CN110490266A - 一种传感器数据上传、传感器故障检测方法及装置 - Google Patents
一种传感器数据上传、传感器故障检测方法及装置 Download PDFInfo
- Publication number
- CN110490266A CN110490266A CN201910786630.9A CN201910786630A CN110490266A CN 110490266 A CN110490266 A CN 110490266A CN 201910786630 A CN201910786630 A CN 201910786630A CN 110490266 A CN110490266 A CN 110490266A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- cluster head
- equipment
- target cluster
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 136
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 303
- 238000013523 data management Methods 0.000 claims abstract description 137
- 238000001514 detection method Methods 0.000 claims description 141
- 238000012549 training Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 31
- 238000013480 data collection Methods 0.000 claims description 6
- 230000009365 direct transmission Effects 0.000 claims description 6
- 230000009349 indirect transmission Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 81
- 238000004891 communication Methods 0.000 abstract description 57
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 52
- 238000004364 calculation method Methods 0.000 description 37
- 238000004590 computer program Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 9
- 230000001360 synchronised effect Effects 0.000 description 7
- 230000002035 prolonged effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001121 heart beat frequency Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明实施例提供了一种传感器数据上传、传感器故障检测方法及装置,涉及传感器通信技术领域,其中,上述方法包括:确定传感器在设备簇中所属目标簇的簇头,为目标簇头,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的;在目标簇头不是传感器自身的情况下,向目标簇头发送传感器采集的数据;在目标簇头是传感器自身的情况下,直接向数据管理设备上传传感器采集的数据,并在接收到目标簇内除传感器之外的设备发送的数据后、按照目标上传方式向数据管理设备上传所接收的数据。应用本发明实施例提供的方案进行传感器数据上传,可以实现将传感器采集到的数据上传到数据采集设备的过程。
Description
技术领域
本发明涉及传感器通信的技术领域,特别是涉及一种传感器数据上传、传感器故障检测方法及装置。
背景技术
随着移动通信技术的发展,传感器在很多应用场景中发挥着重要的作用。传感器在采集数据后,需要将所采集的数据上传至基站、服务器等数据管理设备,这样上述数据管理设备可以对传感器所采集的数据进行数据分析,或者根据传感器所采集到的数据与传感器进行数据交互等操作。
为此,需要提供一种向数据管理设备上传传感器所采集数据的方案,以实现传感器数据上传。
发明内容
本发明实施例的目的在于提供一种传感器数据上传、传感器故障检测方法及装置,以将传感器采集到的数据上传到数据采集设备。具体技术方案如下:
第一方面,本发明实施例提供了一种传感器数据上传方法,应用于传感器,所述方法包括:
确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,其中,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇,所述数据管理设备为所述传感器待上传所采集数据的设备;
在所述目标簇头不是所述传感器自身的情况下,向所述目标簇头发送所述传感器采集的数据,以使得所述目标簇头向所述数据管理设备上传所述传感器采集的数据;
在所述目标簇头是所述传感器自身的情况下,直接向所述数据管理设备上传所述传感器采集的数据,并在接收到所述目标簇内除所述传感器之外的设备发送的数据后、按照目标上传方式向所述数据管理设备上传所接收的数据,其中,所述目标上传方式为:按照第一优先级确定的上传方式,其中,所述第一优先级为:所述传感器被选定为簇头的预设优先级。
第二方面,本发明实施例提供了一种传感器故障检测方法,应用于数据管理设备,所述方法包括:
获得待检测传感器的采集数据和辅助检测传感器的采集数据,分别作为第一采集数据和第二采集数据,其中,所述辅助检测传感器和待检测传感器针对同一对象进行数据采集,所述采集数据为:直传数据或者间传数据,直传数据为:传感器为目标簇头的情况下传感器直接向所述数据管理设备发送的传感器采集的数据,间传数据为:传感器不是所述目标簇头的情况下所述目标簇头向所述数据管理设备发送的传感器采集的数据,所述目标簇头为:传感器在设备簇中所属的目标簇的簇头,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇;
将所述第二采集数据输入数据预测模型,预测所述待预测传感器对所述对象进行数据采集得到的数据,得到第一预测数据,所述数据预测模型为:采用各个训练周期对应的样本数据对所述数据预测模型进行周期性训练、得到的用于预测所述待预测传感器对所述对象进行数据采集所得数据的模型,每一训练周期对应的样本数据包括:第一样本数据和第二样本数据,所述第一样本数据为:从训练周期的起始时刻向前第一预设时长内所述待检测传感器的采集数据,所述第二样本数据为:所述第一预设时长内所述辅助检测传感器的采集数据;
根据所述第一预测数据和第一采集数据,检测所述待预测传感器是否为故障传感器。
第三方面,本发明实施例提供了一种传感器数据上传装置,应用于传感器,所述装置包括:
目标簇头确定模块,用于确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,其中,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇,所述数据管理设备为所述传感器待上传所采集数据的设备;
数据发送模块,用于在所述目标簇头不是所述传感器自身的情况下,向所述目标簇头发送所述传感器采集的数据,以使得所述目标簇头向所述数据管理设备上传所述传感器采集的数据;
数据上传模块,用于在所述目标簇头是所述传感器自身的情况下,直接向所述数据管理设备上传所述传感器采集的数据,并在接收到所述目标簇内除所述传感器之外的设备发送的数据后、按照目标上传方式向所述数据管理设备上传所接收的数据,其中,所述目标上传方式为:按照第一优先级确定的上传方式,其中,所述第一优先级为:所述传感器被选定为簇头的预设优先级。
第四方面,本发明实施例提供了一种传感器故障检测装置,应用于数据管理设备,所述装置包括:
数据获得模块,用于获得待检测传感器的采集数据和辅助检测传感器的采集数据,分别作为第一采集数据和第二采集数据,其中,所述辅助检测传感器和待检测传感器针对同一对象进行数据采集,所述采集数据为:直传数据或者间传数据,直传数据为:传感器为目标簇头的情况下传感器直接向所述数据管理设备发送的传感器采集的数据,间传数据为:传感器不是所述目标簇头的情况下所述目标簇头向所述数据管理设备发送的传感器采集的数据,所述目标簇头为:传感器在设备簇中所属的目标簇的簇头,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇;
数据预测模块,用于将所述第二采集数据输入数据预测模型,预测所述待预测传感器对所述对象进行数据采集得到的数据,得到第一预测数据,所述数据预测模型为:采用各个训练周期对应的样本数据对所述数据预测模型进行周期性训练、得到的用于预测所述待预测传感器对所述对象进行数据采集所得数据的模型,每一训练周期对应的样本数据包括:第一样本数据和第二样本数据,所述第一样本数据为:从训练周期的起始时刻向前第一预设时长内所述待检测传感器的采集数据,所述第二样本数据为:所述第一预设时长内所述辅助检测传感器的采集数据;
故障检测模块,用于根据所述第一预测数据和第一采集数据,检测所述待预测传感器是否为故障传感器。
第五方面,本发明实施例提供了一种传感器设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的方法步骤。
第六方面,本发明实施例提供了一种数据管理设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第二方面任一所述的方法步骤。
第七方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
第八方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第二方面任一所述的方法步骤。
本发明实施例有益效果:
传感器应用本发明实施例提供的方案向数据管理设备上传数据时,首先,在向数据管理设备上传数据的各设备对应的设备簇中,确定上述传感器所属的目标簇以及上述目标簇的目标簇头。在目标簇头不是传感器本身的情况下,传感器通过目标簇头将其所采集的数据上传到数据管理设备,实现了传感器所采集数据上传。在目标簇头是上述传感器本身的情况下,传感器直接向数据管理设备上传所采集的数据,除此之外,这种情况下,上述传感器还接收目标簇内其他设备要上传到上述数据管理设备的数据,并将接收到的数据上传到数据管理设备,从而实现了上述传感器自身所采集数据与目标簇内其他设备的数据向上述数据管理设备上传的过程。
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1A为本发明实施例提供的第一种传感器数据上传方法的流程示意图;
图1B为本发明实施例提供的第一种应用场景示意图;
图1C为本发明实施例提供的第二种应用场景示意图;
图2为本发明实施例提供的第二种传感器数据上传方法的流程示意图;
图3为本发明实施例提供的第三种传感器数据上传方法的流程示意图;
图4A为本发明实施例提供的一种传感器故障检测方法的流程示意图;
图4B为本发明实施例提供的第三种应用场景示意图;
图5为本发明实施例提供的一种获得故障检测阈值的方法的流程示意图;
图6为本发明实施例提供的第一种传感器数据上传装置的结构示意图;
图7为本发明实施例提供的第二种传感器数据上传装置的结构示意图;
图8为本发明实施例提供的第三种传感器数据上传装置的结构示意图;
图9为本发明实施例提供的一种传感器故障检测装置的结构示意图;
图10为本发明实施例提供的一种获得故障检测阈值装置的结构示意图;
图11为本发明实施例提供的一种传感器设备的结构示意图;
图12为本发明实施例提供的一种数据管理设备的结构示意图。
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。
图1A为本发明实施例提供的第一种传感器数据上传方法的流程示意图,应用于传感器,该方法包括以下步骤S101-S103:
S101:确定上述传感器在设备簇中所属的目标簇的簇头,作为目标簇头。
其中,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇,上述数据管理设备为上述传感器待上传所采集数据的设备。
具体的,上述数据管理设备可以为服务器或基站,上述向数据管理设备上传数据的设备可以为传感器或其他可以进行数据发送与处理的电子设备,例如可以为智能穿戴设备、智能手机、个人电脑等。
本发明的一个实施例中,传感器可以通过确定自身与其他向数据管理设备上传数据的设备之间的距离,对向上述数据管理设备上传数据的设备进行分簇处理,得到设备簇,并从上述设备簇中选择自身所属的设备簇作为目标簇,将上述目标簇的簇头作为目标簇头。具体过程可以参见下述图2所示实施例,这里暂不详述。
本发明的另一个实施例中,由于传感器的电量、计算资源等有限,上述传感器还可以不进行分簇处理,而是由上述其他向数据管理设备上传数据的设备进行分簇处理,得到设备簇。在此基础上,上述传感器可以计算自身与上述各个设备簇的簇头之间的距离,并根据计算得到的距离确定自身所属簇的目标簇头,进而确定自身所属的目标簇。具体过程可以参见下述图3所示实施例,这里暂不详述。
S102:在上述目标簇头不是上述传感器自身的情况下,向上述目标簇头发送上述传感器采集的数据,以使得上述目标簇头向上述数据管理设备上传上述传感器采集的数据。
上述传感器将采集到的数据发送给上述目标簇头,目标簇头将上述传感器采集到的数据上传到上述数据管理设备。由于目标簇中的设备具有集群分布的特点,目标簇头与目标簇内的其他设备之间的平均距离较近,因此传感器与目标簇头之间的距离相比传感器与数据管理设备之间的距离更近,所以缩短了传感器向数据管理设备上传数据时的空间距离。又由于传感器传输数据时的空间距离越远,传输数据时需要发送的信号就越强,消耗的电量也越多,因此通过缩短传感器向数据管理设备上传数据时的空间距离可以减少传感器向数据管理设备上传数据时消耗的电量,可以延长传感器在单次充满电量的情况下的使用时长。
S103:在上述目标簇头是上述传感器自身的情况下,直接向上述数据管理设备上传上述传感器采集的数据,并在接收到上述目标簇内除上述传感器之外的设备发送的数据后、按照目标上传方式向上述数据管理设备上传所接收的数据。
其中,上述目标上传方式为:按照第一优先级确定的上传方式,上述第一优先级为:上述传感器被选定为簇头的预设优先级。
由于被选为簇头的设备需要承担接收目标簇内其他设备发送的数据并将接收到的数据上传到数据管理设备中的任务,这一过程需要被选为簇头的设备频繁的接收与上传数据,因此被选定为簇头的设备应该具有较强的性能。基于此,可以预先根据设备性能的高低为设备确定被选定为簇头的优先级,也就是上述预设优先级。
本发明的一个实施例中,可以根据设备的通信性能、可移动性、电量存储能力、充电便捷性中的至少一种确定设备被选定为簇头的优先级。
具体的,上述通信性能可以以设备传输数据的速度表示。可以认为设备传输数据的速度达到预设速度以上的设备的通信性能强,否则设备的通信性能弱。例如,上述预设速度可以为1Mb/s、2Mb/s等。如,可以认为设备传输数据的速度可以达到10Mb/s的电脑的通信性能强,设备传输数据的速度可以达到0.5Mb/s的传感器的通信性能弱。
上述可移动性可以以设备重量、体积、是否固定在某一位置等信息表示。可以认为质量低于预设质量,且体积小于预设体积,且不固定于固定位置使用的设备可移动性强,否则可移动性弱。例如,上述预设质量可以为500g、600g等,上述预设体积可以为300cm3、500cm3等。如,可以认为质量小于500g,且体积小于300cm3,且不固定于固定位置使用的智能手机的可移动性强,质量大于10kg,且体积大于0.03m3,且固定于固定位置使用的电脑的可移动性弱。
上述电量存储能力可以以设备的最大可容纳电量表示。可以认为最大可容纳电量大于预设电量的设备电量存储能力强,否则电量存储能力弱。例如,上述预设电量可以为2500mAH、3000mAH等。如,可以认为最大可容纳电量为2800mAH的智能手机的电量存储能力强,最大可容纳电量为1000mAH的传感器的电量存储能力弱。
上述充电便捷性可以以设备从使用位置移动到充电位置并进行充电所需的平均时间表示。例如,可以认为设备由使用位置移动到充电位置进行充电所需的平均时间低于预设时间的设备充电便捷性强,否则充电便捷性弱。例如,上述预设时间可以为5分钟、10分钟。如,可以认为从使用位置移动到充电位置并进行充电所需的平均时间为5分钟的智能手机的充电便捷性强,以放置于高空的温度传感器为例,由于放置位置较高,从使用位置移动到充电位置并进行充电所需的平均时间为3小时,甚至上述放置于高空的温度传感器可能为一次性传感器无法进行充电,因此可以认为放置于高空的温度传感器的充电便捷性弱。
下面通过具体实例对确定设备被选中为簇头的优先级进行说明。
可以将通信性能强、可移动性弱、电量存储能力强且充电便捷性强的设备的预设优先级设置为第一优先级,即预设最高优先级。例如,可以认为通信性能强、可移动性弱、电量存储能力强且充电便捷性强的台式电脑、笔记本电脑等的预设优先级为第一优先级。
可以将通信性能强、可移动性强、电量存储能力强、充电便捷性强的设备预设优先级设置为第二优先级。例如,可以认为通信性能强、可移动性强、电量存储能力强、充电便捷性强的智能手机、平板电脑等的优先级为第二优先级。
可以将通信性能弱、可移动性强、电量存储能力弱、充电便捷性强的设备预设优先级设置为第三优先级。例如,可以认为通信性能弱、可移动性强、电量存储能力弱、充电便捷性强的智能手环、智能手表等的优先级为第三优先级。
可以将通信性能弱、可移动性弱、电量存储能力弱、充电便捷性弱的通信设备预设优先级设置为第四优先级,即预设最低优先级。例如,可以认为通信性能弱、可移动性弱、电量存储能力弱、充电便捷性弱的植入生物体内的医疗传感器、放置在高空的空气传感器等的优先级为第四优先级。
本发明的一个实施例中,根据上述第一优先级确定上述目标簇头的目标上传方式时,若上述目标簇头的第一优先级为预设最高优先级,说明上述目标簇头具有通信能力强等特点,可以处理较多数据的上传、接收与计算任务,则目标簇头可以进行数据解码操作,可以将目标上传方式确定为基于解码转发协议的上传方式,即在目标簇头接收到上述目标簇内除上述簇头自身之外的设备发送的数据后,对接收到的数据进行解码,再上传到上述数据管理设备;若上述目标簇头的第一优先级不是预设最高优先级,说明上述目标簇头的通信能力不强,难以处理较多数据的上传、接收与计算任务,则目标簇头难以进行数据解码的操作,可以将目标上传方式确定为基于放大转发协议的上传方式,即在目标簇头接收到上述目标簇内除上述簇头自身之外的设备发送的数据后,对接收到的数据信号进行放大,再上传到上述数据管理设备。
下面结合图1B和图1C,通过具体应用场景对本发明实施例提供的数据上传方法进行说明。
图1B为本发明实施例提供的第一种应用场景示意图。该图示出了基站所服务范围内的各个设备簇。
具体的,上述场景中包括数据管理设备和三个设备簇,其中,数据管理设备以基站表示,设备簇以蘑菇云表示。每一设备簇中包括簇头和各种设备。例如,设备簇1中包括平板电脑和人体携带的传感器,其中,平板电脑为设备簇1的簇头,人体携带的各个传感器通过平板电脑向上述基站上传采集的数据。设备簇2中包括笔记本电脑、智能手表和人体携带的传感器,其中,笔记本电脑为设备簇2的簇头,智能手表和人体携带的各个传感器通过笔记本电脑向上述基站上传采集的数据。设备簇3中包括智能手表和人体携带的传感器,其中,智能手表为设备簇3的簇头,人体携带的各个传感器通过智能手表向上述基站上传采集的数据。另外,上述人体携带的传感器在图1B中以位于人体的圆点表示。
图1C为本发明实施例提供的第二种应用场景示意图。该图示出了上述设备簇3中的设备向上述基站上传数据的场景。
具体的,图中三个人体携带的传感器在采集数据后,将所采集的数据上传至智能手表,智能手表接收到数据后将所接收的数据上传至上述基站。另外,上述智能手表采集数据后,将所采集的数据直接上传至上述基站。
由以上可见,上述传感器应用本实施例提供的方案向数据管理设备上传数据时,首先,在向数据管理设备上传数据的各设备对应的设备簇中,确定上述传感器所属的目标簇以及上述目标簇的目标簇头。在目标簇头不是传感器本身的情况下,传感器通过目标簇头将其所采集的数据上传到数据管理设备,实现了传感器所采集数据上传。在目标簇头是上述传感器本身的情况下,传感器直接向数据管理设备上传所采集的数据,除此之外,这种情况下,上述传感器还接收目标簇内其他设备要上传到上述数据管理设备的数据,并将接收到的数据上传到数据管理设备,从而实现了上述传感器自身所采集数据与目标簇内其他设备的数据向上述数据管理设备上传的过程。
由于上述第一优先级为设备被选定为簇头的预设优先级,第一优先级为预设最低优先级的传感器的电量与计算资源有限,在确定自身所属目标簇与目标簇头的过程中,若采用与其他第一优先级不是预设最低优先级的设备相同的方法,对最低优先级设备的来说,其电量与计算资源难以满足分簇处理与簇头选择过程。因此,对第一优先级是预设最低优先级的设备与第一优先级不是预设最低优先级的设备采用不同的确定所属目标簇与目标簇头的方法,具体的,第一优先级不是预设最低优先级的传感器确定所属目标簇与目标簇头的方法参见图2,第一优先级是预设最低优先级的传感器确定所属目标簇与目标簇头的方法参见图3。
本发明的一个实施例中,参见图2,提供了第二种传感器数据上传方法的流程示意图,与上述图1A所示实施例相比,本实施例中,上述S101确定上述传感器在设备簇中所属的目标簇的簇头,作为目标簇头时,可以通过以下S101A-S101E实现。
S101A:在上述第一优先级不是预设最低优先级的情况下,广播上述传感器自身所在的位置,并通过接收第一类其他设备所广播消息的方式获得第一类其他设备的位置。
