[0001] 本发明涉及物联网数据监督技术，具体涉及一种基于工业现场数据的物联网监督系统。

[0002] 在现代的工业流程中，建立准确可靠的工业现场数据在早期规划中起着至关重要的作用。性能与质量是提供有工业现场数据的关键问题，随着工业生产的发展，使用某些事件的概率较低或者受物理限制导致部分数据的获取成本较高，导致工业现场数据的收集出现匮乏的问题，严重制约了数据获取的成本的问题。工业产品的质量监督在工业生产的过程中是一项非常重要的流程，在工业生产中，通过传感器、工业软件、信息技术能获取许多与质量相关的数据，通过充分利用这些信息可以有效的在生产过程中遇到的问题进行及时预警，降低不良产品的比例，并避免加工原材料的浪费，从而提高产品的收益，在制造的过程中，随着材料、装配、加工工序等数据的改变，并由于受制造设备、生产环境等各种因素的影响，都会产生不同的产品质量问题，所以需要使用一种机器学习的方式通过工业现场数据检测工业产品在加工过程中产生的异常。

[0003] 申请号为：CN202211267230.5的发明公开了一种基于区块链的工业互联网数据安全管控系统，工业数据输入模块、工业数据加密模块、区块链服务器上传模块和数据备份保护模块，工业数据输入模块用于：将所需保护的工业数据依次输入至电脑内部，并根据工厂内的实际使用环境进行分类，然后将分类后的数据整合为一体文件。

[0004] 但是，上述现有技术中，在工业数据的收集过程中未进行预处理，因此对数据分类不能达到准确性，以及工业数据的安全问题并不能得到良好的保障，且在工业数据出现异常的情况下不能准确的监测出来并进行定位。

[0005] 为了解决这一问题，本发明提出了一种基于工业现场数据的物联网监督系统。

[0050] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

[0051] 本发明实施例提供了一种基于工业现场数据的物联网监督系统，包括[0052] 参照图1，数据收集模块，用于收集工业现场数据并进行预处理，将预处理得到的精准的工业现场数据存储到数据库中；

[0053] 异常检测模块，用于检测工业现场数据中的异常数据，获取数据库中的工业现场数据，物联网监督系统将工业现场数据进行分类处理，检测工业产品在加工过程中存在的异常状态；

[0054] 监督定位模块，用于定位异常数据，通过预设混淆矩阵与评价指标查找工业现场数据中的异常变量并进行输出，定位异常变量在工业现场数据中的所属类别；

[0055] 问题推测模块，用于对工业产品存在的质量问题进行推测，通过产品抽检对工业产品进行质检并由在线评审专家对产品参数进行评选。

[0056] 在另一实施例中，所述数据收集模块，包括：

[0057] 数据学习单元，用于对工业现场数据进行训练，构建集成学习模型，获取由物联网监督系统收集的工业现场数据，在集成学习模型中预设有若干个不同类型的学习器，根据工业现场数据使用对应类型的个体学习器进行训练，训练内容包括弥补工业现场数据由于测量不准带来的误差，最终得到训练后的数据集；

[0058] 样本生成单元，用于检测并解决数据集的质量问题，获取集成学习模型中的数据集作为样本，计算样本中信息的特征分布，根据特征分布对数据集进行数据扩充，数据扩充包括检测学习模型并解决内部数据集中存在的质量问题，最终将检测符合特征条件的工业现场数据形成验证集存储到物联网监督系统的数据库中。

[0059] 在另一实施例中，所述样本生成单元，包括：

[0060] 数据确定子单元，用于确定验证集的生成方法，构建样本生成模型，获取集成学习模型中的数据集，根据数据集的特征分布在样本生成模型中预设对应的验证集生成方法，使用生成方法生成验证集；

[0061] 数据评价子单元，用于对样本生成模型进行性能差异评价，确定样本生成模型所需的验证集并预设评价规则，使用数据扩充的方式对样本生成模型的作用效果以及验证集生成方法进行完善，使用评价规则对样本生成模型进行性能差异评价，根据评价结果将验证集中标准的工业现场数据存储到数据库中。

[0062] 上述技术方案的工作原理为：本实施例采用的方案是，使用机器学习的方式在物联网监督系统中利用神经网络构建集成学习模型以及样本生成模型。其中集成学习模型用于物联网监督系统收集工业数据，在集成学习模型中分别预设有若干个个体学习器用于在收集不同的工业数据后进行训练，用于对集成学习模型的性能进行强化，并且各个学习器之间进行性能互补，主要弥补由工业数据测量不准确带来的误差，最终形成集成学习模型。将集成学习模型中的工业数据根据不同数据类型分为若干个数据集。

[0063] 样本生成模型用于解决集成学习模型中数据集的质量问题。通过学习数据集中所携带的样本信息，产生符合条件的样本分布和特征的虚拟样本作为验证集，并对数据集中的样本进行扩充，将扩充后的数据存放到物联网监督系统的数据库中。在工业现场数据样本的生成流程中，包括以下步骤：

[0064] S10，获取数据集，并根据数据的特征分布选择合适的验证集生成方法；

[0065] S20，使用预设的方法将筛选出合适的验证集；

[0066] S30，确定样本生成模型所需的最佳工业现场数据样本的数量；

[0067] S40，评价使用数据扩充的方式对样本生成模型的作用效果和样本生成方法的性能差异。

[0068] 上述技术方案的有益效果为：采用本实施例提供的方案，通过构建集成学习以及样本生成模型，便于对工业现场数据进行收集，并进行预处理操作，使工业现场数据更加容易被监督，提高了数据收集的精准性。

[0069] 在另一实施例中，所述异常检测模块，包括：

[0070] 数据分类单元，用于对工业现场数据进行分类，获取数据库中的工业现场数据，物联网监督系统将工业现场数据进行分类并通过定义不同的标签对不同的数据类型使用编码进行唯一标识，数据类型包括壳体上料、产品装配、组件上料以及产品喷涂；

[0071] 离线训练单元，用于构建不同类型工业现场数据的模型，对工业现场数据进行离线训练，根据唯一标识获取每种不同类型的工业现场数据作为训练样本数据；构建工业产品在生产过程中由训练样本数据组成的物联网模型，根据数据类型的不同包括壳体上料子模型、装配子模型、组件上料子模型以及喷涂子模型。

[0072] 在另一实施例中，所述异常检测模块，还包括：

[0073] 在线监测单元，用于对工业产品加工过程中产生的工业现场数据进行实时处理，收集工业产品在加工过程中产生的实时工业数据作为过程样本，在工业产品加工过程中每完成一道工序，则将加工过程中产生的过程样本数据输入到物联网模型中与训练样本数据进行对比计算；

[0074] 异常计算单元，用于监测物联网模型中的异常变量，获取物联网模型的对比计算结果，预设物联网模型的偏差阈值，当计算的偏差大于偏差阈值时，则判定当前工业产品在加工过程中出现异常并发出异常信号；物联网监督系统接收异常信号后，对物联网模型中的每个子模型中的变量进行异常权值计算，权值最大的则为异常变量，并将异常变量进行输出。

[0075] 上述技术方案的工作原理为：本实施例采用的方案是，工业产品的质量监督在工业生产的过程中是一项非常重要的流程，在工业生产中，通过传感器、工业软件、信息技术能获取许多与质量相关的数据，通过充分利用这些信息可以有效的在生产过程中遇到的问题进行及时预警，降低不良产品的比例，并避免加工原材料的浪费，从而提高产品的收益，在制造的过程中，随着材料、装配、加工工序等数据的改变，并由于受制造设备、生产环境等各种因素的影响，都会产生不同的产品质量问题，所以需要使用一种机器学习的方式通过工业现场数据检测产品在加工过程中产生的异常。

[0076] 在异常检测的过程中，分为离线训练与在线检测两部分，获取数据库中的工业现场数据作为训练样本，分别构建工业产品在生成过程中的物联网模型，即包括壳体上料子模型、装配子模型、组件上料子模型以及喷涂子模型。而在线监测部分用于实时处理在加工过程中产生的工业现场数据作为过程样本，在每次完成一道工序后，就将该工位产生的实时数据传入对应的模型的物联网中进行计算，当计算的偏差大于模型设定的阈值时，则认为该产品加工过程出现异常。物联网监督系统判定当前加工状态出现异常后，还需要计算每个变量的异常权值，异常权值最大的则为异常变量，由此可以得出，该异常变量是导致此次异常加工状况的问题关键所在。

[0077] 上述技术方案的有益效果为：采用本实施例提供的方案，通过对工业现场数据进行分类，并根据类型的不同构建物联网模型用于对不同类型的工业现场数据进行数据异常计算，有利于对工业现场数据的监督工作。

[0078] 参照图2，在另一实施例中，所述监督定位模块，包括：

[0079] 矩阵监测单元，用于预设混淆矩阵对物联网模型的计算效率进行评估，混淆矩阵包括真阳性、真阴性、假阳性以及假阴性；

[0080] 指标计算单元，用于预设评价指标衡量物联网模型的监测能力，评价指标包括召回率、准确率以及误判率；召回率为定义物联网模型的加工出现异常的次数与实际加工异常出现的次数的比值；准确率为定义物联网模型中检测结果正确的样本占样本总数的比值；误报率为定义物联网模型误判加工异常的次数与实际正常运行次数的比值；

[0081] 异常定位单元，用于定位出现异常的具体工业现场数据所属类别。

[0082] 上述技术方案的工作原理为：本实施例采用的方案是，获取异常变量，对异常数据进行数据测试并评估，分别包括混淆矩阵、准确率、召回率以及误报率，其中混淆矩阵中包括四个评估概念，真阳性、真阴性、假阳性、假阴性。其中真阳性包括当前工业产品在加工过程中有异常，并且物联网模型判定工业产品在加工过程中出现异常；真阴性表示工业产品在加工过程中没有异常，并且物联网模型判定工业产品在加工过程中没有出现异常；假阳性表示工业产品在加工时没有异常，但是物联网模型在判定过程中出现异常；假阴性表示工业产品在加工过程中出现异常，但是物联网模型判定没有异常。

[0083] 对于工业现场数据的监测定义了四个指标，分为召回率、准确率以及误报率，其中召回率用于定义物联网模型的加工出现异常的次数与实际加工异常出现的次数的比值，并且可以衡量异常检测的能力；准确率用于定义物联网模型中检测结果正确的样本占样本总数的比值；误报率用于定义物联网模型误判加工异常的次数与实际正常运行次数的比值。

[0084] 上述技术方案的有益效果为：采用本实施例提供的方案，通过使用矩阵监测以及异常定位，使工业现场数据中的误差可以更好的被查验，提高工业现场数据收集的准确性。

[0085] 在另一实施例中，所述异常定位单元，包括：

[0086] 异常检测子单元，用于在物联网模型中选取测试异常数据的参数，在物联网模型中设置若干个检测点并设置检测参数，工业产品中的工业现场数据在每经过一个检测点时，需要进行一次异常检测并进行异常定位，获取异常定位的准确率平均值绘制曲线，最终得到最佳的物联网检测参数；

[0087] 定位计算子单元，用于计算异常检测的准确值，分别获取物联网模型中子模型异常检测的结果，构建神经网络，将每一项工业现场数据作为一个神经元在神经网络中进行训练，异常数据的检测准确率根据神经元数目的增多而提高，根据神经元在神经网络中的波动，通过连续计算异常检测的准确值定位异常数据的具体位置。

[0088] 上述技术方案的工作原理为：本实施例采用的方案是，异常定位的准确率为异常定位的正确的次数与实际加工异常出现次数的比例衡量，用于衡量异常定位能力。为了实现产品的加工的在线状况，产品在经过每一个检测点时，就需要接收一次异常检测，通过不同的迭代次数、不同神经元数目的条件下，进行若干次异常检测，取异常定位的准确率的平均值绘制曲线，对每个检测点进行了多方面的性能评估，从中选出性能最佳的参数作为最终实际生产的物联网模型参数。

[0089] 分别获取壳体上料子模型、装配子模型、组件上料子模型以及喷涂子模型性能测试的结果，由于传入不同检测点的数据维度不同，因此参与训练的神经元数据也不同。由于参与训练的神经元数据越多，物联网模型的准确率就越高，但随着物联网模型的敏感度上升，模型就越容易对非异常数据做出误判，误判率随着神经元的数目增加并出现上升趋势。并且由于数据的不同特征也会影响到模型的性能，当数据波动较小时，定位准确率更依赖于神经元的数目，神经元数目越多，异常定位准确越高，异常数据波动较大时，异常变量就更容易定位，物联网模型的子模型在选择了合适的神经元数据时，异常检测的准确率就在百分之八十以上，误差率的平均值在百分之九十以上，由此可知，异常检测方法具有较好的异常检测能力。

[0090] 上述技术方案的有益效果为：采用本实施例提供的方案，通过进行异常检测，快速的得出工业现场数据在检测过程中产生的误差，并及时进行矫正。

[0091] 在另一实施例中，所述问题推测模块，包括：

[0092] 产品抽检单元，用于对工业产品生成后进行抽检，工业现场数据在每次输入至物联网监督系统中生成参数日志数据，同时随机获取若干个工业现场数据进行质量抽检得到抽检数据；获取工业产品的生产时间、生产工序、工艺参数、生产用料作为产品参数；构建质量检测模型，用于通过抽检数据与产品参数对工业产品在工业现场数据测量时得到质量问题进行预测；

[0093] 用户需求单元，用于根据用户需求生成工业产品，根据用户需求设置工业产品在生产过程中的设置参数，物联网监督系统向用户提出推荐参数供用户参考；在工业产品制作工程中，由物联网监督系统实时采集工业现场数据进行监督；由物联网监督系统中的在线评审专家对工业产品中的参数进行评选分析，并给出产品风险预估。

[0094] 上述技术方案的工作原理为：本实施例采用的方案是，工业现场数据在每次输入数据库后在物联网监督系统中生成参数日志数据，同时随机获取若干个工业现场数据进行质量抽检的得到抽检数据，获取工业产品的生产时间、生产工序、工艺参数、生产用料作为产品参数。构建质量检测模型，用于对工业产品在工业现场数据测量时得到质量问题的推测。

[0095] 根据用户要求设置工业产品生产过程中需要设置的参数，物联网监督系统向用户提出推荐参数供用户进行参考。在工业产品的制作过程中，物联网监督系统全程采集工业现场数据，并实时监督采集到数据的准确率。在工业产品生产完成后，由专家对工业产品中的参数进行评选，分析工业现场数据进行问题预测并给出产品风险测评以便于用户知悉。

[0096] 上述技术方案的有益效果为：采用本实施例提供的方案，根据用户的需求生成工业产品，并由专家进行性能评价，既满足了用户需求由让用户在安全可靠的情况下生产出符合条件的工业产品。

[0097] 参照图3，在另一实施例中，问题推测模块之后，还包括：

[0098] 数据加密模块，用于对物联网监督系统中的工业现场数据进行加密，在物联网监督系统中预设一种对实时监测到的工业现场数据实施加密的加密方案，获取工业现场数据中不同数据类型携带的唯一标识，并针对不同的数据类型生成随机密钥对后向物联网监督系统发送加密请求；

[0099] 数据保护模块，用于限定物联网监督系统对随机密钥对进行唯一解密，物联网监督系统接收加密请求并获取随机密钥对，根据工业现场数据的数据类型预设解密方案，且解密方案中携带有加密请求的时间戳，最终生成解密密钥用于对工业现场数据的加密进行唯一解密；

[0100] 数据备份模块，用于对工业现场数据进行备份，在工业现场数据输入到数据库后，数据库同时对工业现场数据进行备份，在对工业现场数据进行操作时，备份数据不做修改。

[0101] 在另一实施例中，所述数据保护模块，包括：

[0102] 用户登录单元，用于用户登录物联网监督系统，用户在物联网监督系统中进行注册，构建用户信息库，物联网监督系统根据用户提供的个人信息自动生成唯一编码作为用户的登录账号，并将唯一编码存储到用户信息库中；

[0103] 权限查看单元，用于用户请求查看工业现场数据的权限，用户在登录物联网监督系统后，向数据收集模块发送获取工业现场数据的请求，并通过请求获取解密密钥获取工业现场数据的查看权限；

[0104] 实施监督单元，用于用户对现场工业数据的采集进行监督，用户在获取工业现场数据后，进行实施监督与管控，分析工业现场数据在采集的过程对工业产品的生产造成的影响。

[0105] 上述技术方案的有益效果为：采用本实施例提供的方案，通过对物联网监督系统中的工业现场数据进行加密，保护了数据不被泄露，使用人工的方式对的人工现场数据进行监督，使数据的得到了更加精确的监测与管控。

[0106] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。