CN113487073B - 一种基于边缘技术的过程控制系统能耗管理方法和系统 - Google Patents
一种基于边缘技术的过程控制系统能耗管理方法和系统 Download PDFInfo
- Publication number
- CN113487073B CN113487073B CN202110717348.2A CN202110717348A CN113487073B CN 113487073 B CN113487073 B CN 113487073B CN 202110717348 A CN202110717348 A CN 202110717348A CN 113487073 B CN113487073 B CN 113487073B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- process control
- control system
- codes
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000004886 process control Methods 0.000 title claims abstract description 76
- 238000007726 management method Methods 0.000 title claims abstract description 46
- 238000005265 energy consumption Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims abstract description 9
- 230000000737 periodic effect Effects 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 48
- 238000013475 authorization Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 5
- 230000001960 triggered effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000003203 everyday effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013474 audit trail Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于边缘技术的过程控制系统能耗管理方法和系统,通过生物识别设备采集登录人员的验证信息与成员信息库进行多维度校验,生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归;运用加权移动平均法通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值,从而实现能源管理过程中各区域生产设备的能耗分析,完善各工作区域的能源预测和分配。
Description
技术领域
本发明涉及工业过程控制技术领域,尤其涉及一种基于边缘技术的过程控制系统能耗管理方法。
背景技术
随着能源消耗急骤增加和能源单位价格的不断上涨,市场的全球化趋势使得市场竞争日益激烈,离散制造企业要求降低生产成本和管理成本,提高生产效率的呼声愈加强烈。现有的过程控制系统的数据处理方法还不够完善,存在诸多问题,能源数据不能及时、直观的发送至能源管理人,特别在企业生产的能耗监控上,无法做到提前预测,不利于工业能源管理与系统优化,致使工业生产成本居高不下。因此,如何提高能源管理过程中各区域生产设备的能耗分析,实现各工作区域的能源预测和分配,是一个亟需解决的技术问题。
发明内容
本发明针对现有技术中的不足,提供了一种基于边缘技术的过程控制系统能耗管理方法,具体包括如下步骤:
S1,通过生物识别设备采集登录人员的验证信息,与成员信息库进行多维度校验,生成登录指令信息,所述验证信息包括通过至少一生物识别设备获取的登录人员的人脸信息、指纹信息、密码锁输入信息中的一个或多个,并对其正则化后对应到与过程控制系统相关联的成员身份信息库哈希表,哈希表成员身份信息包括该人员所对应的员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码;所述员工编码或非公司人员授权编码用于判断能否进入过程控制系统的主系统,所述部门编码、岗位编码和权限等级信息用于判断是否允许进入过程控制系统的不同子功能单元;
S2,生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,所述行为特征数据包括但不限于成员身份信息、登录持续时间,进入频次,登录时间段、预留附属信息;根据各行为特征数据生成该成员的数据结构后保存至访问人员的历史数据库中;
S3,根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归;
S4,运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值。
优选的,所述步骤S4具体包括:
获取多个周期的成员身份信息和行为特征数据的历史数据,将其作为训练数据集分别训练出对应员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码的五类数据的SVM分类器,
通过将员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码五类数据进行标准化处理,采用max-min归一化,其中Wj表示为第j个成员的权重,k为特征的数量,其中Ej表示为第j个成员的信息熵,n为所有成员的总数,Pij表示为第i个样本的第j个成员在所有样本数据中的分布概率,/>Yij表示为第i个样本数据的第j个成员标准化后的值。
