CN108171336B - 机器数据模型演化的自动感知方法及装置 - Google Patents
机器数据模型演化的自动感知方法及装置 Download PDFInfo
- Publication number
- CN108171336B CN108171336B CN201810070182.8A CN201810070182A CN108171336B CN 108171336 B CN108171336 B CN 108171336B CN 201810070182 A CN201810070182 A CN 201810070182A CN 108171336 B CN108171336 B CN 108171336B
- Authority
- CN
- China
- Prior art keywords
- machine
- conflict
- sensor
- data
- record
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013499 data model Methods 0.000 title claims abstract description 30
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000005267 amalgamation Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 9
- 238000004080 punching Methods 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000012217 deletion Methods 0.000 description 6
- 230000037430 deletion Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供一种机器数据模型演化的自动感知方法及装置，属于物联网技术领域。该方法包括：对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。由于可自动分析机器数据与原始机器模型之间的差异，从而可减少人工检查冲突的工作量，减少因模型记录更新不及时带来的对数据收集产生的影响。
Description
技术领域
本发明实施例涉及物联网技术领域，更具体地，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、存储及分析的基础。在物联网场景下，越来越多的工程机器安装了传感器设备进行数据收集，这些数据按照机器数据模型的形式组织数据，并以统一的机器数据格式发送回服务器。在实际工程中，机器可能在其生命周期内被改装、升级或者降级，即可能改装、加装或者拆除机器上的传感器，由于回传的机器数据格式发生变更时无法自动通知数据采集端的程序，如果在这个过程中对应的机器数据模型并未更新或者更新不及时，就会产生机器回传的数据与机器数据模型中传感器数据格式之间不匹配的现象，从而会对数据收集带来不利的影响。
目前对于在收集数据过程中出现的不匹配现象，比较常见的做法是依靠人工检查和分析出现不匹配现象的原因，通过人工比对收集数据与机器数据模型之间的差别，根据个人经验判断出现差别的原因并选择更新机器数据模型或者合并数据等操作。由于操作者对于机器数据模型的熟悉程度和对设备实际运行情况的了解程度不同，操作的结果可能存在一定的不确定性。另外，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，无法仅通过人工来识别所有的不匹配现象。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的机器数据模型演化的自动感知方法及装置。
根据本发明实施例的第一方面，提供了一种机器数据模型演化的自动感知方法，该方法包括：
对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；
对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；
根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；
将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。
本发明实施例提供的方法，对于每一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，通过对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录。对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录。根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合。将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。由于可分析机器数据与原始机器模型之间的差异，自动分辨出机器数据发生变化的起始时间和结束时间的区间段，以及所有可能的模型演化过程，从而可减少人工检查冲突的工作量，减少因模型记录更新不及时带来的对数据收集产生的影响。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，每条机器数据中至少包括传感器标识及传感器数值，传感器标识与传感器数值一一对应；相应地，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录，包括：
基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间的对应关系，生成每一机器实例对应的传感器冲突记录。
结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间对应的关系，生成每一机器实例对应的传感器冲突记录，包括：
对于任一机器实例对应的任一条机器数据，若任一条机器数据中存在传感器数据满足第一预设条件，则基于满足第一预设条件的传感器数据，生成增加类型的传感器冲突记录，第一预设条件为传感器数据对应的传感器标识在任一机器实例对应的原始机器模型中不存在相应的传感器。
