CN117273547B - 基于边缘计算的生产设备运行数据处理方法 - Google Patents

Abstract

本发明涉及电数据处理技术领域，具体涉及一种基于边缘计算的生产设备运行数据处理方法。该方法根据数据之间的相关性获取生产设备的关联范围。根据历史运行数据获得生产设备的运行周期。获取每段周期运行数据的稳定性以及偏差特征，进而获得畸变参数。然后结合畸变参数、关联范围以及运行周期获得重要性指标，根据重要性指标对数据资源进行分配，获得需要进行边缘处理的目标数据，进一步获得健康指数，通过健康指数判断该生产设备是否需要进行维护。本发明在对数据资源进行分配时结合了多项指标，故提高了判断数据是否需要进行边缘处理的准确度，进而提高数据处理效率，同时提高了判断设备是否需要进行维护的准确性。

Description

基于边缘计算的生产设备运行数据处理方法

技术领域

本发明涉及电数据处理技术领域，具体涉及一种基于边缘计算的生产设备运行数据处理方法。

背景技术

膨润土是一种重要的工业原材料，其生产过程非常复杂，涉及到多个生产设备的协作运行。为了保证膨润土生产过程的稳定性和生产效率，数据的处理效率以及生产设备的正常运行是前者实现的重要因素。

边缘计算是一种适用于实时性数据与短周期数据的数据处理方式，在本地决策等场景方面有不可替代的作用，目前已经广泛应用于生产设备运行数据的处理过程中。在现有相关技术中，对数据资源进行分配时，在对数据的分析过程中仅采用差异性作为数据复杂度指标，判断指标较为单一，没有考虑到数据的周期性以及设备之间的关联性，会导致已分配的数据资源在进行处理计算的过程中，影响判断数据资源需要进行的处理方式的准确度，进而导致数据的处理效率低下，同时影响判断设备是否需要进行维护的准确性。

发明内容

为了解决数据处理时判断指标较为单一导致已分配的数据资源在进行处理计算的过程中，影响判断数据资源需要进行的处理方式的准确度的技术问题，本发明的目的在于提供一种基于边缘计算的生产设备运行数据处理方法，所采用的技术方案具体如下：

本发明提供了一种基于边缘计算的生产设备运行数据处理方法，所述方法包括：

获取每个生产设备的运行数据，所述运行数据包括历史运行数据与基于预设采样时段获得的实时运行数据；根据每个所述生产设备的运行数据与其他生产设备的运行数据的相关性获取每个所述生产设备的关联范围；

根据所述历史运行数据获得每个所述生产设备的运行周期；基于每个所述生产设备的运行周期获得周期运行数据；所述周期运行数据包括实时周期运行数据和多段历史周期运行数据；根据每段周期运行数据中数据之间的差异获取每段周期运行数据的稳定性；

根据每段周期运行数据与时序上之前的周期运行数据中对应时刻的数据之间的差异，以及时序距离获得每段周期运行数据的偏差特征；根据所述实时周期运行数据的稳定性和偏差特征获得第一数据变化特征，根据所述历史周期运行数据的偏差特征和稳定性获得第二数据变化特征，根据所述第一数据变化特征与第二数据变化特征的差异获得所述实时周期运行数据的畸变参数；

根据所述每个生产设备的关联范围、运行周期以及所述每个生产设备的实时周期运行数据的畸变参数，获得所述每个生产设备的实时周期运行数据的重要性指标；根据所述重要性指标对生产设备的实时周期运行数据进行筛选，获得需要进行边缘处理的目标数据；

对所述目标数据进行边缘处理，获得健康指数，通过所述健康指数判断对应的生产设备是否需要进行维护。

进一步地，所述关联范围的获取方法包括：

以每个所述生产设备的运行数据与其他生产设备的运行数据之间的皮尔逊相关系数的绝对值作为相关系数；

若所述相关系数大于预设值，则认为两个设备之间具有相关性，将每个所述生产设备与其他生产设备具有相关性的个数作为每个所述生产设备的关联范围。

进一步地，所述运行周期的获取方法包括：

对每个所述生产设备的历史运行数据进行离散函数化获得离散函数，对所述离散函数利用快速傅里叶变换算法获得频域函数并获得频谱图；

将所述频谱图中最显著的频率作为主要频率，统计所述主要频率出现的时间间隔，将所述时间间隔作为所述生产设备的运行周期。

进一步地，所述稳定性的获取方法包括：

获取所述每段周期运行数据组成的数据序列，获取所述每个数据序列的差分序列，将所述差分序列中除第一个元素外其他元素的均值作为均值特征，将所述差分序列中除第一个元素外其他元素与所述均值特征的差异的均值作为波动特征，将所述波动特征进行负相关映射并归一化后作为所述每段周期运行数据的稳定性。

进一步地，所述偏差特征的获取方法包括：

将每段周期运行数据与时序上之前任意一段周期运行数据中对应时刻的数据之间差异的均值作为偏差均值；

根据时序对每段周期运行数据进行标号，将每段周期运行数据与时序上之前任意一段周期运行数据之间标号的差值进行负相关映射并归一化获得标号差异权重，将所述标号差异权重与对应的偏差均值相乘获得偏差因子；将每段周期运行数据时序上之前所有周期运行数据的偏差因子的均值作为所述每段周期运行数据的所述偏差特征。

进一步地，所述畸变参数的获取方法包括：

将所述实时周期运行数据的偏差特征与稳定性的比值作为所述第一数据变化特征；

将所有历史周期运行数据的偏差特征的均值与所有历史周期运行数据的稳定性的均值的比值作为所述第二数据变化特征；

将所述第一数据变化特征与第二数据变化特征的差值的绝对值作为所述实时周期运行数据的所述畸变参数。

进一步地，所述重要性指标的获取方法包括：

对所有生产设备的实时周期运行数据的畸变参数进行负相关归一化，将负相关归一化后的值与对应的生产设备的关联范围相乘后，与对应的生产设备运行周期的比值作为所述每个生产设备的实时周期运行数据的重要性指标。

进一步地，所述需要进行边缘处理的目标数据的获取方法包括：

对所有生产设备的实时周期运行数据的重要性指标进行归一化获得每个生产设备的实时周期运行数据对应的归一化参数；

利用K-means聚类算法对所述归一化参数进行预设K值的聚类分析；将包含最大归一化参数的类别标记为边缘计算类别，所述边缘计算类别中所有归一化参数对应的生产设备为需要进行边缘处理的生产设备，获取所述需要进行边缘处理的目标数据。

进一步地，所述判断对应的生产设备是否需要进行维护的方法包括：

通过数据挖掘对所述需要进行边缘处理的目标数据与对应的生产设备出现相关故障时产生的运行数据进行分析，并利用对应的关联规则通过模糊分析的方式获得所述需要进行边缘处理的目标数据对应的生产设备的健康指数，若所述健康指数大于预设判断阈值，则不需要进行维护；若所述健康指数小于预设判断阈值，则需要进行维护。

进一步地，所述预设K值设置为2。

本发明具有如下有益效果：

本发明首先获取每个生产设备的运行数据，进而分析每个生产设备与其他生产设备的运行数据之间的相关性获得每个生产设备的关联范围，关联范围表征了每个生产设备在所有生产设备配合运行中的重要程度，为后续判断该生产设备的运行数据是否需要进行边缘计算提供初始参考。由于边缘计算适用于实时性强、短周期的数据且边缘处理器的性能较低，故本发明获取每个生产设备的运行周期并基于运行周期获得周期运行数据，进而获得每个生产设备的周期运行数据的稳定性以及偏差特征；稳定性表征了生产设备的周期运行数据的稳定程度；偏差特征利用每段周期运行数据与时序上之前的周期运行数据的差异以及时序距离获得，可以反映生产设备的周期运行数据的偏差程度；进而结合周期运行数据的稳定性以及偏差特征获得实时周期运行数据的畸变参数，畸变参数表征了实时周期运行数据的复杂程度；然后结合每个生产设备的关联范围以及运行周期获得每个生产设备的实时周期运行数据的重要性指标；重要性指标综合了多方面的因素，因而更具可靠性，所以通过重要性指标来判断每个生产设备的实时周期运行需要进行的处理方式会更加准确，进而可以提高数据处理的效率，同时也可以提高判断需要进行边缘处理的目标数据对应的生产设备是否需要进行维护的准确性。

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和优点，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的介绍，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附图。

图1为本发明一个实施例所提供的一种基于边缘计算的生产设备运行数据处理方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于边缘计算的生产设备运行数据处理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于边缘计算的生产设备运行数据处理方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于边缘计算的生产设备运行数据处理方法流程图，该方法包括：

步骤S1：获取每个生产设备的运行数据，运行数据包括历史运行数据与基于预设采样时段获得的实时运行数据；根据每个生产设备的运行数据与其他生产设备的运行数据的相关性获取每个生产设备的关联范围。

在本发明实施例中，需要对膨润土的不同生产设备的运行数据进行分析而后对不同的生产设备进行是否需要边缘计算的判断；故本发明首先对膨润土生产流水线上的不同生产设备在进生产过程中的运行数据进行收集，具体的收集方式为：首先对膨润土的生产流水线上的不同生产设备进行编号（编号方式为[1，N]，其中N为生产流水线上生产设备的总个数）；然后利用边缘传感器对不同的生产设备在进行膨润土生产时的实时运行数据进行获取，获取方式为基于预设采样时段获得所有生产设备的实时运行数据，并获取存储在设备数据存储库中所有生产设备的历史运行数据；对获取到的实时运行数据以及历史运行数据统一使用ASCII编码进行预处理。需要说明的是，本发明实施例中预设采样时段为10分钟，具体采样时段的大小以及对运行数据进行预处理的方法实施者可根据具体实施场景进行调整，在此不做限定。

至此，完成了对膨润土的生产设备对应的运行数据的采集以及预处理，获得了不同的生产设备对应的运行数据。

在进行膨润土的生产过程中，不同生产设备的运行是相互配合的，某些生产设备的运行之间有着一定的关联性；如果某个生产设备与其他更多的生产设备相关联，则其运行出现问题之后对于整体膨润土的生产影响会更大，反之则反。所以首先需要对所有的生产设备进行关联范围的确定。

优选地，本发明一个实施例中每个生产设备的关联范围的获取方法包括：

对每个生产设备对应的运行数据与其他生产设备对应的运行数据进行皮尔逊相关系数的计算，皮尔逊相关系数正数表示正相关，负数表示负相关，由于在本发明中仅考虑是否存在相关关系，故将获得的皮尔逊系数取绝对值作为每个生产设备的运行数据与其他生产设备的运行数据的相关系数；而后将相关系数与预设值进行比较，若大于预设值，则认为二者具有相关性，否则认为二者不具有相关性。计算每个生产设备与其他所有生产设备的运行数据的相关系数并进行判断，将每个生产设备与其他生产设备具有相关性的个数作为该生产设备的关联范围。例如，以第个生产设备为例，其运行数据与剩余的/>个设备中有/>个设备的运行数据具有相关性，则第/>个生产设备的关联范围为/>。需要说明的是，皮尔逊相关系数的计算方法为本领域技术人员熟知的计算方法，在此不做赘述，本发明实施例中预设值的大小为0.5，预设值的具体大小实施者可根据具体实施场景进行调整，在此不做限定。

至此，获得了所有生产设备的关联范围，关联范围反映了每个生产设备在膨润土生产流水线中的重要程度，为后续判断每个生产设备的运行数据是否需要进行边缘处理提供了一个参考指标。

步骤S2：根据历史运行数据获得每个生产设备的运行周期；基于每个生产设备的运行周期获得周期运行数据；周期运行数据包括实时周期运行数据和多段历史周期运行数据；根据每段周期运行数据中数据之间的差异获取每段周期运行数据的稳定性。

由于边缘计算多应用于短周期数据，故本发明基于每个生产设备的历史运行数据来获取每个生产设备的运行周期，并基于运行周期对每个生产设备的历史运行数据进行划分获得多段历史周期运行数据，同时基于运行周期获取每个生产设备的实时周期运行数据。

优选地，本发明一个实施例中生产设备的运行周期的获取方法包括：

以第个生产设备为例，首先对第/>个生产设备对应的所有的历史运行数据进行离散函数化，获得第/>个生产设备的历史运行数据的离散函数；其次使用快速傅里叶变换算法将其变换为频域函数，并绘制频谱图；然后分析频谱图来确定频谱图像中的主要频率，主要频率是指信号中最显著的频率；最后利用主要频率来确定第/>个生产设备的运行周期，确定方式为统计主要频率出现的时间间隔，该时间间隔即为第/>个生产设备的运行周期/>。选择利用最显著的频率来获取生产设备的运行周期是因为最显著的频率更容易被观察到，可以提高运行周期获取的准确度。需要说明的是，快速傅里叶变换算法为本领域技术人员熟知的技术手段，在此不做赘述。

由于数据的稳定性也是影响判断生产设备的运行数据是否符合边缘计算的因素之一，故本发明通过每个生产设备的周期运行数据中数据之间的差异性来获取该生产设备的周期运行数据的稳定性。

优选地，本发明一个实施例中稳定性的获取方法包括：

获取每段周期运行数据的数据序列，获取每个数据序列的差分序列，将每个差分序列中除第一个元素外其他元素的均值作为均值特征，均值特征表征了每段周期数据中数据之间的普遍差异；将差分序列中除第一个元素外其他元素与均值特征的差异的均值作为波动特征，将波动特征进行负相关映射并归一化后作为每段周期运行数据的稳定性。稳定性的公式模型为：

其中，表示稳定性，/>表示第/>个生产设备对应的运行周期内数据的总个数，表示差分序列中第/>个数据，/>表示均值特征，/>为自然常数，∑为求和符号。

在膨润土的生产过程中，不同的生产设备所起到的作用是较为单一的，而生产设备的功能单一说明其在大部分的运行情况下所产生的运行数据一定是较为稳定的(特指连续时间内数据的变化程度)，故在稳定性公式模型中，以每段周期运行数据中连续两个时刻所获取的运行数据的差值作为稳定性量化的基础特征，将该基础特征与该周期运行数据内的所有数据的基础特征的平均值进行差异计算后进行整体累加，获得该段周期运行数据的稳定性，该值越大，说明该段运行周期内的周期运行数据的自身稳定性越好。需要说明的是，归一化的操作为本领域技术人员熟知的方法，在本发明其他实施例中也可使用例如极差标准化等其他归一化的操作方法，在此不做赘述。

至此，获得了每个生产设备的运行周期以及每段周期运行数据的稳定性。

步骤S3：根据每段周期运行数据与时序上之前的周期运行数据中对应时刻的数据之间的差异，以及时序距离获得每段周期运行数据的偏差特征；根据实时周期运行数据的稳定性和偏差特征获得第一数据变化特征，根据历史周期运行数据的偏差特征和稳定性获得第二数据变化特征，根据第一数据变化特征与第二数据变化特征的差异获得实时周期运行数据的畸变参数。

在生产设备的运行过程中，对应的运行周期内运行数据越稳定并不足以说明该生产设备在运行周期内是正常的，比如，当某个生产设备出现了短路，短路为异常状态但是该短路的生产设备的运行数据也是稳定的。所以本发明根据每段周期运行数据与时序上之前的周期运行数据中对应时刻的数据之间的差异，以及时序距离获得每段周期运行数据的偏差特征；偏差特征可以反映每段周期运行数据与时序上之前的周期运行数据的偏差程度，为表征周期运行数据的复杂程度提供参考。

优选地，本发明一个实施例中偏差特征的获取方法包括：

将每段周期运行数据与时序上之前任意一段周期运行数据中对应时刻的数据之间差异的均值作为偏差均值；

根据时序对每段周期运行数据进行标号，标号为(/>为实时运行周期对应的标号),将每段周期运行数据与时序上之前任意一段周期运行数据之间标号的差值进行负相关映射并归一化获得标号差异权重，将该标号差异权重与对应的偏差均值相乘获得偏差因子；将每段周期运行数据与时序上之前所有周期运行数据的偏差因子的均值作为该段周期运行数据的偏差特征。偏差特征的公式模型为：

其中，表示第/>个生产设备第/>个周期中运行数据的偏差特征，/>表示第/>个生产设备的第/>个周期，/>表示第/>个生产设备的第/>个周期（/>），/>表示第/>个生产设备对应的运行周期中数据的总个数，/>表示第/>个生产设备在第/>个周期中第/>个时刻的运行数据，/>表示第/>个生产设备在第/>个周期中第/>个时刻的运行数据，∑为求和符号，/>为自然常数。

在偏差特征的公式模型中，本发明实施例利用每个运行周期内运行数据与时序上之前的运行周期内对应时刻的运行数据进行差异性计算，如果数据间的差异较小，说明该运行周期内产生的运行数据出现的偏差程度越小，并且以周期的标号差异权重作为权值对数据间的差异进行调整，目的在于若两段运行周期的标号差异权重越大，即距离越远，则获得的偏差均值的可信度越小，可信度越小则对偏差特征的整体影响也就越小。

至此，可根据偏差特征的公式模型获得每段周期运行数据的偏差特征。

由于稳定性表征了每段周期运行数据的稳定程度，偏差特征表征了每段周期运行数据与时序上之前的周期运行数据的偏差程度，故可将二者进行结合作为每段周期运行数据的畸变参数，来表征每段周期运行数据的畸变程度。

优选地，本发明一个实施例中畸变参数的获取方法包括：

首先将实时周期运行数据的偏差特征和稳定性的比值作为第一数据变化特征。

然后将所有历史周期运行数据的偏差特征的均值与所有历史周期运行数据的稳定性的均值的比值作为第二数据变化特征，第二数据变化特征的公式模型为：

其中，表示第/>个生产设备对应的第二数据变化特征，/>表示第/>个生产设备的第/>个周期，/>表示第/>个生产设备的第/>个周期（/>），/>表示第/>个生产设备的第/>个运行周期内运行数据的偏差特征，/>表示第/>个生产设备的第/>个运行周期内运行数据的稳定性。

根据第一数据变化特征与第二数据变化特征的差异可以获得实时周期运行数据的畸变参数。畸变参数的公式模型为：

其中，表示第/>个生产设备的周期运行数据的畸变参数，/>表示第/>个生产设备第/>个周期中运行数据（即实时周期运行数据）的偏差特征，/>表示第个生产设备第/>个周期中运行数据（即实时周期运行数据）的稳定性，即/>表示第/>个生产设备对应的第一数据变化特征，/>表示第/>个生产设备对应的第二数据变化特征。

在畸变参数的公式模型中，表示第/>个生产设备的周期运行数据中前/>个历史周期运行数据的平均稳定程度；/>表示第/>个生产设备的周期运行数据中前/>个历史周期运行数据的平均偏差程度；获取平均值的目的在于可以更加精确的反应出数据的变化情况。当实时周期运行数据的稳定性越好，偏差程度越小，则第一数据变化特征的值越小；同时当第一数据变化特征与第二数据变化特征的差异越小时，说明第/>个生产设备对应的实时周期运行数据的畸变程度越小；由于边缘处理器的性能较低且计算能力有限，故/>越小越适合进行边缘处理。

至此，获得了每个生产设备对应的实时周期运行数据的畸变参数，为后续判断每个生产设备的实时周期运行数据是否需要进行边缘处理提供了另一个参考指标。

步骤S4：根据每个生产设备的关联范围、运行周期以及每个生产设备的实时周期运行数据的畸变参数，获得每个生产设备的实时周期运行数据的重要性指标；根据重要性指标对生产设备的实时周期运行数据进行筛选，获得需要进行边缘处理的目标数据。

由于边缘处理器的计算能力有限，且适用于处理短周期数据以及实时性较强的数据，故根据步骤S1中获得的每个生产设备的关联范围，步骤S2中获得的每个生产设备的运行周期以及步骤S3中获得的每个生产设备的实时周期运行数据的畸变参数获得每个生产设备对应的实时周期运行数据的重要性指标。

优选地，本发明一个实施例中重要性指标的获取方法包括：

对每个生产设备的实时周期运行数据对应的畸变参数进行负相关归一化，将负相关归一化后的值与该生产设备对应的关联范围相乘后，将相乘后的值与该生产设备对应的运行周期的比值作为该生产设备的实时周期运行数据的重要性指标。重要性指标的公式模型为：

其中，表示第/>个生产设备对应的实时周期运行数据的重要性指标，/>表示第/>个生产设备的关联范围，/>表示第/>个生产设备的运行周期，/>表示第/>个生产设备的实时周期运行数据的畸变参数，/>表示自然常数。

在重要性指标的公式模型中，第个生产设备对应的实时周期运行数据的重要性指标是通数据的畸变参数、该生产设备的关联范围以及该生产设备的运行周期统一进行评判的；因为第/>个生产设备的关联范围越大，即与该生产设备相关的生产设备的个数越多，则第/>个生产设备出现问题之后对于膨润土的生产过程整体影响越大，所以越重要，即时效性要求较高；而畸变参数是为了衡量每个生产设备的实时周期运行数据的稳定性以及偏差程度，因为在进行边缘进行计算的时候，边缘服务器的计算能力有限，当运行数据越简单，其处理的速度越快，而数据的稳定性越大，偏差程度越小，则畸变参数越小，说明待处理周期内运行数据越简单；所以以畸变参数负相关归一化后的值与关联范围的乘积作为分子；而以第/>个生产设备对应的运行周期作为分母的原因为，当该设备的运行周期越长，则说明在对其进行云端传输的时候容错率越强，即数据的有效性较强，反之如果运行周期较短时，则其进行云端传输时已经经过了很多个周期，会导致数据的有效性不足，同时边缘计算适用于短周期数据，故生产设备的运行周期越小，越应该使用边缘计算。所以利用重要性指标的公式模型进行第/>个生产设备的重要性指标计算时，当运行数据的畸变参数越小，生产设备的关联范围越大，运行周期越小，则重要性指标越大，说明其在进行数据计算时利用边缘服务器进行数据处理的优势越大。

至此，可以利用重要性指标的公式模型获得膨润土生产过程中所有生产设备的实时周期运行数据对应的重要性指标。获取重要性指标后，需要对其进行筛选，进而获得需要进行边缘处理的目标数据。

优选地，本发明一个实施例中需要进行边缘处理的目标数据的获取方法包括：

首先需要对所有的生产设备对应的实时周期运行数据的重要性指标进行归一化获得对应的归一化参数，归一化参数的获取过程为：

其中，表示第/>个生产设备的实时周期运行数据对应的归一化参数，/>表示第/>个生产设备的实时周期运行数据对应的重要性指标，/>表示所有的/>个生产设备中实时周期运行数据的重要性指标中的最大值，/>表示所有的/>个生产设备中实时周期运行数据的重要性指标中的最小值。

利用归一化参数的获取过程可以获得膨润土生产过程中所有生产设备的实时周期运行数据的重要性指标对应的归一化参数。进而可以利用K-means聚类算法对所有的归一化参数进行预设K值的聚类分析；然后将包含最大归一化参数的类别标记为边缘计算类别，选该边缘计算类别中所有归一化参数对应的生产设备的实时周期运行数据为需要进行边缘处理的目标数据。需要说明的是，K-means聚类算法为本领域技术人员熟知的技术手段，在此不做赘述。

优选地，本发明实施例中预设K值设置为2。

至此，结合多个指标获得了需要进行边缘处理的实时周期运行数据，可以使得对数据需要进行的处理方式的判断更加准确，进而可以提高数据的处理效率。

步骤S5：对目标数据进行边缘处理，获得健康指数，通过健康指数判断对应的生产设备是否需要进行维护。

步骤S4中获得了在膨润土生产过程中需要进行边缘计算的目标数据，现在对其对应的生产设备是否需要进行维护进行判断。

优选地，本发明一个实施例中判断需要进行边缘处理的目标数据对应的生产设备是否需要进行维护的方法包括：

将需要进行边缘处理的运行设备对应的实时周期运行数据传输至距离该设备最近的边缘服务器，而后利用边缘服务器对该数据进行分析处理，分析方式为通过数据挖掘将膨润土生产设备的实时周期运行数据与该生产设备出现相关故障时产生的数据进行分析，具体原理为根据生产设备的运行数据针对设备的运行中可能出现的故障的关联规则的挖掘，并利用对应的关联规则通过模糊分析的方式获取该设备的健康指数，若健康指数大于预设判断阈值，则不需要对该设备进行维护，若健康指数小于预设判断阈值，则需要对该设备进行维护。需要说明的是，数据挖掘为本领域技术人员熟知的技术手段，在此不做赘述，健康指数的评估为百分制，预设判断阈值的大小为70，具体规则及数值实施者可根据具体实施场景进行调整，在此不做限定。

综上所述，本发明实施例首先获取膨润土生产过程中各个生产设备的运行数据，并对数据进行预处理进而根据每个生产设备的运行数据与其他生产设备的运行数据的相关性获取每个生产设备的关联范围，关联范围反映了每个生产设备在整个膨润土生产过程中的重要程度。进一步地，由于边缘处理器适合处理短周期的数据，故对每个生产设备的运行数据中的历史运行数据进行离散函数化，并使用快速傅里叶变换获得频域图进而获得频谱图，将频谱图中主要频率出现的时间间隔作为对应的生产设备的运行周期；基于每个生产设备的运行周期获得历史周期运行数据和实时周期运行数据。进一步地，利用每段运行周期内数据之间的差异获得每段周期运行数据的稳定性；利用每段周期运行数据与时序上之前的周期运行数据中对应时刻的数据之间的差异以及时序距离获得偏差特征，进而结合稳定性和偏差特征获得实时周期运行数据的畸变参数，畸变参数越小，说明该运行数据越适合进行边缘处理。进一步地，结合畸变参数、关联范围以及运行周期获得每个生产设备的实时周期运行数据的重要性指标，对重要性指标归一化后进行筛选，获得需要进行边缘处理的目标数据，该目标数据的获取结合了多项指标，故提高了获取需要进行边缘处理的目标数据的准确度，进而可以提高数据的处理效率，通过对需要进行边缘处理的目标数据进行数据挖掘以及利用对应的关联规则进行分析，获得需要进行边缘处理的目标数据对应的生产设备的健康指数，通过将健康指数与预设判断阈值进行比较，判断该生产设备是否需要进行维护。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (9)

1.一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述方法包括：

获取每个生产设备的运行数据，所述运行数据包括历史运行数据与基于预设采样时段获得的实时运行数据；根据每个所述生产设备的运行数据与其他生产设备的运行数据的相关性获取每个所述生产设备的关联范围；

根据所述历史运行数据获得每个所述生产设备的运行周期；基于每个所述生产设备的运行周期获得周期运行数据；所述周期运行数据包括实时周期运行数据和多段历史周期运行数据；根据每段周期运行数据中数据之间的差异获取每段周期运行数据的稳定性；

根据每段周期运行数据与时序上之前的周期运行数据中对应时刻的数据之间的差异，以及时序距离获得每段周期运行数据的偏差特征；根据所述实时周期运行数据的稳定性和偏差特征获得第一数据变化特征，根据所述历史周期运行数据的偏差特征和稳定性获得第二数据变化特征，根据所述第一数据变化特征与第二数据变化特征的差异获得所述实时周期运行数据的畸变参数；

根据所述每个生产设备的关联范围、运行周期以及所述每个生产设备的实时周期运行数据的畸变参数，获得所述每个生产设备的实时周期运行数据的重要性指标；根据所述重要性指标对生产设备的实时周期运行数据进行筛选，获得需要进行边缘处理的目标数据；

对所述目标数据进行边缘处理，获得健康指数，通过所述健康指数判断对应的生产设备是否需要进行维护；

所述需要进行边缘处理的目标数据的获取方法包括：

对所有生产设备的实时周期运行数据的重要性指标进行归一化获得每个生产设备的实时周期运行数据对应的归一化参数；

利用K-means聚类算法对所述归一化参数进行预设K值的聚类分析；将包含最大归一化参数的类别标记为边缘计算类别，所述边缘计算类别中所有归一化参数对应的生产设备为需要进行边缘处理的生产设备，获取所述需要进行边缘处理的目标数据。

2.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述关联范围的获取方法包括：

以每个所述生产设备的运行数据与其他生产设备的运行数据之间的皮尔逊相关系数的绝对值作为相关系数；

若所述相关系数大于预设值，则认为两个设备之间具有相关性，将每个所述生产设备与其他生产设备具有相关性的个数作为每个所述生产设备的关联范围。

3.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述运行周期的获取方法包括：

对每个所述生产设备的历史运行数据进行离散函数化获得离散函数，对所述离散函数利用快速傅里叶变换算法获得频域函数并获得频谱图；

将所述频谱图中最显著的频率作为主要频率，统计所述主要频率出现的时间间隔，将所述时间间隔作为所述生产设备的运行周期。

4.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述稳定性的获取方法包括：

获取所述每段周期运行数据组成的数据序列，获取所述每个数据序列的差分序列，将所述差分序列中除第一个元素外其他元素的均值作为均值特征，将所述差分序列中除第一个元素外其他元素与所述均值特征的差异的均值作为波动特征，将所述波动特征进行负相关映射并归一化后作为所述每段周期运行数据的稳定性。

5.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述偏差特征的获取方法包括：

将每段周期运行数据与时序上之前任意一段周期运行数据中对应时刻的数据之间差异的均值作为偏差均值；

根据时序对每段周期运行数据进行标号，将每段周期运行数据与时序上之前任意一段周期运行数据之间标号的差值进行负相关映射并归一化获得标号差异权重，将所述标号差异权重与对应的偏差均值相乘获得偏差因子；将每段周期运行数据时序上之前所有周期运行数据的偏差因子的均值作为所述每段周期运行数据的所述偏差特征。

6.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述畸变参数的获取方法包括：

将所述实时周期运行数据的偏差特征与稳定性的比值作为所述第一数据变化特征；

将所有历史周期运行数据的偏差特征的均值与所有历史周期运行数据的稳定性的均值的比值作为所述第二数据变化特征；

将所述第一数据变化特征与第二数据变化特征的差值的绝对值作为所述实时周期运行数据的所述畸变参数。

7.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述重要性指标的获取方法包括：

对所有生产设备的实时周期运行数据的畸变参数进行负相关归一化，将负相关归一化后的值与对应的生产设备的关联范围相乘后，与对应的生产设备运行周期的比值作为所述每个生产设备的实时周期运行数据的重要性指标。

8.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述判断对应的生产设备是否需要进行维护的方法包括：

通过数据挖掘对所述需要进行边缘处理的目标数据与对应的生产设备出现相关故障时产生的运行数据进行分析，并利用对应的关联规则通过模糊分析的方式获得所述需要进行边缘处理的目标数据对应的生产设备的健康指数，若所述健康指数大于预设判断阈值，则不需要进行维护；若所述健康指数小于预设判断阈值，则需要进行维护。

9.根据权利要求1所述的一种基于边缘计算的生产设备运行数据处理方法，其特征在于，所述预设K值设置为2。