优选的,所述步骤S3具体包括:
采用类循环神经网络RNN进行连续时间序列的回归,其输出数据是与输入数据对应维度的时间序列Yij(t),其中i表示成员编号,j表示特征编号;
采用类朴素贝叶斯算法NaiveBayes进行离散序列的分类,其输出数据是与输入数据对应维度的分布于自定义类别概率和的时间序列:其中i表示成员编号,j表示特征编号,YM表示M种自定义的类别,Xij表示第i个成员的第j个特征,P为概率分布,t为时间序列下标,N为特征数量;
根据生成的时间序列及与各类别数据预测的偏差范围曲线的收敛状态来筛选获取设置合理的分类维度和自学习模型。
优选的,步骤S1还包括:
S11,对于事先未分配成员的信息维度,通过进入过程控制系统后的行为特征数据,通过基于时间序列的类K-均值聚类算法,对成员进行聚类分析,获取该未分配成员的最适配权限等级,补充入其成员身份信息。
优选的,步骤S11具体包括:
S111,输入数据集合Mj和类别数K,其中j表示特征编号,随机分配K种类别的中心点位置:Mj(X,Y,Z)(t),其中X、Y、Z为维度坐标系,X为持续时间,Y进入频次,Z时间段;
S112,将样本每个点所在的位置放入离它最近的类别中心点所在的集合Mj{Pi},其中P表示成员,i表示成员编号;
S113,移动类别的中心点Mj(X,Y,Z)(t)到它所在的集合的中心位置,所述中心位置为||M||3最小值的坐标,其中x为X、Y、Z的向量表示,即x=[X,Y,Z]T,i∈[0,1...N],N表示所有同类特征数据中心点在向量空间的位置,此时得到新的X、Y、Z坐标值Mj(X,Y,Z)(t+1);
S114,继续循环执行上一步骤S113,直到最终Mj(X,Y,Z)趋于收敛后,结束循环;
S115,利用经过迭代后的基于时间序列的类K-均值聚类算法,对未分配成员的行为特征数据进行聚类分析,根据聚类结果获取该成员的最适配权限等级。
本发明还公开了一种基于边缘技术的过程控制系统能耗管理系统,包括信息校验模块、行为特征数据记录模块、分类和回归模块和估计值获取模块,其中信息校验模块,被配置为通过生物识别设备采集登录人员的验证信息,与成员信息库进行多维度校验,生成登录指令信息,所述验证信息包括通过至少一生物识别设备获取的登录人员的人脸信息、指纹信息、密码锁输入信息中的一个或多个,并对其正则化后对应到与过程控制系统相关联的成员身份信息库哈希表,哈希表成员身份信息包括该人员所对应的员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码;所述员工编码或非公司人员授权编码用于判断能否进入过程控制系统的主系统,所述部门编码、岗位编码和权限等级信息用于判断是否允许进入过程控制系统的不同子功能单元。行为特征数据记录模块,被配置为在生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,所述行为特征数据包括但不限于成员身份信息、登录持续时间,进入频次,登录时间段、预留附属信息;根据各行为特征数据生成该成员的数据结构后保存至访问人员的历史数据库中。分类和回归模块,被配置为根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归。估计值获取模块,被配置为运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值。
优选的,所述估计值获取模块具体被配置为:获取多个周期的成员身份信息和行为特征数据的历史数据,将其作为训练数据集分别训练出对应员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码的五类数据的SVM分类器;通过将员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码五类数据进行标准化处理,采用max-min归一化,其中Wj表示为第j个成员的权重,k为特征的数量,其中Ej表示为第j个成员的信息熵,/>n为所有成员的总数,Pij表示为第i个样本的第j个成员在所有样本数据中的分布概率,/>Yij表示为第i个样本数据的第j个成员标准化后的值。
优选的,所述分类和回归模块具体包括:
回归模块,用于采用类循环神经网络RNN进行连续时间序列的回归,其输出数据是与输入数据对应维度的时间序列Yij(t),其中i表示成员编号,j表示特征编号;
分类模块,用于采用类朴素贝叶斯算法NaiveBayes进行离散序列的分类,其输出数据是与输入数据对应维度的分布于自定义类别概率和的时间序列:其中i表示成员编号,j表示特征编号,YM表示M种自定义的类别,Xij表示第i个成员的第j个特征,P为概率分布,t为时间序列下标,N为特征数量;
筛选模块,用于根据生成的时间序列及与各类别数据预测的偏差范围曲线的收敛状态来筛选获取设置合理的分类维度和自学习模型。
本发明还公开了一种基于边缘技术的过程控制系统能耗管理装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述基于边缘技术的过程控制系统能耗管理方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于边缘技术的过程控制系统能耗管理方法的步骤。
本发明通过生物识别系统采集的成员信息,通过事先已经分配好成员信息维度,统计分析进入PCS过程控制系统后的行为特性,运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值,从而实现能源管理过程中各区域生产设备的能耗分析,完善各工作区域的能源预测和分配。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例公开的基于边缘技术的过程控制系统能耗管理方法的流程示意图。
图2为本发明一实施例公开的二维散点分布示意图。
图3为本发明一实施例公开的成员聚类结果示意图。
图4为本发明一实施例公开的两新成员在1天工作区域的时长和进出频次的分类示意图。
