CN115801845B - 基于边缘计算的工业互联网数据采集方法及相关设备 - Google Patents
基于边缘计算的工业互联网数据采集方法及相关设备 Download PDFInfo
- Publication number
- CN115801845B CN115801845B CN202310069770.0A CN202310069770A CN115801845B CN 115801845 B CN115801845 B CN 115801845B CN 202310069770 A CN202310069770 A CN 202310069770A CN 115801845 B CN115801845 B CN 115801845B
- Authority
- CN
- China
- Prior art keywords
- data
- output
- perception
- tag
- determining
- 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
Classifications
-
- 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
- General Factory Administration (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请的实施例提供了一种基于边缘计算的工业互联网数据采集方法及相关设备。该基于边缘计算的工业互联网数据采集方法包括:基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,从数据采集网络中获取感知数据,将感知数据输入数据监测模型中以输出采集感知数据的目标传感器是否异常的判断结果;基于判断结果和所述感知数据通过边缘计算确定所述目标传感器对应的输出可信值,以通过输出可信值评估目标传感器的工作状态,基于输出可信值对所述感知数据进行标签化处理生成标签数据,并将所述标签数据上传至云平台。提高了感知数据获取的全面性和效率、以及在数据传输和处理过程中的可靠性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种基于边缘计算的工业互联网数据采集方法、装置、计算机可读介质及电子设备。
背景技术
在实际的工业化生产场景中,需要获取和感知的工业生产数据越来越多,且类型越来越繁杂。大量的底层数据将导致在进行数据获取、传输和处理过程中的处理量变大、工作量增加进而导致的数据处理的效率问题。尤其是在数据采集装置的工作状态不可靠的情况下,将严重影响底层数据的获取效率和数据获取的可靠性。
发明内容
本申请的实施例提供了一种基于边缘计算的工业互联网数据采集方法、装置、计算机可读介质及电子设备,进而至少在一定程度上可以提高工业数据获取的效率和可靠性。
本申请的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面,提供了一种基于边缘计算的工业互联网数据采集方法,包括:基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络;从所述数据采集网络中获取感知数据,其中所述感知数据通过如下信息组成:数据标识、生成时间以及数据内容;基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,其中,所述数据监测模型用于检测感知数据是否异常;将所述感知数据输入所述数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果;基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态;基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。
在本申请的一些实施例中,基于前述方案,所述基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,包括:获取工业生产环境的影像数据;对所述影像数据进行量化处理,得到工业生产环境对应的三维系统;其中,所述三维系统中包括各生产设备对应的模拟设备;基于所述三维系统确定网格单元及其对应的网格位置;基于所述网格位置布设所述传感器。
在本申请的一些实施例中,基于前述方案,所述基于所述网格位置布设所述传感器之后,还包括:根据所述三维系统中的生产设备对应的模拟设备、所述传感器对应的模拟传感器,生成三维数据采集的网格示意图;将所述三维数据采集的网格示意图展示在界面中;在获取到用户触发的展示指令时,展示所述模拟设备或模拟传感器的工作参数。
在本申请的一些实施例中,基于前述方案,所述基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,包括:基于所述数据采集网络获取历史数据;对所述历史数据通过决策树的方式进行识别,判断所述历史数据是否异常,并生成异常数据对应的数据标签;将所述历史数据和所述数据标签输入基于卷积神经网络的数据监测模型中进行训练。
