CN114885234A - 基于物联网的景区服务设备异常检测方法 - Google Patents

基于物联网的景区服务设备异常检测方法 Download PDF

Info

Publication number
CN114885234A
CN114885234A CN202210806950.8A CN202210806950A CN114885234A CN 114885234 A CN114885234 A CN 114885234A CN 202210806950 A CN202210806950 A CN 202210806950A CN 114885234 A CN114885234 A CN 114885234A
Authority
CN
China
Prior art keywords
data
matrix
time
segment
volatility
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
Application number
CN202210806950.8A
Other languages
English (en)
Other versions
CN114885234B (zh
Inventor
赵延军
卢绪金
苗辉
赵建伟
张鑫
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.)
Shandong Meili Village Cloud Computing Co ltd
Original Assignee
Shandong Meili Village Cloud Computing Co ltd
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 Shandong Meili Village Cloud Computing Co ltd filed Critical Shandong Meili Village Cloud Computing Co ltd
Priority to CN202210806950.8A priority Critical patent/CN114885234B/zh
Publication of CN114885234A publication Critical patent/CN114885234A/zh
Application granted granted Critical
Publication of CN114885234B publication Critical patent/CN114885234B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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]
    • G16Y10/00—Economic sectors
    • G16Y10/75—Information technology; Communication
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
    • H04Q2209/823—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent when the measured values exceed a threshold, e.g. sending an alarm
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及数据识别技术领域，具体涉及一种基于物联网的景区服务设备异常检测方法。该方法构建数据矩阵并在时序上将数据矩阵分为多个时间子矩阵。分析时间子矩阵中每行数据的段内波动性和段间波动性。根据时间子矩阵中行向量之间的协方差构建参考协方差矩阵，通过特征值分析获得每个行向量的重要程度。根据段内波动性、段间波动性和重要程度获得每种传感器数据的关注度，进而识别出每个时间子矩阵中的需关注数据。本发明通过对需关注数据进行针对性的异常检测，节省了检测算力且增加了检测效率。

Description

基于物联网的景区服务设备异常检测方法
技术领域
本发明涉及数据识别技术领域，具体涉及一种基于物联网的景区服务设备异常检测方法。
背景技术
随着社会的发展和技术的进步，现代景区中存在大量的电气服务设备，且服务设备中包含相应的传感器检测设备数据，并通过物联网方法将设备数据上传至网络平台进行统一检测。在景区中电气服务设备可能会因为元器件老化、接触不良、短路、接地不当、线网电压突变、雷电干扰等因素导致电气设备发生故障，严重故障会影响设备运行从而导致景区游客出现安全隐患。
为了增加景区的安全性，需要根据物联网中上传的数据进行数据检测，从而识别出异常数据。但是现有技术中数据检测需要每种数据均进行异常检测，对于一些数据稳定且不会发生变化的数据也会投入大量的算力去分析该数据的异常性，容易造成大量的算力浪费，影响了检测效率。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于物联网的景区服务设备异常检测方法，所采用的技术方案具体如下：
本发明提供了一种基于物联网的景区服务设备异常检测方法，所述方法包括：
根据预设采样频率在预设采样时间段内将景区内多种传感器数据通过物联网设备上传至存储平台，获得数据矩阵；所述数据矩阵每行代表一种所述传感器数据，每列代表对应所述采样频率下的多种所述传感器数据；
在时序上将所述数据矩阵分为多个时间子矩阵；获得每个所述时间子矩阵中每行元素之间的段内波动性；根据所述时间子矩阵与相邻的其他时间子矩阵之间对应行之间的元素均值差异获得每种所述传感器数据的段间波动性；
获得所述时间子矩阵的参考协方差矩阵；所述参考协方差矩阵中每个元素为所述时间子矩阵中行向量之间的协方差；对所述参考协方差矩阵进行特征值分解，获得每个所述行向量对应的特征值，以所述特征值作为所述行向量对应的所述传感器数据的重要程度；将所述重要程度、所述段内波动性和所述段间波动性加权求和，获得每个所述传感器数据的关注度；
将大于预设关注度阈值的所述关注度对应的所述传感器数据作为所述时间子矩阵中需关注数据；对每个所述时间子矩阵中的所述需关注数据进行异常检测，发出预警信息，所述预警信息包括异常时刻和异常数据种类。
进一步地，获得所述数据矩阵后还包括：
利用中值滤波算法对所述数据矩阵进行去噪处理。
进一步地，所述获得每个所述时间子矩阵中每行元素之间的段内波动性包括：
根据段内波动性计算公式获得所述段内波动性，所述段内波动性计算公式包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
为所述时间子矩阵中第
Figure 100002_DEST_PATH_IMAGE006
行元素之间的段内波动性，
Figure 100002_DEST_PATH_IMAGE008
为所述时间子矩阵的列数，
Figure 100002_DEST_PATH_IMAGE010
为所述时间子矩阵中第
Figure 838033DEST_PATH_IMAGE006
行第
Figure 100002_DEST_PATH_IMAGE012
列的元素，
Figure 100002_DEST_PATH_IMAGE014
为所述时间子矩阵中第
Figure 639767DEST_PATH_IMAGE006
行的元素均值。
进一步地，所述根据所述时间子矩阵与相邻的其他时间子矩阵之间对应行之间的元素均值差异获得每种所述传感器数据的段间波动性包括：
若所述时间子矩阵在所述数据矩阵中的位置为第一个或者最后一个，则获得所述时间子矩阵与相邻的其他子矩阵之间对应行之间元素均值的差值绝对值，以所述差值绝对值与所述时间子矩阵中对应行的元素均值的比值作为所述段间波动性；
若所述时间子矩阵在所述数据矩阵中的位置不为第一个和最后一个，则分别获得所述时间子矩阵与相邻的两个其他子矩阵之间对应行之间元素均值的所述差值绝对值，以最大的所述差值绝对值与所述时间子矩阵中对应行的元素均值的比值作为所述段间波动性。
进一步地，所述以所述特征值作为所述行向量对应的所述传感器数据的重要程度包括：
以所述特征值在所有特征值中的占比作为所述传感器数据的所述重要程度。
进一步地，所述将所述重要程度、所述段内波动性和所述段间波动性加权求和，获得每个所述传感器数据的关注度包括：
以所述段内波动性和所述段间波动性的均值作为波动性；将所述波动性和所述重要程度加权求和，获得每个所述传感器数据的所述关注度。
进一步地，所述对每个所述时间子矩阵中的所述需关注数据进行异常检测包括：
获得所述时间子矩阵中每个所述需关注数据与其他需关注数据之间的样本距离，所述样本距离为所述需关注数据与所述其他需关注数据之间的差值绝对值和所述需关注数据的比值；以每个所述需关注数据最小的K个所述样本距离的平均距离作为异常判断指标，K为正整数，若所述异常判断指标大于预设指标阈值，则发出预警信息，以所述异常判断指标对应的所述需关注数据的数据种类作为所述异常数据种类，对应的采样时间作为所述异常时刻。
本发明具有如下有益效果：
本发明实施例根据在时序上将获得的数据矩阵分割为多个小时间段的时间子矩阵。进而获得每个时间子矩阵中每种传感器数据的波动性，波动性越大说明该数据出现异常的隐患越大。进一步通过每个时间子矩阵中行向量之间的协方差关系构建参考协方差矩阵，通过特征分析获得每种传感器数据的重要程度，重要程度表示传感器数据在时间子矩阵中占据信息的多少。根据波动性和重要程度即可获得每个时间子矩阵中每个传感器数据的关注度，进而获得对应的需关注数据。本发明实施例考虑到了景区设备繁多，数据种类复杂且容易出现变化，通过在时序上的小段分割并且在每个小时间段上对该时间段内需关注数据进行针对性的异常检测，即节省了检测算力还通过针对性的检测提高了异常检测的效率。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例所提供的一种基于物联网的景区服务设备异常检测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于物联网的景区服务设备异常检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于物联网的景区服务设备异常检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于物联网的景区服务设备异常检测方法流程图，该方法包括：
步骤S1：根据预设采样频率在预设采样时间段内将景区内多种传感器数据通过物联网设备上传至存储平台，获得数据矩阵；数据矩阵每行代表一种传感器数据，每列代表对应采样频率下的多种传感器数据。
现代景区服务中包含多种电气服务设备，例如缆车、电子展览屏、语音播报装置等等，服务设备会产生大量的电参量即传感器数据，均可利用连接了物联网的传感器将数据传输至存储平台并进行异常分析检测。在本发明实施例中采样频率设置为一毫秒，采样时间段设置为10秒，即在本发明实施例中，数据矩阵的列数为一万列，每列代表对应采样频率下的多种传感器数据，数据矩阵每行代表一种传感器数据在时序上的变化，行数表示传感器数据的种类数，即景区存在多少种传感器数据，在数据矩阵中就有多少行。即数据矩阵形式为：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为数据矩阵，
Figure DEST_PATH_IMAGE020
表示第
Figure 486762DEST_PATH_IMAGE008
种传感器数据在第
Figure DEST_PATH_IMAGE022
个采样频率下的数据。
需要说明的是，因为物联网在传递数据过程中数据会夹杂这没有固定动态规律的白噪声，噪声信息会干扰后续的数据分析和数据检测，因此在进行后续处理之前需要将噪声剔除。优选的，利用中值滤波算法对数据矩阵进行去噪处理。在本发明实施例中，中值滤波算法使用的窗口尺寸为1*5的窗口，步长为1对数据矩阵进行遍历。
步骤S2：在时序上将数据矩阵分为多个时间子矩阵；获得每个时间子矩阵中每行元素之间的段内波动性；根据时间子矩阵与相邻的其他时间子矩阵之间对应行之间的元素均值差异获得每种传感器数据的段间波动性。
考虑到不同时间段中的传感器数据会出现偶发性的异常，偶发性的异常如果不进行处理的话会因为设备的继续使用演变为严重且持续的异常，但是仅根据数据矩阵整体进行异常数据分析的话会忽略掉偶发性异常的情况，因此在时序上将数据矩阵分为多个时间子矩阵，在本发明实施例中，将数据矩阵的时序上均分为100份，即按照数据矩阵的列进行分割，每100列为一个时间子矩阵，总共分割成100个时间子矩阵，表示为：
Figure DEST_PATH_IMAGE024
，其中
Figure DEST_PATH_IMAGE026
为第
Figure DEST_PATH_IMAGE028
个时间子矩阵，
Figure 325537DEST_PATH_IMAGE028
等于100。
根据先验知识可知，电气服务设备在正常工作时，对应的传感器数据应保持在一个正常数据的范围内或者呈现规律性的数据变化。如果电气服务设备出现异常或者即将出现异常，则在一个时间段内会出现不规律且比较剧烈的数据变化。因此数据的波动性能够有效表达数据的关注度，即数据的波动性越大，说明当前数据越不稳定，越容易出现异常或者已经出现异常，则在异常检测中越需要对该类数据进行关注。因此需要对每个时间子矩阵中每行数据的波动性进行分析，每行数据的波动性即代表了对应种类的传感器数据的波动性，波动性分为段内波动性和段间波动性，段内波动性是由时间子矩阵中的行向量本身中的元素产生的，而段间波动性是由不同时间子矩阵之间对应行向量之间的数据差异产生的，段内波动性越大，说明在对应的小段时间段内数据出现较为强烈的数据变化；段间波动性越大，说明在对应的小段时间段内的数据与其他时间段内的数据存在强烈的数据变化。因此以段内波动性和段间波动性共同表示每个时间子矩阵中每种传感器数据的数据波动性。
获得每个时间子矩阵中每行元素之间的段内波动性具体包括：
根据段内波动性计算公式获得段内波动性，段内波动性计算公式包括：
Figure DEST_PATH_IMAGE002A
其中，
Figure 530253DEST_PATH_IMAGE004
为时间子矩阵中第
Figure 276623DEST_PATH_IMAGE006
行元素之间的段内波动性，
Figure 742240DEST_PATH_IMAGE008
为时间子矩阵的列数，
Figure 532341DEST_PATH_IMAGE010
为时间子矩阵中第
Figure 834141DEST_PATH_IMAGE006
行第
Figure 367890DEST_PATH_IMAGE012
列的元素，
Figure 688013DEST_PATH_IMAGE014
为时间子矩阵中第
Figure 930907DEST_PATH_IMAGE006
行的元素均值。
根据时间子矩阵与相邻的其他时间子矩阵之间对应行之间的元素均值差异获得每种传感器数据的段间波动性具体包括：
若时间子矩阵在数据矩阵中的位置为第一个或者最后一个，则获得时间子矩阵与相邻的其他子矩阵之间对应行之间元素均值的差值绝对值，以差值绝对值与时间子矩阵中对应行的元素均值的比值作为段间波动性。
若时间子矩阵在数据矩阵中的位置不为第一个和最后一个，则分别获得时间子矩阵与相邻的两个其他子矩阵之间对应行之间元素均值的差值绝对值，以最大的差值绝对值与时间子矩阵中对应行的元素均值的比值作为段间波动性。
步骤S3：获得时间子矩阵的参考协方差矩阵；参考协方差矩阵中每个元素为时间子矩阵中行向量之间的协方差；对参考协方差矩阵进行特征值分解，获得每个行向量对应的特征值，以特征值作为行向量对应的传感器数据的重要程度；将重要程度、段内波动性和段间波动性加权求和，获得每个传感器数据的关注度。
协方差能够表示两个变量的总体的误差，如果两个变量的变化趋势一致，则对应的协方差为正数，且协方差越大说明变化趋势越相似；如果两个变量的变化趋势相反，则对应的协方差为负数，且协方差小说明变化趋势差异越大。
时间子矩阵中每行数据组成的行向量能够视为一个在时序上的变量集合，因此可获得时间子矩阵中每个行向量之间的协方差，组成参考协方差矩阵。需要说明的是，在计算协方差时需要将所有行向量中的元素进行归一化，从而方便协方差的计算，协方差计算为本领域技术人员熟知的计算方法，在此不做赘述。
参考协方差矩阵用于进行特征值分解，从而获得具有参考性的每个行向量对应的特征值，特征值表示了数据在矩阵中某个方向上的投影大小，因此以特征值作为对应传感器数据的重要程度，重要程度越大说明该传感器数据在多种传感器数据中占据更多的信息。优选的，以特征值在所有特征值中的占比作为传感器数据的所述重要程度。
将重要程度、段内波动性和段间波动性加权求和，获得每个传感器数据的关注度，关注度与重要程度、段内波动性和段间波段性呈正相关关系，具体获得关注度的方法包括：
以段内波动性和段间波动性的均值作为波动性，将波动性和重要程度加权求和，获得每个传感器数据的关注度。在本发明实施例中，波动性的权值设置为0.6，重要程度的权值设置为0.4，即关注度表达式为：
Figure DEST_PATH_IMAGE030
，其中，
Figure DEST_PATH_IMAGE032
为关注度，
Figure DEST_PATH_IMAGE034
为波动性，
Figure DEST_PATH_IMAGE036
为重要程度。
步骤S4：将大于预设关注度阈值的关注度对应的传感器数据作为时间子矩阵中需关注数据；对每个时间子矩阵中的需关注数据进行异常检测，发出预警信息，预警信息包括异常时刻和异常数据种类。
根据每个时间子矩阵中每种传感器数据的关注度可筛选出当前时间段内需要关注到的传感器数据，将大于预设关注度阈值的关注度对应的传感器数据作为时间子矩阵中需关注数据。对于数据矩阵中的所有时间子矩阵均可获得对应的需关注数据，进而对时间子矩阵中的需关注数据进行针对性的异常检测，若出现异常，则发出预警信息。通过针对性的异常检测，节省了异常检测的算力，增加了异常检测的效率。需要说明的是，关注度阈值可根据具体传感器数据的种类进行具体设置，在此不做限定。
优选的，具体异常检测方法包括：获得时间子矩阵中每个需关注数据与其他需关注数据之间的样本距离，样本距离为需关注数据与其他需关注数据之间的差值绝对值和需关注数据的比值。以每个需关注数据最小的K个样本距离的平均距离作为异常判断指标，K为正整数，若异常判断指标大于预设指标阈值，则发出预警信息，以异常判断指标对应的需关注数据的数据种类作为异常数据种类，对应的采样时间作为异常时刻，发出包含异常时刻和异常数据种类的预警信息。在本发明实施例中，K设置为10，指标阈值设置为0.2。
综上所述，本发明实施例构建数据矩阵并在时序上将数据矩阵分为多个时间子矩阵。分析时间子矩阵中每行数据的段内波动性和段间波动性。根据时间子矩阵中行向量之间的协方差构建参考协方差矩阵，通过特征值分析获得每个行向量的重要程度。根据段内波动性、段间波动性和重要程度获得每种传感器数据的关注度，进而获得每个时间子矩阵中的需关注数据。本发明实施例通过对需关注数据进行针对性的异常检测，节省了检测算力且增加了检测效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于物联网的景区服务设备异常检测方法，其特征在于，所述方法包括：
根据预设采样频率在预设采样时间段内将景区内多种传感器数据通过物联网设备上传至存储平台，获得数据矩阵；所述数据矩阵每行代表一种所述传感器数据，每列代表对应所述采样频率下的多种所述传感器数据；
在时序上将所述数据矩阵分为多个时间子矩阵；获得每个所述时间子矩阵中每行元素之间的段内波动性；根据所述时间子矩阵与相邻的其他时间子矩阵之间对应行之间的元素均值差异获得每种所述传感器数据的段间波动性；
获得所述时间子矩阵的参考协方差矩阵；所述参考协方差矩阵中每个元素为所述时间子矩阵中行向量之间的协方差；对所述参考协方差矩阵进行特征值分解，获得每个所述行向量对应的特征值，以所述特征值作为所述行向量对应的所述传感器数据的重要程度；将所述重要程度、所述段内波动性和所述段间波动性加权求和，获得每个所述传感器数据的关注度；
将大于预设关注度阈值的所述关注度对应的所述传感器数据作为所述时间子矩阵中需关注数据；对每个所述时间子矩阵中的所述需关注数据进行异常检测，发出预警信息，所述预警信息包括异常时刻和异常数据种类。
2.根据权利要求1所述的一种基于物联网的景区服务设备异常检测方法，其特征在于，获得所述数据矩阵后还包括：
利用中值滤波算法对所述数据矩阵进行去噪处理。
3.根据权利要求1所述的一种基于物联网的景区服务设备异常检测方法，其特征在于，所述获得每个所述时间子矩阵中每行元素之间的段内波动性包括：
根据段内波动性计算公式获得所述段内波动性，所述段内波动性计算公式包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为所述时间子矩阵中第
Figure DEST_PATH_IMAGE006
行元素之间的段内波动性，
Figure DEST_PATH_IMAGE008
为所述时间子矩阵的列数，
Figure DEST_PATH_IMAGE010
为所述时间子矩阵中第
Figure 973171DEST_PATH_IMAGE006
行第
Figure DEST_PATH_IMAGE012
列的元素，
Figure DEST_PATH_IMAGE014
为所述时间子矩阵中第
Figure 719673DEST_PATH_IMAGE006
行的元素均值。
4.根据权利要求1所述的一种基于物联网的景区服务设备异常检测方法，其特征在于，所述根据所述时间子矩阵与相邻的其他时间子矩阵之间对应行之间的元素均值差异获得每种所述传感器数据的段间波动性包括：
若所述时间子矩阵在所述数据矩阵中的位置为第一个或者最后一个，则获得所述时间子矩阵与相邻的其他子矩阵之间对应行之间元素均值的差值绝对值，以所述差值绝对值与所述时间子矩阵中对应行的元素均值的比值作为所述段间波动性；
若所述时间子矩阵在所述数据矩阵中的位置不为第一个和最后一个，则分别获得所述时间子矩阵与相邻的两个其他子矩阵之间对应行之间元素均值的所述差值绝对值，以最大的所述差值绝对值与所述时间子矩阵中对应行的元素均值的比值作为所述段间波动性。
5.根据权利要求1所述的一种基于物联网的景区服务设备异常检测方法，其特征在于，所述以所述特征值作为所述行向量对应的所述传感器数据的重要程度包括：
以所述特征值在所有特征值中的占比作为所述传感器数据的所述重要程度。
6.根据权利要求1所述的一种基于物联网的景区服务设备异常检测方法，其特征在于，所述将所述重要程度、所述段内波动性和所述段间波动性加权求和，获得每个所述传感器数据的关注度包括：
以所述段内波动性和所述段间波动性的均值作为波动性；将所述波动性和所述重要程度加权求和，获得每个所述传感器数据的所述关注度。
7.根据权利要求1所述的一种基于物联网的景区服务设备异常检测方法，其特征在于，所述对每个所述时间子矩阵中的所述需关注数据进行异常检测包括：
获得所述时间子矩阵中每个所述需关注数据与其他需关注数据之间的样本距离，所述样本距离为所述需关注数据与所述其他需关注数据之间的差值绝对值和所述需关注数据的比值；以每个所述需关注数据最小的K个所述样本距离的平均距离作为异常判断指标，K为正整数，若所述异常判断指标大于预设指标阈值，则发出预警信息，以所述异常判断指标对应的所述需关注数据的数据种类作为所述异常数据种类，对应的采样时间作为所述异常时刻。
CN202210806950.8A 2022-07-11 2022-07-11 基于物联网的景区服务设备异常检测方法 Active CN114885234B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210806950.8A CN114885234B (zh) 2022-07-11 2022-07-11 基于物联网的景区服务设备异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210806950.8A CN114885234B (zh) 2022-07-11 2022-07-11 基于物联网的景区服务设备异常检测方法

Publications (2)

Publication Number Publication Date
CN114885234A true CN114885234A (zh) 2022-08-09
CN114885234B CN114885234B (zh) 2022-09-09

Family

ID=82683248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210806950.8A Active CN114885234B (zh) 2022-07-11 2022-07-11 基于物联网的景区服务设备异常检测方法

Country Status (1)

Country Link
CN (1) CN114885234B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116610682A (zh) * 2023-07-21 2023-08-18 山东盈动智能科技有限公司 基于数据存储的温度测试仪数据分类方法
CN116700630A (zh) * 2023-08-03 2023-09-05 山东三方化工集团有限公司 基于物联网的有机无机复混肥料生产数据优化存储方法
CN116776128A (zh) * 2023-08-22 2023-09-19 青岛有屋科技有限公司 基于物联网的智能家居数据采集系统
CN117714380A (zh) * 2024-01-24 2024-03-15 陕西小保当矿业有限公司 一种物联网数据接入方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109974784A (zh) * 2019-04-19 2019-07-05 北京中大科慧科技发展有限公司 半自动检测设备
CN113094862A (zh) * 2021-05-20 2021-07-09 上海理工大学 一种基于数据驱动的台区多层拓扑结构辨识方法
WO2022010377A1 (ru) * 2020-07-06 2022-01-13 Акционерное Общество "Ротек" Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109974784A (zh) * 2019-04-19 2019-07-05 北京中大科慧科技发展有限公司 半自动检测设备
WO2022010377A1 (ru) * 2020-07-06 2022-01-13 Акционерное Общество "Ротек" Способ и система удаленного мониторинга и прогнозирования состояния технологических объектов
CN113094862A (zh) * 2021-05-20 2021-07-09 上海理工大学 一种基于数据驱动的台区多层拓扑结构辨识方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116610682A (zh) * 2023-07-21 2023-08-18 山东盈动智能科技有限公司 基于数据存储的温度测试仪数据分类方法
CN116610682B (zh) * 2023-07-21 2023-09-29 山东盈动智能科技有限公司 基于数据存储的温度测试仪数据分类方法
CN116700630A (zh) * 2023-08-03 2023-09-05 山东三方化工集团有限公司 基于物联网的有机无机复混肥料生产数据优化存储方法
CN116700630B (zh) * 2023-08-03 2023-11-10 山东三方化工集团有限公司 基于物联网的有机无机复混肥料生产数据优化存储方法
CN116776128A (zh) * 2023-08-22 2023-09-19 青岛有屋科技有限公司 基于物联网的智能家居数据采集系统
CN116776128B (zh) * 2023-08-22 2023-10-17 青岛有屋科技有限公司 基于物联网的智能家居数据采集系统
CN117714380A (zh) * 2024-01-24 2024-03-15 陕西小保当矿业有限公司 一种物联网数据接入方法及系统

Also Published As

Publication number Publication date
CN114885234B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN114885234B (zh) 基于物联网的景区服务设备异常检测方法
CN113049922B (zh) 一种采用卷积神经网络的故障电弧信号检测方法
Biswal et al. Detection and characterization of multiple power quality disturbances with a fast S-transform and decision tree based classifier
CN109257383B (zh) 一种bgp异常检测方法及系统
CN112485610B (zh) 考虑绝缘劣化的gis局部放电特征参数提取方法
CN117371875B (zh) 基于数据分析的音箱生产质量评价方法及系统
Jia et al. Power transformer partial discharge fault diagnosis based on multidimensional feature region
Yadav et al. Bearing Fault Detection Using Logarithmic Wavelet Packet Transform and Support Vector Machine.
CN114172706A (zh) 智能音箱网络流量异常的检测方法、系统、设备和介质
CN110609088A (zh) 一种支柱绝缘子故障识别方法及装置
Yaqub et al. An adaptive self-configuration scheme for severity invariant machine fault diagnosis
Álvarez-Meza et al. Automatic Singular Spectrum Analysis for Time-Series Decomposition.
CN111965508B (zh) 一种基于小波变换的局部放电信号检测方法
Zhang et al. A Novel Diagnosis Method Based on the Feature Selection Algorithm and Convolutional Neural Network for SF 6 Gas-Insulated Equipment
CN112485616A (zh) 电缆绝缘老化检测方法、装置、存储介质及处理器
CN108957262A (zh) 信号降噪方法及装置
Ponti et al. Optical-flow features empirical mode decomposition for motion anomaly detection
CN115717993A (zh) 多通道信号自适应分解方法
CN115293303A (zh) 一种高压输电线网监测方法、系统、设备和介质
CN112231183B (zh) 通信设备告警预测方法和装置、电子设备和可读存储介质
Carratù et al. Anomaly Detection on Industrial Electrical Systems using Deep Learning
CN115102983A (zh) 基于压缩感知的电力物联网多源异构数据信号处理方法
KR20220028727A (ko) 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
CN118033297B (zh) 一种多模态智能接地箱的监测方法
Fernandes et al. Digital signature to help network management using principal component analysis and K-means clustering

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