CN116523508B - 一种基于AIoT资产的智慧运维管理系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了一种基于AIoT资产的智慧运维管理系统，包括：获取不同的数据序列；根据不同数据序列中每个时间点对应的数据值得到环境数据表示值，统计环境数据表示值得到数据分布图，得到分布密度；获取数据分布曲线，根据分布密度分为若干数据段，并得到每个数据段的数据变化程度，以此得到带宽；根据带宽得到数据区间，获取标记数据点，根据标记数据点得到数据区间的内核值，并获得核函数；根据核函数得到异常数据点，根据异常数据点获取每个标记数据点对应的影响程度；根据标记像素点的影响程度判断是否需要维修。本发明使得获得的核函数能够准确的反映数据的变化类型，进而提高数据在异常检测时准确率。

Description

一种基于AIoT资产的智慧运维管理系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于AIoT资产的智慧运维管理系统。

背景技术

AIoT资产是指结合人工智能和物联网技术的设备资产。随着人工智能和物联网技术不断发展，企业在设备管理、运维、生产等方面都离不开这些先进技术的应用。通过将AI和IoT相结合，可以实现设备的全方位监控、自动化控制、远程遥控等功能，提高设备的可靠性、效率和安全性，降低企业的运营成本和风险。例如：公共建筑功能复杂,设施设备系统繁多且位置分散，设备故障无预警、能耗不可控、运营成本高等是各类公共建筑的共性问题。在该区域内,分布着大量的相关设施且位置各异,如果运维完全靠运维人员的自觉性,不可避免地会产生不必要的能源消耗,比如消防风机长期不正常开启等,从而造成巨大的浪费。另外,设备在使用过程中出现故障的情况必然存在,如何第一时间知晓故障点也是管理人员的关注点之一。智能物联网(AIoT）指系统通过各种信息传感器实时采集各类信息,在终端设备、边缘域或云中心通过机器学习对数据进行智能化分析，从而实现对设备的监控与管理。

在现有技术中，EBA正是基于此技术需求衍生的系统解决方案,主要针对建筑设施设备和能耗的管控。通过EBA的应用，建筑物能够实现节约能耗、人力、时间成本，安全、防灾预警等功能需求。消防风机长期不正常开启可能是因为消防风机的安装位置和环境因素也可能导致长期不正常开启，如温度过高或过低、湿度过大或过小、灰尘和污物积累等，都会影响设备的正常运行。因此对采集获得监测数据进行分析从而来监测设备的运行状态，而通过现有技术进行处理对于多种不同类型的数据放在一起较难一起处理，多种类型数据在判断时会导致环境类型判断不准确等问题。

发明内容

本发明提供一种基于AIoT资产的智慧运维管理系统，以解决多种不同类型的数据放在一起较难一起处理的问题，所采用的技术方案具体如下：

本发明一个实施例一种基于AIoT资产的智慧运维管理系统，该系统包括以下模块：

数据采集模块，获取温度数据序列、湿度数据序列和颗粒物数据序列；

带宽获取模块，根据温度数据序列、湿度数据序列和颗粒物数据序列中每个时间点对应的数据值得到环境数据表示值，统计环境数据表示值得到数据分布图，并根据数据分布图得到环境数据表示值的分布密度；获取数据分布曲线，根据分布密度获取数据分布曲线的若干个数据段，并得到每个数据段的数据变化程度，根据数据变化程度以及数据段的宽度得到数据分布曲线的带宽；

影响程度获取模块，根据数据分布曲线的带宽对数据分布曲线分割得到数据区间，获取数据区间内的标记数据点，根据不同种类的标记数据点得到每个数据区间的内核值，根据内核值获得核函数；根据获取的核函数得到异常数据点，根据异常数据点对应的标记数据点的值的差异获取每个标记数据点对应的影响程度；

运维管理模块，获取标记像素点的时间和数据种类，并根据标记像素点的影响程度判断是否需要维修管理。

优选的，所述统计环境数据表示值得到数据分布图，并根据数据分布图得到环境数据表示值的分布密度的方法为：

将获得环境数据表示值按照数值统计，统计每个环境数据表示值对应的数据数量，由此得到一个坐标系，坐标系的横轴为环境数据表示值的大小，纵轴为每个环境数据表示值对应的时间点的数量，坐标系记为数据分布图；

