CN115190023B - 组态管理策略处理方法、装置及通信设备 - Google Patents
组态管理策略处理方法、装置及通信设备 Download PDFInfo
- Publication number
- CN115190023B CN115190023B CN202110308657.4A CN202110308657A CN115190023B CN 115190023 B CN115190023 B CN 115190023B CN 202110308657 A CN202110308657 A CN 202110308657A CN 115190023 B CN115190023 B CN 115190023B
- Authority
- CN
- China
- Prior art keywords
- information
- alarm
- target time
- target
- busy degree
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000004891 communication Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000009849 deactivation Effects 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
Abstract
本发明提供一种组态管理策略处理方法、装置及通信设备。该方法应用于服务器,所述服务器包括N个组态页面,每一组态页面绑定一设备,且N为大于1的整数,并包括:获取每一设备的历史报警信息;基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;获取每一设备在所述目标时间位置的忙碌程度信息;根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略。这样可以改善报警策略的预警效果,并降低报警行为对关联设备的工作效率的影响。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种组态管理策略处理方法、装置及通信设备。
背景技术
目前,组态页面大多仅显示瞬时数值进行报警,比如T0为最近一次报警记录出现时间,T-1为T0之前一次报警记录出现时间等等,即现有的报警策略都是等到出了问题才报警,难以做到提前预警、提前干预,进而影响工业生产效率。
可见,相关技术中的报警策略难以做到提前预警和提前干预,进而导致工业生产效率低的问题。
发明内容
本发明实施例提供一种组态管理策略处理方法、装置及通信设备,以解决相关技术中的报警策略难以做到提前预警和提前干预,进而导致工业生产效率低的问题。
为解决上述问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种组态管理策略处理方法,应用于服务器,所述服务器包括N个组态页面,每一组态页面绑定一设备,且N为大于1的整数,所述方法包括:
获取每一设备的历史报警信息;
基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;
获取每一设备在所述目标时间位置的忙碌程度信息;
根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略。
第二方面,本发明实施例提供了一种组态管理策略处理装置,所述组态管理策略处理装置包括N个组态页面,每一组态页面绑定一设备,且N为大于1的整数,所述组态管理策略处理装置包括:
第一获取模块,用于获取每一设备的历史报警信息;
第二获取模块,用于基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;
第三获取模块,用于获取每一设备在所述目标时间位置的忙碌程度信息;
处理模块,用于根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略。
第三方面,本发明实施例还提供一种通信设备,包括:收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器,用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
第四方面,本发明实施例还提供一种可读存储介质,用于存储程序,所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。
在本发明实施例中,通过对每一设备的预警信息和忙碌程度信息进行分析,筛选出在目标时间位置可能出现报警的设备,以及筛选出在目标时间位置处于非工作状态的设备,并根据可能出现报警的设备以及处于非工作状态的设备,设置每一设备的管理策略,以便优化对N个设备的管理,避免由于某些设备出现报警而导致设备效率降低的问题,进而实现报警策略的提前预警和提前干预,进而达到提高工业生产效率的目的。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例可应用的网络系统的结构示意图;
图2是本发明实施例提供的组态管理策略处理方法的流程示意图之一;
