CN117499439A - 一种基于工业物联网的巡检数据处理***及其处理方法 - Google Patents
一种基于工业物联网的巡检数据处理***及其处理方法 Download PDFInfo
- Publication number
- CN117499439A CN117499439A CN202311508130.1A CN202311508130A CN117499439A CN 117499439 A CN117499439 A CN 117499439A CN 202311508130 A CN202311508130 A CN 202311508130A CN 117499439 A CN117499439 A CN 117499439A
- Authority
- CN
- China
- Prior art keywords
- data
- node
- monitoring
- operation data
- nodes
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 81
- 238000007689 inspection Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 143
- 238000012706 support-vector machine Methods 0.000 claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 42
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 49
- 230000000737 periodic effect Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 18
- 230000000007 visual effect Effects 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000003672 processing method Methods 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 239000003086 colorant Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于工业物联网的巡检数据处理***及其处理方法,该***包括数据采集模块、数据处理模块、巡检路径生成模块、数据传输模块以及故障检测模块;该控制方法通过传感器单元实时采集工业设备各监测节点的运行数据,利用预训练的机器学***台接收的运行数据根据数据类型和节点位置信息映射到三维模拟模型中,实现了数据的可视化展示,有助于提高工业设备的效率、可靠性和维护策略。
Description
技术领域
本发明涉及工业物联网领域,具体涉及一种基于工业物联网的巡检数据处理***及其处理方法。
背景技术
在工业生产环境中,设备监测和维护对于确保生产连续性和质量至关重要。传统的设备监测和维护通常是基于定期巡检或故障时的维修,该方法存在以下问题:
1.人工巡检成本高:定期巡检需要大量的人力资源,不仅劳动力成本高昂,还容易导致监测间隔不足或过长,可能错过潜在问题或浪费时间。
2.故障维修延迟:仅依靠故障时的维修容易导致生产停机时间过长,损害生产效益。
3.数据处理困难:监测设备产生大量数据,人工处理和分析这些数据非常困难,可能错过重要的信息。
4.监测效率低:传统巡检方法可能忽略了某些监测节点或没有考虑到最佳巡检路线,导致监测效率低下。
为了解决这些问题,需要提供一种实时对巡检数据处理的工业物联网***及其控制方法,以满足工业生产环境中的设备监测和维护需求。
发明内容
有鉴于此,本发明的目的在于提出一种基于工业物联网的巡检数据处理***及其处理方法,通过实时数据采集和智能数据处理,自动识别数据类型和节点位置信息,并利用最短路径算法生成巡检线路,从而实现自动化的巡检过程。云计算平台的应用使数据远程传输和分析成为可能,同时通过三维模拟模型的可视化展示,帮助用户实时监测设备状态。
基于上述目的,第一方面,本发明提供了一种基于工业物联网的巡检数据处理***,包括:
数据采集模块,用于通过传感器单元实时采集工业设备各监测节点的运行数据;
数据处理模块,用于通过使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,获取运行数据的数据类型以及节点位置信息;
巡检路径生成模块,基于检测到的节点位置信息,确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径;
数据传输模块,用于通过以太网连接方式在工业设备各监测节点安装通信单元,根据数据监测巡检路径形成以太网连接的数据传输网络,将数据传输网络连接云计算平台;
故障检测模块,用于将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,根据导入的性能参数检测各节点的运行数据。
作为本发明的进一步方案,所述数据处理模块使用了加入时间序列机制的支持向量机(SVM)模型。
作为本发明的进一步方案,所述数据处理模块在处理实时采集工业设备各监测节点的运行数据前,还包括:识别运行数据的时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签,生成周期性训练样本数据;将周期性训练样本数据进行处理;将处理后的训练样本数据输入到加入时间序列机制的支持向量机模型进行训练,并对支持向量机模型进行评估确保准确地分类数据并提取位置信息,以获得预训练的机器学习分类模型。
可选的,识别运行数据的时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签,生成周期性训练样本数据,包括:
式中,u1.1表示第1采样周期的第1个运行数据,X表示输入训练样本,Y表示输出训练样本;
利用优化函数求得周期性采集序列的周期,优化函数公式如下:
式中,xi≠xj,xi,xj分别表示不同周期相同位置的运行数据,|sk|表示集合sk的元素个数,1≤k≤T;表示|sk|个元素的组合数;
采集序列周期下的运行数据形成周期性训练样本数据:
可选的,将周期性训练样本数据进行处理,包括:采用L2-norm对周期性训练样本数据进行归一化处理。
可选的,所述加入时间序列机制的支持向量机模型的惩罚参数取值范围为:
式中,表示周期性训练样本数据的平均值,σY表示输出数据的标准离差。
