CN117170304A - 一种基于工业物联网的plc远程监测控制方法及系统 - Google Patents
一种基于工业物联网的plc远程监测控制方法及系统 Download PDFInfo
- Publication number
- CN117170304A CN117170304A CN202311456614.6A CN202311456614A CN117170304A CN 117170304 A CN117170304 A CN 117170304A CN 202311456614 A CN202311456614 A CN 202311456614A CN 117170304 A CN117170304 A CN 117170304A
- Authority
- CN
- China
- Prior art keywords
- plc
- module
- equipment
- fault
- node
- 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 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000009776 industrial production Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于工业物联网的PLC远程监测控制方法及系统,框架包括设备层、数据库层和控制层,所述设备层包括输入设备和输出设备,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述输出设备包括显示装置和设备故障预警装置,所述数据库层用于存储系统工作过程中采集的数据,所述控制层包括CPU、属性图构建模块、故障检测模块、故障设备检索模块、任务重分配模块和通讯模块,所述属性图构建模块用于构建属性图,所述故障检测模块和故障设备检索模块用于检测系统中的PLC设备是否有故障;所述任务重分配模块用于将故障PLC设备所执行的任务重分配给无故障PLC设备。本发明能够检测出故障PLC设备,并合理分配任务。
Description
技术领域
本发明涉及PLC设备远程监测控制技术领域,特别涉及一种基于工业物联网的PLC远程监测控制方法及系统。
背景技术
随着物联网技术的快速发展,工业生产日益智能化和自动化。PLC设备(可编程逻辑控制器)作为工业场景中常见的控制设备,被广泛应用于各种生产线和工业设备中的自动化控制和监测。然而,在分布式的工业生产环境中,由于设备的分散布局和多样化,对PLC设备的状态进行实时监测和远程管理成为一项重要需求。通过监测PLC设备的状态,及时发现设备的异常情况或故障,可以提前采取修复措施,减少停机时间和生产线的不必要中断,从而优化生产效率。在分布式工厂环境中,PLC设备可能分布在不同的地点,传统手动巡检和管理困难。通过远程监测和控制PLC设备的状态,可以实现集中管理和控制,高效地调整参数、更新软件,减少维护成本和人力投入。但是,随着工厂规模的扩大,工厂中分布部署的PLC设备数量越来越多,对PLC设备的监测和故障排查也越来越困难,当某一个PLC设备出现故障时,与该PLC设备执行相似任务的PLC设备很大概率也出现故障,而现有的PLC远程监测控制方法往往没有考虑到不同PLC设备之间的关系,而仅仅一对一地监控PLC设备的运行状态是否有异常。此外,现有的PLC远程监测控制方法在检测出出现故障的PLC设备后也缺乏调度算法,无法使用其他空闲PLC设备及时处理耽搁的任务。
如申请公开号为CN102183952A的中国专利公开了一种在PLC中嵌入非致命故障诊断的方法,旨在解决现有的故障诊断占用CPU长,影响PLC的控制效率的问题。该发明将PLC中的任务分为控制任务和诊断任务;其中,控制任务处理的是执行梯形图控制算法程序,实现对机器进行控制并向公共数据区写入机器数据量;诊断任务处理的是读取公共数据区中的机器数据量,然后将采集到的机器数据量输入推理引擎,再进行针对非致命故障的诊断过程,系统采用优先级抢占式调度算法对这两个任务进行调度。该发明克服现有技术中单任务PLC控制效率低的缺点,将非致命故障诊断程序单独作为一个任务,采用优先级抢占式调度算法对控制任务和诊断任务进行调度,提高了PLC的控制效率。但是该发明只考虑单个PLC设备情况,并没有考虑到分布式部署多个PLC设备的情况。
如申请公开号为CN113741389A的中国专利公开了一种PLC自动化设备的故障诊断系统,旨在实现从实时数据中检测PLC设备的故障。该发明包括核心综合管理模块、实时绘图驱动模块、瞬时波形截图模块与分析诊断算法模块,核心综合管理模块接收实时信号;核心综合管理模块与实时绘图驱动模块、瞬时波形截图模块、分析诊断算法模块都连接;实时绘图驱动模块用于将接收到的实时信号值动态实时显示每个信号的波形曲线,瞬时波形截图模块用于实时截取波形曲线,分析诊断算法模块用于分析实时绘图驱动模块中的波形曲线并输出信号。该发明提高了可视化程度和自动化程度。但是该发明同样仅仅考虑监测单一PLC设备的故障问题,而没有考虑到监测多个分布式PLC设备的运行状态的问题。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
针对现有技术的不足,本发明的主要目的是提供一种基于工业物联网的PLC远程监测控制方法及系统,能够有效解决背景技术中的问题:现有的PLC远程监测控制方法往往没有考虑到不同PLC设备之间的关系,而仅仅一对一地监控PLC设备的运行状态是否有异常,此外,现有的PLC远程监测控制方法在检测出出现故障的PLC设备后也缺乏调度算法,无法使用其他空闲PLC设备及时处理耽搁的任务。本发明的具体技术方案如下:
一种基于工业物联网的PLC远程监测控制系统,所述系统包括设备层、数据库层和控制层;所述设备层包括输入设备、输出设备和PLC设备,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述温度传感器用于测量PLC设备运行时的温度,所述噪音测量仪用于测量PLC设备运行时的噪音水平,所述震动传感器用于测量PLC设备运行时的振动幅度,所述输出设备包括显示装置和设备故障预警装置,所述显示装置用于显示PLC设备的运行状态是否有异常,所述设备故障预警装置用于对运行状态有异常的PLC设备进行预警,所述PLC设备连接所述输入设备和所述输出设备,所述PLC设备集成多种通讯端口,支持多种网络协议,能够在不同设备之间快速通讯;
所述数据库层用于存储所述系统工作过程中采集的数据;
所述控制层包括CPU、属性图构建模块、故障检测模块、故障设备检索模块、任务重分配模块和通讯模块。
本发明的进一步改进在于,所述CPU用于对所述系统的运行进行管理控制;所述属性图构建模块用于基于所述PLC设备运行时的各项数据构建属性图;所述故障检测模块用于通过所述属性图检测PLC设备故障;所述故障设备检索模块用于在所述故障检测模块检测出PLC设备故障时,快速检索其他所述PLC设备是否有故障;所述任务重分配模块用于将故障PLC设备所执行的任务重分配给无故障的PLC设备;所述通讯模块用于在所述系统内部构建通讯网络,实现系统内部的数据互传。
本发明的进一步改进在于,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述温度传感器、噪音测量仪和震动传感器安装在PLC设备上,用于测量PLC设备在运行时的设备温度、噪音水平和振动幅度。
本发明的进一步改进在于,所述输入设备收集PLC设备运行时的设备温度数据、噪音水平数据和振动幅度数据,所述设备温度数据、噪音水平数据和振动幅度数据均为时间序列数据。
本发明的进一步改进在于,所述属性图构建模块基于分布部署的PLC设备构建属性图,设所述系统包含的PLC设备总数为,则所述属性图构建模块按照如下步骤构建一个属性图/>:
S1:构建属性图节点集合,其中第/>个节点/>用于表示第/>个PLC设备;
S2:构建节点属性矩阵,/>,其中/>表示维度为/>的实数空间,/>为所述属性图中每个节点的属性向量的维度,设节点属性矩阵/>的第/>行为向量/>,,其中/>表示维度为/>的实数空间,则向量/>表示所述属性图中第/>个节点/>的属性向量,设所述输入设备收集所述系统中第/>个PLC设备一个运行周期内的设备温度数据、噪音水平数据和振动幅度数据分别为向量/>、/>和/>,/>,/>,/>,其中/>表示所述PLC设备一个运行周期内包含的时间步总数,则所述向量/>由向量/>、/>和/>连接而成,即/>,/>,且/>;
S3:构建属性图边集合,其中第/>条边/>为无向边,其中/>为边的总数,设第/>个节点/>和第/>个节点/>之间的边为集合/>中的第/>条边/>,则/>上的值由以下规则确定:若第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型等同于第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型,则设置/>的值为1;若第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型不同于第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型,则设置/>的值为0;
S4:构建属性图邻接矩阵,/>,其中属性图邻接矩阵/>的第/>行第/>列的元素为/>,/>的值为所述第/>个节点/>和第/>个节点/>之间的边的值,设第/>个节点/>和第/>个节点/>之间的边为属性图边集合/>中第/>条边/>,则/>值等于/>的值。
本发明的进一步改进在于,所述故障检测模块基于所述属性图构建模块所构建的属性图,训练故障检测模型用于检测所述系统中出现故障的PLC设备,所述故障检测模型由编码器模块和解码器模块构成,所述编码器模块由三层图卷积神经网络构成,所述图卷积神经网络层通过谱卷积函数对所述属性图进行图卷积操作,所述图卷积神经网络层的图卷积操作用如下公式表示:
;
其中表示第/>层图卷积神经网络层的输入数据,/>表示第/>层图卷积神经网络层的输入数据,也表示第/>层图卷积神经网络层的输出数据,当/>时,/>为所述节点属性矩阵/>,/>,/>,/>,其中/>表示维度为/>的实数空间,其中/>表示维度为/>的实数空间,/>表示维度为/>的实数空间,/>和为设置好的实数,当/>时,/>,其中/>表示所述属性图邻接矩阵,/>,/>表示第/>层图卷积神经网络层的可训练权重矩阵,/>,其中/>表示维度为的实数空间,/>和/>为设置好的实数,当/>时,/>,/>表示所述图卷积神经网络层的图卷积操作,/>的具体公式如下:
;
其中,/>表示单位矩阵,/>,/>,/>是对角矩阵,/>,的第/>行第/>列的元素/>,其中/>表示矩阵/>的第/>行第/>列的元素,/>表示维度为/>的实数空间,其中/>表示所述图卷积神经网络层的激活函数。
本发明的进一步改进在于,所述解码器模块使用一层图卷积神经网络层解码所述编码器模块的输出结果,解码器的工作过程如下:
;
其中表示所述图卷积神经网络层的图卷积操作,/>为所述编码器模块的输出结果,/>,/>,其中/>表示维度为/>的实数空间,/>为设置好的实数,/>为解码器的输出结果,/>,/>表示所述解码器中图卷积神经网络层的可训练权重矩阵,/>,其中/>表示维度为/>的实数空间,/>和/>为设置好的实数,其中。
本发明的进一步改进在于,所述故障检测模型使用如下公式计算重构误差:
;
其中为所述节点属性矩阵,/>,/>为解码器的输出结果,/>,所述故障检测模块通过计算所述重构误差训练所述故障检测模型,并设置故障检测阈值/>,所述故障检测模块根据如下公式计算所述属性图节点集合/>中,第/>个节点/>对应的第/>个PLC设备的异常分数:
;
其中向量表示所述属性图中第/>个节点/>的属性向量,即/>为节点属性矩阵/>的第/>行向量,/>为解码器的输出结果/>的第/>行向量,/>,/>,比较/>和,若/>,则说明节点/>对应的第/>个PLC设备没有故障,若,则说明节点/>对应的第/>个PLC设备有故障。
本发明的进一步改进在于,所述故障设备检索模块根据所述故障检测模块所检测出的有故障的PLC设备,检测所述系统中潜在故障PLC设备,设所述故障检测模块检测出所述属性图中第个节点/>对应的第/>个PLC设备存在故障,则所述故障设备检索模块使用深度优先搜索算法,提取出所述属性图中的与节点/>连通的最大连通子图,对于该最大连通子图中所有节点对应的PLC设备,由维护人员直接检测是否发生故障。
本发明的进一步改进在于,所述任务重分配模块根据所述故障检测模块和故障设备检索模块的检测结果,将出现故障的PLC设备所执行的任务重新分配给无故障且能够执行同类型任务的PLC设备,设所述故障设备检索模块提取出的所述属性图中的与故障PLC设备对应的节点连通的最大连通子图的节点集合为/>,其中/>为所述最大连通子图的节点集合/>中包含的节点总数,设其中经过所述故障检测模块和故障设备检索模块检测出有故障的节点集合为/>,则所述最大连通子图中无故障的节点集合为/>在/>中的补集,记为/>,其中/>表示集合/>中的每个节点,所述任务重分配模块从集合/>任意挑选节点,并使用挑选出的节点对应的PLC设备,代替集合/>中的节点对应的有故障的PLC设备执行任务。
一种基于工业物联网的PLC远程监测控制方法,所述方法包括以下具体步骤:
A1:通过传感器采集所述系统中PLC设备一个运行周期内的数据;
A2:根据A1中的数据,构建属性图;
A3:根据A2中的属性图,通过预训练好的故障检测模型检测所述系统中有故障的PLC设备,输出检测结果;
A4:根据A3中的检测结果,检索其他潜在的故障PLC设备,输出检索结果;
A5:根据A4中的检索结果,将出现故障的PLC设备所执行的任务重新分配给无故障且能够执行同类型任务的PLC设备。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现所述的一种基于工业物联网的PLC远程监测控制方法。
一种设备,包括:
存储器,用于存储指令;
处理器,用于执行所述指令,使得所述设备执行实现所述的一种基于工业物联网的PLC远程监测控制方法的操作。
与现有技术相比,本发明具有如下有益效果:
C1、本发明在远程监测PLC设备时,通过基于PLC设备的运行数据构建属性图,能够提取不同PLC设备之间的相关性,能够更有效地同时监测多个分布式部署的PLC设备;
C2、本发明在远程监测PLC设备时,使用以图卷积神经网络为基础的故障检测模型检测PLC设备是否存在故障,能够在属性图中检测出存在异常的节点,进而对存在故障的PLC设备进行预警,因此提高依靠PLC设备进行的工业生产的可靠性;
C3、本发明使用故障设备检索模块和任务重分配模块,提取出有故障的PLC设备在属性图中的对应节点的最大连通子图,并依据此最大连通子图检索其他有可能有故障的PLC设备,并将有故障的PLC设备所执行的任务重新分配给其他合适的PLC设备,因此可以大大提高工业生产的工作效率。
附图说明
图1为本发明一种基于工业物联网的PLC远程监测控制系统的框架示意图;
图2为本发明一种基于工业物联网的PLC远程监测控制系统的步骤示意图;
图3为本发明一种基于工业物联网的PLC远程监测控制系统的属性图构建模块的一个示例图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符"/",一般表示前后关联对象是一种“或”的关系。
实施例1
本实施例提供了一种基于工业物联网的PLC远程监测控制系统,用以解决现有的PLC远程监测控制方法往往没有考虑到不同PLC设备之间的关系,而仅仅一对一地监控PLC设备的运行状态是否有异常,且现有的PLC远程监测控制方法在检测出出现故障的PLC设备后也缺乏调度算法,无法使用其他空闲PLC设备及时处理耽搁的任务的问题。具体方案为,如图1-图3所示,一种基于工业物联网的PLC远程监测控制系统,所述系统包括设备层、数据库层和控制层;所述设备层包括输入设备、输出设备和PLC设备,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述温度传感器用于测量PLC设备运行时的温度,所述噪音测量仪用于测量PLC设备运行时的噪音水平,所述震动传感器用于测量PLC设备运行时的振动幅度,所述输出设备包括显示装置和设备故障预警装置,所述显示装置用于显示PLC设备的运行状态是否有异常,所述设备故障预警装置用于对运行状态有异常的PLC设备进行预警,所述PLC设备连接所述输入设备和所述输出设备,所述PLC设备集成多种通讯端口,支持多种网络协议,能够在不同设备之间快速通讯。所述数据库层用于存储所述系统工作过程中采集的数据。所述控制层包括CPU、属性图构建模块、故障检测模块、故障设备检索模块、任务重分配模块和通讯模块。
在本实施例中,所述CPU用于对所述系统的运行进行管理控制;所述属性图构建模块用于基于所述PLC设备运行时的各项数据构建属性图;所述故障检测模块用于通过所述属性图检测PLC设备故障;所述故障设备检索模块用于在所述故障检测模块检测出PLC设备故障时,快速检索其他所述PLC设备是否有故障;所述任务重分配模块用于将故障PLC设备所执行的任务重分配给无故障的PLC设备;所述通讯模块用于在所述系统内部构建通讯网络,实现系统内部的数据互传。
在本实施例中,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述温度传感器、噪音测量仪和震动传感器安装在PLC设备上,用于测量PLC设备在运行时的设备温度、噪音水平和振动幅度,所述温度传感器使用热电阻温度传感器,型号为PT1000,所述噪音测量仪使用声谱分析仪,型号为FFT声谱分析仪,所述震动传感器使用压电传感器,型号为合金薄膜式压电传感器。
在本实施例中,所述输入设备收集PLC设备运行时的设备温度数据、噪音水平数据和振动幅度数据,所述设备温度数据、噪音水平数据和振动幅度数据均为时间序列数据。
在本实施例中,所述属性图构建模块基于分布部署的PLC设备构建属性图,设所述系统包含的PLC设备总数为,则所述属性图构建模块按照如下步骤构建一个属性图:
S1:构建属性图节点集合,其中第/>个节点/>用于表示第/>个PLC设备;
S2:构建节点属性矩阵,/>,其中/>表示维度为/>的实数空间,/>为所述属性图中每个节点的属性向量的维度,设节点属性矩阵/>的第/>行为向量/>,,其中/>表示维度为/>的实数空间,则向量/>表示所述属性图中第/>个节点/>的属性向量,设所述输入设备收集所述系统中第/>个PLC设备一个运行周期内的设备温度数据、噪音水平数据和振动幅度数据分别为向量/>、/>和/>,/>,/>,/>,其中/>表示所述PLC设备一个运行周期内包含的时间步总数,则所述向量/>由向量/>、/>和/>连接而成,即/>,/>,且/>;
S3:构建属性图边集合,其中第/>条边/>为无向边,其中/>为边的总数,设第/>个节点/>和第/>个节点/>之间的边为集合/>中的第/>条边/>,则/>上的值由以下规则确定:若第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型等同于第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型,则设置/>的值为1;若第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型不同于第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型,则设置/>的值为0;
S4:构建属性图邻接矩阵,/>,其中属性图邻接矩阵/>的第/>行第/>列的元素为/>,/>的值为所述第/>个节点/>和第/>个节点/>之间的边的值,设第/>个节点/>和第/>个节点/>之间的边为属性图边集合/>中第/>条边/>,则/>值等于/>的值。
在本实施例中,所述故障检测模块基于所述属性图构建模块所构建的属性图,训练故障检测模型用于检测所述系统中出现故障的PLC设备,所述故障检测模型由编码器模块和解码器模块构成,所述编码器模块由三层图卷积神经网络构成,所述图卷积神经网络层通过谱卷积函数对所述属性图进行图卷积操作,所述图卷积神经网络层的图卷积操作用如下公式表示:
;
其中表示第/>层图卷积神经网络层的输入数据,/>表示第/>层图卷积神经网络层的输入数据,也表示第/>层图卷积神经网络层的输出数据,当/>时,/>为所述节点属性矩阵/>,/>,/>,/>,其中/>表示维度为/>的实数空间,其中/>表示维度为/>的实数空间,/>表示维度为/>的实数空间,/>和为设置好的实数,当/>时,/>,其中/>表示所述属性图邻接矩阵,/>,/>表示第/>层图卷积神经网络层的可训练权重矩阵,/>,其中/>表示维度为的实数空间,/>和/>为设置好的实数,当/>时,/>,/>表示所述图卷积神经网络层的图卷积操作,/>的具体公式如下:
;
其中,/>表示单位矩阵,/>,/>,/>是对角矩阵,/>,的第/>行第/>列的元素/>,其中/>表示矩阵/>的第/>行第/>列的元素,/>表示维度为/>的实数空间,其中/>表示所述图卷积神经网络层的激活函数。
在本实施例中,所述编码器模块的工作过程表示如下:
;
;
;
其中、/>和/>分别表示第1层、第2层和第3层图卷积神经网络的输入数据,和/>表示第3层图卷积神经网络层的输出数据,/>、/>和/>分别表示所述解码器中图卷积神经网络层的可训练权重矩阵,/>表示所述属性图邻接矩阵。
在本实施例中,所述解码器模块使用一层图卷积神经网络层解码所述编码器模块的输出结果,解码器的工作过程如下:
;
其中表示所述图卷积神经网络层的图卷积操作,/>为所述编码器模块的输出结果,/>,/>,其中/>表示维度为/>的实数空间,/>为设置好的实数,/>为解码器的输出结果,/>,/>表示所述解码器中图卷积神经网络层的可训练权重矩阵,/>,其中/>表示维度为/>的实数空间,/>和/>为设置好的实数,其中。
在本实施例中,所述故障检测模型使用如下公式计算重构误差:
;
其中为所述节点属性矩阵,/>,/>为解码器的输出结果,/>,所述故障检测模块通过计算所述重构误差训练所述故障检测模型,并设置故障检测阈值/>,所述故障检测阈值/>由本领域技术人员根据大量实验确定,所述故障检测模块根据如下公式计算所述属性图节点集合/>中,第/>个节点/>对应的第/>个PLC设备的异常分数:
;
其中向量表示所述属性图中第/>个节点/>的属性向量,即/>为节点属性矩阵/>的第/>行向量,/>为解码器的输出结果/>的第/>行向量,/>,/>,比较/>和,若/>,则说明节点/>对应的第/>个PLC设备没有故障,若,则说明节点/>对应的第/>个PLC设备有故障。
在本实施例中,所述故障设备检索模块根据所述故障检测模块所检测出的有故障的PLC设备,检测所述系统中潜在故障PLC设备,设所述故障检测模块检测出所述属性图中第个节点/>对应的第/>个PLC设备存在故障,则所述故障设备检索模块使用深度优先搜索算法,提取出所述属性图中的与节点/>连通的最大连通子图,对于该最大连通子图中所有节点对应的PLC设备,由维护人员直接检测是否发生故障。
在本实施例中,所述任务重分配模块根据所述故障检测模块和故障设备检索模块的检测结果,将出现故障的PLC设备所执行的任务重新分配给无故障且能够执行同类型任务的PLC设备,设所述故障设备检索模块提取出的所述属性图中的与故障PLC设备对应的节点连通的最大连通子图的节点集合为/>,其中/>为所述最大连通子图的节点集合/>中包含的节点总数,设其中经过所述故障检测模块和故障设备检索模块检测出有故障的节点集合为/>,则所述最大连通子图中无故障的节点集合为/>在中的补集,记为/>,其中/>表示集合/>中的每个节点,所述任务重分配模块从集合/>任意挑选节点,并使用挑选出的节点对应的PLC设备,代替集合/>中的节点对应的有故障的PLC设备执行任务。
实施例2
本实施例提供了一种基于工业物联网的PLC远程监测控制方法,所述方法包括以下具体步骤:
A1:通过传感器采集所述系统中PLC设备一个运行周期内的数据;
A2:根据A1中的数据,构建属性图;
A3:根据A2中的属性图,通过预训练好的故障检测模型检测所述系统中有故障的PLC设备,输出检测结果;
A4:根据A3中的检测结果,检索其他潜在的故障PLC设备,输出检索结果;
A5:根据A4中的检索结果,将出现故障的PLC设备所执行的任务重新分配给无故障且能够执行同类型任务的PLC设备。
实施例3
本实施例提供了一种计算机可读存储介质,使用专用的存储服务器、硬盘阵列或云服务来存储PLC远程监测控制系统所需的计算机程序和数据,该计算机程序被处理器执行时,实现所述的一种基于工业物联网的PLC远程监测控制方法。
实施例4
本实施例提供了一种设备,包括:
c1、硬盘存储器,用于存储指令集、所述一种基于工业物联网的PLC远程监测控制方法的模块、模型与算法;
c2、高性能图像处理器,用于执行所述指令,使得所述设备执行实现所述的一种基于工业物联网的PLC远程监测控制方法的操作,具备并行计算能力,适用于快速处理图像数据。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (13)
1.一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述系统包括设备层、数据库层和控制层;
所述设备层包括输入设备、输出设备和PLC设备,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述温度传感器用于测量PLC设备运行时的温度,所述噪音测量仪用于测量PLC设备运行时的噪音水平,所述震动传感器用于测量PLC设备运行时的振动幅度,所述输出设备包括显示装置和设备故障预警装置,所述显示装置用于显示PLC设备的运行状态是否有异常,所述设备故障预警装置用于对运行状态有异常的PLC设备进行预警,所述PLC设备连接所述输入设备和所述输出设备;
所述数据库层用于存储所述系统工作过程中采集的数据;
所述控制层包括CPU、属性图构建模块、故障检测模块、故障设备检索模块、任务重分配模块和通讯模块。
2.根据权利要求1所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述CPU用于对所述系统的运行进行管理控制;所述属性图构建模块用于基于所述PLC设备运行时的各项数据构建属性图;所述故障检测模块用于通过所述属性图检测PLC设备故障;所述故障设备检索模块用于在所述故障检测模块检测出PLC设备故障时,快速检索其他所述PLC设备是否有故障;所述任务重分配模块用于将故障PLC设备所执行的任务重分配给无故障的PLC设备;所述通讯模块用于在所述系统内部构建通讯网络,实现系统内部的数据互传。
3.根据权利要求2所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述输入设备包括温度传感器、噪音测量仪和震动传感器,所述温度传感器、噪音测量仪和震动传感器安装在PLC设备上,用于测量PLC设备在运行时的设备温度、噪音水平和振动幅度。
4.根据权利要求3所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述输入设备收集PLC设备运行时的设备温度数据、噪音水平数据和振动幅度数据,所述设备温度数据、噪音水平数据和振动幅度数据均为时间序列数据。
5.根据权利要求4所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述属性图构建模块基于分布部署的PLC设备构建属性图,设所述系统包含的PLC设备总数为,则所述属性图构建模块按照如下步骤构建一个属性图/>:
S1:构建属性图节点集合,其中第/>个节点/>用于表示第/>个PLC设备;
S2:构建节点属性矩阵,/>,其中/>表示维度为/>的实数空间,/>为所述属性图中每个节点的属性向量的维度,设节点属性矩阵/>的第/>行为向量/>,/>,其中/>表示维度为/>的实数空间,则向量/>表示所述属性图中第/>个节点/>的属性向量,设所述输入设备收集所述系统中第/>个PLC设备一个运行周期内的设备温度数据、噪音水平数据和振动幅度数据分别为向量/>、/>和/>,/>,/>,/>,其中/>表示所述PLC设备一个运行周期内包含的时间步总数,则所述向量/>由向量/>、/>和/>连接而成,即/>,/>,且/>;
S3:构建属性图边集合,其中第/>条边/>为无向边,其中/>为边的总数,设第/>个节点/>和第/>个节点/>之间的边为集合/>中的第/>条边/>,则/>上的值由以下规则确定:若第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型等同于第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型,则设置/>的值为1;若第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型不同于第/>个节点/>对应的第/>个PLC设备所能够执行的任务类型,则设置/>的值为0;
S4:构建属性图邻接矩阵,/>,属性图邻接矩阵/>的第/>行第/>列的元素为/>,/>的值为所述第/>个节点/>和第/>个节点/>之间的边的值,设第/>个节点/>和第/>个节点之间的边为属性图边集合/>中第/>条边/>,则/>值等于/>的值。
6.根据权利要求5所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述故障检测模块基于所述属性图构建模块所构建的属性图,训练故障检测模型用于检测所述系统中出现故障的PLC设备,所述故障检测模型由编码器模块和解码器模块构成,所述编码器模块由三层图卷积神经网络构成,所述图卷积神经网络层通过谱卷积函数对所述属性图进行图卷积操作,所述图卷积神经网络层的图卷积操作用如下公式表示:
;
其中表示第/>层图卷积神经网络层的输入数据,/>表示第/>层图卷积神经网络层的输入数据,也表示第/>层图卷积神经网络层的输出数据,当/>时,/>为所述节点属性矩阵/>,/>,/>,/>,其中/>表示维度为/>的实数空间,其中/>表示维度为/>的实数空间,/>表示维度为/>的实数空间,/>和/>为设置好的实数,当/>时,/>,其中/>表示所述属性图邻接矩阵,/>,/>表示第/>层图卷积神经网络层的可训练权重矩阵,/>,其中/>表示维度为/>的实数空间,/>和/>为设置好的实数,当/>时,/>,/>表示所述图卷积神经网络层的图卷积操作,/>的具体公式如下:
;
其中,/>表示单位矩阵,/>,/>,/>是对角矩阵,/>,/>的第/>行第/>列的元素/>,其中/>表示矩阵/>的第/>行第/>列的元素,/>表示维度为/>的实数空间,/>表示所述图卷积神经网络层的激活函数。
7.根据权利要求6所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述解码器模块使用一层图卷积神经网络层解码所述编码器模块的输出结果,解码器的工作过程如下:
;
其中表示所述图卷积神经网络层的图卷积操作,/>为所述编码器模块的输出结果,,/>,其中/>表示维度为/>的实数空间,/>为设置好的实数,/>为解码器的输出结果,/>,/>表示所述解码器中图卷积神经网络层的可训练权重矩阵,,其中/>表示维度为/>的实数空间,/>和/>为设置好的实数,其中。
8.根据权利要求7所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述故障检测模型使用如下公式计算重构误差:
;
其中为所述节点属性矩阵,/>,/>为解码器的输出结果,/>,所述故障检测模块通过计算所述重构误差训练所述故障检测模型,并设置故障检测阈值/>,所述故障检测模块根据如下公式计算所述属性图节点集合/>中,第/>个节点/>对应的第/>个PLC设备的异常分数:
;
其中向量表示所述属性图中第/>个节点/>的属性向量,即/>为节点属性矩阵/>的第行向量,/>为解码器的输出结果/>的第/>行向量,/>,/>,比较/>和/>,若/>,则说明节点/>对应的第/>个PLC设备没有故障,若/>,则说明节点/>对应的第/>个PLC设备有故障。
9.根据权利要求8所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述故障设备检索模块根据所述故障检测模块所检测出的有故障的PLC设备,检测所述系统中潜在故障PLC设备,设所述故障检测模块检测出所述属性图中第个节点/>对应的第/>个PLC设备存在故障,则所述故障设备检索模块使用深度优先搜索算法,提取出所述属性图中的与节点/>连通的最大连通子图,对于该最大连通子图中所有节点对应的PLC设备,由维护人员直接检测是否发生故障。
10.根据权利要求9所述的一种基于工业物联网的PLC远程监测控制系统,其特征在于,所述任务重分配模块根据所述故障检测模块和故障设备检索模块的检测结果,将出现故障的PLC设备所执行的任务重新分配给无故障且能够执行同类型任务的PLC设备,设所述故障设备检索模块提取出的所述属性图中的与故障PLC设备对应的节点连通的最大连通子图的节点集合为/>,其中/>为所述最大连通子图的节点集合/>中包含的节点总数,设其中经过所述故障检测模块和故障设备检索模块检测出有故障的节点集合为,则所述最大连通子图中无故障的节点集合为/>在/>中的补集,记为,其中/>表示集合/>中的每个节点,所述任务重分配模块从集合任意挑选节点,并使用挑选出的节点对应的PLC设备,代替集合/>中的节点对应的有故障的PLC设备执行任务。
11.一种基于工业物联网的PLC远程监测控制方法,其基于如权利要求1-10中任一项所述的一种基于工业物联网的PLC远程监测控制系统实现,其特征在于,所述方法包括以下具体步骤:
A1:通过传感器采集所述系统中PLC设备一个运行周期内的数据;
A2:根据A1中的数据,构建属性图;
A3:根据A2中的属性图,通过预训练好的故障检测模型检测所述系统中有故障的PLC设备,输出检测结果;
A4:根据A3中的检测结果,检索其他潜在的故障PLC设备,输出检索结果;
A5:根据A4中的检索结果,将出现故障的PLC设备所执行的任务重新分配给无故障且能够执行同类型任务的PLC设备。
12.一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,该计算机程序被处理器执行时,实现如权利要求11中所述的一种基于工业物联网的PLC远程监测控制方法。
13.一种设备,其特征在于,包括:存储器,用于存储指令;处理器,用于执行所述指令,使得所述设备执行实现如权利要求11中所述的一种基于工业物联网的PLC远程监测控制方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456614.6A CN117170304B (zh) | 2023-11-03 | 2023-11-03 | 一种基于工业物联网的plc远程监测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311456614.6A CN117170304B (zh) | 2023-11-03 | 2023-11-03 | 一种基于工业物联网的plc远程监测控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170304A true CN117170304A (zh) | 2023-12-05 |
CN117170304B CN117170304B (zh) | 2024-01-05 |
Family
ID=88939845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311456614.6A Active CN117170304B (zh) | 2023-11-03 | 2023-11-03 | 一种基于工业物联网的plc远程监测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170304B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937523A (zh) * | 2012-11-06 | 2013-02-20 | 昆山北极光电子科技有限公司 | 一种风机齿轮箱工作状态检测和故障诊断系统 |
KR101928729B1 (ko) * | 2018-04-12 | 2019-03-14 | 주식회사 대은계전 | Plc 및 서버 기반의 동력 설비 제어시스템 및 방법 |
CN110501965A (zh) * | 2019-07-18 | 2019-11-26 | 浙江工业大学 | 基于嵌入式的远程plc数据采集和预警系统 |
US20200050167A1 (en) * | 2017-03-24 | 2020-02-13 | Siemens Aktiengesellschaft | Resilient failover of industrial programmable logic controllers |
KR20200074677A (ko) * | 2018-12-17 | 2020-06-25 | 주식회사 유디엠텍 | Plc 제어에 따른 오류 검출 시스템 |
KR20210097369A (ko) * | 2020-01-30 | 2021-08-09 | 주식회사 이엠포커스 | 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법 |
CN113721580A (zh) * | 2021-07-08 | 2021-11-30 | 傲拓科技股份有限公司 | 一种基于小程序的设备故障异常信息推送系统及推送方法 |
CN114740796A (zh) * | 2022-04-26 | 2022-07-12 | 傲拓科技股份有限公司 | 一种具有分布式处理器的大型plc系统 |
CN115348159A (zh) * | 2022-08-09 | 2022-11-15 | 国家电网有限公司信息通信分公司 | 基于自编码器和服务依赖图的微服务故障定位方法及装置 |
WO2023277274A1 (ko) * | 2021-07-02 | 2023-01-05 | 주식회사 유디엠텍 | Gnn 기반의 plc 제어 로직 자동 검수 방법 |
US20230027840A1 (en) * | 2021-07-23 | 2023-01-26 | Udmtek Co., Ltd. | Anomaly detecting method in sequence of control segment of automation equipment using graph autoencoder |
WO2023138337A1 (zh) * | 2022-01-18 | 2023-07-27 | 华为技术有限公司 | 一种电机故障检测方法及装置 |
KR20230135200A (ko) * | 2022-03-15 | 2023-09-25 | 주식회사 스텔스솔루션 | 건설중장비의 이상징후 감지 장치 및 방법 |
US20230324898A1 (en) * | 2020-08-14 | 2023-10-12 | Siemens Aktiengesellschaft | A Method, Device, System and Storage Medium for Fault Diagnosis and Solution Recommendation |
CN117170303A (zh) * | 2023-11-03 | 2023-12-05 | 傲拓科技股份有限公司 | 一种基于多元时间序列预测的plc故障智能诊断维护系统 |
-
2023
- 2023-11-03 CN CN202311456614.6A patent/CN117170304B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937523A (zh) * | 2012-11-06 | 2013-02-20 | 昆山北极光电子科技有限公司 | 一种风机齿轮箱工作状态检测和故障诊断系统 |
US20200050167A1 (en) * | 2017-03-24 | 2020-02-13 | Siemens Aktiengesellschaft | Resilient failover of industrial programmable logic controllers |
KR101928729B1 (ko) * | 2018-04-12 | 2019-03-14 | 주식회사 대은계전 | Plc 및 서버 기반의 동력 설비 제어시스템 및 방법 |
KR20200074677A (ko) * | 2018-12-17 | 2020-06-25 | 주식회사 유디엠텍 | Plc 제어에 따른 오류 검출 시스템 |
CN110501965A (zh) * | 2019-07-18 | 2019-11-26 | 浙江工业大学 | 基于嵌入式的远程plc数据采集和预警系统 |
KR20210097369A (ko) * | 2020-01-30 | 2021-08-09 | 주식회사 이엠포커스 | 고장유형 빅데이터를 이용한 기계설비의 잠재적 고장예측 시스템 및 그 방법 |
US20230324898A1 (en) * | 2020-08-14 | 2023-10-12 | Siemens Aktiengesellschaft | A Method, Device, System and Storage Medium for Fault Diagnosis and Solution Recommendation |
WO2023277274A1 (ko) * | 2021-07-02 | 2023-01-05 | 주식회사 유디엠텍 | Gnn 기반의 plc 제어 로직 자동 검수 방법 |
CN113721580A (zh) * | 2021-07-08 | 2021-11-30 | 傲拓科技股份有限公司 | 一种基于小程序的设备故障异常信息推送系统及推送方法 |
US20230027840A1 (en) * | 2021-07-23 | 2023-01-26 | Udmtek Co., Ltd. | Anomaly detecting method in sequence of control segment of automation equipment using graph autoencoder |
WO2023138337A1 (zh) * | 2022-01-18 | 2023-07-27 | 华为技术有限公司 | 一种电机故障检测方法及装置 |
KR20230135200A (ko) * | 2022-03-15 | 2023-09-25 | 주식회사 스텔스솔루션 | 건설중장비의 이상징후 감지 장치 및 방법 |
CN114740796A (zh) * | 2022-04-26 | 2022-07-12 | 傲拓科技股份有限公司 | 一种具有分布式处理器的大型plc系统 |
CN115348159A (zh) * | 2022-08-09 | 2022-11-15 | 国家电网有限公司信息通信分公司 | 基于自编码器和服务依赖图的微服务故障定位方法及装置 |
CN117170303A (zh) * | 2023-11-03 | 2023-12-05 | 傲拓科技股份有限公司 | 一种基于多元时间序列预测的plc故障智能诊断维护系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117170304B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
JP7069269B2 (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
West et al. | Automated fault detection and diagnosis of HVAC subsystems using statistical machine learning | |
US20170161963A1 (en) | Method of identifying anomalies | |
Liu et al. | Adaptive sensor allocation strategy for process monitoring and diagnosis in a Bayesian network | |
CN112799898B (zh) | 基于分布式故障检测的互联系统故障节点定位方法及系统 | |
US8560279B2 (en) | Method of determining the influence of a variable in a phenomenon | |
US20210397950A1 (en) | Abnormal driving state determination device and method using neural network model | |
JP2015011027A (ja) | 時系列データにおける異常を検出する方法 | |
CN102055604A (zh) | 一种故障定位方法及其系统 | |
Gao et al. | Systematic rationalization approach for multivariate correlated alarms based on interpretive structural modeling and Likert scale | |
JP2022502737A (ja) | ベイジアンネットワークによるボイラーの運転データの監視方法及び装置 | |
CN114418042B (zh) | 一种基于聚类分析的工业机器人运行趋势诊断方法 | |
CN106933097B (zh) | 一种基于多层优化pcc-sdg的化工过程故障诊断方法 | |
CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
EP3951534A1 (en) | System and method for causal inference in manufacturing process | |
CN110727669B (zh) | 一种电力系统传感器数据清理装置及清理方法 | |
CN117170304B (zh) | 一种基于工业物联网的plc远程监测控制方法及系统 | |
CN112926756A (zh) | 一种中央空调设备ai维修知识库应用方法 | |
JPH10124134A (ja) | 診断システム | |
CN112213103A (zh) | 轨道交通机车车辆轴承的故障诊断方法、装置、系统及介质 | |
CN113551156B (zh) | 基于深度学习的管道状态监测方法、装置及存储介质 | |
CN114779739A (zh) | 基于概率图模型的云边端协同下工业过程的故障监测方法 |
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 |