Область техники

Изобретение относится к области мониторинга производственных процессов и промышленного оборудования на основе сбора и анализа информации, получаемой от множества датчиков, размещаемых в промышленном окружении. Под промышленным окружением здесь и далее понимается совокупность промышленного оборудования, обслуживающей инфраструктуры, в том числе зданий, помещений, линий связи, линий электро- и водоснабжения, используемых в производстве материалов, воздушной или водной среды, в которой размещено промышленное оборудование, а также работающего персонала. Изобретение предназначено для анализа текущего состояния производственных процессов и промышленного оборудования, прогнозирования отказов промышленного оборудования или отдельных его узлов, формирования рекомендаций по режимам эксплуатации промышленного оборудования.

Предшествующий уровень техники

Современные тенденции развития промышленности подталкивают производителей к созданию оборудования высокой степени автоматизации, которое может эффективно взаимодействовать со своим окружением в составе сетевой структуры через киберфизические системы [Y. Liu, Y. Peng, В. Wang, S. Yao, and Z. Liu, “Review on cyber-physical systems,” IEEE/CAA J. Autom. Sin., vol. 4, no. 1, pp. 27-40, 2017]. Такие системы представляют собой виртуальные копии объектов реального мира и позволяют в режиме реального времени подстраиваться под меняющиеся внешние условия с помощью самообучения и самонастройки [В. Bagheri, S. Yang, H. A. Kao, andJ. Lee, “Cyber-physical systems architecture for self- aware machines in industry 4.0 environment,” in IFAC-PapersOnLine, 2015, vol. 28, no. 3, pp. 1622-1627]. Для реализации киберфизических систем, положенных в основу четвертой промышленной революции или индустрии 4.0, необходимо иметь постоянную связь между производственным оборудованием и его цифровой копией [В. Bagheri, S. Yang, Н. А. Као, andJ. Lee, “Cyber-physical systems architecture for self-aware machines in industry 4.0 environment,” in IFAC-PapersOnLine, 2015, vol. 28, no. 3, pp. 1622-1627]. Одной из компонентов этой связи являются данные о различных параметрах оборудования, получаемых с помощью множества датчиков. Сбор, агрегирование и передача информации от датчиков к цифровой копии осуществляется с помощью систем сбора информации. Для осуществления указанных функций системы сбора информации должны обладать возможностью взаимодействия с различными датчиками по унифицированным протоколам, иметь достаточный объем памяти для хранения полученных данных и предоставлять к ним доступ посредствам сетевого обмена со своим окружением.

В ряде случаев передача всего массива первичной информации от датчиков является нецелесообразной из-за большого объема передаваемых данных. В этом случае система сбора информации должна предоставлять функционал для предварительной обработки сигналов с датчиков. Например, при анализе периодического сигнала часто возникает необходимость представления его в частотной области, что может быть реализовано с помощью преобразования Фурье. Усреднение сигнала в определенном временном промежутке может использоваться для уменьшения влияния шума. В ряде случаев необходимо применение статистической обработки сигналов с нескольких датчиков с помощью методов регрессионного, корреляционного, дисперсионного анализа. В некоторых случаях целесообразно передавать информацию о состоянии производственного оборудование или отдельных частей, которая определяется на основе классификации совокупности сигналов от нескольких датчиков. Для этого могут использоваться методы машинного обучения, такие как логистическая регрессия, метод опорных векторов, деревья решений, байесовская сеть, метод ближайших соседей, нейронные сети и др. Указанные методы могут быть использованы для параллельной обработки данных, получаемых с множества датчиков и чаще всего оперируют данными, представленными в матричной форме. Однако выполнение матричных вычислений на традиционных микропроцессорных архитектурах требует большого количества времени из-за малого количества арифметико-логических устройств.

