CN112073544A - 用于处理传感器数据的方法、计算设备和计算机存储介质 - Google Patents
用于处理传感器数据的方法、计算设备和计算机存储介质 Download PDFInfo
- Publication number
- CN112073544A CN112073544A CN202011276133.3A CN202011276133A CN112073544A CN 112073544 A CN112073544 A CN 112073544A CN 202011276133 A CN202011276133 A CN 202011276133A CN 112073544 A CN112073544 A CN 112073544A
- Authority
- CN
- China
- Prior art keywords
- data
- sensor measurement
- sensor
- sensors
- sample 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/40—Maintenance of things
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本公开涉及一种用于处理传感器数据的方法、计算设备和计算机存储介质。该方法包括:在计算设备处,经由网关设备获取第一预定时间间隔内的来自多个设备的设备运行数据;获取第二预定时间间隔内的来自多个传感器的传感器测量数据;分别针对设备运行数据和传感器测量数据进行预处理、使得设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率;获取对应于第三预定时间间隔的设备运行抽样数据和传感器测量抽样数据;计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数;针对所计算的相关系数进行排序,以便基于排序结果确定多个传感器与多个设备之间的关联关系。本公开能够快速、并准确地实现传感器的与设备的匹配。
Description
技术领域
本公开总体上涉及数据处理,并且具体地,涉及用于处理传感器数据的方法、计算设备和计算机存储介质。
背景技术
工业设备上通常配置有一个或者多个传感器。在工业场景中,多个传感器的测量数据例如经由网关传送至云端服务器之后,云端服务为了基于传感器的测量数据进行建模分析,以便给出关于关联的工业设备状态的评估结果。因此,云端服务器需要知晓传感器测量数据与设备之间的相关性。传统的处理传感器数据的方案例如包括:通过人工输入传感器的标识(ID号)和设备的标识(ID号),并将二者关联起来并输入物联网的云服务器,以便实现设备与传感器之间的关联。
在大数据工业互联网场景下,一个工厂可能需要部署上千个传感器,一些工业场景工况环境较为复杂、并且传感器安装步骤也较为复杂、留给传感器的部署时间也相对有限,因此,在传感器的安装过程中不适合携带电子设备进行传感器ID和设备ID的录入工作;另外,针对上千个传感器以及设备ID统计与配对过程也难免容易出错。
综上,传统用于处理传感器数据的方案需要较多人工来建立设备与传感器之间的关联,难以快速、并准确地实现大数据工业互联网场景下的传感器与设备的匹配。
发明内容
本公开提供一种用于处理传感器数据的方法、计算设备和计算机存储介质,能够快速、并准确地实现大数据工业互联网场景下的传感器的与设备的匹配。
根据本公开的第一方面,提供了一种用于处理传感器数据的方法。该方法包括:在计算设备处,经由网关设备获取第一预定时间间隔内的来自多个设备的设备运行数据,设备运行数据中至少包括对应设备的控制数据;获取第二预定时间间隔内的来自多个传感器的传感器测量数据,多个传感器配置在多个设备中的至少一个设备之上,以用于测量至少一个设备的状态;分别针对设备运行数据和传感器测量数据进行预处理、以便生成设备运行抽样数据和传感器测量抽样数据,设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率;获取对应于第三预定时间间隔的设备运行抽样数据和传感器测量抽样数据,第三预定时间间隔属于第一预定时间间隔与第二预定时间间隔之间的交集;计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数;以及针对所计算的相关系数进行排序,以便基于排序结果确定多个传感器与多个设备之间的关联关系。本公开能够快速、并准确地实现大数据工业互联网场景下的传感器的标识。
根据本发明的第二方面,还提供了一种计算设备,该设备包括:至少一个处理单元;至少一个存储器,至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令,指令当由至少一个处理单元执行时,使得计算设备执行本公开的第一方面的方法。
根据本公开的第三方面,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,计算机程序被机器执行时执行本公开的第一方面的方法。
