CN111371594B - 设备异常告警方法、装置及电子设备 - Google Patents

设备异常告警方法、装置及电子设备 Download PDF

Info

Publication number
CN111371594B
CN111371594B CN202010115548.6A CN202010115548A CN111371594B CN 111371594 B CN111371594 B CN 111371594B CN 202010115548 A CN202010115548 A CN 202010115548A CN 111371594 B CN111371594 B CN 111371594B
Authority
CN
China
Prior art keywords
data
abnormal
classification model
preset
preset classification
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
Application number
CN202010115548.6A
Other languages
English (en)
Other versions
CN111371594A (zh
Inventor
肖迁
李屏君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHENGDU SKSPRUCE TECHNOLOGY Inc
Original Assignee
CHENGDU SKSPRUCE TECHNOLOGY Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHENGDU SKSPRUCE TECHNOLOGY Inc filed Critical CHENGDU SKSPRUCE TECHNOLOGY Inc
Priority to CN202010115548.6A priority Critical patent/CN111371594B/zh
Publication of CN111371594A publication Critical patent/CN111371594A/zh
Application granted granted Critical
Publication of CN111371594B publication Critical patent/CN111371594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种设备异常告警方法、装置及电子设备，涉及设备告警技术领域，包括获取设备的采样数据；根据预设分类模型对采样数据进行分类判定，得到异常特征；获取设备的实时数据；根据预设分类模型将实时数据划分为不同数据类型；基于异常特征对不同数据类型进行比对，得到异常告警信号。本发明可以有效提高故障准确率，降低工作量。

