CN116859831A - 一种基于物联网的工业大数据处理方法及系统 - Google Patents
一种基于物联网的工业大数据处理方法及系统 Download PDFInfo
- Publication number
- CN116859831A CN116859831A CN202310546016.1A CN202310546016A CN116859831A CN 116859831 A CN116859831 A CN 116859831A CN 202310546016 A CN202310546016 A CN 202310546016A CN 116859831 A CN116859831 A CN 116859831A
- Authority
- CN
- China
- Prior art keywords
- moment
- value
- abnormal
- node
- temperature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 135
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 27
- 101150094102 salm gene Proteins 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000009776 industrial production Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 description 11
- 208000012661 Dyskinesia Diseases 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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]
- G05B19/4183—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] characterised by data acquisition, e.g. workpiece identification
-
- 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
- G05B2219/31282—Data acquisition, BDE MDE
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据采集和智能制造技术领域,提出了一种基于物联网的工业大数据处理方法,具体为:在生产设备上布置温度传感器后进行温度数据采集,计算获得第一数值,再结合各个第一数值捕获异动时刻,然后构建告警模型并且获得异例风险,最后根据异例风险将进行数据剔除。大大增强了发现设备温度过高的问题的及时性,而且降低整体温度变化或者局部温度变化引起的全局性影响带来的误报率,同时把存在温度异常的时间段标记,并删除对应时间段中采集得到的工业信息或者工业数据,降低非正常工作环境下采集的工业信息在进行工业大数据被采用导致的信息偏差风险,有效提高工行大数据构建模型时模型的置信度与适用性。
Description
技术领域
本发明属于数据采集、智能制造技术领域,具体涉及一种基于物联网的工业大数据处理方法及系统。
背景技术
现代工业制造领域中,对智能化的生产管理以及个性化的生产模式的需求都正日益增大,而生产管理与生产模式的升级都离不开对生产过程中各个工位的工作状态和工作效率进行有效监测。通过对生产环境各项数据分析和总结,再通过对生产流程中自动化处理以及机械处理的方式进行调整,从而使得生产环境更加贴合实际活动的生产模式。因此衍生出通过工业大数据对工业生产调度优化方案的方法,使得生产模式更加自发地适应当前进行的生产模式。
工业大数据的首要因素为在工业生产中采集数据,而采集的数据时刻在变化,包括机器的使用状况、环境的状态等等各种环境因素都会导致数据有不同的波动。在对机器进行生产向学习的过程中,往往会由于多种多样的特异性数据使得调整机器工作状态的效果受到影响,其中首当其冲的就是温度影响,由于工作环境中的温度不仅受到自然天气影响,同时也受到各个生产机械或者生产工具散热影响,进而使得采集的工业数据受到不同程度的影响。
发明内容
本发明的目的在于提出一种基于物联网的工业大数据处理方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,根据本发明的一方面,提供一种基于物联网的工业大数据处理方法,所述方法包括以下步骤:
S100,在生产设备上布置温度传感器;
S200,利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值;
S300,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻;
S400,通过第二数值与异动时刻构建告警模型,获得异例风险;
S500,根据异例风险进行数据剔除。
