一种基于信息平台的动态数据迁移方法与流程

本发明涉及数据迁移处理分析，尤其涉及一种基于信息平台的动态数据迁移方法。

背景技术：

1、动态数据迁移方法是指在系统运行过程中，根据实时需求和变化的业务条件，动态地将数据从一个地方移动到另一个地方的一种数据管理策略。这种迁移可以发生在同一系统内的不同存储位置之间，也可以涉及到跨系统或跨网络的数据传输。

2、动态数据迁移在不同场景中有着广泛的应用，尤其在大规模数据处理和分布式系统中具有重要意义。自动化工厂的动态数据迁移中，通常涉及大量实时数据、生产数据和设备数据，但是，这些数据在迁移过程中仍存在一些问题，没有对监测数据进行数据整合和精准分析，导致自动化工厂数据迁移的整体状态不稳定，可能会对整个动态数据迁移过程造成影响，并且数据迁移风险较大。为此,本发明提出了一种基于信息平台的动态数据迁移方法，获取相关参数定义不同属性权重，划分监测节点获取不同属性数据，联立属性权重计算得到属性评估系数，判断自动化工厂的数据迁移状态，根据危害度量值和故障频率的相关性建立非线性回归方程，并获取预警指数，分析自动化工厂的动态数据迁移风险程度，该方法利于数据迁移过程的可控性和灵活性的提高，从而更精准地了解动态数据迁移状况，并采取相应的维护和调整措施，确保动态数据在迁移过程中的可靠性和一致性。

技术实现思路

1、本发明的目的是为了解决背景技术中的问题，而提出的一种基于信息平台的动态数据迁移方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于信息平台的动态数据迁移方法，包括：

4、步骤一、对自动化工厂的生产设备和传感器实时产生的数据进行数据生成，获取相关参数，并结合所有参数定义不同属性权重；

5、步骤二、基于生成的数据划分监测节点采集整合，从而获取第一属性数据、第二属性数据以及第三属性数据；

6、步骤三、将采集到的各节点属性数据传输至目标位置，并存储数据库中；

7、步骤四、联立所有属性权重对各个参数进行加权计算，得到属性评估系数，并判断自动化工厂的数据迁移状态，同时获取待检验属性数据；

8、步骤五、通过对历史数据的分析，计算获取危害度量值和故障频率；

9、步骤六、根据危害度量值和故障频率的相关性建立非线性回归方程，并获取预警指数；结合预警指数的计算结果分析自动化工厂的动态数据迁移风险程度，并划分不同的预警级别；

10、步骤七、根据处理后获取的待检验属性数据对风险预测指数的计算模型进行判定验证。

11、需要说明的是，本发明实施例中一种基于信息平台的动态数据迁移方法的应用对象可以为某自动化工厂的动态数据迁移的监测，具体的可以为监测自动化工厂的动态数据迁移状态和数据迁移的风险程度；对于自动化工厂的生产设备和传感器产生大量实时数据，当监测的实时数据发生异常时，动态数据迁移可能会受到影响，因此需要实时监控，并进行预测性维护，以降低数据迁移带来潜在的风险。

12、进一步的，获取自动化工厂的所有参数，其中，自动化工厂参数包括温度、湿度、压力、速度、电压以及电流参数；

13、通过数据生成源将所述所有参数进行数字化处理分析，其中，数据生成源包括温度传感器、湿度传感器、压力传感器以及速度传感器；

14、定义第一属性权重w1、第二属性权重w2以及第三属性权重w3；其中，第一属性权重包括温度和湿度，第二属性权重包括压力和速度，第三属性权重包括电流和电压；

15、需要说明的是，为了对这些数据进行整体分析，引入属性权重来衡量各个参数对于设备状态的重要性，确保数据的准确性和实时性。

16、进一步的，将实时数据从生产设备和传感器中收集并整合，按照时间划分若干监测节点i，i＝1，2，3，……，o；o为正整数；

17、提取每个监测节点收集的生产设备和传感器的实时数据；

18、将每个监测节点生成的数据按照监测类型标记为属性数据sij，j＝1，2，3；其中，j分别表示不同监测节点属性数据的属性类型包括第一属性、第二属性以及第三属性；sij分别表示不同监测节点的第一属性数据、第二属性数据以及第三属性数据；

19、其中，监测节点的划分是为了更有针对性地进行数据分析和监控，其关键是将监控生产过程中关键参数的不同时间点作为监测节点，以便实现有目的性的监测和分析，有利于迅速了解生产过程中各个监测节点的状态，及时发现异常情况并采取相应的措施；每个监测节点代表一个时间点，有助于对不同时间段的数据迁移状态进行监测和全方位考量。

20、进一步的，联立属性权重w1、w2以及w3对各个参数进行加权计算，得到属性评估系数ri；其中，属性系数的计算公式如下：

21、式中，w1、w2以及w3分别表示第一属性权重、第二属性权重以及第三属性权重；max(si1)、max(si2)、max(si3)分别表示在监测点节点i时第一、二、三属性的实时数据最大值；

22、其中，上式分母中的max(si1)、max(si2)、max(si3)用于对属性数据进行归一化，确保各属性的权重能在同一尺度上进行比较；这样设计可以充分考虑各个属性对数据迁移状态的不同贡献，而归一化操作有助于消除量纲的影响；

23、设置属性评估系数临界阈值范围(r0，r1),r0<r1；

24、根据属性评估系数对不同监测节点的数据迁移状态进行综合评估；

25、基于综合评估结果获取待检验属性数据。

26、进一步的，根据属性评估系数对不同监测节点的数据迁移状态进行评估，并获取待检验属性数据的步骤包括：

27、将属性评估系数ri与阈值r0和r1进行比对分析，若ri＜r0，则确认数据迁移状态最佳，并将该属性评估系数对应的属性数据标记为稳定数据迁移状态；

28、若r0≤ri＜r1，则确认数据迁移状态一般，并将该属性评估系数对应的属性数据标记为基本稳定数据迁移状态；

29、若r1≤ri＜r1*y，y为0-100的实数，则确认数据迁移状态较差，并将该属性评估系数对应的属性数据标记为欠稳定数据迁移状态；

30、若r1*y≤ri，则确认数据迁移状态最差，并将该属性评估系数对应的属性数据标记为不稳定数据迁移状态；

31、由标记的欠稳定数据迁移状态和不稳定数据迁移状态对应的属性实时数据构成待检验属性数据；

32、需要说明的是，稳定数据迁移状态和基本稳定数据迁移状态表示在相应监测节点时数据迁移状态良好或较好；欠稳定数据迁移状态和不稳定数据迁移状态表示在相应监测节点时存在较严重或严重的数据迁移状态异常；这种分类和标记方法有助于及时发现问题，提高动态数据迁移的稳定性和可靠性；

33、本发明实施例中，属性评估系数作为评估数据迁移状态的指标，是一种用于衡量数据迁移质量、准确性和稳定性的量化参数。该参数通常是根据一定的权重分配和计算公式得出；在评估数据迁移状态时，不同属性可能对整体状态产生不同的影响，因此，需要为每个属性分配权重，反映其在评估中的相对重要性；属性评估系数是根据权重分配和属性值计算而得，其计算公式可能涉及到加权求和、归一化或其他数学运算，以获得一个表示整体数据迁移状态的综合指标；为了将属性评估系数映射到状态的不同级别，通常需要设定阈值，根据阈值划分状态为稳定、基本稳定、欠稳定和不稳定等级，使评估更具有实际意义；通过属性评估系数，量化地评估在数据迁移过程中每个属性对整体状态的贡献，并对自动化工厂的数据迁移状态进行更为详细和全面的分析，从而更精准地了解动态数据迁移状况，并采取相应的维护和调整措施，确保动态数据在迁移过程中的可靠性和一致性。

34、进一步的，对收集到的历史数据进行修复，获取历史样本数据；

35、其中，修复的目的是为了将原始数据转化为提供模型训练的数据，要检查每个变量是否有缺失值、离群值或异常值，还应评估每个变量的分布，数据修复包括包括数据清理、数据转换、数据丢失处理等；

36、利用自动化设备的历史样本数据，提取各属性的关键特征；

37、将自动化设备存在故障的故障点按照不同属性故障进行整理归类，设立不同属性故障的标记gl，其中，l表示自动化设备故障的不同属性；

38、为不同属性的历史样本数据设定标准值gl0；

39、其中，设定的标准值作为对比基准，用于后续危害度量值的计算；

40、对不同属性的历史样本数据与设定的标准值进行比较，计算危害度量值wh；其中，计算方式如下:

41、式中，n为样本数量，glk为第k个历史样本的属性值；

42、通过对危害度量值的分布规律进行分析，识别出危害度量值的临界阈值wcritical；

43、将危害度量值wh大于危害度量值的临界阈值wcritical的数值进行标记；

44、其中，危害度量值是指对自动化设备的不同属性故障进行评价和量化的指标；针对自动化设备的历史样本数据，通过对数据的处理和分析，提取出不同属性的特征信息；将不同属性的故障进行分类，例如第一属性故障、第二属性故障以及第三属性故障；为每个属性设定标准值，即正常运行状态下该属性的期望数值；使用历史样本数据与标准值的比较，计算每个属性的危害度量值；危害度量值反映了该属性在历史数据中偏离正常状态的程度，是衡量设备故障状态的一个关键指标，它不仅能够反映设备各属性的健康状况，还通过分析历史数据的分布规律，为后续建立非线性回归方程提供依据；

45、针对每个故障点，通过对历史样本数据的时间序列进行分析，统计故障频率f；

46、需要注意的是，分析历史样本数据的时间序列，并统计故障频率的步骤包括：首先进行数据准备，获取历史样本数据，确保数据包含设备状态、故障发生时间等关键信息和数据时间戳的准确性；根据故障发生时间信息构建时间序列，其中时间序列是将数据点按照时间顺序排列的一种数据结构；确定时间序列中的时间间隔，由此决定统计故障频率的粒度，可根据数据的特性和需求选择合适的时间间隔，如每天、每周、每月等；针对每个时间间隔，统计该时间段内发生故障的次数，得到故障频率，可使用以下公式计算：f＝故障次数/总时间段数；利用统计得到的故障频率数据，绘制时间序列图表，以直观展示故障频率的变化趋势，时间序列图表可以帮助识别故障的周期性或趋势性。

47、进一步的，根据标记过的危害度量值wh和故障频率f的历史数据建立非线性回归方程；由非线性回归方程计算得出风险预测指数yc；其中，yc＝a*ln(wh)+b*ln(f)+c；式中，a、b以及c为回归系数；

48、将风险预测指数分为若干区间，每个区间对应一个风险预测级别；

49、将风险预测指数与预设的风险预测区间进行匹配，当风险预测指数小于风险预测区间的最小值，则生成一级风险信号；当风险预测指数不小于风险预测区间的最小值且不大于风险预测区间的最大值，则生成二级风险信号；当风险预测指数大于风险预测区间的最大值，则生成三级风险信号；

50、针对不同的风险预测级别，设定相应的风险预测提示信息，对于一级风险信号，风险预测提示动态数据迁移存在风险，并上传记录；对于二级风险信号，风险预测提示动态数据迁移风险较高，并及时检查维护；对于三级风险信号，风险预测提示动态数据迁移处于高风险状态，并立即停止操作；

51、通过以上步骤，建立了基于历史样本数据的故障分析与风险预测维护方法；该方法综合考虑了不同属性的危害度量值和故障频率，通过非线性回归方程实现了对自动化工厂的动态数据迁移的总体考核和风险预测，同时清晰地反映了数据迁移状态的稳定性和可能存在的风险。

52、进一步的，获取待检验属性数据对应的属性评估系数r待检验i；

53、将获取到的属性评估系数r待检验i代入风险预测指数yc的计算模型中；

54、根据计算分析得到的风险预测指数yc判断该数据迁移状态，并与实际状况进行比对判定；

55、定期对风险预测模型的性能进行全局考察，并根据实际情况调整风险预测模型的参数；

56、其中，通过对风险预测指数的计算模型进行判定验证，实现对数据迁移状态的实时监控和及时反馈，确保其与实际数据迁移状态的变化保持一致，有助于提前发现潜在问题，采取相应措施确保数据迁移的稳定性。

57、与现有的技术相比，本发明提供了一种基于信息平台的动态数据迁移方法的优点在于：

58、1、本发明通过对自动化工厂的生产设备和传感器实时产生的数据进行数据生成，获取相关参数，并结合所有参数定义不同属性权重；基于生成的数据划分监测节点采集整合，从而获取第一属性数据、第二属性数据以及第三属性数据；可以更有针对性地进行数据分析和监控，迅速了解生产过程中各个监测节点的状态，及时发现异常情况并采取相应的措施；

59、2、本发明通过联立属性权重w1、w2以及w3对各个参数进行加权计算，得到属性评估系数，并判断自动化工厂的数据迁移状态，同时获取待检验属性数据；通过对历史数据的分析，计算获取危害度量值和故障频率；更精准地了解动态数据迁移状况，为建立非线性回归方程提供依据；

60、3、本发明通过根据危害度量值和故障频率的相关性建立非线性回归方程，并获取预警指数；结合预警指数的计算结果分析自动化工厂的动态数据迁移风险程度，并划分不同的预警级别；实现了对自动化工厂的动态数据迁移的综合评估和风险预测，同时清晰地反映了数据迁移状态的稳定性和可能存在的风险。

61、综上所述，本发明可以根据实际情况，对风险预测指数的计算模型进行判定验证，实现对数据迁移状态的实时监控和及时反馈，通过全面的数据分析，有助于增强数据的可靠性和可用性，确保后续基于信息平台的动态数据迁移方法的正常实行。