CN117631599B - 一种基于数据分析的工控机数据传输方法及*** - Google Patents
一种基于数据分析的工控机数据传输方法及*** Download PDFInfo
- Publication number
- CN117631599B CN117631599B CN202410112438.2A CN202410112438A CN117631599B CN 117631599 B CN117631599 B CN 117631599B CN 202410112438 A CN202410112438 A CN 202410112438A CN 117631599 B CN117631599 B CN 117631599B
- Authority
- CN
- China
- Prior art keywords
- data
- personal computer
- industrial personal
- time
- control
- 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 207
- 238000007405 data analysis Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 86
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005192 partition Methods 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 25
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000000737 periodic effect Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的工控机数据传输方法、***及存储介质,旨在提高工控***数据传输的效率和实时性。首先获取目标工控机的工作控制数据,并通过主成分分析方法降维处理,得到标准数据特征。然后,获取目标工控机的实时工作控制数据,计算数据冗余度。通过冗余数据契合操作得到降冗工作控制数据。构建控制状态识别模型识别目标工控机的控制状态。最后,根据控制状态确定工控机数据传输的时间和优先级,形成数据传输方案。本发明通过智能化的数据分析和状态识别,提高了工控***数据传输的智能性和效能,有望广泛应用于工业自动化领域,提升生产控制水平。
Description
技术领域
本发明涉及工控机数据传输技术领域,特别涉及一种基于数据分析的工控机数据传输方法及***。
背景技术
随着工业自动化程度的提升,工控机在生产控制***中起着关键作用。然而,在大规模工业设备控制***中,工控机数据传输方案的制定和实施面临着一系列挑战。传统方法往往未能有效利用工控机工作数据,导致数据冗余度高,数据传输效率低下,响应时间延迟,影响生产效益。
目前的工控机数据传输方法往往缺乏智能化和实时性。传统的时间统一传输方法未能根据工控机实际状态进行优化,难以适应复杂多变的生产环境。同时,未能充分挖掘工作控制数据的内在特征,导致数据传输效率低下,无法满足工业自动化***对高效、智能化数据传输的需求。
本发明基于数据分析技术,通过主成分分析、数据冗余度计算以及控制状态识别模型的构建,提供了一种智能化的工控机数据传输方法。充分利用工作控制数据的内在特征,实时识别工控机的控制状态,从而确定最优的数据传输时间和优先级。有望提高工控***数据传输的智能性、实时性和效率,为工业自动化领域带来更先进的数据管理方案。因此,本发明在工业控制***领域有着显著的创新性和实用价值。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于数据分析的工控机数据传输方法及***。
本发明第一方面提供了一种基于数据分析的工控机数据传输方法,包括:
获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征;
实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度;
根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据;
构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据;
根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案。
本方案中,所述获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征,具体为:
在目标工控机所控制的工业设备中部署设备控制和数据采集传感器,通过通信协议将所述传感器与目标工控机进行数据链接,以获取目标工控机对工业设备正常控制状态下的工作控制数据;
基于主成分分析方法将所述工作控制数据建立数据矩阵,其中矩阵的每一行表示一个采样时间点,每一列表示工作控制参数;
将所述数据矩阵每一列的平均值,将数据矩阵中的每个数据点减去数据点所在对应列的平均值,得到中心化数据矩阵;
根据中心化数据矩阵计算工作控制数据的协方差矩阵,对协方差矩阵进行特征值分解,得到特征值和特征值对应的特征向量;
将特征值按照从大到小进行排序操作,从大到小选择预设排名的特征值对对应的特征向量构建主成分矩阵;
将原始的工作控制数据投影到构建的主成分矩阵中,得到降维工作控制数据;
根据降维工作控制数据获取工作控制数据中每个数据点在主成分矩阵上的投影值,得到工作控制数据的标准数据特征。
本方案中,所述实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度,具体为:
将标准数据特征构建标准数据特征空间;
根据所述传感器实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据;
将所述实时工作控制数据按天为单位进行数据分区操作,得到时间分区数据,对每个时间分区数据根据主成分分析法降维后,提取所述时间分区数据的数据特征;
将所述数据特征投影到标准数据特征空间中,计算时间分区数据的数据特征在标准数据特征空间中的投影与正常控制状态下的工作控制数据的残差;
根据所述残差评估时间分区数据的数据冗余度。
本方案中,所述根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据,具体为:
预设数据冗余度阈值,根据所述数据冗余度将数据冗余度大于数据冗余度阈值的时间分区数据进行标记,得到标记数据;
对所述标记数据的进行相似性分析,对相似性大于预设值的多个标记数据提取每个数据的获取时间,随机保留一份相似性大于预设值的标记数据,将所述提取的每个数据的获取时间进行契合操作,并将契合操作的获取时间指向所保留的标记数据,其它相似性大于预设值的标记数据则进行删除操作,得到时间契合数据;
基于Huffman编码统计所述时间契合数据中每个数据值出现的频率,对每个数据值创建叶子节点;
通过反复合并两个数据值出现的频率最小的叶子节点,直至只剩下一个根节点,得到Huffman树;
对所述Huffman树从根节点开始递归对每个数据值生成Huffman编码,将每个数据值与对应的Huffman编码建立映射关系,形成编码表;
根据编码表对时间契合数据的数据值进行替换为对应的Huffman编码操作,得到降冗工作控制数据。
本方案中,所述构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据,具体为:
获取历史目标工控机在各种控制状态下的工作数据,对所述工作数据进行降冗操作,得到历史降冗工作控制数据;
基于机器学习构建控制状态识别模型,将历史降冗工作控制数据导入控制状态识别模型中进行训练,以学习历史降冗工作控制数据的数据特征;
将降冗工作控制数据导入控制状态识别模型中对目标工控机的控制状态进行识别,得到控制状态数据。
本方案中,所述根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案,具体为:
根据控制状态数据分析目标工控机的工作性能稳定性,根据所述工作性能稳定性确定工控机数据的传输紧急程度;
若传输紧急程度小于预设紧急程度,识别目标工控机的负载状态,根据负载状态确定数据传输时间窗口;
若传输紧急程度大于预设紧急程度,根据传输紧急程度确定数据的传输优先级,得到工控机的数据传输方案。
本发明第二方面还提供了一种基于数据分析的工控机数据传输***,该***包括:存储器、处理器,所述存储器中包括基于数据分析的工控机数据传输方法程序,所述基于数据分析的工控机数据传输方法程序被所述处理器执行时,实现如下步骤:
获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征;
实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度;
根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据;
构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据;
根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案。
本方案中,所述构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据,具体为:
获取历史目标工控机在各种控制状态下的工作数据,对所述工作数据进行降冗操作,得到历史降冗工作控制数据;
基于机器学习构建控制状态识别模型,将历史降冗工作控制数据导入控制状态识别模型中进行训练,以学习历史降冗工作控制数据的数据特征;
将降冗工作控制数据导入控制状态识别模型中对目标工控机的控制状态进行识别,得到控制状态数据。
本方案中,所述根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案,具体为:
根据控制状态数据分析目标工控机的工作性能稳定性,根据所述工作性能稳定性确定工控机数据的传输紧急程度;
若传输紧急程度小于预设紧急程度,识别目标工控机的负载状态,根据负载状态确定数据传输时间窗口;
若传输紧急程度大于预设紧急程度,根据传输紧急程度确定数据的传输优先级,得到工控机的数据传输方案。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于数据分析的工控机数据传输程序,所述基于数据分析的工控机数据传输程序被处理器执行时,实现如上述任一项所述的基于数据分析的工控机数据传输方法的步骤。
本发明公开了一种基于数据分析的工控机数据传输方法、***及存储介质,旨在提高工控***数据传输的效率和实时性。首先获取目标工控机的工作控制数据,并通过主成分分析方法降维处理,得到标准数据特征。然后,获取目标工控机的实时工作控制数据,计算数据冗余度。通过冗余数据契合操作得到降冗工作控制数据。构建控制状态识别模型识别目标工控机的控制状态。最后,根据控制状态确定工控机数据传输的时间和优先级,形成数据传输方案。本发明通过智能化的数据分析和状态识别,提高了工控***数据传输的智能性和效能,有望广泛应用于工业自动化领域,提升生产控制水平。
附图说明
图1示出了本发明一种基于数据分析的工控机数据传输方法的流程图;
图2示出了本发明得到控制状态数据的流程图;
图3示出了本发明得到工控机的数据传输方案的流程图;
图4示出了本发明一种基于数据分析的工控机数据传输***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于数据分析的工控机数据传输方法的流程图。
如图1所示,本发明第一方面提供了一种基于数据分析的工控机数据传输方法,包括:
S102,获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征;
S104,实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度;
S106,根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据;
S108,构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据;
S110,根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案。
需要说明的是,通过对获取的工作控制数据基于主成分分析方法进行降维操作以获得标准数据特征,使用主成分分析方法对工作控制数据进行降维,以减少数据的复杂性和维度,简化了数据结构,保留了关键特征,有助于更有效地处理和分析大量数据;由于目标工控机在对工业设备的实际控制过程中,会出现大量重复控制的数据,造成数据冗余,通过获取实时工作控制数据并评估数据冗余度,根据数据冗余度进行冗余数据的契合操作,减少了不必要的冗余信息,提高数据传输效率,同时保留关键数据信息,减少工控机的传输负担;构建控制状态识别模型对目标工控机的控制状态进行识别,确定工控机数据的传输时间和数据传输优先级,提高了数据传输的效率和及时性,对于紧急控制命令或关键性数据,***可以设定高优先级,以确保它们在传输时获得更快的响应。相反,对于一些非紧急、周期性的数据,可以设定较低的优先级,以在高优先级任务完成后再进行传输,以优化整体***性能。