结合第一方面的第二种可能的实现方式，在第四种可能的实现方式中，基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间对应的关系，生成每一机器实例对应的传感器冲突记录，包括：
对于任一机器实例对应的任一条机器数据，若任一条机器数据中存在传感器数据满足第二预设条件，则基于满足第二预设条件的传感器数据，生成更新类型的传感器冲突记录，第二预设条件为传感器数据与任一机器实例对应的原始机器模型中预先规定的数据类型格式及值域范围不匹配。
结合第一方面的第二种可能的实现方式，在第五种可能的实现方式中，基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间对应的关系，生成每一机器实例对应的传感器冲突记录，包括：
对于任一机器实例对应的任一条机器数据，若任一条机器数据满足第三预设条件，则生成删除类型的传感器冲突记录，第三预设条件为任一机器实例对应的原始机器模型中存在传感器在任一条机器数据中没有相应的传感器数据。
结合第一方面的第一种可能的实现方式，在第六种可能的实现方式中，每一机器实例对应的机器冲突记录包括机器实例标识、冲突内容、冲突起始时刻及冲突结束时刻；冲突内容至少包括冲突类型，产生冲突的传感器标识及冲突次数。
结合第一方面的第六种可能的实现方式，在第七种可能的实现方式中，根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合，包括：
对于任一机器实例对应的每条机器冲突记录，将每条机器冲突记录中的冲突起始时刻及冲突结束时刻分别作为一个时刻元素，添加至时间集合中；
对时间集合中所有的时刻元素进行排序并去重，得到更新后的时间集合，依次从更新后的时间集合中选取两个相邻时刻元素，两个相邻时刻元素分别为Si与Si+1；
将任一机器实例对应的原始机器模型及发生在两个相邻时刻元素之间的机器冲突记录进行合并，得到Si时刻与Si+1时刻之间每个时刻的机器模型。
根据本发明实施例的第二方面，提供了一种机器数据模型演化的自动感知装置，包括：
检测模块，用于对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；
聚合模块，用于对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；
获取模块，用于根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；
更新模块，用于将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。
根据本发明实施例的第三方面，提供了一种机器数据模型演化的自动感知设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的机器数据模型演化的自动感知方法。
根据本发明的第四方面，提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的机器数据模型演化的自动感知方法。
应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。
附图说明
图1为本发明实施例的一种机器数据模型演化的自动感知方法的流程示意图；
图2为本发明实施例的一种机器数据模型演化的自动感知装置的框图；
图3为本发明实施例的一种机器数据模型演化的自动感知设备的框图。
具体实施方式
下面结合附图和实施例，对本发明实施例的具体实施方式作进一步详细描述。以下实施例用于说明本发明实施例，但不用来限制本发明实施例的范围。
针对上述情形，本发明实施例提供了一种机器数据模型演化的自动感知方法。在对本发明实施例进行说明之前，先对本发明实施例涉及到的相关概念进行解释说明：
机器模型：用于描述一类机器实例获取机器数据的形式，每一机器模型包含了若干个传感器模板。
机器实例：在机器生命周期的每一个阶段，机器实例产生的机器数据都对应至一个机器模型。机器实例都会映射到机器模型上，在不同时刻，机器实例映射到不同的机器模型上。
传感器数据：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，传感器数据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：即在某个时间点，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D来表示，每条机器数据都包含了若干条传感器数据。
机器数据序列：在机器某次运行期间，获取到的机器数据以时间顺序排列，是一条机器数据序列。
基于上述内容，参见图1，该方法包括：101、对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；102、对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；103、根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；104、将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。
在执行步骤101之前，可维护机器模型集合MM和机器实例集合MI之间对应的映射关系，即机器实例-机器模型在不同时刻的对应关系。其中，机器模型中包含了机器实例安装的每一传感器采集的数据类型及值域范围。若每一条机器数据包含机器实例标识、采集数据的时间、传感器标识和数据的键值对的集合。例如，机器数据可如下所示：
data::＝{MI.id,time,sensor.id:value(sensor.id:value)*}
例如，假设一个原始机器模型mm1的3个传感器的数据类型和值域范围的规定如表1所示，机器mi1对应的原始机器模型为mm1，机器mi1的一段数据序列如下：
D1:{mi1,2017-12-0110:10:08，id1:3,id3:0.5,id4:-5.0}
D2:{mi1,2017-12-0110:10:10，id1:1,,id4:5.0}
D3:{mi1,2017-12-0110:10:12，id1:2,id3:0.3,id4:-3.4}
D4:{mi1,2017-12-0110:10:14，id1:6,id3:0.2,id4:6.2}
表1
