一种基于人工智能的物联网协议自我编程的方法与流程

本发明涉及一种互联网学习方法，具体的说是一种基于人工智能的物联网协议自我编程的方法，属于离散加工制造业中的物联网技术领域。

背景技术：

在离散加工制造业中，不同厂商所生产的加工设备的通讯协议均不相同，出于各种原因，通讯协议很难统一。这为制造企业实现智能工厂的互联互通带来了障碍。传统的互联方式通常采用定制化开发的方式，开发周期长，架构也难于统一，使得部署时间长、维护成本高。

技术实现要素：

本发明针对上述提出的技术问题，提出一种基于人工智能的物联网协议自我编程的方法，利用ai技术实现设备协议代码的自动化生成、自动化测试，并最终建立通讯联接，实现设备互联的即插即用。

本发明解决以上技术问题的技术方案是：提供一种基于人工智能的物联网协议自我编程的方法，包括以下步骤：

⑴建立嵌入式工业计算机与设备的物理连接，嵌入式工业计算机简称ailink；

⑵用户为模块搜索协议类型，通过连接尝试识别设备协议版本，建立初始连接，并获取设备相关静态信息；

⑶在设备的应用程序接口程序库进行协议匹配，搜索所匹配的设备驱动程序；如果未能找到匹配的设备驱动程序，提示用户需要向接口库中添加相应驱动；

⑷对驱动程序进行词法分析，产生接口函数“语法树”；

⑸通过基于多项式拟合的卷积算法或基于划分的聚类算法对产生的接口函数“语法树”中函数名、输入、输出变量进行聚类分析，产生接口函数“聚类图”，并将当前对“语法树”中的“叶子”进行语义和聚类概率绑定，产生“语义树”；

⑹基于“语义树”自动产生标准化接口函数代码副本；主要工作是将“非标接口”封装为标准化的接口函数，以便嵌入式工业计算机中的“协议生成器”的调用；

⑺通过“概率梯度下降”算法优化策略进行接口函数代码副本的递归优化；

⑻若递归优化的最高概率协议接口函数得到确认，将已匹配成功的语义带入步骤⑸和⑹，并更新“语义树”；“语义树”更新后，选取此时最大概率的接口函数代码副本，执行步骤⑺；

⑼根据已有接口程序模板，将成功匹配的代码副本插入模板中的指定位置，通过运行编译工具链，编译程序，将编译结果存储到嵌入式工业计算机中的指定位置，并显示该程序对协议接口匹配的完成度；

⑽总体测试自动产生协议适配性能，至此完成了设备协议的自主生成。。

本发明的进一步限定技术方案，前述的基于人工智能的物联网协议自我编程的方法，所述步骤(2)用户为模块标记设备品牌，用于加速识别速度。

前述的基于人工智能的物联网协议自我编程的方法，所述步骤(7)的递归优化在语义树中选取概率最大的接口函数进行通讯测试，①若获取的特征值与预设语义匹配，则该代码副本被确认，确认算法基于训练样本，主要来自于约束条件下的工况条件与反馈特征值；②若获取的特征值与预设的语义不匹配，则判定步骤(6)语义识别失败，召唤人工介入，对该案例进行人工处理，并加入训练样本。

前述的基于人工智能的物联网协议自我编程的方法，所述训练样本是设备中相关参数的特征提取，用于确认所获数据的语义是否正确。

前述的基于人工智能的物联网协议自我编程的方法，所述嵌入式工业计算机为软件运行的硬件载体，并支持rj45和rs232连接接口。

进一步的，前述的基于人工智能的物联网协议自我编程的方法，所述步骤(2)中“语法树”的“叶子”采用卷积算法进行计算相似度计算和频次计算。

本发明的有益效果是：本发明利用人工智能技术，对设备应用层协议接口进行训练和分析，基于标准程序架构，产生核心协议代码，快速建立设备连接，实现设备互联的即插即用。

附图说明

图1为本发明整体数据流图。

图2为本发明的单机拓扑图。

图3为本实施例产生语法树示例图。

图4为本实施例语义聚类分析示例图。

图5为本实施例递归优化流程示意图。

图6为本实施例基于语义的学习模型自主切换流程示意图。

图7为本实施例的神经网络结构示意图。

具体实施方式

实施例1

本实施例提供一种基于人工智能的物联网协议自我编程的方法，包括以下步骤：

⑴建立嵌入式工业计算机ailink与设备的物理连接；

⑵用户为设备模块标记品牌，标记用于加速识别速度；用户为模块搜索协议类型，通过连接尝试识别设备协议版本，建立初始连接，并获取设备相关静态信息；

⑶在设备的应用程序接口程序库进行协议匹配，搜索所匹配的设备驱动程序；如果未能找到匹配的设备驱动程序，提示用户需要向接口库中添加相应驱动；

⑷对驱动程序进行词法分析，产生接口函数“语法树”；

⑸通过基于多项式拟合的卷积算法或基于划分的聚类算法对产生的接口函数“语法树”中函数名、输入、输出变量进行聚类分析，产生接口函数“聚类图”，并将当前对“语法树”中的“叶子”进行语义和聚类概率绑定，产生“语义树”；

