-
题名基于influxDB的工业时序数据库引擎设计
被引量：51
- 1
-
-
作者
徐化岩
初彦龙
-
机构
冶金自动化研究设计院混合流程工业自动化系统及装备技术国家重点实验室
辽宁警察学院治安管理系
-
出处
《计算机应用与软件》
北大核心
2019年第9期33-36,40,共5页
-
基金
国家重点研发计划项目(2017YFB0304102)
-
文摘
工业时序数据具有测点多、采样频率快、读取性能要求高等特点。influxDB提出时间结构合并树TSM,解决了数据的读写性能优化问题,并针对整数、浮点数、布尔、字符串、时间五种数据类型采用不同的压缩算法。它在读写性能、存储空间占用方面取得了较好的效果,在开源时序数据库软件中排名第一。针对influxDB元数据结构相对于工业时序数据过于复杂的问题,提出简化后的TSM文件结构,开发工业时序数据库的引擎,并进行了读写性能测试。结果显示,该引擎一次5万点整型数据写入平均耗时约310 ms,读取1 000点共计100万条数据耗时约626 ms,并且具有很大的性能提升潜力。
-
关键词
时序数据库
influxdb
TSM
压缩
索引
-
Keywords
Time series database
influxdb
TSM
Compression
Index
-
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于InfluxDB的桥梁监测系统设计与实现
被引量：18
- 2
-
-
作者
韩艺坤
李富年
陈志丹
-
机构
武汉科技大学信息科学与工程学院
华中科技大学土木工程与力学学院
-
出处
《现代电子技术》
北大核心
2020年第16期21-25,共5页
-
基金
国家自然科学基金项目(51778258)
中铁第四勘察设计院集团有限公司科研项目(2018D001)。
-
文摘
桥梁监测系统可以有效保障服役桥梁的安全性、耐久性和完整性。长期稳定的桥梁结构监测数据是桥梁监测系统安全运行的基础。由于监测数据的高采样频率的特性,导致现有的关系型数据库无法完成实时、高频、海量数据存储的任务。该文以赣江特大桥为监测对象,针对监测传感器数据中时间标签的唯一性,采用基于时序数据的InfluxDB数据存储引擎,为监控、统计、分析、告警和管理等提供数据访问服务,并在此基础上设计实现了一套桥梁监测系统。实践表明,该时序数据存储引擎能够提供海量的存储能力,同时兼顾极高的数据访问性能,为桥梁监测提供可行的数据存储方案。
-
关键词
桥梁监测
系统设计
数据存储
时序数据库
influxdb
数据访问
-
Keywords
bridge monitoring
system design
data storage
time series database
influxdb
data access
-
分类号
TN931.3-34
[电子电信—信号与信息处理]
TP393
[自动化与计算机技术—计算机应用技术]
-
-
题名CNN-LSTM在桥梁预警机制的研究与应用
被引量：1
- 3
-
-
作者
潘浩
李富年
余兴盛
秦寰宇
陈志丹
-
机构
武汉科技大学信息科学与工程学院
中铁第四勘察设计院集团有限公司
华中科技大学
-
出处
《计算机应用与软件》
北大核心
2025年第3期29-33,40,共6页
-
基金
国家自然科学基金项目(51778258,51922046)
中铁第四勘察设计院集团有限公司科研项目(2020K006,2019D001,2020D002)
中铁二院工程集团有限责任公司科研项目(KYY2019029(19-21))。
-
文摘
为了更好地满足桥梁健康监测系统的需求,提高桥梁健康监测系统的性能,将深度学习与时序数据库InfluxDB结合起来构建新型桥梁健康监测系统的预警机制,提高现代桥梁健康监测系统的危险感知能力。以赣江特大桥为背景,将卷积神经网络CNN与长短时记忆网络LSTM结合起来构建CNN-LSTM模型,对桥梁的挠度数据进行预测。通过对实验结果分析发现CNN-LSTM模型能够有效预测出桥梁的挠度数据,在置信区间为±0.1 mm的情况下,准确率达到92.8%,在预测未来十分钟的挠度数据中,均方根误差RMSE为0.1097。实践表明时序数据库InfluxDB与CNN-LSTM模型的融合增强桥梁健康监测系统对潜在威胁的感知能力,有效提高桥梁健康监测系统的预警报警机制。
-
关键词
桥梁工程
长短时记忆网络
卷积神经网络
CNN-LSTM模型
influxdb
-
Keywords
Bridge engineering
LSTM
Convolutional neural network
CNN-LSTM model
influxdb
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于时序数据库与深度学习的制丝实时数据应用研究
被引量：10
- 4
-
-
作者
顾茜
钱继春
-
机构
厦门烟草工业有限责任公司
-
出处
《中国烟草学报》
CAS
CSCD
北大核心
2021年第3期104-113,共10页
-
基金
福建中烟管理创新项目“基于大数据分析的CDT-5L型CTD自适应控制模型研究”(FJZY2019ZNCX019)。
-
文摘
【目的】研究气流烘丝机叶丝干燥工序出口叶丝含水率实时趋势预测的解决方案,提高产品工艺质量稳定性。【方法】基于时序数据库InfluxDB对实时生产数据进行存储、查询统计、分析告警,使用三次指数平滑算法、长短期记忆网络(LSTM)和序列到序列学习(Seq2Seq)对生产过程数据建模预测。【结果】①三次指数平滑算法集成在时序数据库中,可实现精度良好、准实时的叶丝出口含水率趋势预测;②在料头生产关键参数模仿学习方面,LSTM模型在整体性能上具有显著优势。【结论】采用时序数据库和深度学习算法结合的实时数据应用框架,横向集成最优算法模型,预测精度和应用效果良好。
-
关键词
时间序列数据库
深度学习
工业物联网
LSTM模型
Seq2Seq模型
influxdb
边缘计算
-
Keywords
TSDB
deep learning
IIoT
LSTM
Seq2Seq
influxdb
edge computing
-
分类号
TS452
[农业科学—烟草工业]
-
