CN112815994B - 基于边缘计算的有线数据采集方法及系统 - Google Patents

Abstract

本发明公开了一种基于边缘计算的有线数据采集方法，该方法在数据采集系统中执行，数据采集系统包括设置于待测设备各测点的有线传感器和与有线传感器有线连接的采集站，该方法包括：各传感器采集相应测点的运行状态数据，按照第一间隔时间、第二间隔时间、第三间隔时间，从其采集到的运行状态数据中分别截取出第一数据片段、第二数据片段、第三数据片段，发送至采集站，其中，第一间隔时间>第二间隔时间>第三间隔时间；采集站将各测点的第一数据片段发送至上位机；根据第二数据片段计算出各测点的第一特征指标，将各测点的第一特征指标发送至上位机；根据第三数据片段计算出各测点的第二特征指标，将各测点的第二特征指标发送至上位机。

Description

基于边缘计算的有线数据采集方法及系统

技术领域

本发明涉及工业设备健康状态监测技术领域，尤其涉及一种数据采集方法及系统。

背景技术

随着信息处理技术与物联网技术的快速发展，高效利用生产数据来对工业设备进行监测与维护已经成为实现工业智能化的重要组成部分。但是，在生产过程中产生的庞大的数据流对数据的采集、存储以及传输都产生了巨大的考验。同时，对于设备监控，最重要的是时效性，如何及时高效地反馈设备状态决定着监测方案的效率。

目前设备状态监测常用的方法是通过有线传感器(例如振动传感器、位移传感器、温度传感器等)采集设备运转的真实数据，然后通过有线的方式传输到上位机或者数据中心进行分析。为兼顾设备的性能和数据采集的要求，目前大多数方案都采取定时采集数据的策略，即按照固定的时间间隔定时采取固定长度的数据信号，实时将数据传输至上位机或数据中心。

上述有线传感器采集方案以固定模式采集数据并实时上传，会耗费大量的存储与传输资源，同时由于采集策略缺乏针对性，往往很难获得关键时刻的数据资源，进而影响了异常检测与诊断的及时性和准确性。该方案的具体缺点表现在以下几个方面：

1、数据的回传与存储压力依然较大。有线传感器往往进行全采样，按照固定的时间和截取长度较大的时域波形数据，需要耗费大量的存储与传输成本，如果设备在平稳时期运行，所采集的数据蕴含的信息过于重复，以小时级的密度来采集和传输数据，无法做到数据的低密度，冗余信息过多，进而造成过多资源的浪费。

2、关键故障时刻点往往无波形数据。由于有线传感器采集装置采用定时采集的方式，往往间隔时间较长，而对于一些劣化速度较快的故障，不能够及时铺捉到异常发生时刻关键点的波形数据，甚至对于一些劣化较慢的故障，过长的时间间隔也很难采集到能够反映劣化过程的数据，这些都阻碍了对设备状态进行有效的监测。

3、数据回传无优先级区分，报警时延严重，故障监测的及时性差。目前采用定时采集的有线传感器采集装置大多使用实时传输，庞大的数据流会造成传输过程严重滞后，对于一些快速劣化的异常设备数据无法得到第一时间的回传响应，等待回传的时间和平台传回报警到现场的时间会造成无法对设备进行及时的监测，警报无法在第一时刻通知到现场，使得损坏的设备无法得到及时的维修，从而造成严重的后果。

4、智能化水平不够，效率低。目前对于定时采集传回的时域波形数据，在硬件端只能计算少量初级的指标，无法满足设备健康状态判断的要求，因此目前更多的方式还是通过将波形数据回传到上位机客户端，配合指标提取以及智能报警机制，需要专家依靠经验进行数据分析确认设备健康状态，数据从采集到传输再到最后转化成设备状态结论，需要一定的时间，不能够及时地将结果反馈给现场。

发明内容

为此，本发明提供一种数据采集方法及系统，以力图解决或至少缓解上面存在的问题。

根据本发明的第一个方面，提供一种数据采集方法，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述方法在数据采集系统中执行，所述数据采集系统包括设置于待测设备各测点的有线传感器和与所述有线传感器有线连接的采集站，所述方法包括：各有线传感器采集相应测点的运行状态数据；各有线传感器按照第一间隔时间、第二间隔时间、第三间隔时间，从其采集到的运行状态数据中分别截取出第一数据片段、第二数据片段、第三数据片段，发送至采集站，其中，第一间隔时间>第二间隔时间>第三间隔时间；采集站将各测点的第一数据片段发送至上位机；根据第二数据片段计算出各测点的第一特征指标，将各测点的第一特征指标发送至上位机；以及根据第三数据片段计算出各测点的第二特征指标，将各测点的第二特征指标发送至上位机。

可选地，在根据本发明的数据采集方法中，第二数据片段的长度大于第三数据片段的长度；第一特征指标的数量大于第二特征指标的数量。

可选地，在根据本发明的数据采集方法中，还包括：采集站判断各测点的第一特征指标是否异常；若第一特征指标正常，则将相应的第二数据片段保存至本地存储装置，不发送至上位机；若第一特征指标异常，则产生报警信号，并将相应的第二数据片段发送至上位机。

可选地，在根据本发明的数据采集方法中，还包括：当出现第一特征指标异常时，采集站通过对各测点的第二数据片段和第一特征指标进行融合与处理，确定异常等级；根据异常等级确定报警信号的类型和数据回传策略；发出所述异常等级对应的报警信号，按照所述数据回传策略将相应的第二数据片段和第一特征指标发送至上位机。

可选地，在根据本发明的数据采集方法中，还包括：当所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段，并将当前的第二数据片段存储至所述存储装置中。

