CN116975938A - 一种产品制造过程中的传感器数据处理方法 - Google Patents
一种产品制造过程中的传感器数据处理方法 Download PDFInfo
- Publication number
- CN116975938A CN116975938A CN202311237124.7A CN202311237124A CN116975938A CN 116975938 A CN116975938 A CN 116975938A CN 202311237124 A CN202311237124 A CN 202311237124A CN 116975938 A CN116975938 A CN 116975938A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- time
- processing
- real
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 238000003672 processing method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000035939 shock Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000012958 reprocessing Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Security & Cryptography (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种产品制造过程中的传感器数据处理方法，涉及传感器数据处理技术领域，包括为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率；实时监测传感器数据的变化率；在所述传感器附近部署边缘计算模块，将预处理后的数据发送到中央数据中心；所述中央数据中心实时监测缓存区数据容量，根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行降维处理；对接收到的数据进行解码；根据数据分析结果，生成实时反馈报告，并在用户界面进行展示。本发明所述方法通过边缘计算和自适应采样率的结合，该方案能够实时处理大量传感器数据，减少了数据处理的延迟，确保生产线的实时监控和快速响应。
Description
技术领域
本发明涉及传感器数据处理技术领域，特别是一种产品制造过程中的传感器数据处理方法。
背景技术
在现代制造业中，随着工业4.0和智能制造的兴起，传感器技术已经成为生产线上的关键组件。这些传感器不仅可以实时监测机器的运行状态，还可以收集大量与生产过程相关的数据。为了处理这些海量数据并从中提取有价值的信息，产生了一系列先进的数据处理技术和方法。
物联网 (IoT) 技术使得设备间的连接和通信成为可能，为实时数据收集提供了基础。但随之而来的是数据处理和存储的巨大挑战。边缘计算作为一种新兴技术，允许数据在产生地进行初步处理，减少了中央数据中心的负担。此外，数据融合技术的应用确保了从多个传感器和数据源收集的信息能够被整合成一个更加准确和完整的数据视图。
边缘计算虽然为数据的初步处理提供了新的方向，但如何确保边缘设备的计算能力和数据处理效率仍是一个未解决的问题。同时，如何确保数据的完整性、准确性和实时性，在多个数据源之间进行有效的数据融合，也是现有技术难以克服的挑战。
现有技术中存在以下主要技术问题：1、数据实时处理的延迟和瓶颈；2、多数据源的融合和分析困难；3、边缘计算的效率和稳定性问题；4、数据的完整性、准确性和安全性问题。
发明内容
鉴于上述现有的产品制造过程中的传感器数据处理方法中存在的问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种产品制造过程中的传感器数据处理方法。
为解决上述技术问题，本发明提供如下技术方案：一种产品制造过程中的传感器数据处理方法，其包括，为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率；实时监测传感器数据的变化率，定期评估采样率的适应性；在所述传感器附近部署边缘计算模块，由所述边缘计算模块对采集的原始数据进行预处理，并将预处理后的数据发送到中央数据中心；所述中央数据中心实时监测缓存区数据容量，根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行降维处理，将来自不同传感器的数据进行融合，并对融合后的数据进行分析；对接收到的数据进行解码，还原为原始数据格式，对解码后的数据进行清洗，去除无效和重复数据，将清洗后的数据存储在数据库中；根据数据分析结果，生成实时反馈报告，并在用户界面进行展示；所述根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行处理包括，当缓存区数据容量低于容量阈值时，先采用LDA算法对数据进行初次处理，然后采用PCA算法对经过LDA算法处理过的数据进行再处理，当缓存区数据容量不低于容量阈值时，采用PCA算法或LDA算法对数据进行处理，其中，所述缓存区数据容量通过如下公式进行计算，
