CN116626099A - 温度数据监控方法、装置、电子设备及存储介质 - Google Patents

温度数据监控方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116626099A
CN116626099A CN202310420249.7A CN202310420249A CN116626099A CN 116626099 A CN116626099 A CN 116626099A CN 202310420249 A CN202310420249 A CN 202310420249A CN 116626099 A CN116626099 A CN 116626099A
Authority
CN
China
Prior art keywords
monitoring data
temperature monitoring
abnormal
order differential
preset
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
CN202310420249.7A
Other languages
English (en)
Other versions
CN116626099B (zh
Inventor
王一凡
汤雪娟
胡永胜
谭尧升
朱玲
欧阳建树
刘学聪
尚超
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202310420249.7A priority Critical patent/CN116626099B/zh
Publication of CN116626099A publication Critical patent/CN116626099A/zh
Application granted granted Critical
Publication of CN116626099B publication Critical patent/CN116626099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及大坝安全监测技术领域，具体涉及一种温度数据监控方法、装置、电子设备及存储介质。包括：获取目标大坝对应的温度监测数据；对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列；控制预设移动窗口在一阶差分温度监测数据序列中移动；预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果；将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。保证了确定的温度监测数据异常的准确性，节省了大量的时间和人力资源，且效率较高。

Description

温度数据监控方法、装置、电子设备及存储介质
技术领域
本发明涉及大坝安全监测技术领域，具体涉及一种温度数据监控方法、装置、电子设备及存储介质。
背景技术
混凝土大坝在施工期和服役期的安全性态是在水荷载、温度荷载和自重等多重因素共同作用下的动态演化过程，安全监测是了解坝体运行状态的重要手段。目前大坝多布置有系统的监测体系，可实时自动获取监测数据，但受环境因素、人为因素、仪器扰动或故障等的影响，监测数据时常出现异常。而由于监测数据数量巨大、质量参差，这些异常值难以被及时识别并预警，导致对结构的安全评估出现误差及延后或监测设备出现故障无法及时更换进而引起后续监测数据缺损。
温度监测数据是反映坝体性态的重要指标，可以根据其推求混凝土的材料特性演化以及温度荷载，进而评估坝体的安全性态。现有技术中，通常需要人为对温度监测数据进行识别，确定温度监测数据中的异常数据，浪费时间、浪费人力，且效率较低。
发明内容
有鉴于此，本发明实施例提供了一种温度数据监控方法，旨在解决现有技术中，需要人为对温度监测数据进行识别，确定温度监测数据中的异常数据，浪费时间、浪费人力，且效率较低的问题。
根据第一方面，本发明实施例提供了一种温度数据监控方法，包括：
获取目标大坝对应的温度监测数据；
对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列；
控制预设移动窗口在一阶差分温度监测数据序列中移动；
预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果；
将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
本发明实施例提供的温度数据监控方法，获取目标大坝对应的温度监测数据，对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列，保证了得到的一阶差分温度监测数据序列的准确性，进而使得可以根据一阶差分温度监测数据序列，确定温度监测数据的变化趋势。然后，控制预设移动窗口在一阶差分温度监测数据序列中移动，预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果，保证了得到的统计学分析结果的准确性。将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，保证了得到的对比结果的准确性。根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，保证了确定的第一个一阶差分温度监测数据对应的温度监测数据异常的准确性。上述方法，不需要人为对温度监测数据进行识别，因此，节省了大量的时间和人力资源，且效率较高。
结合第一方面，在第一方面第一实施方式中，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果，包括：
对预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值；
对预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
本发明实施例提供的温度数据监控方法，对预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值，保证了计算得到的预设移动窗口中的一阶差分温度监测数据序列对应的平均值的准确性。对预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差，保证了计算得到的预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差的准确性。
结合第一方面第一实施方式，在第一方面第二实施方式中，将预设移动窗口之后第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，包括：
将第一个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比；
当第一个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者第一个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
本发明实施例提供的温度数据监控方法，将第一个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比，当第一个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者第一个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，保证了确定的第一个一阶差分温度监测数据对应的温度监测数据异常的结果的准确性。上述方法，不需要人为对温度监测数据进行识别，因此，节省了大量的时间和人力资源，且效率较高。