根据本发明实施例,所述获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征,具体为:
在目标工控机所控制的工业设备中部署设备控制和数据采集传感器,通过通信协议将所述传感器与目标工控机进行数据链接,以获取目标工控机对工业设备正常控制状态下的工作控制数据;
基于主成分分析方法将所述工作控制数据建立数据矩阵,其中矩阵的每一行表示一个采样时间点,每一列表示工作控制参数;
将所述数据矩阵每一列的平均值,将数据矩阵中的每个数据点减去数据点所在对应列的平均值,得到中心化数据矩阵;
根据中心化数据矩阵计算工作控制数据的协方差矩阵,对协方差矩阵进行特征值分解,得到特征值和特征值对应的特征向量;
将特征值按照从大到小进行排序操作,从大到小选择预设排名的特征值对对应的特征向量构建主成分矩阵;
将原始的工作控制数据投影到构建的主成分矩阵中,得到降维工作控制数据;
根据降维工作控制数据获取工作控制数据中每个数据点在主成分矩阵上的投影值,得到工作控制数据的标准数据特征。
需要说明的是,通过主成分分析方法对工作控制数据进行降维操作能够更好的识别工作控制数据的数据特征;所述通信协议包括CAN通信协议,CAN控制协议是一种实时控制***的串行通信协议;所述工作控制数据包括对工业设备的工作流程控制数据、额定电流与电压控制数据;所述中心化数据矩阵是为了去除数据的平均趋势,确保数据的均值在各个维度上为零;所述投影是通过将原始数据点映射到新的特征空间上,得到相应的投影点,这个映射是通过将原始数据点与主成分矩阵相乘而实现的,每个主成分对应一个特征向量,将数据点映射到该特征向量上即为投影,通过将数据投影到较低维度的特征空间,可以更容易地对数据进行可视化,以便更好地理解数据的结构和模式,投影到主成分上有助于去除数据中的冗余信息,使得数据更加紧凑和高效;所述投影值可以看作是工作控制数据的新表示,这些投影值即为工作控制数据的数据特征,它们捕捉了数据中最显著的变化和模式,同时减少了数据的维度。
根据本发明实施例,所述实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度,具体为:
将标准数据特征构建标准数据特征空间;
根据所述传感器实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据;
将所述实时工作控制数据按天为单位进行数据分区操作,得到时间分区数据,对每个时间分区数据根据主成分分析法降维后,提取所述时间分区数据的数据特征;
将所述数据特征投影到标准数据特征空间中,计算时间分区数据的数据特征在标准数据特征空间中的投影与正常控制状态下的工作控制数据的残差;
根据所述残差评估时间分区数据的数据冗余度。
需要说明的是,在工业设备中,由于工业设备在大多数情况下是循环重复一个制造流程,因此目标工控机对工业设备的控制便会出现一个工作流程控制被多次循环记录的情况,这样便会造成工控机内记录的数据出现大量重复数据,即为冗余数据,通过对实时工作控制数据与目标工控机对工业设备正常控制状态下的工作控制数据进行对比计算数据的冗余度,可了解目标工控机所采集的数据的重复程度;所诉冗余度是实时控制数据与正常控制状态下的工作控制数据的差异,差异性越小,数据越相似,冗余度就越高;所述标准数据特征空间为标准数据特征的线性组合形成的数据空间。
根据本发明实施例,所述根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据,具体为:
预设数据冗余度阈值,根据所述数据冗余度将数据冗余度大于数据冗余度阈值的时间分区数据进行标记,得到标记数据;
对所述标记数据的进行相似性分析,对相似性大于预设值的多个标记数据提取每个数据的获取时间,随机保留一份相似性大于预设值的标记数据,将所述提取的每个数据的获取时间进行契合操作,并将契合操作的获取时间指向所保留的标记数据,其它相似性大于预设值的标记数据则进行删除操作,得到时间契合数据;
基于Huffman编码统计所述时间契合数据中每个数据值出现的频率,对每个数据值创建叶子节点;
通过反复合并两个数据值出现的频率最小的叶子节点,直至只剩下一个根节点,得到Huffman树;
对所述Huffman树从根节点开始递归对每个数据值生成Huffman编码,将每个数据值与对应的Huffman编码建立映射关系,形成编码表;
根据编码表对时间契合数据的数据值进行替换为对应的Huffman编码操作,得到降冗工作控制数据。
需要说明的是,通过对时间分区数据进行时间契合操作,进一步对时间契合操作后的数据根据Huffman编码进行数据压缩操作,大大减少了冗余数据的重复性,压缩操作进一步降低了时间分区的数据数据量,为后续的数据传输节省带宽和减少工控机的传输负担;所述契合操作为将相似性大于预设值的标记数据只随机保留其中一个标记数据,并将未被保留的标记数据的时间进行整合,使多个时间同时指向一份数据,因为相似性大于预设值的标记数据的相似性较高,可以认定为是重复的实时工作控制数据,只是控制时间的不同;所述时间契合数据包含了未被标记的时间分区数据和对标记数据进行契合和删除操作后的数据;所述叶子节点包含了数据值本身和数据值出现的频率;所述合并的每次合并都会创建一个新的内部节点,其频率为被合并节点的频率之和。
图2示出了本发明得到控制状态数据的流程图。
根据本发明实施例,所述构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据,具体为:
S202,获取历史目标工控机在各种控制状态下的工作数据,对所述工作数据进行降冗操作,得到历史降冗工作控制数据;
S204,基于机器学习构建控制状态识别模型,将历史降冗工作控制数据导入控制状态识别模型中进行训练,以学习历史降冗工作控制数据的数据特征;
S206,将降冗工作控制数据导入控制状态识别模型中对目标工控机的控制状态进行识别,得到控制状态数据。
需要说明的是,基于机器学习构建控制状态识别模型,能够提高控制状态的识别准确性;所述各种控制状态包括故障状态、正常状态、待维护状态;所述机器学习包括线性回归、支持向量机算法。
图3示出了本发明得到工控机的数据传输方案的流程图。
