[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

本發明公開了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，涉及智能制造領域，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。本發明改進了傳統雙預測方法的結構，通過長序列預測降低了預測模型的推理次數，從而大大提高了傳統方法的適用頻率，使其用于降低智能制造過程中所需要高頻數據的傳輸量成為可能。同時，引入并結合最新深度學習模型informer解決了長序列預測帶來的梯度消失和模型推理時間激增的問題，從而進一步提高了所提長序列雙預測方法的傳輸量減少比例和適用頻率。

技術領域

本發明涉及智能制造領域，尤其涉及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。

背景技術

智能制造以實現工廠的數字化和智能化為目的。在這個過程中，云平臺上部署了大量智能應用，這些應用需要底層傳感器設備采集的大量在線時序數據的支持，如在線產品質量檢測應用和實時設備運行狀態評估應用等。這些數據通常包括振動，電流，電壓等高頻數據，它們具有在線，數據頻率高，傳輸量大的特點。隨著應用和傳感器數量不斷上升，這些高頻數據的傳輸量變得十分巨大。以至于工廠中有限的帶寬資源難以滿足如此大規模，高密度，高頻率的在線數據傳輸。必須降低它們的數據傳輸量以滿足智能制造過程中對大規模高頻數據的需求。同時，由于應用的結果與數據質量直接相關，必須保證數據的準確性。此外，以振動數據為例，其采樣頻率通常在1KHz以上，且均為在線的數據，算法必須要能夠配合在線高頻數據的采樣頻率。

最近兩年減少在線時序數據傳輸量的方法主要分為兩大類：非雙預測方法和雙預測方法。其中非雙預測方法的方案無法保證數據精度。基于雙預測方法的方案由于其雙預測和確認機制，能夠在降低數據傳輸量的同時保證其數據精度。在每個時間點，數據發送方和接收方都利用同樣的輸入數據和預測模型進行一次單點的時間序列預測，從而得到下一個時刻的同樣的預測值。當下一個時刻來臨，數據發送方采集到真實值后，將其與預測值進行比較。當且僅當它們的偏差大于閾值時，數據發送方向接受方發送真實值。對于在上述過程中使用的預測模型，已有的與本發明最相近似的實現方案采用的是單點預測的長短期記憶(LSTM)模型。

現有技術，主要有以下缺點：

1.非雙預測方法的減少在線時序數據傳輸量的方案無法保證數據精度。

2.非深度學習的雙預測方法預測精度低，只能適用于變化緩慢的低頻率簡單數據。

3.現有的雙預測方法主要用于無線傳感器領域，針對溫濕度等采樣頻率低的數據。其特點為每個時間點都需要進行預測模型的推理。因此對于本技術背景中智能制造過程中普遍需要的高頻的振動，電流，電壓等數據，短時間內需要進行多次模型推理，使得模型推理速度難以滿足要求。導致現有的雙預測方法無法應用于所述高頻數據。

4.現有最新雙預測方法采用的是單點預測的LSTM模型。由于LSTM的串行結構，其在面對長序列數據時，存在梯度消失的問題，難以捕獲遠距離信息。從而導致其難以進行長序列預測，預測精度低使得傳輸量減少比例低。

5.現有最新雙預測方法使用的LSTM是串行結構，嚴重影響了模型的推理速度。且其在長序列預測的模型推理過程中為了保證精度必須使用自回歸，這使得模型的推理時間隨著輸出序列的長度呈直線增長。預測模型推理時間的上升，降低了所提長序列雙預測方法的適用頻率。