CN116361377A - 基于工业物联网服务平台的负载预测系统、方法及介质 - Google Patents
基于工业物联网服务平台的负载预测系统、方法及介质 Download PDFInfo
- Publication number
- CN116361377A CN116361377A CN202310616109.7A CN202310616109A CN116361377A CN 116361377 A CN116361377 A CN 116361377A CN 202310616109 A CN202310616109 A CN 202310616109A CN 116361377 A CN116361377 A CN 116361377A
- Authority
- CN
- China
- Prior art keywords
- data
- platform
- service
- load
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 19
- 238000007726 management method Methods 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 33
- 238000013499 data model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了物联网技术领域的基于工业物联网服务平台的负载预测系统、方法及介质，该系统包括对象平台、传感网络平台、管理平台、服务平台、用户平台和负载预测模块。该方法包括以下步骤：S1：建立信息依次交互的系统各个平台并设置与各平台信息交互的负载预测模块；S2：通过负载预测模块测量服务平台中各服务分数据库与主数据库之间的实时数据长度；S3：通过服务主数据库储存服务分数据库的类型及所需历史负载数据；S4：通过负载预测模块获取拟预测负载的服务分数据库的类型及所需历史负载数据；S5：根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。本发明，能够有效解决物联网建设初期无法对负载数据量进行预测的问题。
Description
技术领域
本发明属于物联网技术领域，具体是基于工业物联网服务平台的负载预测系统、方法及介质。
背景技术
工业物联网的快速发展，给其应用系统的负载带来了极大的挑战。一方面，工业物联网应用系统所涉及的资源种类繁多，任意资源种类的负载过大，都可能会导致应用系统性能的大幅度下降；另一方面，某种资源的负载具有随机性和突发性，给系统负载能力带来更大的要求。因此，及时获悉历史的负载情况并对下一时间段的负载进行精准分析和预测，做出提前准备和防护，能够促进系统的稳定运行。
公开号为CN111915102A的发明专利公开了一种基于负载预测的工作平台工作量预测方法及系统，涉及计算机软件技术领域。该发明包括如下步骤：初始化已知数据源计算拓扑数据集来训练优化后的SOM网络；获取任务池中待分配任务按照工作负载进行分组；SOM网络模型利用神经网络学习任务池中各个集群的工作负载特性，得到各个集群的训练神经网络模型；当用户发布新任务时，SOM网络模型先获取其初始工作负载并根据其初始工作负载确定其所属集群；利用新任务所属集群的训练神经网络模型预测新任务的工作量。该发明通过已知数据进行训练优化SOM网络，根据集群的负载特性获取各个集群的训练神经网络模型来完成对新任务工作量的预测，方便对任务进行定价，合理分配任务提高员工工作效率。
上述技术将已知数据源输入优化后的SOM网络，以索取负载预测，但是针对初次建立的工业物联网，并没有足够的负载数据作为负载预测的支撑，以至于在新物联网运作时，无法对未来时刻的数据进行预测。
发明内容
本发明的目的是提供基于工业物联网服务平台的负载预测系统、方法及介质，能够解决新物联网建设初期无法对负载进行预测的问题。
为了实现上述目的，本发明的技术方案如下：
基于工业物联网服务平台的负载预测系统，包括对象平台、传感网络平台、管理平台、服务平台和用户平台；
所述对象平台用于获取传感器或技术人员所输出的对象网络数据；
所述传感网络平台包括传感网络数据库和若干传感网络分平台，所述传感网络数据库用于同时获取并储存至少一个不同对象平台传输出的对象网络数据，然后将数据分类传输至对应的传感网络分平台，经传感网络分平台完成处理后输出对应的第一传感数据；
所述管理平台通过对应的通讯协议与传感网络平台进行信息交互，所述管理平台包括若干管理分平台，所述管理分平台与所述传感网络分平台一一对应设置，所述管理分平台用于获取并储存对应传感网络分平台输出的第一传感数据，并将第一传感数据处理为第一管理数据；
所述服务平台通过对应的通讯协议与管理平台进行信息交互，所述服务平台包括服务主数据库、若干服务分数据库和若干服务分平台，所述服务分数据库与所述服务分平台一一对应独立设置且相互交互，所述服务主数据库用于获取管理分平台处理的第一管理数据并将第一管理数据分类保存至对应的服务分数据库，各服务分平台从对应的服务分数据库内获取第一管理数据，并生成与第一管理数据对应的第一服务数据后传输给对应的服务分数据库；
