工业物联网功能设计（一）

原创

贺公子之数据科学与艺术 2024-12-14 22:45:06 ©著作权

文章标签 数据 python 实时监控 文章分类 Html/CSS 前端开发

©著作权归作者所有：来自51CTO博客作者贺公子之数据科学与艺术的原创作品，请联系作者获取转载授权，否则将追究法律责任

工业物联网（IIoT，Industrial Internet of Things）通过将传感器、设备和系统连接到网络，使得工业设备之间能够进行数据交互，从而提高效率、优化生产流程并减少停机时间。以下是一个关于 工业物联网功能模块 的案例分析、功能模块设计和代码实现的详细介绍。

案例场景：智能工厂设备监控与故障预测系统

在一个智能工厂中，需要实时监控多个设备（如机床、传送带等）的运行状态，并通过数据分析预测设备故障。这套系统需要具备以下功能模块：

数据采集模块：
- 通过传感器采集设备的运行数据（温度、振动、电流等）。
- 使用 MQTT 协议上传到服务器。
数据传输模块：
- 通过边缘计算网关，将采集数据从设备传输到云端或本地服务器。
数据存储模块：
- 在数据库中存储采集的设备运行数据。
数据分析与故障预测模块：
- 利用机器学习算法分析历史数据，预测设备故障。
实时监控与报警模块：
- 提供前端可视化界面，展示设备运行状态。
- 当设备数据异常时触发报警。

功能模块设计与实现

1. 数据采集模块

使用传感器（如振动传感器、温度传感器）采集数据，并通过 MQTT 协议传输。

Python代码示例：

import paho.mqtt.client as mqtt
import random
import time

# 模拟设备数据采集
def simulate_device_data():
    return {
        "device_id": "machine_1",
        "temperature": round(random.uniform(20, 80), 2),
        "vibration": round(random.uniform(0.1, 2.0), 2),
        "current": round(random.uniform(5, 20), 2)
    }

# MQTT 配置
BROKER = ""
TOPIC = "factory/machine_1/data"

client = mqtt.Client()

# 连接到 MQTT 代理
client.connect(BROKER, 1883, 60)

while True:
    data = simulate_device_data()
    client.publish(TOPIC, str(data))
    print(f"Data sent: {data}")
    time.sleep(5)

2. 数据传输模块

利用 边缘计算技术实现数据预处理和传输。

边缘计算示例：

import json

def preprocess_data(data):
    # 边缘计算数据预处理
    data['temperature'] = round((data['temperature'] - 32) * 5.0 / 9.0, 2)  # 温度转换为摄氏度
    return data

# 模拟边缘网关接收到数据
raw_data = {
    "device_id": "machine_1",
    "temperature": 72.0,
    "vibration": 1.5,
    "current": 15.2
}

# 数据预处理
processed_data = preprocess_data(raw_data)
print("Preprocessed Data:", processed_data)

3. 数据存储模块

将数据存储在 MySQL 数据库中。

代码示例：

import mysql.connector

# 数据库配置
db = mysql.connector.connect(
    host="localhost",
    user="root",
    password="password",
    database="iiot"
)

cursor = db.cursor()

# 创建表
cursor.execute("""
CREATE TABLE IF NOT EXISTS device_data (
    id INT AUTO_INCREMENT PRIMARY KEY,
    device_id VARCHAR(255),
    temperature FLOAT,
    vibration FLOAT,
    current FLOAT,
    timestamp TIMESTAMP DEFAULT CURRENT_TIMESTAMP
)
""")

# 插入数据
def insert_data(data):
    sql = """
    INSERT INTO device_data (device_id, temperature, vibration, current)
    VALUES (%s, %s, %s, %s)
    """
    values = (data['device_id'], data['temperature'], data['vibration'], data['current'])
    cursor.execute(sql, values)
    db.commit()

# 示例数据
data = {
    "device_id": "machine_1",
    "temperature": 25.0,
    "vibration": 1.5,
    "current": 12.0
}
insert_data(data)
print("Data inserted into database.")

4. 数据分析与故障预测模块

利用 机器学习 模型实现故障预测。

代码示例（故障预测模型）：

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 生成模拟数据
data = {
    "temperature": [25, 70, 55, 80, 30],
    "vibration": [0.5, 2.0, 1.5, 2.5, 0.8],
    "current": [10, 18, 14, 20, 12],
    "fault": [0, 1, 0, 1, 0]  # 0: 正常，1: 故障
}

df = pd.DataFrame(data)

# 划分训练集和测试集
X = df[["temperature", "vibration", "current"]]
y = df["fault"]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)
print("预测准确率:", accuracy_score(y_test, y_pred))

5. 实时监控与报警模块

通过 Web 前端展示设备运行状态并发送报警。

实时监控（Flask实现）：

from flask import Flask, jsonify

app = Flask(__name__)

# 模拟设备数据
device_data = {
    "machine_1": {"temperature": 25.0, "vibration": 1.2, "current": 15.0}
}

@app.route('/status', methods=['GET'])
def get_status():
    return jsonify(device_data)

if __name__ == '__main__':
    app.run(debug=True)

报警触发示例：

def check_for_alarm(data):
    if data['temperature'] > 75 or data['vibration'] > 2.0:
        print("警告: 设备运行异常!")
    else:
        print("设备状态正常.")

# 示例数据
data = {"temperature": 80, "vibration": 1.8, "current": 18}
check_for_alarm(data)