一种锅炉用物联网通信方法与流程

1.本发明涉及数据传输技术领域，具体涉及一种锅炉用物联网通信方法。


背景技术：

2.锅炉是一种能量转换器，它是利用燃料燃烧释放的热能或其他热能将工质水或其他流体加热到一定参数的设备。
3.在锅炉设备使用过程中，需要对锅炉设备的状态进行监控，目前生产上采用温度传感器、压力传感器、水位传感器以及火焰传感器等物联网设备对锅炉设备进行监控。边缘计算节点将所有传感器采集的数据传输至锅炉监控平台，锅炉监控平台根据数据的内容对锅炉设备的状态进行分析，实现锅炉设备的远程监控维护。
4.由于传感器采集的数据量大，为了确保传输效率，边缘计算节点需要对所有传感器采集的数据进行压缩。而不同传感器采集的数据精度不同，使得传感器数据的重复率较小。现有的数据压缩方法例如霍夫曼编码、算术编码等根据数据的重复性规律进行编码压缩，当数据重复率越大时，压缩效果越好，当数据重复率越小时，压缩效果越差。因此利用现有的数据压缩方法对重复率低的传感器数据难以达到较好的压缩效果。


技术实现要素：

5.本发明提供一种锅炉用物联网通信方法，以解决现有的问题。
6.本发明的一种锅炉用物联网通信方法采用例如下技术方案：本发明一个实施例提供了一种锅炉用物联网通信方法，该方法包括以下步骤：s1：将传感器采集的数据作为基准数据，获取所有基准数据的最高位作为目标位；s2：获取每个基准数据的目标位以及目标位之前的数字，作为第一预估尺度数据，获取所有第一预估尺度数据的种类，当第一预估尺度数据的种类大于第一预设阈值时，根据目标位获取尺度数据；当第一预估尺度数据的种类小于等于第一预设阈值且目标位为基准数据的最低位时，将基准数据作为尺度数据；当第一预估尺度数据的种类小于等于第一预设阈值且目标位不为基准数据的最低位时，将目标位的下一位作为新的目标位；s3：重复s2直到获取尺度数据时停止迭代，将每个基准数据减去尺度数据作为新的基准数据，重复s2-s3直到得到的尺度数据与基准数据相同时停止迭代，得到多个尺度的尺度数据；s4：对不同传感器的不同尺度的尺度数据进行分类，获取多个类别；获取每个类别的所有霍夫点以及每个霍夫点的第一集合；将每个类别中所有数据点构成一个第二集合；构建一个空的直线序列；s5：根据每个霍夫点的第一集合与第二集合获取第一霍夫点以及第一霍夫点的频率，将第一霍夫点添加到直线序列中，将第一霍夫点的第一集合中的元素从第二集合中删除；s6：重复s5直到第二集合为空时停止迭代，将得到的直线序列作为最优直线序列；
获取每个类别的数据的信息熵的倒数作为第一压缩效率；根据最优直线序列中每个第一霍夫点的频率获取所有第一霍夫点的信息熵的倒数作为第二压缩效率；根据第一压缩效率与第二压缩效率对每个类别的数据进行压缩获取压缩数据；对压缩数据进行传输。
7.优选的，所述根据目标位获取尺度数据包括：获取每个基准数据的目标位之前的数字，并在所述数字之后补0使其和基准数据的位数一致，将得到的结果作为尺度数据。
8.优选的，所述对不同传感器的不同尺度的尺度数据进行分类，获取多个类别包括：将每种传感器采集的数据的每个尺度的尺度数据分别划分为一个类别，获取每个类别的最大值和最小值；计算任意两个类别之间最大值差值的绝对值与最小值差值的绝对值，将最大值差值的绝对值和最小值差值的绝对值都小于第二预设阈值的两个类别合并为同一个类别。
9.优选的，所述获取每个类别的所有霍夫点以及每个霍夫点的第一集合包括：对每个类别的数据进行霍夫直线检测，获取每个类别的数据在霍夫空间中的点作为霍夫点，获取每个霍夫点对应的直线上的点，构成每个霍夫点的第一集合。