所述用户平台根据对应的通讯协议和服务平台进行信息交互，所述用户平台用于获取第一服务数据后处理生成第一用户数据，并根据通讯协议传输给服务平台，再向下逐级传输；
还包括负载预测模块，所述负载预测模块通过对应的通讯协议与各个平台进行信息交互。所述负载预测模块可用于测量服务平台中各服务分数据库与主数据库之间的实时数据长度，根据数据长度生成对应的负载数据，所述服务主数据库用于储存服务分数据库的类型及所需历史负载数据；负载预测模块还用于获取拟预测负载的服务分数据库的类型及所需历史负载数据，并同时获取该类型服务分数据库的历史负载数据，生成第一历史负载数据；若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似类型的服务分数据库，生成第二历史负载数据,并分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同，根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
本方案的基本原理及有益效果：
对象平台感知并收集对象网络数据（如传感器数据，技术人员操作数据等），并将对象网络数据传输至传感网络平台中的传感网络数据库进行处理，传感网络数据库将接收到的对象网络数据按对象网络数据类别进行分类，并传输至对应的传感网络分平台进行处理输出第一传感数据，并将第一传感数据传输至管理平台，管理分平台与传感网络分平台一一对应设置，管理分平台独立的获取每个传感网络分平台输出的第一传感数据，并将第一传感数据处理后生成第一管理数据，各管理分平台将第一管理数据汇总至服务平台中的服务主数据库，服务主数据库将第一管理数据按数据类别分配至对应的服务分数据库，与服务分数据库一一对应设置的服务分平台对所属服务分数据库中的数据进行处理生成第一服务数据并通过服务分数据库将第一服务数据发送至用户平台，用户平台对第一服务数据进行统一处理生成第一用户数据，并将第一用户数据反馈保存至服务分数据库并依次传递给管理平台、传感网络平台和对象平台。
负载预测模块获取拟预测负载的服务分数据库的历史负载量，生成所需历史负载数据，并同时获取与拟预测负载的服务分数据库相同类型的服务分数据库的历史负载量，生成第一历史负载数据；若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似类型的服务分数据库的历史负载量，生成第二历史负载数据；计算出第一历史负载数据和第二历史负载数据的相关系数，完成对拟预测负载的服务分数据库的负载预测，从而得到负载预测数据量。由于第二历史负载数据来源于与拟预测负载的服务分数据库相似类型的服务分数据库，所以可以根据第二历史负载数据对拟预测负载的服务分数据库进行负载预测。
分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同；根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
本方案采用多点采集的方法，同时采集多个对象平台产生的网络数据数量，相较于集中后再采集，所使用的时间短，准确性高，且丢包率小。
本方案在传感网络平台、管理平台和服务平台均设置有多个按类别处理的分平台，进入到分平台的数据都是独立的，分平台的操作人员仅能查看其负责平台的数据，无法直接获取其他的数据，保证了数据传输的安全性。
综上所述，通过计算与拟预测负载的服务分数据库相似类型的服务分数据库与拟预测负载的服务分数据库的相似性，将与拟预测负载的服务分数据库相似类型的服务分数据库的历史负载数据作为拟预测负载的服务分数据库的样本集，完成了对拟预测负载的服务分数据库的负载预测，从而解决了新物联网建设初期无法对负载进行预测的问题。
进一步，所述负载预测模块还可用于在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据数量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
有益效果：负载预测模块用于获取传感网络数据库中对象平台产生的对象网络数据数量，即负载值，将负载值输入至数据处理模型得到服务平台负载预测数据量。传感网络分数据库用于独立保存和传输其对应传感网络分平台的处理数据和传输数据。保证了数据的独立保存，数据安全性能高。本方案采用主数据库汇总，然后分数据库再进行分配，对数据进行了至少两次备份，降低了数据缺失的可能性，保证了数据的存储安全。
本方案将各个服务分平台处理后的第一服务数据传输给用户平台，用户平台在不接触服务主数据库的情况下完成了对所有平台的决策汇总，提升了用户平台获取信息的精准度，同时按类别将处理结果汇总减少了用户平台的处理时间。同时也保证了服务主数据库内的数据安全。
综上所述，通过各个平台主数据库和分数据库的设立，保证了数据传输的相对独立，同时保证了数据安全，通过先分别收集对象网络数据数量，然后将数量进行汇总，提升了对象网络数据输入到数据模型中的速度。
进一步，将传感网络分平台中的对象网络数据数量进行权重计算后得到第二对象网络数据数量，所述负载预测模块获取各传感网络分平台中的第二对象网络数据数量。
有益效果：增加对象网络数据数量的准确性。
