- 博客(8)
- 收藏
- 关注
原创 工业设备数据采集系统
本文介绍了一套工业设备数据采集系统,支持从西门子、三菱、Modbus等设备实时采集数据,并自动转发到MQTT和数据库。系统采用两种接入方式:1)通过Java代码继承协议基类实现复杂逻辑;2)通过YAML配置文件快速定义标准化设备。核心采集框架采用模板方法模式,统一处理数据采集、转发、存储、告警等流程,开发者只需关注业务逻辑。系统支持触发条件检查、批量块读优化、采集后动作执行等功能,并提供Web监控大屏和断线告警机制。
2026-05-19 20:24:21
805
原创 工业PLC数据采集系统实战:支持多协议、可视化监控、数据转发一站式解决方案
本文介绍了一款基于Spring Boot 3开发的工业PLC数据采集系统,针对传统方案存在的配置局限、开发复杂、扩展性差等问题,提出创新性解决方案。系统核心特性包括:1)支持S7、MC、Modbus等多协议统一接入;2)提供可视化Web监控平台;3)采用自定义化编码式采集框架,开发者仅需实现3个核心方法即可完成复杂业务逻辑;4)配置化管理与数据转发能力;5)灵活的数据存储方案。系统采用分层架构设计,为工业4.0背景下的设备数据采集提供高效、可扩展的一站式解决方案。
2026-03-05 16:36:54
1442
原创 Modbus设备数据采集实战:Driver-Box + EMQX + TDengine 全流程解析
摘要:本文介绍了一种无需编码的Modbus设备数据采集方案,通过Driver-Box边缘网关、EMQX消息中间件和TDengine时序数据库构建完整数据链路。详细解析了Driver-Box的核心配置,包括设备模型定义、点表配置和连接参数设置,重点说明了Modbus RTU-over-TCP协议的配置要点。同时介绍了MQTT转发模块的源码改造方法,实现自定义数据格式转发。该方案支持通过纯配置方式完成从设备采集到数据存储的全流程,适用于工业物联网场景下的设备数据采集需求。
2025-08-09 16:05:25
2330
原创 TD-gpt预测分析三个模型对比-ARIMA、Holt-Winters和TDTSFM
本文对ARIMA、Holt-Winters和TDTSFM三种时间序列模型在电力预测中的表现进行了对比分析,重点考察MAE指标。结果显示:Holt-Winters在短周期总有功电能预测中表现最优(MAE=1.3),ARIMA在总有功功率预测中表现最佳(MAE=1.10),而TDTSFM模型在电流预测中效果较好(MAE=3.46)。特别值得注意的是,TDTSFM在总有功电能预测中误差极大(MAE达2602-9675),不适用。针对不同电力指标的特性,本文给出了模型选型建议:Holt-Winters适合电能短期预
2025-06-22 15:42:17
2083
原创 TDgpt-tdtdfm_1时序预测算法测试
TDTSFM算法在电力数据预测测试中表现良好,特别适合短期预测。测试结果表明,使用7天历史数据预测效果最佳,其中A相电压预测误差最小(MAPE 0.82%),总有功功率次之(1.65%)。算法执行时间保持在500ms以内,历史数据量增加会延长执行时间。建议采用7天历史数据进行短期预测(不超过10个时间点),针对累计值预测效果优于增量值预测的特点,后续可优化增量预测算法。
2025-06-20 16:58:47
759
原创 ARIMA模型预测性能测试
本次测试评估了ARIMA模型在电力监控系统中的预测性能。结果显示,不同电力指标预测精度差异显著:总有功电能预测精度最高(MAPE仅0.0016%),而电流指标误差最大(MAPE 1.86%)。非季节性模型(period=0)在资源消耗与预测精度间取得最佳平衡,执行时间300-500ms。日周期模型(period=96)计算资源需求极高,在2核4G环境下多数参数组合超时。电压指标在period=15设置下表现略优。建议采用指标专属参数配置,实时预测优先使用非季节性模型。
2025-06-19 17:06:41
2056
原创 TDgpt的Holt-Winters预测算法不同参数组合测试
本文系统评估了Holt-Winters算法在TDengine时序数据库中的预测性能,重点关注电力监控场景下不同参数组合对预测精度和执行效率的影响。测试结果表明:无周期模式(period=0)在实时监控场景表现最佳(800ms内完成预测,误差<1%);电能预测推荐采用mul-add组合(period=96);电流预测则适用add-add组合(period=96)。长周期预测(period=192)仅适用于电能预测且需≥14天历史数据。
2025-06-18 10:40:38
537
原创 TDengine TDgpt实战:Holt-Winters算法在电力数据预测中的测试
本文展示了在TDengine 3.3.6.9中使用Holt-Winters算法进行电力数据预测的测试结果。针对有功电能、A相电压、A相电流和总有功功率四项指标,算法表现差异明显:有功电能预测精度最高,平均误差仅0.0068%;电压预测平均误差0.57V(0.246%);电流预测误差最大,达8.66A(2.75%);总有功功率预测表现中等。结果表明Holt-Winters算法对稳定性高的累积型数据(如有功电能)预测效果预测效果最佳,而对波动剧烈的电流数据预测能力有限。
2025-06-15 17:41:31
2331
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人
RSS订阅