CN116846987B - 一种工业互联网的交互界面生成方法及*** - Google Patents
一种工业互联网的交互界面生成方法及*** Download PDFInfo
- Publication number
- CN116846987B CN116846987B CN202311117536.7A CN202311117536A CN116846987B CN 116846987 B CN116846987 B CN 116846987B CN 202311117536 A CN202311117536 A CN 202311117536A CN 116846987 B CN116846987 B CN 116846987B
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- time
- equipment
- real
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 47
- 230000003993 interaction Effects 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000036541 health Effects 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 238000007637 random forest analysis Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000003058 natural language processing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000010223 real-time analysis Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 230000009133 cooperative interaction Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 241001123248 Arma Species 0.000 claims 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- H04L69/08—Protocols for interworking; Protocol conversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/149—Network analysis or design for prediction of maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及交互界面生成技术领域,具体涉及一种工业互联网的交互界面生成方法及***,包括:数据处理模块:用于收集、整理和分析工业设备的数据;界面设计模块:根据分析后的数据自动生成交互界面;交互逻辑模块:用于界面与工业设备之间的交互控制;通讯模块:用于实现工业设备与***之间的通信;实时数据流处理模块:用于即时捕捉并处理大量实时数据,减少延迟,提供更实时的互动体验;设备健康监测与预测模块:通过持续监控和机器学习算法,预测潜在的设备故障或维护需求;跨设备智能协同模块:使用统一的通讯协议和自适应的交互逻辑。本发明,通过创建统一的通信协议适配器,实现不同设备间的无缝通信,有效解决了设备通信协议多样性的问题。
Description
技术领域
本发明涉及交互界面生成技术领域,尤其涉及一种工业互联网的交互界面生成方法及***。
背景技术
工业互联网是现代工业4.0中的关键部分,通过将工业设备与互联网相连,可以实现设备之间的智能协同,优化生产流程,提高工作效率和质量。但是,现有的工业互联网技术在以下方面仍存在一些挑战和不足:
设备协议多样性问题:工业现场的设备通常使用不同的通信协议,导致设备之间的通信困难,无法实现真正的智能协同。
实时数据流处理不足:大量设备产生的实时数据流处理起来相当复杂,需要强大的数据处理能力,对时间序列分析和数据挖掘等技术要求较高。
设备健康监测与预测缺乏:现有技术在设备健康监测和故障预测方面还不够成熟,很难实现对设备状态的全方位监控和准确预测。
跨设备智能协同有限:即使有了统一的通信协议,也需要精确的任务调度、优化算法和学习机制来实现设备之间的高效协同。
因此,开发一种新的工业互联网的交互界面生成***,可以解决上述问题,提供一种全面、灵活和智能的解决方案,以满足现代工业互联网的复杂和多样化需求。该***和方法通过集成多种先进技术,包括通信协议适配、实时数据流处理、设备健康监测与预测、跨设备智能协同等,为工业现场提供了更高效、更智能的操作方式。
发明内容
基于上述目的,本发明提供了一种工业互联网的交互界面生成方法及***。
一种工业互联网的交互界面生成***,包括:
数据处理模块:用于收集、整理和分析工业设备的数据;
界面设计模块:根据分析后的数据自动生成交互界面;
交互逻辑模块:用于界面与工业设备之间的交互控制;
通讯模块:用于实现工业设备与***之间的通信;