进一步，所述传感网络分平台至少包括行政处理单元和生产数据处理单元。
有益效果：根据不同平台的数据属性赋予权重计算，按照权重以分配后期算力，减少过载概率。
进一步，将所述第二对象网络数据数量进行峰值扩张，将扩张后的第二对象网络数据数量输入训练完成的数据模型中得出服务平台的负载预测数据量。
有益效果：将第二对象网络数据数量进行扩大，预留算力，防止突然增大的数据量使得系统宕机。
进一步，所述数据模型采用神经网络模型计算方式，通过输入生产过程中的负载样本数据，将负载样本数据细分为样本集、测试集和训练集输入至数据模型进行训练，使得输出的负载预测数据量的准确率达到阈值。
有益效果：保证输出预测的负载数据量的准确率。
基于工业物联网服务平台的负载预测方法，其特征在于，包括如下步骤：
S1：建立信息依次交互的对象平台、传感网络平台、管理平台、服务平台、用户平台，并设置与各平台信息交互的负载预测模块；
S2：通过负载预测模块测量服务平台中各服务分数据库与主数据库之间的实时数据长度，根据数据长度生成对应的负载数据；
S3：通过服务主数据库储存服务分数据库的类型及所需历史负载数据；
S4：通过负载预测模块获取拟预测负载的服务分数据库的类型及所需历史负载数据，并同时获取该类型服务分数据库的历史负载数据，生成第一历史负载数据，并将所需历史负载数据与第一历史负载数据进行比对；
S5：若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似类型的服务分数据库，生成第二历史负载数据,并分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同，根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
进一步，还包括S6：通过负载预测模块在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据数量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
一种计算机存储介质，其中存储有计算机程序，所述计算机程序运行时导致所述计算机存储介质的所在设备执行上述任意一基于工业物联网主服务平台的负载预测方法。
附图说明
图1为基于工业物联网服务平台的负载预测系统的结构框架图；
图2为基于工业物联网服务平台的负载预测方法的流程示意图；
图3为用于计算负载预测数据量的数据模型的结构框架图。
实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“竖向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
下面通过具体实施方式进一步详细说明：
实施例一，如附图1所示：基于工业物联网服务平台的负载预测系统，包括对象平台、传感网络平台、管理平台、服务平台和用户平台。
所述对象平台用于获取传感器或技术人员所输出的对象网络数据，例如在工业生产中各生产机器上传感器获知的转速、温度、重量、运输速度和技术人员填写的数据，统称为生产数据，以及行政人员的排班信息，车间工人的打卡信息等，称为行政处理数据。
所述传感网络平台包括传感网络数据库和若干传感网络分平台，所述传感网络数据库用于同时获取并储存至少两个不同对象平台传输出的对象网络数据，然后将数据分类传输至对应的传感网络分平台，经传感网络分平台完成处理后输出对应的第一传感数据。
所述传感网络分平台包括传感网络分数据库，所述传感网络分数据库用于获取并储存对应传感网络分平台的数据。每个传感网络分数据库都独立支撑一个传感网络分平台，所述传感网络分数据库之间相互独立，每个数据库仅用于处理该分平台内的数据。
所述管理平台通过对应的通讯协议与传感网络平台进行信息交互，管理平台包括若干管理分平台，所述管理分平台与所述传感网络分平台一一对应设置，所述管理分平台用于对应获取并存储第一传感数据，并处理为第一管理数据；管理分平台的数量根据信息类别确立，可以多于或少于传感网络分平台的数量，本方案中采用相等，即每个管理分平台对应一个传感网络分平台，每个管理分平台前端各设置有一个管理分数据库，用于保存和传输来自传感网络平台的第一传感数据，处理完成后输出第一管理数据。
所述服务平台通过对应的通讯协议与管理平台进行信息交互，所述服务平台包括服务主数据库、若干服务分数据库和若干服务分平台，所述服务分数据库与所述服务分平台一一对应设置且相互交互，所述服务主数据库用于获取第一管理数据并将第一管理数据进行分类保存至对应的服务分数据库，各服务分平台处理对应的服务主数据库内的第一管理数据生成对应的第一服务数据；服务平台采用组合后分式，先将来自管理平台的第一管理数据进行汇总保存至服务主数据库，然后再依据类型分配至对应的服务分数据库，由服务分平台对其进行处理，并将处理结果反馈至服务分数据库然后传输至用户平台。
所述用户平台根据对应的通讯协议和服务平台进行信息交互，所述用户平台用于获取第一服务数据后处理生成第一用户数据，并根据通讯协议传输给服务平台，再向下逐级传输；用户平台由生产运营部负责人控制，通过平台间的相互联系，能够知晓整个生产状况，且将处理后的数据分别发给生产运营部负责人，针对性的对数据进行处理，加快了数据处理速度，提升了时效性。
还包括负载预测模块：所述负载预测模块用于测量服务平台中各服务分数据库与主数据库之间的数据实时上传/下载量，生成对应的负载量，所述服务主数据库用于储存服务分数据库类型及历史负载数据量；负载预测模块获取拟预测负载的服务分数据库的历史负载量，生成所需历史负载数据，并同时获取该类型服务分数据库的历史负载量，生成第一历史负载数据；若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似的服务分数据库（将其定义为：相似服务分数据库）的历史负载量，生成第二历史负载数据；并分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同；根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
所述负载预测模块用于在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
负载预测模块向服务主数据库请求第一历史负载数据，服务主数据库根据服务分数据库的类型，获取相对应的第一历史负载数据，并将第一历史负载数据发送给负载预测模块处理，然后依照此法获取相似服务分数据库的第二历史负载数据，负载预测模块根据第二历史负载数据对拟预测负载的服务分数据库的负载进行预测，对于只根据第二历史负载数据对拟预测负载的服务分数据库进行负载预测的情况,可以仅使用第二历史负载数据作为训练集,然后选择特定的数学模型建立预测模型。预测模型例如自回归移动平均、指数平滑、神经网络、支持向量回归等。然后将近期相似服务分数据库的负载数据作为输入,若相似服务分数据库也无足够数据构建模型，便获取初始预留在服务主数据库内的样本数据（可以理解为标准值，即技术人员根据实验室数据进行最初设定的负载量），其输出即为将来时刻的负载预测数据量,也即拟预测负载的服务分数据库的负载预测数据量。
作为一个实例,在相似服务分数据库已经产生足够的数据样本时，使用相似服务分数据库的历史数据作为预测样本，假设相似服务分数据库的历史数据的时间序列x=(
,
,……/>
),所需历史数据长度为180（所需历史负载数据长度根据负载预测功能的需求在系统文件里进行配置）,那么第二历史负载数据为时间序列x最新的180个数据点(/>
，……,/>
),然后采用第二历史负载数据训练预测模型。假设负载类型为访问量,历史数据为每3分钟的平均访问量,得到的预测模型为:下3分钟的访问量=0.65×当前三分钟访问量+0.35×三分钟前的访问量（0.65和0.35为本实施例设置的权重）。通过该预测模型可以预测下3分钟的访问量,然后容量规划模块可以根据下3分钟的访问量进行扩容或者缩容操作。以某个工厂为实例或者工厂的某段时间为实例进行详细说明：物联网中的数据指的是来自对象平台所产生的数据，如生产数据和行政处理数据等，经各平台的处理传递至服务平台，数据在平台间的传递，由上一平台加密封包，下一平台解密处理。上述访问量指上一平台上传至下一平台的数据流量，将待传输的数据流量进行排序，以秒为单位记录传输至下一平台的数据流量（具体指的是传递至下一平台数据包的大小）。计算前3分钟的访问量的平均值，如假设某生产线在前3-6分钟内产生了10GB的数据，前0-3分钟内产生了8GB的数据，则可预判下三分钟会产生0.65×8+0.35×10=8.7GB的数据，即完成预测。
在拟预测负载的服务分数据库数据样本积累到预设值后（本方案中选择300000组样本数据），所述负载预测模块还用于在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
所述传感网络分平台至少包括行政处理平台和生产数据处理平台，所述生产数据处理平台、行政处理平台对应的对象网络数据数量权重比例为8:2。将传感网络分数据库中的对象网络数据数量进行权重计算后得到第二对象网络数据数量。根据权重比例分配后期算力，从而估算预估负载量，谨防系统因数据过载宕机，预留部分算力，因此将所述第二对象网络数据数量进行峰值扩张，扩张幅度为10%，将扩张后的第二对象网络数据数量输入训练完成的数据模型中得出服务平台的负载预测数据量。
如附图3所示，数据模型采用神经网络卷曲模型，预先收集300000组第二对象网络数据和与其对应的管理分平台对应的服务分平台的负载量的对应值作为样本训练使用，将其中1/3的数据设置为样本组，1/3的数据作为训练组，1/3的数据作为测试组，将样本组的数据输入至神经网络卷曲模型，然后再输入训练组数据进行训练，最后用测试组数据检验正确率，在输出的负载预测数据量的准确率达到95%以上时，完成数据模型的建立。关于后期服务平台的负载预测（样本集收集达到要求值后）可就通过上述神经卷曲模型进行预测。
如附图2所示，还包括应用于上述基于工业物联网服务平台的负载预测系统的方法：
S1：建立信息依次交互的对象平台、传感网络平台、管理平台、服务平台、用户平台，并设置与各平台信息交互的负载预测模块；
S2：通过负载预测模块测量服务平台中各服务分数据库与主数据库之间的实时数据长度，根据数据长度生成对应的负载数据；
S3：通过服务主数据库储存服务分数据库的类型及所需历史负载数据；
