CN109062102A - 基于云计算技术的自升式平台多设备远程监控方法 - Google Patents

Abstract

本发明披露一种基于云计算技术自升式平台多设备远程监控方法，属于自升式平台远程监控领域，具体的涉及到自升式平台与厂商之间数据传输，自升式平台大数据分析系统结构，利用云计算技术实现对海量数据分析、建模、存储，在自升式平台本地采集到数据后再用工业计算机上做特征提取，通过云计算系统用随机森林特征选择的方法和支持向量机建模分析实现自升式平台多设备远程状态监，使用云计算平台，可以使状态监测更加准确，处理速度快，安全性高。

Description

基于云计算技术的自升式平台多设备远程监控方法

技术领域：

本发明属于自升式平台远程监控领域，具体的涉及到利用云计算技术实现对海量数据分析、建模、存储，通过云计算系统建模分析实现多台自升式平台远程状态监控。

背景技术：

我国近海地区有非常巨大的石油存储量，随着近年来我国对近海地区的石油勘采，自升式石油钻井平台变得非常重要。自升式石油钻井平台是一个非常复杂的系统由众多子系统组成，每一个电气设备的工作运行状态都不得有任何差错否则将会造成严重后果，由于受到自升式平台本地资源限制这样实现自升式平台的远程监控变得尤为重要。且随着近年来云计算技术的发展使得对海量数据分析、建模、存储变得成为可能。同过云计算技术实现对自升式平台的远程监控，做到由对自升式平台的被动维护转化为主动维护，实时状态分析以及状态预测。

发明内容：

1.设计自升式平台与(厂商)终端间通过5G/GPRS/WiMAX进行数据交互。

2.自升式平台大数据分析系统结构。自升式平台大数据从采集到最终的分析计算，需经过多个环节，大量传感器以固定频率周期性的采集数据，经通信网络发送至数据中心。为缓解云存储系统的访问压力，采集到的数据首先进入前置机缓冲池，进行解码与预处理。除数据源定期采集的数据外，设备、人员等相对静态的信息构成档案数据库，保存在关系数据库中，被直接复制到云存储系统中。当档案数据库发生更新时，应将更新同步到云存储系统中，以保证计算结果的准确性。并行计算环境访问云存储系统，根据业务逻辑对数据进行复杂的分析计算，并将计算结果写入云存储系统。在线查询系统从云存储系统中取得满足用户请求的数据并返回用户。某些针对档案类数据的查询需要计算结果数据，因此，云存储系统还将计算结果同步到关系数据库中，以便用户通过关系数据库查询数据。

3.在自升式平台设备端对振动，火灾，气体信号的监测，用快速傅里叶变换对数据进行特征提取。在云计算平台用随机森林进行特征选择，再用支持向量机(SVM)训练出自升式平台状态监测模型。

4.“厂家”终端通过利用云计算技术对传送来的数据建立状态分析模型，实现对自升式平台进行远程状态监控。底层为已经编址好的多个自升式平台，每个自升式平台中央控制室都有专用数据库系统为向顶层传输数据做好准备；中间层用来实现多个自升式平台与路基服务器之间实现远距离(20海里)数据传输；最顶层也是最重要的一层是“厂家”终端先与提供云服务器的厂商达成个性化定制服务协力，路基服务器将数据通过互联网直接上传到云端服务器中，云端服务器完成数据分析后提供给“厂家”终端可执行策略同时将原始历史数据存储起来，这时“厂家”终端便可完成对自升式平台的远程状态监控。自升式平台为便于集中控制各个子系统与中央控制室之间的分成控制有一整套完成整的通信系统，这很便于各个传感器采集到的电气设备原始状态数据的传输。自升式平台中有自行设计的组态软件这样便有很好的开放性，非常便于将组态软件中的数据传送到中央控制室分布式数据库Oracle数据库管理系统中。

对自升式平台中部分电气设备完成无线通信系统铺设，原有的对自升式平台中的火灾探测系统检测装置均使用的是有线连接的方式，但是一旦发生火灾险情时有线通信电路极容易烧毁，这便会失去对火灾区域的监控，使用无线网络通信便可以很好的解决这一问题。自升式平台升降系统中需要进行桩靴应力检测，然而桩腿的长度长达300多米，这时使用有线连接便非常的不方便，将应力传感器与ZigBee无线通信模块配合使用省去复杂、冗长有线线路连接。

在云服务器中引入历史数据存储，历史数据存储能够提供大量丰富的数据资源，从而为进一步的工业信息的深度挖掘做准备。利用云服务器对自升式平台系统历史现场数据和历史控制信息进行分类存储，为系统性能评估和模型预测提供数据根据；同时为也可以提供数据查询的功能。在历史数据库中可获取“厂商”终端需求信息、配置个体信息、配置模型建立相应的智能维护决策优化模型，以此对整个自升式平台的设备维护产品升级优化提供一个最为合适的方案。

所述基于云计算技术自升式平台多设备远程监控方法包括以下步骤：

步骤一：从自升式平台上采集数据

步骤11：振动传感器布置在钻台、井架、防喷器、悬臂梁、高压泥浆管线、起重机、锚机上；

步骤12：感烟感温多功能探测器布置在平台的每个场所，在主柴油发电机和应急柴油发电机上布置一个火焰探测器和一个光电式感烟探测器；

步骤13：气体探测器安装在风闸前，确保在可燃气体或硫化氢进入风道前就可以探测到气体报警；

步骤14：SCADA系统硬件驱动层负责从升降控制系统和钻井包控制系统中获取振动数据A，火灾数据B，气体数据C；

步骤15：SCADA数据层负责对接收到的实时振动数据A，火灾数据B，气体数据C做历史采集、产生报警、执行计算等处理后向上面的HMI应用层提供数据；

步骤16：HMI应用层负责和用户交互，并根据需要向数据层提取数据；

步骤二：对自升式平台本地振动、火灾、气体数据进行特征提取

步骤21：将振动数据A，火灾数据B，气体数据C上传到工业计算机上；

步骤22：用快速傅里叶变换对振动数据A，火灾数据B，气体数据C把时域转换到频域上；

步骤23：在频域中把振动数据A，火灾数据B，气体数据C的基波抽取出来，舍弃高次谐波，得到振动数据a,火灾数据b，气体数据c；

步骤24：将振动数据a,火灾数据b，气体数据c上传到云计算系统上；

步骤三：在云计算系统上对数据进行特征选择

步骤31：云计算系统接受到自升式平台上传的振动数据a,火灾数据b，气体数据c；

步骤32：利用随机森林算法的变量重要性度量对特征进行排序，在原始数据上构建分类器C；

步骤33：在测试集T上进行分类预测，得到测试集精确率PREACC；

步骤34：去掉一个特征，得到新的测试集t1,在测试集t1上进行分类预测，得到测试集t1的精确率PREACCt1,比较PREACCt1和PREACC，依次去掉特征，计算各个|PREACCt_i-PREACC|；

步骤35：记录每个特征的重要度，进行排序；

步骤36：采用序列后向搜索方法,每次从特征集合中去掉一个最不重要的特征；

步骤37：为了保证实验结果的稳定性,采用了10折交叉验证方法,在每一次迭代中,将数据集划分成10等份,利用其中的9份作为训练集用于构建随机森林分类器,剩余的1份作为验证集数据进行验证；在10折交叉验证过程中,选择测试集上分类准确率最高的一次迭代产生的变量重要性排序作为删除特征的依据,将10次迭代的平均分类准确率作为该轮迭代的分类精度；

步骤38：逐次进行迭代,并计算分类正确率,最终得到变量个数最少、分类正确率最高的特征集合作为特征选择结果；

步骤39：根据特征选择的结果，得到相关特征集的振动数据aa,火灾数据bb，气体数据cc；

步骤四：在云计算系统上用支持向量机训练监控模型

步骤41：用SCADA历史打过标签的数据训练支持向量机；

步骤42：用网络搜索算法查找最优参数C和gamma，使支持向量机在验证集上表现最好的一组参数C1和gamma1；

步骤43：调好参数的C1和gamma1训练监控模型；

步骤44：用支持向量机监测模型对特征选择之后的振动数据aa,火灾数据bb，气体数据cc对数据N做分类预测，预测监测自升式平台设备是否出现震动，出现火灾和产生有毒气体；

步骤46：云计算系统将预测结果反馈到自升式平台终端，自升式平台管理员采取安全措施。

附图说明：

图1基于云计算技术应用的多台自升式平台远程总结构

图2可移动无线中转基站

图3自升式平台大数据分析系统结构

图4自升式平台监控模型搭建

图5云计算服务流程图

具体实施方式：

一种基于云计算技术自升式平台多设备远程监控方法，自升式平台与厂商终端间通过5G/GPRS/WiMAX进行数据交互；自升式平台大数据分析系统结构包括：基础架构Hadoop、分布式文件系统模块、MapReduce、Hive、监控工具与调度工具；厂商终端利用云计算技术对传送过来的数据进行模型分析，实现自升式平台远程状态监测：厂家终端提出个性化需求给云端供应端，云端供应端给厂家终端的私人定制服务、监控模型给厂家终端提供可执行策略，监控模型给云端供应商提供系统量化、云计算系统向监控模型进行数据传输和运行监控，厂家终端将本地数据传输到云计算系统，云端供应商则对云计算系统进行管理维护、共享存储可以让厂家终端访问历史数据，云计算系统可以将数据上传到共享存储中也可以共享存储用云计算系统进行数据访问，如图1所示。

1.设计自升式平台与(厂商)终端间通过5G/GPRS/WiMAX进行数据交互

自升式平台作业水深范围从12/14英尺直至550英尺。大多数自升式钻井平台的作业水深在250至300英尺范围内，即自升式平台工作在近海区域距离海岸线20海里以内大约37km。由于自升式平台离海岸线较远，现有公共网络例如5G/GPRS等无线网络覆盖面积有限，即使有信号信号质量也不一定稳定数据传输过程容易丢包。为此本设计中提出自建可移动无线网络基站的方案用来解决无信号覆盖或者信号质量较差时这一问题，其整个结构构想设计简图如下图图2所示。

方案中设计使用一个可移动的无线基站，当自升式平台移动范围较大时可以相应的的移动无线基站的位置，这样就很大程度上降低成本，移动基站可以通过海底抛入锚的方式将其位置相对的固定住，防止随海浪乱漂。可移动基站漂浮在海中具有很好的风力资源，在基站的电源选择上采用风力发电与锂电池混合供电方式，风力发电机提供无线基站正常工作电能。风力不足时启用锂电池供电，待风力充足时再对锂电池充电，风力发电机与锂电池相配合使用可以有效地解决无线基站的供电问题。

自升式平台与陆地基站之间采用基于IEEE 802.16协议的WiMAX技术，WiMAX也叫802·16无线城域网，是一项新兴的宽带无线接入技术，能提供面向互联网的高速连接，数据传输距离最远可达50km。WiMAX在链路很差的情况下依然能够提供可靠的传输性能。其OFMD(正交频分复用)波形在2-40km的通信距离上支持高频谱效率，在一个射频内速度可达70Mb/s。WiMAX能够很好的解决自升式平台与陆地基站间的远距离问题，同时也能达到对数据传输速度的要求。

2.自升式平台大数据分析系统结构

主要模块如图3包括：

(1)Hadoop是一个分布式计算的基础架构，用户在不需要了解底层细节的情况下，开发分布式的应用。Hadoop最重要的是实现了一个分布式的文件系统，这样的文件系统可以架构在价格低廉的集群之上。Hadoop另外一个重要内容就是MapReduce，一种分布式任务处理的架构。这两个部分构成了Hadoop的基石，Hadoop在创新在于从以前的以应用为中心，转变为以数据为中心。以前是应用获取数据进行处理，现在是将计算任务发送给数据，然后进行处理。

(2)分布式文件系统(HDFS)模块。是整个大数据分析系统的核心模块之一，用于自生式平台大数据的持久化存储。运行在HDFS之上的应用一般都拥有大量数据.一个HDFS文件通常大小在GB到TB之间。因此，HDFS理应很好地支持大文件.它在一个集群上应该能提供相当高的数据带宽，并能能将数据拓展到数百个节点.在一个应用实例中.它要支持数以百万计的数据文件。文件分块存储，HDFS会将一个完整的大文件平均分块存储到不同计算器上，它的意义在于读取文件时可以同时从多个主机取不同区块的文件，多主机读取比单主机读取效率要高得多得都。流式数据访问，一次写入多次读写，这种模式跟传统文件不同，它不支持动态改变文件内容，而是要求让文件一次写入就不做变化，要变化也只能在文件末添加内容。廉价硬件，HDFS可以应用在普通PC机上，这种机制能够让给一些公司用几十台廉价的计算机就可以撑起一个大数据集群。硬件故障，HDFS认为所有计算机都可能会出问题，为了防止某个主机失效读取不到该主机的块文件，它将同一个文件块副本分配到其它某几个主机上，如果其中一台主机失效，可以迅速找另一块副本取文件。

(3)MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数：Map和Reduce。编程容易，不需要掌握分布式并行编程细节，也可以很容易把自己的程序运行在分布式系统上，完成海量数据的计算MapReduce采用“分而治之”策略，一个存储在分布式文件系统中的大规模数据集，会被切分成许多独立的分片(split)，这些分片可以被多个Map任务并行处理MapReduce设计的一个理念就是“计算向数据靠拢”，而不是“数据向计算靠拢”，因为，移动数据需要大量的网络传输开销，所以节约了网络开销

(4)Hive为基于Hadoop平台的数据仓库系统，用于对大数据进行分析计算。Hive提供了类SQL查询语言HiveQL(HQL)，为数据分析人员提供了熟悉的接口。HQL查询由Hive解析器编译为一组MapReduce程序。与关系数据库类似，Hive将数据组织为表，并存储到HDFS中。

(5)监控工具与运行调度工具。监控工具用于监控系统的运行状态、数据分析作业的执行状态等信息；运行调度工具根据管理员指定的调度策略与资源状况对数据分析作业进行调度，解析作业间的关联或依赖关系。

(6)在管理方面，主要以云的管理层为主，它的功能是确保整个云计算中心能够安全和稳定的运行，并且能够被有效地管理。

3.自升式平台监控模型搭建

基于云计算平台的自升式平台的监控模型如图5所示：

(1)本地自升式平台的振动传感器，火灾探测器，气体探测器通过数据采集系统把数据传输到中央控制系统中。

(2)在本地工业电脑中对采集到的数据进行快速傅里叶变换(FFT)，快速傅里叶变换(FFT)主要用于频谱分析，将时域信号转化为频域信号，在故障诊断领域有广泛的应用，把基波采集出来，过滤掉高次谐波。

(3)把进行特征提取的数据传输到云平台中，在云平台中进行特征选择，我选用的是随机森林特征选择。随机森林(RandomForest,RF)是一种集成机器学习方法，随机森林是一个由一组决策树分类器{h(X，θk)，k＝1，2，…，K}组成的集成分类器，其中{θk}是服从独立同分布的随机向量，K表示随机森林中决策树的个数，在给定自变量X下，每个决策树分类器通过投票来决定最优的分类结果。随机森林算法分类的准确度定义为：

生成随机森林的步骤如下：

步骤1.从原始训练数据集中，应用bootstrap方法有放回地随机抽取K个新的自助样本集，并由此构建K棵分类回归树，每次未被抽到的样本组成了K个袋外数据(out ofbag,OOB)。

步骤2.设有n个特征，则在每一棵树的每个节点处随机抽取Z个特征(Z≤n)，通过计算每个特征蕴含的信息量，在Z个特征中选择一个最具有分类能力的特征进行节点分裂。

步骤3.每棵树最大限度地生长，不做任何剪裁。

步骤4.将生成的多棵树组成随机森林，用随机森林对新的数据进行分类，分类结果按树分类器的投票多少而定

本文提出了一种基于随机森林的Wrappe封装式特征选择方法。

步骤1：利用随机森林算法的变量重要性度量对特征进行排序，在原始数据上构建分类器C；

步骤2：在测试集T上进行分类预测，得到测试集精确率PREACC；

步骤3：去掉一个特征，得到新的测试集t1,在测试集t1上进行分类预测，得到测试集t1精确率PREACCt1,比较PREACCt1和PREACC，依次把所有特征都单独去掉依次，计算|PREACCt_i-PREACC|；

步骤4：记录每个特征的重要度，进行排序；

步骤5：采用序列后向搜索方法,每次从特征集合中去掉一个最不重要(重要性得分最小)的特征；

步骤6：逐次进行迭代,并计算分类正确率,最终得到变量个数最少、分类正确率最高的特征集合作为特征选择结果；

步骤7：为了保证实验结果的稳定性,本文采用了10折交叉验证方法,在每一次迭代中,将数据集划分成10等份,利用其中的9份作为训练集用于构建随机森林分类器,剩余的1份作为验证集数据进行验证。在10折交叉验证过程中,选择测试集上分类准确率最高的一次迭代产生的变量重要性排序作为删除特征的依据,将10次迭代的平均分类准确率作为该轮迭代的分类精度。

(4)在云平台上对数据做完特征选择之后再用分类算法支持向量机(SVM)训练监控模型。SVM它是一个二分类器，其基本模型定义为特征空间上的间隔最大的线性分类器，每一个数据到超平面的距离最远，SVM的目的是要找到一个线性分类的最佳超平面。目标函数为：

限制条件

y_i(x_iw^T+b)≥1-ζ,i＝1,2,L,n

ζ＞1

对于线性可分的样本，可以被最优分类超平面区分开，对于线性不可分的情况，考虑到一部分样本数据不满足式(1)，存在一定的分类误差，因此我们在约束条件中引入一个松弛变量ξ来解决误差问题，则每个数据满足y_i(x_iw^T+b)≥1-ζ,i＝1,2,L,n。当0＜ζ＜1时，数据分类正确。当ζ＞1时，数据分类错误，为了解决这个问题，加入了惩罚项都得到目标函数

限制条件

因为自升式平台的数据是非线性的，SVM可以选择一个核函数K()，通过将数据映射到高维空间，来解决再原始空间中线性不可分的问题。本文选择高斯核

4.厂商终端利用云计算技术对传送过来的数据进行模型分析，实现自升式平台远程状态监测以及状态预测。

是通过使计算分布在大量的分布式计算上，而非利用本地计算机，“云”具有相当大的规模，通过使用云计算技术可以赋予用户前所未有的计算能力。本设计中提出的对于自升式平台的远程监控技术可以利用云计算技术很好的解决本地计算能力不足的问题。

(1)每台自升式平台的中央控制室数据管理系统将数据包经过编址处理后通过远距离数据传输，将数据发送到路基服务器，路基服务器为向云端服务器系统上传数据做好准备。

(2)在使用云计算服务器前厂家终端先与云端供应商进行沟通，其中报包括上传数据量的大小、价格、对于历史数据的存储访问、监控模型阈值等等，“厂家”终端根据自己的需求向云端供应商提出个性需求，云端供应商根据需求给出定制服务，签订双方达成的SLA(Service-Levwl Agreement)协议为双方履行安全责任的依据。

(3)“厂家”终端与云端供应商达成协议即可以根据云端服务商给予的访问权限访问使用计算机，路基服务器系统便可以将自升式平台中传送过来的数据上传到云端供应商提供的云计算系统。云计算系统具有庞大的计算能力，对分地址传送过来的数据进行建模分析，完成自升式平台状态监控模型分析。完成模型分析的同时将历史数据存储起来，为以后的二次数据挖掘做好准备，“厂家”终端具有任意访问历史数据的权限。监控模型如图4。

(4)将刚开始传送过来的数据作为训练样本，利用云计算系统训练出状态监控模型，这时再有新的数据传输过来时根据状态监控模型推算出运行状态，从而“厂家”终端在本地服务器便可以得到自己想要的属性指标并采取相应措施。这便完成了一整个状态监控过程。

云计算是一种全新的大规模分布式计算模式，起源于互联网公司对大量计算与存储资源的需求以及对可伸缩、高性能、高可用等特征的追求。

云计算聚合了大量分布、异构的资源，向用户提供强大的海量数据存储与计算能力。云计算通过虚拟化、动态资源调配等技术向用户提供按需服务，避免资源浪费与竞争，提高资源利用率以及应用性能。云计算提供了横向伸缩与动态负载均衡能力，即云计算支持运行时向数据中心增加新的节点，系统会自动将部分负载迁移至新增节点，并保持节点间负载的平衡，从而增强了整个系统的业务承载能力。云计算环境中的资源被组织为数据中心的形式。一个数据中心包含数千甚至数万节点，节点间通过高速网络互联，共同向用户提供计算与存储资源。

随着云计算成为主流，企业采用云计算已经成为了必然的选择。目前，大多数企业采用的是公有云或私有云，以满足不同的需求。私有云意味着用户连接的是本地资源。尽管它缺乏灵活性和价格昂贵，但是对于某些IT部门比如需要处理各种规章制度的组织来说，私有云不可或缺。公有云意味着用户需要连接外部的由云服务提供商提供的服务。公有云的使用在计算领域掀起了一场革命。目前，既使用私有云服务用于某种目标，又可以使用公有云用于其他目的的混合云已成为企业关注的焦点。混合云不仅是一个可定制的解决方案，而且其架构结合了私有云(可信、可控、可靠)和公有云(简单、低成本、灵活)的优势。

Claims (1)

1.一种基于云计算技术自升式平台多设备远程监控方法，自升式平台与厂商终端间通过5G/GPRS/WiMAX进行数据交互；所述自升式平台大数据分析系统结构包括：基础架构Hadoop、分布式文件系统模块、MapReduce、Hive、监控工具与调度工具；厂商终端利用云计算技术对传送过来的数据进行模型分析，实现自升式平台远程状态监测：厂家终端提出个性化需求给云端供应端，云端供应端给厂家终端的私人定制服务、监控模型给厂家终端提供可执行策略，监控模型给云端供应商提供系统量化、云计算系统向监控模型进行数据传输和运行监控，厂家终端将本地数据传输到云计算系统，云端供应商则对云计算系统进行管理维护、共享存储可以让厂家终端访问历史数据，云计算系统可以将数据上传到共享存储中也可以共享存储用云计算系统进行数据访问；其特征在于所述基于云计算技术自升式平台多设备远程监控方法包括以下步骤：

步骤一：从自升式平台上采集数据

步骤11：振动传感器布置在钻台、井架、防喷器、悬臂梁、高压泥浆管线、起重机、锚机上；

步骤12：感烟感温多功能探测器布置在平台的每个场所，在主柴油发电机和应急柴油发电机上布置一个火焰探测器和一个光电式感烟探测器；

步骤13：气体探测器安装在风闸前，确保在可燃气体或硫化氢进入风道前就可以探测到气体报警；

步骤14：SCADA系统硬件驱动层负责从升降控制系统和钻井包控制系统中获取振动数据A，火灾数据B，气体数据C；

步骤15：SCADA数据层负责对接收到的实时振动数据A，火灾数据B，气体数据C做历史采集、产生报警、执行计算等处理后向上面的HMI应用层提供数据；

步骤16：HMI应用层负责和用户交互，并根据需要向数据层提取数据；

步骤二：对自升式平台本地振动、火灾、气体数据进行特征提取

步骤21：将振动数据A，火灾数据B，气体数据C上传到工业计算机上；

步骤22：用快速傅里叶变换对振动数据A，火灾数据B，气体数据C把时域转换到频域上；

步骤23：在频域中把振动数据A，火灾数据B，气体数据C的基波抽取出来，舍弃高次谐波，得到振动数据a,火灾数据b，气体数据c；

步骤24：将振动数据a,火灾数据b，气体数据c上传到云计算系统上；

步骤三：在云计算系统上对数据进行特征选择

步骤31：云计算系统接受到自升式平台上传的振动数据a,火灾数据b，气体数据c；

步骤32：利用随机森林算法的变量重要性度量对特征进行排序，在原始数据上构建分类器C；

步骤33：在测试集T上进行分类预测，得到测试集精确率PREACC；

步骤34：去掉一个特征，得到新的测试集t1,在测试集t1上进行分类预测，得到测试集t1的精确率PREACCt1,比较PREACCt1和PREACC，依次去掉特征，计算各个|PREACCt_i-PREACC|；

步骤35：记录每个特征的重要度，进行排序；

步骤36：采用序列后向搜索方法,每次从特征集合中去掉一个最不重要的特征；

步骤37：为了保证实验结果的稳定性,采用了10折交叉验证方法,在每一次迭代中,将数据集划分成10等份,利用其中的9份作为训练集用于构建随机森林分类器,剩余的1份作为验证集数据进行验证；在10折交叉验证过程中,选择测试集上分类准确率最高的一次迭代产生的变量重要性排序作为删除特征的依据,将10次迭代的平均分类准确率作为该轮迭代的分类精度；

步骤38：逐次进行迭代,并计算分类正确率,最终得到变量个数最少、分类正确率最高的特征集合作为特征选择结果；

步骤39：根据特征选择的结果，得到相关特征集的振动数据aa,火灾数据bb，气体数据cc；

步骤四：在云计算系统上用支持向量机训练监控模型

步骤41：用SCADA历史打过标签的数据训练支持向量机；

步骤42：用网络搜索算法查找最优参数C和gamma，使支持向量机在验证集上表现最好的一组参数C1和gamma1；

步骤43：调好参数的C1和gamma1训练监控模型；

步骤44：用支持向量机监测模型对特征选择之后的振动数据aa,火灾数据bb，气体数据cc对数据N做分类预测，预测监测自升式平台设备是否出现震动，出现火灾和产生有毒气体；

步骤46：云计算系统将预测结果反馈到自升式平台终端，自升式平台管理员采取安全措施。