CN110324408A - 云化层数据采集与数据分析软件系统 - Google Patents

Abstract

本发明公开了一种云化层数据采集与数据分析软件系统，包括自下而上依次设置的监控点时序数据获取层、单点时序分析层以及横向关联点时序关联分析层，监控点时序数据获取层通过向服务网关进行订阅来获取数据，单点时序分析层分布各种单点时序分析微智能模块，每个监控点单独进行数据采集和单点时序分析，形成这些监控点的时序特征值，其最小时长的分析特征值发布到服务网关，为横向关联点时序关联分析层提供关联点数据订阅。本发明能实现用户对建筑物的智能设备运行过程中隐性故障的判断和报警，持续的对建筑物的智能设备运行状态进行健康检查，及时的发现运行隐患，极大的提高物业管理水平和服务水平。

Description

云化层数据采集与数据分析软件系统

技术领域

本发明涉及数据通信领域，特别涉及一种云化层数据采集与数据分析软件系统。

背景技术

传统的楼宇自动控制系统、物联网平台、智能化集成等智能化系统对监控设备的故障判断，都是基于干接点的故障判断逻辑，是一种直接的设备故障传感输入。这种方式检测的设备故障是依赖末端硬件的直接输入，存在很大的局限性。因为对设备的整个监控过程，监控信号只是一种外围输入和输出，通过继电器等中间转换去监控机电设备，真正的机电设备是否能正常运行，并不能检查出来，存在隐性故障。如监控信号显示正常情况下，机电设备却可能是在异常运行；或者监控信号显示故障是属于检测端本身故障，机电设备却可能是在正常运行。

这些情况在设备运维过程中普遍存在，简单如办公室的灯光回路已经关闭，传感器传回的信号也是关闭状态，但电路电流值却不为零，表明回路开关没有实际关闭，控制回路继电器并没有真正断匝，继电器发生了故障。在实际的设备运维中，这类故障只能靠人员去检查排除，系统缺乏一种主动性的通过对运行数据分析，来主动发现故障的能力。目前，市场上还没有这种产品，能通过对设备的运行数据进行分析，这种分析能力能实现不停地对建筑物的智能设备系统进行体检，提供动态健康指数，指出哪些设备存在隐性故障。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种能实现用户对建筑物的智能设备运行过程中隐性故障的判断和报警，持续的对建筑物的智能设备运行状态进行健康检查，及时的发现运行隐患，极大的提高物业管理水平和服务水平的云化层数据采集与数据分析软件系统。

本发明解决其技术问题所采用的技术方案是：构造一种云化层数据采集与数据分析软件系统，设置在云化层中，是所述云化层中的微智能功能服务模块，所述微智能功能服务模块能进行分布式扩展，采用可插拔的架构，包括自下而上依次设置的监控点时序数据获取层、单点时序分析层以及横向关联点时序关联分析层，所述监控点时序数据获取层通过向服务网关进行订阅来获取数据，所述单点时序分析层分布各种单点时序分析微智能模块，每个所述单点时序分析微智能模块只负责某一范围的监控点数据采集与时序分析，每个监控点单独进行数据采集和单点时序分析，形成这些监控点的时序特征值，其最小时长的分析特征值发布到所述服务网关，为所述横向关联点时序关联分析层提供关联点数据订阅。

在本发明所述的云化层数据采集与数据分析软件系统中，所述监控点时序数据获取层的数据来源是智能设备监控点实时变化数据或智能设备监控点的历史数据，所述数据来源通过向所述服务网关发布每一条数据记录的主题及信息内容，提供给所述单点时序分析层的单点时序分析微智能模块进行订阅。

在本发明所述的云化层数据采集与数据分析软件系统中，所述单点时序分析层中每一个监控点数据纵向时序分析微智能模块通过向所述服务网关订阅其所有配置好的监控点数据，接受从所述服务网关发送过来的订阅主题数据，进行数据采集，接着对异常数据进行数据清洗，去除没用的数据，然后输入到每个监控点的时序分析模型，所述时序分析模型分析每个监控点的时序分析特征，按设置的不同时长分析时段，获得所述时段的分析特征，分析出不同时长的各种特征值，依据特征值来判断设备是否运行异常，存在隐性故障，并向所述服务网关发布设备隐性故障报警信息。