可选地，在根据本发明的数据采集方法中，还包括：采集站判断各测点的第二特征指标是否异常；若第二特征指标正常，则丢弃相应的第三数据片段；若第二特征指标异常，则产生报警信号，向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传。

可选地，在根据本发明的数据采集方法中，采集站中部署有适于分析待测设备运行状态的智能算法模型，所述第一特征指标包括所述智能算法模型对第二数据片段进行处理所输出的分析结果。

可选地，在根据本发明的数据采集方法中，智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

根据本发明的第二个方面，提供一种数据采集系统，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述系统包括设置于待测设备各测点的有线传感器和与所述有线传感器有线连接的采集站，其中，所述有线传感器适于采集相应测点的运行状态数据，并按照第一间隔时间、第二间隔时间、第三间隔时间，从其采集到的运行状态数据中分别截取出第一数据片段、第二数据片段、第三数据片段，发送至采集站，其中，第一间隔时间>第二间隔时间>第三间隔时间；所述采集站适于将各测点的第一数据片段发送至上位机；根据第二数据片段计算出各测点的第一特征指标，将各测点的第一特征指标发送至上位机；以及根据第三数据片段计算出各测点的第二特征指标，将各测点的第二特征指标发送至上位机。

可选地，在根据本发明的数据采集系统中，第二数据片段的长度大于第三数据片段的长度；第一特征指标的数量大于第二特征指标的数量。

可选地，在根据本发明的数据采集系统中，采集站还适于：判断各测点的第一特征指标是否异常；若第一特征指标正常，则将相应的第二数据片段保存至本地存储装置，不发送至上位机；若第一特征指标异常，则产生报警信号，并将相应的第二数据片段发送至上位机。

可选地，在根据本发明的数据采集系统中，采集站还适于：当出现第一特征指标异常时，通过对各测点的第二数据片段和第一特征指标进行融合与处理，确定异常等级；根据异常等级确定报警信号的类型和数据回传策略；发出所述异常等级对应的报警信号，按照所述数据回传策略将相应的第二数据片段和第一特征指标发送至上位机。

可选地，在根据本发明的数据采集系统中，采集站还适于：在所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段，并将当前的第二数据片段存储至所述存储装置中。

可选地，在根据本发明的数据采集系统中，采集站还适于：判断各测点的第二特征指标是否异常；若第二特征指标正常，则丢弃相应的第三数据片段；若第二特征指标异常，则产生报警信号，向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传。

可选地，在根据本发明的数据采集系统中，采集站中部署有适于分析待测设备运行状态的智能算法模型，所述第一特征指标包括所述智能算法模型第二数据片段进行处理所输出的分析结果。

可选地，在根据本发明的数据采集系统中，智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

本发明提供了一种基于边缘计算的有线数据采集方案，将上层的数据处理算法迁移到位于设备端的数据采集系统中，直接在数据源端进行数据的分析，缓解了数据处理、传输过程的资源占用，能够满足低时延要求。本发明的数据采集系统融合了数据采集、计算、存储以及应用的核心能力，弥补了现有的信号采集与处理上的不足，解决了设备监测的高实时性要求与数据传输质量的矛盾。通过将计算能力嵌入到数据采集系统的硬件中，实现了数据采集系统的自治，并通过与远程上位机的交互协作，全面提高了设备监测的智能化。

在本发明的数据采集方案中，采用不同的间隔时间(即第一间隔时间、第二间隔时间、第三间隔时间)对设备的运行状态数据进行截取，得到长度不一的第一数据片段、第二数据片段和第三数据片段。其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，三种间隔时间分别对应于低密度、中密度、高密度的数据截取机制。

不同的数据片段对应于不同的处理和回传方式：对于第一数据片段，直接将其回传至上位机；对于第二数据片段，从中计算出第一特征指标，将第一特征指标回传至上位机；对于第三数据片段，从中计算出第二特征指标，将第二特征指标回传至上位机。

本发明的数据采集方案通过设置不同的数据截取机制，在前端采集系统(包括有线传感器和采集站)有限的硬件资源条件下，既可以获得低密度高质量的原始运行状态数据(即第一数据片段)，又可以获取中密度大量富有价值的特征指标数据(即第一特征指标)，还能够获得高密度的关键性指标数据(即第二特征指标)，并将三者上传至上位机，极大程度地优化了数据与资源之间的配置，减少了冗余信息带来的浪费。通过在采集前端并行实行低密度、中密度、高密度三种数据截取及回传机制，既避免了冗余信息过多而造成的存储及传输资源浪费，也保证了能够有效监测到设备的快速劣化过程，大大提高了设备监测的及时性和准确性。

进一步地，在本发明的数据采集方案中，前端采集系统能够进行指标数据的异常识别。当识别出指标异常后，能够及时向现场发出警报，实现了报警的本地化，极大程度上保证了设备异常监控的及时性和有效性。并且，在识别出指标异常后，将发生异常时的原始状态数据和特征指标数据回传至上位机，极大程度地保证了故障的关键时刻点有数据资源，为设备健康状态监测与故障诊断的精细化分析提供了数据基础。

进一步地，在本发明的数据采集方案中，前端采集系统中植入了智能算法模型，包括启停机检测模型、误信号识别模型、故障诊断模型等。智能算法模型能够对设备的运行状态进行评估分析，分析结果可以进一步发送至上位机。本发明的数据采集方案通过将智能算法模型的分析结果与数据截取机制和传输机制融合，极大地提高了设备监测效率。同时，由于利用了深度学习模型，也极大程度地减少了人工指标的开发量，节省了人力资源。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的数据采集系统100的示意图；

图2示出了根据本发明一个实施例的智能算法模型处理过程的示意图；

图3示出了根据本发明一个实施例的数据采集过程的示意图；

图4示出了根据本发明一个实施例的数据采集方法400的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，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能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

