CN115388931A - 传感器异常数据的可信监测方法、监测终端及存储介质 - Google Patents
传感器异常数据的可信监测方法、监测终端及存储介质 Download PDFInfo
- Publication number
- CN115388931A CN115388931A CN202211321943.5A CN202211321943A CN115388931A CN 115388931 A CN115388931 A CN 115388931A CN 202211321943 A CN202211321943 A CN 202211321943A CN 115388931 A CN115388931 A CN 115388931A
- Authority
- CN
- China
- Prior art keywords
- moment
- value
- sensor
- block chain
- target sensor
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000383 hazardous chemical Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种传感器异常数据的可信监测方法、监测终端及存储介质。该方法包括：获取目标传感器在第一时刻的实际采样值；其中，第一时刻为当前时刻前的任意时刻；基于卡尔曼滤波算法，根据第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值；获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的最优估计值减去第一时刻的预估值，得到第一时刻的偏差值；若第一时刻的偏差值大于预设阈值，则确定目标传感器在第一时刻的数据异常。本发明通过卡尔曼滤波算法，结合实际采样值和预估值确定传感器数据是否可信，提供了一种有效的传感器数据监测手段。
Description
技术领域
本发明涉及传感器技术领域，尤其涉及一种传感器异常数据的可信监测方法、监测终端及存储介质。
背景技术
现有技术中，农产品溯源、药品流通、食品冷链运输、危化品监管和环境污染源监测等业务场景需要采用传感器进行实时的监测和追踪溯源。
现有技术中，缺乏一种有效的传感器数据可信监测方法，传感器采集的数据可能存在误差，也有被篡改的风险，因此会显著增加了相关业务场景的风险和安全性。
发明内容
本发明实施例提供了一种传感器异常数据的可信监测方法、监测终端及存储介质，以解决现有技术中缺乏有效的传感器数据可信监测手段，无法保障业务场景的安全性的问题[ls1]。
第一方面，本发明实施例提供了一种传感器异常数据的可信监测方法，包括：
获取目标传感器在第一时刻的实际采样值；其中，第一时刻为当前时刻前的任意时刻；
基于卡尔曼滤波算法，根据第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值；
获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的最优估计值减去第一时刻的预估值，得到第一时刻的偏差值；
若第一时刻的偏差值大于预设阈值，则确定目标传感器在第一时刻的数据异常。
第二方面，本发明实施例提供了一种监测终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式传感器异常数据的可信监测方法的步骤。
第三方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式传感器异常数据的可信监测方法的步骤。
本发明实施例提供一种传感器异常数据的可信监测方法、监测终端及存储介质，上述方法包括：获取目标传感器在第一时刻的实际采样值；其中，第一时刻为当前时刻前的任意时刻；基于卡尔曼滤波算法，根据第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值；获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的最优估计值减去第一时刻的预估值，得到第一时刻的偏差值；若第一时刻的偏差值大于预设阈值，则确定目标传感器在第一时刻的数据异常。本发明通过卡尔曼滤波算法，结合实际采样值和预估值确定目标传感器数据是否可信，提供了一种有效的传感器数据监测手段。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种传感器异常数据的可信监测方法的实现流程图；
图2是本发明实施例提供的又一种传感器异常数据的可信监测方法的实现流程图；
图3是本发明实施例提供的四条区块链的示意图；
图4是本发明实施例提供的一种传感器异常数据的可信监测装置的示意图；
图5是本发明实施例提供的监测终端的示意图；
图6是本发明实施例提供的一种传感器异常数据的可信监测系统的拓扑图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
农产品溯源、药品流通、食品冷链运输、危化品监管、环境污染源监测等需要进行实时传感器监测和追踪溯源，由于传感器自身误差、可能的故障或被恶意篡改等，传感器的实际测量值可能不准确。但当前追溯场景中很少考虑传感器的实际测量误差和异常数据标记，这会使得传感器采集的数据可靠性不足，会显著增加相关追溯场景的风险和安全性。
参见图1，其示出了本发明实施例提供的传感器异常数据的可信监测方法的实现流程图，详述如下：
S101：获取目标传感器在第一时刻的实际采样值；其中，第一时刻为当前时刻前的任意时刻；
实际采样值为目标传感器实际采样得到的值。其中，目标传感器可以为温度传感器、湿度传感器、位移传感器、红外传感器等。对应的实际采样值分别为温度、湿度、位移及距离等。
其中，第一时刻为任一目标传感器已经采样得到的值对应的时刻。
本发明实施例提供的传感器异常数据的可信监测方法可重复执行S101至S104，针对目标传感器的每个时刻采集到的数据进行监测，从而实现目标传感器的实时监测。
S102：基于卡尔曼滤波算法，根据第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值；
卡尔曼滤波是非常经典的预测追踪算法，是结合线性系统动态方程的维纳滤波，其实质是线性最小协方差估计器，能够在系统存在噪声和干扰的情况下进行系统状态的最优估计，广泛使用在导航、制导、控制相关领域。
本发明实施例中，采用卡尔曼滤波算法对实际采样值进行修正，得到最优估计值，滤除实际采样值可能存在的干扰及噪声，提高了数据的可靠性。
S103：获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的最优估计值减去第一时刻的预估值，得到第一时刻的偏差值；
其中，预估值为事先通过算法预测得到的可能的目标传感器的值。例如，对于锅炉设置的温度传感器，建立温度预测模型，根据送入锅炉的燃料事先预估各个时刻锅炉的温度值。
又例如，对于路径规划场景，预估值为根据事先设定的变化趋势等信息预估得到的经纬度、温湿度、空气质量等。
由于实际采样值和预估值均存在误差的可能性较小，总有一个相对可靠，因此本发明实施例将依托于实际采样值的最优估计值与预估值进行比对，确定实际采样值或预估值是否异常。
S104：若第一时刻的偏差值大于预设阈值，则确定目标传感器在第一时刻的数据异常。
例如，若实际采样值存在误差，预估值不存在误差，则由实际采样值计算得到的最优估计值存在误差，与预估值之间的差值将超过预设阈值。同理，若实际采样值不存在误差，预估值存在误差，则最优估计值与预估值之间的差值将超过预设阈值。而当二者均不存在误差时，由实际采样值确定的最优估计值与预估值之间的差值将不会超过预设阈值，此时最优估计值由于采用卡尔曼滤波得到更准确，可将最优估计值作为传感器的值。
需要说明的，此处的不存在误差实际为误差在预设范围内，不会影响追溯场景的风险和安全性；存在误差实际为误差超过预设范围，将影响追溯场景的风险。具体的，预设范围可根据实际应用需求设定。
本发明实施例通过卡尔曼滤波算法，结合实际采样值和预估值确定目标传感器的数据是否可信，提供了一种有效的传感器数据监测手段，大大提高了追溯场景的安全性。
在一种可能的实施方式中，S102可以包括：
S1021：获取目标传感器在上一时刻的最优估计值；其中，上一时刻为第一时刻的上一时刻；
S1022：根据目标传感器在上一时刻的最优估计值，预测得到第一时刻的卡尔曼预测值；
S1023：根据第一时刻的卡尔曼预测值，确定第一时刻的卡尔曼增益；
S1024：根据第一时刻的卡尔曼增益及第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值。
进一步的，在S1021之前，S102还可以包括：
S1025：参数初始化。
其中，参数包括状态方程、协方差及噪声方差等。
本发明实施例根据上一时刻的最优估计值对第一时刻的值进行预测得到卡尔曼预测值，并确定卡尔曼增益，用于对卡尔曼预测值进行修正，得到最优估计值。
在一种可能的实施方式中，S1023可以包括：
1、根据第一时刻的卡尔曼预测值，确定第一时刻的卡尔曼预测值的协方差；
2、获取上一时刻的最优估计值的协方差及上一时刻的状态方程；
3、根据第一时刻的卡尔曼预测值的协方差、上一时刻的最优估计值的协方差及上一时刻的状态方程，确定第一时刻的卡尔曼增益。
根据卡尔曼增益方程，本发明实施例根据第一时刻的卡尔曼预测值的协方差、上一时刻的最优估计值的协方差及上一时刻的状态方程，确定卡尔曼增益。具体的参考图2，其中，k时刻为第一时刻，k-1时刻为第一时刻的上一时刻。
在一种可能的实施方式中，上述方法还可以包括：
S105：若确定目标传感器在第一时刻的数据异常，则并将该异常数据存储在第一区块链中。
本发明实施例中，与区块链技术进行结合，对追溯场景中目标传感器的异常数据进行链上可信存证，使用各节点私钥签名可信时间戳实现数据存证和不可抵赖，提高了数据的安全性，方便后期进行数据审计。
在一种可能的实施方式中，上述方法还可以包括：
S106：若第一时刻的偏差值不大于预设阈值，则确定目标传感器在第一时刻的数据正常，并将第一时刻的最优估计值存储在第二区块链中。
本发明实施例中，还可设置第二区块链，用于存储最优估计值，作为目标传感器的可信数据。
在一种可能的实施方式中，在S101之前，上述方法还可以包括：
S107：获取目标传感器在各个时刻的实际采样值，并将各个时刻的实际采样值存储在第三区块链中；
S108：获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的预估值存储在第四区块链中；
具体的，S101可以包括：从第三区块链中获取得到第一时刻的实际采样值；
S103可以包括：从第四区块链中获取得到第一时刻的预估值。
同时，本发明实施例还可以设置第三区块链和第四区块链，用于存储预估值及实际采样值，提高了数据的安全性，方便后期进行数据审计。
进一步的，第一区块链、第二区块链、第三区块链及第四区块链可以并行运行。
四条区块链为并行的四条区块链，互不影响，并行运行。其中，参考图3，四条区块链可共用节点（n为节点总数）。节点可以为观测站，各个观测站作为节点，每个节点拥有四条区块链（简称“四链”）的数据，也即实际采样值链、预估值链、最优估计值链及异常数据链，实现数据可靠存储及追溯。
在一种可能的实施方式中，针对第一区块链、第二区块链、第三区块链或第四区块链，可以采用Raft共识算法实现该区块链中各个节点的同步。
由于追溯场景中的节点可能较多，因此本发明实施例选用Raft共识算法作为区块链平台的共识算法，实现数据在系统多节点之间的实时同步。Raft共识算法将节点分为Leader（领导者）和Follower（追随者）两种，但leader选举严重依赖随机计时器实现，缺乏安全性。Raft共识算法设置节点信任列表，只有安全可信的节点才能被允许进入信任列表，参与Leader节点选举，其余节点只有投票权，实现了各节点的实时同步。
其中，针对各条区块链，各个节点的同步为单个区块链中存储的数据的同步，而非各个区块链之间同步。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本发明实施例提供的传感器异常数据的可信监测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图4所示，传感器异常数据的可信监测装置包括：
采样值获取模块21，用于获取目标传感器在第一时刻的实际采样值；其中，第一时刻为当前时刻前的任意时刻；
最优值预测模块22，用于基于卡尔曼滤波算法，根据第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值；
偏差计算模块23，用于获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的最优估计值减去第一时刻的预估值，得到第一时刻的偏差值；
异常判断模块24，用于若第一时刻的偏差值大于预设阈值，则确定目标传感器在第一时刻的数据异常。
在一种可能的实施方式中，最优值预测模块22可以包括：
第一参数获取单元，用于获取目标传感器在上一时刻的最优估计值；其中，上一时刻为第一时刻的上一时刻；
预测单元，用于根据目标传感器在上一时刻的最优估计值，预测得到第一时刻的卡尔曼预测值；
增益确定单元，用于根据第一时刻的卡尔曼预测值，确定第一时刻的卡尔曼增益；
预测更新单元，用于根据第一时刻的卡尔曼增益及第一时刻的实际采样值，确定目标传感器在第一时刻的最优估计值。
在一种可能的实施方式中，增益确定单元可以包括：
第一协方差确定子单元，用于根据第一时刻的卡尔曼预测值，确定第一时刻的卡尔曼预测值的协方差；
第二协方差确定子单元，用于获取上一时刻的最优估计值的协方差及上一时刻的状态方程；
增益输出子单元，用于根据第一时刻的卡尔曼预测值的协方差、上一时刻的最优估计值的协方差及上一时刻的状态方程，确定第一时刻的卡尔曼增益。
在一种可能的实施方式中，上述装置还可以包括：
第一数据存储模块，用于若确定目标传感器在第一时刻的数据异常，则并将该异常数据存储在第一区块链中。
在一种可能的实施方式中，上述装置还可以包括：
第二数据存储模块，用于若第一时刻的偏差值不大于预设阈值，则确定目标传感器在第一时刻的数据正常，并将第一时刻的最优估计值存储在第二区块链中。
在一种可能的实施方式中，上述装置还可以包括：
第三数据存储模块，用于获取目标传感器在各个时刻的实际采样值，并将各个时刻的实际采样值存储在第三区块链中；
第四数据存储模块，用于获取预估得到的目标传感器在第一时刻的预估值，并将第一时刻的预估值存储在第四区块链中；
采样值获取模块21可以具体用于：从第三区块链中获取得到第一时刻的实际采样值；
偏差计算模块23可以具体用于：从第四区块链中获取得到第一时刻的预估值。
在一种可能的实施方式中，第一区块链、第二区块链、第三区块链及第四区块链可以并行运行。
在一种可能的实施方式中，针对第一区块链、第二区块链、第三区块链或第四区块链，可以采用Raft共识算法实现该区块链中各个节点的同步。
图5是本发明实施例提供的监测终端的示意图。如图5所示，该实施例的监测终端3包括：处理器30和存储器31。存储器31用于存储计算机程序32，处理器30用于调用并运行存储器31中存储的计算机程序32，执行上述各个传感器异常数据的可信监测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，处理器30用于调用并运行存储器31中存储的计算机程序32，实现上述各装置实施例中各模块/单元的功能，例如图4所示模块21至24的功能。
示例性的，计算机程序32可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器31中，并由处理器30执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序32在监测终端3中的执行过程。例如，计算机程序32可以被分割成图4所示的模块/单元21至24。
监测终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。监测终端3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图5仅仅是监测终端3的示例，并不构成对监测终端3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器31可以是监测终端3的内部存储单元，例如监测终端3的硬盘或内存。存储器31也可以是监测终端3的外部存储设备，例如监测终端3上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器31还可以既包括监测终端3的内部存储单元也包括外部存储设备。存储器31用于存储计算机程序以及终端所需的其他程序和数据。存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
对应于上述实施例，参考图6，本发明实施例还提供了一种传感器异常数据的可信监测系统，包括上述实施例提供的监测终端3；
目标传感器1与监测终端3连接，用于将采集得到的实际采样值发送给监测终端3。
进一步的，参考图6，目标传感器1可通过RS485接口2与监测终端3连接，RS485具有一主多从的优点，采用两线制的RS485通信协议，接线方式为总线式拓扑结构，单个总线上可以支持挂载32个传感器，节省硬件串口资源，降低开发成本，并且方便传感器多维度拓展。
进一步的，上述系统还可以包括显示模块4、报警模块5、定位模块6及数据上传模块7。
其中，显示模块4用于显示监测过程中的相关数据。
报警模块5用于在检测到数据异常时进行报警，主要包括微信报警、短消息报警、电话报警和地图报警等，当偏差值大于预设阈值时，自动触发报警，提示用于数据异常。
定位模块6用于为系统的位置获取和地图预警提供更准确的位置信息，定位模块6可采用ATK-S1216F8-BD型定位模组，支持GPS（Global Positioning System，全球定位系统）/北斗双模高性能模式，可接入双模有源天线。
数据上传模块7用于上传数据，可采用具有低功耗和广覆盖特点的NB-IoT（NarrowBand Internet of Things，窄带物联网）模块。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种传感器异常数据的可信监测方法，其特征在于，包括：
获取目标传感器在第一时刻的实际采样值；其中，所述第一时刻为当前时刻前的任意时刻；
基于卡尔曼滤波算法，根据所述第一时刻的实际采样值，确定所述目标传感器在所述第一时刻的最优估计值；
获取预估得到的所述目标传感器在所述第一时刻的预估值，并将所述第一时刻的最优估计值减去所述第一时刻的预估值，得到所述第一时刻的偏差值；
若所述第一时刻的偏差值大于预设阈值，则确定所述目标传感器在所述第一时刻的数据异常。
2.根据权利要求1所述的传感器异常数据的可信监测方法，其特征在于，所述基于卡尔曼滤波算法，根据所述第一时刻的实际采样值，确定所述目标传感器在所述第一时刻的最优估计值，包括：
获取所述目标传感器在上一时刻的最优估计值；其中，所述上一时刻为所述第一时刻的上一时刻；
根据所述目标传感器在所述上一时刻的最优估计值，预测得到所述第一时刻的卡尔曼预测值；
根据所述第一时刻的卡尔曼预测值，确定所述第一时刻的卡尔曼增益；
根据所述第一时刻的卡尔曼增益及所述第一时刻的实际采样值，确定所述目标传感器在所述第一时刻的最优估计值。
3.根据权利要求2所述的传感器异常数据的可信监测方法，其特征在于，所述根据所述第一时刻的卡尔曼预测值，确定所述第一时刻的卡尔曼增益，包括：
根据所述第一时刻的卡尔曼预测值，确定所述第一时刻的卡尔曼预测值的协方差；
获取所述上一时刻的最优估计值的协方差及所述上一时刻的状态方程；
根据所述第一时刻的卡尔曼预测值的协方差、所述上一时刻的最优估计值的协方差及所述上一时刻的状态方程，确定所述第一时刻的卡尔曼增益。
4.根据权利要求1至3任一项所述的传感器异常数据的可信监测方法，其特征在于，所述方法还包括：
若确定所述目标传感器在所述第一时刻的数据异常，则并将该异常数据存储在第一区块链中。
5.根据权利要求4所述的传感器异常数据的可信监测方法，其特征在于，所述方法还包括：
若所述第一时刻的偏差值不大于所述预设阈值，则确定所述目标传感器在所述第一时刻的数据正常，并将所述第一时刻的最优估计值存储在第二区块链中。
6.根据权利要求5所述的传感器异常数据的可信监测方法，其特征在于，在所述获取目标传感器在第一时刻的实际采样值之前，所述方法还包括：
获取所述目标传感器在各个时刻的实际采样值，并将各个时刻的实际采样值存储在第三区块链中；
获取所述预估得到的所述目标传感器在所述第一时刻的预估值，并将所述第一时刻的预估值存储在第四区块链中；
所述获取目标传感器在第一时刻的实际采样值，包括：
从所述第三区块链中获取得到所述第一时刻的实际采样值；
所述获取预估得到的所述目标传感器在所述第一时刻的预估值，包括：
从所述第四区块链中获取得到所述第一时刻的预估值。
7.根据权利要求6所述的传感器异常数据的可信监测方法，其特征在于，所述第一区块链、所述第二区块链、所述第三区块链及所述第四区块链并行运行。
8.根据权利要求7所述的传感器异常数据的可信监测方法，其特征在于，针对所述第一区块链、所述第二区块链、所述第三区块链或所述第四区块链，采用Raft共识算法实现该区块链中各个节点的同步。
9.一种监测终端，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至8中任一项所述的传感器异常数据的可信监测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至8中任一项所述传感器异常数据的可信监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211321943.5A CN115388931B (zh) | 2022-10-27 | 2022-10-27 | 传感器异常数据的可信监测方法、监测终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211321943.5A CN115388931B (zh) | 2022-10-27 | 2022-10-27 | 传感器异常数据的可信监测方法、监测终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115388931A true CN115388931A (zh) | 2022-11-25 |
| CN115388931B CN115388931B (zh) | 2023-02-03 |
Family
ID=84129219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211321943.5A Active CN115388931B (zh) | 2022-10-27 | 2022-10-27 | 传感器异常数据的可信监测方法、监测终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115388931B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116499529A (zh) * | 2023-06-25 | 2023-07-28 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997000424A1 (fr) * | 1995-06-16 | 1997-01-03 | Masprodenkoh Kabushikikaisha | Dispositif servant a detecter la position d'un objet en mouvement |
| CN102096530A (zh) * | 2011-01-28 | 2011-06-15 | 广东威创视讯科技股份有限公司 | 一种多点触摸轨迹跟踪方法 |
| CN106302487A (zh) * | 2016-08-22 | 2017-01-04 | 中国农业大学 | 农业物联网数据流异常实时检测处理方法及装置 |
| CN106504091A (zh) * | 2016-10-27 | 2017-03-15 | 上海亿账通区块链科技有限公司 | 区块链上交易的方法及装置 |
| CN106709250A (zh) * | 2016-12-22 | 2017-05-24 | 河海大学 | 一种基于并行Kalman算法的数据流异常检测方法 |
| CN109815373A (zh) * | 2018-08-31 | 2019-05-28 | 阿里巴巴集团控股有限公司 | 数据存储的控制方法、装置、服务器及可读存储介质 |
| CN110781200A (zh) * | 2019-10-30 | 2020-02-11 | 百度在线网络技术（北京）有限公司 | 一种区块链异常数据的处理方法、装置、设备和介质 |
| CN111104736A (zh) * | 2019-12-13 | 2020-05-05 | 北京瑞莱智慧科技有限公司 | 基于时间序列的异常数据检测方法、装置、介质和设备 |
| CN111858111A (zh) * | 2019-04-25 | 2020-10-30 | 伊姆西Ip控股有限责任公司 | 数据分析的方法、设备和计算机程序产品 |
| CN112699946A (zh) * | 2020-12-31 | 2021-04-23 | 湖南工商大学 | 一种针对传感监测数据的异常检测方法、装置及相关设备 |
| CN112749969A (zh) * | 2020-11-16 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
| CN114372051A (zh) * | 2020-10-16 | 2022-04-19 | 华为技术有限公司 | 一种数据处理系统、基于区块链的数据处理方法及设备 |
-
2022
- 2022-10-27 CN CN202211321943.5A patent/CN115388931B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1997000424A1 (fr) * | 1995-06-16 | 1997-01-03 | Masprodenkoh Kabushikikaisha | Dispositif servant a detecter la position d'un objet en mouvement |
| CN102096530A (zh) * | 2011-01-28 | 2011-06-15 | 广东威创视讯科技股份有限公司 | 一种多点触摸轨迹跟踪方法 |
| CN106302487A (zh) * | 2016-08-22 | 2017-01-04 | 中国农业大学 | 农业物联网数据流异常实时检测处理方法及装置 |
| CN106504091A (zh) * | 2016-10-27 | 2017-03-15 | 上海亿账通区块链科技有限公司 | 区块链上交易的方法及装置 |
| CN106709250A (zh) * | 2016-12-22 | 2017-05-24 | 河海大学 | 一种基于并行Kalman算法的数据流异常检测方法 |
| CN109815373A (zh) * | 2018-08-31 | 2019-05-28 | 阿里巴巴集团控股有限公司 | 数据存储的控制方法、装置、服务器及可读存储介质 |
| CN111858111A (zh) * | 2019-04-25 | 2020-10-30 | 伊姆西Ip控股有限责任公司 | 数据分析的方法、设备和计算机程序产品 |
| CN110781200A (zh) * | 2019-10-30 | 2020-02-11 | 百度在线网络技术（北京）有限公司 | 一种区块链异常数据的处理方法、装置、设备和介质 |
| CN111104736A (zh) * | 2019-12-13 | 2020-05-05 | 北京瑞莱智慧科技有限公司 | 基于时间序列的异常数据检测方法、装置、介质和设备 |
| CN114372051A (zh) * | 2020-10-16 | 2022-04-19 | 华为技术有限公司 | 一种数据处理系统、基于区块链的数据处理方法及设备 |
| CN112749969A (zh) * | 2020-11-16 | 2021-05-04 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
| CN112699946A (zh) * | 2020-12-31 | 2021-04-23 | 湖南工商大学 | 一种针对传感监测数据的异常检测方法、装置及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| 王睿: "《测试信号处理技术》", 30 August 2919 * |
| 黄心汉: "《微装配机器人》", 30 July 2019 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116499529A (zh) * | 2023-06-25 | 2023-07-28 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
| CN116499529B (zh) * | 2023-06-25 | 2023-09-22 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115388931B (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180286258A1 (en) | Virtual Radar Apparatus and Method | |
| US10585774B2 (en) | Detection of misbehaving components for large scale distributed systems | |
| US10120003B2 (en) | RSSI based V2X communication plausability check | |
| US20200302054A1 (en) | Method for detecting physical intrusion attack in industrial control system based on analysis of signals on serial communication bus | |
| CN111178760B (zh) | 风险监测方法、装置、终端设备及计算机可读存储介质 | |
| CN109278674B (zh) | 无人驾驶汽车系统安全检测方法、装置、设备及存储介质 | |
| CN115388931B (zh) | 传感器异常数据的可信监测方法、监测终端及存储介质 | |
| US10841125B2 (en) | Method for transmitting data from a sensor | |
| US11962605B2 (en) | Information processing apparatus, data analysis method and program | |
| US10184974B2 (en) | Systems and methods for determining whether a circuit is operating properly | |
| EP4096232B1 (en) | Attack detection method, attack detection system and program | |
| CN115603973B (zh) | 基于政务信息网络的异构安全监测方法及系统 | |
| Xia et al. | Secure cooperative localization for connected automated vehicles based on consensus | |
| US11863574B2 (en) | Information processing apparatus, anomaly analysis method and program | |
| Braun et al. | Hierarchical attack identification for distributed robust nonlinear control | |
| Gaggero et al. | A framework for network security verification of automated vehicles in the agricultural domain | |
| CN114997587A (zh) | 一种电力终端的安全监测方法、装置及电力终端 | |
| Kneib | A survey on sender identification methodologies for the controller area network | |
| CN115524066A (zh) | VOCs无组织泄漏报警识别方法、装置、电子设备及介质 | |
| US20220014598A1 (en) | Data service tracker module for a communication system and method of determining a set of data couplings | |
| Vazquez-Olguın et al. | Distributed UFIR filtering with applications to environmental monitoring | |
| CN115934453A (zh) | 一种故障排查方法、装置及存储介质 | |
| JP2022094095A (ja) | 異常検出装置、異常検出方法、およびプログラム | |
| CN117729063B (zh) | 工业物联网的设备接入方法、装置、设备及存储介质 | |
| Zug et al. | An approach supporting fault-propagation analysis for smart sensor systems |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240412 Address after: Room 107, 1st Floor, Building 4, Hebei Academy of Sciences, No. 46 Youyi South Street, Shijiazhuang City, Hebei Province, 050081 Patentee after: Hebei Guochuang Kexing Technology Co.,Ltd. Country or region after: China Address before: 050081 Building 1, 46 Youyi South Street, Shijiazhuang City, Hebei Province Patentee before: INSTITUTE OF APPLIED MATHEMATICS HEBEI ACADEMY OF SCIENCES Country or region before: China |
|
| TR01 | Transfer of patent right |