根据数据分布图中每个环境数据表示值及其对应的时间点数量与相邻环境数据表示值对应的时间点数量的差异得到每个环境数据表示值对应的分布密度。

优选的，所述根据数据分布图中每个环境数据表示值及其对应的时间点数量与相邻环境数据表示值对应的时间点数量的差异得到每个环境数据表示值对应的分布密度的方法为：

式中，表示环境数据表示值为/>时的分布密度，/>表示数据分布图中的第j个环境数据表示值，/>表示环境数据表示值为/>时对应的时间点的数量，/>表示环境数据表示值为/>时对应的时间点的数量，/>表示环境数据表示值为/>时对应的时间点的数量, />表示以自然数/>为底的指数函数。

优选的，所述获取数据分布曲线，根据分布密度获取数据分布曲线的若干个数据段，并得到每个数据段的数据变化程度的方法为：

数据分布曲线由数据分布图获得，数据分布曲线的横坐标为环境数据表示值，纵坐标为时间点的数量，获取数据分布曲线的极大值和极小值，将将第一个极大值到第一个极小值作为一个数据段，第二个极大值到第二个极小值作为一个数据段，依此类推，假设共有m个极小值，直到第m个极大值到第m个极小值为最后一个数据段；

将数据分布曲线的点记为曲线点，将曲线段内的极大值和极小值作差得到第一差值，求曲线段内所有曲线点的分布密度的均值，将第一差值与所有曲线点分布密度的均值的乘积作为每个数据段的数据变化程度。

优选的，所述根据数据变化程度以及数据段的宽度得到数据分布曲线的带宽的方法为：

式中，表示第t个数据段对应的极小值，/>表示第t个数据段对应的极大值，表示最大值函数，/>表示第t个数据段的数据变化程度，/>表示第t+1个数据段的数据变化程度，m表示数据段的数量，/>表示以自然常数为底的指数函数，/>表示数据分布曲线的带宽。

优选的，所述根据数据分布曲线的带宽对数据分布曲线分割得到数据区间的方法为：

将数据分布曲线分割为数个长度为带宽大小的曲线段，其中第一个曲线段由数据分布曲线的第一个开始依次获取带宽大小的曲线点，若最后一个曲线段的长度和带宽大小不同，那么将最后一个曲线段的长度填补到带宽大小的长度，其中填补的值为最后一个曲线段的最后一个值，每个曲线段的所有曲线点构成一个数据区间。

优选的，所述获取数据区间内的标记数据点的方法为：

对于每个环境数据表示值会有多个不同种类的数据点进行计算，若每种数据的一个数据值与其余两种数据的数据值经过计算后可以得到一个环境数据表示值，那么认为该环境数据表示值与数据值存在关系，将与环境数据表示值存在关系的数据值称为标记数据点，每个环境数据表示值存在多个标记数据点。

优选的，所述根据不同种类的标记数据点得到每个数据区间的内核值，根据内核值获得核函数的方法为：

在每个数据区间内，对于同一个种类的标记数据点，得到同一类标记数据点的最大值和最小值，获取数据区间内同一种类的标记数据点对应的数据值的平均值，将不同种类的平均值和最大值与最小值差值的乘积求均值得到每个数据区间的内核值，计算数据区间内所有曲线点的环境数据表示值的均值，将每一个环境数据表示值与环境数据表示值的均值的差值，令差值与宽度的比值记为第一比值，将第一比值与内核值相乘得到每一个曲线点的核函数。

优选的，所述根据获取的核函数得到异常数据点的方法为：

获取每个数据区间内的最大值和最小值，计算最大值和最小值的差值，若在数据区间内每个环境数据表示值对应的标记数据点数量大于最大值和最小值的差值的一半，那么认为此时环境数据表示值对应的曲线点为异常数据点。