根据本发明实施例,所述根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案,具体为:
S302,根据控制状态数据分析目标工控机的工作性能稳定性,根据所述工作性能稳定性确定工控机数据的传输紧急程度;
S304,若传输紧急程度小于预设紧急程度,识别目标工控机的负载状态,根据负载状态确定数据传输时间窗口;
S306,若传输紧急程度大于预设紧急程度,根据传输紧急程度确定数据的传输优先级,得到工控机的数据传输方案。
需要说明的是,根据工作性能稳定性的分析结果,***能够确定工控机数据的传输紧急程度。如果工作性能稳定,可能降低传输紧急程度;反之,如果发现异常或不稳定性,可能增加传输紧急程度;当传输紧急程度小于预设紧急程度时,将识别目标工控机的负载状态,包括CPU利用率、内存占用等信息,根据负载状态,确定适宜的数据传输时间窗口,以确保在负载较轻的时候进行数据传输,避免影响工控机的实时性能;如果传输紧急程度大于预设紧急程度,将根据具体的传输紧急程度设定数据的传输优先级,有助于确保关键数据在紧急情况下能够优先传输,保障***的可靠性和实时性。
根据本发明实施例,还包括:
按预设时间周期获取目标工控机对工业设备进行控制的当前时间周期的周期性工作控制数据;
获取当前时间周期工业设备所进行的工作任务,根据工作任务获取所述工作任务的完整工作流程;
获取目标工控机对工业设备执行所述完整工作流程的控制指令,根据所述控制指令获取目标工控机所形成的流程工作数据;
将当前时间周期的周期性工作控制数据与流程工作数据进行对比分析,统计在预设时间段内所述完整工作流程的执行次数和目标工控机对所述完整工作流程的数据采集次数;
根据所述执行次数与数据采集次数进行计算,得到目标工控机对工业设备在工作过程中的数据采集频率;
将所述当前周期的周期性工作控制数据导入控制状态识别模型对当前周期控制状态进行识别,得到识别数据;
根据识别数据,若当前周期的控制状态无异常,在下一预设时间周期中降低目标工控机的数据采集频率,对数据传输方案进行补充操作。
需要说明的是,在目标工控机对工业设备的控制下所记录的工作控制数据是根据预设的数据采集频率进行采集的,通过预设时间周期获取当前时间周期的周期性工作控制数据,判断所述周期性工作数据是否在当前周期出现异常的状况,若在当前周期未出现异常状况,降低下一周期的目标工控机的数据采集频率,通过减少目标工控机对工业设备的数据采集频率,减少降低目标工控机的数据负载,降低数据冗余度,使数据传输速率提高。
根据本发明实施例,还包括:
实时获取目标工控机对工业设备生产工作控制得到生产工件,获取所述生产工件的图像数据;
获取标准生产工件图像数据,基于轮廓提取算法提取生产工件的图像数据的工件轮廓特征和标准生产工件图像数据中的标准工件轮廓特征;
将工件轮廓特征与标准工件轮廓特征进行对比,评估生产工件的生产质量;
若生产质量小于预设质量值,对目标工控机对工业设备的控制数据进行控制数据异常监测操作,得到异常控制数据;
将异常控制数据形成预警信息,并设定传输优先级进行传输至管理人员的管理设备中,最终对所述异常控制数据进行数据校正。
需要说明的是,目标工控机在长时间执行同一生产工作控制时,可能会造成控制参数的变化,造成生产制造的工件质量低的情况,因此通过图像识别技术对生产工件的生产质量进行评估,进而对目标工控机对工业设备的控制的异常控制进行识别,最后对异常控制数据进行教证操作,保证了目标工控机对工业设备的控制的准确性和生产工件的质量,形成预警信息传输至管理人员中,使管理人员能够及时处理异常。
根据本发明实施例,还包括:
获取目标工控机的网络拓扑数据传输结构的数据传输带宽上限,根据所述数据传输带宽上限确定网络拓扑数据传输结构的数据传输速度;
获取目标工控机的数据传输负载能力数据,根据所述数据传输负载能力分析目标工控机的数据传输效率;
实时获取目标工控机待传输数据的数据量和目标工控机的可用数据传输资源,根据所述数据量和可用数据传输资源进行对比,判断待传输数据的传输是否会造成目标工控机的数据传输负载上限;
若达到数据传输负载上限,将待传输数据根据时间戳进行切片操作,得到分片数据,将所述分片数据按时间戳的先后顺序进行依次传输;
根据网络拓扑数据传输结构的数据传输速度和目标工控机的数据传输效率计算待传输数据的传输时间;
根据所述传输时间评估目标工控机的传输速率,所传输小于预设值,进一步将待传输数据进行压缩操作。
需要说明的是,目标工控机的数据传输速率不单止会受到网络带宽的影响,而且会受到目标工控机自身的数据传输负载能力的影响,当目标工控机的数据传输负载能力上限时,会影响数据的传输速度,这是我们将数据进行切片操作,分为多个数据片段进行传输,大大降低了因待传输数据量过大造成目标工控机的数据传输负载上限的可能性;最后评估数据传输速率是否符合预取,若不符合预期再将待传输数据进行压缩操作,进一步提高数据的传输速度,使紧急数据能够快速传输。
图4示出了本发明一种基于数据分析的工控机数据传输***的框图。
本发明第二方面还提供了一种基于数据分析的工控机数据传输***4,该***包括:存储器41、处理器42,所述存储器中包括基于数据分析的工控机数据传输方法程序,所述基于数据分析的工控机数据传输方法程序被所述处理器执行时,实现如下步骤:
获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征;
实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度;
根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据;
构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据;
根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案。
根据本发明实施例,所述获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征,具体为:
在目标工控机所控制的工业设备中部署设备控制和数据采集传感器,通过通信协议将所述传感器与目标工控机进行数据链接,以获取目标工控机对工业设备正常控制状态下的工作控制数据;
基于主成分分析方法将所述工作控制数据建立数据矩阵,其中矩阵的每一行表示一个采样时间点,每一列表示工作控制参数;
将所述数据矩阵每一列的平均值,将数据矩阵中的每个数据点减去数据点所在对应列的平均值,得到中心化数据矩阵;
根据中心化数据矩阵计算工作控制数据的协方差矩阵,对协方差矩阵进行特征值分解,得到特征值和特征值对应的特征向量;
