大规模工业设备数据分析与智能管理方法

摘要

本发明涉及数据分析及设备管理领域，尤其涉及大规模工业设备数据分析与智能管理方法。首先，建立工业设备信息模型，采用大数据分析技术，对工业设备数据进行深入分析，根据数据分析结果确定设备的故障率和资源利用率，评估设备的综合运行效率；其次，构建协作运行模型，获取设备的权重向量，结合交互协作准则获得协作矩阵，基于设备的综合运行效率对大规模工业互联网设备进行全局评估，生成协作运行指令，对大规模工业互联网设备进行智能管理。解决了现有技术只关注单一的设备参数，导致优化措施的盲目性和低效性；设备间的协同不够高效，无法准确评估和优化设备的资源使用；以及缺乏准

权利要求

1.大规模工业设备数据分析与智能管理方法，其特征在于，包括以下步骤：S1.建立工业设备信息模型，使用边缘计算技术获取与设备运行相关的传感器数据，每个边缘网关负责对应范围内设备数据的获取；将采集的工业设备信息模型和传感器数据由异构网络数据统一转换为中间协议数据，并进行边缘计算，获取异构信息；采用大数据分析技术，对工业设备数据进行深入分析，根据数据分析结果确定设备的运行效率、故障率和资源利用率，评估设备的综合运行效率；模拟真实世界系统的特性，构建小世界网络模型；在所述小世界网络模型中，每个工业设备作为一个节点，节点之间的连接既具有高度的聚类性，又有短的路径长度；通过数学建模，得到：，

，

其中，和 分别表示小世界网络的路径长度和聚类系数，表示小世界网络中随机连接的概率， , 和 是小世界网络的特性参数；

并采用非线性微分方程来描述设备的动力学行为，具体公式为：，

其中， 表示第i个设备状态的时间导数， 代表第i个设备的状态， 代表设备的内部动力学行为， 是描述第i个设备和第j个设备之间交互关系的矩阵元素，是非线性响应函数；是调制函数； 是非线性动力学参数； 是设备间交互的强度； 是偏移参数；

是非线性动力学参数；

S2.构建协作运行模型，通过大规模设备联动方法获取设备的权重向量，结合交互协作准则获得协作矩阵，具体计算公式为：，

其中， 表示 与 之间的协作矩阵， 与 为交互协作的两个设备，表示衰减因子， 和 分别表示设备 与 的权重向量， 表示 和 中的最大值，为预设阈值；

表示协作因子的标准差；

基于设备的综合运行效率，根据协作矩阵对大规模工业互联网设备进行全局评估，确定设备的协作运行效率，选取最佳协作运行效率生成协作运行指令，对大规模工业互联网设备进行智能管理；所述协作运行效率为：，

其中，表示当前协作运行方式的运行效率，表示协作因子的种类，表示设备的综合运行效率， 和 分别表示协作运行的最小和最大阈值， 和 分别表示局部评估和全局评估的阈值。

2.根据权利要求1所述的大规模工业设备数据分析与智能管理方法，其特征在于，所述S1，具体包括：对原始设备数据进行归一化处理；通过主成分分析将数据从原始的高维空间转换到低维空间，同时保留数据的关键信息。

3.根据权利要求1所述的大规模工业设备数据分析与智能管理方法，其特征在于，所述S1，还包括：基于熵的方法来预测设备的故障，其中熵用于描述设备状态的分布；高熵值意味着设备的状态分布更加分散；进一步地，利用熵描述设备的资源利用率与熵之间的关系。

4.根据权利要求1所述的大规模工业设备数据分析与智能管理方法，其特征在于，所述S2，具体包括：获取影响设备进行协作运行的协作因子，计算所述协作因子的隶属度函数，并根据隶属度计算设备的权重向量。

5.根据权利要求1所述的大规模工业设备数据分析与智能管理方法，其特征在于，所述S2，还包括：基于设备的协作运行效率选取运行效率最高的协作运行方式，从而得到需要协作运行的设备标识，根据所述设备标识向对应边缘网关发送协作运行指令。

说明书

大规模工业设备数据分析与智能管理方法

技术领域

[0001] 本发明涉及数据分析及设备管理领域，尤其涉及大规模工业设备数据分析与智能管理方法。

背景技术

[0002] 在工业4.0时代，工业设备正迅速地向智能化、自动化和数字化方向发展。大量的传感器被集成到各种工业设备中，实时地收集设备的运行数据。这些数据包括设备的工作状态、运行效率、故障信息、能耗等多种参数。随着工业互联网和物联网技术的快速发展，工业设备的数量和种类也在急剧增加，导致数据量呈现爆炸式增长。这为工业生产带来了巨大的机遇，但同时也带来了挑战。

[0003] 如何有效地处理和分析这些海量的工业设备数据，以获取有价值的信息和知识，成为了一个紧迫的问题。这些数据中可能包含了设备运行的关键信息，如即将发生的故障、潜在的效率提升点等。对这些数据进行准确且及时的分析，对确保工业生产的连续性、提高生产效率和降低维护成本具有关键意义。工业设备通常不是孤立运行的，它们之间存在复杂的交互和依赖关系。如何确保这些设备能够协同工作，实现最优的生产效果，也是工业生产中需要解决的问题。随着工业设备的快速更新和生产环境的变化，需要一种更加智能、自适应的设备管理方法。

[0004] 我国专利申请号：CN202110364851.4，公开日：2021.07.09，公开了一种基于大数据的工业设备信息管理用终端设备，包括环状机柜，所述环状机柜的外侧均匀开设有多个置物架，所述置物架的内部活动安装有服务器，所述环状机柜的中部开设有中部槽使得环状机柜上下贯通。该基于大数据的工业设备信息管理用终端设备，通过纵置散热管和横向弯管组成阶梯状水冷系统，在不受水流冲击一侧温度升高后，由传热条将温度传递到固定盘下方，使得两下转板之间的气体膨胀，继而推动上转板转动，使得下转板拨动齿轮盘转动，从而在齿轮盘转动时将带动齿轮转动，并通过内叶轮在管口处形成负压，加快散热管道内的水流速度，继而提高散热效率。

[0005] 但上述技术至少存在如下技术问题：现有技术只关注单一的设备参数，片面的分析方式可能会导致优化措施的盲目性和低效性；设备间的协同不够高效，甚至可能出现冲突和故障；无法准确地评估和优化设备的资源使用，导致资源的浪费和设备的低效运行；缺乏准确性和针对性，导致设备的错配和管理的低效，设备出现故障时，管理者无法及时采取措施，增加了设备的停机时间和维修成本。

发明内容

[0006] 本申请实施例通过提供大规模工业设备数据分析与智能管理方法，解决了现有技术中的问题：现有技术只关注单一的设备参数，片面的分析方式可能会导致优化措施的盲目性和低效性；设备间的协同不够高效，甚至可能出现冲突和故障；无法准确地评估和优化设备的资源使用，导致资源的浪费和设备的低效运行；缺乏准确性和针对性，导致设备的错配和管理的低效，设备出现故障时，管理者无法及时采取措施，增加了设备的停机时间和维修成本。最终能够确保设备的高效运行，为工业生产带来了显著的经济效益和社会效益。

[0007] 本申请提供了大规模工业设备数据分析与智能管理方法，具体包括以下技术方案：

[0008] 大规模工业设备数据分析与智能管理方法，包括以下步骤：

[0009] S1. 建立工业设备信息模型，采用大数据分析技术，对工业设备数据进行深入分析，根据数据分析结果确定设备的故障率和资源利用率，评估设备的综合运行效率；

