本發(fā)明涉及數(shù)據(jù)處理，具體地說(shuō)，涉及一種基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、在國(guó)內(nèi)大型化工企業(yè)中，關(guān)鍵設(shè)備如壓縮機(jī)等的運(yùn)行狀態(tài)數(shù)據(jù)采集通常依賴于本特利的system1系統(tǒng)等工業(yè)軟件。然而，隨著企業(yè)對(duì)設(shè)備管理的要求日益提高，以及信息化技術(shù)在工業(yè)領(lǐng)域的廣泛應(yīng)用，這些系統(tǒng)逐漸暴露出一些嚴(yán)重的問題。

2、首先，這些系統(tǒng)的接口設(shè)計(jì)極不友好，無(wú)法通過常見的api形式將其采集到的數(shù)據(jù)發(fā)送給其他系統(tǒng)，這使得該系統(tǒng)中的設(shè)備數(shù)據(jù)難以與企業(yè)內(nèi)其他設(shè)備管理系統(tǒng)或數(shù)據(jù)分析平臺(tái)進(jìn)行有效的交互和整合。在實(shí)際的設(shè)備管理工作中，這種數(shù)據(jù)隔離導(dǎo)致了諸多不便。例如，當(dāng)企業(yè)需要對(duì)整個(gè)生產(chǎn)線上的設(shè)備運(yùn)行狀態(tài)進(jìn)行綜合分析時(shí)，由于這些系統(tǒng)數(shù)據(jù)的孤立性，無(wú)法將其與其他設(shè)備的數(shù)據(jù)進(jìn)行統(tǒng)一處理和對(duì)比，從而影響了對(duì)整體設(shè)備運(yùn)行狀況的準(zhǔn)確判斷。

3、其次，由于這些系統(tǒng)的封閉性，導(dǎo)致企業(yè)在進(jìn)行設(shè)備維護(hù)和故障診斷時(shí)人工依賴程度高，往往需要在不同的系統(tǒng)之間切換，查找和整合相關(guān)數(shù)據(jù)，這不僅增加了工作的復(fù)雜性，還降低了工作效率。而且，這種數(shù)據(jù)孤島的存在也阻礙了企業(yè)對(duì)設(shè)備運(yùn)行數(shù)據(jù)的深入挖掘和利用，無(wú)法充分發(fā)揮數(shù)據(jù)的潛在價(jià)值，為企業(yè)的設(shè)備優(yōu)化和決策支持提供有力依據(jù)。

4、另外，從技術(shù)發(fā)展的角度來(lái)看，隨著工業(yè)4.0概念的推進(jìn)和智能制造的興起，企業(yè)對(duì)設(shè)備數(shù)據(jù)的互聯(lián)互通和智能化管理提出了更高的要求。而這些系統(tǒng)的現(xiàn)有架構(gòu)和數(shù)據(jù)接口顯然無(wú)法滿足這些新的需求，嚴(yán)重制約了企業(yè)的數(shù)字化轉(zhuǎn)型和智能化發(fā)展進(jìn)程。

5、最常見的現(xiàn)有技術(shù)方案主要為手動(dòng)配置，并基于中間件腳本的數(shù)據(jù)轉(zhuǎn)發(fā)，其具體為：人工導(dǎo)出舊系統(tǒng)的設(shè)備樹、測(cè)點(diǎn)信息等信息，并通過開發(fā)定制化中間件，調(diào)用舊系統(tǒng)的接口獲取數(shù)據(jù)，并轉(zhuǎn)換為modbus?tcp協(xié)議傳輸至其他平臺(tái)。該方案存在如下問題：人工操作耗時(shí)長(zhǎng)，易因舊系統(tǒng)配置的修改而失效；modbus協(xié)議缺乏語(yǔ)義描述能力，數(shù)據(jù)需二次映射；中間件開發(fā)成本高，難以適配多平臺(tái)；缺乏自動(dòng)化異常處理機(jī)制。

6、綜上，現(xiàn)有技術(shù)中存在的最明顯突出的問題主要為兩點(diǎn)：其一，數(shù)據(jù)智能化不足：缺乏自動(dòng)化解析與分類技術(shù)，依賴人工處理，效率低、成本高；其二，可擴(kuò)展性受限：現(xiàn)有架構(gòu)難以支持大規(guī)模設(shè)備數(shù)據(jù)的實(shí)時(shí)采集與處理。鑒于此，我們提出了一種基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法、系統(tǒng)及存儲(chǔ)介質(zhì)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法、系統(tǒng)及存儲(chǔ)介質(zhì)，以解決上述背景技術(shù)中提出的問題。