作为本发明的进一步方案,所述数据处理模块在处理实时采集工业设备各监测节点的运行数据时,将实时采集的运行数据输入到预训练的机器学习分类模型中,机器学习分类模型为每个数据点生成预测,输出结果包括数据类型和节点位置信息。
第二方面,本发明提供了一种基于工业物联网的巡检数据处理***的控制方法,包括以下步骤:
通过传感器单元实时采集工业设备各监测节点的运行数据;
使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,获取运行数据的数据类型以及节点位置信息;
基于检测到的节点位置信息,确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径;
通过以太网连接方式在工业设备各监测节点安装通信单元,根据数据监测巡检路径形成以太网连接的数据传输网络,将数据传输网络连接云计算平台;
将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,根据导入的性能参数检测各节点的运行数据。
作为本发明的进一步方案,实时采集工业设备各监测节点的运行数据包括:
基于温度传感器采集的用于监测设备温度的温度数据;
基于湿度传感器采集的用于监测设备周围湿度的湿度数据;
基于电流传感器采集的用于监测设备的电流消耗情况的电流数据;
基于电压传感器采集的用于监测设备的电压供应情况的电压数据;
基于压力传感器采集的用于监测设备的内外部压力情况的压力数据;
其中,同一传感器单元采集的运行数据按照时间序列生成数据子集。
作为本发明的进一步方案,所述机器学习分类模型为加入时间序列机制的支持向量机(SVM)模型。
作为本发明的进一步方案,使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类前,还包括SVM模型训练,步骤如下:
特征提取和标记数据:从实时采集的工业设备各监测节点的运行数据中提取时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签;
创建标签数据集:为每个数据点分配相应的数据类型标签和节点位置标签,形成标签数据集,其中,所述数据类型标签用于指示数据点所属类型,所述节点位置标签用于指示数据点对应的监测节点;
模型训练:使用提取的时域特征和标签数据集,训练SVM模型,在训练过程中,SVM模型学习训练,将输入特征映射到相应的数据类型和节点位置信息上;
模型评估:对训练好的SVM模型使用交叉验证进行评估模型的召回率,得到准确地分类数据并提取位置信息的机器学习分类模型。
作为本发明的进一步方案,使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,包括以下步骤:
将实时采集的运行数据输入到预训练的机器学习分类模型中,收集工业设备各监测节点的运行数据,提取运行数据的时域特征,将时域特征组合成特征向量,使用预训练的机器学习分类模型对特征向量进行分类,使用预训练的机器学习分类模型对特征向量进行分类,机器学习分类模型为每个数据点生成预测并输出结果,输出结果包括数据类型和节点位置信息。
作为本发明的进一步方案,基于检测到的节点位置信息,确定传感器单元的采集节点坐标时,还包括:基于数据类型,将监测节点分组,对于每个数据类型的监测节点组,根据组内节点的位置信息,确定采集节点坐标;其中,确定采集节点坐标时,将节点坐标转化为二维平面上的点,计算组内节点的中心点坐标作为采集节点坐标。
作为本发明的进一步方案,生成数据监测巡检路径时,使用最短路径算法生成数据监测巡检路径,包括以下步骤:
图的构建:构建一个表示监测节点间连接关系的有向图,其中,图的节点表示各个采集节点的位置,边表示节点之间的连接;
节点权重赋值:为图中的边分配权重,以表示节点之间的巡检距离;
选择起点和终点:选择一个起始节点和一个终止节点,分别表示巡检任务的起始和结束位置;
计算最短路径:基于节点之间的权重,应用Dijkstra最短路径算法计算并找到从起始节点到终止节点的最短路径;
生成巡检线路:从最短路径信息中提取节点序列,按照节点序列顺序访问,得到数据监测巡检路径。
作为本发明的进一步方案,将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型,包括以下步骤:
建立三维模拟模型:创建一个包括工业设备的物理结构和监测节点的位置信息的三维模拟模型;
节点位置信息映射:将从云计算平台接收的节点位置信息映射到三维模拟模型中的相应节点;
数据类型分类:根据从云计算平台接收的运行数据的数据类型,将运行数据分类;
数据映射到节点:将每个数据点根据数据类型和监测节点的位置信息映射到三维模拟模型中的相应节点;
可视化展示:在三维模拟模型中,将映射的运行数据可视化展示在相应的节点上,其中,通过节点位置上显示颜色、图标、数字的方式表示相应的数据值及状态,在三维模拟模型中可视化展示映射的运行数据。
本发明的又一方面,还提供了一种计算机设备,包括存储器和处理器,该存储器中存储有计算机程序,该计算机程序被处理器执行时执行上述任一项根据本发明的一种基于工业物联网的巡检数据处理***的控制方法。
本发明的再一方面,还提供了一种计算机可读存储介质,存储有计算机程序指令,该计算机程序指令被执行时实现上述任一项根据本发明的一种基于工业物联网的巡检数据处理***的控制方法。
与现有技术相比较而言,本发明提出的一种基于工业物联网的巡检数据处理***及其处理方法,具有以下有益效果:
1.实时数据采集和分类:通过传感器单元,***能够实时采集工业设备各监测节点的运行数据,并通过预训练的机器学习分类模型对运行数据进行识别和分类,获取数据类型和节点位置信息,为数据分析和可视化提供了基础,确保设备状态的持续监测,有助于快速发现问题和异常。
2.自动化巡检:基于检测到的节点位置信息,数据监测巡检路径的自动生成和优化,以及最短路径算法的使用,使***能够确定传感器单元的采集节点坐标,并使用最短路径算法生成数据监测巡检路径,使得设备的巡检过程更加自动化和高效,减少人工干预和时间成本,以有效地巡检设备。
3.数据传输和云计算:通过以太网连接方式,在工业设备各监测节点安装通信单元,构建以太网连接的数据传输网络,将数据传输到云计算平台,为远程监测、分析和报告提供了便利,同时通过以太网连接方式建立的数据传输网络确保了数据的安全和稳定传输。
4.三维可视化模型:运用三维模拟模型,***将云计算平台接收的运行数据根据数据类型和节点位置信息映射到模型中的相应节点上,提供了直观的可视化界面,帮助用户直观地监测设备状态,从而更好地做出决策。
5.故障检测和性能评估:故障检测模块允许根据导入的性能参数对各节点的运行数据进行检测,以及时识别潜在问题或异常,从而提高设备的可靠性和维护效率,降低设备故障和停机的风险。
6.时域特征提取和SVM模型:引入时域特征提取和SVM模型,增强了数据分类的精确性,有助于更准确地判断运行数据的类型和位置信息,而且,***支持多种数据类型,适用于不同类型的工业设备监测,提高了***的通用性和适用性。
综上所述,本发明的工业物联网***及其控制方法能够有效地巡检工业设备、监测运行数据并提供实时反馈,有助于提高生产效率、设备可用性和维护效率,减少生产停滞和故障带来的损失。此外,还提供了多样性的数据处理和分析功能,可根据不同的需求进行定制和扩展。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
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,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他的实施例。
在图中:
图1为本发明实施例的一种基于工业物联网的巡检数据处理***及其处理方法的原理示意图。
图2为本发明实施例的一种基于工业物联网的巡检数据处理***的结构框图。
图3为本发明实施例的一种基于工业物联网的巡检数据处理***的控制方法的流程图。
图4为本发明实施例的一种基于工业物联网的巡检数据处理***的控制方法中SVM模型训练的流程图。
图5为本发明实施例的一种基于工业物联网的巡检数据处理***的控制方法中使用机器学习分类模型进行识别和分类的流程图。
图6为本发明实施例的一种基于工业物联网的巡检数据处理***的控制方法中运行数据映射到三维模拟模型的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
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,并参照附图,对本发明实施例进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称的非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、装置、产品或设备固有的其他步骤或单元。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
针对传统方法存在人工巡检成本高、故障维修延迟、数据处理困难和监测效率低的问题,本发明提出了一种基于工业物联网的巡检数据处理***及其处理方法,有效地处理工业设备的监测数据,提高设备的巡检效率、准确性以及维护策略,同时实现数据的远程传输、分析和可视化,满足工业生产中设备监测和维护的需求。
参见图1和图2所示,本发明的实施例提供了一种基于工业物联网的巡检数据处理***,该***包括数据采集模块100、数据处理模块200、巡检路径生成模块300、数据传输模块400以及故障检测模块500。其中,数据采集模块100用于通过传感器单元实时采集工业设备各监测节点的运行数据。数据采集模块100具体包括多个传感器单元,每个传感器单元用于监测工业设备的不同运行参数。
在一些实施例中,运行数据包括基于温度传感器采集的温度数据、基于湿度传感器采集的湿度数据、基于电流传感器采集的电流数据、基于电压传感器采集的电压数据、基于压力传感器采集的压力数据;其中,同一传感器单元采集的运行数据按照时间序列生成数据子集。
示例性的,温度传感器单元安装在工业设备的设备执行机构位置,用于实时监测设备的温度情况,温度数据以时间序列的方式生成数据子集,包括设备温度的变化趋势和波动。湿度传感器单元部署在工业设备周围,用于监测设备周围的湿度水平。湿度数据也按时间序列生成数据子集,反映了湿度的波动和变化;电流传感器单元连接到设备的电源线,用于监测设备的电流消耗情况。它生成包含电流值的时间序列数据,帮助识别设备是否正常运行。电压传感器单元监测设备的电压供应情况,以确保设备在合适的电压下运行。电压数据也以时间序列形式生成数据子集。压力传感器单元安装在设备内外,监测设备的内外部压力情况。它生成包含压力数据的时间序列,帮助检测设备是否受到过度的压力。
在数据采集过程中,每个传感器单元定期获取数据点,并将获取的数据点按照时间戳记录,形成时间序列数据子集。所述数据子集包括了多个数据点,每个数据点包含了特定时间的运行数据;上述时间序列的数据采集方式有助于***更好地理解设备的运行状况,并为后续的数据处理和分析提供了丰富的信息。
所述数据处理模块200用于通过使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,获取运行数据的数据类型以及节点位置信息。在本实施例中,所述数据处理模块200使用了加入时间序列机制的支持向量机(SVM)模型。其中,所述数据处理模块200在处理实时采集工业设备各监测节点的运行数据前,还包括:识别运行数据的时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签,将提取的时域特征输入到SVM模型进行训练,对SVM模型进行评估确保准确地分类数据并提取位置信息;以获得预训练的机器学习分类模型。
所述数据处理模块200在处理实时采集工业设备各监测节点的运行数据时,将实时采集的运行数据输入到预训练的机器学习分类模型中,机器学习分类模型为每个数据点生成预测,输出结果包括数据类型和节点位置信息。
所述巡检路径生成模块300用于基于检测到的节点位置信息,确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径。
在本实施例中,数据处理模块200使用支持向量机(SVM)模型进行训练和分类,以获取运行数据的数据类型和节点位置信息,包括以下步骤:
步骤1、识别时域特征:在处理实时采集的工业设备各监测节点的运行数据之前,首先从运行数据中提取时域特征,其中,所述时域特征包括数据的均值、方差、峰值、波形形状,用于描述数据在时间上的变化特性。
步骤2、添加标签:训练机器学习模型时,为每个数据点添加指示数据类型和节点位置信息的标签,所述标签能够帮助模型学习将数据分类并提取位置信息。标签示例可以如下:
(1)数据类型标签:0表示温度数据,1表示湿度数据,2表示电流数据,3表示电压数据,4表示压力数据。
(2)节点位置标签:使用坐标表示每个监测节点的位置,。
步骤3、特征向量生成:将提取的时域特征和添加的标签合并成特征向量。特征向量的维度为时域特征的数量加上数据类型和节点位置信息的标签,如:[均值,方差,峰值,...,数据类型标签,节点位置标签]。
