本發明涉及工業自動化與信息，具體是面向異構工業設備的自適應數據融合與決策優化系統。

背景技術：

1、公開號為cn118967109b的中國專利公開了一種基于多源異構數據的工業設備維護方法及平臺，包括如下步驟：獲取多源異構數據，包括設備運維數據、監控數據、工廠運行數據和監控圖像數據；基于運維數據生成設備退化健康指標，量化指示設備健康狀態；對工廠運行數據進行特征提取，生成特征變化；構建卷積神經網絡模型，將監控圖像輸入模型，輸出違規行為圖像；根據設備退化健康指標、工廠運行數據特征變化以及違規行為圖像，對工廠設備進行維護操作；

2、公開號為cn112529184b的中國專利公開了一種融合領域知識與多源數據的工業過程優化決策方法，包括：利用概率軟邏輯獲取工業過程領域知識，建立工業過程領域規則知識庫；融合多源數據語義與多源數據特征，構成一種新的工業過程語義知識表示，構建工業過程語義知識庫；在后驗正則化框架下，利用所述工業過程領域規則知識庫和語義知識庫，得到嵌入領域規則知識的優化決策模型和后驗分布模型；知識蒸餾技術將嵌入領域規則知識的優化決策模型中的知識遷移到后驗分布模型中。

3、在當今工業4.0的大趨勢下，工業生產系統變得越來越復雜，異構工業設備廣泛應用于各個生產環節。不同廠商生產的設備具有不同的數據接口、通信協議以及數據格式，這導致多源數據難以有效整合，形成了數據孤島現象。例如，傳統的可編程邏輯控制器（plc）采用特定的通信協議進行數據傳輸，而新型的智能傳感器可能使用無線通信技術和不同的數據格式，使得在一個工業生產車間內，要獲取統一、有效的數據面臨極大挑戰。

4、同時，工業生產環境復雜多變，市場需求的快速變化、原材料質量的波動以及設備的老化等因素，都要求企業能夠根據實時數據做出準確、及時的決策，以優化生產過程，提高生產效率、降低成本并保證產品質量。但現有的數據處理和決策系統往往無法適應這種動態變化，例如基于歷史數據的優化策略（如遺傳算法）響應延遲＞30s，無法應對毫秒級的設備擾動（如注塑機壓力突變）。難以實現對多源異構數據的高效融合以及精準的決策優化。

技術實現思路

1、為了解決上述技術問題，本發明的目的在于提供面向異構工業設備的自適應數據融合與決策優化系統，包括云端，所述云端通信連接有數據采集模塊、協議標注模塊、協議自洽模塊、檢測決策模塊、快速化響應補償模塊和臨界趨勢檢測模塊；

2、數據采集模塊用于采集各個異構工業設備的多源類型數據并標記采集時間，設置采集周期；

3、協議標注模塊用于構建工業連接拓撲圖，對工業連接拓撲圖進行初始通信協議標注；

4、協議自洽模塊用于對工業連接拓撲圖中的各節點進行交互特征分析，對協議異常節點進行自動協議匹配；

5、檢測決策模塊用于對各個節點的多源類型數據進行實時檢測，根據監測結果選擇執行快速化響應補償操作或臨界趨勢檢測操作；

6、快速化響應補償模塊用于生成臨時補償模型和聯合補償模型，根據臨時補償模型對異常節點進行快速化響應補償操作，根據快速化響應補償操作結果進行聯合補償模型更新，隨后根據聯合補償模型進行聯合補償操作；

7、臨界趨勢檢測模塊用于提取各個節點的若干臨界異常趨勢特征，對各個正常節點進行臨界趨勢檢測操作，并根據臨界趨勢檢測操作結果對快速化響應補償模塊進行參數下發操作。

8、進一步地，多源類型數據包括：設備運行狀態數據（包括振動信號、溫度數據、壓力數據等）、設備性能數據（包括生產效率數據、產品質量數據等）、設備通信數據（包括波特率、數據幀間隔、crc校驗位）、環境數據（包括濕度數據、粉塵濃度數據等）。

9、進一步地，協議標注模塊構建工業連接拓撲圖，對工業連接拓撲圖進行初始通信協議標注的過程包括：

10、獲取若干異構工業設備的裝配連接關系，所述若干異構工業設備包括生產線中的傳感器、執行器、電機、閥門等終端設備、邊緣控制中樞、人機交互終端、邊緣計算節點等，所述若干異構工業設備的裝配連接關系包括異構終端設備之間的直連、終端設備與邊緣控制中樞的連接關系（如plc集成mqtt客戶端等協議轉換網關）、終端設備與人機交互終端（觸摸屏、工控機、中央控制室大屏）的連接關系、終端設備與邊緣計算節點的連接關系（邊緣服務器、網關）等，將若干異構工業設備作為工業連接拓撲圖的節點，節點用于存儲各個異構工業設備的多源類型數據，將若干異構工業設備的裝配連接關系作為節點之間的連接關系，構建工業連接拓撲圖，獲取若干異構工業設備之間的初始通信協議，對各節點之間的連接關系進行初始通信協議標注。

11、進一步地，協議自洽模塊對工業連接拓撲圖中的各節點進行交互特征分析，對協議異常節點進行自動協議匹配的過程包括：

12、根據各節點之間的初始通信協議，預設各節點之間的各類型交互指標閾值區間，對存在連接關系的節點進行交互特征提取，根據存在連接關系的節點之間的多源類型數據獲取存在連接關系的節點之間的各類型交互指標，所述類型交互指標包括數據丟失頻繁、數據延遲過長、解析成功率、連接建立時間、斷開重連次數、功能執行結果等，將各類型交互指標與對應的交互指標閾值區間進行比較，若存在類型交互指標不位于對應的交互指標閾值區間內，則將存在連接關系的節點標記為協議異常節點；

13、對協議異常節點進行協議指紋特征提取，獲取協議指紋特征，構建協議指紋圖譜庫，根據協議指紋圖譜庫利用強化學習構建自動協議匹配模型；

14、構建協議指紋圖譜庫的過程包括：根據協議指紋圖譜庫構建自動協議匹配模型的控制規則表，將自動協議匹配模型的狀態定義為當前采集到的節點的協議指紋特征。包括波特率、數據幀間隔和循環冗余校驗（crc校驗位）的特征，例如，狀態s=[9600,10ms,crc16]表示當前采集到的數據波特率為9600，數據幀間隔為10ms，使用的是crc16校驗算法，動作定義為可能的協議類型，例如modbus、opcua、profibus等，設置獎勵函數，獎勵函數用于評估智能體在某個狀態下采取某個動作的好壞，若智能體正確匹配了協議類型，給予正獎勵，如果匹配錯誤，給予負獎勵，強化學習算法通過不斷地與環境交互，更新控制規則表，獲取每個狀態動作組合經驗評分，從而找到最優的動作策略，從而找到最優的動作策略，當采集到節點的新數據時，將數據的協議指紋特征作為狀態輸入到控制規則值表中，選擇經驗評分最大的動作作為匹配的協議類型；

15、將協議指紋特征輸入自動協議匹配模型，根據自動協議匹配模型輸出協議異常節點的通信協議，根據通信協議更新協議異常節點的初始通信協議。

16、進一步地，構建指紋協議圖譜的過程包括：

17、基于模擬學習思想，使用模擬器生成不同通信協議的交互訓練數據，對不同通信協議的交互訓練數據進行波特率分析、數據幀間隔分析以及循環冗余校驗分析，構建波特率概率模型、數據幀間隔概率模型以及循環冗余校驗概率模型，將波特率概率模型、數據幀間隔概率模型以及循環冗余校驗概率模型進行組合，構建指紋協議圖譜。

18、進一步地，波特率是指數據傳輸的速率，不同的工業協議可能使用不同的波特率。可以通過統計分析大量已知協議的波特率使用情況，構建波特率的概率分布。例如，收集1000個使用modbus協議的設備，發現其中800個使用9600波特率，那么在modbus協議中9600波特率的概率就是0.8。

19、數據幀間隔是指相鄰兩個數據幀之間的時間間隔。不同協議在數據幀的發送和接收上有不同的時間規則，因此數據幀間隔也可以作為協議的一個特征。可以對不同協議的數據幀間隔進行采樣和統計，得到每個協議的數據幀間隔的概率分布。

20、循環冗余校驗（crc校驗位）用于檢測數據傳輸過程中的錯誤。不同協議可能使用不同的crc算法和參數，因此crc校驗位的特征也可以用來區分協議。通過分析不同協議的crc生成多項式、初始值等參數，構建crc校驗位的概率模型。

21、將波特率、數據幀間隔和crc校驗位的概率模型組合起來，就可以構建協議指紋圖譜，每個協議都有一個對應的指紋向量，向量中的每個元素表示該協議在某個特征上的概率。例如，對于一個協議指紋向量[0.8,0.6,0.7]，分別表示該協議使用9600波特率的概率為0.8，數據幀間隔在某個范圍內的概率為0.6，使用某種crc算法的概率為0.7。

22、進一步地，檢測決策模塊對各個節點的多源類型數據進行實時檢測，根據監測結果選擇執行快速化響應補償操作或臨界趨勢檢測操作的過程包括：

23、提取當前采集周期內各個節點的多源類型數據中的各類型指標的數值時序序列，預設各個節點的各類型指標對應的標準閾值區間，將各類型指標的數值時序序列與對應的標準閾值區間進行比較，獲取各類型指標不位于對應的標準閾值區間的累計時間；

24、預設累計時間閾值，若存在類型指標的累計時間大于累計時間閾值，則生成突發異常警報信號，并進行快速化響應補償操作，若各類型指標的累計時間均小于等于累計時間閾值，則將節點標記為正常節點，并進行臨界趨勢檢測操作。

25、進一步地，快速化響應補償模塊生成臨時補償模型的過程包括：

26、將對應的累計時間大于累計時間閾值的類型指標標記為關鍵指標，將關鍵指標所屬節點標記為異常節點，基于關鍵指標對當前采集周期內異常節點的多源類型數據進行特征提取，獲取特征向量集，以軸承溫度突變為例，從多源類型數據中提取與軸承溫度突變相關的特征向量集，包括溫度的變化率（如每10秒的溫度變化量）、振動信號的主頻、電流的諧波畸變率等，這些特征能夠更準確地反映設備的異常狀態；

27、構建突發異常故障庫，所述突發異常故障庫包括若干歷史故障案例，這些案例按照設備類型、故障類型、相關特征等進行分類和聚類。例如，對于軸承故障案例，可能按照「溫度突變+振動主頻」進行聚類，形成不同的故障類別，將特征數據集與突發異常故障庫中的案例進行余弦相似性比較，獲取當前特征向量集與歷史故障案例的特征向量集的余弦相似度，篩選出余弦相似度最高的前k個歷史故障案例；

28、基于決策樹模型構建臨時補償模型，基于決策樹模型構建的臨時補償模型推理時間較短（通常小于10毫秒），適合在邊緣側快速運行，提取前k個歷史故障案例的補償策略對臨時補償模型進行參數定制，并根據當前采集周期內異常節點的多源類型數據對臨時補償模型進行模型驗證，例如，如果相似案例中在軸承溫度過高時的補償策略采用了降速15%和增大潤滑流量20%、以及每升高1℃，降速幅度增加2%的補償策略，那么在臨時模型中也注入相應的補償參數，隨后在模型驗證過程中，首先從前k個歷史故障案例中選用余弦相似度最高的案例的補償策略對臨時補償模型進行參數定制，再使用當前采集周期異常節點的多源類型數據對定制后的模型進行驗證，通過模型預測設備的運行狀態（如溫度變化），并與實際情況進行比較，如果預測結果與實際情況偏差超出預設偏差閾值，則從前k個歷史故障案例中選擇余弦相似度第二高的案例的補償策略和相關參數對臨時補償模型進行參數定制，重復上述過程，直至預測結果與實際情況偏差不超出預設偏差閾值，獲取完成驗證的臨時補償模型；

29、進一步地，快速化響應補償模塊生成聯合補償模型，根據臨時補償模型對異常節點進行快速化響應補償操作，根據快速化響應補償操作結果進行聯合補償模型更新的過程包括：

30、根據工業連接拓撲圖構建關聯規則知識圖譜，所述關聯規則知識圖譜包括相互連接的節點之間的多源類型數據、時空特征序列和聯合補償策略，基于深度學習構建聯合補償模型，將多源類型數據、時空特征序列和聯合補償策略作為訓練集以及測試集，將所述訓練集輸入到聯合補償模型中進行訓練，直至損失函數訓練平穩，并保存模型參數，通過測試集對聯合補償模型進行測試，直至符合預設要求，輸出聯合補償模型；

31、構建基于深度學習的聯合補償模型是一個復雜的過程，它涉及到模型選擇、訓練、驗證和測試等多個步驟，以下是對此過程的一個詳細補充說明：

32、本發明選擇rbf神經網絡作為深度學習架構，在確定了模型架構之后，選擇交叉熵損失（binary?cross-entropy?loss）作為優化目標，隨后將準備好的訓練集輸入到選定的深度學習模型中開始訓練。訓練過程中，通過反向傳播算法不斷更新權重，使得損失函數逐漸減小，直至達到穩定狀態。在此期間，利用早停法（early?stopping）等技術避免過度擬合，除了基本的訓練流程外，同時通過網格搜索（grid?search）對模型的各種參數進行調優，所述參數包括學習率、批次大小、正則化系數等。

33、當模型訓練完成并且參數調整完畢后，通過測試集來進行最后的評估，獲取模型的評估結果，所述評估結果包括如準確率、召回率、f1分數等分類指標，根據測試集上的評估結果，判斷模型是否達到了預期的標準。如果滿足要求，則保存模型參數并準備部署；如果不理想，則需要返回之前的某個階段重新審視數據質量、模型結構或是訓練策略等問題。

34、進一步地，相互連接的節點之間的時空特征序列例如：a設備軸承溫度突變（δt＞5℃/10s）會導致b設備潤滑泵出口壓力下降（δp＜-0.2mpa）。根據工業連接拓撲圖中的設備依賴關系（如軸承與潤滑泵的油路連接），判斷b設備潤滑不足是a設備溫升的主因，鎖定潤滑泵柱塞磨損；

35、聯合補償策略包括：

36、邊緣側：即時止損（＜10ms），例如，a設備：基于臨時補償模型，立即執行局部降載（如軋機轉速從1200rpm降至900rpm，降低摩擦熱）；b設備：基于臨時補償模型觸發潤滑泵應急模式（柱塞頻率從50hz提升至60hz，短時過載允許10分鐘）；

37、車間級：協同調整（＜5s），例如，云端通過opc?ua協議向車間控制器下發聯動策略：啟動備用潤滑泵c（30s內就緒），同時降低a設備負載至50%（避免單泵過載）；調整相鄰d設備的冷卻水流速（補償a設備降載導致的產線節拍失衡）；

38、對臨時補償模型進行模型封裝與部署，其中模型封裝與部署具體過程包括：將定制好的模型封裝成一個可執行的文件，如tensorflow?lite微模型，這種模型文件體積小（如小于100kb），適合在邊緣設備上運行，為封裝好的臨時補償模型定義接口，例如，通過mqtt協議訂閱軸承溫度的topic，實時獲取溫度數據，并將模型輸出的補償指令通過modbus協議寫入相應的寄存器，實現對工業設備的控制，最后為臨時模型設置有效期，如自動標記「有效期2分鐘」，在有效期內，模型持續運行并對設備進行補償；有效期過后，模型自動失效，避免過時的補償策略對設備造成不良影響，根據臨時補償模型對異常節點進行補償，預設補償時間閾值，當補償時間閾值內異常節點被標記為正常節點時，采集臨時補償模型的補償參數和生效數據對關聯規則知識圖譜進行更新，并根據更新后的關聯規則知識圖譜對聯合補償模型進行增量訓練，例如，新增「軸承溫升-降速補償」的關聯規則，為后續的故障診斷和處理提供更豐富的知識支持，若補償時間閾值內異常節點未被標記為正常節點，則暫停異常節點的運行，對異常節點的異構工業設備進行檢測維修。

39、進一步地，快速化響應補償模塊根據聯合補償模型進行聯合補償操作的過程包括：

40、當異常節點被標記為正常節點后，對所述正常節點以及與所述正常節點具有連接關系的其他正常節點在當前采集周期的多源類型數據進行時間特征和空間特征的提取，獲取時空特征序列，將多源類型數據和時空特征序列輸入增量訓練后的聯合補償模型，根據聯合補償模型輸出聯合補償策略。

41、進一步地，多源類型數據進行時間特征和空間特征的提取，獲取時空特征序列的過程包括：

42、提取多源類型數據對應的各類型指標的數值時序序列，將各類型指標的數值時序序列輸入時間卷積神經網絡，根據訓練后的時間卷積網絡獲取各類型指標的數值變化趨勢特征；

43、通過圖注意力網絡對工業連接拓撲圖的進行學習，將正常節點以及與正常節點具有連接關系的其他節點的各類型指標的數值變化趨勢特征導入圖注意力網絡，通過注意力機制獲取其他正常節點對目標正常節點的注意力權重，將所述注意力權重分配到各相鄰正常節點，利用鄰居聚合生成特征的聚合表示，生成多源類型數據的時空特征序列；

44、進一步地，獲取相鄰正常節點j與目標正常節點i的注意力權重的計算公式為：

45、；

46、其中，（）表示激活函數，用于引入非線性特性，表示特征向量與的拼接操作，表示一個可學習的向量，表示一個可學習的權重矩陣，表示目標正常節點i的特征向量，表示相鄰正常節點j的特征向量；

47、通過目標正常節點i及相鄰正常節點j之間注意力值與目標正常節點i及所有相鄰正常節點注意力值的總和的比值確定注意力權重，將所述注意力權重進行歸一化處理后，利用鄰居聚合機制對目標正常節點的特征進行更新表示，；

48、其中，表示目標正常節點i的最終更新表示，表示激活函數，g表示特征變換的參數矩陣，j表示相鄰正常節點項數，表示目標正常節點i的相鄰正常節點集合。

49、進一步地，臨界趨勢檢測模塊提取各個節點的若干臨界異常趨勢特征的過程包括：

50、提取歷史采集周期內節點被標記為異常節點的時刻，提取所述歷史采集周期的開始時間戳與所述時刻之間的各類型指標的數值時序序列以及關鍵指標，將關鍵指標之外的其他關鍵指標標記為非關鍵指標，將所述數值時序序列標記為臨界異常數值時序序列，將所述歷史采集周期標記為臨界異常采集周期；

51、獲取關鍵指標在臨界異常采集周期內的標準時序序列，將關鍵指標的臨界異常數值時序序列與標準時序序列進行自相關比較，獲取關鍵指標的自相關系數，對關鍵指標之間的臨界異常數值時序序列進行互相關比較，獲取關鍵指標之間的互相關系數，將關鍵指標與非關鍵指標的臨界異常數值時序序列進行互相關比較，獲取關鍵指標與非關鍵指標之間的互相關系數，根據關鍵指標的自相關系數、關鍵指標之間的互相關系數以及關鍵指標與非關鍵指標之間的互相關系數構建臨界異常趨勢特征，并提取臨界異常采集周期的臨時補償模型，將所述臨時補償模型與臨界異常趨勢特征相關聯；

52、構建趨勢特征數據庫，將各個節點的若干異常采集周期內的臨界異常趨勢特征存儲至趨勢特征數據庫中。

53、進一步地，進行自相關比較的過程包括：

54、；

55、其中，表示類型指標i的自相關系數，表示類型i在第t時刻的數值，表示類型指標i的標準時序序列在第t時刻的數值，n表示時刻總數；

56、進行互相關比較的過程包括：

57、；

58、其中，表示類型指標i與類型指標j的互相關系數；表示類型指標i在第t時刻的數值；表示類型指標i的平均數值；表示類型指標j在第t時刻的數值；表示類型指標j的平均數值。

59、進一步地，獲取各類型指標在歷史采集周期內的標準時序序列的過程包括：

60、基于深度學習構建數據預測模型，將各個節點在若干歷史采集周期內的多源類型數據作為訓練數據，利用訓練數據對數據預測模型進行訓練，獲取完成訓練后的數據預測模型，將臨界異常采集周期內的多源類型數據輸入數據預測模型，根據數據預測模型輸出各類型指標的標準時序序列。

61、進一步地，臨界趨勢檢測模塊對各個正常節點進行臨界趨勢檢測操作，并根據臨界趨勢檢測操作結果對快速化響應補償模塊進行參數下發操作的過程包括：

62、對正常節點當前采集周期內的各類型指標的數值時序序列進行趨勢特征提取，獲取正常節點當前采集周期內的趨勢特征（包括各類型指標的自相關系數以及各類型指標之間的互相關系數），根據所述趨勢特征在趨勢特征數據庫中進行檢索比較，獲取趨勢特征與若干臨界異常趨勢特征之間的相似度，若趨勢特征與臨界異常趨勢特征之間的相似度大于預設相似度閾值，則將正常節點標記為臨界預警節點，根據與臨界異常趨勢特征相關聯的臨時補償模型對臨界預警節點進行臨時補償模型的參數定制，直接略過篩選出余弦相似度最高的前k個歷史故障案例過程，隨后根據完成參數定制的臨時補償模型對臨界預警節點進行快速化響應補償操作。

63、與現有技術相比，本發明的有益效果是：

64、1、協議標注模塊構建工業連接拓撲圖并進行初始通信協議標注，使系統清晰掌握設備間的連接關系和初始協議。協議自洽模塊對各節點進行交互特征分析和自動協議匹配，能夠及時發現并解決協議異常問題，保證設備間通信的順暢和穩定。避免了因協議不兼容導致的數據傳輸中斷或錯誤，提高了系統的兼容性和可靠性。

65、2、檢測決策模塊實時檢測各個節點的多源類型數據，根據監測結果選擇執行快速化響應補償操作或臨界趨勢檢測操作，實現了對設備狀態的智能判斷和針對性處理。能夠及時發現設備的突發異常和潛在的臨界趨勢，采取相應措施，避免設備故障的發生，減少生產損失。

66、3、快速化響應補償模塊生成臨時補償模型和聯合補償模型，對異常節點進行快速化響應補償操作，并根據操作結果更新聯合補償模型。這種快速響應機制能夠在設備出現異常時迅速采取措施，降低異常對生產的影響，同時通過不斷更新聯合補償模型，提高了系統對類似異常的處理能力，增強了系統的適應性和自學習能力。

67、4、臨界趨勢檢測模塊提取各個節點的臨界異常趨勢特征，對正常節點進行臨界趨勢檢測操作，并根據檢測結果對快速化響應補償模塊進行參數下發操作。根據當前采集周期的多源類型數據生成趨勢特征，將趨勢特征在趨勢特征數據庫中進行檢索比較，并根據比較結果生成預防措施，實現了工業設備由正常狀態轉變成故障狀態前的早期故障的預測，從而在工業設備故障成熟之前采取預防措施，提高了設備的可靠性和生產的連續性。