[發明專利]一種智能工廠基于長序列雙預測和informer的高頻時序數據有效傳輸方法

有效

• 申請號: 202210435941.2
• 申請日: 2022-04-24
• 公開（公告）號: CN114640695B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 吳雨;楊博;陳彩蓮;關新平
• 申請（專利權）人: 上海交通大學
• 主分類號: H04L67/12
• 分類號: H04L67/12;H04L41/147;G06F18/214
• 代理公司: 上海旭誠知識產權代理有限公司 31220
• 代理人: 鄭立

1.一種智能工廠基于長序列雙預測和informer的高頻時序數據有效傳輸方法，其特征在于，所述方法首先搭建云邊協同長序列雙預測架構，然后在該架構的邊緣網關和云服務器部署訓練好的長序列預測模型，最后采用長序列雙預測方法在線地減少高頻數據的傳輸量，并保證數據的精度；

其中，所述云邊協同長序列雙預測架構，主要包括以下步驟：

步驟S1：邊緣網關采集傳感器數據；

步驟S2：所述邊緣網關對原始數據進行預處理；

其中，所述預處理包括異常值處理，時間戳添加，重采樣，歸一化；所述異常值處理根據先驗知識拆分和填補，或使用平均值濾波，濾波公式為x_i+2＝2x_i+1-x_i；所述時間戳添加用于標記數據采集時間；對于高頻數據，所述時間戳添加防止數據丟失導致的數據錯位；所述時間戳也是所述長序列預測模型的輸入；所述重采樣是為了調整數據的原始采樣頻率，使其滿足上層應用的具體要求；所述歸一化是為了規范數據值的范圍，最小最大歸一化公式為

步驟S3：所述邊緣網關將預處理后的數據制作成數據集，并發送給所述云服務器；

步驟S4：所述云服務器利用所述數據集訓練所述長序列預測模型；

步驟S5：所述云服務器將訓練好的所述長序列預測模型同步到所述邊緣網關；

步驟S6：邊緣網關作為所述長序列雙預測方法中的數據發送者通過所述長序列雙預測方法向作為所述長序列雙預測方法中的數據接收者的云服務器持續在線地傳輸高頻數據；

進入預測階段后，以l個時刻為一個周期，在周期的一開始，也就是n+1時刻，云服務器和邊緣網關利用準備好的數據x(1),x(2),...x(n)，通過訓練好的所述長序列預測模型預測獲得下l個時刻的預測值

在所述步驟S6中，當所述邊緣網關和所述云服務器成功加載訓練好的相同的所述長序列預測模型后，所述邊緣網關作為所述長序列雙預測方法的數據發送方，向作為接收方的所述云服務器持續在線地發送高頻數據；

其中，所述長序列雙預測方法，主要包括以下步驟：

步驟T1：準備階段時，所述數據發送方向所述數據接收方發送所有真實值，當該階段發送真實值的數量達到所述長序列預測模型輸入長度n后，進入預測階段；

步驟T2：所述云服務器和所述邊緣網關同時利用長序列預測模型，通過所述長序列預測機制得到下l個時刻數據的預測值；

步驟T3：所述邊緣網關采集下一個時刻數據的原始值，并將其預處理得到該時刻的真實值；

步驟T4：所述邊緣網關運行長序列確認機制，若該時刻真實值與預測值偏差大于閾值，則將真實值壓入發送緩沖區；

步驟T5：重復步驟T3和步驟T4?l次，然后所述邊緣網關將所述發送緩沖區中的所有真實值打包發送給所述云服務器；

步驟T6：所述邊緣網關和所述云服務器同時運行長序列還原機制得到該l個時刻的最終值；

步驟T7：滑動窗口在最終值上滑動l個時刻，得到新的所述長序列預測模型輸入數據，然后轉步驟T2；

在所述步驟T6中，所述邊緣網關和所述云服務器同時運行所述長序列還原機制獲得該周期內的最終值；

所述長序列預測模型，包括以下步驟：

步驟M1:將包括值和時間戳的X_en輸入到編碼器；

步驟M2:在編碼器中，通過多頭概率稀疏自注意力和自注意力蒸餾后得到融合特征圖，并輸出到解碼器；

步驟M3:將由X_token和X₀組成的X_de輸入到所述解碼器；

步驟M4:在所述解碼器中，通過掩碼多頭概率稀疏自注意力和多頭注意力得到所述編碼器輸出；

步驟M5:所述編碼器輸出連接到全連接層，由所述全連接層一次性得到最終輸出，即長序列預測值；

其中，所述步驟M4中，當所述X_de進入解碼器后，先通過所述掩碼多頭概率稀疏自注意力，然后通過多所述頭注意力，最后得到所述編碼器輸出；所述掩碼多頭概率稀疏自注意力與所述多頭概率稀疏自注意力的區別在于其掩蓋了未來時刻的信息以防止未來信息的泄露；后面多頭注意力的Q，K，V來源不同，Q來自于解碼器中所述掩碼多頭概率稀疏自注意力的輸出，而K，V來自于所述編碼器的輸出。