CN117707098B - 一种智能化工业互联网服务系统 - Google Patents
一种智能化工业互联网服务系统 Download PDFInfo
- Publication number
- CN117707098B CN117707098B CN202410166322.7A CN202410166322A CN117707098B CN 117707098 B CN117707098 B CN 117707098B CN 202410166322 A CN202410166322 A CN 202410166322A CN 117707098 B CN117707098 B CN 117707098B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- prediction
- acquisition
- fitting
- 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.)
- Active
Links
- 238000003860 storage Methods 0.000 claims abstract description 79
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007726 management method Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 26
- 238000005315 distribution function Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000011161 development Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 7
- 238000013479 data entry Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005477 standard model Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000009776 industrial production Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 239000007788 liquid Substances 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 231100000331 toxic Toxicity 0.000 description 3
- 230000002588 toxic effect Effects 0.000 description 3
- 241000728173 Sarima Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能化工业互联网服务系统,属于工业互联网服务系统技术领域。包括自主定义模块、标签分组模块、预测模型管理模块和指令标签生成模块,所述自主定义模块连接唯一识别码生成器、存储列表获取模块和标签定义模块;所述存储列表获取模块与采集数据存储单元通信连接;所述唯一识别码生成器和存储列表获取模块通过自主定义模块连接到标签定义模块,本发明的智能化工业互联网服务系统,能够对采集的工业数据进行深入分析和应用,为后续预测和控制提供数据基础,预测模型能够得到充分训练,且能够根据控制需求对任一采集数据进行预测,实现实时数据和预测数据应用到工业生产控制上,整体通用性强;且预测训练和预测过程更加轻量化。
Description
技术领域
本发明具体涉及一种智能化工业互联网服务系统,属于数据处理技术领域。
背景技术
智能化工业互联网服务系统是以智能协同为主体,提供轻量化、创新化数字能力平台,打造工厂数字化转型平台底座,实现工厂设备在线、协同在线、数智在线,解决工厂内部和外部的物料流、信息流、设备及人相互协同的核心问题;现有的工业互联网服务系统,如中国专利公开号CN113569117A,公开的基于工业互联网大数据服务的云平台系统及方法,主要包括:数据采集模块,数据分类模块,压缩聚类模块,上传解析模块和工业控制模块;其主要是对于数据的处理,再如中国专利公开号:CN115567582B,公开的一种智能化工业互联网数据服务系统及方法,包括数据采集模块,预处理模块,标准化处理模块,数据库,数据解析模块,数据同步模块,工业互联网控制模块;其解决了数据处理的技术问题,上述两个技术方案虽然能够实现对数据进行标准化处理,但并未涉及数据的系统服务,例如精准分组;而工业互联网服务系统重点是对采集的数据进行分析、处理和应用,形成对应的分组标签,使得后续系统获得数据更为精确。
发明内容
为解决上述问题,本发明提出了一种智能化工业互联网服务系统,能够对采集的数据进行深度分析和处理,形成对应的分组标签,同一分组下可通过一个预测模型使得训练更为精准,并提供一个通用的数据采集、数据处理、个性化和智能化控制的服务系统。
本发明的智能化工业互联网服务系统,包括数据采集前端,数据采集前端为布置于工业现场的各类变送器、电表、采集器、RFID、智能模块和智能装备等组成,是用来实现工业现场数据采集的部分,所述数据采集前端通过路由器和网关接入到服务层,数据采集前端采集数据后,由网关和路由器连接以太网,实现应用与广域网进行通信;发送实时数据,接收外部调用请求;所述服务层接入到应用层,所述应用层包括系统管理模块和数据处理模块,服务层的功能主要体现在TCP服务器对于工业现场海量数据的接收与处理,及获取ERP或MES提供的数据,所述应用层主要包含了两大部分,即系统管理和数据处理;系统管理部分主要是实时数据的呈现、用户权限配置和平台日志管理等;数据处理部分主要是数据可视化服务,包括历史数据查询和实时数据分析和处理;所述数据处理模块包括:
自主定义模块,所述自主定义模块连接唯一识别码生成器、存储列表获取模块和标签定义模块;所述存储列表获取模块与采集数据存储单元通信连接;所述唯一识别码生成器和存储列表获取模块通过自主定义模块连接到标签定义模块,所述标签定义模块连接到存储位获取模块、单元数据库和标签库;所述标签定义模块包括数据地址设定端口、采集类型选择端口、采集对象选择端口、使用环境选择端口和用于数据录入的自定义端口;所述采集类型选择端口、采集对象选择端口和使用环境选择端口的选择项末端设置有用于数据录入的子自定义端口;所述标签定义模块与存储位获取模块通信连接;
当需要对采集设备进行标签定义时,进入自主定义模块,标签定义模块与唯一识别码生成器通信,自动获取待定义标签的唯一识别码,接着,存储列表获取模块获取采集数据存储单元对应存储列表的地址列,未被定义的列排序在前,完成定义的地址列排序在后,选择存储列表的某一地址列进入到标签定义流程,标签定义时,依次进入采集类型选择端口、采集对象选择端口和使用环境选择端口;采集类型选择端口、采集对象选择端口和使用环境选择端口调用单元数据库对应存储单元数据,并选择与其匹配的选择项,当选择项无法定义时,通过子自定义端口手动录入选择项数据,该手动录入选择项数据自动更新到对应存储单元,当需要对采集设备进行二次描述时,通过自定义端口手动录入二次描述数据,二次描述数据自动更新到单元数据库对应存储单元;当自定义端口未录入数据时,默认为缺省数据;当标签定义模块对采集设备完成标签定义后,通过唯一识别码和定义数据同步更新到标签库;完成定义后,将存储列表的地址列与标签库的唯一识别码一一对应,更新存储列表;当进行新的标签定义时,存储列表获取模块获取新的存储列表,新的存储列表与存储于标签库内已完成或部分完成定义的存储列表进行比较,对已完成或部分完成定义的存储列表的地址列项进行更新;并根据上述定义流程进行定义;
标签分组模块,所述标签分组模块与存储列表获取模块通信连接;所述标签分组模块包括数据调用模块,所述数据调用模块连接到趋向计算模块;所述趋向计算模块连接分组存储模块;
预测模型管理模块,所述预测模型管理模块与标签分组模块通信连接,所述预测模型管理模块内设置有多组预测模型,所述预测模型管理模块连接有模型持续训练模块和预测数据请求模块;所述分组存储模块的每一个分组连接一个预测模型;所述分组存储模块的一个分组内所有采集数据均为该分组对应的预测模型的训练样本;训练时,各个唯一识别码下的采集数据不交叉使用;所述预测数据请求模块包括唯一识别码选择模块和预测数据开发接口;
所述模型持续训练模块获取依次获取某一分组的预测模型,同时获取该分组下所有更新的采集数据,并将更新的采集数据作为训练样本,送入到预测模型获取优化预测模型,其中,预测模型可采用主流的LSTM模型、Prophet模型、ARIMA模型或SARIMA模型;接着,将当前最新一次采集数据分别送入到优化预测模型和原来的预测模型,分别输出两组预测数据,接着,等待该分组更新数据,并将两组预测数据分别与实际采集数据进行差值运算,并取绝对值,绝对值越小,则表示预测更加精确,接着将优化预测模型对应的差值绝对值依次与阈值比较,如果有一项绝对值超过阈值,则表示无效优化,仍执行原来的预测模型,当所有的绝对值未超过阈值时,则进行概率统计,统计优化预测模型预测更加精确的数量,当数量超过该分组下的唯一识别码数量半数以上时,执行优化预测模型,否则仍执行原来的预测模型;预测模型管理模块工作时,只在优化预测模型预测时,对分组下所有的唯一识别码对应的采集数据进行预测,正常工作时,无需对所有的组下所有的唯一识别码对应的采集数据进行预测输出,只对唯一识别码选择模块选择的采集数据进行预测,具体为:通过预测数据请求模块的唯一识别码选择模块选择某一唯一识别码对应的采集设备进行数据预测;并将预测结果送至预测数据开发接口,对预测数据进行应用,如将预测数据与设定阈值进行比较,超过阈值则应用层向数据采集前端发出提醒指令或向预对应的控制设备发出干预指令;
指令标签生成模块,所述指令标签生成模块与自主定义模块通信连接。
进一步地,所述指令标签生成模块包括唯一指令生成器;所述唯一指令生成器连接有标准模型库和个性化模型建立单元;所述标准模型库内置有实时阈值设定模型和预测阈值设定模型,所述实时阈值设定模型包括唯一识别码下的实时数据获取模块和阈值设定模块;所述预测阈值设定模型包括唯一识别码下的预测数据获取模块和阈值设定模块;所述个性化模型建立单元包括运算公式选择单元和阈值设定模块。
实时阈值设定模型和预测阈值设定模型能够将某一唯一识别码下的采集数据与阈值比较,当比较数据达到阈值时,指令标签生成模块输出标签指令,应用层可将标签指令与控制指令绑定,标签指令作为控制指令的触发信号,触发应用层自身或下位的控制指令。
当进行个性化模型建立单元建立指令标签时,唯一指令生成器自动生成一个唯一指令,从运算公式选择单元中选择某一运算公式,接着进入到运算公式中的可编辑量,并进入到预测数据请求模块或唯一识别码下的某一采集数据或采集数据列;并通过阈值设定模块设定计算阈值;运算公式计算时,可编辑量间歇性查询,当发现两次查询结果不一致时,进行新一轮的运算;当运算数据达到阈值时,指令标签生成模块输出标签指令,应用层可将标签指令与控制指令绑定,便签指令作为控制指令的触发信号,触发应用层自身或下位的控制指令。
进一步地,所述自主定义模块连接有复合拟合曲线模块;所述复合拟合曲线模块包括组合拟合模块和拟合预测模块,所述组合拟合模块包括因子选择单元、关联输出选择单元和拟合模块,所述拟合模块接入到拟合预测模块;所述因子选择单元和关联输出选择单元均与标签库通信连接;所述拟合预测模块与预测数据开发接口通信连接;因子选择单元选择一个或多个唯一识别码对应的采集数据列,作为拟合自变量,并通过关联输出选择单元选择一个唯一识别码对应的采集数据列,作为拟合因变量,拟合自变量和拟合因变量作为输入数列,送入到拟合模块,拟合模块进行多维拟合,拟合模块采用Matlab的cftool工具箱进行拟合或1stOpt高维数据拟合,拟合模型送入到拟合预测模块,其中,拟合预测模块输入数据从预测数据开发接口中获取,预测数据开发接口输出与拟合自变量一致的唯一识别码下的预测数据,并通过拟合模型输出关联因素预测数据。
进一步地,所述标签定义模块还包括多列选择模块和选定模块,通过多列选择模块选择存储列表的多个地址列,对多个地址列进行批量定义,唯一识别码生成器为选择的每一地址列分配一个唯一识别码,并同步完成多个地址列定义,各选择的地址列定义数据一致。
进一步地,所述数据采集前端采集的数据为周期性数据时,采集设备在周期时间内,持续轮询各类采集数据,每完成一次数据采集,指针加1,当指针达到设定值时,采集设备对数据进行预处理,具体为:先对采集的多个数据根据数值大小进行排列,如果采集的数据为奇数时,选择排在中间的数据作为采集数据,当采集的数据为偶数时,通过将排在中间的数据与排在中间后一位数据进行平均值计算,得到的平均值作为采集数据;并将采集数据上传至工业互联网平台。
进一步地,所述标签分组模块工作过程如下:首先通过数据调用模块调用存储列表获取模块下的每一列表地址列;并通过列表地址列查询采集数据存储单元;调用该地址列对应的采集设备的所有历史数据;接着通过趋向计算模块进行趋向计算,计算过程如下:
首先,根据从对应采集设备的历史数据中,获取在第A周期,该采集设备的前T个周期的历史数据序列如下:
(1);
其中,为由T周期至/>周期的所有历史数据序列,SA为某一采集设备第/>周期的采集数据,/>为第/>个周期,/>为第/>个周期,/>为由第/>个周期至第/>个周期中的任一个周期;
其次,对公式(1)进行离差标准化,即对HA数列进行线性变化;使所有采集设备获取的采集数据均能够标准化处理;具体如下:
(2);
其中,为离差标准化处理后的数列,/>为/>数列中最小值,/>为/>数列中最大值,从而使/>各采集数据值映射到[0,1]之间;
接着,进行相似度计算,所述相似度归类计算具体如下:
a、计算数列在第/>周期的密度函数,具体为:取/>的邻域/>,h为设定的邻域二分之一宽度值,当h趋向于0的时候,该邻域的密度函数值即为第/>周期的密度函数值;其表达式为:
(3);
为该邻域中的样本点数量,/>为样本集的总数量,最后对该邻域内的密度值均值计算便得到第/>周期的密度函数数值/>;其中/>取值范围为第T周期~第A周期;从而/>为第/>周期前/>个周期的拟合分布函数;通过拟合分布函数依次计算所有采集设备的拟合分布函数;接着对两个采集设备的拟合分布函数进行相似度进行计算,具体为:
设定任意采集设备N和采集设备M的拟合分布函数为和/>,接着计算两者的重合面积:
(4);
其中,D 越趋近于1,两组拟合分布函数重叠面积越接近;依次完成所有采集设备间的重合面积计算;
最后,对所有采集设备进行归类,具体为:通过对某一模型设定相似度阈值或采用一个通用相似度阈值,当D大于该阈值时,则将该两个采集设备划分为同一类;得到多个近似分组数据;并分别存储到分组存储模块;所述近似分组数据由一个或多个唯一识别码组成。
与现有技术相比,本发明的智能化工业互联网服务系统,能够对采集的工业数据进行深入分析和应用,能够为后续预测和控制提供数据基础,预测模型能够得到充分的训练,且能够根据控制需求对任一采集数据进行预测,实现实时数据和预测数据应用到工业生产的控制上,整体通用性强;且预测训练和预测过程更加轻量化。
附图说明
图1为本发明的智能化工业互联网服务系统整体结构示意图。
图2为本发明的数据处理模块整体结构示意图。
图3为本发明的自主定义模块工作流程示意图。
图4为本发明的模型持续训练模块工作流程示意图。
图5为本发明的指令标签生成模块整体结构示意图。
图6为本发明的指令标签生成模块工作流程示意图。
图7为本发明的复合拟合曲线模块整体结构示意图。
图8为本发明针对采集的压力值进行数据处理的框架图。
具体实施方式
如图1和图2所示的智能化工业互联网服务系统,包括数据采集前端,数据采集前端为布置于工业现场的各类变送器、电表、采集器、RFID、智能模块和智能装备等组成,是用来实现工业现场数据采集的部分,所述数据采集前端通过路由器和网关接入到服务层,数据采集前端采集数据后,由网关和路由器连接以太网,实现应用与广域网进行通信;发送实时数据,接收外部调用请求;所述服务层接入到应用层,所述应用层包括系统管理模块和数据处理模块,服务层的功能主要体现在TCP服务器对于工业现场海量数据的接收与处理,及获取ERP或MES提供的数据,所述应用层主要包含了两大部分,即系统管理和数据处理;系统管理部分主要是实时数据的呈现、用户权限配置和平台日志管理等;数据处理部分主要是数据可视化服务,包括历史数据查询和实时数据分析和处理;所述数据处理模块包括:
自主定义模块,所述自主定义模块连接唯一识别码生成器、存储列表获取模块和标签定义模块;所述存储列表获取模块与采集数据存储单元通信连接;所述唯一识别码生成器和存储列表获取模块通过自主定义模块连接到标签定义模块,所述标签定义模块连接到存储位获取模块、单元数据库和标签库;所述标签定义模块包括数据地址设定端口、采集类型选择端口、采集对象选择端口、使用环境选择端口和用于数据录入的自定义端口;所述采集类型选择端口、采集对象选择端口和使用环境选择端口的选择项末端设置有用于数据录入的子自定义端口;所述标签定义模块与存储位获取模块通信连接;
如图3所示,当需要对采集设备进行标签定义时,进入自主定义模块,标签定义模块与唯一识别码生成器通信,自动获取待定义标签的唯一识别码,接着,存储列表获取模块获取采集数据存储单元对应存储列表的地址列,未被定义的列排序在前,完成定义的地址列排序在后,选择存储列表的某一地址列进入到标签定义流程,标签定义时,依次进入采集类型选择端口、采集对象选择端口和使用环境选择端口;采集类型选择端口、采集对象选择端口和使用环境选择端口调用单元数据库对应存储单元数据,并选择与其匹配的选择项,当选择项无法定义时,通过子自定义端口手动录入选择项数据,该手动录入选择项数据自动更新到对应存储单元,当需要对采集设备进行二次描述时,通过自定义端口手动录入二次描述数据,二次描述数据自动更新到单元数据库对应存储单元;当自定义端口未录入数据时,默认为缺省数据;当标签定义模块对采集设备完成标签定义后,通过唯一识别码和定义数据同步更新到标签库;完成定义后,将存储列表的地址列与标签库的唯一识别码一一对应,更新存储列表;当进行新的标签定义时,存储列表获取模块获取新的存储列表,新的存储列表与存储于标签库内已完成或部分完成定义的存储列表进行比较,对已完成或部分完成定义的存储列表的地址列项进行更新;并根据上述定义流程进行定义;
标签分组模块,所述标签分组模块与存储列表获取模块通信连接;所述标签分组模块包括数据调用模块,所述数据调用模块连接到趋向计算模块;所述趋向计算模块连接分组存储模块;
预测模型管理模块,所述预测模型管理模块与标签分组模块通信连接,所述预测模型管理模块内设置有多组预测模型,所述预测模型管理模块连接有模型持续训练模块和预测数据请求模块;所述分组存储模块的每一个分组连接一个预测模型;所述分组存储模块的一个分组内所有采集数据均为该分组对应的预测模型的训练样本;训练时,各个唯一识别码下的采集数据不交叉使用;所述预测数据请求模块包括唯一识别码选择模块和预测数据开发接口;
如图4所示,所述模型持续训练模块获取依次获取某一分组的预测模型,同时获取该分组下所有更新的采集数据,并将更新的采集数据作为训练样本,送入到预测模型获取优化预测模型,其中,预测模型可采用主流的LSTM模型、Prophet模型、ARIMA模型或SARIMA模型;接着,将当前最新一次采集数据分别送入到优化预测模型和原来的预测模型,分别输出两组预测数据,接着,等待该分组更新数据,并将两组预测数据分别与实际采集数据进行差值运算,并取绝对值,绝对值越小,则表示预测更加精确,接着将优化预测模型对应的差值绝对值依次与阈值比较,如果有一项绝对值超过阈值,则表示无效优化,仍执行原来的预测模型,当所有的绝对值未超过阈值时,则进行概率统计,统计优化预测模型预测更加精确的数量,当数量超过该分组下的唯一识别码数量半数以上时,执行优化预测模型,否则仍执行原来的预测模型;预测模型管理模块工作时,只在优化预测模型预测时,对分组下所有的唯一识别码对应的采集数据进行预测,正常工作时,无需对所有的组下所有的唯一识别码对应的采集数据进行预测输出,只对唯一识别码选择模块选择的采集数据进行预测,具体为:通过预测数据请求模块的唯一识别码选择模块选择某一唯一识别码对应的采集设备进行数据预测;并将预测结果送至预测数据开发接口,对预测数据进行应用,如将预测数据与设定阈值进行比较,超过阈值则应用层向数据采集前端发出提醒指令或向预对应的控制设备发出干预指令;
指令标签生成模块,所述指令标签生成模块与自主定义模块通信连接。
如图5所示,所述指令标签生成模块包括唯一指令生成器;所述唯一指令生成器连接有标准模型库和个性化模型建立单元;所述标准模型库内置有实时阈值设定模型和预测阈值设定模型,所述实时阈值设定模型包括唯一识别码下的实时数据获取模块和阈值设定模块;所述预测阈值设定模型包括唯一识别码下的预测数据获取模块和阈值设定模块;所述个性化模型建立单元包括运算公式选择单元和阈值设定模块。
如图6所示,实时阈值设定模型和预测阈值设定模型能够将某一唯一识别码下的采集数据与阈值比较,当比较数据达到阈值时,指令标签生成模块输出标签指令,应用层可将标签指令与控制指令绑定,便签指令作为控制指令的触发信号,触发应用层自身或下位的控制指令。
当进行个性化模型建立单元建立指令标签时,唯一指令生成器自动生成一个唯一指令,从运算公式选择单元中选择某一运算公式,接着进入到运算公式中的可编辑量,并进入到预测数据请求模块或唯一识别码下的某一采集数据或采集数据列;并通过阈值设定模块设定计算阈值;运算公式计算时,可编辑量间歇性查询,当发现两次查询结果不一致时,进行新一轮的运算;当运算数据达到阈值时,指令标签生成模块输出标签指令,应用层可将标签指令与控制指令绑定,便签指令作为控制指令的触发信号,触发应用层自身或下位的控制指令。
如图7所示,所述自主定义模块连接有复合拟合曲线模块;所述复合拟合曲线模块包括组合拟合模块和拟合预测模块,所述组合拟合模块包括因子选择单元、关联输出选择单元和拟合模块,所述拟合模块接入到拟合预测模块;所述因子选择单元和关联输出选择单元均与标签库通信连接;所述拟合预测模块与预测数据开发接口通信连接;因子选择单元选择一个或多个唯一识别码对应的采集数据列,作为拟合自变量,并通过关联输出选择单元选择一个唯一识别码对应的采集数据列,作为拟合因变量,拟合自变量和拟合因变量作为输入数列,送入到拟合模块,拟合模块进行多维拟合,拟合模块采用Matlab的cftool工具箱进行拟合或1stOpt高维数据拟合,拟合模型送入到拟合预测模块,其中,拟合预测模块输入数据从预测数据开发接口中获取,预测数据开发接口输出与拟合自变量一致的唯一识别码下的预测数据,并通过拟合模型输出关联因素预测数据。
所述标签定义模块还包括多列选择模块和选定模块,通过多列选择模块选择存储列表的多个地址列,对多个地址列进行批量定义,唯一识别码生成器为选择的每一地址列分配一个唯一识别码,并同步完成多个地址列定义,各选择的地址列定义数据一致。
所述数据采集前端采集的数据为周期性数据时,采集设备在周期时间内,持续轮询各类采集数据,每完成一次数据采集,指针加1,当指针达到设定值时,采集设备对数据进行预处理,具体为:先对采集的多个数据根据数值大小进行排列,如果采集的数据为奇数时,选择排在中间的数据作为采集数据,当采集的数据为偶数时,通过将排在中间的数据与排在中间后一位数据进行平均值计算,得到的平均值作为采集数据;并将采集数据上传至工业互联网平台。
所述标签分组模块工作过程如下:首先通过数据调用模块调用存储列表获取模块下的每一列表地址列;并通过列表地址列查询采集数据存储单元;调用该地址列对应的采集设备的所有历史数据;接着通过趋向计算模块进行趋向计算,计算过程如下:
首先,根据从对应采集设备的历史数据中,获取在第A周期,该采集设备的前T个周期的历史数据序列如下:
(1);
其中,为由T周期至/>周期的所有历史数据序列,SA为某一采集设备第/>周期的采集数据,/>为第/>个周期,/>为第/>个周期,/>为由第/>个周期至第/>个周期中的任一个周期;
其次,对公式(1)进行离差标准化,即对HA数列进行线性变化;使所有采集设备获取的采集数据均能够标准化处理;具体如下:
(2);
其中,为离差标准化处理后的数列,/>为/>数列中最小值,/>为/>数列中最大值,从而使/>各采集数据值映射到[0,1]之间;
接着,进行相似度计算,所述相似度归类计算具体如下:
a、计算数列在第/>周期的密度函数,具体为:取/>的邻域/>,h为设定的邻域二分之一宽度值,当h趋向于0的时候,该邻域的密度函数值即为第/>周期的密度函数值;其表达式为:
(3);
为该邻域中的样本点数量,/>为样本集的总数量,最后对该邻域内的密度值均值计算便得到第/>周期的密度函数数值/>;其中/>取值范围为第T周期~第A周期;从而/>为第/>周期前/>个周期的拟合分布函数;通过拟合分布函数依次计算所有采集设备的拟合分布函数;接着对两个采集设备的拟合分布函数进行相似度进行计算,具体为:
设定任意采集设备N和采集设备M的拟合分布函数为和/>,接着计算两者的重合面积:
(4);
其中,D 越趋近于1,两组拟合分布函数重叠面积越接近;依次完成所有采集设备间的重合面积计算;
最后,对所有采集设备进行归类,具体为:通过对某一模型设定相似度阈值或采用一个通用相似度阈值,当D大于该阈值时,则将该两个采集设备划分为同一类;得到多个近似分组数据;并分别存储到分组存储模块;所述近似分组数据由一个或多个唯一识别码组成。
实施例1:
参照图8,本发明的智能化工业互联网服务系统应用于石油加工企业,应用过程如下:在企业生产现场布置数据采集前端,数据采集前端包括布置于设施设备、罐区、库区、压力管道和锅炉等监测位的大量不同种类的传感器监测设备,进行状态数据的实时采集,以实现动态感知监控对象的关键工艺参数;传感器类型有压力、温度、流量、液位、电压、电流和有毒有害气体浓度传感器等,每个监测位的传感器都有一个传感器编码,即监测点位对应的唯一标识(由唯一识别码生成器生成),所述数据采集前端通过路由器和网关接入到服务层,服务层根据监测点位的数据类型设置对应的采集频率,并根据采集频率通过数据采集前端采集数据,服务层获取到采集数据后对数据进行解析,数据解析的过程中,按照约定的交互规范进行数据格式转换,并将采集数据根据唯一标识分别送入到服务层的采集数据存储单元进行存储;完成前端数据采集和整理任务,当完成数据采集后,接着对采集的数据进行应用处理;如将采集的数据用于结果预测,服务层将解析的某一压力数据存储到数据存储单元的某一存储分组,当要进行压力预测前,需要对压力数据进行定义,通过唯一识别码生成器生成唯一识别码,唯一识别码即为监测点位对应的唯一标识,定义时,存储列表获取模块获取采集数据存储单元对应存储列表的地址列,其中,压力数据为地址列的一个项,通过地址列的项与监测点位对应的唯一标识绑定,即可完成该存储列表对应一个项的定义,当需要对压力数据进行应用时,通过压力数据对应的唯一标识访问到地址列的地址项,并通过地址项进入到压力数据的存储分组,从而获取到存储分组内记录的所有压力数据组;其中依次对压力、温度、流量、液位、电压、电流和有毒有害气体等采集数据进行依次定义,并形成标签库,标签库的某一标签定义时,如进行某一压力标签建立,建立时,采用前端选项选择或录入,并在后端自动审查一个标签,如通过采集类型选择端口选择压力,接着自动跳转到采集对象选择端口,通过采集对象选择端口选择锅炉回路压力表,接着自动跳转到环境选择端口,通过使用环境选择端口选择通用;并通过采集类型选择端口选择数字量,当选项内没有可供选择的标签,可直接通过自定义录入,从而生成自定义的标签,并对存储单元进行扩库,从而一个标签能够精确对一个传感器的描述;接着通过标签库内的每一个标签对应的存储分组内的数据进行分组,分组前先进行趋向计算,如针对某两个压力标签,进行趋向计算,通过对应的两个压力标签链接到对应的存储分组,获取该压力标签下的存储分组下的所有数据,并对两组数据进行近似分组;近似分组计算通过趋向计算模块进行,当两组数据的近似度达到设定值(一般设定在≥85%)时,例如采集到第一组数据为10兆帕,第二组数据为9兆帕,则可以近似分组为同一组,即将该两组数据划分为同一组,当两组数据近似度低于设定值时,分别将该两组数据进行分组,依次对同类型的传感器数据,如多个压力数据进行近似度计算,如安装于同一管道两端的压力传感器的压力值波动趋向基本一致,从而能够划分到同一分组;及对异类型的传感器数据如压力数据和温度数据进行近似度计算;如安装于同一回流的二次管道上的压力传感器和温度传感器采集的数据波动趋向基本一致,从而能够划分到同一分组;从而完成所有采集的压力、温度、流量、液位、电压、电流和有毒有害气体等数据进行趋向近似度分组,其中,同一个标签可能同时满足近似度达到设定值时,划入近似度最高的一组分组;完成所有标签的分组,并以唯一识别码方式存储到分组存储模块,从而能够降低后期预测模型的模型数量,同一个分组只需一个预测模型,并能够大大丰富该预测模型的训练数据,如一个分组下,可能会存储N个唯一识别码,每一个唯一识别码能够链接到一组存储数据,因此,可向预测模型提供N组训练数据;预测模型预测时,针对每一个分组建立一个预测模型,如针对二次换热回路管的压力数据和温度数据分组,分配一个预测模型,预测模型为BP神经网络和ARIMA结合的BP-ANN-ARIMA模型;通过该分组下的各个唯一识别码访问对应的地址列的地址项,并通过地址项进入到一组或多组压力数据的存储分组,及一组或多组温度数据分组,调用每一存储分组内的所有历史数据作为预测模型的训练数据,通过对预测模型进行训练,用于接下来的压力数据和温度数据的预测;依次对每组趋向近似度分组设置一个预测模型,并分别对预测模型进行训练,各个预测模型统一通过预测模型管理模块进行管理,预测模型训练时,各个唯一识别码下的采集数据不交叉使用;为了剔除积累误差,通持续训练模块进行在线训练,如对某一压力数据进行在线训练时,分别获取预测模型预测下一次压力数据,接着,等待压力数据的到来,并解析得到实际压力数据,接着,将实时的实际压力数据与靠近实时压力数据的设定周期的历史压力数据作为更新的采集数据作为训练样本,送入到预测模型获取优化预测模型,接着通过原来的预测模型和优化预测模型分别对下一周期到来的压力数据进行预测,并将两组预测数据分别与实际采集压力数据进行差值运算,选择精度更高的预测模型,预测时,根据石油加工企业需要提前预警或提前动作的传感器数据进行预测,其它数据只在模型优化时,进行全局预测;如对某一压力数据进行预测,当如果预测的压力数据超过设定压力阈值时,服务层立即发出警报,并可根据干预需求,选择向动作阀和泵组发送关断指令和停机指令;当有新接入的传感器时,通过对其进行标签定义进入标签库,并根据标签下的选项对其预先分组,可分入一组或多组,接着执行分组下的预测模型,能够在没有训练数据情况下,直接投入使用;当分入多组时,该传感器先运行采集N个周期数据,获取多组预测数据,每组预测数据包括N个预测数据,将预测数据与实际数据进行差值计算,获取多组差值数据,每组包括N个差值数据,剔除每组最大值和最小值后,进行均值计算,选择均值最小的分组作为新接入传感器的分组,当均值超过设定阈值时,该接入的传感器独立建立一个分组,并匹配一个预测模型。
上述实施例,仅是本发明的较佳实施方式,故凡依本发明申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明申请范围内。
Claims (5)
1.一种智能化工业互联网服务系统,包括数据采集前端,所述数据采集前端通过路由器和网关接入到服务层,所述服务层接入到应用层,所述应用层包括系统管理模块和数据处理模块,其特征在于:所述数据处理模块包括:
自主定义模块,所述自主定义模块连接唯一识别码生成器、存储列表获取模块和标签定义模块;所述存储列表获取模块与采集数据存储单元通信连接;所述唯一识别码生成器和存储列表获取模块通过自主定义模块连接到标签定义模块,所述标签定义模块连接到存储位获取模块、单元数据库和标签库;所述标签定义模块包括数据地址设定端口、采集类型选择端口、采集对象选择端口、使用环境选择端口和用于数据录入的自定义端口;所述采集类型选择端口、采集对象选择端口和使用环境选择端口的选择项末端设置有用于数据录入的子自定义端口;所述标签定义模块与存储位获取模块通信连接;
标签分组模块,所述标签分组模块与存储列表获取模块通信连接;所述标签分组模块包括数据调用模块,所述数据调用模块连接到趋向计算模块;所述趋向计算模块连接分组存储模块;
预测模型管理模块,所述预测模型管理模块与标签分组模块通信连接,所述预测模型管理模块内设置有多组预测模型,所述预测模型管理模块连接有模型持续训练模块和预测数据请求模块;所述分组存储模块的每一个分组连接一个预测模型;所述分组存储模块的一个分组内所有采集数据均为该分组的预测模型的训练样本数据;训练时,各个唯一识别码下的采集数据不交叉使用;所述预测数据请求模块包括唯一识别码选择模块和预测数据开发接口;
指令标签生成模块,所述指令标签生成模块与自主定义模块通信连接;
所述标签分组模块工作过程如下:首先通过数据调用模块调用存储列表获取模块下的每一列表地址列;并通过列表地址列查询采集数据存储单元;调用该地址列对应的采集设备的所有历史数据;接着通过趋向计算模块进行趋向计算,计算过程如下:
首先,根据从对应采集设备的历史数据中,获取在第A周期,该采集设备的前T个周期的历史数据序列如下:
(1);
其中,为由T周期至/>周期的所有历史数据序列,SA为某一采集设备第/>周期的采集数据,/>为第/>个周期,/>为第/>个周期,/>为由第/>个周期至第/>个周期中的任一个周期;
其次,对公式(1)进行离差标准化,即对HA数列进行线性变化;使所有采集设备获取的采集数据均能够标准化处理;具体如下:
(2);
其中,为离差标准化处理后的数列,/>为/>数列中最小值,/>为/>数列中最大值,从而使/>各采集数据值映射到[0,1]之间;
接着,进行相似度计算,所述相似度归类计算具体如下:
a、计算数列在第/>周期的密度函数,具体为:取/>的邻域/>,h为设定的邻域二分之一宽度值,当h趋向于0的时候,该邻域的密度函数值即为第/>周期的密度函数值;其表达式为:
(3);
为该邻域中的样本点数量,/>为样本集的总数量,最后对该邻域内的密度值均值计算便得到第/>周期的密度函数数值/>;其中/>取值范围为第T周期~第A周期;从而/>为第/>周期前/>个周期的拟合分布函数;通过拟合分布函数依次计算所有采集设备的拟合分布函数;接着对两个采集设备的拟合分布函数进行相似度进行计算,具体为:
设定任意采集设备N和采集设备M的拟合分布函数为和/>,接着计算两者的重合面积:
(4);
其中,D 越趋近于1,两组拟合分布函数重叠面积越接近;依次完成所有采集设备间的重合面积计算;
最后,对所有采集设备进行归类,具体为:通过对某一模型设定相似度阈值或采用一个通用相似度阈值,当D大于该阈值时,则将该两个采集设备划分为同一类;得到多个近似分组数据;并分别存储到分组存储模块;所述近似分组数据由一个或多个唯一识别码组成。
2.根据权利要求1所述的智能化工业互联网服务系统,其特征在于:所述指令标签生成模块包括唯一指令生成器;所述唯一指令生成器连接有标准模型库和个性化模型建立单元;所述标准模型库内置有实时阈值设定模型和预测阈值设定模型,所述实时阈值设定模型包括唯一识别码下的实时数据获取模块和阈值设定模块;所述预测阈值设定模型包括唯一识别码下的预测数据获取模块和阈值设定模块;所述个性化模型建立单元包括运算公式选择单元和阈值设定模块。
3.根据权利要求1所述的智能化工业互联网服务系统,其特征在于:所述自主定义模块连接有复合拟合曲线模块;所述复合拟合曲线模块包括组合拟合模块和拟合预测模块,所述组合拟合模块包括因子选择单元、关联输出选择单元和拟合模块,所述拟合模块接入到拟合预测模块;所述因子选择单元和关联输出选择单元均与标签库通信连接;所述拟合预测模块与预测数据开发接口通信连接。
4.根据权利要求1所述的智能化工业互联网服务系统,其特征在于:所述标签定义模块还包括多列选择模块和选定模块,通过多列选择模块选择存储列表的多个地址列,对多个地址列进行批量定义,唯一识别码生成器为选择的每一地址列分配一个唯一识别码,并同步完成多个地址列定义,各选择的地址列定义数据一致。
5.根据权利要求1所述的智能化工业互联网服务系统,其特征在于:所述数据采集前端采集的数据为周期性数据时,采集设备在周期时间内,持续轮询各类采集数据,每完成一次数据采集,指针加1,当指针达到设定值时,采集设备对数据进行预处理,具体为:先对采集的多个数据根据数值大小进行排列,如果采集的数据为奇数时,选择排在中间的数据作为采集数据,当采集的数据为偶数时,通过将排在中间的数据与排在中间后一位数据进行平均值计算,得到的平均值作为采集数据;并将采集数据上传至工业互联网平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166322.7A CN117707098B (zh) | 2024-02-06 | 2024-02-06 | 一种智能化工业互联网服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166322.7A CN117707098B (zh) | 2024-02-06 | 2024-02-06 | 一种智能化工业互联网服务系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117707098A CN117707098A (zh) | 2024-03-15 |
CN117707098B true CN117707098B (zh) | 2024-05-07 |
Family
ID=90162935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166322.7A Active CN117707098B (zh) | 2024-02-06 | 2024-02-06 | 一种智能化工业互联网服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117707098B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032091A (zh) * | 2018-07-28 | 2018-12-18 | 农业部环境保护科研监测所 | 云平台远程农业监测采样分布系统及采样方法 |
CN111835628A (zh) * | 2019-04-15 | 2020-10-27 | 罗克韦尔自动化技术公司 | 智能网关平台、方法和非暂态计算机可读介质 |
CN114661010A (zh) * | 2022-03-17 | 2022-06-24 | 北京金波融安科技有限公司 | 一种基于人工智能的驱动侦测处理方法及云平台 |
CN115564071A (zh) * | 2022-10-19 | 2023-01-03 | 中国电力科学研究院有限公司 | 一种电力物联网设备数据标签生成方法及系统 |
CN115659004A (zh) * | 2022-09-15 | 2023-01-31 | 山东三木众合信息科技股份有限公司 | 一种基于互联网的在线学习系统 |
CN116224947A (zh) * | 2023-04-10 | 2023-06-06 | 济南永信新材料科技有限公司 | 可主动融入领域规则知识的深度学习工业控制系统 |
CN116633976A (zh) * | 2023-07-21 | 2023-08-22 | 江苏未来网络集团有限公司 | 工业互联网主动标识数据采集方法、系统、设备及介质 |
CN117474435A (zh) * | 2023-11-09 | 2024-01-30 | 华中科技大学同济医学院附属协和医院 | 一种基于ai复合rfid的消毒供应管理系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230393556A1 (en) * | 2022-06-02 | 2023-12-07 | Rockwell Automation Technologies, Inc. | Industrial automation data management as a service |
-
2024
- 2024-02-06 CN CN202410166322.7A patent/CN117707098B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032091A (zh) * | 2018-07-28 | 2018-12-18 | 农业部环境保护科研监测所 | 云平台远程农业监测采样分布系统及采样方法 |
CN111835628A (zh) * | 2019-04-15 | 2020-10-27 | 罗克韦尔自动化技术公司 | 智能网关平台、方法和非暂态计算机可读介质 |
CN114661010A (zh) * | 2022-03-17 | 2022-06-24 | 北京金波融安科技有限公司 | 一种基于人工智能的驱动侦测处理方法及云平台 |
CN115659004A (zh) * | 2022-09-15 | 2023-01-31 | 山东三木众合信息科技股份有限公司 | 一种基于互联网的在线学习系统 |
CN115564071A (zh) * | 2022-10-19 | 2023-01-03 | 中国电力科学研究院有限公司 | 一种电力物联网设备数据标签生成方法及系统 |
CN116224947A (zh) * | 2023-04-10 | 2023-06-06 | 济南永信新材料科技有限公司 | 可主动融入领域规则知识的深度学习工业控制系统 |
CN116633976A (zh) * | 2023-07-21 | 2023-08-22 | 江苏未来网络集团有限公司 | 工业互联网主动标识数据采集方法、系统、设备及介质 |
CN117474435A (zh) * | 2023-11-09 | 2024-01-30 | 华中科技大学同济医学院附属协和医院 | 一种基于ai复合rfid的消毒供应管理系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于工业互联网标识解析体系的数据共享机制;刘阳;韩天宇;谢滨;田娟;;计算机集成制造系统;20191215(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117707098A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11860610B2 (en) | Systems of industrial internet of things for industrial production control and control methods thereof | |
CN106527373B (zh) | 基于多智能体的车间自主调度系统和方法 | |
CN107909300A (zh) | 智能工厂管理平台和方法 | |
CN108681288A (zh) | 一种基于云平台的远程运维系统 | |
CN107943809A (zh) | 数据质量监控方法、装置及大数据计算平台 | |
Hu et al. | A two-stage dynamic capacity planning approach for agricultural machinery maintenance service with demand uncertainty | |
CN102982387A (zh) | 一种短期电力负荷预测方法 | |
CN103489053A (zh) | 一种基于云计算与专家系统的智能水资源管控平台 | |
CN100418028C (zh) | 一种一体化的钢铁企业在线能源预测系统与方法 | |
CN112734284B (zh) | 流程工业能耗优化决策系统及提高评估结果准确度方法 | |
CN109088785A (zh) | 一种idc数据中心设备管理系统 | |
CN106934484B (zh) | 一种基于pda的现场运维日工作规划方法 | |
US20230205150A1 (en) | Predictive Modeling and Control for Water Resource Infrastructure | |
CN111985716B (zh) | 一种客运信息可视化的客运量预测系统 | |
CN109491343A (zh) | 工业制造过程远程物联监控系统 | |
CN115391444A (zh) | 一种异构数据采集与交互方法、装置、设备及存储介质 | |
CN113642758A (zh) | 一种共享电动汽车的供需预测及调度方法和装置 | |
CN114565327A (zh) | 基于物联网的智慧能源管控系统 | |
CN202838402U (zh) | 一种短期电力负荷预测系统 | |
CN109765864A (zh) | 化工库区信息监控系统 | |
CN102566546A (zh) | 过程数据的报警统计及辅助调度系统 | |
CN116109104A (zh) | 智慧燃气的燃气报修管理方法、物联网系统、装置及介质 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN116150408A (zh) | 一种基于标识解析的能源信息管理方法、系统、设备及存储介质 | |
Ramesh et al. | Station-level demand prediction for bike-sharing system |
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 |