CN113111139A - 一种基于物联传感器的告警检测方法和装置 - Google Patents

一种基于物联传感器的告警检测方法和装置 Download PDF

Info

Publication number
CN113111139A
CN113111139A CN202110515916.0A CN202110515916A CN113111139A CN 113111139 A CN113111139 A CN 113111139A CN 202110515916 A CN202110515916 A CN 202110515916A CN 113111139 A CN113111139 A CN 113111139A
Authority
CN
China
Prior art keywords
internet
data
alarm
historical data
time
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.)
Pending
Application number
CN202110515916.0A
Other languages
English (en)
Inventor
刘博�
习正
刘欢
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.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
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 China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202110515916.0A priority Critical patent/CN113111139A/zh
Publication of CN113111139A publication Critical patent/CN113111139A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/219—Managing data history or versioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G06F16/287—Visualization; Browsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于物联传感器的告警检测方法和装置，涉及物联网领域。该方法的一具体实施方式包括：获取目标机构下物联传感器采集到的实时数据；确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。该实施方式利用二分、中心点、聚类等数据指标进行物联传感器的智能报警，充分考虑物联传感器数据分布情况，具备计算速度快、鲁棒性强的优点，能够提升告警效率和准确性。

Description

一种基于物联传感器的告警检测方法和装置
技术领域
本发明涉及物联网领域，尤其涉及一种基于物联传感器的告警检测方法和装置。
背景技术
传感器是物联网中十分重要的一种设备，其采集的数据是否正常将影响到企业的日常办公。目前，在传感器告警方面主要以人工观察为主、算法检测为辅，但这些方式大都聚焦于统计异常数据的数量是否超过所设定的阈值，无法满足物联传感器数据的实时分析需求。
例如，K-Means聚类算法需设置K值，现实生活中K值往往不确定；Meanshift是一种基于密度的非参数聚类算法，考虑到物联传感器的数据量庞大，在实时性上无法保证；AGNES、DBSCAN分别是基于层次、基于密度的聚类算法，对于传感器采集数据的分布情况来说并不适用。因此，找到一种适合于物联传感器数据分析的聚类算法显得尤为重要。
发明内容
有鉴于此，本发明实施例提供一种基于物联传感器的告警检测方法和装置，至少能够解决现有技术中的现象。
为实现上述目的，根据本发明实施例的一个方面，提供了一种基于物联传感器的告警检测方法，包括：
获取目标机构下物联传感器采集到的实时数据；
确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
可选的，所述确定目标阈值，包括：
获取所述目标机构下所述物联传感器采集到的历史数据，确定预设阈值，结合聚类算法对各历史数据进行分类；
确定每个类的平均值，计算每个类中各历史数据与平均值的绝对距离值，统计所有类的绝对距离值之和，得到分类误差；
调整所述预设阈值，重复执行上述分类、计算分类误差操作，直至训练次数达到上限为止，得到多个分类误差，将与最小分类误差对应的阈值作为目标阈值。
可选的，所述确定预设阈值，结合聚类算法对各历史数据进行分类，包括：
将各历史数据分布在一个水平轴上，求得所述水平轴上所有历史数据的平均值；