结合第一方面，在第一方面第三实施方式中，方法还包括：
获取预设移动窗口之后的第二个一阶差分温度监测数据；
根据第二个一阶差分温度监测数据，确定异常温度监测数据的异常类型；
根据异常类型，对异常温度监测数据进行修正。
本发明实施例提供的温度数据监控方法，获取预设移动窗口之后的第二个一阶差分温度监测数据，根据第二个一阶差分温度监测数据，确定异常温度监测数据的异常类型，保证了确定的异常温度监测数据的异常类型的准确性。然后，根据异常类型，对异常温度监测数据进行修正，保证了对异常温度监测数据进行修正的准确性，从而可以保证修正后的异常温度监测数据的准确性。进而可以保证根据修正后的温度监测数据推求大坝混凝土的材料特性演化以及温度荷载，进而评估坝体的安全性态的准确性。
结合第一方面第三实施方式，在第一方面第四实施方式中，根据第二个一阶差分温度监测数据，确定异常温度监测数据的异常类型，包括：
对第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值；
对第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值；
当第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零时，确定异常温度监测数据的异常类型为异常尖峰点，异常尖峰点用于表征异常温度监测数据的数量为一个。
本发明实施例提供的温度数据监控方法，对第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值，保证了得到的第一绝对值的准确性。对第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值，保证了得到的第二绝对值的准确性。当第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零时，确定异常温度监测数据的异常类型为异常尖峰点，保证了确定的异常温度监测数据的异常类型为异常尖峰点的准确性。
结合第一方面第四实施方式，在第一方面第五实施方式中，上述方法还包括：
当第二个一阶差分温度监测数据的绝对值小于预设阈值时，确定异常温度监测数据的异常类型为异常平台点，直至后续存在一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值的差小于第一预设差值，且两者乘积小于零，确定温度监测数据恢复正常；异常平台点用于表征异常温度监测数据的数量为至少两个。
本发明实施例提供的温度数据监控方法，当第二个一阶差分温度监测数据的绝对值小于预设阈值时，确定异常温度监测数据的异常类型为异常平台点，保证了确定的异常温度监测数据的异常类型为异常平台点的准确性。直至后续存在一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值的差小于第一预设差值，且两者乘积小于零，确定温度监测数据恢复正常，可以准确确定异常监测数据的结束时间，进而保证了确定的异常监测数据的准确性。
结合第一方面第三实施方式，在第一方面第六实施方式中，异常类型包括异常尖峰点类型和异常平台点类型，根据异常类型，对异常温度监测数据进行修正，包括：
当异常类型为异常尖峰点类型时，获取预设时间内异常尖峰点类型对应的异常温度监测数据的数量；
当异常温度监测数据的数量大于预设数量阈值时，获取目标大坝对应的实时监测数据；
对实时监测数据进行识别，确定目标大坝是否存在故障；
当目标大坝不存在故障时，获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据；
根据前一个温度监测数据以及后一个温度监测数据，对异常温度监测数据进行修正；
当异常类型为异常平台点类型时，获取目标大坝对应的实时监测数据；
对实时监测数据进行识别，确定目标大坝是否存在故障；
当目标大坝不存在故障时，获取异常温度监测数据之前的预设数量的第一温度监测数据和异常温度监测数据之后的预设数量的第二温度监测数据；
根据第一温度监测数据和第二温度监测数据，对异常温度监测数据进行修正。
本发明实施例提供的温度数据监控方法，当异常类型为异常尖峰点类型时，获取预设时间内异常尖峰点类型对应的异常温度监测数据的数量；当异常温度监测数据的数量大于预设数量阈值时，确定预设时间内异常尖峰点类型对应的异常温度监测数据的数量较多，为了判断异常温度监测数据产生的原因。因此，获取目标大坝对应的实时监测数据；对实时监测数据进行识别，确定目标大坝是否存在故障；当目标大坝不存在故障时，获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据，根据前一个温度监测数据以及后一个温度监测数据，对异常温度监测数据进行修正，保证了对异常温度监测数据进行修正的准确性。当异常类型为异常平台点类型时，获取目标大坝对应的实时监测数据；对实时监测数据进行识别，确定目标大坝是否存在故障，保证了确定的目标大坝是否存在故障的准确性。当目标大坝不存在故障时，获取异常温度监测数据之前的预设数量的第一温度监测数据和异常温度监测数据之后的预设数量的第二温度监测数据；根据第一温度监测数据和第二温度监测数据，对异常温度监测数据进行修正。保证了对异常温度监测数据进行线性修正的准确性。从而可以保证修正后的异常温度监测数据的准确性。进而可以保证根据修正后的温度监测数据推求大坝混凝土的材料特性演化以及温度荷载，进而评估坝体的安全性态的准确性。
根据第二方面，本发明实施例还提供了一种温度数据监控装置，包括：
第一获取模块，用于获取目标大坝对应的温度监测数据；
计算模块，用于对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列；
移动模块，用于控制预设移动窗口在一阶差分温度监测数据序列中移动；
分析模块，用于预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果；
第一确定模块，用于将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
本发明实施例提供的温度数据监控装置，获取目标大坝对应的温度监测数据，对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列，保证了得到的一阶差分温度监测数据序列的准确性，进而使得可以根据一阶差分温度监测数据序列，确定温度监测数据的变化趋势。然后，控制预设移动窗口在一阶差分温度监测数据序列中移动，预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果，保证了得到的统计学分析结果的准确性。将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，保证了得到的对比结果的准确性。根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，保证了确定的第一个一阶差分温度监测数据对应的温度监测数据异常的准确性。上述装置，不需要人为对温度监测数据进行识别，因此，节省了大量的时间和人力资源，且效率较高。
根据第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中的温度数据监控方法。
