CN114819925B - 基于事件序列分析预测的工业物联网系统及其控制方法 - Google Patents

基于事件序列分析预测的工业物联网系统及其控制方法 Download PDF

Info

Publication number
CN114819925B
CN114819925B CN202210746016.1A CN202210746016A CN114819925B CN 114819925 B CN114819925 B CN 114819925B CN 202210746016 A CN202210746016 A CN 202210746016A CN 114819925 B CN114819925 B CN 114819925B
Authority
CN
China
Prior art keywords
platform
data
sub
sequence
manufacturing
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
Application number
CN202210746016.1A
Other languages
English (en)
Other versions
CN114819925A (zh
Inventor
邵泽华
李勇
魏小军
向海堂
刘彬
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.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT Technology Co Ltd
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 Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202210746016.1A priority Critical patent/CN114819925B/zh
Publication of CN114819925A publication Critical patent/CN114819925A/zh
Priority to US17/932,282 priority patent/US11754999B1/en
Application granted granted Critical
Publication of CN114819925B publication Critical patent/CN114819925B/zh
Priority to US18/350,155 priority patent/US20230350389A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • 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
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31156—Network structure, internet
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Development Economics (AREA)

Abstract

本发明公开了一种基于事件序列分析预测的工业物联网及其控制方法，所述基于事件序列分析预测的工业物联网包括依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述对象平台被配置为智能制造设备。本发明通过合理的搭建物联网结构和处理逻辑，将所有指令进行统一处理分析，将所有指令当成一列事件，从而通过事件运行情况来预测分析事件整体的协调性和异常状况，进而可以基于异常指令进行指令修正，确保智能制造的正常、顺利进行。

