工业互联网与大数据课程建设

《工业互联网与大数据》课程由硬件部分边缘智能分析仪和软件系统机器学习算法模型系统DLAgent组成。

边缘智能分析仪

1.1 系统构成

利用边缘网关作为数据采集核心，采用高速模拟采集卡采集模拟信号、串口转485采集离散信号，数据可通过设备界面进行显示及配置。

1.2 功能汇总

加速度及转速采集：采用高速数据采集卡，实时采集端口的震动数据，按秒汇总数据并存储到本地，同时上报到FTP服务器，服务器可选择时间段实现曲线显示，最高可支持24路同时采集。
边缘客户端：基于Windows系统运行，可在本地配置各端口的数据采集场景，并显示实时或历史曲线。
数据采集格式：高速采集数据采样频率、采样时长、采样后的格式、采样保存路径等参数可由上位机可以配置。
MODBUS离散量：通过服务器进行配置寄存器地址等参数，时间定时数据采集汇总到服务器。

1.3 分析仪功能

1.3.1 采集终端

界面	功能
数据监控	关键数据最新值的显示
	设备信息
	传感器的最新值
	传感器历史数据查询
	包括速度传感器采集的数据
设备管理	设备信息控制
	回路读取数据
	采集场景手动执行
	时控计划执行历史
大数据展示	显示震动的历史数据
	通道选择
	时间选择
	数据实时显示
	图表放大缩小
	数据存储及上传FTP
基础配置	485回路配置
	速度回路配置
	采集场景配置
	时控计划配置
	震动传感器配置

1.4 客户端界面说明

首页功能说明：
1. 配置设备信息：可以配置采集卡的端口名，软件通过端口名绑定采集卡的硬件，这样就可以实现一台电脑安装多台采集卡（只要设备带的动）。
2. 采集场景的手动开始及结束。
3. MODBUS实时采集显示：显示采集通道对应的数值。
4. 历史数据查询：可以查询MODBUS采集到的数据（离散量的温湿度等，转速传感器）。
5. 关键通讯口的状态显示

趋势监控界面功能说明：
1. 用于高速采集卡的数据实时显示、历史数据查询、文件格式转换
2. 可以选择通道显示实时数据；
3. 选择需要的时间段，获取历史数据在界面显示；
4. 可以选择导出数据的格式，目前支持源数据及CSV格式导出
5. 由于高速采集数据量非常大，目前软件按秒存储数据，系统显示也是按帧存储

场景的配置功能：
1. 可以配置高速卡的采集配置，通过场景名进行调用；
2. 可联动MODBUS采集场景，同步获取对应转速状态下的震动波形。
3. 高速卡可以配置采集频率、量程、增益、IEPE功能开启就可以进行音频采集；
4. MODBUS采集包括离散量及转速的采集，通过类型进行选择（如选择Speed就是转速，系统自动配置转速的传感器）
5. MODBUS采集到的数据可以通过系数进行换算（结果=原始值 × 系数）
6. MODBUS采集可以配置1/4两种功能码，适配目前大部分传感器（避免之前农业项目的局限性）

定时采集配置：
1. 采用非常灵活的CRON表达式进行定时配置，可灵活的配置启动时间。
cron表达式是一个字符串，由6到7个字段组成，用空格分隔。其中前6个字段是必须的，最后一个是可选的。每个字段的含义如图所示:

从左到右，依次对每个字段指定相应的值，就可以确定一个任务的执行时间点和周期了。值可以由数字配合字符来组合。
2. 定时器可联动对应的场景，高速采集卡同一时间只能有一个设备在运行，MODBUS可以支持多个同时进行。

1.5 硬件配置

主板 华硕H610I-IM-A

12代i1-12100 4核8线程 睿频4.1G 有集显

金士顿笔记本DDR4 3200 16G

西数SN5100蓝盘 1T 写6700 读7100 寿命600TBW

利民风扇 AX90SE 小个4铜管 高118mm

航嘉GS500 额定400W 显卡双8PII

机器学习算法模型系统 DLAgent 软件系统

以下是相关的算法介绍：

第一章 特征提取

• 1.1 PCA
• 1.2 LDA
• 1.3 LPP
• 1.4 CAE
• 1.5 AutoEncoder
• 1.6 CLSTM

第二章 特征选择

• 2.1 遗传算法（GA）
• 2.2 粒子群算法（PSO）
• 2.3 L1 正则化
• 2.4 相关维数分析
• 2.5 注意力机制

第三章 分类与回归模块

• 3.1 1D-CNN
• 3.2 CAE
• 3.3 MLP
• 3.4 LSTM
• 3.5 GRU
• 3.6 BiGRU
• 3.7 RNN
• 3.8 CNN
• 3.9 ResNet
• 3.10 DenseNet
• 3.11 GoogleNet
• 3.12 VGGNet
• 3.13 MobileNet
• 3.14 EfficientNet
• 3.15 AlexNet

第四章 迁移学习模块

• 4.1 DAAN (Domain-Adversarial Neural Network)
• 4.2 MDD (Margin Disparity Discrepancy)
• 4.3 CORAL (Correlation Alignment)
• 4.4 FSL (Few-Shot Learning)

第五章 小样本学习模块

• 5.1 ProtoNet
• 5.2 FSLCNN
• 5.3 MFFCNN
• 5.4 Siamese

第六章 增量学习模块

• 6.1 Learn++
• 6.2 iCaRL
• 6.3 EWC
• 6.4 GEM

第七章 多任务学习模块

• 7.1 MTCNN
• 7.2 IDRSNet

第八章 图神经网络模块

• 8.1 GraphSAGE
• 8.2 GNN (Graph Neural Network)
• 8.3 GCN (Graph Convolutional Network)
• 8.4 GAT (Graph Attention Network)
• 8.5 FastGCN
• 8.6 CGNN (Causal Graph Neural Network)

第九章 数据生成与检测模块

• 9.1 YOLOv10
• 9.2 YOLOv8
• 9.3 Faster-RCNN
• 9.4 DCGAN
• 9.5 SRGAN
• 9.6 Diffusion

《工业互联网与大数据》理论课程：

《工业互联网与大数据》实验课程：

《工业互联网与大数据》课程教学大纲：

《工业互联网与大数据》实验计划书：

---