CN116340112B - 一种基于大数据分析和边缘计算的设备状态监测系统 - Google Patents
一种基于大数据分析和边缘计算的设备状态监测系统 Download PDFInfo
- Publication number
- CN116340112B CN116340112B CN202310615953.8A CN202310615953A CN116340112B CN 116340112 B CN116340112 B CN 116340112B CN 202310615953 A CN202310615953 A CN 202310615953A CN 116340112 B CN116340112 B CN 116340112B
- Authority
- CN
- China
- Prior art keywords
- state information
- module
- historical state
- edge
- historical
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 65
- 238000004364 calculation method Methods 0.000 title claims abstract description 32
- 238000007405 data analysis Methods 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000015654 memory Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000005192 partition Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 26
- 230000001052 transient effect Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 26
- 230000008569 process Effects 0.000 abstract description 20
- 238000012545 processing Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- 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)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于设备状态监测技术领域,具体涉及一种基于大数据分析和边缘计算的设备状态监测系统,包括数据采集模块、数据调用模块、分区模块、趋势分析模块、预测模块、计算模块、报警模块以及中央控制模块。该发明能够筛除边缘设备运行过程中的瞬时数据影响,使得加入至趋势分析模块中的历史状态信息均符合正常的波动趋势,从而能够得出准确的变化趋势值,保证对下一时刻边缘设备运行状态信息预测结果的准确性,并且在边缘设备发出预警信号之后,无需停止边缘设备的运行,从而便能够在边缘设备出现预警信号的情况下及时的将冗余信息上传至云端,减少边缘设备的内存占比,加快边缘设备处理数据的速度,保障终端输出数据的及时性。
Description
技术领域
本发明属于设备状态监测技术领域,具体涉及一种基于大数据分析和边缘计算的设备状态监测系统。
背景技术
边缘计算是指在更接近数据生成的位置来处理、分析和存储数据,从而实现快捷且近乎实时的分析和响应,其能够将一些数据处理功能(如存储、处理和分析)从云端移至更靠近数据生成的位置,有助于加快系统响应,从而加速事务处理,提升用户体验,这在数据及时性处理中至关重要,基于此,边缘设备的设置是必不可少的,但是边缘设备的运算能力和容量有限,在长期运行之后便会出现卡顿或延迟的现象,故而对其运行状态进行实时监测是必不可少的。
现有的边缘设备运行状态系统多是通过获取当前运行状态信息,并与额定运行状态信息进行比较,以此来判断边缘设备的运行状态是否正常,或者通过采集边缘设备在运行过程中产生的冗余数据,结合趋势分析来判断其运行状态是否正常,但是边缘设备运行过程中,那面会出现瞬时数据波动,这些瞬时数据会导致趋势分析的结果误差较大,基于其计算的预测结果也会存在较大的误差,基于此,本方案提出了一种能够在筛除边缘设备运行过程中瞬时数据影响的状态监测系统。
