全。WPF中使用图表,除了可以选择devexpress或者oxyplot之类的专为wpf开发的图表控件之外,还可以考虑使用 WebBrowser+ECharts 来完成复杂的图表展示,其展示效果不亚于前者。 本文介绍了 WP...

wf824284257的博客 1万+

小型水库智能监测系统建设:从物联网感知到云边协同的实战指南

物联网技术通过传感器网络实现对物理世界的全面感知与数据采集,其核心原理是将各类传感设备接入网络,实现数据的实时传输与汇聚。在水利工程领域,这项技术的价值在于将传统依赖人工巡查的被动管理模式,转变为基于数据的主动预警与智能决策。特别是在水库大坝安全监测场景中,物联网系统能够构建覆盖“降雨-水位-渗流-变形”的立体感知体系。通过部署雷达水位计、渗压计、GNSS接收机等关键设备,并结合4G与北斗卫星组成的融合通信网络,系统确保了在无市电、弱信号等复杂环境下数据的稳定回传。进一步地,引入边缘计算网关实现云边协同,可

weixin_30856725的博客 508

DPO(Direct Preference Optimization)直接偏好优化

本文介绍了DPO(直接偏好优化)方法,该方法通过简化传统的RLHF(基于人类反馈的强化学习)流程,直接利用人类偏好数据进行模型优化。DPO的核心思想是跳过奖励模型训练和强化学习交互步骤,通过数学推导将优化目标转化为仅与策略概率分布相关的形式。推导表明最优策略与奖励模型之间存在显式关系,从而可以构建直接优化策略的损失函数。与RLHF相比,DPO简化了训练流程,提高了工程实现稳定性,同时保持了同等效果。

TeenLucifer的博客 1957

微能网协调控制箱突破传统微电网架构瓶颈

西格电力微能网协调控制箱突破传统微电网架构瓶颈,基于云边端分层、模块化集成、多协议通信、边缘自治、纵深安全与全场景弹性适配六大核心架构,实现电、冷、热、气、氢多能协同管控。其毫秒级本地决策、断网自持、即插即用、兼容老旧设备等优势,有效解决调度滞后、协议孤岛、运维困难、合规风险等问题,成为园区微能网升级的核心硬件支撑,助力零碳智慧能源高效、稳定、可持续运行。

2603_95470831的博客 332

【血汗泪心路历程】怎么彻底删掉Sangfor文件?怎么彻底删除easyconnect?删除sangfor后网络坏了、某些app无法正常启动怎么解决?

教程来源于网络的五湖四海+gpt解答。用到了好几个教程和方法,遂这篇总结一下。会标明出处!先上一下战绩:终于把sangfor扔进回收站里了!!!哈哈哈那一刻真的好爽。

weixin_71246590的博客 6万+

从零开始,手把手教你用RTL代码设计一个简单的8位CPU(附状态图与ALU设计)

本文详细介绍了如何从零开始设计一个简单的8位CPU,包括状态机设计、ALU实现与RTL编码实战。通过具体的指令集分析、状态图设计和Verilog代码示例,帮助读者深入理解CPU工作原理,并掌握RTL代码编写技巧。特别适合计算机系统学习者和硬件设计爱好者。

weixin_30847063的博客 321

工业设备物联网系统解决方案:整合多端数据,助力企业数字化升级

在全球工业4.0浪潮推动下,传统制造业正加速数字化转型,而传统工业设备管理模式依赖独立SCADA系统与人工巡检,存在数据采集频率低、信息孤岛严重、故障响应滞后、维护成本高昂等突出问题,难以实现全局化生产洞察与智能化决策。

u012984333的博客 461

QT插件学习系列(一) 初识QtPlugin

QT插件学习系列(一) 初识QtPlugin 1、 概述 为什么我们要学习插件化,其和 windows 导出 dll 有什么区别呢? 导出的动态库如果缺失,程序不能运行。但插件可以。 同一套代码,即可分别在 windows 下和 linux 下生成插件。 QT 本身提供两种插件支持,一种称为高级 API,一种称为低级 API。 高级API的作用是扩展 QT 程序本身,需要子类化 QT 提供的插件基类,例如现有的 QTSqlDriver,因此你可也以编写自己的 QTStyle 扩展 QT。 低级

L_Andy的专栏 3117

智慧园区=智能弱电平台

智慧工厂与智慧园区的“弱电系统”方案,是实现工厂数字化、智能化、信息化的重要基础支撑部分。以下从角度,详细梳理一个可落地的,包括模块组成、功能目标、架构图建议、实施要点。

qq_34051086的博客 860

PyQt5简介和安装

在initUI方法中,设置了窗口的标题和大小,并创建了一个按钮。PyQt5是一个功能强大的Python界面开发框架,可以轻松创建跨平台的图形用户界面应用程序。本文介绍了PyQt5的简介和安装方法,并提供了一个简单的示例应用程序来演示PyQt5的基本用法。PyQt5是一个功能强大的Python界面开发框架,它提供了丰富的工具和组件,用于创建跨平台的图形用户界面(GUI)应用程序。信号是控件发出的事件,槽是与之关联的处理函数。接下来,我们将编写一个简单的PyQt5应用程序,以演示PyQt5的基本用法。