进一步地,步骤S100中,在生产设备上布置温度传感器的方法是:所述设备为生产流程中的各个产生热能的设备或者器械,所述温度传感器为热电偶传感器、热电阻传感器、表面温度传感器、热流传感器或红外线温度传感器中的任意一种,各个设备均布置至少一个温度传感器,以一个温度传感器作为一个节点,温度传感器能够实时将测量的数据发送到服务器。
进一步地,步骤S200中,利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值的方法是:各个温度传感器实时地测量并且记录温度值,以一个时刻与其前一个时刻的温度值之差作为第一数值,设定测量间隔为TG,TG∈[10,120]秒;节点每隔间隔TG将测量的数据发送到服务器,并且计算获得第一数值。
第一数值为两个测量时刻之间所测量数值的变化,即单位变化量,为进一步对所得测值在时序上的变化的特性进行预处理。
进一步地,步骤S300中,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻的方法是:
对一个节点,将第一数值记作vl_f;把当前时刻前一个小时内获得的各个第一数值的算术平均值记作st_vl_f;设定一个时间段作为观测周期WTG,其中WTG∈[5,15]分钟;定义一个时刻的高特征值vl_hs为该时刻的前WTG时间段内获得的各个第一数值中的最大值;
获取当前时刻前一小时内的各个第一数值和对应的高特征值,分别构成第一序列和高特序列;将第一序列中出现极大值的数量与高特序列中出现极大值的数量之比记作伴升率ort;通过高特征值和伴升率计算当前时刻的异动观测值vl_hv:
其中exp()为自然常数e为底数的指数函数;获取前WTG时间段内各个时刻下的异动观测值并构成异动观测序列,将异动观测序列中出现极大值和出现极小值的时刻定义为异动时刻,并以vl_hv值作为第二数值vl_s。
由于在第二数值的计算过程中,由于存在部分接近零的第一数值对获取异动时刻的精确度不佳和特异性表达不足的现象,会导致出现后续计算获取识别灵敏度过低的问题,然而现有技术并无法解决这种第一数值导致异动时刻特异性表达不足的问题,为了使得发明效果更好并解决该问题,消除所述特异性表达不足的现象,所以本发明提出了一个更优选的方案如下:
优选地,在步骤S300中,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻的方法是:对一个节点,将第一数值记作vl_f;将当前时刻之前的一个小时内获得的各个第一数值的算术平均值记作第一前沿均值;如果一个时刻的第一数值大于第一前沿均值并且其前一个时刻的第一数值小于第一前沿均值,或者如果一个时刻的第一数值小于第一前沿均值并且其前一个时刻的第一数值大于第一前沿均值,则定义这个时刻发生第一过滤事件;
从当前时刻逆时间顺序搜索最近两次发生第一过滤事件的时刻,将这两个时刻之间的时长记作第一参考周期;如果第一参考周期的时长超过一个小时,则将第一参考周期设定为一个小时;通过第一参考周期和第一数值计算获得第一数值对应时刻的异动参考值vl_rf,其计算方法是:
vl_rf=(vl_f-Lovl(vl_f,10×TA))/(Hivl(vl_f,10×TA)-Lovl(vl_f,10×TA));
其中TA代表第一参考周期中测量获得第一数值时刻的数量,Lovl(vl_f,10×TA)和Hivl(vl_f,10×TA)分别为周期低值函数和周期高值函数,其含义分别为获得最近获得的10×TA个第一数值中各个第一数值中的最小值和最大值;将最近一小时内各个时刻的异动参考值中的平均值记作E(vl_rf),将满足vl_rf>E(vl_rf)的时刻数量与满足vl_rf<E(vl_rf)的时刻数量之差的绝对值记作mwt;分别计算第三数值vl_t和第四数值vl_fo:
其中vl_t'和vl_fo'分别代表前一个时刻的第三数值和第四数值,当前一个时刻的第三数值不存在时设置vl_t'的值为0;如果在一个时刻满足vl_t>vl_fo而且其下一个时刻满足vl_t<vl_fo,或者如果在一个时刻满足vl_t<vl_fo而且其下一个时刻满足vl_t>vl_fo,则定义该时刻为异动时刻,并以异动参考值vl_rf作为第二数值vl_s。
有益效果:异动时刻和第二数值是根据各个时刻的数值残差算得,所以能够准确的标记出数值走向和趋势,而利用第一过滤事件则有效地甄选具有第一数据具有特异性变换或者区别性变化的时刻,因此能够提高对设备温度变化的识别度和灵敏度,对温度发生异常变化规律进行合理抽样,从而优化温度预警中普遍存在的滞后性问题。
进一步地,步骤S400中,通过第二数值与异动时刻构建告警模型,获得异例风险的方法是:设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;以row作为告警模型的行号,以col代表告警模型的列号,以告警模型的第row行第col列的元素代表第row个节点的第col个时刻的第二数值;
当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记;如果ALM中某一时刻只有一个节点拥有异动时刻标记,则为该时刻做选持时刻标记;将ALM中有选持时刻标记的各个列组成一个矩阵作为选持模型SALM;
以j1作为节点的序号,计算第j1个节点的异例风险vrskj1:
其中j2为累加变量,vl_s为当前的第二数值,bllvj2为第j2个异动时刻的均衡级数,计算方法为:将第j1个节点的第j2个异动时刻在SALM中的对应列的序号记作记j3,SALM中第j3列的各个元素构成选持序列SALM[,j3];bllvj2=F_rk(SALM[j1,j3],)/ttd,其中ttd为节点的总量,F_rk(SALM[j1,j3],)代表在SALM的第j3列元素从大到小排列的序列中第j1个节点对应元素的序号;n_mt1为SALM第j1行中异动时刻的数量。
由于在构建选持模型的时候会引起大量数据丢失或者被浪费的现象,进而引起对异动时刻有灵敏性过高的问题,然而现有技术并未有提供解决该节选数据导致的灵敏度过度问题;为了让数据更好地解决该问题,消除对异动时刻的数据过于敏感的现象,所以本发明提出了一个更优选的方案如下:优选地,在步骤S400中,通过第二数值与异动时刻构建告警模型,获得异例风险的方法还可以是:
设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;以row作为告警模型的行号,以col代表告警模型的列号,以告警模型的第row行第col列的元素代表第row个节点的第col个时刻的第二数值;当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记,以识别模型中的异动时刻;
各个节点获得第一时刻量FMnt,节点的第一时刻量的计算方法是:从当前时刻开始逆时间顺序搜索,将最接近当前时刻的两个异动时刻之间的时刻数量记作节点的第一时刻量;将各个节点的第一时刻数量的中位数记作第二时刻量SMnt;
为ALM中各个拥有异动时刻标记的元素计算子异动量subv,计算方法如下:以当前异动时刻及其前SMnt个时刻记作潜异动时段,截取告警模型中时刻范围在潜异动时段之内的矩阵作为分析矩阵,以待计算subv的异动时刻记作当前异动时刻;
subv=rt_vbl×exp(1+dbl);
其中rt_vbl为异动均衡值,其计算方法是:如果分析矩阵中某一时刻所有节点均不存在异动时刻,则定义该时刻为均衡时刻,则rt_vbl的值为分析矩阵中均衡时刻的数量与第二时刻量的比值;dbl为均衡距离度,其计算方法是:dbl=van_mx/van_f_sq;其中van_mx代表当前异动时刻在分析矩阵中所对应的一行元素中的最大值,van_f_sq代表分析矩阵中所有元素的上四分位数;
根据子异动量计算各个节点的异例风险vrsk,以i1作为节点的序号,则第i1个节点的异例风险vrski1的计算方法是:
其中i2为累加变量,vl_s为当前时刻的第二数值,subvi2代表第i1个节点第i2个异动时刻的子异动量;n_mt代表告警模型中第i1行元素中有异动时刻标记的元素的数量,std代表告警模型中第i1行中各个拥有异动时刻标记的元素的方差。
其有益效果是,由于异例风险的计算过程中应用的是所有节点的数据,所以计算所得异例风险具有全局性意义,能降低整体温度变化或者局部温度变化引起的全局性影响带来的误报风险,同时能够准确的标记出温度异常的设备,减少为设备差异化或者工作差异化引起的误报风险,因此能够提高识别状态的精确性和及时性。
进一步地,步骤S500中,根据异例风险将进行数据剔除的方法是:各个用于工业生产的设备、仪器或者器械将采集的数据实时存储到数据库,所述数据库用于构建工业大数据;
获取当前时刻各个节点的异例风险值vrsk,各个异例风险值的最小值和中位数分别记作vrsk_mn和vrsk_mid;将需要比对的节点的异例风险值记作vrsk_c;当节点的异例风险值vrsk_c满足vrsk_c≥vrsk_mid+2(vrsk_mid-vrsk_mn),则定义当前时刻该节点状态异常;当识别出当前时刻一个节点状态异常,则将当前时刻到前一个时刻之间的时间段记作异常时段,把数据库中采集时间在异常时段内的所有数据定义为异常时段数据;将异常时段数据从数据库中删除;将异常时段数据发送到服务器另行存储。
优选地,其中,本发明中所有未定义的变量,若未有明确定义,均可为人工设置的阈值。
本发明还提供了一种基于物联网的工业大数据处理系统,所述一种基于物联网的工业大数据处理系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种基于物联网的工业大数据处理方法中的步骤,所述一种基于物联网的工业大数据处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的系统可包括,但不仅限于,处理器、存储器、服务器集群,所述处理器执行所述计算机程序运行在以下系统的单元中:
传感器布置单元,用于在生产设备上布置温度传感器;
实时测量单元,用于利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值;
异动捕捉单元,用于结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻;
模型构建单元,用于通过第二数值与异动时刻构建告警模型,获得异例风险;
数据剔除单元,用于根据异例风险将进行数据剔除。