在本申请的一些实施例中,基于前述方案,所述基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态,包括:根据所述判断结果确定判断因子;根据所述目标传感器采集的感知数据对应的数据类型,确定所述数据类型对应的数据因子;基于所述判断因子和所述数据因子,通过边缘计算确定所述目标传感器对应的输出可信值。
在本申请的一些实施例中,基于前述方案,所述基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,包括:基于所述输出可信值获取对应的数据标签;基于感知数据的数据类型对所述数据标签进行量化处理,得到与所述数据类型一致的量化标签;将所述量化标签和所述感知数据,生成所述标签数据。
在本申请的一些实施例中,基于前述方案,所述方法还包括:将所述标签数据按照生成的传感器标识进行关联存储。
根据本申请实施例的一个方面,提供了一种基于边缘计算的工业互联网数据采集装置,包括:
布设单元,用于基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络;
采集单元,用于从所述数据采集网络中获取感知数据,其中所述感知数据通过如下信息组成:数据标识、生成时间以及数据内容;
模型单元,用于基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,其中,所述数据监测模型用于检测感知数据是否异常;
监测单元,用于将所述感知数据输入所述数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果;
计算单元,用于基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态;
存储单元,用于基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。
在本申请的一些实施例中,基于前述方案,所述基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,包括:获取工业生产环境的影像数据;对所述影像数据进行量化处理,得到工业生产环境对应的三维系统;其中,所述三维系统中包括各生产设备对应的模拟设备;基于所述三维系统确定网格单元及其对应的网格位置;基于所述网格位置布设所述传感器。
在本申请的一些实施例中,基于前述方案,所述基于所述网格位置布设所述传感器之后,还包括:根据所述三维系统中的生产设备对应的模拟设备、所述传感器对应的模拟传感器,生成三维数据采集的网格示意图;将所述三维数据采集的网格示意图展示在界面中;在获取到用户触发的展示指令时,展示所述模拟设备或模拟传感器的工作参数。
在本申请的一些实施例中,基于前述方案,所述基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,包括:基于所述数据采集网络获取历史数据;对所述历史数据通过决策树的方式进行识别,判断所述历史数据是否异常,并生成异常数据对应的数据标签;将所述历史数据和所述数据标签输入基于卷积神经网络的数据监测模型中进行训练。
在本申请的一些实施例中,基于前述方案,所述基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态,包括:根据所述判断结果确定判断因子;根据所述目标传感器采集的感知数据对应的数据类型,确定所述数据类型对应的数据因子;基于所述判断因子和所述数据因子,通过边缘计算确定所述目标传感器对应的输出可信值。
在本申请的一些实施例中,基于前述方案,所述基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,包括:基于所述输出可信值获取对应的数据标签;基于感知数据的数据类型对所述数据标签进行量化处理,得到与所述数据类型一致的量化标签;将所述量化标签和所述感知数据,生成所述标签数据。
在本申请的一些实施例中,基于前述方案,所述方法还包括:将所述标签数据按照生成的传感器标识进行关联存储。
根据本申请实施例的一个方面,提供了一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例中所述的基于边缘计算的工业互联网数据采集方法。
根据本申请实施例的一个方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中所述的基于边缘计算的工业互联网数据采集方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的基于边缘计算的工业互联网数据采集方法。
在本申请的一些实施例所提供的技术方案中,通过基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络,从数据采集网络中获取感知数据,基于数据采集网络中的历史数据构建基于卷积神经网络的数据监测模型并进行训练,将感知数据输入所述数据监测模型中以输出采集感知数据的目标传感器是否异常的判断结果;基于判断结果和所述感知数据通过边缘计算确定所述目标传感器对应的输出可信值,以通过输出可信值评估目标传感器的工作状态,最后基于输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。
在上述处理过程中,一方面基于三维的数据采集网络获取感知数据,提高了感知数据获取的全面性和效率;
另一方面,通过预设的数据监测模型对数据进行检测以基于检测结果确定目标传感器对应的数据标签对数据进行标签化处理,提高了感知数据传输和处理的可靠性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出了根据本申请的一个实施例的基于边缘计算的工业互联网数据采集方法的流程图。
图2示意性示出了根据本申请的一个实施例的布设传感器的流程图。
图3示意性示出了根据本申请的一个实施例的基于边缘计算的工业互联网数据采集装置的示意图。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本申请将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
以下对本申请实施例的技术方案的实现细节进行详细阐述:
图1示出了根据本申请的一个实施例的基于边缘计算的工业互联网数据采集方法的流程图。参照图1所示,该基于边缘计算的工业互联网数据采集方法至少包括步骤S110至步骤S160,详细介绍如下:
在步骤S110中,基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络。
在本申请的一个实施例中,本实施例中预设有网格单元,用于在工业生产环境中布设传感器,本实施例中的传感器包括至少两种类型的传感器,例如温度传感器、重量传感器等等。通过上述不同类型的传感器构成多源异构的数据采集网络。
在本申请的一个实施例中,如图2所示,步骤S110中,基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,包括步骤S210~S240:
S210,获取工业生产环境的影像数据;
S220,对所述影像数据进行量化处理,得到工业生产环境对应的三维系统;其中,所述三维系统中包括各生产设备对应的模拟设备;
S230,基于所述三维系统确定网格单元及其对应的网格位置;
S240,基于所述网格位置布设所述传感器。
本申请一实施例中,通过获取工业生产环境的影像数据,以基于影像数据进行量化处理生成工业生产环境对应的三维系统。之后在三维系统中确定网格单元对应的网格位置,以基于网格位置布设传感器。
本实施例中的影像数据可以包括视频或者图像,若影像数据为图像,则通过图像拼接的方式得到高清无缝的全景图像,之后将基于视频或者全景图像进行三维建模,具体的建模方式可以是通过图像识别的方式检测得到影像数据中对应的角点,例如工业生产环境中的房屋四角、工业设备对应的角点等等。通过识别上述角点,作为工业生产环境对应的三维系统的角点,之后对图像数据或者视频进行适应性拉伸,得到各个平面对应的模型;除此之外,还可以先基于三维系统的角点构建网络框架,之后将影像数据中的像素信息进行映射处理得到网络数据,以将网络数据填充至网络框架中,构成工业生产环境对应的三维系统。且该三维系统包括工业生产环境中的位置信息、各个工业设备的外观信息以及生产信息等等。
在构建得到工业生产环境对应的三维系统之后,确定其中的网格单元以及各网格对应的网格位置,可以通过平均分配坐标的方式确定三维系统中的每个网格对应的位置,之后基于各网格对应的位置作为传感器的位置,进行布设。
通过上述三维模拟的方式可以得到工业生产环境的三维系统,以基于三维系统确定对应的网格单元实现传感器的布设,保证了数据获取的全面性和可靠性,同时节约了硬件设备的使用成本。
本申请一实施例中,基于所述网格位置布设所述传感器之后,还包括:
根据所述三维系统中的生产设备对应的模拟设备、所述传感器对应的模拟传感器,生成三维数据采集的网格示意图;
将所述三维数据采集的网格示意图展示在界面中;
在获取到用户触发的展示指令时,展示所述模拟设备或模拟传感器的工作参数。
本申请一实施例中,在本申请一实施例中,在构建完成三维系统之后,在三维系统中可以模拟出生产设备对应的模拟设备、传感器对应的模拟传感器,我们基于上述信息生成三维数据采集的网格示意图,并将其展示在界面中。用户可以在界面中触发网格示意图中的各种模拟设备或者模拟传感器,以指示数据展示装置来展示模拟设备或者模拟传感器对应的工作参数。
其中,工作参数可以包括模拟设备或者模拟传感器在工作过程中对应的工作数据、所制造的工业产品的数据等等。
在步骤S120中,从所述数据采集网络中获取感知数据,其中所述感知数据通过如下信息组成:数据标识、生成时间以及数据内容。
在本申请的一个实施例中,在构建完成数据采集网络之后,通过数据采集网络来获取感知数据。本实施例中感知数据包括数据标识、生成时间以及数据值、数据内容等信息。
在步骤S130中,基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,其中,所述数据监测模型用于检测感知数据是否异常。
在本申请的一个实施例中,通过数据采集网络来获取工业生产环境中的数据,作为历史数据,之后基于历史数据构建基于卷积神经网络的数据监测模型并进行训练,以通过数据监测模型来检测感知数据和传感器是否异常。
在本申请的一个实施例中,步骤S130中基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,包括:
基于所述数据采集网络获取历史数据;
对所述历史数据通过决策树的方式进行识别,判断所述历史数据是否异常,并生成异常数据对应的数据标签;
将所述历史数据和所述数据标签输入基于卷积神经网络的数据监测模型中进行训练。
具体的,本实施例中通过数据采集网络来获取历史数据,并预先构建决策树对历史数据进行识别,以判断历史数据正常或者异常,并根据判断结果生成历史数据对应的数据标签,以正常标签或者异常标签。之后将历史数据及其对应的数据标签输入基于卷积神经网络构建的数据监测模型中,实现对模型的训练。
本实施例中在通过决策树对历史数据进行识别的过程中,在已知各类数据对应的正常和异常判断标准的基础上,决策点表示对感知数据是否正常或者异常的判断结果;状态节点代表备判断数据正常或者异常的总期望值,通过各状态节点的总期望值的对比,按照一定的决策标准就可以选出最优判断结果。由状态节点引出的分支称为概率枝,概率枝的数目表示可能出现的自然状态数目每个分枝上要注明该状态出现的概率;结果节点表示将每个方案在各种自然状态下取得的损益值标注于结果节点的右端。通过树形结构构建决策树,其中每个内部节点表示一个数据属性上的评估,每个分支代表一个测试输出,每个叶节点代表一种数据属性。通过求取正确值的期望值大于等于零的概率,评价数据正常或者异常。
在生成历史数据对应的数据标签之后,将其输入基于卷积神经网络构建的数据监测模型中。本实施例中卷积神经网络的输入层可以处理多维数据,常见地,一维卷积神经网络的输入层接收一维或二维数组,其中一维数组通常为时间或频谱采样;二维数组可能包含多个通道;与其它神经网络算法类似,由于使用梯度下降算法进行学习,卷积神经网络的输入特征需要进行标准化处理。具体地,在将学习数据输入卷积神经网络前,对于不同类型的感知数据,需在通道、时间、频率等维度对感知数据进行归一化。示例性的,若输入的感知数据为像素矩阵,也可将分布于的原始像素值归一化至[0,1]区间,输入特征的标准化有利于提升卷积神经网络的学习效率和表现。卷积神经网络的隐含层包含卷积层、池化层和全连接层。在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤;池化层包含预设定的池化函数,其功能是将特征中单个点的结果替换为其相邻区域的特征统计量;全连接层位于卷积神经网络隐含层的最后部分,并只向其它全连接层传递信号。特征在全连接层中会失去空间拓扑结构,被展开为向量并通过激励函数最后通过输出层输出结果。在本实施例中的感知数据的识别检测中,输出层直接输出对各种感知数据的判断结果。
上述方式中通过基于决策树和卷积神经网络的双重构建模型,使得数据的训练和判断评估更加精确,以获取到准确的判断结果。
在步骤S140中,将所述感知数据输入所述数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果。
在本申请的一个实施例中,在构建得到数据监测模型之后,将感知数据输入数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果。
需要说明的是,本实施例中对于感知数据的检测,是对于数据本身的数据类型的检测,用于衡量传感器的工作是否发生异常;并非对于数据值的检测,以保证采集和检测数据的全面性。
在步骤S150中,基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态。
本实施例中在获取到判断结果和感知数据之后,通过边缘计算确定目标传感器对应的输出可信值,以通过输出可信值来评估目标传感器的工作状态,并对相关的输出数据做标签处理。
在本申请的一个实施例中,步骤S150中基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态,包括:
根据所述判断结果确定判断因子;
根据所述目标传感器采集的感知数据对应的数据类型,确定所述数据类型对应的数据因子;
基于所述判断因子和所述数据因子,通过边缘计算确定所述目标传感器对应的输出可信值。
在本申请一实施例中,先基于对感知数据是否异常的判断结果确定判断因子,计算异常数据Dat_ena在总感知数据Dat_tla中所占的比例,当比例小于比例阈值时,则判断因子为α,当比例大于或者等于比例阈值时,则判断因子为β。本实施例中通过上述判断因子来衡量传感器的工作质量。
同时根据目标传感器采集的感知数据对应的数据类型,基于数据库中的对应关系,确定数据类型对应的数据因子Fac_dat,以通过边缘计算确定目标传感器对应的输出可信值Vau_tru为:
本实施例中通过边缘计算在靠近工业生产环境和数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,通过提供最近端的目标传感器对应的输出可信值计算。其应用程序在边缘侧发起,产生更快的网络服务响应,满足在实际生产过程中的数据评估要求,为感知数据的稳定性和可靠性提供完整的数据评估结果。
在步骤S160中,基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。
在本申请的一个实施例中,在确定了输出可信值之后,基于输出可信值对感知数据进行标签化处理生成标签数据,以将标签数据上传至云平台。
在本申请的一个实施例中,步骤S160中基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,包括:
基于所述输出可信值获取对应的数据标签;
基于感知数据的数据类型对所述数据标签进行量化处理,得到与所述数据类型一致的量化标签;
将所述量化标签和所述感知数据,生成所述标签数据。
在本申请一实施例中,可以通过输出可信值确定对应的数据标签,例如正常可信、一般可信、可疑数据、Normal credible、generally credible、suspicious data以及等等。本实施例中数据标签对应的数据类型可以包括文字、字符或者数字等等。
在获取到数据标签之后,基于感知数据的数据类型对数据标签进行量化处理,得到与数据类型一致的量化标签。具体的,在进行量化处理的过程中,对确定数据标签Lab_dat的数据类型Tpe_x与感知数据的数据类型Tpe_y之间的映射关系Rea_(x,y),对数据标签进行量化处理,得到与所述数据类型一致的量化标签Lab_qua为:
上述方式通过基于感知数据的数据类型与数据标签之间的数据类型之间的映射关系,对数据标签进行量化处理,得到数据标签对应的量化标签,且量化标签的数据类型与感知数据的数据类型一致。
将量化标签和感知数据进行串联,得到标签数据,并将所述标签数据上传至云平台,同时还可以按照生成的传感器标识进行关联存储。上述方式在保证数据属性一致的同时,通过标签的方式体现了感知数据的正确程度,用于给用户相应的参考,便于之后的数据应用。
在本申请的一些实施例所提供的技术方案中,通过基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络,从数据采集网络中获取感知数据,基于数据采集网络中的历史数据构建基于卷积神经网络的数据监测模型并进行训练,将感知数据输入所述数据监测模型中以输出采集感知数据的目标传感器是否异常的判断结果;基于判断结果和所述感知数据通过边缘计算确定所述目标传感器对应的输出可信值,以通过输出可信值评估目标传感器的工作状态,最后基于输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。在上述处理过程中,一方面基于三维的数据采集网络获取感知数据,提高了感知数据获取的全面性和效率;另一方面,通过预设的数据监测模型对数据进行检测以基于检测结果确定目标传感器对应的数据标签对数据进行标签化处理,提高了感知数据传输和处理的可靠性。
以下介绍本申请的装置实施例,可以用于执行本申请上述实施例中的基于边缘计算的工业互联网数据采集方法。可以理解的是,所述装置可以是运行于计算机设备中的一个计算机程序(包括程序代码),例如该装置为一个应用软件;该装置可以用于执行本申请实施例提供的方法中的相应步骤。对于本申请装置实施例中未披露的细节,请参照本申请上述的基于边缘计算的工业互联网数据采集方法的实施例。
图3示出了根据本申请的一个实施例的基于边缘计算的工业互联网数据采集装置的框图。
参照图3所示,根据本申请的一个实施例的基于边缘计算的工业互联网数据采集装置,包括:
布设单元310,用于基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络;
采集单元320,用于从所述数据采集网络中获取感知数据,其中所述感知数据通过如下信息组成:数据标识、生成时间以及数据内容;
模型单元330,用于基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,其中,所述数据监测模型用于检测感知数据是否异常;
监测单元340,用于将所述感知数据输入所述数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果;
计算单元350,用于基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态;
存储单元360,用于基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。
在本申请的一些实施例中,基于前述方案,所述基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,包括:获取工业生产环境的影像数据;对所述影像数据进行量化处理,得到工业生产环境对应的三维系统;其中,所述三维系统中包括各生产设备对应的模拟设备;基于所述三维系统确定网格单元及其对应的网格位置;基于所述网格位置布设所述传感器。
在本申请的一些实施例中,基于前述方案,所述基于所述网格位置布设所述传感器之后,还包括:根据所述三维系统中的生产设备对应的模拟设备、所述传感器对应的模拟传感器,生成三维数据采集的网格示意图;将所述三维数据采集的网格示意图展示在界面中;在获取到用户触发的展示指令时,展示所述模拟设备或模拟传感器的工作参数。
在本申请的一些实施例中,基于前述方案,所述基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,包括:基于所述数据采集网络获取历史数据;对所述历史数据通过决策树的方式进行识别,判断所述历史数据是否异常,并生成异常数据对应的数据标签;将所述历史数据和所述数据标签输入基于卷积神经网络的数据监测模型中进行训练。
在本申请的一些实施例中,基于前述方案,所述基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态,包括:根据所述判断结果确定判断因子;根据所述目标传感器采集的感知数据对应的数据类型,确定所述数据类型对应的数据因子;基于所述判断因子和所述数据因子,通过边缘计算确定所述目标传感器对应的输出可信值。
在本申请的一些实施例中,基于前述方案,所述基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,包括:基于所述输出可信值获取对应的数据标签;基于感知数据的数据类型对所述数据标签进行量化处理,得到与所述数据类型一致的量化标签;将所述量化标签和所述感知数据,生成所述标签数据。
在本申请的一些实施例中,基于前述方案,所述方法还包括:将所述标签数据按照生成的传感器标识进行关联存储。
在本申请的一些实施例所提供的技术方案中,通过基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络,从数据采集网络中获取感知数据,基于数据采集网络中的历史数据构建基于卷积神经网络的数据监测模型并进行训练,将感知数据输入所述数据监测模型中以输出采集感知数据的目标传感器是否异常的判断结果;基于判断结果和所述感知数据通过边缘计算确定所述目标传感器对应的输出可信值,以通过输出可信值评估目标传感器的工作状态,最后基于输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台。在上述处理过程中,一方面基于三维的数据采集网络获取感知数据,提高了感知数据获取的全面性和效率;另一方面,通过预设的数据监测模型对数据进行检测以基于检测结果确定目标传感器对应的数据标签对数据进行标签化处理,提高了感知数据传输和处理的可靠性。
图4示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图4示出的电子设备的计算机系统400仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从储存部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input/Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分407;包括硬盘等的储存部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入储存部分408。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本申请实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于边缘计算的工业互联网数据采集方法,其特征在于,包括:
基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络;
从所述数据采集网络中获取感知数据,其中所述感知数据通过如下信息组成:数据标识、生成时间以及数据内容;
基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,其中,所述数据监测模型用于检测感知数据是否异常;
将所述感知数据输入所述数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果;
基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态;
基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台;
其中,基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,包括:
根据所述判断结果确定判断因子;包括,基于对感知数据是否异常的判断结果确定判断因子,计算异常数据在总感知数据/>中所占的比例,当比例小于比例阈值时,则判断因子为/>,当比例大于或者等于比例阈值时,则判断因子为/>;
根据所述目标传感器采集的感知数据对应的数据类型,确定所述数据类型对应的数据因子;
基于所述判断因子和所述数据因子,通过边缘计算确定所述目标传感器对应的输出可信值/>为:
其中,基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,包括:
基于所述输出可信值获取对应的数据标签;
基于感知数据的数据类型对所述数据标签进行量化处理,得到与所述数据类型一致的量化标签;包括,确定数据标签的数据类型/>与感知数据的数据类型/>之间的映射关系/>,对数据标签进行量化处理,得到与所述数据类型一致的量化标签为:
将所述量化标签和所述感知数据,生成所述标签数据。
2.根据权利要求1所述的方法,其特征在于,基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,包括:
获取工业生产环境的影像数据;
对所述影像数据进行量化处理,得到工业生产环境对应的三维系统;其中,所述三维系统中包括各生产设备对应的模拟设备;
基于所述三维系统确定网格单元及其对应的网格位置;
基于所述网格位置布设所述传感器。
3.根据权利要求2所述的方法,其特征在于,基于所述网格位置布设所述传感器之后,还包括:
根据所述三维系统中的生产设备对应的模拟设备、所述传感器对应的模拟传感器,生成三维数据采集的网格示意图;
将所述三维数据采集的网格示意图展示在界面中;
在获取到用户触发的展示指令时,展示所述模拟设备或模拟传感器的工作参数。