2、為實(shí)現(xiàn)上述技術(shù)問題的解決，本發(fā)明的目的之一在于，提供了一種基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法，通過opc?ua協(xié)議與ai技術(shù)結(jié)合，實(shí)現(xiàn)舊系統(tǒng)數(shù)據(jù)的自動(dòng)化采集、解析及自動(dòng)生成設(shè)備樹、測(cè)點(diǎn)及相應(yīng)配置組態(tài)，從而形成對(duì)舊系統(tǒng)的數(shù)據(jù)自動(dòng)化分析集成；具體包括如下步驟：

3、s1、opc?ua通信層配置：在舊系統(tǒng)中部署opc?ua服務(wù)器模塊，將設(shè)備樹、測(cè)點(diǎn)信息封裝為opc?ua節(jié)點(diǎn)；并在客戶端配置opc?ua標(biāo)準(zhǔn)客戶端，設(shè)置安全策略、會(huì)話超時(shí)機(jī)制；

4、s2、數(shù)據(jù)解析與語(yǔ)義建模：基于正則表達(dá)式與上下文匹配算法進(jìn)行字符串解析，提取關(guān)鍵字段，并將解析后的數(shù)據(jù)映射至opc?ua信息模型，生成結(jié)構(gòu)化json格式；

5、s3、ai驅(qū)動(dòng)的智能分類與綁定：優(yōu)化并訓(xùn)練長(zhǎng)短期記憶網(wǎng)絡(luò)lstm模型，對(duì)于識(shí)別和分類后的信息，利用智能的數(shù)據(jù)綁定算法將測(cè)點(diǎn)準(zhǔn)確地關(guān)聯(lián)到相應(yīng)的設(shè)備層級(jí)上；這一過程需要綜合考慮設(shè)備的類型、位置、功能等多個(gè)因素，以確保綁定的準(zhǔn)確性。

6、s4、數(shù)據(jù)集成與異常處理：設(shè)計(jì)數(shù)據(jù)轉(zhuǎn)換模塊和異常監(jiān)控功能，將處理后的數(shù)據(jù)與設(shè)備管理平臺(tái)進(jìn)行集成；

7、s5、分布式架構(gòu)設(shè)計(jì)：采用kubernetes容器化部署，實(shí)現(xiàn)計(jì)算節(jié)點(diǎn)彈性擴(kuò)展；設(shè)置數(shù)據(jù)緩存層（redis）以應(yīng)對(duì)高并發(fā)場(chǎng)景，確保低延遲響應(yīng)；在整個(gè)數(shù)據(jù)采集和處理過程中，設(shè)置實(shí)時(shí)監(jiān)控和錯(cuò)誤處理機(jī)制。

8、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s2中，數(shù)據(jù)解析通過設(shè)置字符串解析模塊進(jìn)行，字符串解析模塊進(jìn)行字符串解析具體包括如下步驟：

9、s2.1、數(shù)據(jù)預(yù)處理：在進(jìn)行字符串解析之前，先對(duì)從舊系統(tǒng)采集到的原始字符串?dāng)?shù)據(jù)進(jìn)行預(yù)處理；去除字符串中的冗余信息，將字符串轉(zhuǎn)換為統(tǒng)一的格式，方便后續(xù)處理；

10、s2.2、定義正則表達(dá)式規(guī)則：根據(jù)要提取的關(guān)鍵字段，定義相應(yīng)的正則表達(dá)式模式；

11、s2.3、應(yīng)用正則表達(dá)式提取初步字段：利用定義好的正則表達(dá)式，對(duì)預(yù)處理后的字符串進(jìn)行匹配操作。通過編程語(yǔ)言中的正則表達(dá)式匹配函數(shù)，提取出符合正則表達(dá)式模式的字符串片段；

12、s2.4、上下文匹配優(yōu)化提取結(jié)果：引入上下文匹配算法，以提高提取的準(zhǔn)確性，在提取到初步的字符串后，根據(jù)其上下文信息進(jìn)行判斷和修正。