Description

设备异常告警方法、装置及电子设备
技术领域
本发明涉及设备告警技术领域，尤其是涉及一种设备异常告警方法、装置及电子设备。
背景技术
当前，在物联网平台中，对物联网设备的故障检测非常重要。通常设备中一个温度传感器进行温度上报时，温度的可报范围为-55℃～125℃；设置低阈值为0℃，高阈值为40℃，当温度在正常范围以内时，每10分钟或每个小时进行一次数据上报；当温度异常时，温度传感器每1分钟进行一次数据上报，管理中心收到数据后，检查上报的异常标记和温度数据，判定温度是否正常，然后做进一步的处理。但是，在实际使用中，由于环境因素的影响和温度传感器的故障导致上报数据不准确，进而造成故障判断错误。
发明内容
本发明的目的在于提供了一种设备异常告警方法、装置及电子设备，可以有效提高故障准确率，降低工作量。
第一方面，本发明提供了一种设备异常告警方法，其中，包括：
获取设备的采样数据；
根据预设分类模型对所述采样数据进行分类判定，得到异常特征；
获取设备的实时数据；
根据预设分类模型将所述实时数据划分为不同数据类型；
基于所述异常特征对所述不同数据类型进行比对，得到异常告警信号。
进一步的，所述根据预设分类模型对所述采样数据进行分类判定，得到异常特征的步骤之前，还包括：
根据K均值聚类算法进行建模，得到预设分类模型。
进一步的，所述根据K均值聚类算法进行建模，得到预设分类模型的步骤，包括：
将K个聚类中心点分为K个数据分类；
根据所述K个数据分类进行聚类计算，得到不再变化的K个聚类中心点；
根据预设建模数据对所述不再变化的K个聚类中心点进行建模，得到预设分类模型。
进一步的，所述根据预设分类模型对所述采样数据进行分类判定，得到异常特征的步骤，包括：
根据预设分类模型将所述采样数据分为多个数据种类；
当某个数据种类占全部数据种类的比例小于预设值时，所述某个数据种类为异常分类；
根据所述异常分类得到异常特征。
进一步的，所述基于所述异常特征对所述不同数据类型进行比对，得到异常告警信号的步骤，包括：
将所述不同数据类型依次与所述异常特征进行比对；
在数据类型中的特征与所述异常特征相同时，得到异常告警信号。
第二方面，本发明提供了一种设备异常告警装置，其中，包括：
采样数据单元，用于获取设备的采样数据；
分类判定单元，用于根据预设分类模型对所述采样数据进行分类判定，得到异常特征；
实时数据单元，用于获取设备的实时数据；
划分单元，用于根据预设分类模型将所述实时数据划分为不同数据类型；
比对单元，用于基于所述异常特征对所述不同数据类型进行比对，得到异常告警信号。
进一步的，所述分类判定单元还用于：
根据K均值聚类算法进行建模，得到预设分类模型。
进一步的，所述分类判定单元还用于：
将K个聚类中心点分为K个数据分类；
根据所述K个数据分类进行聚类计算，得到不再变化的K个聚类中心点；
根据预设建模数据对所述不再变化的K个聚类中心点进行建模，得到预设分类模型。
第三方面，本发明提供了一种电子设备，其中，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面所述的设备异常告警方法的步骤。
第四方面，本发明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上存储有计算机程序，其中，所述计算机程序被处理器运行时执行第一方面所述的设备异常告警方法的步骤。
本发明实施例带来了以下有益效果：
本发明提供了一种设备异常告警方法、装置及电子设备，通过获取设备的采样数据；再根据预设分类模型对采样数据进行分类判定，得到异常特征；然后再获取设备的实时数据；根据预设分类模型将实时数据划分为不同数据类型；最终基于异常特征对不同数据类型进行比对，得到异常告警信号。在本实施例提供的上述方式中，根据预设分类模型对获取的设备采样数据进行分类判定得到异常特征，然后再获取设备的实时数据，根据预设分类模型将实时数据划分为不同数据类型，与异常特征进行比对后得到异常告警信号，避免了现有技术中由于环境因素的影响和温度传感器的故障导致上报数据不准确的问题，可以有效提高故障准确率，降低工作量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例一提供的设备异常告警方法流程图；
图2为本发明实施例一提供的得到预设分类模型方法流程图；
图3为本发明实施例二提供的设备异常告警装置示意图；
图4为本发明实施例供的电子设备的结构示意图。
图标：301-采样数据单元；302-分类判定单元；303-实时数据单元；304-划分单元；305-比对单元；400-处理器；401-存储器；402-总线；403-通信接口。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
考虑到现有技术中设备上报的异常标记和温度数据时上报的异常标记和温度数据，判定温度是否正常，然后做进一步的处理。但是，在实际使用中，由于环境因素的影响和温度传感器的故障导致上报数据不准确，进而造成故障判断错误的问题。本发明提供了一种设备异常告警方法、装置及电子设备，根据预设分类模型对获取的设备采样数据进行分类判定得到异常特征，然后再获取设备的实时数据，根据预设分类模型将实时数据划分为不同数据类型，与异常特征进行比对后得到异常告警信号。本发明可以有效提高故障准确率，降低工作量。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种设备异常告警方法进行详细介绍。
实施例一：
参照图1所示的一种设备异常告警方法流程图，可以由诸如计算机、处理器等电子设备执行，该方法主要包括步骤S101至步骤S105：
步骤S101，获取设备的采样数据。
在一种具体的实施方式中，采样数据是从设备的全部数据中找到指定数量的样本，对训练模型有直接影响的数据维度。其中可以包括温度传感器的温差和数据上报次数。比如表1所示的采样数据：
Figure BDA0002391125520000051
Figure BDA0002391125520000061
表1
步骤S102，根据预设分类模型对采样数据进行分类判定，得到异常特征。
在一种具体的实施方式中，预设分类模型时通过k均值聚类算法建立的模型，通过采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为类簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。
步骤S103，获取设备的实时数据。
在一种具体的实施方式中，获取的设备实时数据全部保存，以便调取历史数据进行查询和比对。
步骤S104，根据预设分类模型将实时数据划分为不同数据类型。