针对现有技术中存在的问题，本发明提供一种基于边缘计算的工业智能化有线数据采集方案，该方案包括部署在待测设备现场的数据采集系统，以及由该数据采集系统执行的数据采集方法。

图1示出了根据本发明一个实施例的数据采集系统100的示意图。如图1所示，数据采集系统包括有线传感器110和与有线传感器110有线连接的采集站120。

数据采集系统100用于采集待测设备的运行状态数据，以监测待测设备的运行状态和健康状态。待测设备可以是任意设备，包括但不限于风力发电机、大型离心机组、往复式机组、齿轮箱、轴承，等等。

在本发明的实施例中，待测设备上设置有至少一个测点(或称监测点、监测部位/部件，observation point)，每个测点设置有一组有线传感器110，用于采集相应测点的运行状态数据(例如振动加速度信号、振动位移信号、温度信号、电流/电压信号等)。待测设备的测点的数量和位置可以由本领域技术人员根据实际情况来设置，本发明对此不做限制。此外，本发明亦不限制有线传感器110的种类和型号。通常地，有线传感器110可以是振动加速度传感器，例如压电式、压阻式、电容式、电感式等类型的加速度传感器。

在本发明的实施例中，有线传感器110采用有线电源供电。设置于待测设备各测点的有线传感器110与采集站120通过有线的方式通信连接。有线连接方式例如可以是RS-485、RS-232、USB等，本发明不限制有线传感器110与采集站120之间的具体连接方式和通信协议。

采集站120可以是任意具有通信和计算能力的设备，包括但不限于单片机、PLC(Programmable Logic Controller，可编程逻辑控制器)、桌面计算机、笔记本电脑等。本发明不限制采集站120的种类和硬件配置情况。

在本发明的实施例中，采集站120可以连接至多个有线传感器110。例如，如图1所示，采集站120连接至三个有线传感器110，这三个有线传感器110位于同一个待测设备的不同测点。需要说明的是，图1中采集站120与有线传感器110的连接情况仅作为一个示例，在具体实践情况中，当采集站120与多个有线传感器110连接时，这多个传感器对应的测点可以属于同一个设备，也可以属于不同的设备，本发明不限制采集站120与有线传感器110的具体连接情况。

例如，在一个实施例中，工业现场有三台待测设备A～C，其中，待测设备A有4个测点，每个测点设置有一个传感器，即共有4个有线传感器110-1～110-4；待测设备B有3个测点，对应于3个有线传感器110-5～110-7；待测设备C有2个测点，对应于2个有线传感器110-8、110-9。工业现场部署有一个采集站120，采集站120分别与上述9个有线传感器110-1～110-9有线连接。

特别地，当采集站120所连接的有线传感器110数量较多时，可以通过交换机(交换机未在图1中示出)来实现与多个有线传感器110的连接；或者，也可以设置多个采集站120，各采集站120连接至不同的有线传感器110。

采集站120通过网络与上位机相连。需要说明的是，在本发明的实施例中，上位机泛指不在待测设备现场的、能够获取数据采集系统100采集到的数据并对其进行分析的远程设备，包括但不限于数据中心、远程诊断中心、云平台服务器、远程计算机等。

本发明的数据采集系统100提供了一种基于边缘计算的有线数据采集方案。在本发明的数据采集系统100中，各有线传感器110实时采集相应测点的运行状态数据，按照不同的数据截取机制，对采集到的运行状态数据进行截取以得到多种数据片段，并将各数据片段发送至采集站120进行分析处理。采集站120进一步将处理后的数据发送至上位机。

具体地，各有线传感器110按照设定的采样频率，实时采集设备的运行状态数据。采样频率即每秒钟采集到的数据点的个数，其例如可以是51200次/s、25600次/s等，但不限于此。

不同的传感器可以采集不同类型的运行状态数据。运行状态数据例如可以是振动加速度信号、振动位移信号、温度信号、电流/电压信号等，但不限于此。通常地，运行状态数据为加速度传感器采集到的振动加速度信号。

各有线传感器110按照不同的间隔时间，即第一间隔时间、第二间隔时间、第三间隔时间对采集到的运行状态数据进行截取，得到长度不一的第一数据片段、第二数据片段和第三数据片段，并将截取出的数据片段发送至采集站120。其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，三种间隔时间分别对应于低密度、中密度、高密度的数据截取机制。

在低密度的数据截取机制中，按照较大的第一间隔时间对采集到的运行状态数据进行截取，得到固定长度的运行状态数据，记为第一数据片段。第一间隔时间和第一数据片段的长度可以由本领域技术人员根据传感器的性能以及数据分析的要求来进行设置，本发明对二者的取值不做限制。

根据一种实施例，可以将第一间隔时间设置为小时级，将第一数据片段的长度设置为K量级。例如，可以将第一间隔时间设置为4小时，将第一数据片段的长度设置为512K(即第一数据片段包括512*1024个数据点)。相应地，传感器每隔4小时(例如，分别在00:00:00、04:00:00、08:00:00、12:00:00等时刻进行截取)，截取出长度为512K的第一数据片段，发送至采集站120。

在中密度的数据截取机制中，按照适中的第二间隔时间对采集到的运行状态数据进行截取，得到固定长度的运行状态数据，记为第二数据片段。第二间隔时间小于第一间隔时间，第二数据片段的长度大于第一数据片段的长度。具体地，第二间隔时间和第二数据片段的长度可以由本领域技术人员自行设置，本发明对二者的取值不做限制。