将特征值按照从大到小进行排序操作,从大到小选择预设排名的特征值对对应的特征向量构建主成分矩阵;
将原始的工作控制数据投影到构建的主成分矩阵中,得到降维工作控制数据;
根据降维工作控制数据获取工作控制数据中每个数据点在主成分矩阵上的投影值,得到工作控制数据的标准数据特征。
根据本发明实施例,所述实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度,具体为:
将标准数据特征构建标准数据特征空间;
根据所述传感器实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据;
将所述实时工作控制数据按天为单位进行数据分区操作,得到时间分区数据,对每个时间分区数据根据主成分分析法降维后,提取所述时间分区数据的数据特征;
将所述数据特征投影到标准数据特征空间中,计算时间分区数据的数据特征在标准数据特征空间中的投影与正常控制状态下的工作控制数据的残差;
根据所述残差评估时间分区数据的数据冗余度。
根据本发明实施例,所述根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据,具体为:
预设数据冗余度阈值,根据所述数据冗余度将数据冗余度大于数据冗余度阈值的时间分区数据进行标记,得到标记数据;
对所述标记数据的进行相似性分析,对相似性大于预设值的多个标记数据提取每个数据的获取时间,随机保留一份相似性大于预设值的标记数据,将所述提取的每个数据的获取时间进行契合操作,并将契合操作的获取时间指向所保留的标记数据,其它相似性大于预设值的标记数据则进行删除操作,得到时间契合数据;
基于Huffman编码统计所述时间契合数据中每个数据值出现的频率,对每个数据值创建叶子节点;
通过反复合并两个数据值出现的频率最小的叶子节点,直至只剩下一个根节点,得到Huffman树;
对所述Huffman树从根节点开始递归对每个数据值生成Huffman编码,将每个数据值与对应的Huffman编码建立映射关系,形成编码表;
根据编码表对时间契合数据的数据值进行替换为对应的Huffman编码操作,得到降冗工作控制数据。
根据本发明实施例,所述构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据,具体为:
获取历史目标工控机在各种控制状态下的工作数据,对所述工作数据进行降冗操作,得到历史降冗工作控制数据;
基于机器学习构建控制状态识别模型,将历史降冗工作控制数据导入控制状态识别模型中进行训练,以学习历史降冗工作控制数据的数据特征;
将降冗工作控制数据导入控制状态识别模型中对目标工控机的控制状态进行识别,得到控制状态数据。
根据本发明实施例,所述根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案,具体为:
根据控制状态数据分析目标工控机的工作性能稳定性,根据所述工作性能稳定性确定工控机数据的传输紧急程度;
若传输紧急程度小于预设紧急程度,识别目标工控机的负载状态,根据负载状态确定数据传输时间窗口;
若传输紧急程度大于预设紧急程度,根据传输紧急程度确定数据的传输优先级,得到工控机的数据传输方案。
根据本发明实施例,还包括:
按预设时间周期获取目标工控机对工业设备进行控制的当前时间周期的周期性工作控制数据;
获取当前时间周期工业设备所进行的工作任务,根据工作任务获取所述工作任务的完整工作流程;
获取目标工控机对工业设备执行所述完整工作流程的控制指令,根据所述控制指令获取目标工控机所形成的流程工作数据;
将当前时间周期的周期性工作控制数据与流程工作数据进行对比分析,统计在预设时间段内所述完整工作流程的执行次数和目标工控机对所述完整工作流程的数据采集次数;
根据所述执行次数与数据采集次数进行计算,得到目标工控机对工业设备在工作过程中的数据采集频率;
将所述当前周期的周期性工作控制数据导入控制状态识别模型对当前周期控制状态进行识别,得到识别数据;
根据识别数据,若当前周期的控制状态无异常,在下一预设时间周期中降低目标工控机的数据采集频率,对数据传输方案进行补充操作。
根据本发明实施例,还包括:
实时获取目标工控机对工业设备生产工作控制得到生产工件,获取所述生产工件的图像数据;
获取标准生产工件图像数据,基于轮廓提取算法提取生产工件的图像数据的工件轮廓特征和标准生产工件图像数据中的标准工件轮廓特征;
将工件轮廓特征与标准工件轮廓特征进行对比,评估生产工件的生产质量;
若生产质量小于预设质量值,对目标工控机对工业设备的控制数据进行控制数据异常监测操作,得到异常控制数据;
将异常控制数据形成预警信息,并设定传输优先级进行传输至管理人员的管理设备中,最终对所述异常控制数据进行数据校正。
根据本发明实施例,还包括:
获取目标工控机的网络拓扑数据传输结构的数据传输带宽上限,根据所述数据传输带宽上限确定网络拓扑数据传输结构的数据传输速度;
获取目标工控机的数据传输负载能力数据,根据所述数据传输负载能力分析目标工控机的数据传输效率;
实时获取目标工控机待传输数据的数据量和目标工控机的可用数据传输资源,根据所述数据量和可用数据传输资源进行对比,判断待传输数据的传输是否会造成目标工控机的数据传输负载上限;
若达到数据传输负载上限,将待传输数据根据时间戳进行切片操作,得到分片数据,将所述分片数据按时间戳的先后顺序进行依次传输;
根据网络拓扑数据传输结构的数据传输速度和目标工控机的数据传输效率计算待传输数据的传输时间;
根据所述传输时间评估目标工控机的传输速率,所传输小于预设值,进一步将待传输数据进行压缩操作。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于数据分析的工控机数据传输程序,所述基于数据分析的工控机数据传输程序被处理器执行时,实现如上述任一项所述的基于数据分析的工控机数据传输方法的步骤。
本发明公开了一种基于数据分析的工控机数据传输方法、***及存储介质,旨在提高工控***数据传输的效率和实时性。首先获取目标工控机的工作控制数据,并通过主成分分析方法降维处理,得到标准数据特征。然后,获取目标工控机的实时工作控制数据,计算数据冗余度。通过冗余数据契合操作得到降冗工作控制数据。构建控制状态识别模型识别目标工控机的控制状态。最后,根据控制状态确定工控机数据传输的时间和优先级,形成数据传输方案。本发明通过智能化的数据分析和状态识别,提高了工控***数据传输的智能性和效能,有望广泛应用于工业自动化领域,提升生产控制水平。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种基于数据分析的工控机数据传输方法,其特征在于,包括以下步骤:
获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征;
实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度;
根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据;
构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据;
根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案;
所述根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据,具体为:
预设数据冗余度阈值,根据所述数据冗余度将数据冗余度大于数据冗余度阈值的时间分区数据进行标记,得到标记数据;
对所述标记数据的进行相似性分析,对相似性大于预设值的多个标记数据提取每个数据的获取时间,随机保留一份相似性大于预设值的标记数据,将所述提取的每个数据的获取时间进行契合操作,并将契合操作的获取时间指向所保留的标记数据,其它相似性大于预设值的标记数据则进行删除操作,得到时间契合数据;
基于Huffman编码统计所述时间契合数据中每个数据值出现的频率,对每个数据值创建叶子节点;
通过反复合并两个数据值出现的频率最小的叶子节点,直至只剩下一个根节点,得到Huffman树;
对所述Huffman树从根节点开始递归对每个数据值生成Huffman编码,将每个数据值与对应的Huffman编码建立映射关系,形成编码表;
根据编码表对时间契合数据的数据值进行替换为对应的Huffman编码操作,得到降冗工作控制数据。
2.根据权利要求1所述的一种基于数据分析的工控机数据传输方法,其特征在于,所述获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征,具体为:
在目标工控机所控制的工业设备中部署设备控制和数据采集传感器,通过通信协议将所述传感器与目标工控机进行数据链接,以获取目标工控机对工业设备正常控制状态下的工作控制数据;
基于主成分分析方法将所述工作控制数据建立数据矩阵,其中矩阵的每一行表示一个采样时间点,每一列表示工作控制参数;
将所述数据矩阵每一列的平均值,将数据矩阵中的每个数据点减去数据点所在对应列的平均值,得到中心化数据矩阵;
根据中心化数据矩阵计算工作控制数据的协方差矩阵,对协方差矩阵进行特征值分解,得到特征值和特征值对应的特征向量;
将特征值按照从大到小进行排序操作,从大到小选择预设排名的特征值对对应的特征向量构建主成分矩阵;
将原始的工作控制数据投影到构建的主成分矩阵中,得到降维工作控制数据;
根据降维工作控制数据获取工作控制数据中每个数据点在主成分矩阵上的投影值,得到工作控制数据的标准数据特征。
3.根据权利要求2所述的一种基于数据分析的工控机数据传输方法,其特征在于,所述实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度,具体为:
将标准数据特征构建标准数据特征空间;
根据所述传感器实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据;
将所述实时工作控制数据按天为单位进行数据分区操作,得到时间分区数据,对每个时间分区数据根据主成分分析法降维后,提取所述时间分区数据的数据特征;
将所述数据特征投影到标准数据特征空间中,计算时间分区数据的数据特征在标准数据特征空间中的投影与正常控制状态下的工作控制数据的残差;
根据所述残差评估时间分区数据的数据冗余度。
4.根据权利要求1所述的一种基于数据分析的工控机数据传输方法,其特征在于,所述构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据,具体为:
获取历史目标工控机在各种控制状态下的工作数据,对所述工作数据进行降冗操作,得到历史降冗工作控制数据;
基于机器学习构建控制状态识别模型,将历史降冗工作控制数据导入控制状态识别模型中进行训练,以学习历史降冗工作控制数据的数据特征;
将降冗工作控制数据导入控制状态识别模型中对目标工控机的控制状态进行识别,得到控制状态数据。
5.根据权利要求1所述的一种基于数据分析的工控机数据传输方法,其特征在于,所述根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案,具体为:
根据控制状态数据分析目标工控机的工作性能稳定性,根据所述工作性能稳定性确定工控机数据的传输紧急程度;
若传输紧急程度小于预设紧急程度,识别目标工控机的负载状态,根据负载状态确定数据传输时间窗口;
若传输紧急程度大于预设紧急程度,根据传输紧急程度确定数据的传输优先级,得到工控机的数据传输方案。
6.一种基于数据分析的工控机数据传输***,其特征在于,所述基于数据分析的工控机数据传输***包括储存器以及处理器,所述储存器包括基于数据分析的工控机数据传输方法程序,所述基于数据分析的工控机数据传输方法程序被所述处理器执行时,实现如下步骤:
获取目标工控机对工业设备正常控制状态下的工作控制数据,基于主成分分析方法对所述工作控制数据进行降维处理,以获得工作控制数据的标准数据特征;
实时获取预设时间段内的目标工控机对工业设备的实时工作控制数据,对实时工作控制数据进行时间分区操作,得到时间分区数据,根据所述标准数据特征计算时间分区数据的数据冗余度;
根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据;
构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据;
根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案;
所述根据所述数据冗余度对时间分区数据进行冗余数据契合操作,得到降冗工作控制数据,具体为:
预设数据冗余度阈值,根据所述数据冗余度将数据冗余度大于数据冗余度阈值的时间分区数据进行标记,得到标记数据;
对所述标记数据的进行相似性分析,对相似性大于预设值的多个标记数据提取每个数据的获取时间,随机保留一份相似性大于预设值的标记数据,将所述提取的每个数据的获取时间进行契合操作,并将契合操作的获取时间指向所保留的标记数据,其它相似性大于预设值的标记数据则进行删除操作,得到时间契合数据;
基于Huffman编码统计所述时间契合数据中每个数据值出现的频率,对每个数据值创建叶子节点;
通过反复合并两个数据值出现的频率最小的叶子节点,直至只剩下一个根节点,得到Huffman树;
对所述Huffman树从根节点开始递归对每个数据值生成Huffman编码,将每个数据值与对应的Huffman编码建立映射关系,形成编码表;
根据编码表对时间契合数据的数据值进行替换为对应的Huffman编码操作,得到降冗工作控制数据。
7.根据权利要求6所述的一种基于数据分析的工控机数据传输***,其特征在于,所述构建控制状态识别模型,根据所述控制状态识别模型和降冗工作控制数据对目标工控机的控制状态进行识别,得到控制状态数据,具体为:
获取历史目标工控机在各种控制状态下的工作数据,对所述工作数据进行降冗操作,得到历史降冗工作控制数据;
基于机器学习构建控制状态识别模型,将历史降冗工作控制数据导入控制状态识别模型中进行训练,以学习历史降冗工作控制数据的数据特征;
将降冗工作控制数据导入控制状态识别模型中对目标工控机的控制状态进行识别,得到控制状态数据。
8.根据权利要求6所述的一种基于数据分析的工控机数据传输***,其特征在于,所述根据控制状态数据确定工控机数据的传输时间和数据传输优先级,得到工控机的数据传输方案,具体为:
根据控制状态数据分析目标工控机的工作性能稳定性,根据所述工作性能稳定性确定工控机数据的传输紧急程度;
若传输紧急程度小于预设紧急程度,识别目标工控机的负载状态,根据负载状态确定数据传输时间窗口;
若传输紧急程度大于预设紧急程度,根据传输紧急程度确定数据的传输优先级,得到工控机的数据传输方案。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于数据分析的工控机数据传输程序,所述基于数据分析的工控机数据传输程序被处理器执行时,实现如权利要求1至5中任一项所述的基于数据分析的工控机数据传输方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112438.2A CN117631599B (zh) | 2024-01-26 | 2024-01-26 | 一种基于数据分析的工控机数据传输方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112438.2A CN117631599B (zh) | 2024-01-26 | 2024-01-26 | 一种基于数据分析的工控机数据传输方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117631599A CN117631599A (zh) | 2024-03-01 |
CN117631599B true CN117631599B (zh) | 2024-04-12 |
Family
ID=90025603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410112438.2A Active CN117631599B (zh) | 2024-01-26 | 2024-01-26 | 一种基于数据分析的工控机数据传输方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631599B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6368975B1 (en) * | 1999-07-07 | 2002-04-09 | Applied Materials, Inc. | Method and apparatus for monitoring a process by employing principal component analysis |
WO2009030909A1 (en) * | 2007-09-05 | 2009-03-12 | University Of Southampton | Signal processing in devices, for use with a deficient signal-reponsive body part |
CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
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*** |
CN110146293A (zh) * | 2019-06-04 | 2019-08-20 | 昆明理工大学 | 一种基于pca与elm的滚动轴承故障诊断方法 |
CN110808865A (zh) * | 2019-11-13 | 2020-02-18 | 北京理工大学 | 一种被动工控网络拓扑发现方法及工控网络安全管理*** |
CN110825068A (zh) * | 2019-09-29 | 2020-02-21 | 惠州蓄能发电有限公司 | 一种基于pca-cnn的工业控制***异常检测方法 |
CN111931838A (zh) * | 2020-08-01 | 2020-11-13 | 南京星合精密智能制造研究院有限公司 | 一种基于深度学习算法的机床导轨健康状态识别方法 |
CN114248152A (zh) * | 2021-12-31 | 2022-03-29 | 江苏洵谷智能科技有限公司 | 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法 |
CN114548272A (zh) * | 2022-02-22 | 2022-05-27 | 中国计量大学 | 一种离心泵空化状态识别方法 |
CN116471307A (zh) * | 2023-06-20 | 2023-07-21 | 北京中科朗易科技有限责任公司 | 物联网异构数据级联传输方法、装置、设备及介质 |
CN116821114A (zh) * | 2023-07-05 | 2023-09-29 | 焦作师范高等专科学校 | 一种用于大数据统计的计算机 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210376853A1 (en) * | 2018-11-02 | 2021-12-02 | Indian Institute Of Technology Delhi | Multivariate data compression system and method thereof |
-
2024