[0010] S2. 构建协作运行模型，获取设备的权重向量，结合交互协作准则获得协作矩阵，基于设备的综合运行效率对大规模工业互联网设备进行全局评估，生成协作运行指令，对大规模工业互联网设备进行智能管理。

[0011] 优选的，所述S1，具体包括：

[0012] 对原始设备数据进行归一化处理；通过主成分分析将数据从原始的高维空间转换到低维空间，同时保留数据的关键信息。

[0013] 优选的，所述S1，还包括：

[0014] 模拟真实世界系统的特性，构建小世界网络模型；在所述小世界网络模型中，每个工业设备作为一个节点，节点之间的连接既具有高度的聚类性，又有短的路径长度。

[0015] 优选的，所述S1，还包括：

[0016] 采用非线性微分方程来描述设备的动力学行为。

[0017] 优选的，所述S1，还包括：

[0018] 基于熵的方法来预测设备的故障，其中熵用于描述设备状态的分布；高熵值意味着设备的状态分布更加分散；进一步地，利用熵描述设备的资源利用率与熵之间的关系。

[0019] 优选的，所述S2，具体包括：

[0020] 通过大规模设备联动方法获取设备的权重向量，结合交互协作准则获得协作矩阵，根据所述协作矩阵对大规模工业互联网设备进行全局评估。

[0021] 优选的，所述S2，还包括：

[0022] 获取影响设备进行协作运行的协作因子，计算所述协作因子的隶属度函数，并根据隶属度计算设备的权重向量。

[0023] 优选的，所述S2，还包括：

[0024] 通过交互协作准则确定协作矩阵，基于设备的综合运行效率，根据协作矩阵对大规模工业互联网设备进行全局评估，确定设备的协作运行效率，选取最佳协作运行效率生成协作运行指令。

[0025] 优选的，所述S2，还包括：

[0026] 基于协作运行效率选取运行效率最高的协作运行方式，从而得到需要协作运行的设备标识，根据所述设备标识向对应边缘网关发送协作运行指令。

[0027] 有益效果：

[0028] 本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：

[0029] 通过归一化、主成分分析、小世界网络建模以及非线性微分方程建模，本发明确保了从大规模工业设备中收集的数据得到了充分、深入的分析；不仅提高了数据处理的准确性，还有效地降低了不必要的冗余信息，提高了数据分析的效率；能够全面评估工业设备的运行效率、故障率、资源利用率等关键参数，使得工业设备管理者能够在第一时间获知设备的运行状态，并采取相应的措施优化设备的性能；

[0030] 通过构建协作运行模型，大规模工业设备能够实现高效的协同作业，不仅提高了设备间的协作效率，还确保了在复杂的生产环境中设备能够稳定、高效地运行；通过本发明中的资源利用率与熵的关系，设备的资源使用得到了优化，从而实现了更高的生产效率和降低了资源浪费；

[0031] 基于综合的效率指标和协作运行模型，能够对大规模工业互联网设备进行全局评估，从而生成智能的协作运行指令，确保了在大规模、复杂的工业生产环境中，设备能够得到智能、高效的管理；利用基于熵的方法描述设备的状态分布，准确地预测设备的潜在故障，并采取预防性措施，从而降低了停机时间和维修成本。

[0032] 本申请的技术方案能够有效解决现有技术只关注单一的设备参数，片面的分析方式可能会导致优化措施的盲目性和低效性；设备间的协同不够高效，甚至可能出现冲突和故障；无法准确地评估和优化设备的资源使用，导致资源的浪费和设备的低效运行；缺乏准确性和针对性，导致设备的错配和管理的低效，设备出现故障时，管理者无法及时采取措施，增加了设备的停机时间和维修成本。能够确保设备的高效运行，为工业生产带来了显著的经济效益和社会效益。

附图说明

[0033] 图1为本申请所述的大规模工业设备数据分析与智能管理方法流程图。

具体实施方式

[0034] 本申请实施例通过提供大规模工业设备数据分析与智能管理方法，解决了现有技术只关注单一的设备参数，片面的分析方式可能会导致优化措施的盲目性和低效性；设备间的协同不够高效，甚至可能出现冲突和故障；无法准确地评估和优化设备的资源使用，导致资源的浪费和设备的低效运行；缺乏准确性和针对性，导致设备的错配和管理的低效，设备出现故障时，管理者无法及时采取措施，增加了设备的停机时间和维修成本。

[0035] 本申请实施例中的技术方案为解决上述问题，总体思路如下：

[0036] 通过归一化、主成分分析、小世界网络建模以及非线性微分方程建模，本发明确保了从大规模工业设备中收集的数据得到了充分、深入的分析；不仅提高了数据处理的准确性，还有效地降低了不必要的冗余信息，提高了数据分析的效率；能够全面评估工业设备的运行效率、故障率、资源利用率等关键参数，使得工业设备管理者能够在第一时间获知设备的运行状态，并采取相应的措施优化设备的性能；通过构建协作运行模型，大规模工业设备能够实现高效的协同作业，不仅提高了设备间的协作效率，还确保了在复杂的生产环境中设备能够稳定、高效地运行；通过本发明中的资源利用率与熵的关系，设备的资源使用得到了优化，从而实现了更高的生产效率和降低了资源浪费；基于综合的效率指标和协作运行模型，能够对大规模工业互联网设备进行全局评估，从而生成智能的协作运行指令，确保了在大规模、复杂的工业生产环境中，设备能够得到智能、高效的管理；利用基于熵的方法描述设备的状态分布，准确地预测设备的潜在故障，并采取预防性措施，从而降低了停机时间和维修成本。

[0037] 为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

[0038] 参照附图1，本申请所述的大规模工业设备数据分析与智能管理方法，包括以下步骤：

[0039] S1. 建立工业设备信息模型，采用大数据分析技术，对工业设备数据进行深入分析，根据数据分析结果确定设备的故障率和资源利用率，评估设备的综合运行效率；

[0040] 随着工业互联网的不断发展，大数据技术在工业生产中的应用也变得越来越重要。本发明提供了一种基于计算机的大规模工业设备数据分析与智能管理方法，旨在实现对各个智能化的工业设备进行高效、智能的数据分析、优化和管理，从而提高生产效率和管理质量。

[0041] 建立工业设备信息模型，所述工业设备信息模型由各设备元素组成，所述设备元素包括组件元素、属性元素、运行元素。所述组件元素是对设备各部件的描述信息；所述属性元素是对设备的物理属性的描述信息，包括设备标识、设备型号、设备名称等；所述运行元素是对设备进行操作以及运行过程中参数的描述信息，包括输入、输出、状态变动等。

[0042] 为了便于管理大规模工业互联网设备，使用边缘计算技术获取与设备运行相关的各类传感器数据，如温度、湿度、光照等，每个边缘网关负责对应范围内设备数据的获取。云服务器构建工业设备信息模型框架后，将工业设备信息模型框架传输给各工业设备。所述工业设备信息模型框架为设备元素架构，由工业设备填入设备元素架构对应的信息，将设备数据与模型结合，实现设备的数字化表示。

[0043] 获取各工业设备的工业设备信息模型参数，包括位于边缘侧的、与工业设备运行相关的各类传感器数据，所述传感器包括温度传感器、湿度传感器、光照传感器等。将采集的工业设备信息模型和传感器数据由异构网络数据统一转换为中间协议数据，并进行边缘计算，获取异构信息。所述边缘计算是基于工业设备信息模型中的信息对工业设备进行比较，比较的内容包括设备的组成部件、设备状态、设备故障率、接口、传输协议等；所述异构信息包括各工业设备间的结构差异和资源差异。

[0044] 进一步，采用大数据分析技术，对收集到的工业设备数据进行深入分析，并根据数据分析结果，确定设备的运行效率、故障率、资源利用率等关键参数。

[0045] 在现代工业生产中，为了实现连续的、高效的生产流程和减少停机时间，对设备数据的深入分析成为了一个必要的步骤。深入的数据分析可以揭示设备的运行效率、可能出现的故障以及资源的优化使用。以下是基于高维数据处理、复杂网络结构和非线性动力学系统进行工业设备数据分析的详细方法。

[0046] 原始设备数据常常包含许多噪声和不相关的信息，需要进行归一化以确保所有数据都在一个统一的尺度上。确保在后续的分析中不会因为数据的原始尺度而产生偏见。归一化公式为：

[0047] ，

[0048] 其中， 表示归一化后的数据，表示原始设备数据，表示数据的均值，表示数据的标准偏差。

[0049] 然而，即使进行了归一化，高维数据仍可能包含大量的冗余信息。为了提取数据中的关键特征并降低数据的维度，主成分分析被引入到该过程中。主成分分析的目的是将数据从原始的高维空间转换到一个新的、较低维的空间，同时尽量保留数据的关键信息。通过主成分分析数据被转换为：

[0050] ，

[0051] 其中，表示转换后的数据， 是由前k个主成分组成的矩阵，代表了数据中最重要的k个方向。

[0052] 设备之间的交互和依赖关系是分析的另一个关键部分。模拟大量真实世界系统的特性，构建小世界网络模型。在小世界网络中，每个工业设备作为一个节点，节点之间的连接既具有高度的聚类性，又有较短的路径长度。通过数学建模，得到：

[0053] ，

[0054] ，

[0055] 其中，和 分别表示网络的路径长度和聚类系数，表示网络中随机连接的概率，, 和 是网络的特性参数。

[0056] 为了更深入地理解设备的行为并预测其未来的状态，用非线性微分方程来描述设备的动力学行为，具体公式为：

[0057] ，

[0058] 其中， 表示第i个设备状态的时间导数， 代表第i个设备的状态， 代表设备的内部动力学行为， 是描述第i个设备和第j个设备之间交互关系的矩阵元素，是一个非线性响应函数，它描述了设备状态 对设备状态 的影响如何随着它们之间的差异而变化。是一个调制函数，它进一步调整了设备之间的交互， 是是一个非线性动力学参数，用于控制设备的内部动力学行为， 是设备间交互的强度， 是偏移参数，用于调整设备间交互的基线或中心点， 是非线性动力学参数。

[0059] 预测设备的故障是另一个关键的分析步骤。采用基于熵的方法来描述设备的状态分布：

[0060] ，

[0061] 其中，是熵， 是设备状态 的概率密度函数。基于熵的方法来预测设备的故障，其中熵用于描述设备状态的分布。高熵值意味着设备的状态分布更加分散，因此更有可能出现故障。进一步地，利用熵描述设备的资源利用率与熵之间的关系：

[0062] ，

[0063] 其中，表示设备的资源利用率，是正则化参数，平衡设备的资源利用率与其熵之间的关系，是敏感性参数， 是预设的熵阈值，是效率参数，是时间常数，用于描述设备状态如何随时间变化而影响资源利用率。

[0064] 综合所有这些信息，形成综合的效率指标来评估设备的综合运行效率：

[0065] ，

[0066] 其中，是设备的综合运行效率， 是第i个设备的权重系数， 是设备状态的最大值，和 是描述外部环境影响的参数。从而确定设备的综合运行效率、可能的故障和资源的优化使用。

[0067] S2. 构建协作运行模型，获取设备的权重向量，结合交互协作准则获得协作矩阵，基于设备的综合运行效率对大规模工业互联网设备进行全局评估，生成协作运行指令，对大规模工业互联网设备进行智能管理。

[0068] 为了确保大规模工业设备实现协同作业，提高设备运行效率，需要对工业互联网设备进行综合智能管理。构建协作运行模型，通过协作运行模型得到工业设备的协作运行指令，通过设备的交互协作提高工业生产效率。

[0069] 进一步，由大规模设备联动方法获取设备的权重向量，结合交互协作准则获得协作矩阵，然后根据协作矩阵对大规模工业互联网设备进行全局评估。具体步骤如下：

[0070] 获取历史设备协作运行记录以及对应的工业设备信息模型，由人工设定或从历史协作运行记录中获取影响设备进行协作运行的协作因子。将协作因子表示为， 表示协作因子的种类。设r为某个协作因子在任一时刻的值，计算其隶属度函数：

[0071] ，

[0072] 其中， 表示隶属度函数，表示协作因子的标准差，表示协作因子的均值。计算设备的权重向量：

[0073] ，

[0074] 其中，表示设备的权重向量， 表示当前周期与当前设备进行协作运行的设备数量，表示当前设备与其他设备相比的运行效率。

[0075] 通过交互协作准则确定设备在某个周期的实时状态的协作矩阵，具体计算公式为：

[0076] ，

[0077] 其中， 表示 与 之间的协作矩阵，与 为交互协作的两个设备，表示衰减因子， 和 分别表示设备 与 的权重向量， 表示 和 中的较大者，为预设阈值，可由专家经验获得。

[0078] 基于设备的综合运行效率，根据协作矩阵对大规模工业互联网设备进行全局评估，确定设备的协作运行效率，选取最佳协作运行效率生成协作运行指令。所述协作运行效率为：

[0079] ，

[0080] 其中，表示当前协作运行方式的运行效率，表示设备的综合运行效率， 和 分别表示协作运行的最小和最大阈值， 和 分别表示局部评估和全局评估的阈值。基于协作运行效率选取运行效率最高的协作运行方式，从而得到需要协作运行的设备标识，根据设备标识向对应边缘网关发送协作运行指令，实现大规模工业设备的智能管理。

[0081] 综上所述，便完成了本申请所述的大规模工业设备数据分析与智能管理方法。

[0082] 上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：

[0083] 通过归一化、主成分分析、小世界网络建模以及非线性微分方程建模，本发明确保了从大规模工业设备中收集的数据得到了充分、深入的分析；不仅提高了数据处理的准确性，还有效地降低了不必要的冗余信息，提高了数据分析的效率；能够全面评估工业设备的运行效率、故障率、资源利用率等关键参数，使得工业设备管理者能够在第一时间获知设备的运行状态，并采取相应的措施优化设备的性能；

[0084] 通过构建协作运行模型，大规模工业设备能够实现高效的协同作业，不仅提高了设备间的协作效率，还确保了在复杂的生产环境中设备能够稳定、高效地运行；通过本发明中的资源利用率与熵的关系，设备的资源使用得到了优化，从而实现了更高的生产效率和降低了资源浪费；

[0085] 基于综合的效率指标和协作运行模型，能够对大规模工业互联网设备进行全局评估，从而生成智能的协作运行指令，确保了在大规模、复杂的工业生产环境中，设备能够得到智能、高效的管理；利用基于熵的方法描述设备的状态分布，准确地预测设备的潜在故障，并采取预防性措施，从而降低了停机时间和维修成本。

[0086] 效果调研：

[0087] 本申请的技术方案能够有效解决现有技术只关注单一的设备参数，片面的分析方式可能会导致优化措施的盲目性和低效性；设备间的协同不够高效，甚至可能出现冲突和故障；无法准确地评估和优化设备的资源使用，导致资源的浪费和设备的低效运行；缺乏准确性和针对性，导致设备的错配和管理的低效，设备出现故障时，管理者无法及时采取措施，增加了设备的停机时间和维修成本。并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够确保设备的高效运行，为工业生产带来了显著的经济效益和社会效益。

[0088] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0089] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

[0090] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

[0091] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。