其中,上述第一类其他设备为:向数据管理设备上传数据的设备中除上述传感器外的设备,上述第一优先级为:上述传感器被选定为簇头的预设优先级。
本发明的一个实施例中,由于传感器的第一预设优先级不是预设最低优先级,传感器具有较强的电量存储与计算能力,因此需要参与分簇处理过程。在分簇处理过程中通过接收第一类其他设备发送的广播确定第一类其他设备所在的位置,通过广播自身所在位置的方式使得上述第一类其他设备获得自身的位置。
S101B:根据上述传感器自身所在的位置和上述第一类其他设备的位置,计算上述传感器与上述第一类其他设备之间的距离。
本发明的一个实施例中,可以通过上述传感器自身所在位置的坐标与上述第一类其他设备所在位置的坐标,计算上述传感器与上述第一类其他设备之间的距离。
S101C:根据计算得到的距离,对上述传感器和上述第一类其他设备进行分簇,得到设备簇。
由于簇内设备具有集群分布特性的特点,本发明的一个实施例中,上述传感器可以根据上述计算得到的距离,将与上述传感器自身之间的距离小于预设距离的设备划分到同一集群中,然后根据上述传感器自身与上述第一类其他设备划分的集群,将集群重合度高于预设比例的设备划分到同一设备簇中,获得对传感器和上述第一类其他设备进行分簇得到的设备簇。
其中,上述预设距离为固定距离值,例如,可以为500m、600m等。上述预设比例为固定比例值,例如,可以为70%、80%等。上述集群重合度为上述传感器自身划分的集群与上述第一类其他设备划分的集群中包含的相同设备数量占各自集群中设备数的比例,若对于上述传感器自身与上述第一类其他设备,上述重合度均大于预设比例,则可以认为上述传感器与该第一类其他设备所属设备簇相同。例如,在上述预设比例为70%的情况下,某一传感器的集群中包括10个设备,另一传感器的集群中同样包括10个设备,上述两个传感器的两个集群中有8个设备相同,因此对于上述两个传感器来说各自集群中设备的重合率均为80%,大于预设比例70%,因此可以认为上述两个传感器的所属设备簇相同。使用同样的方法对向数据管理设备上传数据的所有设备进行计算,确定所有设备彼此之间的所属设备簇是否相同,从而划分设备簇。例如,若设备A与设备B的所属设备簇相同,设备B与设备C的所属设备簇相同,则认为设备A、设备B、设备C的所属设备簇相同,以此类推,确定向数据管理设备上传数据的所有设备中所属设备簇相同的设备,将所属设备簇相同的设备组成不同的设备簇,作为设备簇划分的结果。
S101D:从所得到的设备簇中确定上述传感器所属的簇,作为目标簇。
也就是,从所得到的设备簇中确定包含上述传感器的设备簇,并将所确定的设备簇作为目标簇。
S101E:确定上述目标簇的簇头,作为目标簇头。
本发明的一个实施例中,可以通过以下步骤A-步骤E,确定上述目标簇头。
步骤A:向第二类其他设备发送上述传感器自身所在的位置与上述第一优先级,并获得第二类其他设备的所在位置与第二优先级。
其中,上述第二类其他设备为:上述目标簇内除上述传感器之外的设备,上述第二优先级为:上述第二类其他设备被选定为簇头的预设优先级。
具体的,由于被选定为簇头设备需要接收并上传目标设备簇中其他设备发送的信息,因此需要簇头具有在目标簇的设备中较强的电量存储能力、通信能力与计算能力,由于上述传感器的电量存储能力、通信能力等信息可以通过第一优先级表示,因此在确定簇头的计算过程中需要考虑优先级的大小,与此同时,由于簇头设备与目标簇内其他设备之间距离的总和越短,第二类其他设备向簇头发送数据需要消耗的总电量越小,因此在确定簇头的计算过程中需要考虑簇头与目标簇内其他设备之间的距离。上述传感器需要向第二类其他设备发送自身的优先级与自身所在的位置,使得第二类其他设备获得上述传感器的优先级与位置信息,同时,上述传感器接收第二类其他设备发送的优先级与位置信息,从而确定第二类其他设备的优先级与其所在的位置。
步骤B:根据上述传感器自身所在的位置与第二类其他设备所在的位置,计算上述传感器与各个第二类其他设备之间的距离。
本发明的一个实施例中,可以通过上述传感器自身所在位置的坐标与上述第二类其他设备所在位置的坐标计算上述传感器与上述第二类其他设备之间的距离。
步骤C:根据计算得到的距离、上述第一优先级和第二优先级,确定上述目标簇内的簇头。
本发明的一个实施例中,确定上述目标簇簇头时,可以根据计算得到的距离,计算上述传感器与各个第二类其他设备之间距离的和,作为总体距离,并计算每一第二类其他设备与目标簇内设备之间距离的和,作为总体距离,选择总体距离小于预设距离值的设备,再在总体距离小于预设距离值的设备中选择优先级最高的设备为簇头备选设备,若簇头备选设备不唯一,则选择簇头备选设备中总体距离最小的设备为目标簇内的簇头,否则簇头备选设备为目标簇内的簇头。上述预设距离值为固定距离值,例如,可以为3000m、5000m等。
本发明的一个实施例中,确定上述目标簇簇头的过程,还可以根据计算得到的距离,计算上述传感器与各个第二类其他设备之间距离的和,作为总体距离,选择设备簇中优先级最高的设备中总体距离最小的设备作为目标簇内的簇头。上述预设距离值为固定距离值,例如,可以为1000m、3000m等。
步骤D:在所确定的簇头是上述传感器自身的情况下,向第二类其他设备发送上述传感器是簇头的通知消息,并确定上述传感器自身为目标簇头。
具体的,在上述传感器确定自身是簇头后,目标簇内的其他设备可能已经通过其他设备自身进行簇头选择获知了上述传感器为簇头,也可能没有获知上述传感器为簇头。为保证目标簇内的各个设备均能够获知上述传感器为目标簇的簇头,因此上述传感器需要向第二类其他设备发送上述传感器是簇头的通知消息,通知上述第二类其他设备上述传感器是目标簇内的簇头,使得上述第二类其他设备收到通知消息后确定目标簇头。
步骤E:在所确定的簇头不是上述传感器自身的情况下,在接收到所确定的簇头发送的簇头通知消息后,将所确定的簇头确定为上述目标簇头。
具体的,由于所确定的簇头不是上述传感器自身时,上述传感器需要确定目标簇中的簇头是哪一设备,因此通过接收到簇头发送的通知消息,确定所属目标簇的目标簇头。
由以上可见,本实施例提供的方案中,由于参与分簇处理与簇头选择过程需要频繁的进行数据发送、接收、计算等操作,会消耗大量的电量,需要设备具有较高的通信能力、电量存储能力、充电便捷性以及计算能力。由于第一优先级可以用来表示设备的通信性能、电量存储能力、充电便捷性等性能,因此可以以第一优先级为标准,对于第一优先级不是预设最低优先级的传感器,由于其通信性能、电量存储能力等性能较强允许其参与分簇计算与簇头选择过程,因此可以通过分簇与簇头选择计算,根据自身与第二类其他设备之间的距离与优先级获得自身的目标簇与目标簇头。当上述传感器不是目标簇头时,由于簇内设备具有集群分布的特点,目标簇头与簇内其他设备之间的距离较近,因此传感器向目标簇头发送数据的距离相比传感器直接向数据管理设备发送数据的距离更短,因此发送数据需要的信号强度更低,可以节省传感器的电量。当上述传感器为目标簇头时,由于上述传感器在目标簇内具有较高的通信性能、电量存储能力与计算能力,因此相较于目标簇内的其他设备,上述传感器更适于作为目标簇头,为目标簇内其他设备节省电量。
本发明的一个实施例中,参见图3,提供了第三种传感器数据上传方法的流程示意图,与上述图1A所示实施例相比,本实施例中,上述S101确定上述传感器在设备簇中所属的目标簇的簇头,作为目标簇头时,可以通过以下S101F-S101H实现。
S101F:接收第一类其他设备中的被选定为簇头的设备发送的自身所在位置。
具体的,由于参与分簇处理与簇头选择过程需要设备进行频繁的数据发送、接收以及计算过程,在这一过程中会消耗设备大量的电量与计算资源,因此对于电量存储能力低、充电便捷性低、计算能力低的设备,参与分簇处理与簇头选择过程不符合设备性能条件。由于设备的电量存储能力、充电便捷性等性能可以通过第一优先级表示,因此电量存储能力低、充电便捷性低的第一优先级是预设最低优先级的传感器不参与分簇与簇头选择的计算过程,而是根据与第一类其他设备中的被选定为簇头的设备之间的距离确定自身的目标簇头进而确定自身的目标簇。因此传感器需要接收第一类其他设备中的被选定为簇头的设备发送的自身所在的位置,通过上述位置可以确定自身与第一类其他设备中被选定为簇头的设备之间的距离。
S101G:在上述第一优先级是预设最低优先级的情况下,根据上述传感器自身的位置与所接收的位置,计算上述传感器与被选定为簇头的设备之间的距离。
由于参与分簇处理与簇头选择过程需要设备进行频繁的数据发送、接收以及计算过程,在这一过程中会消耗设备大量的电量与计算资源,因此对于电量存储能力低、充电便捷性低、计算能力低的设备,参与分簇处理与簇头选择过程不符合设备性能条件。由于设备的电量存储能力、充电便捷性等性能可以通过第一优先级表示,因此电量存储能力低、充电便捷性低的第一优先级是预设最低优先级的传感器不参与分簇与簇头选择的计算过程,而是根据与第一类其他设备中的被选定为簇头的设备之间的距离确定自身的目标簇头进而确定自身的目标簇。
S101H:根据计算得到的距离,从被选定为簇头的设备中,确定上述传感器在设备簇中所属的目标簇的簇头,作为目标簇头。
具体的,可以根据计算得到的距离,选择与上述传感器距离最近的被选定为簇头的设备作为目标簇头,确定上述目标簇头所属的簇为上述目标簇。
由以上可见,本实施例提供的方案中,由于参与分簇处理与簇头选择过程需要设备进行频繁的数据发送、接收以及计算过程,在这一过程中会消耗设备大量的电量与计算资源,因此对于电量存储能力低、充电便捷性低、计算能力低的设备,参与分簇处理与簇头选择过程不符合设备性能条件。由于设备的电量存储能力、充电便捷性等性能可以通过第一优先级表示,因此电量存储能力低、充电便捷性低的第一优先级为最低预设优先级的传感器不参与分簇与簇头选择的计算过程,只根据传感器自身与不同簇头之间的距离确定传感器的目标簇头,进而确定目标簇头的所属簇为目标簇。节省了传感器参与分簇处理与簇头选择过程的电量,从而降低了传感器的电量消耗,对于可以充电的传感器,延长了传感器单次充电完成后的使用时长,对于无法充电的传感器,延长了传感器的使用寿命。
图4A为本发明实施例提供的一种传感器故障检测方法的流程示意图,应用于数据管理设备,该方法包括以下步骤S401-S403。
S401:获得待检测传感器的采集数据和辅助检测传感器的采集数据,分别作为第一采集数据和第二采集数据。
其中,上述辅助检测传感器和待检测传感器针对同一对象进行数据采集。
具体的,上述对象可以为可以安装多种传感器对不同的数据指标进行检测的单位。例如,上述对象可以为人体,则上述辅助检测传感器和待检测传感器可以为医疗传感器,例如可以为脉搏传感器、血压传感器、心跳传感器、呼吸传感器等。
上述采集数据为:直传数据或者间传数据。直传数据为:传感器为目标簇头的情况下传感器直接向上述数据管理设备发送的传感器采集的数据。间传数据为:传感器不是上述目标簇头的情况下上述目标簇头向上述数据管理设备发送的传感器采集的数据。上述目标簇头为:传感器在设备簇中所属的目标簇的簇头。设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇。
S402:将上述第二采集数据输入数据预测模型,预测上述待预测传感器对上述对象进行数据采集得到的数据,得到第一预测数据。
