一种基于云平台的设备参数边缘计算方法与流程

本发明涉及制造业技术领域，具体涉及一种基于云平台的设备参数边缘计算方法。

背景技术：

通过大数据和后台算法优化传统工业模式的手段解决企业设备和品质两端的一系列问题，首先切入的行业就是制造业，制造行业市场庞大，设备类型繁多，设备数据采集分析困难，目前制造行业传统的品质管理模式还处理工业2.0阶段。需要作业人员手写信息按照经验判断质量，花费人力，时间成本高，容易出错；另外，数据模型建立优化困难，而且由于设备种类繁多，数据交互频繁，品质部门和工艺部门判定困难，一旦产品出现问题追溯时间长，容易扯皮。

本发明所提供的基于云平台的设备参数边缘计算方法能够使得设备工艺方与品质管理方信息畅通，减少生产过程中的人工操作，提高工作效率，准确率高而且实用性强。

技术实现要素：

为了实现高效率的制造业设备参数控制作业，本方法包括以下步骤：

步骤一、对设备机台信息进行多种数据源的采集；

步骤二、对步骤一采集的设备机台信息进行数据缓存、分批和多消费者的处理；

步骤三、对步骤二得到的数据进行预处理；

步骤四、上传步骤三中进行预处理后的数据至公有云，利用公有云算法平台进行模型训练及优化；

步骤五、将训练及优化后的模型移至到本地，并编译相应的工程文件；

步骤六、部署模型程序到生产边缘测公共机，使用模型进行预测、报警、控制及参数建议。

进一步的，所述步骤一具体包括：所述多种数据源采集包括用于获取当前设备机台的信息的关系数据库、opc流和socket流数据源。

进一步的，所述步骤三中预处理数据之前，还包括对所述步骤一采集的设备机台信息进行数据存储和备份。

进一步的，将所述步骤三中进行预处理后的数据上传公有云之前，还包括：获取用于数据分析的信息。

更进一步的，所述公有云算法平台包括模型建立单元，所述模型建立单元用于判断当前设备机台信息与对所述步骤一采集的设备机台信息进行存储和备份的数据是否一致。

借由上述方案，本发明至少具有以下优点：

1、设备参数控制和品质控制双方使用简单，设备数据自动上传，参数预警自动触发；

2、管控流程全程跟踪透明；

3、数据模型自动优化；

4、产品质量追溯功能；

5、大数据采集；

6、通过云平台实时完成多位置多设备的协同作业，使生产效率最大化来大幅提高产能。

上述说明将是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明的一种基于云平台的设备参数边缘计算方法的流程示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

步骤一：设备机台多种数据源的采集，采用flumeng对接各种形式的数据源，包括但不限于关系数据库、socket流、文本文件、http流等，flume在整个数据接入的流程中充当数据管道的作用，整个集群包含两个节点，用以保证采集系统的可靠性；

步骤二：使用数据分发中间件，对数据进行缓存，分批或多消费者的处理。kafka做为数据缓存中间件，用来做数据缓存、持久化，控制数据消费等；

步骤三：进行原始数据的存储及备份，利用hadoophdfs作为其文件存储系统,利用hadoopmapreduce来处理hbase中的海量数据,利用zookeeper作为其分布式协同服务；

步骤四：进行数据的预处理，数据计算层提供实时计算和离线计算能力，cdh包含一系列用于计算、查询的组件；

步骤五：上传用于分析的数据至公有云，利用公有云算法平台进行模型训练及优化，数据从企业侧传入云端进行存储，优先使用对象存储。结合设备参数的数据特点，选用“低频访问类型”对象存储。选用主流的云算法平台，支撑数据预处理、特征工程、统计分析、机器学习、深度学习，强化学习；

步骤六：将训练优化后的模型移至到本地，并编译相应的工程文件。根据参数的特征变量，模拟预测以近似口型对应的最优平均参数的轮廓检测结果，优选平均异常点率最小的最优参数组合；

步骤七：部署模型程序到生产边缘测公共机。接收设备生成的数据流，调用模型进行预测，返回数据输出结果(预警、建议参数等等)，并发送相关指令到生产侧(包括告警信息、建议参数等)。