实时数据流处理模块:用于即时捕捉并处理大量实时数据,减少延迟,提供更实时的互动体验;
设备健康监测与预测模块:通过持续监控和机器学习算法,预测潜在的设备故障或维护需求;
跨设备智能协同模块:使用统一的通讯协议和自适应的交互逻辑,实现不同设备之间的智能协同工作。
进一步的,所述数据处理模块包括数据采集单元、数据分析单元和数据存储单元,
所述数据采集单元用于从工业设备获取原始数据;
所述数据分析单元对原始数据进行预处理和分析;
所述数据存储单元负责存储分析后的数据,以适应不同类型的工业设备和应用场景。
进一步的,所述界面设计模块包括界面布局单元、组件选择单元和样式调整单元,
所述界面布局单元根据分析后的数据自动安排界面的布局结构;
所述组件选择单元用于挑选适合工业设备的交互组件;
所述样式调整单元根据工业场景的具体需求调整界面的视觉样式,生成用户友好且功能全面的交互界面。
进一步的,所述交互逻辑模块具体包括:
指令转换单元:将用户界面上的操作转换为工业设备能理解的具体指令,支持多种指令格式和设备类型;
反馈处理单元:实时接收工业设备的反馈信息;
异常管理单元:负责在交互过程中识别和处理异常情况;
用户行为分析单元:通过分析用户的操作行为和历史数据,推测用户的意图和需求,以提供更精确的交互支持;
语境感知单元:感知工业场景中的环境变化和设备状态,自动调整交互逻辑以适应不同的工作条件和需求;
智能协助单元:利用自然语言处理,提供智能提示、操作建议协助功能;
多模态交互单元:支持除传统触控外的其他交互方式;
安全控制单元:确保所有交互操作符合安全政策和标准,防止非法访问和操纵;
适配层:使交互逻辑模块能够与多种工业设备和***无缝集成,减少兼容性问题;
性能监测与优化单元:实时监测交互响应速度和准确性,自动进行优化以确保流畅的用户体验。
进一步的,所述通讯模块包括通信协议转换单元、数据加密单元和连接管理单元,
所述通信协议转换单元负责将不同工业设备的通信协议统一转换;
所述数据加密单元确保数据传输的安全性;
所述连接管理单元用于与工业设备的稳定连接和管理,确保数据的实时和准确传输。
进一步的,所述实时数据流处理模块包括:
多源数据整合单元:集成来自不同设备、传感器和***的实时数据流,确保数据的一致性和完整性;
动态数据过滤器:通过预定义的规则和模式识别技术动态过滤无关或冗余的数据,提高处理效率;
并行计算单元:利用并行计算能力,同时处理多个数据流,确保***在高负载下的性能;
实时报警与通知单元:根据实时分析的结果,如检测到的异常或关键事件,自动触发报警或通知;
时态分析单元:对数据的时间序列特性进行分析,识别和预测潜在的趋势和周期性模式;
数据隐私保护单元:采用加密和匿名化技术确保数据在处理和传输过程中的隐私保护;
资源调度与优化单元:根据***的实时需求动态调度和优化计算资源,确保***的稳定运行;
边缘计算支持单元:支持在设备边缘进行部分数据处理,降低延迟并减轻中央***的负担。
进一步的,所述设备健康监测与预测模块包括:
设备状态感知单元,通过内置或外部传感器获取设备的温度、压力、振动参数;
健康评估单元,采用随机森林评估模型,对设备的健康状况进行实时评估,所述随机森林评估模型具体如下:
Bootstrap采样 : 对于给定的训练数据集,每棵树都从/>中随机选择 (有放回地) 一个大小相同的子集,假设选择了/>个样本,那么每棵树的训练集为 ;
特征选择:在每个决策树的每个***节点,从所有特征中随机选择个特征子集进行最优***,对于分类问题,/>,其中/>是特征的总数;
决策树训练:对于每一棵树,根据选定的样本和特征子集训练一个决策树,每棵树的输出函数表示为:
其中,是第/>棵树的输出,/>是第/>棵树的决策函数,/>是其参数;
整体预测:
对于回归问题,随机森林的输出为所有树输出的平均值:
对于分类问题,随机森林的输出为所有树输出中的众数:
;
故障预测单元,通过时间序列分析历史数据,预测设备可能出现的故障类型和时间,时间序列基于自回归移动平均模型 (ARMA),具体如下:
自回归移动平均模型 用于描述非季节性时间序列,一个p阶和q阶的ARMA模型表示为:
该模型同时考虑设备参数的时间依赖性和随机噪声,为实时监测和故障预警提供更全面的分析;
维护建议生成单元,根据设备的健康状况和预测结果,提供维护和优化的具体建议和方案;
该模块的集成使得工业设备的运维管理更加智能和高效,不仅可以及时发现和处理问题,还能通过预测和优化降低故障风险和运行成本。
进一步的,所述跨设备智能协同模块包括:
协议识别与映射:首先,协同模块将识别工业现场各个设备所使用的通信协议,包括Modbus、Profinet、EtherCAT,然后,创建一个协议映射表来定义不同协议之间的转换规则;
动态适配器生成:设计一个动态适配器框架,允许根据协议映射表生成特定的协议转换适配器,每个适配器负责将一种协议的数据转换为通用格式或另一种协议,适配器生成后,将在适配器注册中心进行注册和管理;
数据转换流程:当数据从源设备发送时,适配器首先使用源协议的解码规则将数据解码为中间通用格式,进而,适配器使用协议映射表中定义的转换规则,将数据从中间格式转换为目标协议的格式,最后,适配器使用目标协议的编码规则将转换后的数据编码,并发送到目标设备。
进一步的,该***包括一个云端协同模块,使***与云端资源协同工作,实现交互界面的远程访问和管理,促进多设备、多场景的协同交互和控制。
一种工业互联网的交互界面生成方法,包括以下步骤:
S1:数据处理阶段:
S11数据采集:从工业设备获取原始数据;
S12数据分析:对原始数据进行预处理和分析;
S13数据存储:存储分析后的数据,适应不同类型的工业设备和应用场景;
S2:界面设计阶段:
S21界面布局:根据分析后的数据自动安排界面的布局结构;
S22组件选择:挑选适合工业设备的交互组件;
S23样式调整:根据工业场景的具体需求调整界面的视觉样式,生成用户友好且功能全面的交互界面;
S3:交互逻辑阶段:
S31指令转换:将用户界面上的操作转换为具体指令;
S32反馈处理:实时接收工业设备的反馈信息,并以可视化方式呈现;
S33异常管理:识别和处理异常情况,并提供恢复策略;
S34用户行为分析:分析用户行为和历史数据,推测意图和需求;
S35语境感知:感知工业场景中的环境变化和设备状态,自动调整交互逻辑;
S36智能协助:利用自然语言处理提供智能提示和操作建议;
S37多模态交互:支持不同交互方式;
S38安全控制:确保所有操作符合安全标准;
S39适配和优化:与多种工业设备和***集成,并实时优化用户体验;
S4:通讯阶段:
S41通信协议转换:将不同工业设备的通信协议统一转换;
S42数据加密:确保数据传输的安全性;
S43连接管理:确保与工业设备的稳定连接和管理;
S5:实时数据流处理阶段:
S51数据整合、过滤、并行计算、报警与通知、时态分析、数据隐私保护、资源调度与优化和边缘计算环节;
S6:设备健康监测与预测阶段:
S61状态感知、健康评估(包括使用随机森林评估模型)、故障预测(基于ARMA模型)、维护建议生成;
S7:跨设备智能协同阶段:
S71协议识别与映射;
S72动态适配器生成;
S73数据转换流程。
本发明的有益效果:
本发明,通过创建统一的通信协议适配器,实现不同设备间的无缝通信,有效解决了设备通信协议多样性的问题,采用时间序列分析和随机森林等先进算法处理实时数据流,能够迅速响应设备状态变化,提高数据分析的准确性和效率。
本发明,提高生产效率和降低维护成本:通过实现设备间的智能协同,及时监测和维护设备,本发明不仅能提高生产效率,还能降低维护成本,为工业生产带来长远的经济效益。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的示意图;
图2为本发明实施例的***逻辑示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本发明进一步详细说明。
需要说明的是,除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
如图1-图2所示,一种工业互联网的交互界面生成***,包括:
数据处理模块:用于收集、整理和分析工业设备的数据;
界面设计模块:根据分析后的数据自动生成交互界面;
交互逻辑模块:用于界面与工业设备之间的交互控制;
通讯模块:用于实现工业设备与***之间的通信;
实时数据流处理模块:用于即时捕捉并处理大量实时数据,减少延迟,提供更实时的互动体验;
设备健康监测与预测模块:通过持续监控和机器学习算法,预测潜在的设备故障或维护需求;
跨设备智能协同模块:使用统一的通讯协议和自适应的交互逻辑,实现不同设备之间的智能协同工作。
数据处理模块包括数据采集单元、数据分析单元和数据存储单元,
数据采集单元用于从工业设备获取原始数据;
数据分析单元对原始数据进行预处理和分析;
数据存储单元负责存储分析后的数据,以适应不同类型的工业设备和应用场景。
界面设计模块包括界面布局单元、组件选择单元和样式调整单元,
界面布局单元根据分析后的数据自动安排界面的布局结构;
组件选择单元用于挑选适合工业设备的交互组件;
样式调整单元根据工业场景的具体需求调整界面的视觉样式,生成用户友好且功能全面的交互界面。
交互逻辑模块具体包括:
指令转换单元:将用户界面上的操作转换为工业设备能理解的具体指令,支持多种指令格式和设备类型;
反馈处理单元:实时接收工业设备的反馈信息,包括状态更新、警告和错误消息,并以可视化方式呈现给用户;
异常管理单元:负责在交互过程中识别和处理异常情况,包括设备故障、通信中断等,并提供相应的恢复策略;
用户行为分析单元:通过分析用户的操作行为和历史数据,推测用户的意图和需求,以提供更精确的交互支持;
语境感知单元:感知工业场景中的环境变化和设备状态,自动调整交互逻辑以适应不同的工作条件和需求;
智能协助单元:利用自然语言处理,提供智能提示、操作建议协助功能;
多模态交互单元:支持除传统触控外的其他交互方式,包括语音、手势,提供更丰富和自然的交互体验;
安全控制单元:确保所有交互操作符合安全政策和标准,防止非法访问和操纵;
适配层:使交互逻辑模块能够与多种工业设备和***无缝集成,减少兼容性问题;
性能监测与优化单元:实时监测交互响应速度和准确性,自动进行优化以确保流畅的用户体验。
通讯模块包括通信协议转换单元、数据加密单元和连接管理单元,
通信协议转换单元负责将不同工业设备的通信协议统一转换;
数据加密单元确保数据传输的安全性;
连接管理单元用于与工业设备的稳定连接和管理,确保数据的实时和准确传输。
实时数据流处理模块包括:
多源数据整合单元:集成来自不同设备、传感器和***的实时数据流,确保数据的一致性和完整性;
动态数据过滤器:通过预定义的规则和模式识别技术动态过滤无关或冗余的数据,提高处理效率;
并行计算单元:利用并行计算能力,同时处理多个数据流,确保***在高负载下的性能;
实时报警与通知单元:根据实时分析的结果,如检测到的异常或关键事件,自动触发报警或通知;
时态分析单元:对数据的时间序列特性进行分析,识别和预测潜在的趋势和周期性模式;
数据隐私保护单元:采用加密和匿名化技术确保数据在处理和传输过程中的隐私保护;
资源调度与优化单元:根据***的实时需求动态调度和优化计算资源,确保***的稳定运行;
边缘计算支持单元:支持在设备边缘进行部分数据处理,降低延迟并减轻中央***的负担。
设备健康监测与预测模块包括:
设备状态感知单元,通过内置或外部传感器获取设备的温度、压力、振动参数;
健康评估单元,采用随机森林评估模型,对设备的健康状况进行实时评估,随机森林(Random Forest)是一种集成学***均或多数表决,随机森林评估模型具体如下:
Bootstrap采样 : 对于给定的训练数据集,每棵树都从/>中随机选择 (有放回地) 一个大小相同的子集,假设选择了/>个样本,那么每棵树的训练集为 ;
特征选择:在每个决策树的每个***节点,从所有特征中随机选择个特征子集进行最优***,对于分类问题,/>,其中/>是特征的总数;
决策树训练:对于每一棵树,根据选定的样本和特征子集训练一个决策树,每棵树的输出函数表示为:
其中,是第/>棵树的输出,/>是第/>棵树的决策函数,/>是其参数;
整体预测:
对于回归问题,随机森林的输出为所有树输出的平均值:
对于分类问题,随机森林的输出为所有树输出中的众数:
在本发明中,Bootstrap采样与特征选择:在工业环境中,设备的运行数据可能包括多个维度和特征,如温度、压力、振动、转速等。随机森林的Bootstrap采样允许从实时监测的大量数据中选择具有代表性的子样本集合。通过随机选择特征子集,可以确保模型捕捉到不同特征之间的复杂关系,并增强模型的泛化能力。
决策树训练:通过在子样本和特征子集上训练多个决策树,设备健康监测与预测模块可以学习和理解设备运行状态的多方面特点。每棵树可能关注设备健康的不同方面,从而使整个随机森林模型能够全面评估设备状态。
整体预测与应用:
设备健康评估:在回归问题中,随机森林模型可以预测设备的健康分数或评级,通过平均多棵树的预测结果,准确地反映设备当前的健康状况。
故障预测与预警:在分类问题中,随机森林可以识别并预测设备可能出现的故障类型。通过多数表决,模型可以可靠地预警设备的潜在故障,为维护人员提供及时的信息。
结合本发明方案,随机森林的这些特性使其成为设备健康监测与预测模块的理想选择。它能够从工业设备的复杂、多维度数据中提取有用的健康和故障信息,通过集成多棵树的判断,实现对设备状态的精确和稳健评估。此外,随机森林的自适应和可扩展特性也使得模块能够适应不同类型和规模的工业设备,为现代工业互联网交互界面生成***提供强大的支持;
故障预测单元,通过时间序列分析历史数据,预测设备可能出现的故障类型和时间,时间序列基于自回归移动平均模型 (ARMA),具体如下:
自回归移动平均模型 用于描述非季节性时间序列,一个p阶和q阶的ARMA模型表示为:
该模型同时考虑设备参数的时间依赖性和随机噪声,为实时监测和故障预警提供更全面的分析;
维护建议生成单元,根据设备的健康状况和预测结果,提供维护和优化的具体建议和方案;
该模块的集成使得工业设备的运维管理更加智能和高效,不仅可以及时发现和处理问题,还能通过预测和优化降低故障风险和运行成本。
跨设备智能协同模块包括:
协议识别与映射:首先,协同模块将识别工业现场各个设备所使用的通信协议,包括Modbus、Profinet、EtherCAT,然后,创建一个协议映射表来定义不同协议之间的转换规则,这个映射表包括源协议和目标协议之间的字段对应关系、数据类型转换规则等;
动态适配器生成:设计一个动态适配器框架,允许根据协议映射表生成特定的协议转换适配器,每个适配器负责将一种协议的数据转换为通用格式或另一种协议,适配器生成后,将在适配器注册中心进行注册和管理,它们可以动态加载和卸载,以适应设备和协议的变化;
数据转换流程:当数据从源设备发送时,适配器首先使用源协议的解码规则将数据解码为中间通用格式,进而,适配器使用协议映射表中定义的转换规则,将数据从中间格式转换为目标协议的格式,最后,适配器使用目标协议的编码规则将转换后的数据编码,并发送到目标设备。
该***包括一个云端协同模块,使***与云端资源协同工作,实现交互界面的远程访问和管理,促进多设备、多场景的协同交互和控制。
一种工业互联网的交互界面生成方法,包括以下步骤:
S1:数据处理阶段:
S11数据采集:从工业设备获取原始数据;
S12数据分析:对原始数据进行预处理和分析;
S13数据存储:存储分析后的数据,适应不同类型的工业设备和应用场景;
S2:界面设计阶段:
S21界面布局:根据分析后的数据自动安排界面的布局结构;
S22组件选择:挑选适合工业设备的交互组件;
S23样式调整:根据工业场景的具体需求调整界面的视觉样式,生成用户友好且功能全面的交互界面;
S3:交互逻辑阶段:
S31指令转换:将用户界面上的操作转换为具体指令;
S32反馈处理:实时接收工业设备的反馈信息,并以可视化方式呈现;
S33异常管理:识别和处理异常情况,并提供恢复策略;
S34用户行为分析:分析用户行为和历史数据,推测意图和需求;
S35语境感知:感知工业场景中的环境变化和设备状态,自动调整交互逻辑;
S36智能协助:利用自然语言处理提供智能提示和操作建议;
S37多模态交互:支持不同交互方式;
S38安全控制:确保所有操作符合安全标准;
S39适配和优化:与多种工业设备和***集成,并实时优化用户体验;
S4:通讯阶段:
S41通信协议转换:将不同工业设备的通信协议统一转换;
S42数据加密:确保数据传输的安全性;
S43连接管理:确保与工业设备的稳定连接和管理;
S5:实时数据流处理阶段:
S51数据整合、过滤、并行计算、报警与通知、时态分析、数据隐私保护、资源调度与优化和边缘计算等环节;
S6:设备健康监测与预测阶段:
S61状态感知、健康评估(包括使用随机森林评估模型)、故障预测(基于ARMA模型)、维护建议生成;
S7:跨设备智能协同阶段:
S71协议识别与映射;
S72动态适配器生成;
S73数据转换流程。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明的范围被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种工业互联网的交互界面生成***,其特征在于,包括:
数据处理模块:用于收集、整理和分析工业设备的数据;
界面设计模块:根据分析后的数据自动生成交互界面;
交互逻辑模块:用于界面与工业设备之间的交互控制;
通讯模块:用于实现工业设备与***之间的通信;
实时数据流处理模块:用于即时捕捉并处理大量实时数据,减少延迟,提供更实时的互动体验;
所述实时数据流处理模块包括:
多源数据整合单元:集成来自不同设备、传感器和***的实时数据流,确保数据的一致性和完整性;
动态数据过滤器:通过预定义的规则和模式识别技术动态过滤无关或冗余的数据,提高处理效率;
并行计算单元:利用并行计算能力,同时处理多个数据流,确保***在高负载下的性能;
实时报警与通知单元:根据实时分析的结果,如检测到的异常或关键事件,自动触发报警或通知;
时态分析单元:对数据的时间序列特性进行分析,识别和预测潜在的趋势和周期性模式;
数据隐私保护单元:采用加密和匿名化技术确保数据在处理和传输过程中的隐私保护;
资源调度与优化单元:根据***的实时需求动态调度和优化计算资源,确保***的稳定运行;
边缘计算支持单元:支持在设备边缘进行部分数据处理,降低延迟并减轻中央***的负担;
设备健康监测与预测模块:通过持续监控和机器学习算法,预测潜在的设备故障或维护需求;
所述设备健康监测与预测模块包括:
设备状态感知单元,通过内置或外部传感器获取设备的温度、压力、振动参数;
健康评估单元,采用随机森林评估模型,对设备的健康状况进行实时评估,所述随机森林评估模型具体如下:
Bootstrap采样:对于给定的训练数据集D,每棵树都从D中随选择一个大小相同的子集,假设选择了N个样本,那么每棵树的训练集为Di,i=1,2,…,N;
特征选择:在每个决策树的每个***节点,从所有特征中随机选择k个特征子集进行最优***,对于分类问题,其中m是特征的总数;
决策树训练:对于每一棵树,根据选定的样本和特征子集训练一个决策树,每棵树的输出函数表示为:
hi(x)=fi(x;Θi)
其中,hi(x)是第i棵树的输出,fi是第i棵树的决策函数,Θi是其参数;
整体预测:
对于回归问题,随机森林的输出为所有树输出的平均值:
对于分类问题,随机森林的输出为所有树输出中的众数:
H(x)=mode{h1(x),h2(x),…,hN(x)}
故障预测单元,通过时间序列分析历史数据,预测设备可能出现的故障类型和时间,时间序列基于自回归移动平均模型,具体如下:
自回归移动平均模型用于描述非季节性时间序列,一个p阶和q阶的ARMA模型表示为:
该模型同时考虑设备参数的时间依赖性和随机噪声,为实时监测和故障预警提供更全面的分析;
维护建议生成单元,根据设备的健康状况和预测结果,提供维护和优化的具体建议和方案;
跨设备智能协同模块:使用统一的通讯协议和自适应的交互逻辑,实现不同设备之间的智能协同工作。
2.根据权利要求1所述的一种工业互联网的交互界面生成***,其特征在于,所述数据处理模块包括数据采集单元、数据分析单元和数据存储单元,
所述数据采集单元用于从工业设备获取原始数据;
所述数据分析单元对原始数据进行预处理和分析;
所述数据存储单元负责存储分析后的数据,以适应不同类型的工业设备和应用场景。
3.根据权利要求2所述的一种工业互联网的交互界面生成***,其特征在于,所述界面设计模块包括界面布局单元、组件选择单元和样式调整单元,
所述界面布局单元根据分析后的数据自动安排界面的布局结构;
所述组件选择单元用于挑选适合工业设备的交互组件;
所述样式调整单元根据工业场景的具体需求调整界面的视觉样式,生成用户友好且功能全面的交互界面。
4.根据权利要求3所述的一种工业互联网的交互界面生成***,其特征在于,所述交互逻辑模块具体包括:
指令转换单元:将用户界面上的操作转换为工业设备能理解的具体指令,支持多种指令格式和设备类型;
反馈处理单元:实时接收工业设备的反馈信息;
异常管理单元:负责在交互过程中识别和处理异常情况;
用户行为分析单元:通过分析用户的操作行为和历史数据,推测用户的意图和需求,以提供更精确的交互支持;
语境感知单元:感知工业场景中的环境变化和设备状态,自动调整交互逻辑以适应不同的工作条件和需求;