图5为本发明一实施例公开的基于边缘技术的过程控制系统能耗管理系统的原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。
目前PCS系统(过程控制系统)相对比较独立,集成度较低,没有一种很好的方法与外界生物识别仪器如指纹打卡机、人脸识别打卡机、IC卡刷卡机等实现人员管理、校验、审计追踪等的功能。另一方面,PCS系统人员管理相关的数据在工业云平台上的展示处理也少有相关的应用实例。本发明实现的是人员通过生物识别仪器,进入一套校验管理软件程序,经过算法计算和与数据库人员管理规则对比后,结果推送到PCS系统,完成该人员的登陆、恶意或误闯等信息。此外,通过基于边缘控制器定制开发的分析优化软件,将识别的所有人员相关信息上送到工业云,并对数据进行分析、统计,优化人员的管理规则。例如下面实施例具体描述的通过每天各个时段的人员登录(时刻、时长、频率、间隔)情况的数据分布:体现出每天不同时段人员登录的信息分布,包括在不同类天(工作日、休息日)、不同类时间段(工作时间段、闲暇时间段等)进入工作区域范围内的人员数量分布情况,分析获取工作区域在不同时间段的拥挤程度,开展公司耗能高的工作区域的能源预测和节能计划预案,从而实现能源管理过程中各区域生产设备的能耗分析,完善各工作区域的能源预测和分配。
本实施例公开了一种基于边缘技术的过程控制系统能耗管理系统,该系统中将PCS控制器、生物识别刷卡机、RFID、网络摄像头采集的相关数据信息定义为边缘层数据,通过一层交换机接入到边缘控制器的SLAN口,边缘控制器进行输入信息的聚类、数据校验、数据清洗等工作;另一路数据流通过中心交换机,接入到服务器,服务器是PCS系统的历史数据库,提供算法相关的所有数据集。边缘控制器的WLAN口接入公网,根据实际业务的管理规则和人员约束条件,将信息上传至工业云平台。
如附图1所示,本实施例公开的基于边缘技术的过程控制系统能耗管理方法,具体包括如下步骤:
步骤S1,通过生物识别设备采集登录人员的验证信息,与成员信息库进行多维度校验,生成登录指令信息,所述验证信息包括通过至少一生物识别设备获取的登录人员的人脸信息、指纹信息、密码锁输入信息中的一个或多个,并对其正则化后对应到与过程控制系统相关联的成员身份信息库哈希表,成员身份信息哈希表包括该人员所对应的员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码。其中员工编码或非公司人员授权编码用于判断能否进入过程控制系统的主系统,所述部门编码、岗位编码和权限等级信息用于判断是否允许进入过程控制系统的不同子功能单元。
具体的,成员身份信息格式为:Personnel(C_ID,Department,Jobs,Level,Authorized_ID,Additional)。其中C_ID表示员工编码,Department表示部门编码,Jobs表示岗位编码,Authorized_ID表示非公司人员授权编码,Additional作为预留信息,在本实施例中可以用于填写权限等级信息。
每次登录执行动作的后续数据流向包括两条并行的路径,即可同时执行下面两个步骤。
步骤S101,根据员工编码或非公司人员授权编码判断能否进入过程控制系统的主系统,根据部门编码、岗位编码和权限等级信息判断是否允许进入过程控制系统的不同子功能单元。具体的,由“C_ID”和“Authorized_ID”成员参数作为能否进入PCS运行“Runtime”主系统的直接判断,由“Department”、“Jobs”、“Level”成员参数作为进入PCS各子功能单元的允许条件。
步骤S102,每次生物识别设备执行动作时触发并记录该次事件中“Personnel”的各个成员信息到PCS系统的关系数据库。该步骤内容可具体参见下述步骤S2。
在另一些具体实施例中,步骤S1还包括如下具体内容。
步骤S11,对于事先未分配成员的信息维度,通过进入过程控制系统后的行为特征数据,通过基于时间序列的类K-均值聚类算法,对成员进行聚类分析,获取该未分配成员的最适配权限等级,补充入其成员身份信息。
在一具体实施例中,步骤S11还可以具体包括如下内容。
步骤S111,输入数据集合Mj和类别数K,其中j表示特征编号,随机分配K种类别的中心点位置:Mj(X,Y,Z)(t),其中X、Y、Z为维度坐标系,X为持续时间,Y进入频次,Z时间段。其中t为时间序列下标,类似于(X(n)、X(n+1)、X(n+2)、X(n+3)......)。
步骤S112,将样本每个点所在的位置放入离它最近的类别中心点所在的集合Mj{Pi},其中P表示成员,i表示成员编号,j表示特征编号。
步骤S113,移动类别的中心点Mj(X,Y,Z)(t)到它所在的集合的中心位置,所述中心位置为||M||3最小值的坐标,其中x为X、Y、Z的向量表示,即x=[X,Y,Z]T,i∈[0,1...N],N表示所有同类特征数据中心点在向量空间的位置,此时得到新的X、Y、Z坐标值Mj(X,Y,Z)(t+1)。
步骤S114,继续循环执行上一步骤S113,直到最终Mj(X,Y,Z)趋于收敛后,结束循环。
步骤S115,利用经过迭代后的基于时间序列的类K-均值聚类算法,对未分配成员的行为特征数据进行聚类分析,根据聚类结果获取该成员的最适配权限等级。
在本实施例中,与实际业务相关的典型特征分类的坐标系主要包括以下几种:
第一类,二维:X为持续时间,Y为进入频次,可用于分析工作区域操作人员、工作区域巡检人员、外部参观用户、异常人员。
第二类,也是二维:X为时间段),Y为进入频次,可用于分析白班操作人员、中班操作人员、夜班操作人员。
第三类,三维:X为持续时间),Y为进入频次),Z为时间段,可用于分析工作区域操作人员、工作区域巡检人员、外部参观用户、白班时段、中班时段、夜班时段、异常人员。
其中新增一类特征分类,需要重新加载包含此特征样本的时间序列数据,进行学习,训练出新的特征分类器。
附图2为以第一类某1天为例,多个成员在工作区域的时长Duration和进出频次Frequency的二维散点分布示意图。
