CN114638379A - 边缘侧多智能体opc ua信息解析和决策方法 - Google Patents

边缘侧多智能体opc ua信息解析和决策方法 Download PDF

Info

Publication number
CN114638379A
CN114638379A CN202111317894.3A CN202111317894A CN114638379A CN 114638379 A CN114638379 A CN 114638379A CN 202111317894 A CN202111317894 A CN 202111317894A CN 114638379 A CN114638379 A CN 114638379A
Authority
CN
China
Prior art keywords
data
opc
decision
equipment
agent
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.)
Pending
Application number
CN202111317894.3A
Other languages
English (en)
Inventor
库涛
李进
刘金鑫
南琳
刘鑫宇
林乐新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Institute of Automation of CAS
Original Assignee
Shenyang Institute of Automation of CAS
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 Shenyang Institute of Automation of CAS filed Critical Shenyang Institute of Automation of CAS
Priority to CN202111317894.3A priority Critical patent/CN114638379A/zh
Publication of CN114638379A publication Critical patent/CN114638379A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/08—Protocols for interworking; Protocol conversion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/22—Parsing or analysis of headers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)

Abstract

本发明属于智能制造边缘侧多智能体系统技术领域，具体涉及一种边缘侧多智能体OPC UA信息解析和决策方法。包括以下步骤：数据采集与解析：通过OPC UA服务采集设备运行的数据保存在数据库中，并对其进行解析；数据预处理：对解析后的数据进行清理和整理，并将不同的设备运行产生的数据进行一致化操作；数据挖掘分析：使用算法对预处理后的数据进行建模分析，得到决策知识；决策知识应用：利用决策知识预测设备运行趋势。本发明集成了OPC UA，利用OPC UA协议降低设备不同协议数据解析的难度，提升多智能体系统的智能性和交互体验。