根据一种实施例，可以将第二间隔时间设置为分钟级(例如10分钟～1小时)，将第二数据片段的长度设置为M量级。例如，可以将第二间隔时间设置为30分钟，将第二数据片段的长度设置为3M(即第二数据片段包括3*1024*1024个数据点)。相应地，传感器每隔30分钟(例如，分别在00:00:00、00:30:00、01:00:00、01:30:00等时刻进行截取)，截取出长度为3M的第二数据片段，发送至采集站120。

在高密度的截取机制中，按照最短(相较于第一间隔时间和第二时间来说)的第三间隔时间对采集到的运行状态数据进行截取，得到固定长度的运行状态数据，记为第三数据片段。第三间隔时间很小，小于第一间隔时间和第二间隔时间，由于是高频地截取数据，截取的第三数据片段的长度也相应缩减，第三数据片段的长度应小于按照中密度采集的第二数据片段的长度。具体地，第三间隔时间和第三数据片段的长度可以由本领域技术人员自行设置，本发明对二者的取值不做限制。

根据一种实施例，可以将第三间隔时间设置为秒级(例如10秒～5分钟)，将第三数据片段的长度设置为K量级。例如，可以将第三间隔时间设置为10秒，将第三数据片段的长度设置为256K(即第二数据片段包括256*1024个数据点)。相应地，传感器每隔10秒(例如，分别在00:00:00、00:00:10、00:00:20、00:00:30等时刻进行截取)，截取出长度为256K的第三数据片段，发送至采集站120。

需要说明的是，在本发明的实施例中，每个有线传感器均按照第一间隔时间、第二间隔时间、第三间隔时间来截取出第一数据片段、第二数据片段、第三数据片段，但对于不同的传感器，三种间隔时间的值可以设置为不相同。例如，可以设置传感器A的第一间隔时间为4小时、第二间隔时间为30分钟、第三间隔时间为10秒；设置传感器B的第一间隔时间为3小时、第二间隔时间为30分钟、第三间隔时间为1分钟；等等。类似地，不同传感器截取出的三种数据片段的长度也可以设置为不同。

另外，本领域技术人员可以理解，当多个传感器的第一间隔时间、第二间隔时间、第三间隔时间相同时，这多个传感器截取出第一数据片段、第二数据片段、第三数据片段的具体时刻也可能不同。例如，传感器A和B的第一间隔时间均为4小时，但传感器A在00:00:00、04:00:00、08:00:00、12:00:00等时刻截取第一数据片段，而传感器B在01:00:00、05:00:00、09:00:00、13:00:00等时刻截取第一数据片段。

采集站120接收到各测点传感器发来的第一数据片段、第二数据片段、第三数据片段后，对不同的数据片段有不同的处理和回传(至上位机的)方式。

针对按照低密度机制截取出的第一数据片段，采集站120不对其进行处理和计算，直接将其回传至上位机。例如，可以按照一定的时间间隔定时回传至上位机，回传时间间隔可以根据具体需要来进行调整。由于第一数据片段按照较长的第一间隔时间定时截取，第一数据片段的数量和所包含的数据量较少，不会对数据传输造成压力。并且，直接将低密度的第一数据片段回传，使得即使没有异常数据(参见下文，中密度的第二数据片段、高密度的第三数据片段只有在出现异常时才回传至上位机)，也能够定时传回一些正常的运行状态数据进行分析与存档。

针对按照中密度机制截取出的第二数据片段，采集站120根据第二数据片段计算出各测点的第一特征指标，将各测点的第一特征指标发送至上位机。

第二数据片段在三种数据片段中，长度最长，所包含的信息最丰富。从第二数据片段中，可以计算出多种第一特征指标。在一些实施例中，第一特征指标可以多达几百个。

第一特征指标包括但不限于第二数据片段中各数据点的峰值、均值、均方根(RootMean Square，RMS)、峭度、偏斜度(即歪度)等传统的时域分析指标，冲击个数、冲击峰值等波形形态指标，转频、转频谐波、各分频能量等频谱形态指标，包络能量等包络谱指标。

根据一种实施例，采集站中部署有适于分析待测设备运行状态的智能算法模型，相应地，第一特征指标还包括采用智能算法模型对第二数据片段进行处理所输出的分析结果。智能算法模型例如包括启停机检测模型、误信号识别模型、故障诊断模型等，但不限于此。

图2示出了根据本发明一个实施例的智能算法模型处理过程的示意图。如图2所示，智能算法模型包括两种数据处理方式，即基于人工经验设计的数据处理方式和基于深度学习的数据处理方式。处理流程包括启停机检测模型、误信号识别模型和故障诊断模型，最后将两条之路进行汇总分析得到最终处理结果。

在基于人工经验设计的数据处理流程中，原始数据(即第二数据片段)首先通过常规的频谱变换等传统信号处理方法得到相应的分析序列，经过启停机检测模块，利用对应的模型算法或者接入工况信号(例如电流的大小)来判断设备是否处于开机运行状态，接着进入误信号识别模块，利用开发的指标和策略，对数据进行清洗，划分误信号与非误信号，保留有价值的信号数据进行分析，最后进入故障诊断模型，针对不同的故障设计不同的故障指标，包括一些轴承故障指标、齿轮箱指标故障等等。

在基于深度学习的数据处理流程中，原始数据(即第二数据片段)首先经过深度网络的浅层部分，提取泛化特征，此部分专门为计算资源有限的前端传感器设计，不同的模块可以共用浅层网络部分，节省计算资源，经过启停机检测模型，浅层网络接入启停机深层模型提取相应的特有特征，接入网络形成特征DF1进行分类，同理，经过误信号识别模型形成特征DF2对数据进行误信号的识别分类，最后接入故障诊断模块，对于不同类型的故障设置不同的深层模块形成特征DFn，得到能够反映不同故障的不同特征。

最后，将基于人工经验设计以及基于深度学习的数据处理方式融合，形成不同层面的监控策略：基于单指标监控的策略，主要基于关键指标(例如一些可解释的人工开发指标等等)进行单指标的监控策略，可以设置门限或者使用EWMA((Exponentially WeightedMoving-Average，指数加权移动平均)等统计过程控制方法进行监控；基于多指标融合监控的策略，主要是基于多种监测指标，利用自组织映射、主成分分析以及随机递归神经网络等等方法降维或者合成新指数，对设备的状态进行监测。最后基于两种监控策略输出状态评估的结果以及特征指标。

根据一种实施例，采集站120根据第二数据片段计算出各测点的第一特征指标后，判断各测点的第一特征指标是否异常。

若第一特征指标正常，则仅将占用传输资源较小的第一特征指标传至上位机，对于占用资源较大的相应的第二数据片段保存至本地存储装置，不发送至上位机。通常地，本地存储装置的容量有限，当存储装置中数据已满时，删除存储装置中已存储时间最长的第二数据片段，将当前的第二数据片段存储至存储装置中。即，本地存储装置中的数据是动态更新的，其总是存储距离当前时刻最近的一些第二数据片段。

若第一特征指标异常，则产生报警信号发送到设备现场，并将相应的第二数据片段发送至上位机。

进一步地，根据一种实施例，当出现第一特征指标异常时，采集站通过对各测点的第二数据片段和第一特征指标进行融合与处理，确定异常等级；根据异常等级确定报警信号的类型和数据回传策略；发出异常等级对应的报警信号，按照数据回传策略将相应的第二数据片段和第一特征指标发送至上位机。

异常等级例如包括一级、二级、三级等多个级别，异常等级越高，异常程度越严重。根据不同的异常等级，即时向设备现场发出测点级、部件级甚至设备级的报警信号，实现报警的本地化，及时提醒现场进行查看与检修，同时根据异常表现的等级启动不同的数据回传机制，将原始波形数据(即第二数据片段)和特征指标数据传回上位机，由专家进行二次分析，核实故障信息与异常等级，最后设备现场将处理结果反馈给上位机形成闭环并存档。

针对按照高密度机制截取出的第三数据片段，采集站120根据第三数据片段计算出各测点的第二特征指标，将各测点的第二特征指标发送至上位机。

第三数据片段的采样时间间隔最短，采样长度(即第三数据片段包括的数据点的数量)可以根据实际硬件的性能进行缩减，主要是为了能够及时监测设备的状态变化，捕捉设备的快速劣化过程。由于计算实时性的要求以及计算和存储资源的限制，对于高密度的第三数据片段仅计算RMS、峭度等能够快速计算的传统分析指标，不计算频谱、包络谱等计算量较大的指标。

即，在本发明的实施例中，根据第三数据片段计算出的第二特征指标的数量少于根据第二数据片段计算出的第一特征指标的数量。第二特征指标包括适于快速计算的传统时域分析指标，包括但不限于第三数据片段中各数据点的峰值、均值、均方根值、峭度等。

根据一种实施例，采集站120根据第三数据片段计算出各测点的第二特征指标后，判断各测点的第二特征指标是否异常。

若第二特征指标正常，则仅将占用传输资源较小的第二特征指标传至上位机，丢弃相应的第三数据片段。即，在第二特征指标正常时，第三数据片段既不保存在采集站的本地存储装置中，也不传输至上位机。

若第二特征指标异常，则产生报警信号，并向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传至采集站。

高密度的第三数据片段用于实时监测设备快速劣化的一些故障。一旦发现异常，采集站会将报警信息发送给客户，并截取当前时刻的第二数据片段，这个时候可以说是提前启动了中密度处理的流程。因为发生异常时，为了确保这个时刻要有数据，就不能够按照中密度的时间间隔(即第二间隔时间)来截取数据，例如，高密度的第三数据片段是每10s截取一组(即第三间隔时间为10s)，中密度的第二数据片段是每30min截取一组(即第二间隔时间为30min)。在12:00:00，高密度截取了一个长度为256K的第三数据片段，中密度截取了一个长度3M的第二数据片段。在12:01:00，高密度截取的第七个第三数据片段发现了异常，这时采集站就会向相应测点的有线传感器发送异常截取指令，提前启动中密度的数据截取(因为按照设置的第二间隔时间，下一次截取动作应该发生在12:30:00)，截取出长度为3M的第二数据片段，这是为了保证在异常发生的时候有数据。截取3M的第二数据片段之后，后面就按照中密度的流程进行数据的分析了(即根据第二数据片段计算出第一特征指标，再判断第一特征指标是否异常，当出现异常时可进一步确定异常等级，发出报警信号)。

图3示出了根据本发明一个实施例在数据采集系统100中执行的数据采集过程的示意图。如图3所示，有线传感器按照设定的采样频率，实时采集设备的运行状态数据，得到全采样数据。按照不同的间隔时间，即第一间隔时间、第二间隔时间、第三间隔时间定时对全采样数据进行截取，其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，第一间隔时间、第二间隔时间、第三间隔时间分别对应于低密度、中密度、高密度的截取方式。

有线传感器按照第一间隔时间定时对全采样数据进行截取，得到第一数据片段，发送至采集站。采集站将多个第一数据片段汇总后，定时传输至数据中心与远程诊断中心。

有线传感器按照第二间隔时间、第三间隔时间定时对全采样数据进行截取，得到第二数据片段、第三数据片段，发送至采集站。采集站采用智能算法模型提取第二数据片段、第三数据片段的特征指标(第二数据片段的特征指标可以与、第三数据片段的特征指标不同)，若特征指标正常，则仅将特征指标发送至数据中心与远程诊断中心，第二数据片段、第三数据片段暂存至采集站本地的黑匣子(数据存储装置)中或者直接丢弃。当黑匣子中数据已满时，可以按照存储时长删除一部分数据来释放存储空间，以便用于存储新的数据。

若特征指标异常，则向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传。采集站汇总各测点的特征指标数据和原始数据片段，并划分异常等级，根据异常等级在设备现场发出相应的测点级、部件级或设备级的报警信号。启动相应的数据回传机制，将原始数据片段(波形)和特征指标发送至数据中心与远程诊断中心。工作人员基于报警信号对设备进行处理后，将处理结果反馈至数据中心与远程诊断中心。

图4示出了根据本发明一个实施例的数据采集方法400的流程图。方法400在前述数据采集系统100中执行。如图4所示，方法400始于步骤S410。

在步骤S410中，各有线传感器采集相应测点的运行状态数据。

各有线传感器110按照设定的采样频率，实时采集设备的运行状态数据。采样频率即每秒钟采集到的数据点的个数，其例如可以是51200次/s、25600次/s等，但不限于此。

不同传感器可以采集不同类型的运行状态数据。运行状态数据例如可以是振动加速度信号、振动位移信号、温度信号、电流/电压信号等，但不限于此。通常地，运行状态数据为加速度传感器采集到的振动加速度信号。

随后，在步骤S420中，各有线传感器按照第一间隔时间、第二间隔时间、第三间隔时间，从其采集到的运行状态数据中分别截取出第一数据片段、第二数据片段、第三数据片段，发送至采集站，其中，第一间隔时间>第二间隔时间>第三间隔时间，相应地，三种间隔时间分别对应于低密度、中密度、高密度的数据截取机制。

第一间隔时间、第二间隔时间、第三间隔时间，以及第一数据片段、第二数据片段、第三数据片段的长度可以由本领域技术人员根据传感器的性能以及数据分析的要求来进行设置，本发明对六者的取值不做限制。通常地，由于第二数据片段用于计算数量较多、内容丰富的第一特征指标，其长度最长(相较于第一数据片段和第三数据段)；而第三数据片段按照高频截取，并且其用于计算数量较少的第二特征指标，其长度也相应缩减，第三数据片段的长度应小于第二数据片段的长度。

根据一种实施例，可以将第一间隔时间设置为小时级，将第一数据片段的长度设置为K量级；将第二间隔时间设置为分钟级(例如10分钟～1小时)，将第二数据片段的长度设置为M量级；将第三间隔时间设置为秒级(例如10秒～5分钟)，将第三数据片段的长度设置为K量级。

随后，在步骤S430中，采集站接收到各测点有线传感器发来的第一数据片段、第二数据片段、第三数据片段后，对不同的数据片段有不同的处理和回传(至上位机的)方式。即，采集站将各测点的第一数据片段发送至上位机；根据第二数据片段计算出各测点的第一特征指标，将各测点的第一特征指标发送至上位机；以及根据第三数据片段计算出各测点的第二特征指标，将各测点的第二特征指标发送至上位机。具体地：

针对按照低密度机制截取出的第一数据片段，采集站不对其进行处理和计算，直接将其回传至上位机。

针对按照中密度机制截取出的第二数据片段，采集站根据第二数据片段计算出各测点的第一特征指标，将各测点的第一特征指标发送至上位机。

第二数据片段在三种数据片段中，长度最长，所包含的信息最丰富。从第二数据片段中，可以计算出多种第一特征指标。在一些实施例中，第一特征指标可以多达几百个。

第一特征指标包括但不限于第二数据片段中各数据点的峰值、均值、均方根(RootMean Square，RMS)、峭度、偏斜度(即歪度)等传统的时域分析指标，冲击个数、冲击峰值等波形形态指标，转频、转频谐波、各分频能量等频谱形态指标，包络能量等包络谱指标。

根据一种实施例，采集站中部署有适于分析待测设备运行状态的智能算法模型，相应地，第一特征指标还包括采用智能算法模型对第二数据片段进行处理所输出的分析结果。智能算法模型例如包括启停机检测模型、误信号识别模型、故障诊断模型等，但不限于此。智能算法模型的具体处理过程可以参考图2及其相关的文字描述，此处不再赘述。

根据一种实施例，采集站根据第二数据片段计算出各测点的第一特征指标后，判断各测点的第一特征指标是否异常。

需要说明的是，本发明不限制异常指标(包括第一特征指标和第二特征指标)的识别方法。例如，可以设置各特征指标的正常范围，若当前特征指标值超出该范围，则认为特征指标异常；或者，可以通过正常和/或异常的特征指标样本训练得出分类模型，采用该分类模型来判断当前特征指标值是否异常；等等。

若第一特征指标正常，则仅将占用传输资源较小的第一特征指标传至上位机，对于占用资源较大的相应的第二数据片段保存至本地存储装置，不发送至上位机。通常地，本地存储装置的容量有限，当存储装置中数据已满时，删除存储装置中已存储时间最长的第二数据片段，将当前的第二数据片段存储至存储装置中。即，本地存储装置中的数据是动态更新的，其总是存储距离当前时刻最近的一些第二数据片段。

若第一特征指标异常，则产生报警信号，发送到设备现场，并将相应的第二数据片段发送至上位机。

进一步地，根据一种实施例，当出现第一特征指标异常时，采集站通过对各测点的第二数据片段和第一特征指标进行融合与处理，确定异常等级；根据异常等级确定报警信号的类型和数据回传策略；发出异常等级对应的报警信号，按照数据回传策略将相应的第二数据片段和第一特征指标发送至上位机。

异常等级例如包括一级、二级、三级等多个级别，异常等级越高，异常程度越严重。根据不同的异常等级，即时向设备现场发出测点级、部件级甚至设备级的报警信号，实现报警的本地化，及时提醒现场进行查看与检修，同时根据异常表现的等级启动不同的数据回传机制，将原始波形数据(即第二数据片段)和特征指标数据传回上位机，由专家进行二次分析，核实故障信息与异常等级，最后设备现场将处理结果反馈给上位机形成闭环并存档。

针对按照高密度机制截取出的第三数据片段，采集站根据第三数据片段计算出各测点的第二特征指标，将各测点的第二特征指标发送至上位机。

第三数据片段的采样时间间隔最短，采样长度(即第三数据片段包括的数据点的数量)可以根据实际硬件的性能进行缩减，主要是为了能够及时监测设备的状态变化，捕捉设备的快速劣化过程。由于计算实时性的要求以及计算和存储资源的限制，对于高密度的第三数据片段仅计算RMS、峭度等能够快速计算的传统分析指标，不计算频谱、包络谱等计算量较大的指标。

根据一种实施例，采集站根据第三数据片段计算出各测点的第二特征指标后，判断各测点的第二特征指标是否异常。

若第二特征指标正常，则仅将占用传输资源较小的第二特征指标传至上位机，丢弃相应的第三数据片段。即，在第二特征指标正常时，第三数据片段既不保存在采集站的本地存储装置中，也不传输至上位机。

若第二特征指标异常，则产生报警信号，并向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传至采集站。

高密度的第三数据片段用于实时监测设备快速劣化的一些故障。一旦发现异常，采集站会将报警信息发送给客户，并截取当前时刻的第二数据片段，这个时候可以说是提前启动了中密度处理的流程。因为发生异常时，为了确保这个时刻要有数据，就不能够按照中密度的时间间隔(即第二间隔时间)来截取数据，例如，高密度的第三数据片段是每10s截取一组(即第三间隔时间为10s)，中密度的第二数据片段是每30min截取一组(即第二间隔时间为30min)。在12:00:00，高密度截取了一个长度为256K的第三数据片段，中密度截取了一个长度3M的第二数据片段。在12:01:00，高密度截取的第七个第三数据片段发现了异常，这时采集站就会向相应测点的有线传感器发送异常截取指令，提前启动中密度的数据截取(因为按照设置的第二间隔时间，下一次截取动作应该发生在12:30:00)，截取出长度为3M的第二数据片段，这是为了保证在异常发生的时候有数据。截取3M的第二数据片段之后，后面就按照中密度的流程进行数据的分析了(即根据第二数据片段计算出第一特征指标，再判断第一特征指标是否异常，当出现异常时可进一步确定异常等级，发出报警信号)。

本发明提供了一种基于边缘计算的有线数据采集方案，采用低密度、中密度以及高密度的采集融合的方式，并通过智能算法框架对于检测到异常的时刻点进行原始数据的截取与回传，在采集前端直接进行指标的计算与特征的提取，做到及时的监测，实现报警的本地化。本发明的数据采集方案具有以下特点：

1、设计了不同目的的截取机制。为了缓解数据的回传与存储压力，基于全采样数据，设置了不同的截取机制。对于低密度截取机制，采用更大的时间间隔采取固定长度的波形数据(即时域的运行状态数据)并回传(间隔时间和采样长度可根据具体情况进行调整)，尽量减少冗余信息所占用的内存空间，真正做到数据的低密度；对于中密度截取机制，采用较短的时间间隔采集最高质量(即长度最长，数据点最多)的波形数据，通过智能框架计算重要特征以及重要指标信息并传回数据中心，当数据表现正常时，波形数据不进行回传，只暂存在黑匣子中(人工可根据实际需要进行调取)，当数据表现异常时，及时回传波形数据；对于高密度截取机制，以高密度时间间隔截取长度较短的波形数据，通过智能框架计算传统的监测指标并传回数据中心，波形数据则不进行保存，对设备进行变点检测，当数据表现异常时，触发最高质量的波形截取并及时回传波形数据。

2、基于高密度计算的监测指标，对设备进行变点实时检测，一旦发现异常信号，立即截取关键异常时刻的最高质量的超级波形并回传，并调用智能算法框架对加采数据进行处理与分析。同时，暂存时域波形的黑匣子，也能够在短时间内及时调取异常时间点周围的数据信息，进一步为建模分析提供数据基础。

3、对于中密度的多指标监测和高密度的传统指标监测，发生异常时截取或保存最高质量的时域波形数据信号并在采集站进行汇总，采集站控制中心对异常数据进行等级的划分，并根据不同测点传回的数据进行整合，根据不同的策略方法立即向现场发出测点级、部件级甚至设备级的报警信号，实现报警的本地化，同时按照对应的等级实行不同层级的回传策略，划分优先等级，开启绿色回传通道、即时启动回传程序等等传输方式，并且根据报警等级，原始波形数据回传的范围也不一致，等级越高，回传波形数据的测点范围越广。

4、基于中高密度波形数据，开发基于深度学习以及人工经验知识的智能框架：对于深度学习框架，浅层网络部分学习波形和频谱的泛化特征，高层网络针对不同的问题设计不同的特征提取策略，例如误信号的识别特征、启停机特征、轴承故障特征以及松动故障特征等等；对于人工经验知识框架，开发不同的指标以及不同的策略，更加有针对性地设计关键的指标体系与更加完善的策略流程。通过单指标以及融合多指标的方法策略，能够更加有效地进行设备监测。整个过程在采集设备硬件端实现，实现智能化自治，全面提高设备监测的硬件智能化。

A11、如A9或10所述的系统，其中，所述采集站还适于：

判断各测点的第一特征指标是否异常；

若第一特征指标正常，则将相应的第二数据片段保存至本地存储装置，不发送至上位机；

若第一特征指标异常，则产生报警信号，并将相应的第二数据片段发送至上位机。

A12、如A11所述的系统，其中，所述采集站还适于：

当出现第一特征指标异常时，通过对各测点的第二数据片段和第一特征指标进行融合与处理，确定异常等级；

根据异常等级确定报警信号的类型和数据回传策略；

发出所述异常等级对应的报警信号，按照所述数据回传策略将相应的第二数据片段和第一特征指标发送至上位机。

A13、如A11所述的系统，其中，所述采集站还适于：

在所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段，并将当前的第二数据片段存储至所述存储装置中。

A14、如A9-13中任一项所述的系统，其中，所述采集站还适于：

判断各测点的第二特征指标是否异常；

若第二特征指标正常，则丢弃相应的第三数据片段；

若第二特征指标异常，则产生报警信号，向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传。

A15、如A9所述的系统，其中，所述采集站中部署有适于分析待测设备运行状态的智能算法模型，所述第一特征指标包括所述智能算法模型第二数据片段进行处理所输出的分析结果。

A16、如A15所述的系统，其中，所述智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，控制终端一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的数据采集方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的优选实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书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。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (6)

1.一种数据采集方法，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述方法在数据采集系统中执行，所述数据采集系统包括设置于待测设备各测点的有线传感器和与所述有线传感器有线连接的采集站，所述方法包括：

各有线传感器采集相应测点的运行状态数据；

各有线传感器按照第一间隔时间、第二间隔时间、第三间隔时间，从其采集到的运行状态数据中分别截取出第一数据片段、第二数据片段、第三数据片段，发送至采集站，其中，第一间隔时间>第二间隔时间>第三间隔时间，其中，所述第二数据片段的长度大于所述第三数据片段的长度以及第一数据片段的长度；

采集站将各测点的第一数据片段发送至上位机；

所述采集站根据第二数据片段计算出各测点的第一特征指标，判断各测点的第一特征指标是否异常，若第一特征指标正常，则将各测点的第一特征指标发送至上位机，并将相应的第二数据片段保存至本地存储装置，不发送至上位机，若第一特征指标异常，则将各测点的第二数据片段和第一特征指标进行融合处理，确定异常等级，根据异常等级确定报警信号的类型和数据回传策略，并发出所述异常等级对应的报警信号，按照数据回传策略将相应的第二数据片段和第一特征指标发送至上位机，其中，所述根据异常等级确定报警信号包括：根据不同的异常等级，即时向设备现场发出测点级、部件级或设备级的报警信号；以及

所述采集站根据第三数据片段计算出各测点的第二特征指标，判断各测点的第二特征指标是否异常，若第二特征指标正常，则将各测点的第二特征指标发送至上位机，并丢弃相应的第三数据片段，若第二特征指标异常，则产生报警信号，向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传；

其中，所述采集站中部署有适于分析待测设备运行状态的智能算法模型，所述第一特征指标包括所述智能算法模型对第二数据片段进行处理所输出的分析结果，所述第一特征指标的数量大于所述第二特征指标的数量。

2.如权利要求1所述的方法，还包括：

当所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段，并将当前的第二数据片段存储至所述存储装置中。

3.如权利要求1所述的方法，其中，所述智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。

4.一种数据采集系统，适于监测待测设备的运行状态，所述待测设备包括至少一个测点，所述系统包括设置于待测设备各测点的有线传感器和与所述有线传感器有线连接的采集站，其中，

所述有线传感器适于采集相应测点的运行状态数据，并按照第一间隔时间、第二间隔时间、第三间隔时间，从其采集到的运行状态数据中分别截取出第一数据片段、第二数据片段、第三数据片段，发送至采集站，其中，第一间隔时间>第二间隔时间>第三间隔时间，其中，所述第二数据片段的长度大于所述第三数据片段的长度以及第一数据片段的长度；

所述采集站适于将各测点的第一数据片段发送至上位机；根据第二数据片段计算出各测点的第一特征指标，判断各测点的第一特征指标是否异常，若第一特征指标正常，则将各测点的第一特征指标发送至上位机，并将相应的第二数据片段保存至本地存储装置，不发送至上位机，若第一特征指标异常，则将各测点的第二数据片段和第一特征指标进行融合处理，确定异常等级，根据异常等级确定报警信号的类型和数据回传策略，并发出所述异常等级对应的报警信号，按照数据回传策略将相应的第二数据片段和第一特征指标发送至上位机，其中，所述根据异常等级确定报警信号包括：根据不同的异常等级，即时向设备现场发出测点级、部件级或设备级的报警信号；以及根据第三数据片段计算出各测点的第二特征指标，判断各测点的第二特征指标是否异常，若第二特征指标正常，则将各测点的第二特征指标发送至上位机，并丢弃相应的第三数据片段，若第二特征指标异常，则产生报警信号，向相应测点的有线传感器发送异常截取指令以触发该有线传感器截取第二数据片段并回传；

其中，所述采集站中还部署有适于分析待测设备运行状态的智能算法模型，所述第一特征指标包括所述智能算法模型对第二数据片段进行处理所输出的分析结果，所述第一特征指标的数量大于所述第二特征指标的数量。

5.如权利要求4所述的系统，其中，所述采集站还适于：

在所述存储装置中数据已满时，删除所述存储装置中已存储时间最长的第二数据片段，并将当前的第二数据片段存储至所述存储装置中。

6.如权利要求4所述的系统，其中，所述智能算法模型包括启停机检测模型、误信号识别模型、故障诊断模型。