发明内容
本发明的目的是提供一种基于大数据分析和边缘计算的设备状态监测系统,能够筛除边缘设备运行过程中的瞬时数据影响,并且还能够在边缘设备出现异常的情况下及时的将冗余信息上传至云端,减少边缘设备的内存占比,加快边缘设备处理数据的速度。
本发明采取的技术方案具体如下:
一种基于大数据分析和边缘计算的设备状态监测系统,包括数据采集模块、数据调用模块、分区模块、趋势分析模块、预测模块、计算模块、报警模块以及中央控制模块;
所述数据采集模块用于采集边缘设备的运行信息,其中,所述运行信息包括历史状态信息和当前状态信息;
所述数据调用模块用于构建监测周期,并调用所述监测周期内的历史状态信息,且将其汇总为待评估数据集;
所述分区模块用于将所述历史状态信息输入至分区模型中,得到所述历史状态信息中的骤变节点,并将相邻所述骤变节点之间的时段标定为监测时段;
所述趋势分析模块用于获取所述监测时段内的历史状态信息,并输入至趋势分析模型中,得到所述历史状态信息的变化趋势值;
所述预测模块用于将所述变化趋势值与当前状态信息进行结合运算,得到预测状态信息,并根据所述预测状态信息;
所述计算模块用于预设标准状态信息,且将所述预测状态信息与标准状态信息相比较,输出偏离差量;
所述报警模块用于构建容许偏差区间,并将所述偏离差量与容许偏差区间相比较;
若所述偏离差量处于容许偏差区间之内,则判定所述预测状态信息超出标准状态信息,且同步发出预警信号;
若所述偏离差量超出容许偏差区间的上限,则直接发出报警信号;
所述中央控制模块用于收发所述数据采集模块、数据调用模块、分区模块、趋势分析模块之间的流转信息。
在一种优选方案中,所述分区模块执行时,将所述待评估数据集中的历史状态信息调用至分区模型中,所述分区模型用于获取每个历史状态信息的发生节点,且根据发生节点的先后顺序对所述历史状态信息进行排序。
在一种优选方案中,所述分区模块包括评估单元,所述评估单元用于评估相邻发生节点下的历史状态信息之间的变化量,并标定为待评估变量,所述评估单元内设置有用于评估待评估变量的评估阈值,并将超出评估阈值的待评估变量对应的发生节点为骤变节点。
在一种优选方案中,所述分区模块还包括校验单元,所述校验单元用于输出校验差值,并根据所述校验差值判断骤变节点下历史状态信息的连续性,所述校验单元内设置有评估区间以及容许波动区间,所述评估区间内包括多个校验节点,所述容许波动区间用于与校验差值进行比较;
当所述骤变节点确定后,所述校验单元采集每个校验节点下的历史状态信息,并将其标定为待校验量,且将所述待校验量逐一与骤变节点下的历史状态信息进行比较,筛选出与所述骤变节点下的历史状态信息偏差最大的待校验量,并同步输出校验差值;
若所述校验差值处于容许波动区间内,则判定所述骤变节点下的历史状态信息的连续,并继续校验下一位次的骤变节点;
若所述校验差值未处于容许波动区间内,则判定所述骤变节点下的历史状态信息不连续,并将此骤变节点下的历史状态数据标定为瞬时数据,再继续校验下一位次的骤变节点。
在一种优选方案中,所述趋势分析模块包括筛除单元,所述筛除单元用于筛除所述监测时段内的瞬时变量;
其中,所述瞬时变量为相邻发生节点中未处于容许波动区间的校验差值。
在一种优选方案中,所述预测模块执行时,实时采集所述当前状态信息对应的监测时段,并调用该监测时段下的变化趋势值。
在一种优选方案中,所述报警模块包括备用存储单元,所述备用存储单元用于存储瞬时变量对应的边缘设备的运行信息。
在一种优选方案中,所述报警模块还包括评定单元,所述评定单元用于预设标准时长,且实时采集预警信号的持续时长,并对所述标准时长和持续时长进行比较;
若所述持续时长大于或等于标准时长,则将所述预警信号提升为报警信号;
若所述持续时长小于标准时长,则解除预警信号。
在一种优选方案中,还包括关联模块和云端存储通道,所述云端存储通道用于将所述边缘设备的历史状态信息上传至云端,所述关联模块用于采集与所述当前状态信息相关的关联信息及其与当前状态信息的关联度,并将其余信息标定为冗余信息;
其中,所述预警信号发出后,所述关联信息留存在所述边缘设备内,所述冗余信息上传至云端存储模块;
所述报警信号发出后,根据所述关联信息与当前状态信息的关联度,按照由低至高的顺序将关联信息通过云端存储通道逐一上传至云端。