优选的，所述根据异常数据点对应的标记数据点的值的差异获取每个标记数据点对应的影响程度的方法为：

式中，表示第u个异常数据点的第/>种数据的第r个标记数据点对应的环境数据表示值，/>表示第u个异常数据点对应的第r个标记数据点在/>种数据中的最大值，/>表示第/>种数据中第r个标记数据点对应的数据值，/>表示第/>种数据中第r个标记数据点对应的数据值，/>表示第u个异常数据点的环境数据表示值，/>表示线性归一化函数，/>表示第/>种数据中第r个标记数据点的影响程度。

本发明的有益效果是：本发明通过核密度估计算法来对数据进行分析，获得各类型数据中的异常数据，然后对多种类型数据进行判断，准确的反映导致设备异常运行的原因，该方法能够同时对多种数据进行分析，减小数据量的同时，提高数据异常判断的精度。在获得核函数时，通过分析环境表示值的变化来对数据分布曲线进行带宽的划分，进而每个区间数据的核函数能够准确的反映该数据区间的变化。在通过核密度估计算法来进行数据的异常分析时，需要确定合适的核函数和带宽，本发明通过将原始的多维数据进行转换，转换成低维数据，然后根据低维数据的变化来进行核函数的估计，并且根据原始数据的变化来调整数据的带宽，使得获得的核函数能够准确的反映数据的变化类型，进而在根据核函数进行数据的异常检测时更加的准确。

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，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为本发明一个实施例所提供的一种基于AIoT资产的智慧运维管理系统的流程示意图。

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。

本发明所针对的情景为: 智能物联网(AIoT）指系统通过各种信息传感器实时采集各类信息,在终端设备、边缘域或云中心通过机器学习对数据进行智能化分析，从而实现对设备的监控与管理。如：公共建筑功能复杂,设施设备系统繁多且位置分散，设备故障无预警、能耗不可控、运营成本高等是各类公共建筑的共性问题。在该区域内,分布着大量的相关设施且位置各异,如果运维完全靠物业人员的自觉性,不可避免地会产生不必要的能源消耗,比如消防风机长期不正常开启等,从而造成巨大的浪费。另外,设备在使用过程中出现故障的情况必然存在,如何第一时间知晓故障点也是管理人员的关注点之一。本发明的主要目的是为了对传感器采集获得的数据进行分析，从而来监测消防风机设备的运行状态。

请参阅图1，其示出了本发明一个实施例提供的一种基于AIoT资产的智慧运维管理系统流程图，该系统包括：数据采集模块、带宽获取模块、影响程度获取模块、运维管理模块。

数据采集模块，首先通过传感器采集消防风机所在区域的各项数据，消防风机能够监测环境的温度、湿度、固体颗粒物等，因此通过消防风机自身的传感器来采集上述数据，并且通过数据处理系统来获得当前消防风机的监测到的各项历史数据。然后对获得的数据进行去噪处理，在这里使用中值滤波算法来对获得的数据进行去噪处理，获得噪声影响较小的各项数据。中值滤波算法为现有公知技术，在此不再进行赘述。由此通过传感器得到了每一个数据类型的数据序列，分别为温度数据序列，湿度数据序列，颗粒物数据序列；序列为时间序列，按照时间顺序将采集的数据填放在数据序列中，其中每1s采集一次数据。

至此，获得了温度数据序列、湿度数据序列和颗粒物数据序列。

带宽获取模块，本发明的主要目的是为了对消防风机监测到的环境数据进行分析，来判断引起消防风机运转工作的原因。因为消防风机上的传感器在检测到环境温度较高或湿度较大或固体颗粒物的含量较大时，会自动运转，从而来降低温度、湿度和空气中的固体颗粒物的含量，而若各项检测数据处于正常范围内，但是消防风机仍然处于运行状态时，此时可能就是因为消防风机的故障引起的，引起故障的原因就可能是因为控制系统出现错误或灰尘污染物在传感器上的积累等原因造成的；因此需要根据历史数据与当前数据进行分析，判断其是因为环境异常引起的消防风机运转，还是因为消防风机自身的故障引起其运转。

