CN115474108A - 一种基于边缘计算的事件监控系统及监控方法 - Google Patents

一种基于边缘计算的事件监控系统及监控方法 Download PDF

Info

Publication number
CN115474108A
CN115474108A CN202211127281.8A CN202211127281A CN115474108A CN 115474108 A CN115474108 A CN 115474108A CN 202211127281 A CN202211127281 A CN 202211127281A CN 115474108 A CN115474108 A CN 115474108A
Authority
CN
China
Prior art keywords
event
data
model
sensor
training
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
CN202211127281.8A
Other languages
English (en)
Other versions
CN115474108B (zh
Inventor
滑瀚
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.)
Nanjing Pinchun Communication Technology Co ltd
Original Assignee
Nanjing Pinchun Communication Technology 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 Nanjing Pinchun Communication Technology Co ltd filed Critical Nanjing Pinchun Communication Technology Co ltd
Priority to CN202211127281.8A priority Critical patent/CN115474108B/zh
Publication of CN115474108A publication Critical patent/CN115474108A/zh
Application granted granted Critical
Publication of CN115474108B publication Critical patent/CN115474108B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]
    • G16Y20/00—Information sensed or collected by the things
    • 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]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • 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]
    • G16Y30/00—IoT infrastructure
    • 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
    • H04Q2209/70—Arrangements in the main station, i.e. central controller
    • 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
    • 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
    • H04Q2209/84—Measuring functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Biomedical Technology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于边缘计算的事件监控系统及监控方法，包括多模态传感器、多通道选择模拟开关、动态存储模块、事件模型训练学习模块、多模态事件检测模块、物联网传输模块。本发明能够基于现场多种类传感器所采集的多模态数据，同步进行关联计算处理，形成现场模型特征，通过模型学习和比对实现事件告警，提高了事件发现准确率，降低误报和漏报概率，也大大降低了物联网带宽需求和流量成本。本发明还能够识别环境参数数据，生成事件特征模型环境修正参数，对事件特征模型进行实时的更新修正，以此能够避免复杂场景的环境动态改变造成的事件识别的不准确问题。

Description

一种基于边缘计算的事件监控系统及监控方法
技术领域
本发明涉及物联网监控技术领域，尤其涉及一种基于边缘计算的事件监控系统及监控方法。
背景技术
在复杂场景的事件检测中，广泛采用了物联网传感器技术，而现有技术中的复杂场景的事件检测通常是设置预先设置指标参数的阈值范围，当检测的指标参数在预设范围时，从而判断相应的事件，但是由于复杂场景事件的特殊性，这种方式的识别不够准确。
首先，在实际工作发现，若采用现有技术中的阈值范围判断法，简单的以某项指标参数是否在预设范围来检测事件，则往往会出现根据指标a判断出事件A发生、但根据指标b判断出事件A未发生的情况；经过实验分析得知，复杂场景的事件检测的检测指标具有多样性，通常需要设置多种类型的传感器以检测多种指标参数，但是有些指标参数之间具有耦合性、关联性，而不是相互独立的指标参数，因此，在预先设置阈值范围时，很难为每个指标设置精准的阈值范围，故极易导致事件检测的误报漏报。其次，复杂场景所在的检测环境动态多变，对检测的指标参数会造成一定的影响。此外，如果将监测场景中的大量传感器数据实时源源不断上传至数据处理平台，则既增加了物联网数据流量费用，同时在很多场景下不具备同时传输的网络条件，也会对监测性能和质量带来不利影响。
例如，发明专利CN112288126B提出一种采样数据异常变化在线监测与诊断方法，通过对历史数据的统计学习，形成强容错的安全变化轴线；计算实测数据与安全变化轴线之间差值，形成残差序列；计算出残差序列的容错均值和容错方差；利用“3σ准则”，实现对异常变化的监测与诊断，但是该发明并未考虑不同类型的多模态传感器数据之间的关联性。发明专利CN111539374B提出一种基于多维数据空间的轨道列车轴承故障诊断方法，包括以下步骤：1)采集列车正常运行的样本数据；2)对采集到样本数据进行预处理和自动标签，构建分类模型进行训练，得到分类识别结果，划分运行状态对应的数据类；3)对具有相同运行状态的数据类通过映射构建样本多维数据空间；4)采集待检测的样本数据，识别得到分类识别结果后在待检测的样本数据中划分运行状态对应的数据类，并将其映射到样本多维数据空间中；5)计算检测样本数据点与中心或质心的距离，并与设定距离阈值相比较，根据比较结果进行故障报警。可见该发明专利并未考虑环境变化对采集的数据的影响。
发明内容
发明目的：针对以上问题，本发明提出一种基于边缘计算的事件监控系统及监控方法。
技术方案：
第一方面，本发明提出一种基于边缘计算的事件监控系统，包括多模态传感器、多通道选择模拟开关、动态存储模块、事件模型训练学习模块、多模态事件检测模块、物联网传输模块；
优选地，多通道选择模拟开关，用于多路选通多模态传感器；
事件模型训练学习模块，用于训练初始的事件特征模型，并在实际运行中根据现场传感器实际收到的数据优化调整事件特征模型；
多模态事件检测模块，基于多通道选择模拟开关选通的多模态传感器检测数据，进行事件的初次识别，并根据初次识别结果控制多通道选择模拟开关的选通通道，获取更多类型的多模态传感器检测数据，从而进行事件的再次识别；当初次识别与再次识别结果一致时，启动告警，通过物联网传输模块上传实时传感器数据。
优选地，所述事件模型训练学习模块在事件特征模型的训练阶段，获取多类不同事件状态的传感器训练数据，通过多通道选择模拟开关选通需要输入的传感器训练数据；事件模型训练学习模块对每连续n个采样向量s，形成一个n×n的矩阵T；计算矩阵T的自相关矩阵T’，并对T’进行特征值分解，得到特征值及对应的特征向量；计算事件特征向量，基于机器学习算法训练形成事件特征模型；其中，事件特征向量X按照下式计算：
X＝K*T*WT
其中，K为事件特征模型环境修正参数，T为归一化后的训练数据矩阵，WT为特征向量的转置向量。
优选地，事件模型训练学习模块在实际运行阶段，获取多模态传感器的实时数据，根据数据类型筛选出环境类型实时数据，形成环境特征向量，将环境特征向量输入至环境识别模型中，得到识别结果；其中，识别结果为事件特征模型环境修正参数，环境识别模型为基于机器学习算法的智能模型或基于映射关系的数学模型。
优选地，所述多模态传感器用于采集复杂场景的多维实时检测数据；所述动态储存模块，采用FIFO方式按照时间顺序并行存储数据向量；所述多模态事件检测模块，进行事件的初次识别和再次识别，包括：按照预设采样频率实时处理动态存储模块中的采样数据，形成当前时刻的现场传感数据模型，并通过与来自事件模型训练学习模块的事件特征模型进行相关性运算，获得当前时刻数据模型与事件特征模型的似然比，并根据似然比识别事件。
优选地，动态储存模块，在动态存储模块内部形成L×n维的数据矩阵(L为所储存的采样点数量)，并且该矩阵内的数据元按照采样频率不断同步流动。
优选地，所述多模态传感器，包括指标参数传感器和环境传感器，其中指标参数传感器包括湿度传感器、压力传感器、液位传感器、液体浓度传感器和/或气体浓度传感器；环境传感器包括温度传感器、风力风向传感器、流速传感器和/或速度传感器。
优选地，多模态事件检测模块包含数据矩阵截取、数据模型生成、数据模型似然比计算与事件判决等子模块。
优选地，数据模型生成子模块，基于当前时刻采集数据获取n×n维的子矩阵P，计算其自相关矩阵P’，并对P’进行特征值分解，得到当前时刻采集数据空间的特征向量和对应的特征值；
数据模型似然比计算与事件判决子模块，将当前时刻采集信号空间的特征向量和对应的特征值，与从事件模型训练学习模块获得的事件向量与特征值，进行相关性计算，得到当前时刻采集数据与事件模型的似然比，从而判断识别事件。
第二方面，本发明还提供了一种基于边缘计算的事件监控方法，包括：
步骤S1，通过多个多模态传感器采集复杂场景的多维实时检测数据；
步骤S2，通过多通道选择模拟开关选通多模态传感器；
步骤S3，获取多种事件状态下的传感器检测数据，生成训练数据；通过机器学习算法训练数据生成事件特征模型；
步骤S4、多模态事件检测模块，基于多通道选择模拟开关选通的多模态传感器检测数据，进行事件的初次识别，并根据初次识别结果控制多通道选择模拟开关的选通通道，获取更多类型的多模态传感器检测数据，从而进行事件的再次识别；
步骤S5，当初次识别与再次识别结果一致时，启动告警，通过物联网传输模块上传实时传感器数据。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于边缘计算的事件监控方法中的步骤。
本发明相对于现有技术具有以下有益效果：
1、本发明克服现有物联网监测系统依赖于单一类型传感数据，依赖远程平台判断、依赖移动网络数据带宽等缺点。本发明考量了多模态/多维传感器数据的关联性，事件识别更加准确；采用可自适应学习的计算方法，实现了多类型传感器数据的并行联合监测，具有高灵敏、低误报率、低网络流量依赖性的特点。
2、本发明通过设置可控的多通道选择模拟开关，且基于多模态事件检测模块的初步检测结果来选择要进一步采样的多模态传感器，从而获取进一步的传感器数据，进行再次检测判断，这样提高了准确性，防止误判。并且，初次检测需要的数据较少，相应地等待模拟开关切换的周期数也较少，能够提高初次检测的时效性。因此，本发明的这种检测方式兼顾了准确性和时效性。
3、本发明能够根据传感器数据类型的不同，识别环境参数数据，并生成事件特征模型环境修正参数，对事件特征模型进行实时的更新修正，以此能够避免复杂场景的环境动态改变造成的事件识别的不准确问题。
4、本发明基于现场设备的边缘计算，能够避免海量数据的上传，降低了物联网数据流量费用，降低了对数据传输的依赖，同时不会影响监测性能和质量，具有很强的适用性、推广性。
附图说明
图1为基于边缘计算的事件监控系统结构示意图。
图2为多模态事件检测模块结构示意图。
图3为基于边缘计算的事件监控方法流程图。
具体实施方式
显然，本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当称元件、组件被“连接”到另一元件、组件时，它可以直接连接到其他元件或者组件，或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与所属领域中的普通技术人员的一般理解相同的意义。
为便于对实施例的理解，下面将结合做进一步的解释说明，且各个实施例并不构成对本发明的限定。下面结合附图和实施例对本发明的技术方案作进一步的说明。
实施例一：
如图1-图2所示，本发明提出一种基于边缘计算的事件监控系统，包括多模态传感器、多通道选择模拟开关、动态存储模块、事件模型训练学习模块、多模态事件检测模块、物联网传输模块；
优选地，多模态传感器用于采集复杂场景的多维实时检测数据；
多通道选择模拟开关，用于多路选通多模态传感器；
动态储存模块，采用FIFO方式按照时间顺序并行存储数据向量s；
事件模型训练学习模块，用于训练初始的事件特征模型，并在实际运行中根据现场传感器实际收到的数据优化调整事件特征模型；
多模态事件检测模块，基于多通道选择模拟开关选通的多模态传感器检测数据，进行事件的初次识别，并根据初次识别结果控制多通道选择模拟开关的选通通道，获取更多类型的多模态传感器检测数据，从而进行事件的再次识别；当初次识别与再次识别结果一致时，启动告警，通过物联网传输模块上传实时传感器数据。
所述多模态事件检测模块，进行事件的初次识别和再次识别，包括：按照预设采样频率实时处理动态存储模块中的采样数据，形成当前时刻的现场传感数据模型，并通过与来自事件模型训练学习模块的事件特征模型进行相关性运算，获得当前时刻数据模型与事件特征模型的似然比，并根据似然比识别事件。
优选地，所述事件模型训练学习模块，用于训练事件特征模型，包括：
在事件特征模型的训练阶段，获取多类不同事件状态的传感器训练数据，向多通道选择模拟开关输入传感器训练数据，进行归一化编码处理；事件模型训练学习模块对每连续n个采样向量s，形成一个n×n的矩阵T；
计算矩阵T的自相关矩阵T’，并对T’进行特征值分解，得到特征值及对应的特征向量；计算事件特征向量，基于机器学习算法训练形成事件特征模型。
优选地，所述计算事件特征向量包括：
事件特征向量X按照下式计算：
X＝K*T*WT
其中，K为事件特征模型环境修正参数，T为归一化后的训练数据矩阵，WT为特征向量的转置向量。
优选地，事件模型训练学习模块在实际运行阶段，获取多模态传感器的实时数据，根据数据类型筛选出环境类型实时数据，形成环境特征向量，将环境特征向量输入至环境识别模型中，得到识别结果；
其中，识别结果为事件特征模型环境修正参数，环境识别模型为基于机器学习算法的智能模型或基于映射关系的数学模型。
优选地，动态储存模块，在动态存储模块内部形成L×n维的数据矩阵(L为所储存的采样点数量)，并且该矩阵内的数据元按照采样频率不断同步流动。
优选地，所述多模态传感器，包括指标参数传感器和环境传感器，其中指标参数传感器包括湿度传感器、压力传感器、液位传感器、液体浓度传感器和/或气体浓度传感器；
环境传感器包括温度传感器、风力风向传感器、流速传感器和/或速度传感器；
多通道选择模拟开关，对不同传感器数据根据其量程范围进行归一化并量化编码。
优选地，多模态事件检测模块包含数据矩阵截取、数据模型生成、数据模型似然比计算与事件判决等子模块。
优选地，数据模型生成子模块，基于当前时刻采集数据获取n×n维的子矩阵P，计算其自相关矩阵P’，并对P’进行特征值分解，得到当前时刻采集数据空间的特征向量和对应的特征值；
数据模型似然比计算与事件判决子模块，将当前时刻采集信号空间的特征向量和对应的特征值，与从事件模型训练学习模块获得的事件向量与特征值，进行相关性计算，得到当前时刻采集数据与事件模型的似然比，从而判断识别事件。
实施例二：
多模态事件检测模块，按照采样频率实时处理动态存储模块中的采样数据，形成当前时刻的现场传感数据模型，并通过与来自事件模型训练学习模块的事件特征模型进行相关性运算，获得当前时刻数据模型与事件特征模型的似然比，最终完成通过判决门限确定是否触发事件告警。多模态事件检测模块包含数据矩阵截取、数据模型生成、数据模型似然比计算与事件判决等子模块。
数据矩阵截取子模块，从动态存储模块暂存的L×n维的数据矩阵中，每隔m(1≤m)个采样点截取连续n个传感器数据向量，得到一个n×n维的子矩阵S。具体截取间隔m，取决于硬件平台计算能力、采样频率和上传带宽等因素的折中考虑，当m＝1时，对平台算力和上传带宽的要求最高，监测实时性和准确度也最高。
数据模型生成子模块，与事件模型训练学习模块相似，对n×n维的子矩阵P，计算其自相关矩阵P’，并对P’进行特征值分解，得到当前时刻采集信号空间的特征向量和对应的特征值。
数据模型似然比计算与事件判决子模块，将当前时刻采集信号空间的特征向量和对应的特征值，与从事件模型训练学习模块获得的事件向量与特征值，进行加权相关计算，可获得当前时刻传感器数据与事件状态的似然比，通过预先设定的判决准则对该似然比进行判决，可判别当前数值是否达到事件告警标准。正常状态，未触发事件告警时，系统可上传此刻相应的信号模型数据。
实施例三：
如图3所示，本发明还提供了一种基于边缘计算的事件监控方法，包括：
步骤S1，通过多个多模态传感器采集复杂场景的多维实时检测数据；
步骤S2，通过多通道选择模拟开关选通多模态传感器；
在初始状态下通过多通道选择模拟开关选通多模态传感器，从而采集W种类型的传感器检测数据；在事件的初次识别后，通过控制多通道选择模拟开关选通更多种多模态传感器，从而采集R种类型的传感器检测数据，W＜R，获取更多类型的多模态传感器检测数据，进行事件的再次识别；
步骤S3，获取多种事件状态下的传感器检测数据，生成训练数据；通过机器学习算法训练数据生成事件特征模型；
其中，在事件特征模型的训练阶段，获取多类不同事件状态的传感器训练数据，向多通道选择模拟开关输入传感器训练数据，进行归一化编码处理；事件模型训练学习模块对每连续n个采样向量s，形成一个n×n的矩阵T；计算矩阵T的自相关矩阵T’，并对T’进行特征值分解，得到特征值及对应的特征向量；计算事件特征向量，基于机器学习算法训练形成事件特征模型。
所述计算事件特征向量包括：
事件特征向量X按照下式计算：
X＝K*T*WT
其中，K为事件特征模型环境修正参数，T为归一化后的训练数据矩阵，WT为特征向量的转置向量。
事件模型训练学习模块在实际运行阶段，获取多模态传感器的实时数据，根据数据类型筛选出环境类型实时数据，形成环境特征向量，将环境特征向量输入至环境识别模型中，得到识别结果；其中，识别结果为事件特征模型环境修正参数，环境识别模型为基于机器学习算法的智能模型或基于映射关系的数学模型。
步骤S4、多模态事件检测模块，基于多通道选择模拟开关选通的多模态传感器检测数据，进行事件的初次识别，并根据初次识别结果控制多通道选择模拟开关的选通通道，获取更多类型的多模态传感器检测数据，从而进行事件的再次识别；
步骤S5，当初次识别与再次识别结果一致时，启动告警，通过物联网传输模块上传实时传感器数据。
特别地，本发明不限于本文中所包含的实施方式和说明，并且权利要求应当被理解为包括那些实施方式的修改形式，该修改形式包括实施方式的部分和在所附权利要求的范围中的不同实施方式的元素的组合。本文中所描述的所有公开内容(包括专利和非专利公开内容)在此通过引用其全部内容并入到本文中。

Claims (10)

1.一种基于边缘计算的事件监控系统，包括多模态传感器、多通道选择模拟开关、动态存储模块、事件模型训练学习模块、多模态事件检测模块、物联网传输模块；
其特征在于，多通道选择模拟开关，用于多路选通多模态传感器；
事件模型训练学习模块，用于训练初始的事件特征模型，并在实际运行中根据现场传感器实际收到的数据优化调整事件特征模型；
多模态事件检测模块，基于多通道选择模拟开关选通的多模态传感器检测数据，进行事件的初次识别，并根据初次识别结果控制多通道选择模拟开关的选通通道，获取更多类型的多模态传感器检测数据，从而进行事件的再次识别；当初次识别与再次识别结果一致时，启动告警，通过物联网传输模块上传实时传感器数据。
2.根据权利要求1所述的基于边缘计算的事件监控系统，其特征在于，所述事件模型训练学习模块在事件特征模型的训练阶段，获取多类不同事件状态的传感器训练数据，通过多通道选择模拟开关选通需要输入的传感器训练数据；事件模型训练学习模块对每连续n个采样向量s，形成一个n×n的矩阵T；计算矩阵T的自相关矩阵T’，并对T’进行特征值分解，得到特征值及对应的特征向量；计算事件特征向量，基于机器学习算法训练形成事件特征模型；其中，事件特征向量X按照下式计算：
X＝K*T*WT
其中，K为事件特征模型环境修正参数，T为归一化后的训练数据矩阵，WT为特征向量的转置向量。
3.根据权利要求2所述的基于边缘计算的事件监控系统，其特征在于，事件模型训练学习模块在实际运行阶段，获取多模态传感器的实时数据，根据数据类型筛选出环境类型实时数据，形成环境特征向量，将环境特征向量输入至环境识别模型中，得到识别结果；其中，识别结果为事件特征模型环境修正参数，环境识别模型为基于机器学习算法的智能模型或基于映射关系的数学模型。
4.根据权利要求1所述的基于边缘计算的事件监控系统，其特征在于，所述多模态传感器用于采集复杂场景的多维实时检测数据；所述动态储存模块，采用FIFO方式按照时间顺序并行存储数据向量；所述多模态事件检测模块，进行事件的初次识别和再次识别，包括：按照预设采样频率实时处理动态存储模块中的采样数据，形成当前时刻的现场传感数据模型，并通过与来自事件模型训练学习模块的事件特征模型进行相关性运算，获得当前时刻数据模型与事件特征模型的似然比，并根据似然比识别事件。
5.根据权利要求1所述的基于边缘计算的事件监控系统，其特征在于，动态储存模块，在动态存储模块内部形成L×n维的数据矩阵(L为所储存的采样点数量)，并且该矩阵内的数据元按照采样频率不断同步流动。
6.根据权利要求1所述的基于边缘计算的事件监控系统，其特征在于，所述多模态传感器，包括指标参数传感器和环境传感器，其中指标参数传感器包括湿度传感器、压力传感器、液位传感器、液体浓度传感器和/或气体浓度传感器；环境传感器包括温度传感器、风力风向传感器、流速传感器和/或速度传感器。
7.根据权利要求1所述的基于边缘计算的事件监控系统，其特征在于，多模态事件检测模块包含数据矩阵截取、数据模型生成、数据模型似然比计算与事件判决等子模块。
8.根据权利要求7所述的基于边缘计算的事件监控系统，其特征在于，数据模型生成子模块，基于当前时刻采集数据获取n×n维的子矩阵P，计算其自相关矩阵P’，并对P’进行特征值分解，得到当前时刻采集数据空间的特征向量和对应的特征值；
数据模型似然比计算与事件判决子模块，将当前时刻采集信号空间的特征向量和对应的特征值，与从事件模型训练学习模块获得的事件向量与特征值，进行相关性计算，得到当前时刻采集数据与事件模型的似然比，从而判断识别事件。
9.一种应用于权利要求1-8中任一项所述基于边缘计算的事件监控系统的基于边缘计算的事件监控方法，其特征在于，该方法包括：
步骤S1，通过多个多模态传感器采集复杂场景的多维实时检测数据；
步骤S2，通过多通道选择模拟开关选通多模态传感器；
步骤S3，获取多种事件状态下的传感器检测数据，生成训练数据；通过机器学习算法训练数据生成事件特征模型；
步骤S4、多模态事件检测模块，基于多通道选择模拟开关选通的多模态传感器检测数据，进行事件的初次识别，并根据初次识别结果控制多通道选择模拟开关的选通通道，获取更多类型的多模态传感器检测数据，从而进行事件的再次识别；
步骤S5，当初次识别与再次识别结果一致时，启动告警，通过物联网传输模块上传实时传感器数据。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求9中任一项所述基于边缘计算的事件监控方法中的步骤。
CN202211127281.8A 2022-09-16 2022-09-16 一种基于边缘计算的事件监控系统及监控方法 Active CN115474108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211127281.8A CN115474108B (zh) 2022-09-16 2022-09-16 一种基于边缘计算的事件监控系统及监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211127281.8A CN115474108B (zh) 2022-09-16 2022-09-16 一种基于边缘计算的事件监控系统及监控方法

Publications (2)

Publication Number Publication Date
CN115474108A true CN115474108A (zh) 2022-12-13
CN115474108B CN115474108B (zh) 2023-09-22

Family

ID=84332945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211127281.8A Active CN115474108B (zh) 2022-09-16 2022-09-16 一种基于边缘计算的事件监控系统及监控方法

Country Status (1)

Country Link
CN (1) CN115474108B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041768A (zh) * 2023-10-08 2023-11-10 北京华科海讯科技股份有限公司 一种基于大数据的多通道信号采集与处理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202145267U (zh) * 2011-03-22 2012-02-15 中国林业科学研究院林业研究所 多通道通用型生态数据采集器
US20160371137A1 (en) * 2015-06-22 2016-12-22 Hitachi Power Solutions Co., Ltd. Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same
CN109798935A (zh) * 2019-01-29 2019-05-24 上海无线通信研究中心 一种用于幕墙的多源传感器协同监测预警方法及系统
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111920420A (zh) * 2020-07-28 2020-11-13 复旦大学 一种基于统计学习的患者行为多模态分析与预测系统
CN114493393A (zh) * 2021-12-06 2022-05-13 南京市锅炉压力容器检验研究院 一种基于人工智能现场计算的多维度压力容器健康监测系统及其方法
CN114841250A (zh) * 2022-04-11 2022-08-02 浙江工业大学 基于多维传感数据的工业系统生产异常检测与诊断方法
CN114973120A (zh) * 2022-04-14 2022-08-30 山东大学 一种基于多维传感数据与监控视频多模异构融合的行为识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202145267U (zh) * 2011-03-22 2012-02-15 中国林业科学研究院林业研究所 多通道通用型生态数据采集器
US20160371137A1 (en) * 2015-06-22 2016-12-22 Hitachi Power Solutions Co., Ltd. Preprocessor of Abnormality Sign Diagnosing Device and Processing Method of the Same
CN109798935A (zh) * 2019-01-29 2019-05-24 上海无线通信研究中心 一种用于幕墙的多源传感器协同监测预警方法及系统
CN111274395A (zh) * 2020-01-19 2020-06-12 河海大学 基于卷积和长短期记忆网络的电网监控告警事件识别方法
CN111920420A (zh) * 2020-07-28 2020-11-13 复旦大学 一种基于统计学习的患者行为多模态分析与预测系统
CN114493393A (zh) * 2021-12-06 2022-05-13 南京市锅炉压力容器检验研究院 一种基于人工智能现场计算的多维度压力容器健康监测系统及其方法
CN114841250A (zh) * 2022-04-11 2022-08-02 浙江工业大学 基于多维传感数据的工业系统生产异常检测与诊断方法
CN114973120A (zh) * 2022-04-14 2022-08-30 山东大学 一种基于多维传感数据与监控视频多模异构融合的行为识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高静;李建中;: "信息物理融合系统中基于多模态数据的事件模型研究", 智能计算机与应用, no. 02 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041768A (zh) * 2023-10-08 2023-11-10 北京华科海讯科技股份有限公司 一种基于大数据的多通道信号采集与处理方法及系统
CN117041768B (zh) * 2023-10-08 2023-12-26 北京华科海讯科技股份有限公司 一种基于大数据的多通道信号采集与处理方法及系统

Also Published As

Publication number Publication date
CN115474108B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN113518011B (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
US20230152187A1 (en) Fault signal locating and identifying method of industrial equipment based on microphone array
CN110032490A (zh) 用于检测系统异常的方法及其装置
US11416717B2 (en) Classification model building apparatus and classification model building method thereof
CN115080290B (zh) 一种基于智能算法的异常数据检测方法及系统
WO2021043126A1 (en) System and method for event recognition
JP2000259223A (ja) プラント監視装置
CN109886337B (zh) 基于自适应采样的深度度量学习方法及系统
CN112085071A (zh) 一种基于边缘计算的配电房设备故障分析预判方法及装置
CN110569876A (zh) 非侵入式负荷识别方法、装置及计算设备
CN116955091B (zh) 基于机器学习的数据中心故障检测系统
CN116684878B (zh) 一种5g信息传输数据安全监测系统
CN115474108B (zh) 一种基于边缘计算的事件监控系统及监控方法
CN112833919B (zh) 一种多余度的惯性测量数据的管理方法及其系统
CN116259161B (zh) 一种电力故障预警系统
CN117150244A (zh) 基于电参数分析的智能配电柜状态监测方法及系统
CN115932144B (zh) 色谱仪性能检测方法、装置、设备和计算机介质
CN110751201B (zh) 基于纹理特征变换的sar装备任务失效成因推理方法
KR102059112B1 (ko) 사물 인터넷 스트림 데이터 품질 측정 지표 및 프로파일링 방법 및 그 시스템
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN114137915A (zh) 一种工业设备的故障诊断方法
CN113064489A (zh) 一种基于L1-Norm的毫米波雷达手势识别方法
CN112083707A (zh) 一种工控物理信号的处理方法及控制器、处理系统
CN115556099B (zh) 一种可持续学习的工业机器人故障诊断系统及方法

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