CN117590801B - 云边协同的5g边缘控制装置 - Google Patents
云边协同的5g边缘控制装置 Download PDFInfo
- Publication number
- CN117590801B CN117590801B CN202410080383.1A CN202410080383A CN117590801B CN 117590801 B CN117590801 B CN 117590801B CN 202410080383 A CN202410080383 A CN 202410080383A CN 117590801 B CN117590801 B CN 117590801B
- Authority
- CN
- China
- Prior art keywords
- protocol
- data
- model
- edge
- cloud
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000004891 communication Methods 0.000 claims abstract description 35
- 238000007405 data analysis Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000002131 composite material Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 16
- 238000007726 management method Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001343 mnemonic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/056—Programming the PLC
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/13—Plc programming
- G05B2219/13004—Programming the plc
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Communication Control (AREA)
Abstract
云边协同的5G边缘控制装置，包括硬件部分和软件部分；硬件部分包括核心处理器和5G通信模块；软件部分包括虚拟机监视器、操作***、数据解析分析模块和边缘控制模块；虚拟机监视器创建两个虚拟资源空间，分别安装Linux和Windows操作***，数据解析分析模块运行在Windows操作***，对数据采集设备采集的机器设备数据进行基于协议模型的解析，获取所采集数据并存储；边缘控制模块运行在Linux操作***，将云层建立的机器设备的控制模型及对应的复合功能块代码打包映射到Docker容器，获取机器设备与工作状态相关的工作参数，同步至云层，并接收云层下发的控制模型参数，在边缘层更新控制算法，实现云边协同。
Description
技术领域
本发明属于工业自动控制技术领域，用来对工业现场的设备进行数据采集并进行边缘处理，对设备实现控制，特别涉及一种云边协同的5G边缘控制装置。
背景技术
由于物联网接入的终端设备复杂且网络异构，在建设智能工厂或工业物联网***时，通常需要在可编程控制器的南向安装数采网关，以解决多源异构设备协议解析及数据接入的问题。同时面对海量数据接入后带来的计算压力和隐私保护要求，通常会在可编程控制器的北向配置边缘计算装置，边缘计算装置多使用工业计算机，对数据组态监视，并上传到云层或对应的本地服务器。
显然，基于以上方法实现的工业边缘控制及计算功能，存在如下问题：
（1）通过网关、可编程控制器再到边缘计算装置的串行连接及数据交互，结构复杂且不便于部署，成本较高。
（2）由于不同网关适配的协议不同，且通信方式不同，导致数据采集及协议解析不灵活，接入能力受限，且通信传输延迟大。
（3）基于传统可编程控制器的控制***，软硬件耦合性高，接口较封闭，其程序调整或优化相对困难，且长时间运行后设备自带的控制器一旦停产或换代，则对于该设备的运维将很难进行。
（4）传统的组态监视功能，对边缘数据分析能力少，数据挖掘的深度不够，无法直接指导实际的生产工作，严重依赖现场工程师的个人经验。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种云边协同的5G边缘控制装置，以期提高部署的灵活性、扩展性，降低数据传输的延迟；并进一步扩大数据采集能力和在边缘层的数据计算分析能力，并保证后期运维的便捷性和经济性。
为了实现上述目的，本发明采用的技术方案是：
一种云边协同的5G边缘控制装置，包括硬件部分和软件部分；所述硬件部分包括核心处理器和至少一个5G通信模块；所述软件部分包括虚拟机监视器、操作***、数据解析分析模块和边缘控制模块；
所述虚拟机监视器部署于所述硬件部分，创建两个虚拟资源空间；
所述操作***为Linux操作***和Windows操作***，分别安装在所述两个虚拟资源空间；所述数据解析分析模块运行在所述Windows操作***，所述边缘控制模块运行在所述Linux操作***；
所述数据解析分析模块与部署在端层的数据采集设备通信连接，对数据采集设备采集的机器设备数据进行基于协议模型的解析，获取所采集数据并存储；
所述边缘控制模块将云层建立的机器设备的控制模型及对应的复合功能块代码打包映射到Docker容器；所述边缘控制模块与部署在端层的机器设备通信连接，获取所述机器设备与工作状态相关的工作参数，同步至云层，并接收云层向边缘层下发的控制模型参数，在边缘层更新控制算法，实现云边协同。
在一个实施例中，所述数据采集设备包括传感器、摄像头和仪表，所述传感器采集机器设备运行时的工作参数数据，所述摄像头采集机器设备的运行现场视频数据，所述仪表采集与机器设备运行过程的控制和优化相关的参数数据。
在一个实施例中，所述数据解析分析模块包括数据存储单元和基于协议模型的解析单元，所述基于协议模型的解析单元对数据采集设备采集的机器设备数据进行基于协议模型的解析，方法如下：
步骤1，定义能够表征多种不同协议的协议模型f，并利用已知协议建立初始协议模型f0，所述协议模型f的结构按顺序表征如下：
f=(L,N,L1,L2,…,LN,T1,T2,…,TN,D,P)；
其中，L表示某协议的数据帧中除数据位之外的长度，N表示该协议的协议特征数量，L1表示第一个协议特征长度，L2表示第二个协议特征长度，LN表示第N个协议特征长度，L=L1+L2+…+LN，T1表示第一个协议特征所对应的物理属性，T2表示第二个协议特征所对应的物理属性，TN表示第N个协议特征所对应的物理属性，D表示该协议的数据帧中数据位的数据内容，P表示该协议的协议类型；
步骤2，进行模型训练，得到训练后的协议模型fx，将初始协议模型f0与训练后的协议模型fx组合并对相同特征去重，得到多协议解析模型fA；其中初始协议模型f0和训练后的协议模型fx存储在云层服务器，多协议解析模型fA存储在所述数据存储单元；
步骤3，输入当前数据包的协议类型Px，与多协议解析模型fA中的协议类型进行检索匹配，以确定此协议类型Px是否在当前的多协议解析模型fA的表征范围内；如检索匹配成功，则进入步骤4，否则进入步骤2进行模型训练并更新多协议解析模型fA；
步骤4，确定检索匹配成功的协议类型Px的协议特征；
步骤5，根据要采集的数据及其参数配置生成XML格式的解析文件，从而获取训练后的协议模型fx中协议的数据帧中数据位的数据内容Dx；
步骤6，将所述解析文件下载到所述云边协同的5G边缘控制装置的内存中，并向云层发送数据。
在一个实施例中，所述初始协议模型f0选择协议类型为Modbus TCP协议，其结构按顺序表征如下：
f0=(L0,N0,L0 1,L0 2,L0 3,T0 1,T0 2,T0 3,D0,P0)；
其中P0表示初始协议类型，即Modbus TCP协议，L0表示初始协议的数据帧中除数据位之外的长度，N0表示初始协议的协议特征数量，N0=3，第一个协议特征长度L0 1=7，第二个协议特征长度L0 2=16，第三个协议特征长度L0 3根据传输的数据长短变化，第一个协议特征所对应的物理属性T0 1表示报文头，第二个协议特征所对应的物理属性T0 2表示特征码，第三个协议特征所对应的物理属性T0 3表示数据位，D0表示初始协议的数据帧中数据位的数据内容。
在一个实施例中，所述步骤2，得到多协议解析模型fA的方法如下：
步骤2.1，利用云层计算资源，使用K均值聚类算法对各数据帧进行分类，从而得到训练后的协议模型fx；
步骤2.2，利用初始协议模型f0与训练后的协议模型fx，更新多协议解析模型fA。
在一个实施例中，所述步骤2.1，训练方法如下：
步骤2.1.1，准备数据集并划分训练集与验证集，其中数据集各数据帧中数据位的数据内容D是已知的；
步骤2.1.2，对训练集的每个数据帧，设置K均值聚类算法的初始聚类中心数为从3到20，每个聚类为一个协议特征；找出包含数据帧中数据位的数据内容D最多的一个聚类，并计算该聚类中的百分比R，R=q/p，其中q是该聚类中包含的数据帧中数据位的数据内容D的数据长度，p是数据帧中数据位的数据内容D的数据总长度；依次计算出训练集中各个百分比R，求平均值Ra；
步骤2.1.3，依次计算聚类中心数从3到20对应的平均值Ra，将平均值Ra最大时对应的聚类数n确定为最优聚类中心数；
步骤2.1.4：对比n个聚类中心对应的数值，给出各个聚类代表的物理属性，分别记为T1~Tn；
步骤2.1.5，对比对应的聚类结果，针对接入的未知协议，确定其协议模型也即训练后的协议模型fx表示如下：
fx=(Lx,Nx,Lx 1,Lx 2,…,Lx n,Tx 1,Tx 2,…,Tx n,Dx,Px)；
其中，该未知协议的协议特征数量Nx=n，Lx 1,Lx 2,…,Lx n为训练后的协议模型fx的第一个至第n个协议特征长度，该未知协议的数据帧中除数据位之外的长度Lx=Lx 1+Lx 2+…+Lx n，Tx 1,Tx 2,…,Tx n表示训练后的协议模型fx的第一个至第n个协议特征所对应的物理属性，Dx表示该未知协议的数据帧中数据位的数据内容，Px表示该未知协议的协议类型。
在一个实施例中，所述步骤2.2，更新多协议解析模型fA的方法如下：
步骤2.2.1，合并训练后的协议模型fx和多协议解析模型fA，并通过合并更新多协议解析模型fA，表达如下：
fA=(L0,Lx,N0,Nx,L0 1,L0 2,L0 3,Lx 1,Lx 2,…,Lx n,T0 1,T0 2,T0 3,Tx 1,Tx 2,…,Tx n,D0,Dx,P0,Px)；
步骤2.2.2：对多协议解析模型fA中相同数据长度且表征相同物理属性的元素去重；
步骤2.2.3：更新表征不同协议的协议矩阵A(Px)，其中初始协议矩阵A(P0)=[1,1,1]，根据多协议解析模型fA所对应更新的协议矩阵A(Px)如下：
A(Px)=[0,1,0,1,0,0,0,1,1,1,…,1,0,0,0, ,…,1,0,1,0,1]；
A(Px)和fA长度一致且对应，更新后的多协议解析模型fA和各协议矩阵A(Px)同步下载到所述云边协同的5G边缘控制装置。
在一个实施例中，所述步骤4，针对检索匹配成功的协议类型Px，选择对应的协议矩阵A(Px)，对照多协议解析模型fA中对应位为1的则保留，为0的则删除，从而确定协议特征，即Lx 1,Lx 2,…,Lx n,Tx 1,Tx 2,…,Tx n。
在一个实施例中，所述数据解析分析模块包括定制看板单元，所述定制看板单元以子控件形式嵌入，所述子控件包括变量控件、位按钮、字按钮、柱状图、实时曲线、历史曲线以及仪表盘，通过拖拉拽方式将子控件布置在画布上实现定制化监视画面。
在一个实施例中，所述数据解析分析模块与云层通讯采用MQTT协议，所述边缘控制模块与云层通讯采用OPC UA协议；通讯接口设置4个，分别支持以太网、WiFi、5G以及LoRa通讯。
与现有技术相比，本发明的有益效果是：
本发明利用云计算和边缘计算的优势，设计了一种云边协同的5G边缘控制装置，其在边缘层部署的数据解析分析模块集成一种通用的协议解析分析算法，能够对数据采集设备采集的机器设备数据进行基于协议模型的解析，便于接入大规模异构机器设备数据，并可根据现场应用进行扩展，且边缘控制功能可移植性及复用性高。该装置可以运行在云边协同模式下，实现与云层服务器的协同，也可边缘自治而独立运行。
附图说明
图1为本发明云边协同的5G边缘控制装置的结构示意图。
图2为本发明云边协同的5G边缘控制装置的硬件部分示意图。
图3为本发明云边协同的5G边缘控制装置的软件部分示意图。
图4为本发明基于协议模型的解析方法的流程图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
以下将通过本发明云边协同的5G边缘控制装置的整体结构、硬件部分、软件部分和运行模式具体描述其功能。
一、装置的整体结构。
本发明云边协同的5G边缘控制装置包括硬件部分和软件部分，主要组成结构如图1所示，硬件部分是装置的底层部分，配备多种输入输出接口、通讯端口、核心处理器、电源模块等，为实现本发明的5G功能，硬件部分应当包括至少一个5G通信模块。软件部分主要包括虚拟机监视器、操作***、数据解析分析模块和边缘控制模块。
虚拟机监视器部署于硬件部分，用于在硬件部分上实现虚拟化，为安装操作***创建两个独立的虚拟资源空间。在本发明中，采用实时虚拟机监视器，典型如Hyper-V虚拟化软件。
本发明操作***为Linux操作***和Windows操作***，分别部署安装在虚拟机监视器创建的两个虚拟资源空间。通过虚拟机监视器的虚拟功能，两操作***并行独立运行，保证了两操作***上的软件功能运行的稳定性和可靠性。
数据解析分析模块以应用程序形式运行在Windows操作***，并与部署在端层的数据采集设备通信连接，对数据采集设备采集的机器设备数据进行基于协议模型的解析，获取所采集数据并存储。
边缘控制模块运行在Linux操作***，将云层建立的机器设备的控制模型及对应的复合功能块代码打包映射到Docker容器；边缘控制模块与部署在端层的机器设备通信连接，获取机器设备与工作状态相关的工作参数，同步至云层，并接收云层向边缘层下发的控制模型参数，在边缘层更新控制算法，实现云边协同。
其中，Docker容器是一个开源的应用容器引擎，能够使开发者以统一的方式打包其应用以及依赖包到一个可移植的容器中，然后发布到任何安装了Docker引擎的服务器上，也可以实现虚拟化。
本发明机器设备的控制模型具体可在云层服务器建立。
本发明实施例中，数据采集设备主要包括传感器、摄像头和仪表，其中传感器主要用于采集机器设备运行时的工作参数数据，摄像头主要用于采集机器设备的运行现场视频数据，仪表主要用于采集与机器设备运行过程的控制和优化相关的参数数据，例如流量、速度、转速等。
二、硬件部分。
本发明的硬件部分参考图2所示，主要包括电源模块、CPU模块、存储模块、输入接口、输出接口和通讯接口。
其中，电源模块接外部电源，用于实现云边协同的5G边缘控制装置的供电，可选用直流6-24V宽电压模块。
CPU模块用于执行计算和处理，具体对数据采集设备所采集的机器设备数据以及机器设备与工作状态相关的工作参数进行数据解析分析处理，同时对云层下发的控制模型参数、控制模型及程序进行处理。本发明CPU模块即核心处理器，具体可选用双核及以上64位Cortex-A55处理模块，典型的可选用国产RK3568J芯片。
存储模块用于存储从端层各数据采集设备采集的机器设备数据及机器设备与工作状态相关的工作参数，在本发明的实施例中，选用内嵌式存储器，支持8G/16G、64G/128G可选，支持扩展。
输入接口用于实现数据采集设备和机器设备的参数接入；输出接口用于输出开关信号控制机器设备启停，或输出模拟信号更改机器设备对应的运行状态。输入接口和输出接口均支持继电器和光耦隔离型IO，IO可以为数字量和模拟量。典型的输入模块为4路AI和4路DI输入，输出模块为2路AO和4路DO输出。此处AI、AO、DI、DO分别表示模拟量输入、模拟量输出、数字量输入、数字量输出。
通讯接口用于机器设备和数据采集设备通信连接。本发明实施例中，通讯接口设置4个，组网方式灵活，其中通讯接口一为以太网通讯接口，支持TCP/IP协议，配备双RJ45网口。通讯接口二为WiFi模块，支持2.4GHz WiFi。通讯接口三为5G模块，也可根据需要选配4G模块。通讯接口四为LoRa模块。通过上述4个通讯接口，本发明可支持以太网、WiFi、5G以及LoRa通讯。不同数据采集设备和机器设备的通讯方式可以不同，根据实际情况自由选择。
在本发明的一个实施例中，数据解析分析模块对数据采集设备采集的数据进行解析，以获取具有不同通讯协议的仪表和机器设备的参数，本发明提供了一种通用的协议解析方法，并且进一步提供一种定制看板的功能，本实施例数据解析支持包括Modbus TCP、Modbus RTU、OPC等丰富的通讯协议，并支持其他协议开发适配，此部分在软件部分将会详细介绍。
其中，Modbus是一种串行通信协议，Modbus TCP、Modbus RTU分别表示Modbus以太网协议和Modbus串口协议。OPC是用于过程控制的OLE（OLE for Process Control），OLE指对象连接与嵌入（Object Linking and Embedding）技术。为了便于自动化行业不同厂家的设备和应用程序能相互交换数据，定义了一个统一的接口函数，即OPC协议规范，是工业自动化领域的常用协议。
三、软件部分。
本发明云边协同的5G边缘控制装置的软件部分主要包括虚拟机监视器、操作***、数据解析分析模块和边缘控制模块。其中数据解析分析模块运行在Windows操作***，边缘控制模块运行在Linux操作***。
软件部分的主要架构如图3所示，数据解析分析模块与端层的传感器、摄像头、仪表等数据采集设备和主要机器设备连接，采集各类机器设备数据并进行相应处理。边缘控制模块与端层的机器设备通信连接，获取机器设备与工作状态相关的工作参数，可通过数据库方式实现该模块与其他模块或第三方设备的数据交互。其中数据解析分析模块与云层通讯采用MQTT协议，数据解析分析后的数据通过MQTT协议与云层服务器进行交互；边缘控制模块与云层通讯采用OPC UA协议，与云层服务器通过OPC UA协议通讯。
数据解析分析模块主要依次实现基于协议模型的解析、数据存储、定制看板、异常报警和多维多尺度分析等功能。相应地，其主要包括基于协议模型的解析单元、数据存储单元、定制看板单元、异常报警单元和多维多尺度分析单元。
本发明提供了一种通用的基于协议模型的解析方法，不仅可以实现对Modbus、Profibus、CC-link和EtherCAT等通讯协议的解析，具有多种已知协议的协议模型，同时还可以实现对未知协议的解析。具体地，该方法屏蔽硬件底层协议，底层只涉及数据的转发，是一种基于XML的异构网络协议解析方法。本发明利用基于协议模型的解析单元对数据采集设备采集的数据进行基于协议模型的解析，如图4所示，具体流程如下：
步骤1，基于数据帧，定义一种能够表征多种不同协议的协议模型f，并利用已知协议建立初始协议模型f0，协议模型f的结构按顺序表征如下：
f=(L,N,L1,L2,…,LN,T1,T2,…,TN,D,P)；
其中，L表示某协议的数据帧中除数据位之外的长度，N表示该协议的协议特征数量，L1表示第一个协议特征长度，L2表示第二个协议特征长度，LN表示第N个协议特征长度，L=L1+L2+…+LN，T1表示第一个协议特征所对应的物理属性，T2表示第二个协议特征所对应的物理属性，TN表示第N个协议特征所对应的物理属性，D表示该协议的数据帧中数据位的数据内容，P表示该协议的协议类型。
在本发明的实施例中，初始协议模型f0选择协议类型为Modbus TCP协议，其结构按顺序表征如下：
f0=(L0,N0,L0 1,L0 2,L0 3,T0 1,T0 2,T0 3,D0,P0)；
其中P0表示初始协议类型，本实施例中即为Modbus TCP协议，L0表示初始协议的数据帧中除数据位之外的长度，N0表示初始协议的协议特征数量，对于Modbus TCP协议，N0=3，第一个协议特征长度L0 1=7，第二个协议特征长度L0 2=16，第三个协议特征长度L0 3根据传输的数据长短变化，第一个协议特征所对应的物理属性T0 1表示报文头，第二个协议特征所对应的物理属性T0 2表示特征码，第三个协议特征所对应的物理属性T0 3表示数据位，D0表示初始协议的数据帧中数据位的数据内容。具体地，通过有27个字节固定长度的协议特征信息表征Modbus TCP协议模型，其中包括7字节的报文头和16字节的特征码。
步骤2，模型训练，得到训练后的协议模型fx，将初始协议模型f0与训练后的协议模型fx组合，并对相同特征去重，得到多协议解析模型fA，多协议解析模型fA初始为f0，其中初始协议模型f0和训练后的协议模型fx存储在云层服务器，多协议解析模型fA存储在云边协同的5G边缘控制装置，具体可存储于所述数据存储单元，例如硬盘。
在本发明的实施例中，得到多协议解析模型fA的方法如下：
步骤2.1，充分利用云层的计算资源，使用K均值聚类算法对各数据帧进行分类，从而得到训练后的协议模型fx，具体训练方法如下：
步骤2.1.1，准备数据集并划分训练集与验证集，其中数据集各数据帧中数据位的数据内容D是已知的。
具体地，准备至少15分钟的数据集，其中前10分钟的数据作为训练集，其余5分钟的数据作为验证集，每条数据中包含一个数据帧。
步骤2.1.2，对训练集的每个数据帧，设置K均值聚类算法的初始聚类中心数，每个聚类为一个协议特征；找出包含数据帧中数据位的数据内容D最多的一个聚类，并计算该聚类中的百分比R，R=q/p，其中q是该聚类中包含的数据帧中数据位的数据内容D的数据长度，p是数据帧中数据位的数据内容D的数据总长度；依次计算出训练集中各个百分比R，求平均值Ra。本实施例中，初始化聚类中心数设置为从3到经验值20。
步骤2.1.3，依次计算聚类中心数从3到20对应的平均值Ra，将平均值Ra最大时对应的聚类数n确定为最优聚类中心数。
步骤2.1.4：结合训练集及常见通讯协议特征物理意义，对比n个聚类中心对应的数值，给出各个聚类代表的物理属性，分别记为T1~Tn；
步骤2.1.5，对比对应的聚类结果，针对接入的未知协议，确定其协议模型也即训练后的协议模型fx，表示如下：
f1=(L1,N1,L1 1,L1 2,…,L1 n,T1 1,T1 2,…,T1 n,D1,P1)；
fx=(Lx,Nx,Lx 1,Lx 2,…,Lx n,Tx 1,Tx 2,…,Tx n,Dx,Px)；
其中，f1是第一次训练后的协议模型，N1为f1中协议的协议特征数量，L1 1,L1 2,…,L1 n为第一次训练后的协议模型f1的第一个至第n个协议特征长度，f1中协议的数据帧中除数据位之外的长度L1=L1 1+L1 2+…+L1 n，T1 1,T1 2,…,T1 n表示第一次训练后的协议模型f1的第一个至第n个协议特征所对应的物理属性，D1表示f1中协议的数据帧中数据位的数据内容，Px表示f1中协议的协议类型。
在训练后的协议模型fx中，该接入的未知协议的协议特征数量Nx=n，Lx 1,Lx 2,…,Lx n为训练后的协议模型fx的第一个至第n个协议特征长度，该未知协议的数据帧中除数据位之外的长度Lx=Lx 1+Lx 2+…+Lx n，也即训练集数据长度减去数据位数据长度的值。Tx 1,Tx 2,…,Tx n表示训练后的协议模型fx的第一个至第n个协议特征所对应的物理属性，Dx表示该未知协议的数据帧中数据位的数据内容，Px表示该未知协议的协议类型。
步骤2.2，将训练后的协议模型fx存储在云层，随即利用初始协议模型f0与训练后的协议模型fx更新多协议解析模型fA，具体方法如下：
步骤2.2.1，合并训练后的协议模型fx和多协议解析模型fA，并通过合并更新多协议解析模型fA。
根据前述，多协议解析模型fA初始为f0，则将初始协议模型f0与训练后的协议模型fx合并，表达如下：
fA=(L0,Lx,N0,Nx,L0 1,L0 2,L0 3,Lx 1,Lx 2,…,Lx n,T0 1,T0 2,T0 3,Tx 1,Tx 2,…,Tx n,D0,Dx,P0,Px)；
步骤2.2.2：对多协议解析模型fA中相同数据长度且表征相同物理属性的元素去重，删除重复项。
举例说明，如L0 2=Lx 3且T0 2和Tx 3表征相同物理属性，则去重删除重复项之后的多协议解析模型fA表达如下：
fA=(L0,Lx,N0,Nx,L0 1,L0 2,L0 3,Lx 1,Lx 2,Lx 4,…,Lx n,T0 1,T0 2,T0 3,Tx 1,Tx 2,Tx 4…,Tx n,D0,Dx,P0,Px)；
Lx 4为训练后的协议模型fx的第四个协议特征长度，Tx 4表示训练后的协议模型fx的第四个协议特征所对应的物理属性。
步骤2.2.3：更新表征不同协议的协议矩阵A(Px)，其中初始协议矩阵A(P0)=[1,1,1]，根据多协议解析模型fA所对应更新的协议矩阵A(Px)如下：
A(P0)=[1,0,1,0,1,1,1,0,0,0,…,0,1,1,1,…,0,1,0,1,0]；
A(Px)=[0,1,0,1,0,0,0,1,1,1,…,1,0,0,0, ,…,1,0,1,0,1]；
A(Px)和fA长度一致且对应，更新后的多协议解析模型fA和各协议矩阵A(Px)同步下载到所述的云边协同的5G边缘控制装置。例如，对于初始化协议模型f0，A(P0)第1,3,5,6,7位为1，保留对应fA的相应位；A(P0)第2,4,8,9,10位为0，删除对应fA的相应位，其余位类似。
当不断接入新的未知协议，现有技术往往通过不断尝试摸索获得各个协议特征和该未知协议的数据帧中数据位的数据内容Dx，本实施例使用云层弹性资源训练。然而，在云层训练模型存在两个问题：一个问题是，协议模型数量多，如果全部存在边缘层，则数据存储量大；另一个问题是，各个协议中协议特征有大量相同特征，不仅占用存储，还影响检索。因此本实施例中，通过云层弹性资源训练形成各个不同协议模型；合并不同协议模型，删除重复的特征，“压缩”形成多协议解析模型fA，存储在计算资源受限的边缘控制装置，对于不同协议解析时通过协议矩阵恢复出来对应的协议模型，实现解析核数据采集。
步骤3，输入当前数据包的协议类型Px，与多协议解析模型fA中的协议类型进行检索匹配，以确定此协议类型Px是否在当前的多协议解析模型fA的表征范围内；如检索匹配成功，则进入步骤4，否则进入步骤2进行模型训练并更新多协议解析模型fA。
步骤4，确定检索匹配成功的协议类型Px的协议特征。
针对检索匹配成功的协议类型Px，选择对应的协议矩阵A(Px)，对照多协议解析模型fA中对应位为1的则保留，为0的则删除，可快速得到协议模型，从而确定协议特征，即Lx 1,Lx 2,…,Lx n,Tx 1,Tx 2,…,Tx n。
步骤5，根据要采集的数据及其参数配置生成XML格式的解析文件，从而获取训练后的协议模型fx中协议的数据帧中数据位的数据内容Dx。本发明中，数据内容Dx所涉及的数据参数包括变量ID、变量名称、变量地址、数据类型、数据存储、可读写等，各参数具体描述如下：
变量ID：为每个变量自动编号，默认从0到500，优选采用变量上限500。
变量名称：自定义，支持中文、数字、大小写字母等，为助记符。
变量地址：为变量的唯一标识符，由地址类型和地址变异量组成。
数据类型：支持Bool, int16, uint16, int32, uint32, float, long, double,bcd, bcd32等可选。
变量存储：分为周期存储和非周期存储。一般为周期存储，可设置为1分钟、5分钟、10分钟、30分钟或者60分钟。默认为周期存储，存储周期10分钟。
可读写：为只读、只写和可读写三种状态，默认为只读。
步骤6，将生成的XML格式的解析文件下载到云边协同的5G边缘控制装置的内存中，并以XML的描述形式通过MQTT向云层发送数据。进一步地，还可以在本地控制装置中存储数据。步骤5和步骤6一般通过工程师站操作完成，该XML格式的解析文件也上传到云层，可下载，方便其他工程师站对相应的配置文件进行调整或重新配置。至此，协议解析流程结束。
根据上述方法，本发明通过解析分析建立一种可表征多种协议的协议模型，此过程的数据存储采用远程字典服务存储，保存时间序列数据，存储在云层服务器。数据解析分析模块处理后获得包含语义特征的数据信息，由数据存储单元处理存储在本地数据库中，数据库能根据预先设定的存储规则进行存储，存储规则可动态调整，缺省状态下存储周期为60秒。
定制看板是指用户通过类似“搭积木”的简单方式完成个性化数据分析的展示功能，而不需要编写计算机底层代码程序。本发明定制看板单元可以作为一个子控件功能嵌入到数据解析分析模块。此部分应用功能丰富，子控件包括变量控件、位按钮、字按钮、柱状图、实时曲线、历史曲线、仪表盘等，通过拖拉拽方式将子控件布置在画布上实现定制化监视画面，方便对关键信息进行展示。
异常报警功能是对所采集数据异常情况进行预警提示。本发明异常报警单元支持瞬时报警和历史预警。其中瞬时报警是对某个数据点设置正常波动阈值范围，典型设置为20%，若所采集数据在下一个采样周期（通常为1秒或10秒，可调整）波动范围超过正常波动阈值范围，则触发报警，软件对外输出报警信息并同步记录到日志中。历史预警是对各参数历史数据进行多时间尺度分析，典型如按照年、月、日进行预警。以日为时间尺度举例，对上一个时间单位（昨日）的更详细的时间尺度（小时）取平均值Va作为参考，如果上一个时间单位（昨日）中有一个更详细时间尺度（小时）平均值V与Va偏离某百分比（典型为20%），触发预警，同样对外输出报警信息并同步记录到日志中。对于月和年的历史预警方法与此类似。
数据分析功能基于历史数据和实时数据进行不同时间尺度的定量分析，为生产决策提供量化依据。本发明多维多尺度分析单元支持基于时间尺度、报警类型和频次、波动偏差等多个维度的分析。该单元综合考虑了多个因素，在工业生产现场中提供了更全面的数据分析和决策依据。
在多维多尺度分析单元中，时间尺度是一个重要的维度。通过对历史数据和实时数据的分析，可以将时间分为不同的尺度，例如分钟级、小时级、日级、周级、月级等。这样可以对不同时间尺度下的数据进行比较和分析，从而揭示出时间相关的模式和趋势。对关键机器设备进行分析时，可以将时间分为小时级和日级两个尺度。在小时级尺度下，可以分析机器设备在不同小时的运行状态，例如机器设备的开启时间和运行时间。在日级尺度下，可以分析机器设备在不同天的运行状况，例如机器设备的产量、故障次数等。
报警类型和频次也是多维多尺度分析中的关键维度之一。不同类型的报警可能对生产产生不同的影响，对报警类型和频次进行分析可以帮助确定哪些问题是严重并需要立即解决的。此外，还可以根据报警频次的多少来评估生产***的稳定性和可靠性。示例地，分析机器设备产生的不同类型的报警，例如温度过高、压力异常、振动超标等，统计每种报警类型的频次，即每天或每小时发生的次数。这样即可了解哪些报警类型更常发生，需要特别关注。
波动偏差是指生产数据在不同时间尺度下的波动程度和偏离程度。通过对波动偏差的分析，可以了解生产过程中的变化和异常情况。这有助于快速发现潜在问题，并采取相应的措施进行调整和改进。示例地，可以对机器设备的运行数据进行波动分析，例如机器设备的温度、压力、振动等参数的变化。通过计算均值、标准差、极差等指标，可以评估设备运行的稳定性和变化程度。如果发现某个参数的波动超过一定的阈值，可能意味着机器设备存在异常情况。
通过以上多维多尺度分析，可以得到一些定量指标，如机器设备每小时的开启时间、每天的产量、每种报警类型的频次、各参数的波动情况等。这些指标可以用于生产决策，例如调整设备的运行时间、优化生产计划、及时处理报警等，以提高生产效率和质量，减少设备故障和停机时间。
本发明边缘控制模块包含控制运行时单元、故障管理单元和库管理单元。
其中控制运行时单元可集成符合IEC61499和IEC61131-3标准的运行环境，故障管理单元对机器设备产生的故障信息进行分级管理，库管理单元实现对控制对象的控制功能模块的管理，并实现对程序功能的快速调用及复用。
其中，控制运行时可单元安装符合IEC61499和IEC61131-3标准的运行时环境，符合IEC61499和IEC61131-3标准的运行时环境支持梯形图、功能块图、结构化文本、顺序功能图和指令表五种编程语言编写的控制源程序。
本发明中，在云层部署集成开发环境，建立面向数据采集设备及机器设备的整体控制程序，控制程序以单个主要机器设备为被控对象。建模过程使用符合IEC61499的自上而下面向对象编程方法，形成基于功能块网络的控制程序。将建立的控制程序映射到本发明边缘控制装置中运行实现。同理，若采用基于传统的IEC61131-3的IDE，则将其控制程序下载到边缘控制装置运行。
故障管理单元对端层的各类机器设备产生的故障信息进行分级管理，方式如下，依次对故障信息收集、故障分类、故障等级定义及优先级确定、故障处理资源分配及处理结果反馈等。在端层的机器设备接收到故障信息后，可以根据预设的规则和策略，对故障信息进行分类。分类的依据可以是故障的性质、影响范围、紧急程度等。针对不同等级的故障，可以确定不同的处理优先级并上报边缘控制装置。根据故障等级和处理优先级，合理地分配处理资源。在处理故障过程中，可以通过管理***实时监控处理的进度和结果。
库管理单元是基于IEC61499的控制函数库，其使用功能块概念提供了一组模型，并使用功能块概念描述分布式过程测量和控制的行为和结构。通过库，可以将一些常用的功能封装起来，然后在多个程序中复用这些功能，如果库中的某个功能需要更新或修复，只需要更新库文件，而不需要修改所有使用了这个功能的程序，使用库可以更容易地进行模块化开发。可以将一些相关的功能封装到一个库中，然后将该库作为一个独立的模块进行开发和测试。
本发明边缘控制模块的有益之处在于，包含了控制运行时、故障管理和库管理等功能，其可移植性及复用性高，具有通用性和灵活性。
四、运行模式。
该边缘控制装置的运行模式分为两种，即边缘自治模式和云边协同模式。边缘自治模式的运行如下：
1.运行方式：在边缘自治模式下，边缘控制装置仅与端层的机器设备以及数据采集设备相连接，不与云层服务器进行连接。边缘控制装置具有自行治理相应连接设备的能力，可以独立地对端层的各种设备进行控制和管理。
