CN115826542B - 基于工业互联网的生产智能调控***及方法 - Google Patents
基于工业互联网的生产智能调控***及方法 Download PDFInfo
- Publication number
- CN115826542B CN115826542B CN202310123762.XA CN202310123762A CN115826542B CN 115826542 B CN115826542 B CN 115826542B CN 202310123762 A CN202310123762 A CN 202310123762A CN 115826542 B CN115826542 B CN 115826542B
- Authority
- CN
- China
- Prior art keywords
- industrial control
- control equipment
- equipment
- parameter
- adjusted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 230000001105 regulatory effect Effects 0.000 claims abstract description 32
- 239000002245 particle Substances 0.000 claims description 111
- 230000002159 abnormal effect Effects 0.000 claims description 89
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000001276 controlling effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000002068 genetic effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 3
- 230000005587 bubbling Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了基于工业互联网的生产智能调控***及方法,对工业互联网下的所有工控设备进行监控,记录并检索到所述工控网络下运行异常的待调整工控设备,通过待调整工控设备的属性特征为工业互联网中不同工控设备需要采集的不同参数指标自适应地匹配到对应适用的参数采集策略,在工业互联网复杂的工控环境中针对不同工控设备的不同参数指标调用不同的参数采集策略,可以全面、统一、有效且准确地采集运行参数;通过智能优化算法对待调整工控设备的运行参数进行优化,对工控设备进行实时的智能调控,可以提高工控设备的生产效率和利用率,并能避免一些成本高昂的维修,降低设备的维护成本。
Description
技术领域
本发明涉及工业互联网领域技术领域,具体涉及基于工业互联网的生产智能调控***及方法。
背景技术
随着信息化与工业化的深度融合以及工业互联网的快速发展也为工控设备的调控技术研究带来了前所未有的挑战,随着现代化工业技术的蓬勃发展,工控设备的可靠性和便利性已成为保证产业正常生产的必要条件。
首先,工业生产过程中涉及的工控设备繁多,需要采集的数据种类也多,不同型号和类型的指标都需要有不同的处理逻辑,导致了工控设备的数据采集方式复杂;
其次,在实际生产过程中,随着工控设备使用时间的增加,工控设备的性能在不断衰退,若不对工控设备进行及时的参数调控,工控设备可能处于过载或者迟缓的运行状态,导致工控设备运行效率或生产效率不但无法达到最佳状态,甚至可能会失灵或者发生故障。
所以,现有方法中对工控设备的数据采集方式复杂,加长了数据分析周期,并且无法在生产过程中实时对工控设备进行调控优化,导致工控设备的生产效率不但无法达到最佳状态,增加生产成本,影响企业的生产效益。
发明内容
针对上述现有技术的不足,本申请提供基于工业互联网的生产智能调控***及方法。
第一方面本申请提出了基于工业互联网的生产智能调控***,包括设备监控模块、运行参数采集模块、智能优化模块和设备调控模块;
所述设备监控模块,用于对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备;
所述运行参数采集模块,用于根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数;
所述智能优化模块,用于将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,将迭代结束后得到的最优运行参数发送给设备调控模块;
所述设备调控模块,用于基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
在一些实施例的一些可选的实现方式中,所述设备监控模块包括异常监控单元、设备数据处理单元和设备标记单元;
所述异常监控单元,用于在工业互联网中预设运行状态监测***和设备检索引擎,通过所述运行状态监测***,对运行异常的工控设备进行记录,通过所述设备检索引擎对运行异常的工控设备进行检索,得到设备检索结果;
所述设备数据处理单元,用于对所述设备检索结果进行筛选处理,以及去除所述设备检索结果中的冗杂数据,得到异常工控设备检索结果;
所述设备标记单元,用于根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备。
在一些实施例的一些可选的实现方式中,所述运行参数采集模块包括属性特征识别单元、信息分类单元和采集单元;
所述属性特征识别单元,用于探测当前工业互联网下工控设备的特征,获取所述工控设备对应的属性特征;
所述信息分类单元,用于根据所述属性特征获取所述待调整工控设备需要采集的参数指标并对所述参数指标进行归类处理,获取所述参数指标的分类信息;
所述采集单元,用于根据所述分类信息,从预设的策略库中获取与所述参数指标相匹配的参数采集策略并建立所述参数采集策略与所述参数指标之间的调度关系,调用与所述参数指标具有调度关系的参数采集策略采集所述参数指标对应的参数。
在一些实施例的一些可选的实现方式中,所述智能优化模块包括参数初始化单元、适应度计算单元、分析更新单元、迭代优化单元和运行参数输出单元;
所述参数初始化单元,用于利用智能优化算法减小非线性多分类均衡待调整工控设备的运行参数数量不平衡引起的误差,然后进行初始化;
所述适应度计算单元,用于利用待调整工控设备的运行参数表示智能优化算法中粒子群的各维分量,利用核函数计算各个粒子的适应度值,根据运行参数数量不一致的粒子,调整均衡因子抵消由于运行参数数量不平衡引起的偏差;
所述分析更新单元,用于通过与历史最优个体粒子的适应度的比较找到个体极值,然后通过与相邻粒子进行适应度的比较,获得局部最佳;在更新粒子速度和位置,评估更新后粒子的适应度;
所述迭代优化单元,用于根据预设的终止迭代条件进行判断,当终止迭代条件达到预设迭代次数,则终止迭代,同时将最优解输出到运行参数输出单元;
所述运行参数输出单元,用于将最优解作为待调整工控设备的最优运行参数输出到设备调控模块。
在一些实施例的一些可选的实现方式中,所述设备调控模块包括设备分类识别单元和最优运行参数配置单元;
所述设备分类识别单元,用于根据异常设备检索结果对待调整工控设备进行对接,基于属性特征与所述待调整工控设备进行协议解析,得到协议解析结果;
所述最优运行参数配置单元,用于基于所述协议解析结果为所述待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
第二方面本申请提出了基于工业互联网的生产智能调控方法,包括以下步骤:
对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备;
根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数;
将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,得到最优运行参数;
基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
在一些实施例的一些可选的实现方式中,所述对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备,包括:
在工业互联网中预设运行状态监测***和设备检索引擎,通过所述运行状态监测***,对运行异常的工控设备进行记录,通过所述设备检索引擎对运行异常的工控设备进行检索,得到设备检索结果;
对所述设备检索结果进行筛选处理,以及去除所述设备检索结果中的冗杂数据,得到异常工控设备检索结果;
根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备。
在一些实施例的一些可选的实现方式中,所述根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数,包括:
探测当前工业互联网下工控设备的特征,获取所述工控设备对应的属性特征;
根据所述属性特征获取所述待调整工控设备需要采集的参数指标并对所述参数指标进行归类处理,获取所述参数指标的分类信息;
根据所述分类信息,从预设的策略库中获取与所述参数指标相匹配的参数采集策略并建立所述参数采集策略与所述参数指标之间的调度关系,调用与所述参数指标具有调度关系的参数采集策略采集所述参数指标对应的参数。
在一些实施例的一些可选的实现方式中,所述将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,得到最优运行参数,包括:
利用智能优化算法减小非线性多分类均衡待调整工控设备的运行参数数量不平衡引起的误差,然后进行初始化;
利用待调整工控设备的运行参数表示智能优化算法中粒子群的各维分量,利用核函数计算各个粒子的适应度值,根据运行参数数量不一致的粒子,调整均衡因子抵消由于运行参数数量不平衡引起的偏差;
通过与历史最优个体粒子的适应度的比较找到个体极值,然后通过与相邻粒子进行适应度的比较,获得局部最佳;在更新粒子速度和位置,评估更新后粒子的适应度;
根据预设的终止迭代条件进行判断,当终止迭代条件达到预设迭代次数,则终止迭代,同时输出最优解;
将最优解作为待调整工控设备的最优运行参数进行输出。
在一些实施例的一些可选的实现方式中,所述基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态,包括:
根据异常设备检索结果对待调整工控设备进行对接,基于属性特征与所述待调整工控设备进行协议解析,得到协议解析结果;
基于所述协议解析结果为所述待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
本发明的有益效果:
对工业互联网下的所有工控设备进行监控,记录并检索到所述工控网络下运行异常的待调整工控设备,通过待调整工控设备的属性特征为工业互联网中不同工控设备需要采集的不同参数指标自适应地匹配到对应适用的参数采集策略,在工业互联网复杂的工控环境中针对不同工控设备的不同参数指标调用不同的参数采集策略,可以全面、统一、有效且准确地采集运行参数;通过智能优化算法对待调整工控设备的运行参数进行优化,对工控设备进行实时的智能调控,可以提高工控设备的生产效率和利用率,并能避免一些成本高昂的维修,降低设备的维护成本。
附图说明
图1为本发明的装置原理框图。
图2为步骤5的流程示意图。
图3为步骤8的流程示意图。
图4为步骤9的流程示意图。
图5为本发明的总体流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制;相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一方面本申请提出了基于工业互联网的生产智能调控***,包括设备监控模块、运行参数采集模块、智能优化模块和设备调控模块;
所述设备监控模块,用于对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备;
在一些实施例的一些可选的实现方式中,所述设备监控模块包括异常监控单元、设备数据处理单元和设备标记单元;
所述异常监控单元,用于在工业互联网中预设运行状态监测***和设备检索引擎,通过所述运行状态监测***,对运行异常的工控设备进行记录,通过所述设备检索引擎对运行异常的工控设备进行检索,得到设备检索结果;
其中,运行状态监测***包括转动机械状态检测***、电力设备状态监测***或声学监控***等,设备检索引擎为Shodan引擎,Shodan是一种网络空间搜索引擎,用于搜索联网的设备,本方案中用其搜索当前工业互联网下所有的工控设备。
所述设备数据处理单元,用于对所述设备检索结果进行筛选处理,以及去除所述设备检索结果中的冗杂数据,得到异常工控设备检索结果;
其中,通过对设备检索结果进行去重、优化、整合等处理,删除重复数据、质量差的数据以及非异常工控设备的数据,例如:在没有解析出工控设备的***信息的情况下,删除其数据;检索到的工控设备为非异常工控设备,删除其数据。最后,将其数据进行整合,从而得到异常工控设备检索结果。
所述设备标记单元,用于根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备。
其中,将异常工控设备在当前工业互联网下的设备编号记录到运行日志中,然后对其进行标记,将异常工控设备的设备名命名为待调整工控设备。
所述运行参数采集模块,用于根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数;
在一些实施例的一些可选的实现方式中,所述运行参数采集模块包括属性特征识别单元、信息分类单元和采集单元;
所述属性特征识别单元,用于探测当前工业互联网下工控设备的特征,获取所述工控设备对应的属性特征;
其中,工控指的是工业自动化控制,主要利用电子电气、机械、软件等各种工控设备进行组合,通过使用计算机、微电子和电气等技术手段,让工厂的生产和制造过程更加自动化、效率化、精确化,并具有可控性及可视性。工业互联网中包含有各种各样不同的工控设备,工控设备的属性特征不同,致使该工控设备需要采集的参数指标也会不同。在本实施例中,通过待调整工控设备的属性特征,其中,属性特征包括待调整工控设备的类型属性、型号属性、厂家属性、操作***属性和应用软件属性等。
所述信息分类单元,用于根据所述属性特征获取所述待调整工控设备需要采集的参数指标并对所述参数指标进行归类处理,获取所述参数指标的分类信息;
其中,待调整工控设备的属性特征不同,对应需要采集的参数指标也不同。获得工控设备的属性特征后,可以通过分析工控设备的属性特征来获取该工控设备需要采集的参数指标。示例性的,可以根据工控设备对外的端口和服务属性特征,判断该工控设备开启的端口和服务,获取开启的端口和服务所对应的需要采集的参数指标。在本实施例中,预先针对不同的属性特征按照层级进行了属性分类,例如按照设备类型分类可以包含有交换机设备、web页面、windows设备、linux设备、参数数据库、安全设备、PLC设备等,针对每种类型的设备进一步地划分厂家分类、型号分类、版本分类等等,以此构建形成一个属性分类树结构。进而,获取得到参数指标后,基于该参数指标是通过分析哪个属性特征获得的,则按照该分析的属性特征对该参数指标进行归类处理,获得该参数指标的分类信息。可以理解的是,参数指标的分类信息具体可以表示为属性特征对应的属性分类。
所述采集单元,用于根据所述分类信息,从预设的策略库中获取与所述参数指标相匹配的参数采集策略并建立所述参数采集策略与所述参数指标之间的调度关系,调用与所述参数指标具有调度关系的参数采集策略采集所述参数指标对应的参数。
本实施例中,预设一个策略库,在该策略库中,针对不同的属性分类配置不同的参数采集策略,并使得属性分类与参数采集策略相关联,即一种属性分类对应关联一种参数采集策略。其中,一种参数采集策略中包含有参数采集方式信息和参数采集频率信息。在获得各工控设备需要采集的参数指标以及参数指标的分类信息后,针对每一个需要采集的参数指标,可以根据该参数指标的分类信息查询上述预设的策略库,通过将该参数指标的分类信息与策略库中的属性分类进行匹配,从该预设的策略库中获取出与该参数指标相匹配的参数采集策略,需要说明的是,当一个工控设备需要采集的参数指标有多个时,属于同一个属性分类的参数指标对应一个参数采集策略,若工控设备需要采集的多个参数指标属于不同的属性分类,则针对该工控设备可对应获得一个包含有多个参数采集策略的策略集。获得参数采集策略后,可以根据参数指标的分类信息建立该参数采集策略与参数指标之间的调度关系,从而在触发工控设备采集该参数指标对应的参数时调用与该据指标具有调度关系的参数采集策略,以此采用与该据指标具有调度关系的参数采集策略来采集该参数指标对应的运行参数,进一步的,待调整工控设备的运行参数能直接反应设备在运行过程中的工作状态,根据设备类型的不同,运行参数对应包括运行功率、运行压力、运行温度、运行频率、上料速率和配风速率等;
所述智能优化模块,用于将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,将迭代结束后得到的最优运行参数发送给设备调控模块;
在一些实施例的一些可选的实现方式中,所述智能优化模块包括参数初始化单元、适应度计算单元、分析更新单元、迭代优化单元和运行参数输出单元;
所述参数初始化单元,用于利用智能优化算法减小非线性多分类均衡待调整工控设备的运行参数数量不平衡引起的误差,然后进行初始化;(步骤2)
其中,包括根据从待调整工控设备中采集的实际的运行参数,初始化粒子位置、速度、粒子个体极值、粒子优化-遗传算法和遗传算法迭代次数;
进一步的,初始化粒子位置、速度:
初始化粒子个体极值:
初始化粒子优化-遗传算法(以下简称APSO-GA算法)及遗传算法(以下简称GA算法)的迭代次数:
其中,i表示粒子个数序号,为第i个粒子;j表示粒子维度序号,表示粒子第j维向量,j可以表示运行参数对应的运行功率、运行压力、运行温度、运行频率、上料速率和配风速率等;表示 间均匀分布的随机数;表示第i个粒子的个体最优;表示APSO-GA算法迭代次数;表示GA算法迭代次数;
所述适应度计算单元,用于利用待调整工控设备的运行参数表示智能优化算法中粒子群的各维分量,利用核函数计算各个粒子的适应度值,根据运行参数数量不一致的粒子,调整均衡因子抵消由于运行参数数量不平衡引起的偏差;
其中,将待调整工控设备中采集的实际的运行参数,包括运行功率、运行压力、运行温度、运行频率、上料速率和配风速率等,定义为粒子群中的各维分量;
评估所有粒子适应度,包括获取粒子适应度以及判断粒子是否更新;
进一步的,需要先获取粒子适应度:
其中,f适应度函数,用来量化评价给出的粒子的好坏,与要实现功能有关,本实施例中用来表示计算最优的运行参数(即最优解),D表示粒子维数,即自变量个数,在本实施例中的j表示待调整工控设备的运行参数,即j可以定义为运行功率、运行压力、运行温度、运行频率、上料速率和配风速率的所有参数,本实施例中以D包括了运行功率、运行压力、运行温度、运行频率、上料速率和配风速率六个自变量为例,所以;
所述分析更新单元,用于通过与历史最优个体粒子的适应度的比较找到个体极值,然后通过与相邻粒子进行适应度的比较,获得局部最佳;在更新粒子速度和位置,评估更新后粒子的适应度;
初始化APSO环中粒子更新次数,以判断是否环中粒子均已更新。
,nu表示APSO粒子环中,粒子更新次数,用于判断是否所有粒子均已更新;
步骤1:通过与历史最优个体粒子的适应度的比较找到个体极值;
进一步的,通过与历史个体最优的适应度的比较,找到所有粒子的个体最大(或最小)值,最大或最小的选择与适应度函数的设定和要实现功能有关。下文以最小值为例:
其中,设定粒子序号i初始值为1,为粒子更新做准备,,表示粒子i第j维向量在第次迭代中的位置,表示粒子i第j维向量在第次迭代中的速度;
步骤2:通过与相邻粒子进行适应度的比较,获得局部最佳;
将第i个粒子与其相邻粒子进行适应度的比较,获得局部最佳。其中表示更新后粒子的个体极值,则:
其中,为粒子i邻域,算法中取粒子i的左右各一个粒子作为其邻域;表示第i个粒子的局部最佳
步骤3:更新粒子速度和位置;
更新速度:
更新位置:
其中,,为[0, 1]间均匀分布的随机数;c1、c2维加速度系数;为惯性因子,用于粒子速度的更新,公式如下:
更新粒子更新次数:,表示算法迭代次数最大值,用于终止迭代,取值范围为[100,4000]; 表示惯性因子最小值,取值为0.4;表示惯性因子最大值,取值为0.9。惯性因子表示上一代粒子的速度对当代粒子的速度的影响,较大的有利于全局搜索,跳出局部极值,不至于陷入局部最优;而较小的有利于局部搜索,让算法快速收敛到最优解。
步骤4:评估更新后粒子的适应度;
其中,采用更新后第i个粒子进行适应度计算,更新粒子个体最优,用于下一个粒子的更新。 步骤5:判断是否环中所有粒子已更新,若有粒子未更新,则返回步骤2;
其中,如图2所示,算法中粒子呈环状排列,若有粒子未更新,则返回步骤2。
步骤6:若所有粒子均已更新,则选择最优个体,进行遗传算法中的交叉操作;
若环中所有粒子均已更新,则选择最优个体,进行遗传算法中的交叉操作。假设被选中粒子位置为xi ’,选择个体数为M,则:
为选择适应度较小个体,采用冒泡法,对种群P所有粒子进行适应度递增排序:其中,q表示冒泡排序遍历次数,即步骤3中惯性因子公式的循环次数,需将步骤3中惯性因子公式循环P-1次以完成所有粒子的排序,所选取个体为循环P-1次后,个体序号为1~M的粒子;表示位置辅助参数,用于粒子的排序。
选取M个个体:
其中,为表示步骤6中被选中的粒子位置,用于遗传算法的细化;表示排序中第i个粒子第q次遍历后的位置;M表示被选中进行细化的粒子个体数。
步骤7:进行交叉操作后,选择适应度较小的粒子进行保留:
进行交叉操作后,选择适应度较小的粒子进行保留,以待下次迭代:
交叉操作:其中,为交叉产生的子粒子,
粒子选择:
所述迭代优化单元,用于根据预设的终止迭代条件进行判断,当终止迭代条件达到预设迭代次数,则终止迭代,同时将最优解输出到运行参数输出单元;
步骤8:通过比较当前迭代次数与遗传算法最大迭代次数判断终止与否;
其中,如图3所示,通过比较当前迭代次数与GA最大迭代次数判断终止与否,表示遗传算法迭代次数最大值,用于终止遗传算法迭代,取值为6。
步骤9:判断粒子优化-遗传算法是否终止,若终止则输入最优的粒子,即最优的运行功率、运行压力、运行温度、运行频率、上料速率和配风速率,将当前的运行功率、运行压力、运行温度、运行频率、上料速率和配风速率作为最佳参数。
其中,将优化后粒子放回种群P剩余粒子中,并重新排序,以待APSO下次迭代使用:
如图4所示,通过比较当前迭代次数与APSO-GA最大迭代次数判断终止与否:最终输出的最优x为最优粒子,即运行功率、运行压力、运行温度、运行频率、上料速率和配风速率最优维度的解,表示运行功率、运行压力、运行温度、运行频率、上料速率和配风速率的最佳参数。
所述运行参数输出单元,用于将最优解作为待调整工控设备的最优运行参数输出到设备调控模块。
将得出的运行功率、运行压力、运行温度、运行频率、上料速率和配风速率的最优解作为待调整工控设备的最优运行参数输出到设备调控模块,获取最优可调操作参数组合,从而实现待调整工控设备的最佳参数配置,得到最优的运行方案,调控所述待调整工控设备的运行状态。
所述设备调控模块,用于基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
在一些实施例的一些可选的实现方式中,所述设备调控模块包括设备分类识别单元和最优运行参数配置单元;
所述设备分类识别单元,用于根据异常设备检索结果对待调整工控设备进行对接,基于属性特征与所述待调整工控设备进行协议解析,得到协议解析结果;
其中,抽取所述待调整工控设备中工控协议的协议特征;基于所述协议特征,通过机器学习将所述待调整工控设备的协议数据进行分类,得到分类后协议数据;根据从工控协议报文中抽取的特征,计算报文间的相似度。为报文中的每个字节定义了权重,定义规则为:距离报文头部的权重递减,定义好权重后,通过莱文斯坦距离的方法计算报文间的相似度;基于以上统计特征和报文相似度计算方法,分别通过聚类算法进行聚类获得初始划分结果;接着采用集成聚类方法得到邻近度矩阵,接着在这个邻近度矩阵上运用层次聚类中的单连接方法得到最终的聚类结果;对所述待调整工控设备的未知工控协议按照不同字段进行分割,得到分割后协议字段;将所述分割后协议字段映射到所述分类后协议数据中,对所述分割后协议字段进行识别,得到对应的工控协议,工控协议通常包含识别码、功能码、数据长度、操作地址、数据负载等字段,按照不同的类别对工控协议进行分类,然后将分类后协议数据与上述分割后协议字段进行匹配识别,将待调整工控设备的未知工控协议进行映射还原,解析为已知工控协议,从而得到协议解析结果。
所述最优运行参数配置单元,用于基于所述协议解析结果为所述待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
通过解析得到的工控协议,我们可以获取到待调整工控设备的设备信息,设备信息一般包括IP,根据所述设备信息获取所述待调整工控设备的IP,根据IP向对应的待调整工控设备发出运行参数调整请求,待调整工控设备响应请求后,将得到的最优运行参数发送给待调整工控设备从而对其运行状态进行调整。
第二方面本申请提出了基于工业互联网的生产智能调控方法,包括以下步骤:
S100:对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备;
在一些实施例的一些可选的实现方式中,所述对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备,包括:
在工业互联网中预设运行状态监测***和设备检索引擎,通过所述运行状态监测***,对运行异常的工控设备进行记录,通过所述设备检索引擎对运行异常的工控设备进行检索,得到设备检索结果;
对所述设备检索结果进行筛选处理,以及去除所述设备检索结果中的冗杂数据,得到异常工控设备检索结果;
根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备。
S200:根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数;
在一些实施例的一些可选的实现方式中,所述根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数,包括:
探测当前工业互联网下工控设备的特征,获取所述工控设备对应的属性特征;
根据所述属性特征获取所述待调整工控设备需要采集的参数指标并对所述参数指标进行归类处理,获取所述参数指标的分类信息;
根据所述分类信息,从预设的策略库中获取与所述参数指标相匹配的参数采集策略并建立所述参数采集策略与所述参数指标之间的调度关系,调用与所述参数指标具有调度关系的参数采集策略采集所述参数指标对应的参数。
S300:将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,得到最优运行参数;
在一些实施例的一些可选的实现方式中,所述将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,得到最优运行参数,包括:
利用智能优化算法减小非线性多分类均衡待调整工控设备的运行参数数量不平衡引起的误差,然后进行初始化;
利用待调整工控设备的运行参数表示智能优化算法中粒子群的各维分量,利用核函数计算各个粒子的适应度值,根据运行参数数量不一致的粒子,调整均衡因子抵消由于运行参数数量不平衡引起的偏差;
通过与历史最优个体粒子的适应度的比较找到个体极值,然后通过与相邻粒子进行适应度的比较,获得局部最佳;在更新粒子速度和位置,评估更新后粒子的适应度;
根据预设的终止迭代条件进行判断,当终止迭代条件达到预设迭代次数,则终止迭代,同时输出最优解;
将最优解作为待调整工控设备的最优运行参数进行输出。
S400:基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
在一些实施例的一些可选的实现方式中,所述基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态,包括:
根据异常设备检索结果对待调整工控设备进行对接,基于属性特征与所述待调整工控设备进行协议解析,得到协议解析结果;
基于所述协议解析结果为所述待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
以上仅是本发明优选的实施方式,需指出的是,对于本领域技术人员在不脱离本技术方案的前提下,作出的若干变形和改进的技术方案应同样视为落入本权利要求书要求保护的范围。
Claims (8)
1.基于工业互联网的生产智能调控***,其特征在于:包括设备监控模块、运行参数采集模块、智能优化模块和设备调控模块;
所述设备监控模块,用于对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备;
所述运行参数采集模块,用于根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数;
所述智能优化模块,用于将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,将迭代结束后得到的最优运行参数发送给设备调控模块;所述智能优化模块包括参数初始化单元、适应度计算单元、分析更新单元、迭代优化单元和运行参数输出单元;所述参数初始化单元,用于利用智能优化算法减小非线性多分类均衡待调整工控设备的运行参数数量不平衡引起的误差,然后进行初始化;所述适应度计算单元,用于利用待调整工控设备的运行参数表示智能优化算法中粒子群的各维分量,利用核函数计算各个粒子的适应度值,根据运行参数数量不一致的粒子,调整均衡因子抵消由于运行参数数量不平衡引起的偏差;所述分析更新单元,用于通过与历史最优个体粒子的适应度的比较找到个体极值,然后通过与相邻粒子进行适应度的比较,获得局部最佳;在更新粒子速度和位置,评估更新后粒子的适应度;所述迭代优化单元,用于根据预设的终止迭代条件进行判断,当终止迭代条件达到预设迭代次数,则终止迭代,同时将最优解输出到运行参数输出单元;所述运行参数输出单元,用于将最优解作为待调整工控设备的最优运行参数输出到设备调控模块;
所述设备调控模块,用于基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
2.根据权利要求1所述的***,其特征在于:所述设备监控模块包括异常监控单元、设备数据处理单元和设备标记单元;
所述异常监控单元,用于在工业互联网中预设运行状态监测***和设备检索引擎,通过所述运行状态监测***,对运行异常的工控设备进行记录,通过所述设备检索引擎对运行异常的工控设备进行检索,得到设备检索结果;
所述设备数据处理单元,用于对所述设备检索结果进行筛选处理,以及去除所述设备检索结果中的冗杂数据,得到异常工控设备检索结果;
所述设备标记单元,用于根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备。
3.根据权利要求2所述的***,其特征在于:所述运行参数采集模块包括属性特征识别单元、信息分类单元和采集单元;
所述属性特征识别单元,用于探测当前工业互联网下工控设备的特征,获取所述工控设备对应的属性特征;
所述信息分类单元,用于根据所述属性特征获取所述待调整工控设备需要采集的参数指标并对所述参数指标进行归类处理,获取所述参数指标的分类信息;
所述采集单元,用于根据所述分类信息,从预设的策略库中获取与所述参数指标相匹配的参数采集策略并建立所述参数采集策略与所述参数指标之间的调度关系,调用与所述参数指标具有调度关系的参数采集策略采集所述参数指标对应的参数。
4.根据权利要求3所述的***,其特征在于:所述设备调控模块包括设备分类识别单元和最优运行参数配置单元;
所述设备分类识别单元,用于根据异常设备检索结果对待调整工控设备进行对接,基于属性特征与所述待调整工控设备进行协议解析,得到协议解析结果;
所述最优运行参数配置单元,用于基于所述协议解析结果为所述待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
5.基于工业互联网的生产智能调控方法,其特征在于:包括以下步骤:
对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备;
根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数;
将采集的运行参数筛选后输入至智能优化算法中进行迭代优化,得到最优运行参数,得到最优运行参数的步骤包括:利用智能优化算法减小非线性多分类均衡待调整工控设备的运行参数数量不平衡引起的误差,然后进行初始化;利用待调整工控设备的运行参数表示智能优化算法中粒子群的各维分量,利用核函数计算各个粒子的适应度值,根据运行参数数量不一致的粒子,调整均衡因子抵消由于运行参数数量不平衡引起的偏差;通过与历史最优个体粒子的适应度的比较找到个体极值,然后通过与相邻粒子进行适应度的比较,获得局部最佳;在更新粒子速度和位置,评估更新后粒子的适应度;根据预设的终止迭代条件进行判断,当终止迭代条件达到预设迭代次数,则终止迭代,同时输出最优解;将最优解作为待调整工控设备的最优运行参数进行输出;
基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
6.根据权利要求5所述的方法,其特征在于:所述对当前工业互联网下的所有工控设备进行监控,记录并检索运行异常的工控设备,得到异常设备检索结果,根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备,包括:
在工业互联网中预设运行状态监测***和设备检索引擎,通过所述运行状态监测***,对运行异常的工控设备进行记录,通过所述设备检索引擎对运行异常的工控设备进行检索,得到设备检索结果;
对所述设备检索结果进行筛选处理,以及去除所述设备检索结果中的冗杂数据,得到异常工控设备检索结果;
根据所述异常设备检索结果对运行异常的工控设备进行标记,得到待调整工控设备。
7.根据权利要求6所述的方法,其特征在于:所述根据待调整工控设备的属性特征获取对应工控设备需要采集的参数指标,调用与所述参数指标具有调度关系的参数采集策略获取所述参数指标对应的运行参数,包括:
探测当前工业互联网下工控设备的特征,获取所述工控设备对应的属性特征;
根据所述属性特征获取所述待调整工控设备需要采集的参数指标并对所述参数指标进行归类处理,获取所述参数指标的分类信息;
根据所述分类信息,从预设的策略库中获取与所述参数指标相匹配的参数采集策略并建立所述参数采集策略与所述参数指标之间的调度关系,调用与所述参数指标具有调度关系的参数采集策略采集所述参数指标对应的参数。
8.根据权利要求7所述的方法,其特征在于:所述基于异常设备检索结果和属性特征为待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态,包括:
根据异常设备检索结果对待调整工控设备进行对接,基于属性特征与所述待调整工控设备进行协议解析,得到协议解析结果;
基于所述协议解析结果为所述待调整工控设备配置所述最优运行参数,调控所述待调整工控设备的运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123762.XA CN115826542B (zh) | 2023-02-16 | 2023-02-16 | 基于工业互联网的生产智能调控***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123762.XA CN115826542B (zh) | 2023-02-16 | 2023-02-16 | 基于工业互联网的生产智能调控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115826542A CN115826542A (zh) | 2023-03-21 |
CN115826542B true CN115826542B (zh) | 2023-05-05 |
Family
ID=85521656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310123762.XA Active CN115826542B (zh) | 2023-02-16 | 2023-02-16 | 基于工业互联网的生产智能调控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115826542B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224879B (zh) * | 2023-03-22 | 2024-07-23 | 江苏钟吾大数据发展集团有限公司 | 一种基于云计算的工业数据处理*** |
CN116170485A (zh) * | 2023-04-18 | 2023-05-26 | 北京国芯能集成电路科技有限公司 | 宽带plc融合无线通信的智慧园区楼宇优化调控方法及*** |
CN116578049B (zh) * | 2023-05-16 | 2023-10-31 | 安徽企服工业技术有限公司 | 基于工业互联网的数字化改造方法 |
CN117833753A (zh) * | 2023-11-30 | 2024-04-05 | 南通威尔电机有限公司 | 永磁同步水泵用电机的智能控制方法及*** |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851272B (zh) * | 2019-10-30 | 2022-02-11 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
CN111262722B (zh) * | 2019-12-31 | 2023-04-18 | 中国广核电力股份有限公司 | 一种用于工业控制***网络的安全监测方法 |
CN111901573A (zh) * | 2020-08-17 | 2020-11-06 | 泽达易盛(天津)科技股份有限公司 | 一种基于边缘计算的细颗粒度实时监管*** |
CN112511512A (zh) * | 2020-11-19 | 2021-03-16 | 北京凌云信安科技有限公司 | 漏洞扫描引擎和威胁检测引擎的风险管理*** |
CN114626426A (zh) * | 2020-12-11 | 2022-06-14 | 中国科学院沈阳自动化研究所 | 基于K-means优化算法的工业设备行为检测方法 |
CN114611372A (zh) * | 2022-03-22 | 2022-06-10 | 合肥金人科技有限公司 | 一种基于物联网边缘计算的工业设备健康预测方法 |
CN114760201B (zh) * | 2022-03-30 | 2023-05-23 | 烽台科技(北京)有限公司 | 工控设备的数据采集方法、装置、设备及存储介质 |
CN114443863B (zh) * | 2022-04-07 | 2022-07-26 | 北京网藤科技有限公司 | 工控网络中基于机器学习的攻击向量生成方法及*** |
CN114448738B (zh) * | 2022-04-11 | 2022-07-26 | 北京网藤科技有限公司 | 一种用于工控网络的攻击向量生成方法及*** |
CN115174189A (zh) * | 2022-06-30 | 2022-10-11 | 奇安信科技集团股份有限公司 | 异常检测方法、装置、电子设备及存储介质 |
-
2023
- 2023-02-16 CN CN202310123762.XA patent/CN115826542B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115826542A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115826542B (zh) | 基于工业互联网的生产智能调控***及方法 | |
Kang et al. | Machine learning applications in production lines: A systematic literature review | |
Saldivar et al. | Self-organizing tool for smart design with predictive customer needs and wants to realize Industry 4.0 | |
US7647131B1 (en) | Dynamic determination of sampling rates | |
Madhikermi et al. | Explainable artificial intelligence based heat recycler fault detection in air handling unit | |
US20130173332A1 (en) | Architecture for root cause analysis, prediction, and modeling and methods therefor | |
US7716152B2 (en) | Use of sequential nearest neighbor clustering for instance selection in machine condition monitoring | |
Su et al. | Intelligent scheduling controller for shop floor control systems: a hybrid genetic algorithm/decision tree learning approach | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及*** | |
CN116944700B (zh) | 用于激光切割的检测及控制方法和*** | |
CN114861879A (zh) | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 | |
CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
US20240192672A1 (en) | System and method of monitoring an industrial environment | |
CN116996355B (zh) | 一种基于神经网络的工业控制网络资产发现方法 | |
Nemeth et al. | Determination issues of data mining process of failures in the production systems | |
CN115826636B (zh) | 一种cvd设备的压力控制方法及*** | |
JP7134845B2 (ja) | 分析支援装置、分析支援方法、および分析支援プログラム | |
US20230237371A1 (en) | Systems and methods for providing predictions with supervised and unsupervised data in industrial systems | |
CN116204774A (zh) | 一种基于分层元学习的刀具磨损稳定预测方法 | |
Tan et al. | Automatic Model Generation and Data Assimilation Framework for Cyber-Physical Production Systems | |
Posada et al. | Machine learning approaches for offline-programming optimization in robotic painting | |
US20240095221A1 (en) | Gateway system that maps points into a graph schema | |
CN112805642B (zh) | 用于远程管理工业机器的配置的***和方法 | |
US20240086429A1 (en) | Building system that maps points into a graph schema | |
CN117520994B (zh) | 基于用户画像和聚类技术识别机票异常搜索用户方法及*** |
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 |