CN117933727A - 基于物联网的工业大数据处理方法及系统 - Google Patents
基于物联网的工业大数据处理方法及系统 Download PDFInfo
- Publication number
- CN117933727A CN117933727A CN202410298993.9A CN202410298993A CN117933727A CN 117933727 A CN117933727 A CN 117933727A CN 202410298993 A CN202410298993 A CN 202410298993A CN 117933727 A CN117933727 A CN 117933727A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial equipment
- industrial
- equipment
- preset
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 95
- 230000006870 function Effects 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000012502 risk assessment Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004092 self-diagnosis Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000007405 data analysis Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 32
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000010219 correlation analysis Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000003909 pattern recognition Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000003449 preventive effect Effects 0.000 claims description 8
- 239000002131 composite material Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000012098 association analyses Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000010485 coping Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种基于物联网的工业大数据处理方法及系统。所述基于物联网的工业大数据处理方法包括:通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;本发明通过整合监控数据和深度学习分析结果,为管理层提供数据驱动的决策支持,增强企业的应对能力和市场竞争力。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种基于物联网的工业大数据处理方法及系统。
背景技术
物联网(IoT)技术与工业大数据处理的结合为工业设备的监控与维护提供了新的可能性。传统的工业设备监控方法主要依靠定期的人工检查和基于规则的简单自动化系统,这些方法在设备状态监测、预测维护及异常检测方面的能力有限。随着工业自动化和智能制造的发展,对于能够实时监控设备状态、预测设备故障并自动调整生产策略的需求日益增加。
目前,一些解决方案尝试通过部署传感器来收集设备的实时数据,并利用基本的数据分析技术对这些数据进行处理,以实现对设备状态的监控。这些系统能够提供一定程度的实时监控能力,但它们通常无法处理复杂的数据分析需求,如预测分析、模式识别和异常检测。此外,这些系统往往无法有效地整合来自不同传感器的多维度数据,导致其监控和预测能力受限。现有技术的主要技术缺陷在于其处理能力的局限性和反应速度的不足。首先,缺乏高级数据分析和预测模型,使得现有系统难以准确预测设备的未来工作状态或及时检测到潜在的异常。其次,现有技术无法有效地整合和分析来自不同传感器的多维度数据,导致对设备状态的理解不够全面。最后,缺乏自动化的监控策略生成机制,使得在检测到异常或风险时,无法及时调整或优化生产过程。
因此,亟需一种基于物联网的工业大数据处理方法,通过先进的物联网技术和多维度数据分析,为工业自动化和智能制造提供一种高效、精确的解决方案。
发明内容
本发明提供了一种基于物联网的工业大数据处理方法及系统,用于解决如何实现工业设备的实时监控、异常预测和智能响应的技术问题。
本发明第一方面提供了一种基于物联网的工业大数据处理方法,所述基于物联网的工业大数据处理方法包括:
通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;其中,所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态,所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态;
将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;
基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;
基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;
基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;
将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。
可选的,在本发明第一方面的第一种实现方式中,所述工业设备的监控策略至少包括当前工业设备异常的即时响应策略以及未来风险趋势预测的预防措施策略。
可选的,在本发明第一方面的第二种实现方式中,所述通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据,包括:
