行業(yè)資訊

物聯(lián)網(wǎng)數據分析體系建設

1.“Cloud-edge-end”架構在用于下一代信息基礎設施的物聯(lián)網(wǎng)架構中,數據處理和基于數據的智能服務(wù)變得越來(lái)越重要。在過(guò)去的兩年里,出現了一個(gè)名為“邊緣計算”的熱詞,這意味著(zhù)簡(jiǎn)單的計算和分析過(guò)程需要更貼近終端設備,以確保數據數據的實(shí)時(shí)處理。它還降低了數據傳輸的風(fēng)險。最近,出現了一個(gè)新的熱門(mén)詞,稱(chēng)為“云端協(xié)作”。其含義與邊緣計算沒(méi)有太大區別。它只強調“云端到端”的架構。終端負責全面感知,邊緣負責本地數據。分析和推理,而云收集所有邊緣感知數據,業(yè)務(wù)數據和互聯(lián)網(wǎng)數據,以完成行業(yè)和行業(yè)的態(tài)勢感知和分析。 
 
基于A(yíng)I的智能服務(wù)貫穿云端端架構。在傳感終端中,AI技術(shù)旨在提高綜合感知的靈敏度,準確性和人機交互以及對象交互。通過(guò)芯片實(shí)時(shí),也簡(jiǎn)單的邏輯推理。 
 
在邊緣,AI技術(shù)主要負責收集域中的本地數據和相關(guān)業(yè)務(wù)數據,完成感知數據的分析和推理,并將相關(guān)的分析結果或模型傳輸到感應終端實(shí)現感知。終端與邊緣云之間的協(xié)作,同時(shí),邊緣云和邊緣云也可以通過(guò)網(wǎng)絡(luò )共享數據,資源,算法等,完成邊緣云之間的相互協(xié)作。 
 
在云端,不僅需要提供與云計算相關(guān)的存儲,計算,網(wǎng)絡(luò ),邊緣云等安全資源,還需要收集和整合所有數據,提供基于全局數據的智能服務(wù),包括智能調度,運營(yíng)和維護,宏觀(guān)決策等。 
云中心專(zhuān)注于全球,非實(shí)時(shí),長(cháng)周期大數據處理和分析,并可在長(cháng)期維護中發(fā)揮優(yōu)勢,商業(yè)決策支持等領(lǐng)域。
邊緣計算更適合于本地,實(shí)時(shí),短周期的數據處理和分析,并且可以更好地支持實(shí)時(shí)智能決策和本地服務(wù)的執行。邊緣計算和云中心是互補和協(xié)同的。邊緣云協(xié)作將放大邊緣計算和云計算的應用價(jià)值:邊緣計算接近執行單元,它是云所需的高價(jià)值數據的獲取和初步處理單元。云支持云應用;相反,通過(guò)大數據分析和處理優(yōu)化輸出的云計算的業(yè)務(wù)規則或模型可以被傳遞到邊緣,并且邊緣計算基于新的業(yè)務(wù)規則或模型。 
 
除了邊緣云協(xié)作,云互聯(lián)和云網(wǎng)絡(luò )融合也成為重要趨勢,指的是云中心之間的互聯(lián)和共享,包括動(dòng)態(tài)調整服務(wù)資源,合理分配計算資源和定制。業(yè)務(wù)互操作性等
 
2,物聯(lián)網(wǎng)中的知識地圖
 
上面說(shuō)人工智能是通過(guò)“云端”整體架構,關(guān)于物聯(lián)網(wǎng)中的人工智能和知識地圖,我認為有幾點(diǎn):
 
語(yǔ)義對象#所謂的語(yǔ)義對象關(guān)聯(lián)是通過(guò)語(yǔ)義建模建立一套標準的物聯(lián)網(wǎng)語(yǔ)義,并具有對象的屬性,狀態(tài),動(dòng)作和能力的標準規范,可以實(shí)現對象。描述,分析,注冊,訪(fǎng)問(wèn)和識別以解決諸如對象是什么,在哪里以及如何使用等問(wèn)題。 
 
圖使能能##;所謂的地圖啟用是建立一個(gè)語(yǔ)義網(wǎng)絡(luò ),一個(gè)類(lèi)似于知識地圖的能力圖,實(shí)現各種感知數據的融合和文章能力的規范整合,基于對象的描述,做“對象發(fā)現”以及對象和功能的集成。 
 
知識規則#;知識規則和能力圖的建立構成了完整的知識地圖模型,以完成感知數據和商業(yè)數據的整合。建立以業(yè)務(wù)知識為核心的規則引擎,實(shí)時(shí)完成簡(jiǎn)單邏輯的分析和推理。 
 
學(xué)習深化
整合全局感知數據,業(yè)務(wù)數據和互聯(lián)網(wǎng)數據,基于規則引擎,使用連接主義學(xué)習加深思想學(xué)習和推理隱藏知識,現有規則引擎完善實(shí)現自動(dòng)學(xué)習。 
 
 3,物聯(lián)網(wǎng)數據數據分析
 
關(guān)于物聯(lián)網(wǎng)數據數據中常見(jiàn)的數據,應用程序,模型和模型,借用互聯(lián)網(wǎng)上的描述,略有歸納: 
 
我們從新一代架構中描述的數據主要包括物聯(lián)網(wǎng)數據,業(yè)務(wù)數據和互聯(lián)網(wǎng)數據。在這里,我們專(zhuān)注于物聯(lián)網(wǎng)數據。
#1; 
(1)物聯(lián)網(wǎng)數據 
數據分類(lèi)
靜態(tài)數據和動(dòng)態(tài)數據
 
在數據變化方面,物聯(lián)網(wǎng)數據可分為靜態(tài)數據和動(dòng)態(tài)數據靜態(tài)數據主要是標簽類(lèi),地址類(lèi)數據,RFID生成的數據大多是靜態(tài)數據,靜態(tài)數據大多存儲在結構化的關(guān)系數據庫中;動(dòng)態(tài)數據是時(shí)間序列數據,IoT動(dòng)態(tài)數據特征是每個(gè)數據與時(shí)間一一對應,這種關(guān)系在數據處理中尤為重要。這種數據存儲通常存儲在時(shí)間序列數據庫中。 
 
靜態(tài)數據會(huì )隨著(zhù)傳感器和控制設備數量的增加而增加;動(dòng)態(tài)數據不僅隨著(zhù)設備數量的增加而增加,傳感器的數量也會(huì )增加,而且還會(huì )隨著(zhù)時(shí)間的推移而增加。 
 
無(wú)論靜態(tài)數據還是動(dòng)態(tài)數據,物聯(lián)網(wǎng)1.0中的數據增長(cháng)都是線(xiàn)性的,而不是指數級的,但由于物聯(lián)網(wǎng)動(dòng)態(tài)數據是連續的,因此數據量也很大。因此,物聯(lián)網(wǎng)1.0數據的壓力是可控制的,并不像宣傳那樣無(wú)法控制和無(wú)法控制。 
 
能源/資產(chǎn)屬性類(lèi)/診斷類(lèi)/信號類(lèi)
就數據的原始特性而言,我們可以將物聯(lián)網(wǎng)數據分類(lèi)為能源類(lèi)數據,資產(chǎn)屬性類(lèi)數據,診斷類(lèi)數據和信號類(lèi)數據。 
 
能源數據:指計算能耗所需的能源相關(guān)或相關(guān)數據,如電流,電壓,功率因數,頻率,諧波等。能源數據是物聯(lián)網(wǎng)最關(guān)鍵的數據類(lèi)型。物聯(lián)網(wǎng)的最終目標之一是節約能源。獲取能源數據,了解能源數據和分析能源數據是實(shí)現物聯(lián)網(wǎng)的基本功能。能量收集設備也是物聯(lián)網(wǎng)中最重要的設備之一。 
 
資產(chǎn)屬性類(lèi)數據:資產(chǎn)類(lèi)數據通常是指硬件資產(chǎn)數據,如設備規格,參數和其他屬性,設備位置信息,設備從屬關(guān)系等?;谫Y產(chǎn)的數據主要用于資產(chǎn)管理。資產(chǎn)管理是工業(yè)物聯(lián)網(wǎng)的一項非常重要的功能,甚至可以作為一個(gè)獨立的系統進(jìn)行研究,因為它可以與幾乎所有系統(如ERP系統,MES系統和物流)進(jìn)行交互。 
 
診斷數據:診斷數據是指設備運行期間設備運行狀態(tài)的數據。有兩種類(lèi)型的診斷數據:一種是設備的操作參數,例如設備的輸入/輸出值。對于傳統的工業(yè)自動(dòng)化數據,即OT技術(shù)相關(guān)數據;另一種是設備外圍診斷數據,如設備表面溫度,設備噪聲,設備振動(dòng)等。值得一提的是,外圍診斷是體現物聯(lián)網(wǎng)技術(shù)的地方。它包括新的傳感器技術(shù)和物聯(lián)網(wǎng)通信技術(shù)。外圍診斷數據是預測性維護的重要元數據,也是深度控制模型的基礎,因此診斷數據是我們需要關(guān)注的數據類(lèi)型。 
 
信號類(lèi)型數據:信號類(lèi)型數據或報警類(lèi)型數據是目前工業(yè)領(lǐng)域中最常用的數據,因為它直觀(guān),易于理解和關(guān)鍵,同時(shí)在本地和遠程通知。
類(lèi)似信號的數據很容易被忽視,但它是物聯(lián)網(wǎng)所需的數據之一,可以快速收集并為物聯(lián)網(wǎng)系統提供重要的參考價(jià)值。 
 
數據相關(guān)性數據之間的相關(guān)性是不同數據之間的關(guān)系。數據之間的關(guān)系對理解整個(gè)系統的運行以及數據之間的正確關(guān)系具有最直接的影響。梳理是系統有效運作和價(jià)值的基石。 
 
數據之間的相關(guān)性可以從以下幾個(gè)方面進(jìn)行分析:
 
時(shí)間相關(guān)性:即數據攝影的同時(shí),數據是由系統同時(shí)生成的,它反映了系統的狀態(tài)這一刻,從數據世界的角度來(lái)看,這個(gè)系統就是此刻的數據集合。數據攝影反映了系統的靜態(tài)顯示;時(shí)間戳是此類(lèi)數據的關(guān)鍵因素,因此每次數據采集所需的時(shí)間戳必須相同。目前許多數據都缺少時(shí)間戳,在物聯(lián)網(wǎng)的實(shí)施中也需要解決和解決時(shí)間戳。其中一個(gè)問(wèn)題。
流程關(guān)聯(lián)性:即一個(gè)點(diǎn)的數據進(jìn)過(guò)一定時(shí)間后影響第二個(gè)點(diǎn)數據的產(chǎn)生,它表現的是系統動(dòng)態(tài)的流程展現。數據之間的流程關(guān)系性需求模型提供,并在施行中停止修正。

數據的時(shí)效性
數據的時(shí)效性是指數據產(chǎn)生到其被肅清的時(shí)間,數據時(shí)效性是由系統的施行部署所決議。數據能夠被運用屢次也能夠被運用一次后就能夠被肅清??傮w來(lái)說(shuō)遠程部署數據還是邊緣部署數據影響著(zhù)數據的時(shí)效性,通常邊緣部署的數據時(shí)效性短,遠程數據的時(shí)效性長(cháng)。邊緣部署需求的數據通常及時(shí)性強,但是邊緣存儲空間,計算才能弱因而不能長(cháng)期保管;遠程數據通常為歷史性數據展現、計算剖析,同時(shí)云端空間、計算的伸縮性強,因而數據時(shí)效性長(cháng)。

數據的實(shí)時(shí)性也是數據時(shí)效性的一局部,實(shí)時(shí)性和數據的部署位置,數據的重要性以及傳輸方式都有關(guān)聯(lián)性。

(2)應用形式

根底應用:監控
經(jīng)過(guò)物聯(lián)網(wǎng)搜集到設備數據后, 假如設備數據狀態(tài)超越預設的狀態(tài)則自動(dòng)第一時(shí)間報警,管理員第一時(shí)間展開(kāi)處置,能夠經(jīng)過(guò)遠程操作,下達命令。把問(wèn)題處理在萌芽狀態(tài)。

進(jìn)階應用: 報表統計
經(jīng)過(guò)統計辦法, 對設備的歷史運轉數據停止統計剖析。能夠按不同維度剖析出不同報告。然后以圖表或者大屏方式展示在管理員面前。管理員能夠快速直觀(guān)的理解到整個(gè)物聯(lián)網(wǎng)設備運轉情況。

高級應用: 數據發(fā)掘/機器學(xué)習
這局部需求從數據里面發(fā)掘出有價(jià)值的東西出來(lái)。比方經(jīng)過(guò)一段時(shí)間時(shí)間設備數據的連續跟蹤剖析并分離人類(lèi)過(guò)往的設備運維經(jīng)歷,經(jīng)過(guò)機器學(xué)習方式預測設備發(fā)作毛病概率,以及發(fā)作毛病后可能的惹起緣由,并給出維修計劃。方才舉的例子,是物聯(lián)網(wǎng)高級應用里面的冰山一角。經(jīng)過(guò)引入如今熾熱的AI技術(shù)。物聯(lián)網(wǎng)就能變成智能物聯(lián)網(wǎng)了?;蛟S在不久的未來(lái),人與設備能夠自在對話(huà),設備與設備之間也可以對話(huà)并自動(dòng)做出最優(yōu)決策。

(3)剖析形式

物聯(lián)網(wǎng)的數據剖析,能夠分為如下四個(gè)類(lèi)別:

描繪式剖析(Descriptive):對采集的物聯(lián)網(wǎng)數據停止統計和展現,這局部以統計剖析為主;
診斷式剖析(Diagnostic):分離工業(yè)機理,對異常產(chǎn)生的緣由停止診斷剖析,這局部需求參加很多的數據發(fā)掘技術(shù),包括相關(guān)性剖析、序列事情剖析等;
預測式剖析(Predictive):經(jīng)過(guò)長(cháng)期歷史數據的開(kāi)展規律,預測趨向的變化,這局部需求引入包括機器學(xué)習、神經(jīng)網(wǎng)絡(luò )等技術(shù),對趨向停止預測;
處方式剖析(Prescriptive):經(jīng)過(guò)多個(gè)維度的數據剖析的結果,分離學(xué)問(wèn)庫和機器學(xué)習,給出多種決策根據的可能,并提供智能的判決支持;
在每個(gè)類(lèi)別里面,又必需從兩個(gè)層次來(lái)展開(kāi)剖析:

機理剖析:依據物理或化學(xué)的原理,對工業(yè)設備的控制、過(guò)程以及產(chǎn)生的響應停止基于設計原理的專(zhuān)業(yè)剖析,這局部一定是以專(zhuān)業(yè)學(xué)問(wèn)為根據的;
數據驅動(dòng)的剖析:關(guān)于工業(yè)里面很多無(wú)法丈量,無(wú)法解釋的現象,能夠經(jīng)過(guò)提取數據特征,從海量的數據中尋覓異常點(diǎn),經(jīng)過(guò)機器學(xué)習的辦法,補償專(zhuān)業(yè)學(xué)問(wèn)的缺乏;
能夠看到,物聯(lián)網(wǎng)數據剖析的根底是物理機理,也就是專(zhuān)業(yè)學(xué)問(wèn)的理解,而不是數據剖析的辦法和才能。沒(méi)有充沛的物理機理和專(zhuān)業(yè)學(xué)問(wèn),自覺(jué)的將一些大數據、人工智能的工具對工業(yè)數據停止剖析,一定會(huì )適得其反

(4)剖析模型

梯度檢查:檢查時(shí)間序列的梯度,并提供檢查結果
線(xiàn)性回歸: 計算時(shí)間序列數據的線(xiàn)性回歸值,并提供所產(chǎn)生的曲線(xiàn)數據
異常檢測: 檢測異常的時(shí)間序列數據,并提供檢測結果
趨向預測: 提供單個(gè)或多個(gè) 1d 時(shí)間軸上的微積分功用,詳細包括根本的代數和統計學(xué)功用(均值、和值、方差)
序列形式發(fā)掘: 檢測報警形式,并依據(變頻器的)事情日志停止毛病預測。該效勞可從招致大型事情的序列中自動(dòng)地學(xué)習相關(guān)形式
多維KPI監視:該效勞能夠基于鍛煉好的模型,從多個(gè)方面推斷相關(guān)量化值。
需求預測: 基于用于時(shí)間序列數據的深度神經(jīng)網(wǎng)絡(luò )(預先已鍛煉)的預測模型執行程序


服務(wù)熱線(xiàn)

138-6598-3726

產(chǎn)品和特性

價(jià)格和優(yōu)惠

安徽靈狐網(wǎng)絡(luò )公眾號

微信公眾號

午夜成人无码免费看网站_97国语自产拍在线_无码一区精油按摩视频_国产色婷婷五月精品综合在线