Description

基于事件序列分析预测的工业物联网系统及其控制方法
技术领域
本发明涉及智能制造技术，具体涉及基于事件序列分析预测的工业物联网系统及其控制方法。
背景技术
智能制造（Intelligent Manufacturing，IM）是一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能进行智能活动，诸如分析、推理、判断、构思和决策等，通过人与智能机器的合作共事，去扩大、延伸和部分地取代人类专家在制造过程中的脑力劳动。
在智能制造中，设备、系统等一般都是按照自身设计程序或逻辑命令执行相应的制造任务或管理流程，实现智能化生产，有时还会因为任务调整、突发事件、临时替换制造数据等情形，相应的信息输入端或者用户端会无规律的下发一些指令调整某些制造设备的相关参数，以能起到很好的调控作用。
但在实际使用过程中，由于智能制造涉及的不同层级、不同区域、不同类别等对应的智能制造设备、智能管理设备等数量庞大，且大多是一个生产线或制造流水线上的，相互之间的制造任务相互会有关联和影响，当调控时，指令涉及的智能制造设备或者智能管理设备在运行指令时，有可能会与其它设备形成指令冲突或任务冲突，造成设备程序出错、死锁，或者设备死机，还会影响到制造时工艺的顺畅衔接、物料输送次序、设备加工步骤等，从而导致智能制造设备大面积故障、瘫痪或报错，引发制造风险。
发明内容
本发明所要处理的技术问题是提供一种基于事件序列分析预测的工业物联网系统，该物联网系统通过合理的搭建物联网结构和处理逻辑，将所有指令进行统一处理分析，将所有指令当成一列事件，从而通过事件运行情况来预测分析事件整体的协调性和异常状况，进而可以基于异常指令进行指令修正，确保智能制造的正常、顺利进行。
本发明通过下述技术方案实现：基于事件序列分析预测的工业物联网系统，包括：依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；
所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述独立式布置是指对应平台设置多个独立的分平台，多个分平台分别对不同的数据进行数据存储、数据处理和/或数据传输；所述后分平台式布置是指所述管理平台设置有总平台和多个分平台，多个分平台分别存储和处理所述服务平台发送的不同类型或不同接收对象的数据，所述总平台对多个分平台的数据进行汇总后存储和处理，并传输数据至传感网络平台；所述对象平台被配置为智能制造设备；
当所述用户平台发出制造任务指令时，对应的服务平台的分平台接收制造任务指令将其转换成管理平台可识别的组态文件，并将组态文件发送至对应的管理平台的分平台，其中制造任务指令中至少包括一个制造任务及其对应的执行时刻；
管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台；
管理平台的总平台接收并存储对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有序列建模数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析预测，并基于分析预测结果执行：
分析预测结果为任务正常，管理平台的总平台将接收的组态文件发送至对应的传感网络平台的分平台，传感网络平台的分平台接收组态文件并将其转换成对象平台可识别的指令文件并发送至对象平台，所述对象平台接收指令文件并基于指令文件执行智能制造；
或分析预测结果为任务异常时，则管理平台的总平台拒绝接收所述制造任务对应的所有组态文件并删除对应的序列建模数据，并获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令反馈至用户平台；所述关联制造数据包括对应异常时序点的关联序列建模数据及序列建模数据对应的管理平台的分平台信息、服务平台的分平台信息。
基于以上物联网结构，管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台，具体为：
管理平台的分平台接收组态文件，提取组态文件中的制造任务及其对应的执行时刻；
将制造任务和其对应的执行时刻输入循环神经网络模型，输出对应时刻的时序代码和制造任务的执行代码，将时序代码和对应的执行代码关联后将所有的时序代码按照时序排序，将时序代码和执行代码进行序列建模；
将序列建模形成的序列建模数据作为最终数据与组态文件一并发送至管理平台的总平台。
基于以上物联网结构，管理平台的总平台接收对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析，具体为：
管理平台的总平台接收对应的序列建模数据后，提取所有的管理平台的分平台发送的序列建模数据；
将时序代码和对应的执行代码作为一组数据，将所有序列建模数据分解成若干组子数据；
将时序代码进行时序逻辑顺序排序，将所有执行代码按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，每个不同的时序均对应一个不同的时序点；
将事件序列数据输入至概率后缀树模型，概率后缀树模型执行事件序列数据中的执行代码，并基于执行代码结果进行分析。
基于以上物联网结构，执行代码结果分析具体包括：
将执行代码作为输入数据输入至概率后缀树模型，概率后缀树模型模拟执行代码运行，输出不符合模型运算规则的时序点作为异常时序点；
当概率后缀树模型存在至少一个异常时序点时，则判定任务异常，否则判定任务正常。
基于以上物联网结构，所述循环神经网络模型和概率后缀树模型均通过机器学习获得。
基于以上物联网结构，获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令至用户平台，具体为：
