一种基于迁移学习的OPCUA信息模型数据自适配方法组成比例

本发明专利技术公开了一种基于迁移学习的OPC UA信息模型数据自适配方法，属于工业自动化技术领域。方法包括：获取数字化车间生产线中各物理实体信息，进而构建各物理实体的信息模型；将信息模型映射到符合OPC UA的地址空间，实现信息模型到OPC UA服务器的映射，OPC UA客户端与OPC UA服务器通信，将获取的数据传输到持久层数据中心；利用从持久层数据中心获取的各物理实体信息的历史数据和实时数据构建源域和目标域数据集，采用基于实例的迁移学习算法训练质量预测模型，结合群体智能算法，自适应地调整质量预测模型参数，通过接口动态更新质量预测模型参数的变化并与持久层数据中心通信。本发明专利技术自适应地调整车间内设备的参数，为数字化车间动态重构奠定理论基础。化车间动态重构奠定理论基础。化车间动态重构奠定理论基础。

【技术实现步骤摘要】
一种基于迁移学习的OPC UA信息模型数据自适配方法


[0001]本专利技术属于工业自动化
，更具体地，涉及一种基于迁移学习的OPC UA信息模型数据自适配方法。

技术介绍

[0002]目前，我国在推进智能工厂建设方面存在的诸多技术上的不足，其中一项关键技术是车间设备和工厂设备的软件的信息集成技术。针对OPC UA标准在车间多源异构信息集成方面的理论和应用研究太少，无法满足目前国内的智能工厂建设对这方面理论和技术的需要。
[0003]数字化车间是智能工厂的重要组成部分，其关键任务在于设备联网和信息集成，只有解决了多源异构信息集成的应用基础研究问题，包括将数据转化为信息、设备之间合作和信息共享、信息转化为知识和决策反馈这些智能工厂上层建筑才有可能实现。
[0004]信息集成：是指系统中各子系统和用户的信息采用统一的标准，规范和编码，实现全系统信息共享，进而可实现相关用户软件间的交互和有序工作。
[0005]OPC：(OLE for Process Control)是用于工业控制领域一个通讯接口标准，它为过程控制提供了一套标准的接口、属性和方法。OPC的出现使得不同厂商的设备和驱动程序可以灵活地进行连接和信息交互，但传统的OPC服务器访问仍很复杂，针对不同类型的数据访问，需要开发不同的访问程序，包括数据访问(DA)、报警和事件(AE)，以及历史数据访问(HDA)等等。比如，要获得一个温度传感器的当前值、一个高温度事件和温度的历史平均值，要分别开发三种不同的OPC服务器程序，这大大增加了数据采集装置的复杂性。OPC UA(UnifiedArchitecture)是OPC的最新标准，为从DCS采集数据到MES提供了一种统一的接口方法，大幅降低了软件开发的复杂度。此外，OPC UA不依赖特定的操作系统，支持跨平台运行，为简化数据采集装置的软硬件结构提供了可能。
[0006]异构设备的互联互通、数据共享是数字化车间的重要基石，实现设备之间多源异构数据自适配的前提在于数据协议的统一，目前在工业设备建模和数据自适配方面仍然缺乏一套完整的解决方案。

技术实现思路

[0007]针对现有技术的缺陷和改进需求，本专利技术提供了一种基于迁移学习的OPC UA信息模型数据自适配方法，为数字化车间的物理实体建立统一的信息模型，实现设备、物料之间的互联互通；同时采用迁移学习算法和群体智能算法，实现用户需求、信息模型之间的数据自适配。
[0008]为实现上述目的，第一方面，本专利技术提供了一种基于迁移学习的OPC UA信息模型数据自适配方法，包括以下步骤：
[0009]S1、获取数字化车间生产线中各物理实体信息，所述物理实体信息包括各个物理实体之间的关系以及各物理实体的类型、属性、事件；
[0010]S2、根据所述物理实体信息，构建各物理实体的信息模型，并导出XML格式文档；
[0011]S3、将所述信息模型映射到符合OPC UA的地址空间，根据所述的XML格式文档实现信息模型到OPC UA服务器的映射；OPC UA客户端通过OPC UA协议与OPC UA服务器进行通信，将获取到的数据传输到持久层数据中心；
[0012]S4、从持久层数据中心获取各物理实体信息的历史数据和实时数据，利用历史数据和部分实时数据分别构建源域数据集和目标域数据集；根据源域数据集和目标域数据集构建质量预测模型，其中，以物理实体信息中产品质量指标作为所述质量预测模型的输出，其余物理实体信息作为所述质量预测模型的输入；采用基于实例的迁移学习算法训练所述质量预测模型，得到质量预测模型参数之间的映射关系；
[0013]S5、以产品质量指标的目标范围作为群体智能算法的目标函数，结合S4构建的质量预测模型，反向搜索得到质量预测模型的输入；再通过接口动态更新质量预测模型的输入，并将更新的参数与持久层数据中心通信。
[0014]进一步地，所述群体智能算法为麻雀搜索算法。
[0015]进一步地，所述基于实例的迁移学习算法为TrAdaBoost.R2算法。
[0016]进一步地，所述物理实体包括设备、物料。
[0017]进一步地，所述物理实体的属性包括：对象类型、变量类型、数据类型、引用类型、标准方法。
[0018]进一步地，所述S5中，群体智能算法的目标函数为：
[0019]f(q)＝y
‑
d,f(q)>0
[0020]其中，q表示质量预测模型的输入，d为产品质量指标的下限，y表示质量预测模型的输出。
[0021]第二方面，本专利技术提供了一种基于迁移学习的OPC UA信息模型数据自适配系统，包括：计算机可读存储介质和处理器；
[0022]所述计算机可读存储介质用于存储可执行指令；
[0023]所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的基于迁移学习的OPC UA信息模型数据自适配方法。
[0024]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0025](1)本专利技术采用了OPC UA抽象出数字化车间内设备、物料等物理实体的信息模型，信息模型与持久层数据库交互，从数据库中读取数据训练机器学习模型，当订单需求发生变化时，利用群体智能算法结合机器学习模型，自适应地调整参数(与设备、物料相关的参数)，通过信息模型进行数据交互，实现数据自适配。优势在于自适应地调整车间内设备的参数，为数字化车间动态重构奠定理论基础。
[0026](2)相比于传统的质量预测模型，本专利技术采用了迁移学习算法，需要的数据量更少，在小样本数据集上也能取得更高的综合性能。
附图说明
[0027]图1为本专利技术实施例提供的一种基于迁移学习的OPC UA信息模型数据自适配方法的流程图；
[0028]图2为本专利技术实施例提供的一种基于迁移学习的OPC UA信息模型数据自适配方法
的结构框图；
[0029]图3为本专利技术实施例提供的物理实体信息模型的结构框图。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0031]在本专利技术中，本专利技术及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0032]参阅图1，结合图2和图3，本专利技术提供了一种基于迁移学习的OPC UA信息模型数据自适配方法，包括以下步骤：
[0033]S1、获取数字化车间生产线中各物理实体信息，所述物理实体信息包括各个物理实体之间的关系以及各物理实体的类型、属性、事件。
[0034]本实施例中，以焊装车间为例，物理实体包括焊装车间内物料、设备等。物料包括底本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的OPC UA信息模型数据自适配方法，其特征在于，包括以下步骤：S1、获取数字化车间生产线中各物理实体信息，所述物理实体信息包括各个物理实体之间的关系以及各物理实体的类型、属性、事件；S2、根据所述物理实体信息，构建各物理实体的信息模型，并导出XML格式文档；S3、将所述信息模型映射到符合OPC UA的地址空间，根据所述的XML格式文档实现信息模型到OPC UA服务器的映射；OPC UA客户端通过OPC UA协议与OPC UA服务器进行通信，将获取到的数据传输到持久层数据中心；S4、从持久层数据中心获取各物理实体信息的历史数据和实时数据，利用历史数据和部分实时数据分别构建源域数据集和目标域数据集；根据源域数据集和目标域数据集构建质量预测模型，其中，以物理实体信息中产品质量指标作为所述质量预测模型的输出，其余物理实体信息作为所述质量预测模型的输入；采用基于实例的迁移学习算法训练所述质量预测模型，得到质量预测模型参数之间的映射关系；S5、以产品质量指标的目标范围作为群体智能算法的目标函数，结合S4构建的质量预测模型，反向搜索得到质量预测模型的输入；再通过接口动态更新质量预测模型的输入，并将更新的参数与持久层数据中心通信。2.根据权利要求1所述的一种基于迁移学习的OPC UA信...

【专利技术属性】
技术研发人员：郭培金，胡雯蔷，朱钦淼，王瑜辉，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：