式中，C1是指当前时刻的缓存区数据容量，是指数据流入缓存区的速率，/>是指数据流出缓存区的速率，/>是指从边缘计算模块传输至中央数据中心的传输时延，/>是指对数据进行降维处理的时间，C0是指前一时刻的缓存区数据容量。
作为本发明所述产品制造过程中的传感器数据处理方法的一种优选方案，其中：为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率包括，为每个传感器分配一个全局唯一的ID号；在服务器的数据库中为每个传感器创建一个记录，记录其ID号；在服务器的数据库中创建一个映射关系表，为每个传感器记录其数据标识；记录每个传感器的数据报文解码模块URL地址和传感器解码数据处理模块URL地址；根据传感器的型号和规格，为每个传感器设置一个默认的采样率；选择合适的边缘计算设备，并在生产线附近进行部署；为每个边缘计算设备分配一个唯一的ID号，并在服务器的数据库中记录；配置边缘计算设备与传感器之间的通信，确保数据可以从传感器流向边缘计算设备，并从边缘计算设备流向服务器。
作为本发明所述产品制造过程中的传感器数据处理方法的一种优选方案，其中：实时监测传感器数据的变化率，定期评估采样率的适应性包括，
每隔一个的时间间隔，计算数据流入缓存区的速率和数据流出缓存区的速率的差值，公式如下，
设置最低速率阈值和最高速率阈值，若大于最高速率阈值，则减少采样率，若小于最低速率阈值，则增加采用率。
作为本发明所述产品制造过程中的传感器数据处理方法的一种优选方案，其中：由所述边缘计算模块对采集的原始数据进行预处理包括对数据进行数据清洗和归一化处理。
作为本发明所述产品制造过程中的传感器数据处理方法的一种优选方案，其中：中央数据中心将来自不同传感器的数据进行融合，并对融合后的数据进行分析包括，对从各个传感器接收到的数据进行时间同步，确保所有数据都基于统一的时间基准；使用插值方法对数据进行缺失值处理；使用加权平均法对来自不同传感器的相似数据进行融合，公式如下，
式中，M是融合后的数据，wi是第i个传感器的权重，Di是第i个传感器的数据，n是传感器的数量；对于不同类型的数据，使用卡尔曼滤波器进行融合；通过计算均值对融合后的数据进行描述性分析；使用时间序列分析方法对数据进行趋势分析，预测未来的数据变化；对数据进行异常检测，识别并处理可能的异常值或错误数据。
作为本发明所述产品制造过程中的传感器数据处理方法的一种优选方案，其中：对接收到的数据进行解码，还原为原始数据格式，对解码后的数据进行清洗，去除无效和重复数据，将清洗后的数据存储在数据库中包括如下步骤，实时接收传感器发送的二进制编码数据报文；将接收到的数据报文按照接收顺序存入公共数据报文动态缓存区中；从公共数据报文动态缓存区中按照顺序取出数据报文；对取出的数据报文的报文头进行解码，获取该数据报文的传感器标识；根据解码得到的传感器标识，查询映射关系表，获取对应的数据处理模块；将数据报文传送至对应的数据处理模块；数据处理模块对数据进行转换和处理，将处理后的数据存储在中央数据库中，以便后续分析和使用。
作为本发明所述产品制造过程中的传感器数据处理方法的一种优选方案，其中：根据数据分析结果，生成实时反馈报告包括如下步骤，建立一个实时数据监控模块，该模块能够实时显示各传感器的数据状态和工作状态；在用户界面上展示实时数据图表，如温度、压力、湿度的时间序列图；设定各传感器数据的正常范围，当数据超出此范围时，系统会自动触发警告；在用户界面上标记异常数据，并伴随声音或震动警告。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
一种计算机可读存储介质，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上所述方法的步骤。
本发明有益效果为：通过边缘计算和自适应采样率的结合，该方案能够实时处理大量传感器数据，减少了数据处理的延迟，确保生产线的实时监控和快速响应。通过动态加载管理和数据解码处理的优化，该方案能够更加高效地处理和解析数据，减少了数据处理的瓶颈。通过实时反馈与交互机制，该方案能够确保数据的完整性和准确性，避免了因数据丢失或错误而导致的生产问题。
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的前提下，还可以根据这些附图获得其它的附图。其中：
图1为实施例1中产品制造过程中的传感器数据处理方法的场景图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图，为本发明第一个实施例，该实施例提供了一种产品制造过程中的传感器数据处理方法，产品制造过程中的传感器数据处理方法包括如下步骤：