在一些实施例中,用于处理传感器数据的方法:将被确定关联关系的传感器和设备所分别对应的传感器测量数据与设备运行数据关联相同的标识;确定多个传感器中的至少两个传感器是否关联有相同的标识;以及响应于确定多个传感器中的至少两个传感器关联有相同的标识,针对至少两个传感器的传感器测量数据进行融合。
在一些实施例中,分别针对设备运行数据和传感器测量数据进行预处理包括:基于设备运行数据和传感器测量数据各自对应的时间戳,对齐设备运行数据和传感器测量数据;以及针对经对齐的设备运行数据或者传感器测量数据进行上抽样和下抽样中的至少一种,以便使得设备运行抽样数据的抽样率和传感器测量抽样数据的抽样率相等。
在一些实施例中,针对经对齐的设备运行数据或者传感器测量数据进行上抽样和下抽样中的至少一种包括:抽取设备运行数据所对应的测量周期中部分时间段的设备运行数据,以生成设备运行抽样数据;或者针对传感器测量数据进行插值。
在一些实施例中,计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数包括:计算每一个传感器测量抽样数据与每一个设备运行抽样数据的皮尔逊相关系数。
在一些实施例中,计算每一个传感器测量抽样数据与每一个设备运行抽样数据的皮尔逊相关系数包括:将经对齐的设备运行抽样数据设置成列,设备运行抽样数据指示对应的设备标识;将经对齐的传感器测量抽样数据设置成行,传感器测量抽样数据指示对应的传感器标识;针对列中的每一个设备运行抽样数据和行中的每一个传感器测量抽样数据计算皮尔逊相关系数,以便构建相关系数矩阵,每一个所计算的皮尔逊相关系数指示对应的设备标识和对应的传感器标识。
在一些实施例中,针对所计算的相关系数进行排序,以便基于排序结果确定多个传感器与多个设备之间的关联关系包括:按照皮尔逊相关系数递减的顺序,针对相关系数矩阵中的皮尔逊相关系数进行排序;依次针对每一个对应的传感器的标识,按照皮尔逊相关系数递减的顺序遍历相关系数矩阵,以便分别确定指示每一个对应的传感器的标识的最大的皮尔逊相关系数;以及将最大的皮尔逊相关系数所指示的对应的设备标识和对应的传感器标识所分别关联的设备和传感器确定为具有关联关系。
在一些实施例中,多个设备为多台空压机,设备运行数据包括来自多台空压机的当前工作功率数据和当前滤芯使用时间数据,多个传感器包括部署在多台空压上的多个震动传感器,传感器测量数据包括对应传感器所采集的其部署的空压机在工作过程中的震动信号。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或主要特征,也无意限制本公开的范围。
附图说明
图1示出了根据本公开的实施例的用于实施用于处理传感器数据的方法的系统的示意图。
图2示出了根据本公开的实施例的用于处理传感器数据的方法的流程图。
图3示出根据本公开实施例的用于计算相关系数的方法的流程图。
图4示出根据本公开实施例的用于确定传感器与设备关联关系的方法的流程图。
图5示意性示出了适于用来实现本公开实施例的电子设备的框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。
如前文所描述,传统的用于处理传感器数据的方案需要较多人工来建立设备与传感器之间的关联,难以快速、并准确地实现大数据工业互联网场景下的传感器的与设备的匹配。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个,本公开的示例实施例提出了一种用于处理传感器数据的方案。该方案包括:在计算设备处,经由网关设备获取第一预定时间间隔内的来自多个设备的设备运行数据,设备运行数据中至少包括对应设备的控制数据;获取第二预定时间间隔内的来自多个传感器的传感器测量数据,多个传感器配置在多个设备中的至少一个设备之上,以用于测量至少一个设备的状态;分别针对设备运行数据和传感器测量数据进行预处理、以便生成设备运行抽样数据和传感器测量抽样数据,设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率;获取对应于第三预定时间间隔的设备运行抽样数据和传感器测量抽样数据,第三预定时间间隔属于第一预定时间间隔与第二预定时间间隔之间的交集;计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数;以及针对所计算的相关系数进行排序,以便基于排序结果确定多个传感器与多个设备之间的关联关系。本公开能够快速、并准确地实现大数据工业互联网场景下的传感器的标识。
在上述方案中,通过分别经由预处理使得设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率,并且基于交集时间段内的每一个设备运行抽样数据和每一个传感器测量抽样数据计算相关度系数,并基于相关度系数的排序结果确定传感器的关联关系,本公开能够快速、并准确地实现大数据工业互联网场景下的传感器与设备的匹配。
图1示出了根据本公开的实施例的用于实施用于处理传感器数据的方法的系统100的示意图。如图1所示,系统100包括:多个设备110(设备110例如包括第一设备110-1至第N设备110-N)、多个传感器(多个传感器例如包括传感器120-1至120-M)、多个网关设备(例如网关设备112-1至112-N)、计算设备130和网络150。M和N为自然数。