在本发明所述的云化层数据采集与数据分析软件系统中，所述单点时序分析层通过设置最小时长的特征分析值，定时的往所述服务网关发布每个监控点的分析结果主题，提供给所述横向关联点时序关联分析层进行数据订阅，将处理过的分析数据推送给所述横向关联点时序关联分析层进行横向关联点分析。

在本发明所述的云化层数据采集与数据分析软件系统中，所述最小时长为3分钟。

在本发明所述的云化层数据采集与数据分析软件系统中，所述横向关联点时序关联分析层分布各种设备关联点时序关联分析微智能模块，其内部由多个关联分析模型组成，每个所述关联分析模型定时接受到所述单点时序分析层推送过来的单点数据，进行横向的多个关联点的时序关联分析，每个所述关联分析模型由若干关联点组成，所述关联点的单点特征时序数据输入所述关联时序分析模型，分析设定的不同时长的数据关联关系，得出相关的数据分析特征。

在本发明所述的云化层数据采集与数据分析软件系统中，所述单点时序分析层与横向关联点时序关联分析层中的数据分析方法，采用BI数据分析方法和AI数据分析方法；所述BI数据分析方法是人工分析，通过编制各种数据分析模型进行设备故障分析；所述AI数据分析方法是人工智能深度学习方法，先通过BI产生多种时长的运行数据包与对应的运行结果，作为AI学习数据输入到AI模型中先进行学习，通过学习积累，逐步从BI分析过度到AI分析，形成BI和AI复合分析。

实施本发明的云化层数据采集与数据分析软件系统，具有以下有益效果：由于设有监控点时序数据获取层、单点时序分析层以及横向关联点时序关联分析层，监控点时序数据获取层通过向服务网关进行订阅来获取数据，单点时序分析层分布各种单点时序分析微智能模块，每个单点时序分析微智能模块只负责某一范围的监控点数据采集与时序分析，每个监控点单独进行数据采集和单点时序分析，形成这些监控点的时序特征值，其最小时长的分析特征值发布到服务网关，为横向关联点时序关联分析层提供关联点数据订阅，本发明根据智能设备运行的具体特点，采用分布式的可插拔的软件微智能模块，可按需的加入或更新需要进行数据采集和分析的微智能模块，进行独立的边缘计算部署，软件架构灵活，迭代方便，对计算资源的需求可做到按需的弹性扩展，通过不断的部署和持续改进这些数据采集和分析的微智能模块的分析功能，通过对智能设备运行数据的特征分析，能实现用户对建筑物的智能设备运行过程中隐性故障的判断和报警，持续的对建筑物的智能设备运行状态进行健康检查，及时的发现运行隐患，极大的提高物业管理水平和服务水平。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明云化层数据采集与数据分析软件系统一个实施例中在云化层中的位置示意图；

图2为所述实施例中云化层数据采集与数据分析软件系统的架构图；

图3为所述实施例中云化层数据采集与数据分析软件系统的BI分析服务层次结构图；

图4为所述实施例中云化层数据采集与数据分析软件系统的AI分析服务层次结构图。

图5为所述实施例中云化层数据采集与数据分析软件系统的BI分析服务的分析原理图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

在本发明云化层数据采集与数据分析软件系统实施例中，该云化层数据采集与数据分析软件系统在云化层中的位置示意图如图1所示，该云化层数据采集与数据分析软件系统能实现对设备运行参数进行采集与分析，置在云化层中，依托于云化层的软件架构，是云化层中的微智能功能服务模块，这些微智能功能服务模块可根据需要进行分布式扩展，采用可插拔的架构。

其中，数据分析功能属于边缘计算微智能模块，数据采集来源是通过对服务网关进行数据订阅，由服务网关推送订阅主题的信息给到数据采集与加工微智能模块，进行数据采集、加工、存储与分析计算。

