本發(fā)明涉及電數(shù)字數(shù)據(jù)處理，具體為一種集成于mes的工業(yè)設備邊緣數(shù)據(jù)清洗方法。
背景技術：
1、在分布式工業(yè)計算架構中，邊緣處理單元需對傳感器產(chǎn)生的高頻、高維時序數(shù)據(jù)進行預處理。由于工業(yè)環(huán)境存在復雜的電磁干擾與物理設備損耗，原始數(shù)據(jù)對象常包含離群點、趨勢漂移及恒定值掛死等多種噪聲模式，直接影響了后端數(shù)據(jù)處理系統(tǒng)對設備運行狀態(tài)及生產(chǎn)邏輯運算的判定準確性。
2、現(xiàn)有的數(shù)據(jù)治理方案通常采用云端集中處理模式，將全量原始數(shù)據(jù)通過通信鏈路透傳至中心服務器。在邊緣側，現(xiàn)有的清洗手段多基于單一的統(tǒng)計分析算子，如利用滑動窗口執(zhí)行均值平滑或基于標準差范圍識別異常離群值。
3、然而，現(xiàn)有技術存在顯著局限性：首先，數(shù)據(jù)清洗算子的邏輯閾值多為靜態(tài)配置，缺乏與計算系統(tǒng)實時獲取的運行任務參數(shù)之間的邏輯關聯(lián)，導致系統(tǒng)無法識別由于任務切換產(chǎn)生的合法數(shù)據(jù)跳變，從而產(chǎn)生誤判。其次，現(xiàn)有技術缺乏對多維特征（如統(tǒng)計矩與趨勢指標）的綜合邏輯判定，在資源受限的硬件架構下，難以精準識別具備隱蔽性的演變趨勢噪聲及狀態(tài)掛死噪聲。最后，清洗算法的判定權重無法根據(jù)后端邏輯運算引擎輸出的誤差結果進行閉環(huán)反饋，導致數(shù)據(jù)處理精度無法隨系統(tǒng)運行時間的增加而自動優(yōu)化。
4、為此，提出一種集成于mes的工業(yè)設備邊緣數(shù)據(jù)清洗方法。
技術實現(xiàn)思路
1、本發(fā)明的目的在于提供一種集成于mes的工業(yè)設備邊緣數(shù)據(jù)清洗方法，通過構建業(yè)務驅動的動態(tài)數(shù)據(jù)對象上下文字典，實現(xiàn)多維特征噪聲分類與修復邏輯的閉環(huán)自進化。
2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：
3、一種集成于mes的工業(yè)設備邊緣數(shù)據(jù)清洗方法，包括：
4、通過邊緣計算單元實時獲取mes的生產(chǎn)配置數(shù)據(jù)庫，獲取當前生產(chǎn)訂單對應的庫存單位屬性參數(shù)信息，并基于所述庫存單位屬性參數(shù)信息構建動態(tài)數(shù)據(jù)對象上下文字典；所述邊緣計算單元采用語義映射算子對工業(yè)現(xiàn)場設備的原始傳感器數(shù)據(jù)對象進行結構化封裝，轉化為包含設備標識、時間戳及制造狀態(tài)碼的標準化數(shù)據(jù)流；
5、在所述邊緣計算單元中建立時序滑動窗口，提取所述標準化數(shù)據(jù)流在時序滑動窗口內的統(tǒng)計矩特征及趨勢指標，并結合所述動態(tài)數(shù)據(jù)對象上下文字典中的邏輯約束閾值，利用預設的分類模型識別當前的噪聲類型；根據(jù)所述噪聲類型的識別結果，從預設的清洗策略庫中動態(tài)匹配對應的修復算法對所述標準化數(shù)據(jù)流進行重構，生成具備業(yè)務含義的高保真數(shù)據(jù)；
6、將所述高保真數(shù)據(jù)映射至mes的整體設備效率計算邏輯中，并根據(jù)整體設備效率指標的反饋偏差，閉環(huán)迭代上下文感知的噪聲分類步驟中的判定權重參數(shù)。
7、優(yōu)選的，構建所述動態(tài)數(shù)據(jù)對象上下文字典包括：從所述生產(chǎn)配置數(shù)據(jù)庫中檢索并提取與當前庫存單位對應的工藝基準值、物理量量程范圍以及生產(chǎn)節(jié)拍約束參數(shù)；建立所述庫存單位屬性參數(shù)與邊緣側清洗算子之間的映射函數(shù)，將所述工藝基準值轉化為用于離群點判定的動態(tài)統(tǒng)計閾值，并將所述生產(chǎn)節(jié)拍約束參數(shù)轉化為用于識別微停機現(xiàn)象的時間窗口邏輯；將所述映射函數(shù)輸出的判定準則與對應的設備標識符進行關聯(lián)，并以鍵值對或結構化對象的存儲格式寫入邊緣處理單元的內存緩沖區(qū)，生成所述動態(tài)數(shù)據(jù)對象上下文字典。
8、優(yōu)選的，轉化為所述標準化數(shù)據(jù)流包括：將所述邊緣計算單元獲取的原始傳感器數(shù)據(jù)對象由二進制模擬量轉化為浮點型數(shù)字物理量；調用所述語義映射算子，根據(jù)所述動態(tài)數(shù)據(jù)對象上下文字典，為每一組數(shù)字物理量分配全局唯一的設備標識符，并利用邊緣計算單元的系統(tǒng)時鐘注入高精度時間戳；實時提取工業(yè)設備的i/o控制狀態(tài)，根據(jù)預設的邏輯映射表將當前的生產(chǎn)運行模式映射為對應的制造狀態(tài)碼，并將所述制造狀態(tài)碼作為維度字段附加至所述數(shù)字物理量中；將重映射后的設備標識符、時間戳、制造狀態(tài)碼以及數(shù)字物理量組合為預設的結構化對象，通過內存序列化處理生成具備制造上下文定義的標準化數(shù)據(jù)流。
9、優(yōu)選的，提取所述統(tǒng)計矩特征及趨勢指標包括：
10、在所述時序滑動窗口內，按照預設的步長提取標準化數(shù)據(jù)流中的數(shù)字物理量，構造具有預設采樣點數(shù)量的數(shù)據(jù)樣本序列；調用統(tǒng)計運算函數(shù)處理所述數(shù)據(jù)樣本序列，提取用于表征數(shù)據(jù)分布集中趨勢的算術平均值，以及用于表征數(shù)據(jù)分布離散程度與偏斜程度的統(tǒng)計指標，作為統(tǒng)計矩特征；利用線性回歸算子，分析所述數(shù)據(jù)樣本序列隨時間變化的演變特征，提取表征物理量漂移速度的斜率指標以及表征波動強度的殘差波動指標，作為趨勢指標；將提取得到的統(tǒng)計矩特征與趨勢指標進行歸一化處理后進行級聯(lián)，生成用于描述當前數(shù)據(jù)窗口狀態(tài)特征的輸入特征向量。
11、優(yōu)選的，利用預設的分類模型識別當前的噪聲類型包括：
12、將生成的所述輸入特征向量輸入至所述分類模型中，與所述動態(tài)數(shù)據(jù)對象上下文字典中預存的正常生產(chǎn)基準特征進行偏離度比對；若所述輸入特征向量中的離散程度指標超過預設倍數(shù)的統(tǒng)計標準差，且斜率指標處于瞬時跳變狀態(tài)，則判定當前噪聲類型為隨機脈沖離群值；
13、所述輸入特征向量中的斜率指標在預設的多個連續(xù)時間窗口內均保持同向偏移，且殘差波動指標處于預設的平穩(wěn)區(qū)間內，則判定當前噪聲類型為傳感器趨勢漂移；若所述輸入特征向量中的離散程度指標小于預設的零點偏差閾值，且所述標準化數(shù)據(jù)流中的數(shù)字物理量在預設的時間步長內保持數(shù)值不變，則判定當前噪聲類型為恒定值掛死。
14、優(yōu)選的，生成所述高保真數(shù)據(jù)包括：基于所述噪聲類型，從所述清洗策略庫中檢索對應的修復算子索引；若標簽為隨機脈沖離群值，則調用線性插值算子；若標簽為傳感器趨勢漂移，則調用遞歸估計修復算子；若標簽為正常數(shù)據(jù)，則執(zhí)行透傳指令；針對識別為隨機脈沖離群值的數(shù)據(jù)對象，利用所述時序滑動窗口內相鄰的有效采樣點執(zhí)行線性插值運算，替換異常數(shù)值；針對識別為傳感器趨勢漂移的數(shù)據(jù)對象，通過所述遞歸估計修復算子對前一時刻的狀態(tài)估計值與當前觀測值進行加權融合，還原物理真實值；將重構后的數(shù)值與所述動態(tài)數(shù)據(jù)對象上下文字典中的設備標識、時間戳及制造狀態(tài)碼進行重新對位與封裝；將封裝后的結構化對象組合為高保真數(shù)據(jù)流，存入邊緣側的輸出緩沖區(qū)。
15、優(yōu)選的，所述閉環(huán)迭代上下文感知的噪聲分類步驟中的判定權重參數(shù)包括：建立mes中整體設備效率指標與清洗邏輯之間的數(shù)字化映射關系，將設備停機、性能減速及質量缺陷指標分別關聯(lián)至對應的噪聲判定權重因子；獲取mes反饋的實際產(chǎn)出統(tǒng)計值與基于清洗數(shù)據(jù)計算的預估值，計算兩者之間的響應誤差及誤報率偏差；若所述響應誤差和/或誤報率偏差超過預設的容許范圍，調用優(yōu)化算法對所述分類模型中的判定權重參數(shù)執(zhí)行增量補償或懲罰性扣減；針對高頻發(fā)生微停機的工況，自動提升離群值噪聲判定子步驟中的時間閾值權重；將迭代后的判定權重參數(shù)實時推送至邊緣側的執(zhí)行環(huán)境，實現(xiàn)清洗邏輯在不中斷數(shù)據(jù)流處理的前提下完成動態(tài)性能優(yōu)化。
16、與現(xiàn)有技術相比，本發(fā)明的有益效果為：
17、1、本技術通過構建動態(tài)數(shù)據(jù)對象上下文字典，使清洗算子能夠感知生產(chǎn)工況與庫存單位切換帶來的物理量正常跳變，解決了傳統(tǒng)算法因缺乏業(yè)務上下文導致的誤判問題，確保了數(shù)據(jù)清洗在復雜工況下的語義一致性。
18、2、本技術利用統(tǒng)計矩特征與趨勢指標構建多維特征向量，配合輕量化分類識別模型，能精準識別隨機脈沖、趨勢漂移及恒定值掛死等隱蔽噪聲；結合邊緣側修復算子，在保證高保真數(shù)據(jù)重構的同時，將處理延遲控制在毫秒級，滿足工業(yè)實時控制需求。
19、3、本技術通過mes端整體設備效率指標的偏差反饋，動態(tài)迭代邊緣側判別權重參數(shù)，實現(xiàn)了數(shù)據(jù)處理邏輯的持續(xù)自優(yōu)化；大幅降低了通信帶寬成本，并顯著提升了mes決策支持系統(tǒng)的可靠性。