由上述示例可知，每条机器数据中至少包括传感器标识及传感器数值，传感器标识与传感器数值一一对应。相应地，作为一种可选实施例，关于对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录的方式，本发明实施例对此不作具体限定，包括但不限于：基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间的对应关系，生成每一机器实例对应的传感器冲突记录。
其中，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，机器数据中包含了不在原始机器模型中的数据，这种情况为增加冲突。删除冲突，机器数据中缺少了原始机器模型中所需的数据，这种情况为删除冲突。更新冲突，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值域范围内，这种情况为更新冲突。
作为一种可选实施例，对于增加冲突，本发明实施例提供了一种生成增加类型的传感器冲突记录的方法，该方法包括：对于任一机器实例对应的任一条机器数据，若任一条机器数据中存在传感器数据满足第一预设条件，则基于满足第一预设条件的传感器数据，生成增加类型的传感器冲突记录，第一预设条件为传感器数据对应的传感器标识在任一机器实例对应的原始机器模型中存在相应的传感器。
例如，对于一条机器数据D，根据传感器标识检查D中每个传感器数据与原始机器模型中传感器的对应关系，若原始机器模型中不存在对应标识的传感器，则确定为传感器增加冲突，传感器冲突记录记为<MI.id，time，add，sensor.id，value>，其中sensor.id表示传感器标识，value表示传感器数据，add表示冲突类型为增加类型。
在上述示例中，根据上表1中的D1，可以记录一条传感器冲突记录为<mi1，2017-12-01 10:10:08，add，id4，-5.0>。根据D2可以记录一条传感器冲突记录为<mi1，2017-12-0110:10:10，add，id4，5.0>。根据D3可以记录一条传感器冲突记录<mi1，2017-12-01 10:10:12，add，id4，-3.4>。根据D4可以记录一条传感器冲突记录<mi1，2017-12-01 10:10:14，add，id4，6.2>。
作为一种可选实施例，对于更新冲突，本发明实施例提供了一种生成更新类型的传感器冲突记录的方法，该方法包括：对于任一机器实例对应的任一条机器数据，若任一条机器数据中存在传感器数据满足第二预设条件，则基于满足第二预设条件的传感器数据，生成更新类型的传感器冲突记录，第二预设条件为传感器数据与任一机器实例对应的原始机器模型中预先规定的数据类型格式及值域范围不匹配。
例如，对于机器数据D中每个与模型中传感器对应的传感器数据，检查其是否满足原始机器模型中预先规定的数据类型格式和值域范围。若不满足，则确定为传感器更新冲突，并可记录为<MI.id，time，update，sensor.id，value>。其中，sensor.id表示传感器的标识信息，value表示传感器数据，update表示冲突类型为更新类型。
在上述示例中，表1中D1、D2、D3均没有产生传感器更新冲突，根据D4可以记录一条更新类型的传感器冲突记录<mi1，2017-12-0110:10:14，update，id1，6>。
作为一种可选实施例，对于删除冲突，本发明实施例提供了一种生成删除类型的传感器冲突记录的方法，该方法包括：对于任一机器实例对应的任一条机器数据，若任一条机器数据满足第三预设条件，则生成删除类型的传感器冲突记录，第三预设条件为任一机器实例对应的原始机器模型中存在传感器在任一条机器数据中没有相应的传感器数据。
例如，对于与此条机器数据D对应的机器模型mm，检查机器模型中的每个传感器是否都能与D中的每一传感器数据相关联。如果出现某些传感器不存在对应传感器数据的情况，则确定为传感器删除冲突，并记录为<MI.id，time，delete，sensor.id>。其中，sensor.id表示传感器的标识信息，delete表示冲突类型为删除类型。
在上述示例中，根据D1可以记录一条删除类型的传感器冲突记录为<mi1，2017-12-01 10:10:08，delete，id2>。根据D2可以记录一条删除类型的传感器冲突记录为<mi1，2017-12-01 10:10:10，delete，id2>，同时还可以记录一条删除类型的传感器冲突记录为<mi1，2017-12-01 10:10:10，delete，id3>。根据D3可以记录一条删除类型的传感器冲突记录为<mi1，2017-12-01 10:10:12，delete，id2>。根据D4可以记录一条删除类型的传感器冲突记录为<mi1，2017-12-01 10:10:14，delete，id2>。
在得到每一机器实例对应的传感器冲突记录后，可对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录。
具体地，每一机器实例对应的机器冲突记录包括机器实例标识、冲突内容、冲突起始时刻及冲突结束时刻；冲突内容至少包括冲突类型，产生冲突的传感器标识及冲突次数。将同样的冲突分组聚合成如下形式，得到机器冲突记录：
<mi.id，change，starttime，stoptime>；
其中，“mi.id”表示出现冲突的机器实例标识。“starttime”、“stoptime”，分别表示该冲突出现的起始时间及结束时间。“change”表示冲突的内容，其具体格式定义如下：
增加冲突：<add，sensor.id，count，type，min，max>
更新冲突：<update，sensor.id，count，type，min，max>
删除冲突：<delete，sensor.id，count>
其中，count表示该sensor.id出现冲突的次数，type表示增加或更新的传感器实际数据的数据类型，min表示增加或更新的传感器当前出现过的最小数值，max表示增加或更新的传感器当前出现过的最大数值。本例中的冲突分组聚合结果为：
<mi1，change1，2017-12-01 10:10:08，2017-12-01 10:10:14>，其中change1为<add，id4，4，float，-5.0，6.2>；
<mi1，change2，2017-12-01 10:10:14，2017-12-01 10:10:14>，其中change2为<update，id1，4，int，0，6>；
<mi1，change3，2017-12-01 10:10:08，2017-12-01 10:10:14>，其中change3为<delete，id2，4>；