管理平台的总平台将概率后缀树模型输出的异常时序点进行时序排序，并将每个异常时序点对应的关联制造数据，将关联制造数据发送至发出制造任务指令的管理平台的分平台；
管理平台的分平台将接收的所有异常时序点的关联制造数据发送至对应的服务平台的分平台；
服务平台的分平台接收关联制造数据并按照时序顺序存储成任务异常对照数据，并同时发送任务失败指令至用户平台。
基于以上物联网结构，当所述用户平台接收任务失败指令后，可发出异常时序点查询指令至对应的服务平台的分平台；
所述对应的服务平台的分平台将关联制造数据发送至用户平台，用户平台基于关联制造数据进行异常时序点查询。
基于以上物联网结构，还包括：
当所有对象平台执行智能制造时，将其产生的实时制造数据发送至对应的传感网络平台的分平台；
传感网络平台的分平台接收实时制造数据编译成管理平台可识别的编译文件并发送至管理平台的总平台；
管理平台的总平台接收编译文件后将其发送至对应的管理平台的分平台，管理平台的分平台接收并存储编译文件，并将编译文件进行序列建模，形成实时序列建模数据发送回管理平台的总平台；
管理平台的总平台接收实时序列建模数据并按照事件序列数据形成方式，将实时序列建模数据替换对应的原始的序列建模数据后，形成新的事件序列数据，并基于新的事件序列数据进行分析预测。
本发明还基于以上基于事件序列分析预测的工业物联网系统，提供了一种基于事件序列分析预测的工业物联网系统的控制方法，所述基于事件序列分析预测的工业物联网系统包括依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；
所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述独立式布置是指对应平台设置多个独立的分平台，多个分平台分别对不同的数据进行数据存储、数据处理和/或数据传输；所述后分平台式布置是指所述管理平台设置有总平台和多个分平台，多个分平台分别存储和处理所述服务平台发送的不同类型或不同接收对象的数据，所述总平台对多个分平台的数据进行汇总后存储和处理，并传输数据至传感网络平台；所述对象平台被配置为智能制造设备；
所述控制方法包括：
当所述用户平台发出制造任务指令时，对应的服务平台的分平台接收制造任务指令将其转换成管理平台可识别的组态文件，并将组态文件发送至对应的管理平台的分平台，其中制造任务指令中至少包括一个制造任务及其对应的执行时刻；
管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台；
管理平台的总平台接收并存储对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析，并基于执行结果执行：
执行结果为任务正常，管理平台的总平台将接收的组态文件发送至对应的传感网络平台的分平台，传感网络平台的分平台接收组态文件并将其转换成对象平台可识别的指令文件并发送至对象平台，所述对象平台接收指令文件并基于指令文件执行智能制造；
或执行结果为任务异常时，则管理平台的总平台拒绝接收组态文件并删除对应的序列建模数据，并获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令至用户平台；所述关联制造数据包括对应异常时序点的关联序列建模数据及序列建模数据对应的管理平台的分平台信息、服务平台的分平台信息。
与现有技术相比，本发明的有益效果如下：本发明的基于事件序列分析预测的工业物联网系统基于五平台结构搭建物联网，其中服务平台和传感网络平台均采用独立式布置，其不同的分平台对应不同的管理平台的分平台、对象平台，从而可以针对不同的对象平台设置不同的传感网络平台、服务平台，便于数据的分类传输、溯源以及指令的分类下达和处理，使得物联网结构和数据处理清晰可控，方便了物联网的管控和数据处理，其次，管理平台采用后分平台式布置，利用每个管理平台的分平台对应一个独立的服务平台的分平台，从而管理平台的分平台保证服务平台的数据来源独立运算，并且管理平台的分平台还可形成序列建模数据以供管理平台的总平台使用，从而可以分担管理平台的总平台的数据处理压力，降低管理平台各个平台的数据处理能力需求，而管理平台的总平台则对所有的序列建模数据进行处理和分析，协调所有的指令数据并能进行指令分析预测，从而可以确保物联网整体指令协调和实施，进行风险管控，进而通过物联网合理的框架结构实现有关智能制造任务的顺利实施。
本发明在使用时，用户平台发出的制造任务指令通过其对应的、唯一的服务平台接收并处理后，再发送至唯一的管理平台的分平台，确保数据的唯一传输路径，确保数据的统一和完整，其次，管理平台的分平台通过循环神经网络模型进行序列建模，可以将指令转换成对应的序列建模数据，从而可以对数据进行预处理，减少管理平台的总平台的数据处理压力，并且也能基于此架构，作为数据的缓存区域，避免指令数据直接发送至管理平台的总平台而造成其随时数据量大、数据处理进程多的问题，能进一步减少其对数据处理能力的需求，而管理平台的总平台在获取对应序列建模数据后，其可以将所有的序列建模数据转换成事件序列数据，形成一列的事件序列数据，并对事件序列数据进行数据运行，通过运行结果判断预测整个事件构成的任务是否存在异常，从而可以提前进行异常处理，确保整个智能制造系统的顺利实施和相互协调。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是基于事件序列分析预测的工业物联网系统的结构框架图；
图2是基于事件序列分析预测的工业物联网系统的控制方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
如图1所示，本发明第一个实施例旨在提供一种基于事件序列分析预测的工业物联网系统，包括：依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其特征在于，
所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述独立式布置是指对应平台设置多个独立的分平台，多个分平台分别对不同的数据进行数据存储、数据处理和/或数据传输；所述后分平台式布置是指所述管理平台设置有总平台和多个分平台，多个分平台分别存储和处理所述服务平台发送的不同类型或不同接收对象的数据，所述总平台对多个分平台的数据进行汇总后存储和处理，并传输数据至传感网络平台；所述对象平台被配置为智能制造设备；
当所述用户平台发出制造任务指令时，对应的服务平台的分平台接收制造任务指令将其转换成管理平台可识别的组态文件，并将组态文件发送至对应的管理平台的分平台，其中制造任务指令中至少包括一个制造任务及其对应的执行时刻；
管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台；
管理平台的总平台接收并存储对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有序列建模数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析预测，并基于分析预测结果执行：
分析预测结果为任务正常，管理平台的总平台将接收的组态文件发送至对应的传感网络平台的分平台，传感网络平台的分平台接收组态文件并将其转换成对象平台可识别的指令文件并发送至对象平台，所述对象平台接收指令文件并基于指令文件执行智能制造；
或分析预测结果为任务异常时，则管理平台的总平台拒绝接收所述制造任务对应的所有组态文件并删除对应的序列建模数据，并获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令反馈至用户平台；所述关联制造数据包括对应异常时序点的关联序列建模数据及序列建模数据对应的管理平台的分平台信息、服务平台的分平台信息。
现在技术中，智能制造系统的制造或管理设备、系统等一般都是按照设计程序或逻辑命令执行相应的制造任务或管理流程，实现智能化生产，有时还会因为任务调整、突发事件、临时替换制造数据等情形，相应的信息输入端或者用户端会无规律的下发一些指令调整制造任务，如调整某些智能制造设备的工作条件、参数，改变产品加工顺序或时间，开闭某些制造设备或管理设备等等，这些临时指令丰富了智能制造系统的应用环境，起到了很好的调控管理作用，但实际使用过程中，由于智能制造涉及智能制造、管理、监控等设备往往对应着不同层级、不同区域、不同类别等，且大多是一个生产线或制造流水线上的，相互之间的制造任务相互会有关联和影响，当存在一个或多个指令进行智能制造调控时，指令涉及的智能制造设备或者智能管理设备在运行指令时，有可能会与其它设备形成指令冲突或任务冲突，造成设备程序出错、死锁，或者设备死机，还会影响到制造时工艺的顺畅衔接、物料输送次序、设备加工步骤等，从而导致智能制造设备大面积故障、瘫痪或报错，引发制造风险。
而本发明的基于事件序列分析预测的工业物联网系统基于五平台结构搭建物联网，其中服务平台和传感网络平台均采用独立式布置，其不同的分平台对应不同的管理平台的分平台、对象平台，从而可以针对不同的对象平台设置不同的传感网络平台、服务平台，便于数据的分类传输、溯源以及指令的分类下达和处理，使得物联网结构和数据处理清晰可控，方便了物联网的管控和数据处理，其次，管理平台采用后分平台式布置，利用每个管理平台的分平台对应一个独立的服务平台的分平台，从而管理平台的分平台保证服务平台的数据来源独立运算，并且管理平台的分平台还可形成序列建模数据以供管理平台的总平台使用，从而可以分担管理平台的总平台的数据处理压力，降低管理平台各个平台的数据处理能力需求，而管理平台的总平台则对所有的序列建模数据进行处理和分析，协调所有的指令数据并能进行指令分析预测，从而可以确保物联网整体指令协调和实施，进行风险管控，进而通过物联网合理的框架结构实现有关智能制造任务的顺利实施。
本发明在使用时，用户平台发出的制造任务指令通过其对应的、唯一的服务平台接收并处理后，再发送至唯一的管理平台的分平台，确保数据的唯一传输路径，确保数据的统一和完整，其次，管理平台的分平台通过循环神经网络模型进行序列建模，可以将指令转换成对应的序列建模数据，从而可以对数据进行预处理，减少管理平台的总平台的数据处理压力，并且也能基于此架构，作为数据的缓存区域，避免指令数据直接发送至管理平台的总平台而造成其随时数据量大、数据处理进程多的问题，能进一步减少其对数据处理能力的需求，而管理平台的总平台在获取对应序列建模数据后，其可以将所有的序列建模数据转换成事件序列数据，形成一列的事件序列数据，并对事件序列数据进行数据运行，通过运行结果判断预测整个事件构成的任务是否存在异常，从而可以提前进行异常处理，确保整个智能制造系统的顺利实施和相互协调。
需要说明的是，用户平台可以是一个或多个，不管一个或多个，其均单独对应一个或多个独立的服务平台，从而实现数据的独立传输和处理。
需要进一步说明的是，本实施例中的用户平台可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的电子设备，在此不作过多限定。在具体应用中，第一服务器和第二服务器可以采用单一服务器，也可以采用服务器集群，在此不作过多限定。应当理解的是，在本实施例中所提到的数据处理过程可以通过服务器的处理器进行处理，而存储在服务器的数据，都可以存储在服务器的存储设备上，如硬盘等存储器。在具体应用中，传感网络平台可以采用多组网关服务器，或者多组智能路由器，在此不作过多限定。应当理解的是，在本申请实施例中所提到的数据处理过程可以通过网关服务器的处理器进行处理，而存储在网关服务器的数据，都可以存储在网关服务器的存储设备上，如硬盘和SSD等存储器。
