WO2023068959A1 - Modular system for collecting and analysing information in an industrial environment - Google Patents

Modular system for collecting and analysing information in an industrial environment Download PDF

Info

Publication number
WO2023068959A1
WO2023068959A1 PCT/RU2021/000448 RU2021000448W WO2023068959A1 WO 2023068959 A1 WO2023068959 A1 WO 2023068959A1 RU 2021000448 W RU2021000448 W RU 2021000448W WO 2023068959 A1 WO2023068959 A1 WO 2023068959A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
sensors
computing
computing module
module
Prior art date
Application number
PCT/RU2021/000448
Other languages
French (fr)
Russian (ru)
Inventor
Вадим Вячеславович ПУТРОЛАЙНЕН
Максим Александрович БЕЛЯЕВ
Валентин Валерьевич ПЕРМИНОВ
Павел Владимирович ЛУНЬКОВ
Original Assignee
Акционерное общество "ДжиЭс-Нанотех"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Акционерное общество "ДжиЭс-Нанотех" filed Critical Акционерное общество "ДжиЭс-Нанотех"
Priority to PCT/RU2021/000448 priority Critical patent/WO2023068959A1/en
Publication of WO2023068959A1 publication Critical patent/WO2023068959A1/en

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Definitions

  • the invention relates to the field of monitoring production processes and industrial equipment based on the collection and analysis of information obtained from a variety of sensors placed in an industrial environment.
  • the industrial environment is understood as a set of industrial equipment serving the infrastructure, including buildings, premises, communication lines, power and water supply lines used in the production of materials, air or water environment in which industrial equipment is located, as well as working personnel.
  • the invention is intended to analyze the current state of production processes and industrial equipment, to predict failures of industrial equipment or its individual components, to form recommendations on the modes of operation of industrial equipment.
  • the information collection system should provide functionality for preliminary processing of signals from sensors. For example, when analyzing a periodic signal, it often becomes necessary to represent it in the frequency domain, which can be implemented using the Fourier transform. Averaging the signal over a certain time period can be used to reduce the effect of noise. In some cases, it is necessary to use statistical processing of signals from several sensors using the methods of regression, correlation, and dispersion analysis. In some cases, it is useful to send status information production equipment or individual parts, which is determined based on the classification of a combination of signals from several sensors.
  • machine learning methods can be used, such as logistic regression, support vector machine, decision trees, Bayesian network, nearest neighbor method, neural networks, etc. These methods can be used for parallel processing of data obtained from multiple sensors and most often operate data presented in matrix form.
  • performing matrix calculations on traditional microprocessor architectures requires a lot of time due to the small number of arithmetic logic units.
  • the prior art is a device for collecting and processing data from multiple sensors [L. Sheynblat, T. Wolf, and A. Hodisan, “Multi-sensor data collection and/or processing,” US Patent application No. US20200029814A1, 01/30/2020], consisting of many sensors that can be placed both on the device itself and connected to it using wired and wireless interfaces, and a processing processor.
  • the processing processor may include various computing devices, such as special integrated circuits, digital signal processors, programmable logic devices, programmable logic integrated circuits, processors, controllers, microcontrollers, microprocessors, etc.
  • the processing processor may include analog-to-digital converters for converting data from analog sensors, memory for storing read and processed data, and sensor power supply control circuits.
  • the processing processor is used to collect, process and store data received from connected sensors.
  • Sensors can be of various types (accelerometers, gyroscopes, geomagnetic sensors, pressure sensors, biometric and temperature sensors, etc.) and connect using various wireless technologies (Bluetooth, Zigbee, NFC, Wi-Fi, etc.).
  • the data acquisition and processing device may be connected to external processing and transmitting devices and may transmit raw and processed data from connected sensors.
  • the disadvantages of this device are: the lack of a modular structure of the device for collecting and processing data, which complicates the use of the device to work with a large distributed array of sensors, as well as the lack of hardware acceleration of matrix calculations in the processing processor, which slows down data mining, including using computer methods. learning.
  • a system for monitoring and reporting equipment operating conditions and diagnostic information is known in the art [CL Boyd, M. Rajab, A. Borodaev, V. Fedishov, “Method and system for monitoring and reporting equipment operating conditions and diagnostic information,” WO Patent application No. WO2013036897A1, 03/14/2013], which provides the ability to monitor the status and assess the reliability of one or more industrial installations by creating a network consisting of many sensors temporarily or permanently placed on various parts of these installations. Sensors provide time-ordered information about vibration, temperature, electrical signals, or other operating conditions. The sensors are connected to data collection devices, which transmit the information collected from the sensors over a local or global network using wired or wireless connections as a data stream.
  • This data stream is stored in one of the databases and passed to the data collection service processor for analysis according to the diagnostic configuration.
  • the data acquisition processor divides the received information into a plurality of data packets, each containing only a portion of the original information.
  • the data packets are then stored in multiple databases to facilitate subsequent data retrieval and analysis.
  • the data packets are stored in a cloud storage system.
  • the data collection processor is responsible for distributing data packets to specific tables within databases, depending on their source.
  • the information from the databases is used in the process control services of the industrial equipment control system. Information from the databases is also available to software configured to extract data packets and analyze time-ordered information to determine the functional characteristics of the monitored object based on the diagnostic configuration.
  • the disadvantages of this system are: the lack of data pre-processing in the data collection devices, which significantly increases the load on the data transmission channels between the data collection devices and the data collection processor, as well as the lack of hardware acceleration of matrix calculations in the data collection processor, which slows down data mining, in including using machine learning methods.
  • This device is designed to collect and analyze data from industrial equipment.
  • this device consists of a mother processing system and one or more data acquisition systems.
  • the data acquisition system may have built-in sensors that are located directly on the board. Also, the data acquisition system may have many input interfaces and ports through which it can receive data from external sources. External data sources can be external sensors with a digital or analog interface, as well as other data sources, interaction with which is carried out through a standardized data transfer technology (Wi-Fi, Bluetooth, NFC, Ethernet).
  • the data source for the data acquisition system may be a training feedback signal from the analytical system as part of the parent processing system. The data coming from the sensors can be combined using the built-in multiplexer. The collected data may be buffered or cached in the built-in buffer/cache and may be read by external systems, such as the parent processing system, through the available output interfaces and ports.
  • the data collection system also includes an intelligent input selection system, a self-organizing data warehouse and an analytical system.
  • the intelligent input selection system of the data acquisition system is responsible for selecting the list of input signals that will be used to collect and analyze information using machine learning methods.
  • the selection of input signals can be made using the mother processing system, which also includes an intelligent input selection system.
  • the intelligent input selection system can take advantage of artificial intelligence and machine learning and information about captured system states obtained from external sources or from the parent processing system, which may relate to the operating state of the equipment, the state of the environment, the state of the workflow, the state of the malfunction, etc. Optimization and tuning of the choice of input signals may be performed using a training feedback signal from the mother processing system, which may contain training data and quality assessment metrics calculated by the analytical system of the mother computing system.
  • a data stream consisting of a certain combination of inputs allows positive results to be achieved under a given set of conditions (such as improved pattern recognition, improved prediction, improved diagnostics, increased profitability, increased ROI, increased efficiency, or the like)
  • metrics related to such results from the analytic system of the parent processing system can be provided via a training feedback signal to an intelligent input selection system to help configure the future data collection process. This allows you to later disable other input sources.
  • An intelligent input selection system can be based on genetic programming techniques using a training feedback signal and can be used to select the most efficient input sets from all possible options to optimize and adapt the data acquisition system to unique environmental conditions.
  • the intelligent input selection system of the data acquisition system can be used to combine (fuse) data from various sensors and other data sources into one or several combined data streams, for example, using the built-in multiplexer, to create various signals that represent combinations, permutations, mixtures, etc. of the original analog and / or digital data.
  • the self-organizing memory of the data acquisition system is used for intelligent data aggregation and storage.
  • Data coming from sensors can consume large amounts of storage capacity, especially since multiple sensors can be connected to a data acquisition system.
  • Simply storing all data indefinitely is usually not the best option for a data collection system, and transferring all data may result in exceeding the allowed bandwidth limits (for example, exceeding the volumes of transmitted data of a cellular plan), etc. .
  • data storage strategies are needed that deal with capturing only a part of the collected data, or storing data for a limited period of time, or storing data with the loss of part of the information (data are represented in intermediate or abstract forms).
  • a self-organizing storage can use a learning feedback signal to obtain evaluation metrics (measures of the entire system, analytical indicators, local performance indicators) from an analytical system or an intelligent input selection system of the parent processing system.
  • Self-organizing storage can automatically change storage parameters such as data storage location (local storage, storage on neighboring data collection system, remote storage), data storage volume, data storage time, data storage type (values from individual sensors, or combined and multiplexed values from several sensors), type of storage (RAM, flash memory, hard drive), method of organizing data storage (“raw” data, hierarchical structures, etc.). Changes in parameters can be made over time based on feedback signals, thereby allowing the data acquisition system to adapt to changing environmental conditions.
  • the analytical system which is part of the data collection system, is used to implement data mining. It can use a wide range of analytical methods, including statistical and econometric methods (e.g., linear regression analysis, similarity matrices, heat map methods, etc.), inductive methods (Bayesian inference, rule-based methods, inductive reasoning, and etc.), iterative methods (forward and feedback, recursion, etc.), signal processing methods (Fourier transforms, etc.), pattern recognition methods (using digital filters, such as Kalman filter, etc.), search methods, probabilistic methods (random walk methods, random forest algorithm, etc.), modeling methods (linear optimization, etc.) and a number of other methods, including machine learning methods.
  • statistical and econometric methods e.g., linear regression analysis, similarity matrices, heat map methods, etc.
  • inductive methods Bayesian inference, rule-based methods, inductive reasoning, and etc.
  • iterative methods forward and feedback, recursion, etc.
  • decision trees For example, decision trees, association rules, deep learning, artificial neural networks, genetic learning algorithms, inductive logic programming, support vector machine, Bayesian network, reinforcement learning, rule based learning, sparse learning methods, similarity and metrics based learning, systems of training classifiers, logistic regression, “random forest”, K-means method, gradient enhancement, K-nearest neighbors method.
  • the analytical system of the data collection system can be used to calculate metrics, such as indicators efficiency, energy usage, storage usage, redundancy, entropy and other parameters.
  • the parent computing system consists of an analytical system, an intelligent input selection system, a self-organizing network system, a state monitoring system, a computing architecture, and a policy automation engine.
  • the analytical system of the parent computing system is used to implement data mining and performs and can use the same methods as the analytical system of the data acquisition system, but at the same time is used for more resource-intensive calculations.
  • a learning feedback signal it can pass the value of the evaluation metrics to the data collection system to assist its self-organizing storage, intelligent input selection system, and analytical system.
  • the intelligent input selection system of the parent computing system serves to assist in selecting the list of input signals of data acquisition systems and the configuration of the self-organizing storage, including based on the analysis of data from the totality of all data acquisition systems connected to the parent computing system. For example, if one of the data acquisition systems is already collecting X-axis vibration data, the X-vibration sensor for the other data acquisition system can be disabled in favor of receiving data only on the Y-axis. Thus, due to coordinated data collection, the activity of multiple systems data collection connected to many different sensors can provide a sufficient data set for the parent computing system without undue loss of power, network infrastructure bandwidth, storage space.
  • the self-organizing network system of the parent computer system is used to select the values of the network exchange parameters using information from the training feedback signal and the analytical system.
  • These parameters may include: the method of data transmission in the network (local, cellular, satellite, Wi-Fi, Bluetooth, NFC, Zigbee, etc.), the functional characteristics of the network (for example, the choice of a network that provides the required functions and properties : connection security, cognitive properties, authentication methods, access control, etc.), network data encoding method (random linear network encoding, fixed encoding, etc..), network cost characteristics (for example, network settings based on conditions pricing for data delivery and/or traffic transmission costs, etc.), quality characteristics of data transmission (e.g. in the current environment), choice of network protocol (e.g.
  • the self-organizing network system can find configurations that are well adapted to the environment monitored by the mother computer system.
  • the monitoring system of the state of the parent computing system provides information about the events that have occurred, the state of the environment, operating conditions, states of work processes, the presence of errors or other diagnostic conditions. Based on the input information, the condition monitoring system can calculate the current state, or predict the future state, relating to data collection systems, of the environment in which data collection systems are located, such as the state of equipment, component, workflow, process, event (e.g., whether an event occurred or not), object, person, and etc. Up-to-date information about such states allows the parent computing system to use it in the operation of the analytical system to determine contextual information, apply semantic and conditional logic, and perform a number of other functions.
  • the computing architecture is a set of computing components of the parent computing system.
  • the composition of the computing architecture may include: microcontrollers, embedded microcontrollers, microprocessors, digital signal processors, specialized integrated circuits, programmable logic integrated circuits, coprocessors (mathematical, graphic, communication, etc.) and other types of computing devices.
  • the policy automation engine is used to deploy and manage Internet of Things (IoT) devices using policies. These policies can be access policies, network usage policies, storage usage policies, bandwidth usage policies, device connection policies, security policies, role and rule-based policies, and other policies that may be required to manage IoT devices. For example, since IoT devices can use many different networks to communicate with other devices, policies may be required that specify which devices a given device can connect to, what data can be transmitted and what data can be received.
  • the policy automation engine may use cognitive functions to create, configure, and manage policies, and obtain information about possible policies from a policy database or library, which may include one or more public policy sources.
  • the policy automation engine may apply policies according to one or more models, such as characteristics of a given device, equipment, or environment.
  • the policy automation engine can include cognitive functions (such as changing policy rules, policy configuration, etc.) based on information from a state monitoring system or learning feedback from an analytics system By changing and selecting policies, the policy automation engine can learn over time automatically create, deploy, configure and manage policies for a large number of devices.
  • cognitive functions such as changing policy rules, policy configuration, etc.
  • the disadvantage of the prototype is the lack of hardware acceleration of matrix calculations in the parent processing system, which are used in various methods of data preprocessing and analysis, including machine learning methods.
  • a modular system for collecting and analyzing information in an industrial environment which can provide accelerated processing and intelligent analysis of data coming from sensors, including using machine learning methods, due to hardware acceleration of matrix calculations.
  • a modular system for collecting and analyzing information in an industrial environment including a backplane on which a control computing module, a data storage module and a data transmission module are located, to which a plurality of sensor computing modules are connected via network connections, each of which connects to a variety of sensors with analog or digital outputs, it is proposed to use a tensor computing module, which is also located on the backplane and is connected to the control computing module to accelerate matrix calculations.
  • FIG. 1 shows a functional diagram of a modular system for collecting and analyzing information in an industrial environment.
  • a modular system for collecting and analyzing information in an industrial environment (1) consists of a backplane (2) on which a control computing module (3), a tensor computing module (4), data storage modules (5), a data transmission module (6) are installed , which in turn is connected to the set sensor computing modules (7), each of which is connected to a plurality of sensors with analog or digital outputs (8) placed in an industrial environment.
  • the backplane (2) has a built-in inertial sensor (9), which simultaneously performs the functions of a three-axis accelerometer, a three-axis gyroscope and a three-axis magnetometer.
  • the communication module (6) supports wired Ethernet network connections, wired RS-485 serial connections, and wireless Bluetooth connections.
  • a Wi-Fi access point 10 is connected to the data transmission module (6) via a wired network connection of the Ethernet standard.
  • Sensors with digital connection interfaces (11) which use standards and data transmission technologies supported by the data transmission module (6) (Ethernet, RS-485, Bluetooth, Wi-Fi), can be directly connected to the data transmission module (6), bypassing the sensor computing module (7).
  • Sensor computing modules (7) can be connected to the data transmission module (6) either directly or using a network switch (12).
  • the sensor computing module (7) also includes a built-in inertial sensor (13) that measures linear acceleration and angular velocity.
  • Modular system for collecting and analyzing information in an industrial environment (1) can be connected to an external computing device (14) using an Ethernet network connection through a data communication module (6) or through a dedicated network interface (15) on the backplane to transfer collected and processed data from an industrial environment.
  • a dedicated network interface (15) is connected to the control computing module (3) using SGMII interface.
  • FIG. 1 A functional diagram of a modular system for collecting and analyzing information in an industrial environment is shown in Fig. 1.
  • the presented modular system for collecting and analyzing information in an industrial environment (1) assumes the presence of 4 levels of organization: the level of obtaining primary data from sensors, the level of preliminary processing of primary data, the level of transmission of processed data and the level of data analysis.
  • the first level is represented by sensors of various physical quantities (linear acceleration, angular velocity, temperature, voltage, current, etc.), sound and video recording devices. They allow you to obtain primary data that will be subjected to further processing and analysis.
  • Information is transmitted from sensors in analog, discrete or digital form using analog or digital (SPI, I2C, RS-485, Ethernet, Bluetooth, Wi-Fi, etc.) interfaces.
  • the modular system for collecting and analyzing information in an industrial environment (1) uses sensors with analog and digital outputs (8) connected to sensor computing modules (7), built-in inertial sensor (9) on the backplane (2), built-in inertial sensor ( 13) on the sensor computing module (7), and sensors with digital connection interfaces (I), which can be directly connected to the data transmission module (6).
  • the second level of collection and analysis of information in an industrial environment (1) is associated with the preprocessing of data received from sensors.
  • This function is implemented by sensor computing modules (7), which perform: matching of electrical signals (signal amplification, conversion of electrical and logical levels of signals from sensors, etc.), signal capture and representation of data coming from sensors in digital form, accumulation of data coming from data sensors in internal memory, preliminary processing of data coming from sensors, transfer of preprocessed data for further analysis to the control computing module (3) through the data transmission module (6), as well as power management of sensors connected to the sensor computing module (7).
  • Signal level matching is carried out using electronic matching circuits based on discrete radio components.
  • Capture of the signal, representation of the data coming from the sensors into digital form, accumulation and pre-processing of these data is carried out using a microcontroller, and an integrated analog-to-digital converter is used to convert the analog signal.
  • Data pre-processing refers to various mathematical operations on a data array, such as averaging values, calculating root mean square values, Fourier transform, etc.
  • the transmission of preprocessed data is carried out using an Ethernet transceiver connected to the microcontroller using the RMI interface.
  • the built-in inertial sensor (13) is connected to the microcontroller using the SPI interface.
  • the sensor computing module is powered by the technology of power transmission over Ethernet (Power over Ethernet).
  • the third level of the modular system for collecting and analyzing information in an industrial environment (1) is responsible for the transfer of data between the control computing module (3) and other functional elements of the modular system: sensor computing modules (7) using Ethernet , sensors with digital connection interfaces (11) using Ethernet, RS-485, Bluetooth, Wi-Fi and an external computing device (14) using Ethernet.
  • sensor computing modules (7) using Ethernet sensors with digital connection interfaces (11) using Ethernet, RS-485, Bluetooth, Wi-Fi and an external computing device (14) using Ethernet.
  • a microcontroller is used to perform the main function communication module (6), i.e. data reception, their aggregation and transmission.
  • an integrated microcircuit is used, which is connected to the microcontroller using the SPI interface.
  • transceiver chips connected via the UART interface are used.
  • the wired Ethernet connection is implemented using the Ethemet switch chip, which also implements the connection between the data communication module (6) and the control computer module (3) using the SGMII interface.
  • the module is powered by a voltage converter chip supplied from the
  • the last level of a modular system for collecting and analyzing information in an industrial environment (1) performs data analysis and storage and is represented by three modules that are located on the backplane (2): a control computing module (3), a tensor computing module (4) and data storage modules (5).
  • the control computing module (3) is the main controller of the modular system and is a package-on-package chip in which the microprocessor is integrated with operational (DDR) and flash (NAND and NOR) memory. Its functions include: control of data sampling from sensors connected to a modular system for collecting and analyzing information in an industrial environment (1), including through sensor computing modules (7); execution of requests for data processing using a tensor computing module (4); sending data analysis results to data storage modules (5); providing data analysis results to an external computing device (14).
  • Operating systems can be used as system software. systems of the Unix/Linux family.
  • the control computing module is connected to the tensor computing module (4) using the selected interface (PCI, USB, SPI or US ART), and to the data storage modules (5) using the SATA interface.
  • the built-in inertial sensor (9) on the backplane (2) is connected to the control computer module (3) using the SPI interface.
  • Data storage modules (5) perform the functions of writing, reading and storing data and consist of a disk controller chip and several NAND memory chips. The connection between the disk controller and the NAND memory chips is carried out using the ONFi or Toggle interface.
  • the tensor computing module (4) is used to accelerate the processing and intellectual analysis of data collected from sensors, including using machine learning methods, due to hardware acceleration of matrix calculations performed in a modular system for collecting and analyzing information in an industrial environment (1).
  • Matrix calculations are used in data mining, including using machine learning methods such as logistic regression, support vector machine, decision trees, Bayesian network, nearest neighbors, artificial neural networks, etc.
  • a tensor computing module (4) available: a general-purpose microprocessor, a hardware acceleration unit for tensor calculations, RAM and flash memory, an audio signal processing unit, and a hardware acceleration unit for Fourier transforms. Tasks for performing matrix calculations for the tensor computing module (4) are received from the control computing module (3).
  • data is collected from all connected sensors.
  • Data from sensors with analog and digital outputs (8) and built-in inertial sensors (13) can be pre-processed (averaging values, calculating RMS values, Fourier transform, etc.) on sensor computing modules (7) before being sent to the data communication module (6).
  • Data from sensors with digital connection interfaces (I) enters the data transmission module (6) without preprocessing.
  • the data transmission module (6) receives, aggregates and transmits data from all connected sensors to the control computing module (3).
  • the control computing module (3) using data mining algorithms, including using machine learning methods, processes incoming data and generates an array of analytical information about the state of the production process, industrial equipment or its individual nodes.
  • This array of analytical information may include the following data: the presence of discrepancies between the technological parameters of the production process and the required values, the presence of malfunctions of industrial equipment or its individual components, the possibility of failures of industrial equipment or its individual components in the near future, diagnostic information about the state of the production process or industrial equipment, recommendations for technical inspection or scheduled repair of industrial equipment or its individual components, etc.
  • the control computing module (3) creates tasks for performing matrix calculations and transfers them to the tensor computing module (4). After the task is completed, the tensor computing module (4) transmits the results of the matrix calculations back to the control computing module (3).
  • Raw data received from the sensors, pre-processed data and intellectual analysis results can be stored by the control computing module (3) using data storage modules (5). These data can be provided for further analysis to an external computing device (14) using a network exchange.
  • the claimed invention is intended to collect data from a distributed array of sensors located in an industrial environment for monitoring production processes and industrial equipment based on data mining, including using machine learning methods.
  • the claimed invention can be used in various industries such as mechanical engineering, chemical industry, metallurgy, food industry, energy industry, timber industry, auto, aircraft and shipbuilding, etc. This is achieved due to the possibility of using sensors of various physical quantities that can be installed on the monitoring object in the form of a distributed array.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

The invention relates to the field of monitoring industrial processes and industrial equipment by collecting and analysing information acquired from a plurality of sensors within an industrial environment. A modular system for collecting and analysing information in an industrial environment consists of a motherboard connected to a plurality of sensory computing modules, each having connected thereto a plurality of sensors having analog or digital outputs. Arranged on the motherboard are: a master computing module, a tensorial computing module, data storage modules, and a data transfer module. Data acquired from the sensors can be pre-processed by the sensory computing modules, after which said data are collected and aggregated by the data transfer module for subsequent analysis by the master computing module. The collected data and analysis results can be transferred for further processing to a computing device with the aid of a network interface. The invention is characterized in that a tensorial computing module is used for the hardware acceleration of the matrix computations required in the process of mining the data acquired from the plurality of sensors, inter alia, using machine-learning methods.

Description

МОДУЛЬНАЯ СИСТЕМА СБОРА И АНАЛИЗА ИНФОРМАЦИИ В ПРОМЫШЛЕННОМ ОКРУЖЕНИИ MODULAR SYSTEM FOR COLLECTING AND ANALYZING INFORMATION IN THE INDUSTRIAL ENVIRONMENT
Область техники Technical field
Изобретение относится к области мониторинга производственных процессов и промышленного оборудования на основе сбора и анализа информации, получаемой от множества датчиков, размещаемых в промышленном окружении. Под промышленным окружением здесь и далее понимается совокупность промышленного оборудования, обслуживающей инфраструктуры, в том числе зданий, помещений, линий связи, линий электро- и водоснабжения, используемых в производстве материалов, воздушной или водной среды, в которой размещено промышленное оборудование, а также работающего персонала. Изобретение предназначено для анализа текущего состояния производственных процессов и промышленного оборудования, прогнозирования отказов промышленного оборудования или отдельных его узлов, формирования рекомендаций по режимам эксплуатации промышленного оборудования. The invention relates to the field of monitoring production processes and industrial equipment based on the collection and analysis of information obtained from a variety of sensors placed in an industrial environment. Hereinafter, the industrial environment is understood as a set of industrial equipment serving the infrastructure, including buildings, premises, communication lines, power and water supply lines used in the production of materials, air or water environment in which industrial equipment is located, as well as working personnel. . The invention is intended to analyze the current state of production processes and industrial equipment, to predict failures of industrial equipment or its individual components, to form recommendations on the modes of operation of industrial equipment.
Предшествующий уровень техники Prior Art
Современные тенденции развития промышленности подталкивают производителей к созданию оборудования высокой степени автоматизации, которое может эффективно взаимодействовать со своим окружением в составе сетевой структуры через киберфизические системы [Y. Liu, Y. Peng, В. Wang, S. Yao, and Z. Liu, “Review on cyber-physical systems,” IEEE/CAA J. Autom. Sin., vol. 4, no. 1, pp. 27-40, 2017]. Такие системы представляют собой виртуальные копии объектов реального мира и позволяют в режиме реального времени подстраиваться под меняющиеся внешние условия с помощью самообучения и самонастройки [В. Bagheri, S. Yang, H. A. Kao, andJ. Lee, “Cyber-physical systems architecture for self- aware machines in industry 4.0 environment,” in IFAC-PapersOnLine, 2015, vol. 28, no. 3, pp. 1622-1627]. Для реализации киберфизических систем, положенных в основу четвертой промышленной революции или индустрии 4.0, необходимо иметь постоянную связь между производственным оборудованием и его цифровой копией [В. Bagheri, S. Yang, Н. А. Као, andJ. Lee, “Cyber-physical systems architecture for self-aware machines in industry 4.0 environment,” in IFAC-PapersOnLine, 2015, vol. 28, no. 3, pp. 1622-1627]. Одной из компонентов этой связи являются данные о различных параметрах оборудования, получаемых с помощью множества датчиков. Сбор, агрегирование и передача информации от датчиков к цифровой копии осуществляется с помощью систем сбора информации. Для осуществления указанных функций системы сбора информации должны обладать возможностью взаимодействия с различными датчиками по унифицированным протоколам, иметь достаточный объем памяти для хранения полученных данных и предоставлять к ним доступ посредствам сетевого обмена со своим окружением. Modern industry development trends are pushing manufacturers to create highly automated equipment that can effectively interact with its environment as part of a network structure through cyber-physical systems [Y. Liu, Y. Peng, B. Wang, S. Yao, and Z. Liu, “Review on cyber-physical systems,” IEEE/CAA J. Autom. Sin., vol. 4, no. 1, pp. 27-40, 2017]. Such systems are virtual copies of real world objects and allow real-time adjustment to changing external conditions using self-learning and self-tuning [V. Bagheri, S. Yang, H. A. Kao, and J. Lee, “Cyber-physical systems architecture for self-aware machines in industry 4.0 environment,” in IFAC-PapersOnLine, 2015, vol. 28, no. 3, pp. 1622-1627]. To implement the cyber-physical systems underlying the fourth industrial revolution or industry 4.0, it is necessary to have a constant connection between production equipment and its digital copy [V. Bagheri, S. Yang, N. A. Kao, andJ. Lee, “Cyber-physical systems architecture for self-aware machines in industry 4.0 environment,” in IFAC-PapersOnLine, 2015, vol. 28, no. 3, pp. 1622-1627]. One of the components of this communication is data on various parameters of the equipment obtained using a variety of sensors. Collection, aggregation and transmission of information from sensors to a digital copy is carried out using information collection systems. To implement these functions, information collection systems must be able to interact with various sensors using unified protocols, have sufficient memory to store the received data and provide access to them through network exchange with their environment.
В ряде случаев передача всего массива первичной информации от датчиков является нецелесообразной из-за большого объема передаваемых данных. В этом случае система сбора информации должна предоставлять функционал для предварительной обработки сигналов с датчиков. Например, при анализе периодического сигнала часто возникает необходимость представления его в частотной области, что может быть реализовано с помощью преобразования Фурье. Усреднение сигнала в определенном временном промежутке может использоваться для уменьшения влияния шума. В ряде случаев необходимо применение статистической обработки сигналов с нескольких датчиков с помощью методов регрессионного, корреляционного, дисперсионного анализа. В некоторых случаях целесообразно передавать информацию о состоянии производственного оборудование или отдельных частей, которая определяется на основе классификации совокупности сигналов от нескольких датчиков. Для этого могут использоваться методы машинного обучения, такие как логистическая регрессия, метод опорных векторов, деревья решений, байесовская сеть, метод ближайших соседей, нейронные сети и др. Указанные методы могут быть использованы для параллельной обработки данных, получаемых с множества датчиков и чаще всего оперируют данными, представленными в матричной форме. Однако выполнение матричных вычислений на традиционных микропроцессорных архитектурах требует большого количества времени из-за малого количества арифметико-логических устройств. In a number of cases, the transfer of the entire array of primary information from sensors is impractical due to the large amount of transmitted data. In this case, the information collection system should provide functionality for preliminary processing of signals from sensors. For example, when analyzing a periodic signal, it often becomes necessary to represent it in the frequency domain, which can be implemented using the Fourier transform. Averaging the signal over a certain time period can be used to reduce the effect of noise. In some cases, it is necessary to use statistical processing of signals from several sensors using the methods of regression, correlation, and dispersion analysis. In some cases, it is useful to send status information production equipment or individual parts, which is determined based on the classification of a combination of signals from several sensors. For this, machine learning methods can be used, such as logistic regression, support vector machine, decision trees, Bayesian network, nearest neighbor method, neural networks, etc. These methods can be used for parallel processing of data obtained from multiple sensors and most often operate data presented in matrix form. However, performing matrix calculations on traditional microprocessor architectures requires a lot of time due to the small number of arithmetic logic units.
Из уровня техники известно устройство сбора и обработки данных с множества датчиков [L. Sheynblat, Т. Wolf, and A. Hodisan, “Multi-sensor data collection and/or processing,” US Patent application No. US20200029814A1, 30.01.2020], состоящее из множества датчиков, которые могут размещаться как на самом устройстве, так и подключаться к нему с помощью проводных и беспроводных интерфейсов, и обрабатывающего процессора. В составе обрабатывающего процессора могут содержаться различные вычислительные устройства, такие как специальные интегральные схемы, цифровые сигнальные процессоры, программируемые логические устройства, программируемые логические интегральные схемы, процессоры, контроллеры, микроконтроллеры, микропроцессоры и т.д. Также в составе обрабатывающего процессора могут быть аналого-цифровые преобразователи для преобразования данных с аналоговых датчиков, память для хранения считанных и обработанных данных и схемы управления электропитанием датчиков. Обрабатывающий процессор используется для сбора, обработки и хранения данных, получаемых с подключенных датчиков. Датчики могут быть различных типов (акселерометры, гироскопы, геомагнитные датчики, датчики давления, биометрические и температурные датчики и т.д.) и подключаться с использованием различных беспроводных технологий (Bluetooth, Zigbee, NFC, Wi-Fi и т.д.). Устройство сбора и обработки данных может иметь подключение к внешним обрабатывающим и передающим устройствам и может передавать необработанные и обработанные данные от подключенных датчиков. The prior art is a device for collecting and processing data from multiple sensors [L. Sheynblat, T. Wolf, and A. Hodisan, “Multi-sensor data collection and/or processing,” US Patent application No. US20200029814A1, 01/30/2020], consisting of many sensors that can be placed both on the device itself and connected to it using wired and wireless interfaces, and a processing processor. The processing processor may include various computing devices, such as special integrated circuits, digital signal processors, programmable logic devices, programmable logic integrated circuits, processors, controllers, microcontrollers, microprocessors, etc. Also, the processing processor may include analog-to-digital converters for converting data from analog sensors, memory for storing read and processed data, and sensor power supply control circuits. The processing processor is used to collect, process and store data received from connected sensors. Sensors can be of various types (accelerometers, gyroscopes, geomagnetic sensors, pressure sensors, biometric and temperature sensors, etc.) and connect using various wireless technologies (Bluetooth, Zigbee, NFC, Wi-Fi, etc.). The data acquisition and processing device may be connected to external processing and transmitting devices and may transmit raw and processed data from connected sensors.
Недостатками данного устройства являются: отсутствие модульной структуры устройства сбора и обработки данных, что усложняет использование устройства для работы с большим распределенным массивом датчиков, а также отсутствие аппаратного ускорения матричных вычислений в обрабатывающем процессоре, что замедляет интеллектуальный анализ данных, в том числе с помощью методов машинного обучения. The disadvantages of this device are: the lack of a modular structure of the device for collecting and processing data, which complicates the use of the device to work with a large distributed array of sensors, as well as the lack of hardware acceleration of matrix calculations in the processing processor, which slows down data mining, including using computer methods. learning.
Изуровнятехникиизвестнасистемамониторингаидиагностикипромыш ленногооборудования [C.L. Boyd, М. Rajab, A. Borodaev, V. Fedishov, “Method and system for monitoring and reporting equipment operating conditions and diagnostic information,” WO Patent application No. WO2013036897A1, 14.03.2013], предоставляющая возможность мониторинга состояния и оценки надежности одной или нескольких промышленных установок, путем создания сети, состоящей из множества датчиков, временно или на постоянной основе размещаемых на различных частях этих установок. Датчики предоставляют упорядоченную во времени информацию о вибрации, температуре, электрических сигналах или других рабочих условиях. Датчики подключаются к устройствам сбора данных, которые передают собранную с датчиков информацию через локальную или глобальную сеть с помощью проводного или беспроводного соединений в виде потока данных. Этот поток данных сохраняется в одной из баз данных и передается процессору службы сбора данных для анализа в соответствии с диагностической конфигурацией. Процессор сбора данных разделяет полученную информацию на множество пакетов данных, каждый из которых содержит только часть исходной информации. Затем пакеты данных сохраняются в нескольких базах данных для облегчения последующего извлечения данных и их анализа. В одном из вариантов исполнения системы пакеты данных хранятся в облачной системе хранения. Процессор сбора данных отвечает за распределение пакетов данных по конкретным таблицам внутри баз данных в зависимости от их источника. Информация из баз данных используется в службах управления процессами системы управления промышленным оборудованием. Информация из баз данных также доступна для программного обеспечения, сконфигурированного для извлечения пакетов данных и анализа упорядоченной во времени информации для определения функциональных характеристик объекта мониторинга на основе диагностической конфигурации. A system for monitoring and reporting equipment operating conditions and diagnostic information is known in the art [CL Boyd, M. Rajab, A. Borodaev, V. Fedishov, “Method and system for monitoring and reporting equipment operating conditions and diagnostic information,” WO Patent application No. WO2013036897A1, 03/14/2013], which provides the ability to monitor the status and assess the reliability of one or more industrial installations by creating a network consisting of many sensors temporarily or permanently placed on various parts of these installations. Sensors provide time-ordered information about vibration, temperature, electrical signals, or other operating conditions. The sensors are connected to data collection devices, which transmit the information collected from the sensors over a local or global network using wired or wireless connections as a data stream. This data stream is stored in one of the databases and passed to the data collection service processor for analysis according to the diagnostic configuration. The data acquisition processor divides the received information into a plurality of data packets, each containing only a portion of the original information. The data packets are then stored in multiple databases to facilitate subsequent data retrieval and analysis. In one embodiment of the system, the data packets are stored in a cloud storage system. The data collection processor is responsible for distributing data packets to specific tables within databases, depending on their source. The information from the databases is used in the process control services of the industrial equipment control system. Information from the databases is also available to software configured to extract data packets and analyze time-ordered information to determine the functional characteristics of the monitored object based on the diagnostic configuration.
Недостатками данной системы являются: отсутствие предварительной обработки данных в устройствах сбора данных, что значительно увеличивает нагрузку на каналы передачи данных между устройствами сбора данных и процессором сбора данных, а также отсутствие аппаратного ускорения матричных вычислений в процессоре сбора данных, что замедляет интеллектуальный анализ данных, в том числе с помощью методов машинного обучения. The disadvantages of this system are: the lack of data pre-processing in the data collection devices, which significantly increases the load on the data transmission channels between the data collection devices and the data collection processor, as well as the lack of hardware acceleration of matrix calculations in the data collection processor, which slows down data mining, in including using machine learning methods.
Наиболее близким к заявляемому устройству, выбранному за прототип, является система сбора данных, имеющая автономный блок сбора данных [С. Н. Celia, G. W. Duffy, J. Р. McGuckin, М. Desai, “Data collection systems having a self-sufficient data acquisition box,” US Patent application No. US20190324438A1, 24.10.2019]. Данное устройство предназначено для сбора и анализа данных с промышленного оборудования. В одном из вариантов исполнений данное устройство состоит из материнской системы обработки и одной или нескольких систем сбора данных. Closest to the claimed device, selected for the prototype, is a data collection system having a stand-alone data collection unit [C. H. Celia, GW Duffy, J. P. McGuckin, M. Desai, “Data collection systems having a self-sufficient data acquisition box,” US Patent application No. US20190324438A1, 10/24/2019]. This device is designed to collect and analyze data from industrial equipment. In one embodiment, this device consists of a mother processing system and one or more data acquisition systems.
Система сбора данных может иметь встроенные датчики, которые располагаются непосредственно на плате. Также система сбора данных может иметь множество входных интерфейсов и портов, с помощью которых она может получать данные из внешних источников. В качестве внешних источников данных могут выступать внешние датчики, имеющие цифровой или аналоговый интерфейс, а также иные источники данных, взаимодействие с которыми осуществляется через стандартизированный технологии передачи данных (Wi-Fi, Bluetooth, NFC, Ethernet). Кроме того, источником данных для системы сбора данных может являться обучающий сигнал обратной связи от аналитической системы в составе материнской системы обработки. Поступающие с датчиков данные могут быть объединяться с помощью встроенного мультиплексора. Собранные данные могут буферизироваться или кэшироваться в строенном буфере/кэше и могут быть доступны для считывания внешними системами, например, материнской системой обработки через имеющиеся выходные интерфейсы и порты. The data acquisition system may have built-in sensors that are located directly on the board. Also, the data acquisition system may have many input interfaces and ports through which it can receive data from external sources. External data sources can be external sensors with a digital or analog interface, as well as other data sources, interaction with which is carried out through a standardized data transfer technology (Wi-Fi, Bluetooth, NFC, Ethernet). In addition, the data source for the data acquisition system may be a training feedback signal from the analytical system as part of the parent processing system. The data coming from the sensors can be combined using the built-in multiplexer. The collected data may be buffered or cached in the built-in buffer/cache and may be read by external systems, such as the parent processing system, through the available output interfaces and ports.
В составе системы сбора данных также имеется интеллектуальная система выбора входов, самоорганизующееся хранилище данных и аналитическая система. Интеллектуальная система выбора входов системы сбора данных отвечает за выбор перечня входных сигналов, которые будут использоваться для сбора и анализа информации с помощью методов машинного обучения. Выбор входных сигналов может осуществляться с использованием материнской системы обработки, в составе которой также имеется интеллектуальная система выбора входов. Интеллектуальная система выбора входов может использовать возможности искусственного интеллекта и машинного обучения и информацию об зафиксированных состояниях системы, полученных из внешних источников или от материнской системы обработки, которые могут относится к рабочему состоянию оборудования, состоянию окружающей среды, состоянию рабочего процесса, состоянию неисправности и т.д. Оптимизацию и настройка выбора входных сигналов может осуществляться с использованием обучающего сигнала обратной связи от материнской системы обработки, который может содержать тренировочные данные и метрики оценки качества, вычисленные аналитической системой материнской вычислительной системы. Например, если поток данных, состоящий из определенной комбинации входов (датчиков и внешних источников данных), позволяет достигать положительных результатов в заданном наборе условий (таких как улучшенное распознавание образов, улучшенное прогнозирование, улучшенная диагностика, повышенная доходность, повышенная окупаемость инвестиций, повышенная эффективность, или тому подобное), то показатели, относящиеся к таким результатам, из аналитической системы материнской системы обработки могут быть предоставлены через обучающий сигнал обратной связи в интеллектуальную систему выбора входов, для того чтобы помочь сконфигурировать будущий процесс сбора данных. Это позволяет в дальнейшем отключить другие источники входных сигналов. Интеллектуальная система выбор входов может быть основана на методах генетического программирования с использованием обучающего сигнала обратной связи и может быть использована для выбора наиболее эффективных наборов входов из всех возможных вариантов для оптимизации и адаптации системы сбора данных к уникальным условиям окружающей среды. Интеллектуальная система выбора входов системы сбора данных может быть использована для объединения (фьюзинга) данных от различных датчиков и других источников данных в один или несколько объединенных потоков данных, например, с помощью встроенного мультиплексора, для создания различных сигналов, которые представляют комбинации, перестановки, смешения и пр. исходных аналоговых и/или цифровых данных. The data collection system also includes an intelligent input selection system, a self-organizing data warehouse and an analytical system. The intelligent input selection system of the data acquisition system is responsible for selecting the list of input signals that will be used to collect and analyze information using machine learning methods. The selection of input signals can be made using the mother processing system, which also includes an intelligent input selection system. The intelligent input selection system can take advantage of artificial intelligence and machine learning and information about captured system states obtained from external sources or from the parent processing system, which may relate to the operating state of the equipment, the state of the environment, the state of the workflow, the state of the malfunction, etc. Optimization and tuning of the choice of input signals may be performed using a training feedback signal from the mother processing system, which may contain training data and quality assessment metrics calculated by the analytical system of the mother computing system. For example, if a data stream consisting of a certain combination of inputs (sensors and external data sources) allows positive results to be achieved under a given set of conditions (such as improved pattern recognition, improved prediction, improved diagnostics, increased profitability, increased ROI, increased efficiency, or the like), then metrics related to such results from the analytic system of the parent processing system can be provided via a training feedback signal to an intelligent input selection system to help configure the future data collection process. This allows you to later disable other input sources. An intelligent input selection system can be based on genetic programming techniques using a training feedback signal and can be used to select the most efficient input sets from all possible options to optimize and adapt the data acquisition system to unique environmental conditions. The intelligent input selection system of the data acquisition system can be used to combine (fuse) data from various sensors and other data sources into one or several combined data streams, for example, using the built-in multiplexer, to create various signals that represent combinations, permutations, mixtures, etc. of the original analog and / or digital data.
Самоорганизующаяся память системы сбора данных используется для интеллектуального агрегирования и хранения данных. Данные, данные поступающие с датчиков (например, с аналоговых датчиков) могут потреблять большие объемы емкости хранения, особенно с учетом того, что к системе сбора данных может быть подключено несколько датчиков. Простое хранение всех данных в течение неопределенного срока, как правило, не является оптимальным вариантом работы системы сбора данных, а передача всех данных может привести к превышению разрешенных лимитов полосы пропускания (например, превышение объемов, передаваемых данных тарифного плана сотовой связи) и т.д. Для решения данной проблемы нужны стратегии хранения данных, которые касаются захвата только части собираемых данных, или же хранения данных в течение ограниченного промежутка времени, или же хранения данных с потерей части информации (данные представляются в виде промежуточных или абстрактных формах). Для принятия решений о стратегии хранения данных самоорганизующееся хранилище может использовать сигнал обучающей обратной связи для получения оценочных метрик (показатели всей системы, аналитические показатели, локальные показатели эффективности) от аналитической системы или интеллектуальной системы выбора входов материнской обрабатывающей системы. Самоорганизующееся хранилище может автоматически изменить параметры хранения, такие как место хранения данных (локальное хранение, хранение на соседней системе сбора данных, удаленное хранение), объем хранения данных, время хранения данных, тип хранения данных (значения от индивидуальных датчиков, или комбинированные и мультиплексированные значения от нескольких датчиков), тип хранилища (оперативная память, флэш-память, жесткий диск), способ организации хранения данных (“сырые ” данные, иерархические структуры и пр.). Изменение параметров может производится со временем с учетом сигналов обратной связи, тем самым позволяя системе сбора данных адаптироваться под изменяющиеся условия окружающей среды. The self-organizing memory of the data acquisition system is used for intelligent data aggregation and storage. Data coming from sensors (for example, analog sensors) can consume large amounts of storage capacity, especially since multiple sensors can be connected to a data acquisition system. Simply storing all data indefinitely is usually not the best option for a data collection system, and transferring all data may result in exceeding the allowed bandwidth limits (for example, exceeding the volumes of transmitted data of a cellular plan), etc. . To solve this problem, data storage strategies are needed that deal with capturing only a part of the collected data, or storing data for a limited period of time, or storing data with the loss of part of the information (data are represented in intermediate or abstract forms). To make decisions about the data storage strategy, a self-organizing storage can use a learning feedback signal to obtain evaluation metrics (measures of the entire system, analytical indicators, local performance indicators) from an analytical system or an intelligent input selection system of the parent processing system. Self-organizing storage can automatically change storage parameters such as data storage location (local storage, storage on neighboring data collection system, remote storage), data storage volume, data storage time, data storage type (values from individual sensors, or combined and multiplexed values from several sensors), type of storage (RAM, flash memory, hard drive), method of organizing data storage (“raw” data, hierarchical structures, etc.). Changes in parameters can be made over time based on feedback signals, thereby allowing the data acquisition system to adapt to changing environmental conditions.
Аналитическая система, входящая в состав системы сбора данных, служит для реализации интеллектуального анализа данных. Она может использовать широкий круг аналитических методов, включая статистические и эконометрические методы (например, линейный регрессионный анализ, матрицы сходства, методы на основе тепловых карт и т.п.), индуктивные методы (Байесовское вывод, методы, основанные на правилах , индуктивное умозаключение и т.д.), итерационные методы (прямая и обратная связь, рекурсия и пр.), методы обработки сигналов (преобразования Фурье и пр.), методы распознавания образов (использование цифровых фильтров, например фильтра Калмана и пр.), методы поиска, вероятностные методы (методы случайных блужданий, алгоритм “случайного леса” и т.п.), методы моделирования (линейная оптимизация и т.п.) и ряд других методов, в том числе методы машинного обучения. Например, деревья решений, ассоциативные правила, глубокое обучение, искусственные нейронные сети, алгоритмы генетического обучения, индуктивное логическое программирование, метод опорных векторов, байесовская сеть, обучение с подкреплением, обучение на основе правил, методы разреженного обучение, обучение на основе подобия и метрик, системы обучающих классификаторов, логистическая регрессия, “случайный лес”, метод К-средних, градиентное усиление, метод К- ближайших соседей. Аналитическая система системы сбора данных может использоваться для вычисления метрик, например, показателей эффективности, использования энергии, использования хранилища, избыточности, энтропии и других параметров. The analytical system, which is part of the data collection system, is used to implement data mining. It can use a wide range of analytical methods, including statistical and econometric methods (e.g., linear regression analysis, similarity matrices, heat map methods, etc.), inductive methods (Bayesian inference, rule-based methods, inductive reasoning, and etc.), iterative methods (forward and feedback, recursion, etc.), signal processing methods (Fourier transforms, etc.), pattern recognition methods (using digital filters, such as Kalman filter, etc.), search methods, probabilistic methods (random walk methods, random forest algorithm, etc.), modeling methods (linear optimization, etc.) and a number of other methods, including machine learning methods. For example, decision trees, association rules, deep learning, artificial neural networks, genetic learning algorithms, inductive logic programming, support vector machine, Bayesian network, reinforcement learning, rule based learning, sparse learning methods, similarity and metrics based learning, systems of training classifiers, logistic regression, “random forest”, K-means method, gradient enhancement, K-nearest neighbors method. The analytical system of the data collection system can be used to calculate metrics, such as indicators efficiency, energy usage, storage usage, redundancy, entropy and other parameters.
Материнская вычислительная система состоит из аналитической системы, интеллектуальной системы выбора входов, самоорганизующейся сетевой системы, системы мониторинга состояния, вычислительной архитектуры и механизма автоматизации политик. The parent computing system consists of an analytical system, an intelligent input selection system, a self-organizing network system, a state monitoring system, a computing architecture, and a policy automation engine.
Аналитическая система материнской вычислительной системы служит для реализации интеллектуального анализа данных и выполняет и может использовать те же методы, что и аналитическая система системы сбора данных, но в тоже время используется для более ресурсоемких вычислений. Через сигнал обучающей обратной связи она может передавать значение оценочных метрик в систему сбора данных для помощи в работе её самоорганизующемуся хранилищу, интеллектуальной системе выбора входов и аналитической системе. The analytical system of the parent computing system is used to implement data mining and performs and can use the same methods as the analytical system of the data acquisition system, but at the same time is used for more resource-intensive calculations. Through a learning feedback signal, it can pass the value of the evaluation metrics to the data collection system to assist its self-organizing storage, intelligent input selection system, and analytical system.
Интеллектуальная система выбора входов материнской вычислительной системы служит для помощи в выборе перечня входных сигналов систем сбора данных и конфигурации самоорганизующегося хранилища, в том числе на основе анализа данных, поступающих совокупности всех систем сбора данных, подключенных к материнской вычислительной системе. Например, если одна из систем сбора данных уже собирает данные о вибрации по оси X, датчик вибрации по оси X для другой системы сбора данных может быть отключен в пользу получения данных только по оси Y. Таким образом, благодаря координированному сбору данных, активность множества систем сбора данных, подключенных к множеству различных датчиков может обеспечивать достаточный набор данных для материнской вычислительной системы без излишних потерь энергии, полосы пропускания сетевой инфраструктуры, пространства для хранения. Самоорганизующаяся сетевая система материнской вычислительной системы используется для подбора значений параметров сетевого обмена с использованием информации от обучающего сигнала обратной связи и аналитической системы. Среди таких параметров могут быть: способ передачи данных в сети (локальная, сотовая, спутниковая, Wi-Fi, Bluetooth, NFC, Zigbee и т.д.), функциональные характеристики сети (например, выбор сети, в которой предоставляется требуемые функции и свойства: безопасность соединения, когнитивные свойства, способы аутентификации, контроль доступа и т.д.), способ сетевого кодирования данных (случайное линейное сетевое кодирование, фиксированное кодирование и т.д..), стоимостные характеристики сети (например, сетевые настройки на основе условий ценообразования для доставки данных и/или стоимости передачи траффика и т.д.), качественные характеристики передачи данных (например, в условиях текущего окружения), выбор сетевого протокола (например, HTTP, IP, TCP/IP, сотовая связь, спутниковая связь, последовательный порт, пакетная передача данных, потоковая передача данных и т.д.). Таким образом оптимальная конфигурация сети должна учитывать ограничения полосы пропускания в сети, колебания цен на передачу траффика, чувствительность к факторам окружающей среды, проблемы безопасности и т.д. Путем изменения и выбора альтернативных конфигураций сетевых параметров самоорганизующаяся сетевая система может находить конфигурации, которые хорошо адаптированы к окружающей среде, состояние которой отслеживается материнской вычислительной системой. The intelligent input selection system of the parent computing system serves to assist in selecting the list of input signals of data acquisition systems and the configuration of the self-organizing storage, including based on the analysis of data from the totality of all data acquisition systems connected to the parent computing system. For example, if one of the data acquisition systems is already collecting X-axis vibration data, the X-vibration sensor for the other data acquisition system can be disabled in favor of receiving data only on the Y-axis. Thus, due to coordinated data collection, the activity of multiple systems data collection connected to many different sensors can provide a sufficient data set for the parent computing system without undue loss of power, network infrastructure bandwidth, storage space. The self-organizing network system of the parent computer system is used to select the values of the network exchange parameters using information from the training feedback signal and the analytical system. These parameters may include: the method of data transmission in the network (local, cellular, satellite, Wi-Fi, Bluetooth, NFC, Zigbee, etc.), the functional characteristics of the network (for example, the choice of a network that provides the required functions and properties : connection security, cognitive properties, authentication methods, access control, etc.), network data encoding method (random linear network encoding, fixed encoding, etc..), network cost characteristics (for example, network settings based on conditions pricing for data delivery and/or traffic transmission costs, etc.), quality characteristics of data transmission (e.g. in the current environment), choice of network protocol (e.g. HTTP, IP, TCP/IP, cellular, satellite, serial port, packet data, streaming data, etc.). Thus, the optimal network configuration must take into account network bandwidth limitations, traffic price fluctuations, environmental sensitivity, security concerns, and so on. By changing and selecting alternative network parameter configurations, the self-organizing network system can find configurations that are well adapted to the environment monitored by the mother computer system.
Система мониторинга состояния материнской вычислительной системы предоставляет информацию о произошедших событиях, состоянии окружающей среды, условиях эксплуатации, состояниях рабочих процессах, наличие ошибок или иных диагностических состояний. На основе входной информации система мониторинга состояния может вычислять текущее состояние или прогнозировать будущее состояние, относящегося к системам сбора данных, окружающей среды, в которой находятся системы сбора данных, такой как состояние оборудования, компонента, рабочего процесса, процесса, события (например, произошло событие или нет), объекта, человека и т.д. Актуальная информация о таких состояниях позволяет материнской вычислительной системе использовать её в работе аналитической системы для определения контекстной информации, применения семантической и условной логики и выполнения ряда других функций. The monitoring system of the state of the parent computing system provides information about the events that have occurred, the state of the environment, operating conditions, states of work processes, the presence of errors or other diagnostic conditions. Based on the input information, the condition monitoring system can calculate the current state, or predict the future state, relating to data collection systems, of the environment in which data collection systems are located, such as the state of equipment, component, workflow, process, event (e.g., whether an event occurred or not), object, person, and etc. Up-to-date information about such states allows the parent computing system to use it in the operation of the analytical system to determine contextual information, apply semantic and conditional logic, and perform a number of other functions.
Вычислительная архитектура представляет собой совокупность вычислительных компонентов материнской вычислительной системы. В состав вычислительной архитектуры может входить: микроконтроллеры, встроенные микроконтроллеры, микропроцессоры, цифровые сигнальные процессоры, специализированные интегральные схемы, программируемые логические интегральные схемы, сопроцессоры (математические, графические, коммуникационные и т.д.) и другие варианты вычислительных устройств. The computing architecture is a set of computing components of the parent computing system. The composition of the computing architecture may include: microcontrollers, embedded microcontrollers, microprocessors, digital signal processors, specialized integrated circuits, programmable logic integrated circuits, coprocessors (mathematical, graphic, communication, etc.) and other types of computing devices.
Механизм автоматизации политик используется для развертывания и управления устройствами интернета вещей (Internet of Things, IoT) с использованием политик. В качестве таких политик могут выступать политики доступа, политики использования сети, политики использования хранилища, политики использования полосы пропускания, политики подключения устройств, политики безопасности, политики на основе ролей и правил, и другие политики, которые могут потребоваться для управления IoT устройствами. Например, так как устройства IoT могут использовать множество различных сетей для обмена данными с другими устройствами, могут потребоваться политики, которые указывают, к каким устройствам может подключаться данное устройство, какие данные могут быть переданы и какие данные могут быть получены. Механизм автоматизации политик может использовать когнитивные функции для создания, настройки и управления политиками, а также получать информацию о возможных политиках из базы данных или библиотеки политик, которые могут включать в себя один или несколько общедоступных источников политик. Механизм автоматизации политик может применять политики согласно одной или нескольким моделям, например, на основе характеристик данного устройства, оборудования или среды. Механизм автоматизации политик может включать в себя когнитивные функции (такие как изменение правил применения политик, конфигурацию политик и т.д.) на основе информации от системы мониторинга состояния или обучающей обратной связи аналитической системы Путем изменения и выбора политик механизм автоматизации политик может со временем обучаться автоматически создавать, развертывать, настраивать и управлять политиками для большого количества устройств. The policy automation engine is used to deploy and manage Internet of Things (IoT) devices using policies. These policies can be access policies, network usage policies, storage usage policies, bandwidth usage policies, device connection policies, security policies, role and rule-based policies, and other policies that may be required to manage IoT devices. For example, since IoT devices can use many different networks to communicate with other devices, policies may be required that specify which devices a given device can connect to, what data can be transmitted and what data can be received. The policy automation engine may use cognitive functions to create, configure, and manage policies, and obtain information about possible policies from a policy database or library, which may include one or more public policy sources. The policy automation engine may apply policies according to one or more models, such as characteristics of a given device, equipment, or environment. The policy automation engine can include cognitive functions (such as changing policy rules, policy configuration, etc.) based on information from a state monitoring system or learning feedback from an analytics system By changing and selecting policies, the policy automation engine can learn over time automatically create, deploy, configure and manage policies for a large number of devices.
Недостатком прототипа является отсутствие в материнской обрабатывающей системе аппаратного ускорения матричных вычислений, которые используются в различных методах предварительной обработки и анализа данных, включая методы машинного обучения. The disadvantage of the prototype is the lack of hardware acceleration of matrix calculations in the parent processing system, which are used in various methods of data preprocessing and analysis, including machine learning methods.
Раскрытие изобретения Disclosure of invention
Таким образом, существует потребность в модульной системе сбора и анализа информации в промышленном окружении, которая может обеспечить ускоренную обработку и интеллектуальный анализ поступающих с датчиков данных, в том числе с использованием методов машинного обучения, за счёт аппаратного ускорения матричных вычислений. Для решения поставленной задачи в составе модульной системы сбора и анализа информации в промышленном окружении, включающей объединительную плату, на которой расположены управляющий вычислительный модуль, модуль хранения данных и модуль передачи данных, к которому с помощью сетевых соединений подключается множество сенсорных вычислительных модулей, каждый из которых соединяется с множеством датчиков с аналоговыми или цифровыми выходами, предлагается использовать тензорный вычислительный модуль, который также располагается на объединительной плате и соединяется с управляющим вычислительным модулем для ускорения матричных вычислений. Thus, there is a need for a modular system for collecting and analyzing information in an industrial environment, which can provide accelerated processing and intelligent analysis of data coming from sensors, including using machine learning methods, due to hardware acceleration of matrix calculations. To solve the problem as part of a modular system for collecting and analyzing information in an industrial environment, including a backplane on which a control computing module, a data storage module and a data transmission module are located, to which a plurality of sensor computing modules are connected via network connections, each of which connects to a variety of sensors with analog or digital outputs, it is proposed to use a tensor computing module, which is also located on the backplane and is connected to the control computing module to accelerate matrix calculations.
Краткое описание чертежей Brief description of the drawings
Вышеуказанная и другие цели, признаки и другие преимущества настоящего изобретения должны становиться более понятными из последующего подробного описания, рассматриваемого вместе с прилагаемым чертежом: на фиг. 1 приведена функциональная схема модульной системы сбора и анализа информации в промышленном окружении. The foregoing and other objects, features and other advantages of the present invention will become more apparent from the following detailed description taken in conjunction with the accompanying drawing: FIG. 1 shows a functional diagram of a modular system for collecting and analyzing information in an industrial environment.
Лучший вариант осуществления изобретения The best embodiment of the invention
Далее приводится подробное описание наилучшего варианта осуществления настоящего изобретения, пример которого проиллюстрирован на прилагаемом чертеже. The following is a detailed description of the best embodiment of the present invention, an example of which is illustrated in the accompanying drawing.
Модульная система сбора и анализа информации в промышленном окружении (1) состоит из объединительной платы (2), на которой установлен управляющий вычислительный модуль (3), тензорный вычислительный модуль (4), модули хранения данных (5), модуль передачи данных (6), который в свою очередь соединяется с множеством сенсорных вычислительных модулей (7), к каждому из которых подключается множество датчиков с аналоговыми или цифровыми выходами (8), размещаемых в промышленном окружении. На объединительной плате (2) имеется встроенный инерциальный датчик (9), одновременно выполняющий функции трехосевого акселерометра, трехосевого гироскопа и трехосевого магнетометра. Модуль передачи данных (6) поддерживает проводные сетевые соединения стандарта Ethernet, проводные последовательные соединения стандарта RS-485 и беспроводные соединения по технологии Bluetooth. Для организации беспроводного соединения по технологии Wi-Fi к модулю передачи данных (6) по проводному сетевому соединению стандарта Ethernet подключается точка доступа Wi-Fi (10). Датчики с цифровыми интерфейсами подключения (11), которые используют поддерживаемые модулем передачи данных (6) стандарты и технологии передачи данных (Ethernet, RS-485, Bluetooth, Wi-Fi), могут напрямую присоединяться к модулю передачи данных (6), минуя сенсорный вычислительный модуль (7). Сенсорные вычислительные модули (7) могут подключаться к модулю передачи данных (6) как напрямую, так и с использованием сетевого коммутатора (12). Также в составе сенсорного вычислительного модуля (7) имеется встроенный инерциальный датчик (13), измеряющий линейное ускорение и угловую скорость. A modular system for collecting and analyzing information in an industrial environment (1) consists of a backplane (2) on which a control computing module (3), a tensor computing module (4), data storage modules (5), a data transmission module (6) are installed , which in turn is connected to the set sensor computing modules (7), each of which is connected to a plurality of sensors with analog or digital outputs (8) placed in an industrial environment. The backplane (2) has a built-in inertial sensor (9), which simultaneously performs the functions of a three-axis accelerometer, a three-axis gyroscope and a three-axis magnetometer. The communication module (6) supports wired Ethernet network connections, wired RS-485 serial connections, and wireless Bluetooth connections. To organize a wireless connection using Wi-Fi technology, a Wi-Fi access point (10) is connected to the data transmission module (6) via a wired network connection of the Ethernet standard. Sensors with digital connection interfaces (11), which use standards and data transmission technologies supported by the data transmission module (6) (Ethernet, RS-485, Bluetooth, Wi-Fi), can be directly connected to the data transmission module (6), bypassing the sensor computing module (7). Sensor computing modules (7) can be connected to the data transmission module (6) either directly or using a network switch (12). The sensor computing module (7) also includes a built-in inertial sensor (13) that measures linear acceleration and angular velocity.
Модульная система сбора и анализа информации в промышленном окружении (1) может подключаться к внешнему вычислительному устройству (14) с помощью сетевого Ethernet соединения через модуль передачи данных (6) или через выделенный сетевой интерфейс (15) на объединительной плате для передачи собранных и обработанных данных из промышленного окружения. Выделенный сетевой интерфейс (15) подключается к управляющему вычислительному модулю (3) с помощью интерфейса SGMII. Функциональная схема модульной системы сбора и анализа информации в промышленном окружении представлена на Фиг. 1. Modular system for collecting and analyzing information in an industrial environment (1) can be connected to an external computing device (14) using an Ethernet network connection through a data communication module (6) or through a dedicated network interface (15) on the backplane to transfer collected and processed data from an industrial environment. A dedicated network interface (15) is connected to the control computing module (3) using SGMII interface. A functional diagram of a modular system for collecting and analyzing information in an industrial environment is shown in Fig. 1.
Представленная модульная система сбора и анализа информации в промышленном окружении (1) предполагает наличие 4 уровней организации: уровень получения первичных данных от датчиков, уровень предварительной обработки первичных данных, уровень передачи обработанных данных и уровень анализа данных. Первый уровень представлен датчиками различных физических величин (линейного ускорения, угловой скорости, температуры, напряжения, тока и т.д.), устройствами звуко- и видеозаписи. Они позволяют получать первичные данные, которые будут подвергаться дальнейшей обработке и анализу. Информация передается от датчиков в аналоговом, дискретном или цифровом виде с использованием аналоговых или цифровых (SPI, I2C, RS- 485, Ethernet, Bluetooth, Wi-Fi и т.д.) интерфейсов. В модульной системе сбора и анализа информации в промышленном окружении (1) используются датчики с аналоговыми и цифровыми выходами (8), подключаемые к сенсорным вычислительным модулям (7), встроенный инерциальный датчик (9) на объединительной плате (2), встроенный инерциальный датчик (13) на сенсорном вычислительном модуле (7), и датчики с цифровыми интерфейсами подключения (И), которые могут непосредственно подключаться к модулю передачи данных (6). The presented modular system for collecting and analyzing information in an industrial environment (1) assumes the presence of 4 levels of organization: the level of obtaining primary data from sensors, the level of preliminary processing of primary data, the level of transmission of processed data and the level of data analysis. The first level is represented by sensors of various physical quantities (linear acceleration, angular velocity, temperature, voltage, current, etc.), sound and video recording devices. They allow you to obtain primary data that will be subjected to further processing and analysis. Information is transmitted from sensors in analog, discrete or digital form using analog or digital (SPI, I2C, RS-485, Ethernet, Bluetooth, Wi-Fi, etc.) interfaces. The modular system for collecting and analyzing information in an industrial environment (1) uses sensors with analog and digital outputs (8) connected to sensor computing modules (7), built-in inertial sensor (9) on the backplane (2), built-in inertial sensor ( 13) on the sensor computing module (7), and sensors with digital connection interfaces (I), which can be directly connected to the data transmission module (6).
Второй уровень сбора и анализа информации в промышленном окружении (1) связан с предобработкой данных, полученных от датчиков. Эту функцию реализуют сенсорные вычислительные модули (7), которые выполняют: согласование электрических сигналов (усиление сигнала, преобразование электрических и логических уровней сигналов от датчиков и т.д.), захват сигнала и представление поступающих от датчиков данных в цифровой форме, накопление поступающих от датчиков данных во внутренней памяти, предварительную обработку поступающих от датчиков данных, передачу предобработанных данных для дальнейшего анализа в управляющий вычислительный модуль (3) через модуль передачи данных (6), а также управление питанием датчиков, подключенных к сенсорному вычислительному модулю (7). Согласование уровня сигналов осуществляется с помощью электронных схем согласования на основе дискретных радиокомпонентов. Захват сигнала, представление поступающих от датчиков данных в цифровую форму, накопление и предварительная обработка этих данных осуществляется с помощью микроконтроллера, причем для преобразования аналогового сигнала используется встроенный аналогово-цифровой преобразователь. Под предварительной обработкой данных понимаются различные математические операции над массивом данных, такие как усреднение значений, вычисление среднеквадратичных значений, преобразование Фурье и т.д. Передача предобработанных данных осуществляется с помощью приемопередатчика Ethernet, подключенного к микроконтроллеру с помощью интерфейса RMI. Подключение встроенного инерциального датчика (13) к микроконтроллеру осуществляется с помощью интерфейса SPI. Питание сенсорного вычислительного модуля реализовано по технологии передачи электроэнергии через Ethernet (Power over Ethernet). The second level of collection and analysis of information in an industrial environment (1) is associated with the preprocessing of data received from sensors. This function is implemented by sensor computing modules (7), which perform: matching of electrical signals (signal amplification, conversion of electrical and logical levels of signals from sensors, etc.), signal capture and representation of data coming from sensors in digital form, accumulation of data coming from data sensors in internal memory, preliminary processing of data coming from sensors, transfer of preprocessed data for further analysis to the control computing module (3) through the data transmission module (6), as well as power management of sensors connected to the sensor computing module (7). Signal level matching is carried out using electronic matching circuits based on discrete radio components. Capture of the signal, representation of the data coming from the sensors into digital form, accumulation and pre-processing of these data is carried out using a microcontroller, and an integrated analog-to-digital converter is used to convert the analog signal. Data pre-processing refers to various mathematical operations on a data array, such as averaging values, calculating root mean square values, Fourier transform, etc. The transmission of preprocessed data is carried out using an Ethernet transceiver connected to the microcontroller using the RMI interface. The built-in inertial sensor (13) is connected to the microcontroller using the SPI interface. The sensor computing module is powered by the technology of power transmission over Ethernet (Power over Ethernet).
Третий уровень модульной системы сбора и анализа информации в промышленном окружении (1), представленный модулем передачи данных (6), отвечает за передачу данных между управляющим вычислительным модулем (3) и другими функциональными элементами модульной системы: сенсорными вычислительными модулями (7) с помощью Ethernet, датчиками с цифровыми интерфейсами подключения (11) с помощью Ethernet, RS-485, Bluetooth, Wi-Fi и внешним вычислительным устройством (14) с помощью Ethernet. Для выполнения основной функции модуля передачи данных (6), т.е. приема данных, их агрегации и передачи, используется микроконтроллер. Для беспроводной передачи по технологии Bluetooth используется встроенная микросхема, подключаемая к микроконтроллеру с помощью интерфейса SPI. Для реализации проводных соединений по интерфейсу RS-485 используется микросхемы- приемопередатчики, подключаемые с помощью интерфейса UART. Проводное соединение Ethernet реализуется с помощью микросхемы Ethemet-коммутатора, который также реализует соединение между модулем передачи данных (6) и управляющим вычислительным модулем (3) с помощью интерфейса SGMII. Питание модуля организовано с использованием микросхемы преобразователя напряжения, подаваемого с объединительной платы (2). The third level of the modular system for collecting and analyzing information in an industrial environment (1), represented by the data transmission module (6), is responsible for the transfer of data between the control computing module (3) and other functional elements of the modular system: sensor computing modules (7) using Ethernet , sensors with digital connection interfaces (11) using Ethernet, RS-485, Bluetooth, Wi-Fi and an external computing device (14) using Ethernet. To perform the main function communication module (6), i.e. data reception, their aggregation and transmission, a microcontroller is used. For wireless transmission via Bluetooth technology, an integrated microcircuit is used, which is connected to the microcontroller using the SPI interface. To implement wired connections via the RS-485 interface, transceiver chips connected via the UART interface are used. The wired Ethernet connection is implemented using the Ethemet switch chip, which also implements the connection between the data communication module (6) and the control computer module (3) using the SGMII interface. The module is powered by a voltage converter chip supplied from the backplane (2).
Последний уровень модульной системы сбора и анализа информации в промышленном окружении (1) осуществляет анализ и хранение данных и представлен тремя модулями, которые располагаются на объединительной плате (2): управляющим вычислительным модулем (3), тензорным вычислительным модулем (4) и модулями хранения данных (5). Управляющий вычислительный модуль (3) является основным контроллером модульной системы и представляет собой микросхему вида “корпус-на-корпусе”, в которой микропроцессор интегрирован с оперативной (DDR) и флэш (NAND и NOR) памятью. В его функции входит: контроль выборки данных от датчиков, подключенных к модульной системе сбора и анализа информации в промышленном окружении (1), в том числе через сенсорные вычислительные модули (7); выполнение запросов на обработку данных с помощью тензорного вычислительного модуля (4); отправка результатов анализа данных в модули хранения данных (5); предоставление результатов анализа данных внешнему вычислительному устройству (14). В качестве системного программного обеспечения могут быть использованы операционные системы семейства Unix/Linux. Управляющий вычислительный модуль соединяется с тензорным вычислительным модулем (4) с помощью выбранного интерфейса (PCI, USB, SPI или US ART), а с модулями хранения данных (5) с помощью интерфейса SATA. Встроенный инерциальный датчик (9) на объединительной плате (2) подключается к управляющему вычислительному модулю (3) с помощью интерфейса SPI. Модули хранения данных (5) выполняют функции записи, чтения и хранения данных и состоят из микросхемы контроллера диска и нескольких микросхем NAND памяти. Соединение между контроллером диска и микросхемами NAND памяти осуществляется с помощью интерфейса ONFi или Toggle. The last level of a modular system for collecting and analyzing information in an industrial environment (1) performs data analysis and storage and is represented by three modules that are located on the backplane (2): a control computing module (3), a tensor computing module (4) and data storage modules (5). The control computing module (3) is the main controller of the modular system and is a package-on-package chip in which the microprocessor is integrated with operational (DDR) and flash (NAND and NOR) memory. Its functions include: control of data sampling from sensors connected to a modular system for collecting and analyzing information in an industrial environment (1), including through sensor computing modules (7); execution of requests for data processing using a tensor computing module (4); sending data analysis results to data storage modules (5); providing data analysis results to an external computing device (14). Operating systems can be used as system software. systems of the Unix/Linux family. The control computing module is connected to the tensor computing module (4) using the selected interface (PCI, USB, SPI or US ART), and to the data storage modules (5) using the SATA interface. The built-in inertial sensor (9) on the backplane (2) is connected to the control computer module (3) using the SPI interface. Data storage modules (5) perform the functions of writing, reading and storing data and consist of a disk controller chip and several NAND memory chips. The connection between the disk controller and the NAND memory chips is carried out using the ONFi or Toggle interface.
Тензорный вычислительный модуль (4) используется для ускорения обработки и интеллектуального анализа собранных с датчиков данных, в том числе с использованием методов машинного обучения, за счёт аппаратного ускорения матричных вычислений, выполняемых в модульной системе сбора и анализа информации в промышленном окружении (1). Матричные вычисления используются при интеллектуальном анализе данных, в том числе с использованием методов машинного обучения, таких как логистическая регрессия, метод опорных векторов, деревья решений, байесовская сеть, метод ближайших соседей, искусственные нейронные сети и др. В составе тензорного вычислительного модуля (4) имеется: микропроцессор общего назначения, аппаратный блок ускорения тензорных вычислений, оперативная и флэш память, блок обработки аудиосигналов и блок аппаратного ускорения преобразований Фурье. Задачи на выполнение матричных вычисления для тензорного вычислительного модуля (4) поступают от управляющего вычислительного модуля (3). В ходе работы модульной системы сбора и анализа информации в промышленном окружении (1) осуществляется сбор данных со всех подключённых датчиков. Данные с датчиков с аналоговыми и цифровыми выходами (8) и встроенных инерциальных датчиков (13) могут проходить предобработку (усреднение значений, вычисление среднеквадратичных значений, преобразование Фурье и т.д.) на сенсорных вычислительных модулях (7) перед отправкой в модуль передачи данных (6). Данные с датчиков с цифровыми интерфейсами подключения (И) поступают в модуль передачи данных (6) без предобработки. Модуль передачи данных (6) осуществляет прием, агрегацию и передачу данных от всех подключенных датчиков управляющему вычислительному модулю (3). Управляющий вычислительный модуль (3), используя алгоритмы интеллектуального анализа данных, в том числе с использованием методов машинного обучения, обрабатывает поступающие данные и формирует массив аналитической информации о состоянии производственного процесса, промышленного оборудования или отдельных его узлов. Этот массив аналитической информации может включать следующие данные: наличие несоответствий технологических параметров производственного процесса требуемым значениям, наличие неисправностей промышленного оборудования или отдельных его узлов, возможность возникновения отказов промышленного оборудования или отдельных его узлов в ближайшее время, диагностическая информация о состоянии производственного процесса или промышленного оборудования, рекомендации по проведению технического осмотра или планового ремонта промышленного оборудования или отдельных его узлов и т.д. Для ускорения обработки информации управляющий вычислительный модуль (3) создает задачи на выполнение матричных вычислений и передает их тензорному вычислительному модулю (4). После выполнения задачи тензорный вычислительный модуль (4) передает результаты матричных вычислений обратно управляющему вычислительному модулю (3). Первичные данные, полученные от датчиков, предобработанные данные и результаты интеллектуального анализа могут сохраняться управляющим вычислительным модулем (3) с помощью модулей хранения данных (5). Эти данные могут быть предоставлены для дальнейшего анализа внешнему вычислительному устройству (14) с помощью сетевого обмена. The tensor computing module (4) is used to accelerate the processing and intellectual analysis of data collected from sensors, including using machine learning methods, due to hardware acceleration of matrix calculations performed in a modular system for collecting and analyzing information in an industrial environment (1). Matrix calculations are used in data mining, including using machine learning methods such as logistic regression, support vector machine, decision trees, Bayesian network, nearest neighbors, artificial neural networks, etc. As part of a tensor computing module (4) available: a general-purpose microprocessor, a hardware acceleration unit for tensor calculations, RAM and flash memory, an audio signal processing unit, and a hardware acceleration unit for Fourier transforms. Tasks for performing matrix calculations for the tensor computing module (4) are received from the control computing module (3). During the operation of a modular system for collecting and analyzing information in an industrial environment (1), data is collected from all connected sensors. Data from sensors with analog and digital outputs (8) and built-in inertial sensors (13) can be pre-processed (averaging values, calculating RMS values, Fourier transform, etc.) on sensor computing modules (7) before being sent to the data communication module (6). Data from sensors with digital connection interfaces (I) enters the data transmission module (6) without preprocessing. The data transmission module (6) receives, aggregates and transmits data from all connected sensors to the control computing module (3). The control computing module (3), using data mining algorithms, including using machine learning methods, processes incoming data and generates an array of analytical information about the state of the production process, industrial equipment or its individual nodes. This array of analytical information may include the following data: the presence of discrepancies between the technological parameters of the production process and the required values, the presence of malfunctions of industrial equipment or its individual components, the possibility of failures of industrial equipment or its individual components in the near future, diagnostic information about the state of the production process or industrial equipment, recommendations for technical inspection or scheduled repair of industrial equipment or its individual components, etc. To speed up information processing, the control computing module (3) creates tasks for performing matrix calculations and transfers them to the tensor computing module (4). After the task is completed, the tensor computing module (4) transmits the results of the matrix calculations back to the control computing module (3). Raw data received from the sensors, pre-processed data and intellectual analysis results can be stored by the control computing module (3) using data storage modules (5). These data can be provided for further analysis to an external computing device (14) using a network exchange.
Промышленная применимость Industrial Applicability
Заявляемое изобретение предназначено для сбора данных с распределенного массива датчиков, расположенных в промышленном окружении для мониторинга производственных процессов и промышленного оборудования на основе интеллектуального анализа данных, в том числе с использованием методов машинного обучения. Заявляемое изобретение может быть использовано в различных отраслях промышленности, таких как машиностроение, химическая промышленность, металлургия, пищевая промышленность, энергетическая промышленность, лесная промышленность, авто-, авиа- и судостроение и т.д. Это достигается за счет возможности использования датчиков различных физических величин, которые могут быть установлены на объекте мониторинга в виде распределенного массива. The claimed invention is intended to collect data from a distributed array of sensors located in an industrial environment for monitoring production processes and industrial equipment based on data mining, including using machine learning methods. The claimed invention can be used in various industries such as mechanical engineering, chemical industry, metallurgy, food industry, energy industry, timber industry, auto, aircraft and shipbuilding, etc. This is achieved due to the possibility of using sensors of various physical quantities that can be installed on the monitoring object in the form of a distributed array.

Claims

22 22
ФОРМУЛА ИЗОБРЕТЕНИЯ CLAIM
Модульная система сбора и анализа информации в промышленном окружении, включающая объединительную плату, на которой расположены управляющий вычислительный модуль, модуль хранения данных и модуль передачи данных, к которому с помощью сетевых соединений подключается множество сенсорных вычислительных модулей, каждый из которых соединяется с множеством датчиков с аналоговыми или цифровыми выходами, отличающаяся тем, что на объединительной плате размещается тензорный вычислительный модуль, соединяющийся с управляющим вычислительным модулем для ускорения матричных вычислений. A modular system for collecting and analyzing information in an industrial environment, including a backplane on which a control computing module, a data storage module and a data transmission module are located, to which a plurality of sensor computing modules are connected via network connections, each of which is connected to a plurality of sensors with analog or digital outputs, characterized in that the backplane houses a tensor computing module that is connected to a control computing module to speed up matrix calculations.
PCT/RU2021/000448 2021-10-20 2021-10-20 Modular system for collecting and analysing information in an industrial environment WO2023068959A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/RU2021/000448 WO2023068959A1 (en) 2021-10-20 2021-10-20 Modular system for collecting and analysing information in an industrial environment

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/RU2021/000448 WO2023068959A1 (en) 2021-10-20 2021-10-20 Modular system for collecting and analysing information in an industrial environment

Publications (1)

Publication Number Publication Date
WO2023068959A1 true WO2023068959A1 (en) 2023-04-27

Family

ID=86058412

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2021/000448 WO2023068959A1 (en) 2021-10-20 2021-10-20 Modular system for collecting and analysing information in an industrial environment

Country Status (1)

Country Link
WO (1) WO2023068959A1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190043201A1 (en) * 2017-12-28 2019-02-07 Christina R. Strong Analytic image format for visual computing
US20190222652A1 (en) * 2019-03-28 2019-07-18 Intel Corporation Sensor network configuration mechanisms
US20200279349A1 (en) * 2017-04-09 2020-09-03 Intel Corporation Machine learning sparse computation mechanism
US20210377279A1 (en) * 2018-09-28 2021-12-02 Intel Corporation Trust management mechanisms

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200279349A1 (en) * 2017-04-09 2020-09-03 Intel Corporation Machine learning sparse computation mechanism
US20190043201A1 (en) * 2017-12-28 2019-02-07 Christina R. Strong Analytic image format for visual computing
US20210377279A1 (en) * 2018-09-28 2021-12-02 Intel Corporation Trust management mechanisms
US20190222652A1 (en) * 2019-03-28 2019-07-18 Intel Corporation Sensor network configuration mechanisms

Similar Documents

Publication Publication Date Title
CN110719210B (en) Industrial equipment predictive maintenance method based on cloud edge cooperation
Zhou et al. Edge intelligence: Paving the last mile of artificial intelligence with edge computing
EP3318046B1 (en) A cognitive intelligence platform for distributed m2m/iot systems
Thomas et al. Minerva: A reinforcement learning-based technique for optimal scheduling and bottleneck detection in distributed factory operations
US20210288887A1 (en) Systems and methods for contextual transformation of analytical model of iot edge devices
TWI623881B (en) Event stream processing system, method and machine-readable storage
JP6501675B2 (en) Configurable on-board information processing
Doboli et al. Cities of the future: Employing wireless sensor networks for efficient decision making in complex environments
US10693841B2 (en) System and method for transmitting data relating to an object
CN115270697A (en) Method and apparatus for automatically updating an artificial intelligence model of an autonomous plant
Ribeiro et al. A nearest neighbors based data filter for fog computing in IoT smart agriculture
Jing et al. Deep learning-based cloud–edge collaboration framework for remaining useful life prediction of machinery
Rajakumar et al. Health monitoring and fault prediction using a lightweight deep convolutional neural network optimized by Levy flight optimization algorithm
Killeen Knowledge-based predictive maintenance for fleet management
CN116756225B (en) Situation data information processing method based on computer network security
WO2023068959A1 (en) Modular system for collecting and analysing information in an industrial environment
Mönks et al. Assisting the design of sensor and information fusion systems
Raïs et al. Trading data size and cnn confidence score for energy efficient cps node communications
Cerezuela-Escudero et al. Performance evaluation of neural networks for animal behaviors classification: Horse gaits case study
Poojara et al. Serverless Data Pipelines for IoT Data Analytics: A Cloud Vendors Perspective and Solutions
CN116248674A (en) Data transmission method, device and system
Andrijašević et al. Lid Opening Detection in Manholes using RNN
Novilla et al. The use of fuzzy logic for online monitoring of manufacturing machine: An intelligent system
Sirojan et al. Enabling deep learning on embedded systems for iot sensor data analytics: Opportunities and challenges
CN110658769B (en) Unit monitoring system and method

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21961545

Country of ref document: EP

Kind code of ref document: A1