CN116614366B - 一种基于边缘计算的工业互联网优化方法及系统 - Google Patents

Abstract

本发明属于工业互联网领域，涉及数据分析技术，用于解决现有的工业互联网优化方法及系统缺少对工业厂区的传感器布局进行优化分析的功能的问题，具体是一种基于边缘计算的工业互联网优化方法及系统，包括工业优化平台，所述工业优化平台通信连接有事故分析模块、优化分析模块、属性分析模块以及存储模块；所述事故分析模块用于对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期的事故系数SG；通过存储模块获取到事故阈值SGmax，对分析周期内的工业厂区事故状态是否满足要求进行判定；本发明可以对工业互联网的历史事故数据进行分析，通过事故系数的数值对工业互联网的传感器布局优化必要性进行反馈。

Description

一种基于边缘计算的工业互联网优化方法及系统

技术领域

本发明属于工业互联网领域，涉及数据分析技术，具体是一种基于边缘计算的工业互联网优化方法及系统。

背景技术

工业互联网是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态，通过对人、机、物、系统等的全面连接，构建起覆盖全产业链、全价值链的全新制造和服务体系，为工业乃至产业数字化、网络化、智能化发展提供了实现途径。

传感器作为工业检测网络的边缘设备，现有的工业互联网优化方法及系统缺少对工业厂区的传感器布局进行优化分析的功能，无法对历史事故数据进行分析得到传感器的优化特征，从而无法针对性的传感器布局优化，降低后续的事故概率。

针对上述技术问题，本申请提出一种解决方案。

发明内容

本发明的目的在于提供一种基于边缘计算的工业互联网优化方法及系统，用于解决现有的工业互联网优化方法及系统缺少对工业厂区的传感器布局进行优化分析的功能的问题；

本发明需要解决的技术问题为：如何提供一种可以对历史事故数据进行分析得到传感器的优化特征的基于边缘计算的工业互联网优化方法及系统。

本发明的目的可以通过以下技术方案实现：

一种基于边缘计算的工业互联网优化系统，包括工业优化平台，所述工业优化平台通信连接有事故分析模块、优化分析模块、属性分析模块以及存储模块；

所述事故分析模块用于对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期的事故系数SG；通过存储模块获取到事故阈值SGmax，将分析周期的事故系数SG与事故阈值SGmax进行比较并通过比较结果对分析周期内的工业厂区事故状态是否满足要求进行判定；

所述优化分析模块用于对工业厂区的互联网优化特征进行分析：将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点，以标记点为圆心、r1为半径画圆，将得到的圆形区域标记为标记点的分割区域，获取分割区域内的事故发生点的数量并标记为标记点的发生值；随机选取下一个事故发生点作为标记点并获取标记点的发生值，直至所有标记点对应的发生值均完成获取；通过存储模块获取到发生阈值，将标记点的发生值与发生阈值进行比较并通过比较结果对工业厂区的优化特征进行标记；

所述属性分析模块用于对工业厂区的优化属性进行分析。

作为本发明的一种优选实施方式，分析周期的事故系数SG的获取过程包括：获取分析周期内工业厂区的事故数据，事故数据包括事故类型、检测类型以及传感集，事故类型、检测类型以及传感集一一对应，事故类型包括安全事故、检验事故以及运行事故，检测类型包括安全检测、检验检测以及运行检测；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX，通过对安全值AQ、检验值JY以及运行值YX进行数值计算得到分析周期的事故系数SG。

作为本发明的一种优选实施方式，将分析周期的事故系数SG与事故阈值SGmax进行比较的具体过程包括：若事故系数SG小于事故阈值SGmax，则判定分析周期内的工业厂区事故状态满足要求；若事故系数SG大于等于事故阈值SGmax，则判定分析周期内的工业厂区事故状态不满足要求，将分析周期的事故数据发送至工业优化平台，工业优化平台将接收到的分析周期的事故数据发送至优化分析模块。

作为本发明的一种优选实施方式，将标记点的发生值与发生阈值进行比较的具体过程包括：若发生值小于发生阈值，则将标记点标记为普通点；若发生值大于等于发生阈值，则将标记点标记为中心点；若所有的标记点均为普通点，则将工业厂区的优化特征标记为属性优化，优化分析模块向工业优化平台发送属性分析信号，工业优化平台接收到属性分析信号后将属性分析信号发送至属性分析模块；若标记点中存在中心点，则将工业厂区的优化特征标记为区域优化，同时将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台，工业优化平台接收到优化区域后将优化区域发送至管理人员的手机终端。

