CN109189762A - 一种工业物联网数据分析方法、系统及相关设备 - Google Patents
一种工业物联网数据分析方法、系统及相关设备 Download PDFInfo
- Publication number
- CN109189762A CN109189762A CN201811023041.7A CN201811023041A CN109189762A CN 109189762 A CN109189762 A CN 109189762A CN 201811023041 A CN201811023041 A CN 201811023041A CN 109189762 A CN109189762 A CN 109189762A
- Authority
- CN
- China
- Prior art keywords
- time series
- sequence
- analysis model
- residual sequence
- data
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种工业物联网数据分析方法、系统及相关设备，用于工业设备同一参数指标的变化趋势预测。实施例方法包括：周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；构造时间序列对应的时间序列分析模型；采用时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据；计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；校验残差序列是否满足预置条件，若不满足，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；若满足，根据时间序列对应的时间序列分析模型计算目标参数指标未来周期的预测值。
Description
技术领域
本申请涉及物联网技术领域，尤其涉及一种工业物联网数据分析方法、系统及相关设备。
背景技术
由于工业物联网的数据具有非常强的时间属性，而且具有顺序发生特性和顺序积累特性。也就是说，一个指标所上报的所有数据，都可以视为一个以时间为重要参数的函数，历史数据对未来的发展有一定影响，并且下一个时间节点的数值是一定显著性水平下所能预测的。
现有方案中，只是根据时间序列中的数据建立单一的分析模型，并没有对模型的适用性进行分析，导致数据的分析预测结果并不符合实际采样值。
有鉴于此，有必要提出一种新的工业物联网数据分析方法。
发明内容
本申请实施例第一方面提供了一种工业物联网数据分析方法、系统及相关设备，基于物联网实现工业设备同一参数指标的变化趋势预测。
本申请实施例第一方面提供了一种工业物联网数据分析方法，其特征在于，包括：
周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造所述时间序列对应的时间序列分析模型；
采用所述时间序列分析模型对所述时间序列进行数据拟合计算，得到所述时间序列中各个时刻的原始数据对应的预测数据；
计算所述时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验所述残差序列是否满足预置条件；
若不满足，则重新构造所述时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
若满足，根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来周期的预测值。
可选的，作为一种可能的实施方式，本申请实施例中，所述校验所述残差序列是否满足预置条件，包括：
校验所述残差序列是否为白噪声序列；
校验所述残差序列是否符合正态分布；
若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
可选的，作为一种可能的实施方式，本申请实施例中，所述构造所述时间序列对应的时间序列分析模型，包括：
采用单位根检验算法校验所述时间序列是否平稳；
若平稳，则构造所述时间序列对应的自回归滑动平均ARMA模型；
若不平稳，则对所述时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
可选的，作为一种可能的实施方式，本申请实施例中工业物联网数据分析方法，还包括：
根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来至少两个周期的预测值；
拟合计算所述时间序列对应的概率密度函数；
根据所述目标参数指标的预测值中的最大值、最小值及所述概率密度函数计算所述目标参数指标的预测值对应的概率。
本申请实施例第二方面提供了一种工业物联网数据分析系统，其特征在于，包括：
采集模块，用于周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造模块，用于构造所述时间序列对应的时间序列分析模型；
第一计算模块，用于采用所述时间序列分析模型对所述时间序列进行数据拟合计算，得到所述时间序列中各个时刻的原始数据对应的预测数据；
第二计算模块，用于计算所述时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验模块，用于校验所述残差序列是否满足预置条件；
循环模块，若所述残差序列不满足预置条件，则触发所述构造模块，重新构造所述时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
第三计算模块，用于根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来周期的预测值。
