CN117471982A - 一种边缘计算远程控制plc的方法 - Google Patents
一种边缘计算远程控制plc的方法 Download PDFInfo
- Publication number
- CN117471982A CN117471982A CN202311472125.XA CN202311472125A CN117471982A CN 117471982 A CN117471982 A CN 117471982A CN 202311472125 A CN202311472125 A CN 202311472125A CN 117471982 A CN117471982 A CN 117471982A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- output
- remote control
- production
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 107
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 32
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 210000000481 breast Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011958 production data acquisition Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 1
- 230000001419 dependent effect 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/054—Input/output
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
-
- 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
- G05B2219/10—Plc systems
- G05B2219/11—Plc I-O input output
- G05B2219/1161—Signal processing, detect or deliver analog signals
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Programmable Controllers (AREA)
Abstract
本发明涉及一种边缘计算远程控制PLC的方法,属于PLC控制技术领域,首先,通过与生产设备相连的边缘计算设备采集现场生产数据,数据清洗处理后加密传输到云服务器;其次,云服务器根据生产需求设定目标生产数据,并发送加密的远程控制指令到边缘设备;然后,边缘设备通过RS422、RS232和RS485协议操作PLC系统,读写PLC对应的寄存器位表地址,并保存接收的数据;最后,PLC系统计算生产数据调整量,并将其作为输入,代入构建完成的BP人工神经网络模型,输出生产设备参数调整量,对生产设备参数进行调整。本发明解决现有技术生产设备参数难以自动调整的问题,同时解决生产设备对云服务器指控指令响应慢的问题。
Description
技术领域
本发明属于PLC控制技术领域,涉及一种边缘计算远程控制PLC的方法。
背景技术
边缘计算可采用RS422、RS232和RS485通讯协议与不同设备类型的PLC进行直连,实现边缘计算控制PLC的功能。利用边缘计算接收云服务端的控制指令,在收到指令后,边缘计算直接通过通讯协议读写对应的PLC寄存器,可实现PLC的远程控制功能。
然而,目前远程控制PLC的方法更多采用手动调整生产设备参数的方式去实现控制生产,这种方式基于人工经验判断,往往会在调参的过程中出现误差而导致达不到生产目标。此外,由于生产设备参数与生产数据之间的响应关系未知,导致生产设备难以快速响应云服务器发送的远程控制指令,针对生产目标对生产设备参数作出调整。
发明内容
为解决上述现有技术存在的问题,本发明提供了一种边缘计算远程控制PLC的方法。
本发明的目的可以通过以下技术方案实现:
一种边缘计算远程控制PLC的方法,包括以下步骤:
步骤一、现场生产数据采集:通过边缘计算设备采集现场生产数据,对现场生产数据进行数据清洗处理,并将处理后的数据加密处理后通过HTTPS协议传输至云服务器;
步骤二、远程控制指令发送:云服务器解密并接收现场生产数据文件,设定目标生产数据,根据目标生产数据配置好远程控制指令,将所述远程控制指令加密并生成64位数字签名后,通过HTTPS协议发送至边缘计算设备;
步骤三、远程控制指令接收:边缘计算收到云服务器的远程控制指令后,验证64位数字签名后解密远程控制指令,通过RS422、RS232和RS485协议操作PLC系统,读写PLC对应的寄存器位表地址,并保存接收的数据;
步骤四、远程控制指令响应:PLC系统根据接收的远程控制指令,计算生产数据调整量,并将所述生产数据调整量作为输入,代入已构建完成的BP人工神经网络模型,输出生产设备参数调整量,最后根据所述生产设备参数调整量对生产设备的参数进行调整。
进一步地,步骤一中,所述边缘计算设备与生产设备相连,用于响应云服务器对生产设备的业务交互请求。
进一步地,步骤一中,所述数据加密处理,配置为采用AES算法将明文数据转化为密文,再将所述密文包封装在以JSON格式和标准的文件中,并生成JSON文件的OTP密钥。
进一步地,步骤四中,所述生产数据调整量,是由步骤二中所述目标生产数据减去步骤一中所述现场生产数据所得。
进一步地,步骤四中,所述生产设备参数调整量,是由步骤二中所述目标生产数据时记录的生产设备参数值,减去步骤一中所述现场生产数据时记录的生产设备参数值所得。
进一步地,步骤四中,所述构建BP人工神经网路,包括以下步骤:
S1、确定模型结构:确定神经网络的层数和每层的神经元数量,包括输入层、隐藏层和输出层,并设置模型的学习率和迭代次数;
S2、前向传播:将输入数据通过神经网络进行计算,从输入层开始,通过隐藏层逐层传递,最终到达输出层,在每个神经元中,根据输入数据和权重计算加权和,最后通过激活函数得到神经元的输出;
S3、计算误差:将神经网络的输出与期望输出进行比较,计算出误差;
S4、反向传播:根据误差,从输出层开始,逐层反向传播误差,并根据误差利用梯度下降算法调整连接权重和偏置;
S5、重复迭代:重复进行步骤S2至步骤S4,直到达到预设的误差阈值时停止;
S6、模型评估:使用独立的测试数据集对训练好的神经网络进行测试,采用决定系数R2评估模型的预测能力。
进一步地,步骤S1中,所述模型结构,具体配置为:输入层为往期已保存的生产数据调整量,输出层为往期已保存的生产设备参数调整量,隐藏层层数为1层,输入层单元与隐藏层单元之间,以及隐藏层单元与输出层单元之间都设有连接权重和偏置,隐藏层和输出层都设有激活函数,神经元输出的计算公式如下:
式中,y为神经元输出;xi为输入;b为偏置;w为神经元之间的连接权重;F为激活函数。
进一步地,步骤S2中,所述前向传播,包括以下步骤:
S21、计算模型隐藏层的输出,其公式为:
式中,yj为隐藏层的输出;xi为第i个输入值,i=1,2,……,n;n为总样本数;bj为隐藏层的偏置;wji为输入层和隐藏层之间的连接权重;ɡ为隐藏层的激活函数;
S22、计算模型输出层的输出,其公式为:
式中,pl为隐藏层到输出层的输出;bl为输入层到隐藏层的偏置;wlj为隐藏层和输出层之间的连接权重;z为输出层的激活函数。
进一步地,步骤S3中,所述计算误差,公式为:
式中,E为输出层单元误差函数;tl为期望输出;zl为输出层输出。
进一步地,步骤S4中,所述的反向传播,包括以下步骤:
S41、利用误差函数对输出层单元的连接权重和偏置求偏导;
S42、利用误差函数对隐藏层单元的连接权重和偏置求偏导;
S43、利用连接权重和偏置的调整量与误差函数的成比例关系,确定调整的范围,调整量的公式为:
wk+1=wk-ηk·gk,
式中,wk+1为调整量;wk为当前的连接权重和偏置;ηk为学习率,ɡk为当前函数的梯度。
本发明的有益效果为:
(1)通过AES算法、OTP密钥和64位数字签名多重数据加密和身份验证方式,保障了边缘计算远程控制PLC过程的指令和数据传输的安全;
(2)通过往期已保存的生产数据与生产设备参数数据,构建BP人工神经网络模型,量化了二者之间的响应关系,从而加快了后续生产设备对云服务器远程控制指令的响应速度;
(3)通过构建基于生产设备参数与生产数据之间的BP人工神经网络模型,可实现设定目标生产数据,自动调整生产设备参数,实现了远程控制的智能化管理,解决了采用边缘计算远程控制PLC手动调整生产设备参数可能产生误差的问题。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步地说明。
图1为本发明中一种边缘计算远程控制PLC的方法流程图。
具体实施方式
为更进一步阐述本发明为实现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,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如后。
请参阅图1,本发明提供了一种边缘计算远程控制PLC的方法,包括以下步骤:
步骤一、现场生产数据采集:通过边缘计算设备采集现场生产数据,对现场生产数据进行数据清洗处理,并将处理后的数据加密处理后通过HTTPS协议传输至云服务器;
步骤二、远程控制指令发送:云服务器解密并接收现场生产数据文件,设定目标生产数据,根据目标生产数据配置好远程控制指令,将所述远程控制指令加密并生成64为数字签名后,通过HTTPS协议发送至边缘计算设备;
步骤三、远程控制指令接收:边缘计算收到云服务器的远程控制指令后,验证64位数字签名后解密远程控制指令,通过RS422、RS232和RS485协议操作PLC系统,读写PLC对应的寄存器位表地址,并保存接收的数据;
步骤四、远程控制指令响应:PLC系统根据接收的远程控制指令,计算生产数据调整量,并将所述生产数据调整量作为输入,代入已构建完成的BP人工神经网络模型,输出生产设备参数调整量,最后根据所述生产设备参数调整量对生产设备的参数进行调整。
进一步地,步骤一中,所述边缘计算设备与生产设备相连,用于响应云服务器对生产设备的业务交互请求。
进一步地,步骤一中,所述数据加密处理,配置为采用AES算法将明文数据转化为密文,再将所述密文包封装在以JSON格式和标准的文件中,并生成JSON文件的OTP密钥。
进一步地,步骤四中,所述生产数据调整量,是由步骤二中所述目标生产数据减去步骤一中所述现场生产数据所得。
进一步地,步骤四中,所述生产设备参数调整量,是由步骤二中所述目标生产数据时记录的生产设备参数值,减去步骤一中所述现场生产数据时记录的生产设备参数值所得。
本实施例中,考虑了生产设备参数与生产数据之间的因果关系,将生产设备参数调整量和生产数据调整量作为本实施例的因变量和自变量,较好地体现出远程控制与控制目标的关系,为实现智能化控制管理打下基础。
进一步地,步骤四中,所述构建BP人工神经网路,包括以下步骤:
S1、确定模型结构:确定神经网络的层数和每层的神经元数量,包括输入层、隐藏层和输出层,并设置模型的学习率和迭代次数;
S2、前向传播:将输入数据通过神经网络进行计算,从输入层开始,通过隐藏层逐层传递,最终到达输出层,在每个神经元中,根据输入数据和权重计算加权和,最后通过激活函数得到神经元的输出;
S3、计算误差:将神经网络的输出与期望输出进行比较,计算出误差;
S4、反向传播:根据误差,从输出层开始,逐层反向传播误差,并根据误差利用梯度下降算法调整连接权重和偏置;
S5、重复迭代:重复进行步骤S2至步骤S4,直到达到预设的误差阈值时停止;
S6、模型评估:使用独立的测试数据集对训练好的神经网络进行测试,采用决定系数R2评估模型的预测能力。
进一步地,步骤S1中,所述模型结构,具体配置为:输入层为往期已保存的生产数据调整量,输出层为往期已保存的生产设备参数调整量,隐藏层层数为1层,输入层单元与隐藏层单元之间,以及隐藏层单元与输出层单元之间都设有连接权重和偏置,隐藏层和输出层都设有激活函数,神经元输出的计算公式如下:
式中,y为神经元输出;xi为输入;b为偏置;w为神经元之间的连接权重;F为激活函数。
进一步地,步骤S2中,所述前向传播,包括以下步骤:
S21、计算模型隐藏层的输出,其公式为:
式中,yj为隐藏层的输出;xi为第i个输入值,i=1,2,……,n;n为总样本数;bj为隐藏层的偏置;wji为输入层和隐藏层之间的连接权重;ɡ为隐藏层的激活函数;
S22、计算模型输出层的输出,其公式为:
式中,pl为隐藏层到输出层的输出;bl为输入层到隐藏层的偏置;wlj为隐藏层和输出层之间的连接权重;z为输出层的激活函数。
进一步地,步骤S3中,所述计算误差,公式为:
式中,E为输出层单元误差函数;tl为期望输出;zl为输出层输出。
进一步地,步骤S4中,所述的反向传播,包括以下步骤:
S41、利用误差函数对输出层单元的连接权重和偏置求偏导;
S42、利用误差函数对隐藏层单元的连接权重和偏置求偏导;
S43、利用连接权重和偏置的调整量与误差函数的成比例关系,确定调整的范围,调整量的公式为:
wk+1=wk-ηk·gk,
式中,wk+1为调整量;wk为当前的连接权重和偏置;ηk为学习率,ɡk为当前函数的梯度。
本发明的有益效果为:
(1)通过AES算法、OTP密钥和64位数字签名多重数据加密和身份验证方式,保障了边缘计算远程控制PLC过程的指令和数据传输的安全;
(2)通过往期已保存的生产数据与生产设备参数数据,构建BP人工神经网络模型,量化了二者之间的响应关系,从而加快了后续生产设备对云服务器远程控制指令的响应速度;
(3)通过构建基于生产设备参数与生产数据之间的BP人工神经网络模型,可实现设定目标生产数据,自动调整生产设备参数,实现了远程控制的智能化管理,解决了采用边缘计算远程控制PLC手动调整生产设备参数可能产生误差的问题。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种边缘计算远程控制PLC的方法,其特征在于:包括以下步骤:
步骤一、现场生产数据采集:通过边缘计算设备采集现场生产数据,对现场生产数据进行数据清洗处理,并将处理后的数据加密处理后通过HTTPS协议传输至云服务器;
步骤二、远程控制指令发送:云服务器解密并接收现场生产数据文件,设定目标生产数据,根据目标生产数据配置好远程控制指令,将所述远程控制指令加密并生成64位数字签名后,通过HTTPS协议发送至边缘计算设备;
步骤三、远程控制指令接收:边缘计算收到云服务器的远程控制指令后,验证64位数字签名后解密远程控制指令,通过RS422、RS232和RS485协议操作PLC系统,读写PLC对应的寄存器位表地址,并保存接收的数据;
步骤四、远程控制指令响应:PLC系统根据接收的远程控制指令,计算生产数据调整量,并将所述生产数据调整量作为输入,代入已构建完成的BP人工神经网络模型,输出生产设备参数调整量,最后根据所述生产设备参数调整量对生产设备的参数进行调整。
2.根据权利要求1所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤一中,所述边缘计算设备与生产设备相连,用于响应云服务器对生产设备的业务交互请求。
3.根据权利要求1所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤一中,所述数据加密处理,配置为采用AES算法将明文数据转化为密文,再将所述密文包封装在以JSON格式和标准的文件中,并生成JSON文件的OTP密钥。
4.根据权利要求1所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤四中,所述生产数据调整量,是由步骤二中所述目标生产数据减去步骤一中所述现场生产数据所得。
5.根据权利要求1所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤四中,所述生产设备参数调整量,是由步骤二中所述目标生产数据时记录的生产设备参数值,减去步骤一中所述现场生产数据时记录的生产设备参数值所得。
6.根据权利要求1所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤四中,所述构建BP人工神经网路,包括以下步骤:
S1、确定模型结构:确定神经网络的层数和每层的神经元数量,包括输入层、隐藏层和输出层,并设置模型的学习率和迭代次数;
S2、前向传播:将输入数据通过神经网络进行计算,从输入层开始,通过隐藏层逐层传递,最终到达输出层,在每个神经元中,根据输入数据和权重计算加权和,最后通过激活函数得到神经元的输出;
S3、计算误差:将神经网络的输出与期望输出进行比较,计算出误差;
S4、反向传播:根据误差,从输出层开始,逐层反向传播误差,并根据误差利用梯度下降算法调整连接权重和偏置;
S5、重复迭代:重复进行步骤S2至步骤S4,直到达到预设的误差阈值时停止;
S6、模型评估:使用独立的测试数据集对训练好的神经网络进行测试,采用决定系数评估模型的预测能力。
7.根据权利要求6所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤S1中,所述模型结构,具体配置为:输入层为往期已保存的生产数据调整量,输出层为往期已保存的生产设备参数调整量,隐藏层层数为1层,输入层单元与隐藏层单元之间,以及隐藏层单元与输出层单元之间都设有连接权重和偏置,隐藏层和输出层都设有激活函数,神经元输出的计算公式如下:
式中,y为神经元输出;xi为输入;b为偏置;wi为神经元之间的连接权重;F为激活函数;k为输入的样本数。
8.根据权利要求6所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤S2中,所述前向传播,包括以下步骤:
S21、计算模型隐藏层的输出,其公式为:
式中,yj为隐藏层的输出;xi为第i个输入值,i=1,2,……,n;n为总样本数;bj为隐藏层的偏置;wji为输入层和隐藏层之间的连接权重;ɡ为隐藏层的激活函数;
S22、计算模型输出层的输出,其公式为:
式中,pl为隐藏层到输出层的输出;bl为输入层到隐藏层的偏置;wlj为隐藏层和输出层之间的连接权重;z为输出层的激活函数。
9.根据权利要求6所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤S3中,所述计算误差,公式为:
式中,E为输出层单元误差函数;tl为期望输出;zl为输出层输出。
10.根据权利要求6所述的一种边缘计算远程控制PLC的方法,其特征在于:步骤S4中,所述反向传播,包括以下步骤:
S41、利用误差函数对输出层单元的连接权重和偏置求偏导;
S42、利用误差函数对隐藏层单元的连接权重和偏置求偏导;
S43、利用连接权重和偏置的调整量与误差函数的成比例关系,确定调整的范围,调整量的公式为:
wk+1=wk-ηk·gk,
式中,wk+1为调整量;wk为当前的连接权重和偏置;ηk为学习率,ɡk为当前函数的梯度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311472125.XA CN117471982A (zh) | 2023-11-07 | 2023-11-07 | 一种边缘计算远程控制plc的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311472125.XA CN117471982A (zh) | 2023-11-07 | 2023-11-07 | 一种边缘计算远程控制plc的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117471982A true CN117471982A (zh) | 2024-01-30 |
Family
ID=89632628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311472125.XA Pending CN117471982A (zh) | 2023-11-07 | 2023-11-07 | 一种边缘计算远程控制plc的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471982A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766876A (zh) * | 2017-09-19 | 2018-03-06 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN208922110U (zh) * | 2018-11-14 | 2019-05-31 | 中国电子工程设计院有限公司 | 智能工厂的远程运维设备架构 |
CN111427322A (zh) * | 2020-04-20 | 2020-07-17 | 浙江中烟工业有限责任公司 | 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 |
CN112291055A (zh) * | 2019-07-24 | 2021-01-29 | 广东知业科技有限公司 | 一种工业互联网数据通讯加密方法 |
CN112286674A (zh) * | 2019-07-24 | 2021-01-29 | 广东知业科技有限公司 | 一种基于边缘计算的行转列方法及系统 |
CN114132842A (zh) * | 2021-12-06 | 2022-03-04 | 广州港集团有限公司 | 集装箱门式起重机堆场作业状态实时监测系统及监测方法 |
CN114362998A (zh) * | 2021-12-02 | 2022-04-15 | 北京交通大学 | 一种基于边缘云系统的网络安全保护方法 |
CN114900751A (zh) * | 2022-04-12 | 2022-08-12 | 浙江西图盟数字科技有限公司 | 一种控制装置、数据处理方法、设备及存储介质 |
CN115079648A (zh) * | 2022-05-30 | 2022-09-20 | 武汉市水务集团有限公司 | 一种智能工业控制系统 |
US20220413458A1 (en) * | 2020-10-22 | 2022-12-29 | Morphix, Inc. | Edge computing device for controlling electromechanical system or electronic device with local and remote task distribution control |
CN115562141A (zh) * | 2022-08-25 | 2023-01-03 | 广东理工学院 | 基于plc的工业设备远程控制方法及装置 |
CN116540597A (zh) * | 2023-04-19 | 2023-08-04 | 广州特纳信息科技有限公司 | 一种基于边缘计算的工业控制系统 |
-
2023
- 2023-11-07 CN CN202311472125.XA patent/CN117471982A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766876A (zh) * | 2017-09-19 | 2018-03-06 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN208922110U (zh) * | 2018-11-14 | 2019-05-31 | 中国电子工程设计院有限公司 | 智能工厂的远程运维设备架构 |
CN112291055A (zh) * | 2019-07-24 | 2021-01-29 | 广东知业科技有限公司 | 一种工业互联网数据通讯加密方法 |
CN112286674A (zh) * | 2019-07-24 | 2021-01-29 | 广东知业科技有限公司 | 一种基于边缘计算的行转列方法及系统 |
CN111427322A (zh) * | 2020-04-20 | 2020-07-17 | 浙江中烟工业有限责任公司 | 一种基于机器学习算法的制丝烘丝筒冷却水分智能控制系统 |
US20220413458A1 (en) * | 2020-10-22 | 2022-12-29 | Morphix, Inc. | Edge computing device for controlling electromechanical system or electronic device with local and remote task distribution control |
CN114362998A (zh) * | 2021-12-02 | 2022-04-15 | 北京交通大学 | 一种基于边缘云系统的网络安全保护方法 |
CN114132842A (zh) * | 2021-12-06 | 2022-03-04 | 广州港集团有限公司 | 集装箱门式起重机堆场作业状态实时监测系统及监测方法 |
CN114900751A (zh) * | 2022-04-12 | 2022-08-12 | 浙江西图盟数字科技有限公司 | 一种控制装置、数据处理方法、设备及存储介质 |
CN115079648A (zh) * | 2022-05-30 | 2022-09-20 | 武汉市水务集团有限公司 | 一种智能工业控制系统 |
CN115562141A (zh) * | 2022-08-25 | 2023-01-03 | 广东理工学院 | 基于plc的工业设备远程控制方法及装置 |
CN116540597A (zh) * | 2023-04-19 | 2023-08-04 | 广州特纳信息科技有限公司 | 一种基于边缘计算的工业控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11461635B2 (en) | Neural network transfer learning for quality of transmission prediction | |
CN105447568B (zh) | 基于bp神经网络的电力通信网故障分析方法 | |
CN101713988B (zh) | 在过程中控制一集合过程变量的控制器、控制系统及方法 | |
Reaves et al. | An open virtual testbed for industrial control system security research | |
CN107194625B (zh) | 基于神经网络的风电场弃风电量评估方法 | |
CN104463351A (zh) | 基于电力业务需求的通信带宽预测方法及装置 | |
JP2002049409A (ja) | プロセス制御システムにおける適応推定モデル | |
CN112929160B (zh) | 即插即用参考系和测量设备无关量子密钥分发系统及方法 | |
Gao et al. | Frequentist model averaging for threshold models | |
CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
CN112468230B (zh) | 一种基于深度学习的无线紫外光散射信道估计方法 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN117471982A (zh) | 一种边缘计算远程控制plc的方法 | |
CN104780039A (zh) | 一种量子密钥分发中的偏振补偿实现方法 | |
CN116341016B (zh) | 一种大数据安全存储方法及系统 | |
CN110322342B (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
CN110119842B (zh) | 一种微电网短期负荷预测方法 | |
CN116306911A (zh) | 基于分布式机器学习的热力站负荷预测及优化控制方法 | |
Li et al. | Dynamic state aware adaptive source coding for networked control in cyberphysical systems | |
CN113032795B (zh) | 用电数据的数据处理方法、系统及存储介质 | |
CN114118543A (zh) | 基于联合学习的烟气含氧量负荷预测方法及装置 | |
RU2744041C1 (ru) | Способ и система для прогнозирования значений временного ряда с использованием искусственной нейронной сети | |
Yan et al. | Quantized control for NCSs with communication constraints | |
Amorim et al. | Optimal H 2 output-feedback control of sampled-data systems | |
Tian et al. | Predictive control compensation strategy for time delay in networked control systems |
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 |