智能协助单元:利用自然语言处理,提供智能提示、操作建议协助功能;
多模态交互单元:支持除传统触控外的其他交互方式;
安全控制单元:确保所有交互操作符合安全政策和标准,防止非法访问和操纵;
适配层:使交互逻辑模块能够与多种工业设备和***无缝集成,减少兼容性问题;
性能监测与优化单元:实时监测交互响应速度和准确性,自动进行优化以确保流畅的用户体验。
5.根据权利要求4所述的一种工业互联网的交互界面生成***,其特征在于,所述通讯模块包括通信协议转换单元、数据加密单元和连接管理单元,
所述通信协议转换单元负责将不同工业设备的通信协议统一转换;
所述数据加密单元确保数据传输的安全性;
所述连接管理单元用于与工业设备的稳定连接和管理,确保数据的实时和准确传输。
6.根据权利要求5所述的一种工业互联网的交互界面生成***,其特征在于,所述跨设备智能协同模块包括:
协议识别与映射:首先,协同模块将识别工业现场各个设备所使用的通信协议,包括Modbus、Profinet、EtherCAT,然后,创建一个协议映射表来定义不同协议之间的转换规则;
动态适配器生成:设计一个动态适配器框架,允许根据协议映射表生成协议转换适配器,每个适配器负责将一种协议的数据转换为通用格式或另一种协议,适配器生成后,将在适配器注册中心进行注册和管理;
数据转换流程:当数据从源设备发送时,适配器首先使用源协议的解码规则将数据解码为中间通用格式,进而,适配器使用协议映射表中定义的转换规则,将数据从中间格式转换为目标协议的格式,最后,适配器使用目标协议的编码规则将转换后的数据编码,并发送到目标设备。
7.根据权利要求6所述的一种工业互联网的交互界面生成***,其特征在于,该***包括一个云端协同模块,使***与云端资源协同工作,实现交互界面的远程访问和管理,促进多设备、多场景的协同交互和控制。
8.一种工业互联网的交互界面生成方法,其特征在于,包括以下步骤:
S1:数据处理阶段:
S11数据采集:从工业设备获取原始数据;
S12数据分析:对原始数据进行预处理和分析;
S13数据存储:存储分析后的数据,适应不同类型的工业设备和应用场景;
S2:界面设计阶段:
S21界面布局:根据分析后的数据自动安排界面的布局结构;
S22组件选择:挑选适合工业设备的交互组件;
S23样式调整:根据工业场景的具体需求调整界面的视觉样式,生成用户友好且功能全面的交互界面;
S3:交互逻辑阶段:
S31指令转换:将用户界面上的操作转换为具体指令;
S32反馈处理:实时接收工业设备的反馈信息,并以可视化方式呈现;
S33异常管理:识别和处理异常情况,并提供恢复策略;
S34用户行为分析:分析用户行为和历史数据,推测意图和需求;
S35语境感知:感知工业场景中的环境变化和设备状态,自动调整交互逻辑;
S36智能协助:利用自然语言处理提供智能提示和操作建议;
S37多模态交互:支持不同交互方式;
S38安全控制:确保所有操作符合安全标准;
S39适配和优化:与多种工业设备和***集成,并实时优化用户体验;
S4:通讯阶段:
S41通信协议转换:将不同工业设备的通信协议统一转换;
S42数据加密:确保数据传输的安全性;
S43连接管理:确保与工业设备的稳定连接和管理;
S5:实时数据流处理阶段:
S51数据整合:集成来自不同设备、传感器和***的实时数据流,确保数据的一致性和完整性;
过滤:通过预定义的规则和模式识别技术动态过滤无关或冗余的数据,提高处理效率;
并行计算:利用并行计算能力,同时处理多个数据流,确保***在高负载下的性能;
报警与通知:根据实时分析的结果,如检测到的异常或关键事件,自动触发报警或通知;
时态分析:对数据的时间序列特性进行分析,识别和预测潜在的趋势和周期性模式;
数据隐私保护:采用加密和匿名化技术确保数据在处理和传输过程中的隐私保护;
资源调度与优化:根据实时需求动态调度和优化计算资源,确保稳定运行;
边缘计算环节:支持在设备边缘进行部分数据处理,降低延迟并减轻中央***的负担;
S6:设备健康监测与预测阶段:
S61状态感知:通过内置或外部传感器获取设备的温度、压力、振动参数;
健康评估:采用随机森林评估模型,对设备的健康状况进行实时评估,所述随机森林评估模型具体如下:
Bootstrap采样:对于给定的训练数据集D,每棵树都从D中随机选择一个大小相同的子集,假设选择了N个样本,那么每棵树的训练集为Di,i=1,2,…,N;
特征选择:在每个决策树的每个***节点,从所有特征中随机选择k个特征子集进行最优***,对于分类问题,其中m是特征的总数;
决策树训练:对于每一棵树,根据选定的样本和特征子集训练一个决策树,每棵树的输出函数表示为:
hi(x)=fi(x;Θi)
其中,hi(x)是第i棵树的输出,fi是第i棵树的决策函数,Θi是其参数;
整体预测:
对于回归问题,随机森林的输出为所有树输出的平均值:
对于分类问题,随机森林的输出为所有树输出中的众数:
H(x)=mode{h1(x),h2(x),…,hN(x)};
故障预测:通过时间序列分析历史数据,预测设备可能出现的故障类型和时间,时间序列基于自回归移动平均模型,具体如下:
自回归移动平均模型用于描述非季节性时间序列,一个p阶和q阶的ARMA模型表示为:
该模型同时考虑设备参数的时间依赖性和随机噪声,为实时监测和故障预警提供更全面的分析;
维护建议生成:根据设备的健康状况和预测结果,提供维护和优化的具体建议和方案;
S7:跨设备智能协同阶段:
S71协议识别与映射;
S72动态适配器生成;
S73数据转换流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117536.7A CN116846987B (zh) | 2023-09-01 | 2023-09-01 | 一种工业互联网的交互界面生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117536.7A CN116846987B (zh) | 2023-09-01 | 2023-09-01 | 一种工业互联网的交互界面生成方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116846987A CN116846987A (zh) | 2023-10-03 |
CN116846987B true CN116846987B (zh) | 2023-11-07 |
Family
ID=88158534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117536.7A Active CN116846987B (zh) | 2023-09-01 | 2023-09-01 | 一种工业互联网的交互界面生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116846987B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117061569B (zh) * | 2023-10-11 | 2024-03-29 | 工福(北京)科技发展有限公司 | 一种基于物联网的工会交互数字信息监测*** |
CN117072845B (zh) * | 2023-10-18 | 2023-12-08 | 山东省信息技术产业发展研究院(中国赛宝(山东)实验室) | 一种基于工业互联网平台安全监测装置 |
CN117193926B (zh) * | 2023-11-03 | 2024-02-02 | 江苏卓铭电子科技有限公司 | 一种基于计算机辅助的计数仪表人机界面生成方法及*** |
CN117389237B (zh) * | 2023-12-13 | 2024-02-13 | 无锡雪浪数制科技有限公司 | 一种实现mvc的工业流程控制平台 |
CN117539983A (zh) * | 2024-01-10 | 2024-02-09 | 深度(山东)数字科技集团有限公司 | 一种基于人工智能的智能数据查询***及方法 |
CN117834454B (zh) * | 2024-03-04 | 2024-06-07 | 中铁四局集团有限公司 | 物联网设备协议适配的快速接入方法 |
CN117857655B (zh) * | 2024-03-08 | 2024-05-24 | 珠海创能科世摩电气科技有限公司 | 电缆通道的智慧物联终端的控制方法、装置、终端、介质 |
CN117873478B (zh) * | 2024-03-11 | 2024-05-14 | 长江龙新媒体有限公司 | 一种基于模块化组件的应用程序界面自定义方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739922A (zh) * | 2019-01-10 | 2019-05-10 | 江苏徐工信息技术股份有限公司 | 一种工业数据智能分析*** |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN111176245A (zh) * | 2019-10-29 | 2020-05-19 | 中国电子科技集团公司第三十八研究所 | 基于数字孪生技术的多终端工业设备巡检监控***及方法 |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN112363461A (zh) * | 2020-09-17 | 2021-02-12 | 金航数码科技有限责任公司 | 一种工业现场数据采集与控制*** |
CN115102827A (zh) * | 2022-05-27 | 2022-09-23 | 燕山大学 | 一种中小型制造业的数字产品实时监测通用互联网平台 |
CN116483009A (zh) * | 2023-04-26 | 2023-07-25 | 苏州思萃工业大数据技术研究所有限公司 | 一种基于互联网的工业数据采集处理*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230196230A1 (en) * | 2017-08-02 | 2023-06-22 | Strong Force Iot Portfolio 2016, Llc | User interface for industrial digital twin system analyzing data to determine structures with visualization of those structures with reduced dimensionality |
-
2023
- 2023-09-01 CN CN202311117536.7A patent/CN116846987B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和*** |
CN109739922A (zh) * | 2019-01-10 | 2019-05-10 | 江苏徐工信息技术股份有限公司 | 一种工业数据智能分析*** |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN111176245A (zh) * | 2019-10-29 | 2020-05-19 | 中国电子科技集团公司第三十八研究所 | 基于数字孪生技术的多终端工业设备巡检监控***及方法 |
CN112363461A (zh) * | 2020-09-17 | 2021-02-12 | 金航数码科技有限责任公司 | 一种工业现场数据采集与控制*** |
CN115102827A (zh) * | 2022-05-27 | 2022-09-23 | 燕山大学 | 一种中小型制造业的数字产品实时监测通用互联网平台 |
CN116483009A (zh) * | 2023-04-26 | 2023-07-25 | 苏州思萃工业大数据技术研究所有限公司 | 一种基于互联网的工业数据采集处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN116846987A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116846987B (zh) | 一种工业互联网的交互界面生成方法及*** | |
US20190219993A1 (en) | System and method for monitoring factory facilities using active black box | |
JP2022061042A (ja) | 分散型工業パフォーマンス監視及び分析 | |
CN107250932B (zh) | 可编程逻辑控制器及其中的语义情境化方法 | |
JP2022084926A (ja) | 分散型工業パフォーマンス監視及び分析プラットフォーム | |
US9253054B2 (en) | Remote industrial monitoring and analytics using a cloud infrastructure | |
CN116841262A (zh) | 基于机器视觉的智慧工厂生产在线监测分析*** | |
US11409962B2 (en) | System and method for automated insight curation and alerting | |
JP2017076386A (ja) | 分散型工業パフォーマンス監視及び分析 | |
JP2017076384A (ja) | 分散型工業パフォーマンス監視用のデータ分析サービス | |
JP2017076387A (ja) | 分散型工業システムにおけるソース非依存クエリ | |
US20110166912A1 (en) | Plant analysis system | |
CN104679828A (zh) | 一种基于规则的电网故障诊断智能*** | |
JP2017511942A (ja) | プロセス制御システムにおける分散ビッグデータ、プロセス制御デバイス、分散ビッグデータの支援方法、プロセス制御デバイス | |
CN204883710U (zh) | 一种基于规则的电网故障诊断智能*** | |
US20200159195A1 (en) | Selective data feedback for industrial edge system | |
KR20190106369A (ko) | 공장 자동화 설비의 수명과 생산성 향상을 위한 plc 패턴 분석 시스템 및 패턴 분석 방법 | |
Hegedűs et al. | The MANTIS architecture for proactive maintenance | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制*** | |
CN117827788A (zh) | 一种智能3d打印工厂数据处理方法和*** | |
KR20220057146A (ko) | 스마트 팩토리에 적용 가능한 IoT 시계열 데이터의 온디바이스 고속 이벤트 복합 분석 및 동기화 방법 및 이를 수행하는 시스템 | |
CN110794799A (zh) | 应用于工业生产的具有故障诊断功能的大数据*** | |
KR102453852B1 (ko) | 센서 데이터 처리 시스템 | |
JP2006072680A (ja) | 統合システム、システム統合方法およびシステム統合のためのプログラム | |
Santiago et al. | Predictive Maintenance System for efficiency improvement of heating equipment |
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 |