<mi1，change4，2017-12-01 10:10:10，2017-12-01 10:10:10>，其中change4为<delete，id3，1>。
在得到每一机器实例对应的机器冲突记录后，可根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合。本发明实施例不对根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合的方式作具体限定，包括但不限于：对于任一机器实例对应的每条机器冲突记录，将每条机器冲突记录中的冲突起始时刻及冲突结束时刻分别作为一个时刻元素，添加至时间集合中；对时间集合中所有的时刻元素进行排序并去重，得到更新后的时间集合，依次从更新后的时间集合中选取两个相邻时刻元素，两个相邻时刻元素分别为Si与Si+1；将任一机器实例对应的原始机器模型及发生在两个相邻时刻元素之间的机器冲突记录进行合并，得到Si+1时刻的机器模型。
将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例与每一机器模型之间的映射关系。例如，可更新机器模型集合MM以及机器实例集合MI到集合MM的映射关系。
本发明实施例提供的方法，对于每一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，通过对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录。对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录。根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合。将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。由于可分析机器数据与原始机器模型之间的差异，自动分辨出机器数据发生变化的起始时间和结束时间的区间段，以及所有可能的模型演化过程，从而可减少人工检查冲突的工作量，减少因模型记录更新不及时带来的对数据收集产生的影响。
上述所有可选实施例，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
基于上述实施例所提供的机器数据模型演化的自动感知方法，本发明实施例提供了一种机器数据模型演化的自动感知装置。参见图2，该装置包括：
检测模块201，用于对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；
聚合模块202，用于对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；
获取模块203，用于根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；
更新模块204，用于将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。
作为一种可选实施例，每条机器数据中至少包括传感器标识及传感器数值，传感器标识与传感器数值一一对应；相应地，检测模块201，用于基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间的对应关系，生成每一机器实例对应的传感器冲突记录。
作为一种可选实施例，检测模块201，用于对于任一机器实例对应的任一条机器数据，若任一条机器数据中存在传感器数据满足第一预设条件，则基于满足第一预设条件的传感器数据，生成增加类型的传感器冲突记录，第一预设条件为传感器数据对应的传感器标识在任一机器实例对应的原始机器模型中不存在相应的传感器。
作为一种可选实施例，检测模块201，用于对于任一机器实例对应的任一条机器数据，若任一条机器数据中存在传感器数据满足第二预设条件，则基于满足第二预设条件的传感器数据，生成更新类型的传感器冲突记录，第二预设条件为传感器数据与任一机器实例对应的原始机器模型中预先规定的数据类型格式及值域范围不匹配。
作为一种可选实施例，检测模块201，用于对于任一机器实例对应的任一条机器数据，若任一条机器数据满足第三预设条件，则生成删除类型的传感器冲突记录，第三预设条件为任一机器实例对应的原始机器模型中存在传感器在任一条机器数据中没有相应的传感器数据。
作为一种可选实施例，每一机器实例对应的机器冲突记录包括机器实例标识、冲突内容、冲突起始时刻及冲突结束时刻；冲突内容至少包括冲突类型，产生冲突的传感器标识及冲突次数。
作为一种可选实施例，获取模块203，用于对于任一机器实例对应的每条机器冲突记录，将每条机器冲突记录中的冲突起始时刻及冲突结束时刻分别作为一个时刻元素，添加至时间集合中；对时间集合中所有的时刻元素进行排序并去重，得到更新后的时间集合，依次从更新后的时间集合中选取两个相邻时刻元素，两个相邻时刻元素分别为Si与Si+1；将任一机器实例对应的原始机器模型及发生在两个相邻时刻元素之间的机器冲突记录进行合并，得到Si时刻与Si+1时刻之间每个时刻的机器模型。基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间的对应关系，生成每一机器实例对应的传感器冲突记录。
本发明实施例提供的装置，对于每一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，通过对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录。对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录。根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合。将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。由于可分析机器数据与原始机器模型之间的差异，自动分辨出机器数据发生变化的起始时间和结束时间的区间段，以及所有可能的模型演化过程，从而可减少人工检查冲突的工作量，减少因模型记录更新不及时带来的对数据收集产生的影响。
本发明实施例提供了一种机器数据模型演化的自动感知设备。参见图3，该机器数据模型演化的自动感知设备包括：处理器(processor)301、存储器(memory)302和总线303；
其中，处理器301及存储器302分别通过总线303完成相互间的通信；