附图3为通过上述算法迭代后,各个成员聚类的结果示意图,其中该实施例中K=3。聚类示意图基于“持续时间”和“频次数”的3种类别可以分别定义为:左下类,其持续时间短,进出频次少,可定义为公司领导或外部参观考察人员。左上类,其持续时间短,进出频次多,可定义为巡检人员、采样人员、监督人员等。右下类,其持续时间长,进出频次少,可定义为日常区域内的操作人员。
附图4为两个新成员在基于某1天的工作区域的时长Duration和进出频次Frequency的分类,从图中可以看出,可分别归类为:“左上类”和“右下类”。
经过一定的管理规则,包括某些涉及到公司具体技术型、商业机密、敏感类人员信息和岗位信息等的数据清洗后,将统计结果数据上送到其它平台,如西门子mindsphere工业云平台,提供相关业务部门人员远程web端浏览。
步骤S2,生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,所述行为特征数据包括但不限于成员身份信息、登录持续时间,进入频次,登录时间段、预留附属信息,根据各行为特征数据生成该成员的数据结构后保存至访问人员的历史数据库中。
具体的,通过生物识别系统采集的成员信息,通过事先已经分配好成员信息维度,统计分析进入PCS过程控制系统后的行为特性。输入数据成员结构(5维度特征):PersonnelN(IDType,LoginTime,InTimers,LogoutTime,OutTimers,AdditionalInfo),其中IDType为成员身份信息,LoginTime为登录时间,InTimers为单次登录持续时间,LogoutTime为登出时间,OutTimers为单次登出持续时间,AdditionalInfo为预留附属信息。成员用Xij表示,其中i表示成员编号,j表示特征编号,如X34表示第3个成员“Personnel03”的第4个特征LogoutTime。
在具体实施例中,成员身份信息IDType可以为8bytes,其中IDType由2bytes员工编码、1byte部门编码、1byte岗位编码、1byte等级、1byte工龄、2bytes预留信息组成,DInt类型*2。
步骤S3,根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归。具体的,每个成员结构变量值都进入到PCS系统的长期历史记录归档数据库。根据成员样本数量和成员结构触发的频率,设置相对比较合适的统计周期,例如可以设置为1周、1月、3月、6月、1年,典型周期默认为1月。
在一些具体实施例中,步骤S3具体包括:
步骤S31,对于连续时间序列的回归,采用类循环神经网络RNN,其输出数据是与输入数据对应维度的时间序列Yij(t)、Yij(t+1)...,其中i表示成员编号,j表示特征编号。
步骤S32,对于离散序列的分类,采用类朴素贝叶斯算法NaiveBayes,其输出数据是与输入数据对应维度的分布于自定义类别概率和的时间序列: 其中i表示成员编号,j表示特征编号,YM表示M种自定义的类别,P为概率分布,t为时间序列下标,N为特征数量,在本实施例中N为5,Xij表示第i个成员的第j个特征。Xij是成员结构N维度(特征):PersonnelN(IDType,LoginTime,InTimers,LogoutTime,OutTimers,AdditionalInfo)。成员用表示,其中i表示成员编号,j表示特征编号,如表示第3个成员“Personnel03”的第4个特征(LogoutTime)。
根据生成的时间序列及与各类别数据预测的偏差范围曲线的收敛状态来筛选获取设置合理的分类维度和自学习模型。
在本实施例中,生成的时间序列展现了多种主要类别维度M的实际情况分布,及其与各类别数据预测的偏差范围曲线。如偏差曲线在时间范围内呈现收敛状态,表示该分类维度比较合理,且自学习的模型比较准确,可以作为后续相关的业务工作使用;如偏差曲线在时间要求的范围内非收敛状态,则表示该分类维度设置不合理,或自学习的模型规则设置不准确,应该舍弃或改进方法。
与实际业务相关的典型维度的类别主要包括以下几种:
每天的人员的登录(时刻、频率)情况分布数据:体现出每天的不同人员登录的数量分布,包括已经授权人员的正常登录和非授权人员的非法试闯入在不同类天(工作日、休息日)、不同类时间段(工作时间段、闲暇时间段等)的分布情况。其结果指导对公司重要资源的安防措施。
每天各个时段的人员登录(时刻、时长、频率、间隔)情况的数据分布:体现出每天不同时段人员登录的信息分布,包括在不同类天(工作日、休息日)、不同类时间段(工作时间段、闲暇时间段等)进入工作区域范围内的人员数量分布情况。其结果体现工作区域在不同时间段的拥挤程度,开展公司耗能高的工作区域的能源预测和节能计划预案。
不同部门、岗位,不同人员等级、工龄的登录(时刻、时长、频率、间隔)情况的数据分布:体现出各种不同类别人员登录到工作区域的频率和时长分布情况。其结果指导对各部门岗位的人力资源配置优化;通过不同等级人员工作负荷和工作强度的数据分布,指导开展绩效分析和改进建议。
公司外部人员(如客户)或公司非业务相关部门的人员登录访问(时刻、时长、频率、间隔)的情况数据分布:体现出不同类型的外部人员对该工作区域所开展的业务或产出产品的感兴趣程度。其结果可指导和预测不同外部用户的行业需求,提供公司营销部门对各类用户潜在商机评级的决策参考。
步骤S4,运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值。在一些具体实施例中,步骤S4可以具体包括如下内容。
步骤S41,获取多个周期的成员身份信息和行为特征数据的历史数据,将其作为训练数据集分别训练出对应员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码的五类数据的SVM分类器。具体的,Personnel各成员(C_ID、Department、Jobs、Level、Authorized_ID)的权重是通过SVM算法学习得到的。首先将几个周期运行数据作为训练数据集,分别训练出5个SVM分类器,各个分类器是对应每个成员的分类器(C_ID、Department、Jobs、Level、Authorized_ID),如分类器1是关于C_ID的。
