达标率80.15%,软件绿色联盟6月绿标评测报告发布

软件绿色联盟应用体验标准6.0-UX标准-OpenHarmony版.pdf 立即下载

导 读

为帮助应用开发者提升APP质量,推动用户体验升级,软件绿色联盟持续基于《软件绿色联盟应用体验标准》,月度对国内主流TOP1000共计18类应用,从兼容性、稳定性、功耗、性能、安全五方面进行绿标评测,解读不同分类应用存在的共性及特性问题,帮助开发者快速定位问题,进而完成应用质量升级。
注:后台回复关键词“6月检测名单”,查看6月达标应用列表。

1、6月TOP1000应用绿标达标情况

图片

6月检测应用共计957款,绿标整体达标率80.15%,较5月上升2%。

图片

从上图可以看出,五大标准中的兼容性、稳定性、功耗标准达标率超98%。而安全、性能标准达标率分别为83.1%、94%,仍有上升空间。

图片

横向对比18类应用达标率,超过80%的共计11类,相较上月新增了旅游住宿、汽车类。其中儿童、美食、社交通讯、游戏类应用达标率均超90%。环比上月,便捷生活、美食、汽车、运动健康类应用达标率提升5-12个百分点,其他类应用达标率表现相对平稳。

18类应用安全标准各检测项未达标情况分析

图片

详细分析各类应用安全标准检测项未达标情况,便捷生活、教育、金融理财、实用工具类应用存在违规调用高危权限的行为较突出,占比均超过10%。便捷生活、教育、金融理财、拍摄美化、实用工具、新闻阅读类应用存在隐私违规的行为占比均超10%。此外,通过上表可以看出,拍摄美化、实用工具、影音娱乐类部分应用四项检测项均未通过,需要应用开发者重点关注。

18类应用性能标准各检测项未达标情况分析

图片

分析18类应用性能标准各检测项未达标占比,可以看到:

后台灭屏内存占用检测项:18类应用中存在该问题的有13类,其中实用工具、游戏类应用不达标占比较高,分别为26.3%、15.8%;

后台亮屏内存占用检测项:18类应用中存在该问题的有12类,其中实用工具、影音娱乐类应用不达标占比较高,分别为23.5%、17.6%;

后台亮屏CPU占用检测项:18类应用中存在该问题的有9类,其中游戏类应用不达标占比较高,为31.3%。

2、绿标测试中典型问题举例

2.1兼容性问题举例:某商务类APP在使用过程中出现了点击按钮未响应的情况。

图片

2.2性能问题举例:某游戏类APP前台内存占用为606.16MB、后台亮屏内存占用为459.64MB,后台灭屏内存占用为1138.7MB。这三个检测项都超出标准要求(前台内存占用≤500 MB,后台亮屏内存占用≤400 MB,后台灭屏内存占用≤400 MB)。

图片

2.3其他影响用户体验的问题:某影音娱乐类APP广告页面以半透明的遮罩形式覆盖了约⅓屏幕,影响用户整体观感体验。其次是广告页面设计遮挡了剧集列表的标题,用户在向左/向右滑动剧集列表的过程中,容易点击至广告页面。除此之外,广告页面通过惯性动作的交互行为(左右滑动)诱导用户触发页面进行跳转。

图片

软件绿色联盟应用体验标准3.0_性能标准V1.1.pdf 立即下载

相关推荐

国内Top1000 App MAU数据[可运行源码]

该内容提供了国内Top1000移动应用的月度活跃用户(MAU)数据,涵盖了2023年1月至4月的详细排名。数据包括应用名称(中英文)、发布者信息及各月份的活跃用户数。从数据中可以看出,微信、淘宝、支付宝、抖音等应用在MAU排名中位居前列,显示出极高的用户活跃度。此外,数据还反映了不同应用在不同月份的用户活跃变化,为市场分析和竞争态势提供了重要参考。

达标率81.14%,软件绿色联盟7月绿标评测报告发布

横向对比18类应用达标率,超过80%的共计10类,分别是儿童、教育、旅游住宿、美食、拍摄美化、汽车、商务、社交通讯、新闻阅读、游戏类,相较上月减少了购物比价类。为帮助应用开发者提升APP质量,推动用户体验升级,软件绿色联盟持续基于《软件绿色联盟应用体验标准》,月度对国内主流TOP1000共计18类应用,从兼容性、稳定性、功耗、性能、安全五方面进行绿标评测,解读不同分类应用存在的共性及特性问题,帮助开发者快速定位问题,进而完成应用质量升级。而安全、性能标准达标率分别为86.3%、94.5%,仍有上升空间。

AndroidGA的博客 400

保姆级教程:在紫光同创Titan2 FPGA上实现PCIe DMA,实测带宽接近理论极限

本文详细介绍了在紫光同创Titan2 FPGA上实现PCIe DMA性能调优的全过程,通过参数优化和架构设计,实测带宽达到6.91GB/s,接近理论极限。涵盖开发环境搭建、PCIe IP核定制、DMA引擎设计、驱动开发及性能调优等关键步骤,为FPGA开发者提供实用指南。

weixin_30954817的博客 336

性能优化笔记

用户体验 = 产品设计(非技术)+ 系统性能(快)

皮肤 969

无人机避障——4DMmvRadar三维点云坐标转换到无人机坐标系(三)

无人机避障——4DMmvRadar三维点云坐标转换到无人机坐标系(三)

weixin_45390670的博客 1869

Robot Arm 机械臂源码解析

由于我们用的是步进电机,运动的时候是一步一步的,并不是平滑的,这里假设在一个平面上面,一个x步进电机,一个y步进电机。那么放大它们所走的轨迹就会是阶梯状的。而它们也只能沿着网格运动。相当于有了一个最小的分辨率,这个分辨率就是一步。如下图所示,如果x,y电机同时走就能走出45度的斜线。在三维空间里面运动也是如此,你应该可以想象的出来;首先,是updateActualPosition,用来时时更新此时的差补位置,得到的是一个路径与时间t的函数(其中路径的范围为0,1,时间范围为0,dist/v)...

爱吃炸鸡的小猪's blog 1万+

学习软件绿色联盟应用体验标准5.0_功耗标准-公示版

文档来源:软件绿色联盟 软件绿色联盟应用体验标准5.0_功耗标准-公示版.pdf 软件绿色联盟官方-下载网址 https://www.china-sga.com/index.html 自己画的思维导图 我记得功耗开发的历史是先看到发热耗电快的现象,直接使用查杀接口杀过去。对,只是治标。后面提出了很多内存优化方案,例如后天查杀,内存水位查杀,类LMK等内存查杀机制将杀的方式达到了极致。后面发现一味的杀对用户影响挺大总不能让用户每次都是来冷启动应用和消息接受不及时吧。后面又推出了场景冻结和快速冻结,有效优化了冷

苏法迪的专栏 1002

提示词工程的几个参数

低 temperature + 低 top-p:输出最稳定、最可靠,适合需要准确性和一致性的场景。高 temperature + 高 top-p:输出最多样化、最富有创意,适合需要灵感和探索的场景。Max Length:您可以通过调整max length来控制大模型生成的 token 数。指定 Max Length 有助于防止大模型生成冗长或不相关的响应并控制成本。是一个字符串,可以阻止模型生成 token,指定是控制大模型响应长度和结构的另一种方法。例如,您可以通过添加 “11” 作为。

weixin_44212787的博客 1829

[转][学习]软件绿色联盟应用体验标准5.0_功耗标准-公示版

文档来源:软件绿色联盟 软件绿色联盟应用体验标准5.0_功耗标准-公示版.pdf 软件绿色联盟官方-下载网址 https://www.china-sga.com/index.html 软件绿色联盟应用体验标准 5.0-功耗标准 编制单位:软件绿色联盟·技术与标准工作组 2021 年 1 1 月 前 言 本标准由软件绿色联盟技术与标准工作组提出并归档。 本标准主要起草单位:百度、华为、阿里巴巴、中国信息通信研究院泰尔终端实验 室。 本标准主要起草人:王正意、胡军、杨恒、闫诗文、阳际荣、苏兆飞。 1 范围

苏法迪的专栏 2425

RealSense D435i深度相机实战:从像素坐标到三维空间的精准映射(Python实现)

本文详细介绍了使用RealSense D435i深度相机实现从二维像素坐标到三维空间坐标精准映射的两种Python实战方法:深度图反投影法与点云直接查找法。文章涵盖环境搭建、相机对齐、代码实现、性能对比及与YOLO等检测模型结合的进阶应用,并提供了关键的避坑指南和参数调优建议,帮助开发者在机器人、三维重建等项目中高效应用。

weixin_29291573的博客 382

利用Openlayers4实现地图遮罩效果(二)

之前实现的遮罩效果,在深色背景的底图上,对要突出的区域采用半透明遮罩,以此来突出该区域。但是有时底图颜色偏白,这时候不再适合对要突出的区域采用遮罩,而是要对突出区域之外进行遮罩处理。两种效果的对比入下图: ...

此爱如少年 6399

注塑机数据采集网关 ZK-D1/D3:读取控制器哪些数据对接 MES/IoT 平台

ZK-D1/D3数据采集网关可统一接入多品牌注塑机,采集设备状态、生产计数、工艺参数、报警及能耗等核心数据,通过MQTT/HTTP等协议标准化上传至MES/IoT平台。实现“一次接入、统一建模”,支撑OEE分析、产量看板、质量追溯与故障闭环管理。关键在于规范数据映射、合理设置采集频率、保障时间同步与安全传输,最终将设备数据转化为生产效率与质量管理价值。

专业采集注塑机数据,为mes系统提供数据服务! 512

基于Simulink的光伏+储能家庭能源管理系统仿真

本文通过Simulink建模,分析了家庭光伏+储能系统的优化调度问题。针对光伏发电与用电高峰不匹配导致电费节省有限的问题,构建了包含5kW光伏、10kWh电池和6kW负荷的完整模型,设计了无控、规则控制和24小时经济优化三种策略。仿真结果显示,经济优化策略可使日电费降低32%,光伏自用率从45%提升至89%,尤其在晚高峰时段能显著减少高价购电。文章详细介绍了物理层建模、分时电价实现和控制策略设计方法,并探讨了天气预测、V2H等高级扩展功能,为家庭能源智能管理提供了实用解决方案。

xiaoheshang_123的博客 188

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 209

多径衰落信道的 MATLAB 仿真

在无线通信系统中,信号在传输过程中会经历多径传播现象,导致信号在接收端出现时域和频域上的扩展。通过以上示例代码,我们可以进行多径衰落信道的 MATLAB 仿真。同时,我们还可以通过调整信道参数和信号特性,进一步研究多径衰落对系统性能的影响。常用的模型之一是瑞利衰落信道模型,它假设信号在传输过程中受到多个散射路径的影响。除了瑞利衰落信道模型,我们还可以使用其他类型的信道模型,如高斯衰落信道模型。在上述代码中,我们首先定义了信道的参数,包括最大多普勒频移、多径延迟和多径功率衰落。函数来模拟高斯衰落信道。

TechCraze的博客 666

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! 297

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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! 385

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

009基于物联网的智能厨房安全监测系统

本文讲解物联网毕业设计选题《基于物联网的智能厨房安全监测系统》的实现:ESP32 搭配 MQ-2 燃气传感器采集可燃气体浓度、DHT11 采集温湿度,按浓度区分预警与危险两级做分级声光报警;危险时自动驱动常闭电磁阀切断气源,并通过 WiFi 推送告警到微信,数据上传云平台留存,隐患排除后可按键复位。内容含硬件清单与接线、传感器预热与阈值标定、分级报警与危险锁存设计、.h/.c 分离的多模块代码,并附测试验收、开题表述与答辩问答。照着做即可。

x1649545783的博客 390

设备iot--[McgsIot]报警处理

设备iot--[McgsIot]报警处理

胡锦波的博客 196

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 289

IoT 固件安全与 Pwn 实战学习笔记

本文基于D-Link DCS-935L固件(版本1.09.02)分析漏洞CVE-2025-10779,系统梳理从固件解包到栈溢出利用的全流程。通过binwalk提取根文件系统,结合inittab与rcS定位HTTP/HNAP服务;利用httpd.ini映射路由,确认/HNAP1/可被外部访问;在MIPS大端架构下,使用qemu-mips-L+GDB调试运行CGI程序,发现strcpy(haystack, getenv("HNAP_AUTH"))存在无边界复制漏洞。通过构造含空格分隔符的载

2503_91800161的博客 420

【RHCA+】iotop命令(实时监控磁盘IO)

目录:RHCA+ -> 12 系统监控 -> 43 iotop命令(实时监控磁盘IO) ”[root@wuzuniao ~]# yum -y install iotop #安装工具。[root@wuzuniao ~]# iotop #实时监控磁盘io。语法格式:iotop。

301

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! 288

注塑机数据采集网关 ZK-D1/D3 如何与 MES/IOT 平台对接并展示数据

本文系统阐述注塑车间数据采集难题及ZK-D1/D3网关解决方案,聚焦设备异构协议统一、数据建模规范与四层链路对接。通过明确设备唯一标识、统一命名规则与上行协议选择,实现多品牌注塑机数据标准化采集与传输。结合MQTT/HTTP/OPCUA多协议支持,构建从设备层到MES/IOT平台的完整链路,支撑实时看板、历史趋势、OEE分析与报警管理。强调前期标准化与端到端验证的重要性,确保数据可靠落地,赋能智能制造。

专业采集注塑机数据,为mes系统提供数据服务! 254

IIOT数据中台是什么?有什么应用场景?

它本质上是一种集成了多源异构数据采集、边缘预处理与统一数据服务能力的工业数据平台,能够将 PLC、CNC、工业机器人、传感器、能源仪表等设备产生的实时数据,以及 ERP、MES、WMS 等系统的业务数据,统一汇聚、治理、建模后,以标准 API 或数据服务形式供上层应用调用,让工业互联网平台回归分析决策与业务创新的核心职能。针对电表、水表、气表等能源仪表数据,数据中台统一采集并标准化电、水、气、汽等能耗口径,按产线、工序、班组等维度进行分项计量与统计分析。OEE 分析与效率优化。设备互联与产线透明化。

2403_88612619的博客 112

银行、电力、医疗和物联网行业证书

银行、电力、医疗和物联网行业证书

humors221的专栏 287
上一篇: 30款教育学习类应用评测体验报告
下一篇: 29款影音娱乐-视频类应用评测体验报告
软件绿色联盟
博客等级 码龄9年 18粉丝 27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