向一组预定义的数据采集终端发送初始化的数据请求信号,以激活数据采集终端的数据发送状态;其中,所述初始化的数据请求信号触发的响应中携带关于数据采集终端的关键元数据;
基于预设的数据拆解规则,对接收到的关键元数据进行分解,得到第一元数据、第二元数据、第三元数据;
基于预设的第一提取算法,对第一元数据进行提取,得到制造商资料信息;基于预设的第二提取算法,对第二元数据进行提取,得到数据采集终端的标识码信息;
对所述标识码信息进行转换加密,得到对应的终端标识符;对所述终端标识符进行分割处理,得到多个标识符分割区间;基于预设的字符选取算法,对所述多个标识符分割区间进行字符选取,得到目标字符集合;
通过预设的字符编码算法,对目标字符集合进行编码,得到唯一的安全编码值;
结合制造商资料信息,在预设的数据库中查询匹配的数据记录,并将所述唯一的安全编码值与数据库中存储的编码值进行对比验证;其中,所述将所述唯一的安全编码值与数据库中存储的编码值进行对比验证用于找出与所述唯一的安全编码值匹配的数据实例;所述数据实例包含了多个数据采集终端,并为每个数据采集终端赋予唯一的编码;
通过比较所述第三元数据和每个数据采集终端赋予唯一的编码,选定与所述第三元数据的匹配度最高的数据采集终端作为目标设备;其中,所述第三元数据至少包括数据采集终端的设备信息;
利用最终确定的目标设备,激活目标设备内置的智能诊断及数据采集程序,分别采集第一工业设备传感器数据和第二工业设备传感器数据。
可选的,在本发明第一方面的第三种实现方式中,所述监控策略生成模型的训练过程,包括:
收集用于训练的数据集;其中,所述数据集至少包含多个第一工业设备和多个第二工业设备在预设工作条件下的工作指标数据,以及所述第一工业设备和所述第二工业设备在预设地理位置的运行记录;
将所收集的数据集结构化为工业设备性能拓扑结构;其中,所述工业设备性能拓扑结构的节点代表单个工业设备,节点的属性表示各个工业设备的工作指标和地理位置信息;
基于预设的拓扑结构理论,从所述工业设备性能拓扑结构中,确定各个节点的初始属性数据及邻接矩阵数据;其中,所述各个节点的初始属性数据及邻接矩阵数据用于表示各个工业设备间的相互影响和联系;
对各个节点的初始属性数据及邻接矩阵数据进行关键性能点分析,选出关键节点,作为关键工业设备;其中,所述关键工业设备为基于关键节点的工作指标重要性评分从所有工业设备中被选出;
基于关键节点的属性,对所选出的关键工业设备进行分析,预测关键工业设备潜在的维护和监控需求,得到预测分析结果;将所述预测分析结果与工业设备的实际工作表现进行对比,得到对比分析结果;
基于所述对比分析结果对初始的监控策略生成模型进行深度学习训练,得到训练后的监控策略生成模型;其中,所述训练后的监控策略生成模型用于结合各个工业设备工作指标和各个工业设备间的关联性分析结果,自动化生成各个工业设备的监控策略。
可选的,在本发明第一方面的第四种实现方式中,所述对所述标识码信息进行转换加密,得到对应的终端标识符,包括:
从数据采集终端的标识码信息中提取综合特征信息;其中,所述综合特征信息包括数据采集终端制造商的标志性特质,所述标志性特质至少包括制造商的标识图标的颜色编码、标识图标的几何形状参数、标识图标的标语文本特征、标识图标的语义属性、标识图标的商业属性;
基于所述标识图标的颜色编码,采用预设的颜色-编码转换规则,生成第一代码段;
基于所述标识图标的几何形状参数,采用预设的形状-编码转换算法,生成第二代码段;
基于所述标识图标的标语文本特征,采用预设的文本-编码转化机制,生成第三代码段;
基于所述标识图标的语义属性,采用预设的语义属性-编码转换规则,生成第四代码段;
基于所述标识图标的商业属性,采用预设的商业属性-编码转化机制,生成第五代码段;
生成一个周期性更新且保证唯一性的第六代码段,确保在任一预设的周期内所述第六代码段的唯一生成;
利用所提取的综合特征信息,确立一套代码段组合规则;其中,预设的数据库中预先定义了综合特征信息与所述代码段组合规则的匹配关系;
根据所述代码段组合规则,将第一代码段、第二代码段、第三代码段、第四代码段、第五代码段、第六代码段进行组合,形成一个复合式的加密标识码;
通过所述加密标识码对标识码信息进行转换加密,得到对应的终端标识符;其中,所述加密标识码用于确保数据传输及数据处理过程中的信息安全和隐私保护。
本发明第二方面提供了一种基于物联网的工业大数据处理系统,所述基于物联网的工业大数据处理系统包括:
采集模块,用于通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;其中,所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态,所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态;
输入模块,用于将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;
纠偏模块,用于基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;
提取模块,用于基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;
关联模块,用于基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;
生成模块,用于将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。
本发明第三方面提供了一种基于物联网的工业大数据处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于物联网的工业大数据处理设备执行上述的基于物联网的工业大数据处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于物联网的工业大数据处理方法。
本发明提供的技术方案中,有益效果:本发明提供一种基于物联网的工业大数据处理方法及系统,通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。本发明通过自我诊断功能的目标设备和多维度传感器数据的实时采集,本发明能够提供对工业设备即时工作状态和预测工作状态的全面监控。利用预设的设备异常风险评估模型和模式识别算法,本发明能够进行高级数据分析和预测,实现对潜在异常和风险的早期检测和预测。基于关联性分析结果和训练后的监控策略生成模型,本发明能够自动生成针对性的监控策略,实现对生产过程的自动化调整和优化。
附图说明
图1为本发明实施例中基于物联网的工业大数据处理方法的一个实施例示意图;
图2为本发明实施例中基于物联网的工业大数据处理系统的一个实施例示意图;
具体实施方式
本发明实施例提供了一种基于物联网的工业大数据处理方法及系统。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于物联网的工业大数据处理方法的一个实施例包括:
步骤101、通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;其中,所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态,所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态;
可以理解的是,本发明的执行主体可以为基于物联网的工业大数据处理系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,步骤101的具体实现如下:
通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据:
a. 第一工业设备传感器数据采集:利用目标设备上搭载的传感器,实时采集第一工业设备在当前工作区域内的即时工作状态数据,包括工作状态、温度、压力、电流等多维度数据,并确保数据的准确性和完整性。
b. 第二工业设备传感器数据采集:使用目标设备自我诊断功能,实时采集第二工业设备在当前工作区域内下一段预设时间内的预测工作状态数据,涵盖设备性能、故障预警、维护需求等多维度信息,并确保数据的实时性和可靠性。
c. 数据整合与传输:将采集到的第一和第二工业设备传感器数据整合为统一数据流,通过网络或通信协议实时传输至数据处理中心。
举例说明:在智能制造环境中,利用具备自我诊断功能的机械设备,实时采集工业设备传感器数据,包括第一工业设备的即时状态数据和第二工业设备的预测状态数据,以优化生产调度和设备维护计划。
步骤102、将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;
具体的,步骤102的具体实现如下:
将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值:
a. 数据预处理:对采集到的第一工业设备传感器数据进行预处理,包括数据清洗、标准化、特征提取等,以确保数据质量和准确性。
b. 设备异常风险评估模型构建:基于机器学习或深度学习技术,建立设备异常风险评估模型,该模型能够从第一工业设备传感器数据中学习设备状态的规律性和异常特征。
c. 数据输入模型:将经过预处理的第一工业设备传感器数据输入到预设的异常风险评估模型中,模型将根据数据的特征和模式进行计算和分析,得出异常风险评估预测值。
d. 异常风险评估结果:根据模型计算得出的异常风险评估预测值,确定设备的异常风险等级,为后续风险管控和维护决策提供依据。
举例说明:将第一工业设备传感器数据输入到基于深度学习的设备异常风险评估模型中,通过数据处理和模型计算,得出设备的异常风险评估预测值,以提前预警潜在故障风险。
步骤103、基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;
具体的,步骤103的具体实现如下:
基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据:
a. 异常风险评估预测值应用:根据步骤102中得到的异常风险评估预测值,对第二工业设备传感器数据进行动态调整,以消除或减少受到异常风险影响的数据偏差。
b. 数据纠偏算法选择:选择合适的数据纠偏算法,根据异常风险评估结果的的异常级别,对第二工业设备传感器数据进行实时修正,确保数据的准确性和可靠性。
c. 数据纠偏实施:将异常风险评估预测值应用于第二工业设备传感器数据,利用数据纠偏算法对数据进行修正,消除异常风险因素带来的影响,得到纠偏后的第二工业设备传感器数据。
d. 纠偏后的数据应用:将纠偏后的第二工业设备传感器数据用于设备状态监测、预测分析等领域,确保生产运行的稳定性和可靠性。
举例说明:根据异常风险评估预测值,对第二工业设备传感器数据进行实时纠偏,采用数据修正算法,消除异常风险影响,确保数据的准确性,用于后续生产管理和维护决策。
步骤104、基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;
具体的,步骤104的具体实现如下:
基于预设的第一数据分析函数,从第一工业设备传感器数据中提取多个第一工业设备工作指标:
a. 第一数据分析函数预设:设定专门针对第一工业设备的数据分析函数,包括特征提取、数据处理和工作指标计算等功能模块,用于从传感器数据中提取出设备运行状态的关键指标。
b. 数据特征提取:根据第一数据分析函数的设定,对第一工业设备传感器数据进行特征提取,提取出反映设备性能和运行状态的多个工作指标,如温度、压力、流量等。
c. 工作指标计算:利用预设的第一数据分析函数,对提取到的特征数据进行计算和分析,生成多个具体的第一工业设备工作指标,用以量化设备状态和性能。
基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取多个第二工业设备工作指标:
a. 第二数据分析函数预设:设定专门用于第二工业设备的数据分析函数,包括数据处理、特征提取和指标计算等功能,用于从纠偏后的传感器数据中提取出设备的关键工作指标。
b. 数据特征提取:根据第二数据分析函数的设计,对纠偏后的第二工业设备传感器数据进行特征提取,提取出反映设备状态和性能的多个工作指标,如振动频率、电流波形等。
c. 工作指标计算:借助预设的第二数据分析函数,对提取到的特征数据进行计算和分析,生成多个具体的第二工业设备工作指标,用于评估设备运行状况和性能。
举例说明:基于预设的数据分析函数,从第一工业设备传感器数据中提取温度、压力等工作指标;同时,使用第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取振动频率、电流波形等指标。
步骤105、基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;
具体的,步骤105的具体实现如下:
基于预设的模式识别算法,将多个第一工业设备工作指标与多个第二工业设备工作指标进行关联,得到关联性分析结果:
a. 模式识别算法预设:选择适合的模式识别算法,如神经网络、支持向量机等,在设计模型时考虑到第一和第二工业设备工作指标的特性,以实现精确的关联性分析。
b. 特征选择与数据结合:将提取到的第一和第二工业设备工作指标作为输入数据,进行特征选择和数据预处理,以便模式识别算法更好地理解数据之间的关联性。
c. 模型训练与关联性分析:通过模式识别算法对数据进行训练,建立关联性分析模型,从而揭示第一工业设备工作指标与第二工业设备工作指标之间的潜在关系和规律。
d. 关联性结果输出与应用:根据模式识别算法的分析结果,得到第一和第二工业设备工作指标之间的关联性信息,为设备运行状态和性能的协同分析提供数据支持。
举例说明:利用预设的模式识别算法,将第一工业设备的温度、压力指标与第二工业设备的振动频率、电流波形指标进行关联分析,揭示两者之间的关联关系。
步骤106、将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。
具体的,步骤106的具体实现如下:
将关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略:
a. 监控策略生成模型训练:首先,基于前文关联性分析结果,建立监控策略生成模型。该模型应基于机器学习算法,能够综合考虑第一和第二工业设备工作指标之间的关联性,将关联性模型经过训练和验证,确保模型的准确性和稳定性。
b. 输入关联性分析结果:将上一步关联性分析得到的第一和第二工业设备工作指标的关联性信息输入至监控策略生成模型中,作为模型的输入数据。
c. 监控策略生成:监控策略生成模型根据输入的关联性分析结果,综合考虑第一和第二工业设备的工作指标,生成针对工业设备的监控策略。这些策略包括设备运行状态的实时监测、预警和预测,以及性能优化和故障预防措施等。
d. 监控策略优化:通过监控策略生成模型生成的监控策略进行实际应用,在监测工业设备运行过程中,根据实际反馈对监控策略进行优化和调整,以不断提升监控效果和设备性能。
举例说明:将关联性分析结果输入监控策略生成模型中,根据第一和第二工业设备工作指标的关联性信息生成定制的监控策略,包括实时状态监测、故障预测和性能优化策略。
本发明实施例中基于物联网的工业大数据处理方法的另一个实施例包括:
所述工业设备的监控策略至少包括当前工业设备异常的即时响应策略以及未来风险趋势预测的预防措施策略。
本发明实施例中基于物联网的工业大数据处理方法的另一个实施例包括:
所述通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据,包括:
向一组预定义的数据采集终端发送初始化的数据请求信号,以激活数据采集终端的数据发送状态;其中,所述初始化的数据请求信号触发的响应中携带关于数据采集终端的关键元数据;
基于预设的数据拆解规则,对接收到的关键元数据进行分解,得到第一元数据、第二元数据、第三元数据;
基于预设的第一提取算法,对第一元数据进行提取,得到制造商资料信息;基于预设的第二提取算法,对第二元数据进行提取,得到数据采集终端的标识码信息;
对所述标识码信息进行转换加密,得到对应的终端标识符;对所述终端标识符进行分割处理,得到多个标识符分割区间;基于预设的字符选取算法,对所述多个标识符分割区间进行字符选取,得到目标字符集合;
通过预设的字符编码算法,对目标字符集合进行编码,得到唯一的安全编码值;
结合制造商资料信息,在预设的数据库中查询匹配的数据记录,并将所述唯一的安全编码值与数据库中存储的编码值进行对比验证;其中,所述将所述唯一的安全编码值与数据库中存储的编码值进行对比验证用于找出与所述唯一的安全编码值匹配的数据实例;所述数据实例包含了多个数据采集终端,并为每个数据采集终端赋予唯一的编码;
通过比较所述第三元数据和每个数据采集终端赋予唯一的编码,选定与所述第三元数据的匹配度最高的数据采集终端作为目标设备;其中,所述第三元数据至少包括数据采集终端的设备信息;
利用最终确定的目标设备,激活目标设备内置的智能诊断及数据采集程序,分别采集第一工业设备传感器数据和第二工业设备传感器数据。
具体的,重要术语的解释:
多维度传感器数据采集:指从多个传感器获取数据的过程,涉及第一工业设备和第二工业设备的传感器,覆盖不同的物理量和环境参数。
关键元数据:包括数据采集终端的基本信息,如制造商资料、设备标识码等,对于识别和处理采集数据至关重要。
终端标识符:通过对数据采集终端的标识码信息进行转换加密得到的独特标识,用于确保数据安全和来源的可验证性。
安全编码值:利用目标字符集合经过字符编码算法生成的唯一码,用于在数据库中匹配和验证数据采集终端。
应用场景:
工业物联网(IIoT):在工业物联网环境下,实现对工业设备的实时监控和维护,通过多维度传感器数据采集,提升设备的运行效率和安全性。
智能制造系统:在智能制造领域,利用关键元数据和终端标识符进行设备管理和数据流控制,优化生产流程和质量控制。
技术方案的进一步拓展和细化:
自适应数据采集策略:开发智能算法,根据实时监控数据和系统需求,动态调整数据采集频率和范围,以优化资源利用率和数据处理效率。
高级数据加密与匿名处理:实施先进的数据加密技术和匿名处理方法,保护敏感信息,同时确保数据采集和传输过程的安全性和隐私性。
深度学习驱动的故障预测和维护:利用采集到的多维度传感器数据,结合深度学习模型,进行故障预测和预防性维护,提前识别潜在的设备问题,减少停机时间。
跨平台数据集成和分析:构建跨平台数据集成框架,实现不同来源和类型的传感器数据的统一管理和分析,提供全面的设备性能视图。
技术方案推导的有益效果:
提升设备监控和管理效率:通过实时的多维度传感器数据采集和智能化分析,提高对工业设备状态的监控精度,优化设备管理。
增强数据安全和隐私保护:采用先进的加密技术和安全策略,保障数据传输和存储过程的安全,保护企业和用户的隐私。
促进预防性维护和减少故障停机:通过深度学习分析预测潜在故障,实现预防性维护,减少意外停机时间,提升生产效率。
支持跨平台数据融合和决策制定:实现跨平台数据的有效集成和分析,为管理层提供全面的决策支持,增强企业的竞争力。
本发明实施例中基于物联网的工业大数据处理方法的另一个实施例包括:
所述监控策略生成模型的训练过程,包括:
收集用于训练的数据集;其中,所述数据集至少包含多个第一工业设备和多个第二工业设备在预设工作条件下的工作指标数据,以及所述第一工业设备和所述第二工业设备在预设地理位置的运行记录;
将所收集的数据集结构化为工业设备性能拓扑结构;其中,所述工业设备性能拓扑结构的节点代表单个工业设备,节点的属性表示各个工业设备的工作指标和地理位置信息;
基于预设的拓扑结构理论,从所述工业设备性能拓扑结构中,确定各个节点的初始属性数据及邻接矩阵数据;其中,所述各个节点的初始属性数据及邻接矩阵数据用于表示各个工业设备间的相互影响和联系;
对各个节点的初始属性数据及邻接矩阵数据进行关键性能点分析,选出关键节点,作为关键工业设备;其中,所述关键工业设备为基于关键节点的工作指标重要性评分从所有工业设备中被选出;
基于关键节点的属性,对所选出的关键工业设备进行分析,预测关键工业设备潜在的维护和监控需求,得到预测分析结果;将所述预测分析结果与工业设备的实际工作表现进行对比,得到对比分析结果;
基于所述对比分析结果对初始的监控策略生成模型进行深度学习训练,得到训练后的监控策略生成模型;其中,所述训练后的监控策略生成模型用于结合各个工业设备工作指标和各个工业设备间的关联性分析结果,自动化生成各个工业设备的监控策略。
具体的,重要术语的解释:
监控策略生成模型:一种基于数据分析和机器学习算法构建的模型,旨在自动化生成针对工业设备的监控策略,提高监控效率和准确性。
工业设备性能拓扑结构:一种表示工业设备及其相互关系的数据结构,其中节点代表单个工业设备,节点的属性包括工作指标和地理位置等信息。
关键节点:在工业设备性能拓扑结构中,基于工作指标重要性评分被选出的具有关键作用的工业设备节点。
邻接矩阵:一种数学表示形式,用于描述工业设备性能拓扑结构中各节点(设备)之间的相互关系和联系。
应用场景:
工业自动化监控系统:在自动化监控系统中部署监控策略生成模型,实现实时监测工业设备性能,及时发现和预防潜在问题。
智能维护和故障预测:利用监控策略生成模型分析关键工业设备的潜在维护和监控需求,实现故障预测和预防性维护策略的自动生成。
技术方案的进一步拓展和细化:
动态监控策略调整:根据实时数据和环境变化,监控策略生成模型能够动态调整监控策略,以适应工业环境的变化和设备状态的更新。
跨设备协同监控:通过分析工业设备性能拓扑结构和邻接矩阵,实现不同设备间的协同监控,优化监控资源分配,提高监控效率。
深度学习优化算法:采用深度学习算法进一步优化监控策略生成模型,提升模型的预测准确性和适应性,更有效地处理复杂的工业数据。
智能化决策支持系统:将监控策略生成模型与决策支持系统集成,为维护人员和管理者提供实时数据分析和智能化建议,支持更高效的决策制定。
技术方案推导的有益效果:
提高监控效率和准确性:自动化的监控策略生成模型可以准确识别关键监控点,及时响应设备状态变化,提高监控的效率和准确性。
降低维护成本和时间:通过智能化的故障预测和预防性维护策略,减少意外停机和维护成本,提高生产效率。
增强设备间的协同性:跨设备协同监控策略优化资源分配,增强设备间的协作效率,提升整体监控系统的性能。
支持智能化决策制定:整合监控数据和深度学习分析结果,为管理层提供数据驱动的决策支持,增强企业的应对能力和市场竞争力。
本发明实施例中基于物联网的工业大数据处理方法的另一个实施例包括:
所述对所述标识码信息进行转换加密,得到对应的终端标识符,包括:
从数据采集终端的标识码信息中提取综合特征信息;其中,所述综合特征信息包括数据采集终端制造商的标志性特质,所述标志性特质至少包括制造商的标识图标的颜色编码、标识图标的几何形状参数、标识图标的标语文本特征、标识图标的语义属性、标识图标的商业属性;
基于所述标识图标的颜色编码,采用预设的颜色-编码转换规则,生成第一代码段;
基于所述标识图标的几何形状参数,采用预设的形状-编码转换算法,生成第二代码段;
基于所述标识图标的标语文本特征,采用预设的文本-编码转化机制,生成第三代码段;
基于所述标识图标的语义属性,采用预设的语义属性-编码转换规则,生成第四代码段;
基于所述标识图标的商业属性,采用预设的商业属性-编码转化机制,生成第五代码段;
生成一个周期性更新且保证唯一性的第六代码段,确保在任一预设的周期内所述第六代码段的唯一生成;
利用所提取的综合特征信息,确立一套代码段组合规则;其中,预设的数据库中预先定义了综合特征信息与所述代码段组合规则的匹配关系;
根据所述代码段组合规则,将第一代码段、第二代码段、第三代码段、第四代码段、第五代码段、第六代码段进行组合,形成一个复合式的加密标识码;
通过所述加密标识码对标识码信息进行转换加密,得到对应的终端标识符;其中,所述加密标识码用于确保数据传输及数据处理过程中的信息安全和隐私保护。
具体的,重要术语的解释:
终端标识符:从数据采集终端的标识码信息通过特定算法转换加密后得到的唯一标识,用以确保数据传输和处理过程中的信息安全和隐私。
综合特征信息:包括数据采集终端制造商的标志性特质,如颜色编码、几何形状参数、标语文本特征、语义属性、商业属性等,用于生成终端标识符的原始数据。
代码段组合规则:一套用于将不同代码段(如颜色、形状、文本、语义、商业属性编码)组合形成复合式加密标识码的规则,保证标识码的唯一性和安全性。
应用场景:
安全数据传输:在数据采集和远程传输过程中,使用转换加密得到的终端标识符来验证数据的来源和完整性,确保数据传输安全。
设备认证系统:在设备接入和认证流程中,利用复合式加密标识码对设备进行身份验证,以增强系统的安全性和防御能力。
技术方案的进一步拓展和细化:
动态加密技术:引入基于时间变化或设备状态变化的动态因素,生成周期性更新的加密标识码,提高安全性,避免加密标识码被破解或滥用。
多因素认证机制:结合设备的物理地址、网络地址等其他验证信息,与复合式加密标识码一同参与设备认证过程,构建多因素设备认证机制。
智能合约应用:在区块链平台上使用智能合约,对设备的终端标识符和加密标识码进行注册和管理,实现去中心化的设备管理和数据交换安全。
混淆技术和量子加密:结合程序和数据的混淆技术以及未来的量子加密方法,进一步提高终端标识符的安全性和防篡改能力。
技术方案推导的有益效果:
提高信息安全和隐私保护:通过复合式加密标识码的生成和应用,有效保护数据采集终端的信息安全,防止敏感数据泄露。
增强设备认证的可靠性:采用综合特征信息和动态加密技术,提高设备认证的精度和可靠性,有效防止未授权设备接入。
支持安全的数据交换和共享:在设备间的数据交换和共享过程中,确保只有经过认证的设备可以访问和传输数据,促进安全的信息流通。
适应未来安全挑战:引入智能合约、混淆技术和预期的量子加密等先进方法,为未来面对更高级的安全威胁提前做好准备。
上面对本发明实施例中基于物联网的工业大数据处理方法进行了描述,下面对本发明实施例中基于物联网的工业大数据处理系统进行描述,请参阅图2,本发明实施例中基于物联网的工业大数据处理系统一个实施例包括:
采集模块,用于通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;其中,所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态,所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态;
输入模块,用于将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;
纠偏模块,用于基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;
提取模块,用于基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;
关联模块,用于基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;
生成模块,用于将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。
本发明还提供一种基于物联网的工业大数据处理设备,所述基于物联网的工业大数据处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于物联网的工业大数据处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于物联网的工业大数据处理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元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全部或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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于物联网的工业大数据处理方法,其特征在于,包括以下步骤:
通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;其中,所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态,所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态;
将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;
基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;
基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;
基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;
将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。
2.根据权利要求1所述的基于物联网的工业大数据处理方法,其特征在于,所述工业设备的监控策略至少包括当前工业设备异常的即时响应策略以及未来风险趋势预测的预防措施策略。
3.根据权利要求1所述的基于物联网的工业大数据处理方法,其特征在于,所述通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据,包括:
向一组预定义的数据采集终端发送初始化的数据请求信号,以激活数据采集终端的数据发送状态;其中,所述初始化的数据请求信号触发的响应中携带关于数据采集终端的关键元数据;
基于预设的数据拆解规则,对接收到的关键元数据进行分解,得到第一元数据、第二元数据、第三元数据;
基于预设的第一提取算法,对第一元数据进行提取,得到制造商资料信息;基于预设的第二提取算法,对第二元数据进行提取,得到数据采集终端的标识码信息;
对所述标识码信息进行转换加密,得到对应的终端标识符;对所述终端标识符进行分割处理,得到多个标识符分割区间;基于预设的字符选取算法,对所述多个标识符分割区间进行字符选取,得到目标字符集合;
通过预设的字符编码算法,对目标字符集合进行编码,得到唯一的安全编码值;
结合制造商资料信息,在预设的数据库中查询匹配的数据记录,并将所述唯一的安全编码值与数据库中存储的编码值进行对比验证;其中,所述将所述唯一的安全编码值与数据库中存储的编码值进行对比验证用于找出与所述唯一的安全编码值匹配的数据实例;所述数据实例包含了多个数据采集终端,并为每个数据采集终端赋予唯一的编码;
通过比较所述第三元数据和每个数据采集终端赋予唯一的编码,选定与所述第三元数据的匹配度最高的数据采集终端作为目标设备;其中,所述第三元数据至少包括数据采集终端的设备信息;
利用最终确定的目标设备,激活目标设备内置的智能诊断及数据采集程序,分别采集第一工业设备传感器数据和第二工业设备传感器数据。
4.根据权利要求1所述的基于物联网的工业大数据处理方法,其特征在于,所述监控策略生成模型的训练过程,包括:
收集用于训练的数据集;其中,所述数据集至少包含多个第一工业设备和多个第二工业设备在预设工作条件下的工作指标数据,以及所述第一工业设备和所述第二工业设备在预设地理位置的运行记录;
将所收集的数据集结构化为工业设备性能拓扑结构;其中,所述工业设备性能拓扑结构的节点代表单个工业设备,节点的属性表示各个工业设备的工作指标和地理位置信息;
基于预设的拓扑结构理论,从所述工业设备性能拓扑结构中,确定各个节点的初始属性数据及邻接矩阵数据;其中,所述各个节点的初始属性数据及邻接矩阵数据用于表示各个工业设备间的相互影响和联系;
对各个节点的初始属性数据及邻接矩阵数据进行关键性能点分析,选出关键节点,作为关键工业设备;其中,所述关键工业设备为基于关键节点的工作指标重要性评分从所有工业设备中被选出;
基于关键节点的属性,对所选出的关键工业设备进行分析,预测关键工业设备潜在的维护和监控需求,得到预测分析结果;将所述预测分析结果与工业设备的实际工作表现进行对比,得到对比分析结果;
基于所述对比分析结果对初始的监控策略生成模型进行深度学习训练,得到训练后的监控策略生成模型;其中,所述训练后的监控策略生成模型用于结合各个工业设备工作指标和各个工业设备间的关联性分析结果,自动化生成各个工业设备的监控策略。
5.根据权利要求3所述的基于物联网的工业大数据处理方法,所述对所述标识码信息进行转换加密,得到对应的终端标识符,包括:
从数据采集终端的标识码信息中提取综合特征信息;其中,所述综合特征信息包括数据采集终端制造商的标志性特质,所述标志性特质至少包括制造商的标识图标的颜色编码、标识图标的几何形状参数、标识图标的标语文本特征、标识图标的语义属性、标识图标的商业属性;
基于所述标识图标的颜色编码,采用预设的颜色-编码转换规则,生成第一代码段;
基于所述标识图标的几何形状参数,采用预设的形状-编码转换算法,生成第二代码段;
基于所述标识图标的标语文本特征,采用预设的文本-编码转化机制,生成第三代码段;
基于所述标识图标的语义属性,采用预设的语义属性-编码转换规则,生成第四代码段;
基于所述标识图标的商业属性,采用预设的商业属性-编码转化机制,生成第五代码段;
生成一个周期性更新且保证唯一性的第六代码段,确保在任一预设的周期内所述第六代码段的唯一生成;
利用所提取的综合特征信息,确立一套代码段组合规则;其中,预设的数据库中预先定义了综合特征信息与所述代码段组合规则的匹配关系;
根据所述代码段组合规则,将第一代码段、第二代码段、第三代码段、第四代码段、第五代码段、第六代码段进行组合,形成一个复合式的加密标识码;
通过所述加密标识码对标识码信息进行转换加密,得到对应的终端标识符;其中,所述加密标识码用于确保数据传输及数据处理过程中的信息安全和隐私保护。
6.一种基于物联网的工业大数据处理系统,其特征在于,所述基于物联网的工业大数据处理系统包括:
采集模块,用于通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据;其中,所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态,所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态;
输入模块,用于将第一工业设备传感器数据输入至预设的设备异常风险评估模型中,得到异常风险评估预测值;
纠偏模块,用于基于所述异常风险评估预测值,对第二工业设备传感器数据进行纠偏,得到纠偏后的第二工业设备传感器数据;
提取模块,用于基于预设的第一数据分析函数,从第一工业设备传感器数据中提取出多个第一工业设备工作指标;基于预设的第二数据分析函数,从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标;
关联模块,用于基于预设的模式识别算法,将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联,得到关联性分析结果;
生成模块,用于将所述关联性分析结果输入至训练后的监控策略生成模型中,得到工业设备的监控策略。
7.一种基于物联网的工业大数据处理设备,其特征在于,所述基于物联网的工业大数据处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于物联网的工业大数据处理设备执行如权利要求1-5中任一项所述的基于物联网的工业大数据处理方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的基于物联网的工业大数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410298993.9A CN117933727B (zh) | 2024-03-15 | 2024-03-15 | 基于物联网的工业大数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410298993.9A CN117933727B (zh) | 2024-03-15 | 2024-03-15 | 基于物联网的工业大数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933727A true CN117933727A (zh) | 2024-04-26 |
CN117933727B CN117933727B (zh) | 2024-06-11 |
Family
ID=90766925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410298993.9A Active CN117933727B (zh) | 2024-03-15 | 2024-03-15 | 基于物联网的工业大数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933727B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
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 |
US20210211440A1 (en) * | 2018-08-31 | 2021-07-08 | Sophos Limited | Computer augmented threat evaluation |
CN116882426A (zh) * | 2023-07-11 | 2023-10-13 | 江西方兴科技股份有限公司 | 基于标识解析的机电设备管理平台 |
CN117194919A (zh) * | 2023-09-05 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 一种生产数据分析系统 |
CN117436569A (zh) * | 2023-09-18 | 2024-01-23 | 华能核能技术研究院有限公司 | 基于随机森林的核电设备故障预测和智能标定方法及系统 |
CN117689214A (zh) * | 2024-01-31 | 2024-03-12 | 天津华凯电气有限公司 | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 |
-
2024
- 2024-03-15 CN CN202410298993.9A patent/CN117933727B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109001649A (zh) * | 2018-07-21 | 2018-12-14 | 成都光电传感技术研究所有限公司 | 一种电源智能诊断系统及保护方法 |
US20210211440A1 (en) * | 2018-08-31 | 2021-07-08 | Sophos Limited | Computer augmented threat evaluation |
CN116882426A (zh) * | 2023-07-11 | 2023-10-13 | 江西方兴科技股份有限公司 | 基于标识解析的机电设备管理平台 |
CN117194919A (zh) * | 2023-09-05 | 2023-12-08 | 北京红山信息科技研究院有限公司 | 一种生产数据分析系统 |
CN117436569A (zh) * | 2023-09-18 | 2024-01-23 | 华能核能技术研究院有限公司 | 基于随机森林的核电设备故障预测和智能标定方法及系统 |
CN117689214A (zh) * | 2024-01-31 | 2024-03-12 | 天津华凯电气有限公司 | 一种柔性直流牵引供电系统能量路由器动态安全评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117933727B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rakas et al. | A review of research work on network-based scada intrusion detection systems | |
US7792049B2 (en) | Techniques for modeling and evaluating protocol interactions | |
US10078317B2 (en) | Method, device and computer program for monitoring an industrial control system | |
Alcaraz et al. | Security aspects of SCADA and DCS environments | |
CN111260176B (zh) | 用于排除技术设施中的故障状况的方法和系统 | |
Katona et al. | Building predictive maintenance framework for smart environment application systems | |
Krishnamurthy et al. | Scalable anomaly detection and isolation in cyber-physical systems using bayesian networks | |
Rieger et al. | Agent-based cyber control strategy design for resilient control systems: Concepts, architecture and methodologies | |
CN116483015B (zh) | 一种车间设备监控方法、装置、设备及存储介质 | |
Kim et al. | Extending data quality management for smart connected product operations | |
Sample et al. | An overview of anomaly detection | |
Colbert et al. | Intrusion detection in industrial control systems | |
Perez et al. | Forget the myth of the air gap: Machine learning for reliable intrusion detection in SCADA systems | |
Qin et al. | Association analysis-based cybersecurity risk assessment for industrial control systems | |
Snehi et al. | Global intrusion detection environments and platform for anomaly-based intrusion detection systems | |
CN115618353A (zh) | 一种工业生产安全的识别系统及方法 | |
Hemmer et al. | Comparative assessment of process mining for supporting IoT predictive security | |
CN117614978A (zh) | 一种用于数字化车间的信息安全通信管理系统 | |
Kim et al. | Intrusion detection and identification using tree-based machine learning algorithms on DCS network in the oil refinery | |
Alem et al. | A hybrid intrusion detection system in industry 4.0 based on ISA95 standard | |
CN117933727B (zh) | 基于物联网的工业大数据处理方法及系统 | |
CN110493200B (zh) | 一种基于威胁地图的工控系统风险量化分析方法 | |
CN116842264A (zh) | 一种平台智能个性化信息推送系统 | |
Larrinaga et al. | Implementation of a reference architecture for cyber physical systems to support condition based maintenance | |
Xu et al. | AI and machine learning for the analysis of data flow characteristics in industrial network communication security |
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 |