A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种：outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名，即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件，这些智能设备能够感知周遭的环境，并根据要求作出相应的反应，甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes)，相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程，使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统，数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据，这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术，大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据，并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库，即用即付，例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据，并提供数据的访问
数据中心(Data centre) – 一个实体地点，放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化，保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流，例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象，以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程，以此获得更多的数据信息，这个过程通常会引入其他技术，例如数据库，应用程序，文件系统，网页技术，大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization)，确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的，高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时，能自动地将运行任务切换到另一个可用服务器或节点上
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制，这种方法可以以一种十分友好的方式进行数据的创建和侦测，非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如，一组有限的有序对，或者某种实体)来存储数据，这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能，也就是说，数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起，用以处理某个特定问题，通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统，与普通数据库管理系统不同之处在于，它用主存来存储数据，而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器，使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案，将你的数据存储于不同的国家或不同的大陆时，就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键，指向一个特定的数据记录，这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序，或是旧的技术，或是旧的计算系统，现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上，以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息，即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件，记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分，指的是机器能够从它们所完成的任务中进行自我学习，通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射，Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据，即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序，优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库：能处理3个维度的数据。主要针对非常长的字符串，能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系，即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统，比SQL更易学习和使用，比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义，就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性，能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据，用于面向对象编程。它不同于关系型数据库和图形数据库，大部分对象数据库都提供一种查询语言，允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析，而基于对象的图像分析方法则只分析相关像素的数据，这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作，对商业运营非常重要，一般使用在线事务处理，允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体，用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度，被赋予了世界本体的意义，成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象，该对象与数据集中的其他它相去甚远，因此，异常值的出现意味着系统发生问题，需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开，以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动，从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起，从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径，以达到降低燃料费用，提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象，这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量，确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态，有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据，从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中，用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的，并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点：复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理，而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。
V
价值(Value) – (译者注：大数据4V特点之一)
所有可用的数据，能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说，数据的含义总是在(快速)变化的。例如，一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注：大数据4V特点之一)
数据总是以各种不同的形式呈现，如结构化数据，半结构化数据，非结构化数据，甚至还有复杂结构化数据
高速(Velocity) – (译者注：大数据4V特点之一) 在大数据时代，数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性，才能保证数据分析的正确性。因此，真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化，原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图，可视化指是的复杂的图表，图表中包含大量的数据信息，但可以被很容易地理解和阅读。
大量(Volume) – (译者注：大数据4V特点之一) 指数据量，范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源，如果与其他数据来源合成在一起，可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联，开发人员可以对XML数据库的数据进行查询，导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今，整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测，到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附：存储容量单位换算表：
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte
法国达索系统、华为技术有限公司、中国建材凯盛集团、上海江达 科技 发展有限公司……一个个业界响当当的企业携手合作，志在建筑设计建造全程数字化。强强跨界联合，将擦出哪些创新火花？
“城市大脑”，哪里淹水早知道
9月9日，中南建筑设计院与华为在深圳签署全面合作协议，在F5G（第五代固定网络）、数字平台技术、智慧园区、全屋智能技术等领域开展合作。
在中南建筑设计院董事长李霆看来，智慧建筑就是建筑大脑，智慧园区就是园区大脑，智慧城市就是城市大脑。CIM（城市信息模型）等于BIM（建筑信息模型）+GIS（地理信息系统）+IoT（物联网）。目前，该院开展CIM、GIS、IoT业务力量不足，但具备建筑工程全专业的技术优势，因此选择与华为、达索系统等一流企业和高校跨界合作。
跨界合作将带来哪些新应用？
李霆透露，该院目前正在打造城市大脑升级版。即，利用华为公司智慧城市物联网技术及达索系统“3D EXPERIENCE”平台，建立城市信息模型，再通过“数字孪生”技术进行交通、洪涝、人流量等各类数字模拟仿真，为城市管理者提供决策依据。如，结合雨量等数据进行城市洪涝预警，演算容易淹水的风险区域，并形成“灾害数字预测评估报告”。
2020年抗疫期间，中南建筑设计院在武汉雷神山医院项目中应用了达索系统“XFLOW（流体仿真软件）”，对雷神山医院的气流组织和污染物扩散进行了模拟分析和优化，为“两山”医院和方舱医院建设提供了重要技术支撑。
数据中心建设将有“快捷方式”
近年来，我国高度重视信息通信发展，信息通信基础设施被定性为国家级战略基础设施，5G和数据中心被纳入新基建之列。作为“九省通衢”长江中游核心区域，湖北如何又快又好建设数据中心？
眼下，中南建筑设计院正在和生态圈合作伙伴打造模块化、标准化、预制化、定制化、智能化“五化”解决方案，为数据中心建设提供“快捷方式”。
模块化，即实现IT设备、供配电、制冷、机柜、综合布线等模块化设计，简化施工难度；标准化，即数据中心各接口、设备尺寸、参数等统一标准；预制化，让机柜、冷水机组、泵、制冷单元、UPS、开关柜、变压器等制成标准化模块，实现“即插即用”；定制化，采用不同的标准化模块组合来满足客户个性需求；智能化，实现数据中心、电网等设备之间互联互通，实现云管理。
中南建筑设计院工程数字技术中心主任张慎介绍，此前不少数据中心的设计和施工是割裂的，有的是先建了厂房，再改造成数据中心，导致流程不优、成本较高。中南建筑设计院将通过“数字孪生”技术，实现建筑图纸从手工“画出来”到电脑“算出来”，设计、施工、运维在一个平台上协同配合，实现“一个模型干到底，一个模型管到底”。
让更多玻璃幕墙发电
今后的建筑玻璃幕墙，不但可以透光、隔热，还可以发电。
8月31日，中南建筑设计院与中国建材凯盛集团签订合作协议，双方携手推动建筑业绿色发展。
李霆表示，对建筑业来说，实现双碳目标就是要通过建筑材料创新、数字转型赋能等方式，打造绿色建筑、绿色城市。与工业时代的竞争逻辑、零和博弈不同，数字时代强调共生、共荣、共赢的发展，中南建筑设计院通过联合中国建材凯盛集团，将有力推动建筑行业材料变革。
凯盛集团是以玻璃工业设计起家的，目前该集团占有全球玻璃工业设计业务的一半以上。近年来，凯盛集团开发了中空透光碲化镉发电玻璃、超大面积透光碲化镉发电玻璃、铜铟镓硒幕墙系列发电玻璃、彩色光伏墙砖和光伏瓦等产品。
据透露，下一步中南建筑设计院与凯盛集团将在机场航站楼、高铁站房、科研办公等领域，应用光伏玻璃、光伏发电等新材料、新技术打造绿色建筑新标杆；加强科研合作，在新材料使用、测试、运维等环节强化一体化合作和 科技 研发；联合编制标准，在新技术应用设计标准、工程验收标准等方面加强合作；数字化转型合作，基于达索系统平台，在数字仿真等领域实现优势互补，打通材料级、构件级、建筑级数字应用。
本专题我共整理了10篇文章，来自中国农业科学院农业质量标准与检测技术研究所、南京农业大学、英国林肯大学、华南农业大学、江南大学、国家农业智能装备工程技术研究中心、浙江大学、中国科学院、吉林农业大学、西北农林 科技 大学、国家信息农业工程技术中心等单位。
文章包含农产品质量安全纳米传感器、太阳能杀虫灯、分簇路由算法、农田物联网混合多跳路由算法、水产养殖溶解氧传感器研制、土壤养分近场遥测方法、农机远程智能管理平台、水肥浓度智能感知与精准配比、果园多机器人通信等内容，供大家阅读、参考。
专题--农业传感器与物联网
Topic--Agricultural Sensor and Internet of Things
[1]王培龙, 唐智勇 农产品质量安全纳米传感应用研究分析与展望[J] 智慧农业(中英文), 2020, 2(2): 1-10
WANG Peilong , TANG Zhiyong Application analysis and prospect of nanosensor in the quality and safety of agricultural products[J] Smart Agriculture, 2020, 2(2): 1-10
知网阅读
[2]杨星, 舒磊, 黄凯, 李凯亮, 霍志强, 王彦飞, 王心怡, 卢巧玲, 张亚成 太阳能杀虫灯物联网故障诊断特征分析及潜在挑战[J] 智慧农业(中英文), 2020, 2(2): 11-27
YANG Xing, SHU Lei, HUANG Kai, LI Kailiang, HUO Zhiqiang, WANG Yanfei, WANG Xinyi, LU Qiaoling, ZHANG Yacheng Characteristics analysis and challenges for fault diagnosis in solar insecticidal lamps Internet of Things[J] Smart Agriculture, 2020, 2(2): 11-27
摘要： 太阳能杀虫灯物联网（SIL-IoTs）是一种基于农业场景与物联网技术的新型物理农业虫害防治工具，通过无线传输太阳能杀虫灯组件状态数据，用户可后台实时查看太阳能杀虫灯运行状态，具有杀虫计数、虫害区域定位、辅助农情监测等功能。但随着SIL-IoTs快速发展与广泛应用，故障诊断难和维护难等矛盾日益突出。基于此，本研究首先阐述了SIL-IoTs的结构和研究现状，分析了故障诊断的重要性，指出了故障诊断是保障其可靠性的主要手段。接着介绍了目前太阳能杀虫灯节点自身存在的故障及其在无线传感网络（WSNs）中的体现，并进一步对WSNs中的故障进行分类，包括基于行为、基于时间、基于组件以及基于影响区域的故障四类。随后讨论了统计方法、概率方法、层次路由方法、机器学习方法、拓扑控制方法和移动基站方法等目前主要使用的WSNs故障诊断方法。此外，还探讨了SIL-IoTs故障诊断策略，将故障诊断从行为上分为主动型诊断与被动型诊断策略，从监测类型上分为连续诊断、定期诊断、直接诊断与间接诊断策略，从设备上分为集中式、分布式与混合式策略。在以上故障诊断方法与策略的基础上，介绍了后台数据异常、部分节点通信异常、整个网络通信异常和未诊断出异常但实际存在异常四种故障现象下适用的WSNs故障诊断调试工具，如Sympathy、Clairvoyant、SNIF和Dustminer。最后，强调了SIL-IoTs的特性对故障诊断带来的潜在挑战，包括部署环境复杂、节点任务冲突、连续性区域节点无法传输数据和多种故障诊断失效等情形，并针对这些潜在挑战指出了合理的研究方向。由于SIL-IoTs为农业物联网中典型应用，因此本研究可扩展至其它农业物联网中，并为这些农业物联网的故障诊断提供参考。
知网阅读
[3]汪进鸿, 韩宇星 用于作物表型信息边缘计算采集的认知无线传感器网络分簇路由算法[J] 智慧农业(中英文), 2020, 2(2): 28-47
WANG Jinhong, HAN Yuxing Cognitive radio sensor networks clustering routing algorithm for crop phenotypic information edge computing collection[J] Smart Agriculture, 2020, 2(2): 28-47
摘要： 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（DSEB）的事件驱动分簇路由算法。算法包括：（1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点-主网关节点两种情况；（3）基于频谱变化和通信服务质量（QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设sink为中心），即在网关或簇头节点选取计算式中引入与节点到sink的距离成正比的权重系数。算法仿真结果表明，与采用K-medoid分簇和能量感知的事件驱动分簇(ERP)路由方案相比，在CRSN节点数为定值的前提下，基于DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。
知网阅读
[4]顾浩, 王志强, 吴昊, 蒋永年, 郭亚 基于荧光法的溶解氧传感器研制及试验[J] 智慧农业(中英文), 2020, 2(2): 48-58
GU Hao, WANG Zhiqiang, WU Hao, JIANG Yongnian, GUO Ya A fluorescence based dissolved oxygen sensor[J] Smart Agriculture, 2020, 2(2): 48-58
摘要：溶解氧含量的测量对水产养殖具有极其重要的意义，但目前中国市面上的溶解氧传感器存在价格昂贵、不能持续在线测量及更新部件维护困难等问题，难以在水产养殖物联网中大规模推广和发挥作用。本研究基于荧光淬灭原理，利用水中溶解氧浓度与荧光信号相位差的关系进行低成本、易维护溶解氧传感器的研发。首先利用自制备溶氧敏感膜，经激发光照射后产生红色荧光，该荧光寿命可由溶解氧浓度调节；然后利用光信号敏感器件设计光电转化电路实现光信号感知；再以STM32F103微处理器作为主控芯片，编写下位机程序实现激发光脉冲产生，利用相敏检波原理以及快速傅里叶变换（FFT）计算激发光与参照光的相位差，进而转化为溶解氧浓度，实现溶解氧的测量。荧光探测部分与系统主控部分采用分离式设计思想，利用屏蔽排线直接插拔连接，便于传感器探测头的拆卸、更换、维护以及实现远距离在线测量。经测试，本溶解氧传感器的测量范围是0~20 mg/L，响应延迟小于2 s，溶氧敏感膜使用寿命约1年，可以实时不间断地对溶解氧浓度进行测量。同时，本传感器具有测量方便、制作成本低、体积小等特点，为中国水产养殖低成本溶解氧传感器的研发与市场化奠定了良好的基础。
知网阅读
[5]矫雷子, 董大明, 赵贤德, 田宏武 基于调制近红外反射光谱的土壤养分近场遥测方法研究[J] 智慧农业(中英文), 2020, 2(2): 59-66
JIAO Leizi, DONG Daming, ZHAO Xiande, TIAN Hongwu Near-field telemetry detection of soil nutrient based on modulated near-infrared reflectance spectrum[J] Smart Agriculture, 2020, 2(2): 59-66
摘要： 土壤养分作为农业生产的重要指标，含量过少会降低农作物产量，过多则会造成环境污染。因此，快速、准确检测土壤养分对于精准施肥和提高作物产量具有重要意义。基于取样和化学分析的传统方法能够全面准确地检测土壤养分，但检测过程中土壤的取样及预处理过程繁琐、 *** 作复杂、费时费力，不能实现土壤养分的原位快速检测。本研究基于调制近红外光谱，提出了一种土壤养分主动式近场遥测方法，可有效避免土壤反射自然光的干扰。该方法使用波长范围1260~1610 nm的8通道窄带激光二极管作为近红外光源，通过测量8通道激光光束的土壤反射率，建立土壤养分中氮（N）关于土壤反射率的计量模型，实现了N的快速检测。在74组已知N含量的土壤样品中，选取54组作为训练集，20组作为预测集。基于一般线性模型，对训练集中土壤N含量与土壤反射率的定量化参数进行训练，筛选显著波段后的计量模型R2达到097。基于建立的计量模型，预测集中土壤N含量预测值与参考值的决定系数R2达到09，结果表明该方法具有土壤养分现场快速检测的能力。