本发明还提供了,一种基于大数据分析和边缘计算的设备状态监测终端,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的基于大数据分析和边缘计算的设备状态监测系统。
本发明取得的技术效果为:
本发明能够筛除边缘设备运行过程中的瞬时数据影响,使得加入至趋势分析模块中的历史状态信息均符合正常的波动趋势,从而能够得出准确的变化趋势值,保证对下一时刻边缘设备运行状态信息预测结果的准确性,并且在边缘设备发出预警信号之后,无需停止边缘设备的运行,从而便能够在边缘设备出现预警信号的情况下及时的将冗余信息上传至云端,减少边缘设备的内存占比,加快边缘设备处理数据的速度,保障终端输出数据的及时性。
附图说明
图1是本发明所提供的系统运行流程图;
图2是本发明所提供的系统模块图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
请参阅图1和图2所示,本发明提供了一种基于大数据分析和边缘计算的设备状态监测系统,包括数据采集模块、数据调用模块、分区模块、趋势分析模块、预测模块、计算模块、报警模块以及中央控制模块;
数据采集模块用于采集边缘设备的运行信息,其中,运行信息包括历史状态信息和当前状态信息;
数据调用模块用于构建监测周期,并调用监测周期内的历史状态信息,且将其汇总为待评估数据集;
分区模块用于将历史状态信息输入至分区模型中,得到历史状态信息中的骤变节点,并将相邻骤变节点之间的时段标定为监测时段;
趋势分析模块用于获取监测时段内的历史状态信息,并输入至趋势分析模型中,得到历史状态信息的变化趋势值;
预测模块用于将变化趋势值与当前状态信息进行结合运算,得到预测状态信息,并根据预测状态信息;
计算模块用于预设标准状态信息,且将预测状态信息与标准状态信息相比较,输出偏离差量;
报警模块用于构建容许偏差区间,并将偏离差量与容许偏差区间相比较;
若偏离差量处于容许偏差区间之内,则判定预测状态信息超出标准状态信息,且同步发出预警信号;
若偏离差量超出容许偏差区间的上限,则直接发出报警信号;
中央控制模块用于收发数据采集模块、数据调用模块、分区模块、趋势分析模块之间的流转信息。
上述中,边缘计算是指在更接近数据生成的位置来处理、分析和存储数据,从而实现快捷且近乎实时的分析和响应,其能够将一些数据功能(如存储、处理和分析)从云端移至边缘更靠近数据生成的位置,将数据处理和分析转移到边缘有助于加快系统响应,从而加速事务处理,提升体验,这在数据及时性处理中至关重要,基于此,边缘设备的设置是必不可少的,例如路由器、工业网关等均属于常见的边缘设备,但是边缘设备的存储容量有限,在运行一段时间后就会产生一些冗余数据,这些冗余数据的产生无疑会拖慢边缘设备对数据处理的速度,从而便会造成数据延迟等现象发生,本实施例通过数据采集模块采集边缘设备的历史状态信息和当前状态信息,并通过数据调用模块将历史状态信息汇总为待评估数据集,但是边缘设备并不是全天性的稳定运行,例如,在工作时段内,边缘设备的负载较大,而在夜间,边缘设备的负载较小,故而在对边缘设备的运行信息进行分析时,对其进行分区段处理,得到多个监测时段,而后采集每个监测时段内的历史状态信息,并输入至趋势分析模块中,测算历史状态信息的变化趋势值,而后结合当前状态信息输入至预测模块中,便可得到下一时刻的预测状态信息,再对预测状态信息进行评估,判断其是否会存在超出标准状态信息的情况,此外,本实施例还设置了容许偏差区间,此容许偏差区间用于判断边缘设备运行过程中是否存在瞬时数据的影响,对于瞬时数据而言,其对边缘设备的影响是短暂且可修复的,故而其产生时对应发出预警信号,以此来避免边缘设备运行过程中出现误报警的现象,且本实施例中,采集模块、数据调用模块、分区模块、趋势分析模块之间的流转信息均由中央控制模块控制收发,此流转信息为上述各模块的输出和输入信息,例如数据采集模块采集的边缘设备的运行信息,数据调用模块调用的历史状态信息等,在此就不一一加以赘述,且中央控制模块可以为单片机或者与边缘设备适配的智能芯片等,其目的均旨在于实现控制收发作用,文中对其就不加以明确的限制,基于此,本实施例所提供的方案不仅能够实时监测边缘设备运行状态的情况,还能够生成预测状态信息,并且在预测状态信息生成之后,能够进行进一步的评估,有效的筛除瞬时数据的影响,不会因此出现误报警的现象。