可选的，作为一种可能的实施方式，本申请实施例中的校验模块包括：
第一校验单元，用于校验所述残差序列是否为白噪声序列；
第二校验单元，用于校验所述残差序列是否符合正态分布；
判断单元，若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
可选的，作为一种可能的实施方式，本申请实施例中的构造模块包括：
校验单元，用于采用单位根检验算法校验所述时间序列是否平稳；
第一构造单元，若所述时间序列平稳，则用于构造所述时间序列对应的自回归滑动平均ARMA模型；
第二构造单元，若所述时间序列不平稳，则用于对所述时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
可选的，作为一种可能的实施方式，本申请实施例中工业物联网数据分析系统，还包括：
第四计算模块，用于根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来至少两个周期的预测值；
第五计算模块，用于拟合计算所述时间序列对应的概率密度函数；
第六计算模块，用于根据所述目标参数指标的预测值中的最大值、最小值及所述概率密度函数计算所述目标参数指标的预测值区间对应的概率。
本申请实施例第三方面提供了一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面及第一方面中任意一种可能的实施方式中的步骤。
本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如第一方面及第一方面中任意一种可能的实施方式中的步骤。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例将工业物联网数据分析方法运用于物联网，基于周期性采集到的同一目标参数指标对应的采样值，形成一组时间序列，实现了数据的自动采集及分析。其次，本申请实施例对时间序列构建对应的时间序列分析模型之后，可以根据构建的时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据，并进一步计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列，然后校验残差序列是否满足预置条件，若不满足，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止，最终根据满足条件的时间序列分析模型预测时间序列未来周期的预测值。由于最终构建的时间序列分析模型对应的残差序列满足预置条件，则该模型包含的原始数据的信息更加全面，可以提高预测分析的准确率。
附图说明
图1为本申请实施例中一种工业物联网数据分析方法的一个实施例示意图；
图2为本申请实施例中一种工业物联网数据分析方法的另一个实施例示意图；
图3为本申请实施例中一种工业物联网数据分析系统的一个实施例示意图；
图4为本申请实施例中一种工业物联网数据分析系统中校验模块的一个功能细化示意图；
图5为本申请实施例中一种工业物联网数据分析系统中构造模块的一个功能细化示意图；
图6为本申请实施例中一种工业物联网数据分析系统的另一个实施例示意图；
图7为本申请实施例中一种计算机装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种工业物联网数据分析方法、系统及相关设备，基于物联网实现工业设备同一参数指标的变化趋势预测。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
由于工业物联网的数据具有非常强的时间属性，而且具有顺序发生特性和顺序积累特性。也就是说，一个指标所上报的所有数据，都可以视为一个以时间为重要参数的函数，历史数据对未来的发展有一定影响，并且下一个时间节点的数值是一定显著性水平下所能预测的。所以在进行趋势研究的时候，我们可以判断参数的变化规律，下一个预测区间里面，参数变化程度的可能性。也就是，利用最近的m个样本，t1至tm时刻，计算出tm+1，然后，利用m+1个样本，推算出下一个。然后，根据采样周期，推算时间。在收集到m+1个样本之后，根据工业数据的特性，采用工业物联网数据分析方法预测下一个时间段的数据和区间预测，推测参数的变化规律。
本申请实施例根据工业物联网数据分析方法，判断平稳性、阶数之后，拟合差分方程，选取显著性水平，并由此根据模型的残差的平稳性和随机性判断模型的好坏，以及是否需要重新拟合，抽取数据更多的信息。经过检验过后，最后进行样本内预测与样本外预测和区间预测。
为了便于理解，下面对本申请实施例中的具体流程进行描述，请参阅图1，本申请实施例中一种工业物联网数据分析方法的一个实施例可包括：
101、周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列。
为了实现工业设备的同一目标参数指标的变化趋势预测，本申请实施例中的工业物联网数据分析系统可以基于物联网系统，周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列。具体的时间序列中的数据的个数此处不做限定。
102、构造时间序列对应的时间序列分析模型。
在获取到时间序列之后，可以依据时间序列的平稳性构造对应的时间序列分析模型。可选的，作为一种可能的实施方式，本申请实施例可以采用单位根检验算法校验时间序列是否平稳；若平稳，则构造时间序列对应的自回归滑动平均ARMA模型；若不平稳，则对时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
