CN111596629A - 一种云边协同的工业数据融合方法和安全控制器 - Google Patents

Abstract

一种云边协同的工业数据融合方法，包括：利用云边协同架构对工业数据进行融合，所述云边协同架构的方法包括：数据采集层、控制层和云平台层。本发明将传统的“云‑端”模式变成“云‑边‑端”模式，减轻了云端计算压力和宽带拥塞问题。所述安全控制器将原有的数据处理单元舍弃，用功能更强大的边缘计算模块代替，使得整个安全控制器具有强大的数据处理能力；并且在边缘计算模块中增加主动免疫和故障诊断单元，提高了整个安全控制器的安全性能；整个安全控制器采用工业以太网模块进行数据通信的媒介，使得联网更便捷；所述安全控制器作为所述数据融合方法的运行载体，采用模块化设计，易移植，易更新，对用户使用体验比较灵活。

Description

一种云边协同的工业数据融合方法和安全控制器

技术领域

本发明公开一种云边协同的工业数据融合方法和安全控制器，属于边缘计算和智能控制的技术领域。

背景技术

在工业生产中，无时无刻都在产生数据。生产机床的转速、能耗，食品加工的温湿度，火力发电机组的燃烧和燃煤消耗，汽车的装备数据，物流车队的位置和速度等，都是在生产过程中的数据。

工业数据的采集和传输基本都是“端-管-云”的模式。在应用的现场，“端”负责收集数据、执行指令，“管”打通数据的传输路径，而“云”负责所有的数据分析和控制逻辑功能。整套流程能否顺利打通，对数据采集、分析、应用能力至关重要。

然而，随着物联网的发展，工业制造设备所产生的数据量将越来越多。如果这些数据都要放到云端处理，就需要无穷无尽的频谱资源、传输带宽和数据处理能力，“云”难免不堪重负。

中国文献《吉林大学》2018年刊载的《云计算下大数据高效处理的若干关键问题研究》中针对大数据高效处理问题提出了在数据分析之前对数据进行针对性的预处理，但该种方法仍在云端进行，仍然会占用云端资源；采用多个数据中心互联互通的形式为云计算减负，依然是将所有的软硬件资源视为统一的资源进行管理调度，集中式的云无法满足终端侧“大连接、低时延、大宽带”的资源需求。因此，需要边缘计算来分担云计算的压力。在数据处理运用方面，由于工业现场的数据面临着“保鲜期”很短，以及大量“垃圾”数据并不需要传递到云端的问题，这就需要在边缘侧对工业数据进行数据融合。

虽然边缘计算在工业上处于应用热门阶段，“云边协同”的思想研究者较多，但是尚未有较成熟和标准的处理方案，尤其针对工业大数据方面的具体实施方案未有明确的文献来介绍。

发明内容

针对工业数据量大、数据种类多、商业价值高、处理速度快、准确率要求高、实时性强的特点，本发明提出一种云边协同的工业数据融合方法。

本发明提出的数据融合方法是基于JDL数据模型架构提出的，所述JDL是从军事应用角度提出的数据融合模型，包括5个层次：层次零，对数据进行预处理以修正偏差，进行空间和时间上的对齐；层次一，对数据进行关联以获得目标的位置或属性，在这个层级可以获得的结果包括目标区分(分类和识别)和目标追踪(目标的状态和朝向)；层次二，对对象或事件进行相关性分析并估计其在工作环境中的前后关系，其实主要就是对目标在特定环境下的重要性进行评估；层次三，对当前形势进行预测来进行事件预测、威胁意图估计，就是对层次二的目标进行进一步的评估，比如威胁等级；层次四，对正在进行的融合过程进行评估并给用户提供建议，比如任务的优先度，已经可用资源的调配。本发明利用一种云边协同架构，结合工业数据的特点，具体阐述了基于JDL模型的数据融合方法，该方法解决了无效的工业大数据占用云端频谱资源、宽带和处理能力的问题；引入分布式轻量级边缘计算采集方式，为安全控制器侧的边缘计算节省了通信和计算开销。