上述数据预测模型为:采用各个训练周期对应的样本数据对上述数据预测模型进行周期性训练、得到的用于预测上述待预测传感器对上述对象进行数据采集所得数据的模型。每一训练周期对应的样本数据包括:第一样本数据和第二样本数据。上述第一样本数据为:从训练周期的起始时刻向前第一预设时长内上述待检测传感器的采集数据。上述第二样本数据为:上述第一预设时长内上述辅助检测传感器的采集数据。其中,可以以传感器采集481次数据所需的时间为一次训练周期。
例如,上述第一预设时长可以为传感器采集289次数据需要的时间,第一样本数据中可以包含上述待检测传感器在289个不同采集时刻采集的数据。第二样本数据中可以包含上述辅助检测传感器在289个不同采集时刻采集的数据。
例如,对于采集同一生命体生命体征数据的医疗传感器,上述第一样本数据可以为心跳数据,上述第二样本数据可以为脉搏数据、呼吸数据、血压数据。
本发明的一个实施例中,上述数据预测模型可以为高斯回归预测模型。在一个训练周期中,将上述第二样本数据输入上述数据预测模型中进行训练,将每次训练的训练结果与第一样本数据中相同采集时刻待预测传感器采集到的数据进行对比,调整训练模型,进行反复训练,获得经过训练的数据预测模型,完成一次训练周期的训练过程。
例如,上述数据预测模型可以为预测某一生命体心跳数据的心跳数据预测模型,则可以将采集同一生命体生命体征数据的传感器在289个不同采集时刻采集到的脉搏数据、血压数据、呼吸数据作为第二样本数据输入数据预测模型进行训练,获得的训练结果为训练过程中预测出的每个不同采集时刻的心跳数据值,与同一采集时刻心跳传感器采集的数据进行对比,对训练模型进行调整,反复训练,得到经过训练的心跳数据预测模型。
本发明的一个实施例中,上述数据预测模型通过以下方式获得第一预测数据。
将上述第二采集数据记为向量通过协方差函数计算得到数据值
其中,为来自第二样本数据中不同采集时刻的数据值,λ为预设的固定值。
使用协方差函数计算第二样本数据中的数据,组成协方差矩阵K:
其中,为来自第二样本数据中不同采集时刻的数据值。
由使用协方差函数计算上述与上述组成协方差矩阵K*:
通过下列计算方法,使用上述矩阵K与矩阵K*计算得到上述第一预测数据:
为预测得到的上述第一预测数据,其中为上述第一样本数据中待预测传感器在不同采集时刻采集到的数据组成的向量值,K-1为矩阵K的逆矩阵。
S403:根据上述第一预测数据和第一采集数据,检测上述待预测传感器是否为故障传感器。
本发明的一个实施例中,可以通过以下步骤F-步骤I,检测上述待预测传感器是否为故障传感器。
步骤F:获得上述第一预测数据和第一采集数据之间的第一数据差值。
步骤G:判断上述第一数据差值是否大于故障检测阈值,若为是,执行步骤C,否则,执行步骤D。
步骤H:将上述待预测传感器判定为故障传感器。
步骤I:将上述待检测传感器判定为正常传感器。
由以上可见,本实施例提供的方案中,用于对传感器采集的数据进行预测的数据预测模型使用最新采集的数据对模型进行周期性训练,使数据预测模型总能与最新采集的数据保持同步,提高了数据预测模型的准确性。同时,由于上述数据检测模型只负责对上述待预测传感器一个传感器的数据进行预测,因此进一步提高了数据预测模型的准确性。在使用上述数据预测模型对待预测传感器采集的数据进行预测之后,使用故障检测阈值对上述待预测传感器是否故障做出判断,上述故障检测阈值是使用最新采集的数据对阈值进行计算得到的,使得故障检测阈值总能与最新采集的数据保持同步,从而提高了故障检测的准确性。同时,由于上述故障检测阈值只使用于上述待预测传感器一个传感器的故障检测过程,更能准确地判断上述待预测传感器是否故障,从而进一步提高了故障检测的准确性。
本发明的一个实施例中,在上述获得待检测传感器的采集数据和辅助检测传感器的采集数据之前,还包括向目标簇头发送故障检测指令的过程。
本发明的一个实施例中,可以通过以下步骤J-步骤K,向目标簇头发送故障检测指令。
步骤J:判断上述目标簇头被选定为簇头的优先级是否为预设最高优先级,若判断结果为是,则执行步骤G。
具体的,由于若上述目标簇头被选定为簇头的优先级为预设最高优先级,说明上述目标簇头具有较强的通信性能与计算能力,并且其向数据管理设备上传数据使用的目标上传方式可以为基于解码转发协议的上传方式,在目标簇头进行解码的过程中,可能会出现解码错误,影响数据管理设备故障检测的准确度,因此在上述上述目标簇头被选定为簇头的优先级为预设最高优先级时需要向目标簇头发送故障检测指令,由目标簇头完成故障检测的计算。
步骤K:,向上述目标簇头发送故障检测指令。
具体的,上述故障检测指令为指示目标簇头进行故障检测的指令,该指令可以携带数据预测模型的参数等信息。这样当上述目标簇头接收到上述故障检测指令后,可以通过解析上述故障检测指令获得上述数据预测模型的参数。在此基础上,目标簇头可以得到上述数据预测模型,从而可以通过上述数据预测模型对传感器采集的数据进行预测,并根据预测结果和传感器实际采集的数据,检测传感器是否存在故障。
图4B为本发明实施例提供的第三种应用场景示意图。
具体的,该场景中,数据管理设备为基站,智能手机和三个位于人体的传感器属于同一设备簇,且上述智能手机为该设备簇的簇头。
上述三个传感器在采集数据后将所采集的数据发送至上述智能手机,上述智能手机接收到数据后,将所接收的数据上传至上述基站,另外,上述智能手机采集数据后可以直接将所采集的数据上传至上述基站。
再者,在上述智能手机被选定为簇头的优先级为预设最高优先级时,上述基站可以向上述智能手机发送故障检测指令,智能手机接收到故障检测指令后,可以结合其已接收到的各个传感器上传的数据检测各个传感器是否存在故障。
其中,本图中的数据管理设备以基站表示,目标簇头以智能手机表示,传感器由人体上的点表示。
具体的,由图可见,传感器向目标簇头发送数据,目标簇头向数据管理设备上传数据,同时,数据管理设备向目标簇头发送故障检测指令。
由于进行故障检测需要消耗大量的计算资源、消耗大量的电量、进行频繁的数据通信,因此故障检测需要设备具有通信性能强、电量存储能力强、充电便捷性强、计算能力强的特点,由于第一优先级可以表示设备的通信性能、电量存储能力、充电便捷性等能力,因此可以选择第一优先级为预设最高优先级的簇头进行故障检测。并且上述目标簇头的目标上传方式可以为解码转发协议,由于解码转发协议在簇头接收到上述目标簇内除上述簇头自身之外的设备发送的数据后,将接收到的数据进行解码,再上传到上述数据管理设备,若解码过程中出现解码错误,会造成上述数据管理设备接收到的数据错误,使得数据管理设备在故障检测时出现错误检测的情况。因此在上述目标簇头中进行故障检测的计算过程后,再进行数据解码过程并将接收到的数据上传到上述数据管理设备,可以避免解码过程中解码错误造成的数据检测错误,提高故障检测的准确率。
本发明的一个实施例中,参见图5,提供了一种获得故障检测阈值的方法的流程示意图,通过该方式可以获得针对每一优化周期的故障检测阈值。
具体的,上述获得针对每一优化周期的故障检测阈值的过程包括以下步骤S501-S505。
S501:获得优化周期对应的优化数据,并获得上述待检测传感器的标注信息。
其中,每一优化周期对应的优化数据包括:第一优化数据和第二优化数据,将上述待检测传感器在优化周期的起始时刻向前第二预设时长内采集的数据分为第一优化数据与第一验证数据,将上述辅助传感器在上述第二预设时长内采集的数据数据分为第二优化数据与第二验证数据,上述标注信息表示:上述待检测传感器是否为故障传感器。
例如,可以以传感器采集481次数据所需的时间为一次优化周期,上述第二预设时长可以为传感器采集192组数据需要的时间,其中,第一优化数据与第二优化数据为传感器在96个相同的采集时刻采集到的数据,第一验证数据与第二验证数据为传感器在第二预设时长中另外96个相同的采集时刻采集到的数据。
具体的,上述标注信息来自于上一优化周期经过故障检测获得的故障检测结果。
S502:将优化数据输入上述数据预测模型,预测上述待预测传感器对上述对象进行数据采集得到的数据,得到第二预测数据。
S503:获得上述第二预测数据与第一优化数据之间的第二数据差值。
S504:针对每一预设的故障预测阈值,若上述第二数据差值大于故障预测阈值,则确定上述待检测传感器的预测信息为表征上述待检测传感器为故障传感器的信息,否则,确定上述预测信息为表征上述待检测传感器为正常传感器的信息。
例如,以心跳传感器采集的数据为例,若心跳传感器采集到的心跳频率为每分钟150次,使用心跳数据预测模型预测出的心跳频率为每分钟80次,若上述故障预测阈值为每分钟30次,由于心跳传感器采集到的数据与心跳数据预测模型预测出的数据之间的差值为每分钟70次,大于故障预测阈值,因此上述心跳传感器被标记为故障传感器。
S505:根据上述标注信息和预测信息,从各个故障预测阈值中选择一个阈值,作为上述故障检测阈值。
本发明的一个实施例中,可以通过上述标注信息与预测信息计算每个上述故障预测阈值的准确率与误报率,可以选择准确率最高、误报率最低的故障预测阈值,确定为故障检测阈值。
具体的,上述准确率为使用上述某一故障预测阈值时,对比上述标注信息与预测信息,其中预测信息与标注信息相同的预测信息的数量占预测信息总数量的比例。上述误报率为使用上述某一故障预测阈值时,对比上述标注信息与预测信息,其中预测信息与标注信息不同的预测信息的数量占预测信息总数量的比例。
例如,以心跳传感器的故障检测为例,为故障预测阈值设置多个不同的数据值,例如30次每分钟、40次每分钟、50次每分钟。在故障预测阈值为30次每分钟时,故障检测的准确率为70%,误报率为30%,在故障预测阈值为40次每分钟时,故障检测的准确率为80%,误报率为20%,在故障预测阈值为50次每分钟时,故障检测的准确率为90%,误报率为10%,则确定50次每分钟为故障检测阈值。
本发明的一个实施例中,在确定故障检测阈值之后,可以将第二验证数据输入上述数据预测模型,并使用上述步骤S403对故障传感器进行检测,与上述标注信息进行比较,对传感器故障检测的结果进行验证。
由以上可见,本实施例提供的方案中,故障检测阈值是使用最新采集的数据对阈值进行计算得到的,使得故障检测阈值总能与最新采集的数据保持同步,从而提高了故障检测的准确性。同时,由于上述故障检测阈值只使用于上述待预测传感器一个传感器的故障检测过程,更能准确地判断上述待预测传感器是否故障,从而进一步提高了故障检测的准确性。
与上述传感器数据上传方法相对应,本发明实施例还提供了一种传感器数据上传装置。
参见图6,提供了第一种传感器数据上传装置的结构示意图,该装置包括:
目标簇头确定模块601,用于确定上述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,其中,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇,上述数据管理设备为上述传感器待上传所采集数据的设备。
数据发送模块602,用于在上述目标簇头不是上述传感器自身的情况下,向上述目标簇头发送上述传感器采集的数据,以使得上述目标簇头向上述数据管理设备上传上述传感器采集的数据。
