CN105955922A - 一种机器数据模型演化的自动感知方法及装置 - Google Patents

Abstract

本发明公开了一种机器数据模型演化的自动感知方法及装置，该方法包括对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；生成冲突原语集合；生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录，结束本次检测；否则，更新该机器实例所对应的冲突原语集合，并进入下一步；若机器当前对应的实际机器数据模型所对应的冲突实例的个数大于或等于冲突实例个数阈值，对机器实例进行模型派生，结束本次检测。

Description

一种机器数据模型演化的自动感知方法及装置

技术领域

本发明属于物联网技术领域，尤其涉及一种机器数据模型演化的自动感知方法及装置。

背景技术

机器数据模型是机器数据处理方面扮演者无可替代的角色，是机器数据传输、分析与存储与分析的基础。在机器数据获取各传感器数据后，其微处理器按照数据模型的形式组织数据并进行传输。服务器端接受数据之后，是按照机器数据模型的形式进行存储。最后，按照机器数据模型的形式提取数据并进行相应的分析。

随机技术的不断发展，当前机器自身的微控制器控制软件可以进行升级或者降级，机器自身也可以进行改装。这些行为都可能导致机器数据模型发生变化从而导致了机器数据模型演化。机器数据模型演化主要分为以下两种：1)模型跃迁：模型跃迁是指机器从一个模型切换到机器模型库中的另外一个模型中；2)模型派生：模型派生是指在已有的一种或几种模型的基础上衍生出一种新的模型。

对机器数据模型演化进行人工处理具有以下缺点：1)要对机器数据模型的演化进行人工检测与分析需要非常大的工作量，企业运营成本会大大增加；2)人工处理具有严重的滞后性，可能会导致大量与模型不匹配的数据存在，这些数据难以再利用与处理。

发明内容

为了解决人为处理的缺点，本发明提供一种机器数据模型演化的自动感知方法及装置，其中，该方法通过对机器数据与机器数据模型的冲突进行检测，在冲突检测的基础上进行模型跃迁与模型派生，进而实现机器数据模型演化的自动感知。

为了实现上述目的，本发明采用如下技术方案:

一种机器数据模型演化的自动感知方法，包括以下步骤：

步骤(1)：对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；统计冲突多重集合中每个冲突所发生的频率，生成冲突原语集合；

步骤(2)：根据机器当前所指向的机器模型和冲突原语集合，生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录，结束本次检测；否则，更新该机器实例所对应的冲突原语集合，并进入下一步；

步骤(3)：统计机器当前对应的实际机器数据模型所对应的冲突实例的个数，若个数少于冲突实例个数阈值，结束本次检测；否则，对机器实例进行模型派生，结束本次检测。

所述步骤(1)中，每个机器数据模型包含若干个传感器模板；所述传感器模板包含所述机器数据模型中每个传感器获取数据的属性；所述冲突原语集合中的元素为冲突原语，每个冲突原语采用冲突类型、原传感器模板和更新后的传感器模板组成的三元组来表示。

一个机器实例在不同的运行期间时间段映射到不同的机器数据模型。

所述步骤(2)中，若冲突原语集合为空，则在冲突实例统计中删除该机器实例所对应的冲突记录。

机器数据序列的长度由机器实例一次运行的时间所决定。

所述冲突类型包括增加冲突、删除冲突和更新冲突，所述增加冲突为机器数据中包含不在机器数据模型中的数据；所述删除冲突为机器数据中缺少机器数据模型中所需的数据；所述更新冲突为机器数据中的某个传感器数据与相应的传感器模板数据类型不符，或者数值不在传感器模板的取值范围内。

所述步骤(2)中，更新机器实例所对应的冲突原语集合的过程，包括：

采用最小覆盖模板查找方法来获取最小覆盖模板；

将得到的最小覆盖模板来替换冲突原语集合中待更新的元素。

最小覆盖模板满足下列条件：

最小覆盖模板取值范围涵盖所有传感器数据的值；

最小覆盖模板取值范围最小值与数据最小值之差、取值范围最小值与数据最大值之差的平方之和最小。

一种基于机器数据模型演化的自动感知方法的装置，包括：

冲突检测模块，其被配置为对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；统计冲突多重集合中每个冲突所发生的频率，生成冲突原语集合；

模型跃迁模块，其被配置为根据机器当前所指向的机器模型和冲突原语集合，生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录；