关于设备110,其例如为工业设备。每一个设备110例如部署有对应的网关设备(DTU/RTU)和一个或者多个传感器。网关设备用于采集设备运行数据,例如采集设备的控制信号,以便对设备的工作状况进行设备监控以及维护。在一些实施例中,设备110例如为空压机。设备运行数据例如包括:空压机功率数据、出口压力数据、润滑油使用时间数据、空气滤芯使用时间数据、电机相电流等数据。
关于传感器,其用于采集对应的设备110的状态的测量数据,以便实现针对设备110当前状态的监控以及故障的报警与维护。在一些实施例中,传感器例如包括部署在多台空压机上的多个震动传感器和热成像仪。震动传感器用于采集对应设备的震动信号,热成像仪用于采集对应设备的温度状态。
关于计算设备130,其例如而不限于为服务器。计算设备130例如经由网关设备获取来自设备110的设备运行数据,以及获取来自传感器的传感器测量数据。计算设备130还用于针对设备运行数据和测量数据进行预处理以便同步设备运行数据与传感器测量数据的抽样率,以及获取同一时间段的设备运行抽样数据与传感器测量抽样数据,并针对每一个设备运行抽样数据与传感器测量抽样数据计算相关系数,以便基于相关系数确定传感器与设备的关联关系。计算设备130例如包括设备运行数据获取单元132、传感器测量数据获取单元134、抽样率同步单元136、交集抽样数据单元138、相关系数计算单元140和关联关系确定单元142。
关于设备运行数据获取单元132,其用于在计算设备处,经由网关设备获取第一预定时间间隔内的来自多个设备的设备运行数据,设备运行数据中至少包括对应设备的控制数据。
关于传感器测量数据获取单元134,其用于获取第二预定时间间隔内的来自多个传感器的传感器测量数据,多个传感器配置在多个设备中的至少一个设备之上,以用于测量至少一个设备的状态。
关于抽样率同步单元136,其用于分别针对设备运行数据和传感器测量数据进行预处理、以便生成设备运行抽样数据和传感器测量抽样数据,设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率。
关于交集抽样数据单元138,其用于获取对应于第三预定时间间隔的设备运行抽样数据和传感器测量抽样数据,第三预定时间间隔属于第一预定时间间隔与第二预定时间间隔之间的交集。
关于相关系数计算单元140,其用于计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数。
关于关联关系确定单元142,其用于针对所计算的相关系数进行排序,以便基于排序结果确定多个传感器与多个设备之间的关联关系。
以下将结合图2描述根据本公开的实施例的用于处理传感器数据的方法200。图2示出了根据本公开的实施例的用于处理传感器数据的方法200的流程图。应当理解,方法200例如可以在图5所描述的电子设备500处执行。也可以在图1所描述的计算设备130处执行。应当理解,方法200还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤202处,计算设备130经由网关设备获取第一预定时间间隔内的来自多个设备的设备运行数据,设备运行数据中至少包括对应设备的控制数据。例如,多个设备为多台空压机,设备运行数据包括来自多台空压机的当前工作功率数据和当前滤芯使用时间数据
关于设备运行数据,在一些实施例中,其例如包括用于指示设备启动或者停止、加载或者卸载的设备运行数据。因为无论是经由网关设备采集的设备内部控制器的数据还是传感器采集的测量数据都是围绕着设备的运行状态来处理的。而设备的运行过程通常包含启动或者停止、加载或者卸载等运行过程。经研究发现,这些过程会较为明显地改变设备的运行状态,从而改变经由网关设备所采集到的设备运行数据以及传感器所采集到的传感器测量数据。因此,容易更为迅速地利用设备运行状态变化所产生的设备与传感器之间数据变化与时间序列的相关性。由此,本公开通过获取用于指示设备启动或者停止、加载或者卸载的设备运行数据来进行与传感器测量数据的关联计算,利于更容易迅速并准确地确定传感器与设备之间的关联关系。
在步骤204处,计算设备130获取第二预定时间间隔内的来自多个传感器的传感器测量数据,多个传感器配置在多个设备中的至少一个设备之上,以用于测量至少一个设备的状态。
关于第一预定时间间隔和第二预定时间间隔,二者例如而不限于是一天、几天或者一星期。将第一预定时间间隔和第二预定时间间隔设置为较长的时间,利于计算设备更为充分地获取多种设备运行不同状态下的传感器测量数据变化情况。第一预定时间间隔和第二预定时间间隔可以是相同的,也可以是不同的。第一预定时间间隔和第二预定时间间隔需要有足够的交集时间段。
在步骤206处,计算设备130分别针对设备运行数据和传感器测量数据进行预处理、以便生成设备运行抽样数据和传感器测量抽样数据,设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率。