S4：通过负载预测模块获取拟预测负载的服务分数据库的类型及所需历史负载数据，并同时获取该类型服务分数据库的历史负载数据，生成第一历史负载数据，并将所需历史负载数据与第一历史负载数据进行比对；
S5：若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似类型的服务分数据库，生成第二历史负载数据,并分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同，根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
S6：通过负载预测模块在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据数量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
还包括一种计算机存储介质，其中存储有计算机程序，所述计算机程序运行时导致所述计算机存储介质的所在设备执行上述基于工业物联网主服务平台的负载预测方法。
实施例二与实施例一相比，不同之处在于，所述对象平台为设备，所述设备有多个，本方案中设备可选择公司自建的服务器机组，随着服务器处理力度的增加，用电量也会随之增加。设备分别为第一设备、第二设备、第三设备……，负载预测模块用于获取每个设备的瞬时用电量，即每个设备上独立安装一个电流表，负载预测模块用于获取每个电流表的即时数值，负载预测模块根据各电流表的即时数值预估出服务平台的负载量。电流表与设备串联，若瞬时电流超过设备的预设值（即额定值），则触发熔断，与电流表和设备依次串联的保险丝被烧断，设备断电保护；设备用电量既反映设备的功率，同时相对应的也会产生比例关系的数据，数据经对象平台逐步上传至传感网络平台，管理平台，然后到达服务平台，数据的汇聚上传产生了数据量的负载；在电流表示数增大，使得设备功率增大的情况下，设备的工作效率增高，即数据量增大，服务平台的负载量增大，继而可通过监控设备的用电量，来达到服务平台负载预测的目的。建立第二预测模型，首先在模型中预存入各设备的正常工作用电范围，当某一设备的用电量超出正常范围，且未超过额定范围时，第二预测模型便根据超出量与正常值（取范围内平均值，如范围为15-25，取20）的比例关系，然后以此为系数乘以该设备正常值下的数据量，得到第二预测数据。将第二预测模型得到的预测数据和实施例一中：下3分钟的访问量（第一预测数据）=0.65×当前三分钟访问量+0.35×三分钟前的访问量（访问量即数据量）进行再次修正，其修正逻辑是：收集前三分钟内的第一预测数据和第二预测数据的值，并分别将其命名为
，以秒为单位共计收集180组，代入公式：
其中，M为
的平均值，N为/>
的平均值；
得到
,δ为修正系数；m为当前负载量。
最终预测下三分钟的数据预测量
。
本方案的有益效果：通过测量电流，并进行记录，设置熔断，有效保护了设备在运行过程中的安全，防止因电流/电压过载而损坏的情况。
本方案通过采集设备用电量，作为后期服务平台负载预测的变量值，电量的测量相较于数据的处理更为简便，也更为精确，影响因素少，对应的第二预测模型的精度将会更高。且由于数据经过几个平台间的传递，到达服务平台本就有一段传输的时间，将这段时间作为第二预测模型的运算时间（也可预留部分时间作为扩容响应的时间），即电流数据输入到第二预测模型开始，各设备产生的数据也同时开始在各平台间传播，当第二预测模型得出预测值时，设备产生的数据还未到服务平台（或刚好到服务平台），服务主数据库根据预测值调配算力，防止过载。
以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (9)
1.基于工业物联网服务平台的负载预测系统，包括对象平台、传感网络平台、管理平台、服务平台和用户平台，其特征在于：
所述对象平台用于获取传感器或技术人员所输出的对象网络数据；
所述传感网络平台包括传感网络数据库和若干传感网络分平台，所述传感网络数据库用于同时获取并储存至少一个不同对象平台传输出的对象网络数据，然后将数据分类传输至对应的传感网络分平台，经传感网络分平台完成处理后输出对应的第一传感数据；
所述管理平台通过对应的通讯协议与传感网络平台进行信息交互，所述管理平台包括若干管理分平台，所述管理分平台与所述传感网络分平台一一对应设置，所述管理分平台用于获取并储存对应传感网络分平台输出的第一传感数据，并将第一传感数据处理为第一管理数据；
所述服务平台通过对应的通讯协议与管理平台进行信息交互，所述服务平台包括服务主数据库、若干服务分数据库和若干服务分平台，所述服务分数据库与所述服务分平台一一对应独立设置且相互交互，所述服务主数据库用于获取管理分平台处理的第一管理数据并将第一管理数据分类保存至对应的服务分数据库，各服务分平台从对应的服务分数据库内获取第一管理数据，并生成与第一管理数据对应的第一服务数据后传输给对应的服务分数据库；
所述用户平台根据对应的通讯协议和服务平台进行信息交互，所述用户平台用于获取第一服务数据后处理生成第一用户数据，并根据通讯协议传输给服务平台，再向下逐级传输；