知网阅读
[6]朱登胜, 方慧, 胡韶明, 王文权, 周延锁, 王红艳, 刘飞, 何勇 农机远程智能管理平台研发及其应用[J] 智慧农业(中英文), 2020, 2(2): 67-81
ZHU Dengsheng, FANG Hui, HU Shaoming, WANG Wenquan, ZHOU Yansuo, WANG Hongyan, LIU Fei, HE Yong Development and application of an intelligent remote management platform for agricultural machinery[J] Smart Agriculture, 2020, 2(2): 67-81
摘要： 本研究针对农机管理实时数据少、农机实时作业监管困难、服务信息不对称等问题，首先提出专业化远程管理平台设计时应具有五大原则：专业化、标准化、云平台、模块化以及开放性。基于这些原则，本研究设计了基于大田作业智能传感技术、物联网技术、定位技术、遥感技术和地理信息系统的可定制化的通用农机远程智能管理平台。平台分别为各级政府管理部门、农机合作社、农机手、农户设计并实现了基于WebGIS 的农机信息库及农机位置服务、农机作业实时监测与管理、农田基础信息管理、田间作物基本信息管理、农机调度管理、农机补贴管理、农机作业订单管理等多个实用模块。研究着重分析了在当前的技术背景下，平台部分关键技术的实现方法，包括采用低精度GNSS定位系统前提下的作业面积的计算方法、GNSS定位数据处理过程中的数据问题分析、农机调度算法、作业传感器信息的集成等，并提出了以地块为核心的管理平台建设思路；同时提出农机作业管理平台将逐步从简单作业管理转向大田农机综合管理。本平台对同类型管理平台的研发具有一定的参考与借鉴作用。
知网阅读
[7]金洲, 张俊卿, 郭红燕, 胡宜敏, 陈翔宇, 黄河, 王红艳 水肥浓度智能感知与精准配比系统研制与试验[J] 智慧农业(中英文), 2020, 2(2): 82-93
JIN Zhou, ZHANG Junqing, GUO Hongyan, HU Yimin, CHEN Xiangyu, HUANG He, WANG Hongyan Development and testing of intelligent sensing and precision proportioning system of water and fertilizer concentration[J] Smart Agriculture, 2020, 2(2): 82-93
摘要： 为解决农场当地当时的复合肥料精准化配料问题，本研究将水肥一体化智能灌溉施肥系统作为研究对象，构建了水肥浓度智能感知与精准配比系统。首先提出现场在线水肥溶液智能感知模型的快速建立方法，利用数据分析算法从传感器实时监测的一系列浓度梯度的肥料溶液中挖掘出模型。其次基于上述模型设计水肥浓度智能感知与精准配比系统的框架结构，阐述系统工作原理；并通过三种水体模拟在线配肥验证了该系统原位指导水肥浓度配比的有效性，同时评价了水体电导率对水肥配比浓度的干扰。试验结果表明，正则化条件下二阶的多项式拟合曲线是表达溶液电导率与水肥浓度的变化关系最优的模型，相关系数R2均大于0999，由此模型可得出用户关心的复合肥各指标浓度。三种水体模拟在线配肥结果表明，水体会干扰电导率导致无法准确反演水肥配比的浓度，相对偏差值超过了01。因此，本研究提出的在线水肥智能感知与精准配比系统实现了消除当地水体电导率对水肥配比准确性的干扰，通过模型计算实现复合肥精准化配比，并得出各指标浓度。该系统结构简单，配比精准，易与现有水肥一体机或者人工配肥系统结合使用，可广泛应用于设施农业栽培、果园栽培和大田经济作物栽培等环境下的精准智能施肥。
知网阅读
[8]孙浩然, 孙琳, 毕春光, 于合龙 基于粒子群与模拟退火协同优化的农田物联网混合多跳路由算法[J] 智慧农业(中英文), 2020, 2(3): 98-107
SUN Haoran, SUN Lin, BI Chunguang, YU Helong Hybrid multi-hop routing algorithm for farmland IoT based on particle swarm and simulated annealing collaborative optimization method[J] Smart Agriculture, 2020, 2(3): 98-107
摘要： 农业无线传感器网络对农田土壤、环境和作物生长的多源异构信息的获取起关键作用。针对传感器在农田中非均匀分布且受到能量制约等问题，本研究提出了一种基于粒子群和模拟退火协同优化的农田物联网混合多跳路由算法（PSMR）。首先，通过节点剩余能量和节点度加权选择簇首，采用成簇结构实现异构网络高效动态组网。然后通过簇首间多跳数据结构解决簇首远距离传输能耗过高问题，利用粒子群与模拟退火协同优化方法提高算法收敛速度，实现sink节点加速采集簇首中的聚合数据。对算法的仿真试验结果表明，PSMR算法与基于能量有效负载均衡的多路径路由策略方法（EMR）相比，无线传感器网络生命周期提升了57%；与贪婪外围无状态路由算法（GPSR-A）相比，在相同的网络生命周期内，第1个死亡传感器节点推迟了两轮，剩余能量标准差减少了004 J，具有良好的网络能耗均衡性。本研究提出的PSMR算法通过簇首间多跳降低远端簇首额外能耗，提高了不同距离簇首的能耗均衡性能，为实现大规模农田复杂环境的长时间、高效、稳定地数据采集监测提供了技术基础，可提高农业物联网的资源利用效率。
知网阅读
[9]毛文菊, 刘恒, 王东飞, 杨福增, 刘志杰 面向果园多机器人通信的AODV路由协议改进设计与测试[J] 智慧农业(中英文), 2021, 3(1): 96-108
MAO Wenju, LIU Heng, WANG Dongfei, YANG Fuzeng, LIU Zhijie Improved AODV routing protocol for multi-robot communication in orchard[J] Smart Agriculture, 2021, 3(1): 96-108
摘要： 针对多机器人在果园中作业时的通信需求，本研究基于Wi-Fi信号在桃园内接收强度预测模型，提出了一种引入优先节点和路径信号强度阈值的改进无线自组网按需平面距离向量路由协议（AODV-SP）。对AODV-SP报文进行设计，并利用NS2仿真软件对比了无线自组网按需平面距离向量路由协议（AODV）和AODV-SP在发起频率、路由开销、平均端到端时延及分组投递率4个方面的性能。仿真试验结果表明，本研究提出的AODV-SP路由协议在发起频率、路由开销、平均端到端时延及分组投递率4个方面的性能均优于AODV协议，其中节点的移动速度为5 m/s时，AODV-SP的路由发起频率和路由开销较AODV分别降低了365%和709%，节点的移动速度为8 m/s时，AODV-SP的分组投递率提高了059%，平均端到端时延降低了1309%。为进一步验证AODV-SP协议的性能，在实验室环境中搭建了基于领航-跟随法的小型多机器人无线通信物理平台并将AODV-SP在此平台应用，并进行了静态丢包率和动态测试。测试结果表明，节点相距25 m时静态丢包率为0，距离100 m时丢包率为2101%；动态行驶时能使机器人维持链状拓扑结构。本研究可为果园多机器人在实际环境中通信系统的搭建提供参考。
知网阅读
[10]黄凯, 舒磊, 李凯亮, 杨星, 朱艳, 汪小旵, 苏勤 太阳能杀虫灯物联网节点的防盗防破坏设计及展望[J] 智慧农业(中英文), 2021, 3(1): 129-143
