CN111417178B - 基于机器学习与边缘计算的工业互联网节能***及方法 - Google Patents
基于机器学习与边缘计算的工业互联网节能***及方法 Download PDFInfo
- Publication number
- CN111417178B CN111417178B CN202010185628.9A CN202010185628A CN111417178B CN 111417178 B CN111417178 B CN 111417178B CN 202010185628 A CN202010185628 A CN 202010185628A CN 111417178 B CN111417178 B CN 111417178B
- Authority
- CN
- China
- Prior art keywords
- data
- sensing data
- prediction algorithm
- neuron
- prediction
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 40
- 210000002569 neuron Anatomy 0.000 claims description 97
- 238000009776 industrial production Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000001953 sensory effect Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000007958 sleep Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 208000016253 exhaustion Diseases 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0209—Power saving arrangements in terminal devices
- H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
- H04W52/0219—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave where the power saving management affects multiple terminals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于机器学习与边缘计算的工业互联网节能***及方法。所述基于机器学习与边缘计算的工业互联网节能***,包括云服务器、边缘服务器、网关以及传感器组,且云服务器、边缘服务器、网关以及传感器组依序相互连接;所述云服务器具有预测算法训练模块;所述边缘服务器具有预测算法计算模块和预测值校正模块;所述传感器组,包括多个传感器节点,各传感器节点包括传感数据采集模块和差值计算判断模块。
Description
技术领域
本发明涉及工业互联网领域,具体涉及一种基于机器学习与边缘计算的工业互联网节能方法及***。
背景技术
在工业互联网中,无线传感器技术是降低工业测控***成本、扩展应用范畴的革命性技术,通过无线传感器技术采集、传递信息具有低成本、易使用、灵活度高等优点,更加适合应用在高温、高噪声、偏远地区等不适宜人工操作的环境,能够大幅提高生产效率。例如无线传感器应用于制造业工业过程的智能监测中,可以实现生产线过程检测、实时参数采集、生产设备监控以及材料消耗监测等功能,有助于工业生产过程工艺的优化;无线传感器应用于智能电网领域,可以对电网设备进行远程的监控,了解设备的工作状态;无线传感器应用于工业环境的检测时,可以对温度、气压、湿度、电磁辐射和放射性等数据进行监测;无线传感器应用在油田的数字化过程中,可以对油井环境和井口设备实现实时监控。无线传感器技术可以大幅降低设备成本、节约设备管理时间并且能够节省设备布线空间。无线传感器技术是对各类工业有线技术的重要补充,已成为工业互联网的一个重要发展方向。
随着无线传感器技术的快速发展与逐渐成熟,在工业互联网中无线传感器设备的数量会不断激增,这对无线网络的能耗问题提出了挑战。工业无线传感器应用现场的环境复杂多变,传感器节点体积微小,其能量通常由自身携带的电池提供,因此传感器节点的计算能力、存储能力、通信能力及能量都十分有限。另外,在一个传感器节点数量众多、部署区域广泛的工业无线网络工业现场,其设备的部署环境复杂多变,另外还有些区域人员不可达,因此无法通过更换电池来给无线传感器节点补给能量。然而一旦工业无线网络形成后,可能要求工作长达数月甚至数年。所以对于工业无线网络来说,只有保证了网络的生命周期够长,才能在工业环境中正常的提供服务,从而避免由于某些网络节点由于电池能量过早用完而造成巨大的工业经济损失。所以在不影响工业网络正常应用需求的前提下,研究工业无线网络的节能问题,对于高效均衡减少节点能量消耗以最大化网络生命周期有着重大的现实意义。目前在无线传感器网络的绿色节能领域中,大部分节能方法是基于休眠方式的,使一部分无线传感器处于休眠状态,其余部分处于工作状态,从而降低功耗。但是这种方式在工业无线网络中并不适用,因为工业无线网络中每一传感器节点代表一个特定的现场设备,处于工业生产环节之中,其采集的传感数据十分重要,具有其他节点不可替代的特性,需要使用与休眠不同的节能方式。
现在有一种工业互联网的节能方法,考虑到了工业传感器节点不可替代的特性,在传感器每次上传数据前,使用预测算法对数据进行预测,如果预测值与数据的实际值的误差小于阈值,则此次采集的数据无需上传,从而减小传感器功耗。但是每次采集数据都要预测一次,会产生额外的传感器功耗,使得节能效果达不到预期效果。并且预测算法复杂度很高,无法在传感器上完成,需要借助云服务器完成,这又会产生传感器与遥远云端间的通信功耗,又降低了节能效果,并且传感器与云端的通信延迟较高,无法满足工业生产的需要。
所以需要根据单个传感器节点的具体传感数据,采取精确度高的数据预测算法和适合于工业无线网络的节能策略来降低传感器节点的功耗。并且传感器节点使用的网络协议需要满足工业生产对数据传输的节能型、可靠性、实时性的要求。
发明内容
