【技术实现步骤摘要】
本申请涉及云计算与边缘计算协同和工业物联网，具体公开了一种基于工业物联网和云边协同的自适应质量预测建模方法。
技术介绍
1、工业物联网、云计算与边缘计算被广泛地应用在现代工业过程中，在生产过程中的质量预测、故障诊断、过程监测等任务中取得了重要的作用。云端一般离工业现场较远，计算、存储能力较强；边缘端离工业现场较近，但计算、存储能力较差。云边协同则使得云端和边缘端的优势互补、协同工作，从而提高工作效率。将云边协同应用到软测量领域中，将改变软测量建模方式、提高建模效率从而保证模型精度；
2、软测量技术即基于易于测量的过程变量对关键质量指标实现精准预测。当前软测量技术主要有主成分回归分析、偏最小二乘回归、支持向量回归等机器学习方法，以及卷积神经网络、循环神经网络、堆叠自编码器等深度学习方法。然而传统的软测量建模方式通常在云端进行模型训练，训练完毕后再部署在边缘端进行预测，由于边缘实时数据的强时序性、非线性和耦合性，模型难以提取变量间远距离拓扑相关性特征和时序特征，预测精度会随着时间下降，出现模型性能退化现象，且边缘模型难以更新；<...
【技术保护点】
1.一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于，在步骤S1中，采用一种基于近邻变量相关性强度最大化的变量排序策略，即基于计算相邻变量间的Pearson和Spearman相关系数，使得两两相邻变量的相关系数值最大化，基于该原则对所有变量进行重新排序，从而获得整体最大化的变量相关性强度，实现远距离变量相关性强度最大化的目标，在云端完成变量间远距离拓扑相关性特征提取；
3.根据权利要求2所述的一种基于工业物联网和云边协同的自...
【技术特征摘要】
1.一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于，在步骤s1中，采用一种基于近邻变量相关性强度最大化的变量排序策略，即基于计算相邻变量间的pearson和spearman相关系数，使得两两相邻变量的相关系数值最大化，基于该原则对所有变量进行重新排序，从而获得整体最大化的变量相关性强度，实现远距离变量相关性强度最大化的目标，在云端完成变量间远距离拓扑相关性特征提取；
3.根据权利要求2所述的一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于，在步骤s2中，对步骤s1所述的数据进行离差标准化：
4.根据权利要求3所述的一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于，在步骤s3中：包括以下步骤：
5.根据权利要求4所述的一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于，在步骤s4中，边缘模型运行，边缘模型训练完毕之后，开始在边缘端运行；采用均方根误差rmse和决定系数r2作为衡量模型性能的指标，计算如下：
6.根据权利要求5所述的一种基于工业物联网和云边协同的自适应质量预测建模方法，其特征在于，假设第i批之前的边...
【专利技术属性】
技术研发人员：袁小锋，王一臣，王凯，王雅琳，阳春华，桂卫华，张人斌，杨成，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。