本发明的有益效果为:本发明提供一种基于物联网的工业大数据处理方法及系统,能有效对工业环境中的各个设备、仪器或者器械的温度进行实时监测,对温度增加异常的设备进行识别标记,同时通过动态的异常识别,能提前对异常进行预测,解决传统测温的滞后性问题,同时把存在温度异常的时间段标记,并删除对应时间段中采集得到的工业信息或者工业数据,降低非正常工作环境下采集的工业信息在进行工业大数据被采用导致的信息偏差风险,有效提高工行大数据构建模型时模型的置信度与适用性。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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,在附图中:
图1所示为一种基于物联网的工业大数据处理方法的流程图;
图2所示为一种基于物联网的工业大数据处理系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种基于物联网的工业大数据处理方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种基于物联网的工业大数据处理方法,所述方法包括以下步骤:
S100,在生产设备上布置温度传感器;
S200,利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值;
S300,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻;
S400,通过第二数值与异动时刻构建告警模型,获得异例风险;
S500,根据异例风险将进行数据剔除。
进一步地,步骤S100中,在生产设备上布置温度传感器的方法是:所述设备为生产流程中的车床、铣床、磨床以及刨床,所述温度传感器为热电偶传感器、热电阻传感器、表面温度传感器、热流传感器或红外线温度传感器中的任意一种,各个设备均布置至少一个温度传感器,以一个温度传感器作为一个节点,温度传感器能够实时将测量的数据发送到服务器。
进一步地,步骤S200中,利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值的方法是:各个温度传感器实时地测量并且记录温度值,以一个时刻与其前一个时刻的温度值之差作为第一数值,设定测量间隔为TG,TG∈[10,120]秒;节点每隔间隔TG将测量的数据发送到服务器,并且计算获得第一数值。
第一数值为两个测量时刻之间所测量数值的变化,即单位变化量,为进一步对所得测值在时序上的变化的特性进行预处理。
进一步地,步骤S300中,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻的方法是:
对一个节点,将第一数值记作vl_f;把当前时刻前一个小时内获得的各个第一数值的算术平均值记作st_vl_f;设定一个时间段作为观测周期WTG,其中WTG∈[5,15]分钟;定义一个时刻的高特征值vl_hs为该时刻的前WTG时间段内获得的各个第一数值中的最大值;
获取当前时刻前一小时内的各个第一数值和对应的高特征值,分别构成第一序列和高特序列;将第一序列中出现极大值的数量与高特序列中出现极大值的数量之比记作伴升率ort;通过高特征值和伴升率计算当前时刻的异动观测值vl_hv:
其中exp()为自然常数e为底数的指数函数;获取前WTG时间段内各个时刻下的异动观测值并构成异动观测序列,将异动观测序列中出现极大值和出现极小值的时刻定义为异动时刻,并以vl_hv值作为第二数值vl_s。
优选地,在步骤S300中,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻的方法是:对一个节点,将第一数值记作vl_f;将当前时刻之前的一个小时内获得的各个第一数值的算术平均值记作第一前沿均值;如果一个时刻的第一数值大于第一前沿均值并且其前一个时刻的第一数值小于第一前沿均值,或者如果一个时刻的第一数值小于第一前沿均值并且其前一个时刻的第一数值大于第一前沿均值,则定义这个时刻发生第一过滤事件;
从当前时刻逆时间顺序搜索最近两次发生第一过滤事件的时刻,将这两个时刻之间的时长记作第一参考周期;如果第一参考周期的时长超过一个小时,则将第一参考周期设定为一个小时;通过第一参考周期和第一数值计算获得第一数值对应时刻的异动参考值vl_rf,其计算方法是:
vl_rf=(vl_f-Lovl(vl_f,10×TA))/(Hivl(vl_f,10×TA)-Lovl(vl_f,10×TA));
其中TA代表第一参考周期中测量获得第一数值时刻的数量,Lovl(vl_f,10×TA)和Hivl(vl_f,10×TA)分别为周期低值函数和周期高值函数,其含义分别为获得最近获得的10×TA个第一数值中各个第一数值中的最小值和最大值;将最近一小时内各个时刻的异动参考值中的平均值记作E(vl_rf),将满足vl_rf>E(vl_rf)的时刻数量与满足vl_rf<E(vl_rf)的时刻数量之差的绝对值记作mwt;分别计算第三数值vl_t和第四数值vl_fo:
其中vl_t'和vl_fo'分别代表前一个时刻的第三数值和第四数值,当前一个时刻的第三数值不存在时设置vl_t'的值为0;如果在一个时刻满足vl_t>vl_fo而且其下一个时刻满足vl_t<vl_fo,或者如果在一个时刻满足vl_t<vl_fo而且其下一个时刻满足vl_t>vl_fo,则定义该时刻为异动时刻,并以异动参考值vl_rf作为第二数值vl_s。