4.根据权利要求1所述的方法,其特征在于,基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,包括:
基于所述数据采集网络获取历史数据;
对所述历史数据通过决策树的方式进行识别,判断所述历史数据是否异常,并生成异常数据对应的数据标签;
将所述历史数据和所述数据标签输入基于卷积神经网络的数据监测模型中进行训练。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述标签数据按照生成的传感器标识进行关联存储。
6.一种基于边缘计算的工业互联网数据采集装置,其特征在于,包括:
布设单元,用于基于预设的网格单元在工业生产环境中布设至少两种类型的传感器,在所述传感器之间构建多源异构的数据采集网络;
采集单元,用于从所述数据采集网络中获取感知数据,其中所述感知数据通过如下信息组成:数据标识、生成时间以及数据内容;
模型单元,用于基于数据采集网络中的历史数据,构建基于卷积神经网络的数据监测模型并进行训练,其中,所述数据监测模型用于检测感知数据是否异常;
监测单元,用于将所述感知数据输入所述数据监测模型中,以输出采集所述感知数据的目标传感器是否异常的判断结果;
计算单元,用于基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,所述输出可信值用于评估所述目标传感器的工作状态;
存储单元,用于基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,并将所述标签数据上传至云平台;
其中,基于所述判断结果和所述感知数据,通过边缘计算确定所述目标传感器对应的输出可信值,包括:
根据所述判断结果确定判断因子;包括,基于对感知数据是否异常的判断结果确定判断因子,计算异常数据在总感知数据/>中所占的比例,当比例小于比例阈值时,则判断因子为/>,当比例大于或者等于比例阈值时,则判断因子为/>;
根据所述目标传感器采集的感知数据对应的数据类型,确定所述数据类型对应的数据因子;
基于所述判断因子和所述数据因子,通过边缘计算确定所述目标传感器对应的输出可信值/>为:
其中,基于所述输出可信值对所述感知数据进行标签化处理,生成标签数据,包括:
基于所述输出可信值获取对应的数据标签;
基于感知数据的数据类型对所述数据标签进行量化处理,得到与所述数据类型一致的量化标签;包括,确定数据标签的数据类型/>与感知数据的数据类型/>之间的映射关系/>,对数据标签进行量化处理,得到与所述数据类型一致的量化标签为:
将所述量化标签和所述感知数据,生成所述标签数据。
7.一种计算机可读介质,其上存储有计算机程序,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至5中任一项所述的基于边缘计算的工业互联网数据采集方法。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任一项所述的基于边缘计算的工业互联网数据采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069770.0A CN115801845B (zh) | 2023-02-07 | 2023-02-07 | 基于边缘计算的工业互联网数据采集方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069770.0A CN115801845B (zh) | 2023-02-07 | 2023-02-07 | 基于边缘计算的工业互联网数据采集方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115801845A CN115801845A (zh) | 2023-03-14 |
CN115801845B true CN115801845B (zh) | 2023-09-05 |
Family
ID=85430110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310069770.0A Active CN115801845B (zh) | 2023-02-07 | 2023-02-07 | 基于边缘计算的工业互联网数据采集方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115801845B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022046062A1 (en) * | 2020-08-28 | 2022-03-03 | Siemens Corporation | Failure prediction in surface treatment processes using artificial intelligence |
CN114760341A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市玄羽科技有限公司 | 一种工业互联网设备智能管控远程运维平台及方法 |
CN114896216A (zh) * | 2022-02-21 | 2022-08-12 | 深圳市玄羽科技有限公司 | 基于区块链的工业互联网数据存储方法、系统及电子设备 |
