基于动态链接库的工业网络设备损坏率预测系统设计

徐 东，许永正，侍守创

（1.工业互联网创新中心（上海）有限公司，上海 200120；2.江苏杰瑞信息科技有限公司，江苏连云港 222000）

一个DLL 信息文件中往往包含着多个已被编译的数据链接，且这些链接节点可同时匹配多个运行进程和与之相关的存储型应用函数[1]，因此，特定情况下，DLL 信息文件还具备一定强度的资源与数据共享能力，可在感应数据库主机中进行信息访问的同时，控制动态链接程序的传输距离，从而较好地维系数据信息与链接库主机间的应用与互补关系。

在工业智能应用平台中，为较好地解决因网络设备损坏行为而造成的电量过度利用问题，文献[2]通过冗余数据备份的方式，确定工业设备的现有损坏率情况，再借助安全磁盘，实现对这些数据信息文件的定向清除；文献[3]用于测量障碍物信息的激光雷达数据中是否存在无效、冗余等数据。

然而，上述系统的实际执行能力有限，并不能完全满足工业智能平台的实际应用需求。因此，引入动态链接库方法，并在工业电网平台结构的作用下，设计一种新型的工业网络设备损坏率预测系统，通过数据集合标定处理的方式，得到准确的聚类参数计算结果，再联合动态存储数据库，实现系统执行性规划能力的稳定提升。

1 系统硬件设计

工业网络设备损坏率预测系统的硬件执行环境由工业电网平台、预测电路、网络设备损坏率统计模块三部分共同组成，具体设计方法如下。

1.1 工业电网平台

工业电网平台作为工业智能应用体系的核心组成框架，包含光伏组件、发电机、逆变器、控制器、变流器等多个部分，工业电网平台示意图如图1 所示。

图1 工业电网平台示意图

图1 中，该平台可在维护工业化网络用电平衡的同时，实现对传输电流及传输电压的定向化处理。光伏组件、风机、发电机同属于工业智能应用平台的顶层发电装置，可为下级耗电元件提供可直接应用的传输电流，并可借助逆变器、控制器等电力设备结构体，将未完全消耗的电量传输至底层蓄电池结构之中，并在其中进行长期存储[4]。逆变器、控制器、变流器等元件同属于工业化用电设备，能够对定向传输电子进行消耗，并可将电量消耗信息反馈回核心工业网络预测主机中。

1.2 预测电路

预测电路可为工业智能应用平台提供设备损坏率预测所需的传输应用电量，其包含3 条电子传输通路（L1、L2、L3），可在多个R 级电阻设备的作用下，将高压交流电子转变为低压直流电子，并借助LOAD、KM 两类电感应用元件，实现对工业网络设备损坏率的准确预测。通常情况下，系统预测电路允许R 级电阻设备同时出现多个不同的电阻数值，由于动态链接库设备的存在，电阻设备的数值水平越高，电路结构体对于工业网络设备损坏率的预测准确性也就越强[5-6]。NC、NO 元件能够对电子传输通路中的传输电流进行同步感应，并可借助L 级电子传输通路将这些电量传输至下级工业设备结构体之中。

1.3 网络设备损坏率统计模块

网络设备损坏率统计模块在工业智能应用平台中扮演着统筹底层数据信息的角色，由内核元件、外接设备、传输接口、过渡链接通道四类结构共同组成[7]，如表1 所示。其中，内核元件负责对工业网络设备损坏率预测信息进行整合，并按照工业电网平台的连接需求，将这些信息文件反馈至相关下级执行结构体之中。外接设备存在于网络设备损坏率统计模块最外部，可将所有内部设备元件完全包裹在内，能够在感知预测电路中电量传输需求的同时，对动态链接库中已存储的数据信息发出调取申请，从而满足系统主机对于工业网络设备损坏率信息的实际预测需求[8-9]。

表1 网络设备损坏率统计模块连接原理

2 系统软件设计

在硬件执行环境的支持下，按照数据集合标定、聚类参数计算、动态存储数据库连接的处理流程，完成系统的软件执行环境搭建，两相结合，实现基于动态链接库工业网络设备损坏率预测系统的顺利应用。

2.1 数据集合标定

数据集合标定是动态链接库算法应用的必要处理环节，在工业智能应用平台中，预测主机所标记出的工业网络设备损坏率数据量越大，最终计算所得的聚类参数结果也就越精确。在不考虑其他干扰条件的情况下，数据集合标定处理结果受到工业网络设备损坏率信息承载量、数据信息预测时长两项物理指标的直接影响[10-11]。损坏率信息承载量由上限极值in、下限极值i0两部分共同组成；数据信息预测时长也由上限极值tn、下限极值t0两部分共同组成。一般情况下，上限极值越大，系统主机对于工业网络设备损坏率的预测准确度也就越高，反之则越低。联立上述物理量，可将动态链接库算法的数据集合标定结果表示为：

其中，f代表损坏率信息标定系数，w1、wn分别代表第一个与第n个损坏率信息定义项，δ代表既定的损坏率信息数据标定特征值。

2.2 聚类参数计算

聚类参数描述了动态链接库算法的实际执行能力，在已知数据集合标定结果的基础上，该项物理量直接代表了系统数据库主机所具备的信息承载能力，假设在工业网络设备损坏率水平保持不变的情况下，聚类参数的计算值越大，则代表系统主机所具备的预测应用能力越强[12-13]。设r0代表工业智能应用平台中的初级网络设备损坏率预测系数，rn代表工业智能应用平台中的次级网络设备损坏率预测系数，在网络设备损坏率信息均值等于yˉ的情况下，联立式（1），可将聚类参数计算结果表示为：

其中，Lmin代表最小的聚类型损坏率信息预测条件，Lmax代表最大的聚类型损坏率信息预测条件，μ代表与动态链接库算法匹配的数据信息参量预测指标。

2.3 动态存储数据库连接

主机设备可以同时满足集群参数标准和动态链路数据库的数据集校准要求，其一方面可以制定更准确的预测和执行指令，另一方面也可以实现对工业智能应用平台的合理保护[14-15]。

随着动态链接库算法作用能力的增强，动态存储数据库会呈现持续扩展的物理变化趋势，直至能够完全满足系统主机所具备的数据信息预测及执行需求[16]。动态存储数据库连接模式如图2 所示。

图2 动态存储数据库连接模式

至此，在动态链接库算法的支持下，联合硬件结构，完成新型工业网络设备损坏率预测系统的设计。

3 实验结果分析

为验证基于动态链接库工业网络设备损坏率预测系统的实际应用价值，设计如下对比实验。在图3所示工业智能应用平台中，分别将实验组、对照组（文献[2]方法）控制主机与数据信息处理中心相连，其中实验组主机搭载基于动态链接库工业网络设备损坏率预测系统，对照组主机搭载机器学习型预测系统，在相同实验环境中，记录各项实验干预指标的具体变化情况。

图3 实验用工业智能应用平台

SPU 指标数值能够反映工业网络设备的损坏行为所造成的电子消耗值。一般情况下，SPU 指标数值越大，工业网络设备损坏行为导致的过度电子消耗问题就越明显。表2 记录了实验组、对照组SPU指标数值的具体变化趋势。

分析表2 可知，实验组SPU 指标随着实验时间的延长，始终保持不断上升的变化趋势，但其整体上升幅度相对较小，终止数值与初始数值相比，仅上升了5.96%。整个实验过程中，对照组SPU 指标的数值状态逐渐趋于稳定，之后又呈现不断下降的变化趋势，整体最大值为88.57%，与实验组最大值的40.57%相比，上升了48.00%。

表2 SPU指标数值对比表

DSR 指标能够反映系统主机对于工业网络设备损坏率数据的预测精准度水平，一般情况下，DSR指标数值越大，系统主机对于工业网络设备损坏率数据的预测精准度水平也就越高，反之则越低。表3 记录了实验组、对照组DSR 指标数值的具体变化情况。

表3 DSR指标数值对比表

由表3 可知，实验组DSR 指标数值呈现出先上升后稳定再下降的数值变化趋势，而对照组DSR 指标数值则在经过一段时间后，也逐渐趋于稳定，同时，从极大值角度来看，实验组最大值为75.83%，与对照组最大值50.98%相比，上升了24.85%。

4 结束语

在动态链接库算法的作用下，通过对工业网络设备损坏率预测系统的改进，解决了电量利用率过高的问题，同时由于工业电网平台的存在，预测电路与网络设备损坏率统计模块之间的数据信息传输关系也得到了改善，不仅可以实现数据集的精确标定，而且可以得到更准确的聚类参数值计算结果。从实际应用的角度来看，SPU 指标值的降低和DSR 指标值的提高可以降低电子消耗值，实现系统主机对工业网络设备损坏率数据的有效预测，具有很强的实际应用价值。