处理器301用于调用存储器302中的程序指令，以执行上述实施例所提供的机器数据模型演化的自动感知方法，例如包括：对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行上述实施例所提供的机器数据模型演化的自动感知方法，例如包括：对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的机器数据模型演化的自动感知设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明实施例的保护范围。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (8)
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：
对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；
对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；每一机器实例对应的机器冲突记录包括机器实例标识、冲突内容、冲突起始时刻及冲突结束时刻；所述冲突内容至少包括冲突类型，产生冲突的传感器标识及冲突次数；
根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；
将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系；
所述根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合，包括：
对于任一机器实例对应的每条机器冲突记录，将每条机器冲突记录中的冲突起始时刻及冲突结束时刻分别作为一个时刻元素，添加至时间集合中；
对所述时间集合中所有的时刻元素进行排序并去重，得到更新后的时间集合，依次从更新后的时间集合中选取两个相邻时刻元素，所述两个相邻时刻元素分别为Si与Si+1；
将所述任一机器实例对应的原始机器模型及发生在所述两个相邻时刻元素之间的机器冲突记录进行合并，得到Si时刻与Si+1时刻之间每个时刻的机器模型。
2.根据权利要求1所述的方法，其特征在于，每条机器数据中至少包括传感器标识及传感器数值，传感器标识与传感器数值一一对应；相应地，所述对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录，包括：
基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间的对应关系，生成每一机器实例对应的传感器冲突记录。
3.根据权利要求2所述的方法，其特征在于，所述基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间对应的关系，生成每一机器实例对应的传感器冲突记录，包括：
对于任一机器实例对应的任一条机器数据，若所述任一条机器数据中存在传感器数据满足第一预设条件，则基于满足所述第一预设条件的传感器数据，生成增加类型的传感器冲突记录，所述第一预设条件为传感器数据对应的传感器标识在所述任一机器实例对应的原始机器模型中不存在相应的传感器。
4.根据权利要求2所述的方法，其特征在于，所述基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间对应的关系，生成每一机器实例对应的传感器冲突记录，包括：
对于任一机器实例对应的任一条机器数据，若所述任一条机器数据中存在传感器数据满足第二预设条件，则基于满足所述第二预设条件的传感器数据，生成更新类型的传感器冲突记录，所述第二预设条件为传感器数据与所述任一机器实例对应的原始机器模型中预先规定的数据类型格式及值域范围不匹配。
5.根据权利要求2所述的方法，其特征在于，所述基于每一机器实例对应的每条机器数据中的传感器数值与每一机器实例对应的原始机器模型中传感器标识之间对应的关系，生成每一机器实例对应的传感器冲突记录，包括：
对于任一机器实例对应的任一条机器数据，若所述任一条机器数据满足第三预设条件，则生成删除类型的传感器冲突记录，所述第三预设条件为所述任一机器实例对应的原始机器模型中存在传感器在所述任一条机器数据中没有相应的传感器数据。
6.一种机器数据模型演化的自动感知装置，其特征在于，包括：
检测模块，用于对于每一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，对每一机器实例对应的原始机器模型与每一机器实例对应的每条机器数据进行冲突检测，得到每一机器实例对应的传感器冲突记录；
聚合模块，用于对每一机器实例对应的传感器冲突记录中相同冲突类型的传感器冲突记录进行聚合，得到每一机器实例对应的机器冲突记录；每一机器实例对应的机器冲突记录包括机器实例标识、冲突内容、冲突起始时刻及冲突结束时刻；所述冲突内容至少包括冲突类型，产生冲突的传感器标识及冲突次数；
获取模块，用于根据每一机器实例对应的机器冲突记录及原始机器模型，获取每一机器实例在不同时刻的机器模型集合；
更新模块，用于将每一机器实例对应的机器模型集合中相同的机器模型进行合并，并基于合并结果更新每一机器实例对应的机器模型集合，以及机器实例集合与每一机器实例对应的机器模型集合之间的映射关系；
所述获取模块，具体用于对于任一机器实例对应的每条机器冲突记录，将每条机器冲突记录中的冲突起始时刻及冲突结束时刻分别作为一个时刻元素，添加至时间集合中；对所述时间集合中所有的时刻元素进行排序并去重，得到更新后的时间集合，依次从更新后的时间集合中选取两个相邻时刻元素，所述两个相邻时刻元素分别为Si与Si+1；将所述任一机器实例对应的原始机器模型及发生在所述两个相邻时刻元素之间的机器冲突记录进行合并，得到Si时刻与Si+1时刻之间每个时刻的机器模型。
7.一种机器数据模型演化的自动感知设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810070182.8A CN108171336B (zh) | 2018-01-24 | 2018-01-24 | 机器数据模型演化的自动感知方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810070182.8A CN108171336B (zh) | 2018-01-24 | 2018-01-24 | 机器数据模型演化的自动感知方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108171336A CN108171336A (zh) | 2018-06-15 |