13、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s2.4中，上下文匹配算法在應(yīng)用過程中，使用字符串相似度算法來(lái)輔助判斷提取的字段是否準(zhǔn)確，采用編輯距離算法，編輯距離是指兩個(gè)字符串之間，由一個(gè)轉(zhuǎn)換成另一個(gè)所需的最少編輯操作次數(shù)（插入、刪除、替換）；假設(shè)字符串和，其編輯距離計(jì)算公式為：

14、

15、其中，表示字符串的前個(gè)字符和字符串的前個(gè)字符之間的編輯距離；是三元運(yùn)算符的組成部分，表示當(dāng)中第個(gè)字符和中第個(gè)字符不相等時(shí)，取1，相等時(shí)，取0；

16、在上下文匹配時(shí)，可以計(jì)算提取的字段與預(yù)期的上下文相關(guān)字符串的編輯距離，距離越小，說(shuō)明該字段與上下文的匹配度越高，提取的準(zhǔn)確性也就越高。

17、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s2中，將解析后的數(shù)據(jù)映射至opc?ua信息模型，生成結(jié)構(gòu)化json格式，具體包括：

18、其一，數(shù)據(jù)映射至opc?ua信息模型的過程：

19、首先，確定opc?ua信息模型元素：opc?ua信息模型包含多種類型的節(jié)點(diǎn)，在映射數(shù)據(jù)之前，需要明確解析后的數(shù)據(jù)分別對(duì)應(yīng)哪些模型元素；

20、其次，建立映射規(guī)則：根據(jù)數(shù)據(jù)的含義和opc?ua信息模型的結(jié)構(gòu)，制定詳細(xì)的映射規(guī)則；

21、最后，進(jìn)行映射操作：依據(jù)映射規(guī)則，將解析后的數(shù)據(jù)插入到opc?ua信息模型對(duì)應(yīng)的節(jié)點(diǎn)位置；

22、其二，生成結(jié)構(gòu)化json格式的過程：

23、首先，構(gòu)建json數(shù)據(jù)結(jié)構(gòu)：基于映射到opc?ua信息模型的數(shù)據(jù)，構(gòu)建json格式的數(shù)據(jù)結(jié)構(gòu)；

24、然后，使用json序列化工具來(lái)將數(shù)據(jù)轉(zhuǎn)換為json格式字符串；

25、其三，在數(shù)據(jù)映射至opc?ua信息模型及生成結(jié)構(gòu)化json格式的過程中，涉及數(shù)據(jù)校驗(yàn)和規(guī)范化處理時(shí)，包括如下：

26、數(shù)據(jù)校驗(yàn)算法：在將數(shù)據(jù)映射到opc?ua信息模型之前，需要對(duì)解析后的數(shù)據(jù)進(jìn)行校驗(yàn)，以確保數(shù)據(jù)的準(zhǔn)確性和完整性；使用校驗(yàn)和算法來(lái)驗(yàn)證數(shù)據(jù)在傳輸或處理過程中是否發(fā)生錯(cuò)誤；校驗(yàn)和算法公式為：

27、

28、其中，是數(shù)據(jù)中所有字符的ascii碼值之和，是字符的ascii碼值，是要校驗(yàn)的數(shù)據(jù)字符串，是字符串的長(zhǎng)度，是字符序號(hào)的索引；

29、數(shù)據(jù)規(guī)范化算法：為了確保數(shù)據(jù)在映射和生成json格式時(shí)的一致性，可能需要對(duì)數(shù)據(jù)進(jìn)行規(guī)范化處理。

30、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s3中，ai驅(qū)動(dòng)的智能分類與綁定的過程，針對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)lstm模型的優(yōu)化與訓(xùn)練，包括：

31、在訓(xùn)練lstm模型之前，對(duì)收集到的大量與舊系統(tǒng)相關(guān)的字符串?dāng)?shù)據(jù)進(jìn)行標(biāo)注；標(biāo)注工作由專業(yè)人員進(jìn)行，他們根據(jù)字符串所代表的含義，將其標(biāo)記為不同的類別；

32、訓(xùn)練lstm模型時(shí)，將標(biāo)注好的數(shù)據(jù)按照一定比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；訓(xùn)練集用于模型的學(xué)習(xí)和參數(shù)調(diào)整，驗(yàn)證集用于監(jiān)控訓(xùn)練過程中的過擬合現(xiàn)象，測(cè)試集則用于評(píng)估模型的最終性能；

33、在測(cè)試階段，使用預(yù)留的測(cè)試集數(shù)據(jù)輸入到訓(xùn)練好的模型中；通過比較模型的預(yù)測(cè)結(jié)果與實(shí)際的標(biāo)注結(jié)果，評(píng)估模型的準(zhǔn)確率、召回率、f1值等指標(biāo)；如果測(cè)試結(jié)果不滿足要求，則進(jìn)一步調(diào)整模型的參數(shù)或增加訓(xùn)練數(shù)據(jù)，重新進(jìn)行訓(xùn)練。

34、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s3中，優(yōu)化后的長(zhǎng)短期記憶網(wǎng)絡(luò)lstm模型包括：

35、輸入層：嵌入層將字符串向量化；在輸入層的嵌入層，可以不再簡(jiǎn)單地將字符串向量化，而是根據(jù)數(shù)據(jù)特點(diǎn)選擇更合適的嵌入方式；

36、隱藏層：雙向lstm捕獲上下文特征；隱藏層采用雙向lstm，分別從正向和反向處理輸入序列；正向lstm從字符串起始位置依次向后處理，反向lstm則從末尾向前處理；此外，在雙向lstm層之間或之后，添加層歸一化（layer?normalization）操作，穩(wěn)定訓(xùn)練過程，加速模型收斂；層歸一化對(duì)每個(gè)樣本的每個(gè)隱藏單元進(jìn)行歸一化處理，計(jì)算公式為：

37、

38、其中，是歸一化處理后的樣本，是輸入數(shù)據(jù)，是均值，是方差，是防止除零的小常數(shù)，和是可學(xué)習(xí)的參數(shù)；

39、輸出層：softmax分類器標(biāo)注設(shè)備層級(jí)與測(cè)點(diǎn)類型；為了提高分類的準(zhǔn)確性，對(duì)softmax函數(shù)進(jìn)行改進(jìn)；在softmax的計(jì)算中，引入溫度參數(shù)（temperature），調(diào)整softmax輸出概率的分布；softmax函數(shù)原本為，引入溫度參數(shù)t后變?yōu)椋划?dāng)t較大時(shí)，輸出概率分布更均勻；t較小時(shí)，概率分布更集中于概率最大的類別；

40、超參數(shù)：學(xué)習(xí)率、批次大小、dropout；

41、針對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)lstm模型的訓(xùn)練過程，可以對(duì)其訓(xùn)練方法進(jìn)行如下優(yōu)化：

42、其一，數(shù)據(jù)增強(qiáng)策略：在訓(xùn)練數(shù)據(jù)有限的情況下，采用數(shù)據(jù)增強(qiáng)技術(shù)擴(kuò)充數(shù)據(jù)集；

43、其二，自適應(yīng)學(xué)習(xí)率調(diào)整：訓(xùn)練過程中，使用自適應(yīng)學(xué)習(xí)率算法，在訓(xùn)練初期，學(xué)習(xí)率較大，模型快速調(diào)整參數(shù)；隨著訓(xùn)練進(jìn)行，學(xué)習(xí)率根據(jù)每個(gè)參數(shù)的梯度變化自適應(yīng)調(diào)整，避免在局部最優(yōu)解附近震蕩；

44、其三，模型融合：訓(xùn)練多個(gè)不同初始化的lstm模型，然后進(jìn)行模型融合。

45、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s3中，ai驅(qū)動(dòng)的智能分類與綁定的過程具體包括如下步驟：

46、s3.1、數(shù)據(jù)采集及預(yù)處理：

47、s3.1.1、數(shù)據(jù)采集：采集大量與舊系統(tǒng)相關(guān)的字符串?dāng)?shù)據(jù)，該字符串?dāng)?shù)據(jù)需覆蓋舊系統(tǒng)的運(yùn)行全流程；

48、s3.1.2、數(shù)據(jù)清洗：去除數(shù)據(jù)中的噪聲、重復(fù)值和缺失值；對(duì)于缺失值，可以采用均值、中位數(shù)或眾數(shù)填充，也可以使用機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)填充；

49、s3.1.3、數(shù)據(jù)標(biāo)準(zhǔn)化：將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的尺度，數(shù)據(jù)標(biāo)準(zhǔn)化的方法包括歸一化和標(biāo)準(zhǔn)化；

50、s3.2、特征工程：

51、s3.2.1、特征選擇：從原始特征中選擇最具代表性和區(qū)分性的特征，減少特征維度，提高模型的效率和性能；

52、s3.2.2、特征提取：通過變換或組合原始特征，生成新的更具表達(dá)能力的特征；

53、s3.3、分類模型選擇與訓(xùn)練：

54、s3.3.1、模型選擇：根據(jù)數(shù)據(jù)的特點(diǎn)和任務(wù)的需求，選擇長(zhǎng)短期記憶網(wǎng)絡(luò)lstm模型；

55、s3.3.2、使用訓(xùn)練數(shù)據(jù)對(duì)選擇的模型進(jìn)行訓(xùn)練，通過優(yōu)化目標(biāo)函數(shù)來(lái)調(diào)整模型的參數(shù)；

56、s3.4、綁定規(guī)則制定與執(zhí)行：

57、s3.4.1、規(guī)則制定：根據(jù)業(yè)務(wù)需求和分類結(jié)果，制定合理的綁定規(guī)則；

58、s3.4.2、規(guī)則執(zhí)行：將分類結(jié)果與綁定規(guī)則進(jìn)行匹配，實(shí)現(xiàn)數(shù)據(jù)的綁定。

59、作為本技術(shù)方案的進(jìn)一步改進(jìn)，所述s4中，數(shù)據(jù)集成與異常處理具體包括如下步驟：

60、s4.1、數(shù)據(jù)集成：

61、s4.1.1、數(shù)據(jù)抽?。?/p>

62、數(shù)據(jù)源識(shí)別：明確需要集成的數(shù)據(jù)源，包括不同格式和不同位置的數(shù)據(jù)源；

63、數(shù)據(jù)抽取：根據(jù)數(shù)據(jù)源的類型，使用相應(yīng)的工具和方法進(jìn)行數(shù)據(jù)抽?。?/p>

64、（1）數(shù)據(jù)庫(kù)數(shù)據(jù)抽?。菏褂胹ql查詢語(yǔ)句從數(shù)據(jù)庫(kù)中提取所需的數(shù)據(jù)；

65、（2）文件數(shù)據(jù)抽?。簩?duì)于csv文件，可以使用python的pandas庫(kù)進(jìn)行讀?。?/p>

66、s4.1.2、數(shù)據(jù)轉(zhuǎn)換：

67、（1）數(shù)據(jù)清洗：去除數(shù)據(jù)中的噪聲、重復(fù)值和缺失值；

68、（2）處理缺失值：可以使用均值、中位數(shù)或眾數(shù)填充缺失值，也可以刪除包含缺失值的行；

69、（3）數(shù)據(jù)標(biāo)準(zhǔn)化：將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的尺度，方法有歸一化和標(biāo)準(zhǔn)化；

70、（4）數(shù)據(jù)編碼：將分類變量轉(zhuǎn)換為數(shù)值變量，方法有獨(dú)熱編碼和標(biāo)簽編碼；

71、s4.1.3、數(shù)據(jù)加載：

72、將轉(zhuǎn)換后的數(shù)據(jù)加載到目標(biāo)數(shù)據(jù)存儲(chǔ)中；

73、s4.2、異常處理：

74、s4.2.1、異常檢測(cè)：

75、基于統(tǒng)計(jì)的異常檢測(cè)：通過計(jì)算數(shù)據(jù)的統(tǒng)計(jì)特征來(lái)檢測(cè)異常值；常見的方法有z-score方法；

76、基于機(jī)器學(xué)習(xí)的異常檢測(cè)：使用機(jī)器學(xué)習(xí)算法進(jìn)行異常檢測(cè)；

77、s4.2.2、異常處理：

78、刪除異常值：直接刪除檢測(cè)到的異常值；

79、修正異常值：使用均值、中位數(shù)或其他合理的值替換異常值；

80、標(biāo)記異常值：在數(shù)據(jù)中標(biāo)記異常值，以便后續(xù)分析；

81、通過以上步驟，可以實(shí)現(xiàn)數(shù)據(jù)的集成和異常處理，確保數(shù)據(jù)的質(zhì)量和一致性。

82、本發(fā)明的目的之二在于，提供了一種基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集系統(tǒng)，用于實(shí)現(xiàn)上述的基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法的步驟，包括：

83、通信配置單元，用于在舊系統(tǒng)中部署opc?ua服務(wù)器模塊，將設(shè)備樹、測(cè)點(diǎn)信息封裝為opc?ua節(jié)點(diǎn)，并采用opc?ua標(biāo)準(zhǔn)客戶端來(lái)配置客戶端，以確保通信穩(wěn)定性；

84、數(shù)據(jù)解析與語(yǔ)義建模單元，包括字符串解析模塊和語(yǔ)義建模模塊；字符串解析模塊基于正則表達(dá)式與上下文匹配算法，提取關(guān)鍵字段；語(yǔ)義建模模塊用于將解析后的數(shù)據(jù)映射至opc?ua信息模型，生成結(jié)構(gòu)化json格式；

85、模型優(yōu)化單元，用于對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)lstm模型進(jìn)行優(yōu)化，實(shí)現(xiàn)ai驅(qū)動(dòng)的智能分類與綁定；

86、數(shù)據(jù)集成與異常處理單元，包括數(shù)據(jù)轉(zhuǎn)換模塊和異常監(jiān)控模塊；數(shù)據(jù)轉(zhuǎn)換模塊通過開發(fā)適配器將opc?ua數(shù)據(jù)轉(zhuǎn)換為目標(biāo)平臺(tái)格式，支持時(shí)序數(shù)據(jù)庫(kù)直接寫入；異常監(jiān)控模塊用于實(shí)時(shí)檢測(cè)異常情況，并觸發(fā)重連機(jī)制或數(shù)據(jù)補(bǔ)傳；

87、分布式架構(gòu)設(shè)計(jì)單元，采用kubernetes容器化部署，實(shí)現(xiàn)計(jì)算節(jié)點(diǎn)彈性擴(kuò)展，并設(shè)置數(shù)據(jù)緩存層應(yīng)對(duì)高并發(fā)場(chǎng)景，以確保低延遲響應(yīng)。

88、本發(fā)明的目的之三在于，提供了用于裝載上述基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集系統(tǒng)的計(jì)算機(jī)裝置，該裝置包括處理器、存儲(chǔ)器以及存儲(chǔ)在存儲(chǔ)器中并在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器用于執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述的基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法的步驟。

89、本發(fā)明的目的之四在于，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述的基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法的步驟。

90、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：

91、1.該基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法、系統(tǒng)及存儲(chǔ)介質(zhì)中，成功解決了舊系統(tǒng)接口不友好導(dǎo)致的數(shù)據(jù)孤島問題，實(shí)現(xiàn)了設(shè)備數(shù)據(jù)的高效整合與共享，大大提高了數(shù)據(jù)的利用價(jià)值；通過ai技術(shù)對(duì)字符串信息的精確分析和分類，以及智能的數(shù)據(jù)綁定算法，顯著提高了設(shè)備樹和測(cè)點(diǎn)信息的準(zhǔn)確性和完整性，為設(shè)備管理和運(yùn)行狀態(tài)分析提供了可靠的數(shù)據(jù)基礎(chǔ)；數(shù)據(jù)的自動(dòng)采集和處理大大減少了人工干預(yù)，降低了人力成本和人為錯(cuò)誤的可能性，提高了工作效率；

92、2.該基于opc?ua協(xié)議的系統(tǒng)數(shù)據(jù)采集方法、系統(tǒng)及存儲(chǔ)介質(zhì)中，將舊系統(tǒng)的數(shù)據(jù)集成到設(shè)備管理平臺(tái)中，使得企業(yè)能夠全面、實(shí)時(shí)地了解設(shè)備運(yùn)行狀態(tài)，及時(shí)發(fā)現(xiàn)潛在的故障和問題，有助于提前采取預(yù)防措施，減少設(shè)備停機(jī)時(shí)間，提高設(shè)備的可靠性和穩(wěn)定性，從而保障生產(chǎn)的連續(xù)性和穩(wěn)定性；本方案具有良好的可擴(kuò)展性和適應(yīng)性，能夠滿足企業(yè)未來(lái)設(shè)備管理和信息化發(fā)展的需求，為企業(yè)的數(shù)字化轉(zhuǎn)型和智能化發(fā)展提供有力支持。