基于邊緣計算的工業大數據智能采集方法

雷 宇

(長江職業學院 湖北 武漢 430074)

0 引言

為了提高工業智能化生產的質量[1-3],在生產的過程中往往需要進行可視化管理,因此會產生較多的可視化流程數據。在進行工業大數據智能化采集的過程中,往往需要使用先進的互聯共享平臺,優化數據采集步驟,劃分不同的工業生產環節[4-6],針對工業大數據智能采集特點設計了建模智能化大數據采集方法和工業大數據智能化采集方法。但上述兩種采集方法的采集效果較差,采集簇頭的平均能耗較高[7],不符合目前的工業大數據智能化采集需求,因此本文基于邊緣計算設計了一種全新的工業大數據智能采集方法。

1 基于邊緣計算的工業大數據智能采集方法設計

1.1 基于邊緣計算構建工業大數據邊緣采集體系架構

為了解決Windows工控組態軟件處理采集到的數據時,受設備實時驅動作用影響導致的采集簇頭的能耗過高問題,本文基于邊緣計算技術[8],構建了工業大數據邊緣采集體系架構,邊緣計算是一種分散式運算法,因此,設計的架構主要以網絡中心節點為基礎,將應用程序、服務看作邊緣節點進行處理,提高工業大數據的采集速度,使其與用戶終端更擬合[9]。

構建的工業大數據邊緣采集體系架構配置了邊緣網關,能有效地解析各種設備采集的數據,進行實時分析,生成有價值的數據集合推送給邊緣云[10]。經過邊緣處理后,工業大數據產生了巨大的價值,能進行合理的預測維護,降低工業大數據采集能耗。將上述邊緣網關接收至邊緣云中,可以有效地與云計算服務聯合,為工業大數據采集提供虛擬化空間,提高采集架構的數據采集綜合能力。使用上述的智能采集邊緣體系架構可以有效獲取工業過程數據、環境數據、現場狀態數據,實現高效分布式工業大數據智能采集。

1.2 接入數據采集邊緣云服務

結合構建的工業大數據智能采集邊緣體系架構可知,工業大數據智能采集邊緣側服務主要通過邊緣服務器執行。常見的大數據智能采集邊緣服務包括消息隊列遙測傳輸協議(message queuing telemetry transport,MQTT)消息代理、數據接收、數據存儲驗證及可視化等。結合上述數據采集邊緣服務類型,本文設計的工業大數據智能采集方法優化了MQTT代理協議,配置了智能化擴展消息開源庫,使用上述的MQTT數據采集消息代理類別功能屬性表可以有效接入數據采集邊緣云服務,提高工業大數據智能采集的真實性。

1.3 構建工業大數據采集分類去噪模型

在工業大數據智能采集的過程中,經常會受噪聲干擾導致采集簇頭的采集能耗較高,因此,針對上述問題,本文利用神經網絡構建了工業大數據采集分類去噪模型。首先可以將工業大數據智能采集目標看作目標函數,該函數的交叉熵值C如式(1)所示。

(1)

式(1)中,n為采集損失偏離度,y為大數據采集真實值,a為網絡真實輸出。結合上述的交叉熵值可以對噪聲損失進行處理,此時的均方誤差MSE(y,y′)如式(2)所示。

(2)

(3)

式(3)中,l為輸出層節點數量,根據上述參數及設計的損失函數,可以構建工業大數據采集分類去噪模型g(i),如式(4)所示。

(4)

式(4)中,f為激活函數,axyz為輸入的工業大數據簇頭節點,w為去噪矩陣,b為分類采集常數,使用上述的工業大數據采集分類去噪模型可以快速剔除大數據噪聲,保證最終的采集有效性。

2 實驗

為了驗證設計的基于邊緣計算的工業大數據智能采集方法的采集效果,本文搭建了有效的實驗平臺,將其與第一種和第二種兩種常規的工業大數據智能采集方法對比,進行了實驗,如下。

2.1 實驗準備

結合工業大數據智能采集實驗需求,本文將搭建的實驗平臺劃分成三個組成部分,即SPI實驗通信部分、實驗數據采集處理部分,以及組態控制部分,實驗平臺的運行框如圖1所示。