根据第四方面，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计算机指令，计算机指令用于使计算机执行第一方面或者第一方面的任意一种实施方式中的温度数据监控方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是应用本发明实施例提供的温度数据监控方法的流程图；
图2是应用本发明另一实施例提供的温度数据监控方法的流程图；
图3是应用本发明另一实施例提供的温度数据监控方法的流程图；
图4是应用本发明另一实施例提供的异常温度监测数据的示意图；
图5是应用本发明另一实施例提供的修正后的温度监测数据的示意图；
图6是应用本发明实施例提供的温度数据监控装置的功能模块图；
图7是应用本发明实施例提供的温度数据监控装置的功能模块图；
图8是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
需要说明的是，本申请实施例提供的温度数据监控的方法，其执行主体可以是温度数据监控的装置，该温度数据监控的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部，其中，该计算机设备可以是服务器或者终端，其中，本申请实施例中的服务器可以为一台服务器，也可以为由多台服务器组成的服务器集群，本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中，均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中，如图1所示，提供了一种温度数据监控方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
S11、获取目标大坝对应的温度监测数据。
可选的，电子设备可以接收用户输入的目标大坝对应的温度监测数据，也可以接收其他设备发送的目标大坝对应的温度监测数据。
可选的，电子设备还可以利用温度传感器实时测量目标大坝对应的温度，得到目标大坝对应的温度监测数据。
本申请实施例对电子设备获取目标大坝对应的温度监测数据的方式不做具体限定。
其中，目标大坝对应的温度监测数据可以是连续历史时间段内的温度监测数据，可选的，温度监测数据的时间序列数据为：x1,x2,...,xn,n＝1,…,123。
S12、对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列。
具体地，电子设备计算温度监测数据在单位时间内的一阶差分计算，得到一阶差分温度监测数据序列。
示例性的，电子设备可以利用如下公式计算一阶差分温度监测数据序列：
其中，tj+1为温度监测数据xj+1对应的采样时间，tj为温度监测数据xj对应的采样时间，为温度监测数据xj和温度监测数据xj+1对应的一阶差分温度监测数据序列。
S13、控制预设移动窗口在一阶差分温度监测数据序列中移动。
具体地，电子设备可以根据用户指令，设定预设移动窗口。其中预设移动窗口的尺寸可以是sWin＝7，sWin＝8，或者是其他数字。其中，sWin＝7表示预设移动窗口中的可以包括7个一阶差分温度监测数据，sWin＝8表示预设移动窗口中的可以包括8个一阶差分温度监测数据。
电子设备可以控制预设移动窗口在一阶差分温度监测数据序列中移动。
S14、预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果。
具体地，预设移动窗口每在一阶差分温度监测数据序列中移动一个数据长度，电子设备可以对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果。
示例性的，假设预设移动窗口的尺寸是sWin＝7，那么当预设移动窗口第一次在一阶差分温度监测数据序列中时，电子设备可以对第1个一阶差分温度监测数据到第7个一阶差分温度监测数据进行统计学分析，得到统计学分析结果。
S15、将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
具体地，电子设备在计算得到预设移动窗口中的一阶差分温度监测数据序列对应的统计学分析结果之后，可以获取预设移动窗口之后的第一个一阶差分温度监测数据。电子设备将第一个一阶差分温度监测数据与统计学分析结果进行对比。然后，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
在一种可选的实施方式中，电子设备可以计算预设移动窗口中的一阶差分温度监测数据序列对应的平均值。然后将第一个一阶差分温度监测数据与预设移动窗口中的一阶差分温度监测数据序列对应的平均值进行对比。当第一个一阶差分温度监测数据与预设移动窗口中的一阶差分温度监测数据序列对应的平均值之间的差值超过预设范围之后，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
示例性的，假设预设移动窗口的尺寸是sWin＝7，电子设备计算第1个一阶差分温度监测数据到第7个一阶差分温度监测数据对应的平均值。电子设备获取第8个一阶差分温度监测数据，将第8个一阶差分温度监测数据与第1个一阶差分温度监测数据到第7个一阶差分温度监测数据对应的平均值进行对比。当第8个一阶差分温度监测数据与预设移动窗口中的一阶差分温度监测数据序列对应的平均值之间的差值超过预设范围之后，确定第8个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
本发明实施例提供的温度数据监控方法，获取目标大坝对应的温度监测数据，对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列，保证了得到的一阶差分温度监测数据序列的准确性，进而使得可以根据一阶差分温度监测数据序列，确定温度监测数据的变化趋势。然后，控制预设移动窗口在一阶差分温度监测数据序列中移动，预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果，保证了得到的统计学分析结果的准确性。将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，保证了得到的对比结果的准确性。根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，保证了确定的第一个一阶差分温度监测数据对应的温度监测数据异常的准确性。上述方法，不需要人为对温度监测数据进行识别，因此，节省了大量的时间和人力资源，且效率较高。
在本申请一个实施例中，如图2所示，提供了一种温度数据监控方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
S21、获取目标大坝对应的温度监测数据。
关于该步骤请参见图1对S11的介绍，在此不进行赘述。
S22、对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列。
关于该步骤请参见图1对S12的介绍，在此不进行赘述。
S23、控制预设移动窗口在一阶差分温度监测数据序列中移动。
关于该步骤请参见图1对S13的介绍，在此不进行赘述。
S24、预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果。
在本申请一种可选的实施方式中，上述步骤S24“对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果”，可以包括如下步骤：
S241、对预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值。
具体地，电子设备可以对预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值。
示例性的，电子设备可以根据如下公式计算预设移动窗口中的一阶差分温度监测数据序列对应的平均值：
其中，sWin是预设移动窗口的尺寸，为一阶差分温度监测数据。
S242、对预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
具体地，电子设备可以对预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
示例性的，电子设备可以利用如下公式计算预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
其中，为一阶差分温度监测数据，AVEi为预设移动窗口中的一阶差分温度监测数据序列对应的平均值；STDEVi为预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
S25、将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
在本申请一种可选的实施方式中，上述步骤S25“将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据”，可以包括如下步骤：
S251、将第一个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比。
具体地，电子设备在计算得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值和标准偏差之后，可以根据平均值和标准偏差计算得到平均值加减两个标准偏差对应的预设范围。
然后，电子设备将第一个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比。
S252、当第一个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者第一个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
具体地，当第一个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者第一个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
具体地，电子设备可以利用如下公式确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据：
若或者，/>时，则认为第(sWin+i+1)个温度监测数据xsWin+i+1为异常温度监测数据。
示例性的，假设预设移动窗口的尺寸是sWin＝7，电子设备计算得到第1个一阶差分温度监测数据到第7个一阶差分温度监测数据对应的平均值和标准偏差。电子设备将第8个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比。当第8个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者当第8个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第8个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，也就是温度监测数据中的第9个数据为异常温度监测数据。
本发明实施例提供的温度数据监控方法，对预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值，保证了计算得到的预设移动窗口中的一阶差分温度监测数据序列对应的平均值的准确性。对预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差，保证了计算得到的预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差的准确性。
此外，本发明实施例提供的温度数据监控方法，将第一个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比，当第一个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者第一个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，保证了确定的第一个一阶差分温度监测数据对应的温度监测数据异常的结果的准确性。上述方法，不需要人为对温度监测数据进行识别，因此，节省了大量的时间和人力资源，且效率较高。
在本申请一个实施例中，如图3所示，提供了一种温度数据监控方法，以该方法应用于电子设备为例进行说明，包括以下步骤：
S31、获取目标大坝对应的温度监测数据。
关于该步骤请参见图2对S21的介绍，在此不进行赘述。
S32、对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列。
关于该步骤请参见图2对S22的介绍，在此不进行赘述。
S33、控制预设移动窗口在一阶差分温度监测数据序列中移动。
关于该步骤请参见图2对S23的介绍，在此不进行赘述。
S34、预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果。
关于该步骤请参见图2对S24的介绍，在此不进行赘述。
S35、将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
关于该步骤请参见图2对S24的介绍，在此不进行赘述。
S36、获取预设移动窗口之后的第二个一阶差分温度监测数据。
具体地，电子设备在确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据后，可以获取预设移动窗口之后的第二个一阶差分温度监测数据。
S37、根据第二个一阶差分温度监测数据，确定异常温度监测数据的异常类型。
在本申请一种可选的实施方式中，上述步骤S37“根据第二个一阶差分温度监测数据，确定异常温度监测数据的异常类型”，可以包括如下步骤：
S371、对第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值。
具体地，电子设备可以对第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值。
S372、对第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值。
具体地，电子设备可以对第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值。
S373、当第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零时，确定异常温度监测数据的异常类型为异常尖峰点。
其中，异常尖峰点用于表征异常温度监测数据的数量为一个。
具体地，电子设备在获取到第一绝对值和第二绝对值之后，电子设备可以将计算第一绝对值和第二绝对值之间的差值，并计算第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积。
当第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零时，确定异常温度监测数据的异常类型为异常尖峰点。
具体地，电子设备可以利用如下公式确定异常温度监测数据的异常类型：
若且，/>则温度监测数据xsWinti+1的异常类型为异常尖峰点。
示例性的，假设预设移动窗口的尺寸是sWin＝7，预设移动窗口之后的第一个一阶差分温度监测数据，也就是第8个一阶差分温度监测数据为3，3大于预设移动窗口中一阶差分温度监测数据序列对应的平均值加两个标准偏差的和，预设移动窗口之后的第二个一阶差分温度监测数据，也就是第9个一阶差分温度监测数据为-2.9，则第一绝对值为3，第二绝对值为2.9，第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零，电子设备确定预设移动窗口之后的第一个一阶差分温度监测数据，也就是第8个一阶差分温度监测数据对应的温度监测数据，也就是温度监测数据中的第9个数据高于正常温度监测数据，因此形成了一个尖峰，确定异常温度监测数据的异常类型为异常尖峰点。
S374、当第二个一阶差分温度监测数据的绝对值小于预设阈值时，确定异常温度监测数据的异常类型为异常平台点，直至后续存在一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值的差小于第一预设差值，且两者乘积小于零，确定温度监测数据恢复正常。
其中，异常平台点用于表征异常温度监测数据的数量为至少两个。
在本申请另一种实施方式中，当第二个一阶差分温度监测数据的绝对值小于预设阈值时，电子设备确定第二个一阶差分温度监测数据对应的温度监测数据与第一个一阶差分温度监测数据对应的温度监测数据之间的差值较小，因此，在确定个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据时，确定第二个一阶差分温度监测数据对应的温度监测数据也是异常温度监测数据，因此，异常温度监测数据的异常类型为异常平台点。
具体地，电子设备可以利用如下公式确定异常温度监测数据的异常类型为异常平台点：
若：则认为温度监测数据xsWin+(i+2)同为可能的异常点，且异常温度监测数据的异常类型为异常平台点。
示例性的，假设预设移动窗口的尺寸是sWin＝7，预设移动窗口之后的第一个一阶差分温度监测数据，也就是第8个一阶差分温度监测数据为-3，-3小于预设移动窗口中的一阶差分温度监测数据序列对应的平均值减两个标准偏差的差，因此，电子设备确定第8个一阶差分温度监测数据对应的温度监测数据，也就是温度监测数据中的第9个数据为异常温度监测数据，且异常温度监测数据小于正常温度监测数据。
预设移动窗口之后的第二个一阶差分温度监测数据，也就是一阶差分温度监测数据序列中的第9个一阶差分温度监测数据为0.01，第9个一阶差分温度监测数据的绝对值小于预设阈值，则电子设备确定第9个一阶差分温度监测数据对应的温度监测数据，也就是温度监测数据中的第10个温度监测数据与第9个异常的温度监测数据之间的差值较小。因此，在第9个温度监测数据异常的情况下，第10个温度监测数据也是异常的。因此，确定异常温度监测数据的异常类型为异常平台点。
电子设备依次获取后续的一阶差分温度监测数据，并将获取的一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值进行对比，当获取的一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值的差小于第一预设差值，且上述两个一阶差分温度监测数据的乘积小于零时，电子设备确定温度监测数据恢复正常。
示例性的，电子设备可以根据利用如下公式确定温度监测数据恢复正常：
若且，/>确定温度监测数据恢复正常。
示例性的，如图4所示，为异常温度监测数据示意图，其中包括异常尖峰点类型和异常平台点类型的异常温度监测数据。
S38、根据异常类型，对异常温度监测数据进行修正。
在本申请一种可选的实施方式中，异常类型包括异常尖峰点类型和异常平台点类型，上述步骤S38“根据异常类型，对异常温度监测数据进行修正”，可以包括如下步骤：
S381、当异常类型为异常尖峰点类型时，获取预设时间内异常尖峰点类型对应的异常温度监测数据的数量。
具体地，当异常类型为异常尖峰点类型时，电子设备可以对预设时间内异常尖峰点类型对应的异常温度监测数据进行统计，计算得到预设时间内异常尖峰点类型对应的异常温度监测数据的数量。
S382、当异常温度监测数据的数量大于预设数量阈值时，获取目标大坝对应的实时监测数据。
具体地，电子设备将预设时间内异常尖峰点类型对应的异常温度监测数据的数量与预设数量阈值进行对比。当异常温度监测数据的数量大于预设数量阈值时，确定预设时间内异常尖峰点类型对应的异常温度监测数据的数量较多，为了判断异常温度监测数据产生的原因。因此，获取目标大坝对应的实时监测数据。
其中，电子设备可以接收用户输入的目标大坝对应的实时监测数据，也可以接收其他设备发送的目标大坝对应的实时监测数据。
本申请实施例对电子设备获取目标大坝对应的实时监测数据的方式不做具体限定。
其中，实时监测数据可以是视频数据、目标大坝特定位置的水流流量等数据中的至少一种，本申请实施例对目标大坝对应的实时监测数据不做具体限定。
S383、对实时监测数据进行识别，确定目标大坝是否存在故障。
具体地，电子设备在获取到目标大坝对应的实时监测数据之后，可以对实时监测数据进行识别，确定目标大坝是否存在渗漏、排水故障、裂缝等故障。
S384、当目标大坝不存在故障时，获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据。
具体地，当目标大坝不存在故障时，电子设备可以获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据。
S385、根据前一个温度监测数据以及后一个温度监测数据，对异常温度监测数据进行修正。
可选的，当前一个温度监测数据、后一个温度监测数据以及异常温度监测数据的采样时间相同时，电子设备可以利用前一个温度监测数据以及后一个温度监测数据进行求平均计算，利用计算得到的结果对异常温度监测数据进行修正。
可选的，当前一个温度监测数据、后一个温度监测数据以及异常温度监测数据的采样时间不相同时，电子设备可以根据前一个温度监测数据、后一个温度监测数据以及异常温度监测数据的采样时间，以及前一个温度监测数据以及后一个温度监测数据的数据值，对异常温度监测数据进行线性插补修正。
在本申请一种可选的实施方式中，当异常温度监测数据的数量小于或者预设数量阈值时，电子设备确定异常温度监测数据是由于误差或者干扰等因素产生的。因此，电子设备不需要获取目标大坝对应的实时监测数据，进而不需要确定目标大坝是否存在故障。而是，获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据，并根据前一个温度监测数据以及后一个温度监测数据，对异常温度监测数据进行修正。因此，提高了对异常温度监测数据修正的效率以及准确率。
S386、当异常类型为异常平台点类型时，获取目标大坝对应的实时监测数据。
具体地，当异常类型为异常平台点类型时，电子设备可以接收用户输入的目标大坝对应的实时监测数据，也可以接收其他设备发送的目标大坝对应的实时监测数据。
本申请实施例对电子设备获取目标大坝对应的实时监测数据的方式不做具体限定。
其中，实时监测数据可以是视频数据、目标大坝特定位置的水流流量等数据中的至少一种，本申请实施例对目标大坝对应的实时监测数据不做具体限定。
S387、对实时监测数据进行识别，确定目标大坝是否存在故障。
具体地，电子设备在获取到目标大坝对应的实时监测数据之后，可以对实时监测数据进行识别，确定目标大坝是否存在渗漏、排水故障、裂缝等故障。
S388、当目标大坝不存在故障时，获取异常温度监测数据之前的预设数量的第一温度监测数据和异常温度监测数据之后的预设数量的第二温度监测数据。
具体地，当目标大坝不存在故障时，电子设备可以获取异常温度监测数据之前的预设数量的第一温度监测数据和异常温度监测数据之后的预设数量的第二温度监测数据。
其中，预设数量可以是1，也可以是2，本申请实施例对预设数量不做具体限定。
S389、根据第一温度监测数据和第二温度监测数据，对异常温度监测数据进行修正。
具体地，电子设备可以根据第一温度监测数据和第二温度监测数据，采用预设修正方法对异常温度监测数据进行修正。其中，预设修正方法可以是线性修正方法，也可以是插值计算方法，还可以是其他方法，本申请实施例对预设修正方法不做具体限定。
在申请一种可选的实施例中，当预设数量为1时，电子设备可以根据第一温度监测数据和第二温度监测数据，对异常温度监测数据进行线性插补修正。
在本申请另一种可选的实施方式中，当预设数量为2，电子设备可以根据第一温度监测数据从前到后对异常温度监测数据进行插值修正，并根据第二温度监测数据对修正后的温度监测数据进行校正。
其中，对异常温度监测数据进行修正处理，可以是多次修正，修正次数根据实际情况确定，本发明不做具体限定，最终得到修正后的温度监测数据。
如图5所示，为修正后的温度监测数据的示意图，其中包括对异常尖峰点类型对应的异常温度监测数据的修正结果以及对异常平台类型对应的异常温度监测数据的修正结果。
本发明实施例提供的温度数据监控方法，获取预设移动窗口之后的第二个一阶差分温度监测数据，对第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值，保证了得到的第一绝对值的准确性。对第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值，保证了得到的第二绝对值的准确性。当第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零时，确定异常温度监测数据的异常类型为异常尖峰点，保证了确定的异常温度监测数据的异常类型为异常尖峰点的准确性。当第二个一阶差分温度监测数据的绝对值小于预设阈值时，确定异常温度监测数据的异常类型为异常平台点，保证了确定的异常温度监测数据的异常类型为异常平台点的准确性。直至后续存在一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值的差小于第一预设差值，且上述两个一阶差分温度监测数据的乘积小于零，确定温度监测数据恢复正常，可以准确确定异常监测数据的结束时间，进而保证了确定的异常监测数据的准确性。
当异常类型为异常尖峰点类型时，当异常类型为异常尖峰点类型时，获取预设时间内异常尖峰点类型对应的异常温度监测数据的数量；当异常温度监测数据的数量大于预设数量阈值时，确定预设时间内异常尖峰点类型对应的异常温度监测数据的数量较多，为了判断异常温度监测数据产生的原因。因此，获取目标大坝对应的实时监测数据；
对实时监测数据进行识别，确定目标大坝是否存在故障；当目标大坝不存在故障时，获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据，根据前一个温度监测数据以及后一个温度监测数据，对异常温度监测数据进行修正，保证了对异常温度监测数据进行修正的准确性。当异常类型为异常平台点类型时，获取目标大坝对应的实时监测数据；对实时监测数据进行识别，确定目标大坝是否存在故障，保证了确定的目标大坝是否存在故障的准确性。当目标大坝不存在故障时，获取异常温度监测数据之前的预设数量的第一温度监测数据和异常温度监测数据之后的预设数量的第二温度监测数据；根据第一温度监测数据和第二温度监测数据，对异常温度监测数据进行修正。保证了对异常温度监测数据进行线性修正的准确性。从而可以保证修正后的异常温度监测数据的准确性。进而可以保证根据修正后的温度监测数据推求大坝混凝土的材料特性演化以及温度荷载，进而评估坝体的安全性态的准确性。
应该理解的是，虽然图1-图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图6所示，本实施例提供一种温度数据监控装置，包括：
第一获取模块41，用于获取目标大坝对应的温度监测数据；
计算模块42，用于对温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列；
移动模块43，用于控制预设移动窗口在一阶差分温度监测数据序列中移动；
分析模块44，用于预设移动窗口在每移动一个数据长度，对预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果；
第一确定模块45，用于将预设移动窗口之后的第一个一阶差分温度监测数据与统计学分析结果进行对比，根据对比结果，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
在本申请一个实施例中，上述分析模块44，具体用于对预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的平均值；对预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
在本申请一个实施例中，上述第一确定模块45，具体用于将第一个一阶差分温度监测数据与平均值加减两个标准偏差对应的预设范围进行对比；当第一个一阶差分温度监测数据大于平均值加两个标准偏差的和，或者第一个一阶差分温度监测数据小于平均值减两个标准偏差的差时，确定第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
如图7所示，在本申请一个实施例中，上述温度数据监控装置，还包括：
第二获取模块46，用于获取预设移动窗口之后的第二个一阶差分温度监测数据。
第二确定模块47，用于根据第二个一阶差分温度监测数据，确定异常温度监测数据的异常类型。
修正模块48，用于根据异常类型，对异常温度监测数据进行修正。
在本申请一个实施例中，上述第二确定模块47，具体用于对第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值；对第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值；当第一绝对值和第二绝对值之间的差值小于第一预设差值，且第一个一阶差分温度监测数据与第二个一阶差分温度监测数据之间的乘积小于零时，确定异常温度监测数据的异常类型为异常尖峰点，异常尖峰点用于表征异常温度监测数据的数量为一个。
在本申请一个实施例中，上述第二确定模块47，具体用于当第二个一阶差分温度监测数据的绝对值小于预设阈值时，确定异常温度监测数据的异常类型为异常平台点，直至后续存在一阶差分温度监测数据的绝对值与第一个一阶差分温度监测数据的绝对值的差小于第一预设差值，且两者乘积小于零，确定温度监测数据恢复正常；异常平台点用于表征异常温度监测数据的数量为至少两个。
在本申请一个实施例中，异常类型包括异常尖峰点类型和异常平台点类型，上述修正模块48，具体用于当异常类型为异常尖峰点类型时，获取预设时间内异常尖峰点类型对应的异常温度监测数据的数量；当异常温度监测数据的数量大于预设数量阈值时，获取目标大坝对应的实时监测数据；对实时监测数据进行识别，确定目标大坝是否存在故障；当目标大坝不存在故障时，获取异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据；根据前一个温度监测数据以及后一个温度监测数据，对异常温度监测数据进行修正；当异常类型为异常平台点类型时，获取目标大坝对应的实时监测数据；对实时监测数据进行识别，确定目标大坝是否存在故障；当目标大坝不存在故障时，获取异常温度监测数据之前的预设数量的第一温度监测数据和异常温度监测数据之后的预设数量的第二温度监测数据；根据第一温度监测数据和第二温度监测数据，对异常温度监测数据进行修正。
关于温度数据监控装置的具体限定以及有益效果可以参见上文中对于温度数据监控方法的限定，在此不再赘述。上述温度数据监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供一种电子设备，具有上述图6以及图7所示的温度数据监控装置。
如图8所示，图8是本发明可选实施例提供的一种电子设备的结构示意图，如图8所示，该电子设备可以包括：至少一个处理器51，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口53，存储器54，至少一个通信总线52。其中，通信总线52用于实现这些组件之间的连接通信。其中，通信接口53可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图6或图7所描述的装置，存储器54中存储应用程序，且处理器51调用存储器54中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线52可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器54可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器54还可以包括上述种类的存储器的组合。
其中，处理器51可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器54还用于存储程序指令。处理器51可以调用程序指令，实现如本申请图1至3实施例中所示的温度数据监控方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的温度数据监控方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种温度数据监控方法，其特征在于，包括：
获取目标大坝对应的温度监测数据；
对所述温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列；
控制预设移动窗口在所述一阶差分温度监测数据序列中移动；
所述预设移动窗口在每移动一个数据长度，对所述预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果；
将所述预设移动窗口之后的第一个一阶差分温度监测数据与所述统计学分析结果进行对比，根据对比结果，确定所述第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果，包括：
对所述预设移动窗口中的一阶差分温度监测数据序列进行求平均计算，得到所述预设移动窗口中的一阶差分温度监测数据序列对应的平均值；
对所述预设移动窗口中的一阶差分温度监测数据序列进行求标准偏差计算，得到所述预设移动窗口中的一阶差分温度监测数据序列对应的标准偏差。
3.根据权利要求2所述的方法，其特征在于，所述将所述预设移动窗口之后第一个一阶差分温度监测数据与所述统计学分析结果进行对比，根据对比结果，确定所述第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据，包括：
将所述第一个一阶差分温度监测数据与所述平均值加减两个所述标准偏差对应的预设范围进行对比；
当所述第一个一阶差分温度监测数据大于所述平均值加两个所述标准偏差的和，或者所述第一个一阶差分温度监测数据小于所述平均值减两个所述标准偏差的差时，确定所述第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述预设移动窗口之后的第二个一阶差分温度监测数据；
根据所述第二个一阶差分温度监测数据，确定所述异常温度监测数据的异常类型；
根据所述异常类型，对所述异常温度监测数据进行修正。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第二个一阶差分温度监测数据，确定所述异常温度监测数据的异常类型，包括：
对所述第一个一阶差分温度监测数据进行求绝对值计算，得到第一绝对值；
对所述第二个一阶差分温度监测数据进行求绝对值计算，得到第二绝对值；
当所述第一绝对值和所述第二绝对值之间的差值小于第一预设差值，且所述第一个一阶差分温度监测数据与所述第二个一阶差分温度监测数据之间的乘积小于零时，确定所述异常温度监测数据的异常类型为异常尖峰点，所述异常尖峰点用于表征所述异常温度监测数据的数量为一个。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
当所述第二个一阶差分温度监测数据的绝对值小于预设阈值时，确定所述异常温度监测数据的异常类型为异常平台点，直至后续存在一个一阶差分温度监测数据的绝对值与所述第一个一阶差分温度监测数据的绝对值的差小于所述第一预设差值，且两者乘积小于零，确定所述温度监测数据恢复正常；所述异常平台点用于表征所述异常温度监测数据的数量为至少两个。
7.根据权利要求4所述的方法，其特征在于，所述异常类型包括异常尖峰点类型和异常平台点类型，所述根据所述异常类型，对所述异常温度监测数据进行修正，包括：
当所述异常类型为所述异常尖峰点类型时，获取预设时间内所述异常尖峰点类型对应的所述异常温度监测数据的数量；
当所述异常温度监测数据的数量大于预设数量阈值时，获取所述目标大坝对应的实时监测数据；
对所述实时监测数据进行识别，确定所述目标大坝是否存在故障；
当所述目标大坝不存在故障时，获取所述异常温度监测数据对应的前一个温度监测数据以及后一个温度监测数据；
根据所述前一个温度监测数据以及所述后一个温度监测数据，对所述异常温度监测数据进行修正；
当所述异常类型为所述异常平台点类型时，获取所述目标大坝对应的实时监测数据；
对所述实时监测数据进行识别，确定所述目标大坝是否存在故障；
当所述目标大坝不存在故障时，获取所述异常温度监测数据之前的预设数量的第一温度监测数据和所述异常温度监测数据之后的预设数量的第二温度监测数据；
根据所述第一温度监测数据和所述第二温度监测数据，对所述异常温度监测数据进行修正。
8.一种温度数据监控装置，其特征在于，包括：
第一获取模块，用于获取目标大坝对应的温度监测数据；
计算模块，用于对所述温度监测数据进行一阶差分计算，得到一阶差分温度监测数据序列；
移动模块，用于控制预设移动窗口在所述一阶差分温度监测数据序列中移动；
分析模块，用于所述预设移动窗口在每移动一个数据长度，对所述预设移动窗口中的一阶差分温度监测数据序列进行统计学分析，得到统计学分析结果；
第一确定模块，用于将所述预设移动窗口之后的第一个一阶差分温度监测数据与所述统计学分析结果进行对比，根据对比结果，确定所述第一个一阶差分温度监测数据对应的温度监测数据为异常温度监测数据。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的温度数据监控方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行权利要求1-7中任一项所述的温度数据监控方法。
CN202310420249.7A 2023-04-13 2023-04-13 温度数据监控方法、装置、电子设备及存储介质 Active CN116626099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310420249.7A CN116626099B (zh) 2023-04-13 2023-04-13 温度数据监控方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310420249.7A CN116626099B (zh) 2023-04-13 2023-04-13 温度数据监控方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116626099A true CN116626099A (zh) 2023-08-22
CN116626099B CN116626099B (zh) 2025-01-10

Family

ID=87590932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310420249.7A Active CN116626099B (zh) 2023-04-13 2023-04-13 温度数据监控方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116626099B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947064A (zh) * 2019-04-03 2019-06-28 清华大学 智能通水温度控制专家系统及硬件检测和数据监测方法
CN111275307A (zh) * 2020-01-16 2020-06-12 生态环境部华南环境科学研究所 一种水质自动在线站高频连续观测数据质量控制方法
CN112665730A (zh) * 2020-12-30 2021-04-16 中国地震局地质研究所 震前温度异常检测方法、装置、设备和存储介质
KR102325629B1 (ko) * 2020-09-18 2021-11-11 국민대학교산학협력단 이상 탐지 방법 및 이상 탐지 장치
WO2022141376A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种位姿估计方法及相关装置
CN115267589A (zh) * 2022-09-26 2022-11-01 陕西汽车集团股份有限公司 一种电动汽车电池故障多参数联合诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947064A (zh) * 2019-04-03 2019-06-28 清华大学 智能通水温度控制专家系统及硬件检测和数据监测方法
CN111275307A (zh) * 2020-01-16 2020-06-12 生态环境部华南环境科学研究所 一种水质自动在线站高频连续观测数据质量控制方法
KR102325629B1 (ko) * 2020-09-18 2021-11-11 국민대학교산학협력단 이상 탐지 방법 및 이상 탐지 장치
CN112665730A (zh) * 2020-12-30 2021-04-16 中国地震局地质研究所 震前温度异常检测方法、装置、设备和存储介质
WO2022141376A1 (zh) * 2020-12-31 2022-07-07 华为技术有限公司 一种位姿估计方法及相关装置
CN115267589A (zh) * 2022-09-26 2022-11-01 陕西汽车集团股份有限公司 一种电动汽车电池故障多参数联合诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Z. TANG 等: "Sliding Window Dynamic Time-Series Warping-Based Ultrasonic Guided Wave Temperature Compensation and Defect Monitoring Method for Turnout Rail Foot", IEEE TRANSACTIONS ON ULTRASONICS, FERROELECTRICS, AND FREQUENCY CONTROL, 30 September 2022 (2022-09-30), pages 2681 - 2695 *
丁厚轩: "带式输送机关键部位异常温度监测系统研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 15 March 2024 (2024-03-15), pages 1 - 94 *
刘有志 等: "拱坝温度回升反演及其对拱坝工作性态的影响分析", 中国大坝工程学会, 27 April 2023 (2023-04-27), pages 232 - 237 *
叶志强 等: "混凝土大坝分布式温度监测系统应用研究", 水利水电技术, 20 February 2014 (2014-02-20), pages 129 - 134 *

Also Published As

Publication number Publication date
CN116626099B (zh) 2025-01-10

Similar Documents

Publication Publication Date Title
JP7185808B1 (ja) 故障を検出するための方法および装置、モデルをトレーニングするための方法および装置、並びにそれらのデバイスおよび記憶媒体
WO2020173136A1 (zh) 应用系统的监控方法、装置、设备及存储介质
CN111626498B (zh) 设备运行状态预测方法、装置、设备及存储介质
CN110837432A (zh) 服务集群中异常节点的确定方法、装置和监控服务器
CN111858122A (zh) 一种存储链路的故障检测方法、装置、设备及存储介质
CN118316201B (zh) 用于输变电工程的智能监控方法、装置、设备及介质
CN114325534A (zh) 信号测试方法、装置、设备及可读存储介质
CN109684309A (zh) 一种数据质量评测方法及装置、计算机设备和存储介质
CN110245061A (zh) 计算装置、其功耗预测方法及计算机可读存储介质
CN113438106A (zh) 内容分发网络处理方法、装置及电子设备
CN111200780B (zh) 定位数据的异常检测方法、装置和计算机可读存储介质
CN116248532A (zh) 网络异常检测方法、网络异常检测装置及电子设备
CN116626099A (zh) 温度数据监控方法、装置、电子设备及存储介质
CN115951170B (zh) 输电线路故障监测方法、装置、计算机设备和存储介质
CN114679335B (zh) 电力监控系统网络安全风险评估训练方法、评估方法及设备
CN113689042B (zh) 监测节点的故障源预测方法
CN112732179B (zh) 一种ssd的数据管理方法及相关装置
CN115525455A (zh) 多层级系统的异常修复方法、装置、服务器及存储介质
CN114325455A (zh) 一种电源预警方法及装置、电子设备
CN109193563B (zh) 基于三相三线表计设备的失流故障监测方法和装置
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
CN114746821A (zh) 诊断装置、诊断方法及程序
CN112731150A (zh) 电压暂降状态估计方法、装置、计算机设备和存储介质
CN114443398B (zh) 内存故障预测模型的生成方法、检测方法、装置及设备
CN115292339B (zh) 数据库更新方法、装置、电子设备和存储介质

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