关于预处理的方式,其例如包括:基于设备运行数据和传感器测量数据各自对应的时间戳,对齐设备运行数据和传感器测量数据;以及针对经对齐的设备运行数据或者传感器测量数据进行上抽样和下抽样中的至少一种,以便使得设备运行抽样数据的抽样率和传感器测量抽样数据的抽样率相等。通过同步设备运行抽样数据的抽样率和传感器测量抽样数据的抽样率,利于在同一时间序列下计算设备运行抽样数据和传感器测量抽样数据的相关性。
关于上抽样和下抽样的方式,其例如包括:抽取设备运行数据所对应的测量周期中部分时间段的设备运行数据,以生成设备运行抽样数据;或者针对传感器测量数据进行插值。例如,通过筛选设备运行数据每个测量周期中开始部分的设备运行数据来进行下采样。或者通过每个测量周期中的传感器测量数据均值来针对传感器测量数据进行插值,以便实现上采样。
在一些实施例中,分别针对设备运行数据和传感器测量数据进行预处理还可以包括:根据设备运行数据和传感器测量数据的数据分布特征,对检测值进行数据清洗,以便去除或者替换异常设备运行数据和传感器测量数据。例如,可以采用经由直方图统计方式或者低通滤波的方式去除或者替换异常设备运行数据和传感器测量数据。相对于以低通滤波的方式去除异常数据而言,通过直方图统计方式去除异常数据,能够避免对原始设备运行数据和传感器测量数据带来影响。
在步骤208处,计算设备130获取对应于第三预定时间间隔的设备运行抽样数据和传感器测量抽样数据,第三预定时间间隔属于第一预定时间间隔与第二预定时间间隔之间的交集。第三预定时间间隔可以为第一预定时间间隔与第二预定时间间隔的整个交集时间段,也可以是交集时间段的一部分。
在步骤210处,计算设备130计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数。
关于相关系数的计算方法,其可以包括多种,例如采用皮尔逊(Pearson)相关系数。也可以采用斯皮尔曼(Spearman)和肯德尔(Kendall)相关系数。研究表明,皮尔逊相关系数对应工业设备与传感器关联关系计算更为适合,这主要因为传感器数据包括较多的连续变量。在一些实施例中,计算设备130计算每一个传感器测量抽样数据与每一个设备运行抽样数据的皮尔逊相关系数。以下结合公式(1)说明计算皮尔逊相关系数的方法。
在上述公式(1)中, 代表第k个传感器所对应的传感器测量抽样数据。代表第i个网关采集到的设备i的第j个设备运行抽样数据。代表传感器测量抽样数据和设备运行抽样数据两个变量之间皮尔逊相关系数。或者代表和之间的协方差。代表传感器测量抽样数据和设备运行抽样数据两个变量之间的标准差。下文将结合图3说明关于计算传感器测量抽样数据与设备运行抽样数据的相关系数的方法。在此,不再赘述。
以空压机系统的联网监控的场景为例,空压机作为工厂的重要动力设备,通常在同一厂房会部署多台空压机以保障工厂的动力来源。通常这些空压机会一起处于工作状态,以保证空压机设备相互之间处于热备份状态,如果一台空压机出现故障另一台能够迅速增大供气压力以替代故障设备,进而保障工厂生产的连续性。云服务器通过网关获取第一预定时间间隔(例如而不限于1天)内的来自多个(例如3台)空压机的设备运行数据,空压机的设备运行数据包括空压机的当前工作功率数据以及当前的滤芯使用时间数据。分别用g(1,1)表示第一台空压机的当前滤芯使用时间的抽样数据, g(1,2)代表第一台空压机的当前工作功率抽样数据。用g(2,1)表示第二台空压机的当前滤芯使用时间抽样数据, g(2,2)代表第二台空压机的当前工作功率抽样数据。用g(3,1)表示第三台空压机的当前滤芯使用时间抽样数据, g(3,2)代表第三台空压机的当前工作功率抽样数据。同时,分别在每台空压机通过部署震动传感器采集对应空压机在工作过程中的震动信号。例如,s(1)代表第一个震动传感器所采集的其部署的空压机在工作过程中的震动信号抽样数据。s(2)代表第二个震动传感器所采集的其部署的空压机在工作过程中的震动信号抽样数据。s(3)代表第三个震动传感器所采集的其部署的空压机在工作过程中的震动信号抽样数据。需要通过计算每一个震动传感器测量抽样数据与每一个空压机的滤芯使用时间和工作功率抽样数据的皮尔逊相关系数,以便确定每一个震动传感器与每一个空压机的关联关系。
在步骤212处,计算设备130针对所计算的相关系数进行排序,以便基于排序结果确定多个传感器与多个设备之间的关联关系。
以空压机系统的联网监控的场景为例,例如,通过计算每一个震动传感器的震动信号抽样数据s(1)、s(2)和s(3)与每一个空压机的滤芯使用时间g(1,1)、g(2,1)、g(3,1)以及工作功率抽样数据g(1,2)、g(2,2)、g(3,2)的皮尔逊相关系数,得到以下表一所示例的相关系数矩阵。
表一。
g(1,1) | g(1,2) | g(2,1) | g(2,2) | g(3,1) | g(3,2) | |
s(1) | 0.1 | 0.2 | 0.7 | 0.1 | 0.3 | 0.1 |
s(2) | 0.5 | 0.6 | 0.3 | 0.1 | 0.1 | 0.2 |
s(3) | 0.1 | 0.1 | 0.1 | 0.2 | 0.3 | 0.5 |
确定多个传感器与多个设备之间的关联关系时,例如,从表一示例的相关系数矩阵中的最大的皮尔逊相关系数开始遍历,即从最大值0.7开始遍历,计算设备130可以得到s(1)与g(2,1)高度相关,从而确定第一传感器与第二空压机具有关联关系。然后,可以跳过所有与S(1)有关的数据,接下来从相关系数矩阵中其余数据中最大的皮尔逊相关系数开始遍历,即从0.6开始遍历,计算设备130可以得到s(2)与g(1,2)高度相关,从而确定第二传感器与第一空压机具有关联关系。然后,再次跳过所有和S(2)有关的数据,从相关系数矩阵中其余数据中最大的皮尔逊相关系数开始遍历,即从0.5开始遍历,计算设备130可以得到s(3)与g(3,2)高度相关,从而确定第三传感器与第三空压机具有关联关系。下文将结合图4说明关于确定多个传感器与多个设备之间的关联关系的方法。在此,不再赘述。
在上述方案中,通过分别经由预处理使得设备运行抽样数据的抽样率等于传感器测量抽样数据的抽样率,并且基于交集时间段内的每一个设备运行抽样数据和每一个传感器测量抽样数据计算相关度系数,并基于相关度系数的排序结果确定传感器的关联关系,本公开能够快速、并准确地实现大数据工业互联网场景下的传感器的与设备的匹配。
在一些实施例中,方法200还包括:将被确定关联关系的传感器和设备所分别对应的传感器测量数据与设备运行数据关联相同的标识;确定多个传感器中的至少两个传感器是否关联有相同的标识;确定多个传感器中的至少两个传感器关联是否有相同的标识;如果确定多个传感器中的至少两个传感器关联有相同的标识,针对至少两个传感器的传感器测量数据进行融合。
图3示出根据本公开实施例的用于计算相关系数的方法300的流程图。应当理解,方法300例如可以在图5所描述的电子设备500处执行。也可以在图1所描述的计算设备130处执行。应当理解,方法300还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤302处,计算设备130将经对齐的设备运行抽样数据设置成列,设备运行抽样数据指示对应的设备标识。例如, n个设备中的每一个设备的设备运行抽样数据例如包括m个,则计算设备130将经对齐的n*m个设备运行抽样数据g(i,j)设置的列示例为如以下表达式(2)所示例。设备运行抽样数据所指示对应的设备标识例如为 (i,j),i的取值为1至n,j的取值为1至m。
在步骤304处,计算设备130将经对齐的传感器测量抽样数据设置成行,传感器测量抽样数据指示对应的传感器标识。例如, n个传感器中的传感器测量抽样数据例如为n个,则计算设备130将经对齐的n个传感器测量抽样数据s(i)设置的行示例为如以下表达式(3)所示例。传感器测量抽样数据指示对应的传感器标识例如为 (i),其中i的取值为1至n。
在步骤306处,计算设备130针对列中的每一个设备运行抽样数据和行中的每一个传感器测量抽样数据计算皮尔逊相关系数,以便构建相关系数矩阵,每一个所计算的皮尔逊相关系数指示对应的设备标识和对应的传感器标识。
例如,以n*m个设备运行抽样数据g(i,j)为列,以n个传感器测量抽样数据s(i)为行来构建相关系数矩阵P。以下结合公式(4)说明相关系数矩阵P的构建方式。
根据上述公式(4)可知,相关系数矩阵P中包括n列n*m行,即相关系数矩阵P中包括n*n*m个经由步骤306所计算的相关系数值。
图4示出根据本公开实施例的用于确定传感器与设备关联关系的方法400的流程图。应当理解,方法400例如可以在图5所描述的电子设备500处执行。也可以在图1所描述的计算设备130处执行。应当理解,方法400还可以包括未示出的附加动作和/或可以省略所示出的动作,本公开的范围在此方面不受限制。
在步骤402处,计算设备130按照皮尔逊相关系数递减的顺序,针对相关系数矩阵中的皮尔逊相关系数进行排序。
在步骤404处,计算设备130依次针对每一个对应的传感器的标识,按照皮尔逊相关系数递减的顺序遍历相关系数矩阵,以便分别确定指示每一个对应的传感器的标识的最大的皮尔逊相关系数。
例如,计算设备130首先针对与对应的传感器的标识(例如 (i)),按照皮尔逊相关系数递减的顺序遍历相关系数矩阵,以便分别确定与对应的传感器的标识 (i)相关的最大的皮尔逊相关系数。关于遍历相关系数矩阵的方式,其例如包括:如果为当前针对对应的传感器的标识 (k)的最大的相关系数,则确定对应的传感器的标识 (k)所标识的第k个传感器与对应的设备的标识 (i,j)所标识的第i个设备具有关联关系。然后,针对下一个对应的传感器的标识 (k+1),以尚未确定关联关系的其余设备(例如非i设备)的相关系数为当前待遍历的相关系数,继续从当前最大的(非i设备)的相关系数开始遍历,以此类推,直到确定所有的传感器与设备的关联关系为止。
在步骤406处,计算设备130将最大的皮尔逊相关系数所指示的对应的设备标识和对应的传感器标识所分别关联的设备和传感器确定为具有关联关系。
通过采用上述技术手段,本公开能够快速并准确地确定大量传感器和设备之间的配对关系,以利于快速地基于配对好的设备与传感器数据进行后续的数据融合与设备健康状态评估。
图5示意性示出了适于用来实现本公开实施例的电子设备(或者计算设备)500的框图。设备500可以是用于实现执行图2至图4所示的方法200、300和400的设备。如图5所示,设备500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的计算机程序指令或者从存储单元508加载到随机存取存储器(RAM)503中的计算机程序指令,来执行各种适当的动作和处理。在RAM中,还可存储设备500操作所需的各种程序和数据。CPU、ROM以及RAM通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至输入/输出(I/O)505,包括:输入单元506、输出单元507、存储单元508,中央处理单元501执行上文所描述的各个方法和处理,例如执行方法200至500例如,在一些实施例中,方法200、300和400可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM并由CPU执行时,可以执行上文描述的方法200、300和400的一个或多个操作。备选地,在其他实施例中,CPU可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200、300和400的一个或多个动作。
需要进一步说明的是,本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每一个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,该编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或步骤图描述了本公开的各个方面。应当理解,流程图和/或步骤图的每一个方步骤以及流程图和/或步骤图中各方步骤的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给语音交互装置中的处理器、通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或步骤图中的一个或多个方步骤中规定的功能/动作。
附图中的流程图和步骤图显示了根据本公开的多个实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或步骤图中的每一个方步骤可以代表一个模块、程序段或指令的一部分,该模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种用于处理传感器数据的方法,包括:
在计算设备处,经由网关设备获取第一预定时间间隔内的来自多个设备的设备运行数据,所述设备运行数据中至少包括对应设备的控制数据;
获取第二预定时间间隔内的来自多个传感器的传感器测量数据,所述多个传感器配置在所述多个设备中的至少一个设备之上,以用于测量所述至少一个设备的状态;
分别针对所述设备运行数据和所述传感器测量数据进行预处理、以便生成设备运行抽样数据和传感器测量抽样数据,所述设备运行抽样数据的抽样率等于所述传感器测量抽样数据的抽样率;
获取对应于第三预定时间间隔的设备运行抽样数据和传感器测量抽样数据,所述第三预定时间间隔属于所述第一预定时间间隔与所述第二预定时间间隔之间的交集;
计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数;以及
针对所计算的相关系数进行排序,以便基于排序结果确定所述多个传感器与多个设备之间的关联关系。
2.根据权利要求1所述的方法,还包括:
将被确定关联关系的传感器和设备所分别对应的传感器测量数据与设备运行数据关联相同的标识;
确定所述多个传感器中的至少两个传感器是否关联有相同的标识;以及
响应于确定所述多个传感器中的至少两个传感器关联有相同的标识,针对所述至少两个传感器的传感器测量数据进行融合。
3.根据权利要求1所述的方法,其中分别针对所述设备运行数据和所述传感器测量数据进行预处理包括:
基于所述设备运行数据和所述传感器测量数据各自对应的时间戳,对齐所述设备运行数据和所述传感器测量数据;以及
针对经对齐的所述设备运行数据或者所述传感器测量数据进行上抽样和下抽样中的至少一种,以便使得所述设备运行抽样数据的抽样率和所述传感器测量抽样数据的抽样率相等。
4.根据权利要求3所述的方法,其中针对经对齐的所述设备运行数据或者所述传感器测量数据进行上抽样和下抽样中的至少一种包括:
抽取所述设备运行数据所对应的测量周期中部分时间段的设备运行数据,以生成所述设备运行抽样数据;或者
针对所述传感器测量数据进行插值。
5.根据权利要求1所述的方法,其中计算每一个传感器测量抽样数据与每一个设备运行抽样数据的相关系数包括:
计算每一个传感器测量抽样数据与每一个设备运行抽样数据的皮尔逊相关系数。
6.根据权利要求5所述的方法,其中计算每一个传感器测量抽样数据与每一个设备运行抽样数据的皮尔逊相关系数包括:
将经对齐的所述设备运行抽样数据设置成列,所述设备运行抽样数据指示对应的设备标识;
将经对齐的所述传感器测量抽样数据设置成行,所述传感器测量抽样数据指示对应的传感器标识;
针对所述列的每一个设备运行抽样数据和所述行的每一个传感器测量抽样数据计算皮尔逊相关系数,以便构建相关系数矩阵,每一个所计算的皮尔逊相关系数指示对应的设备标识和对应的传感器标识。
7.根据权利要求6所述的方法,其中针对所计算的相关系数进行排序,以便基于排序结果确定所述多个传感器与多个设备之间的关联关系包括:
按照皮尔逊相关系数递减的顺序,针对相关系数矩阵中的皮尔逊相关系数进行排序;
依次针对每一个对应的传感器的标识,按照皮尔逊相关系数递减的顺序遍历所述相关系数矩阵,以便分别确定指示所述每一个对应的传感器的标识的最大的皮尔逊相关系数;以及
将所述最大的皮尔逊相关系数所指示的对应的设备标识和对应的传感器标识所分别关联的设备和传感器确定为具有关联关系。
8.根据权利要求1所述的方法,其中所述多个设备为多台空压机,所述设备运行数据包括来自所述多台空压机的当前工作功率数据和当前滤芯使用时间数据,所述多个传感器包括部署在所述多台空压上的多个震动传感器,所述传感器测量数据包括对应传感器所采集的其部署的空压机在工作过程中的震动信号。
9.一种计算设备,包括:
至少一个处理单元;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述计算设备执行权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被机器执行时实现权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011276133.3A CN112073544B (zh) | 2020-11-16 | 2020-11-16 | 用于处理传感器数据的方法、计算设备和计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011276133.3A CN112073544B (zh) | 2020-11-16 | 2020-11-16 | 用于处理传感器数据的方法、计算设备和计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112073544A true CN112073544A (zh) | 2020-12-11 |
CN112073544B CN112073544B (zh) | 2021-02-09 |
Family
ID=73655171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011276133.3A Active CN112073544B (zh) | 2020-11-16 | 2020-11-16 | 用于处理传感器数据的方法、计算设备和计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112073544B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277083A (zh) * | 2022-06-23 | 2022-11-01 | 武汉联影医疗科技有限公司 | 数据传输控制方法、装置、系统、计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101960784A (zh) * | 2008-03-06 | 2011-01-26 | 惠普开发有限公司 | 通过使用相关系数预测数据中心内部的系统位置 |
CN103930877A (zh) * | 2011-08-03 | 2014-07-16 | 弗兰克公司 | 维护管理系统和方法 |
KR20160036379A (ko) * | 2014-09-25 | 2016-04-04 | 주식회사 케이티 | 상관 계수 기반 센서 및 구동기 운영 시스템 및 그 방법 |
CN105608833A (zh) * | 2016-01-11 | 2016-05-25 | 吉林大学 | 一种快递车危险预警系统及方法 |
CN108401006A (zh) * | 2017-11-02 | 2018-08-14 | 圆通速递有限公司 | 一种基于相关性模型的数据传输方法和系统 |
CN111127293A (zh) * | 2018-10-31 | 2020-05-08 | 伊姆西Ip控股有限责任公司 | 用于处理数据的方法、设备和计算机程序产品 |
-
2020
- 2020-11-16 CN CN202011276133.3A patent/CN112073544B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101960784A (zh) * | 2008-03-06 | 2011-01-26 | 惠普开发有限公司 | 通过使用相关系数预测数据中心内部的系统位置 |
CN103930877A (zh) * | 2011-08-03 | 2014-07-16 | 弗兰克公司 | 维护管理系统和方法 |
KR20160036379A (ko) * | 2014-09-25 | 2016-04-04 | 주식회사 케이티 | 상관 계수 기반 센서 및 구동기 운영 시스템 및 그 방법 |
CN105608833A (zh) * | 2016-01-11 | 2016-05-25 | 吉林大学 | 一种快递车危险预警系统及方法 |
CN108401006A (zh) * | 2017-11-02 | 2018-08-14 | 圆通速递有限公司 | 一种基于相关性模型的数据传输方法和系统 |
CN111127293A (zh) * | 2018-10-31 | 2020-05-08 | 伊姆西Ip控股有限责任公司 | 用于处理数据的方法、设备和计算机程序产品 |
Non-Patent Citations (2)
Title |
---|
张守利等: "面向发电设备预测性维护的传感数据特征抽取方法", 《太原理工大学学报》 * |
陶卓等: "基于DSM501传感器的大气颗粒物浓度监测装置参数整定", 《计算机测量与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277083A (zh) * | 2022-06-23 | 2022-11-01 | 武汉联影医疗科技有限公司 | 数据传输控制方法、装置、系统、计算机设备 |
CN115277083B (zh) * | 2022-06-23 | 2024-03-22 | 武汉联影医疗科技有限公司 | 数据传输控制方法、装置、系统、计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112073544B (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2417074C (en) | Method and system for trend detection and analysis | |
CA2516958C (en) | System for gas turbine health monitoring data fusion | |
KR101848193B1 (ko) | 디스크 용량의 예측방법, 장치, 설비 및 비휘발성 컴퓨터기억매체 | |
EP2963553B1 (en) | System analysis device and system analysis method | |
EP3361330A1 (en) | Event analyzing device, event analyzing system, event analyzing method, event analyzing program, and non-transitory computer readable storage medium | |
CN113344134A (zh) | 一种低压配电监控终端数据采集异常检测方法及系统 | |
CN116980958B (zh) | 一种基于数据识别的无线设备电故障监测方法及系统 | |
KR102073810B1 (ko) | 머신러닝을 이용하여 함정 추진 장비의 고장을 예측하는 방법 및 시스템 | |
CN111061581B (zh) | 一种故障检测方法、装置及设备 | |
CN112073544B (zh) | 用于处理传感器数据的方法、计算设备和计算机存储介质 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
US12008072B2 (en) | Control system and control method | |
CN110490132B (zh) | 数据处理方法和装置 | |
CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
KR20190060548A (ko) | 변수 구간별 불량 발생 지수를 도출하여 공정 불량 원인을 파악하고 시각화하는 방법 | |
WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
CN114861522A (zh) | 一种基于人工智能元学习技术的精密制造质量监测方法和装置 | |
KR102168737B1 (ko) | 품질 분석 장치 및 품질 분석 방법 | |
KR101876629B1 (ko) | 빅데이터 분석 기반 상태 감시 장치 및 방법 | |
EP3164819B1 (en) | Acquisition of high frequency data in transient detection | |
US20220156137A1 (en) | Anomaly detection method, anomaly detection apparatus, and program | |
JP6247777B2 (ja) | 異常診断装置および異常診断方法 | |
KR20190044812A (ko) | 제조 공정 빅데이터 서비스 제공 시스템 및 방법 | |
CN111896871A (zh) | 电机运行故障分析系统 | |
CN106231298B (zh) | 大屏幕远程智能监控方法、装置及系统 |
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 |