在一些实施例中，管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台，具体为：
管理平台的分平台接收组态文件，提取组态文件中的制造任务及其对应的执行时刻；
将制造任务和其对应的执行时刻输入循环神经网络模型，输出对应时刻的时序代码和制造任务的执行代码，将时序代码和对应的执行代码关联后将所有的时序代码按照时序排序，将时序代码和执行代码进行序列建模；
将序列建模形成的序列建模数据作为最终数据与组态文件一并发送至管理平台的总平台。
循环神经网络模型（RNN）在运行时，输入的是多个制造任务和其对应执行时刻的数据，而输出的则是序列建模数据，此方式可以很好的将制造任务和执行时刻转换成后续管理平台所需的数据，进而减少管理平台的数据处理量。
基于此，循环神经网络模型可通过常规的机器学习训练获得。具体的，我们可以用大量的、真实的现有制造任务数据库来进行机器学习，通过制造任务和对应执行时刻的输入数据，然后给出正确的执行代码和时序代码，并将相应代码进行正确的时序排序，进行序列建模，通过不断的学习，当循环神经网络模型完成后，即可通过输入制造任务和执行时刻，输出的序列建模数据。由于机器学习属于较为常规的技术手段，此处不再多余累述，本领域技术人员在本申请文件记载基础上，结合现有技术知识是完全可以实现循环神经网络模型的建立的。作为不同的实现类型，执行代码和时序代码可根据企业需要设定代码类型和规则，如现有的顺序码、记忆码、区间码等类型和编码规则。
在一些实施例中，管理平台的总平台接收对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析，具体为：
管理平台的总平台接收对应的序列建模数据后，提取所有的管理平台的分平台发送的序列建模数据；
将时序代码和对应的执行代码作为一组数据，将所有序列建模数据分解成若干组子数据；
将时序代码进行时序逻辑顺序排序，将所有执行代码按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，每个不同的时序均对应一个不同的时序点；
将事件序列数据输入至概率后缀树模型，概率后缀树模型执行事件序列数据中的执行代码，并基于执行代码结果进行分析。
本管理平台的总平台基于时序出发，通过时序来确定对应时序点的执行异常情况，从而可以将所有序列建模数据均进行事件分析，以通过分析结果确定每个时序点的代码执行情况，便于后续存在异常时，可以基于时序点进行很好的修正。
需要说明的是，概率后缀树模型同样可以采用机器学习的方法训练得到，比如我们可以输入很多现有的事件序列数据作为对象或事件，并给出任务分析结果，而通过概率后缀树模型的无数次学习训练后即可输出我们需要的时序点数据，达到我们的设定要求，此部分技术结合现有技术可轻易实现，本文不再进一步累述其具体学习过程。
在一些实施例中，执行代码结果分析具体包括：
将执行代码作为输入数据输入至概率后缀树模型，概率后缀树模型模拟执行代码运行，输出不符合模型运算规则的时序点作为异常时序点；
当概率后缀树模型存在至少一个异常时序点时，则判定任务异常，否则判定任务正常。
当存在异常时序点时，说明该时序点执行的执行代码是存在问题的，因此，只要存在一个异常时序点，则对应一个执行代码错误位置，以此来对所有执行代码进行事件分析并给出判断数据，便于后续修复。在一些实施例中，获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令至用户平台，具体为：
管理平台的总平台将概率后缀树模型输出的异常时序点进行时序排序，并将每个异常时序点对应的关联制造数据，将关联制造数据发送至发出制造任务指令的管理平台的分平台；
管理平台的分平台将接收的所有异常时序点的关联制造数据发送至对应的服务平台的分平台；
服务平台的分平台接收关联制造数据并按照时序顺序存储成任务异常对照数据，并同时发送任务失败指令至用户平台。
在一些实施例中，当所述用户平台接收任务失败指令后，可发出异常时序点查询指令至对应的服务平台的分平台；
所述对应的服务平台的分平台将关联制造数据发送至用户平台，用户平台基于关联制造数据进行异常时序点查询。
本发明将每个异常时序点对应的关联制造数据一并发送至用户平台，从而用户平台可以调取关联制造数据进行分析和协调，重新修正任务指令。
需要说明的是，一个时序点可能同时存在一个或多个不同管理平台的分平台发送的序列建模数据，即一个时序点对应一个或多个序列建模数据，当出现异常时序点时，为了便于用户平台纠正制造任务指令，本实施例将该异常时序点内存在的一个或多个序列建模数据均认为是有问题的，从而便于后续修正。例如，当一个异常时序点内，对应多个序列建模数据时，用户平台可以获取该异常时序点所有的序列建模数据，从而可以基于所有序列建模数据分析指令错误原因，如同一智能制造设备是否存在执行时刻重合、执行时刻交叉（同一设备在某个时刻只能执行一个制造任务或指令）等，从而可以修正对应序列建模数据的执行时刻即可克服制造任务错误。
在一些实施例中，还包括：
当所有对象平台执行智能制造时，将其产生的实时制造数据发送至对应的传感网络平台的分平台；
传感网络平台的分平台接收实时制造数据编译成管理平台可识别的编译文件并发送至管理平台的总平台；
管理平台的总平台接收编译文件后将其发送至对应的管理平台的分平台，管理平台的分平台接收并存储编译文件，并将编译文件进行序列建模，形成实时序列建模数据发送回管理平台的总平台；
管理平台的总平台接收实时序列建模数据并按照事件序列数据形成方式，将实时序列建模数据替换对应的原始的序列建模数据后，形成新的事件序列数据，并基于新的事件序列数据进行分析预测。
在智能制造过程中，可能会因为设备的故障、偏差、失效等问题造成部分执行任务出错，进而影响到其他设备乃至整个智能制造系统，因此，本发明通过实时获取各个对象平台的实时制造数据，通过数据转换和处理后，形成新的事件序列数据进行分析预测，从而可以基于物联网结构实时对制造任务进行分析和预测，进而在制造过程中也能确保智能制造系统的安全性和稳定性。
如图2所示，本发明第二个实施例提供了一种基于事件序列分析预测的工业物联网系统的控制方法，其中基于事件序列分析预测的工业物联网系统包括依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；
所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述独立式布置是指对应平台设置多个独立的分平台，多个分平台分别对不同的数据进行数据存储、数据处理和/或数据传输；所述后分平台式布置是指所述管理平台设置有总平台和多个分平台，多个分平台分别存储和处理所述服务平台发送的不同类型或不同接收对象的数据，所述总平台对多个分平台的数据进行汇总后存储和处理，并传输数据至传感网络平台；所述对象平台被配置为智能制造设备；
所述控制方法包括：
当所述用户平台发出制造任务指令时，对应的服务平台的分平台接收制造任务指令将其转换成管理平台可识别的组态文件，并将组态文件发送至对应的管理平台的分平台，其中制造任务指令中至少包括一个制造任务及其对应的执行时刻；
管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台；
管理平台的总平台接收并存储对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析，并基于执行结果执行：
执行结果为任务正常，管理平台的总平台将接收的组态文件发送至对应的传感网络平台的分平台，传感网络平台的分平台接收组态文件并将其转换成对象平台可识别的指令文件并发送至对象平台，所述对象平台接收指令文件并基于指令文件执行智能制造；
或执行结果为任务异常时，则管理平台的总平台拒绝接收组态文件并删除对应的序列建模数据，并获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令至用户平台；所述关联制造数据包括对应异常时序点的关联序列建模数据及序列建模数据对应的管理平台的分平台信息、服务平台的分平台信息。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于事件序列分析预测的工业物联网系统，包括：依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其特征在于，
所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述独立式布置是指对应平台设置多个独立的分平台，多个分平台分别对不同的数据进行数据存储、数据处理和/或数据传输；所述后分平台式布置是指所述管理平台设置有总平台和多个分平台，多个分平台分别存储和处理所述服务平台发送的不同类型或不同接收对象的数据，所述总平台对多个分平台的数据进行汇总后存储和处理，并传输数据至传感网络平台；所述对象平台被配置为智能制造设备；
所述服务平台的分平台被配置为用于接收用户平台发出的制造任务指令，将其转换成管理平台可识别的组态文件，并将组态文件发送至对应的管理平台的分平台，其中制造任务指令中至少包括一个制造任务及其对应的执行时刻；
所述管理平台的分平台被配置为用于接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台；
所述管理平台的总平台被配置为用于接收并存储对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有序列建模数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析预测，并基于分析预测结果执行：
分析预测结果为任务正常，将接收的组态文件发送至对应的传感网络平台的分平台，传感网络平台的分平台接收组态文件并将其转换成对象平台可识别的指令文件并发送至对象平台，所述对象平台接收指令文件并基于指令文件执行智能制造；
或，
分析预测结果为任务异常时，则拒绝接收所述制造任务对应的所有组态文件并删除对应的序列建模数据，并获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令反馈至用户平台；所述关联制造数据包括对应异常时序点的关联序列建模数据及序列建模数据对应的管理平台的分平台信息、服务平台的分平台信息。
2.根据权利要求1所述的基于事件序列分析预测的工业物联网系统，其特征在于，管理平台的分平台还被配置为用于接收组态文件，提取组态文件中的制造任务及其对应的执行时刻；
将制造任务和其对应的执行时刻输入循环神经网络模型，输出对应时刻的时序代码和制造任务的执行代码，将时序代码和对应的执行代码关联后将所有的时序代码按照时序排序，将时序代码和执行代码进行序列建模；
将序列建模形成的序列建模数据作为最终数据与组态文件一并发送至管理平台的总平台。
3.根据权利要求2所述的基于事件序列分析预测的工业物联网系统，其特征在于，管理平台的总平台还被配置为用于接收对应的序列建模数据后，提取所有的管理平台的分平台发送的序列建模数据；
将时序代码和对应的执行代码作为一组数据，将所有序列建模数据分解成若干组子数据；
将时序代码进行时序逻辑顺序排序，将所有执行代码按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，每个不同的时序均对应一个不同的时序点；
将事件序列数据输入至概率后缀树模型，概率后缀树模型执行事件序列数据中的执行代码，并基于执行代码结果进行分析。
4.根据权利要求3所述的基于事件序列分析预测的工业物联网系统，其特征在于，执行代码结果分析具体包括：
将执行代码作为输入数据输入至概率后缀树模型，概率后缀树模型模拟执行代码运行，输出不符合模型运算规则的时序点作为异常时序点；
当概率后缀树模型存在至少一个异常时序点时，则判定任务异常，否则判定任务正常。
5.根据权利要求3或4所述的基于事件序列分析预测的工业物联网系统，其特征在于，所述循环神经网络模型和概率后缀树模型均通过机器学习获得。
6.根据权利要求4所述的基于事件序列分析预测的工业物联网系统，其特征在于，管理平台的总平台还被配置为用于将概率后缀树模型输出的异常时序点进行时序排序，并将每个异常时序点对应的关联制造数据发送至发出制造任务指令的管理平台的分平台；
管理平台的分平台将接收的所有异常时序点的关联制造数据发送至对应的服务平台的分平台；
服务平台的分平台接收关联制造数据并按照时序顺序存储成任务异常对照数据，并同时发送任务失败指令至用户平台。
7.根据权利要求6所述的基于事件序列分析预测的工业物联网系统，其特征在于，所述用户平台还被配置为当其接收任务失败指令后，可发出异常时序点查询指令至对应的服务平台的分平台；
所述对应的服务平台的分平台将关联制造数据发送至用户平台，用户平台基于关联制造数据进行异常时序点查询。
8.根据权利要求1所述的基于事件序列分析预测的工业物联网系统，其特征在于，所述传感网络平台的分平台还被配置为用于接收对应对象平台执行智能制造时产生的实时制造数据，并将实时制造数据编译成管理平台可识别的编译文件并发送至管理平台的总平台；
管理平台的总平台还被配置为用于接收编译文件后将其发送至对应的管理平台的分平台，管理平台的分平台接收并存储编译文件，并将编译文件进行序列建模，形成实时序列建模数据发送回管理平台的总平台；以及，用于接收实时序列建模数据并按照事件序列数据形成方式，将实时序列建模数据替换对应的原始的序列建模数据后，形成新的事件序列数据，并基于新的事件序列数据进行分析预测。
9.基于事件序列分析预测的工业物联网系统的控制方法，所述基于事件序列分析预测的工业物联网系统包括：依次交互的用户平台、服务平台、管理平台、传感网络平台和对象平台；其特征在于，
所述服务平台和传感网络平台均采用独立式布置，所述管理平台采用后分平台式布置；所述独立式布置是指对应平台设置多个独立的分平台，多个分平台分别对不同的数据进行数据存储、数据处理和/或数据传输；所述后分平台式布置是指所述管理平台设置有总平台和多个分平台，多个分平台分别存储和处理所述服务平台发送的不同类型或不同接收对象的数据，所述总平台对多个分平台的数据进行汇总后存储和处理，并传输数据至传感网络平台；所述对象平台被配置为智能制造设备；
所述控制方法包括：
当所述用户平台发出制造任务指令时，对应的服务平台的分平台接收制造任务指令将其转换成管理平台可识别的组态文件，并将组态文件发送至对应的管理平台的分平台，其中制造任务指令中至少包括一个制造任务及其对应的执行时刻；
管理平台的分平台接收组态文件，使用循环神经网络模型将组态文件内数据按时间顺序进行序列建模，形成序列建模数据并与组态文件一并发送至管理平台的总平台；
管理平台的总平台接收并存储对应的序列建模数据后，将所有的管理平台的分平台发送的序列建模数据按照执行时刻进行分解，并将分解后的所有数据按照时序逻辑顺序从始到终进行顺序排序，组成系列的事件序列数据，其中每个时序均对应一个时序点，管理平台的总平台将该事件序列数据通过概率后缀树模型进行分析，并基于执行结果执行：
执行结果为任务正常，管理平台的总平台将接收的组态文件发送至对应的传感网络平台的分平台，传感网络平台的分平台接收组态文件并将其转换成对象平台可识别的指令文件并发送至对象平台，所述对象平台接收指令文件并基于指令文件执行智能制造；
或执行结果为任务异常时，则管理平台的总平台拒绝接收组态文件并删除对应的序列建模数据，并获取异常时序点对应的关联制造数据发送至对应的管理平台的分平台，管理平台的分平台将关联制造数据进行编译后发送至对应的服务平台的分平台，服务平台的分平台则存储关联制造数据并发送任务失败指令至用户平台；所述关联制造数据包括对应异常时序点的关联序列建模数据及序列建模数据对应的管理平台的分平台信息、服务平台的分平台信息。
CN202210746016.1A 2022-06-29 2022-06-29 基于事件序列分析预测的工业物联网系统及其控制方法 Active CN114819925B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210746016.1A CN114819925B (zh) 2022-06-29 2022-06-29 基于事件序列分析预测的工业物联网系统及其控制方法
US17/932,282 US11754999B1 (en) 2022-06-29 2022-09-14 Industrial internet of things based on event sequence analysis and prediction, prediction method, and storage medium thereof
US18/350,155 US20230350389A1 (en) 2022-06-29 2023-07-11 Industrial internet of things systems for abnormal analysis, methods, and storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210746016.1A CN114819925B (zh) 2022-06-29 2022-06-29 基于事件序列分析预测的工业物联网系统及其控制方法

Publications (2)

Publication Number Publication Date
CN114819925A CN114819925A (zh) 2022-07-29
CN114819925B true CN114819925B (zh) 2022-10-11

Family

ID=82523405

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210746016.1A Active CN114819925B (zh) 2022-06-29 2022-06-29 基于事件序列分析预测的工业物联网系统及其控制方法

Country Status (2)

Country Link
US (2) US11754999B1 (zh)
CN (1) CN114819925B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117032147B (zh) * 2023-09-19 2024-02-09 昆山纽杰伦智能机器科技有限公司 一种基于人工智能的生产线机床数字化调节系统及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107851462A (zh) * 2015-07-27 2018-03-27 谷歌有限责任公司 使用循环神经网络分析健康事件
WO2019057055A1 (zh) * 2017-09-22 2019-03-28 北京金山云网络技术有限公司 一种任务处理方法、装置、电子设备及存储介质
CN109542952A (zh) * 2018-11-23 2019-03-29 中国民用航空上海航空器适航审定中心 一种时间序列异常点的检测方法
CN111209168A (zh) * 2020-01-14 2020-05-29 中国人民解放军陆军炮兵防空兵学院郑州校区 一种基于nLSTM-self attention的日志序列异常检测框架
CN112202736A (zh) * 2020-09-15 2021-01-08 浙江大学 基于统计学习和深度学习的工业控制系统通信网络异常分类方法
US11205124B1 (en) * 2020-12-04 2021-12-21 East China Jiaotong University Method and system for controlling heavy-haul train based on reinforcement learning
CN114202065A (zh) * 2022-02-17 2022-03-18 之江实验室 一种基于增量式演化lstm的流数据预测方法及装置
CN114488988A (zh) * 2022-04-14 2022-05-13 成都秦川物联网科技股份有限公司 用于生产线平衡率调控的工业物联网及控制方法
CN114511112A (zh) * 2022-01-24 2022-05-17 北京通建泰利特智能系统工程技术有限公司 一种基于物联网的智慧运维方法、系统和可读存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663250B (zh) * 2022-04-02 2022-08-16 成都秦川物联网科技股份有限公司 双独立平台式工业物联网系统及其控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107851462A (zh) * 2015-07-27 2018-03-27 谷歌有限责任公司 使用循环神经网络分析健康事件
WO2019057055A1 (zh) * 2017-09-22 2019-03-28 北京金山云网络技术有限公司 一种任务处理方法、装置、电子设备及存储介质
CN109542952A (zh) * 2018-11-23 2019-03-29 中国民用航空上海航空器适航审定中心 一种时间序列异常点的检测方法
CN111209168A (zh) * 2020-01-14 2020-05-29 中国人民解放军陆军炮兵防空兵学院郑州校区 一种基于nLSTM-self attention的日志序列异常检测框架
CN112202736A (zh) * 2020-09-15 2021-01-08 浙江大学 基于统计学习和深度学习的工业控制系统通信网络异常分类方法
US11205124B1 (en) * 2020-12-04 2021-12-21 East China Jiaotong University Method and system for controlling heavy-haul train based on reinforcement learning
CN114511112A (zh) * 2022-01-24 2022-05-17 北京通建泰利特智能系统工程技术有限公司 一种基于物联网的智慧运维方法、系统和可读存储介质
CN114202065A (zh) * 2022-02-17 2022-03-18 之江实验室 一种基于增量式演化lstm的流数据预测方法及装置
CN114488988A (zh) * 2022-04-14 2022-05-13 成都秦川物联网科技股份有限公司 用于生产线平衡率调控的工业物联网及控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
制造业生产过程中多源异构数据处理方法综述;陈世超等;《大数据》;20200623(第05期);第61-87页 *
数据驱动的能源互联网建模与仿真关键技术;赵琦等;《电力信息与通信技术》;20200219(第01期);第47-53页 *
管理信息系统组态平台的研究;耿玉水等;《山东轻工业学院学报》;20040125(第04期);第1-5页 *
面向业务过程异常检测的深度学习模型BPAD-LS;付建平等;《小型微型计算机系统》;20220215(第5期);第902-911页 *

Also Published As

Publication number Publication date
CN114819925A (zh) 2022-07-29
US20230350389A1 (en) 2023-11-02
US11754999B1 (en) 2023-09-12

Similar Documents

Publication Publication Date Title
CN109587713B (zh) 一种基于arima模型的网络指标预测方法、装置及存储介质
CN107864174B (zh) 一种基于规则的物联网设备联动方法
CN103699489B (zh) 一种基于知识库的软件远程故障诊断与修复方法
US20180129579A1 (en) Systems and Methods with a Realtime Log Analysis Framework
CN110427298B (zh) 一种分布式日志的自动特征提取方法
CN104679828A (zh) 一种基于规则的电网故障诊断智能系统
CN114819925B (zh) 基于事件序列分析预测的工业物联网系统及其控制方法
CN204883710U (zh) 一种基于规则的电网故障诊断智能系统
CN104679650A (zh) 面向软件体系结构模型的可信性评估方法
CN116861189A (zh) 基于大语言模型构建设备故障诊断维修知识库的方法
CN109308290B (zh) 一种基于cim的高效数据清洗转换方法
CN115511233A (zh) 一种基于流程挖掘的供应链流程重现方法和系统
CN117182910A (zh) 一种智能装配机器人装配控制方法及控制系统
Larrinaga et al. Implementation of a reference architecture for cyber physical systems to support condition based maintenance
CN116976839A (zh) 一种基于网络协同制造的铅蓄电池生产管控方法
CN112270563A (zh) 一种产品服务系统设计方法
CN114245895A (zh) 为至少两个日志文件生成一致表示的方法
CN110609725A (zh) 一种前端用户行为预测方法及系统
CN116880195B (zh) 一种基于规则链引擎的多目标协同自适应方法及装置
CN116720973B (zh) 基于rpa的数字财政管理方法及系统
CN113625605B (zh) 一种舞台自适应运行控制方法
CN115150255B (zh) 一种自适应的基于知识图谱的应用故障自动根因定位方法
CN116050809B (zh) 一种用于虚拟维修的故障作业规划方法及设备
CN111208980B (zh) 一种数据分析处理方法和系统
CN118134093A (zh) 一种基于机器学习的智慧工厂质量控制系统

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