步骤4、SVM模型训练:使用生成的特征向量作为训练数据,训练支持向量机(SVM)模型,其中,SVM模型通过学习将不同的时域特征与数据类型和节点位置信息关联起来,以实现准确的分类和位置信息提取。
步骤5、模型评估:训练完成后,对SVM模型通过交叉验证进行评估,以确保其准确地分类数据并提取位置信息。
步骤6、获得预训练的模型:SVM模型经过评估并被认为足够准确后,获得预训练的机器学习分类模型,所述机器学习分类模型用于实时数据处理,识别运行数据的数据类型和节点位置信息。
在一个具体实施例中,识别运行数据的时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签,生成周期性训练样本数据,包括:
式中,u1.1表示第1采样周期的第1个运行数据,X表示输入训练样本,Y表示输出训练样本;
利用优化函数求得周期性采集序列的周期,优化函数公式如下:
式中,xi≠xj,xi,xj分别表示不同周期相同位置的运行数据,|sk|表示集合sk的元素个数,1≤k≤T;表示|sk|个元素的组合数;
采集序列周期下的运行数据形成周期性训练样本数据:
在一个具体实施例中,将周期性训练样本数据进行处理,包括:采用L2-norm对周期性训练样本数据进行归一化处理。
在一个具体实施例中,所述加入时间序列机制的支持向量机模型的惩罚参数取值范围为:
式中,表示周期性训练样本数据的平均值,σY表示输出数据的标准离差。
所述数据传输模块400用于通过以太网连接方式在工业设备各监测节点安装通信单元,根据数据监测巡检路径形成以太网连接的数据传输网络,将数据传输网络连接云计算平台。
本实施例中,通过在工业设备的各监测节点上安装通信单元,通信单元为以太网通信设备,用于建立以太网连接,每个监测节点都必须连接到通信单元以便进行数据传输,使用巡检路径生成模块300生成数据监测巡检路径,该线路应包括要巡检的各个监测节点的顺序,根据生成的数据监测巡检路径,在监测节点之间建立以太网连接,通过建立连接,逐渐形成数据传输网络,其中每个监测节点都通过以太网连接方式与相邻节点连接。这样,数据可以从一个节点传输到另一个节点,沿着数据监测巡检路径传递,最终,将形成的数据传输网络连接到云计算平台。
示例性的,假设有一个工业生产线,其中包括10个监测节点,每个节点都具有温度传感器和湿度传感器。巡检任务要求按照最短路径依次巡检这些节点,实际数据传输时,在每个监测节点上,安装以太网通信单元,并使用巡检路径生成模块300生成最短路径线路,如节点1->节点3->节点5->...->节点10。然后,根据生成的线路,建立以太网连接,例如,节点1与节点3通过以太网连接相连,节点3与节点5相连,以此类推。数据从节点1开始传输,依次经过各个节点,最终到达云计算平台。数据传输网络在运行时逐步形成,确保数据沿着巡检线路传递,然后连接到云计算平台以进行进一步的处理。
所述故障检测模块500用于将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,根据导入的性能参数检测各节点的运行数据。
其中,将云计算平台接收的运行数据根据数据类型和节点位置信息映射到包含采集节点坐标和数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,并使用导入的性能参数检测各节点的运行数据时,包括以下步骤:
步骤1.建立三维模拟模型:首先,建立一个三维模拟模型,该模型包括工业设备的物理结构和各监测节点的位置信息,可以是一个虚拟的三维环境,其中工业设备和节点都以3D模型的形式存在。
步骤2.节点位置信息映射:将从云计算平台接收的节点位置信息映射到三维模拟模型中的相应节点,其中,每个监测节点在模型中都有一个对应的位置。
步骤3.数据类型分类:根据从云计算平台接收的运行数据的数据类型,将运行数据分类。例如,温度数据、湿度数据、电流数据等。
步骤4.数据映射到节点:将每个数据点根据其数据类型和监测节点的位置信息映射到三维模拟模型中的相应节点,其中,每个节点上都会有与其对应的运行数据点。
步骤5.可视化展示:在三维模拟模型中,将映射的运行数据可视化展示在相应的节点上,可以通过在节点位置上显示颜色、图标、数字等方式来表示相应的数据值和状态。
步骤6.性能参数导入:从外部源导入性能参数,这些性能参数可以用于检测各节点的运行数据,性能参数包括阈值、警报条件、正常范围等。
步骤7.运行数据检测:使用导入的性能参数对各节点的运行数据进行检测,根据性能参数自动检测异常数据点,触发警报。
示例性的,在工业机器人生产线中,包括多个监测节点,每个节点上都安装有温度传感器和湿度传感器。通过建立一个三维模拟模型,模拟整个生产线的物理结构,包括机器人和各个监测节点的位置。
从云计算平台接收温度和湿度数据,这些温度和湿度数据通过故障检测模块500被映射到三维模拟模型中的相应节点。例如,温度数据被映射到机器人的头部节点,湿度数据被映射到机器人的手臂节点。
在三维模拟模型中,以颜色来表示温度数据,红色表示高温,蓝色表示低温。湿度数据以图标形式表示,湿度正常的节点显示绿色标志,湿度异常的节点显示黄色标志。
同时,导入了性能参数,例如最高温度和最低湿度的阈值。***会自动检测节点上的数据是否超出这些阈值,如果超出,将触发警报,以指示潜在的问题或故障。
综上所述,本发明的一种基于工业物联网的巡检数据处理***旨在有效管理和监测工业设备各监测节点的运行数据,以提高生产效率、降低设备故障风险以及实现更好的维护策略。本***通过传感器单元实时采集工业设备各监测节点的多种运行数据,包括温度、湿度、电流、电压、压力等,这有助于及时了解设备的状态。本***中的数据处理模块200使用了预训练的机器学习分类模型,具备对运行数据进行自动识别和分类的能力。该模型甚至可以加入时间序列机制,进一步提高数据处理的准确性。
基于检测到的节点位置信息,***能够确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径,从而优化巡检任务的路线规划;数据传输模块400通过以太网连接方式将监测数据传输至云计算平台,形成以太网连接的数据传输网络。这将运行数据集中管理和分析,以便更好地监测设备状态;故障检测模块500将运行数据映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,可视化展示运行数据,使操作员能够更容易地理解设备状态;使用导入的性能参数,***能够自动检测各节点的运行数据,发现异常数据点并触发警报,从而实现早期故障检测和预防性维护。