在一个较佳的实施方式中,分区模块执行时,将待评估数据集中的历史状态信息调用至分区模型中,分区模型用于获取每个历史状态信息的发生节点,且根据发生节点的先后顺序对历史状态信息进行排序。
在该实施方式中,在边缘设备的运行过程中,边缘设备的运行状态信息出现骤变,且在骤变之后能够平缓的运行时,则就可以将此节点标定为骤变节点,在确定骤变节点之前,首先需要在监测周期内构建多个采集节点,并且实施获取每个采集节点下的历史状态信息,再利用分区模型获取每个历史状态信息的发生节点,而后将这些历史状态信息按照发生时间的先后顺序进行排列即可,方便后续对各个历史状态信息进行评估,并确定骤变节点。
其次,分区模块包括评估单元,评估单元用于评估相邻发生节点下的历史状态信息之间的变化量,并标定为待评估变量,评估单元内设置有用于评估待评估变量的评估阈值,并将超出评估阈值的待评估变量对应的发生节点为骤变节点。
上述中,评估单元内预设有评估阈值,此评估阈值的建立是基于边缘设备运行过程中数据的波动量进行预设的,此处,可根据边缘设备的预设运行周期(历史经验进行确定,如工作日的工作时段与非工作时段等)来统计其历史状态信息,将这些历史状态信息汇总在一起,并统计每个运行周期内相邻历史状态信息之间的波动峰值,而后将这些波动峰值的平均值确定为评估阈值,当然,此处在确定波动峰值时,需要剔除瞬时数据的影响,具体过程可参考后续校验单元的执行过程,此处就不加以多余的赘述,在评估阈值确定之后,便可与待评估变量进行比较,从而便可确定骤变节点的位置,最后再将相邻骤变节点之间的时段标定为监测时段即可;
需要说明的是,监测周期内包括多个循环时段(例如一个工作日),每个循环时段内所得的骤变节点的位置可能不同,进而便会导致骤变节点之间出现偏差,那么得到的多个监测时段的首尾节点的位置也存在偏差,由于边缘设备的启闭人为干扰因素过大,但是对于正常的工作进行而言,其偏差量不会过大,期间虽有数据起伏,但是并不会对边缘设备的运行造成影响,基于此,本实施方式中,在多个监测时段确定之后,可以将各个监测时段的起始节点求和并取平均值,并以其作为监测时段的起始节点即可,结束节点的确定也可参照上述过程进行确定,基于此,边缘设备的监测时段便可确定,从而便可为趋势分析模块提供一个合理的数据支持。
再其次,分区模块还包括校验单元,校验单元用于输出校验差值,并根据校验差值判断骤变节点下历史状态信息的连续性,校验单元内设置有评估区间以及容许波动区间,评估区间内包括多个校验节点,容许波动区间用于与校验差值进行比较;
当骤变节点确定后,校验单元采集每个校验节点下的历史状态信息,并将其标定为待校验量,且将待校验量逐一与骤变节点下的历史状态信息进行比较,筛选出与骤变节点下的历史状态信息偏差最大的待校验量,并同步输出校验差值;
若校验差值处于容许波动区间内,则判定骤变节点下的历史状态信息的连续,并继续校验下一位次的骤变节点;
若所述校验差值未处于容许波动区间内,则判定骤变节点下的历史状态信息不连续,并将此骤变节点下的历史状态数据标定为瞬时数据,再继续校验下一位次的骤变节点。
上述中,校验单元的执行在骤变节点确定之后,其目的在于去除瞬时数据的影响,避免监测时段的确定过程中,误将瞬时数据标定为骤变节点的现象发生,本实施方式通过评估骤变节点下历史状态信息的连续性进行判断,首先在骤变节点之后设立一个评估区间,此评估区间的结束节点在下一个骤变节点之前,当然,为保证评估区间内有足够的历史状态信息用于评估,可以对评估区间预设一个标准时段,并且只有在标准时段内的区间,才能够作为评估区间,否则就直接判定该骤变节点下的历史状态数据为瞬时数据,并继续评估下一位次下骤变节点的历史状态信息,其次,在校验单元内预设一个容许波动区间,此容许波动区间用于评估历史状态信息的走势,以此来判断当历史状态信息发生之后,其后续的走势是否平稳,若其波动超出容许波动区间,则就可以判定其为瞬时数据,即本实施方式中提及的历史状态信息不连续,那么其便不符合骤变节点的设置需求,而后将其筛除,并且继续对下一骤变节点进行校验。
在一个较佳的实施方式中,趋势分析模块包括筛除单元,筛除单元用于筛除监测时段内的瞬时变量,其中,瞬时变量为相邻发生节点中未处于容许波动区间的校验差值。
在该实施方式中,在校验单元执行时,能够通过容许波动区间筛选出超出容许波动区间的校验差值,此校验差值对应的历史状态信息即为瞬时数据,为避免其对变化趋势值的测算造成影响,在监测时段确定之后,将其从监测时段内筛除,相应的,在进行趋势分析时,监测时段的时长也应相应缩短,以此保证趋势分析结果的准确性;
进一步的,趋势分析模块在执行时,首先需要调用趋势分析函数,其中,趋势分析函数为:,式中,/>表示历史状态信息的变化趋势值,/>表示监测时段的数量,/>,/>表示监测时段内参与运算的时长,/>,/>均表示监测时段内参与运算的历史状态信息的编号,并不参与运算,/>,/>均表示监测时段内参与运算的历史状态信息,/>,均表示监测时段内的历史状态信息的数量。
在一个较佳的实施方式中,预测模块执行时,实时采集当前状态信息对应的监测时段,并调用该监测时段下的变化趋势值。
上述中,在历史状态信息的变化趋势值确定之后,便可以将其与当前状态信息进行结合运算,其计算公式为:,式中,/>表示预测状态信息,/>表示当前状态信息,/>表示预测时长,基于此式,便可以计算出下一未发生时刻的边缘设备的预测状态信息,后续便可针对其来对边缘设备的运行状态进行评估。
在一个较佳的实施方式中,报警模块包括备用存储单元,备用存储单元用于存储瞬时变量对应的边缘设备的运行信息。
上述中,备用存储单元的设备用于针对瞬时变量对应的边缘设备的运行信息,即在边缘设备的运行中因较大的数据波动而产生较多的冗余数据时,备用存储单元能对这些多余的数据进行存储,并且能够在边缘设备后续正常运行的情况下上传至云端,一般情况下,瞬时数据多是短暂性的临时性数据,并非边缘设备运行中的必需数据,故而将其上传至云端能够减少边缘设备的负载,使得边缘设备不会因为瞬时数据的影响而导致数据输出的延迟。
在一个较佳的实施方式中,报警模块还包括评定单元,评定单元用于预设标准时长,且实时采集预警信号的持续时长,并对标准时长和持续时长进行比较;
若持续时长大于或等于标准时长,则将预警信号提升为报警信号;
若持续时长小于标准时长,则解除预警信号。
在该实施方式中,报警模块在执行时,为规避瞬时数据的影响,在评估预测状态信息时,首先需要判断预测状态信息是否超出标准状态信息,在预测状态信息超出标准状态信息时,发出预警信号或报警信号,其中,标准状态信息是基于边缘设备的额定负载信息进行设置的,其取值小于额定负载信息,具体可根据实际情况进行设置,在预测状态信息超出标准状态信息时,同时,在预测状态信息发出之后,还能够输出偏离差量,在偏离差量处于容许偏差区间之内时,会发出预警信号,在预警信号发出之后,会将冗余信息上传至云端,之后通过评定单元采集预警信号的持续时长,若持续时长超出标准时长,则会将预警信号升级为报警信号,反之,则解除预警信号。
在一个较佳的实施方式中,该监测系统还包括关联模块和云端存储通道,云端存储通道用于将边缘设备的历史状态信息上传至云端,关联模块用于采集与当前状态信息相关的关联信息及其与当前状态信息的关联度,并将其余信息标定为冗余信息;
其中,预警信号发出后,关联信息留存在边缘设备内,冗余信息上传至云端存储模块;
报警信号发出后,根据关联信息与当前状态信息的关联度,按照由低至高的顺序将关联信息通过云端存储通道逐一上传至云端。
上述中,边缘设备运行的过程中,关联模块实时采集所有与终端输出信息相关的数据,并且将其标定为关联信息,这些关联信息均是用于支持终端输出信息,在当前状态下,不参与运行的数据就被标定为冗余信息,在预警信号发出之后,通过云端存储通道将这些冗余信息上传至云端,以便于后续调用,同时也能够减少边缘设备的负载,并且还不会影响边缘设备的正常运行,而在报警信号发出之后,即表明冗余信息完全上传至云端,同时按照关联度由低至高的顺序将关联信息也逐步上传至云端,但是边缘设备仍然不能够满足当前运算需求,此时便需要云端介入处理,这样会导致数据处理过程出现延迟,但是仍然能够保证数据正常处理,当然,若是云端介入后的处理速度或者处理结果不能够满足当前需求,则需要停止边缘设备的运行,且表明该边缘设备不支持用户当前的需求,而后清除为满足当前用户需求所产生的冗余数据,并从云端将已上传的数据调用至边缘设备中,保证其后续运行的稳定。
本发明还提供了,一种基于大数据分析和边缘计算的设备状态监测终端,包括:
至少一个处理器;
以及与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行上述的基于大数据分析和边缘计算的设备状态监测系统。
