CN115269342A - 一种基于边缘计算的监测云平台及其监测方法 - Google Patents

Abstract

本发明公开了一种基于边缘计算的监测云平台及其监测方法，涉及边缘计算技术领域。为了解决许多数据流由边缘设备生成，但是通过远处的云计算处理和分析，不可能做出实时决策的问题。一种基于边缘计算的监测云平台，包括云监测平台、边缘计算网关和监测本地平台；云监测平台，用于获取不少于一个的边缘计算网关主动上传的数据；边缘计算网关，用于获取监测本地平台采集的本地数据；监测本地平台，用于获取采集本地监测数据；通过将计算放到更加靠近数据源的地方执行，进行分布式计算，有效的降低了计算和网络延时，减轻了边缘计算的处理压力，云监测平台实时监测，提高了实效性，避免远程监测出现卡顿或延时的现象，提高监测效果和监测质量。

Description

一种基于边缘计算的监测云平台及其监测方法

技术领域

本发明涉及边缘计算技术领域，特别涉及一种基于边缘计算的监测云平台及其监测方法。

背景技术

边缘计算是一种使计算机数据存储更接近需要的位置的分布式计算模式。计算主要或完全在分布式设备节点上执行。对于边缘计算的监测云平台，已有相关专利，比如申请号：CN202110168037.5公开了基于多点协同的边缘计算故障或安全威胁监测系统与方法，该专利通过监测单元实时获取本边缘计算服务器系统和协同节点的故障与网络安全威胁信息并上报边缘计算节点系统状态监测中心云平台，实现边缘计算节点之间的协同监测能力。

然而基于边缘计算仍存在以下几点问题：

1、各种传感器和节点设备组成的感知网络愈发庞大与复杂，数据量激增，部分应用场景对数据处理的实时性要求高，许多数据流由边缘设备生成，但是通过远处的云计算处理和分析，不可能做出实时决策；

2、传统的监测云平台通常采用前端数据采集，且计算数据通常基于全端采集数据，然而无法保证前端数据采集的真实性和实效性，使得数据本身质量不高，影响计算结果。

发明内容

本发明的目的在于提供一种基于边缘计算的监测云平台及其监测方法，通过将计算放到更加靠近数据源的地方执行，进行分布式计算，有效的降低了计算和网络延时，减轻了边缘计算的处理压力，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于边缘计算的监测云平台，包括云监测平台、边缘计算网关和监测本地平台；

云监测平台，用于：

获取不少于一个的边缘计算网关主动上传的数据；

并将所述边缘计算网关主动上传的数据分割为多个连续区域；

对每一区域对应的子数据中提取定位数据，与显示地图中的位置一一对应；

边缘计算网关，用于：

获取监测本地平台采集的本地数据，根据接收到的所述本地数据进行分布式计算，利用边缘缓存保存现场全量数据；

监测本地平台，用于：

获取采集本地监测数据，并将获取到的监测数据与对应的定位数据和时间数据进行打包生成数据集；

其中，所述本地监测数据包括：人员行为数据、车辆数据、设备数据和危险源数据；

对所述数据集获取监测数据类型，将所述数据类型与标签数据库一一匹配，建立标签后上传至边缘计算网关。

进一步的，监测本地平台包括：

数据采集单元，用于对所述监测本地进行数据采集，同时获取采集数据的坐标数据与时间数据；

数据整合单元，用于采集的监测数据、坐标数据与时间数据进行整合，将整合的数据生成数据集；

数据读取单元，用于对所述数据集进行读取，确定数据集的数据类型；

数据传输单元，用于确定与所述边缘计算网关的通信链路标识，基于所述通信链路标识获取关联通信节点；

并基于所述关联通信节点构建通信链路，同时基于边缘计算网关与监测本地平台的通信链路依次标号。

进一步的，数据读取单元，包括：

样本数据对比模块，用于：

提取获取到的所述监测数据的数据特征，将所述数据特征与数据库中的样本数据的数据特征进行比对；

获取比对结果，确定数据库中匹配对应的样本数据的数据类型；

数据校验模块，用于：

读取所述数据类型，并基于所述数据类型生成数据校验的约束条件；

基于约束条件对所述监测数据进行数据校验，并基于校验结果标记不符合所述约束条件的监测数据；

在所述监测数据中摘取出标记不符合所述约束条件的监测数据，作为目标监测数据；

数据分类模块，用于：

获取所述目标监测数据所携带的坐标数据和时间数据，建立与所述时间数据相对应的时间坐标轴；

将所述目标监测数据依据所述时间数据一一输入至所述时间坐标轴内，获取多个监测数据节点；

数据补充模块，用于获取相邻所述监测数据节点，判断相邻数据是否存在遗漏，并根据存在遗漏的数据进行计算，生成完整的传输数据。

进一步的，边缘计算网关包括：

数据接收单元，用于基于所述通信链路获取所述数据传输单元传输的数据，并对所述传输来的数据进行分析，将所述传输来的数据依据时间数据进行排序；

边缘数据处理单元，用于：

获取所述传输来的数据中的监测数据，基于数据类型确定数据分类标识；

同时，将所述数据分类标识输入预设边缘数据计算神经网络中进行学习，确定所述数据分类标识的分类表达；

将所述数据分类标识分割为多层的边缘处理树，每一层包括多个相同分类标识的数据集；

在边缘层对所述数据集进行预处理，剔除冗余数据，获取处理后的监测数据；

边缘缓存单元，用于利用边缘缓存保存数据集，并获取所述数据集中携带的时间数据，依次通过缓存设备导入所述云监测平台；

边缘计算单元，用于确定根据待监测场景的坐标数据分配距离目标数据源最近的边缘监测节点；

依据所述数据类型判断设备检测、设备故障、劣化预测指标范围；

根据边缘监测节点的类型，确定对边缘监测节点包括的对象数据的提取方式；

将边缘监测节点包括的内容区域中与所述提取方式相匹配的区域，确定为目标区域；

将所述检测数据中的对应数据类型提取数据指标数值，将所述数据指标数值输入至所述目标区域；

判断所述目标区域内数据指标数值，输入至预设目标计算网络神经中进行计算，判断计算结果是否在所述预测指标范围。

进一步的，边缘计算单元，还用于：

对所述监测数据进行读取，确定所述监测数据中的人员行为特征点，同时，根据所述行为特征点构建所述人员的行为网络，同时，基于所述行为特征点将所述监测数据在所述行为网络中进行部署；

基于部署结果确定所述监测数据在所述行为网络中的部署特征，并根据所述部署特征确定所述人员的行为习惯；

获取所述行为习惯的第一习惯权重，同时，基于所述第一习惯权重对所述行为习惯进行评分，确定行为分值，并将所述行为分值与评分阈值进行比较，判断所述人员是否行为规范；

当所述行为分值等于或大于所述评分阈值时，则判定所述人员行为规范；

否则，则判定所述人员行为不规范，同时，当所述人员行为不规范时，生成预警报告；

同时，获取所述监测数据中携带的所述定位数据，在所述显示地图上进行预警标识显示。

进一步的，云监测平台包括：

数据获取单元，用于获取所述边缘计算网关处理后的监测数据，并提取所述处理后的监测数据中的定位数据；

数据显示单元，用于：

获取所述定位数据，依据所述定位数据对所述处理后的检测数据进行排列；

将显示地图分割为多个连续区域，将所述定位数据与所述多个连续区域的范围一一匹配，并依据匹配结果输入至对应区域中；

其中，在所述显示地图中针对获取到的所述预警报告进行突出显示；

云端存储单元，用于：

获取所述边缘缓存单元的全量数据，将所述全量数据填充到图表模板中得到监测记录图表；

在所述监测记录图表中，调取任一时间或任一地点的对应数据时，则进行所述监测数据全部信息的调取，并将所述监测数据信息的关联信息单独呈现；

同时，依据调取时间生成调取记录，并将调取记录生成表格单独呈现。

进一步的，边缘计算网关还包括：

判断计算结果不在所述预测指标范围内，则根据调控规则对相应现场环境调节设备发出远程控制指令；

同时，管理员根据现场实际环境结合边缘计算结果的情况直接向指定的现场环境调节设备发出远程控制指令。

进一步度，所述数据整合单元，包括：

标准化子单元，用于基于所述边缘计算网关的计算规则，确定所述边缘计算网关对数据进行计算的标准数据格式，并按照所述标准数据格式，对所述监测数据、坐标数据与时间数据进行数据标准化，得到标准监测数据、标准坐标数据与标准时间数据；

校验子单元，用于提取所述标准监测数据的重要字段，并对所述重要字段进行语义关联分析，确定出存在异常的目标重要字段，并从所述标准监测数据中提取所述目标重要字段对应的异常监测数据进行剔除；

所述校验子单元，还用于获取所述标准坐标数据的坐标特征和时间数据的时间特征，并基于所述坐标特征和时间特征分别确定所述标准坐标数据和标准时间数据的坐标规律和时间规律，从所述标准坐标数据提取不满足所述坐标规律的异常坐标数据进行剔除，从所述标准时间数据提取不满足所述时间规律的异常时间数据进行剔除；

数据匹配子单元，用于将校验后的所述标准坐标数据与所述标准监测数据进行匹配，得到第一匹配结果，将校验后的所述标准时间数据与所述标准监测数据进行匹配，得到第二匹配结果；

标记子单元，用于获取所述标准监测数据的属性，按照所述属性对所述标准监测数据进行划分，得到监测数据分布图，并基于所述第一匹配结果，对所述监测数据分布图进行坐标标记，基于所述第二匹配结果，对所述监测数据分布图进行时间标记，最终，得到监测数据标记分布图；

指令确定子单元，用于按照多个数据整合要求，确定对所述监测数据标记分布图多次不同的数据整合规则，并基于所述不同的数据整合规则建立动态数据整合指令；

数据整合子单元，用于基于所述动态数据整合指令，对所述校验后的标准监测数据、标准坐标数据与标准时间数据进行动态整合，得到多组整合数据，基于所述多组整合数据生成数据集。

进一步的，所述在边缘层对所述数据集进行预处理，剔除冗余数据，获取处理后的监测数据，具体为：

将所述数据集划分为多个数据；

对每个数据进行瞬态时序验证，根据验证结果确定每个数据的模态特征变化值和序列反馈系数；

根据每个数据的模态特征变化值确定该数据的模态特征衰减指数；

根据每个数据的模态特征衰减指数和序列反馈系数计算出该数据的目标哈希值：

其中，F_i表示为第i个数据的目标哈希值，x_i表示为第i个数据，α表示为预设杂凑因子，Q表示为计算辅助参数，f（）表示为预设激励函数，G_i表示为第i个数据的状态值，ln表示为自然对数，T_i表示为第i个数据的数据偏置，P_i表示为第i个数据的模态特征衰减指数，q_i表示为第i个数据的序列反馈系数；

确认每个数据的目标哈希值是否大于等于预设哈希值，若是，确认该数据不为冗余数据，若否，确认该数据为冗余数据；

获取确认为冗余数据的多个目标数据；

对每个目标数据进行数据采样，获取该目标数据的数据量和数据特征值；

根据每个目标数据的数据量和数据特征值计算出该目标数据的数据时变参数：

其中，K_j表示为第j个目标数据的数据时变参数，β_j表示为第j个目标数据的采样规则对应的校正系数，A_j表示为第j个目标数据的数据量，B_j表示为第j个目标数据的数据特征值，e表示为自然常数，取值为2.72，a_j表示为第j个目标数据的时序特征采样步长，b_j示为第j个目标数据的时序特征采样频率，d_j表示为第j个目标数据的时序数据采样时滞；

根据每个目标数据的数据时变参数为其选择适配的数据剔除方式；

通过每个目标数据的匹配数据剔除方式将该目标数据从数据集中剔除，获得获取处理后的监测数据。

本发明提供另一种技术方案，一种使用上述基于边缘计算的监测云平台的监测方法，包括以下步骤：

步骤一：通过监测本地平台获取采集本地监测数据生成数据集，数据集建立标签后依次上传至边缘计算网关；

步骤二：边缘计算网关根据接收到的本地数据进行分布式计算，利用边缘缓存保存现场全量数据，并主动上传处理后的数据；

步骤三：云监测平台将边缘计算网关主动上传的数据信息分割为多个连续区域并与显示地图中的位置一一对应，实时显示监测本地平台监测数据和在地图中的所在位置。

与现有技术相比，本发明的有益效果是：

1.通过将终端监测分为不同区域，依据时间进行注意计算，且将计算放到更加靠近数据源的地方执行，进行分布式计算，有效的降低了计算和网络延时，减轻了边缘计算的处理压力，云监测平台实时监测，提高了实效性，避免远程监测出现卡顿或延时的现象，提高监测效果和监测质量。

2.通过对数据分类的约束条件，并根据约束条件对数据中不满足约束条件的部分进行剔除，最后对分类后的监测数据的完整度进行有效核验，实现在数据缺失时及时对监测数据进行补充，有效保证了数据完整性，确定了数据采集的真实性和实效性，提高数据采集质量，保证数据计算结果的精准度。

3.通过在边缘层预处理数据，剔除冗余数据，减轻平台负载压力，节省大量能源成本，边缘计算单元计算可以分层执行，利用网络远端的资源完成，边缘节点可以通过分担云计算的部分任务，增强数据中心的计算能力，利用边缘缓存保存工业现场全量数据，并通过缓存设备直接导入数据中心，降低网络使用成本，根据业务场景智能分配距离业务数据源最近的边缘存储节点，显著降低数据上传时间和访问延时。

4.通过多组边缘计算网关和监测本地平台进行预处理和边缘计算，实现智能的存储空间弹性伸缩，有效应对业务扩展的问题，边缘存储可缓存、过滤原始数据、主动将持久化数据同步至云监测平台，最大程度地降低用户流量及存储成本，数据显示单元方便进行实时监测和数据调取，云端存储单元为数据调取提供证据证明，且将调取记录生成表格单独呈现，方便进行管理。

附图说明

图1为本发明的监测云平台、边缘计算网关和监测本地平台连接模块图；

图2为本发明的监测本地平台模块图；

图3为本发明的数据读取单元模块图；

图4为本发明的边缘计算网关模块图；

图5为本发明的监测云平台模块图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。

为了解决部分应用场景对数据处理的实时性要求高，许多数据流由边缘设备生成，但是通过远处的云计算处理和分析，不可能做出实时决策的技术问题，请参阅图1，本实施例提供以下技术方案：

一种基于边缘计算的监测云平台，包括云监测平台、边缘计算网关和监测本地平台；云监测平台，用于获取不少于一个的边缘计算网关主动上传的数据；并将所述边缘计算网关主动上传的数据信息分割为多个连续区域；对每一区域对应的子数据信息中提取定位数据，与显示地图中的位置一一对应；边缘计算网关，用于获取监测本地平台采集的本地数据，根据接收到所述本地数据进行分布式计算，利用边缘缓存保存现场全量数据；监测本地平台，用于获取采集本地监测数据，并将获取到的监测数据与对应的定位数据和时间数据进行打包生成数据集；其中，所述本地监测数据包括：人员行为数据、车辆数据、设备数据和危险源数据；对所述数据集获取监测数据类型，将所述数据类型与标签数据库一一匹配，建立标签后上传至边缘计算网关。

具体的，通过将终端监测分为不同区域，依据时间进行注意计算，且将计算放到更加靠近数据源的地方执行，进行分布式计算，有效的降低了计算和网络延时，减轻了边缘计算的处理压力，云监测平台实时监测，提高了实效性，避免远程监测出现卡顿或延时的现象，提高监测效果和监测质量。

为了解决无法保证前端数据采集的真实性和实效性，使得数据本身质量不高，影响计算结果的技术问题，请参阅图2-图3，本实施例提供以下技术方案：

监测本地平台包括：数据采集单元，用于对所述监测本地进行数据采集，同时获取采集数据的数据坐标与时间数据；数据整合单元，用于采集的监测数据、坐标数据与时间数据进行整合，将整合的数据生成数据集；数据读取单元，用于对所述数据集进行读取，确定数据集的数据类型；数据传输单元，用于确定与所述边缘计算网关的通信链路标识，基于所述通信链路标识获取关联通信节点；并基于所述关联通信节点构建通信链路，同时基于边缘计算网关与监测本地平台的通信链路依次标号；

数据读取单元，包括：样本数据对比模块，用于提取获取到的所述监测数据的数据特征，将所述数据特征与数据库中的样本数据的数据特征进行比对；获取比对结果，确定数据库中匹配对应的样本数据的数据类型；数据校验模块，用于读取所述数据类型，并基于所述数据类型生成数据校验的约束条件；基于约束条件对所述监测数据进行数据校验，并基于校验结果标记不符合所述约束条件的监测数据；在所述监测数据中摘取除标记不符合所述约束条件的监测数据，作为目标监测数据；数据分类模块，用于获取所述目标监测数据所携带的坐标数据和时间数据，建立与所述时间数据相对应的时间坐标轴；将所述目标监测数据依据所述时间数据一一输入至所述时间坐标轴内，获取多个监测数据节点；数据补充模块，用于获取相邻所述监测数据节点，判断相邻数据是否存在遗漏，并根据存在遗漏的数据进行计算，生成完整的传输数据。

具体的，通过对数据分类的约束条件，并根据约束条件对数据中不满足约束条件的部分进行剔除，最后对分类后的监测数据的完整度进行有效核验，实现在数据缺失时及时对监测数据进行补充，有效保证了数据完整性，确定了数据采集的真实性和实效性，提高数据采集质量，保证数据计算结果的精准度。

为了解决现有技术中基于边缘计算的云平台，平台负载压力大，需要消耗大量的能源成本的技术问题，请参阅图4，本实施例提供以下技术方案：

边缘计算网关包括：数据接收单元，用于基于所述通信链路获取所述数据传输单元传输的数据，并对所述数据进行分析，将所述数据信息依据时间数据进行排序；边缘数据处理单元，用于获取所述数据信息中的监测数据，基于数据类型确定数据分类标识；同时，将所述数据分类标识输入预设边缘数据计算神经网络中进行学习，确定所述数据分类标识的分类表达；将所述数据分类标识分割为多层的边缘处理树，每一层包括多个相同分类标识的数据集；在边缘层对所述数据集进行预处理，剔除冗余数据，获取处理后的监测数据；

边缘缓存单元，用于利用边缘缓存保存数据集，并获取所述数据集中携带的时间数据，依次通过缓存设备导入所述云监测平台；边缘计算单元，用于确定根据待监测场景的坐标数据分配距离目标数据源最近的边缘监测节点；依据所述数据类型判断设备检测、设备故障、劣化预测指标范围；根据边缘监测节点的类型，确定对边缘监测节点包括的对象数据的提取方式；将边缘监测节点包括的内容区域中与所述提取方式相匹配的区域，确定为目标区域；将所述检测数据中的对应数据类型提取数据指标数值，将所述数据指标数值输入至所述目标区域；判断所述目标区域内数据指标数值输入至预设目标计算网络神经中进行计算，判断计算结果是否在所述预测指标范围，判断计算结果不在所述预测指标范围内，则根据调控规则对相应现场环境调节设备发出远程控制指令；同时，管理员根据现场实际环境结合边缘计算结果的情况直接向指定的现场环境调节设备发出远程控制指令。

具体的，通过在边缘层预处理数据，剔除冗余数据，减轻平台负载压力，节省大量能源成本，边缘计算单元计算可以分层执行，利用网络远端的资源完成，边缘节点可以通过分担云计算的部分任务，增强数据中心的计算能力，利用边缘缓存保存工业现场全量数据，并通过缓存设备直接导入数据中心，降低网络使用成本，根据业务场景智能分配距离业务数据源最近的边缘存储节点，显著降低数据上传时间和访问延时。

为了解决现有技术中无法对人员的行为进行判断和预警，导致现场出现操作失误或造成人员伤亡的技术问题，请参阅图4，本实施例提供以下技术方案：

边缘计算单元，还用于对所述监测数据进行读取，确定所述监测数据中的人员行为特征点，同时，根据所述行为特征点构建所述人员的行为网络，同时，基于所述行为特征点将所述监测数据在所述行为网络中进行部署；基于部署结果确定所述监测数据在所述行为网络中的部署特征，并根据所述部署特征确定所述人员的行为习惯；获取所述行为习惯的第一习惯权重，同时，基于所述第一习惯权重对所述行为习惯进行评分，确定行为分值，并将所述行为分值与评分阈值进行比较，判断所述人员是否行为规范；当所述行为分值等于或大于所述评分阈值时，则判定所述人员行为规范；否则，则判定所述人员行为不规范，同时，当所述人员行为不规范时，生成预警报告；同时，获取所述监测数据中携带的所述定位数据，在所述显示地图上进行预警标识显示。

具体的，通过将人员的行为数据进行进行分析和处理，从而得到人员的习惯和行为规范，实现对人员的行为习惯的规范性进行有效评估，提高了对人员操作规范性评估的准确性，为人员操作习惯提供了保障，及时进行预警提醒，提高了人员操作安全性，提高监测实用性。

为了解决各种传感器和节点设备组成的感知网络愈发庞大与复杂，数据量激增，部分应用场景对数据处理的实时性要求高的技术问题，请参阅图5，本实施例提供以下技术方案：

云监测平台包括：数据获取单元，用于获取所述边缘计算网关处理后的监测数据，并提取所述处理后的监测数据中的定位数据；数据显示单元，用于获取所述定位数据，依据所述定位数据对所述处理后的检测数据进行排列；将显示地图分割为多个连续区域，将所述定位数据与所述区域范围一一匹配，并依据匹配结果输入至对应区域中；其中，在所述显示地图中针对获取到的所述预警报告进行突出显示；云端存储单元，用于获取所述边缘缓存单元的全量数据，将所述全量数据填充到图表模板中得到监测记录图表；在所述监测记录图表中，调取任一时间或任一地点的对应数据时，则进行所述监测数据全部信息的调取，并将所述监测数据信息的关联信息单独呈现；同时，依据调取时间生成调取记录，并将调取记录生成表格单独呈现。

具体的，通过多组边缘计算网关和监测本地平台进行预处理和边缘计算，实现智能的存储空间弹性伸缩，有效应对业务扩展的问题，边缘存储可缓存、过滤原始数据、主动将持久化数据同步至云监测平台，最大程度地降低用户流量及存储成本，数据显示单元方便进行实时监测和数据调取，云端存储单元为数据调取提供证据证明，且将调取记录生成表格单独呈现，方便进行管理。

本发明提供一个实施例，所述数据整合单元，包括：

标准化子单元，用于基于所述边缘计算网关的计算规则，确定所述边缘计算网关对数据进行计算的标准数据格式，并按照所述标准数据格式，对所述监测数据、坐标数据与时间数据进行数据标准化，得到标准监测数据、标准坐标数据与标准时间数据；

校验子单元，用于提取所述标准监测数据的重要字段，并对所述重要字段进行语义关联分析，确定出存在异常的目标重要字段，并从所述标准监测数据中提取所述目标重要字段对应的异常监测数据进行剔除；

所述校验子单元，还用于获取所述标准坐标数据的坐标特征和时间数据的时间特征，并基于所述坐标特征和时间特征分别确定所述标准坐标数据和标准时间数据的坐标规律和时间规律，从所述标准坐标数据提取不满足所述坐标规律的异常坐标数据进行剔除，从所述标准时间数据提取不满足所述时间规律的异常时间数据进行剔除；

数据匹配子单元，用于将校验后的所述标准坐标数据与所述标准监测数据进行匹配，得到第一匹配结果，将校验后的所述标准时间数据与所述标准监测数据进行匹配，得到第二匹配结果；

标记子单元，用于获取所述标准监测数据的属性，按照所述属性对所述标准监测数据进行划分，得到监测数据分布图，并基于所述第一匹配结果，对所述监测数据分布图进行坐标标记，基于所述第二匹配结果，对所述监测数据分布图进行时间标记，最终，得到监测数据标记分布图；

指令确定子单元，用于按照多个数据整合要求，确定对所述监测数据标记分布图多次不同的数据整合规则，并基于所述不同的数据整合规则建立动态数据整合指令；

数据整合子单元，用于基于所述动态数据整合指令，对所述校验后的标准监测数据、标准坐标数据与标准时间数据进行动态整合，得到多组整合数据，基于所述多组整合数据生成数据集。

在该实施例中，按照所述边缘计算网关的计算规则，对所述监测数据、坐标数据与时间数据进行数据标准化，便于后续所述边缘计算网关对数据的分析计算。

在该实施例中，通过校验子单元对标准监测数据、标准坐标数据与标准时间数据进行异常数据剔除，保证了数据的正确性，保证后续数据之间的匹配精度。

在该实施例中，所述标准监测数据的属性按照对象属性进行划分，例如人员、车辆和设备等。

在该实施例中，所述多个数据整合要求根据实际的数据业务需求确定，例如以属性为主线进行数据整合，以时间为主线进行数据整合或以坐标为主线进行数据整合，不同的数据整合要求对应不同的数据整合规则和数据整合指令。

在该实施例中，所述动态数据整合指令包括多个数据整合指令。

在该实施例中，所述多组整合数据中每组的整合数据内容相同，整合方式不同。

上述设计方案的工作原理为：首先基于所述边缘计算网关的计算规则，确定所述边缘计算网关对数据进行计算的标准数据格式，并按照所述标准数据格式，对所述监测数据、坐标数据与时间数据进行数据标准化，得到标准监测数据、标准坐标数据与标准时间数据，为数据的有效整合提供基础，其次，采用语义分析的方式对标准监测数据进行校验，根据坐标规律和时间规律对准坐标数据与标准时间数据进行校验，剔除掉异常的数据，保证整合得到数据的准确性，然后，将标准坐标数据与标准时间数据分别与所述标准监测数据进行匹配，根据得到匹配结果确定监测数据标记分布图，根据不同的数据整合要求，在所述监测数据标记分布图上进行多次不同的数据整合，得到数据整合规则，基于所述数据整合规则建立动态数据整合指令，最终得到多组整合数据，基于所述多组整合数据生成数据集。

上述设计方案的有益效果为：通过根据所述边缘计算网关的计算规则，对采集到的监测数据、坐标数据与时间数据进行标准化，提高所述边缘计算网关对数据的分析计算能力和效率，通过对标准化后的数据进行校验，剔除异常的数据，为数据之间的匹配提供准确的数据基础，通过对校验后的数据按照预先确定的多个数据整合要求进行多次不同的整合，得到多组整合数据，最终生成数据集，保证了数据集中整合数据的整合方式的多样性，从而保证后续依赖所述数据集提取数据进行数据分析的效率和准确性，最终，保证对数据分析监测的时效性，提高监测效果和监测质量。

具体的，所述在边缘层对所述数据集进行预处理，剔除冗余数据，获取处理后的监测数据，具体为：

将所述数据集划分为多个数据；

对每个数据进行瞬态时序验证，根据验证结果确定每个数据的模态特征变化值和序列反馈系数；

根据每个数据的模态特征变化值确定该数据的模态特征衰减指数；

根据每个数据的模态特征衰减指数和序列反馈系数计算出该数据的目标哈希值：

其中，F_i表示为第i个数据的目标哈希值，x_i表示为第i个数据，α表示为预设杂凑因子，Q表示为计算辅助参数，f（）表示为预设激励函数，G_i表示为第i个数据的状态值，ln表示为自然对数，T_i表示为第i个数据的数据偏置，P_i表示为第i个数据的模态特征衰减指数，q_i表示为第i个数据的序列反馈系数；

确认每个数据的目标哈希值是否大于等于预设哈希值，若是，确认该数据不为冗余数据，若否，确认该数据为冗余数据；

获取确认为冗余数据的多个目标数据；

对每个目标数据进行数据采样，获取该目标数据的数据量和数据特征值；

根据每个目标数据的数据量和数据特征值计算出该目标数据的数据时变参数：

其中，K_j表示为第j个目标数据的数据时变参数，β_j表示为第j个目标数据的采样规则对应的校正系数，A_j表示为第j个目标数据的数据量，B_j表示为第j个目标数据的数据特征值，e表示为自然常数，取值为2.72，a_j表示为第j个目标数据的时序特征采样步长，b_j示为第j个目标数据的时序特征采样频率，d_j表示为第j个目标数据的时序数据采样时滞；

根据每个目标数据的数据时变参数为其选择适配的数据剔除方式；

通过每个目标数据的匹配数据剔除方式将该目标数据从数据集中剔除，获得获取处理后的监测数据。

上述技术方案的有益效果为：通过计算数据集中每个数据的目标哈希值可以快速准确地判断出该数据是否为冗余数据，提高了工作效率，同时为后续冗余数据的剔除提供了可靠的参考样本，进一步地，通过计算每个目标数据的数据时变参数进而为其选择适配的数据剔除方式可以保证对于每个目标数据的无残留剔除，使得剔除后的监测数据中不含有干扰数据，保证了数据的整洁。

一种基于边缘计算的监测云平台的监测方法，包括以下步骤：

步骤一：通过监测本地平台获取采集本地监测数据生成数据集，数据集建立标签后依次上传至边缘计算网关，将计算放到更加靠近数据源的地方执行，进行分布式计算，降低计算和网络延时；

步骤二：边缘计算网关根据接收到的本地数据进行分布式计算，利用边缘缓存保存现场全量数据，并主动上传处理后的数据，最大程度的降低用户的流量和储存成本；

步骤三：云监测平台将边缘计算网关主动上传的数据信息分割为多个连续区域并与显示地图中的位置一一对应，实时显示监测本地平台监测数据和在地图中的所在位置，方便云端管理员进行远程监测，数据显示清晰，方便管理。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于边缘计算的监测云平台，其特征在于：包括云监测平台、边缘计算网关和监测本地平台；

云监测平台，用于：

获取不少于一个的边缘计算网关主动上传的数据；

并将所述边缘计算网关主动上传的数据分割为多个连续区域；

对每一区域对应的子数据中提取定位数据，与显示地图中的位置一一对应；

边缘计算网关，用于：

获取监测本地平台采集的本地数据，根据接收到的所述本地数据进行分布式计算，利用边缘缓存保存现场全量数据；

监测本地平台，用于：

获取采集本地监测数据，并将获取到的监测数据与对应的定位数据和时间数据进行打包生成数据集；

其中，所述本地监测数据包括：人员行为数据、车辆数据、设备数据和危险源数据；

对所述数据集获取监测数据类型，将所述数据类型与标签数据库一一匹配，建立标签后上传至边缘计算网关。

2.如权利要求1所述的一种基于边缘计算的监测云平台，其特征在于：监测本地平台包括：

数据采集单元，用于对所述监测本地进行数据采集，同时获取采集数据的坐标数据与时间数据；

数据整合单元，用于采集的监测数据、坐标数据与时间数据进行整合，将整合的数据生成数据集；

数据读取单元，用于对所述数据集进行读取，确定数据集的数据类型；

数据传输单元，用于确定与所述边缘计算网关的通信链路标识，基于所述通信链路标识获取关联通信节点；

并基于所述关联通信节点构建通信链路，同时基于边缘计算网关与监测本地平台的通信链路依次标号。

3.如权利要求2所述的一种基于边缘计算的监测云平台，其特征在于：数据读取单元，包括：

样本数据对比模块，用于：

提取获取到的所述监测数据的数据特征，将所述数据特征与数据库中的样本数据的数据特征进行比对；

获取比对结果，确定数据库中匹配对应的样本数据的数据类型；

数据校验模块，用于：

读取所述数据类型，并基于所述数据类型生成数据校验的约束条件；

基于约束条件对所述监测数据进行数据校验，并基于校验结果标记不符合所述约束条件的监测数据；

在所述监测数据中摘取出标记不符合所述约束条件的监测数据，作为目标监测数据；

数据分类模块，用于：

获取所述目标监测数据所携带的坐标数据和时间数据，建立与所述时间数据相对应的时间坐标轴；

将所述目标监测数据依据所述时间数据一一输入至所述时间坐标轴内，获取多个监测数据节点；

数据补充模块，用于获取相邻所述监测数据节点，判断相邻数据是否存在遗漏，并根据存在遗漏的数据进行计算，生成完整的传输数据。

4.如权利要求3所述的一种基于边缘计算的监测云平台，其特征在于：边缘计算网关包括：

数据接收单元，用于基于所述通信链路获取所述数据传输单元传输的数据，并对所述传输来的数据进行分析，将所述传输来的数据依据时间数据进行排序；

边缘数据处理单元，用于：

获取所述传输来的数据中的监测数据，基于数据类型确定数据分类标识；

同时，将所述数据分类标识输入预设边缘数据计算神经网络中进行学习，确定所述数据分类标识的分类表达；

将所述数据分类标识分割为多层的边缘处理树，每一层包括多个相同分类标识的数据集；

在边缘层对所述数据集进行预处理，剔除冗余数据，获取处理后的监测数据；

边缘缓存单元，用于利用边缘缓存保存数据集，并获取所述数据集中携带的时间数据，依次通过缓存设备导入所述云监测平台；

边缘计算单元，用于确定根据待监测场景的坐标数据分配距离目标数据源最近的边缘监测节点；

依据所述数据类型判断设备检测、设备故障、劣化预测指标范围；

根据边缘监测节点的类型，确定对边缘监测节点包括的对象数据的提取方式；

将边缘监测节点包括的内容区域中与所述提取方式相匹配的区域，确定为目标区域；

将所述检测数据中的对应数据类型提取数据指标数值，将所述数据指标数值输入至所述目标区域；

判断所述目标区域内数据指标数值，输入至预设目标计算网络神经中进行计算，判断计算结果是否在所述预测指标范围。

5.如权利要求4所述的一种基于边缘计算的监测云平台，其特征在于：所述在边缘层对所述数据集进行预处理，剔除冗余数据，获取处理后的监测数据，具体为：

将所述数据集划分为多个数据；

对每个数据进行瞬态时序验证，根据验证结果确定每个数据的模态特征变化值和序列反馈系数；

根据每个数据的模态特征变化值确定该数据的模态特征衰减指数；

根据每个数据的模态特征衰减指数和序列反馈系数计算出该数据的目标哈希值：

其中，F_i表示为第i个数据的目标哈希值，x_i表示为第i个数据，α表示为预设杂凑因子，Q表示为计算辅助参数，f（）表示为预设激励函数，G_i表示为第i个数据的状态值，ln表示为自然对数，T_i表示为第i个数据的数据偏置，P_i表示为第i个数据的模态特征衰减指数，q_i表示为第i个数据的序列反馈系数；

确认每个数据的目标哈希值是否大于等于预设哈希值，若是，确认该数据不为冗余数据，若否，确认该数据为冗余数据；

获取确认为冗余数据的多个目标数据；

对每个目标数据进行数据采样，获取该目标数据的数据量和数据特征值；

根据每个目标数据的数据量和数据特征值计算出该目标数据的数据时变参数：

其中，K_j表示为第j个目标数据的数据时变参数，β_j表示为第j个目标数据的采样规则对应的校正系数，A_j表示为第j个目标数据的数据量，B_j表示为第j个目标数据的数据特征值，e表示为自然常数，取值为2.72，a_j表示为第j个目标数据的时序特征采样步长，b_j示为第j个目标数据的时序特征采样频率，d_j表示为第j个目标数据的时序数据采样时滞；

根据每个目标数据的数据时变参数为其选择适配的数据剔除方式；

通过每个目标数据的匹配数据剔除方式将该目标数据从数据集中剔除，获得获取处理后的监测数据。

6.如权利要求4所述的一种基于边缘计算的监测云平台，其特征在于：边缘计算单元，还用于：

对所述监测数据进行读取，确定所述监测数据中的人员行为特征点，同时，根据所述行为特征点构建所述人员的行为网络，同时，基于所述行为特征点将所述监测数据在所述行为网络中进行部署；

基于部署结果确定所述监测数据在所述行为网络中的部署特征，并根据所述部署特征确定所述人员的行为习惯；

获取所述行为习惯的第一习惯权重，同时，基于所述第一习惯权重对所述行为习惯进行评分，确定行为分值，并将所述行为分值与评分阈值进行比较，判断所述人员是否行为规范；

当所述行为分值等于或大于所述评分阈值时，则判定所述人员行为规范；

否则，则判定所述人员行为不规范，同时，当所述人员行为不规范时，生成预警报告；

同时，获取所述监测数据中携带的所述定位数据，在所述显示地图上进行预警标识显示。

7.如权利要求6所述的一种基于边缘计算的监测云平台，其特征在于：云监测平台包括：

数据获取单元，用于获取所述边缘计算网关处理后的监测数据，并提取所述处理后的监测数据中的定位数据；

数据显示单元，用于：

获取所述定位数据，依据所述定位数据对所述处理后的检测数据进行排列；

将显示地图分割为多个连续区域，将所述定位数据与所述多个连续区域的范围一一匹配，并依据匹配结果输入至对应区域中；

其中，在所述显示地图中针对获取到的所述预警报告进行突出显示；

云端存储单元，用于：

获取所述边缘缓存单元的全量数据，将所述全量数据填充到图表模板中得到监测记录图表；

在所述监测记录图表中，调取任一时间或任一地点的对应数据时，则进行所述监测数据全部信息的调取，并将所述监测数据信息的关联信息单独呈现；

同时，依据调取时间生成调取记录，并将调取记录生成表格单独呈现。

8.如权利要求4所述的一种基于边缘计算的监测云平台，其特征在于：边缘计算网关还包括：

判断计算结果不在所述预测指标范围内，则根据调控规则对相应现场环境调节设备发出远程控制指令；

同时，管理员根据现场实际环境结合边缘计算结果的情况直接向指定的现场环境调节设备发出远程控制指令。

9.如权利要求2所述的一种基于边缘计算的监测云平台，其特征在于：所述数据整合单元，包括：

标准化子单元，用于基于所述边缘计算网关的计算规则，确定所述边缘计算网关对数据进行计算的标准数据格式，并按照所述标准数据格式，对所述监测数据、坐标数据与时间数据进行数据标准化，得到标准监测数据、标准坐标数据与标准时间数据；

校验子单元，用于提取所述标准监测数据的重要字段，并对所述重要字段进行语义关联分析，确定出存在异常的目标重要字段，并从所述标准监测数据中提取所述目标重要字段对应的异常监测数据进行剔除；

所述校验子单元，还用于获取所述标准坐标数据的坐标特征和时间数据的时间特征，并基于所述坐标特征和时间特征分别确定所述标准坐标数据和标准时间数据的坐标规律和时间规律，从所述标准坐标数据提取不满足所述坐标规律的异常坐标数据进行剔除，从所述标准时间数据提取不满足所述时间规律的异常时间数据进行剔除；

数据匹配子单元，用于将校验后的所述标准坐标数据与所述标准监测数据进行匹配，得到第一匹配结果，将校验后的所述标准时间数据与所述标准监测数据进行匹配，得到第二匹配结果；

标记子单元，用于获取所述标准监测数据的属性，按照所述属性对所述标准监测数据进行划分，得到监测数据分布图，并基于所述第一匹配结果，对所述监测数据分布图进行坐标标记，基于所述第二匹配结果，对所述监测数据分布图进行时间标记，最终，得到监测数据标记分布图；

指令确定子单元，用于按照多个数据整合要求，确定对所述监测数据标记分布图多次不同的数据整合规则，并基于所述不同的数据整合规则建立动态数据整合指令；

数据整合子单元，用于基于所述动态数据整合指令，对所述校验后的标准监测数据、标准坐标数据与标准时间数据进行动态整合，得到多组整合数据，基于所述多组整合数据生成数据集。

10.一种监测方法，所述监测方法使用如权利要求1-9中任一项所述的基于边缘计算的监测云平台，其特征在于：所述监测方法包括以下步骤：

步骤一：通过监测本地平台获取采集本地监测数据生成数据集，数据集建立标签后依次上传至边缘计算网关；

步骤二：边缘计算网关根据接收到的本地数据进行分布式计算，利用边缘缓存保存现场全量数据，并主动上传处理后的数据；

步骤三：云监测平台将边缘计算网关主动上传的数据信息分割为多个连续区域并与显示地图中的位置一一对应，实时显示监测本地平台监测数据和在地图中的所在位置。

Images