图2为本实施例中云化层数据采集与数据分析软件系统的架构图，云化层数据采集与数据分析软件系统分为三层，包括自下而上依次设置的监控点时序数据获取层、单点时序分析层以及横向关联点时序关联分析层，数据从下往上进行传递。监控点时序数据获取层是底层，监控点时序数据获取层通过向服务网关进行订阅来获取数据。

单点时序分析层是中层，分布各种单点时序分析微智能模块，每个单点时序分析微智能模块只负责某一范围的监控点数据采集与时序分析，每个监控点单独进行数据采集和单点时序分析，形成这些监控点的时序特征值，其最小时长的分析特征值发布到服务网关，为横向关联点时序关联分析层提供关联点数据订阅。

单点时序分析层根据单点数据的不同时长的分析特征，定义异常特征并往服务网关发布异常报警主题，如空调温度在较长时长内没有变化或变化极小，可以判断温度传感器出现故障。最上层是横向关联点时序关联分析层，分布各种关联点时序关联分析微智能模块，关联点时序关联分析微智能模块内运行若干设备关联分析模型，设备关联分析模型内的所有监控点的时序数据直接从服务网关订阅单点时序分析层已经经过单点分析的最小时长时序特征值，输入到设备关联分析模型，并得出时序分析特征，依据特征来定义是否存在隐性故障，若出现异常运行特征，则往服务网关发布异常报警主题。例如空调的送风温度大于设定温度，则冷水阀的开度变化特征应该是逐渐变大，送风温度逐渐变小，若数据分析的结果不符合冷水阀开度逐渐变大和送风温度逐渐变小的数据特征，则判读为空调温度调节故障。

值得一提的是，单点时序分析层与横向关联点时序关联分析层中的数据分析方法，可以采用BI数据分析方法和AI数据分析方法；BI数据分析方法是人工分析，通过编制各种数据分析模型进行设备故障分析。AI数据分析方法是人工智能深度学习方法，先通过BI产生多种时长的运行数据包与对应的运行结果，作为AI学习数据输入到AI模型中先进行学习，通过学习积累，逐步从BI分析过度到AI分析，形成BI和AI复合分析。

图3为本实施例中云化层数据采集与数据分析软件系统的BI分析服务层次结构图，即是一个BI分析的边缘计算微智能结构图。图3中，一个BI分析服务是一个BI分析器，每个BI分析器可添加一定数量的设备，每个设备可添加多个单点分析和多点关联分析，每个单点分析和多点关联分析下面可设置添加多种不同的时长，每个单点分析和多点关联分析形成不同时长的分析结果，最终按照不同时长的分析结果的权重得出每个单点分析和多点关联分析的分析结果，从而得出设备的运行是正常或是异常的结果。

图4为本实施例中云化层数据采集与数据分析软件系统的AI分析服务层次结构图，即是一个AI分析的边缘计算微智能结构图。图4中，一个AI分析服务是一个AI分析器，每个AI分析器可添加一定数量的设备。每种设备下面有一个AI分析模型，每个AI分析模型分为机器学习和机器识别模块。机器学习模块可输入设备运行的多种时长数据包和运行是正常或异常的答案，提供给AI分析模型进行学习；机器识别模块可输入设备运行的多种时长数据包，对每种时长数据包进行识别，给出设备运行是正常或异常的结果答案，最终按照不同时长的分析结果的权重得出最终分析结果，从而得出设备的运行是正常或是异常的结果。

图5为本实施例中云化层数据采集与数据分析软件系统的BI分析服务的分析原理图。首先，分析服务提供数据接口，可通过消息订阅或restapi写入接口，输入智能化设备IO点运行数据。BI分析服务通过接口接受到数据后，先进行数据清洗，去掉异常数据，并更新IO点的值。然后分析服务每隔一定时长(如3分钟)，将IO点数据发送给定义的各个设备。设备接收到数据后，将数据进行存储，然后分发给定义的各种点分析(单点或多点关联分析)，点分析先更新点数据，得到新旧数据和上一次的分析结果，调用相关模型的分析方法把数据输出进行比对或增量等计算，得到分析结果返回值，然后通过步长缓冲计算，消除计算误差，得到每条输入数据的分析结果，存入结果数组中。接着每种时长分析按照不同的时长周期，当每种时长分析的时长到了，就统计结果数组属于该时长结果值的异常概率(异常+中性-)，若大于定义的异常概率(如90％)，则该时长分析的结果为异常，属于隐性故障，发布警告报警，否则为正常，并输出时长分析的设备数据包，供AI学习用。当各个点分析(单点和多点关联分析)各自的最大时长分析周期结束后，依据各时长分析的权重，计算出异常的概率，若异常概率大于点分析设定的异常概率，则该点分析的结果为异常，属于隐性故障，因分析结果综合了不同时长的分析结果，比较准确，发布严重报警，否则为正常，接着清除结果数组数据，开启新的大周期分析，并输出点分析的设备数据包，供AI学习用。最后，当设备最大的时长分析周期结束后，删除设备接收的所有数据，清空用于下一个设备周期的数据存储。

本发明根据智能设备运行的具体特点，采用分布式的可插拔的软件微智能模块，可按需的加入或更新需要进行数据采集和分析的微智能模块，进行独立的边缘计算部署，软件架构灵活，迭代方便，对计算资源的需求可做到按需的弹性扩展，通过不断的部署和持续改进这些数据采集和分析的微智能模块的分析功能，通过对智能设备运行数据的特征分析，能实现用户对建筑物的智能设备运行过程中隐性故障的判断和报警，持续的对建筑物的智能设备运行状态进行健康检查，及时的发现运行隐患，极大的提高物业管理水平和服务水平。

本实施例中，监控点时序数据获取层的数据来源可以是智能设备监控点实时变化数据，也可以是智能设备监控点的历史数据，这些数据来源通过向服务网关发布每一条数据记录的主题及信息内容，提供给单点时序分析层的单点时序分析微智能模块进行订阅。

本实施例中，单点时序分析层中每一个监控点数据纵向时序分析微智能模块通过向服务网关订阅其所有配置好的监控点数据，接受从服务网关发送过来的订阅主题数据，进行数据采集，接着对异常数据进行数据清洗，去除没用的数据，然后输入到每个监控点的时序分析模型，时序分析模型分析每个监控点的时序分析特征，按设置的不同时长分析时段，可以获得这些时段的分析特征，比如可以采用RCNN深度学习模型，分析出不同时长的各种特征值，依据特征值来判断设备是否运行异常，存在隐性故障，并向所述服务网关发布设备隐性故障报警信息。比如对温度的时序数据进行分析，假如温度变化特性很小或基本不变，或存在激烈的跳跃，可判断该温度传感器出现故障，向服务网关发布故障报警信息。

本实施例中，单点时序分析层通过设置最小时长的特征分析值，定时的往服务网关发布每个监控点的分析结果主题，提供给横向关联点时序关联分析层进行数据订阅，将处理过的分析数据推送给横向关联点时序关联分析层进行横向关联点分析。上述最小时长可以是3分钟，当然，在实际应用中，上述最小时长可以根据具体情况进行相应调整，也就是上述最小时长可以根据具体情况进行相应增大或减小。

本实施例中，横向关联点时序关联分析层分布各种设备关联点时序关联分析微智能模块，其内部由多个关联分析模型组成，每个关联分析模型定时接受到单点时序分析层推送过来的单点数据，进行横向的多个关联点的时序关联分析，每个关联分析模型由若干关联点组成，关联点的单点特征时序数据输入关联时序分析模型，分析设定的不同时长(如30分钟)的数据关联关系，得出相关的数据分析特征。

若数据分析特征值经过多种比对，满足运行异常特征，则产生异常报警，向服务网关发布运行异常信息。如一个空调数据分析模型，由开关控制点、运行状态点、送风温度值、回风温度值，水阀开度等运行参数组成，在开关控制点为开的情况下，一段时长内，运行状态点应是开，送风温度值、回风温度值，水阀开度三者之间存在数据变化关系，其变化曲线满足PID调控模式，若水阀开度越来越大，而送风温度值和回风温度值却在升高或存在跃变，则可判断该特征为自控运行异常，向服务网关发布异常报警信息。

总之，本发明根据智能设备运行的具体特点，采用分布式的可插拔的软件微智能模块，可按需的加入或更新需要进行数据采集和分析的微智能模块，进行独立的边缘计算部署，软件架构灵活，迭代方便，对计算资源的需求可做到按需的弹性扩展，通过不断的部署和持续改进这些数据采集和分析的微智能模块的分析功能，通过对智能设备运行数据的特征分析，能实现用户对建筑物的智能设备运行过程中隐性故障的判断和报警，持续的对建筑物的智能设备运行状态进行健康检查，及时的发现运行隐患，极大的提高物业管理水平和服务水平。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种云化层数据采集与数据分析软件系统，其特征在于，设置在云化层中，是所述云化层中的微智能功能服务模块，所述微智能功能服务模块能进行分布式扩展，采用可插拔的架构，包括自下而上依次设置的监控点时序数据获取层、单点时序分析层以及横向关联点时序关联分析层，所述监控点时序数据获取层通过向服务网关进行订阅来获取数据，所述单点时序分析层分布各种单点时序分析微智能模块，每个所述单点时序分析微智能模块只负责某一范围的监控点数据采集与时序分析，每个监控点单独进行数据采集和单点时序分析，形成这些监控点的时序特征值，其最小时长的分析特征值发布到所述服务网关，为所述横向关联点时序关联分析层提供关联点数据订阅。

2.根据权利要求1所述的云化层数据采集与数据分析软件系统，其特征在于，所述监控点时序数据获取层的数据来源是智能设备监控点实时变化数据或智能设备监控点的历史数据，所述数据来源通过向所述服务网关发布每一条数据记录的主题及信息内容，提供给所述单点时序分析层的单点时序分析微智能模块进行订阅。

3.根据权利要求2所述的云化层数据采集与数据分析软件系统，其特征在于，所述单点时序分析层中每一个监控点数据纵向时序分析微智能模块通过向所述服务网关订阅其所有配置好的监控点数据，接受从所述服务网关发送过来的订阅主题数据，进行数据采集，接着对异常数据进行数据清洗，去除没用的数据，然后输入到每个监控点的时序分析模型，所述时序分析模型分析每个监控点的时序分析特征，按设置的不同时长分析时段，获得所述时段的分析特征，分析出不同时长的各种特征值，依据特征值来判断设备是否运行异常，存在隐性故障，并向所述服务网关发布设备隐性故障报警信息。

4.根据权利要求3所述的云化层数据采集与数据分析软件系统，其特征在于，所述单点时序分析层通过设置最小时长的特征分析值，定时的往所述服务网关发布每个监控点的分析结果主题，提供给所述横向关联点时序关联分析层进行数据订阅，将处理过的分析数据推送给所述横向关联点时序关联分析层进行横向关联点分析。

5.根据权利要求4所述的云化层数据采集与数据分析软件系统，其特征在于，所述最小时长为3分钟。

6.根据权利要求1至5任意一项所述的云化层数据采集与数据分析软件系统，其特征在于，所述横向关联点时序关联分析层分布各种设备关联点时序关联分析微智能模块，其内部由多个关联分析模型组成，每个所述关联分析模型定时接受到所述单点时序分析层推送过来的单点数据，进行横向的多个关联点的时序关联分析，每个所述关联分析模型由若干关联点组成，所述关联点的单点特征时序数据输入所述关联时序分析模型，分析设定的不同时长的数据关联关系，得出相关的数据分析特征。

7.根据权利要求1至5任意一项所述的云化层数据采集与数据分析软件系统，其特征在于，所述单点时序分析层与横向关联点时序关联分析层中的数据分析方法，采用BI数据分析方法和AI数据分析方法；所述BI数据分析方法是人工分析，通过编制各种数据分析模型进行设备故障分析；所述AI数据分析方法是人工智能深度学习方法，先通过BI产生多种时长的运行数据包与对应的运行结果，作为AI学习数据输入到AI模型中先进行学习，通过学习积累，逐步从BI分析过度到AI分析，形成BI和AI复合分析。