10.优选的，所述根据每个霍夫点的第一集合与第二集合获取第一霍夫点以及第一霍夫点的频率包括：当直线序列为空时，获取亮度最大的霍夫点，作为第一霍夫点，将第一霍夫点的第一集合中元素的数量除以类别中所有数据的个数作为第一霍夫点的频率；当直线序列不为空时，获取每个霍夫点的第一集合和第二集合的交集，获取元素个数最多的交集对应的霍夫点作为第一霍夫点，获取第一霍夫点的第一集合和第二集合的交集中元素的数量除以类别中所有数据的个数作为第一霍夫点的频率。
11.优选的，所述根据第一压缩效率与第二压缩效率对每个类别的数据进行压缩获取压缩数据包括：当类别的第一压缩效率大于或等于第二压缩效率时，对所述类别的数据利用现有的压缩方法进行压缩，得到压缩数据；当类别的第一压缩效率小于第二压缩效率时，获取类别中所有数据对应的第一霍夫点在最优直线序列中的索引，构成编号序列，对编码序列利用现有的压缩方法进行压缩，得到压缩结果，将压缩结果和最优直线序列作为压缩数据。
12.本发明的技术方案的有益效果是：本发明通过对物联网传输数据进行分割，获取了多个尺度的尺度数据，每个尺度的尺度数据的数据重复率高，使得对尺度数据进行压缩的压缩效率更高。通过对不同传感器的相同范围的尺度数据合并为同一个类别，使得该类别中数据的重复率更高，提高了压缩效率；通过挖掘类别中数据的规律，构建最优直线序列，实现了将类别中大量的数据用少量的直线来表示，使得根据最优直线序列对类别中的数据进行压缩时压缩效果更好；通过比较对每个类别的数据直接利用现有的方法进行压缩的压缩效率与利用最优直线序列压缩的压缩效率，选择最优的压缩方法对每个类别的数据进行压缩，使得对每个类别的数据压缩效率最高。本发明压缩效率高，利用物联网数据的传输。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1为本发明的一种锅炉用物联网通信方法的步骤流程图。
具体实施方式
15.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种锅炉用物联网通信方法，其具体实施方式、结构、特征及其功效，详细说明例如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
16.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
17.下面结合附图具体的说明本发明所提供的一种锅炉用物联网通信方法的具体方案。
18.请参阅图1，其示出了本发明一个实施例提供的一种锅炉用物联网通信方法的步骤流程图，该方法包括以下步骤：s001．获取物联网传输数据。
19.在锅炉生产运行过程中，通过部署在锅炉不同位置的温度传感器、压力传感器、水位传感器以及火焰传感器等采集数据。边缘计算节点获取每个传感器在时刻内采集的数据，将此些数据作为物联网传输数据。
20.在本实施例中，为分钟，即边缘计算节点对传感器采集的数据每分钟压缩传输一次。在其他实施例中，实施人员可根据需要设置的值。
21.s002．对物联网传输数据分割，获取不同类别的数据。
22.需要说明的是，由于锅炉的状态不会发生突变，因此在较短的时间内，传感器采集的数据在的范围内波动，如秒内，温度传感器采集的温度可能为。而在相对较长的时间内，传感器采集的数据可能在的范围内波动，如分钟内，温度传感器采集的温度可能为。由于传感器数据的波动导致传感器数据的重复率小，利用现有的压缩方法难以达到较好的压缩效果。但传感器数据波动具有一定规律,因此可将传感器数据分割成多个尺度的数据，使得每个尺度的数据的重复率较大，以达到较好的压缩效果。例如将分割成和。
23.在本实施例中，对物联网传输数据中每种传感器采集的数据分别进行分割，具体步骤如下：1．将传感器采集的数据记为基准数据，例如温度传感器采集的数据
，则将分别记为基准数据，其中为时刻内采集的第一个数据，为时刻内采集的数据个数，为时刻内采集的第个数据。
24.2．获取所有基准数据的最高位记为目标位。例如两个基准数据分别为，则其最高位为千，即目标位为千。
25.3．获取每个基准数据的目标位以及目标位之前的数字，将其记为第一预估尺度数据。例如两个基准数据分别为，目标位为千，则基准数据的千位及千位之前的数字为，即第一预估尺度数据为，同理基准数据的第一预估尺度数据为。
26.需要说明的是，获取第一预估尺度数据是为了对传感器数据进行多个尺度的分割，由于后续对分割得到的每个尺度的数据需要进一步压缩，由于每个尺度的数据的个数与传感器采集的数据个数相同，当每个尺度的数据的种类较多时，意味着每个尺度的数据的重复率较小，后续对每个尺度的数据压缩效果越差；反之，当每个尺度的数据的种类较少时，意味着每个尺度的数据的重复率较大，后续对每个尺度的数据压缩的效果越好。但同时，当每个尺度的数据种类数越少，意味着尺度数较多，由于需要对每个尺度的数据进行压缩，尺度数过多，也难以达到较高的压缩效率。因此，需要设置一个第一预设阈值，用来限制每个尺度数据的种类数。在本实施例中，第一预设阈值的经验值为，在其他实施例中，实施人员可根据实际需要设置第一预设阈值的值。
27.4．统计所有第一预估尺度数据的种类，当第一预估尺度数据种类个数大于第一预设阈值时，获取每个基准数据的目标位之前的数字并在该数字之后补0使其与该基准数据位数一致，将所得的结果作为尺度数据。例如基准数据为904，目标位为百位，则先获取基准数据的目标位之前的数字9，并在9之后补0使其与基准数据904的位数一致，则在9之后补0的结果为900，则900为尺度数据。
28.5．当第一预估尺度数据种类个数小于等于第一预设阈值，且目标位为基准数据的最低位时，将基准数据作为尺度数据，例如基准数据为4，目标位为个位时，个位为基准数据的最低位，此时将基准数据作为尺度数据。
29.6．当第一预估尺度数据种类个数小于等于第一预设阈值，且目标位不为基准数据的最低位时，获取目标位的下一位作为新的目标位，例如目标位为千位时，目标位的下一位为百位，则新的目标位为百位。利用新的目标位重复步骤3-5直到获得尺度数据时停止迭代。此些尺度数据为同一个尺度下的数据。
30.7．当获得尺度数据时，将每个基准数据减去对应的尺度数据，将得到的结果作为新的基准数据，例如基准数据为904，尺度数据为900时，新的基准数据为4。利用新的基准数据重复步骤2-6直到获得的尺度数据与基准数据相同时停止迭代。
31.至此，获取了多个尺度下的尺度数据。如传感器采集的数据的多个尺度下的尺度数据分别为和。
32.同理，对物联网传输数据中每种传感器采集的数据分别进行分割，获取每种传感器采集的数据对应的多个尺度的尺度数据。
33.需要说明的是，由于不同传感器采集的数据经过分割后，获得尺度数据的范围可能相同，此时可将不同传感器的相同范围的尺度数据作为同一个类别的数据，使该类别的数据的重复率更大，进一步使得后续对该类别的数据的压缩效率更高。
34.在本实施例中，将每种传感器采集的数据的每个尺度的尺度数据作为一个类别的数据。获取每个类别的数据中的最大值和最小值。获取任意两个类别的数据的最大值的差值和最小值的差值，当最大值的差值的绝对值与最小值的差值的绝对值都小于第二预设阈值时，认为此两个类别的数据的范围差异不大，此时将此两个类别的数据合并为一个类别。在本实施例中第二预设阈值，在其他实施例中，实施人员可根据需要设置第二预设阈值的值。
35.至此，对物联网传输数据进行了分割，获取了不同类别的数据。通过对物联网传输数据进行分割，获取了多个尺度的尺度数据，每个尺度的尺度数据的数据重复率高，使得后续对尺度数据进行压缩的压缩效率更高。通过对不同传感器的相同范围的尺度数据合并为同一个类别，使得该类别中数据的重复率更高，进一步使得后续可达到更好的压缩效果。
36.s003．对每个类别进行直线转换，获取最优直线序列。
37.需要说明的是，每个类别包含的数据种类少，且数据的重复率较高，同时包含了传感器采集的数据的原本数据规律，因此可挖掘每个类别的数据规律，根据数据规律来压缩每个类别的数据。
38.在本实施例中，以时间为横轴，一个类别的数值大小为纵轴，构建直角坐标系，将一个类别中的每个数据作为直角坐标系中的一个点。对直角坐标系中的点进行霍夫直线检测，将直角坐标系中的点转换到霍夫空间中。
39.需要说明的是，霍夫空间中一个点表示直角坐标系中的一条直线，霍夫空间中点的亮度表示在直角坐标系中该直线上点的个数。将霍夫空间中的点称为霍夫点，当霍夫点的亮度越大，在直角坐标系中该直线上包含的点的个数越多，则该霍夫点越能表示该类别中大部分数据的规律。因此本实施例通过获取尽可能少的霍夫点，构建一个最优直线序列，用来表示一个类别中的所有数据，从而使得后续根据最优直线序列对该类别中数据的压缩效果更好。
40.在本实施例中，获取最优直线序列的方法如下：1．首先获取每个霍夫点在直角坐标系对应的直线上的点的集合，作为每个霍夫点的第一集合。将直接坐标系中所有点构成一个第二集合。
41.2．构建一个空的直线序列，获取亮度最大的霍夫点，作为第一霍夫点，将其加入到直线序列中，此时该第一霍夫点的第一集合中的数据都可用该霍夫点在直角坐标系中对应的直线来表示，将该第一霍夫点的第一集合中包含的数据从第二集合中删除，得到新的第二集合。将该第一霍夫点的第一集合中元素的个数除以该类别中所有数据的个数作为该第一霍夫点的频率。
42.3．获取其余每个霍夫点的第一集合与第二集合的交集，获取元素个数最多的交集对应的霍夫点，作为新的第一霍夫点。将该第一霍夫点的第一集合与第二集合的交集中元
素的个数除以该类别中所有数据的个数作为该第一霍夫点的频率。该第一霍夫点可以用来表示新的第二集合中大部分数据，因此将该霍夫点加入到直线序列中，将该霍夫点的第一集合中包含的数据从新的第二集合中删除，得到再次更新的第二集合。
43.4．重复步骤3，直到得到的最新的第二集合为空时停止迭代，此时直角坐标系中所有点都被用直线序列中的霍夫点来表示，此时得到的直线序列即为最优直线序列。
44.至此，获取了一个类别的最优直线序列。通过挖掘类别中数据的规律，构建最优直线序列，实现了将类别中大量的数据用少量的直线来表示，使得后续根据最优直线序列对该类别中的数据进行压缩时压缩效果更好。
45.同理，获取所有类别的最优直线序列。
46.s004．根据最优直线序列对每个类别的数据进行压缩获取压缩数据。
47.需要说明的是，当类别中数据具有较强的规律性的时候，可以实现用较少的直线来表示类别中所有数据，当类别中数据的规律性较弱的时候，需要较多的直线来表示类别中所有数据。除了保存最优直线序列作为压缩数据外，还需要保存每个数据对应的直线（即霍夫点）的编号。当直线个数较多时，可能难以达到较好的压缩效果。因此需要衡量对每个类别的数据直接利用现有的方法进行压缩的压缩效率以及对每个类别的数据利用最优直线序列压缩的压缩效率，来获取最优的压缩方法。
48.现有的压缩方法，如霍夫曼编码、算术编码对于数据进行压缩后，每个数据的平均编码长度接近于所有数据的信息熵。因此可计算每个类别中数据的信息熵来衡量对每个类别的数据直接利用现有的方法进行压缩的压缩效率。
49.在本实施例中，获取每个类别中数据的信息熵，并计算信息熵的倒数作为每个类别的第一压缩效率。
50.需要说明的是，为了进一步提高对每个类别的数据利用最优直线序列压缩的压缩效率，可对每个数据对应的霍夫点的编号利用现有的压缩方法进一步压缩，此时可根据最优直线序列中每个第一霍夫点对应的直线上的点的个数的占比（即步骤s003中获得的每个霍夫点的频率）来预测直线编号的信息熵，并以此来衡量利用最优直线序列压缩的压缩效率。
51.在本实施例中，根据所有第一霍夫点的频率计算信息熵，将该信息熵的倒数作为该类别的第二压缩效率。
52.第一压缩效率表示对每个类别的数据直接利用现有的方法进行压缩的压缩效率。第二压缩效率表示对每个类别的数据利用最优直线序列压缩的压缩效率。因此当第一压缩效率大于或等于第二压缩效率时，对该类别的数据直接利用现有的方法进行压缩的压缩效率更高，此时对该类别的数据利用现有的压缩方法如霍夫曼编码、算术编码等进行压缩，将得到的压缩结果作为该类别的压缩数据。当第一压缩效率小于第二压缩效率时，对该类别的数据利用最优直线序列压缩的压缩效率更高，此时对该类别的数据利用最优直线序列压缩的方法进行压缩，具体如下：将最优直线序列中每个霍夫点在最优直线序列中的索引看作每个霍夫点的编号，获取该类别中每个数据对应的霍夫点的编号，则该类别中所有数据对应的霍夫点的编号构成编号序列。对编号序列利用现有的压缩方法如霍夫曼编码、算术编码等进行压缩，将得到的压缩结果与最优直线序列共同作为该类别的压缩数据。
53.至此，实现了对每个类别的数据的压缩。通过比较对每个类别的数据直接利用现有的方法进行压缩的压缩效率与利用最优直线序列压缩的压缩效率，选择最优的压缩方法对每个类别的数据进行压缩，使得对每个类别的数据压缩效率最高。
54.边缘计算节点将每个类别的压缩数据传输至锅炉监控平台。
55.s005．对压缩数据进行传输解压。
56.锅炉监控平台接收到压缩数据之后，对压缩数据进行解压：具体方法如下：当锅炉监控平台接收到的一个类别的压缩数据为两部份内容时，对该类别的压缩方法为利用最优直线序列压缩的方法，此时该两部分内容分别为最优直线序列以及编号序列的压缩结果，对编码序列的压缩结果利用现有的压缩方法进行解压获取编码序列。获取最优直线序列中每个霍夫点在直角坐标系中对应的直线。编号序列为每个数据对应的霍夫点的编号，根据每个数据对应的霍夫点的编号获取对应霍夫点的直线上的对应点，则该对应点的纵坐标即为每个数据的值。如此可得到该类别的所有数据。
57.当锅炉监控平台接收到的一个类别的压缩数据为一部份内容时，对该类别的压缩方法为现有的压缩方法，此时该部分内容为对该类别的数据直接利用现有的压缩方法进行压缩的压缩结果，对压缩结果利用现有的压缩方法进行解压得到该类别的数据。
58.同理，获取每个类别的数据。对每个类别的数据进行拆分，获取不同传感器的不同尺度的数据。将同一个传感器不同尺度的数据相加得到传感器采集的原始数据。
59.所有传感器采集的原始数据即为物联网传输数据。锅炉监控平台根据物联网传输数据的内容对锅炉设备的状态进行分析，实现锅炉设备的远程监控维护。
60.进一步的，在对每个类别的数据进行解压时，可先解压数值较大的类别，数值较大的类别包含大尺度的尺度数据，如温度传感器中的尺度数据，大尺度的尺度数据变化较为缓慢，若其中存在突变，则较大可能为异常情况，此时可优先解压该大尺度的尺度数据对应小尺度的尺度数据所在的类别，便于锅炉监控平台快速识别锅炉设备的异常状况。
61.通过以上步骤，完成了物联网传输数据的压缩与解压。
62.本发明实施例通过对物联网传输数据进行分割，获取了多个尺度的尺度数据，每个尺度的尺度数据的数据重复率高，使得对尺度数据进行压缩的压缩效率更高。通过对不同传感器的相同范围的尺度数据合并为同一个类别，使得该类别中数据的重复率更高，提高了压缩效率；通过挖掘类别中数据的规律，构建最优直线序列，实现了将类别中大量的数据用少量的直线来表示，使得根据最优直线序列对类别中的数据进行压缩时压缩效果更好；通过比较对每个类别的数据直接利用现有的方法进行压缩的压缩效率与利用最优直线序列压缩的压缩效率，选择最优的压缩方法对每个类别的数据进行压缩，使得对每个类别的数据压缩效率最高。本发明压缩效率高，利用物联网数据的传输。
63.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。