在确定预置时间序列分析算法之后，系统可以将时间序列输入初始算法模型中按照预置的时间序列分析算法进行训练得到预置时间序列分析算法函数模型中的待定参数值，生成成熟的时间序列分析模型，以用于对时间序列中的数据进行预测计算，本申请实施例仅以ARMA模型的建立为例进行说明，首先进行ARMA中(p，q)的判断。判断p，q阶数的方法有四种。法一：运用自相关系数、偏自相关系数判断截尾拖尾现象，确认p，q。法二：运用AIC准则、SBC准则确定最佳模型阶数，法三，设置p、q的最大值，穷举范围中所有的模型，并计算出所有模型的残差方差，取残差方差最小的模型为最优模型。
其中，残差方差的估计式为δ2＝模型的剩余平方和/(实际观察值个数-模型的参数个数)
法四：用F检验对ARMA(2n，2n-1)为单位进行模型删选。采用过拟合的方法，先对观察数据用ARMA(2n，2n-1)对数据进行拟合，再计算更高阶数的模型，用F检验准则判断两个模型之间是否存在显著性差异。如果差异显著，则说明模型的阶数仍存在升高的可能性。否则模型阶数可以降低。
ARMA模型的可以用函数表示为：Xt＝Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+Φ0+Ut+θ1Ut-1+θ2Ut-2+…+θqUt-q，其中序列{Ut，Ut-1，…，Ut-q}为系统随机分配的独立的白噪声序列，在确定p与q(均为不大于t的自然数)的值之后，系统可以将时间序列{Xt}输入自回归滑动平均ARMA模型中进行训练，求得参数{Φ1，Φ2，…，Φp，Φ0}、{θ1，θ2…，θq}的值，即可建立ARMA模型。具体的ARIMA模型的建立方式为现有技术，此处不做赘述。
103、采用时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据。
在初步建立时间序列分析模型之后，可以将时间序列中的采样值带入时间序列分析模型中进行拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据。
104、计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列。
在初步建立时间序列分析模型之后，需要对构建的模型进行检验，本申请实施例中采用该模型计算得到的各个时刻的预测值与对应的原始数据差值，各个时刻的差值形成残差序列，基于该残差序列校验建立的时间序列分析模型是否适用。
105、校验残差序列是否满足预置条件。
可选的，作为一种可能的实施方式，本申请实施例中，可以通过校验残差序列是否为白噪声序列；和/或，校验残差序列是否符合正态分布，以此判断构建的时间序列分析模型是否适用。可选的，若残差序列为白噪声序列，可以单独确定构建的时间序列分析模型适用；可选的，若残差序列符合正态分布，可以单独确定构建的时间序列分析模型适用。优选的，本申请实施例中可以结合两方面综合判断，首先对残差进行DW(Durbin-Watson)检验或者Q检验，检验残差是否为白噪声。其次，对残差进行正态分布的检验，判断模型拟合情况，若符合正态分布，则证明模型提取了所有的时间序列中包含的信息，若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。具体的判断构建的时间序列分析模型是否适用的条件，此处不做限定。
此外，若残差序列不满足上述预置条件，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止。
106、根据时间序列对应的时间序列分析模型计算目标参数指标未来周期的预测值。
最终得到满足条件的时间序列分析模型之后，可以基于时间序列中的原始数据进行迭代运算，得到工业设备的目标参数指标未来周期的预测值。具体的可以预测一个周期的预测值，也可以基于前一周期的预测值迭代运算得到后续多个周期的预测值，形成预测区间。
本申请实施例将工业物联网数据分析方法运用于物联网，基于周期性采集到的同一目标参数指标对应的采样值，形成一组时间序列，实现了数据的自动采集及分析。其次，本申请实施例对时间序列构建对应的时间序列分析模型之后，可以根据构建的时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据，并进一步计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列，然后校验残差序列是否满足预置条件，若不满足，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止，最终根据满足条件的时间序列分析模型预测时间序列未来周期的预测值。由于最终构建的时间序列分析模型对应的残差序列满足预置条件，则该模型包含的原始数据的信息更加全面，可以提高预测分析的准确率。
在上述图1所示的实施例的基础上，为描述多个周期的预测值形成预测区间的准确率，本申请实施例还可以进一步对预测值对应的概率进行计算。请参阅图2，本申请实施例中工业物联网数据分析方法的一个另实施例可包括：
201、周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列。
202、构造时间序列对应的时间序列分析模型。
203、采用时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据。
204、计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列。
205、校验残差序列是否满足预置条件。
本申请实施例中的步骤201至205中所描述的内容与上述图1所示的实施例中的步骤101至105中描述的内容类似，具体请参阅步骤101至105，此处不做赘述。
206根据时间序列对应的时间序列分析模型计算目标参数指标未来至少两个周期的预测值。
最终得到满足条件的时间序列分析模型之后，可以基于时间序列中的原始数据进行迭代运算，得到工业设备的目标参数指标未来周期的预测值。具体的可以预测一个周期的预测值，也可以基于前一周期的预测值迭代运算得到至少两个周期的预测值，形成预测区间。
207、拟合计算时间序列对应的概率密度函数。
由于时间序列是平稳的，本申请实施例可以根据公式数值积分拟合出概率密度函数。
208、根据目标参数指标的预测值中的最大值、最小值及概率密度函数计算目标参数指标的预测值对应的概率。
根据公式F(X)＝P(xmin≤X≤xmax)计算目标参数指标的预测值组成的区间对应的概率，其中xmin、xmax分别为一定时间段内的预测值的最小值与最大值。求解出的概率值在一定程度上可以反映出预测值的准确率，该预测值的准确率可以作为调整工业设备运行参数的一项参照，可以基于该指标实现工业设备运行参数的智能调节。
可以理解的是，在本申请的各种实施例中，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
上述实施例对本申请实施例中的工业物联网数据分析方法进行了描述，下面将对本申请实施例中的时间序列的工业物联网数据分析系统进行描述，请参阅图3，本申请实施例中的一种工业物联网数据分析系统的一个实施例包括：
采集模块301，用于周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造模块302，用于构造时间序列对应的时间序列分析模型；
第一计算模块303，用于采用时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据；
第二计算模块304，用于计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验模块305，用于校验残差序列是否满足预置条件；
循环模块306，若残差序列不满足预置条件，则触发构造模块，重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
第三计算模块307，用于根据时间序列对应的时间序列分析模型计算目标参数指标未来周期的预测值。
本申请实施例将工业物联网数据分析方法运用于物联网，基于周期性采集到的同一目标参数指标对应的采样值，形成一组时间序列，实现了数据的自动采集及分析。其次，本申请实施例对时间序列构建对应的时间序列分析模型之后，可以根据构建的时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据，并进一步计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列，然后校验残差序列是否满足预置条件，若不满足，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止，最终根据满足条件的时间序列分析模型预测时间序列未来周期的预测值。由于最终构建的时间序列分析模型对应的残差序列满足预置条件，则该模型包含的原始数据的信息更加全面，可以提高预测分析的准确率。
可选的，作为一种可能的实施方式，请参阅图4，本申请实施例中的校验模块305可以包括：
第一校验单元3051，用于校验残差序列是否为白噪声序列；
第二校验单元3052，用于校验残差序列是否符合正态分布；
判断单元3053，若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
可选的，作为一种可能的实施方式，请参阅图5，本申请实施例中的构造模块302可以包括：
校验单元3021，用于采用单位根检验算法校验时间序列是否平稳；
第一构造单元3022，若时间序列平稳，则用于构造时间序列对应的自回归滑动平均ARMA模型；
第二构造单元3023，若时间序列不平稳，则用于对时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
可选的，作为一种可能的实施方式，请参阅图6，本申请实施例中的工业物联网数据分析系统还包括：
第四计算模块308，用于根据时间序列对应的时间序列分析模型计算目标参数指标未来至少两个周期的预测值；
第五计算模块309，用于拟合计算时间序列对应的概率密度函数；
第六计算模块310，用于根据目标参数指标的预测值中的最大值、最小值及概率密度函数计算目标参数指标的预测值区间对应的概率。
上面从模块化功能实体的角度对本申请实施例中的工业物联网数据分析系统进行了描述，下面从硬件处理的角度对本申请实施例中的计算机装置进行描述：
本申请实施例还提供了一种计算机装置7，如图7所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该计算机装置7一般指服务器等处理能力较强的计算机设备。
参考图7，计算机装置7包括：电源701、存储器702、处理器703、有线或无线网络接口704以及存储在存储器中并可在处理器上运行的计算机程序。处理器执行计算机程序时实现上述各个工业物联网数据分析方法的实施例中的步骤，例如图1所示的步骤101至106。或者，处理器执行计算机程序时实现上述各装置实施例中各模块或单元的功能。
本申请的一些实施例中，处理器具体用于实现如下步骤：
周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造时间序列对应的时间序列分析模型；
采用时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据；
计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验残差序列是否满足预置条件；
若不满足，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
若满足，根据时间序列对应的时间序列分析模型计算目标参数指标未来周期的预测值。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
校验残差序列是否为白噪声序列；
校验残差序列是否符合正态分布；
若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
采用单位根检验算法校验时间序列是否平稳；
若平稳，则构造时间序列对应的自回归滑动平均ARMA模型；
若不平稳，则对时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
根据时间序列对应的时间序列分析模型计算目标参数指标未来至少两个周期的预测值；
拟合计算时间序列对应的概率密度函数；
根据目标参数指标的预测值中的最大值、最小值及概率密度函数计算目标参数指标的预测值对应的概率。
计算机装置7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
本领域技术人员可以理解，图7中示出的结构并不构成对计算机装置7的限定，计算机装置7可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，例如计算机装置还可以包括输入输出设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，可以实现如下步骤：
周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造时间序列对应的时间序列分析模型；
采用时间序列分析模型对时间序列进行数据拟合计算，得到时间序列中各个时刻的原始数据对应的预测数据；
计算时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验残差序列是否满足预置条件；
若不满足，则重新构造时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
若满足，根据时间序列对应的时间序列分析模型计算目标参数指标未来周期的预测值。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
校验残差序列是否为白噪声序列；
校验残差序列是否符合正态分布；
若残差序列为白噪声序列，且符合正态分布，则确定残差序列满足预置条件。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
采用单位根检验算法校验时间序列是否平稳；
若平稳，则构造时间序列对应的自回归滑动平均ARMA模型；
若不平稳，则对时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
可选的，本申请的一些实施例中，处理器还可以用于实现如下步骤：
根据时间序列对应的时间序列分析模型计算目标参数指标未来至少两个周期的预测值；
拟合计算时间序列对应的概率密度函数；
根据目标参数指标的预测值中的最大值、最小值及概率密度函数计算目标参数指标的预测值对应的概率。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种工业物联网数据分析方法，其特征在于，包括：
周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造所述时间序列对应的时间序列分析模型；
采用所述时间序列分析模型对所述时间序列进行数据拟合计算，得到所述时间序列中各个时刻的原始数据对应的预测数据；
计算所述时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验所述残差序列是否满足预置条件；
若不满足，则重新构造所述时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
若满足，根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来周期的预测值。
2.根据权利要求1所述的方法，其特征在于，所述校验所述残差序列是否满足预置条件，包括：
校验所述残差序列是否为白噪声序列；
校验所述残差序列是否符合正态分布；
若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
3.根据权利要求2所述的方法，其特征在于，所述构造所述时间序列对应的时间序列分析模型，包括：
采用单位根检验算法校验所述时间序列是否平稳；
若平稳，则构造所述时间序列对应的自回归滑动平均ARMA模型；
若不平稳，则对所述时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
4.根据权利要求1至3中任一项所述的方法，其特征在于，还包括：
根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来至少两个周期的预测值；
拟合计算所述时间序列对应的概率密度函数；
根据所述目标参数指标的预测值中的最大值、最小值及所述概率密度函数计算所述目标参数指标的预测值对应的概率。
5.一种工业物联网数据分析系统，其特征在于，包括：
采集模块，用于周期性的采集工业设备的同一目标参数指标对应的采样值，形成一组时间序列；
构造模块，用于构造所述时间序列对应的时间序列分析模型；
第一计算模块，用于采用所述时间序列分析模型对所述时间序列进行数据拟合计算，得到所述时间序列中各个时刻的原始数据对应的预测数据；
第二计算模块，用于计算所述时间序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；
校验模块，用于校验所述残差序列是否满足预置条件；
循环模块，若所述残差序列不满足预置条件，则触发所述构造模块，重新构造所述时间序列对应的时间序列分析模型，直到重新构造的时间序列分析模型对应的残差序列满足预置条件为止；
第三计算模块，若所述残差序列满足预置条件，用于根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来周期的预测值。
6.根据权利要求5所述的系统，其特征在于，所述校验模块包括：
第一校验单元，用于校验所述残差序列是否为白噪声序列；
第二校验单元，用于校验所述残差序列是否符合正态分布；
判断单元，若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。
7.根据权利要求6所述的系统，其特征在于，所述构造模块包括：
校验单元，用于采用单位根检验算法校验所述时间序列是否平稳；
第一构造单元，若所述时间序列平稳，则用于构造所述时间序列对应的自回归滑动平均ARMA模型；
第二构造单元，若所述时间序列不平稳，则用于对所述时间序列进行差分处理之后构建自回归积分滑动平均ARIMA模型。
8.根据权利要求5至7中任一项所述的系统，其特征在于，还包括：
第四计算模块，用于根据所述时间序列对应的时间序列分析模型计算所述目标参数指标未来至少两个周期的预测值；
第五计算模块，用于拟合计算所述时间序列对应的概率密度函数；
第六计算模块，用于根据所述目标参数指标的预测值中的最大值、最小值及所述概率密度函数计算所述目标参数指标的预测值区间对应的概率。
9.一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至4中任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811023041.7A CN109189762A (zh) | 2018-09-03 | 2018-09-03 | 一种工业物联网数据分析方法、系统及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811023041.7A CN109189762A (zh) | 2018-09-03 | 2018-09-03 | 一种工业物联网数据分析方法、系统及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109189762A true CN109189762A (zh) | 2019-01-11 |
Family
ID=64912121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811023041.7A Pending CN109189762A (zh) | 2018-09-03 | 2018-09-03 | 一种工业物联网数据分析方法、系统及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109189762A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111310989A (zh) * | 2020-02-05 | 2020-06-19 | 北京明略软件系统有限公司 | 零件加工成功率的预测方法、预测装置及可读存储介质 |
| CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
| CN111882135A (zh) * | 2020-08-05 | 2020-11-03 | 杭州安恒信息技术股份有限公司 | 一种物联网设备入侵检测方法及相关装置 |
| CN111984641A (zh) * | 2020-08-14 | 2020-11-24 | 薛东 | 基于工业互联网和智能制造的数据处理方法及大数据平台 |
| CN112288158A (zh) * | 2020-10-28 | 2021-01-29 | 税友软件集团股份有限公司 | 一种业务数据预测方法及相关装置 |
| CN112862159A (zh) * | 2021-01-13 | 2021-05-28 | 中铁第四勘察设计院集团有限公司 | 电离层的总电子含量预测方法、装置、设备及存储介质 |
| CN113095608A (zh) * | 2019-12-23 | 2021-07-09 | 中国移动通信集团上海有限公司 | 指标分析方法、装置、设备及存储介质 |
| WO2021151304A1 (zh) * | 2020-07-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 时序数据滞后性处理方法、装置、电子设备及存储介质 |
| CN114611378A (zh) * | 2022-01-31 | 2022-06-10 | 扬州来源液压设备有限公司 | 基于矿山工业物联网的液压支撑杆压力调控系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517159A (zh) * | 2014-12-18 | 2015-04-15 | 上海交通大学 | 一种公交短时客流的预测方法 |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
-
2018
- 2018-09-03 CN CN201811023041.7A patent/CN109189762A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517159A (zh) * | 2014-12-18 | 2015-04-15 | 上海交通大学 | 一种公交短时客流的预测方法 |
| CN104820146A (zh) * | 2015-04-24 | 2015-08-05 | 中国电力科学研究院 | 基于变压器油中溶解气体监测数据的变压器故障预测方法 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
| CN113095608A (zh) * | 2019-12-23 | 2021-07-09 | 中国移动通信集团上海有限公司 | 指标分析方法、装置、设备及存储介质 |
| CN111310989A (zh) * | 2020-02-05 | 2020-06-19 | 北京明略软件系统有限公司 | 零件加工成功率的预测方法、预测装置及可读存储介质 |
| CN111310989B (zh) * | 2020-02-05 | 2022-08-09 | 北京明略软件系统有限公司 | 零件加工成功率的预测方法、预测装置及可读存储介质 |
| WO2021151304A1 (zh) * | 2020-07-09 | 2021-08-05 | 平安科技（深圳）有限公司 | 时序数据滞后性处理方法、装置、电子设备及存储介质 |
| CN111882135A (zh) * | 2020-08-05 | 2020-11-03 | 杭州安恒信息技术股份有限公司 | 一种物联网设备入侵检测方法及相关装置 |
| CN111882135B (zh) * | 2020-08-05 | 2024-04-30 | 杭州安恒信息技术股份有限公司 | 一种物联网设备入侵检测方法及相关装置 |
| CN111984641A (zh) * | 2020-08-14 | 2020-11-24 | 薛东 | 基于工业互联网和智能制造的数据处理方法及大数据平台 |
| CN112288158A (zh) * | 2020-10-28 | 2021-01-29 | 税友软件集团股份有限公司 | 一种业务数据预测方法及相关装置 |
| CN112862159A (zh) * | 2021-01-13 | 2021-05-28 | 中铁第四勘察设计院集团有限公司 | 电离层的总电子含量预测方法、装置、设备及存储介质 |
| CN114611378A (zh) * | 2022-01-31 | 2022-06-10 | 扬州来源液压设备有限公司 | 基于矿山工业物联网的液压支撑杆压力调控系统 |
| CN114611378B (zh) * | 2022-01-31 | 2022-11-29 | 扬州来源液压设备有限公司 | 基于矿山工业物联网的液压支撑杆压力调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109189762A (zh) | 一种工业物联网数据分析方法、系统及相关设备 | |
| CN109190979A (zh) | 一种工业物联网数据分析方法、系统及相关设备 | |
| CN109902708A (zh) | 一种推荐模型训练方法及相关装置 | |
| Wang et al. | Key issues and developments in modelling and simulation-based methodologies for manufacturing systems analysis, design and performance evaluation | |
| CN110147711A (zh) | 视频场景识别方法、装置、存储介质和电子装置 | |
| CN109697207A (zh) | 时序数据的异常监控方法及系统 | |
| CN110162698A (zh) | 一种用户画像数据处理方法、装置及存储介质 | |
| CN110378699A (zh) | 一种交易反欺诈方法、装置及系统 | |
| CN111862951B (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
| CN109800884A (zh) | 模型参数的处理方法、装置、设备和计算机存储介质 | |
| CN109067583A (zh) | 一种基于边缘计算的资源预测方法及系统 | |
| CN107909023A (zh) | 运动参数的识别方法、装置、终端及存储介质 | |
| CN108334861A (zh) | 一种基于机器学习的视频内容识别方法及装置 | |
| CN109829478A (zh) | 一种基于变分自编码器的问题分类方法和装置 | |
| CN114924684A (zh) | 基于决策流图的环境建模方法、装置和电子设备 | |
| CN108304925A (zh) | 一种池化计算装置及方法 | |
| CN110866602A (zh) | 一种集成多任务模型的方法和装置 | |
| CN108229640B (zh) | 情绪表达的方法、装置和机器人 | |
| CN110222734B (zh) | 贝叶斯网络学习方法、智能设备及存储装置 | |
| CN108737491A (zh) | 信息推送方法和装置以及存储介质、电子装置 | |
| CN108898648A (zh) | 一种k线图构造方法、系统及相关设备 | |
| CN109731338A (zh) | 游戏中的人工智能训练方法及装置、存储介质及电子装置 | |
| CN109473122A (zh) | 基于检测模型的情绪分析方法、装置及终端设备 | |
| CN111860598B (zh) | 一种用于运动行为、关系识别的数据分析方法、电子设备 | |
| CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
| RJ01 | Rejection of invention patent application after publication |