⑹基于“语义树”自动产生标准化接口函数代码副本；主要工作是将“非标接口”封装为标准化的接口函数，以便嵌入式工业计算机中的“协议生成器”的调用；

⑺通过“概率梯度下降”算法优化策略进行接口函数代码副本的递归优化；递归优化在语义树中选取概率最大的接口函数进行通讯测试，①若获取的特征值与预设语义匹配，则该代码副本被确认；②若获取的特征值与预设的语义不匹配，则判定步骤(6)语义识别失败，召唤人工介入，对该案例进行人工处理，并加入训练样本；

⑻若递归优化的最高概率协议接口函数得到确认，将已匹配成功的语义带入步骤⑸和⑹，并更新“语义树”；“语义树”更新后，选取此时最大概率的接口函数代码副本，执行步骤⑺；

⑼根据已有接口程序模板，将成功匹配的代码副本插入模板中的指定位置，通过运行编译工具链，编译程序，将编译结果存储到嵌入式工业计算机中的指定位置，并显示该程序对协议接口匹配的完成度；

⑽总体测试自动产生协议适配性能，至此完成了设备协议的自主生成。。

本实施例在实施时，如图1所示，图中第三方api接口文件库为设备厂商提供，不同设备厂商该文件不同，所使用的协议不同。适配器模板是基于嵌入式工业计算机ailink通讯软件的标准框架的一段软件代码，程序生产并编译后，即为针对该设备的设备驱动程序，加载到框架中后，即可与设备进行数据交换。前述的训练样本是对设备中相关参数的特征提取，用于确认所获数据的语义是否正确。如图2所示，图中的协议根据不同设备系统其类型是不同的，其所涵盖的范围opcua/da、modbustcp/rtu、tcp/ip以及profitbus等。在图1中用户首先完成设备系统类型标记，软件系统即可在该初始态下自动搜索对应的协议，并确定其类型。图中ailink即软件运行的硬件载体，其支持rj45和rs232两种物理连接接口。本实施例所产生语法树，通过词法和语法分析器产生抽象语法树，如图3所示，这个技术是编译技术中常用的技术，根据不同的分析目标需要设定不同正则表达式，本文的目标是将函数和参数分割出来。

本实施例中的语法树中的“叶子”，采用“卷积”算法进行计算相似度计算和频次计算；

其中f(x)是对语法短语的数字化后的拟合函数。

ascii(phase)＝{xi}，i＝1...n(2)

xi为短语中第i个字符的ascii值。

将矢量做3次多项式拟合，见式(3)：

其中wi为多项式系数，m为阶数，拟合后，我们得到f(x)。

g(τ)为卷积核，为被标记的语义短语模板，其函数化过程同式(2)与式(3)。经过以上过程，我们即可获得语法树中每个短语的语义分类，并记录命中的频次。

本实施例的递归优化过程主要完成代码的自我确认，如图5所示，其中max(s)是指选取对语义树中相似度最高的函数进行自动测试，这个过程的核心部分是确认算法，以及与确认相关的训练样本库。确认算法基本原理是：调用规则化后的函数，获取返回值，将返回值送入三层神经网络，进行置信度确认。如图6所示，是基于语义的学习模型自主切换流程，通过语义的预判在训练模型库中选择对应的神经网络权值配置文件和激活函数。加载后，将返回值送入bp网络中进行确认。如果失败，则选择语义相似度次优的模型进行加载训练。返回值是随时间变化的一组向量，作为ann的输入向量。在本实施例的使用三层bp网络模型，如图7所示，分为转速、警告、状态、坐标、循环周期等不同模型，通过图6中的机制进行自动装定。输出层将返回的特征向量送入ann，如果获得的输出分类与语义分类符合，在该函数得到确认。

该实施例的技术方案实现了从设备协议引导、协议语义分析、代码自主产生，到自动化测试全过程。通过人工神经网络技术对数据进行分类确认，增强了整个机制的可靠性。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。