基于移动边缘计算的工业设备的监测方法和装置制造方法及图纸

本公开提供了一种基于移动边缘计算的工业设备的监测方法，该方法包括：获取工业设备的数据，根据预设的故障识别模型判断数据是否为异常数据，当数据为异常数据时，则基于预设的故障原因识别模型确定异常数据的异常原因。本公开还提供了一种基于移动边缘计算的工业设备的监测装置。

Monitoring Method and Device of Industrial Equipment Based on Mobile Edge Computing

【技术实现步骤摘要】
基于移动边缘计算的工业设备的监测方法和装置
本公开实施例涉及互联网
，特别涉及基于移动边缘计算的工业设备的监测方法和装置。
技术介绍
随着互联网技术的深入发展和不断普及，互联网被广泛的应用于各个领域和各个行业。在现有技术中，也有将工业设备与互联网技术相结合，进而实现对工业设备的监测。但是，主要的方式包括两种，一种是通过设置具有摄像功能的设备，通过具有摄像功能的设备对工业设备生产过程中的相关信息进行采集，再通过人工的方式对采集到的相关信息进行分析。另一种是通过传感器等方式对工业设备生产过程中的相关信息进行采集，并将相关信息进行打包，发送至工业设备对应的核心网，通过核心网对相关信息进行分析(也需要通过人工结合)。
技术实现思路
本公开实施例提供一种基于移动边缘计算的工业设备的监测方法和装置。第一方面，本公开实施例提供了一种基于移动边缘计算的工业设备的监测方法，包括：获取工业设备的数据；根据预设的故障识别模型判断所述数据是否为异常数据；当所述数据为异常数据时，则基于预设的故障原因识别模型确定所述异常数据的异常原因。在一些实施例中，在所述根据预设的故障识别模型判断所述数据是否为异常数据之前，还包括：获取所述工业设备的历史数据；对所述历史数据进行分类，得到历史正常数据和历史异常数据；基于所述历史正常数据确定所述故障识别模型；基于所述历史异常数据确定所述故障原因识别模型。在一些实施例中，所述基于所述历史正常数据确定所述故障识别模型，包括：对所述历史正常数据进行归一化处理；对归一化处理后的正常数据进行训练，得到所述故障识别模型。在一些实施例中，所述基于所述历史异常数据确定所述故障原因识别模型，包括：对所述历史异常数据进行归一化处理；对归一化处理后的历史异常数据进行哑变量处理；对哑变量处理后的历史异常数据进行训练，得到所述故障原因识别模型。在一些实施例中，所述基于预设的故障原因识别模型确定所述异常数据的异常原因之后，还包括：将所述异常数据的异常原因发送至终端；接收用户通过所述终端发送的反馈信息；响应于所述反馈信息中携带所述异常原因与预设的异常原因不相同的信息，基于所述反馈信息对所述故障原因识别模型进行更新。第二方面，本公开实施例提供了一种基于移动边缘计算的工业设备的监测装置，包括：获取模块，用于获取工业设备的数据；判断模块，用于根据预设的故障识别模型判断所述数据是否为异常数据；确定模块，用于当所述数据为异常数据时，则基于预设的故障原因识别模型确定所述异常数据的异常原因。在一些实施例中，还包括：所述获取模块还用于，获取所述工业设备的历史数据；分类模块，用于对所述历史数据进行分类，得到历史正常数据和历史异常数据；所述确定模块还用于，基于所述历史正常数据确定所述故障识别模型；所述确定模块还用于，基于所述历史异常数据确定所述故障原因识别模型。在一些实施例中，所述确定模块具体用于：对所述历史正常数据进行归一化处理；对归一化处理后的正常数据进行训练，得到所述故障识别模型。在一些实施例中，所述确定模块具体用于：对所述历史异常数据进行归一化处理；对归一化处理后的历史异常数据进行哑变量处理；对哑变量处理后的历史异常数据进行训练，得到所述故障原因识别模型。在一些实施例中，还包括：发送模块，用于将所述异常数据的异常原因发送至终端；接收模块，用于接收用户通过所述终端发送的反馈信息；更新模块，用于响应于所述反馈信息中携带所述异常原因与预设的异常原因不相同的信息，基于所述反馈信息对所述故障原因识别模型进行更新。本公开实施例提供的获取工业设备的数据，根据预设的故障识别模型判断数据是否为异常数据，当数据为异常数据时，则基于预设的故障原因识别模型确定异常数据的异常原因，避免了现有技术中通过人工的方式进行分析造成的成本高，效率低等弊端，实现了高效且精准的监测的技术效果。附图说明附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。通过参考附图对详细示例实施例进行描述，以上和其他特征和优点对本领域技术人员将变得更加显而易见，在附图中：图1为根据本公开实施例的基于移动边缘计算的工业设备的监测方法的示意图；图2为根据本公开另一实施例的基于移动边缘计算的工业设备的监测方法的示意图；图3为根据本公开实施例的确定故障识别模型的方法的示意图；图4为根据本公开实施例的确定故障原因识别模型的方法的示意图；图5为根据本公开另一实施例的基于移动边缘计算的工业设备的监测方法的示意图；图6为根据本公开实施例的基于移动边缘计算的工业设备的监测装置的示意图；图7为根据本公开另一实施例的基于移动边缘计算的工业设备的监测装置的示意图；图8为根据本公开另一实施例的基于移动边缘计算的工业设备的监测装置的示意图；图9为根据本公开实施例的应用场景框架示意图；附图标记：1、获取模块，2、判断模块，3、确定模块，4、分类模块，5、发送模块，6、接收模块，7、更新模块，11、工业设备，12、网络，13、本地服务器，14、边缘云，15、服务网关。具体实施方式为使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图对本专利技术提供的基于移动边缘计算的工业设备的监测方法和装置进行详细描述。在下文中将参考附图更充分地描述示例实施例，但是所述示例实施例可以以不同形式来体现且不应当被解释为限于本文阐述的实施例。反之，提供这些实施例的目的在于使本公开透彻和完整，并将使本领域技术人员充分理解本公开的范围。如本文所使用的，术语“和/或”包括一个或多个相关列举条目的任何和所有组合。本文所使用的术语仅用于描述特定实施例，且不意欲限制本公开。如本文所使用的，单数形式“一个”和“该”也意欲包括复数形式，除非上下文另外清楚指出。还将理解的是，当本说明书中使用术语“包括”和/或“由……制成”时，指定存在所述特征、整体、步骤、操作、元件和/或组件，但不排除存在或添加一个或多个其他特征、整体、步骤、操作、元件、组件和/或其群组。本文所述实施例可借助本公开的理想示意图而参考平面图和/或截面图进行描述。因此，可根据制造技术和/或容限来修改示例图示。因此，实施例不限于附图中所示的实施例，而是包括基于制造工艺而形成的配置的修改。因此，附图中例示的区具有示意性属性，并且图中所示区的形状例示了元件的区的具体形状，但并不旨在是限制性的。除非另外限定，否则本文所用的所有术语(包括技术和科学术语)的含义与本领域普通技术人员通常理解的含义相同。还将理解，诸如那些在常用字典中限定的那些术语应当被解释为具有与其在相关技术以及本公开的背景下的含义一致的含义，且将不解释为具有理想化或过度形式上的含义，除非本文明确如此限定。根据本公开实施例的一个方面，本公开实施例提供了基于移动边缘计算的工业设备的监测方法。请参阅图1，图1为根据本公开实施例的基于移动边缘计算的工业设备的监测方法的示意图。如图1所示，该方法包括：S1：获取工业设备的数据。其中，工业设备指的是工业生产设备和各类机床，比如车床、铣床、磨床、刨床等机器。数据包括工业设备的生产线名称、工业设备每秒生产的零件个数、工业设备的温度、工业设备所在车间(或厂房)的温度、工业设备所在车间(或厂房)的空气湿度、工业设备所在车间(或厂本文档来自技高网...

【技术保护点】
1.一种基于移动边缘计算的工业设备的监测方法，包括：获取工业设备的数据；根据预设的故障识别模型判断所述数据是否为异常数据；当所述数据为异常数据时，则基于预设的故障原因识别模型确定所述异常数据的异常原因。

【技术特征摘要】
1.一种基于移动边缘计算的工业设备的监测方法，包括：获取工业设备的数据；根据预设的故障识别模型判断所述数据是否为异常数据；当所述数据为异常数据时，则基于预设的故障原因识别模型确定所述异常数据的异常原因。2.根据权利要求1所述的方法，其中，在所述根据预设的故障识别模型判断所述数据是否为异常数据之前，还包括：获取所述工业设备的历史数据；对所述历史数据进行分类，得到历史正常数据和历史异常数据；基于所述历史正常数据确定所述故障识别模型；基于所述历史异常数据确定所述故障原因识别模型。3.根据权利要求2所述的方法，其中，所述基于所述历史正常数据确定所述故障识别模型，包括：对所述历史正常数据进行归一化处理；对归一化处理后的正常数据进行训练，得到所述故障识别模型。4.根据权利要求2所述的方法，其中，所述基于所述历史异常数据确定所述故障原因识别模型，包括：对所述历史异常数据进行归一化处理；对归一化处理后的历史异常数据进行哑变量处理；对哑变量处理后的历史异常数据进行训练，得到所述故障原因识别模型。5.根据权利要求1至4中任一项所述的方法，其中，所述基于预设的故障原因识别模型确定所述异常数据的异常原因之后，还包括：将所述异常数据的异常原因发送至终端；接收用户通过所述终端发送的反馈信息；响应于所述反馈信息中携带所述异常原因与预设的异常原因不相同的信息，基于所述反馈信息对所述故障原因识别...

【专利技术属性】
技术研发人员：刘颖慧，许丹丹，张第，王笑，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京,11