图3是本发明实施例提供的组态管理策略处理方法的流程示意图之二;
图4是本发明实施例提供的报警行为示意图;
图5是本发明实施例提供的忙碌程度示意图;
图6是本发明实施例提供的组态群组示意图;
图7是本发明实施例提供的预测模型算法的流程图示意图;
图8是本发明实施提供的组态管理策略处理装置的结构示意图;
图9是本发明实施提供的通信设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本发明实施例中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,本发明中使用“和/或”表示所连接对象的至少其中之一,例如A和/或B和/或C,表示包含单独A,单独B,单独C,以及A和B都存在,B和C都存在,A和C都存在,以及A、B和C都存在的7种情况。
请参见图1,图1是本发明实施例可应用的网络系统的结构图,如图1所示,包括数据发送设备11和数据接收设备12。
其中,数据发送设备11和数据接收设备12之间可以进行通信。数据发送设备11向数据接收设备12发送密文信息(Ciphertext Block)。
在实际应用中,数据发送设备11可以是终端(也可以称作用户设备(UserEquipment,UE)),数据接收设备12可以是网络侧设备;或者,数据发送设备11可以是网络侧设备,数据接收设备12可以是终端,但不仅限于此。
终端可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(LaptopComputer)、个人数字助理(Personal Digital Assistant,PDA)、移动上网装置(MobileInternet Device,MID)、可穿戴式设备(Wearable Device)或车载设备等。网络侧设备可以是基站、接入和移动管理功能(Access and Mobility Management Function,AMF)、中继、接入点或其他网元等。
以下对本发明实施例提供的组态管理策略方法进行说明。
参见图2,图2是本发明实施例提供的组态管理策略处理方法的流程示意图之一。图2所示的组态管理策略处理方法可以由服务器执行,该服务器包括N个组态页面,每一组态页面绑定一设备,且N为大于1的整数。
需要说明的是,本实施方式中提及的服务器可以工业互联网中对生产系统进行管理的服务器。比如,在工业应用中,可以通过服务器对多个生产设备的组态进行管理。具体的,可以将每个设备绑定一个组态,并将每个设备对应的组态管理界面显示在服务器的显示屏上,以便在服务器侧通过对每个设备的组态管理界面进行设置管理,以对设备下发指令,并达到远程操控设备的目的。
其中,该服务器包括组态画面、策略中心、计算引擎、算法层、数据加工层、源数据获取等架构。
组态画面包括实时预警、提前预警、多情景比对分析、下发激活指令、下发失活指令等视图或控件。
策略中心包括预警策略、激活策略、失活策略等管理策略。
计算引擎包括工业流程整合、工业流程调度、工业事件驱动等引擎。
算法层包括机器学习、非线性拟合、时间序列、启发式策略等算法模型。
数据加工层包括仿真数据库。
源数据获取包括设备、测点、网关等数据获取点。
其中,服务器的架构的底层为工业组态的源数据获取,比如网关-设备-测点或网关-测点。另外,可以基于获取到的源数据进行仿真数据库加工,并结合工业流程的整合和调度,建立历史仿真经验数据库,以形成专家经验库。
经验库包括不同策略下同一时间处理(修复)报警事件的个数、同一时间整体组态被激活/失活的格式、不同策略下的操作成本。
基于沉淀的数据,算法层可以结合机器学习、非线性拟合、启发式策略,通过迭代的方式去寻求训练集和测试集预测的平均绝对误差,指导找到误差最小的满足需求的组态管理策略,从而进行深度预测,提前预知不同组态连接设备未来一段时间内的变化。在实际应用中,通过搜索策略寻找满足用户组态管理要求的激活/失活策略,经过工业事件驱动,触发组态间相互替换/激活/失活。
另外,通过服务器显示的组态页面,以及通过提供协助用户决策的“多情景对比分析”模块;数据层进行提前/实时报警,执行层下发激活/失活命令,并让用户可查看命令前后的差异。
如图2所示,组态管理策略处理方法可以包括以下步骤:
步骤201、获取每一设备的历史报警信息。
该步骤中,可以从服务器的数据库中获取每一设备的历史报警信息,历史报警信息可以设备在某一时段内的报警记录信息。
其中,设备的历史报警信息包括该设备在某一段时间内的报警记录出现频次、报警记录间的间隔、报警幅度等信息。
比如,当前日期为2020年12月1日,设备A关联的组态信息中报警记录包括:报警记录1、报警记录2、报警记录3,报警记录1的记录时间为2020年7月13日,且报警幅度为L1;报警记录2的记录时间为2019年6月20日,且报警幅度为L2;报警记录3的记录时间为2018年5月7日,且报警幅度为L3。
从上述示例中可知,设备A在过去三年(即2018年-2020年)内的报警记录出现频次一年一次,报警记录间间隔为一年,报警幅度分别为L1、L2、L3。
其中,报警幅度可以根据某一时段内报警参数的均值、方差、变异系数、非零均值间隔、非零值方差、非零值变异系数等确定得到。
一实施方式中,历史报警信息可以基于时间顺序分布,即按照时间顺序依次显示每次报警的报警时间及报警幅度,并可以通过一维向量分布图在组态页面显示,以便用户通过服务器显示的组态页面查看设备的历史报警信息。