XdKwargs的博客 226

R语言层次聚类(hierarchical clustering):数据缩放、PCA聚类结果可视化、fpc包的clusterboot函数通过bootstrap重采样的方法评估hclust层次聚类的稳定性

R语言层次聚类(hierarchical clustering):数据缩放、PCA聚类结果可视化、fpc包的clusterboot函数通过bootstrap重采样的方法评估hclust层次聚类的稳定性

data+scenario+science+insight 836

智慧高速十年演进:从云网边端架构到数据驱动实战

云网边端架构是支撑现代物联网与智能系统的核心框架,它通过将计算能力从中心云向网络边缘延伸,实现了数据就近处理与低时延响应。其技术价值在于有效解决了海量设备接入、带宽压力与实时业务需求之间的矛盾。在智慧交通、工业互联网等应用场景中,该架构是实现全域感知与即时控制的关键。随着5G与AI技术的成熟,架构焦点已从技术堆砌转向数据驱动与业务闭环。本文基于一线实战,深入解构了架构中每一层的角色重塑,例如端侧进化为具备AI能力的智能感知体,实现了算力下沉与边缘智能;边侧则从简易网关演进为区域业务大脑,承担实时决策与云边协

weixin_30267785的博客 372

电源芯片MPQ3431A

MPQ3431A是一款具有宽输入范围的固定频率为450kHz的高度集成的升压转换器,其输入电压低至2.7V,采用恒定关断时间(COT)的控制拓扑,可提供快速的瞬态响应。芯片支持通过MODE管脚配置PSM(pulse-skip mode)、FCCM(forced continuous conduction mode)和USM(ultrasonic mode);还支持通过电流限制配置来达到精确的过流保护;同时芯片欠压保护(UVLO)和过温保护(OTP)。MPQ3431A采用QFN-13(3mmx4mm)封装。保

qflook的博客 1563

赋能智慧水利:视频汇聚平台EasyCVR智慧水利工程视频管理系统解决方案

随着“智慧水利”建设的深入推进,传统的水利视频监控系统在设备兼容、数据融合与智能应用等方面面临严峻挑战。

EasyCVR视频融合云平台的技术博客 406

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

工业IoT告警根因定位:DolphinDB时间聚类+拓扑传播两板斧

告警风暴里根因被噪声淹没,给出DolphinDB上的定位方案:时间聚类压缩告警成事件,设备拓扑多跳传播回溯上游根因,配合参数标定与排错表直接落地。

2301_78967866的博客 224

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

electronica 2026|SC236亮相,面向AIoT终端的新一代智能模组

该产品基于高通跃龙™ Q-2390处理器打造,融合计算、多媒体处理与无线连接能力,为AIoT终端提供从连接、计算到应用承载的一体化能力,助力客户打造面向未来的智能设备。面向无线智能支付终端、工业手持设备、执法仪、行车记录仪等行业设备,SC236融合计算、多媒体与无线连接能力,为终端提供更丰富的交互体验和智能化应用能力。相比传统连接型模组,SC236进一步增强设备本地处理能力,使终端能够承载更多智能应用功能,推动行业设备从“连接”向“智能”演进。

Fibocom_Wireless的博客 220

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

注塑机智能数据采集网关 ZK-D1/D3:如何把工艺参数与 SPC 监测数据送到 MES 和 IoT 平台

注塑车间设备型号杂、通信协议不一,ZK-D1/D3智能采集网关作为“协议翻译+数据建模+边缘计算”中间件,实现多机型兼容与数据标准化。通过控制器接口、IO信号及辅助设备数据融合,按模次组织工艺参数,生成含质量标记的SPC数据,支持断网缓存与补传。数据以统一模型对接MES与IoT平台,助力良率分析与过程优化。实施关键:摸清接口、统一字典、保障断网可靠性。

专业采集注塑机数据,为mes系统提供数据服务! 316

物联网数字条码阅读器分析:基建红利叠加场景渗透,行业前景迎来高增长爆发期

作为物联网数据采集层的核心入口,物联网数字条码阅读器正在成为智能制造、智慧物流与数字零售全链路数字化的关键硬件支撑。结合权威调研机构QYResearch的最新产业调研成果,我们将系统梳理该赛道的全系列产品矩阵,深度拆解行业核心运行特征,厘清当前市场存量底盘与未来增量空间,结合产业发展趋势研判赛道内不同梯队竞争者的市场占位,为企业决策层、市场从业者与产业投资者提供具备参考价值的行业研判依据。

QYRdata的博客 199

注塑机数据采集网关 ZK-D1/D3 困局解析:如何实现与 MES/IoT 平台的实时数据对接

注塑车间数字化困局源于设备异构导致的数据采集难题。中科晟达ZK-D1/D3网关虽具备多协议适配与边缘采集能力,但常遇“采得到却采不准”“与MES对不上”“实时性与稳定性难兼顾”等挑战。核心问题在于点位映射错误、状态判定单一、数据模型错位及断网丢数。破解之道需构建四层架构:通过协议模板库与远程配置降低实施成本;以多信号组合+状态机实现精准状态判定;在网关侧下沉计算逻辑,完成数据预聚合与清洗;采用分级传输、消息幂等、本地缓存与统一时间同步,确保数据可信、实时、可消费。最终实现从“设备语义”到“业务语义”的高效转

专业采集注塑机数据,为mes系统提供数据服务! 395

注塑机智能数据采集网关 ZK-D1/D3 如何对接 MES/IoT 平台实现 AI 智能化

ZK-D1/D3 智能数据采集网关的价值不只是“把数据传上去”,而是通过协议归一、边缘预处理与标准化上行,为 MES 与 IoT 平台提供高质量、可复用的数据底座。在此基础上,配合统一指标体系与数据治理,才能让 OEE 分析、工艺优化、质量预测与预测性维护等 AI 场景真正落地。建议按“试点验证—标准固化—规模推广—智能深化”的节奏推进,先保证数据可信,再追求智能可用。

专业采集注塑机数据,为mes系统提供数据服务! 407

设备iot--[McgsIot]报警处理

设备iot--[McgsIot]报警处理

胡锦波的博客 198

锅炉房已经有PLC,还需要IoT吗?从安全控制到全局能效的智能化升级

无论是工业蒸汽锅炉房,还是酒店、医院等商业热水场景,改造都可以从现有条件出发:先梳理控制系统、仪表和通信情况,再明确安全边界与数据需求;盈电物联网的云边协同思路,是在尽量保留原有控制与仪表设备的基础上,通过IOT控制器补齐数据接入和边缘处理能力,再与云端平台协同,逐步建立运行、能耗与运维之间的数据闭环。锅炉房智能化,不是用IoT取代PLC,也不是简单增加一块远程大屏,而是在保障安全控制独立可靠的基础上,让分散的数据真正服务于运行管理。将告警、排查、处理、复核和维修记录串联起来,形成可追溯的设备档案。

olzorange的博客 301

冷热源一体机数据采集物联网解决方案

数采方面,核心数据点位包括设备运行状态(开机、停机、运行、故障等)、运行参数(设备出口温度、反应物料温度、液位、压力、流量、电压、电流、功率等)、工艺参数(温度设定值、运行工况、累计运行时长等)以及设备位置信息,全面掌握冷热源一体机的设备与工艺信息。同时基于操作日志、处理进度、工作量等信息,更加合理地评估运维工作质量与效率。运行状态可视化:平台以工艺组态、动态图表、仪表盘等形式展示各设备的出口温度、反应物料温度、液位、压力、流量、电压、电流、功率等运行参数,让用户一目了然地了解设备工作状况。

2403_88612619的博客 144

注塑机智能数据采集网关 ZK-D1/D3 对接 MES/IoT/ERP 平台数据展示实践

ZK-D1/D3注塑机数据采集网关支持多品牌设备接入,实现运行状态、工艺参数、生产计数等数据的实时采集与标准化上报。通过MQTT、HTTP、OPCUA等协议对接MES、IoT、ERP平台,采用“边缘采集—网关汇聚—平台展示”架构,统一数据模型映射,实现设备透明化管理与生产数据闭环。实施中需注重网络规划、时间同步、断点续传与安全防护,助力工厂实现生产可追溯、决策数据化。

专业采集注塑机数据,为mes系统提供数据服务! 313

数据建模正面对比:国外时序数据库怎么组织设备数据,Apache IoTDB 的树表孪生模型又怎么组织

本文对比InfluxDB、TimescaleDB、OpenTSDB、Prometheus与Apache IoTDB的数据模型,从设备层级、查询写法、Schema演进、高基数处理及AI适配等维度剖析其差异。国外方案多采用扁平标签或关系表模型,易导致高基数问题或建模复杂;IoTDB则提出“树表孪生模型”,以路径自然表达设备层级,支持原生目录遍历查询,更契合工业物联网场景,提升建模效率与查询灵活性。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 1万+
上一篇: 防爆扩音系统如何对接报警与调度平台?事件映射、广播优先级与执行反馈
g3voip
博客等级 码龄15年 0粉丝 25原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值