基于低功耗LoRa-NB无线网关的采集传输系统的制作方法

本发明涉及数据采集与处理，具体为基于低功耗lora-nb无线网关的采集传输系统。

背景技术：

1、lora（低功耗广域网）是一种低功耗广域网技术，它主要用于实现低功耗的无线数据传输。在lora+nb-iot采集传输系统中，lora技术被应用于低功耗无线压力变送器中，用于采集井口油压、套压、环孔压力等数据，并将这些数据以无线方式传送至站内的lora-nb无线网关。lora技术以其低功耗和广覆盖的特点，使得该系统能够在较远的距离内传输数据，同时保证设备的长时间运行。

2、nb-iot（窄带宽物联网）是基于蜂窝通信网络的物联网技术，它专门设计用于连接各种物联网设备，如传感器、计量仪器和追踪器等，以实现远程监测、数据传输和智能控制。

3、然而，现有的油田数据传输系统仍然存在诸多不足，首先，传统的油田数据传输系统通常依赖于单一的通信方式，可能面临信号不稳定、数据丢失或延迟的问题，尤其在远离基站或信号较差的区域，无法保证关键数据的实时传输和高可靠性。

4、其次，现有的油田数据传输系统往往将所有数据直接传输到中央处理模块进行分析，数据量庞大时容易导致网络拥堵，增加传输延迟。同时，数据分析主要依赖中央服务器，缺乏实时的本地处理能力，导致异常检测和预警反应迟缓。

5、针对上述问题，有必要提出基于低功耗lora-nb无线网关的采集传输系统。

技术实现思路

1、本发明的目的在于解决背景技术中存在的问题，而提出基于低功耗lora-nb无线网关的采集传输系统。

2、本发明的目的可以通过以下技术方案实现：

3、基于低功耗lora-nb无线网关的采集传输系统，包括感知模块、边缘运算模块、数据收集模块、中央处理模块和数据库。

4、感知模块每隔预设的时间间隔t通过传感器组获取预设位置的压力p和流量q，所述的预设位置包括：采集井口、采油管道、分输站管道、储油罐、配水站、注水管网、注水井、油气分离器、泵站和关键液位监测点。

5、生成各个预设位置的时序数据，包括压力数据和流量数据。其中i为预设位置的编号符，且i=1，2，3，...，n；其中t为时间标记。

6、各个感知模块将采集到的压力数据和流量数据传输给边缘运算模块。

7、边缘运算模块对感知模块发来的压力数据和流量数据进行滤波降噪和异常感知运算。

8、所述的滤波降噪运算具体为：

9、每隔预设的统计周期t，采用移动平权滤波对连续采集的压力数据和流量数据进行时间窗平权，移动平权滤波公式为：

10、其中w为时序编号，为时间窗口内的压力数据，为时间窗口内的流量数据。和分别为滤波计算后得到的压力和流量数据。

11、所述的异常感知运算具体为：

12、通过公式计算压力数据一阶矩和流量数据一阶矩；

13、通过公式计算压力数据二阶矩和流量数据二阶矩。

14、获取满足条件：数值与一阶矩的距离大于一倍二阶矩，即满足条件的压力监控数据个数，记为一级异常点计数值u1；

15、获取满足条件：数值与一阶矩的距离大于两倍二阶矩，即满足条件的压力监控数据个数，记为二级异常点计数值u2；

16、作为本发明的一种优选方式，获取满足条件：数值与一阶矩的距离大于三倍二阶矩，即满足条件的压力监控数据个数，记为三级异常点计数值u3；

17、通过公式计算在统计周期t内，预设位置i的压力异常指数，其中k1、k2和k3为预设的权重因子。

18、获取满足条件：数值与一阶矩的距离大于一倍二阶矩，即满足条件的流量监控数据个数，记为一级异常点计数值v1；

19、获取满足条件：数值与一阶矩的距离大于两倍二阶矩，即满足条件的流量监控数据个数，记为二级异常点计数值v2；

20、作为本发明的一种优选方式，获取满足条件：数值与一阶矩的距离大于三倍二阶矩，即满足条件的流量监控数据个数，记为三级异常点计数值v3；

21、通过公式计算在统计周期t内，预设位置i的流量异常指数，其中k1、k2和k3为预设的权重因子。

22、每隔预设的统计周期t，将所述计算遍历所有编号符i，得到所有预设位置的压力异常指数和流量异常指数。

23、为每个预设位置i预设一个初始值为0的预警指数ai（t）。

24、当检测到在某个监测周期t内，某个预设位置i的压力异常指数大于预设阈值δmax时，令预警指数ai（t）增加一个基准值d；

25、当检测到在某个监测周期t内，某个预设位置i的流量异常指数大于预设阈值δmax时，令预警指数ai（t）增加一个基准值d；

26、每经过监测周期t，令各个预设位置i的预警指数ai（t）以预设的衰减率β衰减，即其中count1为压力判据超限计数值；count2为流量判据超限计数值；

27、作为本发明的一种优选方式，将预警指数ai（t）转化为各个预设位置i的压力数据和流量数据在统计周期t内的优先级标签。

28、具体来说，预警指数ai（t）越大的数据，其传输优先级越高。

29、数据收集模块根据预警指数ai（t）的大小为不同的压力数据和流量数据的分配优先级，计算公式为：。

30、作为本发明的一种优选方式，根据分配优先级的大小进行传输任务分配，分配优先级大于预设阈值的数据包优先采用qos1机制执行数据传输任务；分配优先级小于预设阈值的数据包采用qos2机制执行数据传输任务；如果同时存在多个高分配优先级的数据包，即满足条件：同时存在m个预设位置编号符i的分配优先级大于预设阈值且m大于预设阈值imax时，采用均衡传输机制确保高优先级数据的低延迟传输。