2.数据处理：在边缘自治模式下，边缘控制装置采集的数据仅存储在边缘控制装置本地，不上传、交互和存储于云层服务器。可以减少由于网络延迟和带宽限制而导致的数据传输问题。
3.代码执行：同样地，边缘控制装置在边缘自治模式下执行的代码也仅限于本地，与云层服务器中的代码没有交互。
云边协同模式的运行如下：
1.运行方式：在云边协同模式下，边缘控制装置与云层服务器建立连接，并与之交互和协同工作。此模式下，边缘控制装置与云层进行协同控制。
2.数据处理：在云边协同模式下，边缘控制装置将采集的数据上传至云层服务器，并与之进行数据交互和存储。这使得可以远程对数据进行监控、分析和处理，也方便了多个边缘控制装置之间的数据共享和协作。
3.代码执行：在云边协同模式下，边缘控制装置执行的代码可以与云层服务器中的代码进行交互。这使得可以从云层传输代码到边缘设备上，实现动态的算法更新和功能扩展。
需要注意的是，数据解析分析模块获取的数据按照预设规则同步到云层存储并计算，边缘控制模块所执行代码按照预设规则下载到边缘控制装置。在初始化和默认情况下，边缘控制装置通常会选择边缘自治模式作为其运行模式。这是因为边缘自治模式不依赖于云层服务器，具有较高的稳定性和可靠性，可以满足基本的控制需求。
然而，根据具体的场景和需求，用户可以根据需要将边缘控制装置切换到云边协同模式，以实现更全面的功能和应用。预设规则默认按照时间阈值更新，可根据需要定义。在云边协同模式下，边缘控制装置可以充分利用云层的弹性可伸缩的计算、存储资源，弥补边缘层算力限制带来的缺陷。
本发明涉及的部分英文简写解释如下：
5G：第五代移动通信技术。
Linux：一种操作***。
Windows：以图形用户界面为基础的操作***。
Docker：一个开源的应用容器引擎，可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。
XML：可扩展标记语言，用于描述、传输和存储数据。
ID：身份标识号。
MQTT：消息队列遥测传输协议，是一种基于发布/订阅模式的轻量级通讯协议。
Modbus TCP：对成熟的 Modbus 协议的改编，提供标准化的 TCP 接口，允许Modbus 设备通过以太网进行无缝通信，从而实现高效可靠的数据交换。
NumPy：一种开源的数值计算扩展工具包。
Concatenate：一个函数，将数组按照指定轴连接。
OPC UA：一种数据通信标准，允许使用不同协议并在不同操作***平台上运行的工业设备相互通信。
WiFi：一种无线局域网传输技术。
LoRa：一种低功耗局域网无线标准。
IEC61499：用于分布式工业过程测量与控制***功能块的标准。
4diac Forte：一个基于IEC 61499标准的开源项目，由开发环境4diac-ide、运行时Forte、功能块库和***实例构成。
IEC61131-3：由国际电工委员会（IEC）制定的可编程逻辑控制器编程***的国际标准。
Beremiz：一个自由软件，用于编写可编程逻辑控制器软件程序。
Claims (7)
1.一种云边协同的5G边缘控制装置，其特征在于，包括硬件部分和软件部分；所述硬件部分包括核心处理器和至少一个5G通信模块；所述软件部分包括虚拟机监视器、操作***、数据解析分析模块和边缘控制模块；
所述虚拟机监视器部署于所述硬件部分，创建两个虚拟资源空间；
所述操作***为Linux操作***和Windows操作***，分别安装在所述两个虚拟资源空间；所述数据解析分析模块运行在所述Windows操作***，所述边缘控制模块运行在所述Linux操作***；
所述数据解析分析模块与部署在端层的数据采集设备通信连接，对数据采集设备采集的机器设备数据进行基于协议模型的解析，获取所采集数据并存储；
所述边缘控制模块将云层建立的机器设备的控制模型及对应的复合功能块代码打包映射到Docker容器；所述边缘控制模块与部署在端层的机器设备通信连接，获取所述机器设备与工作状态相关的工作参数，同步至云层，并接收云层向边缘层下发的控制模型参数，在边缘层更新控制算法，实现云边协同；
所述数据解析分析模块包括数据存储单元和基于协议模型的解析单元，所述基于协议模型的解析单元对数据采集设备采集的机器设备数据进行基于协议模型的解析，方法如下：
步骤1，定义能够表征多种不同协议的协议模型f，并利用已知协议建立初始协议模型f0，所述协议模型f的结构按顺序表征如下：
f=(L,N,L1,L2,…,LN,T1,T2,…,TN,D,P)；
其中，L表示某协议的数据帧中除数据位之外的长度，N表示该协议的协议特征数量，L1表示第一个协议特征长度，L2表示第二个协议特征长度，LN表示第N个协议特征长度，L=L1+L2+…+LN，T1表示第一个协议特征所对应的物理属性，T2表示第二个协议特征所对应的物理属性，TN表示第N个协议特征所对应的物理属性，D表示该协议的数据帧中数据位的数据内容，P表示该协议的协议类型；
步骤2，进行模型训练，得到训练后的协议模型fx，将初始协议模型f0与训练后的协议模型fx组合并对相同特征去重，得到多协议解析模型fA；其中初始协议模型f0和训练后的协议模型fx存储在云层服务器，多协议解析模型fA存储在所述数据存储单元；
步骤3，输入当前数据包的协议类型Px，与多协议解析模型fA中的协议类型进行检索匹配，以确定此协议类型Px是否在当前的多协议解析模型fA的表征范围内；如检索匹配成功，则进入步骤4，否则进入步骤2进行模型训练并更新多协议解析模型fA；
步骤4，确定检索匹配成功的协议类型Px的协议特征；
步骤5，根据要采集的数据及其参数配置生成XML格式的解析文件，从而获取训练后的协议模型fx中协议的数据帧中数据位的数据内容Dx；
步骤6，将所述解析文件下载到所述云边协同的5G边缘控制装置的内存中，并向云层发送数据。
2.根据权利要求1所述的一种云边协同的5G边缘控制装置，其特征在于，所述数据采集设备包括传感器、摄像头和仪表，所述传感器采集机器设备运行时的工作参数数据，所述摄像头采集机器设备的运行现场视频数据，所述仪表采集与机器设备运行过程的控制和优化相关的参数数据。
3.根据权利要求1所述的一种云边协同的5G边缘控制装置，其特征在于，所述初始协议模型f0选择协议类型为Modbus TCP协议，其结构按顺序表征如下：
f0=(L0,N0,L0 1,L0 2,L0 3,T0 1,T0 2,T0 3,D0,P0)；
其中P0表示初始协议类型，即Modbus TCP协议，L0表示初始协议的数据帧中除数据位之外的长度，N0表示初始协议的协议特征数量，N0=3，第一个协议特征长度L0 1=7，第二个协议特征长度L0 2=16，第三个协议特征长度L0 3根据传输的数据长短变化，第一个协议特征所对应的物理属性T0 1表示报文头，第二个协议特征所对应的物理属性T0 2表示特征码，第三个协议特征所对应的物理属性T0 3表示数据位，D0表示初始协议的数据帧中数据位的数据内容。
4.根据权利要求3所述的一种云边协同的5G边缘控制装置，其特征在于，所述步骤2，得到多协议解析模型fA的方法如下：
步骤2.1，利用云层计算资源，使用K均值聚类算法对各数据帧进行分类，从而得到训练后的协议模型fx；
步骤2.2，利用初始协议模型f0与训练后的协议模型fx，更新多协议解析模型fA。
5.根据权利要求4所述的一种云边协同的5G边缘控制装置，其特征在于，所述步骤2.1，训练方法如下：
步骤2.1.1，准备数据集并划分训练集与验证集，其中数据集各数据帧中数据位的数据内容D是已知的；
步骤2.1.2，对训练集的每个数据帧，设置K均值聚类算法的初始聚类中心数为从3到20，每个聚类为一个协议特征；找出包含数据帧中数据位的数据内容D最多的一个聚类，并计算该聚类中的百分比R，R=q/p，其中q是该聚类中包含的数据帧中数据位的数据内容D的数据长度，p是数据帧中数据位的数据内容D的数据总长度；依次计算出训练集中各个百分比R，求平均值Ra；
步骤2.1.3，依次计算聚类中心数从3到20对应的平均值Ra，将平均值Ra最大时对应的聚类数n确定为最优聚类中心数；
步骤2.1.4：对比n个聚类中心对应的数值，给出各个聚类代表的物理属性，分别记为T1~Tn；
步骤2.1.5，对比对应的聚类结果，针对接入的未知协议，确定其协议模型也即训练后的协议模型fx表示如下：
fx=(Lx,Nx,Lx 1,Lx 2,…,Lx n,Tx 1,Tx 2,…,Tx n,Dx,Px)；
其中，该未知协议的协议特征数量Nx=n，Lx 1,Lx 2,…,Lx n为训练后的协议模型fx的第一个至第n个协议特征长度，该未知协议的数据帧中除数据位之外的长度Lx=Lx 1+Lx 2+…+Lx n，Tx 1,Tx 2,…,Tx n表示训练后的协议模型fx的第一个至第n个协议特征所对应的物理属性，Dx表示该未知协议的数据帧中数据位的数据内容，Px表示该未知协议的协议类型。
6.根据权利要求5所述的一种云边协同的5G边缘控制装置，其特征在于，所述步骤2.2，更新多协议解析模型fA的方法如下：
步骤2.2.1，合并训练后的协议模型fx和多协议解析模型fA，并通过合并更新多协议解析模型fA，表达如下：
fA=(L0,Lx,N0,Nx,L0 1,L0 2,L0 3,Lx 1,Lx 2,…,Lx n,T0 1,T0 2,T0 3,Tx 1,Tx 2,…,Tx n,D0,Dx,P0,Px)；
步骤2.2.2：对多协议解析模型fA中相同数据长度且表征相同物理属性的元素去重；
步骤2.2.3：更新表征不同协议的协议矩阵A(Px)，其中初始协议矩阵A(P0)=[1,1,1]，根据多协议解析模型fA所对应更新的协议矩阵A(Px)如下：
A(Px)=[0,1,0,1,0,0,0,1,1,1,…,1,0,0,0, ,…,1,0,1,0,1]；
A(Px)和fA长度一致且对应，更新后的多协议解析模型fA和各协议矩阵A(Px)同步下载到所述云边协同的5G边缘控制装置。
7.根据权利要求6所述的一种云边协同的5G边缘控制装置，其特征在于，所述步骤4，针对检索匹配成功的协议类型Px，选择对应的协议矩阵A(Px)，对照多协议解析模型fA中对应位为1的则保留，为0的则删除，从而确定协议特征，即Lx 1,Lx 2,…,Lx n,Tx 1,Tx 2,…,Tx n。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410080383.1A CN117590801B (zh) | 2024-01-19 | 2024-01-19 | 云边协同的5g边缘控制装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410080383.1A CN117590801B (zh) | 2024-01-19 | 2024-01-19 | 云边协同的5g边缘控制装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117590801A CN117590801A (zh) | 2024-02-23 |
| CN117590801B true CN117590801B (zh) | 2024-04-02 |
Family
ID=89920593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410080383.1A Active CN117590801B (zh) | 2024-01-19 | 2024-01-19 | 云边协同的5g边缘控制装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117590801B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110572448A (zh) * | 2019-08-30 | 2019-12-13 | 烽火通信科技股份有限公司 | 一种分布式边缘云***架构 |
| CN112073461A (zh) * | 2020-08-05 | 2020-12-11 | 烽火通信科技股份有限公司 | 一种基于云边协同的工业互联网*** |
| CN112286691A (zh) * | 2020-11-12 | 2021-01-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于异构决策模型生成技术的云边端协同方法 |
| CN113467771A (zh) * | 2020-03-30 | 2021-10-01 | 中国科学院沈阳自动化研究所 | 一种基于模型的工业边云协同***和方法 |
| JP2022081952A (ja) * | 2020-11-20 | 2022-06-01 | 株式会社日立製作所 | 分散システム、及びデータ送信方法 |
| CN115473947A (zh) * | 2022-07-21 | 2022-12-13 | 浪潮通信技术有限公司 | 基于云边协同的数据采集方法、装置及服务器 |
| CN116010114A (zh) * | 2023-03-28 | 2023-04-25 | 西安交通大学 | 基于边缘计算的设备能效管控*** |
-
2024
- 2024-01-19 CN CN202410080383.1A patent/CN117590801B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110572448A (zh) * | 2019-08-30 | 2019-12-13 | 烽火通信科技股份有限公司 | 一种分布式边缘云***架构 |
| CN113467771A (zh) * | 2020-03-30 | 2021-10-01 | 中国科学院沈阳自动化研究所 | 一种基于模型的工业边云协同***和方法 |
| CN112073461A (zh) * | 2020-08-05 | 2020-12-11 | 烽火通信科技股份有限公司 | 一种基于云边协同的工业互联网*** |
| CN112286691A (zh) * | 2020-11-12 | 2021-01-29 | 济南浪潮高新科技投资发展有限公司 | 一种基于异构决策模型生成技术的云边端协同方法 |
| JP2022081952A (ja) * | 2020-11-20 | 2022-06-01 | 株式会社日立製作所 | 分散システム、及びデータ送信方法 |
| CN115473947A (zh) * | 2022-07-21 | 2022-12-13 | 浪潮通信技术有限公司 | 基于云边协同的数据采集方法、装置及服务器 |
| CN116010114A (zh) * | 2023-03-28 | 2023-04-25 | 西安交通大学 | 基于边缘计算的设备能效管控*** |
Non-Patent Citations (3)
| Title |
|---|
| 云协同中作战资源两阶段虚拟化方法;孙海洋;张安;高飞;;***工程与电子技术;20171228(05);第81-87页 * |
| 汽车智能制造中的工业物联网技术;林锦州, 王俊程, 胥博;《自动化博览》;20230331;40(3);第20-24页 * |
| 物联网异构***综合管理平台的设计开发;林凡;张秋镇;杨峰;;物联网技术;20200720(07);第78-81页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117590801A (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111562769B (zh) | 用于工业数字孪生的ai扩展和智能模型验证 | |
| US10740293B2 (en) | Modular control manifest generator for cloud automation | |
| CN110609512B (zh) | 一种物联网平台和物联网设备监控方法 | |
| US10095202B2 (en) | Multiple controllers configuration management interface for system connectivity | |
| EP3037901B1 (en) | Cloud-based emulation and modeling for automation systems | |
| Lins et al. | Industry 4.0 Retrofitting | |
| US20150277404A1 (en) | Component factory for human-machine interface migration to a cloud platform | |
| US10037443B2 (en) | Industrial simulation using redirected I/O module configurations | |
| US9723060B2 (en) | Integrated nodes, computer readable media and program products, and computer-implemented methods for providing an integrated node for data acquisition, verification and conditioning, and for remote subsystem control | |
| JP6784595B2 (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 | |
| CN108681288A (zh) | 一种基于云平台的远程运维*** | |
| CN112580813B (zh) | 工业数据在装置级处的情境化 | |
| US20130179387A1 (en) | Analytical Generator of Key Performance Indicators For Pivoting On Metrics For Comprehensive Visualizations | |
| US20140032169A1 (en) | Systems and methods for improving control system reliability | |
| CN115102827A (zh) | 一种中小型制造业的数字产品实时监测通用互联网平台 | |
| CN114281903A (zh) | 数字孪生体构建方法、装置、设备及存储介质 | |
| CN113176948A (zh) | 边缘网关、边缘计算***及其配置方法 | |
| Jiang et al. | Design of software-defined gateway for industrial interconnection | |
| US11994843B2 (en) | Symbolic access of industrial device systems and methods based on an off-premise gateway device | |
| CN117590801B (zh) | 云边协同的5g边缘控制装置 | |
| CN117331614A (zh) | 航空制造业生产现场在线检测组态文件管理方法 | |
| Wollschlaeger et al. | Integration of fieldbus systems into on-line asset management solutions based on fieldbus profile descriptions | |
| EP3582034A1 (en) | Method and apparatus, in the field of automation technology, of updating processing data | |
| Sølvsberg et al. | Analysis-oriented structure for runtime data in Industry 4.0 asset administration shells | |
| Fur et al. | Towards an Implementation of Simulation Based Digital Twins in Cyber-Physical Production Systems Environments |
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 |