一种边缘计算远程控制PLC的方法
文献发布时间：2024-04-18 19:59:31
技术领域
本发明属于PLC控制技术领域，涉及一种边缘计算远程控制PLC的方法。
背景技术
边缘计算可采用RS422、RS232和RS485通讯协议与不同设备类型的PLC进行直连，实现边缘计算控制PLC的功能。利用边缘计算接收云服务端的控制指令，在收到指令后，边缘计算直接通过通讯协议读写对应的PLC寄存器，可实现PLC的远程控制功能。
然而，目前远程控制PLC的方法更多采用手动调整生产设备参数的方式去实现控制生产，这种方式基于人工经验判断，往往会在调参的过程中出现误差而导致达不到生产目标。此外，由于生产设备参数与生产数据之间的响应关系未知，导致生产设备难以快速响应云服务器发送的远程控制指令，针对生产目标对生产设备参数作出调整。
发明内容
为解决上述现有技术存在的问题，本发明提供了一种边缘计算远程控制PLC的方法。
本发明的目的可以通过以下技术方案实现：
一种边缘计算远程控制PLC的方法，包括以下步骤：
步骤一、现场生产数据采集：通过边缘计算设备采集现场生产数据，对现场生产数据进行数据清洗处理，并将处理后的数据加密处理后通过HTTPS协议传输至云服务器；
步骤二、远程控制指令发送：云服务器解密并接收现场生产数据文件，设定目标生产数据，根据目标生产数据配置好远程控制指令，将所述远程控制指令加密并生成64位数字签名后，通过HTTPS协议发送至边缘计算设备；
步骤三、远程控制指令接收：边缘计算收到云服务器的远程控制指令后，验证64位数字签名后解密远程控制指令，通过RS422、RS232和RS485协议操作PLC系统，读写PLC对应的寄存器位表地址，并保存接收的数据；
步骤四、远程控制指令响应：PLC系统根据接收的远程控制指令，计算生产数据调整量，并将所述生产数据调整量作为输入，代入已构建完成的BP人工神经网络模型，输出生产设备参数调整量，最后根据所述生产设备参数调整量对生产设备的参数进行调整。
进一步地，步骤一中，所述边缘计算设备与生产设备相连，用于响应云服务器对生产设备的业务交互请求。
进一步地，步骤一中，所述数据加密处理，配置为采用AES算法将明文数据转化为密文，再将所述密文包封装在以JSON格式和标准的文件中，并生成JSON文件的OTP密钥。
进一步地，步骤四中，所述生产数据调整量，是由步骤二中所述目标生产数据减去步骤一中所述现场生产数据所得。
进一步地，步骤四中，所述生产设备参数调整量，是由步骤二中所述目标生产数据时记录的生产设备参数值，减去步骤一中所述现场生产数据时记录的生产设备参数值所得。
进一步地，步骤四中，所述构建BP人工神经网路，包括以下步骤：
S1、确定模型结构：确定神经网络的层数和每层的神经元数量，包括输入层、隐藏层和输出层，并设置模型的学习率和迭代次数；
S2、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；
S3、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；
S4、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；
S5、重复迭代：重复进行步骤S2至步骤S4，直到达到预设的误差阈值时停止；
S6、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用决定系数R
进一步地，步骤S1中，所述模型结构，具体配置为：输入层为往期已保存的生产数据调整量，输出层为往期已保存的生产设备参数调整量，隐藏层层数为1层，输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，神经元输出的计算公式如下：
式中，y为神经元输出；x
进一步地，步骤S2中，所述前向传播，包括以下步骤：
S21、计算模型隐藏层的输出，其公式为：
式中，y
S22、计算模型输出层的输出，其公式为：
式中，p
进一步地，步骤S3中，所述计算误差，公式为：
式中，E为输出层单元误差函数；t
进一步地，步骤S4中，所述的反向传播，包括以下步骤：
S41、利用误差函数对输出层单元的连接权重和偏置求偏导；
S42、利用误差函数对隐藏层单元的连接权重和偏置求偏导；
S43、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：
w
式中，w
本发明的有益效果为：
(1)通过AES算法、OTP密钥和64位数字签名多重数据加密和身份验证方式，保障了边缘计算远程控制PLC过程的指令和数据传输的安全；
(2)通过往期已保存的生产数据与生产设备参数数据，构建BP人工神经网络模型，量化了二者之间的响应关系，从而加快了后续生产设备对云服务器远程控制指令的响应速度；
(3)通过构建基于生产设备参数与生产数据之间的BP人工神经网络模型，可实现设定目标生产数据，自动调整生产设备参数，实现了远程控制的智能化管理，解决了采用边缘计算远程控制PLC手动调整生产设备参数可能产生误差的问题。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步地说明。
图1为本发明中一种边缘计算远程控制PLC的方法流程图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
请参阅图1，本发明提供了一种边缘计算远程控制PLC的方法，包括以下步骤：
步骤一、现场生产数据采集：通过边缘计算设备采集现场生产数据，对现场生产数据进行数据清洗处理，并将处理后的数据加密处理后通过HTTPS协议传输至云服务器；
步骤二、远程控制指令发送：云服务器解密并接收现场生产数据文件，设定目标生产数据，根据目标生产数据配置好远程控制指令，将所述远程控制指令加密并生成64为数字签名后，通过HTTPS协议发送至边缘计算设备；
步骤三、远程控制指令接收：边缘计算收到云服务器的远程控制指令后，验证64位数字签名后解密远程控制指令，通过RS422、RS232和RS485协议操作PLC系统，读写PLC对应的寄存器位表地址，并保存接收的数据；
步骤四、远程控制指令响应：PLC系统根据接收的远程控制指令，计算生产数据调整量，并将所述生产数据调整量作为输入，代入已构建完成的BP人工神经网络模型，输出生产设备参数调整量，最后根据所述生产设备参数调整量对生产设备的参数进行调整。
进一步地，步骤一中，所述边缘计算设备与生产设备相连，用于响应云服务器对生产设备的业务交互请求。
进一步地，步骤一中，所述数据加密处理，配置为采用AES算法将明文数据转化为密文，再将所述密文包封装在以JSON格式和标准的文件中，并生成JSON文件的OTP密钥。
进一步地，步骤四中，所述生产数据调整量，是由步骤二中所述目标生产数据减去步骤一中所述现场生产数据所得。
进一步地，步骤四中，所述生产设备参数调整量，是由步骤二中所述目标生产数据时记录的生产设备参数值，减去步骤一中所述现场生产数据时记录的生产设备参数值所得。
本实施例中，考虑了生产设备参数与生产数据之间的因果关系，将生产设备参数调整量和生产数据调整量作为本实施例的因变量和自变量，较好地体现出远程控制与控制目标的关系，为实现智能化控制管理打下基础。
进一步地，步骤四中，所述构建BP人工神经网路，包括以下步骤：
S1、确定模型结构：确定神经网络的层数和每层的神经元数量，包括输入层、隐藏层和输出层，并设置模型的学习率和迭代次数；
S2、前向传播：将输入数据通过神经网络进行计算，从输入层开始，通过隐藏层逐层传递，最终到达输出层，在每个神经元中，根据输入数据和权重计算加权和，最后通过激活函数得到神经元的输出；
S3、计算误差：将神经网络的输出与期望输出进行比较，计算出误差；
S4、反向传播：根据误差，从输出层开始，逐层反向传播误差，并根据误差利用梯度下降算法调整连接权重和偏置；
S5、重复迭代：重复进行步骤S2至步骤S4，直到达到预设的误差阈值时停止；
S6、模型评估：使用独立的测试数据集对训练好的神经网络进行测试，采用决定系数R
进一步地，步骤S1中，所述模型结构，具体配置为：输入层为往期已保存的生产数据调整量，输出层为往期已保存的生产设备参数调整量，隐藏层层数为1层，输入层单元与隐藏层单元之间，以及隐藏层单元与输出层单元之间都设有连接权重和偏置，隐藏层和输出层都设有激活函数，神经元输出的计算公式如下：
式中，y为神经元输出；x
进一步地，步骤S2中，所述前向传播，包括以下步骤：
S21、计算模型隐藏层的输出，其公式为：
式中，y
S22、计算模型输出层的输出，其公式为：
式中，p
进一步地，步骤S3中，所述计算误差，公式为：
式中，E为输出层单元误差函数；t
进一步地，步骤S4中，所述的反向传播，包括以下步骤：
S41、利用误差函数对输出层单元的连接权重和偏置求偏导；
S42、利用误差函数对隐藏层单元的连接权重和偏置求偏导；
S43、利用连接权重和偏置的调整量与误差函数的成比例关系，确定调整的范围，调整量的公式为：
w
式中，w
本发明的有益效果为：
(1)通过AES算法、OTP密钥和64位数字签名多重数据加密和身份验证方式，保障了边缘计算远程控制PLC过程的指令和数据传输的安全；
(2)通过往期已保存的生产数据与生产设备参数数据，构建BP人工神经网络模型，量化了二者之间的响应关系，从而加快了后续生产设备对云服务器远程控制指令的响应速度；
(3)通过构建基于生产设备参数与生产数据之间的BP人工神经网络模型，可实现设定目标生产数据，自动调整生产设备参数，实现了远程控制的智能化管理，解决了采用边缘计算远程控制PLC手动调整生产设备参数可能产生误差的问题。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰，均仍属于本发明技术方案的范围内。