基于動態鏈接庫的工業網絡設備損壞率預測系統設計

徐 東，許永正，侍守創

（1.工業互聯網創新中心（上海）有限公司，上海 200120；2.江蘇杰瑞信息科技有限公司，江蘇連云港 222000）

一個DLL 信息文件中往往包含著多個已被編譯的數據鏈接，且這些鏈接節點可同時匹配多個運行進程和與之相關的存儲型應用函數[1]，因此，特定情況下，DLL 信息文件還具備一定強度的資源與數據共享能力，可在感應數據庫主機中進行信息訪問的同時，控制動態鏈接程序的傳輸距離，從而較好地維系數據信息與鏈接庫主機間的應用與互補關系。

在工業智能應用平臺中，為較好地解決因網絡設備損壞行為而造成的電量過度利用問題，文獻[2]通過冗余數據備份的方式，確定工業設備的現有損壞率情況，再借助安全磁盤，實現對這些數據信息文件的定向清除；文獻[3]用于測量障礙物信息的激光雷達數據中是否存在無效、冗余等數據。

然而，上述系統的實際執行能力有限，并不能完全滿足工業智能平臺的實際應用需求。因此，引入動態鏈接庫方法，并在工業電網平臺結構的作用下，設計一種新型的工業網絡設備損壞率預測系統，通過數據集合標定處理的方式，得到準確的聚類參數計算結果，再聯合動態存儲數據庫，實現系統執行性規劃能力的穩定提升。

1 系統硬件設計

工業網絡設備損壞率預測系統的硬件執行環境由工業電網平臺、預測電路、網絡設備損壞率統計模塊三部分共同組成，具體設計方法如下。

1.1 工業電網平臺

工業電網平臺作為工業智能應用體系的核心組成框架，包含光伏組件、發電機、逆變器、控制器、變流器等多個部分，工業電網平臺示意圖如圖1 所示。

圖1 工業電網平臺示意圖

圖1 中，該平臺可在維護工業化網絡用電平衡的同時，實現對傳輸電流及傳輸電壓的定向化處理。光伏組件、風機、發電機同屬于工業智能應用平臺的頂層發電裝置，可為下級耗電元件提供可直接應用的傳輸電流，并可借助逆變器、控制器等電力設備結構體，將未完全消耗的電量傳輸至底層蓄電池結構之中，并在其中進行長期存儲[4]。逆變器、控制器、變流器等元件同屬于工業化用電設備，能夠對定向傳輸電子進行消耗，并可將電量消耗信息反饋回核心工業網絡預測主機中。

1.2 預測電路

預測電路可為工業智能應用平臺提供設備損壞率預測所需的傳輸應用電量，其包含3 條電子傳輸通路（L1、L2、L3），可在多個R 級電阻設備的作用下，將高壓交流電子轉變為低壓直流電子，并借助LOAD、KM 兩類電感應用元件，實現對工業網絡設備損壞率的準確預測。通常情況下，系統預測電路允許R 級電阻設備同時出現多個不同的電阻數值，由于動態鏈接庫設備的存在，電阻設備的數值水平越高，電路結構體對于工業網絡設備損壞率的預測準確性也就越強[5-6]。NC、NO 元件能夠對電子傳輸通路中的傳輸電流進行同步感應，并可借助L 級電子傳輸通路將這些電量傳輸至下級工業設備結構體之中。

1.3 網絡設備損壞率統計模塊

網絡設備損壞率統計模塊在工業智能應用平臺中扮演著統籌底層數據信息的角色，由內核元件、外接設備、傳輸接口、過渡鏈接通道四類結構共同組成[7]，如表1 所示。其中，內核元件負責對工業網絡設備損壞率預測信息進行整合，并按照工業電網平臺的連接需求，將這些信息文件反饋至相關下級執行結構體之中。外接設備存在于網絡設備損壞率統計模塊最外部，可將所有內部設備元件完全包裹在內，能夠在感知預測電路中電量傳輸需求的同時，對動態鏈接庫中已存儲的數據信息發出調取申請，從而滿足系統主機對于工業網絡設備損壞率信息的實際預測需求[8-9]。

表1 網絡設備損壞率統計模塊連接原理

2 系統軟件設計

在硬件執行環境的支持下，按照數據集合標定、聚類參數計算、動態存儲數據庫連接的處理流程，完成系統的軟件執行環境搭建，兩相結合，實現基于動態鏈接庫工業網絡設備損壞率預測系統的順利應用。

2.1 數據集合標定

數據集合標定是動態鏈接庫算法應用的必要處理環節，在工業智能應用平臺中，預測主機所標記出的工業網絡設備損壞率數據量越大，最終計算所得的聚類參數結果也就越精確。在不考慮其他干擾條件的情況下，數據集合標定處理結果受到工業網絡設備損壞率信息承載量、數據信息預測時長兩項物理指標的直接影響[10-11]。損壞率信息承載量由上限極值in、下限極值i0兩部分共同組成；數據信息預測時長也由上限極值tn、下限極值t0兩部分共同組成。一般情況下，上限極值越大，系統主機對于工業網絡設備損壞率的預測準確度也就越高，反之則越低。聯立上述物理量，可將動態鏈接庫算法的數據集合標定結果表示為：

其中，f代表損壞率信息標定系數，w1、wn分別代表第一個與第n個損壞率信息定義項，δ代表既定的損壞率信息數據標定特征值。

2.2 聚類參數計算

聚類參數描述了動態鏈接庫算法的實際執行能力，在已知數據集合標定結果的基礎上，該項物理量直接代表了系統數據庫主機所具備的信息承載能力，假設在工業網絡設備損壞率水平保持不變的情況下，聚類參數的計算值越大，則代表系統主機所具備的預測應用能力越強[12-13]。設r0代表工業智能應用平臺中的初級網絡設備損壞率預測系數，rn代表工業智能應用平臺中的次級網絡設備損壞率預測系數，在網絡設備損壞率信息均值等于yˉ的情況下，聯立式（1），可將聚類參數計算結果表示為：

其中，Lmin代表最小的聚類型損壞率信息預測條件，Lmax代表最大的聚類型損壞率信息預測條件，μ代表與動態鏈接庫算法匹配的數據信息參量預測指標。

2.3 動態存儲數據庫連接

主機設備可以同時滿足集群參數標準和動態鏈路數據庫的數據集校準要求，其一方面可以制定更準確的預測和執行指令，另一方面也可以實現對工業智能應用平臺的合理保護[14-15]。

隨著動態鏈接庫算法作用能力的增強，動態存儲數據庫會呈現持續擴展的物理變化趨勢，直至能夠完全滿足系統主機所具備的數據信息預測及執行需求[16]。動態存儲數據庫連接模式如圖2 所示。

圖2 動態存儲數據庫連接模式

至此，在動態鏈接庫算法的支持下，聯合硬件結構，完成新型工業網絡設備損壞率預測系統的設計。

3 實驗結果分析

為驗證基于動態鏈接庫工業網絡設備損壞率預測系統的實際應用價值，設計如下對比實驗。在圖3所示工業智能應用平臺中，分別將實驗組、對照組（文獻[2]方法）控制主機與數據信息處理中心相連，其中實驗組主機搭載基于動態鏈接庫工業網絡設備損壞率預測系統，對照組主機搭載機器學習型預測系統，在相同實驗環境中，記錄各項實驗干預指標的具體變化情況。

圖3 實驗用工業智能應用平臺

SPU 指標數值能夠反映工業網絡設備的損壞行為所造成的電子消耗值。一般情況下，SPU 指標數值越大，工業網絡設備損壞行為導致的過度電子消耗問題就越明顯。表2 記錄了實驗組、對照組SPU指標數值的具體變化趨勢。

分析表2 可知，實驗組SPU 指標隨著實驗時間的延長，始終保持不斷上升的變化趨勢，但其整體上升幅度相對較小，終止數值與初始數值相比，僅上升了5.96%。整個實驗過程中，對照組SPU 指標的數值狀態逐漸趨于穩定，之后又呈現不斷下降的變化趨勢，整體最大值為88.57%，與實驗組最大值的40.57%相比，上升了48.00%。

表2 SPU指標數值對比表

DSR 指標能夠反映系統主機對于工業網絡設備損壞率數據的預測精準度水平，一般情況下，DSR指標數值越大，系統主機對于工業網絡設備損壞率數據的預測精準度水平也就越高，反之則越低。表3 記錄了實驗組、對照組DSR 指標數值的具體變化情況。

表3 DSR指標數值對比表

由表3 可知，實驗組DSR 指標數值呈現出先上升后穩定再下降的數值變化趨勢，而對照組DSR 指標數值則在經過一段時間后，也逐漸趨于穩定，同時，從極大值角度來看，實驗組最大值為75.83%，與對照組最大值50.98%相比，上升了24.85%。

4 結束語

在動態鏈接庫算法的作用下，通過對工業網絡設備損壞率預測系統的改進，解決了電量利用率過高的問題，同時由于工業電網平臺的存在，預測電路與網絡設備損壞率統計模塊之間的數據信息傳輸關系也得到了改善，不僅可以實現數據集的精確標定，而且可以得到更準確的聚類參數值計算結果。從實際應用的角度來看，SPU 指標值的降低和DSR 指標值的提高可以降低電子消耗值，實現系統主機對工業網絡設備損壞率數據的有效預測，具有很強的實際應用價值。