作为本发明的一种优选实施方式，属性分析模块对工业厂区的优化属性进行分析的具体过程包括：将所有传感器的合集中的传感器标记为分析对象，若发生事故的事故类型对应的传感集中包含有分析对象，则将对应的事故类型标记为分析对象的关联类型，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，通过对安全数据AS、检验数据JS以及运行数据YS进行数值计算得到分析对象的属性系数SX；通过存储模块获取到属性阈值SXmax，将分析周期内分析对象的属性系数SX与属性阈值SXmax进行比较并通过比较结果对分析对象的优化属性是否满足要求进行判定。

作为本发明的一种优选实施方式，将分析周期内分析对象的属性系数SX与属性阈值SXmax进行比较的具体过程包括：若属性系数SX小于属性阈值SXmax，则判定分析对象的优化属性满足要求；若属性系数SX大于等于属性阈值SXmax，则判定分析对象的优化属性不满足要求，将对应的分析对象标记为优化对象，将优化对象发送至工业优化平台，工业优化平台接收到优化对象后将优化对象发送至管理人员的手机终端。

一种基于边缘计算的工业互联网优化方法，包括以下步骤：

步骤一：对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期内工业厂区的事故数据；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX并进行数值计算得到事故系数SG，通过事故系数SG对分析周期内的工业厂区事故状态是否满足要求进行判定；

步骤二：对工业厂区的互联网优化特征进行分析：将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点并获取标记点的发生值，通过发生值将标记点标记为普通点或中心点，将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台；

步骤三：对工业厂区的优化属性进行分析：将所有传感器的合集中的传感器标记为分析对象，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，对安全数据AS、检验数据JS以及运行数据YS进行数值计算得到分析对象的属性系数SX，通过属性系数SX对分析对象的优化属性是否满足要求进行判定。

本发明具备下述有益效果：

1、通过事故分析模块可以对工业互联网的历史事故数据进行分析，通过对分析周期内内发生事故的各项参数进行综合计算与分析得到事故系数，从而通过事故系数的数值对工业互联网的传感器布局优化必要性进行反馈，在必要时进行布局优化分析；

2、通过优化分析模块可以对工业厂区的互联网优化特征进行分析，通过对发生事故的位置进行标记，并根据事故发生点划分分割区域的方式，对事故的发生位置集中性进行反馈，并对工业厂区的优化特征进行标记，通过优化特征进行针对性的传感器布局优化；

3、通过属性分析模块可以对工业厂区的优化属性进行分析，通过对不同事故类型中设计的传感器进行统计，然后结合已发生的事故数据对每一个传感器的属性系数进行计算，通过属性计算对同一类型的传感器运行状态进行反馈，将事故发生频率较高的传感器进行标记，通过标记结果进行针对性的布局优化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一的系统框图；

图2为本发明实施例二的方法流程图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。

边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求，边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据；在工业厂区的工业互联网应用当中，工业检测网络由一个一个传感器构成，传感器作为工业检测网络的边缘设备，工业检测网络中的传感器布局分析与优化方向对提升整个工业厂区的安全性至关重要。

实施例1：如图1所示，一种基于边缘计算的工业互联网优化系统，包括工业优化平台，工业优化平台通信连接有事故分析模块、优化分析模块、属性分析模块以及存储模块。

事故分析模块用于对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期内工业厂区的事故数据，事故数据包括事故类型、检测类型以及传感集，事故类型、检测类型以及传感集一一对应，事故类型包括安全事故、检验事故以及运行事故，检测类型包括安全检测、检验检测以及运行检测；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX，通过公式SG=α1*AQ+α2*JY+α3*YX得到分析周期的事故系数SG，事故系数是一个反映分析周期内工业厂区发生事故危险程度的数值，事故系数的数值越大，则表示分析周期内工业厂区发生事故的危险程度越高；其中α1、α2以及α3均为比例系数，且α1＞α2＞α3＞1；通过存储模块获取到事故阈值SGmax，将分析周期的事故系数SG与事故阈值SGmax进行比较：若事故系数SG小于事故阈值SGmax，则判定分析周期内的工业厂区事故状态满足要求；若事故系数SG大于等于事故阈值SGmax，则判定分析周期内的工业厂区事故状态不满足要求，将分析周期的事故数据发送至工业优化平台，工业优化平台将接收到的分析周期的事故数据发送至优化分析模块；对工业互联网的历史事故数据进行分析，通过对分析周期内内发生事故的各项参数进行综合计算与分析得到事故系数，从而通过事故系数的数值对工业互联网的传感器布局优化必要性进行反馈，在必要时进行布局优化分析。

优化分析模块用于对工业厂区的互联网优化特征进行分析：将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点，以标记点为圆心、r1为半径画圆，r1为数值常量，r1的具体数值由管理人员自行设置；将得到的圆形区域标记为标记点的分割区域，获取分割区域内的事故发生点的数量并标记为标记点的发生值；随机选取下一个事故发生点作为标记点并获取标记点的发生值，直至所有标记点对应的发生值均完成获取；通过存储模块获取到发生阈值，将标记点的发生值与发生阈值进行比较：若发生值小于发生阈值，则将标记点标记为普通点；若发生值大于等于发生阈值，则将标记点标记为中心点；若所有的标记点均为普通点，则将工业厂区的优化特征标记为属性优化，优化分析模块向工业优化平台发送属性分析信号，工业优化平台接收到属性分析信号后将属性分析信号发送至属性分析模块；若标记点中存在中心点，则将工业厂区的优化特征标记为区域优化，同时将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台，工业优化平台接收到优化区域后将优化区域发送至管理人员的手机终端；对工业厂区的互联网优化特征进行分析，通过对发生事故的位置进行标记，并根据事故发生点划分分割区域的方式，对事故的发生位置集中性进行反馈，并对工业厂区的优化特征进行标记，通过优化特征进行针对性的传感器布局优化。

属性分析模块用于对工业厂区的优化属性进行分析：将所有传感器的合集中的传感器标记为分析对象，若发生事故的事故类型对应的传感集中包含有分析对象，则将对应的事故类型标记为分析对象的关联类型，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，通过公式SX=β1*AS+β2*JS+β3*YS得到分析对象的属性系数SX，其中β1、β2以及β3均为比例系数，且β1＞β2＞β3＞1；通过存储模块获取到属性阈值SXmax，将分析周期内分析对象的属性系数SX与属性阈值SXmax进行比较：若属性系数SX小于属性阈值SXmax，则判定分析对象的优化属性满足要求；若属性系数SX大于等于属性阈值SXmax，则判定分析对象的优化属性不满足要求，将对应的分析对象标记为优化对象，将优化对象发送至工业优化平台，工业优化平台接收到优化对象后将优化对象发送至管理人员的手机终端；对工业厂区的优化属性进行分析，通过对不同事故类型中设计的传感器进行统计，然后结合已发生的事故数据对每一个传感器的属性系数进行计算，通过属性计算对同一类型的传感器运行状态进行反馈，将事故发生频率较高的传感器进行标记，通过标记结果进行针对性的布局优化。

实施例2：一种基于边缘计算的工业互联网优化方法，包括以下步骤：

步骤一：对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期内工业厂区的事故数据；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX并进行数值计算得到事故系数SG，通过事故系数SG对分析周期内的工业厂区事故状态是否满足要求进行判定；

步骤二：对工业厂区的互联网优化特征进行分析：将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点并获取标记点的发生值，通过发生值将标记点标记为普通点或中心点，将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台；

步骤三：对工业厂区的优化属性进行分析：将所有传感器的合集中的传感器标记为分析对象，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，对安全数据AS、检验数据JS以及运行数据YS进行数值计算得到分析对象的属性系数SX，通过属性系数SX对分析对象的优化属性是否满足要求进行判定。

一种基于边缘计算的工业互联网优化方法及系统，工作时，生成分析周期，获取分析周期内工业厂区的事故数据；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX并进行数值计算得到事故系数SG，通过事故系数SG对分析周期内的工业厂区事故状态是否满足要求进行判定；将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点并获取标记点的发生值，通过发生值将标记点标记为普通点或中心点，将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台；将所有传感器的合集中的传感器标记为分析对象，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，对安全数据AS、检验数据JS以及运行数据YS进行数值计算得到分析对象的属性系数SX，通过属性系数SX对分析对象的优化属性是否满足要求进行判定。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；如：公式SG=α1*AQ+α2*JY+α3*YX；由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的事故系数；将设定的事故系数和采集的样本数据代入公式，任意三个公式构成三元一次方程组，将计算得到的系数进行筛选并取均值，得到α1、α2以及α3的取值分别为3.65、2.72和2.39；

系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的事故系数；只要不影响参数与量化后数值的比例关系即可，如事故系数与安全值的数值成正比。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (7)

1.一种基于边缘计算的工业互联网优化系统，其特征在于，包括工业优化平台，所述工业优化平台通信连接有事故分析模块、优化分析模块、属性分析模块以及存储模块；

所述事故分析模块用于对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期的事故系数SG；通过存储模块获取到事故阈值SGmax，将分析周期的事故系数SG与事故阈值SGmax进行比较并通过比较结果对分析周期内的工业厂区事故状态是否满足要求进行判定；

所述优化分析模块用于对工业厂区的互联网优化特征进行分析：将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点，以标记点为圆心、r1为半径画圆，将得到的圆形区域标记为标记点的分割区域，获取分割区域内的事故发生点的数量并标记为标记点的发生值；随机选取下一个事故发生点作为标记点并获取标记点的发生值，直至所有标记点对应的发生值均完成获取；通过存储模块获取到发生阈值，将标记点的发生值与发生阈值进行比较并通过比较结果对工业厂区的优化特征进行标记；

所述属性分析模块用于对工业厂区的优化属性进行分析。

2.根据权利要求1所述的一种基于边缘计算的工业互联网优化系统，其特征在于，分析周期的事故系数SG的获取过程包括：获取分析周期内工业厂区的事故数据，事故数据包括事故类型、检测类型以及传感集，事故类型、检测类型以及传感集一一对应，事故类型包括安全事故、检验事故以及运行事故，检测类型包括安全检测、检验检测以及运行检测；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX，通过对安全值AQ、检验值JY以及运行值YX进行数值计算得到分析周期的事故系数SG。

3.根据权利要求2所述的一种基于边缘计算的工业互联网优化系统，其特征在于，将分析周期的事故系数SG与事故阈值SGmax进行比较的具体过程包括：若事故系数SG小于事故阈值SGmax，则判定分析周期内的工业厂区事故状态满足要求；若事故系数SG大于等于事故阈值SGmax，则判定分析周期内的工业厂区事故状态不满足要求，将分析周期的事故数据发送至工业优化平台，工业优化平台将接收到的分析周期的事故数据发送至优化分析模块。

4.根据权利要求3所述的一种基于边缘计算的工业互联网优化系统，其特征在于，将标记点的发生值与发生阈值进行比较的具体过程包括：若发生值小于发生阈值，则将标记点标记为普通点；若发生值大于等于发生阈值，则将标记点标记为中心点；若所有的标记点均为普通点，则将工业厂区的优化特征标记为属性优化，优化分析模块向工业优化平台发送属性分析信号，工业优化平台接收到属性分析信号后将属性分析信号发送至属性分析模块；若标记点中存在中心点，则将工业厂区的优化特征标记为区域优化，同时将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台，工业优化平台接收到优化区域后将优化区域发送至管理人员的手机终端。

5.根据权利要求4所述的一种基于边缘计算的工业互联网优化系统，其特征在于，属性分析模块对工业厂区的优化属性进行分析的具体过程包括：将所有传感器的合集中的传感器标记为分析对象，若发生事故的事故类型对应的传感集中包含有分析对象，则将对应的事故类型标记为分析对象的关联类型，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，通过对安全数据AS、检验数据JS以及运行数据YS进行数值计算得到分析对象的属性系数SX；通过存储模块获取到属性阈值SXmax，将分析周期内分析对象的属性系数SX与属性阈值SXmax进行比较并通过比较结果对分析对象的优化属性是否满足要求进行判定。

6.根据权利要求5所述的一种基于边缘计算的工业互联网优化系统，其特征在于，将分析周期内分析对象的属性系数SX与属性阈值SXmax进行比较的具体过程包括：若属性系数SX小于属性阈值SXmax，则判定分析对象的优化属性满足要求；若属性系数SX大于等于属性阈值SXmax，则判定分析对象的优化属性不满足要求，将对应的分析对象标记为优化对象，将优化对象发送至工业优化平台，工业优化平台接收到优化对象后将优化对象发送至管理人员的手机终端。

7.一种基于边缘计算的工业互联网优化方法，其特征在于，包括以下步骤：

步骤一：对工业互联网的历史事故数据进行分析：生成分析周期，获取分析周期内工业厂区的事故数据；将分析周期内发生安全事故、检验事故以及运行事故的次数分别标记为安全值AQ、检验值JY以及运行值YX并进行数值计算得到事故系数SG，通过事故系数SG对分析周期内的工业厂区事故状态是否满足要求进行判定；

步骤二：对工业厂区的互联网优化特征进行分析：将分析周期内工业厂区发生事故的位置标记为事故发生点，随机选取一个事故发生点作为标记点并获取标记点的发生值，通过发生值将标记点标记为普通点或中心点，将中心点对应分割区域标记为优化区域，将优化区域发送至工业优化平台；

步骤三：对工业厂区的优化属性进行分析：将所有传感器的合集中的传感器标记为分析对象，将分析对象在分析周期内关联类型中的安全事故、检验事故以及运行事故的发生次数分别标记为安全数据AS、检验数据JS以及运行数据YS，对安全数据AS、检验数据JS以及运行数据YS进行数值计算得到分析对象的属性系数SX，通过属性系数SX对分析对象的优化属性是否满足要求进行判定。