Description

边缘侧多智能体OPC UA信息解析和决策方法
技术领域
本发明属于智能制造边缘侧多智能体系统技术领域，具体涉及一种边缘侧多智能体OPCUA信息解析和决策方法，即利用OPCUA完成数据采集与解析物联网平台构建，同时利用机器学习、深度学习等技术完成对设备故障诊断、健康预测等方面的决策。本发明可应用于边缘侧系统建构、数据采集系统建构、物联网系统建构、智能制造设备分析决策等领域。
背景技术
目前，在智能制造系统中不同品牌、不同种类的设备通信与连接是行业痛点，不同的协议、不同的驱动之间很难进行统一地数据采集与处理，为整个产线系统管理带来极大困难。同时，智能制造系统自动化程度、智能化程度有待进一步提升。
当前以深度学习为代表的人工智能技术研究火热，其已经为计算机视觉、自然语言处理、医疗、政务管理、智能制造等行业带来了革命性的变化。利用深度学习强大的数据表征能力和预测能力，对智能制造中的设备使用情况进行预测与诊断可以有效提升对设备维护的工作效率，提升智能制造系统的智能性。
OPCUA是OPC基金会发布的最新一代用于工业自动化的数据交换规范，它将以往OPC数据存取(DA)、OPC报警和事件(A&E)以及OPC历史数据存取(HDA)统一成一个具备数据处理、报警和事件、历史数据存取功能的同时具备很强对象描述能力的地址空间。
目前还没有利用深度学习技术针对OPCUA边缘侧多智能体系统的信息解析和决策方法。OPCUA可以为制造产线系统带来即插即用的优秀使用体验，但是目前产线中对于OPCUA的使用停留在设备与HMI/SCADA客户端的通信与连接上，远没有打通系统设备之间、设备与管理平台之间的数据采集、解析与决策。
发明内容
针对现有技术存在的上述不足之处，本发明提供了一种边缘侧多智能体OPCUA信息解析和决策方法，针对系统内不同设备不同协议的数据进行统一解析，同时利用深度学习能够以较高的精度完成对系统内设备的健康预测、故障诊断等。
本发明为实现上述目的所采用的技术方案是：
边缘侧多智能体OPC UA信息解析和决策方法，包括以下步骤：
数据采集与解析：通过OPC UA服务采集设备运行的数据保存在数据库中，并对其进行解析；
数据预处理：对解析后的数据进行清理和整理，并将不同的设备运行产生的数据进行一致化操作；
数据挖掘分析：根据预处理后的数据，选择不同的算法进行建模分析，得到决策知识；
决策知识应用：利用决策知识标识设备可能的故障和故障位置并进行故障警报推送处理，或者对设备剩余寿命进行评估，对可能出现的故障进行预测并做出处理，以实现对设备的健康监测与预测。
对数据进行解析，具体为：对数据的协议进行推理验证、协议转换和协议解析。
所述数据预处理包括以下步骤：
对缺失数据进行处理：当某一类别数据缺失度高于或等于50％时，舍弃该类别数据，当某一类别数据缺失度低于50％时，使用平均值填充法或者K近邻法对其进行填充；
对异常数据进行处理：使用3σ原则和箱线图分析法对异常数据进行处理或者将异常数据作为缺失值进行处理。
所述算法包括：机器学习算法、深度学习算法、集成学习算法。
所述决策知识包括设备运行数据类别标识、设备运行数据预测。
边缘侧多智能体OPC UA信息解析和决策系统，包括：
设备层，由多个模块化智能体构成，用于将设备产生的数据上传至数据解析与控制层；
数据解析与控制层，用于对设备层上传的数据进行解析，对解析后的数据进行清理和整理，并将不同的设备运行产生的数据进行一致化操作；
数据分析决策层，用于使用算法对预处理后的数据进行建模分析，得到决策知识，利用决策知识标识设备可能的故障和故障位置并进行故障警报推送处理，或者对设备剩余寿命进行评估，对可能出现的故障进行预测并做出处理，以实现对设备的健康监测与预测。
将边缘侧智能体设备抽象成由通讯层、执行单元、控制单元和感知单元构成所述模块化智能体。
所述模块化智能单元体中，感知单元获取边缘侧智能体设备的设备信息，通过通讯层发送给OPC UA服务器，并获取控制指令，控制单元根据控制指令控制执行单元。
边缘侧多智能体OPC UA信息解析和决策系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的边缘侧多智能体OPC UA信息解析和决策方法。
一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的边缘侧多智能体OPC UA信息解析和决策方法。
本发明具有以下有益效果及优点：
1.本发明集成了OPC UA，利用OPC UA协议降低设备不同协议数据解析的难度，提升多智能体系统的智能性和交互体验。
2.本发明利用深度学习技术，可有效提升设备预测、决策的精度，能够有效提升智能制造系统的工作效率，降低成本。
3.本发明既考虑了OPCUA协议的应用，也将深度学习技术应用于系统，提升了系统的人机交互体验和系统的工作效率。
附图说明
图1为边缘侧多智能体OPCUA信息解析和决策方法流程图；
图2为边缘侧模块化智能体基本架构图；
图3为边缘侧多智能体系统架构图；
图4为数据采集与解析平台原理图；
图5a为SVM(支持向量机)算法原理图；
图5b为K-means算法原理图；
图5c为AdaBoost算法原理图；
图6为决策知识应用原理图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
一种边缘侧多智能体多智能体OPCUA信息解析和决策方法，主要包括以下五个部分：
1)边缘侧多智能体系统构建。基于OPCUA协议完成边缘侧多智能体系统内设备的通信连接，同时为方便后续平台的管理，建构完成三层边缘侧多智能体信息解析决策系统。
2)数据采集与解析平台。针对不同设备不同协议的使用，需要搭建物联网平台完成对系统内设备的数据采集与解析。
3)数据预处理。对于平台采集的数据，需进行数据清理和整理，进一步提升数据质量。
4)数据挖掘分析。采集的数据经过预处理后，通过利用相关机器学习、深度学习、演化算法等对数据进行改进，形成决策知识。
5)决策知识应用。利用决策知识，预测多智能体系统内设备的运行趋势，对设备进行健康预测和故障诊断。
整体流程如图1所示，所述方法包括边缘侧多智能体系统构建、数据采集与解析、数据预处理、数据挖掘分析和决策知识应用五个部分。具体如下：
1)边缘侧多智能体系统构建。
1.1)构建边缘侧模块化智能体。图2展示了边缘侧模块化智能体单元的基本架构。一个模块化智能体可以是一个设备，也可以是多个设备的组合体，模块化智能体的提出了是为了方便应用OPC UA进行通信和信息模型构建。通讯层包括OPC UA Server和OPC UAClient(可选)。便于与其它设备或者设备控制层建立联系，方便数据采集。模块化智能体包括控制单元、感知单元和执行单元三个部分，便于OPC UA的信息建模。依据OPC UA规范，模块化智能体还包括属性信息和方法。
