边缘计算自动化控制方法、装置和系统

本发明涉及自动化控制，具体涉及边缘计算自动化控制方法、装置和系统。

背景技术：

1、随着工业互联网和人工智能的蓬勃发展，智能制造正在成为推动工业革命的重要引擎。智能制造利用物联网、云计算、大数据、人工智能等新一代信息技术，贯穿于设计、生产、营销、服务、管理等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能的先进制造过程、系统和模式。

2、目前，现有的云计算解决方案，将所有的数据传输到云数据中心进行计算已经很难满足工厂现场执行层面对处理性能、效率的严苛要求，为了满足工厂侧的需求，边缘计算的出现弥补了边缘侧对数据快速处理、决策快速执行的要求。

3、边缘计算是边缘计算是一种将计算和数据处理能力从传统的中心化数据中心延伸至网络边缘的计算模式。它通过在设备、传感器或智能终端等边缘节点上执行计算和数据处理，无需借助数据中心或中央数据计算环境，不需要从端点收集的数据返回到集中的数据服务进行处理和分析，相反，数据会在它们创建的相同环境中立即处理。

4、然而，尽管目前边缘计算在自动化加工设备领域取得了显著进展，但仍存在一些问题，即当边缘计算系统发生故障时，与之相连接的自动化加工设备也会受到直接影响，导致设备的故障停机率上升，这种故障引发的停机问题不仅对自动化加工设备的稳定性和可靠性造成影响，还可能导致生产计划的延误，降低了整体生产效率。

5、因此，目前亟需一种确保即使在边缘计算设备故障发生时，自动化加工设备也能够以最小的中断恢复运行，最大限度地减少停机时间，保障自动化加工设备平稳运行的自动化控制方法。

技术实现思路

1、发明目的：为了克服以上不足，本发明的目的是提供边缘计算自动化控制方法，其应用灵活，减少数据传输延迟，提高数据处理效率，能够利用边缘计算为加工数据提供实时分析和处理，提供加工设备故障预测、加工设备自动化调节，且能够在边缘计算设备出现故障时，将与之连接的加工设备分配给设定的未故障边缘计算设备，最大限度地减少加工设备的停机时间，保障自动化加工设备平稳运行。

2、为解决上述技术问题，本发明提供了边缘计算自动化控制方法，包括：

3、根据采集的加工数据，进行数据预处理，进而生成数据集；

4、采用边缘机器学习方法不断对数据集进行训练，获得修正后的边缘学习模型，包括：根据所述数据集，选择预设特征建立预设数量的决策树，对每个决策树进行独立训练，生成独立结果，进而将每份独立结果进行汇总，生成最终结果；

5、将边缘学习模型部署至边缘计算设备，进而通过边缘计算设备进行加工设备的自动化控制；

6、同时，通过边缘学习模型根据实时加工数据，预测部署的边缘计算设备是否出现故障，若是，则将故障边缘计算设备停止，同时将故障边缘计算设备连接的加工设备分配至预设区域的未故障边缘计算设备，若否，则重新根据实时加工数据，进行故障预测。

7、作为本发明的一种优选方式，在数据预处理时，所述方法还包括：

8、根据采集的加工数据，计算所述加工数据的均值和标准差；

9、根据所述均值和标准差，识别异常值：

10、outlier<μ―kσ

11、outlier>μ+kσ

12、其中，μ是均值，σ是标准差，k是倍数；

13、根据采集的加工数据，识别缺失值：

14、

15、其中，是识别的缺失值，yj是加工数据已知值，n是已知值的数量；

16、根据经过异常值和缺失值处理后的加工数据，进行归一化处理：

17、

18、其中，xi是所述加工数据的特征，min(x)是加工数据中特征的最小值，max(x)是加工数据中特征的最大值。

19、作为本发明的一种优选方式，在选择预设特征建立预设数量的决策树时，所述方法还包括：

20、在每个决策树中，对于每个节点的分裂，从数据集所有特征中随机选择预设比例的特征；

21、根据每个决策树，从原始数据集中随机选择一个数据子集；

22、根据随机选择的特征和数据子集，构建预设数量的决策树。

23、作为本发明的一种优选方式，在对每个决策树进行独立训练时，所述方法还包括：

24、选择一个节点和预设特征，计算信息增益或均分误差；

25、选择使得信息增益或均分误差最小的分裂点进行节点分裂；

26、在每个节点重复上述步骤，直至满足决策树的停止条件。

27、作为本发明的一种优选方式，在对每个决策树进行独立训练后，所述方法还包括：

28、将所有独立训练后的决策树集成，形成随机森林；

29、对每个决策树输入测试数据，形成每个决策树的独立结果；

30、根据所有的独立结果，采用预设机制生成最终结果。

31、作为本发明的一种优选方式，在将故障边缘计算设备连接的加工设备分配至预设区域的未故障边缘计算设备时，所述方法还包括：

32、将故障边缘计算设备连接的加工设备分配至预设区域的未故障边缘计算设备；

33、所述未故障边缘计算设备将计算资源均分，分别用于源连接的加工设备和接管的加工设备。

34、作为本发明的一种优选方式，在将故障边缘计算设备连接的加工设备分配至预设区域的未故障边缘计算设备后，所述方法还包括：

35、实时监测接管加工设备的边缘计算设备的负载和性能状况；

36、根据实时监测结果，动态调整计算资源的分配，以确保源连接的加工设备和接管的加工设备处于正常运行状态。

37、作为本发明的一种优选方式，在边缘学习模型部署至边缘计算设备后，所述方法还包括：

38、每隔预设时间将边缘学习模型的结果记录上传至云端服务器；

39、在边缘计算设备处于空闲或计算资源低于预设占比时，下载云端服务器优化后的边缘学习模型，进而根据优化后的边缘学习模型，为边缘计算设备提供优化。

40、本发明还提供一种边缘计算自动化控制装置，其特征在于，包括：

41、加工设备，用于自动化加工零部件；

42、边缘计算设备，与至少一个加工设备相连接，用于处理本地数据；

43、传感器单元，包括温湿度传感器、压力传感器、接近传感器、图像传感器和振动传感器中的一种或多种，通过温湿度传感器获取加工设备的环境温湿度值，通过压力传感器获取加工设备与加工相关的压力数据，通过接近传感器获取加工设备与加工相关的距离数据，通过图像传感器获取加工设备与加工相关的图像数据，通过振动传感器获取加工设备与加工相关的振动数据；

44、控制单元，包括：

45、数据处理模块，用于根据采集的加工数据，进行数据预处理，进而生成数据集；

46、模型训练模块，用于采用边缘机器学习方法不断对数据集进行训练，获得修正后的边缘学习模型，包括：根据所述数据集，选择预设特征建立预设数量的决策树，对每个决策树进行独立训练，生成独立结果，进而将每份独立结果进行汇总，生成最终结果；

47、设备控制模块，用于将边缘学习模型部署至边缘计算设备，进而通过边缘计算设备进行加工设备的自动化控制；

48、状态判断模块，用于通过边缘学习模型根据实时加工数据，判断边缘计算设备的状态；

49、设备分配模块，用于将故障边缘计算设备停止，同时将故障边缘计算设备连接的加工设备分配至预设区域的未故障边缘计算设备，且为边缘计算设备通过计算资源动态分配；

50、数据收发模块，用于上传或下载数据。

51、本发明还提供一种边缘计算自动化控制系统，包括所述的边缘计算自动化控制装置，还包括：

52、云端服务器，其与所述的边缘计算自动化控制装置相连接，用于云端的数据处理和存储。

53、本发明的上述技术方案相比现有技术具有以下优点：

54、1、通过传感器单元收集的加工设备运行数据，对运行数据的实时分析和处理，能够提前发现设备故障，从而最大限度地减少加工设备的停机时间，提高生产效率；

55、2、通过实时监测和检测边缘计算设备状态，能够快速响应并处理故障边缘计算设备，将故障边缘计算设备的任务分配给未故障边缘计算设备，避免由于故障导致加工任务中断或延迟，以此提高整体系统的可用性、连续性和稳定性；

56、3、通过动态调整计算资源的分配，系统能够在运行时根据不同任务的负载情况进行均衡分配，这有助于避免资源过载和提高边缘计算环境的效率；

57、4、通过实时监测和调整，提高自适应性和弹性，能够适应不同工作状态变化，提高了系统对动态环境的适应能力。