本发明还公开一种基于工业数据融合的安全控制器。

本发明的技术方案如下：

一种云边协同的工业数据融合方法，其特征在于，包括：利用云边协同架构对工业数据进行融合，所述云边协同架构的方法包括：数据采集层、控制层和云平台层；

所述数据采集层，采用分布式架构在工业场景中的采集节点安装传感器用于采集原始工业数据，本发明为了增加数据采集的精确性，方便快速定位，特采用分布式架构设计；为了后期数据建模需要，在每个采集节点上增加轻量级边缘计算，用于滤除原始工业数据中的环境噪音或者由于环境噪音而造成的异常数据，然后将过滤后的数据通过有线或无线的方式发送给控制层；此设计的原因在于：首先，消除原始工业数据的环境噪音，由于工业现场环境恶劣，采集的数据包含大量环境噪音，出现诸多异常数据的情况，常用的过滤方法有限幅滤波法、中位值滤波法、算术平均滤波法等；其次，引入分布式轻量级边缘计算采集方式，为安全控制器侧的边缘计算节省了通信和计算开销；所述轻量级边缘计算是指边缘计算的能力比较弱，只适用于对数据进行简单的逻辑运算、算术运算、排序等操作，而无法对数据进行存储、数据建模、矩阵等高级运算功能；

所述控制层，包括在安全控制器上增加边缘计算模块，在边缘计算模块内嵌基于JDL且适用于工业数据的数据融合模型，用于提取上传至控制层数据中的数据特征，该数据融合模型是简化了JDL原模型的步骤，并且借助云平台将数据模型的各个阶层进行分工协作，提高了工作效率，并且对于使用者来说易理解且操作方便；

所述云平台层，用于搭建数据融合模型数据特征库和事件评估方案；所述数据特征库，用于将提取到的数据特征存储，为所述事件评估作为数据基础；所述事件评估方案，是根据专业知识和经验、基于所述数据特征库，针对提取到的数据特征进行对应事件预判，其中所述对应事件是指，应对工业场景中异常情况时的处理手段，因此，针对不同的工业场景或者工业设备，当出现数据异常时，其应对的处理手段也是不同的，本发明正是运用智能学习的方式将异常数据分析后自动得出处理方法，使工业控制更为高效准确，满足及时性准确性的高要求。

根据本发明优选的，在所述事件评估方案中，所述的专业知识和经验是通过“智能合约”确定的：

不同的异常数据对应不同的运行条件；

不同的运行条件对应不同的触发事件，所述触发事件为对应事件预判。

根据本发明优选的，当针对相同的异常数据，对应多种触发事件时，根据事件优先级顺序依次执行。

根据本发明优选的，所述基于JDL且适用于工业数据的数据融合模型，具体包括：

S0)数据采集层利用轻量级边缘计算采集节点的原始工业数据：

将采集到的模拟量数据进行预处理，以过滤掉因环境噪音产生的毛刺值，然后将处理后的数据上传给控制层；

将采集的开关量信号直接上传给控制层；

优选的，所述预处理的方法为限幅滤波法，因为对于工业数据受噪音影响的异常数据多出现毛刺现象，采用简单的限幅即可轻松过滤掉该毛刺值，该方法计算量极小，提高处理效率；

S1)利用控制层的边缘计算模块对上传的模拟量数据进行配准、关联、相关、估计，得到的数据特征，并将数据特征反馈至云平台层；

对于开关量信号作时间对齐处理后，直接校验后转给控制层控制执行；

S2)云平台调用数据特征库进行对比：

如果所提取到的数据特征在云平台里存在，则直接进行步骤S3)；

如果所提取到的数据特征在云平台特征库中没有，则更新云平台的数据特征库，构建新的事件评估方案，然后进行步骤S3)；

S3)云平台根据提取数据特征直接调取最新的对应事件评估方案，并将按所述事件评估方案处理后的事件结果，即决策反馈给控制层；

S4)控制层收到云平台的决策后立即执行控制。

一种基于工业数据融合的安全控制器，其特征在于，包括：数据采集模块、边缘计算模块、以太网通讯模块和安全控制模块；

所述数据采集模块包括：本地IO采集单元和智能存储单元；

所述本地IO采集单元，用于：接收本地读取的开关量；

所述智能存储单元，用于：对上传数据进行分类存储，以备所述边缘计算模块调用，同时对于工业上涉及安全隐私的数据进行本地存储；

所述边缘计算模块，包括：数据处理单元、主动免疫单元、故障诊断单元；

所述数据处理单元内嵌所述基于JDL且适用于工业数据的数据融合模型，对数据采集存储模块数据进行处理；

所述主动免疫单元利用对存储的相关数据进行分析：

实现主动纵深防御，是指在主动免疫单元预设关键信息和关键标志作为防御条件，一旦外界有威胁信息进入边缘计算模块，则主动删除威胁信息；

实现事中预警中断，是指如果主动免疫单元分析出威胁的情况，则发出警报，并中断系统操作；

实现事后响应恢复：是指安全控制器预设了备份系统，备份系统随时被立即唤醒并接手继续执行，以降低损失；

所述故障诊断单元在边缘侧对数据异常、声音异常、显示异常、电机异常故障检测并进行报警处理；所述数据异常包括处理单元异常结果的报警和所述采集层采集的开关量数据检验失败的判定报警；所述声音异常、显示异常和电机异常是指当设备现场数据存在上述异常时，诊断模块根据异常信息及时的报警处理；

所述以太网通讯模块，用于边缘计算模块、安全控制模块、数据采集模块和云平台之间的数据通信；

所述安全控制模块，用于解析边缘计算模块、云平台和数据采集模块通过以太网通讯模块发送的控制指令信号并进行相应的控制动作。

本发明的技术优势在于：

1、本发明将传统的“云-端”模式变成“云-边-端”模式，减轻了云端计算压力和宽带拥塞问题。

2、本发明针对工业现场环境恶劣，数据受噪音影响大、数据异常点多的问题，提出分布式架构的采集层，在采集层的采集节点增加轻量级边缘计算，小功能大用处，不仅节省了通信开销，也为控制层的边缘计算侧节省了计算开销，对控制层边缘计算模块中数据建模起到至关重要的作用。

3、本发明针对工业过程数据进行总体分类，将开关量和模拟量在采集层和控制层分别做不同方式运算处理，提高运算效率，在保证准确率的情况下增加了实时性。

4、本发明将整个数据融合模型及融合方法分为五步进行，并将其同时分布在不同的层级：

步骤S0)在采集层、步骤S1)、S4)在控制层、步骤S2)、S3)在云平台层，分时分工，云边协同，增加了整个数据模型的应用效率。

5、本发明的步骤S3)中提到的对于特征库的补充、优化、新建预测模型的过程，更加提高了数据融合的精度和决策有效性。

6、本发明所述安全控制器将原有的数据处理单元舍弃，用功能更强大的边缘计算模块代替，使得整个安全控制器具有强大的数据处理能力；并且在边缘计算模块中增加主动免疫和故障诊断单元，提高了整个安全控制器的安全性能；整个安全控制器采用工业以太网模块进行数据通信的媒介，使得联网更便捷；所述安全控制器作为所述数据融合方法的运行载体，采用模块化设计，易移植，易更新，对用户使用体验比较灵活。

附图说明

图1是本发明所述云边协同架构图；

图2是本发明所述安全控制器设计框图。

具体实施方式

下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。

实施例1、

一种云边协同的工业数据融合方法，包括：利用云边协同架构对工业数据进行融合，所述云边协同架构的方法包括：数据采集层、控制层和云平台层；

所述数据采集层，采用分布式架构在工业场景中的采集节点安装传感器用于采集原始工业数据；为了后期数据建模需要，在每个采集节点上增加轻量级边缘计算，用于滤除原始工业数据中的环境噪音或者由于环境噪音而造成的异常数据，然后将过滤后的数据通过有线或无线的方式发送给控制层；

所述控制层，包括在安全控制器上增加边缘计算模块，在边缘计算模块内嵌基于JDL且适用于工业数据的数据融合模型，用于提取上传至控制层数据中的数据特征；

所述云平台层，用于搭建数据融合模型数据特征库和事件评估方案；所述数据特征库，用于将提取到的数据特征存储，为所述事件评估作为数据基础；所述事件评估方案，是根据专业知识和经验、基于所述数据特征库，针对提取到的数据特征进行对应事件预判，其中所述对应事件是指，应对工业场景中异常情况时的处理手段，因此，针对不同的工业场景或者工业设备，当出现数据异常时，其应对的处理手段也是不同的，本发明正是运用智能学习的方式将异常数据分析后自动得出处理方法，使工业控制更为高效准确，满足及时性准确性的高要求。

在所述事件评估方案中，所述的专业知识和经验是通过“智能合约”确定的：

不同的异常数据对应不同的运行条件；

不同的运行条件对应不同的触发事件，所述触发事件为对应事件预判。

当针对相同的异常数据，对应多种触发事件时，根据事件优先级顺序依次执行。比如采集并提取到机床某电机周围多处温度过热的数据特征，根据综合判断是否需要开风机或者紧急停机，该过程是通过“智能合约”的形式进行预判：如对应事件优先级顺序进行，比如事件判断为开风机事件和停机事件，其中停机事件的优先级高于开风机事件，则优先执行停机事件。

所述基于JDL且适用于工业数据的数据融合模型，具体包括：

S0)数据采集层利用轻量级边缘计算采集节点的原始工业数据：

将采集到的模拟量数据进行预处理，以过滤掉因环境噪音产生的毛刺值，然后将处理后的数据上传给控制层；

将采集的开关量信号直接上传给控制层；

所述预处理的方法为限幅滤波法，因为对于工业数据受噪音影响的异常数据多出现毛刺现象，采用简单的限幅即可轻松过滤掉该毛刺值，该方法计算量极小，提高处理效率；

S1)利用控制层的边缘计算模块对上传的模拟量数据进行配准、关联、相关、估计，得到的数据特征，并将数据特征反馈至云平台层；

所述配准是指：将模拟量数据统一到同一参考时间和空间中；

所述关联是指：使用某种度量尺度，对来自不同传感器的航迹与测量数据进行比较，确定进行相关处理的候选配对，该步骤对于本领域技术人员来说是常规技术，可以根据多种场景或者数据属性等条件进行配对；

所述相关是指：对关联后的航迹和报表进行处理，以确定是否属于同一个目标，所述目标是指：关联数据对应的处理事件属性，例如，比如采集并提取到机床某电机周围多处温度过热的数据特征，其中多处的温度传感器采集到的温度数据就是数据特征，其中，有的温度数据高于正常工作温度，但未超过安全阈值时，则对应的是开风机事件，此处温度数据和开风机事件都属于同一个目标，即将电机的工作温度降为正常工作温度；其中，有的温度数据超过安全阈值则对应的是停机事件，此处温度数据和停机事件都属于同一个目标，即将电机强制关机降温；

所述估计是指：依据相关处理后的数据结果对所述目标的状态变量与估计误差方差进行更新，实现对目标的预测；

所述反馈至云平台的数据特征为编码形式，可以包括但不仅限于“电机1温度X1”、“电机2温度X2”、“机床1轴承1超限位X1”、“机床1轴承2超限位X2”等，对名称进行编码，以提高传送效率；

对于开关量信号作时间对齐处理后，直接校验后转给控制层控制执行；所述校验是针对同一变量不同采集节点传输的开关量数据做比较：若相同则有效，若不同则丢弃，校验的目的是增加安全控制器的安全性能，防止因为环境干扰造成的误操作；

S2)云平台调用数据特征库进行对比：

如果所提取到的数据特征在云平台里存在，则直接进行步骤S3)；

如果所提取到的数据特征在云平台特征库中没有，则更新云平台的数据特征库，构建新的事件评估方案，然后进行步骤S3)；

S3)云平台根据提取数据特征直接调取最新的对应事件评估方案，并将按所述事件评估方案处理后的事件结果，即决策反馈给控制层；

S4)控制层收到云平台的决策后立即执行控制。

实施例2、

一种基于工业数据融合的安全控制器，包括：数据采集模块、边缘计算模块、以太网通讯模块和安全控制模块；

所述数据采集模块包括：本地IO采集单元和智能存储单元；

所述本地IO采集单元，用于：接收本地读取的开关量，如软开机指令(与机械指令相对应)、软急停指令(与机械急停相对应)、转向指令等；

所述智能存储单元，用于：对上传数据进行分类存储，以备所述边缘计算模块调用，同时对于工业上涉及安全隐私的数据进行本地存储；

所述边缘计算模块，包括：数据处理单元、主动免疫单元、故障诊断单元；

所述数据处理单元内嵌所述基于JDL且适用于工业数据的数据融合模型，对数据采集存储模块数据进行处理；

所述主动免疫单元利用对存储的相关数据进行分析：

实现主动纵深防御，是指在主动免疫单元预设关键信息和关键标志作为防御条件，一旦外界有威胁信息进入边缘计算模块，则主动删除威胁信息；

实现事中预警中断，是指如果主动免疫单元分析出威胁的情况，则发出警报，并中断系统操作；

实现事后响应恢复：是指安全控制器预设了备份系统，备份系统随时被立即唤醒并接手继续执行，以降低损失；

所述故障诊断单元在边缘侧对数据异常、声音异常、显示异常、电机异常故障检测并进行报警处理；所述数据异常包括处理单元异常结果的报警和所述采集层采集的开关量数据检验失败的判定报警；所述声音异常、显示异常和电机异常是指当设备现场数据存在上述异常时，诊断模块根据异常信息及时的报警处理；

所述以太网通讯模块，用于边缘计算模块、安全控制模块、数据采集模块和云平台之间的数据通信，通常是数据采集模块与安全控制模块之间、边缘计算模块与安全控制模块之间、边缘计算模块与云平台之间、云平台与安全控制模块之间。

所述安全控制模块，用于解析边缘计算模块、云平台和数据采集模块通过以太网通讯模块发送的控制指令信号并进行相应的控制动作，包括主控模块和输入输出子模块，主控模块与输入输出之间采用工业以太网通信。

Claims (5)

1.一种云边协同的工业数据融合方法，其特征在于，包括：利用云边协同架构对工业数据进行融合，所述云边协同架构的方法包括：数据采集层、控制层和云平台层；

所述数据采集层，采用分布式架构在工业场景中的采集节点安装传感器用于采集原始工业数据，在每个采集节点上增加轻量级边缘计算，用于滤除原始工业数据中的环境噪音或者由于环境噪音而造成的异常数据，然后将过滤后的数据通过有线或无线的方式发送给控制层；

所述控制层，包括在安全控制器上增加边缘计算模块，在边缘计算模块内嵌基于JDL且适用于工业数据的数据融合模型，用于提取上传至控制层数据中的数据特征；

所述云平台层，用于搭建数据融合模型数据特征库和事件评估方案；所述数据特征库，用于将提取到的数据特征存储，为所述事件评估作为数据基础；所述事件评估方案，是根据专业知识和经验、基于所述数据特征库，针对提取到的数据特征进行对应事件预判。

2.根据权利要求1所述的一种云边协同的工业数据融合方法，其特征在于，其特征在于，在所述事件评估方案中，所述的专业知识和经验是通过“智能合约”确定的：

不同的异常数据对应不同的运行条件；

不同的运行条件对应不同的触发事件，所述触发事件为对应事件预判。

3.根据权利要求2所述的一种云边协同的工业数据融合方法，其特征在于，其特征在于，当针对相同的异常数据，对应多种触发事件时，根据事件优先级顺序依次执行。

4.根据权利要求1所述的一种云边协同的工业数据融合方法，其特征在于，其特征在于，所述基于JDL且适用于工业数据的数据融合模型，具体包括：

S0)数据采集层利用轻量级边缘计算采集节点的原始工业数据：

将采集到的模拟量数据进行预处理，以过滤掉因环境噪音产生的毛刺值，然后将处理后的数据上传给控制层；

将采集的开关量信号直接上传给控制层；

优选的，所述预处理的方法为限幅滤波法；

S1)利用控制层的边缘计算模块对上传的模拟量数据进行配准、关联、相关、估计，得到的数据特征，并将数据特征反馈至云平台层；

对于开关量信号作时间对齐处理后，直接校验后转给控制层控制执行；

S2)云平台调用数据特征库进行对比：

如果所提取到的数据特征在云平台里存在，则直接进行步骤S3)；

如果所提取到的数据特征在云平台特征库中没有，则更新云平台的数据特征库，构建新的事件评估方案，然后进行步骤S3)；

S3)云平台根据提取数据特征直接调取最新的对应事件评估方案，并将按所述事件评估方案处理后的事件结果，即决策反馈给控制层；

S4)控制层收到云平台的决策后立即执行控制。

5.一种基于工业数据融合的安全控制器，其特征在于，包括：数据采集模块、边缘计算模块、以太网通讯模块和安全控制模块；

所述数据采集模块包括：本地IO采集单元和智能存储单元；

所述本地IO采集单元，用于：接收本地读取的开关量；

所述智能存储单元，用于：对上传数据进行分类存储，以备所述边缘计算模块调用，同时对于工业上涉及安全隐私的数据进行本地存储；

所述边缘计算模块，包括：数据处理单元、主动免疫单元、故障诊断单元；

所述数据处理单元内嵌所述基于JDL且适用于工业数据的数据融合模型，对数据采集存储模块数据进行处理；

所述主动免疫单元利用对存储的相关数据进行分析：

实现主动纵深防御，是指在主动免疫单元预设关键信息和关键标志作为防御条件，一旦外界有威胁信息进入边缘计算模块，则主动删除威胁信息；

实现事中预警中断，是指如果主动免疫单元分析出威胁的情况，则发出警报，并中断系统操作；

实现事后响应恢复：是指安全控制器预设了备份系统，备份系统随时被立即唤醒并接手继续执行；

所述故障诊断单元在边缘侧对数据异常、声音异常、显示异常、电机异常故障检测并进行报警处理；所述数据异常包括处理单元异常结果的报警和所述采集层采集的开关量数据检验失败的判定报警；所述声音异常、显示异常和电机异常是指当设备现场数据存在上述异常时，诊断模块根据异常信息及时的报警处理；

所述以太网通讯模块，用于边缘计算模块、安全控制模块、数据采集模块和云平台之间的数据通信；

所述安全控制模块，用于解析边缘计算模块、云平台和数据采集模块通过以太网通讯模块发送的控制指令信号并进行相应的控制动作。

Images