进一步地,步骤S400中,通过第二数值与异动时刻构建告警模型,获得异例风险的方法是:设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;以row作为告警模型的行号,以col代表告警模型的列号,以告警模型的第row行第col列的元素代表第row个节点的第col个时刻的第二数值;
当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记;如果ALM中某一时刻只有一个节点拥有异动时刻标记,则为该时刻做选持时刻标记;将ALM中有选持时刻标记的各个列组成一个矩阵作为选持模型SALM;
以j1作为节点的序号,计算第j1个节点的异例风险vrskj1:
其中j2为累加变量,vl_s为当前的第二数值,bllvj2为第j2个异动时刻的均衡级数,计算方法为:将第j1个节点的第j2个异动时刻在SALM中的对应列的序号记作记j3,SALM中第j3列的各个元素构成选持序列SALM[,j3];bllvj2=F_rk(SALM[j1,j3],)/ttd,其中ttd为节点的总量,F_rk(SALM[j1,j3],)代表在SALM的第j3列元素从大到小排列的序列中第j1个节点对应元素的序号;n_mt1为SALM第j1行中异动时刻的数量。
设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;以row作为告警模型的行号,以col代表告警模型的列号,以告警模型的第row行第col列的元素代表第row个节点的第col个时刻的第二数值;当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记,以识别模型中的异动时刻;
各个节点获得第一时刻量FMnt,节点的第一时刻量的计算方法是:从当前时刻开始逆时间顺序搜索,将最接近当前时刻的两个异动时刻之间的时刻数量记作节点的第一时刻量;将各个节点的第一时刻数量的中位数记作第二时刻量SMnt;
为ALM中各个拥有异动时刻标记的元素计算子异动量subv,计算方法如下:以当前异动时刻及其前SMnt个时刻记作潜异动时段,截取告警模型中时刻范围在潜异动时段之内的矩阵作为分析矩阵,以待计算subv的异动时刻记作当前异动时刻;
subv=rt_vbl×exp(1+dbl);
其中rt_vbl为异动均衡值,其计算方法是:如果分析矩阵中某一时刻所有节点均不存在异动时刻,则定义该时刻为均衡时刻,则rt_vbl的值为分析矩阵中均衡时刻的数量与第二时刻量的比值;dbl为均衡距离度,其计算方法是:dbl=van_mx/van_f_sq;其中van_mx代表当前异动时刻在分析矩阵中所对应的一行元素中的最大值,van_f_sq代表分析矩阵中所有元素的上四分位数;
根据子异动量计算各个节点的异例风险vrsk,以i1作为节点的序号,则第i1个节点的异例风险vrski1的计算方法是:
其中i2为累加变量,vl_s为当前时刻的第二数值,subvi2代表第i1个节点第i2个异动时刻的子异动量;n_mt代表告警模型中第i1行元素中有异动时刻标记的元素的数量,std代表告警模型中第i1行中各个拥有异动时刻标记的元素的方差。
进一步地,步骤S500中,根据异例风险将进行数据剔除的方法是:各个用于工业生产的设备、仪器或者器械将采集的数据实时存储到数据库,所述数据库用于构建工业大数据;
获取当前时刻各个节点的异例风险值vrsk,各个异例风险值的最小值和中位数分别记作vrsk_mn和vrsk_mid;将需要比对的节点的异例风险值记作vrsk_c;当节点的异例风险值vrsk_c满足vrsk_c≥vrsk_mid+2(vrsk_mid-vrsk_mn),则定义当前时刻该节点状态异常;当识别出当前时刻一个节点状态异常,则将当前时刻到前一个时刻之间的时间段记作异常时段,把数据库中采集时间在异常时段内的所有数据定义为异常时段数据;将异常时段数据从数据库中删除;将异常时段数据发送到服务器另行存储。
本发明的实施例提供的一种基于物联网的工业大数据处理系统,如图2所示为本发明的一种基于物联网的工业大数据处理系统结构图,该实施例的一种基于物联网的工业大数据处理系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种基于物联网的工业大数据处理系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
传感器布置单元,用于在生产设备上布置温度传感器;
实时测量单元,用于利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值;
异动捕捉单元,用于结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻;
模型构建单元,用于通过第二数值与异动时刻构建告警模型,获得异例风险;
数据剔除单元,用于根据异例风险将进行数据剔除。