模型派生模块，其被配置为机器当前对应的实际机器数据模型不存在于当前的机器数据模型库中，更新该机器实例所对应的冲突原语集合，统计机器当前对应的实际机器数据模型所对应的冲突实例的个数，若冲突实例的个数大于或等于冲突实例个数阈值，对机器实例进行模型派生。

所述模型派生模块还包括冲突原语集合更新模块，所述冲突原语集合更新模块包括：

最小覆盖模板查找模块，其被配置为采用最小覆盖模板查找方法来获取最小覆盖模板；

更新替换模块，其被配置为将得到的最小覆盖模板来替换冲突原语集合中待更新的元素。

本发明的有益效果为：

(1)在本发明的感知方法中，首先对机器数据序列进行冲突检测，并生成冲突原语；借助于集合运算获取机器数据序列所真正对应的机器数据模型；并在真正的机器数据模型上进行模型跃迁或模型派生，从而实现了机器数据模型演化的自动感知；

(2)基于该方法，本发明记录了机器数据模型演化过程，为产品下一步的研发提供数据基础；在数据的基础上，能够获取机器实例的整个生命周期，不同生命周期阶段的数据之间能够进行规约或扩展，进而实现对整个生命周期的数据的统一分析。

附图说明

图1为机器数据模型、机器实例以及传感器模板示意图；

图2为机器实例生命周期示意图；

图3为机器数据序列、机器数据、传感器数据之间关系的示意图；

图4为传感器数据的最小覆盖模板查找方法流程图；

图5为机器数据模型演化的自动感知方法流程图；

图6为冲突检测示意图；

图7为实例模型生成示意图；

图8为模型跃迁示意图；

图9为模型派生示例图。

具体实施方式

下面结合附图与实例对本发明做进一步说明：

本发明的基于传感器模板的机器数据模型表示形式，如图1所示，包括：

传感器模板(ST)，传感器模板用于描述机器数据模型每个传感器获取数据的属性，包括数据类型，取值范围等。每个传感器模板用二元组<Data Type,Value Range}表示，其中DataType是数据类型，Value Range是取值范围。

机器数据模型(MDM)，描述一类机器实例获取机器数据的形式。每个机器数据模型是包含若干个传感器模板的集合。机器数据模型用集合{ST₁.id,ST₂.id,ST₃.id,…}表示，其中ST是传感器模板，ST.id是传感器模板的唯一标识。如图1中所示，每一机器数据模型包含了若干个传感器模板。

机器实例(M)，一个具体的机器实例。在机器生命周期的每一个阶段，其多产生的机器数据都对应到一个机器模型中去。如图1所示，机器实例都会映射到机器数据模型中去，在不同时间，机器实例映射到不同的机器数据模型上。

机器生命周期，一个机器实例在不同的时间段映射到不同的机器数据模型上，机器实例从出厂到报废过程中到机器数据模型上的映射记录是其生命周期。机器生命周期的每一项可以用一个三元组<M.id,MDM.id,t>表示，其中t为机器实例开始属于此机器数据模型的时间，M.id为机器实例的唯一标识，MDM.id为机器数据模型的唯一标识。机器生命周期示意图，如图1所示。

机器数据模型库(L)，所有机器数据模型的集合构成了机器数据模型库。机器数据模型库可以用一个集合L{MDM₁,MDM₂,MDM₃，…}表示，其中MDM为机器数据模型。

本发明的基于传感器数据的机器数据表示形式，如图3所示，包括：

传感器数据(SD)，在机器实例运行过程中上某个传感器所获取的一条数据项，其包含该传感器所对应的传感器模板和具体的感应值。每个传感器数据可用一个二元组<ST.id,value>表示，其中ST.id为传感器模板的唯一标识,value为传感器感知数据的具体数值。

机器数据(D)，在某个时间点，机器实例上所有传感器数据的集合。机器数据可以用一个集合{SD1,SD2,SD3，…},其中SD一条传感器数据。如图3所示，每条机器数据都包含了若干条传感器数据。

机器数据序列(DS)，在机器某次运行期间，其所获取的机器数据以获取数据时间表示，并以时间顺序排列，是一条机器数据序列。机器数据序列可以用二元组序列<t₁,D₁>,<t₂,D₂>,…,<t_n,D_n>表示，其中D为一条机器数据，t为此机器数据产生的时间，在此次运行期间一共产生了n条机器数据，n是不固定的，n的大小一般由此次运行时间的长短来决定。

如图3所示，机器数据序列中包含了若干按时间顺序排列，并以时间标识的机器数据。

本发明的机器数据模型的冲突原语表示方式，包括：

冲突原语(C)，冲突的最小单位为冲突原语。每个冲突原语可以用一个三元组<冲突类型,ST₁.id,ST₂.id>，其中ST₁.id为原有传感器模板的唯一标识，ST₂.id为新传感器模板的唯一标识，若不需要相应的标识，则用null标识。

冲突类型有三种，分别为增加冲突、删除冲突和更新冲突。

增加冲突(C_a)，机器数据中包含了不在机器数据模型中的数据，这种情况为增加冲突。其具体表示为<C_a,null,ST.id>，其中C_a表示为增加冲突，ST.id为新传感器模板的唯一标识，null表示增加冲突不需要原有传感器模板标识。

删除冲突(C_d)，机器数据中缺少了机器数据模型中所需的数据，这种情况为删除冲突。其具体表示为<C_d,ST.id，null>，其中C_d表示为删除冲突，ST.id为原有传感器模板的唯一标识，null表示删除冲突不需要新传感器模板标识。

更新冲突(C_u)，机器数据中的某个传感器数据与相应的传感器模板数据类型不符，或者数值不在传感器模板的取值空间内，这种情况为更新冲突。其具体表示为<C_u,ST₁.id,ST₂.id>，其中C_u表示为更新冲突，T₁.id为原有传感器模板的唯一标识，ST₂.id为新传感器模板的唯一标识。

如图4所示，传感器数据的最小覆盖模板查找方法，可概括为以下七个步骤：

Step1：获取机器数据序列中该传感器位置的数据类型Data Type，最大值max与最小值min；初始化score_min＝MaxScore，ST_min.id＝null；其中，MaxScore是预设的一个阈值，超过该阈值的模板不考虑；

Step2：获取一个未比较过的传感器模板ST，若有则进行Step3，否则跳转到Step7；

Step3：比较ST的数据类型Data Type'与Data Type是否相同，如果相同进行Step4，否则跳转至Step2；

Step4：获取ST的取值范围Value Range：V_min～V_max，如果V_min<＝min且V_max>＝max则进行Step5，否则跳转至Step2；

Step5：计算score＝(V_min-min)²+(V_max-max)²，如果score<score_min进行Step6，否则跳转到Step2；

Step6：score_min＝score，ST_min.id＝ST.id，跳转到Step2；

Step7：返回ST_min.id。

本发明的机器数据模型演化的自动感知方法，包括以下步骤：

步骤(1)：对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；统计冲突多重集合中每个冲突所发生的频率，生成冲突原语集合；

步骤(2)：根据机器当前所指向的机器模型和冲突原语集合，生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录，结束本次检测；否则，更新该机器实例所对应的冲突原语集合，并进入下一步；

步骤(3)：统计机器当前对应的实际机器数据模型所对应的冲突实例的个数，若个数少于冲突实例个数阈值，结束本次检测；否则，对机器实例进行模型派生，结束本次检测。

具体地，如图5所示，本发明的机器数据模型演化的自动感知方法，可概括为以下十个步骤：

Step1：对某机器实例M一次运行期间所产生的机器数据序列中的每一条机器数据D与该机器实例M当前所指向的机器模型MDM进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合C_多；

Step2：统计冲突多重集合C_多中每个冲突所发生的频率，生成冲突原语集合C_原。如果冲突原语集合C_原为空，跳转到Step9，否则进行Step3；

Step3：使用机器当前所指向的机器模型M和冲突原语集合C_原生成机器当前真正对应的机器数据模型MDM'；

Step4：检查MDM'是否存在于当前的机器数据模型库中，若存在进行Step5，否则跳转Step6；

Step5：对机器实例进行模型跃迁，跳转到Step9；

Step6：更新该机器实例M所对应的冲突记录；

Step7：统计机器数据模型MDM'多对应的冲突实例的个数，若个数少于阈值，跳转到Step10，否则继续进行Step8；

Step8：进行模型派生，跳转至Step10；

Step9：在冲突实例统计中删除该机器实例M所对应的冲突记录；

Step10：结束本次检测。

其中本发明主要包括四个方面的技术工作实现(图中用①②③④⑤标示)：①冲突检测，②冲突原语生成，③实际模型生成，④模型跃迁，⑤模型派生。具体技术方案如下：

①冲突检测

为了实现机器数据模型演化的自动感知方法，在基于传感器模板的机器数据模型表示形式、基于传感器数据的机器数据表示形式和机器数据模型的冲突原语表示方式，提出了一种基于集合论的冲突检测方法，如图6所示。

具体地，首先从机器数据中获取其所包含的传感器模板的标识，得到相应的集合D_ST；

然后使用D_ST和该机器当前属于的机器数据模型MDM进行集合运算；令A＝D_ST-MDM＝{ST₂.id}，D＝MDM-D_ST＝{ST₃.id},U＝MDM∩D_ST＝{ST₁.id，ST₄.id}。

对于集合A中元素ST₂.id，以<C_a,null,ST₂.id>的形式加入冲突多重集合C_多中。

对于集合D中元素ST₃.id，以<C_d,ST₃.id,null>的形式加入冲突多重集合C_多中。

对于U中元素，再次进行数据类型和取值范围检测，对于ST₁.id，获取了其数据10.3，以及相应传感器模板ST₁：<浮点数，5.0～10.0>。10.3不位于5.0～10.0，ST₁.id以<C_u,ST₁.id,null>的形式加入到冲突多重集合C_多中。对于ST₄.id，获取了其数据12.3，以及相应传感器模板ST₄：<浮点数，10.0～15.0>，12.3满足相应的模板，其不向冲突多重集合C_多中添加。

②冲突原语生成

将获取冲突多重集合C_多转换成冲突原语。在机器考虑到机器工作环境的恶劣性，设定一个阈值，只有异常数量超过阈值的才会被转换成冲突原语。

下面假定冲突多重集合为{<C_a,null,ST₂.id>,…<C_a,null,ST₂.id>,<C_d,ST₃.id,null>,…<C_d,ST₃.id,null>,<C_u,ST₁.id,null>,…<C_u,ST₁.id,null>,<C_u,ST₄.id,null>,…<C_u,ST₄.id,null>}；

其中<C_a,null,ST₂.id>为86个，<C_d,ST₃.id,null>为93个，<C_u,ST₁.id,null>为23，<C_u,ST₄.id,null>为2个。该机器数据序列个数n为100，设定的阈值比例ε₁为0.1，使用阈值n*ε₁＝10过滤掉恶劣环境所造成的异常后初步得到冲突原语集合C_原 ¹。

在该实例中，初步冲突原语集合C_原 ¹为{<C_a,null,ST₂.id>，<C_d,ST₃.id,null>，<C_u,ST₁.id,null>}。对C_原 ¹中的每一个更新冲突<C_u,ST_*.id,null>，用本发明提出的传感器数据的最小覆盖模板查找方法该机器数据序列中ST_*.id位置的最小覆盖模板ST_*'.id，然后在C_原 ¹使用<C_u,ST_*.id,ST_*'.id>替换<C_u,ST_*.id,null>。所有更新冲突处理后，得到最终的更新冲突集合C_原。在该实例中得到的更细冲突集合C_原为{<C_a,null,ST₂.id>，<C_d,ST₃.id,null>，<C_u,ST₁.id,ST₅.id>}。

③实际模型生成

使用机器当前对应的机器数据模型MDM和机器数据序列的冲突原语集合C_原，可以生成该机器数据序列实际上真正对应的机器数据模型MDM'。

下面结果附图7，对实际模型生成进行详细说明。

首先使用冲突原语集合C_原生成集合A和集合D。这两个集合生成方式如下：

对C_原的每一条增加冲突<C_a,null,ST_*.id>，将ST_*.id加入到集合A，如图7中，对于增加冲突<C_a,null,ST₂.id>，ST₂.id加入到A中。

对于C_原的每一条删除冲突<C_a,ST_*.id,null>，将ST_*.id加入到集合D中，如图7中，对于删除冲突<C_d,ST₃.id,null>，ST₃.id加入到D中。

对于C_原的每一条更新冲突<C_u,ST_*.id,ST_*'.id>，将ST_*.id加入到集合D，将ST_*'.id加入到集合A，如图7中，对于更新冲突<C_u,ST₁.id,ST₅.id>，ST₁.id加入到集合D，ST₅.id加入到集合A中。

在图7中，最终得到的集合A为{ST₂.id,ST₅.id}，集合D为{ST₃.id,ST₁.id}。最后通过如下集合运算得到该机器数据序列实际上真正对应的机器数据模型MDM'：MDM'＝MDM∪A-D。在图7中，经过MDM'＝MDM∪A-D，得到MDM'为{ST₄.id,ST₂.id,ST₅.id}。

④模型跃迁。

模型跃迁是指机器实例所对应的从一个机器模型切换到另一个机器模型中去。下面结合附图8，对模型跃迁进行详细说明。在图8上半部分所示中，该次检测之前，该机器实例M₁当前所对应的机器数据模型为MDM₃(时间点最晚的为机器实例当前机器数据模型)。在前面检测过程中，M₁所产生的机器数据序列真正所对应的机器模型为MDM₁。MDM₁存在于机器模型库中，M₁的机器数据模型映射到MDM₁，完成了模型跃迁。模型跃迁后，M₁的生命周期记录如图8下半部分所示，其中t₅为这次检测的机器数据序列中最早的时间。

⑤模型跃迁。

模型跃迁是指通过现有的机器数据模型衍生出新的机器数据模型。下面结合附图8，对模型跃迁进行详细说明。对于机器所发生的冲突，实际模型生成后的机器数据模型不属于机器数据模型库，会进行相应的冲突记录，记录包含两部分，一是尚未数据模型库的机器数据模型，用一个集合CL记录，CL:{MDM₆,MDM₇，……}。另外用一个集合CM记录实例冲突境况,CM:{<M₁,MDM₆.id,t₅>,<M₂,MDM₆.id,t₆>，<M₃,MDM₇.id,t₇>……}。CM中只记录最新冲突，在实例恢复正常、模型跃迁或者模型派生后，相应的记录会删除。

在进行机型模型派生前，模型派生关系网如图9左上部分所示。统计CM中对应MDM₆的冲突实例个数超过阈值，将MDM₆加入到机器数据模型库L，如图9右上部分所示。然后查看CM中对应MDM₆的冲突记录，分别进行处理。对于M₁，其当前所对应的机器模型为MDM₄，增加MDM₄到MDM₆的派生关系，并对M₁按照④进行模型跃迁，并删除相应的记录<M₁,MDM₆.id,t₅>，跃迁后图9右下部分所示。对于M₂，其当前所对应的机器模型为MDM₅，增加MDM₅到MDM₆的派生关系并对M₂按照④进行模型跃迁，并删除相应的记录<M₂,MDM₆.id,t₆>，跃迁后图9左下部分所示。

必须强调的是，在此处两个实例是说明的示例，在真实情况，模型派生时映射到相应的模型中的机器实例的个数为阈值个且远远多于两个。在CM中所有对应MDM₆的冲突记录处理完成后，从CL中删除MDM₆。此时CL为{MDM₇，……}，CM为{<M₃,MDM₇.id,t₇>……}。

在本发明的感知方法中，首先对机器数据序列进行冲突检测，并生成冲突原语；借助于集合运算获取机器数据序列所真正对应的机器数据模型；并在真正的机器数据模型上进行模型跃迁或模型派生，从而实现了机器数据模型演化的自动感知；基于该方法，本发明自动构建出机器数据模型派生关系网络，记录了机器数据模型演化过程，为产品下一步的研发提供数据基础；在数据的基础上，能够获取机器实例的整个生命周期，不同生命周期阶段的数据之间能够进行规约或扩展，进而实现对整个生命周期的数据的统一分析。

本发明的基于机器数据模型演化的自动感知方法的装置，包括：

冲突检测模块，其被配置为对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；统计冲突多重集合中每个冲突所发生的频率，生成冲突原语集合；

模型跃迁模块，其被配置为根据机器当前所指向的机器模型和冲突原语集合，生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录；

模型派生模块，其被配置为机器当前对应的实际机器数据模型不存在于当前的机器数据模型库中，更新该机器实例所对应的冲突原语集合，统计机器当前对应的实际机器数据模型所对应的冲突实例的个数，若冲突实例的个数大于或等于冲突实例个数阈值，对机器实例进行模型派生。

其中，模型派生模块还包括冲突原语集合更新模块，所述冲突原语集合更新模块包括：

最小覆盖模板查找模块，其被配置为采用最小覆盖模板查找方法来获取最小覆盖模板；

更新替换模块，其被配置为将得到的最小覆盖模板来替换冲突原语集合中待更新的元素。

在本发明的基于机器数据模型演化的自动感知方法的装置，借助于集合运算获取机器数据序列所真正对应的机器数据模型；并在真正的机器数据模型上进行模型跃迁或模型派生，从而实现了机器数据模型演化的自动感知；本发明还记录了机器数据模型演化过程，为产品下一步的研发提供数据基础；在数据的基础上，能够获取机器实例的整个生命周期，不同生命周期阶段的数据之间能够进行规约或扩展，进而实现对整个生命周期的数据的统一分析。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种机器数据模型演化的自动感知方法，其特征在于，包括以下步骤：

步骤(1)：对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；统计冲突多重集合中每个冲突所发生的频率，生成冲突原语集合；

步骤(2)：根据机器当前所指向的机器模型和冲突原语集合，生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录，结束本次检测；否则，更新该机器实例所对应的冲突原语集合，并进入下一步；

步骤(3)：统计机器当前对应的实际机器数据模型所对应的冲突实例的个数，若个数少于冲突实例个数阈值，结束本次检测；否则，对机器实例进行模型派生，结束本次检测。

2.如权利要求1所述的一种机器数据模型演化的自动感知方法，其特征在于，所述步骤(1)中，每个机器数据模型包含若干个传感器模板；所述传感器模板包含所述机器数据模型中每个传感器获取数据的属性；所述冲突原语集合中的元素为冲突原语，每个冲突原语采用冲突类型、原传感器模板和更新后的传感器模板组成的三元组来表示。

3.如权利要求1所述的一种机器数据模型演化的自动感知方法，其特征在于，一个机器实例在不同的运行期间时间段映射到不同的机器数据模型。

4.如权利要求1所述的一种机器数据模型演化的自动感知方法，其特征在于，所述步骤(2)中，若冲突原语集合为空，则在冲突实例统计中删除该机器实例所对应的冲突记录。

5.如权利要求1所述的一种机器数据模型演化的自动感知方法，其特征在于，机器数据序列的长度由机器实例一次运行的时间所决定。

6.如权利要求2所述的一种机器数据模型演化的自动感知方法，其特征在于，所述冲突类型包括增加冲突、删除冲突和更新冲突，所述增加冲突为机器数据中包含不在机器数据模型中的数据；所述删除冲突为机器数据中缺少机器数据模型中所需的数据；所述更新冲突为机器数据中的某个传感器数据与相应的传感器模板数据类型不符，或者数值不在传感器模板的取值范围内。

7.如权利要求2所述的一种机器数据模型演化的自动感知方法，其特征在于，所述步骤(2)中，更新机器实例所对应的冲突原语集合的过程，包括：

采用最小覆盖模板查找方法来获取最小覆盖模板；

将得到的最小覆盖模板来替换冲突原语集合中待更新的元素。

8.如权利要求7所述的一种机器数据模型演化的自动感知方法，其特征在于，最小覆盖模板满足下列条件：

最小覆盖模板取值范围涵盖所有传感器数据的值；

最小覆盖模板取值范围最小值与数据最小值之差、取值范围最小值与数据最大值之差的平方之和最小。

9.一种基于如权利要求1-8任一所述的机器数据模型演化的自动感知方法的装置，其特征在于，包括：

冲突检测模块，其被配置为对机器实例一次运行期间所产生的机器数据序列中的每一条机器数据与该机器实例当前所指向的机器模型进行冲突检测，获取机器数据与机器数据模型之间的冲突多重集合；统计冲突多重集合中每个冲突所发生的频率，生成冲突原语集合；

模型跃迁模块，其被配置为根据机器当前所指向的机器模型和冲突原语集合，生成机器当前对应的实际机器数据模型；若机器当前对应的实际机器数据模型存在于当前的机器数据模型库中，则对机器实例进行模型跃迁，在冲突实例统计中删除该机器实例所对应的冲突记录；

模型派生模块，其被配置为机器当前对应的实际机器数据模型不存在于当前的机器数据模型库中，更新该机器实例所对应的冲突原语集合，统计机器当前对应的实际机器数据模型所对应的冲突实例的个数，若冲突实例的个数大于或等于冲突实例个数阈值，对机器实例进行模型派生。

10.如权利要求9所述的装置，其特征在于，所述模型派生模块还包括冲突原语集合更新模块，所述冲突原语集合更新模块包括：

最小覆盖模板查找模块，其被配置为采用最小覆盖模板查找方法来获取最小覆盖模板；

更新替换模块，其被配置为将得到的最小覆盖模板来替换冲突原语集合中待更新的元素。