由于温度数据、湿度数据、和固体颗粒物数据的异常都会导致消防风机的运转，需要对多种类数据同时进行分析；核密度估计算法，是一种常用的非参数统计方法，用于从样本数据中推断出概率密度函数，用于工程领域中的质量控制和故障检测。核密度估计算法需要根据数据的变化估计合适的核密度函数和调整合适的带宽，来反映数据间的关系，因此本发明根据获得的数据来估计合适的核密度函数和调整合适的带宽，从而能够更好的反映数据的变化和异常。

首先，需要根据各种类数据进行数据间变化程度的拟合，根据多种数据的变化来反应是否是因为某一种数据异常引起的，由于采集数据时是时间序列，温度数据序列、湿度数据序列和颗粒物数据序列中每个位置对应的数据是同一时间点采集到的，因此在同一时间点，在三个数据序列中各得到一个数据，根据同一时间点得到的三个数据得到每个时间点的环境数据表示值，公式如下：

式中，表示第/>个时间点的环境数据表示值，/>表示第/>个时间点的温度数据值，表示第/>个时间点的湿度数据值，/>表示第/>个时间点的固体颗粒物含量数据值，/>表示历史数据中最大温度数据点，/>表示历史数据中最大湿度数据点，/>表示历史数据中最大固体颗粒物含量数据点。/>、/>、/>表示对其进行归一化操作。

对上述得到的环境数据表示值统计得到数据分布图，数据分布图为直方图，其中横坐标为环境数据表示值，纵坐标为每个环境数据表示值对应的时间点数量，其中横坐标的环境数据表示值从小到大排序，由于不同环境数据表示值表示不同环境下对消防风机的影响程度不同，且不同环境下获得的不同数据可能会得到相同的环境数据表示值，由于不同环境下会得到相同的环境数据表示值因此需要根据各监测值的原始数据变化和数据分布图中数据的变化来判断引起消防风机异常的原因。首先根据分布数据图中数据的分布获得数据的分布密度，公式如下：

式中，表示环境数据表示值为/>时的分布密度，/>表示数据分布图中的第j个环境数据表示值，/>表示环境数据表示值为/>时对应的时间点的数量，/>表示环境数据表示值为/>时对应的时间点的数量，/>表示环境数据表示值为/>时对应的时间点的数量, />表示以自然数/>为底的指数函数。当/>的左右侧邻域时间点的统计值与/>时间点对应的统计值相差较小时，说明当前时间点的分布密度较大，并且时间点的统计值越大，分布密度越大。

根据计算获得的密度分布来确定合适的核函数。核函数的选择反映了每一区间内数据的变化程度。而在本实施例中是根据不同监测数据值来获得的环境数据表示值，在每一个环境数据表示值中会存在多个原始数据点，其温度、湿度、固体颗粒物的数据是不相同的，因此需要根据原始数据的变化与数据分布图中数据的变化来确定核函数。

获取每个环境数据表示值对应的分布密度后，对于数据分布图得到数据分布曲线，数据分布曲线横坐标为环境数据表示值，纵坐标为时间点的数量，使用导数获取数据分布曲线中的极大值和极小值，对于所有的极值，将第一个极大值到第一个极小值作为一个数据段，第二个极大值到第二个极小值作为一个数据段，依此类推，假设共有m个极小值，直到第m个极大值到第m个极小值为最后一个数据段，若最后一个极小值后还存在一个极大值不进行考虑；数据分布曲线内的每个点记为曲线点，每个曲线点对应一个不同的环境数据表示值，根据每个数据段内每个数据点的分布密度以及数据段宽度得到每个数据段的数据变化程度，公式如下：

式中，表示第t个数据段内第j个曲线点的分布密度，/>表示第t个数据段内的曲线点的数量，/>表示第t个数据段对应的极小值，/>表示第t个数据段对应的极大值，表示第t个数据段的数据变化程度。/>表示数据段内的平均分布密度。

根据每个数据段的数据变化程度以及最大数据段的宽度得到数据分布曲线的带宽，公式如下：

式中，表示第t个数据段对应的极小值，/>表示第t个数据段对应的极大值，表示最大值函数，/>表示第t个数据段的数据变化程度，/>表示第t+1个数据段的数据变化程度，m表示数据段的数量，/>表示以自然常数为底的指数函数，/>表示数据分布曲线的带宽，H向上取整。

表示连续集中点之间的比值，其表示极值点分布的均匀性，若差值越大，说明其均匀性越小，均匀性越小时，用该值乘以最大极大值点与极小值点之间的宽度，就表示该数据分布曲线的带宽。/>表示极大值点与极小值点之间的最大宽度。

至此，获得了数据分布曲线的带宽。

影响程度获取模块，根据计算获得的密度分布来确定合适的核函数。核函数的选择反映了每一区间内数据的变化程度。而在本实施例中是根据不同监测数据值来获得的环境数据表示值，在每一个环境数据表示值中会存在多个原始数据点，其温度、湿度、固体颗粒物的数据是不相同的，因此需要根据原始数据的变化与数据分布图中数据的变化来确定核函数。

具体的，根据获取的带宽对数据分布曲线进行分割，然后根据分割后每一带宽内的数据变化来获得核函数，根据数据分布曲线的带宽，将数据分布曲线分割为数个长度为带宽大小的曲线段，其中第一个曲线段由数据分布曲线的第一个开始依次获取带宽大小的曲线点。若最后一个曲线段的长度和带宽大小不同，那么将最后一个曲线段的长度填补到带宽大小的长度，其中填补的值为最后一个曲线段的最后一个值。若同一个曲线段内的数据变化趋势相同，则说明该曲线段受到环境数据表示值影响程度是近似的。

将获取到的曲线段中的曲线点记为数据区间，在获得每个数据区间的核函数前需要确定每个核函数的内核，将每个数据区间内所有环境数据表示值进行统计，对于每个环境数据表示值会有多个不同种类的数据点进行计算，对于每种数据，若每种数据的一个数据值与其余两种数据的数据值经过计算后可以得到一个环境数据表示值，那么认为该环境数据表示值与数据值存在关系，将此时的数据记为标记数据，每个环境数据表示值在同一种数据间存在多个标记数据，例如，环境数据表示值为30时，固体颗粒物数据为23,24,26,28,30,35都可以通过计算得到环境数据表示值30，此时环境数据表示值的标记数据为6个。根据每种数据的数据值计算每个数据区间的内核值，公式如下：

式中，表示第a个数据区间中第/>种数据的标记数据中第v个数据点对应的数据值，/>表示第a个数据区间中第/>种数据的标记数据中最大的数据值，/>表示第a个数据区间中第/>种数据的标记数据中最小的数据值，/>表示第a个数据区间中第/>种数据的标记数据中所有数据点的平均数据值，/>表示第a个数据区间的内核值。表示最大数据值与最小数据值的差值，其表示该数据区间内数据的差异程度，差异越大，说明该数据区间受到环境因素影响程度越大，那么在进行环境异常判断时，其异常程度越大。乘以/>表示数据在哪个范围波动，均值越大，说明受到环境因素的影响程度越大。内核表示的是该数据区间中数据的变化程度，能够反映因为受到不同的环境因素影响造成消防风机异常运行的程度。

通过数据的整体变化即内核来确定核函数，计算每个数据区间内每个曲线点的核函数，公式如下：

式中，表示第/>个数据区间内环境数据表示值的均值，/>表示第/>个数据区间内第c个曲线点对应的环境数据表示值，/>表示数据分布曲线的带宽，/>表示第a个数据区间的内核值，/>表示第/>个数据区间内第c个曲线点的核函数。

获取每个数据点的核函数后，对于每个数据区间，得到一个数据区间的数据变化曲线，对于数据曲线分析得到异常数据点。因为在进行核密度估计时，是根据数据的变化来获得每个数据区间内每个曲线点的核函数，因此在每个数据区间内的核函数会存在最值，因此获取每个数据区间内的最大值和最小值。计算最大值和最小值的差值，若在数据区间内每个环境数据表示值对应的数据点数量大于最大值和最小值的差值的一半，那么认为此时环境数据表示值对应的曲线点为异常数据点。

之后对异常数据点进行分析，因为上述获得的异常数据点是数据分布图中的异常数据点，因此还需要对异常数据点的原始数据进行分析来判断导致消防风机异常运转的原因。异常数据点表示的是在多个环境因素影响下产生的异常值，可能是因为一种原因导致的异常。也可能是因为多种原因导致的异常，统计所有异常数据点对应的环境数据表示值，得到每个环境数据表示值对应的标记数据，因此根据数据的变化来获得标记数据的异常程度，公式如下：

式中，表示第u个异常数据点的第/>种数据的第r个标记数据点对应的环境数据表示值，/>表示第u个异常数据点对应的第r个标记数据点在/>种数据中的最大值，/>表示第/>种数据中第r个标记数据点对应的数据值，/>表示第/>种数据中第r个标记数据点对应的数据值，/>表示第u个异常数据点的环境数据表示值，/>表示线性归一化函数，/>表示第/>种数据中第r个标记数据点的影响程度。指的说明的是，此时的第r个标记数据点包含有数据种类、时间和数值，可以认为是某一时间点下某个数据种类对应的标记数据点的影响程度。

至此，获得了每个时间点对应的每个标记数据点的影响程度。

运维管理模块，获取得到每个时间点对应的每个数据点的影响程度后，若获取当前时间点的数据，重复上述流程计算每个时间点对应的每种数据的影响程度，若该改时间点对应的数据组合不为异常数据点，则不为异常数据，若为异常数据且，设定判断阈值G，在本实施例中G为0.27，说明当前环境影响因素的影响程度对消防风机的影响程度较大，会导致消防风机出现运转，若小于该值，则说明当前的影响程度较大，不会导致消防风机出现运转，可能是因为消防风机出现故障，则需要通过运维人员进行检查维修。

以上所述仅为本发明的较佳实施例而已，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 (5)

1.一种基于AIoT资产的智慧运维管理系统，其特征在于，该系统包括以下模块：

数据采集模块，获取温度数据序列、湿度数据序列和颗粒物数据序列；

带宽获取模块，根据温度数据序列、湿度数据序列和颗粒物数据序列中每个时间点对应的数据值得到环境数据表示值，统计环境数据表示值得到数据分布图，并根据数据分布图得到环境数据表示值的分布密度；获取数据分布曲线，根据分布密度获取数据分布曲线的若干个数据段，并得到每个数据段的数据变化程度，根据数据变化程度以及数据段的宽度得到数据分布曲线的带宽；

影响程度获取模块，根据数据分布曲线的带宽对数据分布曲线分割得到数据区间，获取数据区间内的标记数据点，根据不同种类的标记数据点得到每个数据区间的内核值，根据内核值获得核函数；根据获取的核函数得到异常数据点，根据异常数据点对应的标记数据点的值的差异获取每个标记数据点对应的影响程度；

运维管理模块，获取标记像素点的时间和数据种类，并根据标记像素点的影响程度判断是否需要维修管理；

所述统计环境数据表示值得到数据分布图，并根据数据分布图得到环境数据表示值的分布密度的方法为：

将获得环境数据表示值按照数值统计，统计每个环境数据表示值对应的数据数量，由此得到一个坐标系，坐标系的横轴为环境数据表示值的大小，纵轴为每个环境数据表示值对应的时间点的数量，坐标系记为数据分布图；

根据数据分布图中每个环境数据表示值及其对应的时间点数量与相邻环境数据表示值对应的时间点数量的差异得到每个环境数据表示值对应的分布密度；

所述根据数据分布图中每个环境数据表示值及其对应的时间点数量与相邻环境数据表示值对应的时间点数量的差异得到每个环境数据表示值对应的分布密度的方法为：

式中，表示环境数据表示值为/>时的分布密度，/>表示数据分布图中的第j个环境数据表示值，/>表示环境数据表示值为/>时对应的时间点的数量，/>表示环境数据表示值为/>时对应的时间点的数量，/>表示环境数据表示值为/>时对应的时间点的数量,表示以自然数/>为底的指数函数；

所述获取数据分布曲线，根据分布密度获取数据分布曲线的若干个数据段，并得到每个数据段的数据变化程度的方法为：

数据分布曲线由数据分布图获得，数据分布曲线的横坐标为环境数据表示值，纵坐标为时间点的数量，获取数据分布曲线的极大值和极小值，将第一个极大值到第一个极小值作为一个数据段，第二个极大值到第二个极小值作为一个数据段，依此类推，假设共有m个极小值，直到第m个极大值到第m个极小值为最后一个数据段；

将数据分布曲线的点记为曲线点，将曲线段内的极大值和极小值作差得到第一差值，求曲线段内所有曲线点的分布密度的均值，将第一差值与所有曲线点分布密度的均值的乘积作为每个数据段的数据变化程度；

所述根据数据变化程度以及数据段的宽度得到数据分布曲线的带宽的方法为：

式中，表示第t个数据段对应的极小值，/>表示第t个数据段对应的极大值，表示最大值函数，/>表示第t个数据段的数据变化程度，/>表示第t+1个数据段的数据变化程度，m表示数据段的数量，/>表示以自然常数为底的指数函数，/>表示数据分布曲线的带宽；

所述根据异常数据点对应的标记数据点的值的差异获取每个标记数据点对应的影响程度的方法为：

式中，表示第u个异常数据点的第/>种数据的第r个标记数据点对应的环境数据表示值，/>表示第u个异常数据点对应的第r个标记数据点在/>种数据中的最大值，/>表示第/>种数据中第r个标记数据点对应的数据值，/>表示第/>种数据中第r个标记数据点对应的数据值，/>表示第u个异常数据点的环境数据表示值，/>表示线性归一化函数，/>表示第/>种数据中第r个标记数据点的影响程度。

2.根据权利要求1所述的一种基于AIoT资产的智慧运维管理系统，其特征在于，所述根据数据分布曲线的带宽对数据分布曲线分割得到数据区间的方法为：

将数据分布曲线分割为数个长度为带宽大小的曲线段，其中第一个曲线段由数据分布曲线的第一个开始依次获取带宽大小的曲线点，若最后一个曲线段的长度和带宽大小不同，那么将最后一个曲线段的长度填补到带宽大小的长度，其中填补的值为最后一个曲线段的最后一个值，每个曲线段的所有曲线点构成一个数据区间。

3.根据权利要求1所述的一种基于AIoT资产的智慧运维管理系统，其特征在于，所述获取数据区间内的标记数据点的方法为：

对于每个环境数据表示值会有多个不同种类的数据点进行计算，若每种数据的一个数据值与其余两种数据的数据值经过计算后可以得到一个环境数据表示值，那么认为该环境数据表示值与数据值存在关系，将与环境数据表示值存在关系的数据值称为标记数据点，每个环境数据表示值存在多个标记数据点。

4.根据权利要求1所述的一种基于AIoT资产的智慧运维管理系统，其特征在于，所述根据不同种类的标记数据点得到每个数据区间的内核值，根据内核值获得核函数的方法为：

在每个数据区间内，对于同一个种类的标记数据点，得到同一类标记数据点的最大值和最小值，获取数据区间内同一种类的标记数据点对应的数据值的平均值，将不同种类的平均值和最大值与最小值差值的乘积求均值得到每个数据区间的内核值，计算数据区间内所有曲线点的环境数据表示值的均值，将每一个环境数据表示值与环境数据表示值的均值的差值，令差值与宽度的比值记为第一比值，将第一比值与内核值相乘得到每一个曲线点的核函数。

5.根据权利要求1所述的一种基于AIoT资产的智慧运维管理系统，其特征在于，所述根据获取的核函数得到异常数据点的方法为：

获取每个数据区间内的最大值和最小值，计算最大值和最小值的差值，若在数据区间内每个环境数据表示值对应的标记数据点数量大于最大值和最小值的差值的一半，那么认为此时环境数据表示值对应的曲线点为异常数据点。