步骤S105，基于异常特征对所述不同数据类型进行比对，得到异常告警信号。
在一种具体的实施方式中，判断是否可以得到异常告警信号可以参考数据类型中的特征是否与异常特征相同。如果相同，则该数据类型异常，发出异常警告信号。
在本实施例提供的上述方式中，根据预设分类模型对获取的设备采样数据进行分类判定得到异常特征，然后再获取设备的实时数据，根据预设分类模型将实时数据划分为不同数据类型，与异常特征进行比对后得到异常告警信号，避免了现有技术中由于环境因素的影响和温度传感器的故障导致上报数据不准确的问题，可以有效提高故障准确率，降低工作量。
在具体实施时，根据预设分类模型对采样数据进行分类判定，得到异常特征的步骤之前，还包括：
根据K均值聚类算法进行建模，得到预设分类模型。
其中，参照图2所示的得到预设分类模型方法流程图，根据K均值聚类算法进行建模，得到预设分类模型的步骤，包括以下步骤S201～S203：
步骤S201，将K个聚类中心点分为K个数据分类。
步骤S202，根据K个数据分类进行聚类计算，得到不再变化的K个聚类中心点。
步骤S203，根据预设建模数据对不再变化的K个聚类中心点进行建模，得到预设分类模型。
在一种具体的实施方式中，模型建模收敛处理过程如下：
1.首先随机生成k个聚类中心点
2.根据聚类中心点，将数据分为k类。分类的原则是数据离哪个中心点近就将它分为哪一类别。
3.再根据分好的类别的数据，重新计算聚类的类别中心点。
4.不断的重复2和3步，直到中心点不再变化。
示例性的说明如下：
1.输入建模数据。
2.随机生成k个中心点。
3.第一轮迭代第一步：求点所属分类。计算其与每一个质心的距离(如欧式距离)，离哪个质心近，就划分到那个质心所属的集合。其中欧氏距离计算公式为：d12＝√((x2-x1)2+(y2-y1)2)。
4.第一轮迭代第二步：重新确认中心点。每个簇的均值向量，即向量各维取平均即可。
5.第二轮迭代第一步：重新确认分类。
6.第二轮迭代第二步：重新确认中心点。
7.上面过程中有输入参数主要涉及到：训练输入数据；分类数K；迭代次数i：模型的训练涉及是一个迭代训练的过程，多经历几轮迭代，其准确性会有一定的提高。最终根据生成的中心点模型，新输入的数据距离那个中心点距离最小，那么就属于那一类。
在本实施例提供的上述方式中，可以为设备实时数据的检测提供异常特征和预设分类模型。
在具体实施时，根据预设分类模型对采样数据进行分类判定，得到异常特征的步骤，包括以下步骤a～c：
步骤a，根据预设分类模型将采样数据分为多个数据种类。
步骤b，当某个数据种类占全部数据种类的比例小于预设值时，某个数据种类为异常分类。
步骤c，根据异常分类得到异常特征。
在一种具体的实施方式中，异常分类判断的方法是对样本数据进行分类判定，看每一个类有多少个。找到符合分类占比小于1％或基定数量的分类。因为异常类总是少数。
在具体实施时，基于异常特征对不同数据类型进行比对，得到异常告警信号的步骤，包括以下步骤d～e：
步骤d，将不同数据类型依次与异常特征进行比对。
步骤e，在数据类型中的特征与异常特征相同时，得到异常告警信号。
实施例二：
参照图3所示的一种设备异常告警装置示意图，包括：
采样数据单元301，用于获取设备的采样数据.
分类判定单元302，用于根据预设分类模型对采样数据进行分类判定，得到异常特征。
实时数据单元303，用于获取设备的实时数据。
划分单元304，用于根据预设分类模型将实时数据划分为不同数据类型。
比对单元305，用于基于异常特征对不同数据类型进行比对，得到异常告警信号。
在本实施例提供的上述装置中，根据预设分类模型对获取的设备采样数据进行分类判定得到异常特征，然后再获取设备的实时数据，根据预设分类模型将实时数据划分为不同数据类型，与异常特征进行比对后得到异常告警信号，避免了现有技术中由于环境因素的影响和温度传感器的故障导致上报数据不准确的问题，可以有效提高故障准确率，降低工作量。
在具体实施时，分类判定单元302还用于：
根据K均值聚类算法进行建模，得到预设分类模型。
在具体实施时，分类判定单元302还用于：
将K个聚类中心点分为K个数据分类；
根据K个数据分类进行聚类计算，得到不再变化的K个聚类中心点；
根据预设建模数据对不再变化的K个聚类中心点进行建模，得到预设分类模型。
在具体实施时，分类判定单元302还用于：
根据预设分类模型将采样数据分为多个数据种类；
当某个数据种类占全部数据种类的比例小于预设值时，某个数据种类为异常分类；
根据异常分类得到异常特征。
在具体实施时，比对单元305还用于：
将不同数据类型依次与异常特征进行比对；
在数据类型中的特征与异常特征相同时，得到异常告警信号。
本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现实施例一设备异常告警方法的步骤。
图4为本发明实施例提供的一种电子设备的结构示意图，该电子设备包括：处理器400，存储器401，总线402和通信接口403，处理器400、通信接口403和存储器401通过总线402连接；处理器400用于执行存储器401中存储的可执行模块，例如计算机程序。
其中，存储器401可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口403(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线402可以是ISA总线、PCI总线或EISA总线等。所述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4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器401用于存储程序，所述处理器400在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器400中，或者由处理器400实现。
处理器400可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器400中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器400可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401，处理器400读取存储器401中的信息，结合其硬件完成上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其中，计算机程序被处理器运行时执行实施例一设备异常告警方法的步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (9)

1.一种设备异常告警方法，其特征在于，包括：
获取设备的采样数据；其中，所述采样数据包括温度传感器的温差和数据上报次数；根据预设分类模型对所述采样数据进行分类判定，得到异常特征；
获取设备的实时数据；
根据预设分类模型将所述实时数据划分为不同数据类型；
基于所述异常特征对所述不同数据类型进行比对，得到异常告警信号；
其中，所述根据预设分类模型对所述采样数据进行分类判定，得到异常特征的步骤，包括：
根据预设分类模型将所述采样数据分为多个数据种类；
当某个数据种类占全部数据种类的比例小于预设值时，所述某个数据种类为异常分类；
根据所述异常分类得到异常特征。
2.根据权利要求1所述的方法，其特征在于，所述根据预设分类模型对所述采样数据进行分类判定，得到异常特征的步骤之前，还包括：
根据K均值聚类算法进行建模，得到预设分类模型。
3.根据权利要求2所述的方法，其特征在于，所述根据K均值聚类算法进行建模，得到预设分类模型的步骤，包括：
将K个聚类中心点分为K个数据分类；
根据所述K个数据分类进行聚类计算，得到不再变化的K个聚类中心点；
根据建模数据对所述不再变化的K个聚类中心点进行建模，得到预设分类模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述异常特征对所述不同数据类型进行比对，得到异常告警信号的步骤，包括：
将所述不同数据类型依次与所述异常特征进行比对；
在数据类型中的特征与所述异常特征相同时，得到异常告警信号。
5.一种设备异常告警装置，其特征在于，包括：
采样数据单元，用于获取设备的采样数据；其中，所述采样数据包括温度传感器的温差和数据上报次数；
分类判定单元，用于根据预设分类模型对所述采样数据进行分类判定，得到异常特征；
实时数据单元，用于获取设备的实时数据；
划分单元，用于根据预设分类模型将所述实时数据划分为不同数据类型；
比对单元，用于基于所述异常特征对所述不同数据类型进行比对，得到异常告警信号；
其中，所述分类判定单元具体用于：
根据预设分类模型将所述采样数据分为多个数据种类；
当某个数据种类占全部数据种类的比例小于预设值时，所述某个数据种类为异常分类；
根据所述异常分类得到异常特征。
6.根据权利要求5所述的装置，其特征在于，所述分类判定单元还用于：
根据K均值聚类算法进行建模，得到预设分类模型。
7.根据权利要求5所述的装置，其特征在于，所述分类判定单元还用于：
将K个聚类中心点分为K个数据分类；
根据所述K个数据分类进行聚类计算，得到不再变化的K个聚类中心点；
根据预设建模数据对所述不再变化的K个聚类中心点进行建模，得到预设分类模型。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的设备异常告警方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1至4任一项所述的设备异常告警方法的步骤。
CN202010115548.6A 2020-02-25 2020-02-25 设备异常告警方法、装置及电子设备 Active CN111371594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010115548.6A CN111371594B (zh) 2020-02-25 2020-02-25 设备异常告警方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010115548.6A CN111371594B (zh) 2020-02-25 2020-02-25 设备异常告警方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111371594A CN111371594A (zh) 2020-07-03
CN111371594B true CN111371594B (zh) 2023-05-02

Family

ID=71210284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010115548.6A Active CN111371594B (zh) 2020-02-25 2020-02-25 设备异常告警方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111371594B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014148934A1 (en) * 2013-03-18 2014-09-25 Siemens Aktiengesellschaft Method for monitoring a structure and monitoring device for the structure
CN109186813A (zh) * 2018-10-23 2019-01-11 株洲中车时代电气股份有限公司 一种温度传感器自检装置及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120137367A1 (en) * 2009-11-06 2012-05-31 Cataphora, Inc. Continuous anomaly detection based on behavior modeling and heterogeneous information analysis
CN105553998B (zh) * 2015-12-23 2019-02-01 中国电子科技集团公司第三十研究所 一种网络攻击异常检测方法
CN107733937A (zh) * 2017-12-01 2018-02-23 广东奥飞数据科技股份有限公司 一种异常网络流量检测方法
CN109391620B (zh) * 2018-10-22 2021-06-25 武汉极意网络科技有限公司 异常行为判定模型的建立方法、系统、服务器及存储介质
CN109670690A (zh) * 2018-12-07 2019-04-23 泰康保险集团股份有限公司 数据信息中心监控预警方法、系统及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014148934A1 (en) * 2013-03-18 2014-09-25 Siemens Aktiengesellschaft Method for monitoring a structure and monitoring device for the structure
CN109186813A (zh) * 2018-10-23 2019-01-11 株洲中车时代电气股份有限公司 一种温度传感器自检装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A.Ali；X.Costas.Kriging interpolation based sensor node position management in dynamic environment.2014 9th INternational Symposium on CSNDSP.2014,全文. *
武鑫.基于数据驱动的风电机组关键部件监测预警技术研究.中国优秀硕士学位论文数据库.2020,全文. *

Also Published As

Publication number Publication date
CN111371594A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN109558295B (zh) 一种性能指标异常检测方法及装置
CN110008080B (zh) 基于时间序列的业务指标异常检测方法、装置和电子设备
CN111538642B (zh) 一种异常行为的检测方法、装置、电子设备及存储介质
CN110083475B (zh) 一种异常数据的检测方法及装置
CN113037595B (zh) 异常设备检测方法、装置、电子设备及存储介质
CN111220889A (zh) 晶圆测试数据处理方法及设备
CN111626360B (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN109857618B (zh) 一种监控方法、装置及系统
CN108399115B (zh) 一种运维操作检测方法、装置及电子设备
CN111104438A (zh) 时间序列的周期性确定方法、装置及电子设备
CN111291824A (zh) 时间序列的处理方法、装置、电子设备和计算机可读介质
CN114662602A (zh) 一种离群点检测方法、装置、电子设备及存储介质
CN113536066A (zh) 一种数据异常检测算法确定方法、装置及计算机设备
CN114444827A (zh) 一种集群性能的评估方法和装置
CN115345241A (zh) 电池异常检测方法、装置、电子设备及计算机存储介质
CN117150233B (zh) 一种电网异常数据治理方法、系统、设备及介质
CN111371594B (zh) 设备异常告警方法、装置及电子设备
TWI592810B (zh) 衡量二元資料於時間等級的群聚級別的無母數分析方法
CN112949697A (zh) 一种管道异常的确认方法、装置及计算机可读存储介质
CN111783883A (zh) 一种异常数据的检测方法及装置
CN114372689B (zh) 一种基于动态规划的路网运行特征变点识别方法
CN111695829B (zh) 一种指标波动周期计算方法、装置、存储介质及电子设备
CN115567371A (zh) 一种异常检测方法、装置、设备及可读存储介质
CN112822166B (zh) 一种异常进程检测方法、装置、设备及介质
CN111385342B (zh) 一种物联网行业识别方法、装置、电子设备及存储介质

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