所述一种基于物联网的工业大数据处理系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种基于物联网的工业大数据处理系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种基于物联网的工业大数据处理系统的示例,并不构成对一种基于物联网的工业大数据处理系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种基于物联网的工业大数据处理系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种基于物联网的工业大数据处理系统运行系统的控制中心,利用各种接口和线路连接整个一种基于物联网的工业大数据处理系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种基于物联网的工业大数据处理系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (7)
1.一种基于物联网的工业大数据处理方法,其特征在于,所述方法包括以下步骤:
S100,在生产设备上布置温度传感器;
S200,利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值;
S300,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻;
S400,通过第二数值与异动时刻构建告警模型,获得异例风险;
S500,根据异例风险将进行数据剔除。
2.根据权利要求1所述的一种基于物联网的工业大数据处理方法,其特征在于,步骤S100中,在生产设备上布置温度传感器的方法是:所述生产设备为生产流程中的各个产生热能的设备、仪器或者器械,所述温度传感器为热电偶传感器、热电阻传感器、表面温度传感器、热流传感器或红外线温度传感器中的任意一种,各个设备均布置至少一个温度传感器,以一个温度传感器作为一个节点,温度传感器能够实时将测量的数据发送到服务器。
3.根据权利要求1所述的一种基于物联网的工业大数据处理方法,其特征在于,步骤S200中,利用温度传感器进行温度数据采集,以一个时刻与其前一时刻温度的差值作为该时刻的第一数值的方法是:各个温度传感器实时地测量并且记录温度值,以一个时刻与其前一个时刻的温度值之差作为第一数值,设定测量间隔为TG,TG∈[10,120]秒;节点每隔间隔TG将测量的数据发送到服务器,并且计算获得第一数值。
4.根据权利要求1所述的一种基于物联网的工业大数据处理方法,其特征在于,步骤S300中,结合各个时刻获得的第一数值计算第二数值并且捕获异动时刻的方法是:
对一个节点,将第一数值记作vl_f;把当前时刻前一个小时内获得的各个第一数值的算术平均值记作st_vl_f;设定一个时间段作为观测周期WTG,其中WTG∈[5,15]分钟;定义一个时刻的高特征值vl_hs为该时刻的前WTG时间段内获得的各个第一数值中的最大值;
获取当前时刻前一小时内的各个第一数值和对应的高特征值,分别构成第一序列和高特序列;将第一序列中出现极大值的数量与高特序列中出现极大值的数量之比记作伴升率ort;通过高特征值和伴升率计算当前时刻的异动观测值vl_hv:
其中exp()为自然常数e为底数的指数函数;获取各个时刻下的异动观测值并构成异动观测序列,将异动观测序列中出现极大值和出现极小值的时刻定义为异动时刻,并以vl_hv值作为第二数值vl_s。
5.根据权利要求1所述的一种基于物联网的工业大数据处理方法,其特征在于,步骤S400中,通过第二数值与异动时刻构建告警模型,获得异例风险的方法是:设定一个时间段作为模型历史长度len_md,模型历史长度的取值范围为len_md∈[30,120]小时;以一个节点在最近时间段len_md内的各个第二数值作为一行,以同一个时刻下的各个节点的第二数值作为一列,构建一个矩阵作为告警模型ALM;
当一个节点在某时刻为异动时刻,则为告警模型中对应的元素增添异动时刻的标记;如果ALM中某一时刻只有一个节点拥有异动时刻标记,则为该时刻做选持时刻标记;将ALM中有选持时刻标记的各个列组成一个矩阵作为选持模型SALM;以j1作为节点的序号,计算第j1个节点的异例风险vrskj1:
其中j2为累加变量,bllv为均衡级数,计算方法为:将第j1个节点第j2个异动时刻在SALM中的对应列的序号记作记j3,SALM中第j3列的各个元素构成选持序列SALM[,j3];bllv=F_rk(SALM[j1,j3],)/ttd,其中ttd为节点的总量,F_rk(SALM[j1,j3],)代表在SALM的第j3列元素从大到小排列的序列中,第j1个节点对应元素的序号,n_mt1代表SALM第j1行中异动时刻的数量。
6.根据权利要求1所述的一种基于物联网的工业大数据处理方法,其特征在于,步骤S500中,根据异例风险将进行数据剔除的方法是:各个用于工业生产的设备、仪器或者器械将采集的数据实时存储到数据库,所述数据库用于构建工业大数据;
获取当前时刻各个节点的异例风险值vrsk,各个异例风险值的最小值和中位数分别记作vrsk_mn和vrsk_mid;将需要比对的节点的异例风险值记作vrsk_c;当节点的异例风险值vrsk_c满足vrsk_c≥vrsk_mid+2(vrsk_mid-vrsk_mn),则定义当前时刻该节点状态异常;当识别出当前时刻一个节点状态异常,则将当前时刻到前一个时刻之间的时间段记作异常时段,把数据库中采集时间在异常时段内的所有数据定义为异常时段数据;将异常时段数据从数据库中删除;将异常时段数据发送到服务器另行存储。
7.一种基于物联网的工业大数据处理系统,其特征在于,所述一种基于物联网的工业大数据处理系统包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的一种基于物联网的工业大数据处理方法中的步骤,所述一种基于物联网的工业大数据处理系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546016.1A CN116859831B (zh) | 2023-05-15 | 2023-05-15 | 一种基于物联网的工业大数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546016.1A CN116859831B (zh) | 2023-05-15 | 2023-05-15 | 一种基于物联网的工业大数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116859831A true CN116859831A (zh) | 2023-10-10 |
CN116859831B CN116859831B (zh) | 2024-01-26 |
Family
ID=88229209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546016.1A Active CN116859831B (zh) | 2023-05-15 | 2023-05-15 | 一种基于物联网的工业大数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859831B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117914954A (zh) * | 2024-03-20 | 2024-04-19 | 南通阳鸿石化储运有限公司 | 一种危险化学品储运过程中数据传输方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246926A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Data maturity management |
CN111741283A (zh) * | 2019-03-25 | 2020-10-02 | 华为技术有限公司 | 图像处理的装置和方法 |
DE102020110034A1 (de) * | 2020-04-09 | 2021-10-14 | Bundesdruckerei Gmbh | Überwachungssystem mit mehrstufiger Anfrageprüfung |
CN114008422A (zh) * | 2019-07-01 | 2022-02-01 | 保热感应公司 | 用于非侵入式热询问的装置、系统和方法 |
CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及系统 |
CN115640860A (zh) * | 2022-12-23 | 2023-01-24 | 广州德程智能科技股份有限公司 | 一种工业云服务的机电设备远程维护方法及系统 |
WO2023061304A1 (zh) * | 2021-10-13 | 2023-04-20 | 广东机电职业技术学院 | 一种基于大数据的威胁情报预警文本分析方法及系统 |
CN115996365A (zh) * | 2023-03-23 | 2023-04-21 | 广东海洋大学 | 一种深远海养殖环境的数据采集方法及系统 |
-
2023
- 2023-05-15 CN CN202310546016.1A patent/CN116859831B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246926A1 (en) * | 2017-02-27 | 2018-08-30 | International Business Machines Corporation | Data maturity management |
CN111741283A (zh) * | 2019-03-25 | 2020-10-02 | 华为技术有限公司 | 图像处理的装置和方法 |
CN114008422A (zh) * | 2019-07-01 | 2022-02-01 | 保热感应公司 | 用于非侵入式热询问的装置、系统和方法 |
DE102020110034A1 (de) * | 2020-04-09 | 2021-10-14 | Bundesdruckerei Gmbh | Überwachungssystem mit mehrstufiger Anfrageprüfung |
WO2023061304A1 (zh) * | 2021-10-13 | 2023-04-20 | 广东机电职业技术学院 | 一种基于大数据的威胁情报预警文本分析方法及系统 |
CN114353881A (zh) * | 2022-03-18 | 2022-04-15 | 广东银纳增材制造技术有限公司 | 一种基于复合传感器的设备异常监测方法及系统 |
CN115640860A (zh) * | 2022-12-23 | 2023-01-24 | 广州德程智能科技股份有限公司 | 一种工业云服务的机电设备远程维护方法及系统 |
CN115996365A (zh) * | 2023-03-23 | 2023-04-21 | 广东海洋大学 | 一种深远海养殖环境的数据采集方法及系统 |
Non-Patent Citations (2)
Title |
---|
XU ZHU: "《Complex event detection for commodity distribution Internet of Things model incorporating radio frequency identification and Wireless Sensor Network》", 《FUTURE GENERATION COMPUTER SYSTEMS》, pages 100 * |
刘培学: "《基于数据融合技术的冷链监控系统设计》", 《科技通报》, no. 8, pages 148 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117914954A (zh) * | 2024-03-20 | 2024-04-19 | 南通阳鸿石化储运有限公司 | 一种危险化学品储运过程中数据传输方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116859831B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116414097B (zh) | 基于工业设备数据的告警管理方法及系统 | |
CN107209508B (zh) | 信息处理装置及信息处理方法 | |
CN116859831B (zh) | 一种基于物联网的工业大数据处理方法及系统 | |
US20220121641A1 (en) | Multi-sensor-based state estimation method and apparatus and terminal device | |
CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN111831704A (zh) | 异常数据的确定方法、装置、存储介质和电子设备 | |
CN108090318A (zh) | 传感器数据生成和响应处理堆栈 | |
CN113342610A (zh) | 一种时序数据异常检测方法、装置、电子设备及存储介质 | |
CN109871419B (zh) | 一种地图显示方法及装置 | |
CN116860562B (zh) | 一种用于数据中台数据质量的监控方法及系统 | |
JP4989761B2 (ja) | イベント履歴記憶装置、イベント履歴追跡装置、イベント履歴記憶方法及びイベント履歴記憶プログラム | |
Leng et al. | Multi-layer parallel transformer model for detecting product quality issues and locating anomalies based on multiple time‑series process data in Industry 4.0 | |
CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
CN117113247A (zh) | 基于二分类和聚类算法的排水系统异常监测方法、设备及存储介质 | |
CN111046786A (zh) | 年龄估计神经网络的生成方法、装置以及电子设备 | |
CN110236572A (zh) | 基于体温信息的抑郁症预测系统 | |
CN110096198A (zh) | 数据提供装置、数据提供方法以及设备管理系统 | |
CN116067433B (zh) | 一种振弦数据采集方法及其采集仪 | |
CN112185568A (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN117520716B (zh) | 一种基于垃圾焚烧发电的缺陷数据标记方法及系统 | |
CN117131061B (zh) | 一种树木入库信息处理方法、装置、终端及介质 | |
CN111061910B (zh) | 一种基于HBase和Solr的视频特征数据查询方法和系统 | |
CN117249873B (zh) | 一种用于气体分子分析的质量监测方法及设备 | |
CN115858895B (zh) | 一种用于智慧城市的多源异构数据处理方法及系统 |
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 |