| CN108171336B true CN108171336B (zh) | 2018-12-28 |
Family
ID=62515409
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810070182.8A Active CN108171336B (zh) | 2018-01-24 | 2018-01-24 | 机器数据模型演化的自动感知方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108171336B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115618269B (zh) * | 2022-12-12 | 2023-03-03 | 江门市润宇传感器科技有限公司 | 基于工业传感器生产的大数据分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0822498A1 (fr) * | 1996-06-27 | 1998-02-04 | Bull S.A. | Procédé de surveillance d'une pluralité de types d'objets d'une pluralité de noeuds à partir d'un noeud d'administration dans un système informatique |
| CN105814573A (zh) * | 2013-09-27 | 2016-07-27 | 科德克希思公司 | 基于结构的预测性建模 |
| CN105955922A (zh) * | 2016-04-20 | 2016-09-21 | 山东大学 | 一种机器数据模型演化的自动感知方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9886670B2 (en) * | 2014-06-30 | 2018-02-06 | Amazon Technologies, Inc. | Feature processing recipes for machine learning |
-
2018
- 2018-01-24 CN CN201810070182.8A patent/CN108171336B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0822498A1 (fr) * | 1996-06-27 | 1998-02-04 | Bull S.A. | Procédé de surveillance d'une pluralité de types d'objets d'une pluralité de noeuds à partir d'un noeud d'administration dans un système informatique |
| CN105814573A (zh) * | 2013-09-27 | 2016-07-27 | 科德克希思公司 | 基于结构的预测性建模 |
| CN105955922A (zh) * | 2016-04-20 | 2016-09-21 | 山东大学 | 一种机器数据模型演化的自动感知方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108171336A (zh) | 2018-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111339071B (zh) | 一种多源异构数据的处理方法及装置 | |
| CN105700888B (zh) | 一种基于jbpm工作流引擎的可视化快速开发平台 | |
| CN107526645B (zh) | 一种通信优化方法及系统 | |
| CN108536761A (zh) | 报表数据查询方法及服务器 | |
| CN109710703A (zh) | 一种血缘关系网络的生成方法及装置 | |
| CN106446019B (zh) | 一种软件功能处理方法和装置 | |
| WO2017107571A1 (zh) | 一种基于用户管理应用行为的应用质量判别方法及系统 | |
| CN107463610A (zh) | 一种数据入库方法及装置 | |
| CN109389518A (zh) | 关联分析方法及装置 | |
| CN116127899B (zh) | 芯片设计系统、方法、电子设备和存储介质 | |
| CN109117172A (zh) | 一种目标终端的终端版本号识别的方法及装置 | |
| CN107515922A (zh) | 一种数据管理方法及系统 | |
| CN110008049A (zh) | 一种基于互联网平台的数据修正方法、终端设备及介质 | |
| CN110532021A (zh) | 分布式控制系统的组态文件的处理方法及装置 | |
| CN105868956A (zh) | 一种数据处理方法及装置 | |
| CN108171336B (zh) | 机器数据模型演化的自动感知方法及装置 | |
| CN113609393B (zh) | 一种基于数据服务和数据管理的数字化平台 | |
| CN111143724B (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN112416918B (zh) | 数据治理系统及其工作方法 | |
| CN115062676B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN111258874A (zh) | 一种基于web数据的用户操作轨迹分析方法及装置 | |
| CN106469086B (zh) | 事件处理方法和装置 | |
| CN109033196A (zh) | 一种分布式数据调度系统及方法 | |
| CN111130921B (zh) | 核心网网元的性能指标处理方法及装置 | |
| CN114971547A (zh) | 一种零部件产品级借用分析方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |