本发明涉及工业物联网领域，具体涉及本发明涉及一种基于工业物联网的企业生产数据监测方法。
背景技术：
：：近年来工业生产装置的大型化和整体技术装备水平不断提升，随着低碳经济发展理念的深入，企业对生产过程提质降耗、安全环保的要求日益迫切。同时，工业物联网的快速发展为企业生产过程的监测提供了有力的技术支撑。2017年6月，工信部办公厅下发了《关于全面推进移动物联网建设发展》的通知，通知中提到，全面推进广覆盖、大连接、低功耗移动物联网建设。因此充分发挥工业物联网作用，对完成国内现有流程工业的智能化信息化生产改造具有重要的意义。许多科技公司申请了涉及工业物联网数据监测的专利，但现有的这些方法、系统均存在以下问题：a.只针对某一特殊行业开发，局限性较大，不利于系统的广泛使用。b.数据传输无安全保障，容易篡改及盗取生产数据。c.系统功能单一，不能适应现代企业节能降耗，完成信息化转型的需要。d.云平台系统串联于企业生产系统中，严重威胁企业安全生产。如申请号为201711277580.9，发明名称一种基于电力生产控制与监测数据的安全加密系统，主要功能是防范黑客机恶意代码等对电力监控系统的攻击及侵害，只能用于电力系统的安全保护，局限性较大，且该系统串联于原工控网络中，一旦系统被控制，直接影响企业安全生产；申请号为201810501386.2，发明名称基于云的工业物联网平台，数据采用wifi模块和gprs模块进行数据传输，无任何加密措施，对企业的生产数据有很大的安全隐患。其数据应用模块通过web管理后台、android系统app或ios系统app的方式进行数据的呈现和交互，需用户安装客户端才能使用，维护成本高，应用场景受设备场地限制较大；申请号为201610757376.6，发明名称一种物联网数据监测处理系统，该系统可以实时的对待监测设备进行监测，并根据实时监测数据处理结果触发报警单元进行报警，其主要用于对监测设备进行数据异常的报警，功能单一无法满足企业信息化建设的需求。技术实现要素：为了解决上述问题，本发明提供一种能够安全传输数据，并对数据进行分析和直观展示的基于工业物联网的企业生产数据监测方法，包括以下步骤，s1数据采集步骤，所述数据采集步骤包括对工业现场监测仪表的数据采集或对企业dcs控制系统中的数据采集；s2数据传输步骤，所述数据传输步骤包括通过数据加密步骤将生产数据传输至服务器；s3数据分析步骤，所述数据分析步骤包括，将生产数据存储于基于数据逻辑的数据库并通过中间层服务器依据事物逻辑对生产数据进行分析。s4数据展示步骤，包括通过客户端以图形化数据向用户展示生产设备的实时生产数据、累计生产数据，生产异常报警数据，企业生产能耗数据中的一种或多种。进一步的，所述数据加密步骤包括，s21将采集到的生产数据通过有线传输，通过单向导入设备，传输至工业现场工控机；s22工控机对采集到的数据进行，分类、打包和存储；s23工控机对经过分类、打包和存储的生产数据，以系统时间因子为依据，通过第一签名算法进行签名生成数据包签名；s24服务器以系统时间因子为依据，通过第一签名算法生成样本数据库签名；s25工控机发送数据包之前，将数据包签名与服务器端样本数据库进行对比，若签名一致，则发送数据包。s26服务器对收到的数据包进行解密得到生产数据。进一步的，所述通过中间层数据库基于事物逻辑对生产数据进行分析包括，s31根据标准化后的生产数据样本，构建多个神经网络模型，每个神经网络模型都采用小随机数的初始权重和带有动量项及学习速率的训练方式进行训练。s32在所述多个神经网络模型中，选择出具有最佳预测性能的神经网络模型，并记录下该模型的初始权重和终止权重，根据终止权重和连接权法计算神经网络模型的c、oi、ri，包括以下步骤：s321计算输入-隐层-输出连接权贡献度c；s322计算每个变量的综合连接权贡献度oi；s323计算每个变量的相对贡献率ri；s33随机改变训练样本输出集的顺序；s34用改变顺序后的样本和s32步骤中记录的初始权重，重新训练神经网络模型，并记录模型的终止权重；s35多次重复s33和s34步骤，并以记录重复次数为count，根据s34中记录的终止权重，执行s32步骤得到随机化的c、oi、ri。s36分别计算输入-隐层-输出连接权贡献度c、综合连接权贡献度oi、相对贡献率ri的显著程度p，包括以下步骤，s361若标准值大于0，p＝(n+1)/(count+1)，n为随机化值大于等于标准值的个数；s362若标准值小于0，p＝(m+1)/(count+1)，m为随机化值小于等于标准值的个数；s37若p小于预设显著水平值，则保留该连接权否则剔除该连接权，并生成生产能耗神经网络释义图。进一步的，所述数据展示步骤包括，设定不同级别的技术人员权限，并依据所述权限设定技术人员所能查看数据的内容。进一步的，所述数据展示步骤包括，所述图形化数据包括通过对数据库中存储的生产数据进行同比环比对照，产生对应的柱状图，饼状图，曲线图；所述企业生产能耗数据包括生产能耗神经网络释义图。进一步的，所述客户端与所述服务器采用b/s架构并与企业生产信息系统隔离。本发明的有益效果是，1服务器采用b/s(browser/server)模式开发，客户端零安装、零维护，系统易扩展。2物联网系统独立于企业自身数据系统，数据传输利用完整性验证技术，对原始数据进行签名，并对样本数据库也进行签名，数据传输前需将原始数据与样本数据库的签名进行验证通过，保证企业生产数据的安全。3服务器对生产数据进行全方位的分析，并通过客户端实时将分析结果，分级别的发送至企业工程技术人员，指导企业安全高效生产。4通过针对不同企业设置不同的中间件服务器，本系统的应用不只局限于某一生产企业，可针对不同企业需求，及时更新调整，适合推广使用。5本发明通过生产能耗神经网络释义图的方式向管理人员直观的展示生产过程中各数据对能耗的影响，方便管理员做出生产决策，减少能耗。附图说明图1为本发明一实施例流程图。图2为本发明一实施例修剪前神经网络释义图。图3为本发明一实施例修剪后神经网络释义图。具体实施方式本发明解决
背景技术：
：中描述问题的发明思路之一是，本发明通过采集生产设备的数据信息，将生产设备数据加密传输至服务器；服务器对企业生产大数据进行分析并将分析结果向用户展示，方便用户做出生产管理决策。本发明所述的数据监测系统，采用独立开发模式，独立于企业信息系统之外，在完成生产数据分析的同时保证了其数据的安全性，可有效指导企业安全高效生产。如图1所示本发明提供一种基于工业物联网的企业生产数据监测方法，包括以下步骤，s1数据采集步骤，所述数据采集步骤包括对工业现场监测仪表的数据采集或对企业dcs控制系统中的数据采集；s2数据传输步骤，所述数据传输步骤包括通过数据加密步骤将生产数据传输至服务器；s3数据分析步骤，所述数据分析步骤包括，将生产数据存储于基于数据逻辑的数据库并通过中间层服务器依据事物逻辑对生产数据进行分析。s4数据展示步骤，包括通过客户端以图形化数据向用户展示生产设备的实时生产数据、累计生产数据，生产异常报警数据，企业生产能耗数据中的一种或多种。数据加密步骤包括，s21将采集到的生产数据通过有线传输，通过单向导入设备，传输至工业现场工控机；单向导入设备是企业dcs控制系统的安全设备的一种，它可以保证在数据传输时，只能从dcs系统向外部传送，防止外部数据对企业dcs系统产生影响，造成损失，单向导入设备独立于生产设备的控制信息系统，防止物联网端的数据异常对企业生产系统造成影响，进一步增加了系统安全性。s22工控机对采集到的数据进行，分类、打包和存储；s23工控机对经过分类、打包和存储的生产数据，以系统时间因子为依据，通过第一签名算法进行签名生成数据包签名；s24服务器以系统时间因子为依据，通过第一签名算法生成样本数据库签名；s25工控机发送数据包之前，将数据包签名与服务器端样本数据库进行对比，若签名一致，则发送数据包。s26服务器对收到的数据包进行解密得到生产数据。上述基于时间同步的动态加密技术，利用完整性验证技术，对原始数据进行签名，并对样本数据库也进行签名，数据传输前需将原始数据与样本数据库的签名进行验证通过，保证了数据传输过程的安全性。通过中间层数据库基于事物逻辑对生产数据进行分析包括，事物逻辑指生产过程中生产数据与生产过程对应的逻辑，比如化工工厂生产过程中，从原料到产品在化学反应过程不同步骤对应不同生产数据的逻辑。客户端基于事物逻辑向用户展示图形化生产数据，可以更好的方便管理人员对生产过程有一个直观的理解。通过对不同的生产类型企业设置不同的中间层数据库服务器，可以方便系统快速在不同的生产类型企业进行切换，提高了系统的适应性。s31根据标准化后的生产数据样本，构建多个神经网络模型，每个神经网络模型都采用小随机数的初始权重和带有动量项及学习速率的训练方式进行训练。s32在所述多个神经网络模型中，选择出具有最佳预测性能的神经网络模型，并记录下该模型的初始权重和终止权重，根据终止权重和连接权法计算神经网络模型的c、oi、ri，包括以下步骤：s321计算输入-隐层-输出连接权贡献度c；s322计算每个变量的综合连接权贡献度oi；s323计算每个变量的相对贡献率ri；s33随机改变训练样本输出集的顺序；s34用改变顺序后的样本和s32步骤中记录的初始权重，重新训练神经网络模型，并记录模型的终止权重；s35多次重复s33和s34步骤，并以记录重复次数为count，根据s34中记录的终止权重，执行s32步骤得到随机化的c、oi、ri。s36分别计算输入-隐层-输出连接权贡献度c、综合连接权贡献度oi、相对贡献率ri的显著程度p，包括以下步骤，s361若标准值大于0，p＝(n+1)/(count+1)，n为随机化值大于等于标准值的个数；s362若标准值小于0，p＝(m+1)/(count+1)，m为随机化值小于等于标准值的个数；本发明中的标准值，指oi、ri的值，针对某一输入，二者的正负号是一致的，即若某一变量的oi为正值、则ri也为正值，‘+’的表示起正向刺激作用；‘-’的表示起负向抑制作用。绝对值越大表示对输出的贡献度越大。s37若p小于预设显著水平值，则保留该连接权否则剔除该连接权，并生成生产能耗神经网络释义图。所述数据展示步骤包括，设定不同级别的技术人员权限，并依据所述权限设定技术人员所能查看数据的内容。客户端采用分级别登陆设计，不同级别的技术人员所能查看数据的权限不同，在提高数据指导效益的同时有效保护了生产数据安全。所述数据展示步骤包括，所述图形化数据包括通过对数据库中存储的生产数据进行同比环比对照，产生对应的柱状图，饼状图，曲线图，技术人员可以随时查看任意时段，任意设备的生产数据，并根据系统提供的图形化数据做出更好的分析和判断提高了生产管理效率。基于神经网络透明化的能耗分析模型，利用神经网络释义图，赋予连接权“可解释”能力，实现了化工过程模型的可视化；利用连接权法，实现了化工过程nn模型决策参数对目标变量重要性的定量分析；利用改进的的随机化测验，修剪了复杂化工过程nn模型，剔除了冗余信息，提高了nn模型的透明化程度，提高了企业能耗预测及分析的智能化和信息化。所述客户端与所述服务器采用b/s架构并与企业生产信息系统隔离。服务器采用b/s(browser/server)模式开发，客户端零安装、零维护，系统易扩展。下面对本发明一实施例神经网络模型的c、oi、ri进行说明(1)记录输入到隐层和隐层到输出的连接权矩阵；表1连接权矩阵table1connectionweightsmatrix(2)计算输入-隐层-输出连接权贡献度c输入-隐层-输出连接权贡献度，表征每个变量通过隐层神经元对输出的贡献大小。其值为输入到隐层的连接权和隐层到输出的连接权的乘积，其表达式为：cij＝wij×wyi,i＝a,b；j＝1,2,3；(1)例：ca1＝wa1×wya＝0.8147×(-0.6557)＝-0.5342，表明决策变量x1通过隐层神经元a对输出y的贡献度为-0.5342。输入-隐层-输出贡献度如表2。表2输入隐层输出贡献度table2thecontributionofinput-hidden-output(3)综合连接权贡献度oioi表征每个输入变量对输出变量的贡献大小。‘+’的表示起正向刺激作用；‘-’的表示起负向抑制作用。绝对值越大表示对输出的贡献度越大，其表达式为：例：表明x1对y的综合贡献度为-0.6001。(4)相对贡献率riri表明每个输入变量整体对输出变量的重要程度，以百分比形式给出。若其大于0，表示该变量对输出变量起正作用；若其小于0表示该变量对输出起负作用。若其等于0，表示该变量对输出变量没有影响。其计算公式为：计算的综合连接权贡献度oi和相对贡献率ri如表3。表3综合贡献度oi和相对贡献率ritable3overallcontribution(oi)andrelativecontributionrate(ri)根据表3，可以得出x1、x3对输出y起负向抑制作用，相对贡献率分别为-60.43％和-29.24％；x2对y起正向刺激作用，相对贡献率为10.33％。因此，连接权法弥补了神经网络释义图的第一个缺陷，实现了输入变量对目标变量贡献率的定量分析。下面通过一个具体的实施例，来对本发明进行说明。在本实施例中的企业氢氰酸生产过程中，利用神经网络对该复杂化工体系进行建模，输入为氨的补偿温度(℃)、氨的补偿流量(nm3·h-1)、天然气/氨气体积比、空气/氨气体积比、氨气的补偿压力(mpa)、天然气的补偿压力(mpa)和大混合器出口温度(℃)9个决策参数，对应的变量为tn,fn,cn,an,pn,pc,pa,pp,td，输出为氢氰酸转化率η(hcn)。生产过程中的决策参数、hcn转化率(η(hcn))及样本数据如表4。把样本数据分为训练集和检验集，经反复训练最终确定网络的拓扑结构为9-7-1，如图2所示。表4hcn生产过程变量及数据集table4processvariablesanddatasetsofhcn然而，现有技术中利用该模型不能获得hcn生产过程中具体的物理信息来解释该化工体系，也无法解释9个决策参数和氢氰酸转化率之间的关系。因此，分别利用连接权法定量计算该模型决策参数的贡献率，利用改进的随机化测验来修剪氢氰酸转化率η(hcn)神经网路释义图，进一步增加氢氰酸转化率η(hcn)神经网络模型的透明化程度。对氢氰酸转化率η(hcn)神经网络模型应用连接权法，得到了9个输入决策参数对氢氰酸转化率η(hcn)的综合贡献度和相对贡献率，如表5所示。表5决策变量的综合贡献率oi和相对贡献率ritable5overallcontributionandrelativecontributionrateofdecisionvariables经过对氢氰酸转化率η(hcn)神经网络释义图进行随机化测验，得到了输入-隐层-输出连接权的随机化p值，如表6所示(α＝0.05既预设值为0.05)。表6随机化的p值(α＝0.05)table6pvalueofrandomization根据表6中的p值移除氢氰酸转化率η(hcn)模型中不显著的连接权，得到了新的氢氰酸转化率η(hcn)神经网络释义图，如图3所示。在α＝0.1既预设值为0.01时，可以发现模型尽管移除了部分不显著的连接权，但是仍然没有得到令人满意的神经网络释义图。在α＝0.05既预设值为0.05时的神经网络释义图，与图2相比，氢氰酸转化率η(hcn)神经网络释义图型较简洁，透明化程度高，更易于解释决策参数与决策参数、决策参数与响应变量之间的关系。同现有技术相比较，本发明通过获取了过程变量的内部信息，极大地提高了模型的“可理解”能力，可以为企业生产数据的能耗分析提供有效的指导依据。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。当前第1页12当前第1页12