步骤S42,在后续的若干各周期的运行数据分布测试这5个分类器的分类效果,并统计确定正确分类个数来分别表示在5个成员的正确分类数,对运算出的结果做归一化处理,得到各个成员的权重。
具体的,通过将员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码五类数据进行标准化处理,采用max-min归一化,获取各个成员的权重Wj,其中Wj表示为第j个成员的权重,k为特征的数量,其中Ej表示为第j个成员的信息熵,/>n为所有成员的总数,Pij表示为第i个样本的第j个成员在所有样本数据中的分布概率,/>Yij表示为第i个样本数据的第j个成员标准化后的值。
本实施例可解决PCS系统用户管理模块的孤岛,人员通过生物识别仪器,进入一套校验管理软件程序,经过算法计算和与数据库人员管理规则对比后,结果推送到PCS系统,完成该人员的登陆、恶意或误闯等信息。
另外本实施例通过生物识别系统采集的成员信息,通过事先已经分配好成员信息维度,统计分析进入PCS系统后的行为特性,运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值。从而实现能源管理过程中各区域生产设备的能耗分析,完善各工作区域的能源预测和分配。
附图5为另一实施例公开的一种基于边缘技术的过程控制系统能耗管理系统,包括信息校验模块1、行为特征数据记录模块2、分类和回归模块3、估计值获取模块4,其中信息校验模块1,被配置为通过生物识别设备采集登录人员的验证信息,与成员信息库进行多维度校验,生成登录指令信息,所述验证信息包括通过至少一生物识别设备获取的登录人员的人脸信息、指纹信息、密码锁输入信息中的一个或多个,并对其正则化后对应到与过程控制系统相关联的成员身份信息库哈希表,哈希表成员身份信息包括该人员所对应的员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码;所述员工编码或非公司人员授权编码用于判断能否进入过程控制系统的主系统,所述部门编码、岗位编码和权限等级信息用于判断是否允许进入过程控制系统的不同子功能单元。行为特征数据记录模块2,被配置为在生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,所述行为特征数据包括但不限于成员身份信息、登录持续时间,进入频次,登录时间段、预留附属信息;根据各行为特征数据生成该成员的数据结构后保存至访问人员的历史数据库中。分类和回归模块3,被配置为根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归。估计值获取模块4,被配置为运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值。
在本实施例中,估计值获取模块4具体被配置为获取多个周期的成员身份信息和行为特征数据的历史数据,将其作为训练数据集分别训练出对应员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码的五类数据的SVM分类器;通过将员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码五类数据进行标准化处理,采用max-min归一化,其中Wj表示为第j个成员的权重,k为特征的数量,其中Ej表示为第j个成员的信息熵,/>n为所有成员的总数,Pij表示为第i个样本的第j个成员在所有样本数据中的分布概率,/>Yij表示为第i个样本数据的第j个成员标准化后的值。
在本实施例中,分类和回归模块3具体包括回归模块、分类模块和筛选模块,其中回归模块,用于采用类循环神经网络RNN进行连续时间序列的回归,其输出数据是与输入数据对应维度的时间序列Yij(t),其中i表示成员编号,j表示特征编号。分类模块,用于采用类朴素贝叶斯算法NaiveBayes进行离散序列的分类,其输出数据是与输入数据对应维度的分布于自定义类别概率和的时间序列:其中i表示成员编号,j表示特征编号,YM表示M种自定义的类别,Xij表示第i个成员的第j个特征,P为概率分布,t为时间序列下标,N为特征数量。筛选模块,用于根据生成的时间序列及与各类别数据预测的偏差范围曲线的收敛状态来筛选获取设置合理的分类维度和自学习模型。
在本实施例中,信息校验模块1还被配置为对于事先未分配成员的信息维度,通过进入过程控制系统后的行为特征数据,通过基于时间序列的类K-均值聚类算法,对成员进行聚类分析,获取该未分配成员的最适配权限等级,补充入其成员身份信息。
在本实施例中,信息校验模块1具体被配置为输入数据集合Mj和类别数K,其中j表示特征编号,随机分配K种类别的中心点位置:Mj(X,Y,Z)(t),其中X、Y、Z为维度坐标系,X为持续时间,Y进入频次,Z时间段;将样本每个点所在的位置放入离它最近的类别中心点所在的集合Mj{Pi},其中P表示成员,i表示成员编号。
移动类别的中心点Mj(X,Y,Z)(t)到它所在的集合的中心位置,所述中心位置为||M||3最小值的坐标,其中x为X、Y、Z的向量表示,即x=[X,Y,Z]T,i∈[0,1...N],N表示所有同类特征数据中心点在向量空间的位置,此时得到新的X、Y、Z坐标值Mj(X,Y,Z)(t+1),循环执行移动类别的中心点到它所在的集合的中心位置,直到最终Mj(X,Y,Z)趋于收敛后,结束循环。
利用经过迭代后的基于时间序列的类K-均值聚类算法,对未分配成员的行为特征数据进行聚类分析,根据聚类结果获取该成员的最适配权限等级。
上述基于边缘技术的过程控制系统能耗管理系统的具体功能与前面实施例所公开的基于边缘技术的过程控制系统能耗管理方法一一对应,故在此不再详细展开描述,具体可参考前面公开的基于边缘技术的过程控制系统能耗管理方法各实施例。需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