还包括负载预测模块，所述负载预测模块通过对应的通讯协议与各个平台进行信息交互；所述负载预测模块可用于测量服务平台中各服务分数据库与主数据库之间的实时数据长度，根据数据长度生成对应的负载数据，所述服务主数据库用于储存服务分数据库的类型及所需历史负载数据；负载预测模块还用于获取拟预测负载的服务分数据库的类型及所需历史负载数据，并同时获取该类型服务分数据库的历史负载数据，生成第一历史负载数据；若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似类型的服务分数据库，生成第二历史负载数据,并分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同，根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
2.根据权利要求1所述的基于工业物联网服务平台的负载预测系统，其特征在于：所述负载预测模块还可用于在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据数量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
3.根据权利要求2所述的基于工业物联网服务平台的负载预测系统，其特征在于：将传感网络分平台中的对象网络数据数量进行权重计算后得到第二对象网络数据数量，所述负载预测模块获取各传感网络分平台中的第二对象网络数据数量。
4.根据权利要求3所述的基于工业物联网服务平台的负载预测系统，其特征在于：所述传感网络分平台至少包括行政处理单元和生产数据处理单元。
5.根据权利要求4所述的基于工业物联网服务平台的负载预测系统，其特征在于：将所述第二对象网络数据数量进行峰值扩张，将扩张后的第二对象网络数据数量输入训练完成的数据模型中得出服务平台的负载预测数据量。
6.根据权利要求5所述的基于工业物联网服务平台的负载预测系统，其特征在于：所述数据模型采用神经网络模型计算方式，通过输入生产过程中的负载样本数据，将负载样本数据细分为样本集、测试集和训练集输入至数据模型进行训练，使得输出的负载预测数据量的准确率达到阈值。
7.基于工业物联网服务平台的负载预测方法，其特征在于，包括如下步骤：
S1：建立信息依次交互的对象平台、传感网络平台、管理平台、服务平台、用户平台，并设置与各平台信息交互的负载预测模块；
S2：通过负载预测模块测量服务平台中各服务分数据库与主数据库之间的实时数据长度，根据数据长度生成对应的负载数据；
S3：通过服务主数据库储存服务分数据库的类型及所需历史负载数据；
S4：通过负载预测模块获取拟预测负载的服务分数据库的类型及所需历史负载数据，并同时获取该类型服务分数据库的历史负载数据，生成第一历史负载数据，并将所需历史负载数据与第一历史负载数据进行比对；
S5：若第一历史负载数据的长度小于所需历史负载数据的长度，则获取与拟预测负载的服务分数据库相似类型的服务分数据库，生成第二历史负载数据,并分别计算出第二历史负载数据中每个连续子序列与第一历史负载数据之间的相关系数，所述连续子序列长度与所述第一历史负载数据的长度等同，根据相关系数确定拟预测负载的服务分数据库的负载预测数据量。
8.根据权利要求7所述的基于工业物联网服务平台的负载预测方法，其特征在于：还包括S6：通过负载预测模块在传感网络数据库中获取对象平台产生的对象网络数据数量，将对象网络数据数量输入至预先训练好的数据模型中，得出服务平台的负载预测数据量。
9.一种计算机存储介质，其中存储有计算机程序，其特征在于：所述计算机程序运行时导致所述计算机存储介质的所在设备执行权利要求7或8的基于工业物联网主服务平台的负载预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310616109.7A CN116361377B (zh) | 2023-05-29 | 2023-05-29 | 基于工业物联网服务平台的负载预测系统、方法及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310616109.7A CN116361377B (zh) | 2023-05-29 | 2023-05-29 | 基于工业物联网服务平台的负载预测系统、方法及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116361377A true CN116361377A (zh) | 2023-06-30 |
| CN116361377B CN116361377B (zh) | 2023-08-01 |
Family
ID=86938694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310616109.7A Active CN116361377B (zh) | 2023-05-29 | 2023-05-29 | 基于工业物联网服务平台的负载预测系统、方法及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361377B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894649A (zh) * | 2023-09-11 | 2023-10-17 | 成都秦川物联网科技股份有限公司 | 一种工业物联网主服务平台数据分发系统、方法和介质 |
| CN117933496A (zh) * | 2024-03-21 | 2024-04-26 | 深圳威尔视觉科技有限公司 | 算力需求预测方法、装置及计算机设备 |
| CN117951140A (zh) * | 2024-03-25 | 2024-04-30 | 成都秦川物联网科技股份有限公司 | 一种工业物联网子服务平台数据交互系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083368A1 (en) * | 2015-09-18 | 2017-03-23 | Salesforce.Com, Inc. | Maintaining throughput of a stream processing framework while increasing processing load |
| CN109491301A (zh) * | 2019-01-23 | 2019-03-19 | 东莞固高自动化技术有限公司 | 基于边缘计算体系架构的工业互联网智能控制器 |
| US20190171187A1 (en) * | 2016-05-09 | 2019-06-06 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for the industrial internet of things |
| CN112597139A (zh) * | 2020-12-21 | 2021-04-02 | 江苏省未来网络创新研究院 | 基于工业互联网的数据信息采集方法 |
| CN112954006A (zh) * | 2021-01-26 | 2021-06-11 | 重庆邮电大学 | 支持Web高并发访问的工业互联网边缘网关设计方法 |
| CN113572764A (zh) * | 2021-07-23 | 2021-10-29 | 广东轻工职业技术学院 | 一种基于ai的工业互联网网络安全态势感知系统 |
| CN114169579A (zh) * | 2021-11-15 | 2022-03-11 | 中核武汉核电运行技术股份有限公司 | 核电工业互联网综合智能平台 |
| CN115102827A (zh) * | 2022-05-27 | 2022-09-23 | 燕山大学 | 一种中小型制造业的数字产品实时监测通用互联网平台 |
-
2023
- 2023-05-29 CN CN202310616109.7A patent/CN116361377B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170083368A1 (en) * | 2015-09-18 | 2017-03-23 | Salesforce.Com, Inc. | Maintaining throughput of a stream processing framework while increasing processing load |
| US20190171187A1 (en) * | 2016-05-09 | 2019-06-06 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for the industrial internet of things |
| CN109491301A (zh) * | 2019-01-23 | 2019-03-19 | 东莞固高自动化技术有限公司 | 基于边缘计算体系架构的工业互联网智能控制器 |
| CN112597139A (zh) * | 2020-12-21 | 2021-04-02 | 江苏省未来网络创新研究院 | 基于工业互联网的数据信息采集方法 |
| CN112954006A (zh) * | 2021-01-26 | 2021-06-11 | 重庆邮电大学 | 支持Web高并发访问的工业互联网边缘网关设计方法 |
| CN113572764A (zh) * | 2021-07-23 | 2021-10-29 | 广东轻工职业技术学院 | 一种基于ai的工业互联网网络安全态势感知系统 |
| CN114169579A (zh) * | 2021-11-15 | 2022-03-11 | 中核武汉核电运行技术股份有限公司 | 核电工业互联网综合智能平台 |
| CN115102827A (zh) * | 2022-05-27 | 2022-09-23 | 燕山大学 | 一种中小型制造业的数字产品实时监测通用互联网平台 |
Non-Patent Citations (4)
| Title |
|---|
| LAISEN NIE等: "network traffic prediction in indestrial internet of things backbone networks： a multitask learning mechanism", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, vol. 17, no. 10, pages 7123 * |