31、所述的qos1机制利用nb-iot的蜂窝网络结构与中央处理模块进行网络连接，传输策略为至少一次传输，确保流量数据和压力数据的数据包成功传递，将产生异常的流量数据和压力数据进行快速上报。

32、所述的qos2机制利用lorawan协议与中央处理模块进行广域网络连接，传输策略为精确一次传输，确保流量数据和压力数据的数据包完整传输。

33、所述的均衡传输机制具体为：通过传输质量检测对qos1和qos2进行传输质量评价和动态机制调整，其具体过程为：

34、分配优先级大于预设阈值的数据包优先采用qos1机制执行数据传输任务；分配优先级小于预设阈值的数据包采用qos2机制执行数据传输任务；

35、作为本发明的一种优选方式，获取拥有最大分配优先级的编号符i；

36、获取nb-iot网络在节点i处的信号强度w11。获取nb-iot网络的整体丢包率w12和网络延迟w13。

37、通过公式计算nb-iot网络的传输质量参数η1，其中λ1、λ2和λ3为预设的权重因子。

38、获取lorawan网络在节点i处的信号强度w21。获取lorawan网络的整体丢包率w22和网络延迟w23。

39、通过公式计算lorawan网络的传输质量参数η2，其中λ1、λ2和λ3为预设的权重因子。

40、通过公式r=η1/η2计算传输均衡系数r，当传输均衡系数大于预设阈值时，将传输机制为qos1的数据传输任务切换为机制qos2；当传输均衡系数小于或等于预设阈值时，将传输机制为qos2的数据传输任务切换为机制qos1；

41、中央处理模块保存通过qos1机制、qos2机制和均衡传输机制发来的压力数据、流量数据、各个预设位置i的压力数据一阶矩和二阶矩以及各个预设位置i的流量数据一阶矩和二阶矩。每隔预设的统计周期t，生成压力－时间图和流量－时间图。获取各个预设位置i在统计周期t内压力-时间图的函数表达式=fi（t）；获取各个预设位置i在统计周期t内流量-时间图的函数表达式=gi（t）；并将所述的压力-时间图和流量-时间图输出给数据库。

42、作为本发明的一种优选方式，对各个预设位置i在统计周期t内的压力-时间图的函数表达式=fi（t）和流量-时间图的函数表达式=gi（t）进行特征提取，具体为：

43、通过公式

44、计算压力数据的三阶矩和流量数据的三阶矩。其中是压力数据的一阶矩，是流量数据的一阶矩。

45、通过公式计算压力数据的四阶矩和流量数据的四阶矩。其中是压力数据的一阶矩，是流量数据的一阶矩。

46、每隔预设的统计周期t，记录各个预设位置i的压力数据一阶矩、压力数据二阶矩、压力数据三阶矩和压力数据四阶矩，生成各个预设位置的压力数据特征向量。

47、每隔预设的统计周期t，记录各个预设位置i的流量数据一阶矩、流量数据二阶矩、流量数据三阶矩和流量数据四阶矩，生成各个预设位置的流量数据特征向量。

48、作为本发明的一种优选方式，每当压力数据特征向量或流量特征向量中某个元素与上一统计周期中相应元素的变化值超过预设阈值，则将该元素标记为异常数据。

49、所述的元素包括压力数据一阶矩、压力数据二阶矩、压力数据三阶矩、压力数据四阶矩、流量数据一阶矩、流量数据二阶矩、流量数据三阶矩和流量数据四阶矩。

50、数据库保存中央处理模块发来的所有压力－时间图、流量－时间图、压力数据特征向量和流量数据特征向量。

51、与现有技术相比，本发明的有益效果是：

52、1、本发明结合了多种传输机制，本系统能够根据数据的优先级和网络条件动态选择传输策略。在网络质量不稳定或存在多个高优先级数据包的情况下，均衡传输机制可确保关键数据得到优先且低延迟的传输，提升了数据的可靠性和实时性。这一机制大大减少了数据丢失或延迟的问题，确保重要监测数据及时、准确地上报，提高了数据传输的可靠性与效率；

53、2、本发明通过边缘运算模块进行实时的压力和流量数据的异常感知，利用一阶矩和二阶矩计算出异常指数，并根据预设阈值生成预警指数。通过对各个预设位置的实时监控，能够精确判断并标记出压力与流量的异常情况，及时触发预警，帮助及时识别潜在故障点并采取应对措施，确保系统运行的安全与稳定。

54、3、本发明通过特征提取和矩计算（包括三阶矩与四阶矩），本系统能深入分析压力与流量数据的分布特征，反映数据的对称性和尖锐程度。这些特征信息为后续的数据分析、趋势预测以及故障诊断提供了丰富的数据支撑，能够有效支持系统的长周期稳定运行和精确的决策制定。同时，数据库中保存的历史数据和特征向量也为后续的数据挖掘和模式识别提供了有力的支持。