在另一些实施例中,还提供了一种基于边缘技术的过程控制系统能耗管理装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述各实施例中描述的基于边缘技术的过程控制系统能耗管理方法的各个步骤。
其中基于边缘技术的过程控制系统能耗管理装置可包括但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是基于边缘技术的过程控制系统能耗管理装置的示例,并不构成对基于边缘技术的过程控制系统能耗管理装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于边缘技术的过程控制系统能耗管理装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于边缘技术的过程控制系统能耗管理的装置设备的控制中心,利用各种接口和线路连接整个基于边缘技术的过程控制系统能耗管理的装置设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于边缘技术的过程控制系统能耗管理的装置设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述基于边缘技术的过程控制系统能耗管理装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个基于边缘技术的过程控制系统能耗管理方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
总之,以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所作的均等变化与修饰,皆应属本发明专利的涵盖范围。
Claims (6)
1.一种基于边缘技术的过程控制系统能耗管理方法,其特征在于,包括如下步骤:
S1,通过生物识别设备采集登录人员的验证信息,与成员信息库进行多维度校验,生成登录指令信息,所述验证信息包括通过至少一生物识别设备获取的登录人员的人脸信息、指纹信息、密码锁输入信息中的一个或多个,并对其正则化后对应到与过程控制系统相关联的成员身份信息库哈希表,哈希表成员身份信息包括该人员所对应的员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码;所述员工编码或非公司人员授权编码用于判断能否进入过程控制系统的主系统,所述部门编码、岗位编码和权限等级信息用于判断是否允许进入过程控制系统的不同子功能单元;
S2,生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,所述行为特征数据包括成员身份信息、登录持续时间,进入频次,登录时间段、预留附属信息;根据各行为特征数据生成该成员的数据结构后保存至访问人员的历史数据库中;
S3,根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归;
采用类循环神经网络RNN进行连续时间序列的回归,其输出数据是与输入数据对应维度的时间序列Yij(t),其中i表示成员编号,j表示特征编号;采用类朴素贝叶斯算法NaiveBayes进行离散序列的分类,其输出数据是与输入数据对应维度的分布于自定义类别概率和的时间序列:其中i表示成员编号,j表示特征编号,YM表示M种自定义的类别,Xij表示第i个成员的第j个特征,P为概率分布,t为时间序列下标,N为特征数量;根据生成的时间序列及与各类别数据预测的偏差范围曲线的收敛状态来筛选获取设置合理的分类维度和自学习模型;
S4,运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值;
2.根据权利要求1所述的基于边缘技术的过程控制系统能耗管理方法,其特征在于,步骤S1还包括如下步骤:
S11,对于事先未分配成员的信息维度,通过进入过程控制系统后的行为特征数据,通过基于时间序列的类K-均值聚类算法,对成员进行聚类分析,获取该未分配成员的最适配权限等级,补充入其成员身份信息。
3.根据权利要求2所述的基于边缘技术的过程控制系统能耗管理方法,其特征在于,步骤S11具体包括:
S111,输入数据集合Mj和类别数K,其中j表示特征编号,随机分配K种类别的中心点位置:Mj(X,Y,Z)(t),其中X、Y、Z为维度坐标系,X为持续时间,Y进入频次,Z时间段;
S112,将样本每个点所在的位置放入离它最近的类别中心点所在的集合Mj{Pi},其中P表示成员,i表示成员编号;
S113,移动类别的中心点Mj(X,Y,Z)(t)到它所在的集合的中心位置,所述中心位置为||M||3最小值的坐标,其中x为X、Y、Z的向量表示,即x=[X,Y,Z]T,i∈[0,1...N],N表示所有同类特征数据中心点在向量空间的位置,此时得到新的X、Y、Z坐标值Mj(X,Y,Z)(t+1);
S114,继续循环执行上一步骤S113,直到最终Mj(X,Y,Z)趋于收敛后,结束循环;
S115,利用经过迭代后的基于时间序列的类K-均值聚类算法,对未分配成员的行为特征数据进行聚类分析,根据聚类结果获取该成员的最适配权限等级。
4.一种基于边缘技术的过程控制系统能耗管理系统,其特征在于,包括:
信息校验模块,被配置为通过生物识别设备采集登录人员的验证信息,与成员信息库进行多维度校验,生成登录指令信息,所述验证信息包括通过至少一生物识别设备获取的登录人员的人脸信息、指纹信息、密码锁输入信息中的一个或多个,并对其正则化后对应到与过程控制系统相关联的成员身份信息库哈希表,哈希表成员身份信息包括该人员所对应的员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码;所述员工编码或非公司人员授权编码用于判断能否进入过程控制系统的主系统,所述部门编码、岗位编码和权限等级信息用于判断是否允许进入过程控制系统的不同子功能单元;