| 何小龙;柳彩云;李俊;陈雪鸿;: "《密码法》背景下工业互联网平台数据保护研究", 中国信息安全, no. 04, pages 75 - 77 * |
| 刘阳;韩天宇;谢滨;田娟;: "基于工业互联网标识解析体系的数据共享机制", 计算机集成制造系统, vol. 25, no. 12, pages 3032 - 3042 * |
| 郭坤: "基于边缘计算的工业互联网任务调度研究", 中国优秀硕士学位论文全文数据库, no. 3, pages 139 - 297 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894649A (zh) * | 2023-09-11 | 2023-10-17 | 成都秦川物联网科技股份有限公司 | 一种工业物联网主服务平台数据分发系统、方法和介质 |
| CN116894649B (zh) * | 2023-09-11 | 2023-11-17 | 成都秦川物联网科技股份有限公司 | 一种工业物联网主服务平台数据分发系统、方法和介质 |
| CN117933496A (zh) * | 2024-03-21 | 2024-04-26 | 深圳威尔视觉科技有限公司 | 算力需求预测方法、装置及计算机设备 |
| CN117933496B (zh) * | 2024-03-21 | 2024-06-07 | 深圳威尔视觉科技有限公司 | 算力需求预测方法、装置及计算机设备 |
| CN117951140A (zh) * | 2024-03-25 | 2024-04-30 | 成都秦川物联网科技股份有限公司 | 一种工业物联网子服务平台数据交互系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116361377B (zh) | 2023-08-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116361377B (zh) | 基于工业物联网服务平台的负载预测系统、方法及介质 | |
| CN105550323B (zh) | 一种分布式数据库负载均衡预测方法和预测分析器 | |
| CN110837058B (zh) | 基于大数据的电池组健康状态评估装置及评估方法 | |
| US7184945B1 (en) | Service distribution device | |
| CN107707431A (zh) | 一种面向云平台的数据安全监测方法及系统 | |
| CN111445110A (zh) | 基于电缆沟道的环境风险决策方法、装置、计算机设备 | |
| CN112650580B (zh) | 一种基于边缘计算的工业大数据监测系统 | |
| CN116980284B (zh) | 一种基于物联网的光缆分纤箱运维信息传输方法和系统 | |
| CN104102875A (zh) | 基于加权朴素贝叶斯分类器的软件服务质量监控方法及系统 | |
| CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| CN116235529A (zh) | 实现多个接入网络设备的自组织网络的方法和执行该方法的电子装置 | |
| CN113543160A (zh) | 5g切片资源配置方法、装置、计算设备及计算机存储介质 | |
| CN114254734B (zh) | 一种支持确定性应用的流量矩阵建模方法 | |
| CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN117097026A (zh) | 一种基于源网荷储新型电力系统运维监控平台的操作方法 | |
| CN114513470A (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
| CN117880206B (zh) | 一种物联网管理设备的负载平衡方法及系统 | |
| CN111953533B (zh) | 目标网络节点的工作时长调控方法、装置、设备及存储介质 | |
| CN112491627A (zh) | 一种网络质量实时分析方法及装置 | |
| CN116450451A (zh) | 一种服务器硬件管理方法、系统、设备及存储介质 | |
| CN116961231A (zh) | 一种基于电力物联网安全管理系统 | |
| CN103096380B (zh) | 无线接入点负载均衡优化方法 | |
| CN110705756A (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
| CN115878943B (zh) | 一种物联网能源监测方法及系统 | |
| KR102334975B1 (ko) | 사물 인터넷 장치의 데이터 분산 전송을 이용한 자동화 설비 제어 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |