一种工业现场通信大数据实时状态监测方法及系统与流程

本发明涉及工业通信，尤其涉及一种工业现场通信大数据实时状态监测方法及系统。

背景技术：

1、随着工业互联网、智能制造及数字化工厂的快速发展，工业现场通信网络已广泛应用于生产控制、设备监测、数据采集及智能调度等场景，工业现场通常部署有plc、dcs、rtu、工业交换机、智能传感器及边缘计算终端等大量通信设备，并通过工业以太网、现场总线及无线通信网络实现设备之间的数据交互，为了保障工业生产过程的连续性和可靠性，需要对工业现场通信网络运行状态进行实时监测，及时发现通信异常、链路故障及设备失效等问题，因此工业现场通信大数据实时状态监测技术逐渐得到广泛应用；

2、现有工业现场通信状态监测系统在使用过程中存在以下缺点：1、现有工业现场通信状态监测系统大多仅能够对通信异常进行检测和告警，缺乏对故障传播过程的分析能力，难以准确识别故障影响范围及故障源头，当通信网络出现设备故障、链路异常或通信拥塞时，通常需要依赖人工进行逐级排查，导致故障定位效率较低；2、现有监测系统虽然积累了大量通信运行数据，但对历史数据的挖掘和利用不足，难以建立有效的通信状态演化模型，无法对潜在通信风险和故障发展趋势进行预测，导致系统预警能力较弱，难以实现主动运维和风险提前防控；

3、综合上述情况，本技术提出了一种工业现场通信大数据实时状态监测方法及系统。

技术实现思路

1、基于背景技术存在的技术问题，本发明提出了一种工业现场通信大数据实时状态监测方法及系统。

2、本发明提出的一种工业现场通信大数据实时状态监测方法，包括以下步骤：

3、s1：工业通信全域数据汇聚：采集工业现场通信网络中的运行数据，所述运行数据包括设备状态数据、网络流量数据、链路质量数据、协议交互数据及业务传输数据；

4、s2：通信健康状态量化评估：对s1采集的运行数据进行预处理和融合分析，计算通信健康指数，并根据通信健康指数识别异常通信节点；

5、s3：工业通信关联图谱构建：根据通信设备连接关系、通信行为特征及业务交互关系构建工业现场通信动态图谱；

6、s4：故障传播链追踪分析：基于s3构建的工业现场通信动态图谱建立故障传播模型，分析异常通信节点的故障传播路径及传播范围；

7、s5：故障根因贡献度溯源：根据故障传播结果建立故障因果关系网络，并计算各通信节点的根因贡献度，确定故障根节点；

8、s6：通信风险演化趋势推演：结合历史通信运行数据、实时通信健康指数及故障传播结果建立风险趋势预测模型，预测工业现场通信网络未来运行状态；

9、s7：多维风险融合预警：根据故障传播结果、根因定位结果及风险趋势预测结果生成风险预警信息；

10、s8：知识驱动模型自优化：将故障传播结果、根因定位结果及故障处置结果反馈至模型训练库，对故障传播模型和风险趋势预测模型进行自学习优化。

11、优选地，所述s2中，计算通信健康指数使用的公式如下：

12、；

13、其进一步表示为：；

14、其中为通信健康指数，为网络流量健康度，为设备运行健康度，为链路质量健康度，为协议通信健康度，为业务传输健康度，、、、、为各指标权重系数；

15、且，表示通信状态正常，表示轻微异常，表示风险状态，表示严重异常。

16、优选地，所述s3的具体逻辑步骤如下：

17、s301：通信实体节点提取：从s1采集的运行数据中提取工业现场通信网络中的各类通信实体，建立通信节点集合，所述通信实体包括plc设备、工业交换机、边缘网关、传感器节点、服务器及上位机设备；

18、其节点集合为：；

19、其中表示通信节点集合，表示第n个通信设备节点，n表示通信设备总数量；

20、s302：通信连接关系识别：根据设备之间的物理连接关系和逻辑通信关系建立节点间连接边，形成通信连接集合：；

21、其中表示节点与节点之间存在通信连接关系；

22、并构建通信邻接矩阵：，其中；

23、用于描述工业通信网络拓扑结构；

24、s303：通信行为关联度计算：统计节点间的数据交换频率、数据流量及通信时长的行为特征，计算通信行为关联度，其计算公式如下：

25、；

26、其中表示通信行为关联度，表示节点间通信频次，表示通信持续时间，表示数据交换量，、、分别表示对应指标最大值，，通信行为关联度越大，表示节点间通信依赖程度越高；

27、s304：业务交互耦合关系分析：根据工业控制指令流、监测数据流及生产业务流的传输关系分析业务耦合强度，其业务耦合度计算公式如下：

28、；

29、其中表示业务耦合度，表示节点i与节点j共同参与的业务数量，表示节点i参与的业务总数，表示节点j参与的业务总数，业务耦合度越大，说明节点之间业务关联越紧密；

30、s305：通信关联权重计算：融合通信连接关系、通信行为关联度及业务耦合度，计算节点间综合关联权重，其计算公式如下：

31、；

32、其中表示节点间综合关联权重，表示连接关系权重，表示通信行为关联度，表示业务耦合度，，综合关联权重反映节点之间的真实关联强度；

33、s306：工业通信动态图谱生成：基于节点集合、连接边集合及综合关联权重构建工业通信动态图谱：；

34、其中表示时刻t的工业通信动态图谱，表示动态节点集合，表示动态连接边集合，表示动态权重矩阵；

35、为了反映网络状态实时变化，引入时间更新机制：；

36、其中表示更新后的关联权重，表示历史关联权重，表示当前时刻计算得到的关联权重，表示时间衰减系数；

37、通过持续更新权重矩阵，实现工业通信网络关联关系的动态演化描述。

38、优选地，所述s4的具体逻辑步骤如下：

39、s401：异常故障源节点识别：获取s2输出的通信健康指数以及异常节点检测结果，将通信健康指数低于预设阈值的通信设备确定为异常故障节点集合，；

40、其中表示异常节点集合，表示第m个异常通信节点，m表示异常节点数量；

41、同时定义节点异常强度：；

42、其中表示节点异常强度，表示节点通信健康指数，异常强度越大，说明节点故障风险越高；

43、s402：故障传播概率计算：基于s3生成的工业通信动态图谱及节点关联权重矩阵，计算故障由节点i传播至节点j的传播概率，其计算公式如下：

44、；

45、其中表示故障传播概率，表示节点关联权重，表示业务耦合度，表示节点异常强度，；

46、并构建故障传播概率矩阵：，用于描述整个通信网络中的故障传播关系；

47、s403：故障传播链生成：根据故障传播概率矩阵筛选大于传播阈值的传播路径，并按照传播概率从高到低进行排序，构建故障传播链，；

48、其中表示第k条故障传播链，表示初始异常节点，表示传播终端节点；

49、且传播链综合传播强度计算公式为：；其中表示传播链强度，表示相邻节点间传播概率，传播链强度越大，表示该传播路径越可能成为实际故障扩散路径；

50、s404：故障传播影响度评估：基于故障传播链统计故障对各节点造成的累计影响程度，其节点影响度计算公式如下：

51、；

52、其中表示节点j的故障影响度，表示传播概率，表示异常节点强度；

53、并进一步计算网络整体传播影响指数，其计算公式为：；

54、其中表示故障传播影响指数，用于衡量故障扩散严重程度，表示网络节点总数；

55、s405：故障传播范围确定：根据节点影响度及传播链结果确定故障传播范围，生成故障影响区域集合，且故障传播范围定义为：；

56、其中表示故障影响节点集合，表示节点影响度，表示影响判定阈值；

57、同时计算传播覆盖率：；

58、其中表示故障传播覆盖率，表示受影响节点数量，表示网络节点总数，传播覆盖率越高，说明故障影响范围越广。

59、优选地，所述s5的具体逻辑步骤如下：

60、s501：故障因果关系网络构建：获取s4输出的故障传播链集合、传播概率矩阵及节点影响度，按照故障传播方向建立故障因果关系网络：；

61、其中表示故障因果关系网络，表示通信节点集合，表示因果关系边集合，表示节点间故障传播概率集合；

62、对于任意两个节点和，若节点发生异常后导致节点出现异常，则建立因果关系边：，形成故障因果传播网络；

63、s502：故障逆向传播追踪：以s4识别出的受影响节点作为追踪起点，沿故障传播链反向搜索上游节点，提取所有可能的故障源路径，构建逆向追踪路径：，其中表示第k条逆向追踪路径，表示故障表现节点，表示潜在故障源节点；

64、计算路径可信度：，其中表示逆向路径可信度；表示逆向传播概率，可信度越高，说明该路径越可能是真实故障传播路径；

65、s503：根因贡献度计算：综合节点异常强度、传播影响范围及传播链强度计算各节点对整体故障的贡献程度，其计算公式如下：

66、；

67、其中表示节点i的根因贡献度，表示节点异常强度，表示节点影响度，表示逆向路径可信度，m表示相关传播路径数量，根因贡献度越大，说明该节点越可能是故障起始节点；

68、s504：根因可信度评估：对各节点根因贡献度进行归一化处理，获得根因可信度，其计算公式如下：

69、；

70、其中表示节点i的根因可信度，表示节点i的根因贡献度，n表示候选根因节点总数，且满足；

71、s505：故障根节点确定：根据根因可信度大小对候选节点进行排序，选择可信度最大的节点作为故障根节点，其确定公式如下：

72、；

73、其中表示最终故障根节点，表示节点根因可信度；

74、同时输出；其中为对应故障传播路径，实现故障源头自动定位及故障传播过程可追溯分析。

75、优选地，所述s6的具体逻辑步骤如下：

76、s601：风险演化数据集构建：获取历史通信运行数据、实时通信健康指数、故障传播影响结果及根因定位结果，构建通信风险演化数据集；

77、其中表示风险演化数据集，表示时刻t的通信健康指数，表示故障传播影响指数，表示故障传播覆盖率，表示根因可信度；

78、s602：通信状态变化趋势提取：对历史通信健康指数序列进行时间窗口分析，计算通信状态变化速率，提取通信运行趋势特征，其计算公式如下：

79、；

80、其中表示健康指数变化率，表示上一时刻健康指数，表示采样时间间隔，当时，表示通信状态呈下降趋势；

81、s603：风险传播强度计算：结合故障传播结果评估风险扩散能力，计算通信网络整体风险传播强度，其计算公式如下：

82、；

83、其中表示风险传播强度，风险传播强度越大，表示故障扩散风险越高；

84、s604：风险演化趋势预测：融合通信健康状态、状态变化趋势及风险传播强度建立通信风险预测模型，对未来时刻通信健康状态进行预测，其使用的公式如下：

85、；

86、其中表示预测时刻通信健康指，、、表示模型权重系数；

87、s605：风险等级判定与趋势输出：根据预测得到的未来通信健康指数计算通信风险指数，并输出风险演化趋势结果，其使用的公式如下：

88、；

89、其中表示通信风险指数；

90、同时构建风险增长率：，其中表示风险增长率，表示当前风险指数，表示上一时刻风险指数；

91、当时，判定风险处于上升阶段，当时，判定风险处于下降阶段；

92、最终输出。

93、优选地，所述s7的具体逻辑步骤如下：

94、s701：获取s4、s5及s6的输出结果，提取影响通信网络安全运行的关键风险因子，构建风险评估因子集：；

95、其中表示故障传播影响指数，表示故障传播覆盖率，表示根因可信度，表示风险指数，表示风险增长率；

96、s702：风险因子归一化处理：对各风险因子进行归一化处理，消除数据尺度差异；

97、s703：综合风险评分计算：对归一化后的风险因子进行加权融合，计算通信网络综合风险评分：；

98、其中表示综合风险评分，表示故障传播影响指数，表示故障传播覆盖率，表示根因可信度，表示风险指数，表示风险增长率，、、、、表示各风险因子权重；

99、s704：风险等级判定：根据综合风险评分划分风险等级，确定当前工业通信网络风险状态：；

100、其中级表示正常状态，ii级表示关注状态，iii级表示预警状态，v级表示紧急风险状态,v级表示紧急风险状态；

101、s705：预警信息生成与输出：根据风险等级、故障传播链、故障根节点及风险趋势预测结果生成通信风险预警信息：；

102、其中表示风险等级，表示故障根节点，表示故障影响区域，表示风险指数，表示风险演化趋势；

103、当风险等级达到iii级及以上时，自动生成预警事件并向监控平台、运维终端或管理系统发送告警信息，实现工业现场通信网络风险的实时预警和主动干预。

104、本发明还提出了一种工业现场通信大数据实时状态监测系统，包括数据采集模块、通信状态评估模块、动态图谱构建模块、故障传播分析模块、根因定位模块、趋势预测模块、智能预警模块以及自学习优化模块；

105、所述数据采集模块用于采集工业现场通信网络中的运行数据；

106、所述通信状态评估模块用于对运行数据进行融合分析并计算通信健康指数；

107、所述动态图谱构建模块用于构建工业现场通信动态图谱；

108、所述故障传播分析模块用于分析故障传播路径及传播范围；

109、所述根因定位模块用于建立故障因果关系网络并确定故障根节点；

110、所述趋势预测模块用于建立风险趋势预测模型并预测未来通信状态变化趋势；

111、所述智能预警模块用于根据故障传播结果、根因定位结果及趋势预测结果生成风险预警信息；

112、所述自学习优化模块用于根据历史故障案例及处置结果对故障传播模型和风险趋势预测模型进行持续优化。

113、与现有的技术相比，本发明的有益效果是：

114、通过构建工业通信关联图谱、故障传播模型及故障因果关系网络，实现了工业现场通信故障传播路径的自动追踪分析和故障根节点的智能定位，能够准确识别故障影响范围及故障源头，减少对人工经验排查的依赖，显著提高故障定位效率和通信网络运维效率；

115、通过融合历史通信运行数据、实时通信健康指数以及故障传播结果建立通信风险演化趋势预测模型，实现对工业现场通信网络未来运行状态及潜在风险的提前预测，并结合多维风险融合评估机制生成预警信息，提高通信风险预警的准确性和及时性，实现由事后故障处理向主动预防和预测性运维的转变；

116、本发明通过构建工业通信关联图谱、故障传播分析模型、故障根因贡献度溯源模型以及通信风险演化趋势预测模型，实现了工业现场通信网络运行状态的实时监测、故障传播路径追踪、故障根节点定位和未来风险趋势预测，能够准确识别故障影响范围及故障源头，提高故障诊断效率；同时充分挖掘历史通信运行数据价值，实现通信风险的提前预警和主动防控，有效提升工业现场通信网络运行的可靠性、安全性和智能运维水平。