计算各历史数据与平均值的绝对距离值，确定所述预设阈值，将绝对距离值小于或等于所述预设阈值的历史数据归为第一类；
将属于所述第一类的历史数据从所述水平轴上剔除，继续求得剩余历史数据的平均值，重复上述取值和去值操作，直至所有历史数据分类完毕。
可选的，所述继续求得剩余历史数据的平均值，重复上述取值和去值操作，包括：
将剩余历史数据分为两部分，分别对每个部分中的剩余历史数据进行上述取平均、取值和去值操作。
可选的，所述物联传感器的数量仅为一个。
可选的，所述物联传感器的数量为多个，且型号相同。
可选的，所述获取所述目标机构下所述物联传感器采集到的历史数据，包括：
调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的历史数据，并将所述历史数据存储至数据库内的传感器历史数据表中。
可选的，所述获取目标机构下物联传感器采集到的实时数据，包括：
按照预设周期，调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的实时数据，并将所述实时数据存储至数据库内的传感器流水信息数据表中；以及
从所述传感器流水信息数据表中，获取与所述目标机构下所述物联传感器对应的实时数据。
可选的，所述进行告警提醒，包括：通过所述目标机构预设的告警方式，进行告警提醒。
可选的，所述进行告警提醒，包括：
确定所述目标机构预设的告警联系人，将告警信息发送至所述告警联系人。
可选的，所述进行告警提醒，包括：
确定所述检测结果所处告警等级范围，若与所述告警等级范围对应的告警等级达到所述目标机构预设的告警等级，则进行告警提醒。
可选的，还包括：获取所述目标机构预设的信息；其中，预设的信息由所述目标机构在前端输入，包括机构编号、期望范围、告警等级、告警方式、告警联系人、告警联系人的通讯地址。
可选的，还包括：
接收前端传输的查询条件；其中，所述查询条件包括机构编号、物联传感器的型号、采集开始时间和采集结束时间；
在本地查询与所述机构编号和所述物联传感器的型号对应、且处于所述采集开始时间和所述采集结束时间范围内的数据，展示查询到的数据。
可选的，在所述接收前端传输的查询条件之后，还包括：
计算所述采集结束时间和所述采集开始时间的时间差；
若所述时间差小于零，则确定所述采集开始时间大于所述采集结束时间，弹出第一提示信息；或
若所述时间差大于零、且超出预设时间差，则弹出第二提示信息。
可选的，所述展示查询到的数据，包括：将查询到的数据以时序数据图的形式进行展示。
为实现上述目的，根据本发明实施例的另一方面，提供了一种基于物联传感器的告警检测装置，包括：
数据监听模块，用于获取目标机构下物联传感器采集到的实时数据；
聚类算法检测模块，用于确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
智能告警模块，用于获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
可选的，所述聚类算法检测模块，用于：
获取所述目标机构下所述物联传感器采集到的历史数据，确定预设阈值，结合聚类算法对各历史数据进行分类；
确定每个类的平均值，计算每个类中各历史数据与平均值的绝对距离值，统计所有类的绝对距离值之和，得到分类误差；
调整所述预设阈值，重复执行上述分类、计算分类误差操作，直至训练次数达到上限为止，得到多个分类误差，将与最小分类误差对应的阈值作为目标阈值。
可选的，所述聚类算法检测模块，用于：
将各历史数据分布在一个水平轴上，求得所述水平轴上所有历史数据的平均值；
计算各历史数据与平均值的绝对距离值，确定所述预设阈值，将绝对距离值小于或等于所述预设阈值的历史数据归为第一类；
将属于所述第一类的历史数据从所述水平轴上剔除，继续求得剩余历史数据的平均值，重复上述取值和去值操作，直至所有历史数据分类完毕。
可选的，所述聚类算法检测模块，用于：
将剩余历史数据分为两部分，分别对每个部分中的剩余历史数据进行上述取平均、取值和去值操作。
可选的，所述物联传感器的数量仅为一个。
可选的，所述物联传感器的数量为多个，且型号相同。
可选的，所述数据监听模块，还用于：
调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的历史数据，并将所述历史数据存储至数据库内的传感器历史数据表中。
可选的，所述数据监听模块，用于：
按照预设周期，调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的实时数据，并将所述实时数据存储至数据库内的传感器流水信息数据表中；以及
从所述传感器流水信息数据表中，获取与所述目标机构下所述物联传感器对应的实时数据。
可选的，所述智能告警模块，用于：通过所述目标机构预设的告警方式，进行告警提醒。
可选的，所述智能告警模块，用于：
确定所述目标机构预设的告警联系人，将告警信息发送至所述告警联系人。
可选的，所述智能告警模块，用于：
确定所述检测结果所处告警等级范围，若与所述告警等级范围对应的告警等级达到所述目标机构预设的告警等级，则进行告警提醒。
可选的，还包括告警信息设置模块，用于：获取所述目标机构预设的信息；其中，预设的信息由所述目标机构在前端输入，包括机构编号、期望范围、告警等级、告警方式、告警联系人、告警联系人的通讯地址。
可选的，还包括数据展示模块，用于：
接收前端传输的查询条件；其中，所述查询条件包括机构编号、物联传感器的型号、采集开始时间和采集结束时间；
在本地查询与所述机构编号和所述物联传感器的型号对应、且处于所述采集开始时间和所述采集结束时间范围内的数据，展示查询到的数据。
可选的，所述数据展示模块，还用于：
计算所述采集结束时间和所述采集开始时间的时间差；
若所述时间差小于零，则确定所述采集开始时间大于所述采集结束时间，弹出第一提示信息；或
若所述时间差大于零、且超出预设时间差，则弹出第二提示信息。
可选的，所述数据展示模块，用于：将查询到的数据以时序数据图的形式进行展示。
为实现上述目的，根据本发明实施例的再一方面，提供了一种基于物联传感器的告警检测电子设备。
本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一所述的基于物联传感器的告警检测方法。
为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一所述的基于物联传感器的告警检测方法。
根据本发明所述提供的方案，上述发明中的一个实施例具有如下优点或有益效果：在数据量较多的情况下，使用聚类算法训练目标阈值和检测实时数据，具备计算速度快、鲁棒性强的优点，降低人力成本，且能够提升物联传感器的告警效率和准确性。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的一种基于物联传感器的告警检测方法的主要流程示意图；
图2是根据本发明实施例的一种基于物联传感器的告警训练方法的流程示意图；
图3是根据本发明实施例的一种基于物联传感器的告警查询方法的流程示意图；
图4是根据本发明实施例的一种基于物联传感器的告警检测装置的主要模块示意图；
图5是本发明实施例可以应用于其中的示例性系统架构图；
图6是适于用来实现本发明实施例的移动设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
此处对现有技术及其缺点进行详细描述：
现有技术一：烟雾传感器包括表面的圆型LED闪烁灯和内置的语音播放模块，若系统检测到烟雾传感器数据超过阈值，则LED灯快速闪烁、语音播放模块发出蜂鸣报警。这种方式对于传感器数据分析过于简单，且生活中干扰因素过多，仅仅依靠阈值判断容易造成大量误报警。
现有技术二：通过采集模块、灰度模型预测模块、获取模块、神经网络计算模块、更新模块等六个模块，来预测传感器所处周围环境数据、传感器感应数据和当前报警阈值，根据神经网络计算是否应该报警。这种方式无法解决本方案提出的实时性问题。
参见图1，示出的是本发明实施例提供的一种基于物联传感器的告警检测方法的主要流程图，包括如下步骤：
S101：获取目标机构下物联传感器采集到的实时数据；
S102：确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
S103：获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
上述实施方式中，对于步骤S101，物联网的基本要求是物物相连，每一个需要识别和管理的物体上，都需要安装与之对应的传感器。本方案在前端设置可视化界面，便于机构接入时(接入后也可以修改)输入告警规则和告警联系人相关的参数，具体包括：
1、规则名称，由机构管理员自行填写；
2、机构编号，通过点击选择机构按钮，选择相应机构反显出机构编号；
3、规则类型，分多设备告警规则和单设备告警规则。可以针对一个机构内的单个设备进行，也可以针对同一机构内同型号的多个设备进行。
4、设备类型，分单设备和多设备，具体依据机构管理员设定；
5、阈值类型，分聚类数量值和聚类偏差值，本方案优选聚类数量值；
6、期望范围，为机构管理员希望聚类到的数量，例如3～4，用于评价设备检测结果是否超限；
7、告警级别，分为高中低三种级别，具体依据机构管理员设定。每种级别对应的告警范围不同，例如4～5为低等级，5～6为中等级，6～7为高等级，若机构管理员选择高等级，对于处于中低等级的告警则不做告警提醒；
8、告警方式，优选为EDA(事件管理)告警；
9、告警联系人，由机构管理员设定，为机构下订阅的用户的名称；
10、告警联系人的通讯地址，如联系电话号、邮箱；
上述参数的具体物理含义在后续相对应的流程中，会逐个结合算法原理进行介绍，此处不赘述。
在输入机构信息后，即可进入针对机构内物联传感器告警检测的流程。按照预设周期(如5分钟)，目标机构的供数系统会提供物联传感器采集到的实时数据，后台系统调用该目标机构的供数系统接口，接收实时数据并存放至数据库内的传感器流水信息数据表中。之后即可调用传感器流水信息数据表，从中获取与目标机构、物联传感器对应的实时数据。
对于步骤S102，目标阈值ε通过同一机构下该物联传感器的历史数据训练得到，具体训练方式参见后续图2所示描述，在此不做赘述。
聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。
聚类算法采用了二分聚类的思想，将实时数据分布在X水平轴上，求得X水平轴上所有实时数据的平均值，将以平均值为中心、目标阈值ε范围内的实时数据归为一类，并将已归类的实时数据从X水平轴上剔除，然后继续对剩下的实时数据做分类，直到所有实时数据完成分类。
由于每个分类中均有一个平均值，不同分类的平均值均不同。因而可以以分类为单位，分别计算每个类中各实时数据和平均值的绝对距离值，进而累加每个实时数据的绝对距离值，得到分类误差，即检测结果。进一步的，可以将检测结果存放至数据库内的聚类结果表中。
需要说明的是，关于聚类算法，主流的方法是本专利中指出的这一类机器学习改进之后的方法，当然基于传统的计算机视觉特征工程，去提取时序数据的相关特征进行处理也是一种可选方案，但是后者由于传统特征局限性以及性能不佳，已经逐渐不再是主流方法。
对于步骤S103，根据步骤S101描述可知，机构管理员在前端界面输入有期望范围、告警级别、告警方式和告警联系人。针对实时数据检测到的检测结果，与期望范围进行差异化分析比较，判断检测结果是否超出期望范围，例如检测结果为5，而期望范围为3～4，即表示超限，需告警提醒：
1)通过EDA(事件管理)告警方式告警；
2)将告警信息发送给该目标机构预设的告警联系人，如通过短信、邮件、电话方式发送告警信息；
3)确定检测结果所处的告警等级范围，例如4～5为低等级，5～6为中等级，6～7为高等级，5处于告警等级范围4～5，若机构管理员选择高等级，对于处于中低等级的告警则不做告警提醒。
对于差异化结果数据，也可以保存至数据库内的聚类结果表中。
上述实施例所提供的方法，充分考虑物联传感器数据分布情况，没有止步和局限于阈值报警，利用二分、中心点、聚类等具备创新性的数据指标进行物联传感器的智能报警，提升算法识别的准确性和实时性。
参见图2，示出了根据本发明实施例的一种基于物联传感器的告警训练方法流程示意图，包括如下步骤：
S201：获取目标机构下物联传感器采集到的历史数据；
S202：将各历史数据分布在一个水平轴上，求得所述水平轴上所有历史数据的平均值；
S203：计算各历史数据与平均值的绝对距离值，确定预设阈值，将绝对距离值小于或等于所述预设阈值的历史数据归为第一类；
S204：将属于所述第一类的历史数据从所述水平轴上剔除，继续求得剩余历史数据的平均值，重复上述取值和去值操作，直至所有历史数据分类完毕；
S205：确定每个类的平均值，计算每个类中各历史数据与平均值的绝对距离值，统计所有类的绝对距离值之和，得到分类误差；
S206：调整所述预设阈值，重复执行上述分类、计算分类误差操作，直至训练次数达到上限为止，得到多个分类误差，将与最小分类误差对应的阈值作为目标阈值。
上述实施例方式中，对于步骤S201，后台系统调用目标机构的供数系统接口，以一次性/批量多次，获取该目标机构下物联传感器采集到的历史数据，并存放至数据库内的传感器历史数据表中。
需要说明的是，考虑不同机构使用的物联传感器可能不同，因而训练时主要以机构为单位。同一机构内使用的物联传感器可能多样，不同型号的物联传感器采集到的数据在维度、格式上并不相同，因而需针对同一机构、同一型号的物联传感器进行训练。但在告警测试时，可以仅针对一个物联传感器，也可以同时针对同一机构下同型号的多个物联传感器进行。
对于步骤S202～S204，后台系统定义ClstDateBO类，类中设有设备编号、聚类分类、中心点、偏差值、采集值、机构编号、数据流水编号、采集时间等成员变量。后台系统定时调用同一机构下物联传感器采集到的历史数据，采用聚类算法，在训练过程中对ClstDateBO类中的成员变量赋值，以对预设阈值ε进行学习。
聚类算法采用了二分聚类的思想，通过把传感器历史数据分布在X水平轴上，求得X水平轴上所有历史数据的平均值，将以平均值为中心，预设阈值范围内的历史数据归为第一类，已经分好类的历史数据将从X水平轴剔除，然后继续对剩下的历史数据做分类，直到所有历史数据完成分类。
d＝||xj-μi||2
Figure BDA0003062078950000121
式中，xj为未分类的样本点，即初始化xj为所有物联传感器的历史数据样本点；μi为每次计算出的物联传感器历史数据的平均值；d为xj与μi的绝对距离值。
算法运行之前需要先设置预设阈值ε，若计算出的d大于预设阈值ε，则样本点重新参与下一次分类；若计算出的d小于或等于阈值ε，则该样本点完成本次分类标记并退出。每次聚类完成都会将剩下的样本点分为两个部分，下一次则会分为四个部分，逐次递增，算法会对每个部分的历史数据依次按照上述公式进行计算分类，直到所有的样本点完成分类。
对于步骤S205和S206，在分类历史数据后，即进入训练预设阈值ε阶段，此处可以分单设备和多设备情况：
1、单个物联传感器，仅考虑与该物联传感器相关的绝对距离值，假设历史数据是多天采集到的
Figure BDA0003062078950000131
式中，M为每个聚类完成的次数；ci为每个分类中的历史数据数量；μi为每个聚类每一次计算出的分类中心值；N为一天内获取的历史数据量；T为天数；E表示所有天数的历史数据聚类得到的分类误差。
2、多个物联传感器，仅统计与多个物联传感器相关的绝对距离值，假设历史数据是多天采集到的
Figure BDA0003062078950000132
式中，M为每个聚类完成的次数；ci为每个分类中的历史数据数量；μi为每个聚类每一次计算出的分类中心值；N为一天内获取的历史数据量；P为同一机构下同型号的物联传感器的数量；T为天数；E表示所有天数的历史数据聚类得到的分类误差。
训练过程中，通过不断调整预设阈值ε能够改变E的大小，E越小表示分类的结果越好，样本点离中心值的距离越近。不断训练物联传感器的历史数据，直到训练次数达到上限(如50次)为止。选取与最小分类误差E对应的阈值ε，此时的阈值ε即为目标阈值。训练结束后，后台系统将目标阈值ε存放至数据库的聚类结果表中，用于后续物联传感器的告警测试。
上述实施例所提供的方法，在数据量较多的情况下，使用聚类算法具备计算速度快、鲁棒性强的优点，且能够提升物联传感器的告警效率和准确性，降低人力成本，弥补了现有传感器告警技术的不足。
参见图3，示出了根据本发明实施例的一种基于物联传感器的告警查询方法流程示意图，包括如下步骤：
S301：接收前端传输的查询条件；其中，所述查询条件包括机构编号、物联传感器的型号、采集开始时间和采集结束时间；
S302：计算所述采集结束时间和所述采集开始时间的时间差；
S303：若所述时间差小于零，则确定所述采集开始时间大于所述采集结束时间，弹出第一提示信息；或
S304：若所述时间差大于零、且超出预设时间差，则弹出第二提示信息；
S305：在本地查询与所述机构编号和所述物联传感器的型号对应、且处于所述采集开始时间和所述采集结束时间范围内的数据，展示查询到的数据。
上述实施方式中，对于步骤S301～S304，机构管理员在前端输入查询条件，即可查询某一机构下至少一个物联传感器采集的数据。查询条件包括：机构编号、物联传感器的型号、采集开始时间、采集结束时间，采集开始时间为物联传感采集数据的开始时间，设备采集结束时间为物联传感采集数据的结束时间。
前端的多设备传感器页面中设置有设备数据采集日期选项。在查询之前，还需对查询条件进行认证，包括但不限于：机构编号、数据采集时间(即采集开始时间和采集结束时间)：
1、若选择的采集开始时间小于设备采集结束时间，则会提示开始时间必须小于或等于结束时间，即第一提示信息。
2、若选择的采集开始时间和设备采集结束时间的时间差超过七天(也可以是其他预设时间差)，则会提示查询时间段不允许超过七天，即第二提示信息。
对于步骤S305，后台系统在检测到前端页面传入的查询条件后，会在本地查询与机构编号和物联传感器的型号对应、且处于采集开始时间和采集结束时间范围内的数据。调用与该机构编号对应的外部供数系统接口，将机构编号、场所名称、区域编号、供应商、传感器数量、传感器谷值、传感器峰值、传感器均值在多设备传感器页面上展示。点击可视化分析按钮，则会将查询到的数据以时序数据图形式进行展示。
上述实施例所提供的方法，实现数据查询和时序数据展示，且在查询之前对查询条件进行校验，降低查询错误率。
本发明实施例所提供的方法，相比现有技术，至少存在如下有益效果：
1、结合物联传感器数据分布情况，没有止步和局限于阈值报警，综合利用机器学习聚类方法和二分法对物联传感器的智能报警，提升算法识别的准确性和实时性。
2、受现有无线通讯模块的启发，在报警方面采用EDA(事件管理)消息机制给相关机构订阅用户发送告警信息，且实现的是机构范围内的告警。
参见图4，示出了本发明实施例提供的一种基于物联传感器的告警检测装置400的主要模块示意图，包括：
数据监听模块401，用于获取目标机构下物联传感器采集到的实时数据；
聚类算法检测模块402，用于确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
智能告警模块403，用于获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
本发明实施装置中，所述聚类算法检测模块402，用于：
获取所述目标机构下所述物联传感器采集到的历史数据，确定预设阈值，结合聚类算法对各历史数据进行分类；
确定每个类的平均值，计算每个类中各历史数据与平均值的绝对距离值，统计所有类的绝对距离值之和，得到分类误差；
调整所述预设阈值，重复执行上述分类、计算分类误差操作，直至训练次数达到上限为止，得到多个分类误差，将与最小分类误差对应的阈值作为目标阈值。
本发明实施装置中，所述聚类算法检测模块402，用于：
将各历史数据分布在一个水平轴上，求得所述水平轴上所有历史数据的平均值；
计算各历史数据与平均值的绝对距离值，确定所述预设阈值，将绝对距离值小于或等于所述预设阈值的历史数据归为第一类；
将属于所述第一类的历史数据从所述水平轴上剔除，继续求得剩余历史数据的平均值，重复上述取值和去值操作，直至所有历史数据分类完毕。
本发明实施装置中，所述聚类算法检测模块402，用于：
将剩余历史数据分为两部分，分别对每个部分中的剩余历史数据进行上述取平均、取值和去值操作。
本发明实施装置中，所述物联传感器的数量仅为一个。
本发明实施装置中，所述物联传感器的数量为多个，且型号相同。
本发明实施装置中，所述数据监听模块401，还用于：
调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的历史数据，并将所述历史数据存储至数据库内的传感器历史数据表中。
本发明实施装置中，所述数据监听模块401，用于：
按照预设周期，调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的实时数据，并将所述实时数据存储至数据库内的传感器流水信息数据表中；以及
从所述传感器流水信息数据表中，获取与所述目标机构下所述物联传感器对应的实时数据。
本发明实施装置中，所述智能告警模块403，用于：通过所述目标机构预设的告警方式，进行告警提醒。
本发明实施装置中，所述智能告警模块403，用于：
确定所述目标机构预设的告警联系人，将告警信息发送至所述告警联系人。
本发明实施装置中，所述智能告警模块403，用于：
确定所述检测结果所处告警等级范围，若与所述告警等级范围对应的告警等级达到所述目标机构预设的告警等级，则进行告警提醒。
本发明实施装置还包括告警信息设置模块，用于：
获取所述目标机构预设的信息；其中，预设的信息由所述目标机构在前端输入，包括机构编号、期望范围、告警等级、告警方式、告警联系人、告警联系人的通讯地址。
本发明实施装置还包括数据展示模块，用于：
接收前端传输的查询条件；其中，所述查询条件包括机构编号、物联传感器的型号、采集开始时间和采集结束时间；
在本地查询与所述机构编号和所述物联传感器的型号对应、且处于所述采集开始时间和所述采集结束时间范围内的数据，展示查询到的数据。
本发明实施装置中，所述数据展示模块，还用于：
计算所述采集结束时间和所述采集开始时间的时间差；
若所述时间差小于零，则确定所述采集开始时间大于所述采集结束时间，弹出第一提示信息；或
若所述时间差大于零、且超出预设时间差，则弹出第二提示信息。
本发明实施装置中，所述数据展示模块，用于：将查询到的数据以时序数据图的形式进行展示。
另外，在本发明实施例中所述装置的具体实施内容，在上面所述方法中已经详细说明了，故在此重复内容不再说明。
图5示出了可以应用本发明实施例的示例性系统架构500，包括终端设备501、502、503，网络504和服务器505(仅仅是示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，安装有各种通讯客户端应用，用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。
网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
服务器505可以是提供各种服务的服务器，用于执行获取目标机构下物联传感器采集到的实时数据；确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒操作。
需要说明的是，本发明实施例所提供的方法一般由服务器505执行，相应地，装置一般设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码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。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据监听模块、聚类算法检测模块、智能告警模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如智能告警模块还可以被描述为“检测和告警模块”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
获取目标机构下物联传感器采集到的实时数据；
确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
根据本发明实施例的技术方案，结合物联传感器数据分布情况，没有止步和局限于阈值报警，综合利用机器学习聚类方法和二分法对物联传感器的智能报警，提升算法识别的准确性和实时性；受现有无线通讯模块的启发，在报警方面采用EDA(事件管理)消息机制给相关机构订阅用户发送告警信息，且实现的是机构范围内的告警。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (18)

1.一种基于物联传感器的告警检测方法，其特征在于，包括：
获取目标机构下物联传感器采集到的实时数据；
确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
2.根据权利要求1所述的方法，其特征在于，所述确定目标阈值，包括：
获取所述目标机构下所述物联传感器采集到的历史数据，确定预设阈值，结合聚类算法对各历史数据进行分类；
确定每个类的平均值，计算每个类中各历史数据与平均值的绝对距离值，统计所有类的绝对距离值之和，得到分类误差；
调整所述预设阈值，重复执行上述分类、计算分类误差操作，直至训练次数达到上限为止，得到多个分类误差，将与最小分类误差对应的阈值作为目标阈值。
3.根据权利要求2所述的方法，其特征在于，所述确定预设阈值，结合聚类算法对各历史数据进行分类，包括：
将各历史数据分布在一个水平轴上，求得所述水平轴上所有历史数据的平均值；
计算各历史数据与平均值的绝对距离值，确定所述预设阈值，将绝对距离值小于或等于所述预设阈值的历史数据归为第一类；
将属于所述第一类的历史数据从所述水平轴上剔除，继续求得剩余历史数据的平均值，重复上述取值和去值操作，直至所有历史数据分类完毕。
4.根据权利要求3所述的方法，其特征在于，所述继续求得剩余历史数据的平均值，重复上述取值和去值操作，包括：
将剩余历史数据分为两部分，分别对每个部分中的剩余历史数据进行上述取平均、取值和去值操作。
5.根据权利要求2-4中任一项所述的方法，其特征在于，所述物联传感器的数量仅为一个。
6.根据权利要求2-4中任一项所述的方法，其特征在于，所述物联传感器的数量为多个，且型号相同。
7.根据权利要求2所述的方法，其特征在于，所述获取所述目标机构下所述物联传感器采集到的历史数据，包括：
调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的历史数据，并将所述历史数据存储至数据库内的传感器历史数据表中。
8.根据权利要求1所述的方法，其特征在于，所述获取目标机构下物联传感器采集到的实时数据，包括：
按照预设周期，调用所述目标机构的供数系统接口，以获取所述目标机构下所述物联传感器采集到的实时数据，并将所述实时数据存储至数据库内的传感器流水信息数据表中；以及
从所述传感器流水信息数据表中，获取与所述目标机构下所述物联传感器对应的实时数据。
9.根据权利要求1所述的方法，其特征在于，所述进行告警提醒，包括：通过所述目标机构预设的告警方式，进行告警提醒。
10.根据权利要求1所述的方法，其特征在于，所述进行告警提醒，包括：
确定所述目标机构预设的告警联系人，将告警信息发送至所述告警联系人。
11.根据权利要求1所述的方法，其特征在于，所述进行告警提醒，包括：
确定所述检测结果所处告警等级范围，若与所述告警等级范围对应的告警等级达到所述目标机构预设的告警等级，则进行告警提醒。
12.根据权利要求1所述的方法，其特征在于，还包括：
获取所述目标机构预设的信息；其中，预设的信息由所述目标机构在前端输入，包括机构编号、期望范围、告警等级、告警方式、告警联系人、告警联系人的通讯地址。
13.根据权利要求1所述的方法，其特征在于，还包括：
接收前端传输的查询条件；其中，所述查询条件包括机构编号、物联传感器的型号、采集开始时间和采集结束时间；
在本地查询与所述机构编号和所述物联传感器的型号对应、且处于所述采集开始时间和所述采集结束时间范围内的数据，展示查询到的数据。
14.根据权利要求13所述的方法，其特征在于，在所述接收前端传输的查询条件之后，还包括：
计算所述采集结束时间和所述采集开始时间的时间差；
若所述时间差小于零，则确定所述采集开始时间大于所述采集结束时间，弹出第一提示信息；或
若所述时间差大于零、且超出预设时间差，则弹出第二提示信息。
15.根据权利要求13或14所述的方法，其特征在于，所述展示查询到的数据，包括：将查询到的数据以时序数据图的形式进行展示。
16.一种基于物联传感器的告警检测装置，其特征在于，包括：
数据监听模块，用于获取目标机构下物联传感器采集到的实时数据；
聚类算法检测模块，用于确定目标阈值，结合聚类算法对所述实时数据进行聚类检测，得到检测结果；
智能告警模块，用于获取所述目标机构针对所述物联传感器预设的期望范围，若所述检测结果超出所述期望范围，则进行告警提醒。
17.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-15中任一所述的方法。
18.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-15中任一所述的方法。
CN202110515916.0A 2021-05-12 2021-05-12 一种基于物联传感器的告警检测方法和装置 Pending CN113111139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110515916.0A CN113111139A (zh) 2021-05-12 2021-05-12 一种基于物联传感器的告警检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110515916.0A CN113111139A (zh) 2021-05-12 2021-05-12 一种基于物联传感器的告警检测方法和装置

Publications (1)

Publication Number Publication Date
CN113111139A true CN113111139A (zh) 2021-07-13

Family

ID=76722452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110515916.0A Pending CN113111139A (zh) 2021-05-12 2021-05-12 一种基于物联传感器的告警检测方法和装置

Country Status (1)

Country Link
CN (1) CN113111139A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114301942A (zh) * 2021-12-29 2022-04-08 杭州涂鸦信息技术有限公司 数据上报方法、数据上报装置以及计算机可读存储介质
CN114544874A (zh) * 2022-02-21 2022-05-27 北京京东尚科信息技术有限公司 一种农作物水份检测方法和装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114301942A (zh) * 2021-12-29 2022-04-08 杭州涂鸦信息技术有限公司 数据上报方法、数据上报装置以及计算机可读存储介质
CN114544874A (zh) * 2022-02-21 2022-05-27 北京京东尚科信息技术有限公司 一种农作物水份检测方法和装置
CN114544874B (zh) * 2022-02-21 2024-04-05 北京京东尚科信息技术有限公司 一种农作物水份检测方法和装置

Similar Documents

Publication Publication Date Title
CN111143102B (zh) 异常数据检测方法、装置、存储介质及电子设备
CN109471783B (zh) 预测任务运行参数的方法和装置
CN111796957B (zh) 基于应用日志的交易异常根因分析方法及系统
CN106919957B (zh) 处理数据的方法及装置
CN109885452A (zh) 性能监控方法、装置及终端设备
CN113111139A (zh) 一种基于物联传感器的告警检测方法和装置
CN110287316A (zh) 一种告警分类方法、装置、电子设备及存储介质
TWI709932B (zh) 交易指標的監控方法、裝置及設備
CN112188531A (zh) 异常检测方法、装置、电子设备及计算机存储介质
CN113556258A (zh) 一种异常检测方法及装置
CN110471821A (zh) 异常变更检测方法、服务器及计算机可读存储介质
CN114118287A (zh) 样本生成方法、装置、电子设备以及存储介质
CN112861895B (zh) 一种异常物品的检测方法和装置
CN113537337A (zh) 训练方法、异常检测方法、装置、设备和存储介质
CN110046245A (zh) 一种数据监控方法及装置、一种计算设备及存储介质
CN112948223A (zh) 一种监测运行情况的方法和装置
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN114884813B (zh) 一种网络架构确定方法、装置、电子设备及存储介质
CN115454466A (zh) 机器学习模型自动更新的方法、装置、设备和介质
CN115509784A (zh) 数据库实例的故障检测方法和装置
CN110688273B (zh) 分类模型的监控方法、装置、终端以及计算机存储介质
CN114661562A (zh) 一种数据告警方法、装置、设备及介质
CN113656452A (zh) 调用链指标异常的检测方法、装置、电子设备及存储介质
CN114090385A (zh) 一种针对服务运行状态的监控预警方法、装置及设备
CN114140241A (zh) 一种交易监控指标的异常识别方法及装置

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