S1、为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率；
S2、实时监测传感器数据的变化率，定期评估采样率的适应性，确保数据的完整性和准确性；
S3、在所述传感器附近的设备上部署边缘计算模块，由所述边缘计算模块对采集的原始数据进行预处理，并将预处理后的数据发送到中央数据中心；
S4、所述中央数据中心实时监测缓存区数据容量，根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行降维处理，将来自不同传感器的数据进行融合，并对融合后的数据进行分析，根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行处理包括，
当缓存区数据容量低于容量阈值时，先采用LDA算法对数据进行初次处理，然后采用PCA算法对经过LDA算法处理过的数据进行再处理，当缓存区数据容量不低于容量阈值时，采用PCA算法或LDA算法对数据进行处理，其中，所述缓存区数据容量通过如下公式进行计算，
式中，C1是指当前时刻的缓存区数据容量，是指数据流入缓存区的速率，/>是指数据流出缓存区的速率，/>是指从边缘计算模块传输至中央数据中心的传输时延，/>是指对数据进行降维处理的时间，C0是指前一时刻的缓存区数据容量；
S5、对接收到的数据进行解码，还原为原始数据格式，对解码后的数据进行清洗，去除无效和重复数据，将清洗后的数据存储在数据库中；
S6、根据数据分析结果，生成实时反馈报告，并在用户界面进行展示。
需要说明的是，容量阈值一般设置为当前时刻的缓存区数据容量的0.7倍。由于传感器数据通常与特定的生产过程或产品质量参数有所关联，因此首先使用LDA算法对数据进行降维处理可以捕获与这些参数最相关的特征，在LDA降维后，使用PCA算法进一步降维，以去除冗余信息并减少数据的维度，PCA算法能够保留数据的主要变化方向，同时减少了数据的复杂性，通过这种方式，不仅能够简化对传感器数据处理所耗费的算力，还能够加快处理时间，得到更为精准简洁的数据，能够很好的适用于大规模产品制造过程会存在很多个传感器对制造流程进行监控的情况。
LDA将使用传感器的类型和位置作为类别标签，以确保数据的降维是根据生产过程的实际需求进行的，然后采用PCA算法对经过LDA算法处理过的数据进行再处理。
其中，为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率包括，
为每个传感器分配一个全局唯一的ID号；
在服务器的数据库中为每个传感器创建一个记录，记录其ID号；
在服务器的数据库中创建一个映射关系表，为每个传感器记录其数据标识；
记录每个传感器的数据报文解码模块URL地址和传感器解码数据处理模块URL地址；
根据传感器的型号和规格，为每个传感器设置一个默认的采样率；
选择合适的边缘计算设备，并在生产线附近进行部署；
为每个边缘计算设备分配一个唯一的ID号，并在服务器的数据库中记录；
配置边缘计算设备与传感器之间的通信，确保数据可以从传感器流向边缘计算设备，并从边缘计算设备流向服务器。
进一步的，实时监测传感器数据的变化率，定期评估采样率的适应性，确保数据的完整性和准确性包括如下步骤，
每隔一个的时间间隔，计算数据流入缓存区的速率和数据流出缓存区的速率的差值，公式如下，
设置最低速率阈值和最高速率阈值，若最高速率阈值，则减少采样率，若/>小于最低速率阈值，则增加采用率。
由所述边缘计算模块对采集的原始数据进行预处理包括对数据进行数据清洗和归一化处理，将处理后的数据存储在边缘计算设备的本地存储中。
优选的，中央数据中心将来自不同传感器的数据进行融合，并对融合后的数据进行分析包括，
对从各个传感器接收到的数据进行时间同步，确保所有数据都基于统一的时间基准；
使用插值方法对数据进行缺失值处理；
使用加权平均法对来自不同传感器的相似数据进行融合，公式如下，
式中，M是融合后的数据，wi是第i个传感器的权重，Di是第i个传感器的数据，n是传感器的数量；
对于不同类型的数据，使用卡尔曼滤波器进行融合；
通过计算均值对融合后的数据进行描述性分析；
使用时间序列分析方法对数据进行趋势分析，预测未来的数据变化；
对数据进行异常检测，识别并处理可能的异常值或错误数据。
较佳的，对接收到的数据进行解码，还原为原始数据格式，对解码后的数据进行清洗，去除无效和重复数据，将清洗后的数据存储在数据库中包括如下步骤，
实时接收传感器发送的二进制编码数据报文；
将接收到的数据报文按照接收顺序存入公共数据报文动态缓存区中；
从公共数据报文动态缓存区中按照顺序取出数据报文；
对取出的数据报文的报文头进行解码，获取该数据报文的传感器标识；
根据解码得到的传感器标识，查询映射关系表，获取对应的数据处理模块；
将数据报文传送至对应的数据处理模块；