步骤202、基于所述历史报警信息获取每一设备在目标时间位置的预警信息。
该步骤中,可以根据每一设备的历史报警信息,预测该设备在目标时间位置的预警信息,以便对设备进行提前预警、提前干预,避免出现对设备的报警问题处理不及时的问题。
其中,针对基于历史报警信息获取得到的每一设备在目标时间位置的预警信息,也可以显示该设备对于的组态页面上,即每一设备的历史报警信息和预警信息均可以显示该设备的组态页面,且历史报警信息和预警信息可以显示在同一个一维向量分布图中,以便用户在服务器侧查看该设备的组态页面时,可以通过查看该组态页面上的一维向量分布图来查看该设备可能出现报警的时间以及报警幅度,以便对可能出现的报警进行提前预警和干预,避免出现对设备的报警问题处理不及时的问题。
本实施方式中,目标时间位置位于当前时刻之后。
步骤203、获取每一设备在所述目标时间位置的忙碌程度信息。
该步骤中、忙碌程度信息表示设备的忙碌程度。比如,可以将设备的忙碌程度进行数值归一化,并化为0到1之间的浮点数,数值越大,表示设备在该时段内的忙碌程度越高。
其中,设备的忙碌程度可以基于预设信息获取,预设信息是用户预设设置的忙碌程度信息,其与每一设备的生产时间段相关联,即预设信息中包括了每一设备在每个时刻的忙碌程度信息。
一实施方式中,忙碌程度信息还可以用于表示设备处于激活状态还是失活状态。其中,激活状态表示设备处于工作状态,失活状态表示设备处于非工作状态。比如,当设备的忙碌程度指数低于预设忙碌程度指数的情况下,则可以确定设备处于失活状态;而在设备的忙碌程度指数高于或等于预设忙碌程度指数的情况下,则可以确定设备处于激活状态。
步骤204、根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略。
该步骤中,可以对每一设备的预警信息和忙碌程度信息进行分析,筛选出在目标时间位置可能出现报警的设备,以及筛选出在目标时间位置处于非工作状态的设备,并根据可能出现报警的设备以及处于非工作状态的设备,设置每一设备的管理策略,以便优化对N个设备的管理,避免由于某些设备出现报警而导致设备效率降低的问题。而且,通过对可能发生的报警行为提前发出预警,可以改善报警策略的预警效果。
比如,若设备A在目标时间位置会出现报警,且设备B在目标时间位置处于非忙碌状态,即非工作状态,则在目标时间位置,可以将设备A替换为设备B,即在目标时间位置,控制设备A处于失活状态,控制设备B处于激活状态,并使设备B承接设备A的工作任务,以避免由于设备A出现报警导致设备效率降低的问题,进而达到提高整体生产效率的目的。
其中,可以在每一组态页面上显示其对应的设备的历史报警信息、预警信息和忙碌程度信息,以便用户通过查看该设备的组态页面知晓设备的报警信息和忙碌程度信息;而且通过显示设备在目标时间位置的预警信息,还可以方便对目标时间位置可能出现的报警行为进行提前预警和干预,并降低报警行为对关联设备的工作效率的影响。
可选地,所述历史报警信息包括报警频次信息和报警幅度信息;
所述基于所述历史报警信息获取每一设备在目标时间位置的预警信息,包括:
将每一设备的报警频次信息和报警幅度信息输入时间序列模型,得到报警信息的时间向量信息,所述时间序列模型是基于训练样本训练得到的,且所述训练样本基于每一设备的报警频次信息和报警幅度信息确定;
基于所述时间向量信息,获取每一设备在所述目标时间位置的预警信息。
本实施方式中,可以通过时间序列模型预测每一设备在目标时间位置的预警信息,以便提前知晓可能出现报警的设备,并方便对可能出现报警的设备提前预警、干预,避免出现对设备的报警问题处理不及时的问题,提升服务器对设备报警问题的处理效率。
其中,还可以通过将每一设备的报警频次信息和报警幅度信息输入其他模型中对每一设备在目标时间位置的报警信息进行预测。比如,可以通过拟合模型、机器学习模型等对每一设备在目标时间位置的报警信息进行预测。
可选地,所述管理策略包括在所述目标时间位置将第一设备替换为第二设备,其中,
所述第一设备为在所述目标时间位置N个设备中的报警幅度大于预设报警幅度的设备;
所述第二设备为在所述目标时间位置N个设备中的忙碌程度信息符合预设忙碌程度信息的设备。
本实施方式中,通过对每一设备的预警信息和忙碌程度信息进行分析,并在N个设备中包括第一设备和第二设备的情况下,则可以将第一设备替换为第二设备,即在目标时间位置,控制第一设备处于失活状态,控制第二设备处于激活状态,并使第二设备承接第一设备的工作任务,以避免由于第一设备出现报警导致设备效率降低的问题,进而达到提高整体生产效率的目的。
其中,忙碌程度信息包括忙碌程度指数,且忙碌程度信息符合预设忙碌程度信息的设备可以是忙碌程度指数小于预设忙碌程度指数的设备。
可选地,所述方法还包括:在获取到目标报警信息的情况下,确定所述目标报警信息对应的目标设备;基于所述目标报警信息对所述目标设备的管理策略进行更新;其中,所述目标报警信息为所述预警信息之外的实时报警信息。
本实施方式中,目标报警信息可以理解为突发性报警信息,即在有发生突发性报警行为的目标设备的情况下,可以基于目标报警信息对目标设备的管理策略件更新,以降低突发性报警行为对目标设备的工作效率的影响。