本发明的目的在于克服现有技术中所存在传感器多次上传数据耗能的问题,提供一种基于机器学习与边缘计算的工业互联网节能方法及***,通过边缘服务器运行已训练的基于机器学习的预测算法,预测传感器组未来采集到的数据,减少传感器组上传传感数据的频次,从而达到节能、减小传感器功耗的效果。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于机器学习与边缘计算的工业互联网节能***,包括云服务器、边缘服务器、网关以及传感器组,且云服务器、边缘服务器、网关以及传感器组依序相互连接;
所述云服务器包括预测算法训练模块;
所述边缘服务器包括预测算法计算模块和预测值校正模块;
所述传感器组,包括多个传感器节点,各传感器节点包括传感数据采集模块和差值计算判断模块。
优选地,所述预测算法训练模块,用于根据采集的历史传感数据对预测算法进行训练,并将训练好的预测算法模型发送至边缘服务器;
所述预测算法计算模块,用于保存云服务器已训练的预测算法模型,并根据传感器组采集的传感数据计算预测值,并将预测值发送至传感器组;所述预测值校正模块用于根据传感器组反馈的修正值,修正预测值,修正后的预测值发送至预测算法计算模块以进行下一次计算;
所述传感器采集模块,用于采集工业生产中的传感数据;所述差值计算判断模块,用于计算预测算法计算模块计算的预测值和传感器采集模块采集的传感器数据的差值的绝对值,并判断该绝对值是否小于预设阈值,若小于预设阈值,传感器节点不上传该次采集数据;反之,传感器节点将通过网关上传修正数据至边缘服务器的预测值校正模块,所述修正数据为该次采集的传感器数据或差值计算判断模块计算的差值。
一种基于机器学习与边缘计算的工业互联网节能方法,包括以下步骤:
S1:云服务器将已训练的预测算法模型发送至边缘服务器;边缘服务器使用已训练的预测算法,根据传感器组采集的传感数据预测传感器节点下一段时间将采集到的数据,记做预测数据;边缘服务器通过网关将预测数据发送给对应的传感器节点;
S2:传感器节点接收预测数据,计算预测数据与实际采集数据的差值;若差值小于预设阈值,传感器节点不上传该次采集数据;反之,传感器节点将通过网关上传修正数据至边缘服务器,所述修正数据为该次实际采集数据或预测数据与实际采集数据的差值。
优选地,所述基于机器学习与边缘计算的工业互联网节能方法,还包括步骤S3,若步骤S2中边缘服务器接收到用于校正预测数据的采集数据或差值,则将步骤S1所述的传感数据和校正后的预测数据上传至云服务器,用于对预测算法模型进行再次训练。
优选地,所述步骤S1的具体步骤如下所示:
步骤S11,云服务器将已训练的预测算法模型发送至边缘服务器;边缘服务器在接收到云服务器的预测算法模型后,向网关订阅主题为“传感数据”的消息;传感器节点向网关订阅主题为“预测数据”的消息;
步骤S12,传感器节点在工作时,连续采集一段时间内的多个传感数据,并在每次采集完成后,将传感数据与数据采集时间作为消息内容,使用网关发布主题为“传感数据”的消息;
步骤S13,网关将主题为“传感数据”的消息推送至订阅过此消息的边缘服务器中;边缘服务器根据消息中的数据采集时间的先后,对多个传感数据进行排序,得到第一组传感数据;
步骤S14,在边缘服务器中,将第一组传感数据输入至预测算法中,预测传感器节点下一段时间将采集到的数据,记做预测数据;
步骤S15,边缘服务器将传感数据的预测数据作为消息内容,使用网关发布主题为“预测数据”的消息;
步骤S16,网关将主题为“预测数据”的消息推送至订阅过此消息的传感器节点中。
优选地,所述边缘服务器选取采集时间接近其接收时间的10个数据作为第一组传感数据的元素。
优选地,所述步骤S14计算预测数据的具体步骤如下所示:
步骤S141,第一组传感数据*t1,t2,t3,…,t10+输入至基于多层感知机的预测算法的输入层,预测算法根据前十个时刻的传感数据*t1,t2,t3,…,t10+预测第11个时刻将要采集的传感数据的预测值
步骤S142,在第一组传感数据*t1,t2,t3,…,t10+中,移除头部的第1个时刻传感数据t1,并在尾部添加第11个时刻传感数据的预测值得到第二组传感数据将第二组传感数据输入至基于多层感知机的预测算法的输入层,预测算法可输出传感器节点在第12个时刻采集的传感数据的预测值
步骤S143,在第二组传感数据中,移除头部的第2个时刻传感数据t2,并在尾部添加第12个时刻传感数据的预测值得到第三组传感数据将第三组传感数据输入至基于多层感知机的预测算法的输入层,预测算法可输出传感器节点在第13个时刻采集的传感数据的预测值
优选地,所述预测算法模型包括一个包括多个输入节点的输入层,一个包含38个神经元的第一隐含层,一个包含6个神经元的第二隐含层,一个包含1个输出节点的输出层;输入层、第一隐含层、第二隐含层以及输出层依次连接。
优选地,所述输入层包括10个输入节点,预测算法模型预测流程如下所示:
A1,将一段时间内采集到的10个传感数据输入至预测算法的输入层,输入层有10个输入节点,每个节点对应一段时间中的一个时刻采集到的传感数据;输入输入层的数据记作传感数据向量,表示为:
t=*t1,t2,t3,…,t10+
其中t表示输入层的传感数据向量,t1表示第一个时刻采集到的传感数据,t2表示第二个时刻采集到的传感数据,以此类推,t10表示第十个时刻采集到的传感数据;
A2,第一隐含层由38个神经元构成,依次将输入层中的传感数据向量输入至每个神经元,第一隐含层中的神经元将传感数据向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,y1_n表示第一隐含层中第n个神经元的计算结果,ti表示传感数据向量中第i个时刻的传感数据,ω1ni表示第一隐含层中第n个神经元的传感数据向量中第i个时刻的传感数据对应的权重,θ1n表示第一隐含层中第n个神经元的阈值;
第一隐含层将38个神经元的计算结果合并得到第一特征向量,作为第一隐含层的输出:
Y1={y1_1,y1_2,y1_3,…,y1_38}
其中,Y1表示第一特征向量,y1_1表示第一隐含层中第1个神经元的计算结果,y1_2表示第一隐含层中第2个神经元的计算结果,以此类推,y1_38表示第一隐含层中第38个神经元的计算结果;通过第一隐含层的计算得到输入的10个工业传感数据的第一特征向量;
A3,第二隐含层由6个神经元构成,将第一隐含层得到的第一特征向量输入至每个神经元,第二隐含层中的神经元将第一特征向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,y2_n表示第二隐含层中第n个神经元的计算结果,y1_i表示第一特征向量中第i个特征值,ω2ni表示第二隐含层中第n个神经元的第一特征向量中第i个特征值对应的权重,θ2n表示第二隐含层中第n个神经元的阈值;
第二隐含层将6个神经元的计算结果得到第二特征向量,作为第二隐含层的输出:
Y2={y2_1,y2_2,y2_3,…,y2_6}
其中,Y2表示第二特征向量,y2_1表示第二隐含层中第1个神经元的计算结果,y2_2表示第二隐含层中第2个神经元的计算结果,以此类推,y2_6表示第二隐含层中第6个神经元的计算结果;
A4,输出层由1个神经元构成,将第二隐含层中的第二特征向量输入至此神经元,输出层中的神经元将第二特征向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,表示输出层的计算结果,为预测的第11个时刻传感器节点将要采集的传感数据,y2_i表示第二特征向量中第i个特征值,ω3i表示输出层中第二特征向量中第i个特征值对应的权重,θ3表示输出层中神经元的阈值。
优选地,所述预测算法模型在云服务器的训练过程包括以下步骤:
B1,采集工业生产中的传感数据制作传感数据训练集;
B2,根据传感数据集训练预测算法,调整预测算法的参数,得到已训练的预测算法模型;
步骤B2具体包括以下步骤:
B21,将传感数据训练集中的每一组传感数据输入至预测算法,得到下一时刻的预测值,根据预测值与真实值计算出预测误差;
B22,根据预测误差,使用Momentum优化算法对预测算法进行参数优化,即训练预测算法;
B23,当预测误差δ小于预设误差值时,训练完成,得到预测算法模型。
与现有技术相比,本发明的有益效果:。
1、通过边缘服务器运行已训练的基于机器学习的预测算法,预测传感器组未来采集到的数据,减少传感器组上传传感数据的频次,从而达到节能、减小传感器功耗的效果;
2、在边缘服务器中运行预测算法,相较于在云服务器中运行预测算法,具有低时延的优点,并且边缘服务器比云服务器更靠近传感器节点,传感器节点与边缘服务器通信时耗费的能量会更小,进一步提高了节能的效果。
3、通过云服务器训练预测算法模型,降低对边缘服务器计算能力的要求。
附图说明:
图1为本发明示例性实施例1的基于机器学习与边缘计算的工业互联网节能***的***框图一;
图2为本发明示例性实施例1的基于机器学习与边缘计算的工业互联网节能***的***框图二;
图3为本发明示例性实施例2的预测训练算法模型的结构图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,本实施例提供一种基于机器学习与边缘计算的工业互联网节能***,包括云服务器、边缘服务器、网关以及传感器组,且云服务器、边缘服务器、网关以及传感器组依序相互连接。
其中,如图2所示,云服务器具有预测算法训练模块,用于根据工业生产中采集大量的传感数据对预测算法进行训练,并将训练好的预测算法模型发送至边缘服务器。云服务器具有强大的计算能力,能进行复杂的运算。云服务器负责根据边缘服务器汇集的传感器数据,训练基于机器学习的预测算法。
如图2所示,边缘服务器具有预测算法计算模块和预测值校正模块;预测算法计算模块保存了云服务器已训练的预测算法模型,并根据传感器组采集的传感数据计算预测值,即计算传感器组未来采集到的数据,并将预测值发送至传感器组;预测值校正模块用于根据传感器组反馈的修正值,修正预测值,修正后的预测值发送至预测算法计算模块以进行下一次计算。边缘服务器,即边缘计算中的服务器,位于工业生产线的附近,负责收集并存储传感器组上传的传感数据,以供其他工业设备或应用使用。边缘服务器具有一定的计算能力,通过运行已训练的基于机器学习的预测算法,可以精准预测传感器组未来采集到的数据,使得传感器组无需上传传感数据,边缘服务器、云服务器、其他工业设备或应用即可获得正确的传感数据,从而达到节能、减小传感器功耗的效果。并且,在边缘服务器中运行预测算法,相较于在云服务器中运行预测算法,具有低时延的优点,边缘服务器比云服务器更靠近传感器节点,传感器节点在与边缘服务器通信时耗费的能量会更小,进一步提高了节能的效果。
本实施例的网关采用MQTT网关,位于传感器节点群旁,负责边缘服务器与传感器节点之间的通信。工业互联网MQTT协议中的网关,MQTT协议是一种基于客户端/服务器模式的消息发布/订阅传输协议。作为一种低开销的工业互联网协议,其协议中头部长度仅为2字节,降低了通信开销,从而减小传感器节点在通信时功耗。
如图2所示,传感器组,包括多个传感器节点,各传感器节点包括传感数据采集模块和差值计算判断模块;传感器采集模块用于采集工业生产中的传感数据;差值计算判断模块用于计算预测算法计算模块计算的预测值和传感器采集模块采集的传感器数据的差值的绝对值,并判断该绝对值是否小于预设阈值,若小于预设阈值,传感器节点不上传该次采集数据;反之,传感器节点将通过网关上传修正数据至边缘服务器的预测值校正模块,所述修正数据为该次实际采集数据或预测数据与实际采集数据的差值。各传感器节点负责采集工业生产中的传感数据,需要将采集到的传感数据上传至服务器中,若传感器采集传递数据的频率很高,则会产生大量的功耗。本实施例中,传感器组使用MQTT协议通过MQTT网关将数据上传至边缘服务器,并从MQTT网关接收来自边缘服务器的预测数据,若预测数据与采集到的传感数据偏差不大,传感器组则不会上传数据至边缘服务器,通过减少传感器组上传数据的频次,对传感器组进行能耗管理,从而达到节能、减小传感器功耗的效果。
实施例2
基于实施例1所述的基于机器学习与边缘计算的工业互联网节能***,本实施例提供一种基于机器学习与边缘计算的工业互联网节能方法,具体实施步骤如下:
步骤S1,云服务器将已训练的预测算法模型发送至边缘服务器;边缘服务器使用已训练的预测算法,根据传感器组采集的传感数据预测传感器节点下一段时间将采集到的数据,记做预测数据;边缘服务器通过网关将预测数据发送给对应的传感器节点;
所述传感数据可以为工业现场的环境温度、湿度、气压、酸碱度、电磁辐射或酸碱度等数据;也可以为设备的实时参数,能源消耗量等数据;通过预测算法分析传感数据随时间变化的特征,根据已采集的传感数据计算传感器下一段时间将采集的数据,以减少传感器节点发送数据的频次,以实现节能。通过云服务器训练预测算法模型,提高了预测算法的准确度,同时降低了对边缘服务器计算能力的要求。而在边缘服务器中运行预测算法,相较于在云服务器中运行预测算法,具有低时延的优点,提高了节能方法的实时性;并且边缘服务器比云服务器更靠近传感器节点,传感器节点在与边缘服务器通信时耗费的能量会更小,进一步提高了节能的效果。