在本实施例中，集成企业内部信息化系统数据、工业物联网数据和与企业相关的外部数据，对数据进行检索分析和深入挖掘分析，通过对业务问题的诊断和推演，为质量优化、生产过程改进、库存预测和设备故障预测提供数据支持和决策依据。通过生产作业的精细化管控和品质提升，实现企业的降本增效，充分发挥智能制造的优势与作用。

本发明实施例公开了一种具体的基于云平台的设备参数边缘计算方法，相对于上一实施例，本实施例对技术方案作了进一步说明和优化。具体的：

为了进行设备参数结果的预警判定，采集设备参数信息之前，还包括：

1、定义不同的数据源及数据格式，包括但不限于关系数据库、socket流、文本文件、http流等；

2、设置数据接入的流程的数据管道，整个集群包含两个节点，用以保证采集系统的可靠性。

为了设备参数结果的预警判定，将判定结果信息反馈用户之前，还包括：

1、依据当前设备信息以及设备参数信息，获取模型信息；

2、调用模型进行预测，返回数据输出结果(预警、建议参数等等)，并发送相关指令到生产侧(包括告警信息、建议参数等)。

具体的，数据模型在边缘计算机中进行部署，设备参数的数据源包括关系数据库、socket流、文本文件、http流等。用户部门进行设备参数的获取或调整，设备参数将被传入云平台，实现用户方与云平台之间的信息交换。

设备参数传入云平台时，在系统中会同步传输当前设备其他信息，例如设备名称来进行认证，若当前设备信息与云平台中的信息一致，即设备名称认证通过之后，才能建立与云平台的联系，与系统建立联系后，从云平台中提取数据模型信息至边缘计算机，在边缘计算机中，对参数信息进行预测处理，针对参数进行结果预测，生成预测结果信息。

云平台还包括模型建立单元，模型建立单元用于生成相应的预测模型，模型生成后，选择最优模型下发至边缘计算机端，用于后续的结果预测。

本发明提供的一种基于云平台的设备参数边缘计算方法，具有以下优点：

1、具有数据采集和预测功能，一是解决多种数据源采集和存储复杂的问题，二是通过预测功能实现设备部门和品质部门可选择最优的评估方法进行预测使用，这种的预测功能的设计可以使生产部门快速的明确参数变化对于生产的影响，让生产效率大大提升，产品品质得到有效保障；

2、模型建立功能，提供100余种算法组件，覆盖回归、分类、据类、文本分析、关系挖掘等算法，支撑数据预处理、特征工程、统计分析、机器学习、深度学习，强化学习等。为用户提供了多种的模型建立的方式和平台支持；

3、一站式服务功能，提供一站式的服务体验，数据的清洗，特征工程、机器学习算法、评估、在线预测以及离线调度都可以在平台上一站式使用，通过这个功能有效的降低的技术部门的工作复杂度，大大减少工作时间；

4、可视化操作功能，机器学习平台提供可视化的操作界面，通过拖拉拽的方式拖动算法组件拼接成实验，提升的用户界面的友好度；

5、平台监控系统，包括如何查看服务和角色实例的运行状况测试结果，图表库中有各种各样的指标，方便诊断问题，健康测试包括关于组件的健康状况变得存在隐患(concerning)或不良(bad)的建议，你还可以查看对服务或角色执行的操作的历史记录，并可以查看配置更改的审核日志，以此保证系统可靠；

6、活动监控功能，包括impala，mapreduce，spark和yarn的作业，包括如何查看集群上当前和历史作业，并提供许多有关各个作业使用的资源的统计数据，包括表格显示和图表，你可以比较类似作业的性能，并查看作业中单个任务的性能，以帮助诊断故障或调优性能；

7、报告，查看用户，用户组和目录使用的磁盘空间历史记录信息，以及查看集群作业活动用户，用户组或jobid，这些报告可以根据选定的时间段汇总如小时，每天，每周等，并可导出为xls或csv格式文件，可以管理hdfs目录，包括搜索和设置配额；

8、通过后台数据的支持，根据拓扑学原理和计算机科学建模，通过后台算法让用户通过手机实时完成多位置多重关系的协同作业，最终实现帮助企业大幅提升效率，降低成本，最终让消费者受益。

以上将是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。