1.2)构建边缘侧多智能体系统。图3展示了边缘侧多智能体系统架构，主要包括三个层次：数据分析决策层、数据解析与控制层、设备层。
设备层主要是1.1)中构建的多个模块化智能体，在此方法中，模块化智能体主要向上传输数据。
数据解析与控制层主要完成智能体设备信息的采集和解析。数据解析部分主要根据不同设备的协议和相关规则完成对采集数据的内容解析，并保存到相关数据库中。
数据分析决策层主要利用机器学习、演化算法、深度学习等算法模型完成对数据库中的智能体设备信息的分析与处理，对智能体设备的运行状况做出判断，完成预测。
2)数据采集与解析。通过本平台及时收集设备运行的数据，形成海量的机器数据保存在数据解析与控制平台的数据库中。图4显示了数据采集与解析的原理图。
2.1)数据采集。所述方法设计的多智能体系统通过OPCUA服务采集系统内相关设备的运行数据。
2.2)数据解析。这部分要对2.1)处采集的数据进行进一步作业。多协议集成部分通过系统内的设备管理、设备协议库、规则库完成协议的推理验证、协议转换和协议解析。进而完成对采集数据的解析处理，对于采集的数据完成内容解析，舍弃部分无用的数据格式说明、数据头尾等无用信息。
3)数据预处理。通过采用数据清理和整理等方法，进一步提高数据的质量，数据预处理可以将不同的设备运行产生的数据进行一致化操作，这样就可以约简数据中的稀疏属性，这些属性对数据挖掘贡献较低或无贡献，提升数据挖掘的精准性。
3.1)缺失数据处理。对于系统中采集的缺失数据需要进行相关处理，所述方法规定，当某一类别数据缺失度高于或等于50％做舍弃处理。对于数据缺失度低于50％选择插补的方法，根据情况选择平均值填充法或者K近邻法进行填充或者选择不处理。
3.2)异常数据处理。目前常用的异常数据处理方法主要有3σ原则和箱线图分析法，所述方法根据实际情况适当选择上述两种方法或者将异常数据看作缺失值进行处理。
4)数据挖掘分析。采集的数据经过预处理后，通过机器学习、深度学习、集成学习等算法将设备运行数据进行建模，获取数据集中隐藏的模式，形成决策知识。
图5展示了所述方法数据挖掘分析部分常用的算法原理图。
图5(a)为SVM(支持向量机)算法的原理图，SVM算法目标就是寻找最优超平面，进而更好地解决二分类问题。
假设给定一个特征空间的训练数据集
T＝{(x1,y1),(x2,y2),…,(xN,yN)}
其中，xi∈Rn,yi∈{-1,+1},i＝1,2,…,N,xi是第i个样本，yi为类标记SVM算法用数学公式表示为：
Figure BDA0003344403540000061
Figure BDA0003344403540000071
αi≥0,i＝1,2,…,N
其中，αi、αj为拉格朗日乘子，
图5(b)为K-means算法原理图，K-means目标是将组内间隔最小，组间间隔最大，便于更好地进行聚类。用数学公式表示为：
Figure BDA0003344403540000072
其中Ci为第i个簇，x为Ci簇内的样本，E为平方误差，μi为Ci簇的聚类中心，表达式为：
Figure BDA0003344403540000073
LSTM是循环神经网络RNN的变体，相较于RNN，可以有效防止梯度消失或者梯度爆炸问题。以下对LSTM原理进行阐述：
①遗忘门。控制上个时间点的状态应该遗忘多少。
ft＝σ(Wf·[ht-1,xt]+bf)
其中，ft为遗忘门，其值为1或者0，
Figure BDA0003344403540000074
表示激活函数Sigmoid函数，Wf、bf为遗忘门参数，ht-1为上一个时间点t-1状态的输出，xt为当前时间点t的输入。
②输入门。控制当前输入的状态应该进入多少。
it＝σ(Wi·[ht-1,xt]+bi)
gt＝tanh(Wc·[ht-1,xt]+bC)
Ct＝ft*Ct-1+it*gt
其中，it、gt为输入门，it值为1或者0，Wi,WC,bi,bC为相关参数，
Figure BDA0003344403540000075
Figure BDA0003344403540000076
表示激活函数tanh函数，gt的值为1或-1，Ct-1、Ct分别为上一个时间点t-1、当前时间点t的输入门输出。
③输出门。控制Ct有多少要输出。
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
其中，ot为输出门，其值为1或者0，Wo、bo为输出门参数，ht为当前时间点t的输出。
XGBoost算法通过不断地添加树，不断学习一个新函数，从而拟合上次预测的残差。
其算法流程如下：
Figure BDA0003344403540000081
Figure BDA0003344403540000091
图5(c)为AdaBoost算法原理图，先对每个样本赋予相同的初始权重，每一轮学习器训练过后都会根据其表现对每个样本的权重进行调整，增加分错样本的权重，这样先前做错的样本在后续就能得到更多关注，按这样的过程重复训练出M个学习器，最后进行加权组合。其算法流程如下：
Figure BDA0003344403540000101
5)决策知识应用。决策知识可以对设备进行健康监测与预测，常见的是发现设备是否会产生故障，如果会产生故障，可以对针对故障进行处理，包括设备故障自修复或故障解决方案推送，及时对设备进行检修，避免故障的发生，或者发现某些设备是否不合格或存在潜藏的危险，可以将这些设备更换为质量更高的设备。同时可以对设备剩余寿命进行评估，进而及时完成对设备的维护。
图6展示了所述方法的决策知识应用图。所述方法在决策方面具有如下功能：
①状态监测和功能、性能测试。通过对采集数据进行特征提取，经过数据和特征量的融合，可完整、准确的描述电子设备运行的状态，大大降低故障诊断的复杂程度和计算量，将这些监测和测试结果保存起来，为设备的故障预测、健康状态管理提供依据。
②故障诊断定位。当设备出现故障时，能迅速、准确的定位故障，提供排故方法并将相关信息保存，为设备的故障预测、健康管理提供信息。
③故障预测。根据对设备当前状态的监测，功能、性能测试信息，故障诊断定位信息和预测模型，得出今后一段时间内可能出现的故障及相关信息。
④综合保障和健康管理。在预测出将来一段时间内可能出现的故障后，可通过预先维护维修的方法，将传统的事后维修转变为视情维修，从对故障的被动反应到主动预防，实现自主式保障，对设备的组成零部件的未来进行剩余使用寿命的评估，最终对设备未来的总体状态进行评估，可实现设备备件、工具和维修人员的管理，减少全生命周期的各项费用。
同时大数据分析方便关注设备的各层次人员对设备各个环节运行情况的掌控，可以实时查看并监控设备的运行状况，检查对设备的维修保养是否到位，定期维护是否落实。

Claims (10)

1.边缘侧多智能体OPC UA信息解析和决策方法，其特征在于，包括以下步骤：
数据采集与解析：通过OPC UA服务采集设备运行的数据保存在数据库中，并对其进行解析；
数据预处理：对解析后的数据进行清理和整理，并将不同的设备运行产生的数据进行一致化操作；
数据挖掘分析：根据预处理后的数据，选择不同的算法进行建模分析，得到决策知识；
决策知识应用：利用决策知识标识设备可能的故障和故障位置并进行故障警报推送处理，或者对设备剩余寿命进行评估，对可能出现的故障进行预测并做出处理，以实现对设备的健康监测与预测。
2.根据权利要求1所述的边缘侧多智能体OPC UA信息解析和决策方法，其特征在于，对数据进行解析，具体为：对数据的协议进行推理验证、协议转换和协议解析。
3.根据权利要求1所述的边缘侧多智能体OPC UA信息解析和决策方法，其特征在于，所述数据预处理包括以下步骤：
对缺失数据进行处理：当某一类别数据缺失度高于或等于50％时，舍弃该类别数据，当某一类别数据缺失度低于50％时，使用平均值填充法或者K近邻法对其进行填充；
对异常数据进行处理：使用3σ原则和箱线图分析法对异常数据进行处理或者将异常数据作为缺失值进行处理。
4.根据权利要求1所述的边缘侧多智能体OPC UA信息解析和决策方法，其特征在于，所述算法包括：机器学习算法、深度学习算法、集成学习算法。
5.根据权利要求1所述的边缘侧多智能体OPC UA信息解析和决策方法，其特征在于，所述决策知识包括设备运行数据类别标识、设备运行数据预测。
6.边缘侧多智能体OPC UA信息解析和决策系统，其特征在于，包括：
设备层，由多个模块化智能体构成，用于将设备产生的数据上传至数据解析与控制层；
数据解析与控制层，用于对设备层上传的数据进行解析，对解析后的数据进行清理和整理，并将不同的设备运行产生的数据进行一致化操作；
数据分析决策层，用于使用算法对预处理后的数据进行建模分析，得到决策知识，利用决策知识标识设备可能的故障和故障位置并进行故障警报推送处理，或者对设备剩余寿命进行评估，对可能出现的故障进行预测并做出处理，以实现对设备的健康监测与预测。
7.根据权利要求6所述的边缘侧多智能体OPC UA信息解析和决策系统，其特征在于，将边缘侧智能体设备抽象成由通讯层、执行单元、控制单元和感知单元构成所述模块化智能体。
8.根据权利要求7所述的边缘侧多智能体OPC UA信息解析和决策系统，其特征在于，所述模块化智能单元体中，感知单元获取边缘侧智能体设备的设备信息，通过通讯层发送给OPC UA服务器，并获取控制指令，控制单元根据控制指令控制执行单元。
9.边缘侧多智能体OPC UA信息解析和决策系统，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的边缘侧多智能体OPC UA信息解析和决策方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的边缘侧多智能体OPC UA信息解析和决策方法。
CN202111317894.3A 2021-11-09 2021-11-09 边缘侧多智能体opc ua信息解析和决策方法 Pending CN114638379A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111317894.3A CN114638379A (zh) 2021-11-09 2021-11-09 边缘侧多智能体opc ua信息解析和决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111317894.3A CN114638379A (zh) 2021-11-09 2021-11-09 边缘侧多智能体opc ua信息解析和决策方法

Publications (1)

Publication Number Publication Date
CN114638379A true CN114638379A (zh) 2022-06-17

Family

ID=81946423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111317894.3A Pending CN114638379A (zh) 2021-11-09 2021-11-09 边缘侧多智能体opc ua信息解析和决策方法

Country Status (1)

Country Link
CN (1) CN114638379A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117573480A (zh) * 2023-12-14 2024-02-20 杭州丽冠科技有限公司 基于人工智能的数据安全监控方法与装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572709A (zh) * 2013-10-18 2015-04-29 北京中海纪元数字技术发展股份有限公司 用于企业创新体系的数据挖掘系统
CN109358574A (zh) * 2018-09-30 2019-02-19 珠海市运泰利自动化设备有限公司 一种智能化数据采集、监控与分析系统及方法
CN113112086A (zh) * 2021-04-22 2021-07-13 北京邮电大学 一种基于边缘计算和标识解析的智能生产系统
CN113256066A (zh) * 2021-04-23 2021-08-13 新疆大学 基于PCA-XGBoost-IRF的作业车间实时调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104572709A (zh) * 2013-10-18 2015-04-29 北京中海纪元数字技术发展股份有限公司 用于企业创新体系的数据挖掘系统
CN109358574A (zh) * 2018-09-30 2019-02-19 珠海市运泰利自动化设备有限公司 一种智能化数据采集、监控与分析系统及方法
CN113112086A (zh) * 2021-04-22 2021-07-13 北京邮电大学 一种基于边缘计算和标识解析的智能生产系统
CN113256066A (zh) * 2021-04-23 2021-08-13 新疆大学 基于PCA-XGBoost-IRF的作业车间实时调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117573480A (zh) * 2023-12-14 2024-02-20 杭州丽冠科技有限公司 基于人工智能的数据安全监控方法与装置

Similar Documents

Publication Publication Date Title
US20230094389A1 (en) Quantum computing based deep learning for detection, diagnosis and other applications
WO2021160558A1 (en) Digital platform using cyber-physical twin structures providing an evolving digital representation of a real world asset for quantifying event occurrences measurements, and method thereof
Basheer et al. Artificial neural networks: fundamentals, computing, design, and application
CN112784965A (zh) 面向云环境下大规模多元时间序列数据异常检测方法
Madhiarasan et al. Analysis of artificial neural network: architecture, types, and forecasting applications
CN111237988B (zh) 地铁车载空调机组控制方法及系统
CN113822421B (zh) 基于神经网络的异常定位方法、系统、设备及存储介质
CN113826051A (zh) 生成实体系统零件之间的交互的数字孪生
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN116832588A (zh) 酸再生烟气净化装置及其方法
Chand et al. Cooperative coevolution of feed forward neural networks for financial time series problem
Zhang et al. Gated recurrent unit-enhanced deep convolutional neural network for real-time industrial process fault diagnosis
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN114638379A (zh) 边缘侧多智能体opc ua信息解析和决策方法
US20210279547A1 (en) Electronic device for high-precision behavior profiling for transplanting with humans' intelligence into artificial intelligence and operating method thereof
Ding et al. A zero-shot soft sensor modeling approach using adversarial learning for robustness against sensor fault
Bond et al. A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data
CN113743461B (zh) 无人机集群健康度评估方法及装置
CN113156908B (zh) 一种机理与数据联融合的多工况工业过程监测方法和系统
CN116401537A (zh) 基于多任务的网络多元时间流量序列异常检测方法及装置
Feng et al. DME: An Adaptive and Just-in-Time Weighted Ensemble Learning Method for Classifying Block-Based Concept Drift Steam
de Silva The role of soft computing in intelligent machines
CN113076217A (zh) 基于国产平台的磁盘故障预测方法
Vilakazi Machine condition monitoring using artificial intelligence: the incremental learning and multi-agent system approach
Singari et al. Contemporary Evolution of Artificial Intelligence (AI): An Overview and Applications

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