行为特征数据记录模块,被配置为在生物识别设备执行动作后触发并通过预先分配好的成员信息维度记录进入过程控制系统后的成员在各维度的行为特征数据,所述行为特征数据包括成员身份信息、登录持续时间,进入频次,登录时间段、预留附属信息;根据各行为特征数据生成该成员的数据结构后保存至访问人员的历史数据库中;
分类和回归模块,被配置为根据成员样本数量和成员登入系统频率设置统计周期,对统计周期内的各成员身份信息和相应的历史行为特征数据分别进行分类和回归;采用类循环神经网络RNN进行连续时间序列的回归,其输出数据是与输入数据对应维度的时间序列Yij(t),其中i表示成员编号,j表示特征编号;采用类朴素贝叶斯算法NaiveBayes进行离散序列的分类,其输出数据是与输入数据对应维度的分布于自定义类别概率和的时间序列:其中i表示成员编号,j表示特征编号,YM表示M种自定义的类别,Xij表示第i个成员的第j个特征,P为概率分布,t为时间序列下标,N为特征数量;根据生成的时间序列及与各类别数据预测的偏差范围曲线的收敛状态来筛选获取设置合理的分类维度和自学习模型;
估计值获取模块,被配置为运用加权移动平均法,通过对各成员在各个生产装置的登录信息及所登录生产装置的来自过程控制系统的能源历史数据,进行周期性历史数据的加权移动平均,获取在下一周期各个生产单元或功能单元的资源消耗估计值;获取多个周期的成员身份信息和行为特征数据的历史数据,将其作为训练数据集分别训练出对应员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码的五类数据的SVM分类器,通过将员工编码、部门编码、岗位编码、权限等级和非公司人员授权编码五类数据进行标准化处理,采用max-min归一化,其中Wj表示为第j个成员的权重,k为特征的数量,其中Ej表示为第j个成员的信息熵,/>n为所有成员的总数,Pij表示为第i个样本的第j个成员在所有样本数据中的分布概率,/>Yij表示为第i个样本数据的第j个成员标准化后的值。
5.一种基于边缘技术的过程控制系统能耗管理装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-3任一所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-3任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717348.2A CN113487073B (zh) | 2021-06-28 | 2021-06-28 | 一种基于边缘技术的过程控制系统能耗管理方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717348.2A CN113487073B (zh) | 2021-06-28 | 2021-06-28 | 一种基于边缘技术的过程控制系统能耗管理方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487073A CN113487073A (zh) | 2021-10-08 |
CN113487073B true CN113487073B (zh) | 2023-06-20 |
Family
ID=77936307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717348.2A Active CN113487073B (zh) | 2021-06-28 | 2021-06-28 | 一种基于边缘技术的过程控制系统能耗管理方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487073B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114050934A (zh) * | 2021-11-11 | 2022-02-15 | 浩云科技股份有限公司 | 基于人力资源系统的物联网控制方法、装置及存储介质 |
CN117349632B (zh) * | 2023-12-05 | 2024-03-26 | 北京紫光青藤微系统有限公司 | 用于磁条卡时间序列的分析方法及装置、刷卡机 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178782A (zh) * | 2020-01-03 | 2020-05-19 | 广州博依特智能信息科技有限公司 | 一种流程工业数据化运营平台的微服务架构 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410145B2 (en) * | 2007-05-15 | 2019-09-10 | Fisher-Rosemount Systems, Inc. | Automatic maintenance estimation in a plant environment |
PE20150579A1 (es) * | 2012-08-22 | 2015-05-22 | White Lion S A | Metodo, sistema y software para la gestion de personas, bienes y servicios mediante el uso de tecnologia de identificacion automatica |
CN105122584A (zh) * | 2013-02-13 | 2015-12-02 | 碳轨私人有限公司 | 用于监控和控制电器的系统和方法 |
US20140278165A1 (en) * | 2013-03-14 | 2014-09-18 | Johnson Controls Technology Company | Systems and methods for analyzing energy consumption model data |
CN104992298A (zh) * | 2015-07-16 | 2015-10-21 | 南京朗坤软件有限公司 | 能源管理系统 |
CN108415355A (zh) * | 2018-02-01 | 2018-08-17 | 广东聚晨知识产权代理有限公司 | 一种大数据的高效识别系统 |
US11803169B2 (en) * | 2019-04-09 | 2023-10-31 | Intertrust Technologies Corporation | Connected device information management systems and methods |
US20210027359A1 (en) * | 2019-07-23 | 2021-01-28 | Honeywell International Inc. | Method and system for part selection and order management in an energy distribution system |
CN112580972A (zh) * | 2020-12-16 | 2021-03-30 | 国创新能源汽车智慧能源装备创新中心(江苏)有限公司 | 一种综合能源管理评价方法 |
-
2021
- 2021-06-28 CN CN202110717348.2A patent/CN113487073B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178782A (zh) * | 2020-01-03 | 2020-05-19 | 广州博依特智能信息科技有限公司 | 一种流程工业数据化运营平台的微服务架构 |
Non-Patent Citations (1)
Title |
---|
钢铁企业能源流管理模型与系统架构探讨;丁毅;陈光;李莉;史德明;陈德敏;柳先辉;;钢铁(10) * |
Also Published As
Publication number | Publication date |
---|---|
CN113487073A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Accuracy and fairness trade-offs in machine learning: A stochastic multi-objective approach | |
Heidari et al. | Fairness behind a veil of ignorance: A welfare analysis for automated decision making | |
CN113487073B (zh) | 一种基于边缘技术的过程控制系统能耗管理方法和系统 | |
CN111652280B (zh) | 基于行为的目标物数据分析方法、装置及存储介质 | |
Yan et al. | Fairness-aware demand prediction for new mobility | |
Liu et al. | Forecast and early warning of regional bus passenger flow based on machine learning | |
CN110288261A (zh) | 基于大数据平台的物业管理管理系统 | |
CN113361880A (zh) | 一种建筑工程造价评估管理系统 | |
CN111222784A (zh) | 一种基于人口大数据的安防监控方法和系统 | |
CN115204886A (zh) | 账户识别的方法、装置、电子设备和存储介质 | |
Amaro et al. | Evaluation of machine learning techniques for face detection and recognition | |
CN117575334A (zh) | 公路施工安全监测系统 | |
CN116911882B (zh) | 一种基于机器学习的保险防欺诈预测方法及系统 | |
Pande et al. | A computing approach using probabilistic neural networks for instantaneous appraisal of rear‐end crash risk | |
CN115062725B (zh) | 酒店收益异常分析方法及系统 | |
CN112580538B (zh) | 客服人员调度方法、装置、设备及存储介质 | |
Sandhya et al. | An optimized elman neural network for contactless palm-vein recognition framework | |
KR20220022393A (ko) | 위약고객을 검출하는 방법 및 시스템 | |
Csaba et al. | PPCU Sam: Open-source face recognition framework | |
Choppala et al. | Reduction of Healthcare Resources by Classifying Patient's Data | |
Jarosz et al. | Large-scale identification system design | |
KR102661221B1 (ko) | 로그인 진행시 발생하는 텍스트를 활용하여 로그인시 발생되는 이상징후 탐지방법 | |
CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
Jeyaboopathiraja | BINNING AND IMPROVED DEEP LEARNING FOR CRIME TRENDS PREDICTION | |
KR102659067B1 (ko) | 딥러닝을 적용한 출입문 출입관리 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |