专利交易市场

本发明公开了一种基于端边云的工业过程监控方法及系统。方法包括：首先，云平台根据测量参数变化率、环境信噪比和网络情况，动态计算并下发各传感器的最优采样频率；接着，边缘计算节点对采集的原始模拟信号，采用双目标函数优化算法进行预处理，生成高保真度的特征数据向量；最后，云平台将特征数据向量输入至预训练的神经网络预警模型，输出异常预测概率，并将其与一个基于历史数据统计分布的动态阈值区间集进行比较，实现自适应的精准预警。本发明通过端边云协同，实现了数据采集、处理与分析全流程的智能化，显著提升了工业过程监控的实时性、准确性和灵活性。

本发明提供的一种ZigBee网络化工业控制系统的边缘计算方法，包括步骤：S3：起始节点判断接收到轮询请求的要求，若为写命令请求，进入步骤S4，若为读命令请求，将起始节点作为当前节点，进入步骤S5；S4：起始节点做出由MAC层主动发起一个11字节短帧响应；S5：判断当前节点是否为边缘数据中心，若否，则进入步骤S6，若是，则进入步骤S7；S6：以隐形令牌方式在边缘簇内部各节点传递信息到当前边缘簇下一节点；S7：判断当前节点是否为控制节点，若是，则当前轮询边缘簇中形成并输出控制运算结果；S8：将当前轮询边缘簇中封装形成响应帧，发送给协调器，进入下一轮询任务；本发明能够保证控制的实时性，提高带宽资源利用率，并提升系统规模。

本发明涉及一种基于边云协同的工厂电能管控系统，包括云电能管理层、边缘计算层、设备层、供电侧；提供一种基于边云协同的工厂电能管控方法，包括：1)设备层中的现场节点，路由节点以及执行生产任务的设备组成工业现场网络；2)解析生产任务信息数据并发送；3)将生产现场的STN模型下发到边缘节点；4)供电代理将发电模型、储电模型、电价模型发给边缘节点；5)边缘节点计算完成生产任务所需电量；6)计算综合等级的值；7)等级高的由边缘节点执行，等级低的由云电能管理中心执行；8)边缘节点执行需求响应算法；9)生产设备根据计算结果执行生产任务；工厂发电站、储电站、工厂外供电站根据结果执行相应方案。

本发明提出一种基于边缘物联技术和神经网络的炼铁厂安全态势感知方法，包括如下步骤：S1：将炼铁厂生产系统与人物环系统分解成子系统，然后将分解后的两个系统进行耦合、异构融合和池化；S2：数据采集；S3：边缘物联平台构建；S4：人工神经网络预测；S5：炼铁厂安全态势感知实现。将传统炼铁工艺分解为分子系统，与炼铁厂新建的“人”、“物”、“环”系统进行耦合，通过网关进行各系统设备之间的异构融合并收集各生产过程实时数据上传云端形成可对接使用的数据池，使用人工神经网络对数据池数据进行计算分析，从而实现对整个系统安全运营状况的感知预测。

本发明提供了一种基于边缘智能的制造车间生产物料预测性配送方法，包括：步骤1：基于工业物联网与边缘计算技术，构建具有感知、交互与自决策能力的边缘智能制造资源，并形成边缘计算管理平台；步骤2：各智能加工设备基于自身状态与智能分析算法，对在制品的剩余加工时间进行预测，并释放出物料配送任务；步骤3：物流设备基于自身状态，主动响应智能加工设备预测得到的物料配送任务集合；步骤4：物流设备依据物料配送任务集合的信息，自动生成配送路径与运输方式，并按照计划时间执行物料配送活动。本发明旨在解决现有技术中物料配送不及时、加工设备等待时间长，影响生产正常进行的问题。

本发明涉及一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法，属于数控机床领域。该方法首先在边缘侧对原始信号进行了异常值剔除、缺失值补充和小波阈值滤噪的操作，再利用皮尔逊相关系数提取了刀具寿命磨损状态密切相关的特征，然后对特征进行归一化处理，处理后的数据采用PCA技术进一步降低特征维度，然后将此特征集上传至云端服务器，在云端服务器中对边缘侧处理后的数据进行划分并构建支持向量机分类模型。并针对现有支持向量机模型参数难以选择的问题，提出了一种改进的粒子群算法用于优化支持向量机模型参数，实现了一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法。

本发明涉及一种在云边端工业控制系统中边缘节点的监督方法，属于工业物联网领域。系统包括区块链、边缘节点、网关、现场设备。边缘节点分为主边缘节点和副边缘节点。区块链具有智能合约和分布式账本。现场设备经过网关接入系统。方法包括：S1：主边缘节点监控现场设备。S2：网关记录现场设备的状态和主边缘节点的指令并打包成日志，将日志的特征上传到分布式账本。S3：副边缘节点从分布式账本中获取日志的特征。S4：副边缘节点根据特征从网关获取日志并对日志进行验证。S5：副边缘节点将验证结果上传到分布式账本。S6：智能合约根据验证结果对边缘节点进行调整。本发明在云边端工业控制系统中对边缘节点进行了有效的监督。