HUANG Kai, SHU Lei, LI Kailiang, YANG Xing, ZHU Yan, WANG Xiaochan, SU Qin Design and prospect for anti-theft and anti-destruction of nodes in Solar Insecticidal Lamps Internet of Things[J] Smart Agriculture, 2021, 3(1): 129-143
摘要： 太阳能杀虫灯在有效控制虫害的同时，可减少农药施药量。随着其部署数量的增加，被盗被破坏的报道也越来越多，严重影响了虫害防治效果并造成了较大的经济损失。为有效地解决太阳能杀虫灯物联网节点被盗被破坏问题，本研究以太阳能杀虫灯物联网为应用场景，对太阳能杀虫灯硬件进行改造设计以获取更多的传感信息；提出了太阳能杀虫灯辅助设备——无人机杀虫灯，用以被盗被破坏出现后的部署、追踪和巡检等应急应用。通过上述硬件层面的改造设计和增加辅助设备，可以获取更为全面的信息以判断太阳能杀虫灯物联网节点被盗被破坏情况。但考虑到被盗被破坏发生时间短，仅改造硬件层面还不足以实现快速准确判断。因此，本研究进一步从内部硬件、软件算法和外形结构设计三个层面，探讨了设备防盗防破坏的优化设计、设备防盗防破坏判断规则的建立、设备被盗被破坏的快速准确判断、设备被盗被破坏的应急措施、设备被盗被破坏的预测与防控，以及优化计算以降低网络数据传输负荷六个关键研究问题，并对设备防盗防破坏技术在太阳能杀虫灯物联网场景中的应用进行了展望。
知网阅读
微信交流服务群
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。
入群方法： 加我微信 331760296 ， 备注： 姓名、单位、研究方向 ，我拉您进群，机构营销广告人员勿扰。
信息发布
科研团队介绍及招聘信息、学术会议及相关活动 的宣传推广
在云上时代，开发者亟需更便捷、“轻量级”的工具，降低重复开发的困扰。
6月28日，在首届Techo Day腾讯技术开放日上，腾讯发布了一系列对开发者友好的“轻量级”产品，其中涉及云原生、机器学习、音视频、大数据等多个领域，将腾讯多年自研产品的底层能力释放给开发者。
腾讯公司高级执行副总裁、云与智慧产业事业群CEO汤道生表示：
“我们希望提供一个真正懂程序员需求的交流平台。腾讯云也在过去这几年，不断推出更多的研发工具，期望通过易用、前沿的技术和工具，帮助开发者解决遇到的难题，低门槛实现对数字世界的创想。”
云原生、大数据等基础产品一键配置 助力研发效能提升75%
过去，开发者搭建应用，需要创建服务器、配置网络、安装应用软件、数据库、Web服务器等，再进行各种环境配置，会耗费大量的人力物力资源。
云的出现，为软件开发提供了标准化的基础设施、统一的架构，也让开发工具链统一和开发工程化，有了实现的基础。在云上时代，传统流程可以大幅度缩减，通过“轻量级”工具一键配置完成。
例如，腾讯云的CODING DevOps平台，也在助力研发和运维的自动化，帮助产品发布时间，从过去以“季度”、“年”为单位，缩短到以“天”或者“周”为单位。
在CODING平台上，敏捷项目管理、测试管理、持续集成、制品库、持续部署、应用生命周期管理等功能，在同一个平台上实现，这让团队研发工具建设成本下降827%，研发效能提升75%，产品交付效率提升了68%。
在本届Techo Day上，Orbit云原生应用管理平台全新发布了云原生应用建模、支持数据库变更引擎、多云统一观测平面等多种重磅特性，助力开发者轻松应对云原生应用交付与运维的痛点。
同时，在海量数据需求的场景下，腾讯云重磅发布全新升级的全托管数仓产品——CDW ClickHouse，该版本填补了ClickHouse后续扩容的技术空白，可以为用户提供低成本、高吞吐写入、百亿规模毫秒级的大数据分析服务，提升用户在海量数据实时分析场景下的极速体验。
AI、音视频、物联网、虚拟仿真等能力模块化 服务不同业务场景
数字技术正在发生巨大的变革，AI、音视频、虚拟仿真等技术，越来越多地融入到创新性产品和服务中。但这些技术研发门槛高，从0到1的搭建耗费大量的时间与成本。腾讯云正在在将多年积累的AI、音视频、虚拟仿真等能力模块化，放到云端，让开发者一键调用。
针对AI场景需求，腾讯发布机器学习平台——腾讯云TI平台公有云版本，提供一站式的AI训练和推理能力，并在CV、NLP等模型推理场景中，为算法或者运维工程师提供多种框架的加速能力，加速比可以达到200%+。
在音视频领域，腾讯云视立方·播放器SDK向开发者提供低代码的“腾讯视频”同款内核播放器，相比系统播放器性能提升30%以上，广泛适用于泛 娱乐 、电商、教育等多种点、直播场景 。
同时，云创多媒体创作引擎在视频生产管理、在线审核、运营管理、AI处理等多个维度进行了升级。目前，腾讯云创平台已服务超过500个企业级客户，累计服务用户超过20万。此次，云创打通视频存储数量高达200亿多条的腾讯云VOD（点播）服务，为用户创作带来更多可能性。
在物联网领域，腾讯发布了首个物联网设备洞察分析产品IoT Insight，以轻简流程实现物联网设备资产数字孪生建模、设备资产数据分析、设备告警处理、设备仪表盘可视化等一站式产品服务，可广泛应用于工业、能源、园区、政务、交通、地产等不同行业场景。
在虚拟仿真领域，腾讯发布了自动驾驶虚拟仿真系统TAD Sim（教育版），含有为高校提供的专用软件包，能够弥补院校理论学习与实践的鸿沟。其价格成本低、功能强大，更贴近工业仿真软件，也有更适合科研、教学使用的功能模块、接口。
与小程序深度打通 云开发、低代码成行业趋势
凭借易于使用、高效率、低成本等诸多优势，云开发模式正受到越来越广泛的选择。不管是个人开发者还是组织、机构，都可以借此实现更为高效的开发，充分享受上云带来的高效率和低成本。
腾讯云开发网关，将网络加速、安全风控、流量治理等功能整合起来，让开发者可以更加轻便的接入，帮助泡泡玛特等客户抵御灰产刷限量款牟利，提升用户访问体验，网络请求成功率提升至999%以上。
在本届Techo Day上，一线开发者分享了使用低代码构建企业级应用开发背后的秘密：通过“搭积木”的方式，企业可以构建自己的OA门户和审批管理系统。同时与小程序流程深度打通，方便构建和发布小程序，快速触达客户。
腾讯云微搭低代码平台，通过可视化拖拉拽编辑器和丰富的开发模板，减轻了重复和定制化的工作，开发者可以聚焦在业务逻辑本身，并打通了企业微信、腾讯文档和腾讯会议等丰富的SaaS应用。目前，腾讯云微搭已在政务、教育、交通、工业、金融等多行业落地成熟的项目案例。
“化繁为简，轻而易用”，本次Techo Day发布的更多轻量、好用的工具，将更多助力开发者降低开发门槛，让企业上云更容易。同时，Techo Day将发布《腾讯云工具指南：轻量级云开发与云应用》，为开发者提供打包式的工具使用教程和场景介绍。
三维物联网概念
三维物联网是运用虚拟现实技术构建的全三维数字化物联网管理平台，结合互联网技术、射频识别传感器、视频监控系统、视频分析系统，以及数据仓库技术和数据挖掘技术，突破以人工管理为主的常规园区管理模式，解决常规管理模式中各系统各自独立，支离破碎的问题，同时解决传统模式中信息量少、流通不畅、缺乏综合分析、难以共享、应对突发事件反应迟缓、安全隐患较大等问题，实现物联网时代全面感知各种信息，让常规园区管理更加智能便捷。
三维物联网关键技术
RFID射频识别技术——物联网的“嘴巴”
RFID射频识别技术作为一种通信技术，通过无线电讯号识别特定目标并读写相关数据，而无需识别系统与特定目标之间建立机械或光学接触。
传感器技术——物联网的“耳朵”
作为接收器，它能感受规定的被测量，例如温湿度、电压、电流，并按照一定的规律转换成可用输出信号。
AI及云计算技术——物联网的“大脑”
云计算是把一些相关网络技术和计算机发展融合在一起的产物。它提供动态的可伸缩的虚拟化的资源的计算模式，具有十分强大的计算能力，高达每秒10万亿次的运算能力，可以模拟核爆炸、预测气候变化和市场发展趋势。同时它也具有超强的存储能力，具有计算和存储能力。
而相比云计算，AI技术就是真正意义上模仿人类大脑学习与思考，研究领域有智能机器人、虚拟现实技术与应用、工业过程建模与机器学习等。
无线网络技术——物联网传输中的“高速公路”
当物体与物体“交流”的时候，就需要高速、可进行大批量数据传输的无线网络，无线网络的速度决定了设备连接的速度和稳定性。若无线网络的速率太低，就会出现设备反应滞后或者连接失败等问题。
目前，我们使用的大部分网络属于4G，4G给通信市场带来的变革是十分巨大的，但是在我们即将面世的5G面前都不算什么，据悉，5G的峰值理论传输速度可达每秒数10Gb，举例而言就是一部超高清画质可在1秒之内下载完成，作为第五代移动通信技术，加上国内5G近两年的政策推动，也将把移动市场推到一个全新的高度，而物联网相关领域的发展也因其得到很大的突破。
三维物联网应用领域有哪些？
智慧城市
智慧城市以最大化优化城市功能为目标，促进经济增长，同时利用智能科技与数据分析来提高城市居民的生活质量。智慧城市基于物联网、云计算等新一代信息技术以及维基、社交网络、综合集成法等工具和方法的应用，营造了有利于创新涌现的生态。更为重要的是，智慧城市利用信息和通信技术让城市生活更加智能，通过高效利用资源，节约成本、能源，提升生活质量，减少对环境的负面影响，推动了低碳经济的发展。
智慧园区
园区应用物联网的理件技术可以实现各照明设备电气参数的集中采集，能耗计量和统计、故障声光报警、设备防盗，快速地图定位故障点等。园区中的各种需要获得的有用信息包持温度、湿度，照度等，都可用传感得技术获得，传感器技术获得这些信息后把它们转换成与之对应的输出信号，这样就可以使人们能更好地控制自己的生活和工作环境，最终可以使园区实现智能化。
工业物联网
物联网不仅是智能制造的关键技术之一，也是制造业企业实现数字化转型的重要途径；借助物联网技术，企业可以对多种类型的数据进行高效采集和整合分析，为客户提供远程故障诊断、预测性运维等增值服务，并通过数据价值深度发掘实现数据变现新的收入增长，变产品制造商为综合服务提供商。制造领域应用于物联网技术，主要体现在数字化以及智能化的工厂改造上，包括工厂机械设备监控和工厂的环境监控。未来应提高工业设备的数字化水平，挖掘原有设备数据的价值，提高设备间的协同能力。
建筑施工管理
随着建筑业的高速发展，施工事故也频繁发生，不仅夺去了无数建设者的生命，也为国家和企业造成了重大的经济损失。安全问题始终贯穿于工程建设始终，但是影响施工安全的因素错综复杂，管理的不规范和技术的不成熟都有可能导致施工的安全问题。物联网在施工管理中的应用，可以一定程度上避免安全事故的发生，保证施工安全。
在软件行业中，工业软件只占很小的比例，却是工业制造的大脑和神经，堪称工业领域的“皇冠”。而在“卡脖子”清单中，工业软件和芯半导体片是同时击中中国制造的“软”“硬”两把利剑。但芯片万众瞩目，相反工业软件作为我国向“制造强国”迈进中最大短板却未引起 社会 各方足够重视。
但最近，这个行业也引起了头部投资机构的关注。
发力CAD、CAE，领投卡伦特、十沣
近期，高瓴创投独家领投了核心工业软件、CAD软件「卡伦特」。成立于2014年的卡伦特，独立自主研发了云原生CAD智能设计软件的几何引擎。
CAD软件作为工业软件体系中最关键、难度最高的研发设计类软件，需要大量学科知识的积累与融入，这造成了其壁垒极高、产品实现难度也高，长期以来为国际巨头——包括西门子、达索、欧特克等欧美公司所垄断的局面。
而卡伦特 科技 从研发第一天起就以CAD协作设计和人工智能为突破口进行研发，解决了传统CAD从0开始设计、知识复用难度大、协作困难等问题。
作为基于云计算的智能软件，能通过在线协作的方式实现更高效的流程设计。在工业设计软件实现了“弯道超车”，突破我国工业软件“卡脖子”的困境。
目前，卡伦特在云端智能CAD平台这全新一赛道稳居头部。
在高瓴合伙人黄立明看来，由工业大国向工业强国迈进过程中，自主可控的工业软件不仅是突破“卡脖子”困境的刚需，更是我国工业长期发展的基础设施。CAD平台市场规模大、前景广阔，与此同时产品实现难度高、壁垒强。而卡伦特团队在这一领域实现了可贵的突破，以AI智能为发力点，产品通过独特优势切入市场，是真正以技术创新实现“国产替代”的代表性企业。
除了投资CAD，高瓴还低调投资了工业软件中另一个核心的技术：CAE，即工业仿真软件。
CAE（Computer Aided Engineering，计算机辅助工程）软件是工业软件里面开发难度最大的一款。即把设计出来的产品，通过软件进行仿真分析，这可以为工业产品节约巨大的试错成本。
简单的说，小到一部手机的出厂、大到一架飞机是否有足够韧性来吸收撞击产生的能量，都必须用 CAE 软件来模拟试验。
天眼查显示，深圳十沣 科技 有限公司（简称十沣 科技 ）今年已获得高瓴创投A轮投资。十沣 科技 为中国科学院陈十一院士2020年创立，但其核心团队组建、核心软件研发早在2012年就起步。
历经近10年磨砺，目前，十沣 科技 自主开发的CAE，已成功应用于航空航天、电子电器、机械制造、清洁能源等众多领域，成为高端装备产业自主可控研发平台或技术解决方案的重要选择。
陈十一院士指出，在诸如机器人制造这样高价值、高端工艺领域，因其交叉性极强，信息处理系统与物理系统需达到深度融合，高性能仿真软件贯穿机器人软硬件开发的各个环节，我国必须迎头赶上。CAE软件产业的唯一出路，就是培育自主品牌并在市场上占有一席之地。这是参与国际竞争的关键，是提高国家竞争力进而保障国家安全的关键。
数字化、智能化加仓工业软件领域
实际上，高瓴在工业软件的布局并非从近期才开始。仅以高瓴创投公众号披露为例，可以看到，7月以来，其密集出手、加轮了全应 科技 、深势 科技 、数益工联。
譬如，高瓴创投2019年A轮领投企业全应 科技 ，今年9月宣布完成数亿元B轮融资，高瓴创投持续跟进。
全应 科技 是一家聚焦于热电智能化的工业互联网企业。其自主研发的全应热电云，以工业大数据和人工智能技术为核心，建立云+边+端的可信工业互联网架构，在线动态构建热电系统端到端数字孪生模型，有效提升热电生产效率，为热电企业创造节煤降耗、碳排减少。
全应 科技 创始人夏建涛博士表示，“以数字 科技 推动我国工业转型升级是我国工业从‘大’迈向‘强’的重要抓手。全应 科技 自创立以来，立志于将智能 科技 与传统工业深度融合，以工业互联网平台方式为高能耗流程工业提供节能降耗解决方案。”
再往前，8月26日，数益工联也宣布完成数千万人民币Pre-A轮融资，本轮融资由高瓴创投独家领投。此轮融资资金将用于产品持续深化与迭代，构建全球领先的工业数字化软件团队。
数益工联致力于打造基于数据流+价值流的离散制造业工厂数字化软件；应用新一代的物联网技术与丰富的现场交互手段，为离散制造业客户的数字化升级提供从规划到实施落地的端到端工厂级解决方案；打造行业与客户的工业数据平台，持续提供数据智慧服务。
而8月5日，高瓴创投则领投了深势 科技 数千万美元A轮融资。深势 科技 “以新一代分子模拟平台为代表的科学计算平台的建设，以及相关技术在药物、材料设计等场景的落地”，是一家专注于解决微尺度工业设计难题的企业。
工业软件“蓄势待发”，高瓴要啃“硬骨头”
从高瓴今年的投资不难看出，其正在加速硬 科技 领域的布局。
从围绕光伏、动力电池的新能源板块，到从上游开始对芯片的全链条布局，再到以今年7月上市的成功上市的怡合达为代表的先进制造，到如今的工业软件领域，高瓴显然是有计划地要啃下“硬骨头”。
中国的工业软件市场长期被欧美软件巨头垄断，据分析，国产工业软件较国际最高水准“落后达30年”。事实上，我国工业软件起步并不晚，但由于中途我们“重硬轻软”、忽视了软件化建设，致使我国自主工业软件的发展在20世纪90年代后止步不前，国产工业软件市场占有率，从一度高达25%萎缩到目前不足5%，在一些关键领域甚至全军覆没。
如今，智能制造和“工业40”正越来越聚焦于数字化设计、数字化工厂和数字化运营服务。数字建模和仿真、CAD计算机辅助设计和CAE计算机辅助仿真等核心工业软件，已成为数字化工业背后不可或缺的支柱。
而随着“工业40”等进程的加快，对工业软件的需求也不再是单一软件产品，而是向着包含多方面的整体解决方案转变。这对于国产工业软件提供商来说是个缩短与国际巨头差距的机遇。这同时也意味着，国内软件企业需要改变加快研发步伐。高瓴等一众资金的加入，一定程度上将缓解工业软件研发的资金压力，另一方面，也意味着国产工业软件的发展潜力正在得到市场的积极响应。
关于图扑软件(Hightopo)
图扑软件自主研发了基于 HTML5 的 2D、3D 图形渲染引擎。广泛应用于 2D、3D 可视化、工业组态与数字孪生领域。为工业物联网、楼宇、场馆、园区、数据中心、工厂、电站、医院、农业、学校、仓储等行业客户提供优质数字孪生解决方案。
本文介绍智慧选煤厂可视化解决方案及重点应用场景。
国家“十四五”规划，中国要实现“2060”目标，需要优化产业结构和能源结构。煤炭是我国重要的基础能源，为国民经济和社会发展提供了可靠的能源保障。在智能化发展大潮之下，煤炭行业亟待借势转型。
图扑软件应用自主研发的 HT for Web 产品，搭建了选煤厂区建筑及生产设备、管线等设施的三维场景，将生产数据采集、安全监测监控与生产时空有机结合，构建了集智能巡检、设备安全监测、预警功能、企业管理于一体的三维可视化管理系统。全方位推动选煤厂精细化管理工作，实现减人增效的目的。
通过 Hightopo 构建 Web 智慧选煤系统。整体场景采用航拍建模方式获取，利用飞机或无人机搭载多台传感器，对选煤厂进行拍摄采集，快速高效获取真实反映厂区情况的数据信息。通过纠正、平差、多视影像匹配等一系列的内业处理 *** 作，最终获得三维模型。航拍建模的成果数据具有地理坐标系信息，可以准确地和 GIS 匹配。
HT 和 GIS 的集成方案中可提供根据经纬度和海拔数据构建漫游线路，让用户以第一人称的视角按照指定线路对厂区进行巡检漫游，在制定线路的时候可以参考重点区域或智能化水平较高的区域进行制定，给用户呈现选煤厂重点发展区域以及智能化发展成效。
在线监测核心设备运行情况，对选煤厂智能管控实现全覆盖，避免监控不到位、工作人员疏忽等问题所造成的各类事故的出现，确保了选煤厂机电设备的正常、平稳、持续、高效的工作。
本次三维选煤厂可视化项目，从日常管控、企业历程、应急管控为主体进行展示。系统聚焦产品运输、洗选加工关键流程管控，化繁为简，从根本上堵塞管理漏洞，通过精准监督推动企业高质量发展。
日常管控
大气监测
在生产过程中，选煤带来的环境污染非常严重，这一问题已经引起社会各界的重视。图扑软件运用丰富的可视化图表和动画效果，实时统计各厂区、监测点的监测设备数据，数据涵盖当日室外温度、湿度、压力、二氧化硫和颗粒物等多个关键指标。为制定对控制污染源无组织排放、减少大气污染等综合管理方案，提供可靠的数据信息。
水环境监测
结合图扑软件 Web 2D 组态功能，再通过数据采集，实现水环境监测可视化。数据包括 ph 值、化学需氧量、生物化学需氧量以及细菌总数等水体资源保护及污染控制的重要指标。技术员可及时掌握洗水变化规律，做出适当调整。
固体废弃物占比监测
煤炭固体废弃物是指煤炭在生产、加工和消费过程中不再需要或者暂时没有利用价值而被遗弃的固态或半固态物质。利用图扑软件可视化图表，将固体废弃物以及占比进行等关键数据进行可视化呈现。防止固体废弃物污染环境，保障人体健康，维护矿区环境景观。
主厂房数据管控
主厂房是选煤厂生产系统的核心建筑物，选煤工艺的大部分的流程都要在此完成。图扑软件将 BIM 技术应用到主厂房建设中，BIM 技术将模型进行细化及深化之后，配合图扑软件 HT 引擎，进行贴近现实的三维渲染动画。2D 面板联动三维场景，动态更新设备指标，时刻对选煤工艺进行安全监管。
图扑软件 HT 的轻量化方式是在传统的 GIS 和 BIM 技术上做出了全新的改变：HT 具有轻量化、低成本的优点，企业无需再购置笨重昂贵的 GIS 和 BIM 软件；而且起点低、效果好，传统 Web 开发人员可轻松上手，借力 HT 强大的 3D 渲染效果即可做出高仿真场景。
点击“楼层隐藏”切换透视效果，呈现厂房内三维设备在厂房分布情况，点击“楼层展开”切换查看不同楼层内场景的设备运行情况。
3D 主厂房
主厂房设备监控系统通过 HT 3D 效果，1：1 制作 3D 可视化仿真互动模型，并将重介洗煤工艺流程整合融入，将原煤进行洗选加工和综合处理的全过程信息监控。
系统可实时显示重介旋流器、精煤皮带、振动筛、原煤皮带等重要设备的动态数据，当点选不同楼层设备时，自动d出设备多重信息，创建多参数实时在线监测。
数据信息包括运行设备的振动频率、温度、故障信号、趋势信号等数据，管理人员可通过此功能，进行调用查看设备运行状态、故障属性及导致故障发生的相关联信息历史数据。
2D 主厂房
选煤厂主厂房负责把主井提升上来的精煤进行分选加工成原煤、块煤和矸石等产品。图扑软件以二维组态图方式搭建的选煤生产线，界面中可对用户所关注的产能信息、设备运行关键指标进行监测展示。覆盖精煤、中煤、矸石、煤泥的产品形成全过程。
场景内可对脱介筛、磁选机、泄介筛、离心机等设备布局进行可视化展示，不同的产物生产线路采用不同颜色的线条标识，为作业人员提供图形注释。
同传统界面相比，图扑满足工业物联网现代化的、高性能的、跨平台（桌面 Mouse /移动 Touch /虚拟现实 VR）的图形展示效果及交互体验。同时还支持结合 VR/AR 进行展示，让用户能够沉浸在虚拟环境中进行体验，尤其对工厂、车间、生产线等大型场景更具有优势。
密控系统
通过图扑软件实现可交互的 Web 密控三维系统，针对重介系统的密度控制和数据监控而开发，可使测量密度值跟踪、趋近直至等于设定值。密控系统分为精煤密控、中煤密控和矸石密控三大板块，实现煤泥含量及旋流器入口压力的稳定控制。
浓缩车间数据管控
浓缩车间适用于选矿厂的精矿和尾矿脱水处理。图扑软件基于 HTML5 标准的组件库，构建车间三维场景。
设备可视化
浓缩设备具有以下特点：
添加絮凝剂增大沉降固体颗粒的粒径，从而加快沉降速度
装设倾斜板缩短矿粒沉降距离，增加沉降面积
发挥泥浆沉积浓相层的絮凝、过滤、压缩和提高处理量的作用
配备有完整的自控设施
其中絮凝加药机设置高亮显示，点击即可隐藏其他设备显示。
蓄水动画演示
通过图扑软件将 2D 和 3D 无缝融合，搭配数据面板以及动画驱动制作了蓄水工艺可视化。场景支持常规的旋转、平移和视角缩放。蓄水工艺包括蓄水、加药搅拌（添加絮凝剂）、放水、泵体放水等 *** 作的演示，营造具有真实沉浸感的体验。
压滤车间数据管控
压滤车间负责压滤处理煤泥、回收分离介质水，压滤机负责处理浓缩机底流。传统的压滤生产主要依靠人工 *** 作，需人工查看并判断压榨程度，工作效率低下，产品水分无法得到保证，存在液压系统破损或压滤喷料伤人的安全隐患。
图扑软件搭建的压滤车间可视化管理系统，通过 HT 引擎将压滤车间的压滤机以及楼层分布进行 1:1 还原，可随时查看设备基本信息、运行信息、故障信息等。点击左侧面板压滤机以及楼层展开，即可查看车间楼层分布情况以及压滤机工作状态。
实时监测系统内压滤机状态信息，包括松开、压紧、进料等各进程状态，打破压滤机与压滤机之间、压滤机与智能压滤检测系统相关辅助设备之间的信息孤岛。实现智能压滤检测系统内所有设备及相关信息的统一集中监管，降低岗位巡检工的劳动强度，方便生产监管。
每台压滤机增设故障信息以及运行信息，通过实时监测压滤机电流电压，结合本台压滤机运行状态、基本信息，可自动判断压滤机是否达到进料结束时机，保障压缩车间正常运行。
汽车装车站可视化
传统的汽车装车采用人工 *** 作装车。人工调度车辆位置和放料闸板开关存在人车精准配合难度大，容易出现溜槽磕碰、撒煤、超偏载等问题，装车工作效率低下。
图扑软件基于 Web 端的 UI/2D/3D、GIS、BIM 及 VR/AR 等可视化工具及应用，可以在浏览器上流畅展示，实现对车辆状态、料位状态、装载设备状态等关键信息的采集，并对设备进行控制，对司机进行提示，有效解决所需岗位人员多，职工劳动强度大等问题。
其中使用模型贴图的 UV 偏移动画模拟了煤矿运输过程。场景中还有与图纸按钮的功能交互，如溜槽展示、煤储动画以及栈桥动画的启停动画及演示，以及运输设备的单独查看。
能源管控
图扑软件自主研发的 HT 选煤厂能源管控系统，展示了厂区所有建筑用能、重要设备或工艺的能源消耗。点选内场景建筑图标，可以清晰明了地看出对应建筑当日及一周内用水、用电、用气的累计值以及变化趋势，能源管理一键触达。
用电管控
接入削峰、填谷实时数据形成峰谷时段用电柱状图表，选煤厂据此可实施"避峰就谷"生产用电管理模式，在完成生产任务的前提下，通过合理组织安排生产时间，降低电费平均价格，从而实现降低生产用电成本。
吨煤介耗
介质消耗是重介质选煤厂的主要辅助材料消耗之一，也是评价重介质选煤的一项主要技术经济指标。图扑软件通过对接数据接口，将本月吨煤介耗以及环比数值进行可视化表达，在后台，管理员可以对工厂用能进行全面检查，并及时反馈相关问题。
生产管控
选煤厂的生产是连续性很高的过程，连续的生产过程是由多个执行不同任务的工艺环节和多种工艺设备及相应的辅助设备来完成。
图扑软件通过对接生产线上所有设备数据，构建选煤厂生产管控系统。2D 面板展示实时产量、库存量以及生产数据等关键数据指标，利于明确各车间的生产任务及生产进度，实现车间生产现场管理透明化；协助车间生产管理人员及时处理突发状况，确保生产稳定进行。
传送带集中控制
煤矿输送带的运输方式与其他井下运输相比在运输速度、运输效率等方面具有十分明显的优势，可以实现短期内对大量煤炭物资的运输。图扑软件针对煤矿运输环节容易出现的各种问题，对传送带运输在线监测，降低煤矿运输成本的同时，保障运输人员的安全性，提升运输的整体速度。
支持模拟无人机视角漫游，当经过厂区建筑时，可自动d出对应设备信息及瞬时带煤量变化趋势、在线统计设备故障数量，值班人员根据实时显示的数据进行复查留存，实现对煤炭产量的实时准确监管，有效解决职工不履职、工作疏忽容易造成事故隐患的现象，防止皮带断带等事故的发生。
参观模式
企业历程及荣誉
图扑软件依托自主研发的 HT 产品，对企业的品牌文化进行整体设计，展示企业的发展历程、成就以及业务等。通过数据可视化、分布式数据展示，既能客观真实地展示出企业经营状态、未来发展前景，也能更好地赋能企业发展，助推企业的进一步升级。
企业管理
人力资源管理是现代企业管理中的一个重要环节，随着企业信息化的不断推进发展，企业人力资源管理对大数据的应用也成为必要趋势。图扑软件搭建的企业管理平台，支持通过自定义的数据指标，展示如员工数量、职位结构、公司股东等情况，清晰的展示企业组织内部人才资源的基本概况，让管理人员对企业的人才组织现状有全方位动态的掌握。
经营绩效
图扑软件建立的以经营绩效为中心的可视化面板，实时展示企业的支出、收入金额、上缴税金，实现企业运营的穿透管理，满足领导“看得见、看得清、看得远”的需求，为企业资产经营管理、生产运营管理、产业结构调整等决策提供支持。
应急管控
安全四色图
图扑软件对选煤厂所有风险进行辨识分级，不同危害级别区域选用不同的颜色显示，建立安全四色图。方便建立安全风险分级管控工作体系，明确负责安全风险分级管控工作的管理部门。
不同风险和危害级别制定具体的防控措施进行管理。在图扑软件 2D 面板展示应急预案，应急物资、剩余应急物资信息。规范厂区应急救援工作，提高应对风险和防范事故的能力，保证职工安全的健康，最大限度的减少财产损失。
疏散路线
场景内通过流动线条标示输送路线，指向疏散出口方向。支持模拟多条疏散路线并预测时间，测出最佳逃生路线。
安全监测
选煤厂内车间设备分布不规律、跨楼层，涉及的监测点多达两百多个，因此需要根据监测点位置分布特点合理设置监测子站的位置，以及每个监测子站的监测范围。通过图扑软件 HT 打造的三维可视化系统支持根据现场摄像头实际点位，接入所对应的摄像头视频画面，实现场景还原。
一旦管辖区域内的监控摄像头拍摄到异常现象，系统会把摄像头信号调到显示大屏上，同时报警装置响起，提醒相关人员查看、解决问题。
预警统计
设备在线监测与预警是现阶段选煤厂“智能化”普遍建设内容，现场使用效果较为理想。但普遍存在浅尝辄止，数据监测类型单一，没有对在线预警数据进行深度挖掘、分析等问题。图扑软件对接多类传感器，多数据的监测与健康评估，实现故障定性、定量、定位诊断，包括燃气、电气、节能等运行参数。
融合红外成像和 AI 摄像头，系统可自主设置电子围栏内容、生效范围，实时监测设备关键部位温度，通过电子围栏看板，职工可实时查看现场中的设备情况以及设备统计。
重点监测
针对选煤厂重点区域，图扑软件依靠三维可视化技术划定重点监控对象，联动 HT 视频融合技术，将监控画面以 2D 方式融合到场景的三维模型中，为 *** 作人员提供直观的视频图像和简单的视图控制，保证选煤生产的高效、有序进行。
采煤工艺全流程可视化
图扑软件还搭建了 2D 采煤工艺全流程监控可视化解决方案，对采煤工艺流程相关的设备和 *** 作进行展示。实现设备全量全要素的模拟仿真反演。
相较于 InTouch/IFIX/WinCC 这些传统组态软件，图扑基于 Web 的平台更适合 C/S 向 B/S 转型的大趋势，多元素丰富的可视化组件和支持快捷的数据绑定方式，可用于快速创建和部署。实现零代码、低代码生成页面，可以快速搭建可视化页面生产平台，大大降低页面生产成本。为各类工业场景提供 2D、25D、3D 多种清晰美观的可视化服务模式。
其中，图扑软件搭建的智慧电力可视化解决方案，可帮助决策者从微观到宏观地掌握全省电网运行态势，形成数据和服务闭环。虚拟电厂既可以作为“正电厂”向系统供电调峰，又可作为“负电厂”加大负荷消纳配合系统填谷。
打造健康舒适厂区
系统对接环境监测系统，实时采集厂区内各监测指标，以及选煤厂房内各有害气体，并选用图扑软件丰富的图表、平面图等形式形象展示，通过设置环境数据预警值和告警值实现平台环境监测的自动告警。
优化选煤厂用能
HT 能耗监测系统的监测范畴涵盖厂区的电、水、气，通过智能设备对能源消耗进行全面感知，对各类能耗进行采集统计，并经过能耗分析挖掘对厂区生产生活的整体用能优化。
完善选煤厂安全建设
通过搭载智慧化物联网设备，对厂区资产信息进行统计分析，实现厂区资产的数字化管理。同时也能进行物资定位与盘点，实现管理人员对物资的全生命周期管理。
保障厂区生产生活安全
图扑软件对每日巡更计划的实施情况进行有效监测，并可联动 3D 场景查看巡更计划在厂区中路线、视频点位等信息。同时图表化展示巡更过程中的异常上报趋势，分析出巡更异常的高发时间段与区域。
目前，随着人工智能、5G 等新一代信息技术的迅猛发展，正处于从工业经济向数字经济转型过渡的大变革时代。图扑软件以“黑色煤炭、绿色发展、高碳能源、低碳利用”的管理理念，以精细化的管理模式，建立的智能化洗煤厂平台，最大限度以用户需要提供优质信息，发掘业务协同价值，多维度多层次展现，帮助用户迅速做出决策，提高选煤厂业务效率及质量。未来，图扑软件将紧跟 5G 时代的脚步，为选煤厂管理及技术创新、减人提效、降低成本、转型发展注入新动能。
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）