CN118171221B - 一种基于工业物联网的设备管理方法及系统 - Google Patents
一种基于工业物联网的设备管理方法及系统 Download PDFInfo
- Publication number
- CN118171221B CN118171221B CN202410591290.5A CN202410591290A CN118171221B CN 118171221 B CN118171221 B CN 118171221B CN 202410591290 A CN202410591290 A CN 202410591290A CN 118171221 B CN118171221 B CN 118171221B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- maintenance
- state
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 156
- 238000012545 processing Methods 0.000 claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 46
- 230000005540 biological transmission Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 43
- 238000005516 engineering process Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 239000010687 lubricating oil Substances 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 239000000314 lubricant Substances 0.000 claims description 7
- 238000005299 abrasion Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 239000003921 oil Substances 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000003449 preventive effect Effects 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 230000003631 expected effect Effects 0.000 claims description 3
- 230000008713 feedback mechanism Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 230000001050 lubricating effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims 1
- 230000007774 longterm Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及设备管理技术领域，具体涉及一种基于工业物联网的设备管理方法及系统，包括以下步骤：S1：实时监测并采集设备的运行参数；S2：将S1收集的数据传输至数据处理中心；S3：实现设备状态的精准评估；S4：生成具体的维护建议和维修计划；S5：将S4生成的维护建议和维修计划展现给维护人员；S6：对S1收集的原始数据、S3的处理结果以及S4的维护记录进行链上存储；S7：调整S1的传感器采集频率和S3的数据处理频率。本发明，通过实时数据监测、智能故障预测、自适应调整机制以及区块链数据保护，显著提高了设备运行效率和维护响应速度，同时确保了数据的安全性和可靠性，为工业设备的高效管理和维护提供了一体化解决方案。
Description
技术领域
本发明涉及设备管理技术领域，尤其涉及一种基于工业物联网的设备管理方法及系统。
背景技术
在工业4.0时代的背景下，工业物联网(IoT)技术的快速发展为工业设备的管理和维护带来了前所未有的机遇，通过部署各种传感器和执行器，实现对工业设备的实时监控和远程控制，工业物联网技术大大提高了生产效率和设备利用率，然而，随着工业应用的复杂性增加，设备管理面临的挑战也越来越多，这些挑战包括如何有效处理和分析海量的设备数据，如何准确预测设备故障并进行预防性维护，以及如何确保收集的数据安全可靠等。
现有的工业设备管理技术多依赖于周期性的检查和维护，这种方法不仅耗时耗力，而且难以实现对设备状态的实时监控和即时响应，此外，尽管一些先进的管理系统开始利用物联网技术收集设备数据，但如何从这些庞大而复杂的数据中提取有价值的信息，以及如何基于这些信息做出快速而准确的维护决策，仍是一个技术难题，同时，随着数据量的激增，数据的安全性和隐私保护也成为了不容忽视的问题。
因此，迫切需要一种新的工业设备管理方法，既能充分利用工业物联网技术的优势，又能有效解决现有技术在设备状态监测、故障预测、维护策略优化以及数据安全方面的局限。
发明内容
基于上述目的，本发明提供了一种基于工业物联网的设备管理方法及系统。
一种基于工业物联网的设备管理方法，包括以下步骤：
S1：在目标设备上部署智能传感器网络，以实时监测并采集设备的运行参数，对设备状态的进行全面感知；
S2：通过安全加密的无线网络将S1收集的数据传输至数据处理中心，利用高级加密和验证技术，确保数据在传输过程中的安全性和完整性；
S3：数据处理中心首先采用预设的数据清洗算法对S2接收的数据进行预处理，然后使用预设的图注意力网络模型对清洗后的数据进行分析，实现设备状态的精准评估以及对零件磨损和润滑油退化的预测；
S4：结合设备制造商的维护手册和历史维护数据，S3的分析结果通过预设的自适应算法对维护策略进行优化，生成具体的维护建议和维修计划；
S5：通过预设的用户界面，将S4生成的维护建议和维修计划，以及设备的实时预测状态信息直观展现给维护人员；
S6：利用区块链技术构建数据保护框架，对S1收集的原始数据、S3的处理结果以及S4的维护记录进行链上存储，保障数据的不可篡改性和追溯性；
S7：通过预设的动态调整机制，根据设备的实时状态和外部环境因素的变化，自动调整S1的传感器采集频率和S3的数据处理频率。
进一步的，所述S1具体包括：
S11：在目标设备的预定部位部署智能传感器网络，预定部位包括电机轴承、齿轮箱和润滑系统，分别装配温度传感器、振动传感器和油质监测传感器，温度传感器用于监控设备部件的温度变化，振动传感器用于捕捉设备运行时的振动频率和幅度，油质监测传感器用于检测润滑油的化学性质和污染程度；
S12：通过预设的加密无线模块，实现智能传感器网络与数据处理中心之间的数据通信，该加密无线模块采用高级加密协议，保障从传感器到数据中心的数据传输过程安全；
S13：智能传感器网络内的传感器采用自组织网络技术，优化数据传输路径，并通过动态路由算法协同工作，提升数据采集和传输的效率，其中每个传感器还设有低功耗模式，用于根据设备的运行状况自动调节数据采集频率，以最小化能耗；
S14：传感器内置高精度数据采集模块，对捕获的运行参数进行数字化处理，运行参数包括设备部件的实时温度、振动数据，以及润滑油的酸值、粘度和水分含量的指标；
S15：按预设时间间隔，通过无线模块将采集到的数据安全传输至数据处理中心。
进一步的，所述S2具体包括：
S21：采集到的设备运行数据在传输前，先在源头的智能传感器端进行初步的加密处理，具体采用预设的对称加密算法，确保数据在离开传感器前已经被加密，保障数据传输的安全性；
S22：数据通过无线模块发送前，为每批数据生成唯一的标识符，并使用哈希函数对数据及标识符进行哈希处理，确保了数据的完整性，防止在传输过程中数据被篡改；
S23：使用非对称加密技术加强安全性，无线模块将使用数据处理中心的公钥对数据加密的密钥进行加密，确保只有持有相应私钥的数据处理中心能够解密出原始数据的密钥，从而确保了数据传输过程中的机密性；
S24：在数据传输过程中，实施端到端加密机制，确保数据从源头传感器到数据处理中心的过程中不被第三方读取或篡改；
S25：数据到达数据处理中心后，首先使用数据处理中心的私钥对接收到的数据密钥进行解密，然后利用该密钥对数据进行解密，恢复出原始的设备运行数据，之后对数据进行二次哈希处理，并与传输前生成的哈希值进行对比，验证数据的完整性和未被篡改。
进一步的，所述S3具体包括：
S31：数据处理中心在接收到步骤S2通过安全加密无线网络传输的数据后，采用预设的数据清洗算法对数据进行预处理，包括去噪声和异常值过滤，噪声处理具体采用移动平均法减少由于设备运行或测量误差引起的随机波动；异常值过滤具体使用IQR方法来识别并排除偏离正常范围的数据点；
S32：清洗后的数据经过预设的图注意力网络GAT模型进行深入分析，GAT模型通过注意力机制为设备网络中的各个节点分配不同的重要性权重，使得模型能够有效捕捉设备部件之间的相互依赖关系及其对设备整体状态的影响；
S33：GAT模型的训练过程中，利用大量历史设备运行数据来调整模型参数，目标是最小化模型预测和实际设备运行状态之间的差异，通过反复迭代训练，学习设备部件之间的复杂相互作用及其对设备运行状态的影响，从而提高预测的准确度和可靠性；
S34：使用训练好的GAT模型对清洗后的实时数据进行分析，实现对设备状态的精准评估及未来故障的预测，分析的结果包括设备的当前运行效率、各部件的磨损程度以及润滑油的化学稳定性和退化速率。
进一步的，所述S33具体包括：
S331：从历史设备运行数据集中收集并整理出用于训练的数据，该数据包括设备各部件的运行参数以及设备的运行状态，并对数据进行标准化处理；
S332：模型结构设置阶段，初始化图注意力网络GAT，GAT通过引入注意力机制，为图中每一条边分配一个权重，该权重由下式计算得出：
，其中，为节点的特征向量；W代表应用于每个节点特征的能学习权重矩阵；a为注意力机制的权重向量，用于计算节点间的注意力系数；为节点对其邻居节点j的注意力权重；为表示连接操作；为节点的邻居节点集合；LeakyReLU为非线性激活函数；
S333：损失函数定义阶段，定义损失函数以量化模型预测的设备状态与实际运行状态之间的差异，具体采用均方误差MSE作为损失函数，具体公式为：
，其中，n为样本数量；为样本的实际设备状态；为模型预测的设备状态；MSE为表示模型预测值和实际值之间差异的度量；
S334：模型训练阶段，使用梯度下降法更新模型参数，以最小化损失函数，具体在每次迭代中，计算损失函数的模型参数的梯度，并按照下式更新参数：
，其中，代表模型的所有可学习参数；为学习率，用于控制在每次迭代中参数更新的步长；为损失函数MSE的模型参数的梯度，用于指导模型参数的更新方向和幅度；通过反复迭代训练过程，直到损失函数的值不再下降或达到预设的最大迭代次数，则认为模型已经训练好。
进一步的，所述S4具体包括：
S41：将步骤S34中得到的设备状态评估结果和潜在故障预测信息与设备制造商提供的维护手册以及设备的历史维护数据进行综合分析，识别出当前设备状态与过往维护实践之间的相关性；
S42：采用预设的自适应算法，具体为基于强化学习的方法，优化维护策略，通过评估不同维护决策对设备性能的影响来学习最优的维护行动计划，强化学习算法公式表示为：，其中，为策略；为状态，表示设备在时间t的运行状态；为行动，指在时间t下，根据策略所决定采取的具体维护活动；为奖励，是给定状态和采取行动后所获得的即时回报；为折扣因子，它的值介于0和1之间；为期望；为表示寻找最优策略的过程；
S43：根据自适应算法的优化结果，生成具体的维护建议和维修计划；
维护建议具体如下：
对于即将达到耐用极限的部件，建议进行更换；
对于润滑油质量下降的部件，建议进行润滑油更换；
对于振动水平异常的设备，建议进行平衡校正；
维修计划具体如下：
建立基于预测故障和设备当前状态的优先级排序的维修计划；
根据设备使用强度和历史维护记录，制定定期维护时间表；
针对预定部件的预防性维护，提前规划配件采购和维护资源分配。
进一步的，所述S5具体包括：
S51：开发直观的用户界面，界面设计考虑到易用性和信息的清晰展示，界面包括设备状态仪表盘、实时警报列表、维护建议和计划的详细视图部分；设计界面元素，包括图表、进度条和颜色编码，以直观展示设备各部件的运行效率、磨损程度的性能指标；
S52：将S4中生成的维护建议和维修计划以列表或时间线的形式展现在用户界面上，明确指出每项建议或计划的目标部件、建议的行动、预计执行时间和预期效果；
S53：利用实时数据和预测模型结果，通过仪表盘展示设备的整体健康状况及各部件的具体状态，并集成趋势图表，展示设备性能指标和部件状态随时间的变化趋势，以及基于预测模型对未来状态的预测；
S54：界面内预设直接响应功能，允许维护人员在接收到维护建议时确认、排期或请求的信息。
进一步的，所述S6具体包括：
S62：对S1收集的原始设备运行数据、S3的处理结果，以及S4生成的维护建议和维修计划进行标准化处理，确保数据格式一致；并使用哈希函数对待存储数据生成唯一哈希值，作为数据的数字指纹；
S63：将预处理后的数据和对应的哈希值作为交易打包到区块中，在区块链网络中，每个交易都需要被网络节点验证并达成共识，然后才能被加入到区块链上，并采用加密签名技术确保数据来源的可验证性，数据提供者使用私钥对数据或哈希值进行签名，任何人都能用相应的公钥验证签名的有效性，从而确认数据的真实来源；
S64：一旦数据被加入到区块链中，由于区块链的不可篡改性，任何尝试修改已存储数据的行为都将被网络检测并拒绝，利用区块链的透明性特点，实现数据的追溯性，所有链上数据都能被公开访问，并且每一笔数据都能通过哈希值追溯到源头；
S65：通过智能合约来实现对链上数据的访问控制和权限管理，通过智能合约，设定谁有权访问数据，以及在什么条件下能访问，从而保护数据的隐私性和安全性，并实施访问日志记录机制，任何对链上数据的访问尝试都将被记录，包括访问者的身份、访问时间和访问的数据内容。
进一步的，所述S7具体包括：
S71：实时监测设备的运行状态和外部环境因素，包括温度、湿度、压力，并设立状态监测阈值和环境监测指标，用于评估设备运行是否在正常范围内，以及外部环境是否对设备性能有影响；
S72：定义动态调整逻辑，包括设定传感器采集频率和数据处理频率的调整规则，该规则基于对实时监测数据的分析，以及预先设定的性能目标和响应策略制定，预设调整规则逻辑为函数，其中s代表设备的实时状态，e代表外部环境因素，函数输出是传感器采集频率和数据处理频率的调整值；
S73：根据函数的输出，自动调整传感器采集频率，具体当设备状态稳定且外部环境因素变化不大时，采集频率能降低以节约能源；反之当检测到设备状态异常或外部环境因素对设备有显著影响，采集频率则提高，以获得更多的监测数据支持决策；
S74：同样根据函数的输出，自动调整数据处理中心的数据处理频率，在设备运行状态和外部环境变化时增加数据处理频率，以实时响应设备状态的变化；在状态稳定时降低处理频率，优化计算资源的使用；
S75：设立反馈机制，根据调整后的采集频率和处理频率的实际效果，优化动态调整逻辑，具体收集调整效果的数据，并分析调整前后的性能变化，然后更新调整规则，形成闭环控制。
一种基于工业物联网的设备管理系统，用于实现上述的一种基于工业物联网的设备管理方法，包括以下模块：
数据采集模块：包括多种类型的智能传感器，部署于目标设备的部位，用于实时监测并采集设备的运行参数；
数据传输模块：用于将数据采集模块收集到的数据通过安全加密的无线网络传输至数据处理中心；
数据处理分析模块：接收数据传输模块送来的数据，并采用预设的数据清洗算法对数据进行预处理，去除噪声和异常值，然后使用图注意力网络模型对清洗后的数据进行深入分析，实现设备状态的精准评估及未来故障的预测；
维护策略优化模块：根据数据处理与分析模块的输出结果，结合设备制造商的维护手册和历史维护数据，通过预设的自适应算法对维护策略进行优化，生成具体的维护建议和维修计划；
用户交互模块：通过预设的用户界面，将维护策略优化模块生成的维护建议和维修计划，以及数据处理与分析模块的设备实时预测状态信息直观展现给维护人员；
数据保护模块：利用区块链技术构建数据保护框架，对数据采集模块收集的原始数据、数据处理与分析模块的处理结果以及维护策略优化模块的维护记录进行链上存储，保障数据的不可篡改性和追溯性；
动态调整模块：根据设备的实时状态和外部环境因素的变化，自动调整数据采集模块的传感器采集频率和数据处理与分析模块的数据处理频率，以优化数据采集和处理过程。
本发明的有益效果：
本发明，通过集成智能传感器、高效数据处理与分析模块，以及先进的数据保护机制，实现了对工业设备全面、实时的监控和管理，从而显著提高了设备的运行效率和维护的响应速度，首先，该系统能够实时收集并分析设备运行数据，通过预设的图注意力网络（GAT）模型精准预测设备的潜在故障和性能退化，使得维护工作能够从被动响应转变为主动预防，极大地减少了设备故障率和停机时间。
本发明，通过自适应算法能够根据设备的实时状态和外部环境因素的变化，智能调整传感器的采集频率和数据处理频率，优化数据采集和处理过程，这不仅提高了数据分析的效率，还保证了在不同运行条件下设备管理系统的高性能和低能耗运行，进一步增强了设备管理的灵活性和可靠性。
本发明，利用区块链技术构建的数据保护框架，为设备管理系统中的数据提供了强大的安全保障，通过链上存储的方式，确保了数据的不可篡改性和完整性，同时提高了数据的透明度和追溯性，这不仅解决了传统设备管理在数据安全和隐私保护方面的问题，还为设备管理的决策提供了可靠的数据支持，为工业企业的数字化转型奠定了坚实的基础。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明，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他的附图。
图1为本发明实施例的设备管理方法流程示意图；
图2为本发明实施例的设备管理系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，一种基于工业物联网的设备管理方法及系统，包括以下步骤：
S1：在目标设备上部署智能传感器网络，以实时监测并采集设备的运行参数，如温度、振动、功率消耗，以及更细致的指标，例如零件磨损程度和润滑油状态，对设备状态的进行全面感知；
S2：通过安全加密的无线网络将S1收集的数据传输至数据处理中心，利用高级加密和验证技术，确保数据在传输过程中的安全性和完整性；
S3：数据处理中心首先采用预设的数据清洗算法对S2接收的数据进行预处理，然后使用预设的图注意力网络模型对清洗后的数据进行分析，实现设备状态的精准评估以及对零件磨损和润滑油退化的预测；
S4：结合设备制造商的维护手册和历史维护数据，S3的分析结果通过预设的自适应算法对维护策略进行优化，生成具体的维护建议和维修计划；
S5：通过预设的用户界面，将S4生成的维护建议和维修计划，以及设备的实时预测状态信息直观展现给维护人员；
S6：利用区块链技术构建数据保护框架，对S1收集的原始数据、S3的处理结果以及S4的维护记录进行链上存储，保障数据的不可篡改性和追溯性；
S7：通过预设的动态调整机制，根据设备的实时状态和外部环境因素的变化，自动调整S1的传感器采集频率和S3的数据处理频率。
S1具体包括：
S11：在目标设备的预定部位部署智能传感器网络，预定部位包括电机轴承、齿轮箱和润滑系统，分别装配温度传感器、振动传感器和油质监测传感器，温度传感器用于监控设备部件的温度变化，振动传感器用于捕捉设备运行时的振动频率和幅度，油质监测传感器用于检测润滑油的化学性质和污染程度；
S12：通过预设的加密无线模块，实现智能传感器网络与数据处理中心之间的数据通信，该加密无线模块采用高级加密协议，保障从传感器到数据中心的数据传输过程安全；
S13：智能传感器网络内的传感器采用自组织网络技术，优化数据传输路径，并通过动态路由算法协同工作，提升数据采集和传输的效率，其中每个传感器还设有低功耗模式，用于根据设备的运行状况自动调节数据采集频率，以最小化能耗；
S14：传感器内置高精度数据采集模块，对捕获的运行参数进行数字化处理，运行参数包括设备部件的实时温度、振动数据（频率和幅度），以及润滑油的酸值、粘度和水分含量的指标；
S15：按预设时间间隔，通过无线模块将采集到的数据安全传输至数据处理中心，数据在传输前，首先在传感器的本地缓存中进行临时存储，以确保数据在网络不稳定时不会丢失；
通过上述步骤，确保了对目标设备的全面监测与精准数据采集，为设备状态的精确评估及故障预测提供了可靠的数据支持，此外，传感器网络的智能部署和高效运作，保证了系统在保护数据安全的同时，也能够高效利用能源，提高整个设备管理系统的性能和可靠性。
S2具体包括：
S21：采集到的设备运行数据在传输前，先在源头的智能传感器端进行初步的加密处理，具体采用预设的对称加密算法，如高级加密标准（AES），确保数据在离开传感器前已经被加密，保障数据传输的安全性；
S22：数据通过无线模块发送前，为每批数据生成唯一的标识符（如时间戳和传感器ID的组合），并使用哈希函数（如SHA-256）对数据及标识符进行哈希处理，确保了数据的完整性，防止在传输过程中数据被篡改；
S23：使用非对称加密技术（如RSA算法）加强安全性，无线模块将使用数据处理中心的公钥对数据加密的密钥进行加密，确保只有持有相应私钥的数据处理中心能够解密出原始数据的密钥，从而确保了数据传输过程中的机密性；
S24：在数据传输过程中，实施端到端加密机制，确保数据从源头传感器到数据处理中心的过程中不被第三方读取或篡改，此外，引入SSL/TLS协议为数据传输通道提供加密的传输层安全性，保障数据在传输过程中的隐私和安全；
S25：数据到达数据处理中心后，首先使用数据处理中心的私钥对接收到的数据密钥进行解密，然后利用该密钥对数据进行解密，恢复出原始的设备运行数据，之后对数据进行二次哈希处理，并与传输前生成的哈希值进行对比，验证数据的完整性和未被篡改；
通过以上步骤，本发明确保了从智能传感器到数据处理中心的数据传输过程中的安全性和完整性，采用了多层次、多算法的加密和验证技术，确保了数据的机密性、完整性和传输安全，有效防止了数据在传输过程中的任何未授权访问和篡改。
S3具体包括：
S31：数据处理中心在接收到步骤S2通过安全加密无线网络传输的数据后，采用预设的数据清洗算法对数据进行预处理，包括去噪声和异常值过滤，噪声处理具体采用移动平均法减少由于设备运行或测量误差引起的随机波动；异常值过滤具体使用IQR（四分位距）方法来识别并排除偏离正常范围的数据点，以确保数据的准确性和可靠性；
S32：清洗后的数据经过预设的图注意力网络GAT模型进行深入分析，GAT模型通过注意力机制为设备网络中的各个节点（代表不同的设备部件或传感器）分配不同的重要性权重，使得模型能够有效捕捉设备部件之间的相互依赖关系及其对设备整体状态的影响，GAT模型特别适合处理设备管理中的复杂数据结构，如不同设备部件间的相互作用和对设备性能的影响；
S33：GAT模型的训练过程中，利用大量历史设备运行数据来调整模型参数，目标是最小化模型预测和实际设备运行状态之间的差异，通过反复迭代训练，学习设备部件之间的复杂相互作用及其对设备运行状态的影响，从而提高预测的准确度和可靠性；
S34：使用训练好的GAT模型对清洗后的实时数据进行分析，实现对设备状态的精准评估及未来故障的预测，分析的结果包括设备的当前运行效率、各部件的磨损程度以及润滑油的化学稳定性和退化速率，由于GAT模型能够考虑设备各部分之间的相互影响，因此能够提供更为全面和准确的设备状态评估及故障预测。
S33具体包括：
S331：从历史设备运行数据集中收集并整理出用于训练的数据，该数据包括设备各部件的运行参数（如温度、振动等）以及设备的运行状态（正常、异常），并对数据进行标准化处理，使得模型训练不会受到不同量级数据的影响；
S332：模型结构设置阶段，初始化图注意力网络GAT，GAT通过引入注意力机制，为图中每一条边(代表设备部件之间的相互作用)分配一个权重，该权重由下式计算得出：，其中，为节点的特征向量，在本发明中，这代表与设备的一个特定部件(如电机轴承、齿轮箱等)相关联的运行参数的向量表示，如温度、振动等数据；W代表应用于每个节点特征的能学习权重矩阵，这个矩阵在训练过程中被优化，用以将节点特征转换到更高效的表示空间；a为注意力机制的权重向量，用于计算节点间的注意力系数；为节点对其邻居节点j的注意力权重，这表示在考虑设备部件间相互影响时，部件j对部件状态评估的贡献度；为表示连接操作，用于将两个节点的特征向量连接起来，作为计算注意力权重的输入；为节点的邻居节点集合，在设备管理的上下文中，这可以理解为与特定设备部件直接相关或相互作用的其他部件集合；LeakyReLU为非线性激活函数，用于引入非线性因素，增强模型的表达能力；
S333：损失函数定义阶段，定义损失函数以量化模型预测的设备状态与实际运行状态之间的差异，具体采用均方误差MSE作为损失函数，具体公式为：
，其中，n为样本数量，即用于训练的设备运行状态数据点的总数；为样本的实际设备状态，可以是基于特定指标(如效率、性能等)的标量表示；为模型预测的设备状态，模型基于输入的设备运行参数给出的状态估计；MSE为表示模型预测值和实际值之间差异的度量，用于评估模型的预测性能；
S334：模型训练阶段，使用梯度下降法更新模型参数，以最小化损失函数，具体在每次迭代中，计算损失函数的模型参数的梯度，并按照下式更新参数：
，其中，代表模型的所有可学习参数，包括但不限于权重矩阵W和注意力向量a；为学习率，用于控制在每次迭代中参数更新的步长；为损失函数MSE的模型参数的梯度，用于指导模型参数的更新方向和幅度；通过反复迭代训练过程，直到损失函数的值不再下降或达到预设的最大迭代次数，则认为模型已经训练好；
通过上述步骤，可以利用大量历史设备运行数据来训练并优化图注意力网络（GAT）模型，最小化模型预测与实际设备运行状态之间的差异，实现对设备状态的精准评估及故障预测。
S4具体包括：
S41：将步骤S34中得到的设备状态评估结果和潜在故障预测信息与设备制造商提供的维护手册以及设备的历史维护数据进行综合分析，识别出当前设备状态与过往维护实践之间的相关性；
S42：采用预设的自适应算法，具体为基于强化学习的方法，优化维护策略，通过评估不同维护决策对设备性能的影响来学习最优的维护行动计划，强化学习算法公式表示为：，其中，为策略，在本发明中，它定义了在特定的设备状态下应采取的维护行动，策略是由算法学习和优化得到的，目的是找到一系列的行动，这些行动能够最大化设备的长期运行效益；为状态，表示设备在时间t的运行状态，这包括从设备各部件收集的实时数据，如温度、振动水平、润滑油质量等，以及由这些数据构成的特征向量；为行动(Action)，指在时间t下，根据策略所决定采取的具体维护活动，例如，可能是更换特定的部件、调整操作参数或执行特定的维护程序；为奖励，是给定状态和采取行动后所获得的即时回报，在设备维护的上下文中，奖励可能是基于维护行动带来的设备性能改善、运行成本降低或故障率减少等；为折扣因子，它的值介于0和1之间，此参数用于计算未来奖励的现值，以确定长期奖励相对于即时奖励的重要性，较高的值表示未来奖励被赋予更大的重要性；为期望，表示在策略下，从当前状态开始，采取一系列行动所能获得的长期累积奖励的期望值；为表示寻找最优策略的过程，即找到能够最大化长期累积奖励期望的策略；
S43：根据自适应算法的优化结果，生成具体的维护建议和维修计划；
维护建议具体如下：
对于即将达到耐用极限的部件，建议进行更换；
对于润滑油质量下降的部件，建议进行润滑油更换；
对于振动水平异常的设备，建议进行平衡校正；
维修计划具体如下：
建立基于预测故障和设备当前状态的优先级排序的维修计划；
根据设备使用强度和历史维护记录，制定定期维护时间表；
针对预定部件的预防性维护，提前规划配件采购和维护资源分配。
S5具体包括：
S51：开发直观的用户界面，界面设计考虑到易用性和信息的清晰展示，界面包括设备状态仪表盘、实时警报列表、维护建议和计划的详细视图部分；设计界面元素，包括图表、进度条和颜色编码，以直观展示设备各部件的运行效率、磨损程度的性能指标；
S52：将S4中生成的维护建议和维修计划以列表或时间线的形式展现在用户界面上，明确指出每项建议或计划的目标部件、建议的行动、预计执行时间和预期效果；为紧急维护建议或计划设置视觉突出显示（如闪烁、特殊颜色标记），确保维护人员能够迅速识别并优先处理；
S53：利用实时数据和预测模型结果，通过仪表盘展示设备的整体健康状况及各部件的具体状态，例如，使用进度条展示部件的当前磨损程度和剩余使用寿命，并集成趋势图表，展示设备性能指标（如效率、能耗）和部件状态（如温度、振动水平）随时间的变化趋势，以及基于预测模型对未来状态的预测；
S54：界面内预设直接响应功能，允许维护人员在接收到维护建议时确认、排期或请求的信息。
S6具体包括：
S62：对S1收集的原始设备运行数据、S3的处理结果，以及S4生成的维护建议和维修计划进行标准化处理，确保数据格式一致；并使用哈希函数对待存储数据生成唯一哈希值，作为数据的数字指纹，这一步骤既保证了数据的完整性，也为后续的验证提供了依据；
S63：将预处理后的数据和对应的哈希值作为交易打包到区块中，在区块链网络中，每个交易都需要被网络节点验证并达成共识，然后才能被加入到区块链上，并采用加密签名技术确保数据来源的可验证性，数据提供者使用私钥对数据或哈希值进行签名，任何人都能用相应的公钥验证签名的有效性，从而确认数据的真实来源；
S64：一旦数据被加入到区块链中，由于区块链的不可篡改性，任何尝试修改已存储数据的行为都将被网络检测并拒绝，这确保了一旦数据上链，它就无法被更改或删除，利用区块链的透明性特点，实现数据的追溯性，所有链上数据都能被公开访问（除非采用私有链或联盟链进行权限控制），并且每一笔数据都能通过哈希值追溯到源头；
S65：通过智能合约来实现对链上数据的访问控制和权限管理，通过智能合约，设定谁有权访问数据，以及在什么条件下能访问，从而保护数据的隐私性和安全性，并实施访问日志记录机制，任何对链上数据的访问尝试都将被记录，包括访问者的身份、访问时间和访问的数据内容，这一机制增加了数据访问的透明度，有助于审计和监管；
通过上述步骤，本发明的实施例能够有效利用区块链技术构建一个安全、可靠且透明的数据保护框架，这不仅确保了设备运行数据的不可篡改性和追溯性，也为设备管理提供了一个高度安全和可信的数据存储和共享平台。
S7具体包括：
S71：实时监测设备的运行状态和外部环境因素，包括温度、湿度、压力，此步骤通过在设备各关键部位部署的智能传感器实现，并设立状态监测阈值和环境监测指标，用于评估设备运行是否在正常范围内，以及外部环境是否对设备性能有影响；
S72：定义动态调整逻辑，包括设定传感器采集频率和数据处理频率的调整规则，该规则基于对实时监测数据的分析，以及预先设定的性能目标和响应策略制定，预设调整规则逻辑为函数，其中s代表设备的实时状态，e代表外部环境因素，函数输出是传感器采集频率和数据处理频率的调整值；
S73：根据函数的输出，自动调整传感器采集频率，具体当设备状态稳定且外部环境因素变化不大时，采集频率能降低以节约能源；反之当检测到设备状态异常或外部环境因素对设备有显著影响，采集频率则提高，以获得更多的监测数据支持决策；
S74：同样根据函数的输出，自动调整数据处理中心的数据处理频率，在设备运行状态和外部环境变化时增加数据处理频率，以实时响应设备状态的变化；在状态稳定时降低处理频率，优化计算资源的使用；
S75：设立反馈机制，根据调整后的采集频率和处理频率的实际效果，优化动态调整逻辑，具体收集调整效果的数据，并分析调整前后的性能变化，然后更新调整规则，形成闭环控制；通过上述步骤，能够实现对传感器采集频率和数据处理频率的智能动态调整，根据设备的实时状态和外部环境因素的变化，优化数据采集和处理过程，提高了设备管理和维护的效率及时效性。
上述的动态调整逻辑的实现可以基于多种算法，如基于规则的方法、机器学习模型等，例如，如果采用机器学习模型，可以通过训练一个回归模型来实现，模型训练的目标是最小化调整后的性能指标与预期目标之间的差异，模型训练可以使用如下公式：，其中，n是训练样本的数量，是样本的实际性能指标，是模型预测的性能指标，代表模型参数。
如图2所示，一种基于工业物联网的设备管理系统，用于实现上述的一种基于工业物联网的设备管理方法，包括以下模块：
包括以下模块：
数据采集模块：包括多种类型的智能传感器，部署于目标设备的部位，用于实时监测并采集设备的运行参数，如温度、振动、功率消耗等，以及更细致的指标，例如零件磨损程度和润滑油状态，该模块为系统提供原始数据输入，是后续分析和决策的基础；
数据传输模块：用于将数据采集模块收集到的数据通过安全加密的无线网络传输至数据处理中心，该模块采用高级加密和验证技术，确保数据在传输过程中的安全性和完整性；
数据处理分析模块：接收数据传输模块送来的数据，并采用预设的数据清洗算法对数据进行预处理，去除噪声和异常值，然后使用图注意力网络模型对清洗后的数据进行深入分析，实现设备状态的精准评估及未来故障的预测；
维护策略优化模块：根据数据处理与分析模块的输出结果，结合设备制造商的维护手册和历史维护数据，通过预设的自适应算法对维护策略进行优化，生成具体的维护建议和维修计划；
用户交互模块：通过预设的用户界面，将维护策略优化模块生成的维护建议和维修计划，以及数据处理与分析模块的设备实时预测状态信息直观展现给维护人员，该模块支持交互功能，允许维护人员确认维护计划、调整维护安排或请求进一步的信息；
数据保护模块：利用区块链技术构建数据保护框架，对数据采集模块收集的原始数据、数据处理与分析模块的处理结果以及维护策略优化模块的维护记录进行链上存储，保障数据的不可篡改性和追溯性；
动态调整模块：根据设备的实时状态和外部环境因素的变化，自动调整数据采集模块的传感器采集频率和数据处理与分析模块的数据处理频率，以优化数据采集和处理过程。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于工业物联网的设备管理方法，其特征在于，包括以下步骤：
S1：在目标设备上部署智能传感器网络，以实时监测并采集设备的运行参数，对设备状态的进行全面感知；
所述S1具体包括：
S11：在目标设备的预定部位部署智能传感器网络，预定部位包括电机轴承、齿轮箱和润滑系统，分别装配温度传感器、振动传感器和油质监测传感器，温度传感器用于监控设备部件的温度变化，振动传感器用于捕捉设备运行时的振动频率和幅度，油质监测传感器用于检测润滑油的化学性质和污染程度；
S12：通过预设的加密无线模块，实现智能传感器网络与数据处理中心之间的数据通信，该加密无线模块采用高级加密协议，保障从传感器到数据中心的数据传输过程安全；
S13：智能传感器网络内的传感器采用自组织网络技术，优化数据传输路径，并通过动态路由算法协同工作，提升数据采集和传输的效率，其中每个传感器还设有低功耗模式，用于根据设备的运行状况自动调节数据采集频率，以最小化能耗；
S14：传感器内置高精度数据采集模块，对捕获的运行参数进行数字化处理，运行参数包括设备部件的实时温度、振动数据，以及润滑油的酸值、粘度和水分含量的指标；
S15：按预设时间间隔，通过无线模块将采集到的数据安全传输至数据处理中心；
S2：通过安全加密的无线网络将S1收集的数据传输至数据处理中心，利用高级加密和验证技术，确保数据在传输过程中的安全性和完整性；
所述S2具体包括：
S21：采集到的设备运行数据在传输前，先在源头的智能传感器端进行初步的加密处理，具体采用预设的对称加密算法，确保数据在离开传感器前已经被加密，保障数据传输的安全性；
S22：数据通过无线模块发送前，为每批数据生成唯一的标识符，并使用哈希函数对数据及标识符进行哈希处理，确保了数据的完整性，防止在传输过程中数据被篡改；
S23：使用非对称加密技术加强安全性，无线模块将使用数据处理中心的公钥对数据加密的密钥进行加密，确保只有持有相应私钥的数据处理中心能够解密出原始数据的密钥，从而确保了数据传输过程中的机密性；
S24：在数据传输过程中，实施端到端加密机制，确保数据从源头传感器到数据处理中心的过程中不被第三方读取或篡改；
S25：数据到达数据处理中心后，首先使用数据处理中心的私钥对接收到的数据密钥进行解密，然后利用该密钥对数据进行解密，恢复出原始的设备运行数据，之后对数据进行二次哈希处理，并与传输前生成的哈希值进行对比，验证数据的完整性和未被篡改；
S3：数据处理中心首先采用预设的数据清洗算法对S2接收的数据进行预处理，然后使用预设的图注意力网络模型对清洗后的数据进行分析，实现设备状态的精准评估以及对零件磨损和润滑油退化的预测；
所述S3具体包括：
S31：数据处理中心在接收到步骤S2通过安全加密无线网络传输的数据后，采用预设的数据清洗算法对数据进行预处理，包括去噪声和异常值过滤，噪声处理具体采用移动平均法减少由于设备运行或测量误差引起的随机波动；异常值过滤具体使用IQR方法来识别并排除偏离正常范围的数据点；
S32：清洗后的数据经过预设的图注意力网络GAT模型进行深入分析，GAT模型通过注意力机制为设备网络中的各个节点分配不同的重要性权重，使得模型能够有效捕捉设备部件之间的相互依赖关系及其对设备整体状态的影响；
S33：GAT模型的训练过程中，利用大量历史设备运行数据来调整模型参数，目标是最小化模型预测和实际设备运行状态之间的差异，通过反复迭代训练，学习设备部件之间的复杂相互作用及其对设备运行状态的影响，从而提高预测的准确度和可靠性；
所述S33具体包括：
S331：从历史设备运行数据集中收集并整理出用于训练的数据，该数据包括设备各部件的运行参数以及设备的运行状态，并对数据进行标准化处理；
S332：模型结构设置阶段，初始化图注意力网络GAT，GAT通过引入注意力机制，为图中每一条边分配一个权重，该权重由下式计算得出：
其中，hi为节点i的特征向量；W代表应用于每个节点特征的能学习权重矩阵；a为注意力机制的权重向量，用于计算节点间的注意力系数；αij为节点i对其邻居节点j的注意力权重；‖为表示连接操作；为节点i的邻居节点集合；LeakyReLU为非线性激活函数；
S333：损失函数定义阶段，定义损失函数以量化模型预测的设备状态与实际运行状态之间的差异，具体采用均方误差MSE作为损失函数，具体公式为：
其中，n为样本数量；yi为样本i的实际设备状态；为模型预测的设备状态；MSE为表示模型预测值和实际值之间差异的度量；
S334：模型训练阶段，使用梯度下降法更新模型参数，以最小化损失函数，具体在每次迭代中，计算损失函数的模型参数的梯度，并按照下式更新参数：
其中，θ代表模型的所有可学习参数；η为学习率，用于控制在每次迭代中参数更新的步长；为损失函数MSE的模型参数θ的梯度，用于指导模型参数的更新方向和幅度；通过反复迭代训练过程，直到损失函数的值不再下降或达到预设的最大迭代次数，则认为模型已经训练好；
S34：使用训练好的GAT模型对清洗后的实时数据进行分析，实现对设备状态的精准评估及未来故障的预测，分析的结果包括设备的当前运行效率、各部件的磨损程度以及润滑油的化学稳定性和退化速率；
S4：结合设备制造商的维护手册和历史维护数据，S3的分析结果通过预设的自适应算法对维护策略进行优化，生成具体的维护建议和维修计划；
所述S4具体包括：
S41：将步骤S34中得到的设备状态评估结果和潜在故障预测信息与设备制造商提供的维护手册以及设备的历史维护数据进行综合分析，识别出当前设备状态与过往维护实践之间的相关性；
S42：采用预设的自适应算法，具体为基于强化学习的方法，优化维护策略，通过评估不同维护决策对设备性能的影响来学习最优的维护行动计划，强化学习算法公式表示为：其中，π为策略；st为状态，表示设备在时间t的运行状态；at为行动，指在时间t下，根据策略π所决定采取的具体维护活动；R(st，at)为奖励，是给定状态st和采取行动at后所获得的即时回报；γ为折扣因子，它的值介于0和1之间；为期望；maxπ为表示寻找最优策略的过程；
S43：根据自适应算法的优化结果，生成具体的维护建议和维修计划；
维护建议具体如下：
对于即将达到耐用极限的部件，建议进行更换；
对于润滑油质量下降的部件，建议进行润滑油更换；
对于振动水平异常的设备，建议进行平衡校正；
维修计划具体如下：
建立基于预测故障和设备当前状态的优先级排序的维修计划；
根据设备使用强度和历史维护记录，制定定期维护时间表；
针对预定部件的预防性维护，提前规划配件采购和维护资源分配；
S5：通过预设的用户界面，将S4生成的维护建议和维修计划，以及设备的实时预测状态信息直观展现给维护人员；
S6：利用区块链技术构建数据保护框架，对S1收集的原始数据、S3的处理结果以及S4的维护记录进行链上存储，保障数据的不可篡改性和追溯性；
S7：通过预设的动态调整机制，根据设备的实时状态和外部环境因素的变化，自动调整S1的传感器采集频率和S3的数据处理频率。
2.根据权利要求1所述的一种基于工业物联网的设备管理方法，其特征在于，所述S5具体包括：
S51：开发直观的用户界面，界面设计考虑到易用性和信息的清晰展示，界面包括设备状态仪表盘、实时警报列表、维护建议和计划的详细视图部分；设计界面元素，包括图表、进度条和颜色编码，以直观展示设备各部件的运行效率、磨损程度的性能指标；
S52：将S4中生成的维护建议和维修计划以列表或时间线的形式展现在用户界面上，明确指出每项建议或计划的目标部件、建议的行动、预计执行时间和预期效果；
S53：利用实时数据和预测模型结果，通过仪表盘展示设备的整体健康状况及各部件的具体状态，并集成趋势图表，展示设备性能指标和部件状态随时间的变化趋势，以及基于预测模型对未来状态的预测；
S54：界面内预设直接响应功能，允许维护人员在接收到维护建议时确认、排期或请求的信息。
3.根据权利要求1所述的一种基于工业物联网的设备管理方法，其特征在于，所述S6具体包括：
S62：对S1收集的原始设备运行数据、S3的处理结果，以及S4生成的维护建议和维修计划进行标准化处理，确保数据格式一致；并使用哈希函数对待存储数据生成唯一哈希值，作为数据的数字指纹；
S63：将预处理后的数据和对应的哈希值作为交易打包到区块中，在区块链网络中，每个交易都需要被网络节点验证并达成共识，然后才能被加入到区块链上，并采用加密签名技术确保数据来源的可验证性，数据提供者使用私钥对数据或哈希值进行签名，任何人都能用相应的公钥验证签名的有效性，从而确认数据的真实来源；
S64：一旦数据被加入到区块链中，由于区块链的不可篡改性，任何尝试修改已存储数据的行为都将被网络检测并拒绝，利用区块链的透明性特点，实现数据的追溯性，所有链上数据都能被公开访问，并且每一笔数据都能通过哈希值追溯到源头；
S65：通过智能合约来实现对链上数据的访问控制和权限管理，通过智能合约，设定谁有权访问数据，以及在什么条件下能访问，从而保护数据的隐私性和安全性，并实施访问日志记录机制，任何对链上数据的访问尝试都将被记录，包括访问者的身份、访问时间和访问的数据内容。
4.根据权利要求1所述的一种基于工业物联网的设备管理方法，其特征在于，所述S7具体包括：
S71：实时监测设备的运行状态和外部环境因素，包括温度、湿度、压力，并设立状态监测阈值和环境监测指标，用于评估设备运行是否在正常范围内，以及外部环境是否对设备性能有影响；
S72：定义动态调整逻辑，包括设定传感器采集频率和数据处理频率的调整规则，该规则基于对实时监测数据的分析，以及预先设定的性能目标和响应策略制定，预设调整规则逻辑为函数f(s，e)，其中s代表设备的实时状态，e代表外部环境因素，函数输出是传感器采集频率和数据处理频率的调整值；
S73：根据f(s，e)函数的输出，自动调整传感器采集频率，具体当设备状态稳定且外部环境因素变化不大时，采集频率能降低以节约能源；反之当检测到设备状态异常或外部环境因素对设备有显著影响，采集频率则提高，以获得更多的监测数据支持决策；
S74：同样根据f(s，e)函数的输出，自动调整数据处理中心的数据处理频率，在设备运行状态和外部环境变化较大时增加数据处理频率，以实时响应设备状态的变化；在状态稳定时降低处理频率，优化计算资源的使用；
S75：设立反馈机制，根据调整后的采集频率和处理频率的实际效果，优化动态调整逻辑f(s，e)，具体收集调整效果的数据，并分析调整前后的性能变化，然后更新调整规则，形成闭环控制。
5.一种基于工业物联网的设备管理系统，用于实现如权利要求1-4任一项所述的一种基于工业物联网的设备管理方法，其特征在于，包括以下模块：
数据采集模块：包括多种类型的智能传感器，部署于目标设备的部位，用于实时监测并采集设备的运行参数；
数据传输模块：用于将数据采集模块收集到的数据通过安全加密的无线网络传输至数据处理中心；
数据处理分析模块：接收数据传输模块送来的数据，并采用预设的数据清洗算法对数据进行预处理，去除噪声和异常值，然后使用图注意力网络模型对清洗后的数据进行深入分析，实现设备状态的精准评估及未来故障的预测；
维护策略优化模块：根据数据处理与分析模块的输出结果，结合设备制造商的维护手册和历史维护数据，通过预设的自适应算法对维护策略进行优化，生成具体的维护建议和维修计划；
用户交互模块：通过预设的用户界面，将维护策略优化模块生成的维护建议和维修计划，以及数据处理与分析模块的设备实时预测状态信息直观展现给维护人员；
数据保护模块：利用区块链技术构建数据保护框架，对数据采集模块收集的原始数据、数据处理与分析模块的处理结果以及维护策略优化模块的维护记录进行链上存储，保障数据的不可篡改性和追溯性；
动态调整模块：根据设备的实时状态和外部环境因素的变化，自动调整数据采集模块的传感器采集频率和数据处理与分析模块的数据处理频率，以优化数据采集和处理过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410591290.5A CN118171221B (zh) | 2024-05-14 | 2024-05-14 | 一种基于工业物联网的设备管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410591290.5A CN118171221B (zh) | 2024-05-14 | 2024-05-14 | 一种基于工业物联网的设备管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118171221A CN118171221A (zh) | 2024-06-11 |
| CN118171221B true CN118171221B (zh) | 2024-08-06 |
Family
ID=91357037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410591290.5A Active CN118171221B (zh) | 2024-05-14 | 2024-05-14 | 一种基于工业物联网的设备管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118171221B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118466240B (zh) * | 2024-07-10 | 2024-10-18 | 宏景科技股份有限公司 | 机电设备自控方法和系统 |
| CN118646971A (zh) * | 2024-08-08 | 2024-09-13 | 杭州奥克光电设备有限公司 | 用于无源器件的数据采集设备部署方法、系统和数据采集设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11842301B1 (en) * | 2022-05-23 | 2023-12-12 | Chengdu Puhuidao Smart Energy Technology Co., Ltd. | Methods for monitoring distributed energy storage safety and internet of things systems thereof |
| CN117879171A (zh) * | 2024-01-15 | 2024-04-12 | 中新普能电力装备有限公司 | 一种开闭站配电室运营维护方法 |
-
2024
- 2024-05-14 CN CN202410591290.5A patent/CN118171221B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 大数据智能运维管理在轨道交通行业的应用;王磊 等;《智慧家庭与城市》;20230731;摘要，第0-6节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118171221A (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118171221B (zh) | 一种基于工业物联网的设备管理方法及系统 | |
| US20160026729A1 (en) | Systems and methods involving mobile indoor energy efficiency exploration, monitoring and/or display aspects | |
| KR20200071805A (ko) | IoT기반 실시간 에너지 모니터링 및 데이터 분석 시스템 | |
| Chehri et al. | The industrial internet of things: examining how the IIoT will improve the predictive maintenance | |
| Unal et al. | Data-driven artificial intelligence and predictive analytics for the maintenance of industrial machinery with hybrid and cognitive digital twins | |
| CN117273440B (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
| CN116781423B (zh) | 一种工业互联网数据的共享方法及系统 | |
| CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
| CN111787011A (zh) | 一种信息系统安全威胁智能分析预警系统、方法及存储介质 | |
| Elsisi et al. | Design of reliable IoT systems with deep learning to support resilient demand side management in smart grids against adversarial attacks | |
| CN117371952B (zh) | 一种多项目协同管理系统 | |
| CN113837358B (zh) | 基于格兰杰因果关系的系统策略预测方法及相关设备 | |
| Lakshmi et al. | Decision Trees for Secure and Transparent Equipment Failure Prediction in Cloud-Connected Manufacturing | |
| Silveira et al. | Quantifying the suitability and feasibility of predictive maintenance approaches | |
| Aftabi et al. | A Variational Autoencoder Framework for Robust, Physics-Informed Cyberattack Recognition in Industrial Cyber-Physical Systems | |
| Dahiya et al. | Artificial Intelligence of Things: AIoT in Various Markets of IoT Deployments. | |
| Shi | Data fusion for in-process quality improvement | |
| Jain et al. | Influence of imperfect prognostics on maintenance decisions | |
| Crompton | Data management from the DCS to the historian and HMI | |
| Balali et al. | Data Intensive Industrial Asset Management: IoT-based Algorithms and Implementation | |
| Jia et al. | IIoT-based Predictive Maintenance for Oil and Gas Industry | |
| Sharanya et al. | Edge AI: from the perspective of predictive maintenance | |
| Kumar et al. | Asset Performance Management Using Machine Learning | |
| Rengaraj et al. | Design and Implementation of Real Time Monitoring System of Diesel Generator using IoT | |
| Tham et al. | Prescriptive Maintenance Using Markov Decision Process and GPU-Accelerated Edge Computing |
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 |