本领域技术人员可以理解,本发明所述的设备状态监测终端可以为所需的目的而专门设计和制造,或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序或应用程序,这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如,计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中,所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AccessMemory,随机存储器)、EPROM(Erasable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,可读介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法,如无特别说明和限定,均按照本领域的常规手段进行实施。
Claims (10)
1.一种基于大数据分析和边缘计算的设备状态监测系统,包括数据采集模块、数据调用模块、分区模块、趋势分析模块、预测模块、计算模块、报警模块以及中央控制模块,其特征在于:
所述数据采集模块用于采集边缘设备的运行信息,其中,所述运行信息包括历史状态信息和当前状态信息;
所述数据调用模块用于构建监测周期,并调用所述监测周期内的历史状态信息,且将其汇总为待评估数据集;
所述分区模块用于将所述历史状态信息输入至分区模型中,得到所述历史状态信息中的骤变节点,并将相邻所述骤变节点之间的时段标定为监测时段;
所述趋势分析模块用于获取所述监测时段内的历史状态信息,并输入至趋势分析模型中,得到所述历史状态信息的变化趋势值;
所述预测模块用于将所述变化趋势值与当前状态信息进行结合运算,得到预测状态信息,并根据所述预测状态信息;
所述计算模块用于预设标准状态信息,且将所述预测状态信息与标准状态信息相比较,输出偏离差量;
所述报警模块用于构建容许偏差区间,并将所述偏离差量与容许偏差区间相比较;
若所述偏离差量处于容许偏差区间之内,则判定所述预测状态信息超出标准状态信息,且同步发出预警信号;
若所述偏离差量超出容许偏差区间的上限,则直接发出报警信号;
所述中央控制模块用于收发所述数据采集模块、数据调用模块、分区模块、趋势分析模块之间的流转信息。
2.根据权利要求1所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述分区模块执行时,将所述待评估数据集中的历史状态信息调用至分区模型中,所述分区模型用于获取每个历史状态信息的发生节点,且根据发生节点的先后顺序对所述历史状态信息进行排序。
3.根据权利要求1所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述分区模块包括评估单元,所述评估单元用于评估相邻发生节点下的历史状态信息之间的变化量,并标定为待评估变量,所述评估单元内设置有用于评估待评估变量的评估阈值,并将超出评估阈值的待评估变量对应的发生节点为骤变节点。
4.根据权利要求1所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述分区模块还包括校验单元,所述校验单元用于输出校验差值,并根据所述校验差值判断骤变节点下历史状态信息的连续性,所述校验单元内设置有评估区间以及容许波动区间,所述评估区间内包括多个校验节点,所述容许波动区间用于与校验差值进行比较;
当所述骤变节点确定后,所述校验单元采集每个校验节点下的历史状态信息,并将其标定为待校验量,且将所述待校验量逐一与骤变节点下的历史状态信息进行比较,筛选出与所述骤变节点下的历史状态信息之间偏差最大的待校验量,并同步输出校验差值;
若所述校验差值处于容许波动区间内,则判定所述骤变节点下的历史状态信息的连续,并继续校验下一位次的骤变节点;
若所述校验差值未处于容许波动区间内,则判定所述骤变节点下的历史状态信息不连续,并将此骤变节点下的历史状态数据标定为瞬时数据,再继续校验下一位次的骤变节点。
5.根据权利要求4所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述趋势分析模块包括筛除单元,所述筛除单元用于筛除所述监测时段内的瞬时变量;
其中,所述瞬时变量为相邻发生节点中未处于容许波动区间的校验差值。
6.根据权利要求1所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述预测模块执行时,实时采集所述当前状态信息对应的监测时段,并调用该监测时段下的变化趋势值。
7.根据权利要求5所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述报警模块包括备用存储单元,所述备用存储单元用于存储瞬时变量对应的边缘设备的运行信息。
8.根据权利要求1所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:所述报警模块还包括评定单元,所述评定单元用于预设标准时长,且实时采集预警信号的持续时长,并对所述标准时长和持续时长进行比较;
若所述持续时长大于或等于标准时长,则将所述预警信号提升为报警信号;
若所述持续时长小于标准时长,则解除预警信号。
9.根据权利要求1所述的一种基于大数据分析和边缘计算的设备状态监测系统,其特征在于:还包括关联模块和云端存储通道,所述云端存储通道用于将所述边缘设备的历史状态信息上传至云端,所述关联模块用于采集与所述当前状态信息相关的关联信息及其与当前状态信息的关联度,并将其余信息标定为冗余信息;
其中,所述预警信号发出后,所述关联信息留存在所述边缘设备内,所述冗余信息上传至云端存储模块;
所述报警信号发出后,根据所述关联信息与当前状态信息的关联度,按照由低至高的顺序将关联信息通过云端存储通道逐一上传至云端。
10.一种基于大数据分析和边缘计算的设备状态监测终端,其特征在于:包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9中任意一项所述的基于大数据分析和边缘计算的设备状态监测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310615953.8A CN116340112B (zh) | 2023-05-29 | 2023-05-29 | 一种基于大数据分析和边缘计算的设备状态监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310615953.8A CN116340112B (zh) | 2023-05-29 | 2023-05-29 | 一种基于大数据分析和边缘计算的设备状态监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116340112A CN116340112A (zh) | 2023-06-27 |
CN116340112B true CN116340112B (zh) | 2023-07-21 |
Family
ID=86893329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310615953.8A Active CN116340112B (zh) | 2023-05-29 | 2023-05-29 | 一种基于大数据分析和边缘计算的设备状态监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340112B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611771B (zh) * | 2023-07-21 | 2023-09-12 | 南京瑞凯泰克工业科技有限公司 | 模块式替代燃料智能存储系统 |
CN116661403A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市彼洋自动化科技有限公司 | 一种柔性生产线的自适应匹配控制系统 |
CN116821590B (zh) * | 2023-08-29 | 2024-03-26 | 江苏德赛尔科技有限公司 | 电力边缘数据的采集方法和系统 |
CN117272054B (zh) * | 2023-11-22 | 2024-03-15 | 四川边缘算力科技有限公司 | 一种融合边缘计算的区间延时样本快捷判断方法及系统 |
CN117596209B (zh) * | 2024-01-19 | 2024-03-26 | 湖南德意电气有限公司 | 一种高低压配电环境运行参数实时监测预警系统 |
CN117719385B (zh) * | 2024-02-18 | 2024-05-03 | 弘安天启(南京)科技有限公司 | 一种智能充电桩控制系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115574963A (zh) * | 2022-12-08 | 2023-01-06 | 南京智联达科技有限公司 | 一种基于iot技术的无线温采系统及温采方法 |
CN115693948A (zh) * | 2022-11-14 | 2023-02-03 | 南京深科博业电气股份有限公司 | 一种电力系统故障监测方法及监测系统 |
CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
-
2023
- 2023-05-29 CN CN202310615953.8A patent/CN116340112B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115693948A (zh) * | 2022-11-14 | 2023-02-03 | 南京深科博业电气股份有限公司 | 一种电力系统故障监测方法及监测系统 |
CN115574963A (zh) * | 2022-12-08 | 2023-01-06 | 南京智联达科技有限公司 | 一种基于iot技术的无线温采系统及温采方法 |
CN115712268A (zh) * | 2022-12-23 | 2023-02-24 | 深圳市创立宏科技有限公司 | 一种电子产品辅料自动贴合装置用故障预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116340112A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116340112B (zh) | 一种基于大数据分析和边缘计算的设备状态监测系统 | |
CN110601900B (zh) | 一种网络故障预警方法及装置 | |
CN115936448B (zh) | 一种基于大数据的城市配电网电力评估系统及方法 | |
JP2006094497A (ja) | 無線ネットワーク・パフォーマンスを監視する方法 | |
CN111273176B (zh) | 一种故障诊断的优化方法及装置、系统和存储介质 | |
WO2021238257A1 (zh) | 一种基于spd的内存监控及寿命预测方法和系统 | |
CN113037562A (zh) | 一种网关故障评估方法、装置及服务器 | |
CN117719385B (zh) | 一种智能充电桩控制系统及方法 | |
CN109525036B (zh) | 一种通信设备的市电供应状态的监控方法、装置和系统 | |
CN117493067B (zh) | 基于数据服务保护的熔断控制方法及系统 | |
CN113673822A (zh) | 一种弹性调度方法及系统 | |
CN113032239A (zh) | 风险提示方法、装置、电子设备及存储介质 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
CN115801618A (zh) | 微服务应用稳定性测试方法、装置、平台、设备及介质 | |
CN115580018A (zh) | 储能系统安全监测方法、装置、设备及存储介质 | |
CN112737120B (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
CN113923101B (zh) | 物联设备网络故障分析方法及装置 | |
CN115203164A (zh) | 一种基于动态参考值管理数据的智能电缆 | |
CN117350114B (zh) | 一种风机健康状态评估方法、装置和系统 | |
CN116451878A (zh) | 基于数字孪生技术的故障预测方法、装置、设备及介质 | |
CN117978628B (zh) | 一种基于智慧园区通信控制方法及系统 | |
CN115185987A (zh) | 一种基于关键采样点管理数据的智能电缆 | |
CN118117749A (zh) | 电网的预警信息显示方法、装置、设备、介质及程序产品 | |
CN115049516A (zh) | 基于电网设备的配网状态确定方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |