CN110915139A - 用于数据获取的方法、现场设备和云基础设施 - Google Patents
用于数据获取的方法、现场设备和云基础设施 Download PDFInfo
- Publication number
- CN110915139A CN110915139A CN201780093292.XA CN201780093292A CN110915139A CN 110915139 A CN110915139 A CN 110915139A CN 201780093292 A CN201780093292 A CN 201780093292A CN 110915139 A CN110915139 A CN 110915139A
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- field device
- representation
- cloud storage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 abstract description 13
- 230000006835 compression Effects 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/60—General implementation details not specific to a particular type of compression
- H03M7/6064—Selection of Compressor
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
一种用于数据获取的方法、现场设备和云基础设施。使用表示(R)在现场设备(SD)上压缩传感器数据(SD)。现场设备立即对经压缩的数据(CD)进行解压缩,以便检测偏差。如果存在偏差,则云存储装置(ST)接收传感器数据作为原始未经压缩的数据(RUD)。云组件(b2)从现场设备接收触发信号(T),其指示由现场设备使用以用于压缩的表示没有充分描述传感器数据。然后,云组件通过检索和分析存储在云存储装置中的所有数据(AD)来学习新表示(NR)。该方法和现场设备提供鲁棒的、基于压缩的数据获取。它们提高了由现场设备所捕获的数据的质量和精度。由于现场设备中的表示可以更新,因此适应设备设置中的改变变得可能。云基础设施提供了云中的表示的自动学习。这受益于利用所有现场设备的所有历史数据,并且节省了现场设备上的资源。为了学习新表示,可以利用基于云的大数据技术来构建可以自动地重部署到现场设备的新表示。
Description
背景技术
工业自动化处理非常大量的工厂车间数据,该数据从可编程逻辑控制器(PLC)捕获并且最终被传递到监督控制和数据获取***(SCADA)。以连续的时间间隔(例如,每10毫秒)对时间序列数据进行采样。甚至简单的过程可能潜在地具有数百或数千的数据点。因此,主要被设计以实时地显示数据的典型的SCADA应用具有许多数据要跟踪和处理。传统的SCADA进一步求助于通过过程历史数据库(process historian)跟踪时间序列数据以便随后分析数据的方法。
当该数据存储在像Siemens Sinalytics、Siemens MindSphere 或GE Predix一样的云平台中时,其需要许多带宽。为了有效地存储和传输数据,需要对其进行压缩。一般而言,存在两种压缩:无损和有损压缩。前者通常导致大量数据。后一个允许更紧凑的压缩,并且该压缩过程也更资源有效,然而,以不能够完全重建原始数据为代价。
发明内容
本发明的目的是提供对现有技术的替代方案。
根据用于数据获取的方法,执行以下步骤:
- 通过现场设备的传感器获取传感器数据,
- 通过现场设备的数据压缩器使用表示来压缩传感器数据,以生成经压缩的数据,
- 通过现场设备的数据解压缩器使用表示来解压缩经压缩的数据,以生成经解压缩的数据,以及
- 通过现场设备的比较单元来将传感器数据与经解压缩的数据进行比较,并且如果传感器数据和经解压缩的数据之间的差超过阈值,则检测到偏差。
现场设备被配置以用于从至少一个传感器获取传感器数据。其包括:
- 数据压缩器,其被配置用于使用表示来压缩传感器数据,以生成经压缩的数据,
- 数据解压缩器,其被配置用于使用表示来解压缩经压缩的数据,以生成经解压缩的数据,以及
- 比较单元,其被配置以用于将传感器数据与经解压缩的数据进行比较,并且如果传感器数据和经解压缩的数据之间的差超过阈值,则检测到偏差。
云基础设施包括
- 云存储装置,其被配置以用于从至少一个现场设备接收传感器数据作为原始未经压缩的数据,
- 第二云组件,被配置以用于
- 从现场设备接收触发信号,该触发信号指示由现场设备使用以用于压缩传感器数据的表示没有充分描述传感器数据,以及
- 通过检索和分析存储在云存储装置中的所有数据来学习新表示。
以下优点和解释不一定是独立权利要求的目的的结果。而是,它们可能是仅应用于某些实施例或变型的优点和解释。
作为示例,数据压缩器、数据解压缩器以及比较单元可以使用一个或多个专用硬件组件来实现,例如,专用集成电路(ASIC)或在一个或多个处理器(诸如微控制器或微处理器)上运行的合适的软件。
该方法和现场设备提供了鲁棒的、基于压缩的数据获取。它们提高了由现场设备所捕获的数据的质量和精度。由于现场设备中的表示可以更新,因此适应设备设置中的改变变得可能。
云基础设施提供了云中的表示的自动学习。这受益于利用所有现场设备的所有历史数据,并且节省了现场设备上的资源。该云基础设施通过学习云中的新表示来处理现场设备上可用的有限计算能力。云基础设施使用自动表示学习来针对手头的数据定制压缩算法,并且如果数据特性改变,则不断适应该表示。为了学习新表示,可以利用基于云的大数据技术来构建可以自动地重部署到现场设备的新表示。该重部署减少了配置工作和所需的领域知识,因为压缩算法和参数不必由线路构建者或最终用户手动指定。另外,可以自动适应环境中的改变。
在该方法的实施例中,该方法包括以下附加步骤
- 将经压缩的数据发送到第一云组件,以及
- 通过第一云组件使用表示来解压缩经压缩的数据,并且在云存储装置中存储经解压缩的数据。
由第一云组件使用的表示可以是与由现场设备使用的表示相同的分离的实例。
在该方法的实施例中,该方法包括,如果比较单元检测到偏差,则将传感器数据作为原始未经压缩的数据发送到云存储装置的附加步骤。
该实施例允许最优地利用可用带宽将在设备上生成的传感器数据的代表性样本作为原始未经压缩的数据存储到云基础设施中。这在具有有限数据带宽以及高数据速率(由于高采样或高量传感器)的基础设施中至关重要。在正常的操作中,仅传输经压缩的数据以节省带宽。仅在有偏差的情况下,才传输原始未经压缩的数据。
可以使用原始未经压缩的数据来提高资产数据的质量。通过检测偏差,现场设备可以自动地注意到压缩误差。这防止了错误数据被转发到随后的SCADA、MES以及资产管理***。
传输原始未经压缩的数据确保了所有数据的代表性样本在云中可用。
另一个优点在于以下事实:原始未经压缩的数据表示罕见的数据,并且允许适应在压缩算法中使用的表示。
在该方法的实施例中,该方法包括以下附加步骤
- 将传感器数据作为原始未经压缩的数据发送到云存储装置,以及
- 用在云存储装置中的原始未经压缩的数据来替换由第一云组件存储的经解压缩的数据,
如果比较单元检测到偏差的话。
该实施例确保了传感器数据和存储在云中的数据之间的误差不会超过预定义的阈值。
在该方法的实施例中,该方法包括以下附加步骤
- 由第二云组件通过检索和分析存储在云存储装置中的所有数据来学习新表示,以及
- 用新表示来替换由数据压缩器和数据解压缩器使用的表示,
如果比较单元检测到偏差的话。
换句话说,新表示像应用一样从云自动地部署到现场设备。
在该实施例的变型中,如果比较单元(a3)检测到偏差,则由第一云组件使用的表示也用新表示来替换。
在该方法的实施例中,该方法包括以下附加步骤:如果比较单元检测到偏差,则触发现场设备上的警报。
这意味着现场设备可以在由罕见的数据所指示的异常行为的情况下进行警告。换句话说,该方法提供了自动的设备保护。
在该方法的实施例中,许多现场设备将数据发送到云存储装置。
在该方法的实施例中,该方法包括以下附加步骤
- 如果在云存储装置中的数据是异构的,则创建多个新表示,以及
- 将多个表示中的一个部署到每个现场设备。
在该方法的实施例中,数据压缩器和数据解压缩器是神经自动编码器的一部分。
在该方法的实施例中,新表示的学习包括使用反向传播算法或有限存储器布罗伊登-弗莱彻-戈德法布-香农(Broyden-Fletcher-Goldfarb-Shannon)算法。
在该方法的实施例中,新表示的学习包括使用权重衰减或稀疏性自动编码器。
在该现场设备的实施例中,该现场设备包括网络接口,并且被配置以用于将经压缩的数据发送到云,特别是到第一云组件。
在该现场设备的实施例中,该现场设备包括网络接口,并且被配置以用于如果比较单元检测到偏差,则将传感器数据作为原始未经压缩的数据发送到云存储装置。
在该现场设备的实施例中,该现场设备被配置以用于如果比较单元检测到偏差,则生成警报。
在该云基础设施的实施例中,该云基础设施包括
第一云组件,其被配置以用于
- 从现场设备接收经压缩的数据,
- 使用存储在云中的表示来对经压缩的数据进行解压缩,以及
- 在云存储装置中存储经解压缩的数据。
云存储装置被配置以用于在接收到原始未经压缩的数据的情况下,用对应的原始未经压缩的数据来重写经解压缩的数据。
可以使用专用硬件组件或在一个或多个处理器或服务器上运行的合适的软件来实现第一云组件和第二云组件。由第一云组件使用的表示可以是与由现场设备使用的表示相同的分离的实例。
在该云基础设施的实施例中,该云基础设施连接到若干现场设备。第二云组件被配置以用于如果云存储装置中的数据是异构的,则创建多个新表示,并且将多个新表示中的一个部署到每个现场设备。
用于数据获取的网络包括云基础设施和若干现场设备。
计算机可读存储介质已经在其上存储了可由计算机***的一个或多个处理器执行的指令,其中所述指令的执行使计算机***施行该方法。
计算机程序正由计算机***的一个或多个处理器执行,并且施行该方法。
附图说明
当结合附图阅读时,将从以下详细的描述中最好地理解本发明的前述和其它方面。为了图示本发明的目的,在附图中示出了目前优选的实施例,然而,将理解,本发明不限制于所公开的特定手段。在附图中包括以下图:
图1 是连接到云C的现场设备FD,
图2 是用于正常操作的控制流,以及
图3 是用于学习新表示NR的控制流。
具体实施方式
图1示出了连接到云C的现场设备FD。更多现场设备(例如PLC)可以以相同的方式连接到云C。
现场设备FD从至少一个传感器SE接收传感器数据SD,所述传感器SE是现场设备FD的一部分或连接到现场设备FD二者任一。现场设备FD包含数据压缩器a1(例如压缩算法),其将经压缩的数据CD发送到现场设备FD内的第一云组件b1和数据解压缩器a2。数据解压缩器a2立即将经压缩的数据CD解压缩为经解压缩的数据DD。比较单元a3将经解压缩的数据DD匹配到传感器数据SD的原始流上。
由数据压缩器a1和数据解压缩器a2使用的算法需要一致。虽然潜在地存在可用算法(无损和有损二者)的广泛选择,但至关重要的是,它们二者都利用表示R,该表示R定制应用领域中典型的算法。从数据学习表示R必须是可能的。用于实现数据压缩器a1和数据解压缩器a2的一个示例是神经自动编码器。神经自动编码器是神经网络,其将输入数据投影到较低维度空间,并且将所投影的数据投影回到原始空间。在该示例中,该神经网络的参数是表示R。
在可能的实施例中,数据压缩器a1是将传感器数据SD投影到较低维度空间上的神经自动编码器的一部分,以便生成经压缩的数据CD。数据解压缩器a2是将经压缩的数据CD投影回到原始空间的神经自动编码器的第二半,以便生成经解压缩的数据DD。
比较单元a3需要实现测量传感器数据SD以及经解压缩的数据DD之间的差的度量。用于这样的度量的示例是误差的百分比。在该情况下,如果误差的百分比超过给定阈值,则由比较单元a3检测到偏差。
如果比较单元a3检测到偏差,则这意味着表示R没有充分地描述传感器数据SD。现场设备FD捕获了传感器数据SD的快照,并且将其存储在本地,例如,在SD卡上。然后,现场设备FD(例如,经由JSON)将快照作为原始未经压缩的数据RUD上传到云存储装置ST中。最后,现场设备FD(例如,经由使用标准HTTP/GET的TCP/IP协议)触发第二云组件b2,从而通知第二云组件b2表示R没有充分地描述传感器数据SD。
第一云组件b1接收从现场设备FD发送的经压缩的数据CD,并且将其解压缩地存储在云存储装置ST中。为了一致性原因,第一云组件b1需要与现场设备FD的数据压缩器解压缩器a2相同。云存储装置ST是云/数据存储组件。例如,云存储装置ST可以是简单网络附接文件***或Hadoop集群。
第二云组件b2大部分保持不活动。仅在由现场设备FD触发的情况下,其才检索所有的数据AD,即来自云存储装置ST的所有经解压缩的数据,并且自动地构建用于由数据压缩器a1、数据解压缩器a2以及第一云组件b1使用的压缩/解压缩算法的新表示NR。在数据压缩器a1、数据解压缩器a2以及第一云组件b1实现为神经自动编码器的情况下,第二云组件b2可以使用例如反向传播或L-BFGS算法。为了在学习期间实现稀疏表示,可以采用各种技术,例如权重衰减或稀疏性自动编码器。
尽管图1示出仅单个现场设备FD,但是许多现场设备可以如上面所描述地设计,并且连接到云C。如果云存储装置中的数据过于异构,则第二云组件b2可以可选择地决定构建仅用于现场设备的子集的新表示NR。在该种情况下,不同的表示部署在不同的现场设备上。然后,使第一云组件b1意识到所使用的不同表示,并且将它们与发送数据的设备相匹配。
另一个实施例省略了将经压缩的数据CD从现场设备FD发送到云C。在该实施例中,在云中省略了第一云组件b1和表示R。该实施例仅在云中存储与观察到的数据充分不同的所有数据,并且可以保持所有数据的代表性样本。
图2示出了用于上面描述的实施例在正常操作期间的控制和信息流。传感器SE生成数据组块作为传感器数据SD。组块是一系列测量,例如,微批量。然而,传感器SE还可以产生用流处理技术处理的传感器数据SD的流。
在正常操作期间,表示R符合传感器数据SD。传感器SE不断地将其生成的传感器数据SD流式传输到现场设备中的数据压缩器a1和比较单元a3二者。然后,传感器数据SD被数据压缩器a1利用表示R压缩。经压缩的数据CD被并行地馈送到数据解压缩器a2和第一云组件b1中。数据解压缩器a2对经压缩的数据CD进行解压缩,并且将经解压缩的数据DD转发到比较单元a3,该比较单元a3在第一种情况下将不会检测到偏差,并且终止现场设备中针对当前数据组块的过程。并行地,第一云组件b1将对接收到的经压缩的数据进行解压缩,并且将其存储在云存储装置ST中。
图3示出了用于学习新表示NR的控制和信息流。在该第二种情况下,过程将很大程度上相似。传感器SE不断地将其生成的传感器数据SD流式传输到数据压缩器a1和比较单元a3二者。然后,传感器数据SD被数据压缩器a1利用表示R压缩。经压缩的数据CD被并行地馈送到数据解压缩器a2和第一云组件b1中。数据解压缩器a2对经压缩的数据CD进行解压缩,并且将经解压缩的数据DD转发到比较单元a3,该比较单元a3在该情况下将检测到经解压缩的数据DD和传感器数据SD之间的偏差。并行地,第一云组件b1将对接收到的经压缩的数据进行解压缩,并且将其存储在云存储装置ST中。
在图3中示出的情况下,比较单元a3检测到传感器数据SD和经解压缩的数据DD之间的差超过预定义的阈值。首先,其通过将传感器数据SD作为原始未经压缩的数据RUD发送到云存储装置ST来用原始数据(即传感器数据SD)替换云存储装置ST中的经解压缩的数据。一旦已经发生这种情况,则比较单元a3通过将触发信号T发送到第二云组件b2来触发新表示的学习,该第二云组件b2从云存储装置ST检索所有数据AD。然后,利用该数据来学习新表示NR。该新表示NR被存储在现场设备FD上和云C中二者,以在将来由数据压缩器a1、数据解压缩器a2以及第一云组件b1利用。
可选择地,除了触发原始未经压缩的数据RUD的上传之外,***还可以触发现场设备上的警报。这背后的原理是,如果传感器数据不能再被压缩了,则其指示现场设备的非典型行为。
该方法可以由诸如微控制器或微处理器之类的处理器、由专用集成电路(ASIC)、由包括诸如平板计算机、智能电话或膝上型计算机之类的移动计算设备的任何种类的计算机、或由控制室或云中的一个或多个服务器来执行。
例如,计算机***的处理器、控制器或集成电路和/或另一个处理器可以被配置为实现本文中所描述的动作。
上面所描述的方法可以经由包括一个或多个计算机可读存储介质的计算机程序产品来实现,该计算机存储介质已经在其上存储了可由计算***的一个或多个处理器执行的指令。指令的执行使计算***执行与上面所描述的方法的动作相对应的操作。
用于实现本文中所描述的过程或方法的指令可以在诸如高速缓存、缓冲器、RAM、FLASH(闪存)、可移除介质、硬驱动或其它计算机可读存储介质之类的非暂时性计算机可读存储介质或存储器上提供。计算机可读存储介质包括各种类型的易失性和非易失性存储介质。响应于存储在计算机可读存储介质中或计算机可读存储介质上的一个或多个指令集,可以执行附图中图示的或本文中所描述的功能、动作或任务。功能、动作或任务可以独立于特定类型的指令集、存储介质、处理器或处理策略,并且可以由软件、硬件、集成电路、固件、微代码等单独或组合地操作来执行。同样,处理策略可以包括多处理、多任务处理、并行处理等。
已经参考本发明的实施例和示例详细描述了本发明。然而,可以在由权利要求所覆盖的本发明的精神和范围内实现变型和修改。短语“A、B和C中的至少一个”作为替代表达可以规定可以使用A、B和C中的一个或多个。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,可以对所描述的实施例进行许多改变和修改。因此意图在于,前述描述被认为是说明性的而不是限制性的,并且应当理解,实施例的所有等同物和/或组合都意图包括在该说明书中。
Claims (22)
1.一种用于数据获取的方法,
具有以下步骤:
- 通过现场设备(FD)的传感器(SE)来获取传感器数据(SD),
- 通过现场设备(FD)的数据压缩器(a1)使用表示(R)来压缩传感器数据(SD),以生成经压缩的数据(CD),
- 通过现场设备(FD)的数据解压缩器(a2)使用表示(R)来对经压缩的数据(CD)进行解压缩,以生成经解压缩的数据(DD),以及
- 通过现场设备(FD)的比较单元(a3)来将传感器数据(SD)与经解压缩的数据(DD)进行比较,并且如果传感器数据(SD)和经解压缩的数据(DD)之间的差超过阈值,则检测到偏差。
2.根据权利要求1所述的方法,
具有以下附加步骤
- 将经压缩的数据(CD)发送到第一云组件(b1),以及
- 通过第一云组件(b1)使用表示(R)来对经压缩的数据(CD)进行解压缩,并且在云存储装置(ST)中存储经解压缩的数据。
3.根据权利要求1所述的方法,
具有以下附加步骤
- 将传感器数据(SD)作为原始未经压缩的数据(RUD)发送到云存储装置(ST),
如果比较单元(a3)检测到偏差的话。
4.根据权利要求2所述的方法,
具有以下附加步骤
- 将传感器数据(SD)作为原始未经压缩的数据(RUD)发送到云存储装置(ST),以及
- 用在云存储装置(ST)中的原始未经压缩的数据(RUD)来替换由第一云组件(b1)存储的经解压缩的数据,
如果比较单元(a3)检测到偏差的话。
5.根据权利要求3所述的方法,
具有以下附加步骤
- 由第二云组件(b2)通过检索和分析存储在云存储装置(ST)中的所有数据(AD)来学习新表示(NR),以及
- 用新表示(NR)来替换由数据压缩器(a1)和数据解压缩器(a2)使用的表示(R),
如果比较单元(a3)检测到偏差的话。
6.根据权利要求4所述的方法,
具有以下附加步骤
- 由第二云组件(b2)通过检索和分析存储在云存储装置(ST)中的所有数据(AD)来学习新表示(NR),以及
- 用新表示(NR)来替换由数据压缩器(a1)、数据解压缩器(a2)和第一云组件(b1)使用的表示(R),
如果比较单元(a3)检测到偏差的话。
7.根据前述权利要求中的一个所述的方法,
具有以下附加步骤
- 触发现场设备(FD)上的警报,
如果比较单元(a3)检测到偏差的话。
8.根据权利要求2-7中的一个所述的方法,
- 具有许多现场设备将数据发送到云存储装置(ST)。
9.根据权利要求8所述的方法,
- 其中如果在云存储装置(ST)中的数据是异构的,则第二云组件(b2)创建多个新表示(NR),以及
- 其中第二云组件(b2)将多个表示中的一个部署到每个现场设备。
10.根据前述权利要求中的一个所述的方法,
具有数据压缩器(a1)和数据解压缩器(a2)作为神经自动编码器的一部分。
11.根据权利要求5和10或根据权利要求6和10所述的方法,
- 其中新表示(NR)的学习包括使用反向传播算法或有限存储器布罗伊登-弗莱彻-戈德法布-香农算法。
12.根据权利要求10所述的方法,
- 其中新表示(NR)的学习包括使用权重衰减或稀疏性自动编码器。
13.一种现场设备(FD),
- 其被配置以用于从至少一个传感器(SE)获取传感器数据(SD),
- 具有数据压缩器(a1),其被配置以用于使用表示(R)来压缩传感器数据(SD),以生成经压缩的数据(CD),
- 具有数据解压缩器(a2),其被配置以用于使用表示(R)对经压缩的数据(CD)进行解压缩,以生成经解压缩的数据(DD),以及
- 具有比较单元(a3),其被配置以用于将传感器数据(SD)与经解压缩的数据(DD)进行比较,并且如果传感器数据(SD)和经解压缩的数据(DD)之间的差超过阈值,则检测到偏差。
14.根据权利要求13所述的现场设备,
- 具有网络接口,并且被配置以用于将经压缩的数据(CD)发送到云(C),特别是到第一云组件(b1)。
15.根据权利要求13或14所述的现场设备,
- 具有网络接口,并且被配置以用于将传感器数据(SD)作为原始未经压缩的数据(RUD)发送到云存储装置(ST),
如果比较单元(a3)检测到偏差的话。
16.根据权利要求13、14或15所述的现场设备,
- 被配置以用于如果比较单元(a3)检测到偏差,则生成警报。
17.一种云基础设施(C),
- 具有云存储装置(ST),其被配置以用于从至少一个现场设备(FD)接收作为原始未经压缩的数据(RUD)的传感器数据(SD),
- 具有第二云组件(b2),其被配置以用于
- 从现场设备(FD)接收触发信号(T),该触发信号(T)指示由现场设备(FD)使用以用于压缩传感器数据(SD)的表示(R)没有充分描述传感器数据(SD),以及
- 通过检索和分析存储在云存储装置(ST)中的所有数据(AD)来学习新表示(NR)。
18.根据权利要求17所述的云基础设施,
- 具有第一云组件(b1),其被配置以用于
- 从现场设备(FD)接收经压缩的数据(CD),
- 使用存储在云(C)中的表示(R)来对经压缩的数据(CD)进行解压缩,以及
- 在云存储装置(ST)中存储经解压缩的数据,
- 其中云存储装置(ST)被配置以用于在接收到原始未经压缩的数据(RUD)的情况下,用对应的原始未经压缩的数据(RUD)来重写经解压缩的数据。
19.根据权利要求17或18所述的云基础设施,
- 连接到若干现场设备(FD),以及
- 其中第二云组件(b2)被配置以用于
- 如果在云存储装置(ST)中的数据是异构的,则创建多个新表示(NR),以及
- 将多个新表示(NR)中的一个部署到每个现场设备(FD)。
20.一种用于数据获取的网络,
- 具有根据权利要求17、18或19的云基础设施,以及
- 具有若干根据权利要求1-12中的一个的现场设备(FD)。
21.一种计算机可读存储介质,在其上已经存储了:
- 可由计算机***的一个或多个处理器执行的指令,其中所述指令的执行使计算机***执行根据权利要求1到12中的一个的方法。
22.一种计算机程序,
- 所述计算机程序正由计算机***的一个或多个处理器执行,并且执行根据权利要求1到12中的一个的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2017/068011 WO2019015738A2 (en) | 2017-07-17 | 2017-07-17 | METHOD, DEVICE ON SITE AND INFRASTRUCTURE IN CLOUD OF ACQUIRING DATA |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110915139A true CN110915139A (zh) | 2020-03-24 |
CN110915139B CN110915139B (zh) | 2023-10-27 |
Family
ID=59366427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780093292.XA Active CN110915139B (zh) | 2017-07-17 | 2017-07-17 | 用于数据获取的方法、现场设备和云基础设施 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11309906B2 (zh) |
EP (1) | EP3639372B1 (zh) |
CN (1) | CN110915139B (zh) |
WO (1) | WO2019015738A2 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7429339B2 (ja) | 2020-01-30 | 2024-02-08 | ヒタチ・エナジー・リミテッド | 非同期測定を使用した、パラメータに依存しない進行波ベースの故障位置特定 |
US11936726B2 (en) * | 2021-10-12 | 2024-03-19 | Pensando Systems Inc. | Methods and systems for implementing traffic mirroring for network telemetry |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7190284B1 (en) * | 1994-11-16 | 2007-03-13 | Dye Thomas A | Selective lossless, lossy, or no compression of data based on address range, data type, and/or requesting agent |
CN102098058A (zh) * | 2010-11-12 | 2011-06-15 | 中南大学 | 时序数据实时高效线性压缩与解压缩方法 |
JP2012010319A (ja) * | 2010-05-28 | 2012-01-12 | Hitachi Ltd | 時系列データの圧縮方法および圧縮装置 |
US20130044012A1 (en) * | 2010-03-22 | 2013-02-21 | Optimized Systems And Solutions Limited | Method and apparatus for compression and de-compression of spectral data |
CN103036574A (zh) * | 2012-12-13 | 2013-04-10 | 南开大学 | 基于压缩传感的一种自校验稀疏度自适应匹配追踪算法 |
CN104346523A (zh) * | 2013-08-02 | 2015-02-11 | 诺基亚公司 | 用于活动识别的方法、设备和计算机程序产品 |
CN106130563A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9862049B2 (en) * | 2014-06-27 | 2018-01-09 | Illinois Tool Works Inc. | System and method of welding system operator identification |
US9787332B2 (en) * | 2015-09-15 | 2017-10-10 | Intel Corporation | Error-checking compressed streams in heterogeneous compression accelerators |
US10135705B2 (en) * | 2016-06-30 | 2018-11-20 | Rockwell Automation Technologies, Inc. | Industrial internet of things data pipeline for a data lake |
US11501200B2 (en) * | 2016-07-02 | 2022-11-15 | Hcl Technologies Limited | Generate alerts while monitoring a machine learning model in real time |
US9929748B1 (en) * | 2017-03-31 | 2018-03-27 | Intel Corporation | Techniques for data compression verification |
US9977425B1 (en) * | 2017-07-14 | 2018-05-22 | General Electric Company | Systems and methods for receiving sensor data for an operating manufacturing machine and producing an alert during manufacture of a part |
US10693495B2 (en) * | 2017-10-10 | 2020-06-23 | The Boeing Company | Data collection device with efficient data compression |
US10635095B2 (en) * | 2018-04-24 | 2020-04-28 | Uptake Technologies, Inc. | Computer system and method for creating a supervised failure model |
GB2575437B (en) * | 2018-06-29 | 2022-04-27 | Imagination Tech Ltd | Guaranteed data compression |
-
2017
- 2017-07-17 US US16/629,354 patent/US11309906B2/en active Active
- 2017-07-17 WO PCT/EP2017/068011 patent/WO2019015738A2/en unknown
- 2017-07-17 CN CN201780093292.XA patent/CN110915139B/zh active Active
- 2017-07-17 EP EP17740733.5A patent/EP3639372B1/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7190284B1 (en) * | 1994-11-16 | 2007-03-13 | Dye Thomas A | Selective lossless, lossy, or no compression of data based on address range, data type, and/or requesting agent |
US20130044012A1 (en) * | 2010-03-22 | 2013-02-21 | Optimized Systems And Solutions Limited | Method and apparatus for compression and de-compression of spectral data |
JP2012010319A (ja) * | 2010-05-28 | 2012-01-12 | Hitachi Ltd | 時系列データの圧縮方法および圧縮装置 |
CN102098058A (zh) * | 2010-11-12 | 2011-06-15 | 中南大学 | 时序数据实时高效线性压缩与解压缩方法 |
CN103036574A (zh) * | 2012-12-13 | 2013-04-10 | 南开大学 | 基于压缩传感的一种自校验稀疏度自适应匹配追踪算法 |
CN104346523A (zh) * | 2013-08-02 | 2015-02-11 | 诺基亚公司 | 用于活动识别的方法、设备和计算机程序产品 |
CN106130563A (zh) * | 2016-06-17 | 2016-11-16 | 西安电子科技大学 | 一种基于压缩感知信号的阈值收缩迭代差分重构方法 |
Non-Patent Citations (2)
Title |
---|
TANVIR RAHMAN 等: "Efficient Sensor-Cloud Communication using Data Classification and Compression" * |
XINGLIANG YUAN 等: "Enabling Secure and Fast Indexing for Privacy-Assured Healthcare Monitoring via Compressive Sensing" * |
Also Published As
Publication number | Publication date |
---|---|
WO2019015738A2 (en) | 2019-01-24 |
US11309906B2 (en) | 2022-04-19 |
EP3639372B1 (en) | 2024-02-28 |
US20210135684A1 (en) | 2021-05-06 |
EP3639372A2 (en) | 2020-04-22 |
EP3639372C0 (en) | 2024-02-28 |
CN110915139B (zh) | 2023-10-27 |
WO2019015738A3 (en) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022519228A (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
CN108965049B (zh) | 提供集群异常解决方案的方法、设备、***及存储介质 | |
US10637751B2 (en) | Methods and systems for online monitoring using a variable data sampling rate | |
US9933772B2 (en) | Analyzing SCADA systems | |
US11501200B2 (en) | Generate alerts while monitoring a machine learning model in real time | |
CN110915139B (zh) | 用于数据获取的方法、现场设备和云基础设施 | |
CN110749462B (zh) | 一种基于边缘计算的工业设备故障检测方法及*** | |
EP2977772B1 (en) | Signal processing system, signal processing method, and signal processing program | |
CN108154230A (zh) | 深度学习处理器的监控方法和监控装置 | |
JP2019079317A (ja) | エッジサーバ | |
JP7168567B2 (ja) | 産業ロボット応用の動作データを収集するための方法および装置 | |
CN108713310B (zh) | 一种确定冗余离散原始警报的方法和*** | |
US11841295B2 (en) | Asset agnostic anomaly detection using clustering and auto encoder | |
CN111695880A (zh) | 一种生产流程监控方法及*** | |
WO2023200597A1 (en) | Automated positive train control event data extraction and analysis engine for performing root cause analysis of unstructured data | |
US11714721B2 (en) | Machine learning systems for ETL data streams | |
US9270295B1 (en) | Lossless compression of data based on a modified differential pulse code modulation (DPCM) scheme | |
US11861509B2 (en) | Automated positive train control event data extraction and analysis engine for performing root cause analysis of unstructured data | |
CN110290062B (zh) | 一种网关及一种网关的数据处理方法 | |
US10826962B2 (en) | Techniques for dynamic shared compression | |
US10805150B2 (en) | Regenerative telemetry method for resource reduction | |
JP6551434B2 (ja) | データ分析システム、記録装置、データ分析装置、データ管理方法、データ分析方法及びプログラム | |
US20120096180A1 (en) | Achieving Lossless Data Streaming in a Scan Based Industrial Process Control System | |
CN116708142A (zh) | 数据传输的方法、装置、存储介质及电子设备 | |
JP7030429B2 (ja) | サーバ装置、監視システム、データ処理方法、およびデータ処理プログラム |
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 |