- 2024-01-26 CN CN202410112438.2A patent/CN117631599B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6368975B1 (en) * | 1999-07-07 | 2002-04-09 | Applied Materials, Inc. | Method and apparatus for monitoring a process by employing principal component analysis |
WO2009030909A1 (en) * | 2007-09-05 | 2009-03-12 | University Of Southampton | Signal processing in devices, for use with a deficient signal-reponsive body part |
CN106529124A (zh) * | 2016-10-14 | 2017-03-22 | 云南电网有限责任公司昆明供电局 | 基于主成分分析与支持向量机的变压器绝缘状态评估方法 |
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*** |
CN110146293A (zh) * | 2019-06-04 | 2019-08-20 | 昆明理工大学 | 一种基于pca与elm的滚动轴承故障诊断方法 |
CN110825068A (zh) * | 2019-09-29 | 2020-02-21 | 惠州蓄能发电有限公司 | 一种基于pca-cnn的工业控制***异常检测方法 |
CN110808865A (zh) * | 2019-11-13 | 2020-02-18 | 北京理工大学 | 一种被动工控网络拓扑发现方法及工控网络安全管理*** |
CN111931838A (zh) * | 2020-08-01 | 2020-11-13 | 南京星合精密智能制造研究院有限公司 | 一种基于深度学习算法的机床导轨健康状态识别方法 |
CN114248152A (zh) * | 2021-12-31 | 2022-03-29 | 江苏洵谷智能科技有限公司 | 一种基于优选特征和狮群优化svm的刀具磨损状态评估方法 |
CN114548272A (zh) * | 2022-02-22 | 2022-05-27 | 中国计量大学 | 一种离心泵空化状态识别方法 |
CN116471307A (zh) * | 2023-06-20 | 2023-07-21 | 北京中科朗易科技有限责任公司 | 物联网异构数据级联传输方法、装置、设备及介质 |
CN116821114A (zh) * | 2023-07-05 | 2023-09-29 | 焦作师范高等专科学校 | 一种用于大数据统计的计算机 |
Also Published As
Publication number | Publication date |
---|---|
CN117631599A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107888397B (zh) | 确定故障类型的方法和装置 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合*** | |
EP3968243A1 (en) | Method and apparatus for realizing model training, and computer storage medium | |
CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN112529204A (zh) | 模型训练方法、装置及*** | |
US20190163552A1 (en) | System and method for contextual event sequence analysis | |
CN106228270B (zh) | 一种大数据驱动的挤压设备的能耗预测方法及其*** | |
EP4020315A1 (en) | Method, apparatus and system for determining label | |
CN114511112B (zh) | 一种基于物联网的智慧运维方法、***和可读存储介质 | |
CN116471307B (zh) | 物联网异构数据级联传输方法、装置、设备及介质 | |
CN112953738B (zh) | 根因告警的定位***、方法、装置、计算机设备 | |
CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
US20220245096A1 (en) | Method and device for facilitating storage of data from an industrial automation control system or power system | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
CN114151293B (zh) | 风机变桨***的故障预警方法、***、设备及存储介质 | |
CN117251563A (zh) | 故障工单的质检方法、设备及存储介质 | |
CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及*** | |
CN117631599B (zh) | 一种基于数据分析的工控机数据传输方法及*** | |
CN114647558A (zh) | 一种日志异常检测的方法和装置 | |
CN117909112A (zh) | 应用程序故障自动诊断方法、装置、设备及存储介质 | |
CN116975938A (zh) | 一种产品制造过程中的传感器数据处理方法 | |
CN110647086A (zh) | 一种基于运行大数据分析的智能运维监控*** | |
CN113472881B (zh) | 在线终端设备的统计方法和装置 | |
US20230336409A1 (en) | Combination rules creation device, method and program | |
CN114860543A (zh) | 异常检测方法、装置、设备与计算机可读存储介质 |
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 |