数据处理模块对数据进行转换和处理，将处理后的数据存储在中央数据库中，以便后续分析和使用。
根据数据分析结果，生成实时反馈报告包括如下步骤，
建立一个实时数据监控模块，该模块能够实时显示各传感器的数据状态和工作状态；
在用户界面上展示实时数据图表，如温度、压力、湿度等的时间序列图；
设定各传感器数据的正常范围，当数据超出此范围时，系统会自动触发警告；
在用户界面上标记异常数据，并伴随声音或震动警告。
本发明所述方法通过边缘计算和自适应采样率的结合，该方案能够实时处理大量传感器数据，减少了数据处理的延迟，确保生产线的实时监控和快速响应。并且提供了一个统一的数据融合和分析框架，使得来自不同传感器的数据能够被有效地整合和分析，为制造商提供了更加全面和准确的生产洞察。通过动态加载管理和数据解码处理的优化，该方案能够更加高效地处理和解析数据，减少了数据处理的瓶颈。通过实时反馈与交互机制，该方案能够确保数据的完整性和准确性，避免了因数据丢失或错误而导致的生产问题。通过上述优化，制造商能够更加精确地掌握生产线的运行状态，及时发现和解决生产问题，从而提高生产效率和产品质量。减少了因数据处理延迟或错误导致的生产停滞和浪费，从而降低了生产成本。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
实施例2
为本发明的第二个实施例，为了验证本发明的有益效果，通过试验进行科学论证，试验数据如表1所述。
表1 试验数据表
从表1中可以得出，从多方面对比，我方技术方案在数据处理延迟、数据融合准确率、数据处理效率、实时反馈响应时间、数据完整性、系统可扩展性、生产效率提升和生产成本降低等方面都有显著的优势。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种产品制造过程中的传感器数据处理方法，其特征在于：包括，
为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率；
实时监测传感器数据的变化率，定期评估采样率的适应性；
在所述传感器附近部署边缘计算模块，由所述边缘计算模块对采集的原始数据进行预处理，并将预处理后的数据发送到中央数据中心；
所述中央数据中心实时监测缓存区数据容量，根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行降维处理，将来自不同传感器的数据进行融合，并对融合后的数据进行分析；
对接收到的数据进行解码，还原为原始数据格式，对解码后的数据进行清洗，去除无效和重复数据，将清洗后的数据存储在数据库中；
根据数据分析结果，生成实时反馈报告，并在用户界面进行展示；
所述根据缓存区数据容量，选择PCA算法和/或LDA算法对数据进行处理包括，
当缓存区数据容量低于容量阈值时，先采用LDA算法对数据进行初次处理，然后采用PCA算法对经过LDA算法处理过的数据进行再处理，当缓存区数据容量不低于容量阈值时，采用PCA算法或LDA算法对数据进行处理，其中，所述缓存区数据容量通过如下公式进行计算，
，
式中，C1是指当前时刻的缓存区数据容量，是指数据流入缓存区的速率，/>是指数据流出缓存区的速率，/>是指从边缘计算模块传输至中央数据中心的传输时延，/>是指对数据进行降维处理的时间，C0是指前一时刻的缓存区数据容量。
2.如权利要求1所述的产品制造过程中的传感器数据处理方法，其特征在于：为每个传感器分配唯一标识符，并根据传感器类型和位置，为其配置初始采样率包括，
为每个传感器分配一个全局唯一的ID号；
在服务器的数据库中为每个传感器创建一个记录，记录其ID号；
在服务器的数据库中创建一个映射关系表，为每个传感器记录其数据标识；
记录每个传感器的数据报文解码模块URL地址和传感器解码数据处理模块URL地址；
根据传感器的型号和规格，为每个传感器设置一个默认的采样率；
选择合适的边缘计算设备，并在生产线附近进行部署；
为每个边缘计算设备分配一个唯一的ID号，并在服务器的数据库中记录；
配置边缘计算设备与传感器之间的通信，确保数据可以从传感器流向边缘计算设备，并从边缘计算设备流向服务器。
3.如权利要求2所述的产品制造过程中的传感器数据处理方法，其特征在于：实时监测传感器数据的变化率，定期评估采样率的适应性包括，
每隔一个的时间间隔，计算数据流入缓存区的速率和数据流出缓存区的速率的差值，公式如下，
，
设置最低速率阈值和最高速率阈值，若大于最高速率阈值，则减少采样率，若/>小于最低速率阈值，则增加采用率。
4.如权利要求3所述的产品制造过程中的传感器数据处理方法，其特征在于：由所述边缘计算模块对采集的原始数据进行预处理包括对数据进行数据清洗和归一化处理。
5.如权利要求4所述的产品制造过程中的传感器数据处理方法，其特征在于：中央数据中心将来自不同传感器的数据进行融合，并对融合后的数据进行分析包括，
对从各个传感器接收到的数据进行时间同步，确保所有数据都基于统一的时间基准；
使用插值方法对数据进行缺失值处理；
使用加权平均法对来自不同传感器的相似数据进行融合，公式如下，
，
式中，M是融合后的数据，wi是第i个传感器的权重，Di是第i个传感器的数据，n是传感器的数量；
对于不同类型的数据，使用卡尔曼滤波器进行融合；
通过计算均值对融合后的数据进行描述性分析；
使用时间序列分析方法对数据进行趋势分析，预测未来的数据变化；
对数据进行异常检测，识别并处理可能的异常值或错误数据。
6.如权利要求5所述的产品制造过程中的传感器数据处理方法，其特征在于：对接收到的数据进行解码，还原为原始数据格式，对解码后的数据进行清洗，去除无效和重复数据，将清洗后的数据存储在数据库中包括如下步骤，
实时接收传感器发送的二进制编码数据报文；
将接收到的数据报文按照接收顺序存入公共数据报文动态缓存区中；
从公共数据报文动态缓存区中按照顺序取出数据报文；
对取出的数据报文的报文头进行解码，获取该数据报文的传感器标识；
根据解码得到的传感器标识，查询映射关系表，获取对应的数据处理模块；
将数据报文传送至对应的数据处理模块；
数据处理模块对数据进行转换和处理，将处理后的数据存储在中央数据库中，以便后续分析和使用。
7.如权利要求6所述的产品制造过程中的传感器数据处理方法，其特征在于：根据数据分析结果，生成实时反馈报告包括如下步骤，
建立一个实时数据监控模块，该模块能够实时显示各传感器的数据状态和工作状态；
在用户界面上展示实时数据图表，如温度、压力和湿度的时间序列图；
设定各传感器数据的正常范围，当数据超出此范围时，系统会自动触发警告；
在用户界面上标记异常数据，并伴随声音或震动警告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237124.7A CN116975938B (zh) | 2023-09-25 | 2023-09-25 | 一种产品制造过程中的传感器数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311237124.7A CN116975938B (zh) | 2023-09-25 | 2023-09-25 | 一种产品制造过程中的传感器数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975938A true CN116975938A (zh) | 2023-10-31 |
| CN116975938B CN116975938B (zh) | 2023-11-24 |
Family
ID=88483571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311237124.7A Active CN116975938B (zh) | 2023-09-25 | 2023-09-25 | 一种产品制造过程中的传感器数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975938B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828285A (zh) * | 2024-03-06 | 2024-04-05 | 江苏众维昊信智能科技有限公司 | 一种生产数据管理系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346523A (zh) * | 2013-08-02 | 2015-02-11 | 诺基亚公司 | 用于活动识别的方法、设备和计算机程序产品 |
| CN109087512A (zh) * | 2018-08-20 | 2018-12-25 | 中北大学 | 一种基于分布式震动传感器阵列的车辆超载动态监测方法 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN114577334A (zh) * | 2022-03-03 | 2022-06-03 | 上海交通大学 | 基于机器学习激光喷丸加工状态实时在线监控方法及系统 |
| CN115087846A (zh) * | 2020-01-29 | 2022-09-20 | 唯景公司 | 传感器校准和操作 |
| US20230061059A1 (en) * | 2021-08-25 | 2023-03-02 | Brendan Hyland | Compact surveillance system |
-
2023
- 2023-09-25 CN CN202311237124.7A patent/CN116975938B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104346523A (zh) * | 2013-08-02 | 2015-02-11 | 诺基亚公司 | 用于活动识别的方法、设备和计算机程序产品 |
| CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
| CN109087512A (zh) * | 2018-08-20 | 2018-12-25 | 中北大学 | 一种基于分布式震动传感器阵列的车辆超载动态监测方法 |
| CN115087846A (zh) * | 2020-01-29 | 2022-09-20 | 唯景公司 | 传感器校准和操作 |
| US20230061059A1 (en) * | 2021-08-25 | 2023-03-02 | Brendan Hyland | Compact surveillance system |
| CN114577334A (zh) * | 2022-03-03 | 2022-06-03 | 上海交通大学 | 基于机器学习激光喷丸加工状态实时在线监控方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 肖玲;李仁发;罗娟;: "体域网中一种基于压缩感知的人体动作识别方法", 电子与信息学报, no. 01 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117828285A (zh) * | 2024-03-06 | 2024-04-05 | 江苏众维昊信智能科技有限公司 | 一种生产数据管理系统及方法 |
| CN117828285B (zh) * | 2024-03-06 | 2024-05-10 | 江苏众维昊信智能科技有限公司 | 一种生产数据管理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975938B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11657309B2 (en) | Behavior analysis and visualization for a computer infrastructure | |
| CN116975938B (zh) | 一种产品制造过程中的传感器数据处理方法 | |
| CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
| CN113112038B (zh) | 智能监测与诊断分析系统、装置、电子设备及存储介质 | |
| CN113220534A (zh) | 集群多维度异常监控方法、装置、设备及存储介质 | |
| CN112532435B (zh) | 一种运维方法、运维管理平台、设备及介质 | |
| CN114169604A (zh) | 性能指标的异常检测方法、异常检测装置、电子设备和存储介质 | |
| CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
| CN108306997B (zh) | 域名解析监控方法及装置 | |
| CN115034286A (zh) | 一种基于自适应损失函数的异常用户识别方法和装置 | |
| JP5711675B2 (ja) | ネットワーク異常検出装置およびネットワーク異常検出方法 | |
| CN111949496B (zh) | 一种数据检测方法及装置 | |
| CN108092849A (zh) | 业务数据监控方法、装置及系统 | |
| JP2004348640A (ja) | ネットワーク管理システム及びネットワーク管理方法 | |
| CN115794479A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
| CN115758266A (zh) | 一种用于无人矿卡流式异常数据检测方法 | |
| CN117194049B (zh) | 一种基于机器学习算法的云主机智能行为分析方法及系统 | |
| CN108959028B (zh) | 磁盘生命周期分析方法及装置 | |
| CN117216701B (zh) | 智慧桥梁监测预警方法及系统 | |
| CN112530505A (zh) | 硬盘延迟检测方法、装置及计算机可读存储介质 | |
| CN112910732A (zh) | 一种边缘计算服务器复位的方法和设备 | |
| CN113703401A (zh) | 异常检测算法的配置方法、装置、电子设备和存储介质 | |
| CN112860527A (zh) | 应用服务器的故障监测方法及装置 | |
| EP4070197A1 (en) | Device for monitoring a computer network system | |
| CN118094107B (zh) | 异常数据检测方法及异常数据诊断器、射线测厚仪 |
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 |