数据上传模块603,用于在上述目标簇头是上述传感器自身的情况下,直接向上述数据管理设备上传上述传感器采集的数据,并在接收到上述目标簇内除上述传感器之外的设备发送的数据后、按照目标上传方式向上述数据管理设备上传所接收的数据,其中,上述目标上传方式为:按照第一优先级确定的上传方式,其中,上述第一优先级为:上述传感器被选定为簇头的预设优先级。
上述传感器将采集到的数据发送给上述目标簇头,目标簇头将上述传感器采集到的数据上传到上述数据管理设备,缩短了传感器向数据管理设备上传数据时的空间距离,从而减少了传感器上传数据时消耗的电量,可以延长传感器的使用时长。
传感器应用本发明实施例提供的方案向数据管理设备上传数据时,首先,在向数据管理设备上传数据的各设备对应的设备簇中,确定上述传感器所属的目标簇以及上述目标簇的目标簇头。在目标簇头不是传感器本身的情况下,传感器通过目标簇头将其所采集的数据上传到数据管理设备,实现了传感器所采集数据上传。在目标簇头是上述传感器本身的情况下,传感器直接向数据管理设备上传所采集的数据,除此之外,这种情况下,上述传感器还接收目标簇内其他设备要上传到上述数据管理设备的数据,并将接收到的数据上传到数据管理设备,从而实现了上述传感器自身所采集数据与目标簇内其他设备的数据向上述数据管理设备上传的过程。
本发明的一个实施例中,参见图7,提供了第二种传感器数据上传装置的结构示意图,上述目标簇头确定模块601,包括:
位置获得子模块601A,用于在上述第一优先级不是预设最低优先级的情况下,广播上述传感器自身所在的位置,并通过接收第一类其他设备所广播消息的方式获得第一类其他设备的位置,其中,上述第一类其他设备为:向数据管理设备上传数据的设备中除上述传感器外的设备。
第一距离计算子模块601B,用于根据上述传感器自身所在的位置和其他设备的位置,计算上述传感器与其他设备之间的距离。
簇划分子模块601C,用于根据计算得到的距离,对上述传感器和其他设备进行分簇,得到设备簇。
目标簇确定子模块601D,用于从所得到的设备簇中确定上述传感器所属的簇,作为目标簇。
第一簇头确定子模块601E,用于确定上述目标簇的簇头,作为目标簇头。
本发明的一个实施例中,上述第一簇头确定子模块601E,具体用于:
向第二类其他设备发送上述传感器自身所在的位置与上述第一优先级,并获得第二类其他设备的所在位置与第二优先级;其中,上述第二类其他设备为:上述目标簇内除上述传感器之外的设备,上述第二优先级为:上述第二类其他设备被选定为簇头的预设优先级。
根据上述传感器自身所在的位置与第二类其他设备所在的位置,计算上述传感器与各个第二类其他设备之间的距离。
根据计算得到的距离、上述第一优先级和第二优先级,确定上述目标簇内的簇头。
在所确定的簇头是上述传感器自身的情况下,向第二类其他设备发送上述传感器是簇头的通知消息,并确定上述传感器自身为目标簇头。
在所确定的簇头不是上述传感器自身的情况下,在接收到所确定的簇头发送的簇头通知消息后,将所确定的簇头确定为上述目标簇头。
由以上可见,本实施例提供的方案中,由于参与分簇处理与簇头选择过程需要频繁的进行数据发送、接收、计算等操作,会消耗大量的电量,需要设备具有较高的通信能力、电量存储能力、充电便捷性以及计算能力。由于第一优先级可以用来表示设备的通信性能、电量存储能力、充电便捷性等性能,因此可以以第一优先级为标准,对于第一优先级不是预设最低优先级的传感器,由于其通信性能、电量存储能力等性能较强允许其参与分簇计算与簇头选择过程,因此可以通过分簇与簇头选择计算,根据自身与第二类其他设备之间的距离与优先级获得自身的目标簇与目标簇头。当上述传感器不是目标簇头时,由于簇内设备具有集群分布的特点,目标簇头与簇内其他设备之间的距离较近,因此传感器向目标簇头发送数据的距离相比传感器直接向数据管理设备发送数据的距离更短,因此发送数据需要的信号强度更低,可以节省传感器的电量。当上述传感器为目标簇头时,由于上述传感器在目标簇内具有较高的通信性能、电量存储能力与计算能力,因此相较于目标簇内的其他设备,上述传感器更适于作为目标簇头,为目标簇内其他设备节省电量。本发明的一个实施例中,参见图8,提供了第三种传感器数据上传装置的结构示意图,上述目标簇头确定模块601,包括:
位置接收子模块601F,用于接收第一类其他设备中的被选定为簇头的设备发送的自身所在位置。
第二距离计算子模块601G,用于在上述第一优先级是预设最低优先级的情况下,根据上述传感器自身的位置与所接收的位置,计算上述传感器与被选定为簇头的设备之间的距离。
第二簇头确定子模块601H,用于根据计算得到的距离,从被选定为簇头的设备中,确定上述传感器在设备簇中所属的目标簇的簇头,作为目标簇头。
由以上可见,本实施例提供的方案中,由于参与分簇处理与簇头选择过程需要设备进行频繁的数据发送、接收以及计算过程,在这一过程中会消耗设备大量的电量与计算资源,因此对于电量存储能力低、充电便捷性低、计算能力低的设备,参与分簇处理与簇头选择过程不符合设备性能条件。由于设备的电量存储能力、充电便捷性等性能可以通过第一优先级表示,因此电量存储能力低、充电便捷性低的第一优先级为最低预设优先级的传感器不参与分簇与簇头选择的计算过程,只根据传感器自身与不同簇头之间的距离确定传感器的目标簇头,进而确定目标簇头的所属簇为目标簇。节省了传感器参与分簇处理与簇头选择过程的电量,从而降低了传感器的电量消耗,对于可以充电的传感器,延长了传感器单次充电完成后的使用时长,对于无法充电的传感器,延长了传感器的使用寿命。
与上述故障检测方法相对应,本发明实施例还提供了一种传感器故障检测装置。
参见图9,提供了一种传感器故障检测装置的结构示意图,该装置包括:
数据获得模块901,用于获得待检测传感器的采集数据和辅助检测传感器的采集数据,分别作为第一采集数据和第二采集数据,其中,上述辅助检测传感器和待检测传感器针对同一对象进行数据采集,上述采集数据为:直传数据或者间传数据,直传数据为:传感器为目标簇头的情况下传感器直接向上述数据管理设备发送的传感器采集的数据,间传数据为:传感器不是上述目标簇头的情况下上述目标簇头向上述数据管理设备发送的传感器采集的数据,上述目标簇头为:传感器在设备簇中所属的目标簇的簇头,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇。
数据预测模块902,用于将上述第二采集数据输入数据预测模型,预测上述待预测传感器对上述对象进行数据采集得到的数据,得到第一预测数据,上述数据预测模型为:采用各个训练周期对应的样本数据对上述数据预测模型进行周期性训练、得到的用于预测上述待预测传感器对上述对象进行数据采集所得数据的模型,每一训练周期对应的样本数据包括:第一样本数据和第二样本数据,上述第一样本数据为:从训练周期的起始时刻向前第一预设时长内上述待检测传感器的采集数据,上述第二样本数据为:上述第一预设时长内上述辅助检测传感器的采集数据。
故障检测模块903,用于根据上述第一预测数据和第一采集数据,检测上述待预测传感器是否为故障传感器。
由以上可见,本实施例提供的一个方案中,用于对传感器采集的数据进行预测的数据预测模型使用最新采集的数据对模型进行周期性训练,使数据预测模型总能与最新采集的数据保持同步,提高了数据预测模型的准确性。同时,由于上述数据检测模型只负责对上述待预测传感器一个传感器的数据进行预测,因此进一步提高了数据预测模型的准确性。在使用上述数据预测模型对待预测传感器采集的数据进行预测之后,使用故障检测阈值对上述待预测传感器是否故障做出判断,上述故障检测阈值是使用最新采集的数据对阈值进行计算得到的,使得故障检测阈值总能与最新采集的数据保持同步,从而提高了故障检测的准确性。同时,由于上述故障检测阈值只使用于上述待预测传感器一个传感器的故障检测过程,更能准确地判断上述待预测传感器是否故障,从而进一步提高了故障检测的准确性。
本发明的一个实施例中,上述故障检测模块903,具体用于:
获得上述第一预测数据和第一采集数据之间的第一数据差值。
判断上述第一数据差值是否大于故障检测阈值。
在判断结果为是时,将上述待预测传感器判定为故障传感器。
在判断结果为否时,将上述待检测传感器判定为正常传感器。
由于上述优先级为预设最高优先级的目标簇头具有通信性能强、电量存储能力强、充电便捷性强的特点,因此可以负责故障检测的计算过程,并且上述目标簇头的目标上传方式可以为解码转发协议,由于解码转发协议在簇头接收到上述目标簇内除上述簇头自身之外的设备发送的数据后,将接收到的数据进行解码,再上传到上述数据管理设备,若解码过程中出现解码错误,会造成上述数据管理设备接收到的数据错误,使得数据管理设备在故障检测时出现错误检测的情况。因此在上述目标簇头中进行故障检测的计算过程后,再进行数据解码过程并将接收到的数据上传到上述数据管理设备,可以避免解码过程中解码错误造成的数据检测错误,提高故障检测的准确率。
本发明的一个实施例中,上述故障检测装置,还包括:
优先级判断模块,用于在所述数据获得模块获得待检测传感器的采集数据和辅助检测传感器的采集数据之前判断上述目标簇头被选定为簇头的优先级是否为预设最高优先级。
指令发送模块,用于所述优先级判断模块的判断结果为是时,向上述目标簇头发送故障检测指令,其中,上述故障检测指令为:指示上述目标簇头对上述待检测传感器进行故障检测的指令。
本发明的一个实施例中,所述故障检测模块,还包括阈值获得子模块,其中,
所述阈值获得子模块,用于针对每一优化周期获得所述故障检测阈值。
参见图10,所述阈值获得子模块,包括:
数据获得单元1001,用于获得优化周期对应的优化数据,并获得上述待检测传感器的标注信息,其中,每一优化周期对应的优化数据包括:第一优化数据和第二优化数据,上述第一优化数据为:从优化周期的起始时刻向前第二预设时长内上述待检测传感器的采集数据,上述第二优化数据为:上述第二预设时长内上述辅助检测传感器的采集数据,上述标注信息表示:上述待检测传感器是否为故障传感器。
数据预测单元1002,用于将优化数据输入上述数据预测模型,预测上述待预测传感器对上述对象进行数据采集得到的数据,得到第二预测数据。
差值获得单元1003,用于获得上述第二预测数据与第一优化数据之间的第二数据差值。
预测信息确定单元1004,用于针对每一预设的故障预测阈值,若上述第二数据差值大于故障预测阈值,则确定上述待检测传感器的预测信息为表征上述待检测传感器为故障传感器的信息,否则,确定上述预测信息为表征上述待检测传感器为正常传感器的信息。
阈值选择单元1005,用于根据上述标注信息和预测信息,从各个故障预测阈值中选择一个阈值,作为上述故障检测阈值。
由以上可见,本实施例提供的方案中,故障检测阈值是使用最新采集的数据对阈值进行计算得到的,使得故障检测阈值总能与最新采集的数据保持同步,从而提高了故障检测的准确性。同时,由于上述故障检测阈值只使用于上述待预测传感器一个传感器的故障检测过程,更能准确地判断上述待预测传感器是否故障,从而进一步提高了故障检测的准确性。
本发明实施例还提供了一种传感器设备,如图11所示,包括处理器1101、通信接口1102、存储器1103和通信总线1104,其中,处理器1101,通信接口1102,存储器1103通过通信总线1104完成相互间的通信,
存储器1103,用于存放计算机程序;
处理器1101,用于执行存储器1103上所存放的程序时,实现上述传感器数据上传方法实施例所述的方法步骤。
传感器应用本发明实施例提供的方案向数据管理设备上传数据时,首先,在向数据管理设备上传数据的各设备对应的设备簇中,确定上述传感器所属的目标簇以及上述目标簇的目标簇头。在目标簇头不是传感器本身的情况下,传感器通过目标簇头将其所采集的数据上传到数据管理设备,实现了传感器所采集数据上传。在目标簇头是上述传感器本身的情况下,传感器直接向数据管理设备上传所采集的数据,除此之外,这种情况下,上述传感器还接收目标簇内其他设备要上传到上述数据管理设备的数据,并将接收到的数据上传到数据管理设备,从而实现了上述传感器自身所采集数据与目标簇内其他设备的数据向上述数据管理设备上传的过程。
与上述传感器数据上传方法相对应,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一传感器数据上传方法实施例所述的方法步骤。
执行本实施例提供的计算机可读存储介质中存储的计算机程序向数据管理设备上传数据时,首先,在向数据管理设备上传数据的各设备对应的设备簇中,确定上述传感器所属的目标簇以及上述目标簇的目标簇头。在目标簇头不是传感器本身的情况下,传感器通过目标簇头将其所采集的数据上传到数据管理设备,实现了传感器所采集数据上传。在目标簇头是上述传感器本身的情况下,传感器直接向数据管理设备上传所采集的数据,除此之外,这种情况下,上述传感器还接收目标簇内其他设备要上传到上述数据管理设备的数据,并将接收到的数据上传到数据管理设备,从而实现了上述传感器自身所采集数据与目标簇内其他设备的数据向上述数据管理设备上传的过程。
本发明实施例还提供了一种数据管理设备,如图12所示,包括处理器1201、通信接口1202、存储器1203和通信总线1204,其中,处理器1201,通信接口1202,存储器1203通过通信总线1204完成相互间的通信,
存储器1203,用于存放计算机程序;
处理器1201,用于执行存储器1203上所存放的程序时,实现上述传感器故障检测方法实施例所述的方法步骤。
数据管理设备应用本实施例提供的方案对传感器进行故障检测时,用于对传感器采集的数据进行预测的数据预测模型使用最新采集的数据对模型进行周期性训练,使数据预测模型总能与最新采集的数据保持同步,提高了数据预测模型的准确性。同时,由于上述数据检测模型只负责对上述待预测传感器一个传感器的数据进行预测,因此进一步提高了数据预测模型的准确性。在使用上述数据预测模型对待预测传感器采集的数据进行预测之后,使用故障检测阈值对上述待预测传感器是否故障做出判断,上述故障检测阈值是使用最新采集的数据对阈值进行计算得到的,使得故障检测阈值总能与最新采集的数据保持同步,从而提高了故障检测的准确性。同时,由于上述故障检测阈值只使用于上述待预测传感器一个传感器的故障检测过程,更能准确地判断上述待预测传感器是否故障,从而进一步提高了故障检测的准确性。
与上述传感器故障检测方法相对应,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一传感器故障检测方法实施例所述的方法步骤。
执行本实施例提供的计算机可读存储介质中存储的计算机程序进行传感器故障检测时,用于对传感器采集的数据进行预测的数据预测模型使用最新采集的数据对模型进行周期性训练,使数据预测模型总能与最新采集的数据保持同步,提高了数据预测模型的准确性。同时,由于上述数据检测模型只负责对上述待预测传感器一个传感器的数据进行预测,因此进一步提高了数据预测模型的准确性。在使用上述数据预测模型对待预测传感器采集的数据进行预测之后,使用故障检测阈值对上述待预测传感器是否故障做出判断,上述故障检测阈值是使用最新采集的数据对阈值进行计算得到的,使得故障检测阈值总能与最新采集的数据保持同步,从而提高了故障检测的准确性。同时,由于上述故障检测阈值只使用于上述待预测传感器一个传感器的故障检测过程,更能准确地判断上述待预测传感器是否故障,从而进一步提高了故障检测的准确性。
需要说明的是,上述传感器设备、数据管理设备提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述传感器设备、数据管理设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(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。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一传感器数据上传、传感器故障检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、传感器设备、数据管理设备、计算机可读存储介质和计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种传感器数据上传方法,其特征在于,应用于传感器,所述方法包括:
确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,其中,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇,所述数据管理设备为所述传感器待上传所采集数据的设备;
在所述目标簇头不是所述传感器自身的情况下,向所述目标簇头发送所述传感器采集的数据,以使得所述目标簇头向所述数据管理设备上传所述传感器采集的数据;
在所述目标簇头是所述传感器自身的情况下,直接向所述数据管理设备上传所述传感器采集的数据,并在接收到所述目标簇内除所述传感器之外的设备发送的数据后、按照目标上传方式向所述数据管理设备上传所接收的数据,其中,所述目标上传方式为:按照第一优先级确定的上传方式,其中,所述第一优先级为:所述传感器被选定为簇头的预设优先级。
2.根据权利要求1所述的方法,其特征在于,所述确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,包括:
在所述第一优先级不是预设最低优先级的情况下,广播所述传感器自身所在的位置,并通过接收第一类其他设备所广播消息的方式获得第一类其他设备的位置,其中,所述第一类其他设备为:向数据管理设备上传数据的设备中除所述传感器外的设备;
根据所述传感器自身所在的位置和所述第一类其他设备的位置,计算所述传感器与所述第一类其他设备之间的距离;
根据计算得到的距离,对所述传感器和所述第一类其他设备进行分簇,得到设备簇;
从所得到的设备簇中确定所述传感器所属的簇,作为目标簇;
确定所述目标簇的簇头,作为目标簇头。
3.根据权利要求2所述的方法,其特征在于,所述确定所述目标簇的簇头,作为目标簇头,包括:
向第二类其他设备发送所述传感器自身所在的位置与所述第一优先级,并获得第二类其他设备的所在位置与第二优先级;其中,所述第二类其他设备为:所述目标簇内除所述传感器之外的设备,所述第二优先级为:所述第二类其他设备被选定为簇头的预设优先级;
根据所述传感器自身所在的位置与第二类其他设备所在的位置,计算所述传感器与各个第二类其他设备之间的距离;
根据计算得到的距离、所述第一优先级和第二优先级,确定所述目标簇内的簇头;
在所确定的簇头是所述传感器自身的情况下,向第二类其他设备发送所述传感器是簇头的通知消息,并确定所述传感器自身为目标簇头;
在所确定的簇头不是所述传感器自身的情况下,在接收到所确定的簇头发送的簇头通知消息后,将所确定的簇头确定为所述目标簇头。
4.根据权利要求1所述的方法,其特征在于,所述确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,包括:
接收第一类其他设备中的被选定为簇头的设备发送的自身所在位置;
在所述第一优先级是预设最低优先级的情况下,根据所述传感器自身的位置与所接收的位置,计算所述传感器与被选定为簇头的设备之间的距离;
根据计算得到的距离,从被选定为簇头的设备中,确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头。
5.一种传感器故障检测方法,其特征在于,应用于数据管理设备,所述方法包括:
获得待检测传感器的采集数据和辅助检测传感器的采集数据,分别作为第一采集数据和第二采集数据,其中,所述辅助检测传感器和待检测传感器针对同一对象进行数据采集,所述采集数据为:直传数据或者间传数据,直传数据为:传感器为目标簇头的情况下传感器直接向所述数据管理设备发送的传感器采集的数据,间传数据为:传感器不是所述目标簇头的情况下所述目标簇头向所述数据管理设备发送的传感器采集的数据,所述目标簇头为:传感器在设备簇中所属的目标簇的簇头,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇;
将所述第二采集数据输入数据预测模型,预测所述待预测传感器对所述对象进行数据采集得到的数据,得到第一预测数据,所述数据预测模型为:采用各个训练周期对应的样本数据对所述数据预测模型进行周期性训练、得到的用于预测所述待预测传感器对所述对象进行数据采集所得数据的模型,每一训练周期对应的样本数据包括:第一样本数据和第二样本数据,所述第一样本数据为:从训练周期的起始时刻向前第一预设时长内所述待检测传感器的采集数据,所述第二样本数据为:所述第一预设时长内所述辅助检测传感器的采集数据;
根据所述第一预测数据和第一采集数据,检测所述待预测传感器是否为故障传感器。
6.根据权利要求5所述方法,其特征在于,所述根据所述第一预测数据和第一采集数据,检测所述待预测传感器是否为故障传感器,包括:
获得所述第一预测数据和第一采集数据之间的第一数据差值;
判断所述第一数据差值是否大于故障检测阈值;
若为是,则将所述待预测传感器判定为故障传感器;
否则,将所述待检测传感器判定为正常传感器。
7.根据权利要求6所述方法,其特征在于,通过以下方式针对每一优化周期获得所述故障检测阈值:
获得优化周期对应的优化数据,并获得所述待检测传感器的标注信息,其中,每一优化周期对应的优化数据包括:第一优化数据和第二优化数据,所述第一优化数据为:从优化周期的起始时刻向前第二预设时长内所述待检测传感器的采集数据,所述第二优化数据为:所述第二预设时长内所述辅助检测传感器的采集数据,所述标注信息表示:所述待检测传感器是否为故障传感器;
将优化数据输入所述数据预测模型,预测所述待预测传感器对所述对象进行数据采集得到的数据,得到第二预测数据;
获得所述第二预测数据与第一优化数据之间的第二数据差值;
针对每一预设的故障预测阈值,若所述第二数据差值大于故障预测阈值,则确定所述待检测传感器的预测信息为表征所述待检测传感器为故障传感器的信息,否则,确定所述预测信息为表征所述待检测传感器为正常传感器的信息;
根据所述标注信息和预测信息,从各个故障预测阈值中选择一个阈值,作为所述故障检测阈值。
8.根据权利要求5所述的方法,其特征在于,在所述获得待检测传感器的采集数据和辅助检测传感器的采集数据之前,还包括:
判断所述目标簇头被选定为簇头的优先级是否为预设最高优先级;
若为是,向所述目标簇头发送故障检测指令,其中,所述故障检测指令为:指示所述目标簇头对所述待检测传感器进行故障检测的指令。
9.一种传感器数据上传装置,其特征在于,应用于传感器,所述装置包括:
目标簇头确定模块,用于确定所述传感器在设备簇中所属的目标簇的簇头,作为目标簇头,其中,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇,所述数据管理设备为所述传感器待上传所采集数据的设备;
数据发送模块,用于在所述目标簇头不是所述传感器自身的情况下,向所述目标簇头发送所述传感器采集的数据,以使得所述目标簇头向所述数据管理设备上传所述传感器采集的数据;
数据上传模块,用于在所述目标簇头是所述传感器自身的情况下,直接向所述数据管理设备上传所述传感器采集的数据,并在接收到所述目标簇内除所述传感器之外的设备发送的数据后、按照目标上传方式向所述数据管理设备上传所接收的数据,其中,所述目标上传方式为:按照第一优先级确定的上传方式,其中,所述第一优先级为:所述传感器被选定为簇头的预设优先级。
10.一种传感器故障检测装置,其特征在于,应用于数据管理设备,所述装置包括:
数据获得模块,用于获得待检测传感器的采集数据和辅助检测传感器的采集数据,分别作为第一采集数据和第二采集数据,其中,所述辅助检测传感器和待检测传感器针对同一对象进行数据采集,所述采集数据为:直传数据或者间传数据,直传数据为:传感器为目标簇头的情况下传感器直接向所述数据管理设备发送的传感器采集的数据,间传数据为:传感器不是所述目标簇头的情况下所述目标簇头向所述数据管理设备发送的传感器采集的数据,所述目标簇头为:传感器在设备簇中所属的目标簇的簇头,设备簇是按照设备之间的距离对向数据管理设备上传数据的各设备进行分簇得到的簇;
数据预测模块,用于将所述第二采集数据输入数据预测模型,预测所述待预测传感器对所述对象进行数据采集得到的数据,得到第一预测数据,所述数据预测模型为:采用各个训练周期对应的样本数据对所述数据预测模型进行周期性训练、得到的用于预测所述待预测传感器对所述对象进行数据采集所得数据的模型,每一训练周期对应的样本数据包括:第一样本数据和第二样本数据,所述第一样本数据为:从训练周期的起始时刻向前第一预设时长内所述待检测传感器的采集数据,所述第二样本数据为:所述第一预设时长内所述辅助检测传感器的采集数据;
故障检测模块,用于根据所述第一预测数据和第一采集数据,检测所述待预测传感器是否为故障传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786630.9A CN110490266B (zh) | 2019-08-23 | 2019-08-23 | 一种传感器数据上传、传感器故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910786630.9A CN110490266B (zh) | 2019-08-23 | 2019-08-23 | 一种传感器数据上传、传感器故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490266A true CN110490266A (zh) | 2019-11-22 |
CN110490266B CN110490266B (zh) | 2022-04-22 |
Family
ID=68553767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910786630.9A Active CN110490266B (zh) | 2019-08-23 | 2019-08-23 | 一种传感器数据上传、传感器故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490266B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110855980A (zh) * | 2019-11-26 | 2020-02-28 | 北京三快在线科技有限公司 | 一种传感数据处理方法、系统、装置及存储介质 |
CN114666784A (zh) * | 2020-12-23 | 2022-06-24 | 维沃移动通信有限公司 | 上报终端传感器信息的方法、终端和可读存储介质 |
Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101959244A (zh) * | 2010-09-29 | 2011-01-26 | 浙江工业大学 | 一种适用于无线传感网的层次型路由控制方法 |
KR20110064177A (ko) * | 2009-12-07 | 2011-06-15 | 성균관대학교산학협력단 | 무선 센서 네트워크에서 센서 노드의 전력 저감을 위한 통신 방법 및 장치 |
CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
CN102413180A (zh) * | 2011-11-15 | 2012-04-11 | 河海大学 | 灌区监测无线传感器网络及其通讯协议 |
CN103634870A (zh) * | 2013-12-10 | 2014-03-12 | 辽宁工业大学 | 无线医疗传感器网络动态分簇方法 |
CN103945484A (zh) * | 2014-03-11 | 2014-07-23 | 北京农业信息技术研究中心 | 农田无线自组织网络拓扑密度关联路径选择优化方法 |
CN104202765A (zh) * | 2014-08-26 | 2014-12-10 | 北京邮电大学 | 基于分布式网络的传感器故障检测方法及装置 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN105430720A (zh) * | 2015-10-28 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 基于分布式自举算法的变电设备传感器组网系统及方法 |
CN106034280A (zh) * | 2015-03-12 | 2016-10-19 | 北京信威通信技术股份有限公司 | 一种自组网中基于节点身份特征的分簇方法 |
CN106034301A (zh) * | 2015-03-14 | 2016-10-19 | 北京信威通信技术股份有限公司 | 一种自组网中基于节点身份特征的分簇方法 |
CN107071811A (zh) * | 2017-04-18 | 2017-08-18 | 长春师范大学 | 一种基于模糊控制的wsn容错非均匀分簇算法 |
CN107169293A (zh) * | 2017-05-19 | 2017-09-15 | 上海博历机械科技有限公司 | 基于移动终端的智能医疗管理系统 |
CN107182091A (zh) * | 2017-07-11 | 2017-09-19 | 青岛大学 | 一种基于无线传感器网络的非均匀路由传输方法及其装置 |
CN107347201A (zh) * | 2017-07-07 | 2017-11-14 | 云南大学 | 一种基于优先级的无线传感器网络轮询系统控制方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108174411A (zh) * | 2017-12-12 | 2018-06-15 | 扬州大学 | 基于模糊逻辑的无线传感器网络路由方法 |
CN109219010A (zh) * | 2018-09-06 | 2019-01-15 | 江苏佳源科技有限公司 | 配电设备状态智能监测系统 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
CN109543743A (zh) * | 2018-11-19 | 2019-03-29 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
CN109618384A (zh) * | 2019-01-28 | 2019-04-12 | 南京邮电大学 | 无线传感器网络系统 |
CN109618400A (zh) * | 2019-01-28 | 2019-04-12 | 南京邮电大学 | 无线传感器网络数据传输方法、可读存储介质和终端 |
CN109618368A (zh) * | 2018-12-28 | 2019-04-12 | 国网江苏省电力有限公司电力科学研究院 | 一种时延与功耗联合优化的无线传感网数据融合调度算法 |
CN109682976A (zh) * | 2019-02-28 | 2019-04-26 | 东北大学 | 基于多模型融合的连续血糖监测传感器在线故障检测方法 |
CN109819474A (zh) * | 2019-01-24 | 2019-05-28 | 辽宁大学 | 车载自组织网络中基于分簇的多优先级mac协议制定方法 |
US20190182744A1 (en) * | 2016-08-02 | 2019-06-13 | South University Of Science And Technology Of China | Passive sensor networking protocol |
CN110072265A (zh) * | 2019-03-25 | 2019-07-30 | 湖州师范学院 | 一种能量异构无线传感网络分簇协议的实现方法 |
CN110113798A (zh) * | 2019-05-30 | 2019-08-09 | 武汉大学 | 一种多源无线传感器网络环境下同构性路由协议方法 |
-
2019
- 2019-08-23 CN CN201910786630.9A patent/CN110490266B/zh active Active
Patent Citations (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110064177A (ko) * | 2009-12-07 | 2011-06-15 | 성균관대학교산학협력단 | 무선 센서 네트워크에서 센서 노드의 전력 저감을 위한 통신 방법 및 장치 |
CN101959244A (zh) * | 2010-09-29 | 2011-01-26 | 浙江工业大学 | 一种适用于无线传感网的层次型路由控制方法 |
CN102324034A (zh) * | 2011-05-25 | 2012-01-18 | 北京理工大学 | 基于最小二乘支持向量机在线预测的传感器故障诊断方法 |
CN102413180A (zh) * | 2011-11-15 | 2012-04-11 | 河海大学 | 灌区监测无线传感器网络及其通讯协议 |
CN103634870A (zh) * | 2013-12-10 | 2014-03-12 | 辽宁工业大学 | 无线医疗传感器网络动态分簇方法 |
CN103945484A (zh) * | 2014-03-11 | 2014-07-23 | 北京农业信息技术研究中心 | 农田无线自组织网络拓扑密度关联路径选择优化方法 |
CN104202765A (zh) * | 2014-08-26 | 2014-12-10 | 北京邮电大学 | 基于分布式网络的传感器故障检测方法及装置 |
CN105318905A (zh) * | 2014-12-30 | 2016-02-10 | 国家电网公司 | 一种火电厂热力系统传感器故障诊断方法 |
CN106034280A (zh) * | 2015-03-12 | 2016-10-19 | 北京信威通信技术股份有限公司 | 一种自组网中基于节点身份特征的分簇方法 |
CN106034301A (zh) * | 2015-03-14 | 2016-10-19 | 北京信威通信技术股份有限公司 | 一种自组网中基于节点身份特征的分簇方法 |
CN105430720A (zh) * | 2015-10-28 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 基于分布式自举算法的变电设备传感器组网系统及方法 |
US20190182744A1 (en) * | 2016-08-02 | 2019-06-13 | South University Of Science And Technology Of China | Passive sensor networking protocol |
CN107071811A (zh) * | 2017-04-18 | 2017-08-18 | 长春师范大学 | 一种基于模糊控制的wsn容错非均匀分簇算法 |
CN107169293A (zh) * | 2017-05-19 | 2017-09-15 | 上海博历机械科技有限公司 | 基于移动终端的智能医疗管理系统 |
CN107347201A (zh) * | 2017-07-07 | 2017-11-14 | 云南大学 | 一种基于优先级的无线传感器网络轮询系统控制方法 |
CN107182091A (zh) * | 2017-07-11 | 2017-09-19 | 青岛大学 | 一种基于无线传感器网络的非均匀路由传输方法及其装置 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108174411A (zh) * | 2017-12-12 | 2018-06-15 | 扬州大学 | 基于模糊逻辑的无线传感器网络路由方法 |
CN109219010A (zh) * | 2018-09-06 | 2019-01-15 | 江苏佳源科技有限公司 | 配电设备状态智能监测系统 |
CN109308519A (zh) * | 2018-09-29 | 2019-02-05 | 广州博通信息技术有限公司 | 一种基于神经网络的制冷设备故障预测方法 |
CN109543743A (zh) * | 2018-11-19 | 2019-03-29 | 天津大学 | 一种基于重建预测残差的制冷机组多传感器故障诊断方法 |
CN109618368A (zh) * | 2018-12-28 | 2019-04-12 | 国网江苏省电力有限公司电力科学研究院 | 一种时延与功耗联合优化的无线传感网数据融合调度算法 |
CN109819474A (zh) * | 2019-01-24 | 2019-05-28 | 辽宁大学 | 车载自组织网络中基于分簇的多优先级mac协议制定方法 |
CN109618400A (zh) * | 2019-01-28 | 2019-04-12 | 南京邮电大学 | 无线传感器网络数据传输方法、可读存储介质和终端 |
CN109618384A (zh) * | 2019-01-28 | 2019-04-12 | 南京邮电大学 | 无线传感器网络系统 |
CN109682976A (zh) * | 2019-02-28 | 2019-04-26 | 东北大学 | 基于多模型融合的连续血糖监测传感器在线故障检测方法 |
CN110072265A (zh) * | 2019-03-25 | 2019-07-30 | 湖州师范学院 | 一种能量异构无线传感网络分簇协议的实现方法 |
CN110113798A (zh) * | 2019-05-30 | 2019-08-09 | 武汉大学 | 一种多源无线传感器网络环境下同构性路由协议方法 |
Non-Patent Citations (4)
Title |
---|
HUAN GAO 等: "Homogeneous Clustering Algorithm based on Average Residual Energy for Energy-Efficient MTC Networks", 《2018 24TH ASIA-PACIFIC CONFERENCE ON COMMUNICATIONS (APCC)》 * |
OSMAN SALEM 等: "Event Detection in Wireless Body Area Networks Using Kalman Filter and Power Divergence", 《IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT》 * |
SHUJUN HAN 等: "Joint time and power allocation for uplink cooperative non-orthogonal multiple access based massive machine-type communication Network", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 * |
杨晓冬等: "STATCOM中传感器故障的容错控制策略研究", 《电力电容器与无功补偿》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110855980A (zh) * | 2019-11-26 | 2020-02-28 | 北京三快在线科技有限公司 | 一种传感数据处理方法、系统、装置及存储介质 |
CN110855980B (zh) * | 2019-11-26 | 2021-03-26 | 北京三快在线科技有限公司 | 一种传感数据处理方法、系统、装置及存储介质 |
CN114666784A (zh) * | 2020-12-23 | 2022-06-24 | 维沃移动通信有限公司 | 上报终端传感器信息的方法、终端和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110490266B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108605205B (zh) | 用于确定电子装置的位置的设备和方法 | |
WO2015188324A1 (zh) | 移动终端位置预测方法及装置 | |
CN112740746A (zh) | 检测警报的通信网络洞察力 | |
US12013439B2 (en) | Data processor, data processing method, and computer program | |
CN111915020B (zh) | 检测模型的更新方法、装置及存储介质 | |
CN110490266B (zh) | 一种传感器数据上传、传感器故障检测方法及装置 | |
US11257596B2 (en) | System and method providing services to user using IoT devices | |
US20230409962A1 (en) | Sampling user equipments for federated learning model collection | |
US8208893B1 (en) | Performance metrics processing for anticipating unavailability | |
KR20090099583A (ko) | 무선 통신 방법, 장치 및 컴퓨터 판독가능 메모리 | |
CN110362492A (zh) | 人工智能算法测试方法、装置、服务器、终端及存储介质 | |
CN110852237A (zh) | 对象姿态的确定方法及装置、存储介质、电子装置 | |
Liu et al. | Predicting stay time of mobile users with contextual information | |
KR102101977B1 (ko) | 스마트 축산 통합 관리 플랫폼 운영 방법 | |
JP2016170011A (ja) | 測位装置、測位方法、測位プログラム、および、測位システム | |
Zou et al. | Poster: WiFi-based device-free human activity recognition via automatic representation learning | |
US12082147B2 (en) | Line of sight (LoS)/non-line of sight (NLoS) point identification in wireless communication networks using artificial intelligence | |
Pramanik et al. | Predicting device availability in mobile crowd computing using ConvLSTM | |
CN111314177B (zh) | 一种基于无线信号的作息时段识别方法以及相关装置 | |
CN116887396A (zh) | 位置预测模型的训练方法、终端定位方法及装置 | |
US20230140019A1 (en) | Data collection device, data acquisition device, and data collection method | |
Xu et al. | Stochastic modeling and analysis with energy optimization for wireless sensor networks | |
CN115292037A (zh) | 边缘网络下的任务可靠性保证方法及系统 | |
CN110320493A (zh) | 室内定位方法、装置、电子设备和计算机存储介质 | |
Wu et al. | Enabling efficient offline mobile access to online social media on urban underground metro systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |