CN118659992A - 基于开源鸿蒙的plc网关设备运行状态监测系统及方法 - Google Patents

Abstract

本发明公开了基于开源鸿蒙的PLC网关设备运行状态监测系统及方法，具体涉及设备监测技术领域，用于解决PLC网关调度管理效率差的问题；通过安装和配置PLC网关设备，获取并预处理运行状态数据，构建长短期记忆网络模型进行设备状态预测，并结合自编码器模型进行数据异常检测，对设备运行状态的全面监测与预测，通过分析LSTM与自编码器结合后的运行状态数据，获取设备运行过程中产生的信息，实时确定设备的运行状态，当设备运行状态稳定时，生成运行稳定信号，避免不必要的管理干预，从而提高系统自动化和管理效率，若检测到异常，生成运行波动信号，并使用粒子群优化算法确定最优的设备运行参数配置，进行快速、准确的管理和调度。

Description

基于开源鸿蒙的PLC网关设备运行状态监测系统及方法

技术领域

本发明涉及设备监测技术领域，更具体地说，本发明涉及基于开源鸿蒙的PLC网关设备运行状态监测系统及方法。

背景技术

可编程逻辑控制器（PLCProgrammable Logic Controller）作为工业自动化领域的重要设备，广泛应用于各种控制系统中，用于实现自动化控制和过程管理。随着工业物联网（IIoT）的快速发展，越来越多的PLC设备通过网络进行互联互通，实现远程监控和管理。

PLC网关设备是一种用于连接和集成多个PLC（可编程逻辑控制器）设备，并实现这些设备与其他网络系统之间通信的装置，它充当了PLC设备和上位机系统、SCADA（数据采集与监视控制系统）系统、MES（制造执行系统）等之间的桥梁，确保不同系统之间能够无缝地进行数据交换和控制指令传输。

现有技术存在的不足：传统PLC系统大多采用各自厂商的专有协议，难以实现不同品牌PLC设备之间的互操作，导致系统集成复杂度高，成本增加，PLC监测系统大多为封闭架构，难以根据具体需求进行功能扩展或升级，限制了系统的灵活性和可扩展性，并且缺乏对网关设备运行状态的智能分析和自适应能力，无法根据实时数据进行智能决策和优化，进而影响PLC网关设备的整体效率和可靠性。

发明内容

为了克服现有技术的上述缺陷，本发明提供基于开源鸿蒙的PLC网关设备运行状态监测系统及方法，以解决上述背景技术中提出的PLC网关设备无法根据实时数据进行智能决策和优化，进而影响PLC网关设备的整体效率和可靠性的问题。

为实现上述目的，本发明提供如下技术方案：

基于开源鸿蒙的PLC网关设备运行状态监测方法，包括如下步骤：

安装和配置PLC网关设备，获取PLC网关设备的运行状态数据并进行数据预处理；

根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，同时构建自编码器模型进行数据的异常检测；

对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态；

若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数并进行配置管理。

在一个优选的实施方式中，获取PLC网关设备的运行状态数据并进行数据预处理，具体过程如下：

数据预处理包括去噪处理、标准化处理以及数据校验处理；

使用均值滤波与卡尔曼滤波对运行状态数据进行去噪处理；

使用Z-score标准化与Min-Max归一化对运行状态数据进行标准化处理；

使用奇偶校验和循环冗余校验对运行状态数据进行数据校验处理。

在一个优选的实施方式中，根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，具体过程如下：

对采集的运行状态数据进行预处理完毕后，将数据分割为训练集、验证集和测试集，构建长短期记忆网络模型，使用深度学习框架；

定义LSTM模型结构，包括输入层、LSTM层、全连接层和输出层，并设置学习率、批量大小、序列长度；

使用均方误差作为损失函数，并使用训练集进行模型训练，通过反向传播更新模型参数；

使用验证集评估LSTM模型性能，并调整超参数，使用测试集对LSTM模型进行评估，并将LSTM模型应用于实时数据流，对设备运行状态进行实时预测。

在一个优选的实施方式中，同时构建自编码器模型进行数据的异常检测，具体过程如下：

将从PLC网关设备采集的运行状态数据预处理后，分割为正常数据和包含异常的数据；

定义自编码器结构，包括编码器、瓶颈层和解码器，并设置学习率、批量大小、瓶颈层大小；

使用均方误差作为损失函数，使用正常数据进行模型训练重建正常数据；

使用包含异常的数据评估模型性能，根据重建误差判断异常点；

将自编码器应用于实时数据流，计算每个数据点的重建误差，根据重建误差与阈值的比较，识别异常作为预警信息。

在一个优选的实施方式中，对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，具体过程如下：

运行波动信息包括重建检测信息、模型响应信息；

重建检测信息中包括重建检测波动指数，模型响应信息中包括模型响应稳定指数；

将获取到的重建检测波动指数、模型响应稳定指数进行联立计算得到设备运行系数。

在一个优选的实施方式中，若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，具体过程如下：

将设备运行系数与运行状态判定阈值进行对比；

若设备运行系数大于或等于运行状态判定阈值，则生成网关设备运行稳定信号，不采取调度管理措施；

若设备运行系数小于运行状态判定阈值，则生成网关设备运行波动信号，发出预警信号，并进行调度管理。

在一个优选的实施方式中，使用粒子群优化算法确定最优的设备运行参数并进行配置管理，具体步骤如下：

设定粒子群规模，初始化每个粒子的位置和速度，根据稳定性、能耗和故障率定义适应度函数；

根据粒子的当前状态、局部最优位置和全局最优位置更新速度和位置，计算每个粒子新位置的适应度值，并更新局部最优和全局最优位置；

重复速度和位置更新、适应度评估，直到满足停止条件；

在优化过程中确定设备的物理限制和安全操作范围，根据确定结果输出并应用粒子群优化算法得到的最优运行参数配置。

基于开源鸿蒙的PLC网关设备运行状态监测系统，用于实现上述基于开源鸿蒙的PLC网关设备运行状态监测方法，包括：

配置预处理模块，用于安装和配置PLC网关设备，获取PLC网关设备的运行状态数据并进行数据预处理；

模型构建模块，用于根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，同时构建自编码器模型进行数据的异常检测；

监测分析模块，用于对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态；

管理模块，若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数并进行配置管理。

本发明的技术效果和优点：

本发明通过安装和配置PLC网关设备，获取并预处理运行状态数据，构建长短期记忆网络模型进行设备状态预测，并结合自编码器模型进行数据异常检测，实现了对设备运行状态的全面监测与预测。通过分析LSTM与自编码器结合后的运行状态数据，能够精准获取设备运行过程中产生的波动信息，实时确定设备的运行状态。

当设备运行状态稳定时，生成运行稳定信号，避免不必要的管理干预，从而提高系统的自动化和管理效率。若检测到异常，生成运行波动信号，并使用粒子群优化算法确定最优的设备运行参数配置，进行相应的管理和调度，确保设备在异常情况下能够迅速恢复到稳定状态，实现了对PLC网关设备的智能化、自动化管理，显著提高了设备的运行稳定性和管理效率。

附图说明

图1为本发明基于开源鸿蒙的PLC网关设备运行状态监测方法的流程图。

图2为本发明基于开源鸿蒙的PLC网关设备运行状态监测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：如图1所示，基于开源鸿蒙的PLC网关设备运行状态监测方法，包括以下步骤：

安装和配置PLC网关设备，获取PLC网关设备的运行状态数据并进行数据预处理；

根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，同时构建自编码器模型进行数据的异常检测；

对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态；

若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数并进行配置管理。

鸿蒙操作系统是一个开源项目，允许开发者自由访问和修改源代码，支持二次开发和创新，支持多设备协同工作，能够在不同硬件平台上运行，实现设备间无缝互联和资源共享。

PLC网关设备将不同PLC设备使用的专有工业协议（如Modbus、Profinet、EtherNet/IP等）转换为通用协议，确保不同品牌和型号的PLC设备能够互联互通，从各PLC设备采集运行数据，并将这些数据传输到上位机系统或云端进行分析和存储，实时监控PLC设备的运行状态，包括设备健康状况、运行参数、报警信息等；

对采集到的数据进行预处理，如去噪、过滤、数据校验等，确保数据的准确性和可靠性，远程访问和管理PLC设备，通过网络进行远程监控、配置和维护，提供网络安全措施，如防火墙、数据加密、身份验证等，从而确保数据传输和设备运行的安全性。

结合鸿蒙操作系统的特点，集成多种工业协议，确保不同品牌PLC设备的互联互通，并PLC网关设备运行状态的实时数据采集和处理，对采集的运行的实时数据进行智能分析和优化决策。

例如，在某大型制造企业的生产车间中，有多种品牌和型号的PLC设备，用于控制生产线上的各类机械设备；

车间环境存在多个生产线，使用不同品牌的PLC设备控制各类机械，如输送带、机器人臂、加工机床等，需要对每个PLC设备的运行状态进行实时监测，包括温度、压力、转速等关键参数，并实现智能分析和优化管理，并基于开源鸿蒙的PLC网关设备，通过网络与各PLC设备相连，实现数据采集、处理、分析和显示；

首先，安装和配置PLC网关设备，具体步骤如下：

安装和配置PLC网关设备，确保硬件和网络环境准备就绪，配置多协议适配器，确保不同品牌PLC设备能够通过适配器与网关设备进行通信，具体步骤如下：

安装PLC网关设备，连接电源和必要的输入输出设备，如显示器、键盘、鼠标等；

将网关设备连接到企业内部网络，设备能够通过局域网（LAN）与其他设备通信，配置静态IP地址，确保设备在网络中的唯一性和可访问性；

在PLC网关设备上安装鸿蒙操作系统，确保系统能够正常启动并运行，并在安装过程中，选择合适的系统配置和参数；

进行协议适配与配置，安装支持多种工业协议的适配器模块，使适配器与网关设备硬件兼容；

协议配置，在鸿蒙操作系统中配置各协议适配器，设置必要的通信参数，如波特率、数据位、停止位等，不同品牌PLC设备能够通过适配器与网关设备进行通信；

数据采集传输，设置采集频率和采集参数，从各PLC设备采集到的运行状态数据能够准确反映设备的实时状态，并将PLC设备与网关设备通过适配器连接，确保数据采集模块能够访问PLC设备并开始数据采集；

进行低延迟数据传输，优化PLC网关设备的网络配置，确保数据传输路径最短、延迟最低，使用高性能的网络接口和交换机设备，提升数据传输速度，设置数据传输协议，如MQTT、CoAP等，使得数据能够快速传输并进行数据处理；

对运行状态数据进行数据预处理，使用信号处理算法，如均值滤波、卡尔曼滤波等，对采集到的数据进行去噪处理，消除数据中的随机噪声；

均值滤波是通过计算一段时间内数据的平均值来减少噪声，确定用于计算平均值的窗口大小N，在时间序列数据上应用滑动窗口，计算每个窗口内数据的平均值，对于时间序列数据x(t)，均值滤波后的数据y(t)的计算公式为：，其中，N是窗口大小，t是时间点。

对数据进行标准化处理，将不同量纲的数据转换到同一量纲，便于后续分析处理，常用方法包括Z-score标准化、Min-Max归一化等；

Z-score标准化（也称为标准差标准化）通过将数据转换为均值为0，标准差为1的标准正态分布；

对于数据集，计算均值μ和标准差σ，均值μ的计算公式为：，标准差σ的计算公式为：；

使用计算得到的均值μ和标准差σ对每个数据点进行标准化处理，标准化公式为：；

Min-Max归一化通过将数据线性变换到指定的范围（通常是[0，1]），确定数据集最小值 和最大值；

使用最小值 和最大值对每个数据点 进行归一化处理，归一化公式为：；

这两种标准化方法适用于不同的场景。Z-score标准化适用于数据具有正态分布的情况，而Min-Max归一化适用于数据范围已知且需要将数据限制在特定范围内的情况。根据具体需求选择合适的方法进行数据标准化处理。

对数据进行校验，数据校验是确定数据传输过程中完整性和准确性，使用奇偶校验和循环冗余校验，确定数据的完整性和准确性；

奇偶校验通过在数据末尾添加一个奇偶校验位来检测单比特错误，具体步骤如下：

选择校验类型，确定使用奇校验还是偶校验，奇校验：如果数据中1的个数为偶数，则校验位为1；如果1的个数为奇数，则校验位为0；

偶校验：如果数据中1的个数为奇数，则校验位为1；如果1的个数为偶数，则校验位为0；

计算校验位，对数据中的所有比特进行异或运算，得到一个校验结果位；

对于奇校验，如果校验结果位为0，则校验位设置为1；如果校验结果位为1，则校验位设置为0，奇校验位公式为：，其中，表示数据中的第i位比特，mod是模运算，表示取余数，如果P=0，则校验 ；如果P=1，则校验位；

对于偶校验，如果校验结果位为0，则校验位设置为0；如果校验结果位为1，则校验位设置为1，，如果P=0，则校验位；如果P=1，则校验位；

将计算得到的校验位附加到数据末尾，形成校验后的数据。

同时结合循环冗余校验生成多项式对数据进行二次校验，具体步骤如下：

选择一个标准的生成多项式：，其中，是数据比特，i表示数据比特的位置，是生成多项式比特，通常用一个二进制数表示；

将数据比特串表示为多项式：，在数据后面附加n个0，其中，n是生成多项式的阶数，并对M(x)进行模G(x)除法，得到余数：；

将余数R(x)作为校验码附加到数据末尾，形成校验后的数据，校验后的数据表示为：；

接收端对收到的数据进行相同的模G(x)除法，如果余数为0，则数据无误；否则数据有误；

通过奇偶校验和CRC校验可以有效地检测数据传输的完整性和准确性。

基于长短期记忆(LSTM)网络的时间序列预测算法，对设备运行状态进行预测和故障诊断，并结合使用自编码器（Autoencoder）进行异常检测，分析并识别PLC网关设备的运行状态问题，具体步骤如下：

对采集的运行状态数据进行预处理完毕后，将数据分割为训练集、验证集和测试集，构建长短期记忆网络模型，使用深度学习框架（如TensorFlow或PyTorch）定义LSTM模型结构，包括输入层、LSTM层、全连接层和输出层，并设置学习率、批量大小、序列长度等超参数；

使用均方误差（MSE）作为损失函数，并使用训练集进行模型训练，通过反向传播更新模型参数；

使用验证集评估LSTM模型性能，调整超参数以提高模型的预测能力，使用测试集对模型进行最终评估，确保模型的泛化能力，并将模型应用于实时数据流，对设备运行状态进行实时预测；

使用自编码器模型进行异常检测，自编码器是一种无监督学习模型，用于学习数据的低维表示，在异常检测中，自编码器可以通过重建误差来检测异常；

将从PLC网关设备采集运行状态数据预处理后，分割为正常数据和包含异常的数据；

构建自编码器模型，定义自编码器结构，包括编码器、瓶颈层和解码器，并设置学习率、批量大小、瓶颈层大小等超参数；

使用均方误差（MSE）作为损失函数，使用正常数据进行模型训练，使得自编码器能够有效重建正常数据；

进行自编码器评估调优，使用包含异常的数据评估模型性能，根据重建误差判断异常点，异常点的识别是通过设置重建误差阈值来识别异常点。

将自编码器应用于实时数据流，计算每个数据点的重建误差，根据重建误差与阈值的比较，识别潜在异常，生成预警信息。

将长短记忆网络与自编码器进行结合，对PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态，运行波动信息包括重建检测信息、模型响应信息；

重建检测信息包括重建检测波动指数并标定为CJJ，模型响应信息包括模型响应稳定指数并标定为MXX；

重建检测信息中的重建检测波动指数是一个用于评估和监测设备运行状态的综合指标。该指数结合了重建误差、设备运行参数的波动以及历史异常检测记录，以识别潜在的设备故障和异常情况，RDFI的主要作用是提供一个更加精确和全面的异常识别能力，帮助在早期阶段发现问题，从而避免设备故障和停机，具有以下方面作用：

结合了机器学习和大数据分析算法，使监测系统具备智能化的异常检测和故障预测能力，提升了监测系统的智能化水平，减少了人工干预的需要，提高了监测的准确性和效率，且包含了对历史异常检测记录的分析，可以综合评估设备在不同时间段内的运行状况，运维人员可以通过分析历史数据，了解设备的长期运行趋势，制定更加合理的维护计划；

重建检测波动指数的获取方式为：

获取自编码器输入的原始数据YS与分析后的重建数据CJ，计算自编码器的重建误差CW，计算表达式为：，表示第i个原始数据，表示第i个重建数据，n为数据数量；

获取设备在不同时间点的运行参数，计算相邻时间点参数变化率，计算表达式为：，式中，为第j个时间点的运行参数，基于相邻时间点参数变化率计算平均波动性，计算表达式为：，m为时间点数量；

记录历史异常检测数据，获取历史记录的总数量K，每个时间点记录是否发生异常，计算异常记录频率，式中，为第k个历史记录的异常检测值，1表示异常，0表示正常，计算重建检测波动指数： 。

需要说明的是，重建误差用于衡量自编码器模型对输入数据的重建能力，重建误差越高，表示数据异常或设备运行状态发生了显著变化，设备运行参数波动值用于衡量设备运行参数在不同时间点之间的波动性情况，波动性越大，可能表示设备不稳定或异常；运行参数，例如温度、压力、速度等。

通过综合重建误差、设备运行参数波动和历史异常检测记录，重建检测波动指数提供了一种全面评估设备运行状态的方法，这个综合指数能够帮助识别潜在的异常情况，提高设备监测的可靠性和有效性，确保设备在最佳状态下运行。

模型响应信息中的模型响应稳定指数是一个用于评估和衡量预测模型在实时应用中的响应性和稳定性的综合指标，模型响应稳定指数通过结合模型的稳定性和响应性，提供一个综合的评估标准，以确保模型在处理实时数据流时的性能和可靠性。

模型稳定性，衡量模型在处理连续数据时的预测稳定性，即模型在不同时间点的预测结果是否一致和可靠；

模型响应性，衡量模型在接收到新数据后做出预测的时间延迟和准确性。响应时间越短、预测准确性越高，模型响应性越好。

模型响应稳定指数的获取方式如下：

获取长短期记忆网络模型在接收到新数据后，完成预测所需的时间：，式中，为数据输入的时间点，为预测结果输出的时间点，获取模型进行预测时的预测值YC和真实值ZS，计算预测准确值：，式中，N表示数据数量，获取进行训练的参数数量NP与训练总时间TT，计算模型复杂度：MC=NP/TT；

获取长短期记忆网络模型预测结果集，计算模型连续值，计算表达式为：，M表示预测数据数量，获取模型在相同条件下的预测结果集，获取预测结果集的平均预测值，计算预测一致值，计算表达式为：，式中，D预测数据数量，B为预测次数，计算模型响应稳定指数，计算表达式为：。

需要说明的是，模型连续值是衡量模型预测结果的连续性，即预测值是否平滑、无剧烈波动，预测值的相对变化越小，预测连续性越高；模型在相同条件下预测结果集是指在模型内置参数相同情况下所得到的预测结果，如，学习率、损失值等。

将获取到重建检测波动指、模型响应稳定指数进行灰色关联分析，将重建检测波动指数与模型响应稳定指数进行联立得到设备运行系数，一个可选表达式为：，式中，为设备运行系数，、为重建检测波动指数、模型响应稳定指数的综合关联度比例系数，且、均大于0。

需要说明的是，综合关联度比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，其为了便于后续比较，关于综合关联度比例系数的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的综合关联度比例系数并不唯一，只要不影响参数与量化后数值的比例关系即可，如同模型响应稳定指数与设备运行系数成正比关系。

重建检测波动指数越大、模型响应稳定指数越小，即设备运行系数的表现值越小，这表明以下几点：

重建检测波动指数越大，表示设备在异常检测过程中出现了更多的波动和误差，反映出异常检测的精度较低，较低的检测精度可能导致设备运行过程中难以准确识别和预警潜在的问题；模型响应稳定指数越小，说明模型在应对设备运行状态变化时的响应速度和稳定性较差，较差的响应能力可能导致设备在面对变化或突发情况时，调整和优化运行参数的效果不理想；

设备运行系数越小，表明设备的整体运行状态不佳。可能存在频繁的波动、异常和不稳定的运行状况，影响设备的运行效率和可靠性。

将生成的设备运行系数与运行状态判定阈值进行对比，生成不同管理信号，根据生成的管理信号进行对应的管理策略调整；

获取到设备运行系数后，将设备运行系数与运行状态判定阈值进行对比；

若设备运行系数大于或等于运行状态判定阈值，则生成网关设备运行稳定信号，无需进行额外的PLC网关管理，这表明设备在当前配置和运行参数下能够正常运作，PLC网关设备运行状态良好，参数波动在可接受范围内，未检测到异常或潜在故障，不需要人工或自动的进一步干预；

若设备运行系数小于运行状态判定阈值，则生成网关设备运行波动信号，表明当前设备运行状态不稳定，可能需要进行额外的PLC网关管理和调整，这可能包括调整设备运行参数、进行故障诊断和维护，以确保设备恢复到稳定状态设备可能存在异常、波动或潜在的故障，这需要进一步的关注和管理。

基于分析结果，当生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数配置，并考虑实际运行环境和设备特性，确保优化方案的可行性，具体步骤如下：

接收到网关设备运行波动信号后，应及时采取相应的措施进行管理优化；

初始化粒子群，每个粒子表示一组设备运行参数配置，假设设备有n个运行参数，则每个粒子在n维空间中进行搜索，设定粒子群的规模N（通常为20-50）；

随机初始化每个粒子的位置和速度，设定每个粒子的初始位置为其局部最优位置（Pbest），并找到当前全局最优位置（Gbest）；

定义适应度函数，适应度函数用来评估每个粒子的性能，根据设备的具体情况，适应度函数可以是运行参数配置的综合评估指标，如运行稳定性、能耗、故障率等；

更新速度和位置，根据粒子的当前速度、局部最优位置和全局最优位置更新粒子的速度，并根据更新后的速度更新粒子的位置，重新计算每个粒子的新位置的适应度值，更新局部最优位置（Pbest）和全局最优位置（Gbest），进行迭代搜索，直到满足停止条件（例如达到最大迭代次数或适应度值变化小于预设阈值）；

在优化过程中，考虑实际运行环境和设备特性，设定粒子的位置和速度的约束条件。例如，设备参数的物理限制、安全操作范围等；

输出最优运行参数配置，最终的全局最优位置Gbes对应的参数配置即为最优运行参数配置，输出并应用最优参数配置到PLC网关设备运行中。

通过这些步骤，可以有效地利用粒子群优化算法确定最优的设备运行参数配置，从而提升设备的运行效率和稳定性，并确保优化方案的可行性。

需要说明的是，运行状态判定阈值的设定可以根据具体的场景和需求来确定，通常是根据历史数据、实时数据等因素进行调整和优化。

本发明通过安装和配置PLC网关设备，获取并预处理运行状态数据，构建长短期记忆网络模型进行设备状态预测，并结合自编码器模型进行数据异常检测，实现了对设备运行状态的全面监测与预测。通过分析LSTM与自编码器结合后的运行状态数据，能够精准获取设备运行过程中产生的波动信息，实时确定设备的运行状态。

当设备运行状态稳定时，生成运行稳定信号，避免不必要的管理干预，从而提高系统的自动化和管理效率。若检测到异常，生成运行波动信号，并使用粒子群优化算法确定最优的设备运行参数配置，进行相应的管理和调度，确保设备在异常情况下能够迅速恢复到稳定状态，实现了对PLC网关设备的智能化、自动化管理，显著提高了设备的运行稳定性和管理效率。

实施例2：本实施例为实施例1的系统实施例，用于实现实施例1中介绍的基于开源鸿蒙的PLC网关设备运行状态监测方法，如图2所示，具体包括：

配置预处理模块，用于安装和配置PLC网关设备，获取PLC网关设备的运行状态数据并进行数据预处理；

模型构建模块，用于根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，同时构建自编码器模型进行数据的异常检测；

监测分析模块，用于对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态；

管理模块，若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数并进行配置管理。

上述公式均是去量纲取其数值计算，具体去量纲可采用标准化等多种手段，在此不进行赘述，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、ATA硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态ATA硬盘。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于，包括如下步骤：

安装和配置PLC网关设备，获取PLC网关设备的运行状态数据并进行数据预处理；

根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，同时构建自编码器模型进行数据的异常检测；

对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态；

若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数并进行配置管理。

2.根据权利要求1所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于：获取PLC网关设备的运行状态数据并进行数据预处理，具体过程如下：

数据预处理包括去噪处理、标准化处理以及数据校验处理；

使用均值滤波与卡尔曼滤波对运行状态数据进行去噪处理；

使用Z-score标准化与Min-Max归一化对运行状态数据进行标准化处理；

使用奇偶校验和循环冗余校验对运行状态数据进行数据校验处理。

3.根据权利要求2所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于：根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，具体过程如下：

对采集的运行状态数据进行预处理完毕后，将数据分割为训练集、验证集和测试集，构建长短期记忆网络模型，使用深度学习框架；

定义LSTM模型结构，包括输入层、LSTM层、全连接层和输出层，并设置学习率、批量大小、序列长度；

使用均方误差作为损失函数，并使用训练集进行模型训练，通过反向传播更新模型参数；

使用验证集评估LSTM模型性能，并调整超参数，使用测试集对LSTM模型进行评估，并将LSTM模型应用于实时数据流，对设备运行状态进行实时预测。

4.根据权利要求3所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于：同时构建自编码器模型进行数据的异常检测，具体过程如下：

将从PLC网关设备采集的运行状态数据预处理后，分割为正常数据和包含异常的数据；

定义自编码器结构，包括编码器、瓶颈层和解码器，并设置学习率、批量大小、瓶颈层大小；

使用均方误差作为损失函数，使用正常数据进行模型训练重建正常数据；

使用包含异常的数据评估模型性能，根据重建误差判断异常点；

将自编码器应用于实时数据流，计算每个数据点的重建误差，根据重建误差与阈值的比较，识别异常作为预警信息。

5.根据权利要求4所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于：对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，具体过程如下：

运行波动信息包括重建检测信息、模型响应信息；

重建检测信息中包括重建检测波动指数，模型响应信息中包括模型响应稳定指数；

将获取到的重建检测波动指数、模型响应稳定指数进行联立计算得到设备运行系数。

6.根据权利要求5所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于：若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，具体过程如下：

将设备运行系数与运行状态判定阈值进行对比；

若设备运行系数大于或等于运行状态判定阈值，则生成网关设备运行稳定信号，不采取调度管理措施；

若设备运行系数小于运行状态判定阈值，则生成网关设备运行波动信号，发出预警信号，并进行调度管理。

7.根据权利要求6所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于：使用粒子群优化算法确定最优的设备运行参数并进行配置管理，具体步骤如下：

设定粒子群规模，初始化每个粒子的位置和速度，根据稳定性、能耗和故障率定义适应度函数；

根据粒子的当前状态、局部最优位置和全局最优位置更新速度和位置，计算每个粒子新位置的适应度值，并更新局部最优和全局最优位置；

重复速度和位置更新、适应度评估，直到满足停止条件；

在优化过程中确定设备的物理限制和安全操作范围，根据确定结果输出并应用粒子群优化算法得到的最优运行参数配置。

8.基于开源鸿蒙的PLC网关设备运行状态监测系统，用于实现权利要求1-7中任一项所述的基于开源鸿蒙的PLC网关设备运行状态监测方法，其特征在于，包括：

配置预处理模块，用于安装和配置PLC网关设备，获取PLC网关设备的运行状态数据并进行数据预处理；

模型构建模块，用于根据预处理完毕的数据构建长短期记忆网络模型，并对设备运行状态进行预测，同时构建自编码器模型进行数据的异常检测；

监测分析模块，用于对长短记忆网络模型与自编码器模型进行结合后的PLC网关运行状态监测过程进行分析，获取状态监测过程中产生的运行波动信息，确定实时监测的PLC网关设备的状态；

管理模块，若PLC网关运行状态稳定，则生成网关设备运行稳定信号，不采取管理措施；若PLC网关运行状态异常，则生成网关设备运行波动信号，使用粒子群优化算法确定最优的设备运行参数并进行配置管理。