基于物联网的工业大数据处理方法及系统与流程

本发明涉及数据处理的，尤其涉及一种基于物联网的工业大数据处理方法及系统。

背景技术：

1、物联网（iot）技术与工业大数据处理的结合为工业设备的监控与维护提供了新的可能性。传统的工业设备监控方法主要依靠定期的人工检查和基于规则的简单自动化系统，这些方法在设备状态监测、预测维护及异常检测方面的能力有限。随着工业自动化和智能制造的发展，对于能够实时监控设备状态、预测设备故障并自动调整生产策略的需求日益增加。

2、目前，一些解决方案尝试通过部署传感器来收集设备的实时数据，并利用基本的数据分析技术对这些数据进行处理，以实现对设备状态的监控。这些系统能够提供一定程度的实时监控能力，但它们通常无法处理复杂的数据分析需求，如预测分析、模式识别和异常检测。此外，这些系统往往无法有效地整合来自不同传感器的多维度数据，导致其监控和预测能力受限。现有技术的主要技术缺陷在于其处理能力的局限性和反应速度的不足。首先，缺乏高级数据分析和预测模型，使得现有系统难以准确预测设备的未来工作状态或及时检测到潜在的异常。其次，现有技术无法有效地整合和分析来自不同传感器的多维度数据，导致对设备状态的理解不够全面。最后，缺乏自动化的监控策略生成机制，使得在检测到异?；蚍缦帐?，无法及时调整或优化生产过程。

3、因此，亟需一种基于物联网的工业大数据处理方法，通过先进的物联网技术和多维度数据分析，为工业自动化和智能制造提供一种高效、精确的解决方案。

技术实现思路

1、本发明提供了一种基于物联网的工业大数据处理方法及系统，用于解决如何实现工业设备的实时监控、异常预测和智能响应的技术问题。

2、本发明第一方面提供了一种基于物联网的工业大数据处理方法，所述基于物联网的工业大数据处理方法包括：

3、通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据；其中，所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态，所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态；

4、将第一工业设备传感器数据输入至预设的设备异常风险评估模型中，得到异常风险评估预测值；

5、基于所述异常风险评估预测值，对第二工业设备传感器数据进行纠偏，得到纠偏后的第二工业设备传感器数据；

6、基于预设的第一数据分析函数，从第一工业设备传感器数据中提取出多个第一工业设备工作指标；基于预设的第二数据分析函数，从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标；

7、基于预设的模式识别算法，将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联，得到关联性分析结果；

8、将所述关联性分析结果输入至训练后的监控策略生成模型中，得到工业设备的监控策略。

9、可选的，在本发明第一方面的第一种实现方式中，所述工业设备的监控策略至少包括当前工业设备异常的即时响应策略以及未来风险趋势预测的预防措施策略。

10、可选的，在本发明第一方面的第二种实现方式中，所述通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据，包括：

11、向一组预定义的数据采集终端发送初始化的数据请求信号，以激活数据采集终端的数据发送状态；其中，所述初始化的数据请求信号触发的响应中携带关于数据采集终端的关键元数据；

12、基于预设的数据拆解规则，对接收到的关键元数据进行分解，得到第一元数据、第二元数据、第三元数据；

13、基于预设的第一提取算法，对第一元数据进行提取，得到制造商资料信息；基于预设的第二提取算法，对第二元数据进行提取，得到数据采集终端的标识码信息；

14、对所述标识码信息进行转换加密，得到对应的终端标识符；对所述终端标识符进行分割处理，得到多个标识符分割区间；基于预设的字符选取算法，对所述多个标识符分割区间进行字符选取，得到目标字符集合；

15、通过预设的字符编码算法，对目标字符集合进行编码，得到唯一的安全编码值；

16、结合制造商资料信息，在预设的数据库中查询匹配的数据记录，并将所述唯一的安全编码值与数据库中存储的编码值进行对比验证；其中，所述将所述唯一的安全编码值与数据库中存储的编码值进行对比验证用于找出与所述唯一的安全编码值匹配的数据实例；所述数据实例包含了多个数据采集终端，并为每个数据采集终端赋予唯一的编码；

17、通过比较所述第三元数据和每个数据采集终端赋予唯一的编码，选定与所述第三元数据的匹配度最高的数据采集终端作为目标设备；其中，所述第三元数据至少包括数据采集终端的设备信息；

18、利用最终确定的目标设备，激活目标设备内置的智能诊断及数据采集程序，分别采集第一工业设备传感器数据和第二工业设备传感器数据。

19、可选的，在本发明第一方面的第三种实现方式中，所述监控策略生成模型的训练过程，包括：

20、收集用于训练的数据集；其中，所述数据集至少包含多个第一工业设备和多个第二工业设备在预设工作条件下的工作指标数据，以及所述第一工业设备和所述第二工业设备在预设地理位置的运行记录；

21、将所收集的数据集结构化为工业设备性能拓扑结构；其中，所述工业设备性能拓扑结构的节点代表单个工业设备，节点的属性表示各个工业设备的工作指标和地理位置信息；

22、基于预设的拓扑结构理论，从所述工业设备性能拓扑结构中，确定各个节点的初始属性数据及邻接矩阵数据；其中，所述各个节点的初始属性数据及邻接矩阵数据用于表示各个工业设备间的相互影响和联系；

23、对各个节点的初始属性数据及邻接矩阵数据进行关键性能点分析，选出关键节点，作为关键工业设备；其中，所述关键工业设备为基于关键节点的工作指标重要性评分从所有工业设备中被选出；

24、基于关键节点的属性，对所选出的关键工业设备进行分析，预测关键工业设备潜在的维护和监控需求，得到预测分析结果；将所述预测分析结果与工业设备的实际工作表现进行对比，得到对比分析结果；

25、基于所述对比分析结果对初始的监控策略生成模型进行深度学习训练，得到训练后的监控策略生成模型；其中，所述训练后的监控策略生成模型用于结合各个工业设备工作指标和各个工业设备间的关联性分析结果，自动化生成各个工业设备的监控策略。

26、可选的，在本发明第一方面的第四种实现方式中，所述对所述标识码信息进行转换加密，得到对应的终端标识符，包括：

27、从数据采集终端的标识码信息中提取综合特征信息；其中，所述综合特征信息包括数据采集终端制造商的标志性特质，所述标志性特质至少包括制造商的标识图标的颜色编码、标识图标的几何形状参数、标识图标的标语文本特征、标识图标的语义属性、标识图标的商业属性；

28、基于所述标识图标的颜色编码，采用预设的颜色-编码转换规则，生成第一代码段；

29、基于所述标识图标的几何形状参数，采用预设的形状-编码转换算法，生成第二代码段；

30、基于所述标识图标的标语文本特征，采用预设的文本-编码转化机制，生成第三代码段；

31、基于所述标识图标的语义属性，采用预设的语义属性-编码转换规则，生成第四代码段；

32、基于所述标识图标的商业属性，采用预设的商业属性-编码转化机制，生成第五代码段；

33、生成一个周期性更新且保证唯一性的第六代码段，确保在任一预设的周期内所述第六代码段的唯一生成；

34、利用所提取的综合特征信息，确立一套代码段组合规则；其中，预设的数据库中预先定义了综合特征信息与所述代码段组合规则的匹配关系；

35、根据所述代码段组合规则，将第一代码段、第二代码段、第三代码段、第四代码段、第五代码段、第六代码段进行组合，形成一个复合式的加密标识码；

36、通过所述加密标识码对标识码信息进行转换加密，得到对应的终端标识符；其中，所述加密标识码用于确保数据传输及数据处理过程中的信息安全和隐私?；?。

37、本发明第二方面提供了一种基于物联网的工业大数据处理系统，所述基于物联网的工业大数据处理系统包括：

38、采集?？?，用于通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据；其中，所述第一工业设备传感器数据为工业设备在当前工作区域内的即时工作状态，所述第二工业设备传感器数据为预测工业设备在当前工作区域内下一段预设时间内的预测工作状态；

39、输入?？?，用于将第一工业设备传感器数据输入至预设的设备异常风险评估模型中，得到异常风险评估预测值；

40、纠偏?？?，用于基于所述异常风险评估预测值，对第二工业设备传感器数据进行纠偏，得到纠偏后的第二工业设备传感器数据；

41、提取?？?，用于基于预设的第一数据分析函数，从第一工业设备传感器数据中提取出多个第一工业设备工作指标；基于预设的第二数据分析函数，从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标；

42、关联?？?，用于基于预设的模式识别算法，将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联，得到关联性分析结果；

43、生成?？?，用于将所述关联性分析结果输入至训练后的监控策略生成模型中，得到工业设备的监控策略。

44、本发明第三方面提供了一种基于物联网的工业大数据处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于物联网的工业大数据处理设备执行上述的基于物联网的工业大数据处理方法。

45、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于物联网的工业大数据处理方法。

46、本发明提供的技术方案中，有益效果：本发明提供一种基于物联网的工业大数据处理方法及系统，通过具备自我诊断功能的目标设备实时采集多维度的第一工业设备传感器数据以及第二工业设备传感器数据；将第一工业设备传感器数据输入至预设的设备异常风险评估模型中，得到异常风险评估预测值；基于所述异常风险评估预测值，对第二工业设备传感器数据进行纠偏，得到纠偏后的第二工业设备传感器数据；基于预设的第一数据分析函数，从第一工业设备传感器数据中提取出多个第一工业设备工作指标；基于预设的第二数据分析函数，从纠偏后的第二工业设备传感器数据中提取出多个第二工业设备工作指标；基于预设的模式识别算法，将所述多个第一工业设备工作指标与所述多个第二工业设备工作指标进行关联，得到关联性分析结果；将所述关联性分析结果输入至训练后的监控策略生成模型中，得到工业设备的监控策略。本发明通过自我诊断功能的目标设备和多维度传感器数据的实时采集，本发明能够提供对工业设备即时工作状态和预测工作状态的全面监控。利用预设的设备异常风险评估模型和模式识别算法，本发明能够进行高级数据分析和预测，实现对潜在异常和风险的早期检测和预测?；诠亓苑治鼋峁脱盗泛蟮募嗫夭呗陨赡Ｐ?，本发明能够自动生成针对性的监控策略，实现对生产过程的自动化调整和优化。