需要说明的是,本实施方式中的N个设备,可以是一个机组,通过对该机组的N个设备的组态页面进行统一管控,可以有效提高设备的互动;而且,对于机组中可能会发生报警行为的设备进行提前预警和干预,可以降低报警行为对机组的整体工作效率的影响,进而达到改善机组的整体工作效率的目的。
本发明实施例的组态管理策略处理方法,通过获取每一设备的历史报警信息;基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;获取每一设备在所述目标时间位置的忙碌程度信息;根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略。这样通过提前预测可能出现的报警行为,并对报警行为进行提前预警和干预,可以有效降低报警行为对关联设备的工作效率的影响,进而达到提高设备组的整体工作效率的目的。
参见图3,图3是本发明实施例提供的组态管理策略处理方法的流程示意图之二。图3所示的组态管理策略处理方法可以由服务器执行。
如图3所示,组态管理策略处理方法可以包括以下步骤:
步骤301、获取设备测点数据。
该步骤中,可以通过网关获取测点数据。
步骤302、工业流程整合。
该步骤中,可以对N个设备的工业流程进行整合、调度等等。
其中,还可以提供接口,供外部人员对工业流程进行二次编译,并串联用户自由工业元件的逻辑,使得各个组态页面之间形成拓扑结构。
步骤303、建立仿真数据库。
该步骤中,可以对工厂过去3年年度各设备的报警时间序列进行分层抽样,并基于工业组态之间的运行逻辑,输出不同场景下采取不同策略产生的影响,以建立仿真数据库。
其中,可以将报警记录根据其数值属性分类为波动性、平稳性、不规则性、间歇性四种,每一种类下的报警记录抽取相等数量的报警记录放入机器学习模型中,尽量做到均衡,兼顾每种报警记录的预测。
一实施方式中,仿真数据库核心字段如下表所示:
步骤304、数据特征分解。
该步骤中,对每一设备,可以通过其绑定的组态,获取其出现报警记录出现概率与其历史时间序列总长度、报警记录出现频次、报警记录间的间隔、报警幅度(均值、方差、变异系数、非零均值间隔、非零值方差、非零值变异系数等)、忙碌程度的关系;并可以对设备的忙碌程度需进行数值归一化,化为0到1之间的一个浮点数,数值越大,认为机器在这半小时内的忙碌程度越高。将所有的历史数据按照这种定义方式进行清洗,组成当前时间之前的时间序列。
步骤305、预测分析建模。
该步骤中,可以建立拟合模型、时间序列模型、机器学习模型等预测分析模型,并可以通过拟合模型、时间序列模型、机器学习模型等预测分析模型对可能出现的报警行为进行预测。
步骤306、输出预测结果。
该步骤中,可以通过向预测分析模型中输入每一设备的报警频次信息和报警幅度信息,以预测每一设备在未来不同时间段是否忙碌、预警时间点、预警幅度,以及对整个设备组产生的影响。
图4是设备A对应的组态页面显示的报警行为图,该图中显示有设备A的历史报警记录以及预测的报警记录,以及用户设定的警报线;其中,在报警行为的报警幅度超过警报线的情况下,则可以指示该设备可能会发生报警行为,以便对该设备进行提前预警和干预。
如图5是设备B对应的组态页面显示的忙碌程度图,该图中显示有设备B的历史忙碌程度信息以及预测的忙碌程度信息,以及用户设定的忙碌程度;其中,在忙碌程度大于用户设定的忙碌程度的情况下,则可以指示该设备处于忙碌状态,以便基于该设备的忙碌状态制定相应的管理策略。
图6是多个设备的组态图,每个区域表示一个设备的组态信息,且可以通过不同的颜色来区分每个设备的管理策略。比如,颜色越深的设备组态图,则表示该设备出现报警行为的概率越大,以便用户可以直观的看出可能出现报警行为的设备。
如图6所示,包括组态1、组态2、组态3、组态4,且组态1、组态2、组态3、组态4的颜色依次变浅,则可以说明组态1对应的设备出现报警行为概率最大,而组态4对应的设备出现报警行为的概率最小。
步骤307、提前预警。
该步骤中,可以对步骤6的预测结果进行提前预警和干预。
步骤308、实时预警。
该步骤中,可以通过获取突发性未预测到的实时预警信息。
步骤309、搜索专家经验。
该步骤中,可以通过搜寻仿真库内对应的最优策略;为了获取满足工厂要求的工业绩效需要结合前面学习的机器学习模型以及启发式策略,通过迭代的方式找到解决不同场景问题的控制参数。
步骤310、工业事件驱动。
该步骤中,可以通过逻辑策略进行设备状态/参数改动,例如将忙碌数值迁移为机器启动的个数,例如忙碌值0.5代表当前50%的机器启动,50%机器休眠。
步骤311、下发激活/失活指令。
该步骤中,通过下发激活/失活指令,以便对设备群组进行管理。
其中,有效的指令还可以反向丰富仿真数据库,进而提高获取到的预警信息的准确性。
参见图7,图7是本发明实施例提供的预测模型算法的流程图示意图。
如图7所示,预测模型算法包括以下步骤:
步骤701、获取每个组态的当前报警频次、报警幅值。
比如,获取每个设备的当前报警频次、报警幅值
步骤702、根据每个组态的状态参数,生成一个一维向量。
比如,根据每个组态的当前报警频次、报警幅值等状态参数,生成一个一维向量,
步骤703、以预设时长/每次的采样频率,获取一维向量的时间序列。
比如,以0.1秒/次的采样频率,获取一维向量的时间序列。
步骤704、学习时间序列中的信息来进行多任务学习。
比如,可以使用深度学习神经网络中的长短时间网络,学习时间序列中的信息来进行多任务学习。
步骤705、未来时刻组态状态。
其中,可以通过输入前一秒的组态向量,并根据真实的当前组态向量和预测的当前组态向量的欧几里得距离,输出预测的未来时刻的组态状态。
步骤706、未来时刻的忙碌分数。
其中,可以通过人工定义每个时刻是否处于组态忙碌时刻,比如进行人工的2进制标注,然后输出分数和标注数值,进行逻辑回归模型函数的约束以确定设备在未来时刻的忙碌分数。
步骤707、大批量迭代。
步骤708、准确预测组态状态以及忙碌状态。
其中,组态状态用于表示设备的预警信息。
这样通过提前预测可能出现的报警行为,并对报警行为进行提前预警和干预,可以有效降低报警行为对关联设备的工作效率的影响,进而达到提高设备组的整体工作效率的目的。
参见图8,图8是本发明实施例提供的组态管理策略处理装置的结构图。如图8所示,组态管理策略处理装置800包括:
第一获取模块801,用于获取每一设备的历史报警信息;
第二获取模块802,用于基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;
第三获取模块803,用于获取每一设备在所述目标时间位置的忙碌程度信息;
处理模块804,用于根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略。
可选地,所述历史报警信息包括报警频次信息和报警幅度信息;
所述第二获取模块802包括:
第一获取单元,用于将每一设备的报警频次信息和报警幅度信息输入时间序列模型,得到报警信息的时间向量信息,所述时间序列模型是基于训练样本训练得到的,且所述训练样本基于每一设备的报警频次信息和报警幅度信息确定;
第二获取单元,用于基于所述时间向量信息,获取每一设备在所述目标时间位置的预警信息。
可选地,所述第三获取模块803,具体用于基于预设信息,获取每一设备在所述目标时间位置的忙碌程度信息;
其中,所述预设信息包括每一设备在每个时刻的忙碌程度信息。
可选地,所述管理策略包括在所述目标时间位置将第一设备替换为第二设备,其中,
所述第一设备为在所述目标时间位置N个设备中的报警幅度大于预设报警幅度的设备;
所述第二设备为在所述目标时间位置N个设备中的忙碌程度信息符合预设忙碌程度信息的设备。
可选地,所述组态管理策略处理装置800还包括:
确定模块,用于在获取到目标报警信息的情况下,确定所述目标报警信息对应的目标设备;
更新模块,用于基于所述目标报警信息对所述目标设备的管理策略进行更新;
其中,所述目标报警信息为所述预警信息之外的实时报警信息。
可选地,所述组态管理策略处理装置800还包括:
显示模块,用于在每一组态页面显示其对应的设备的历史报警信息、预警信息及忙碌程度信息。
组态管理策略处理装置800能够实现本发明实施例中图2方法实施例的各个过程,以及达到相同的有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种通信设备。请参见图9,通信设备可以包括处理器901、存储器902及存储在存储器902上并可在处理器901上运行的程序9021。
在通信设备为服务器的情况下,程序9021被处理器901执行时可实现图2对应的方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一可读取介质中。本发明实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时可实现上述图3或图4对应的方法实施例中的任意步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
所述的存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
以上所述是本发明实施例的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种组态管理策略处理方法,其特征在于,应用于服务器,所述服务器包括N个组态页面,每一组态页面绑定一设备,且N为大于1的整数,所述方法包括:
获取每一设备的历史报警信息;
基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;
获取每一设备在所述目标时间位置的忙碌程度信息,所述忙碌程度信息用于表示设备处于激活状态或者失活状态,且在所述忙碌程度信息指示设备的忙碌程度指数高于或者等于预设忙碌程度指数的情况下,所述设备处于所述激活状态;在所述忙碌程度信息指示设备的忙碌程度指数低于所述预设忙碌程度指数的情况下,所述设备处于所述失活状态;
根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略;
其中,所述根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略,包括:
基于每一设备的预警信息,确定第一设备,所述第一设备为在所述目标时间位置上报报警信息的设备;
基于每一设备的忙碌程度信息,确定第二设备,所述第二设备为在所述目标时间位置处于所述失活状态的设备;
在所述目标时间位置,控制所述第一设备处于失活状态,以及控制所述第二设备处于激活状态,并控制所述第二设备承接所述第一设备的工作任务。
2.根据权利要求1所述的方法,其特征在于,所述历史报警信息包括报警频次信息和报警幅度信息;
所述基于所述历史报警信息获取每一设备在目标时间位置的预警信息,包括:
将每一设备的报警频次信息和报警幅度信息输入时间序列模型,得到报警信息的时间向量信息,所述时间序列模型是基于训练样本训练得到的,且所述训练样本基于每一设备的报警频次信息和报警幅度信息确定;
基于所述时间向量信息,获取每一设备在所述目标时间位置的预警信息。
3.根据权利要求1所述的方法,其特征在于,所述获取每一设备在所述目标时间位置的忙碌程度信息,包括:
基于预设信息,获取每一设备在所述目标时间位置的忙碌程度信息;
其中,所述预设信息包括每一设备在每个时刻的忙碌程度信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述管理策略包括在所述目标时间位置将第一设备替换为第二设备,其中,
所述第一设备为在所述目标时间位置N个设备中的报警幅度大于预设报警幅度的设备;
所述第二设备为在所述目标时间位置N个设备中的忙碌程度信息符合预设忙碌程度信息的设备。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
在获取到目标报警信息的情况下,确定所述目标报警信息对应的目标设备;
基于所述目标报警信息对所述目标设备的管理策略进行更新;
其中,所述目标报警信息为所述预警信息之外的实时报警信息。
6.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
在每一组态页面显示其对应的设备的历史报警信息、预警信息及忙碌程度信息。
7.一种组态管理策略处理装置,其特征在于,所述组态管理策略处理装置包括N个组态页面,每一组态页面绑定一设备,且N为大于1的整数,所述组态管理策略处理装置包括:
第一获取模块,用于获取每一设备的历史报警信息;
第二获取模块,用于基于所述历史报警信息获取每一设备在目标时间位置的预警信息,所述目标时间位置位于当前时刻之后;
第三获取模块,用于获取每一设备在所述目标时间位置的忙碌程度信息,所述忙碌程度信息用于表示设备处于激活状态或者失活状态,且在所述忙碌程度信息指示设备的忙碌程度指数高于或者等于预设忙碌程度指数的情况下,所述设备处于所述激活状态;在所述忙碌程度信息指示设备的忙碌程度指数低于所述预设忙碌程度指数的情况下,所述设备处于所述失活状态;
处理模块,用于根据每一设备的预警信息和忙碌程度信息,确定每一设备的管理策略,并执行所述管理策略;
所述处理模块,具体用于;基于每一设备的预警信息,确定第一设备,所述第一设备为在所述目标时间位置上报报警信息的设备;基于每一设备的忙碌程度信息,确定第二设备,所述第二设备为在所述目标时间位置处于所述失活状态的设备;在所述目标时间位置,控制所述第一设备处于失活状态,以及控制所述第二设备处于激活状态,并控制所述第二设备承接所述第一设备的工作任务。
8.根据权利要求7所述的装置,其特征在于,所述历史报警信息包括报警频次信息和报警幅度信息;
所述第二获取模块包括:
第一获取单元,用于将每一设备的报警频次信息和报警幅度信息输入时间序列模型,得到报警信息的时间向量信息,所述时间序列模型是基于训练样本训练得到的,且所述训练样本基于每一设备的报警频次信息和报警幅度信息确定;
第二获取单元,用于基于所述时间向量信息,获取每一设备在所述目标时间位置的预警信息。
9.根据权利要求7所述的装置,其特征在于,所述第三获取模块,具体用于基于预设信息,获取每一设备在所述目标时间位置的忙碌程度信息;
其中,所述预设信息包括每一设备在每个时刻的忙碌程度信息。
10.根据权利要求7至9中任一项所述的装置,其特征在于,所述管理策略包括在所述目标时间位置将第一设备替换为第二设备,其中,
所述第一设备为在所述目标时间位置N个设备中的报警幅度大于预设报警幅度的设备;
所述第二设备为在所述目标时间位置N个设备中的忙碌程度信息符合预设忙碌程度信息的设备。
11.根据权利要求7至9中任一项所述的装置,其特征在于,所述组态管理策略处理装置还包括:
确定模块,用于在获取到目标报警信息的情况下,确定所述目标报警信息对应的目标设备;
更新模块,用于基于所述目标报警信息对所述目标设备的管理策略进行更新;
其中,所述目标报警信息为所述预警信息之外的实时报警信息。
12.根据权利要求7至9中任一项所述的装置,其特征在于,所述组态管理策略处理装置还包括:
显示模块,用于在每一组态页面显示其对应的设备的历史报警信息、预警信息及忙碌程度信息。
13.一种通信设备,包括:收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至6中任一项所述的组态管理策略处理方法中的步骤。
14.一种可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1至6中任一项所述的组态管理策略处理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308657.4A CN115190023B (zh) | 2021-03-23 | 2021-03-23 | 组态管理策略处理方法、装置及通信设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110308657.4A CN115190023B (zh) | 2021-03-23 | 2021-03-23 | 组态管理策略处理方法、装置及通信设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115190023A CN115190023A (zh) | 2022-10-14 |
CN115190023B true CN115190023B (zh) | 2023-09-19 |
Family
ID=83511761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110308657.4A Active CN115190023B (zh) | 2021-03-23 | 2021-03-23 | 组态管理策略处理方法、装置及通信设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115190023B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928569A (zh) * | 2012-10-26 | 2013-02-13 | 北京城市排水集团有限责任公司 | 城市水体水华监测预警系统及预警方法 |
CN104979912A (zh) * | 2015-07-22 | 2015-10-14 | 中国华能集团清洁能源技术研究院有限公司 | 一种光伏发电系统的监控方法与系统 |
US9224096B2 (en) * | 2012-01-08 | 2015-12-29 | Imagistar Llc | System and method for item self-assessment as being extant or displaced |
CN105657336A (zh) * | 2014-10-17 | 2016-06-08 | 群晖科技股份有限公司 | 用来管理一监视系统的方法与装置 |
WO2018077030A1 (zh) * | 2016-10-24 | 2018-05-03 | 阿里巴巴集团控股有限公司 | 一种虚拟机内存资源的调度方法以及装置 |
CN110688336A (zh) * | 2019-09-26 | 2020-01-14 | 成都尖锋云智技术有限公司 | 一种总线地址自动配置方法及实现该方法的系统 |
CN111367747A (zh) * | 2018-12-25 | 2020-07-03 | 中国移动通信集团浙江有限公司 | 基于时间标注的指标异动检测预警的装置 |
CN111611517A (zh) * | 2020-05-13 | 2020-09-01 | 咪咕文化科技有限公司 | 指标监控方法、装置、电子设备及存储介质 |
-
2021
- 2021-03-23 CN CN202110308657.4A patent/CN115190023B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9224096B2 (en) * | 2012-01-08 | 2015-12-29 | Imagistar Llc | System and method for item self-assessment as being extant or displaced |
CN102928569A (zh) * | 2012-10-26 | 2013-02-13 | 北京城市排水集团有限责任公司 | 城市水体水华监测预警系统及预警方法 |
CN105657336A (zh) * | 2014-10-17 | 2016-06-08 | 群晖科技股份有限公司 | 用来管理一监视系统的方法与装置 |
CN104979912A (zh) * | 2015-07-22 | 2015-10-14 | 中国华能集团清洁能源技术研究院有限公司 | 一种光伏发电系统的监控方法与系统 |
WO2018077030A1 (zh) * | 2016-10-24 | 2018-05-03 | 阿里巴巴集团控股有限公司 | 一种虚拟机内存资源的调度方法以及装置 |
CN111367747A (zh) * | 2018-12-25 | 2020-07-03 | 中国移动通信集团浙江有限公司 | 基于时间标注的指标异动检测预警的装置 |
CN110688336A (zh) * | 2019-09-26 | 2020-01-14 | 成都尖锋云智技术有限公司 | 一种总线地址自动配置方法及实现该方法的系统 |
CN111611517A (zh) * | 2020-05-13 | 2020-09-01 | 咪咕文化科技有限公司 | 指标监控方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
E.Mutafungwa ; J.Hamalainen.Leveraging Femtocells for Dissemination of Early Warning Messages.2009 IEEE International Conference on Communications Workshops.2009,全文. * |
基于MES的汽车零部件注塑企业生产过程管控系统研究及应用;闾三宇;中国优秀硕士学位论文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115190023A (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11086762B2 (en) | Methods and systems for predicting estimation of project factors in software development | |
US20240127354A1 (en) | Closed-loop system incorporating risk analytic algorithm | |
Larsen et al. | A framework for dynamic rescheduling problems | |
Veldman et al. | Managing condition‐based maintenance technology: A multiple case study in the process industry | |
US20180137219A1 (en) | Feature selection and feature synthesis methods for predictive modeling in a twinned physical system | |
Shahzad et al. | Data mining based job dispatching using hybrid simulation-optimization approach for shop scheduling problem | |
Deif | Dynamic analysis of a lean cell under uncertainty | |
US20080243912A1 (en) | Method of providing business intelligence | |
US20200005168A1 (en) | Methods and Systems for the Measurement of Relative Trustworthiness for Technology Enhanced With AI Learning Algorithms | |
CN110324168A (zh) | 异常事件监控方法和装置及电子设备 | |
JP6903444B2 (ja) | 作業者育成装置、作業者育成方法、作業者育成プログラム及び記録媒体 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
Gruber et al. | Condition-based maintenance via simulation and a targeted Bayesian network metamodel | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
US20230418958A1 (en) | Scalable, data-driven digital marketplace providing a standardized secured data system for interlinking sensitive risk-related data, and method thereof | |
CN115190023B (zh) | 组态管理策略处理方法、装置及通信设备 | |
Schachinger et al. | An advanced data analytics framework for energy efficiency in buildings | |
US20140297334A1 (en) | System and method for macro level strategic planning | |
Grohmannn et al. | The vision of self-aware performance models | |
KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
US20170160730A1 (en) | Production system having constraint evaluator generating constrained sequences | |
Balali et al. | Data Intensive Industrial Asset Management | |
Olsson et al. | Case-based reasoning applied to geometric measurements for decision support in manufacturing | |
AU2020201689A1 (en) | Cognitive forecasting | |
JP7466479B2 (ja) | 業務改善支援装置、プログラムおよびプログラムを格納した記憶媒体 |
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 |