Из уровня техники известно устройство сбора и обработки данных с множества датчиков [L. Sheynblat, Т. Wolf, and A. Hodisan, “Multi-sensor data collection and/or processing,” US Patent application No. US20200029814A1, 30.01.2020], состоящее из множества датчиков, которые могут размещаться как на самом устройстве, так и подключаться к нему с помощью проводных и беспроводных интерфейсов, и обрабатывающего процессора. В составе обрабатывающего процессора могут содержаться различные вычислительные устройства, такие как специальные интегральные схемы, цифровые сигнальные процессоры, программируемые логические устройства, программируемые логические интегральные схемы, процессоры, контроллеры, микроконтроллеры, микропроцессоры и т.д. Также в составе обрабатывающего процессора могут быть аналого-цифровые преобразователи для преобразования данных с аналоговых датчиков, память для хранения считанных и обработанных данных и схемы управления электропитанием датчиков. Обрабатывающий процессор используется для сбора, обработки и хранения данных, получаемых с подключенных датчиков. Датчики могут быть различных типов (акселерометры, гироскопы, геомагнитные датчики, датчики давления, биометрические и температурные датчики и т.д.) и подключаться с использованием различных беспроводных технологий (Bluetooth, Zigbee, NFC, Wi-Fi и т.д.). Устройство сбора и обработки данных может иметь подключение к внешним обрабатывающим и передающим устройствам и может передавать необработанные и обработанные данные от подключенных датчиков.

Недостатками данного устройства являются: отсутствие модульной структуры устройства сбора и обработки данных, что усложняет использование устройства для работы с большим распределенным массивом датчиков, а также отсутствие аппаратного ускорения матричных вычислений в обрабатывающем процессоре, что замедляет интеллектуальный анализ данных, в том числе с помощью методов машинного обучения.

Изуровнятехникиизвестнасисте� �амониторингаидиагностикипромы� � ленногооборудования [C.L. Boyd, М. Rajab, A. Borodaev, V. Fedishov, “Method and system for monitoring and reporting equipment operating conditions and diagnostic information,” WO Patent application No. WO2013036897A1, 14.03.2013], предоставляющая возможность мониторинга состояния и оценки надежности одной или нескольких промышленных установок, путем создания сети, состоящей из множества датчиков, временно или на постоянной основе размещаемых на различных частях этих установок. Датчики предоставляют упорядоченную во времени информацию о вибрации, температуре, электрических сигналах или других рабочих условиях. Датчики подключаются к устройствам сбора данных, которые передают собранную с датчиков информацию через локальную или глобальную сеть с помощью проводного или беспроводного соединений в виде потока данных. Этот поток данных сохраняется в одной из баз данных и передается процессору службы сбора данных для анализа в соответствии с диагностической конфигурацией. Процессор сбора данных разделяет полученную информацию на множество пакетов данных, каждый из которых содержит только часть исходной информации. Затем пакеты данных сохраняются в нескольких базах данных для облегчения последующего извлечения данных и их анализа. В одном из вариантов исполнения системы пакеты данных хранятся в облачной системе хранения. Процессор сбора данных отвечает за распределение пакетов данных по конкретным таблицам внутри баз данных в зависимости от их источника. Информация из баз данных используется в службах управления процессами системы управления промышленным оборудованием. Информация из баз данных также доступна для программного обеспечения, сконфигурированного для извлечения пакетов данных и анализа упорядоченной во времени информации для определения функциональных характеристик объекта мониторинга на основе диагностической конфигурации.

Недостатками данной системы являются: отсутствие предварительной обработки данных в устройствах сбора данных, что значительно увеличивает нагрузку на каналы передачи данных между устройствами сбора данных и процессором сбора данных, а также отсутствие аппаратного ускорения матричных вычислений в процессоре сбора данных, что замедляет интеллектуальный анализ данных, в том числе с помощью методов машинного обучения.

Наиболее близким к заявляемому устройству, выбранному за прототип, является система сбора данных, имеющая автономный блок сбора данных [С. Н. Celia, G. W. Duffy, J. Р. McGuckin, М. Desai, “Data collection systems having a self-sufficient data acquisition box,” US Patent application No. US20190324438A1, 24.10.2019]. Данное устройство предназначено для сбора и анализа данных с промышленного оборудования. В одном из вариантов исполнений данное устройство состоит из материнской системы обработки и одной или нескольких систем сбора данных.

Система сбора данных может иметь встроенные датчики, которые располагаются непосредственно на плате. Также система сбора данных может иметь множество входных интерфейсов и портов, с помощью которых она может получать данные из внешних источников. В качестве внешних источников данных могут выступать внешние датчики, имеющие цифровой или аналоговый интерфейс, а также иные источники данных, взаимодействие с которыми осуществляется через стандартизированный технологии передачи данных (Wi-Fi, Bluetooth, NFC, Ethernet). Кроме того, источником данных для системы сбора данных может являться обучающий сигнал обратной связи от аналитической системы в составе материнской системы обработки. Поступающие с датчиков данные могут быть объединяться с помощью встроенного мультиплексора. Собранные данные могут буферизироваться или кэшироваться в строенном буфере/кэше и могут быть доступны для считывания внешними системами, например, материнской системой обработки через имеющиеся выходные интерфейсы и порты.

В составе системы сбора данных также имеется интеллектуальная система выбора входов, самоорганизующееся хранилище данных и аналитическая система. Интеллектуальная система выбора входов системы сбора данных отвечает за выбор перечня входных сигналов, которые будут использоваться для сбора и анализа информации с помощью методов машинного обучения. Выбор входных сигналов может осуществляться с использованием материнской системы обработки, в составе которой также имеется интеллектуальная система выбора входов. Интеллектуальная система выбора входов может использовать возможности искусственного интеллекта и машинного обучения и информацию об зафиксированных состояниях системы, полученных из внешних источников или от материнской системы обработки, которые могут относится к рабочему состоянию оборудования, состоянию окружающей среды, состоянию рабочего процесса, состоянию неисправности и т.д. Оптимизацию и настройка выбора входных сигналов может осуществляться с использованием обучающего сигнала обратной связи от материнской системы обработки, который может содержать тренировочные данные и метрики оценки качества, вычисленные аналитической системой материнской вычислительной системы. Например, если поток данных, состоящий из определенной комбинации входов (датчиков и внешних источников данных), позволяет достигать положительных результатов в заданном наборе условий (таких как улучшенное распознавание образов, улучшенное прогнозирование, улучшенная диагностика, повышенная доходность, повышенная окупаемость инвестиций, повышенная эффективность, или тому подобное), то показатели, относящиеся к таким результатам, из аналитической системы материнской системы обработки могут быть предоставлены через обучающий сигнал обратной связи в интеллектуальную систему выбора входов, для того чтобы помочь сконфигурировать будущий процесс сбора данных. Это позволяет в дальнейшем отключить другие источники входных сигналов. Интеллектуальная система выбор входов может быть основана на методах генетического программирования с использованием обучающего сигнала обратной связи и может быть использована для выбора наиболее эффективных наборов входов из всех возможных вариантов для оптимизации и адаптации системы сбора данных к уникальным условиям окружающей среды. Интеллектуальная система выбора входов системы сбора данных может быть использована для объединения (фьюзинга) данных от различных датчиков и других источников данных в один или несколько объединенных потоков данных, например, с помощью встроенного мультиплексора, для создания различных сигналов, которые представляют комбинации, перестановки, смешения и пр. исходных аналоговых и/или цифровых данных.

Самоорганизующаяся память системы сбора данных используется для интеллектуального агрегирования и хранения данных. Данные, данные поступающие с датчиков (например, с аналоговых датчиков) могут потреблять большие объемы емкости хранения, особенно с учетом того, что к системе сбора данных может быть подключено несколько датчиков. Простое хранение всех данных в течение неопределенного срока, как правило, не является оптимальным вариантом работы системы сбора данных, а передача всех данных может привести к превышению разрешенных лимитов полосы пропускания (например, превышение объемов, передаваемых данных тарифного плана сотовой связи) и т.д. Для решения данной проблемы нужны стратегии хранения данных, которые касаются захвата только части собираемых данных, или же хранения данных в течение ограниченного промежутка времени, или же хранения данных с потерей части информации (данные представляются в виде промежуточных или абстрактных формах). Для принятия решений о стратегии хранения данных самоорганизующееся хранилище может использовать сигнал обучающей обратной связи для получения оценочных метрик (показатели всей системы, аналитические показатели, локальные показатели эффективности) от аналитической системы или интеллектуальной системы выбора входов материнской обрабатывающей системы. Самоорганизующееся хранилище может автоматически изменить параметры хранения, такие как место хранения данных (локальное хранение, хранение на соседней системе сбора данных, удаленное хранение), объем хранения данных, время хранения данных, тип хранения данных (значения от индивидуальных датчиков, или комбинированные и мультиплексированные значения от нескольких датчиков), тип хранилища (оперативная память, флэш-память, жесткий диск), способ организации хранения данных (“сырые ” данные, иерархические структуры и пр.). Изменение параметров может производится со временем с учетом сигналов обратной связи, тем самым позволяя системе сбора данных адаптироваться под изменяющиеся условия окружающей среды.

Аналитическая система, входящая в состав системы сбора данных, служит для реализации интеллектуального анализа данных. Она может использовать широкий круг аналитических методов, включая статистические и эконометрические методы (например, линейный регрессионный анализ, матрицы сходства, методы на основе тепловых карт и т.п.), индуктивные методы (Байесовское вывод, методы, основанные на правилах , индуктивное умозаключение и т.д.), итерационные методы (прямая и обратная связь, рекурсия и пр.), методы обработки сигналов (преобразования Фурье и пр.), методы распознавания образов (использование цифровых фильтров, например фильтра Калмана и пр.), методы поиска, вероятностные методы (методы случайных блужданий, алгоритм “случайного леса” и т.п.), методы моделирования (линейная оптимизация и т.п.) и ряд других методов, в том числе методы машинного обучения. Например, деревья решений, ассоциативные правила, глубокое обучение, искусственные нейронные сети, алгоритмы генетического обучения, индуктивное логическое программирование, метод опорных векторов, байесовская сеть, обучение с подкреплением, обучение на основе правил, методы разреженного обучение, обучение на основе подобия и метрик, системы обучающих классификаторов, логистическая регрессия, “случайный лес”, метод К-средних, градиентное усиление, метод К- ближайших соседей. Аналитическая система системы сбора данных может использоваться для вычисления метрик, например, показателей эффективности, использования энергии, использования хранилища, избыточности, энтропии и других параметров.

Материнская вычислительная система состоит из аналитической системы, интеллектуальной системы выбора входов, самоорганизующейся сетевой системы, системы мониторинга состояния, вычислительной архитектуры и механизма автоматизации политик.

Аналитическая система материнской вычислительной системы служит для реализации интеллектуального анализа данных и выполняет и может использовать те же методы, что и аналитическая система системы сбора данных, но в тоже время используется для более ресурсоемких вычислений. Через сигнал обучающей обратной связи она может передавать значение оценочных метрик в систему сбора данных для помощи в работе её самоорганизующемуся хранилищу, интеллектуальной системе выбора входов и аналитической системе.

Интеллектуальная система выбора входов материнской вычислительной системы служит для помощи в выборе перечня входных сигналов систем сбора данных и конфигурации самоорганизующегося хранилища, в том числе на основе анализа данных, поступающих совокупности всех систем сбора данных, подключенных к материнской вычислительной системе. Например, если одна из систем сбора данных уже собирает данные о вибрации по оси X, датчик вибрации по оси X для другой системы сбора данных может быть отключен в пользу получения данных только по оси Y. Таким образом, благодаря координированному сбору данных, активность множества систем сбора данных, подключенных к множеству различных датчиков может обеспечивать достаточный набор данных для материнской вычислительной системы без излишних потерь энергии, полосы пропускания сетевой инфраструктуры, пространства для хранения. Самоорганизующаяся сетевая система материнской вычислительной системы используется для подбора значений параметров сетевого обмена с использованием информации от обучающего сигнала обратной связи и аналитической системы. Среди таких параметров могут быть: способ передачи данных в сети (локальная, сотовая, спутниковая, Wi-Fi, Bluetooth, NFC, Zigbee и т.д.), функциональные характеристики сети (например, выбор сети, в которой предоставляется требуемые функции и свойства: безопасность соединения, когнитивные свойства, способы аутентификации, контроль доступа и т.д.), способ сетевого кодирования данных (случайное линейное сетевое кодирование, фиксированное кодирование и т.д..), стоимостные характеристики сети (например, сетевые настройки на основе условий ценообразования для доставки данных и/или стоимости передачи траффика и т.д.), качественные характеристики передачи данных (например, в условиях текущего окружения), выбор сетевого протокола (например, HTTP, IP, TCP/IP, сотовая связь, спутниковая связь, последовательный порт, пакетная передача данных, потоковая передача данных и т.д.). Таким образом оптимальная конфигурация сети должна учитывать ограничения полосы пропускания в сети, колебания цен на передачу траффика, чувствительность к факторам окружающей среды, проблемы безопасности и т.д. Путем изменения и выбора альтернативных конфигураций сетевых параметров самоорганизующаяся сетевая система может находить конфигурации, которые хорошо адаптированы к окружающей среде, состояние которой отслеживается материнской вычислительной системой.

Система мониторинга состояния материнской вычислительной системы предоставляет информацию о произошедших событиях, состоянии окружающей среды, условиях эксплуатации, состояниях рабочих процессах, наличие ошибок или иных диагностических состояний. На основе входной информации система мониторинга состояния может вычислять текущее состояние или прогнозировать будущее состояние, относящегося к системам сбора данных, окружающей среды, в которой находятся системы сбора данных, такой как состояние оборудования, компонента, рабочего процесса, процесса, события (например, произошло событие или нет), объекта, человека и т.д. Актуальная информация о таких состояниях позволяет материнской вычислительной системе использовать её в работе аналитической системы для определения контекстной информации, применения семантической и условной логики и выполнения ряда других функций.

Вычислительная архитектура представляет собой совокупность вычислительных компонентов материнской вычислительной системы. В состав вычислительной архитектуры может входить: микроконтроллеры, встроенные микроконтроллеры, микропроцессоры, цифровые сигнальные процессоры, специализированные интегральные схемы, программируемые логические интегральные схемы, сопроцессоры (математические, графические, коммуникационные и т.д.) и другие варианты вычислительных устройств.

Механизм автоматизации политик используется для развертывания и управления устройствами интернета вещей (Internet of Things, IoT) с использованием политик. В качестве таких политик могут выступать политики доступа, политики использования сети, политики использования хранилища, политики использования полосы пропускания, политики подключения устройств, политики безопасности, политики на основе ролей и правил, и другие политики, которые могут потребоваться для управления IoT устройствами. Например, так как устройства IoT могут использовать множество различных сетей для обмена данными с другими устройствами, могут потребоваться политики, которые указывают, к каким устройствам может подключаться данное устройство, какие данные могут быть переданы и какие данные могут быть получены. Механизм автоматизации политик может использовать когнитивные функции для создания, настройки и управления политиками, а также получать информацию о возможных политиках из базы данных или библиотеки политик, которые могут включать в себя один или несколько общедоступных источников политик. Механизм автоматизации политик может применять политики согласно одной или нескольким моделям, например, на основе характеристик данного устройства, оборудования или среды. Механизм автоматизации политик может включать в себя когнитивные функции (такие как изменение правил применения политик, конфигурацию политик и т.д.) на основе информации от системы мониторинга состояния или обучающей обратной связи аналитической системы Путем изменения и выбора политик механизм автоматизации политик может со временем обучаться автоматически создавать, развертывать, настраивать и управлять политиками для большого количества устройств.

Недостатком прототипа является отсутствие в материнской обрабатывающей системе аппаратного ускорения матричных вычислений, которые используются в различных методах предварительной обработки и анализа данных, включая методы машинного обучения.

Раскрытие изобретения

Таким образом, существует потребность в модульной системе сбора и анализа информации в промышленном окружении, которая может обеспечить ускоренную обработку и интеллектуальный анализ поступающих с датчиков данных, в том числе с использованием методов машинного обучения, за счёт аппаратного ускорения матричных вычислений. Для решения поставленной задачи в составе модульной системы сбора и анализа информации в промышленном окружении, включающей объединительную плату, на которой расположены управляющий вычислительный модуль, модуль хранения данных и модуль передачи данных, к которому с помощью сетевых соединений подключается множество сенсорных вычислительных модулей, каждый из которых соединяется с множеством датчиков с аналоговыми или цифровыми выходами, предлагается использовать тензорный вычислительный модуль, который также располагается на объединительной плате и соединяется с управляющим вычислительным модулем для ускорения матричных вычислений.

Краткое описание чертежей

Вышеуказанная и другие цели, признаки и другие преимущества настоящего изобретения должны становиться более понятными из последующего подробного описания, рассматриваемого вместе с прилагаемым чертежом: на фиг. 1 приведена функциональная схема модульной системы сбора и анализа информации в промышленном окружении.

Лучший вариант осуществления изобретения

Далее приводится подробное описание наилучшего варианта осуществления настоящего изобретения, пример которого проиллюстрирован на прилагаемом чертеже.

Модульная система сбора и анализа информации в промышленном окружении (1) состоит из объединительной платы (2), на которой установлен управляющий вычислительный модуль (3), тензорный вычислительный модуль (4), модули хранения данных (5), модуль передачи данных (6), который в свою очередь соединяется с множеством сенсорных вычислительных модулей (7), к каждому из которых подключается множество датчиков с аналоговыми или цифровыми выходами (8), размещаемых в промышленном окружении. На объединительной плате (2) имеется встроенный инерциальный датчик (9), одновременно выполняющий функции трехосевого акселерометра, трехосевого гироскопа и трехосевого магнетометра. Модуль передачи данных (6) поддерживает проводные сетевые соединения стандарта Ethernet, проводные последовательные соединения стандарта RS-485 и беспроводные соединения по технологии Bluetooth. Для организации беспроводного соединения по технологии Wi-Fi к модулю передачи данных (6) по проводному сетевому соединению стандарта Ethernet подключается точка доступа Wi-Fi (10). Датчики с цифровыми интерфейсами подключения (11), которые используют поддерживаемые модулем передачи данных (6) стандарты и технологии передачи данных (Ethernet, RS-485, Bluetooth, Wi-Fi), могут напрямую присоединяться к модулю передачи данных (6), минуя сенсорный вычислительный модуль (7). Сенсорные вычислительные модули (7) могут подключаться к модулю передачи данных (6) как напрямую, так и с использованием сетевого коммутатора (12). Также в составе сенсорного вычислительного модуля (7) имеется встроенный инерциальный датчик (13), измеряющий линейное ускорение и угловую скорость.

Модульная система сбора и анализа информации в промышленном окружении (1) может подключаться к внешнему вычислительному устройству (14) с помощью сетевого Ethernet соединения через модуль передачи данных (6) или через выделенный сетевой интерфейс (15) на объединительной плате для передачи собранных и обработанных данных из промышленного окружения. Выделенный сетевой интерфейс (15) подключается к управляющему вычислительному модулю (3) с помощью интерфейса SGMII. Функциональная схема модульной системы сбора и анализа информации в промышленном окружении представлена на Фиг. 1.

Представленная модульная система сбора и анализа информации в промышленном окружении (1) предполагает наличие 4 уровней организации: уровень получения первичных данных от датчиков, уровень предварительной обработки первичных данных, уровень передачи обработанных данных и уровень анализа данных. Первый уровень представлен датчиками различных физических величин (линейного ускорения, угловой скорости, температуры, напряжения, тока и т.д.), устройствами звуко- и видеозаписи. Они позволяют получать первичные данные, которые будут подвергаться дальнейшей обработке и анализу. Информация передается от датчиков в аналоговом, дискретном или цифровом виде с использованием аналоговых или цифровых (SPI, I2C, RS- 485, Ethernet, Bluetooth, Wi-Fi и т.д.) интерфейсов. В модульной системе сбора и анализа информации в промышленном окружении (1) используются датчики с аналоговыми и цифровыми выходами (8), подключаемые к сенсорным вычислительным модулям (7), встроенный инерциальный датчик (9) на объединительной плате (2), встроенный инерциальный датчик (13) на сенсорном вычислительном модуле (7), и датчики с цифровыми интерфейсами подключения (И), которые могут непосредственно подключаться к модулю передачи данных (6).

Второй уровень сбора и анализа информации в промышленном окружении (1) связан с предобработкой данных, полученных от датчиков. Эту функцию реализуют сенсорные вычислительные модули (7), которые выполняют: согласование электрических сигналов (усиление сигнала, преобразование электрических и логических уровней сигналов от датчиков и т.д.), захват сигнала и представление поступающих от датчиков данных в цифровой форме, накопление поступающих от датчиков данных во внутренней памяти, предварительную обработку поступающих от датчиков данных, передачу предобработанных данных для дальнейшего анализа в управляющий вычислительный модуль (3) через модуль передачи данных (6), а также управление питанием датчиков, подключенных к сенсорному вычислительному модулю (7). Согласование уровня сигналов осуществляется с помощью электронных схем согласования на основе дискретных радиокомпонентов. Захват сигнала, представление поступающих от датчиков данных в цифровую форму, накопление и предварительная обработка этих данных осуществляется с помощью микроконтроллера, причем для преобразования аналогового сигнала используется встроенный аналогово-цифровой преобразователь. Под предварительной обработкой данных понимаются различные математические операции над массивом данных, такие как усреднение значений, вычисление среднеквадратичных значений, преобразование Фурье и т.д. Передача предобработанных данных осуществляется с помощью приемопередатчика Ethernet, подключенного к микроконтроллеру с помощью интерфейса RMI. Подключение встроенного инерциального датчика (13) к микроконтроллеру осуществляется с помощью интерфейса SPI. Питание сенсорного вычислительного модуля реализовано по технологии передачи электроэнергии через Ethernet (Power over Ethernet).

Третий уровень модульной системы сбора и анализа информации в промышленном окружении (1), представленный модулем передачи данных (6), отвечает за передачу данных между управляющим вычислительным модулем (3) и другими функциональными элементами модульной системы: сенсорными вычислительными модулями (7) с помощью Ethernet, датчиками с цифровыми интерфейсами подключения (11) с помощью Ethernet, RS-485, Bluetooth, Wi-Fi и внешним вычислительным устройством (14) с помощью Ethernet. Для выполнения основной функции модуля передачи данных (6), т.е. приема данных, их агрегации и передачи, используется микроконтроллер. Для беспроводной передачи по технологии Bluetooth используется встроенная микросхема, подключаемая к микроконтроллеру с помощью интерфейса SPI. Для реализации проводных соединений по интерфейсу RS-485 используется микросхемы- приемопередатчики, подключаемые с помощью интерфейса UART. Проводное соединение Ethernet реализуется с помощью микросхемы Ethemet-коммутатора, который также реализует соединение между модулем передачи данных (6) и управляющим вычислительным модулем (3) с помощью интерфейса SGMII. Питание модуля организовано с использованием микросхемы преобразователя напряжения, подаваемого с объединительной платы (2).

Последний уровень модульной системы сбора и анализа информации в промышленном окружении (1) осуществляет анализ и хранение данных и представлен тремя модулями, которые располагаются на объединительной плате (2): управляющим вычислительным модулем (3), тензорным вычислительным модулем (4) и модулями хранения данных (5). Управляющий вычислительный модуль (3) является основным контроллером модульной системы и представляет собой микросхему вида “корпус-на-корпусе”, в которой микропроцессор интегрирован с оперативной (DDR) и флэш (NAND и NOR) памятью. В его функции входит: контроль выборки данных от датчиков, подключенных к модульной системе сбора и анализа информации в промышленном окружении (1), в том числе через сенсорные вычислительные модули (7); выполнение запросов на обработку данных с помощью тензорного вычислительного модуля (4); отправка результатов анализа данных в модули хранения данных (5); предоставление результатов анализа данных внешнему вычислительному устройству (14). В качестве системного программного обеспечения могут быть использованы операционные системы семейства Unix/Linux. Управляющий вычислительный модуль соединяется с тензорным вычислительным модулем (4) с помощью выбранного интерфейса (PCI, USB, SPI или US ART), а с модулями хранения данных (5) с помощью интерфейса SATA. Встроенный инерциальный датчик (9) на объединительной плате (2) подключается к управляющему вычислительному модулю (3) с помощью интерфейса SPI. Модули хранения данных (5) выполняют функции записи, чтения и хранения данных и состоят из микросхемы контроллера диска и нескольких микросхем NAND памяти. Соединение между контроллером диска и микросхемами NAND памяти осуществляется с помощью интерфейса ONFi или Toggle.

Тензорный вычислительный модуль (4) используется для ускорения обработки и интеллектуального анализа собранных с датчиков данных, в том числе с использованием методов машинного обучения, за счёт аппаратного ускорения матричных вычислений, выполняемых в модульной системе сбора и анализа информации в промышленном окружении (1). Матричные вычисления используются при интеллектуальном анализе данных, в том числе с использованием методов машинного обучения, таких как логистическая регрессия, метод опорных векторов, деревья решений, байесовская сеть, метод ближайших соседей, искусственные нейронные сети и др. В составе тензорного вычислительного модуля (4) имеется: микропроцессор общего назначения, аппаратный блок ускорения тензорных вычислений, оперативная и флэш память, блок обработки аудиосигналов и блок аппаратного ускорения преобразований Фурье. Задачи на выполнение матричных вычисления для тензорного вычислительного модуля (4) поступают от управляющего вычислительного модуля (3). В ходе работы модульной системы сбора и анализа информации в промышленном окружении (1) осуществляется сбор данных со всех подключённых датчиков. Данные с датчиков с аналоговыми и цифровыми выходами (8) и встроенных инерциальных датчиков (13) могут проходить предобработку (усреднение значений, вычисление среднеквадратичных значений, преобразование Фурье и т.д.) на сенсорных вычислительных модулях (7) перед отправкой в модуль передачи данных (6). Данные с датчиков с цифровыми интерфейсами подключения (И) поступают в модуль передачи данных (6) без предобработки. Модуль передачи данных (6) осуществляет прием, агрегацию и передачу данных от всех подключенных датчиков управляющему вычислительному модулю (3). Управляющий вычислительный модуль (3), используя алгоритмы интеллектуального анализа данных, в том числе с использованием методов машинного обучения, обрабатывает поступающие данные и формирует массив аналитической информации о состоянии производственного процесса, промышленного оборудования или отдельных его узлов. Этот массив аналитической информации может включать следующие данные: наличие несоответствий технологических параметров производственного процесса требуемым значениям, наличие неисправностей промышленного оборудования или отдельных его узлов, возможность возникновения отказов промышленного оборудования или отдельных его узлов в ближайшее время, диагностическая информация о состоянии производственного процесса или промышленного оборудования, рекомендации по проведению технического осмотра или планового ремонта промышленного оборудования или отдельных его узлов и т.д. Для ускорения обработки информации управляющий вычислительный модуль (3) создает задачи на выполнение матричных вычислений и передает их тензорному вычислительному модулю (4). После выполнения задачи тензорный вычислительный модуль (4) передает результаты матричных вычислений обратно управляющему вычислительному модулю (3). Первичные данные, полученные от датчиков, предобработанные данные и результаты интеллектуального анализа могут сохраняться управляющим вычислительным модулем (3) с помощью модулей хранения данных (5). Эти данные могут быть предоставлены для дальнейшего анализа внешнему вычислительному устройству (14) с помощью сетевого обмена.

Промышленная применимость

Заявляемое изобретение предназначено для сбора данных с распределенного массива датчиков, расположенных в промышленном окружении для мониторинга производственных процессов и промышленного оборудования на основе интеллектуального анализа данных, в том числе с использованием методов машинного обучения. Заявляемое изобретение может быть использовано в различных отраслях промышленности, таких как машиностроение, химическая промышленность, металлургия, пищевая промышленность, энергетическая промышленность, лесная промышленность, авто-, авиа- и судостроение и т.д. Это достигается за счет возможности использования датчиков различных физических величин, которые могут быть установлены на объекте мониторинга в виде распределенного массива.