圖1 實驗平臺運行框示意圖

由圖1可知,上述實驗平臺由通信中心、單片機轉換中心、信號調理中心組成,由于工業大數據的來源復雜,包括電壓、溫度等各種類型,因此要想獲取準確的實驗信息,必須通過主控制器傳輸實驗數據。本實驗利用調理電路處理了實驗信號,進行安全參數索引(security parameter index,SPI)傳輸轉換,此時生成的實驗數據采集模塊如圖2所示。

圖2 實驗數據采集模塊

由圖2可知,上述實驗數據采集模塊主要使用A/D轉換器作為實驗數據模擬采集器,其采集精度較高,含有8路輸入通道,在實驗過程中,采集到的實驗信號可以統一進行處理,轉移到指定的實驗中心。待實驗模擬量輸入后,端口的采樣開關和模數轉換定時器會立即進行初始化,待模擬量傳輸至第一通道后啟動AD轉換,再將得到的實驗數據存儲到寄存器中。為了降低實驗的控制信號損耗,需要與實驗現場進行集成反饋,生成初始化實驗工業大數據采集函數。

在實驗過程中,需要不斷測定采集簇頭的平均能耗及總能耗,因此,在該過程要進行多元數據傳輸,本實驗在SPI總線的基礎上設置了SDISDOSCKCS四種實驗信號,經歷時鐘改變到達實驗接口。實驗使用的采集模塊的各個組成部分相互獨立,利用嵌入式主控制器進行集中控制,建立實驗連接,發送接收實驗信號。SPI通信過程中,內部的數據始終需要進行串行發送,根據主時鐘的控制由字節高位傳輸至字節低位,此時的SPI傳輸數據圖如圖3所示。

圖3 SPI傳輸數據圖

由圖3可知,在實驗數據傳輸前,需要預先進行端口和寄存器初始化處理,有效設置時鐘的SPI頻率保證傳輸的有效性。

組態控制部分主要對實驗需求進行綜合分析,調整實驗參數,確保實驗能有效運行。本實驗的組態控制中心主要由人機交互模塊、數據庫、數學運算模塊、功能組件共同組成,在實驗開始后,組態模塊可以立即傳輸實驗數據,存儲實驗信號,有效地完成實驗反饋。結合上述搭建的實驗平臺及各個實驗組成部分,可以設置實驗參數,如表1所示。

表1 實驗參數

由表1可知,在實驗過程中,可以將上述實驗參數進行任意組合,從而生成不同的簇頭采集輪數,并以此為基礎,進行后續的工業大數據智能采集實驗。

2.2 實驗結果與討論

結合上述的實驗準備,可以進行工業大數據智能采集實驗,即分別使用本文設計的基于邊緣計算的工業大數據智能采集方法。第一種建模智能化大數據采集方法,以及第二種的基于工業軟件平臺的工業大數據智能化采集方法完成不同輪數的工業大數據智能采集,將實驗采集分為簇頭平均能耗部分和總能耗部分,三種方法采集簇頭的平均能耗實驗結果如圖4所示。

圖4 簇頭采集平均能耗實驗結果

由圖4可知,在基礎采集條件相同的情況下,本文設計的基于邊緣計算的工業大數據智能采集方法在不同輪數下的采集簇頭平均能耗均較低,第一種的建模智能化大數據采集方法及第二種的基于工業軟件平臺的工業大數據智能化采集方法的采集簇頭平均能耗均較高,此時三種方法的簇頭采集總能耗實驗結果如圖5所示。

圖5 簇頭采集總能耗實驗結果

由圖5可知,本文設計的基于邊緣計算的工業大數據智能采集方法在不同輪數下的采集簇頭總能耗低于第一種的建模智能化大數據采集方法及第二種的基于工業軟件平臺的工業大數據智能化采集方法。

結合上述實驗結果可知,本文設計的基于邊緣計算的工業大數據智能采集方法的簇頭采集平均能耗及總能耗最低,證明設計的智能采集方法的采集效果較好,具有可靠性,有一定的應用價值。

3 結語

綜上所述,在經濟發展背景下,我國的工業生產實力越來越強,研發引進了大量的智能化、數字化技術,與此同時,我國的工業生產管理模式也由原來的人力管理逐漸轉化為智能化可視化管理,提高工業化生產管理水準的同時也出現了大數據采集問題。研究表明,工業大數據的生產來源不同,數據格式也存在較大差異,難以進行有效采集,因此,本文基于邊緣計算設計了一種全新的工業大數據智能采集方法。實驗結果表明,設計的工業大數據智能采集方法的采集能耗較低,采集效果較好,具有可靠性,有一定的應用價值。