本发明的工业物联网***提供了一种全面、智能、可视化的方法来处理和管理工业设备的运行数据,有助于提高生产效率、减少故障停机时间,并为设备维护提供更好的决策支持。这一技术解决方案在工业自动化领域具有广泛的应用前景,将为工业制造业带来显著的益处。
本发明实施例的第二个方面,参见图1和图3所示,本发明还提供了一种基于工业物联网的巡检数据处理***的控制方法,包括以下步骤:
步骤S10、通过传感器单元实时采集工业设备各监测节点的运行数据。
其中,运行数据包括基于温度传感器采集的温度数据、基于湿度传感器采集的湿度数据、基于电流传感器采集的电流数据、基于电压传感器采集的电压数据、基于压力传感器采集的压力数据;其中,同一传感器单元采集的运行数据按照时间序列生成数据子集。传感器单元通过各监测节点实时采集多种运行数据,如温度、湿度、电流、电压、压力等,将这运行些数据以时间序列的形式不断生成,构成了监测节点的数据流。
步骤S20、使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,获取运行数据的数据类型以及节点位置信息。
其中,使用预训练的机器学习分类模型,例如带有时间序列机制的支持向量机(SVM)模型。首先,识别运行数据的时域特征,为每个数据点添加数据类型和节点位置的标签。然后,提取的时域特征被用作SVM模型的输入,模型被训练来准确分类数据并提取位置信息,例如:提取的时域特征可能包括均值、方差、周期性等统计数据。SVM模型通过学习时域特征和标签数据来建立分类模型,确保高度准确的分类和位置信息提取。
步骤S30、基于检测到的节点位置信息,确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径。
其中,为了生成数据监测巡检路径,节点根据数据类型被分组,并在每个数据类型组内,根据节点的位置信息确定采集节点坐标。节点坐标可以转化为二维平面上的点,然后计算组内节点的中心点坐标作为采集节点坐标。
步骤S40、通过以太网连接方式在工业设备各监测节点安装通信单元,根据数据监测巡检路径形成以太网连接的数据传输网络,将数据传输网络连接云计算平台。
其中,通过以太网连接方式在监测节点上安装通信单元,构建了以太网连接的数据传输网络,该数据传输网络将实时监测数据传输到云计算平台,以便后续的数据处理和分析。
步骤S50、将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,根据导入的性能参数检测各节点的运行数据。
其中,云计算平台接收运行数据,根据数据类型和节点位置信息,将数据映射到三维模拟模型中,该三维模拟模型型包括工业设备的物理结构和监测节点的位置信息。每个数据点根据数据类型和监测节点的位置信息映射到相应的节点上,通过节点位置上的颜色、图标、数字等方式可视化展示数据值和状态。还利用导入的性能参数,分析每个节点的运行数据,及时检测异常数据并触发警报,以支持维护决策。
本发明的工业物联网***控制方法用于采集、处理、传输和分析工业设备的运行数据,从而实现更好的设备监测、管理和维护,该方法在工业自动化领域有广泛的应用前景,有助于提高生产效率、降低故障成本,并提供更可靠的设备运行。
在本实施例中,所述机器学习分类模型为加入时间序列机制的支持向量机(SVM)模型。参见图4所示,使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类前,还包括SVM模型训练,步骤如下:
步骤S101、特征提取和标记数据:从实时采集的工业设备各监测节点的运行数据中提取时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签。
在这一步骤中,从实时采集的各监测节点的运行数据中提取时域特征,时域特征指在时间域内对运行数据进行分析,如均值、方差、周期性等。这些时域特征可以用来描述数据的统计特性和动态行为,为了训练SVM模型,为每个数据点添加指示数据类型和节点位置信息的标签。
步骤S102、创建标签数据集:为每个数据点分配相应的数据类型标签和节点位置标签,形成标签数据集,其中,所述数据类型标签用于指示数据点所属类型,所述节点位置标签用于指示数据点对应的监测节点。
在这一步骤中,将已提取的时域特征和相关信息组合成标签数据集,数据类型标签用于指示数据点属于哪种类型,例如温度、湿度、电流等。节点位置标签用于指示数据点对应的监测节点,标签数据集将在SVM模型的训练过程中用作训练数据。
步骤S103、模型训练:使用提取的时域特征和标签数据集,训练SVM模型,在训练过程中,SVM模型学习训练,将输入特征映射到相应的数据类型和节点位置信息上。
在这一步骤中,使用提取的时域特征和标签数据集来训练支持向量机(SVM)模型,SVM模型通过学习训练数据,将输入特征映射到相应的数据类型和节点位置信息上。这一过程中,SVM模型会通过找到决策边界,以准确分类不同数据类型,并识别不同节点的位置。
步骤S104、模型评估:对训练好的SVM模型使用交叉验证进行评估模型的召回率,得到准确地分类数据并提取位置信息的机器学习分类模型。
为了确保SVM模型的准确性和可靠性,需要在这一步骤中对SVM模型进行评估,使用交叉验证技术来评估模型的性能,其中为采用召回率指标进行评估,可以确保模型准确地分类数据并提取位置信息。在评估后,得到一个预训练的机器学习分类模型,该机器学习分类模型用于后续处理实时采集的运行数据。
在本实施例中,使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,包括以下步骤:
将实时采集的运行数据输入到预训练的机器学习分类模型中,收集工业设备各监测节点的运行数据,提取运行数据的时域特征,将时域特征组合成特征向量,使用预训练的机器学习分类模型对特征向量进行分类,使用预训练的机器学习分类模型对特征向量进行分类,机器学习分类模型为每个数据点生成预测并输出结果,输出结果包括数据类型和节点位置信息。
其中,基于检测到的节点位置信息,确定传感器单元的采集节点坐标时,还包括:基于数据类型,将监测节点分组,对于每个数据类型的监测节点组,根据组内节点的位置信息,确定采集节点坐标;其中,确定采集节点坐标时,将节点坐标转化为二维平面上的点,计算组内节点的中心点坐标作为采集节点坐标。
在本实施例中,参见图5所示,生成数据监测巡检路径时,使用最短路径算法生成数据监测巡检路径,包括以下步骤:
步骤S301、图的构建:构建一个表示监测节点间连接关系的有向图,其中,图的节点表示各个采集节点的位置,边表示节点之间的连接;
步骤S302、节点权重赋值:为图中的边分配权重,以表示节点之间的巡检距离;
步骤S303、选择起点和终点:选择一个起始节点和一个终止节点,分别表示巡检任务的起始和结束位置;
步骤S304、计算最短路径:基于节点之间的权重,应用Dijkstra最短路径算法计算并找到从起始节点到终止节点的最短路径;
步骤S305、生成巡检线路:从最短路径信息中提取节点序列,按照节点序列顺序访问,得到数据监测巡检路径。
在本实施例中,参见图6所示,将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型,包括以下步骤:
步骤S401、建立三维模拟模型:创建一个包括工业设备的物理结构和监测节点的位置信息的三维模拟模型;
步骤S402、节点位置信息映射:将从云计算平台接收的节点位置信息映射到三维模拟模型中的相应节点;
步骤S403、数据类型分类:根据从云计算平台接收的运行数据的数据类型,将运行数据分类;例如,将温度数据、湿度数据、电流数据等分为不同的数据类型类别,以便在模型中进行区分和显示。
步骤S404、数据映射到节点:将每个数据点根据数据类型和监测节点的位置信息映射到三维模拟模型中的相应节点;
步骤S405、可视化展示:在三维模拟模型中,将映射的运行数据可视化展示在相应的节点上,其中,通过节点位置上显示颜色、图标、数字的方式表示相应的数据值及状态,在三维模拟模型中可视化展示映射的运行数据。例如,温度数据可以用颜色来表示,湿度数据可以用图标来表示,电流数据可以用数字来表示。这使用户可以直观地查看运行数据并了解设备状态。
通过上述步骤,可以将云计算平台接收的运行数据以三维可视化的方式呈现,帮助用户更容易地监测工业设备的运行状态和性能,有助于提高设备的管理和维护效率。
综上所述,本发明涉及一种基于工业物联网的巡检数据处理***及其处理方法。该方法通过传感器单元实时采集工业设备各监测节点的运行数据,使用预训练的机器学***台。在云计算平台上,运行数据根据数据类型和节点位置信息映射到包含采集节点坐标和数据监测巡检路径的三维模拟模型中,并以可视化方式展示在相应节点上。最后,根据导入的性能参数对各节点的运行数据进行检测。
本发明的控制方法有助于提高工业设备的监测、管理和维护效率,通过实时数据采集、分类和可视化呈现,帮助操作人员更好地理解设备运行情况,及时发现和解决潜在问题,从而提高生产效率和设备可靠性。这个发明在工业物联网领域具有广泛的应用前景,有助于推动工业自动化和智能化的发展。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
本发明实施例的第三个方面,还提供了一种计算机设备,包括存储器和处理器,该存储器中存储有计算机程序,该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
在该计算机设备中包括一个处理器以及一个存储器,并还可以包括:输入装置和输出装置。处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接,输入装置可接收输入的数字或字符信息,以及产生与用于巡检数据处理的工业物联网的迁移有关的信号输入。输出装置可包括显示屏等显示设备。
存储器作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的一种基于工业物联网的巡检数据处理***对应的程序指令/模块。存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需要的应用程序;存储数据区可存储一种基于工业物联网的巡检数据处理***的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的一种基于工业物联网的巡检数据处理***的控制方法的步骤。
应当理解,在相互不冲突的情况下,以上针对根据本发明的一种基于工业物联网的巡检数据处理***阐述的所有实施方式、特征和优势同样地适用于根据本发明的用于巡检数据处理的工业物联网和存储介质。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个装置的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
最后需要说明的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
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实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,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,并存在如上的本发明实施例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。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于工业物联网的巡检数据处理***,其特征在于,包括:
数据采集模块,用于通过传感器单元实时采集工业设备各监测节点的运行数据;
数据处理模块,用于通过使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,获取运行数据的数据类型以及节点位置信息;
巡检路径生成模块,基于检测到的节点位置信息,确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径;
数据传输模块,用于通过以太网连接方式在工业设备各监测节点安装通信单元,根据数据监测巡检路径形成以太网连接的数据传输网络,将数据传输网络连接云计算平台;
故障检测模块,用于将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,根据导入的性能参数检测各节点的运行数据。
2.根据权利要求1所述的一种基于工业物联网的巡检数据处理***,其特征在于,所述数据处理模块使用了加入时间序列机制的支持向量机模型。
3.根据权利要求2所述的一种基于工业物联网的巡检数据处理***,其特征在于,所述数据处理模块在处理实时采集工业设备各监测节点的运行数据前,还包括:
识别运行数据的时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签,生成周期性训练样本数据;
将周期性训练样本数据进行处理;
将处理后的训练样本数据输入到加入时间序列机制的支持向量机模型进行训练,并对支持向量机模型进行评估确保准确地分类数据并提取位置信息。
4.根据权利要求3所述的一种基于工业物联网的巡检数据处理***,其特征在于,识别运行数据的时域特征,并为每个数据点添加指示数据类型和节点位置信息的标签,生成周期性训练样本数据,包括:
式中,u1.1表示第1采样周期的第1个运行数据,X表示输入训练样本,Y表示输出训练样本;
利用优化函数求得周期性采集序列的周期,优化函数公式如下:
式中,xi≠xj,xi,xj分别表示不同周期相同位置的运行数据,|sk|表示集合sk的元素个数,1≤k≤T;表示|sk|个元素的组合数;
采集序列周期下的运行数据形成周期性训练样本数据:
5.根据权利要求3所述的一种基于工业物联网的巡检数据处理***,其特征在于,将周期性训练样本数据进行处理,包括:采用L2-norm对周期性训练样本数据进行归一化处理。
6.根据权利要求3所述的一种基于工业物联网的巡检数据处理***,其特征在于,所述加入时间序列机制的支持向量机模型的惩罚参数取值范围为:
式中,表示周期性训练样本数据的平均值,σY表示输出数据的标准离差。
7.根据权利要求3所述的一种基于工业物联网的巡检数据处理***,其特征在于,所述数据处理模块在处理实时采集工业设备各监测节点的运行数据时,将实时采集的运行数据输入到预训练的机器学习分类模型中,收集工业设备各监测节点的运行数据,提取运行数据的时域特征,将时域特征组合成特征向量,使用预训练的机器学习分类模型对特征向量进行分类,使用预训练的机器学习分类模型对特征向量进行分类,机器学习分类模型为每个数据点生成预测并输出结果,输出结果包括数据类型和节点位置信息。
8.根据权利要求1所述的一种基于工业物联网的巡检数据处理***,其特征在于,所述巡检路径生成模块中,基于检测到的节点位置信息,确定传感器单元的采集节点坐标时,还包括:基于数据类型,将监测节点分组,对于每个数据类型的监测节点组,根据组内节点的位置信息,确定采集节点坐标;其中,确定采集节点坐标时,将节点坐标转化为二维平面上的点,计算组内节点的中心点坐标作为采集节点坐标。
9.根据权利要求1所述的一种基于工业物联网的巡检数据处理***,其特征在于,其特征在于,所述巡检路径生成模块生成数据监测巡检路径时,使用最短路径算法生成数据监测巡检路径,包括:
图的构建:构建一个表示监测节点间连接关系的有向图,其中,图的节点表示各个采集节点的位置,边表示节点之间的连接;
节点权重赋值:为图中的边分配权重,以表示节点之间的巡检距离;
选择起点和终点:选择一个起始节点和一个终止节点,分别表示巡检任务的起始和结束位置;
计算最短路径:基于节点之间的权重,应用Dijkstra最短路径算法计算并找到从起始节点到终止节点的最短路径;
生成巡检线路:从最短路径信息中提取节点序列,按照节点序列顺序访问,得到数据监测巡检路径。
10.一种如权利要求1-9任一项所述的一种基于工业物联网的巡检数据处理***的处理方法,其特征在于,包括以下步骤:
通过传感器单元实时采集工业设备各监测节点的运行数据;
使用预训练的机器学习分类模型,对工业设备各监测节点的运行数据进行识别和分类,获取运行数据的数据类型以及节点位置信息;
基于检测到的节点位置信息,确定传感器单元的采集节点坐标,并在相同数据类型的采集节点坐标之间生成数据监测巡检路径;
通过以太网连接方式在工业设备各监测节点安装通信单元,根据数据监测巡检路径形成以太网连接的数据传输网络,将数据传输网络连接云计算平台;
将云计算平台接收的运行数据根据数据类型以及节点位置信息映射到包含采集节点坐标以及数据监测巡检路径的三维模拟模型中,并将运行数据可视化展示在三维模拟模型的相应节点上,根据导入的性能参数检测各节点的运行数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508130.1A CN117499439A (zh) | 2023-11-14 | 2023-11-14 | 一种基于工业物联网的巡检数据处理***及其处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508130.1A CN117499439A (zh) | 2023-11-14 | 2023-11-14 | 一种基于工业物联网的巡检数据处理***及其处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117499439A true CN117499439A (zh) | 2024-02-02 |
Family
ID=89681087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508130.1A Pending CN117499439A (zh) | 2023-11-14 | 2023-11-14 | 一种基于工业物联网的巡检数据处理***及其处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117499439A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117835291A (zh) * | 2024-03-04 | 2024-04-05 | 济南光路科技有限公司 | 一种基于物联网的数据管理***及方法 |
CN117991708A (zh) * | 2024-04-03 | 2024-05-07 | 福建智联万物科技有限公司 | 基于物联网工业自动预警*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104810928A (zh) * | 2015-05-16 | 2015-07-29 | 云南电网有限责任公司楚雄供电局 | 可视化电网监测预警及应急指挥*** |
CN113313280A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
CN114092537A (zh) * | 2021-09-23 | 2022-02-25 | 国电南瑞科技股份有限公司 | 一种变电站电力无人机自动巡检方法及装置 |
CN114967495A (zh) * | 2022-04-25 | 2022-08-30 | 华南农业大学 | 基于物联网云端控制平台的果园虚拟仿真巡检***及方法 |
WO2023020084A1 (zh) * | 2021-08-20 | 2023-02-23 | 中国华能集团清洁能源技术研究院有限公司 | 海上无人机巡检飞行路径生成方法、装置及无人机 |
CN116972855A (zh) * | 2023-09-22 | 2023-10-31 | 北京洛斯达科技发展有限公司 | 基于bim的选煤厂设备三维漫游巡检方法及*** |
CN117014472A (zh) * | 2023-09-04 | 2023-11-07 | 中国长江电力股份有限公司 | 一种基于云边端协同的电厂设备智能巡检方法及*** |
-
2023
- 2023-11-14 CN CN202311508130.1A patent/CN117499439A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104810928A (zh) * | 2015-05-16 | 2015-07-29 | 云南电网有限责任公司楚雄供电局 | 可视化电网监测预警及应急指挥*** |
CN113313280A (zh) * | 2021-03-31 | 2021-08-27 | 阿里巴巴新加坡控股有限公司 | 云平台的巡检方法、电子设备及非易失性存储介质 |
WO2023020084A1 (zh) * | 2021-08-20 | 2023-02-23 | 中国华能集团清洁能源技术研究院有限公司 | 海上无人机巡检飞行路径生成方法、装置及无人机 |
CN114092537A (zh) * | 2021-09-23 | 2022-02-25 | 国电南瑞科技股份有限公司 | 一种变电站电力无人机自动巡检方法及装置 |
CN114967495A (zh) * | 2022-04-25 | 2022-08-30 | 华南农业大学 | 基于物联网云端控制平台的果园虚拟仿真巡检***及方法 |
CN117014472A (zh) * | 2023-09-04 | 2023-11-07 | 中国长江电力股份有限公司 | 一种基于云边端协同的电厂设备智能巡检方法及*** |
CN116972855A (zh) * | 2023-09-22 | 2023-10-31 | 北京洛斯达科技发展有限公司 | 基于bim的选煤厂设备三维漫游巡检方法及*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117835291A (zh) * | 2024-03-04 | 2024-04-05 | 济南光路科技有限公司 | 一种基于物联网的数据管理***及方法 |
CN117835291B (zh) * | 2024-03-04 | 2024-05-10 | 济南光路科技有限公司 | 一种基于物联网的数据管理***及方法 |
CN117991708A (zh) * | 2024-04-03 | 2024-05-07 | 福建智联万物科技有限公司 | 基于物联网工业自动预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108873830A (zh) | 一种生产现场数据在线采集分析及故障预测*** | |
CN117499439A (zh) | 一种基于工业物联网的巡检数据处理***及其处理方法 | |
EP3441836B1 (en) | Algorithm and method for detecting faults of a machine based on machine-learning technique | |
Mourtzis et al. | Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality | |
Ploennigs et al. | Adapting semantic sensor networks for smart building diagnosis | |
KR102427205B1 (ko) | 인공지능 모델을 위한 학습 데이터 생성 장치 및 방법 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断***以及诊断方法 | |
US20230366689A1 (en) | Methods and internet of things systems for jointly processing safety hazards based on smart gas geographic information systems | |
CN105184886A (zh) | 一种云数据中心智能巡检***及方法 | |
CN114037673B (zh) | 一种基于机器视觉的硬件衔接接口监测方法及*** | |
CN108225439A (zh) | 一种电子通信环境监控*** | |
CN103023028A (zh) | 一种基于实体间依赖关系图的电网故障快速定位方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及*** | |
Wong et al. | A mobile production monitoring system based on internet of thing (IoT) and random forest classification | |
CN117689256B (zh) | 一种铝合金熔铸产品质量溯源方法 | |
CN116859838B (zh) | 一种设备运行情况监测的预警*** | |
CN113468022A (zh) | 一种对产品集中监控的自动化运维方法 | |
CN116185757B (zh) | 机房能耗智能监测*** | |
CN117110794A (zh) | 一种电缆故障智能诊断***及方法 | |
CN117216341A (zh) | 一种电网分布式时空数据的可视化方法及*** | |
Giusti et al. | Data analytics and production efficiency evaluation on a flexible manufacturing cell | |
He et al. | A review of optimal sensor deployment to diagnose manufacturing systems | |
Shi | Data fusion for in-process quality improvement | |
CN110162015B (zh) | 一种基于公共饮水装置的故障诊断方法 | |
CN109613851B (zh) | 一种基于多阶组合的网络化在线监控方法 |
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 |