CN116582596B - 数据处理方法、装置和基于物联网的plc数据传输*** - Google Patents
数据处理方法、装置和基于物联网的plc数据传输*** Download PDFInfo
- Publication number
- CN116582596B CN116582596B CN202310812741.9A CN202310812741A CN116582596B CN 116582596 B CN116582596 B CN 116582596B CN 202310812741 A CN202310812741 A CN 202310812741A CN 116582596 B CN116582596 B CN 116582596B
- Authority
- CN
- China
- Prior art keywords
- current
- time period
- industrial data
- data
- segment
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 19
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 73
- 230000008859 change Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000007906 compression Methods 0.000 claims abstract description 38
- 230000035945 sensitivity Effects 0.000 claims abstract description 36
- 230000006835 compression Effects 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 230000000875 corresponding effect Effects 0.000 claims description 359
- 239000013598 vector Substances 0.000 claims description 70
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 230000002596 correlated effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000013144 data compression Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007306 functionalization reaction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering 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
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及数据处理方法、装置和基于物联网的PLC数据传输***,数据处理方法包括:获取目标时间段内的初始工业数据,对目标时间段进行周期划分;对当前时间段和每个历史时间段进行变化划分;从各个历史子段集合中筛选出与每个当前子段匹配的匹配子段;确定每个当前子段与每个匹配子段之间的联合匹配程度;确定当前时间段内的每个初始工业数据对应的目标局部区间;对当前时间段内的每个初始工业数据进行分布程度分析处理、敏感程度分析处理和自适应调整;通过旋转门压缩算法,对目标工业数据集合进行旋转门压缩。本发明通过在数据压缩前对数据进行处理,能够提高压缩效率,进而提高数据传输效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及数据处理方法、装置和基于物联网的PLC数据传输***。
背景技术
PLC(Programmable Logic Controller,可编辑逻辑控制器)是现代工业自动化邻域的核心组件之一,常用于生产流程和控制***领域中,其通过编程来满足不同工艺流程和设备需求,可确保在各种情况下都能提供稳定、可靠的性能。IoT(Internet of Things,物联网)与PLC的结合,可以实现工业自动化设备之间的信息传输和控制。
在数据的传输过程中,由于受到网络带宽以及接收端设备(如上位机、HMI(HumanMachine Interface,人机界面)、SCADA(Supervisory Control and Data AcquisitionSystem,监控与数据采集***)等)的存储空间的影响,会很难满足实时性要求较高的工业控制***中,并且资源利用率较小,因此常常在传输过程中会进行有效的数据压缩处理,其中旋转门压缩算法是一种广泛应用于过程控制的数据压缩算法,可以降低传输负担。然而,旋转门压缩算法的压缩效率受到数据分布特征的影响,可能会使得采集的数据波动程度较大,进而造成了旋转门压缩算法中根据设定的容差范围,使得本应该同为一段的压缩数据,变成了多段的压缩数据,数据的压缩效率较低,无法满足传输过程中的传输效率要求。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决数据的压缩效率较低的技术问题,本发明提出了数据处理方法、装置和基于物联网的PLC数据传输***。
第一方面,本发明提供了数据处理方法,该方法包括:
获取目标时间段内的初始工业数据,并对目标时间段进行周期划分,得到当前时间段和历史时间段集合;
对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到所述当前时间段对应的当前子段集合和所述历史时间段对应的历史子段集合;
从各个历史子段集合中筛选出与所述当前子段集合中的每个当前子段匹配的匹配子段,得到每个所述当前子段对应的匹配子段集合;
确定每个当前子段与所述当前子段对应的匹配子段集合中的每个匹配子段之间的联合匹配程度;
根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间;
基于历史时间段集合,对当前时间段内的每个初始工业数据进行分布程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标分布程度;
对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标敏感程度;
基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对所述当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合;
通过旋转门压缩算法,对所述目标工业数据集合进行旋转门压缩,得到目标压缩数据。
可选地,所述对目标时间段进行周期划分,得到当前时间段和历史时间段集合,包括:
根据预设时间间隔、预设迭代步长、预设终止值、所述目标时间段包括的开始时间和结束时间,确定目标迭代次数;
根据所述预设时间间隔和所述预设迭代步长,确定所述目标迭代次数中的每次迭代对应的偏移时长,其中,所述预设时间间隔和所述预设迭代步长均与偏移时长呈正相关;
对于所述目标迭代次数中的每次迭代,将所述目标时间段包括的结束时间向开始时间方向移动该次迭代对应的偏移时长,将得到的时间确定为该次迭代对应的迭代时间段包括的结束时间,并将所述目标时间段包括的开始时间,确定为该次迭代对应的迭代时间段包括的开始时间;
根据得到的每个迭代时间段内的初始工业数据,确定所述迭代时间段对应的自相关函数;
将每个迭代时间段对应的自相关函数中的最大函数值对应的时间间隔,确定为所述迭代时间段对应的目标时间间隔;
对得到的所有迭代时间段对应的目标时间间隔的均值进行取整,得到时间周期;
以所述目标时间段包括的开始时间为起点,以所述时间周期为划分步长,对所述目标时间段进行划分,得到子时间段集合;
将所述目标时间段包括的结束时间所在的子时间段,确定为当前时间段;
将所述子时间段集合中除了所述当前时间段之外的每个子时间段,确定为历史时间段,得到历史时间段集合。
可选地,所述对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到所述当前时间段对应的当前子段集合和所述历史时间段对应的历史子段集合,包括:
以时间为横坐标,以工业数据为纵坐标,作所述当前时间段对应的当前数据分布图;
连接所述当前数据分布图中的波峰点,得到当前波峰变化曲线;
对当前波峰变化曲线上任意相邻两个波峰点对应的斜率值的差值的绝对值进行归一化,得到这两个波峰点之间的第一变化指标;
当第一变化指标大于预设变化阈值时,将第一变化指标对应的两个波峰点中的后一个波峰点,确定为标记点;
连接所述当前数据分布图中的波谷点,得到当前波谷变化曲线;
对当前波谷变化曲线上任意相邻两个波谷点对应的斜率值的差值的绝对值进行归一化,得到这两个波谷点之间的第二变化指标;
当第二变化指标大于预设变化阈值时,将第二变化指标对应的两个波谷点中的后一个波谷点,确定为标记点;
将所有标记点对应的时间确定为标记时间,以所有标记时间为分割时间,对所述当前时间段进行分割,得到所述当前子段集合;
以时间为横坐标,以工业数据为纵坐标,作所述历史时间段对应的历史数据分布图;
根据所述历史数据分布图,对所述历史时间段进行分割,得到所述历史时间段对应的历史子段集合。
可选地,所述联合匹配程度对应的公式为:
;
其中,是当前子段集合中第b个当前子段,与第b个当前子段对应的匹配子段集合中,第c个匹配子段之间的联合匹配程度;/>是第b个当前子段的开始时间;/>是第b个当前子段对应的匹配子段集合中,第c个匹配子段的开始时间;/>是所有当前子段的开始时间与对应的匹配子段集合中的各个匹配子段的开始时间之间的差值的最大值;是第b个当前子段的开始时间对应在当前时间段的序号,和第c个匹配子段的开始时间对应在历史时间段的序号的差值的绝对值;/>是第b个当前子段的结束时间对应在当前时间段的序号,和第c个匹配子段的结束时间对应在历史时间段的序号的差值的绝对值;/>是当前时间段对应的时长;/>是所有历史时间段对应的时长的最大值;是取/>和/>中的最大值;/>是第b个当前子段内的初始工业数据,与第c个匹配子段内的初始工业数据之间的DTW距离;是自然常数的次方;b是当前子段集合中当前子段的序号;c是第b个当前子段对应的匹配子段集合中匹配子段的序号。
可选地,所述根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间,包括:
从每个当前子段对应的匹配子段集合中筛选出联合匹配程度最大的匹配子段,作为所述当前子段对应的最优匹配子段;
若所述当前子段与所述最优匹配子段之间的联合匹配程度大于预设匹配阈值,则将所述最优匹配子段的开始时间对应在历史时间段的序号和结束时间对应在历史时间段的序号,分别确定为所述当前子段对应的当前区间包括的两个端点;
若所述当前子段与所述最优匹配子段之间的联合匹配程度小于或等于预设匹配阈值,则将所述当前子段的开始时间对应在当前时间段的序号和结束时间对应在当前时间段的序号,分别确定为所述当前子段对应的当前区间包括的两个端点;
将当前时间段内的每个初始工业数据对应的采集时间所在的当前子段对应的当前区间,确定为当前时间段内的每个初始工业数据对应的目标局部区间。
可选地,所述对当前时间段内的每个初始工业数据进行分布程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标分布程度,包括:
将所述当前时间段内的每个初始工业数据,确定为当前工业数据;
从所述历史时间段集合内的初始工业数据中筛选出与所述当前工业数据相同的初始工业数据,作为参考工业数据,得到所述当前工业数据对应的参考工业数据集合;
对所述历史时间段集合内的初始工业数据进行两两组合,得到第一数据向量集合;
将所述参考工业数据集合中的每个参考工业数据与所述参考工业数据的前一个初始工业数据,组合为所述参考工业数据对应的第二数据向量,得到所述当前工业数据对应的第二数据向量集合;
将所述第二数据向量集合中的每个第二数据向量在所述第一数据向量集合中出现的频率,确定为所述第二数据向量对应的目标频率;
将所述参考工业数据集合中对应的第二数据向量相同的参考工业数据,组合为所述第二数据向量对应的候选工业数据集合;
将所述候选工业数据集合中所有候选工业数据对应在历史时间段的序号的方差,确定为所述第二数据向量对应的目标方差;
根据所述第二数据向量集合中的各个第二数据向量对应的目标频率和目标方差,确定所述当前工业数据对应的目标分布程度,其中,目标频率和目标方差均与目标分布程度呈正相关。
可选地,所述对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标敏感程度,包括:
将所述当前时间段内的每个初始工业数据,确定为当前工业数据;
将所述当前时间段和所述历史时间段集合中的每个历史时间段内初始工业数据之间的DTW距离,确定为所述当前时间段和所述历史时间段之间的第一差异指标;
从所述当前时间段内的初始工业数据中筛选出所述当前工业数据对应的第一候选子段;
从所述历史时间段集合中的每个历史时间段内的初始工业数据筛选出所述当前工业数据与所述历史时间段之间的第二候选子段;
将所述第一候选子段和所述第二候选子段之间的DTW距离,确定为所述当前工业数据和所述历史时间段之间的第二差异指标;
根据所述当前时间段和每个历史时间段之间的第一差异指标,以及所述当前工业数据和所述历史时间段之间的第二差异指标,确定所述当前工业数据和所述历史时间段之间的第三差异指标;
根据所述当前工业数据和各个历史时间段之间的第三差异指标,确定所述当前工业数据对应的目标敏感程度,其中,第三差异指标与目标敏感程度呈正相关。
可选地,所述基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对所述当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合,包括:
将初始工业数据对应的目标分布程度的归一化值,确定为初始工业数据对应的第一位置坐标包括的横坐标,并将初始工业数据对应的目标敏感程度的归一化值,确定为初始工业数据对应的第一位置坐标包括的纵坐标;
将所述当前时间段内的每个初始工业数据,确定为当前工业数据;
根据当前工业数据对应的第一位置坐标,确定当前工业数据对应的局部可达密度;
根据当前工业数据对应的目标局部区间内的各个初始工业数据对应的第一位置坐标,确定当前工业数据对应的目标局部区间内的各个初始工业数据对应的局部可达密度;
根据所述当前工业数据对应的局部可达密度和所述当前工业数据对应的目标局部区间内的各个初始工业数据对应的局部可达密度,确定所述当前工业数据对应的调整权重值;
当所述当前工业数据对应的调整权重值大于预设调整阈值,并且所述当前工业数据不在预设容差范围内时,将所述当前工业数据确定为待定数据;
当所述当前工业数据对应的调整权重值小于或等于预设调整阈值,并且所述当前工业数据不在预设容差范围内时,将所述当前工业数据确定为参考数据;
将所述当前工业数据对应的采集时间,确定为所述当前工业数据对应的第二位置坐标包括的横坐标,并将所述当前工业数据,确定为所述当前工业数据对应的第二位置坐标包括的纵坐标;
连接与待定数据相邻的两个参考数据对应的第二位置坐标,得到待定数据对应的调整直线;
将待定数据对应的调整直线上横坐标等于所述待定数据对应的第二位置坐标包括的横坐标的纵坐标,确定为待定数据对应的目标工业数据;
对于所述当前时间段内不存在对应的调整直线的初始工业数据,将该初始工业数据,确定为目标工业数据;
将得到的所有的目标工业数据,组成目标工业数据集合。
第二方面,本发明提供了一种数据处理装置,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的一种数据处理方法。
第三方面,本发明提出了一种基于物联网的PLC数据传输***,所述***包括:PLC设备,用于对生产线上产品的生产过程进行控制和监测;数据采集装置,用于采集所述PLC设备中的初始工业数据;上述的数据处理装置,用于对所述初始工业数据进行压缩处理;通信装置,用于对压缩处理后的初始工业数据通过物联网传输至云端服务器;所述云端服务器,用于存储和管理压缩处理后的初始工业数据。
本发明具有如下有益效果:
本发明的数据处理方法,通过在数据压缩前对数据进行处理,能够提高压缩效率,进而提高数据传输效率。首先,对目标时间段进行周期划分,可以便于后续分析初始工业数据的分布情况。接着,对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,可以便于后续确定当前子段对应的匹配子段集合。然后,量化了每个当前子段与每个匹配子段之间的联合匹配程度。继续,基于联合匹配程度,可以提高当前时间段内的每个初始工业数据对应的目标局部区间确定的准确度。再者,综合考虑历史时间段集合,可以提高当前时间段内的每个初始工业数据对应的目标分布程度确定的准确度。之后,对当前时间段内的每个初始工业数据进行敏感程度分析处理,可以提高当前时间段内的每个初始工业数据对应的目标敏感程度确定的准确度。最后,综合考虑当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对当前时间段内的初始工业数据进行自适应调整,可以实现对数据分布特征的自适应调整,可以使后续进行旋转门压缩时,提高数据压缩效率,从而提高数据传输效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,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的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明的数据处理方法的流程图;
图2为本发明的一种基于物联网的PLC数据传输***的结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了数据处理方法,该方法包括以下步骤:
获取目标时间段内的初始工业数据,并对目标时间段进行周期划分,得到当前时间段和历史时间段集合;
对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到当前时间段对应的当前子段集合和历史时间段对应的历史子段集合;
从各个历史子段集合中筛选出与当前子段集合中的每个当前子段匹配的匹配子段,得到每个当前子段对应的匹配子段集合;
确定每个当前子段与当前子段对应的匹配子段集合中的每个匹配子段之间的联合匹配程度;
根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间;
基于历史时间段集合,对当前时间段内的每个初始工业数据进行分布程度分析处理,得到当前时间段内的每个初始工业数据对应的目标分布程度;
对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到当前时间段内的每个初始工业数据对应的目标敏感程度;
基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合;
通过旋转门压缩算法,对目标工业数据集合进行旋转门压缩,得到目标压缩数据。
下面对上述各个步骤进行详细展开:
参考图1,示出了根据本发明的数据处理方法的一些实施例的流程。该数据处理方法,包括以下步骤:
步骤S1,获取目标时间段内的初始工业数据,并对目标时间段进行周期划分,得到当前时间段和历史时间段集合。
在一些实施例中,可以获取目标时间段内的初始工业数据,并对目标时间段进行周期划分,得到当前时间段和历史时间段集合。
其中,目标时间段可以是生产线上的设备的运行时间段。生产线上的设备可以是用于加工产品的设备。例如,目标时间段的开始时间可以是生产线上设备的启动时间。目标时间段的结束时间可以是当前时刻。当前时间段可以是包含当前时刻的时间段。历史时间段集合中的历史时间段可以是当前时间段之前的时间段。初始工业数据可以是从PLC(Programmable Logic Controller,可编程逻辑控制器)设备中采集的工业数据。初始工业数据可以是生产线上设备加工相同产品的过程中采集的数据。PLC设备可以实现对生产线上设备的参数(初始工业数据)进行控制和监测。例如,初始工业数据可以是产品加工过程中的温度数据。
需要说明的是,对于采集的初始工业数据,由于初始工业数据本身的分布特征以及噪声的影响,往往会使得采集的数据在旋转门压缩过程中的压缩率较小。本发明通过自适应调整处理,调整可能为噪声的初始工业数据的大小,以改变初始工业数据的分布特征,可以使后续进行旋转门压缩时的压缩效率较高。
作为示例,本步骤可以包括以下步骤:
第一步,获取目标时间段内的初始工业数据。
例如,可以在目标时间段内,从PLC设备中实时的采集初始工业数据。
需要说明的是,由于本方案实时的对数据进行自适应调整,所以目标时间段内的初始工业数据也可以是目标时间段内进行自适应调整后的工业数据和未来得及进行自适应调整的工业数据。其中,未来得及进行自适应调整的工业数据可以是当前时刻需要进行自适应调整并压缩的数据。实时的对数据进行自适应调整可以是每隔预设时长对数据进行一次自适应调整。预设时长可以是预先设置的时间段。预设时长对应的时长可以小于或等于单个产品对应的生产时长。
第二步,根据预设时间间隔、预设迭代步长、预设终止值、上述目标时间段包括的开始时间和结束时间,确定目标迭代次数。
其中,预设时间间隔可以是预先设置的时间间隔。比如,预设时间间隔可以是1。预设迭代步长可以是预先设置的用于迭代时的步长。比如,预设迭代步长可以是2。预设终止值可以是预先设置的终止值。
例如,确定目标迭代次数对应的公式可以为:
;
其中,是目标迭代次数。/>是预设时间间隔对应的数值。比如,/>可以为1。m是预设迭代次数对应的数值。预设迭代次数可以是预先设置的迭代次数。预设迭代次数的取值范围可以是大于或等于1。k是预设迭代步长对应的数值。比如,k可以为2。/>是预设终止值。/>是上述目标时间段包括的开始时间。/>是上述目标时间段包括的结束时间。a是预先设置的大于1的数值。比如,a可以为3。/>是满足公式条件的所有m中的最小值。
需要说明的是,确定目标迭代次数,可以便于后续进行迭代,以确定单个产品的加工时长。
第三步,根据上述预设时间间隔和上述预设迭代步长,确定上述目标迭代次数中的每次迭代对应的偏移时长。
其中,上述预设时间间隔和上述预设迭代步长均可以与偏移时长呈正相关。
例如,确定目标迭代次数中的每次迭代对应的偏移时长对应的公式可以为:
;
其中,是目标迭代次数中第i次迭代对应的偏移时长。/>是预设时间间隔对应的数值。i是目标迭代次数中的迭代序号。k是预设迭代步长对应的数值。/>和k均与/>呈正相关。
需要说明的是,设置每次迭代对应的偏移时长,可以使参与每次进行迭代时的时间段均不同,可以便于后续确定单个产品的加工时长。
第四步,对于上述目标迭代次数中的每次迭代,将上述目标时间段包括的结束时间向开始时间方向移动该次迭代对应的偏移时长,将得到的时间确定为该次迭代对应的迭代时间段包括的结束时间,并将上述目标时间段包括的开始时间,确定为该次迭代对应的迭代时间段包括的开始时间。
其中,迭代时间段的开始时间可以为可以是生产线上设备的启动时间。第i次迭代对应的迭代时间段的结束时间可以是。/>是目标时间段包括的结束时间。/>是目标迭代次数中第i次迭代对应的偏移时长。
第五步,根据得到的每个迭代时间段内的初始工业数据,确定上述迭代时间段对应的自相关函数。
第六步,将每个迭代时间段对应的自相关函数中的最大函数值对应的时间间隔,确定为上述迭代时间段对应的目标时间间隔。
第七步,对得到的所有迭代时间段对应的目标时间间隔的均值进行取整,得到时间周期。
其中,时间周期可以为:所有迭代时间段对应的目标时间间隔的均值的取整。
需要说明的是,迭代时间段对应的目标时间间隔往往是每次迭代确定的单个产品的加工时长,因此对得到的所有迭代时间段对应的目标时间间隔的均值进行取整,得到的时间周期可以更加精确的表征单个产品的加工时长。
第八步,以上述目标时间段包括的开始时间为起点,以上述时间周期为划分步长,对上述目标时间段进行划分,得到子时间段集合。
其中,子时间段集合中的子时间段可以是对目标时间段进行划分,得到的时间段。
例如,若目标时间段的开始时间为2023年06月26日09时00分00秒,目标时间段的结束时间为2023年06月26日09时00分05秒,时间周期为2秒,则子时间段集合可以包括3个子时间段,分别可以为第一子时间段、第二子时间段和第三子时间段。第一子时间段的开始时间可以是2023年06月26日09时00分00秒,第一子时间段的结束时间可以是2023年06月26日09时00分02秒。第二子时间段的开始时间可以是2023年06月26日09时00分02秒,第二子时间段的结束时间可以是2023年06月26日09时00分04秒。第三子时间段的开始时间可以是2023年06月26日09时00分04秒,第三子时间段的结束时间可以是2023年06月26日09时00分05秒。
第九步,将上述目标时间段包括的结束时间所在的子时间段,确定为当前时间段。
第十步,将上述子时间段集合中除了上述当前时间段之外的每个子时间段,确定为历史时间段,得到历史时间段集合。
需要说明的是,由于在采集初始工业数据(比如,温度数据)的过程中,初始工业数据往往会随着生产线上设备的加工过程来确定,生产线上设备往往加工相同的产品,所以生产线上设备生产的多个产品对应的初始工业数据的分布特征往往具有较大的相似性,并且生产线上设备生产每个产品对应的时长往往相同,因此本发明对目标时间段进行周期划分,得到历史时间段往往是完整的加工一个产品对应的时间段。当前时间段可能是完整的加工一个产品对应的时间段,也可能是未完整加工一个产品对应的时间段。例如,若当前时刻不是某个产品的加工结束时间,则当前时间段是未完整加工一个产品对应的时间段。若当前时刻是某个产品的加工结束时间,则当前时间段是完整加工一个产品对应的时间段。
步骤S2,对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到当前时间段对应的当前子段集合和历史时间段对应的历史子段集合。
在一些实施例中,可以对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到上述当前时间段对应的当前子段集合和上述历史时间段对应的历史子段集合。
作为示例,本步骤可以包括以下步骤:
第一步,以时间为横坐标,以工业数据为纵坐标,作上述当前时间段对应的当前数据分布图。
其中,当前数据分布图可以表征当前时间段内初始工业数据的分布。
第二步,连接上述当前数据分布图中的波峰点,得到当前波峰变化曲线。
例如,可以依次连接上述当前数据分布图中的波峰点,并将得到的该连接线,作为当前波峰变化曲线。
第三步,对当前波峰变化曲线上任意相邻两个波峰点对应的斜率值的差值的绝对值进行归一化,得到这两个波峰点之间的第一变化指标。
其中,波峰点对应的斜率值可以是该波峰点和前一个波峰点之间的连线的斜率值。
第四步,当第一变化指标大于预设变化阈值时,将第一变化指标对应的两个波峰点中的后一个波峰点,确定为标记点。
其中,预设变化阈值可以是预先设置的阈值。例如,预设变化阈值可以是0.48。
第五步,连接上述当前数据分布图中的波谷点,得到当前波谷变化曲线。
例如,可以依次连接上述当前数据分布图中的波谷点,并将得到的该连接线,作为当前波谷变化曲线。
第六步,对当前波谷变化曲线上任意相邻两个波谷点对应的斜率值的差值的绝对值进行归一化,得到这两个波谷点之间的第二变化指标。
其中,波谷点对应的斜率值可以是该波谷点和前一个波谷点之间的连线的斜率值。
第七步,当第二变化指标大于预设变化阈值时,将第二变化指标对应的两个波谷点中的后一个波谷点,确定为标记点。
第八步,将所有标记点对应的时间确定为标记时间,以所有标记时间为分割时间,对上述当前时间段进行分割,得到上述当前子段集合。
其中,标记点对应的时间可以是该标记点对应坐标包括的横坐标。
例如,可以在当前时间段的每个标记时间处进行切割,形成的时间段作为当前子段,得到当前子段集合。
第九步,以时间为横坐标,以工业数据为纵坐标,作上述历史时间段对应的历史数据分布图。
第十步,根据上述历史数据分布图,对上述历史时间段进行分割,得到上述历史时间段对应的历史子段集合。
例如,可以参考确定当前子段集合的方式,确定历史子段集合,具体可以为:可以将历史数据分布图和历史时间段,分别作为当前数据分布图和当前时间段,执行步骤S2包括的第二步至第八步,得到的当前子段即为历史子段。
需要说明的是,对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,考虑了初始工业数据的分布变化情况,因此得到的单个当前子段内的初始工业数据的分布变化往往比较相似,得到的单个历史子段内的初始工业数据的分布变化往往比较相似。
步骤S3,从各个历史子段集合中筛选出与当前子段集合中的每个当前子段匹配的匹配子段,得到每个当前子段对应的匹配子段集合。
在一些实施例中,可以从各个历史子段集合中筛选出与上述当前子段集合中的每个当前子段匹配的匹配子段,得到每个上述当前子段对应的匹配子段集合。
作为示例,可以通过DTW(Dynamic Time Warping,动态时间归整)算法,从每个历史子段集合中筛选出与每个当前子段匹配的历史子段,作为匹配子段。其中,当前子段对应的匹配子段集合可以包括:各个历史子段集合中与该当前子段匹配的历史子段。
需要说明的是,由于噪声的存在可能会使得生产过程中多个产品的加工时间可能存在差异,所以如果直接根据当前子段和历史子段对应的时长来判断匹配子段,往往导致确定的匹配子段不准确。因此通过DTW算法,可以比较准确的确定匹配子段。一个历史子段集合往往对应一个产品完整加工过程,因此一个历史子段集合往往存在一个与当前子段匹配的匹配子段。当前子段与匹配子段对应的产品加工过程往往相同。
步骤S4,确定每个当前子段与当前子段对应的匹配子段集合中的每个匹配子段之间的联合匹配程度。
在一些实施例中,可以确定每个当前子段与上述当前子段对应的匹配子段集合中的每个匹配子段之间的联合匹配程度。
作为示例,确定每个当前子段与上述当前子段对应的匹配子段集合中的每个匹配子段之间的联合匹配程度对应的公式可以为:
;
其中,是当前子段集合中第b个当前子段,与第b个当前子段对应的匹配子段集合中,第c个匹配子段之间的联合匹配程度。/>是第b个当前子段的开始时间。/>是第b个当前子段对应的匹配子段集合中,第c个匹配子段的开始时间。/>是所有当前子段的开始时间与对应的匹配子段集合中的各个匹配子段的开始时间之间的差值的最大值。是第b个当前子段的开始时间对应在当前时间段的序号,和第c个匹配子段的开始时间对应在历史时间段的序号的差值的绝对值。当前子段的开始时间对应在当前时间段的序号可以是该开始时间采集的初始工业数据,在当前时间段内采集的初始工业数据中的序号。比如,若当前时间段的开始时间为2023年06月26日09时10分01秒,每隔1秒采集一次初始工业数据,当前子段的开始时间为2023年06月26日09时10分10秒,则在当前时间段内并且在该当前子段的开始时间之前,已经采集了9个初始工业数据,该当前子段的开始时间采集的初始工业数据是当前时间段内的第10个初始工业数据,故该当前子段的开始时间对应在当前时间段的序号可以是10。/>是第b个当前子段的结束时间对应在当前时间段的序号,和第c个匹配子段的结束时间对应在历史时间段的序号的差值的绝对值。/>是当前时间段对应的时长。/>是所有历史时间段对应的时长的最大值。/>是取/>和/>中的最大值。/>是第b个当前子段内的初始工业数据,与第c个匹配子段内的初始工业数据之间的DTW距离。/>是自然常数的/>次方。b是当前子段集合中当前子段的序号。c是第b个当前子段对应的匹配子段集合中匹配子段的序号。
需要说明的是,当越小时,往往说明第b个当前子段与第c个匹配子段之间的时间跨度越小,往往说明第b个当前子段与第c个匹配子段越相邻,往往说明生产线上设备在第b个当前子段与第c个匹配子段时的老化程度越相近。因此/>可以作为的可信度。当/>越大时,往往说明第b个当前子段与第c个匹配子段内初始工业数据在对应时间段内的分布越不同,往往说明第b个当前子段与第c个匹配子段内初始工业数据之间的相似性越小。当/>越大时,往往说明第b个当前子段与第c个匹配子段内初始工业数据之间的相似性越小。因此当/>越大时,往往说明第b个当前子段与第c个匹配子段内初始工业数据之间的相似性越大。
步骤S5,根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间。
在一些实施例中,可以根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间。
作为示例,本步骤可以包括以下步骤:
第一步,从每个当前子段对应的匹配子段集合中筛选出联合匹配程度最大的匹配子段,作为上述当前子段对应的最优匹配子段。
第二步,若上述当前子段与上述最优匹配子段之间的联合匹配程度大于预设匹配阈值,则将上述最优匹配子段的开始时间对应在历史时间段的序号和结束时间对应在历史时间段的序号,分别确定为上述当前子段对应的当前区间包括的两个端点。
其中,预设匹配阈值可以是预先设置的阈值。预设匹配阈值可以是0.65。
例如,若当前子段与最优匹配子段之间的联合匹配程度大于预设匹配阈值,并且历史时间段内采集初始工业数据的时间可以包括:2023年07月03日14时00分01秒、2023年07月03日14时00分02秒、2023年07月03日14时00分03秒、2023年07月03日14时00分04秒、2023年07月03日14时00分05秒、2023年07月03日14时00分06秒和2023年07月03日14时00分07秒,最优匹配子段的开始时间和结束时间分别为2023年07月03日14时00分03秒和2023年07月03日14时00分05秒,则最优匹配子段的开始时间对应在历史时间段的序号为3,最优匹配子段的结束时间对应在历史时间段的序号为5,该当前子段对应的当前区间可以为[3,5]。
第三步,若上述当前子段与上述最优匹配子段之间的联合匹配程度小于或等于预设匹配阈值,则将上述当前子段的开始时间对应在当前时间段的序号和结束时间对应在当前时间段的序号,分别确定为上述当前子段对应的当前区间包括的两个端点。
例如,若当前子段与最优匹配子段之间的联合匹配程度小于或等于预设匹配阈值,并且当前子段的开始时间对应在当前时间段的序号为1,当前子段的结束时间对应在当前时间段的序号为4,则该当前子段对应的当前区间可以为[1,4]。
第四步,将当前时间段内的每个初始工业数据对应的采集时间所在的当前子段对应的当前区间,确定为当前时间段内的每个初始工业数据对应的目标局部区间。
例如,若当前时间段内的某个初始工业数据对应的采集时间所在的当前子段对应的当前区间为[1,4],则该初始工业数据对应的目标局部区间可以为[1,4]。
步骤S6,基于历史时间段集合,对当前时间段内的每个初始工业数据进行分布程度分析处理,得到当前时间段内的每个初始工业数据对应的目标分布程度。
在一些实施例中,可以基于历史时间段集合,对当前时间段内的每个初始工业数据进行分布程度分析处理,得到上述当前时间段内的每个初始工业数据对应的目标分布程度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述当前时间段内的每个初始工业数据,确定为当前工业数据。
第二步,从上述历史时间段集合内的初始工业数据中筛选出与上述当前工业数据相同的初始工业数据,作为参考工业数据,得到上述当前工业数据对应的参考工业数据集合。
例如,若某个当前工业数据为30°,则该当前工业数据对应的参考工业数据集合可以包括:历史时间段集合内采集的所有温度等于30°的初始工业数据。
第三步,对上述历史时间段集合内的初始工业数据进行两两组合,得到第一数据向量集合。
其中,第一数据向量集合中的第一数据向量可以由相邻的两个初始工业数据组成。
例如,可以对每个历史时间段内的初始工业数据进行两两组合,得到多个第一数据向量,组成第一数据向量组,并将对所有的第一数据向量组中的第一数据向量组成第一数据向量集合。其中,第一数据向量组可以包括:对某个历史时间段内的初始工业数据进行两两组合,得到的多个第一数据向量。第一数据向量集合可以包括:所有的第一数据向量组中的第一数据向量。
比如,若某个历史时间段内的初始工业数据分别为:第一初始工业数据、第二初始工业数据、第三初始工业数据和第四初始工业数据,则对该历史时间段内的初始工业数据进行两两组合,得到的多个第一数据向量可以包括:(第一初始工业数据,第二初始工业数据)、(第二初始工业数据,第三初始工业数据)和(第三初始工业数据,第四初始工业数据)。
第四步,将上述参考工业数据集合中的每个参考工业数据与上述参考工业数据的前一个初始工业数据,组合为上述参考工业数据对应的第二数据向量,得到上述当前工业数据对应的第二数据向量集合。
其中,参考工业数据对应的第二数据向量可以是由该参考工业数据和该参考工业数据的前一个初始工业数据组成的向量。比如,某个参考工业数据对应的第二数据向量可以是(该参考工业数据,该参考工业数据的前一个初始工业数据)。第二数据向量集合可以是由不同的第二数据向量组成的集合。
例如,若某个当前工业数据为30°,参考工业数据集合中的参考工业数据为30°,则当前工业数据对应的第二数据向量集合中的第二数据向量可以由30°和30°的前一个初始工业数据组成的向量。
第五步,将上述第二数据向量集合中的每个第二数据向量在上述第一数据向量集合中出现的频率,确定为上述第二数据向量对应的目标频率。
第六步,将上述参考工业数据集合中对应的第二数据向量相同的参考工业数据,组合为上述第二数据向量对应的候选工业数据集合。
例如,若第二数据向量为(30°,35°),则该第二数据向量对应的候选工业数据集合可以包括:参考工业数据集合中对应的第二数据向量为(30°,35°)的参考工业数据。
第七步,将上述候选工业数据集合中所有候选工业数据对应在历史时间段的序号的方差,确定为上述第二数据向量对应的目标方差。
其中,候选工业数据对应在历史时间段的序号可以是该候选工业数据在历史时间段内采集的初始工业数据中的序号。
第八步,根据上述第二数据向量集合中的各个第二数据向量对应的目标频率和目标方差,确定上述当前工业数据对应的目标分布程度。
其中,目标频率和目标方差均可以与目标分布程度呈正相关。
例如,确定当前时间段内的每个初始工业数据对应的目标分布程度对应的公式可以为:
;
其中,是当前时间段内第h个初始工业数据对应的目标分布程度。/>是当前时间段内第h个初始工业数据对应的第二数据向量集合中第二数据向量的数量。/>是当前时间段内第h个初始工业数据对应的第二数据向量集合中,第/>个第二数据向量对应的目标频率。/>是当前时间段内第h个初始工业数据对应的第二数据向量集合中,第/>个第二数据向量对应的目标方差。/>和/>均与/>呈正相关。h是当前时间段内初始工业数据的序号。/>是第h个初始工业数据对应的第二数据向量集合中第二数据向量的序号。
需要说明的是,当越大时,往往说明第h个初始工业数据对应的第/>个第二数据向量在产品加工过程中出现的序号的变化越大,往往说明变化越频繁,往往说明第h个初始工业数据的分布越随机,往往说明第h个初始工业数据的分布程度越大。当/>越大时,往往说明第/>个第二数据向量的参考性越大,往往说明对第h个初始工业数据的分布程度表征能力越大。因此,当/>越大时,往往说明第h个初始工业数据的分布随机程度越大。
步骤S7,对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到当前时间段内的每个初始工业数据对应的目标敏感程度。
在一些实施例中,可以对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到上述当前时间段内的每个初始工业数据对应的目标敏感程度。
作为示例,本步骤可以包括以下步骤:
第一步,将上述当前时间段内的每个初始工业数据,确定为当前工业数据。
第二步,将上述当前时间段和上述历史时间段集合中的每个历史时间段内初始工业数据之间的DTW距离,确定为上述当前时间段和上述历史时间段之间的第一差异指标。
第三步,从上述当前时间段内的初始工业数据中筛选出上述当前工业数据对应的第一候选子段。
其中,当前工业数据对应的第一候选子段可以包括:当前时间段内的初始工业数据中除了该当前工业数据之外的初始工业数据。
例如,若当前时间段内的初始工业数据依次包括:30°、31°、32°、33°、34°、35°和36°,则32°对应的第一候选子段可以为{30°,31°,33°,34°,35°,36°}。
第四步,从上述历史时间段集合中的每个历史时间段内的初始工业数据筛选出上述当前工业数据与上述历史时间段之间的第二候选子段。
其中,当前工业数据与历史时间段之间的第二候选子段可以包括:历史时间段内的初始工业数据中除了与该当前工业数据匹配的初始工业数据之外的初始工业数据。
例如,可以通过DTW(Dynamic Time Warping,动态时间归整)算法,从历史时间段内筛选出与当前工业数据相匹配的初始工业数据,记为该当前工业数据的匹配数据,并将历史时间段内的初始工业数据中除了匹配数据之外的初始工业数据,组成该当前工业数据与该历史时间段之间的第二候选子段。其中,当前工业数据的匹配数据可以有多个。
又如,若当前时间段内的初始工业数据依次包括:31°、32°和33°,历史时间段内的初始工业数据依次包括:31°、32°和33°,则历史时间段内31°可以是当前时间段内31°的匹配数据,当前时间段内31°与该历史时间段之间的第二候选子段可以包括:该历史时间段内的初始工业数据中除了匹配数据之外的初始工业数据,即当前时间段内31°与该历史时间段之间的第二候选子段可以为{32°,33°}。
第五步,将上述第一候选子段和上述第二候选子段之间的DTW距离,确定为上述当前工业数据和上述历史时间段之间的第二差异指标。
第六步,根据上述当前时间段和每个历史时间段之间的第一差异指标,以及上述当前工业数据和上述历史时间段之间的第二差异指标,确定上述当前工业数据和上述历史时间段之间的第三差异指标。
第七步,根据上述当前工业数据和各个历史时间段之间的第三差异指标,确定上述当前工业数据对应的目标敏感程度。
其中,第三差异指标可以与目标敏感程度呈正相关。
例如,确定当前时间段内的每个初始工业数据对应的目标敏感程度对应的公式可以为:
;
其中,是当前时间段内第h个初始工业数据对应的目标敏感程度。M是历史时间段集合中历史时间段的数量。/>是当前时间段内第h个初始工业数据和历史时间段集合中第j个历史时间段之间的第三差异指标。/>是当前时间段和第j个历史时间段之间的第一差异指标,也就是当前时间段内的初始工业数据与第j个历史时间段内的初始工业数据之间的DTW距离。/>是当前时间段内第h个初始工业数据和第j个历史时间段之间的第二差异指标;也就是第h个初始工业数据对应的第一候选子段,和第h个初始工业数据与第j个历史时间段之间的第二候选子段,之间的DTW距离。/>是预先设置的大于0的因子,主要用于防止分母为0,比如,/>可以取0.01。/>是/>的绝对值。h是当前时间段内初始工业数据的序号。j是历史时间段集合中历史时间段的序号。
需要说明的是,当越大时,往往说明/>和/>的相似性越低,往往说明进行去除第h个初始工业数据和其对应的匹配数据后的变化越大,往往说明第h个初始工业数据的趋势分布信息表现能力越大,往往说明第h个初始工业数据越敏感。
步骤S8,基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合。
在一些实施例中,可以基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对上述当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合。
其中,目标工业数据可以是进行自适应调整后的初始工业数据。
作为示例,本步骤可以包括以下步骤:
第一步,将初始工业数据对应的目标分布程度的归一化值,确定为初始工业数据对应的第一位置坐标包括的横坐标,并将初始工业数据对应的目标敏感程度的归一化值,确定为初始工业数据对应的第一位置坐标包括的纵坐标。
第二步,将上述当前时间段内的每个初始工业数据,确定为当前工业数据。
第三步,根据当前工业数据对应的第一位置坐标,确定当前工业数据对应的局部可达密度。
例如,可以根据当前工业数据对应的第一位置坐标,通过LOF(Local OutlierFactor,局部离群因子)算法,确定该当前工业数据对应的局部可达密度。其中,LOF算法中第K距离邻域中的K可以为5,当前工业数据对应的局部可达密度可以是该当前工业数据的第K距离邻域内的数据的局部可达密度。
第四步,根据当前工业数据对应的目标局部区间内的各个初始工业数据对应的第一位置坐标,确定当前工业数据对应的目标局部区间内的各个初始工业数据对应的局部可达密度。
例如,可以根据初始工业数据对应的第一位置坐标,通过LOF算法,确定该初始工业数据对应的局部可达密度。其中,LOF算法中第K距离邻域中的K可以为5,初始工业数据对应的局部可达密度可以是该初始工业数据的第K距离邻域内的数据的局部可达密度。
第五步,根据上述当前工业数据对应的局部可达密度和上述当前工业数据对应的目标局部区间内的各个初始工业数据对应的局部可达密度,确定上述当前工业数据对应的调整权重值。
例如,确定当前时间段内的每个初始工业数据对应的调整权重值对应的公式可以为:
;
其中,是当前时间段内第h个初始工业数据对应的调整权重值。/>是当前时间段内第h个初始工业数据对应的目标局部区间内初始工业数据的数量。/>是当前时间段内第h个初始工业数据对应的局部可达密度。/>是当前时间段内第h个初始工业数据对应的目标局部区间内第v个初始工业数据对应的局部可达密度。h是当前时间段内初始工业数据的序号。v是第h个初始工业数据对应的目标局部区间内初始工业数据的序号。是归一化函数,可以实现归一化。/>是预先设置的大于0的因子,主要用于防止分母为0,比如,/>可以取0.01。/>是归一化后的值。/>是归一化函数,可以实现归一化。
需要说明的是,当越大时,往往说明/>和/>的相似性越低,往往说明第h个初始工业数据越可能是受到噪声影响产生的数据,往往说明第h个初始工业数据越需要调整。
第六步,当上述当前工业数据对应的调整权重值大于预设调整阈值,并且上述当前工业数据不在预设容差范围内时,将上述当前工业数据确定为待定数据。
其中,预设调整阈值可以是预先设置的阈值。例如,预设调整阈值可以是0.73。预设容差范围可以是预先设置的旋转门压缩算法的容差范围。
需要说明的是,调整权重值大于预设调整阈值的当前工业数据往往是受到噪声影响的数据,往往需要进行调整。
第七步,当上述当前工业数据对应的调整权重值小于或等于预设调整阈值,并且上述当前工业数据不在预设容差范围内时,将上述当前工业数据确定为参考数据。
需要说明的是,调整权重值小于或等于预设调整阈值的当前工业数据往往是未受到噪声影响的数据,往往不需要进行调整。
第八步,将上述当前工业数据对应的采集时间,确定为上述当前工业数据对应的第二位置坐标包括的横坐标,并将上述当前工业数据,确定为上述当前工业数据对应的第二位置坐标包括的纵坐标。
第九步,连接与待定数据相邻的两个参考数据对应的第二位置坐标,得到待定数据对应的调整直线。
其中,调整直线可以是连接与待定数据相邻的两个参考数据对应的第二位置坐标,得到的直线。与待定数据相邻的两个参考数据可以包括:在该待定数据对应的第二位置坐标包括的横坐标的左边,与该待定数据对应的第二位置坐标包括的横坐标最近的参考数据;在该待定数据对应的横坐标的右边,与该待定数据对应的横坐标最近的参考数据。
例如,若某个待定数据对应的第二位置坐标包括的横坐标为8,第一参考数据对应的第二位置坐标包括的横坐标为7,第二参考数据对应的第二位置坐标包括的横坐标为6,第三参考数据对应的第二位置坐标包括的横坐标为10,第四参考数据对应的第二位置坐标包括的横坐标为15,则该待定数据对应的调整直线可以是第一参考数据和第三参考数据对应的第二位置坐标的连线。
第十步,将待定数据对应的调整直线上横坐标等于上述待定数据对应的第二位置坐标包括的横坐标的纵坐标,确定为待定数据对应的目标工业数据。
第十一步,对于上述当前时间段内不存在对应的调整直线的初始工业数据,将该初始工业数据,确定为目标工业数据。
第十二步,将得到的所有的目标工业数据,组成目标工业数据集合。
步骤S9,通过旋转门压缩算法,对目标工业数据集合进行旋转门压缩,得到目标压缩数据。
在一些实施例中,可以通过旋转门压缩算法,对上述目标工业数据集合进行旋转门压缩,得到目标压缩数据。
其中,目标压缩数据可以是对目标工业数据集合进行旋转门压缩后,得到的数据。
作为示例,可以通过旋转门压缩算法,对目标工业数据集合进行旋转门压缩,并将压缩后的目标工业数据集合,作为目标压缩数据。
基于与上述方法实施例相同的发明构思,本发明提供了一种数据处理装置,该装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现一种数据处理方法的步骤。
参考图2,示出了根据本发明的一种基于物联网的PLC数据传输***的结构示意图。该基于物联网的PLC数据传输***,包括:
PLC设备201,用于对生产线上产品的生产过程进行控制和监测。
数据采集装置202,用于采集PLC设备中的初始工业数据。
数据处理装置203,用于对初始工业数据进行压缩处理。
通信装置204,用于对压缩处理后的初始工业数据通过物联网传输至云端服务器。
云端服务器205,用于存储和管理压缩处理后的初始工业数据。
综上,由于初始工业数据本身的分布特征以及噪声的影响,往往会使得采集的数据在旋转门压缩过程中的压缩率较小。本发明通过自适应调整处理,调整可能为噪声的初始工业数据的大小,以改变初始工业数据的分布特征,可以提高后续进行旋转门压缩时的压缩效率,从而提高数据传输效率。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种数据处理方法,其特征在于,包括以下步骤:
获取目标时间段内的初始工业数据,并对目标时间段进行周期划分,得到当前时间段和历史时间段集合;
对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到所述当前时间段对应的当前子段集合和所述历史时间段对应的历史子段集合;
从各个历史子段集合中筛选出与所述当前子段集合中的每个当前子段匹配的匹配子段,得到每个所述当前子段对应的匹配子段集合;
确定每个当前子段与所述当前子段对应的匹配子段集合中的每个匹配子段之间的联合匹配程度;
根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间;
基于历史时间段集合,对当前时间段内的每个初始工业数据进行分布程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标分布程度;
对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标敏感程度;
基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对所述当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合;
通过旋转门压缩算法,对所述目标工业数据集合进行旋转门压缩,得到目标压缩数据;
所述联合匹配程度对应的公式为:
;
其中,是当前子段集合中第b个当前子段,与第b个当前子段对应的匹配子段集合中,第c个匹配子段之间的联合匹配程度;/>是第b个当前子段的开始时间;/>是第b个当前子段对应的匹配子段集合中,第c个匹配子段的开始时间;/>是所有当前子段的开始时间与对应的匹配子段集合中的各个匹配子段的开始时间之间的差值的最大值;/>是第b个当前子段的开始时间对应在当前时间段的序号,和第c个匹配子段的开始时间对应在历史时间段的序号的差值的绝对值;/>是第b个当前子段的结束时间对应在当前时间段的序号,和第c个匹配子段的结束时间对应在历史时间段的序号的差值的绝对值;/>是当前时间段对应的时长;/>是所有历史时间段对应的时长的最大值;/>是取和/>中的最大值;/>是第b个当前子段内的初始工业数据,与第c个匹配子段内的初始工业数据之间的DTW距离;/>是自然常数的次方;b是当前子段集合中当前子段的序号;c是第b个当前子段对应的匹配子段集合中匹配子段的序号;
所述根据联合匹配程度,确定当前时间段内的每个初始工业数据对应的目标局部区间,包括:
从每个当前子段对应的匹配子段集合中筛选出联合匹配程度最大的匹配子段,作为所述当前子段对应的最优匹配子段;
若所述当前子段与所述最优匹配子段之间的联合匹配程度大于预设匹配阈值,则将所述最优匹配子段的开始时间对应在历史时间段的序号和结束时间对应在历史时间段的序号,分别确定为所述当前子段对应的当前区间包括的两个端点;
若所述当前子段与所述最优匹配子段之间的联合匹配程度小于或等于预设匹配阈值,则将所述当前子段的开始时间对应在当前时间段的序号和结束时间对应在当前时间段的序号,分别确定为所述当前子段对应的当前区间包括的两个端点;
将当前时间段内的每个初始工业数据对应的采集时间所在的当前子段对应的当前区间,确定为当前时间段内的每个初始工业数据对应的目标局部区间。
2.根据权利要求1所述的一种数据处理方法,其特征在于,所述对目标时间段进行周期划分,得到当前时间段和历史时间段集合,包括:
根据预设时间间隔、预设迭代步长、预设终止值、所述目标时间段包括的开始时间和结束时间,确定目标迭代次数;
根据所述预设时间间隔和所述预设迭代步长,确定所述目标迭代次数中的每次迭代对应的偏移时长,其中,所述预设时间间隔和所述预设迭代步长均与偏移时长呈正相关;
对于所述目标迭代次数中的每次迭代,将所述目标时间段包括的结束时间向开始时间方向移动该次迭代对应的偏移时长,将得到的时间确定为该次迭代对应的迭代时间段包括的结束时间,并将所述目标时间段包括的开始时间,确定为该次迭代对应的迭代时间段包括的开始时间;
根据得到的每个迭代时间段内的初始工业数据,确定所述迭代时间段对应的自相关函数;
将每个迭代时间段对应的自相关函数中的最大函数值对应的时间间隔,确定为所述迭代时间段对应的目标时间间隔;
对得到的所有迭代时间段对应的目标时间间隔的均值进行取整,得到时间周期;
以所述目标时间段包括的开始时间为起点,以所述时间周期为划分步长,对所述目标时间段进行划分,得到子时间段集合;
将所述目标时间段包括的结束时间所在的子时间段,确定为当前时间段;
将所述子时间段集合中除了所述当前时间段之外的每个子时间段,确定为历史时间段,得到历史时间段集合。
3.根据权利要求1所述的一种数据处理方法,其特征在于,所述对当前时间段和历史时间段集合中的每个历史时间段进行变化划分,得到所述当前时间段对应的当前子段集合和所述历史时间段对应的历史子段集合,包括:
以时间为横坐标,以工业数据为纵坐标,作所述当前时间段对应的当前数据分布图;
连接所述当前数据分布图中的波峰点,得到当前波峰变化曲线;
对当前波峰变化曲线上任意相邻两个波峰点对应的斜率值的差值的绝对值进行归一化,得到这两个波峰点之间的第一变化指标;
当第一变化指标大于预设变化阈值时,将第一变化指标对应的两个波峰点中的后一个波峰点,确定为标记点;
连接所述当前数据分布图中的波谷点,得到当前波谷变化曲线;
对当前波谷变化曲线上任意相邻两个波谷点对应的斜率值的差值的绝对值进行归一化,得到这两个波谷点之间的第二变化指标;
当第二变化指标大于预设变化阈值时,将第二变化指标对应的两个波谷点中的后一个波谷点,确定为标记点;
将所有标记点对应的时间确定为标记时间,以所有标记时间为分割时间,对所述当前时间段进行分割,得到所述当前子段集合;
以时间为横坐标,以工业数据为纵坐标,作所述历史时间段对应的历史数据分布图;
根据所述历史数据分布图,对所述历史时间段进行分割,得到所述历史时间段对应的历史子段集合。
4.根据权利要求1所述的一种数据处理方法,其特征在于,所述对当前时间段内的每个初始工业数据进行分布程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标分布程度,包括:
将所述当前时间段内的每个初始工业数据,确定为当前工业数据;
从所述历史时间段集合内的初始工业数据中筛选出与所述当前工业数据相同的初始工业数据,作为参考工业数据,得到所述当前工业数据对应的参考工业数据集合;
对所述历史时间段集合内的初始工业数据进行两两组合,得到第一数据向量集合;
将所述参考工业数据集合中的每个参考工业数据与所述参考工业数据的前一个初始工业数据,组合为所述参考工业数据对应的第二数据向量,得到所述当前工业数据对应的第二数据向量集合;
将所述第二数据向量集合中的每个第二数据向量在所述第一数据向量集合中出现的频率,确定为所述第二数据向量对应的目标频率;
将所述参考工业数据集合中对应的第二数据向量相同的参考工业数据,组合为所述第二数据向量对应的候选工业数据集合;
将所述候选工业数据集合中所有候选工业数据对应在历史时间段的序号的方差,确定为所述第二数据向量对应的目标方差;
根据所述第二数据向量集合中的各个第二数据向量对应的目标频率和目标方差,确定所述当前工业数据对应的目标分布程度,其中,目标频率和目标方差均与目标分布程度呈正相关。
5.根据权利要求1所述的一种数据处理方法,其特征在于,所述对当前时间段内的每个初始工业数据进行敏感程度分析处理,得到所述当前时间段内的每个初始工业数据对应的目标敏感程度,包括:
将所述当前时间段内的每个初始工业数据,确定为当前工业数据;
将所述当前时间段和所述历史时间段集合中的每个历史时间段内初始工业数据之间的DTW距离,确定为所述当前时间段和所述历史时间段之间的第一差异指标;
从所述当前时间段内的初始工业数据中筛选出所述当前工业数据对应的第一候选子段;
从所述历史时间段集合中的每个历史时间段内的初始工业数据筛选出所述当前工业数据与所述历史时间段之间的第二候选子段;
将所述第一候选子段和所述第二候选子段之间的DTW距离,确定为所述当前工业数据和所述历史时间段之间的第二差异指标;
根据所述当前时间段和每个历史时间段之间的第一差异指标,以及所述当前工业数据和所述历史时间段之间的第二差异指标,确定所述当前工业数据和所述历史时间段之间的第三差异指标;
根据所述当前工业数据和各个历史时间段之间的第三差异指标,确定所述当前工业数据对应的目标敏感程度,其中,第三差异指标与目标敏感程度呈正相关。
6.根据权利要求1所述的一种数据处理方法,其特征在于,所述基于当前时间段内的初始工业数据对应的目标局部区间、目标分布程度和目标敏感程度,对所述当前时间段内的初始工业数据进行自适应调整,得到目标工业数据集合,包括:
将初始工业数据对应的目标分布程度的归一化值,确定为初始工业数据对应的第一位置坐标包括的横坐标,并将初始工业数据对应的目标敏感程度的归一化值,确定为初始工业数据对应的第一位置坐标包括的纵坐标;
将所述当前时间段内的每个初始工业数据,确定为当前工业数据;
根据当前工业数据对应的第一位置坐标,确定当前工业数据对应的局部可达密度;
根据当前工业数据对应的目标局部区间内的各个初始工业数据对应的第一位置坐标,确定当前工业数据对应的目标局部区间内的各个初始工业数据对应的局部可达密度;
根据所述当前工业数据对应的局部可达密度和所述当前工业数据对应的目标局部区间内的各个初始工业数据对应的局部可达密度,确定所述当前工业数据对应的调整权重值;
当所述当前工业数据对应的调整权重值大于预设调整阈值,并且所述当前工业数据不在预设容差范围内时,将所述当前工业数据确定为待定数据;
当所述当前工业数据对应的调整权重值小于或等于预设调整阈值,并且所述当前工业数据不在预设容差范围内时,将所述当前工业数据确定为参考数据;
将所述当前工业数据对应的采集时间,确定为所述当前工业数据对应的第二位置坐标包括的横坐标,并将所述当前工业数据,确定为所述当前工业数据对应的第二位置坐标包括的纵坐标;
连接与待定数据相邻的两个参考数据对应的第二位置坐标,得到待定数据对应的调整直线;
将待定数据对应的调整直线上横坐标等于所述待定数据对应的第二位置坐标包括的横坐标的纵坐标,确定为待定数据对应的目标工业数据;
对于所述当前时间段内不存在对应的调整直线的初始工业数据,将该初始工业数据,确定为目标工业数据;
将得到的所有的目标工业数据,组成目标工业数据集合。
7.一种数据处理装置,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-6中任一项所述的一种数据处理方法。
8.一种基于物联网的PLC数据传输***,其特征在于,所述***包括:
PLC设备,用于对生产线上产品的生产过程进行控制和监测;
数据采集装置,用于采集所述PLC设备中的初始工业数据;
数据处理装置,采用权利要求7所述的数据处理装置,用于对初始工业数据进行压缩处理;
通信装置,用于对压缩处理后的初始工业数据通过物联网传输至云端服务器;
云端服务器,用于存储和管理压缩处理后的初始工业数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812741.9A CN116582596B (zh) | 2023-07-05 | 2023-07-05 | 数据处理方法、装置和基于物联网的plc数据传输*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812741.9A CN116582596B (zh) | 2023-07-05 | 2023-07-05 | 数据处理方法、装置和基于物联网的plc数据传输*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116582596A CN116582596A (zh) | 2023-08-11 |
CN116582596B true CN116582596B (zh) | 2023-11-10 |
Family
ID=87538121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812741.9A Active CN116582596B (zh) | 2023-07-05 | 2023-07-05 | 数据处理方法、装置和基于物联网的plc数据传输*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116582596B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851834A (zh) * | 2024-01-12 | 2024-04-09 | 河南万得福仪器设备有限公司 | 一种智慧农业大数据优化存储方法及*** |
CN118018882B (zh) * | 2024-04-09 | 2024-06-18 | 苏州元澄科技股份有限公司 | 一种物联网数据的采集与存储方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766607A (zh) * | 2022-11-08 | 2023-03-07 | 陕西通信规划设计研究院有限公司 | 一种基于5g物联网的数据压缩传输方法 |
CN115987295A (zh) * | 2023-03-20 | 2023-04-18 | 河北省农林科学院 | 基于物联网的农作物监控数据高效处理方法 |
CN116204690A (zh) * | 2023-04-28 | 2023-06-02 | 泰力基业股份有限公司 | 一种具有自动灭火功能的配电箱数据传输*** |
-
2023
- 2023-07-05 CN CN202310812741.9A patent/CN116582596B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115766607A (zh) * | 2022-11-08 | 2023-03-07 | 陕西通信规划设计研究院有限公司 | 一种基于5g物联网的数据压缩传输方法 |
CN115987295A (zh) * | 2023-03-20 | 2023-04-18 | 河北省农林科学院 | 基于物联网的农作物监控数据高效处理方法 |
CN116204690A (zh) * | 2023-04-28 | 2023-06-02 | 泰力基业股份有限公司 | 一种具有自动灭火功能的配电箱数据传输*** |
Non-Patent Citations (1)
Title |
---|
基于相似性匹配的机泵监测模拟量数据压缩方法;姚学忠;尚江峰;曹晶晶;盛步云;吴志宏;宋寅;;组合机床与自动化加工技术(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116582596A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116582596B (zh) | 数据处理方法、装置和基于物联网的plc数据传输*** | |
CN107038292B (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN109615124B (zh) | 一种基于深度学习的scada主站负荷预测方法 | |
CN103246702A (zh) | 一种基于分段形态表示的工业序列数据缺失的填补方法 | |
CN116541732B (zh) | 基于超声波数据与最优化算法的气象监测*** | |
CN117574305B (zh) | 一种设备运行状态实时监测方法及*** | |
CN114297907A (zh) | 温室环境空间分布预测方法及装置 | |
CN113568960A (zh) | 物联网数据实时分析方法、***及计算机可读存储介质 | |
CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
EP3553616A1 (de) | Ursachenbestimmung von anomalieereignissen | |
CN117114056B (zh) | 一种电力负荷预测模型及其构建方法、装置及应用 | |
CN110728395A (zh) | 主变短期电力负荷计算方法、装置、计算机和存储介质 | |
CN103209417A (zh) | 基于神经网络的频谱占用状态的预测方法以及装置 | |
CN108537322A (zh) | 神经网络层间激活值量化方法及装置 | |
CN108573309A (zh) | 一种机器学习算法的自适应调整方法和*** | |
CN116738261A (zh) | 基于聚类分箱的数值型特征离散化归因分析方法及装置 | |
CN106600449B (zh) | 一种自动的功率趋势识别方法 | |
EP3598651B1 (en) | Method and apparatus for signal matching | |
CN109884893B (zh) | 一种多工序变量间动态时滞估计方法 | |
CN105671596A (zh) | 一种铝电解槽单个阳极数学模型的确定方法 | |
CN110852397A (zh) | 一种基于相对波动的自适应信号融合方法及*** | |
CN113556769B (zh) | 一种基于干扰控制的计算机数据传输通信方法及*** | |
CN117171709B (zh) | 一种永磁发电机故障检测方法及*** | |
CN117318053B (zh) | 用于储能电站的能源需求预测方法及*** | |
Fratczak et al. | Representative Vector Method for modeling of energy consumption for the assembly line |
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 |