[发明专利]基于PMML的工业网关机器学习模型容器式部署系统及方法

说明书

本发明基于PMML的工业网关机器学习模型容器式部署系统及方法，将云端训练的机器学习模型导出成PMML格式，并通过报文下发到工业网关，工业网关根据机器学习模型的用途和绑定的设备测点动态创建机器学习模型控制对象，控制机器学习模型的预测分析过程。工业网关的每一次设备数据采集触发相应用于预警的机器学习模型的预测分析，一旦推理出设备异常，则将预警信息推送到工业现场和云端，并触发同一测点下用于故障诊断的机器学习模型，然后将推理的故障诊断结果推送到工业现场和云端。相较于在云端进行数据预测分析的状态监测模式，实现在网关对数据进行预测分析，减少大量数据上传造成的带宽压力以及信息在云端和工业现场的传输延时，保证信息的实时性。

技术领域

本发明属于设备状态监测技术领域，具体涉及一种基于PMML(预测模型标记语言)的工业网关机器学习模型容器式部署方法。

背景技术

设备状态监测技术是目前工业数字化转型的一项重要技术，通过工业现场各种传感器对设备的状态数据进行采集，然后通过工业网关进行协议转换后将数据转发到云端，云端再利用大数据技术和机器学习技术对数据进行分析和预测，从而判断设备的健康状况。但这种以云为中心的状态监测存在以下几点问题。

1、工业现场由传感器采集的数据由于存在大量高频的波形数据，因此数据量十分庞大，通过网关将其上传至云端需要占用大量带宽，因此会造成带宽的巨大压力以及大量的带宽成本。

2、工业现场采集的某些数据涉及企业的工艺机密，无法上传至云端进行数据的分析和预测。

3、工业现场的数据上传至云端的过程以及云端将分析结果推送到现场的过程会造成一定延时，无法满足实时性要求高的状态监测应用。

发明内容

本发明提供一种可以由用户自定义、无需复杂配置、配置完成立刻生效的基于PMML的工业网关机器学习模型容器式部署方法，使工业网关具备在线对数据分析，从而预测设备健康状况以及对设备故障进行预测的能力。

本发明是通过以下技术方案来实现的：

基于PMML的工业网关机器学习模型容器式部署系统，包括：

数据采集模块，用于通过Modbus、OPC DA、OPC UA协议从工业现场的PLC和DCS中获取设备的运行数据，通过私有协议从工业现场的CMS中获取设备的状态数据，并对通过不同协议的数据进行统一的封装后提供给在线推理模块使用；

在线推理模块，对云端下发的报文进行解析并对机器学习模型进行动态部署，通过数据采集模块提供的数据来触发已部署预警模型的推理过程，通过预警模型产生的预警信息来触发已部署诊断模型的诊断过程；

信息推送模块，通过OPC UA协议和MQTT协议分别将在线推理模块产生的预警信息和诊断信息推送到工业现场的SCADA系统以及云端。

本发明进一步的改进在于，数据采集模块包括Modbus客户端、OPC DA/UA客户端以及 CMS客户端。

基于PMML的工业网关机器学习模型容器式部署方法，包括以下步骤：

步骤一，云端完成机器学习模型的训练后导出成PMML，用户在云端的配置选择相应的测点将机器学习模型进行绑定，并配置机器学习模型的输入特征需求后下发到工业网关；

步骤二，工业网关收到云端下发的机器学习模型后进行本地存储，并根据机器学习模型的用途动态创建相应模型控制对象，用于控制相应机器学习模型的预测分析过程，机器学习模型的用途分为设备预警和设备故障诊断；

步骤三，工业网关的数据采集模块获得设备数据时，触发对应的用于预警的机器学习模型的预测分析过程，对设备的健康状态进行推理，若推理出设备健康状态异常，则进行预警，同时生成预警标签以及将预警信息推送到云端和工业现场SCADA系统；