CN115134386A (zh) * | 2022-06-29 | 2022-09-30 | 广东电网有限责任公司 | 一种物联网态势感知系统、方法、设备及介质 |
CN115665188A (zh) * | 2022-09-14 | 2023-01-31 | 深圳市志奋领科技有限公司 | 应用于工业互联网制造的传感器数据处理的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263549B2 (en) * | 2018-03-22 | 2022-03-01 | Here Global B.V. | Method, apparatus, and system for in-vehicle data selection for feature detection model creation and maintenance |
-
2023
- 2023-02-07 CN CN202310069770.0A patent/CN115801845B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022046062A1 (en) * | 2020-08-28 | 2022-03-03 | Siemens Corporation | Failure prediction in surface treatment processes using artificial intelligence |
CN114896216A (zh) * | 2022-02-21 | 2022-08-12 | 深圳市玄羽科技有限公司 | 基于区块链的工业互联网数据存储方法、系统及电子设备 |
CN114760341A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市玄羽科技有限公司 | 一种工业互联网设备智能管控远程运维平台及方法 |
CN115134386A (zh) * | 2022-06-29 | 2022-09-30 | 广东电网有限责任公司 | 一种物联网态势感知系统、方法、设备及介质 |
CN115665188A (zh) * | 2022-09-14 | 2023-01-31 | 深圳市志奋领科技有限公司 | 应用于工业互联网制造的传感器数据处理的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115801845A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598761A (zh) | 一种点胶检测方法、装置及计算机可读存储介质 | |
CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
CN111931931A (zh) | 一种针对病理全场图像的深度神经网络训练方法、装置 | |
CN114049565B (zh) | 基于遥感影像和dem数据的地质灾害判识方法和装置 | |
CN110705718A (zh) | 基于合作博弈的模型解释方法、装置、电子设备 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN112419202B (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
US11790410B2 (en) | System and method for natural capital measurement | |
CN112036249A (zh) | 端对端行人检测及属性识别的方法、系统、介质及终端 | |
CN112508456A (zh) | 食品安全风险评估方法、系统、计算机设备及存储介质 | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
CN110689230B (zh) | 一种区域的贫困程度确定方法、电子装置及存储介质 | |
CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN115801845B (zh) | 基于边缘计算的工业互联网数据采集方法及相关设备 | |
CN114565092A (zh) | 一种神经网络结构确定方法及其装置 | |
CN115620148B (zh) | 一体化像素级变化样本标注和模型优化方法及装置 | |
CN111046786A (zh) | 年龄估计神经网络的生成方法、装置以及电子设备 | |
CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN108133234B (zh) | 基于稀疏子集选择算法的社区检测方法、装置及设备 | |
CN115877345A (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN114972931A (zh) | 一种基于知识蒸馏的货物存放方法及装置 | |
CN108764301A (zh) | 一种基于反向稀疏表示的混凝土裂缝检测方法 |
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 |