步骤S1的具体步骤如下所示:
步骤S11,云服务器将已训练的预测算法模型发送至边缘服务器;边缘服务器在接收到云服务器的预测算法模型后,向MQTT网关订阅主题为“传感数据”的消息;传感器节点向MQTT网关订阅主题为“预测数据”的消息;具体地,由于工业互联网中一般存在多个传感器节点,因此通过MAC地址对不同的传感器节点进行区分,让网关向各传感器节点发送节点接入号。MQTT网关根据缓存中是否已存有传感器节点的MAC地址来判断传感器节点是否是第一次向MQTT网关订阅主题,如果是第一次,MQTT网关则向传感器节点发送一个节点接入号,并将传感器节点的MAC地址与节点接入号写入缓存;节点接入号一般从1开始计数,如第一个向MQTT网关订阅主题的传感器节点的接入号为1,第二个向MQTT网关订阅主题的传感器节点的接入号则为2,依次类推。
步骤S12,传感器节点在工作时,连续采集一段时间内的多个传感数据,将传感数据与数据采集时间作为消息内容,使用MQTT协议向MQTT网关发布主题为“传感数据”的消息;传感器节点可以在每一次数据采集完成后,即向通过网关发布“传感数据”;也可以在多个数据均采集完成时再通过网关发布数据;优选地,在多个数据均采集完成时再通过网关发布数据,以减少传感器节点发布数据的频次。工业互联网中存在多个传感器节点时,各传感器节点将节点接入号、传感数据与数据采集时间作为消息内容,使用MQTT协议向MQTT网关发布主题为“传感数据”的消息。
步骤S13,MQTT网关将主题为“传感数据”的消息推送至订阅过此消息的边缘服务器中;边缘服务器根据消息中的数据采集时间的先后,对多个传感数据进行排序,得到第一组传感数据;工业互联网中存在多个传感器节点时,边缘服务器还要暂存消息中的节点接入号。
步骤S14,在边缘服务器中,将第一组传感数据输入至预测算法中,预测传感器节点下一段时间将采集到的数据,记做预测数据;
优选地,边缘服务器选取采集时间接近其接收时间的10个数据作为第一组传感数据的元素,第一组传感数据记做*t1,t2,t3,…,t10+,其中t1表示第1个时刻采集到的传感数据,t2表示第2个时刻采集到的传感数据,以此类推,t10表示第10个时刻采集到的传感数据。
本实施例采用的预测算法为基于多层感知机的预测算法。多层感知机是一种前向结构的人工神经网络,是由大量类似神经元的处理单元相互连接而成的非线性复杂智能网络***,能实现输入数据到输出数据的非线性映射。将一段时间内采集到的10个传感数据作为输入数据,选择10个传感数据作为输入数据的原因是:使用逐步回归法逐步引入传感数据,当输入数据数量小于10时,每加入一个时刻的传感数据,预测算法的准确率会有明显的提升;当输入数据量等于10时,预测算法的准确率达到最大值;当输入数据数量大于10时,增加的额外数据对于预测算法准确率的提升不显著,甚至造成了准确率下降、预测时间增长等负面影响。
步骤S14计算预测数据的具体步骤如下所示:
步骤S141,第一组传感数据*t1,t2,t3,…,t10+输入至基于多层感知机的预测算法的输入层,预测算法根据前十个时刻的传感数据*t1,t2,t3,…,t10+预测第11个时刻将要采集的传感数据的预测值
步骤S142,在第一组传感数据*t1,t2,t3,…,t10+中,移除头部的第1个时刻传感数据t1,并在尾部添加第11个时刻传感数据的预测值得到第二组传感数据将第二组传感数据输入至基于多层感知机的预测算法的输入层,预测算法可输出传感器节点在第12个时刻采集的传感数据的预测值
步骤S143,在第二组传感数据中,移除头部的第2个时刻传感数据t2,并在尾部添加第12个时刻传感数据的预测值得到第三组传感数据将第三组传感数据输入至基于多层感知机的预测算法的输入层,预测算法可输出传感器节点在第13个时刻采集的传感数据的预测值
步骤S15,边缘服务器将传感数据的预测数据作为消息内容,使用MQTT协议向MQTT网关发布主题为“预测数据”的消息;工业互联网中存在多个传感器节点时,边缘服务器将之前保存的节点接入号与传感数据的预测数据作为消息内容,使用MQTT协议向MQTT网关发布主题为“预测数据”的消息。
步骤S16,MQTT网关将主题为“预测数据”的消息推送至订阅过此消息的传感器节点中。
步骤S2,传感器节点接收预测数据,计算预测数据与实际采集数据的差值;若差值小于预设阈值,传感器节点不上传该次采集数据;反之,传感器节点将通过网关上传修正数据至边缘服务器,所述修正数据为该次实际采集数据或预测数据与实际采集数据的差值。工业互联网中存在多个传感器节点时,根据“预测数据”消息中的节点接入号(参照步骤S15)与传感器节点自身的节点接入号(参照步骤S11)比较,如果一致再进行数据的差值计算,如果不一致则说明此“预测数据”消息应该由其他传感器节点进行处理。
传统传感器节点需要将采集到的传感数据发送至MQTT网关,再由MQTT网关上传至边缘服务器中,而传感器采集数据的频率很高,高频的信息传递会产生大量的功耗。因为传感器节点的接收功耗大约为发送功耗的33%,所以本实施例中通过边缘服务器对数据进行预测,传感器节点只需接收预测数据,如果预测数据(预测值)与实际采集数据(真实值)之差小于设定阈值,则无需发送采集的传感数据到MQTT网关,边缘服务器中保存上一次的数据作为有效的正确数据,这样节省了发送数据消耗的能量。且只在预测值与真实值相差等于或超过阈值范围后,传感器节点会上传采集数据或差值。优选地,传感器节点上传差值至边缘服务器。差值可以做为修正数据对预测数据进行修正,且差值的数据长度远远小于传感数据的数据长度,其在上传时消耗的能量较少,节能效果更好。
步骤S2的具体步骤如下所示:
步骤S22,传感器节点在第11时刻采集到了传感数据的真实值t11,将第11时刻传感数据真实值与第11时刻传感数据预测值进行相减,并求其绝对值若绝对值小于或等于阈值,判断边缘服务器中预测算法对第11时刻的预测正确,边缘服务器已得到正确的传感数据,无需修正,设置第11时刻修正值Δt11=0;若绝对值大于阈值,判断边缘服务器中预测算法对第11时刻的预测错误,边缘服务器未得到正确的传感数据,需要修正,设置第11时刻修正值传感器节点将修正值Δt11作为消息内容,使用MQTT协议向MQTT网关发送主题为“修正数据”的消息,边缘服务器在接收到修正数据的消息后,根据消息中的修正值对预测算法输出的预测数据进行修正,得到正确的传感数据:
步骤S23,传感器节点在第12时刻采集到了传感数据的真实值t12,将第12时刻传感数据真实值与第12时刻传感数据预测值进行相减,并求其绝对值若绝对值小于或等于阈值,判断边缘服务器中预测算法对第12时刻的预测正确,边缘服务器已得到正确的传感数据,无需修正,设置第12时刻修正值Δt12=0;若绝对值大于阈值,判断边缘服务器中预测算法对第12时刻的预测错误,边缘服务器未得到正确的传感数据,需要修正,设置第12时刻修正值传感器节点将修正值Δt12作为消息内容,使用MQTT协议向MQTT网关发送主题为“修正数据”的消息,边缘服务器在接收到修正数据的消息后,根据消息中的修正值对预测算法输出的预测数据进行修正,得到正确的传感数据:
步骤S24,传感器节点在第13时刻采集到了传感数据的真实值t13,将第13时刻传感数据真实值与第13时刻传感数据预测值进行相减,并求其绝对值若绝对值小于或等于阈值,判断边缘服务器中预测算法对第13时刻的预测正确,边缘服务器已得到正确的传感数据,无需修正,设置第13时刻修正值Δt13=0;若绝对值大于阈值,判断边缘服务器中预测算法对第13时刻的预测错误,边缘服务器未得到正确的传感数据,需要修正,设置第13时刻修正值传感器节点将修正值Δt13作为消息内容,使用MQTT协议向MQTT网关发送主题为“修正数据”的消息,边缘服务器在接收到修正数据的消息后,根据消息中的修正值对预测算法输出的预测数据进行修正,得到正确的传感数据:
优选地,基于机器学习与边缘计算的工业互联网节能方法还包括步骤S3,若步骤S2中边缘服务器接收到用于校正预测数据的采集数据或差值,则将步骤S1所述的传感数据和校正后的预测数据上传至云服务器,用于对预测算法模型进行再次训练。将预测误差较大的数据校正后再次训练预测算法模型,以提高预测算法的准确率,预测算法准确率越高,预测值与真实值间的误差越小,需要上传修正值的次数也就越少,从而进一步提高了节能效果。
优选地,如图3所示基于机器学习中的多层感知机技术设计步骤S1所述的预测算法模型,所述预测算法模型包括一个包括多个输入节点的输入层,一个包含38个神经元的第一隐含层,一个包含6个神经元的第二隐含层,一个包含1个输出节点的输出层;输入层、第一隐含层、第二隐含层以及输出层依次连接。本实施例中,输入层包含10个输入节点。
基于机器学习中的多层感知机技术,根据传感数据的特点,设计预测算法。预测算法的输入层的多个输入节点输入之前采集到的工业传感数据,预测算法的第一隐含层和第二隐含层对输入节点输入的工业传感数据进行计算分析,通过输出层输出预测到的下一时刻传感器将采集到的数据。
预测算法可以根据之前一段时间内采集到的的10个传感数据,预测出下一时刻传感器将采集到的数据。预测算法模型预测流程如下所示:
A1,将一段时间内采集到的10个传感数据输入至预测算法的输入层,输入层有10个输入节点,每个节点输入一段时间中一个时刻采集到的传感数据。输入层的传感数据向量可表示为:
t=*t1,t2,t3,…,t10+
其中t表示输入层的传感数据向量,t1表示第一个时刻采集到的传感数据,t2表示第二个时刻采集到的传感数据,以此类推,t10表示第十个时刻采集到的传感数据。
A2,第一隐含层由38个神经元构成,依次将输入层中的传感数据向量输入至每个神经元,第一隐含层中的神经元将传感数据向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,y1_n表示第一隐含层中第n个神经元的计算结果,ti表示传感数据向量中第i个时刻的传感数据,ω1ni表示第一隐含层中第n个神经元的传感数据向量中第i个时刻的传感数据对应的权重,θ1n表示第一隐含层中第n个神经元的阈值。
第一隐含层将38个神经元的计算结果合并得到第一特征向量,作为第一隐含层的输出:
Y1={y1_1,y1_2,y1_3,…,y1_38}
其中,Y1表示第一特征向量,y1_1表示第一隐含层中第1个神经元的计算结果,y1_2表示第一隐含层中第2个神经元的计算结果,以此类推,y1_38表示第一隐含层中第38个神经元的计算结果。通过第一隐含层的计算得到输入的10个工业传感数据的第一特征向量。
A3,第二隐含层由6个神经元构成,将第一隐含层得到的第一特征向量输入至每个神经元,第二隐含层中的神经元将第一特征向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,y2_n表示第二隐含层中第n个神经元的计算结果,y1_i表示第一特征向量中第i个特征值,ω2ni表示第二隐含层中第n个神经元的第一特征向量中第i个特征值对应的权重,θ2n表示第二隐含层中第n个神经元的阈值。
第二隐含层将6个神经元的计算结果得到第二特征向量,作为第二隐含层的输出:
Y2={y2_1,y2_2,y2_3,…,y2_6}
其中,Y2表示第二特征向量,y2_1表示第二隐含层中第1个神经元的计算结果,y2_2表示第二隐含层中第2个神经元的计算结果,以此类推,y2_6表示第二隐含层中第6个神经元的计算结果。
A4,输出层由1个神经元构成,将第二隐含层中的第二特征向量输入至此神经元,输出层中的神经元将第二特征向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,还需制作传感数据训练集;在云服务器中,使用传感数据训练集,对预测算法进行训练,调整预测算法模型内第一隐含层、第二隐含层以及输出层的权重和阈值。为了保证预测算法的准确率与节能效果,需要从工业生产中采集大量的传感数据对预测算法进行训练,调整模型的内部参数,即模型中的权重和阈值,具体包括以下步骤:
B1,制作传感数据训练集;具体流程如下:
B11,边缘服务器使用MQTT协议向MQTT网关订阅主题为“训练数据”的消息。
B12,传感器节点在采集到传感数据后,将传感数据与数据采集时间作为消息内容,使用MQTT协议向MQTT网关发布主题为“训练数据”的消息。
B13,MQTT网关在接收到传感器节点发布的主题为“训练数据”的消息后,将此消息推送至订阅过此主题的边缘服务器中。
B14,边缘服务器接收到消息后,将消息写入缓存,根据所处网络的网络使用率,在网络流量较小的时间段,将所有训练数据根据对应的数据采集时间进行排序,得到传感数据集,然后发送至云服务器。
B15,云服务器将接收到的多组传感数据集根据时间进行汇总,将每十一个在时间上连续的传感数据作为一组,前十个传感数据作为预测算法的输入,第11个传感数据作为预测算法监督学习的真实值,合并得到传感数据训练集。
B2,训练预测算法,得到已训练的预测算法模型;具体流程如下:
B21,将传感数据训练集中的每一组传感数据输入至预测算法,得到下一时刻的预测值,根据预测值与真实值计算出预测误差;
B22,根据预测误差,使用Momentum优化算法对预测算法进行参数优化,即训练预测算法。
Momentum优化算法先计算预测算法中参数的变化值vx:
其中,vx表示第x次训练时的变化值;η表示学习率;μx表示参数在第x次训练时的值,即预测算法模型中的权重和阈值;J(μx)表示响应误差与输入激励的乘积;表示响应误差与输入激励的乘积的梯度;α表示动量;vx-1表示第x-1次训练时的变化值。
再根据参数的变化值vx,求得参数优化后的值μx+1:
μx+1=μx+vx
B23,当预测误差δ小于预设的误差值时,训练完成,得到预测算法模型。本实施例中,步骤S1和步骤S3均采用本方法对预测算法模型进行训练。通过训练预测算法模型,以提高预测算法的准确率。预测算法准确率越高,预测值与真实值间的误差越小,需要上传修正值的次数也就越少,从而进一步提高了节能效果。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于机器学习与边缘计算的工业互联网节能***,其特征在于,包括云服务器、边缘服务器、网关以及传感器组,且云服务器、边缘服务器、网关以及传感器组依序相互连接;
所述云服务器包括预测算法训练模块;
所述边缘服务器包括预测算法计算模块和预测值校正模块;
所述传感器组,包括多个传感器节点,各传感器节点包括传感数据采集模块和差值计算判断模块;
所述预测算法训练模块,用于根据采集的历史传感数据对预测算法进行训练,并将训练好的预测算法模型发送至边缘服务器;
所述预测算法计算模块,用于保存云服务器已训练的预测算法模型,并根据传感器组采集的传感数据计算预测值,并将预测值发送至传感器组;所述预测值校正模块用于根据传感器组反馈的修正值,修正预测值,修正后的预测值发送至预测算法计算模块以进行下一次计算;
所述传感器采集模块,用于采集工业生产中的传感数据;所述差值计算判断模块,用于计算预测算法计算模块计算的预测值和传感器采集模块采集的传感器数据的差值的绝对值,并判断该绝对值是否小于预设阈值,若小于预设阈值,传感器节点不上传该次采集数据;反之,传感器节点将通过网关上传修正数据至边缘服务器的预测值校正模块,所述修正数据为该次采集的传感器数据或差值计算判断模块计算的差值。
2.一种基于机器学习与边缘计算的工业互联网节能方法,其特征在于,包括以下步骤:
S1:云服务器将已训练的预测算法模型发送至边缘服务器;边缘服务器使用已训练的预测算法,根据传感器组采集的传感数据预测传感器节点下一段时间将采集到的数据,记做预测数据;边缘服务器通过网关将预测数据发送给对应的传感器节点;
S2:传感器节点接收预测数据,计算预测数据与实际采集数据的差值;若差值小于预设阈值,传感器节点不上传该次采集数据;反之,传感器节点将通过网关上传修正数据至边缘服务器,所述修正数据为该次实际采集数据或预测数据与实际采集数据的差值。
3.根据权利要求2所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,还包括步骤S3,若步骤S2中边缘服务器接收到用于校正预测数据的采集数据或差值,则将步骤S1所述的传感数据和校正后的预测数据上传至云服务器,用于对预测算法模型进行再次训练。
4.根据权利要求2所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,所述步骤S1的具体步骤如下所示:
步骤S11,云服务器将已训练的预测算法模型发送至边缘服务器;边缘服务器在接收到云服务器的预测算法模型后,向网关订阅主题为“传感数据”的消息;传感器节点向网关订阅主题为“预测数据”的消息;
步骤S12,传感器节点在工作时,连续采集一段时间内的多个传感数据,并在每次采集完成后,将传感数据与数据采集时间作为消息内容,使用网关发布主题为“传感数据”的消息;
步骤S13,网关将主题为“传感数据”的消息推送至订阅过此消息的边缘服务器中;边缘服务器根据消息中的数据采集时间的先后,对多个传感数据进行排序,得到第一组传感数据;
步骤S14,在边缘服务器中,将第一组传感数据输入至预测算法中,预测传感器节点下一段时间将采集到的数据,记做预测数据;
步骤S15,边缘服务器将传感数据的预测数据作为消息内容,使用网关发布主题为“预测数据”的消息;
步骤S16,网关将主题为“预测数据”的消息推送至订阅过此消息的传感器节点中。
5.根据权利要求4所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,所述边缘服务器选取采集时间接近其接收时间的10个数据作为第一组传感数据的元素。
6.根据权利要求5所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,所述步骤S14计算预测数据的具体步骤如下所示:
步骤S141,第一组传感数据{t1,t2,t3,…,t10}输入至基于多层感知机的预测算法的输入层,预测算法根据前十个时刻的传感数据{t1,t2,t3,…,t10}预测第11个时刻将要采集的传感数据的预测值
步骤S142,在第一组传感数据{t1,t2,t3,…,t10}中,移除头部的第1个时刻传感数据t1,并在尾部添加第11个时刻传感数据的预测值得到第二组传感数据将第二组传感数据输入至基于多层感知机的预测算法的输入层,预测算法可输出传感器节点在第12个时刻采集的传感数据的预测值
7.根据权利要求2所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,所述预测算法模型包括一个包括多个输入节点的输入层,一个包含38个神经元的第一隐含层,一个包含6个神经元的第二隐含层,一个包含1个输出节点的输出层;输入层、第一隐含层、第二隐含层以及输出层依次连接。
8.根据权利要求7所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,所述输入层包括10个输入节点,预测算法模型预测流程如下所示:
A1,将一段时间内采集到的10个传感数据输入至预测算法的输入层,输入层有10个输入节点,每个节点对应一段时间中的一个时刻采集到的传感数据;输入输入层的数据记作传感数据向量,表示为:
t={t1,t2,t3,…,t10}
其中t表示输入层的传感数据向量,t1表示第一个时刻采集到的传感数据,t2表示第二个时刻采集到的传感数据,以此类推,t10表示第十个时刻采集到的传感数据;
A2,第一隐含层由38个神经元构成,依次将输入层中的传感数据向量输入至每个神经元,第一隐含层中的神经元将传感数据向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,y1_n表示第一隐含层中第n个神经元的计算结果,ti表示传感数据向量中第i个时刻的传感数据,ω1ni表示第一隐含层中第n个神经元的传感数据向量中第i个时刻的传感数据对应的权重,θ1n表示第一隐含层中第n个神经元的阈值;
第一隐含层将38个神经元的计算结果合并得到第一特征向量,作为第一隐含层的输出:
Y1={y1_1,y1_2,y1_3,…,y1_38}
其中,Y1表示第一特征向量,y1_1表示第一隐含层中第1个神经元的计算结果,y1_2表示第一隐含层中第2个神经元的计算结果,以此类推,y1_38表示第一隐含层中第38个神经元的计算结果;通过第一隐含层的计算得到输入的10个工业传感数据的第一特征向量;
A3,第二隐含层由6个神经元构成,将第一隐含层得到的第一特征向量输入至每个神经元,第二隐含层中的神经元将第一特征向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
其中,y2_n表示第二隐含层中第n个神经元的计算结果,y1_i表示第一特征向量中第i个特征值,ω2ni表示第二隐含层中第n个神经元的第一特征向量中第i个特征值对应的权重,θ2n表示第二隐含层中第n个神经元的阈值;
第二隐含层将6个神经元的计算结果得到第二特征向量,作为第二隐含层的输出:
Y2={y2_1,y2_2,y2_3,…,y2_6}
其中,Y2表示第二特征向量,y2_1表示第二隐含层中第1个神经元的计算结果,y2_2表示第二隐含层中第2个神经元的计算结果,以此类推,y2_6表示第二隐含层中第6个神经元的计算结果;
A4,输出层由1个神经元构成,将第二隐含层中的第二特征向量输入至此神经元,输出层中的神经元将第二特征向量乘以对应的权重,再减去神经元的阈值,然后通过Sigmoid激活函数处理后,得到单个神经元的计算结果:
9.根据权利要求2所述的基于机器学习与边缘计算的工业互联网节能方法,其特征在于,所述预测算法模型在云服务器的训练过程包括以下步骤:
B1,采集工业生产中的传感数据制作传感数据训练集;
B2,根据传感数据集训练预测算法,调整预测算法的参数,得到已训练的预测算法模型;
步骤B2具体包括以下步骤:
B21,将传感数据训练集中的每一组传感数据输入至预测算法,得到下一时刻的预测值,根据预测值与真实值计算出预测误差;
B22,根据预测误差,使用Momentum优化算法对预测算法进行参数优化,即训练预测算法;
B23,当预测误差δ小于预设误差值时,训练完成,得到预测算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185628.9A CN111417178B (zh) | 2020-03-17 | 2020-03-17 | 基于机器学习与边缘计算的工业互联网节能***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010185628.9A CN111417178B (zh) | 2020-03-17 | 2020-03-17 | 基于机器学习与边缘计算的工业互联网节能***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111417178A CN111417178A (zh) | 2020-07-14 |
CN111417178B true CN111417178B (zh) | 2021-12-31 |
Family
ID=71494350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010185628.9A Active CN111417178B (zh) | 2020-03-17 | 2020-03-17 | 基于机器学习与边缘计算的工业互联网节能***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111417178B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111857015B (zh) * | 2020-08-06 | 2022-04-29 | 重庆正大华日软件有限公司 | 输变电云端智能控制器 |
CN112379214A (zh) * | 2020-10-27 | 2021-02-19 | 广东电网有限责任公司广州供电局 | 一种电网故障的检测方法和装置 |
CN112737936A (zh) * | 2020-12-31 | 2021-04-30 | 青岛鹏海软件有限公司 | 一种用于设备预维护的边缘计算网关 |
WO2023287331A1 (en) * | 2021-07-15 | 2023-01-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Achieving uplink data compression using estimated environment models |
CN113992717A (zh) * | 2021-10-28 | 2022-01-28 | 傲拓科技股份有限公司 | 基于tsn技术的边缘数据采集***及方法 |
CN114609329A (zh) * | 2022-01-28 | 2022-06-10 | 西安电子科技大学 | 一种工业环境下基于传感器组网的气体监测*** |
CN114615304B (zh) | 2022-04-18 | 2022-07-22 | 成都秦川物联网科技股份有限公司 | 前分平台式工业物联网控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507096A (zh) * | 2014-12-10 | 2015-04-08 | 中国科学院计算技术研究所 | 无线传感网中模型驱动的数据传输方法及*** |
CN108495281A (zh) * | 2018-03-05 | 2018-09-04 | 曙光信息产业(北京)有限公司 | 一种数据融合方法和装置 |
CN110263407A (zh) * | 2019-06-13 | 2019-09-20 | 南京邮电大学 | 基于物联网与大数据的地铁环控节能云模型构建方法 |
CN110505597A (zh) * | 2019-07-31 | 2019-11-26 | 北京邮电大学 | 一种无线传感器网络的数据传输方法 |
CN110602723A (zh) * | 2019-08-27 | 2019-12-20 | 华侨大学 | 一种基于水下边缘设备的两级双向预测获取数据方法 |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190228296A1 (en) * | 2018-01-19 | 2019-07-25 | EMC IP Holding Company LLC | Significant events identifier for outlier root cause investigation |
CN110430128B (zh) * | 2019-06-24 | 2021-08-27 | 上海展湾信息科技有限公司 | 边缘计算网关 |
CN110440396B (zh) * | 2019-07-11 | 2021-04-06 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和*** |
-
2020
- 2020-03-17 CN CN202010185628.9A patent/CN111417178B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104507096A (zh) * | 2014-12-10 | 2015-04-08 | 中国科学院计算技术研究所 | 无线传感网中模型驱动的数据传输方法及*** |
CN108495281A (zh) * | 2018-03-05 | 2018-09-04 | 曙光信息产业(北京)有限公司 | 一种数据融合方法和装置 |
CN110263407A (zh) * | 2019-06-13 | 2019-09-20 | 南京邮电大学 | 基于物联网与大数据的地铁环控节能云模型构建方法 |
CN110505597A (zh) * | 2019-07-31 | 2019-11-26 | 北京邮电大学 | 一种无线传感器网络的数据传输方法 |
CN110602723A (zh) * | 2019-08-27 | 2019-12-20 | 华侨大学 | 一种基于水下边缘设备的两级双向预测获取数据方法 |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
Non-Patent Citations (2)
Title |
---|
Edge-Assisted Vehicle Mobility Prediction to Support V2X Communications;Wei Liu等;《IEEE Transactions on Vehicular Technology》;20190828;第1-12页 * |
面向边缘计算的传感数据异常检测与修正算法;李斐君;《中国优秀硕士学位论文全文数据库信息科技辑》;20200315;第7-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111417178A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111417178B (zh) | 基于机器学习与边缘计算的工业互联网节能***及方法 | |
CN107808212B (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
CN112101767B (zh) | 一种设备运行状态边云融合诊断方法及*** | |
CN106912067B (zh) | 一种基于模糊神经网络的wsn无线通信模块故障诊断方法 | |
CN116545954B (zh) | 基于物联网的通信网关数据传输方法及*** | |
CN102612080B (zh) | 基于第二代小波零树编码的最小能耗自适应汇聚路由方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN104023356A (zh) | 一种面向设施环境控制的无线传感器网络数据传输方法 | |
CN116225102B (zh) | 一种移动式的储能通信温升自动监控***及装置 | |
CN112862256A (zh) | 一种畜禽舍环境大数据检测*** | |
CN116415500A (zh) | 一种基于大数据的呼吸机故障预测方法及*** | |
CN108518315A (zh) | 一种基于云存储技术的风电机组智能监测*** | |
CN113705888A (zh) | 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和*** | |
CN109919380B (zh) | 基于指数平均ud-wcma太阳能收集功率的改进预测方法 | |
CN117156492A (zh) | 一种基于深度强化学习的联合服务缓存、通信与计算的双时间尺度资源分配方法 | |
CN103167578A (zh) | 用Hopfield 神经网络对无线传感器网络分簇的方法 | |
CN109688598B (zh) | 基于wsan的复杂管网分布式数据采集***及传输优化方法 | |
CN113658415B (zh) | 一种智能网关的预警方法和*** | |
CN102156408A (zh) | 一种动态自适应演化最大功率点跟踪控制***及方法 | |
CN114781598A (zh) | 一种基于分层神经网络分布式训练的故障预测方法 | |
CN110852514A (zh) | 一种基于bp神经网络的可获能传感器节点能量预测方法 | |
CN113934175A (zh) | 一种智能无线汽轮机数据采集*** | |
CN110070214B (zh) | 基于天气相似度的d-wsma太阳能收集功率预测方法 | |
Yang et al. | Fedprem: A novel federated reinforcement learning framework for predictive maintenance | |
CN117606112B (zh) | 近零能耗建筑的室内环境控制***及方法 |
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 |