CN116880412A - 一种基于云的可视化生产管理平台 - Google Patents

Abstract

本发明公开了一种基于云的可视化生产管理平台，涉及云服务技术领域，本发明采用基于均值方差法的异常检测方法进行异常监测与预警，根据历史数据和实际生产情况，设定合理的异常阈值，使得异常检测更具针对性，避免误报和漏报，确保真实异常能够被及时发现和解决，确保异常监测与预警模块能够实时监测数据，并在出现异常或超过阈值时，立即触发预警通知给相关工作人员，在数据采集模块中实现异常处理机制，在出现异常时，及时向工作人员发出警报，提示数据采集的异常情况，确保数据的稳定采集和传输，平台能够更及时地发现生产中的异常情况，提供更精准的数据分析和决策支持，使生产管理更加高效和智能化。

Description

一种基于云的可视化生产管理平台

技术领域

本发明涉及云服务技术领域，具体为一种基于云的可视化生产管理平台。

背景技术

可视化生产管理平台是一种用于监控和管理生产过程的软件系统。它通过将生产过程中的各种数据、指标和信息以可视化的方式呈现，使生产管理人员能够更加直观地了解整个生产流程的状态和性能，从而做出更加明智的决策和优化生产效率。

这些平台通常整合了多个数据源和生产设备，从生产线上收集实时数据，包括生产速度、质量指标、设备状态等等。然后将这些数据通过图表、仪表盘、报表等可视化方式展现给管理者和操作人员。这种可视化的形式使得信息更易于理解，而不需要深入了解数据分析技术，可视化生产管理平台的主要功能通常包括，实时监控，提供实时数据监控和展示，让管理者随时了解生产情况；故障预警，通过数据分析和预测算法，发现潜在的生产故障和问题，并提前发出警报，以便及时采取措施避免生产中断；对生产过程进行绩效评估，分析生产效率、资源利用率等指标，帮助管理者找到改进和优化的方向；生产报告，生成生产报告，帮助管理层做出决策和规划。

然而传统的可视化生产管理平台一般采用离线数据采集方式进行本地存储，导致数据采集和传输存在延迟，无法实时获取生产车间的最新数据，影响决策的准确性和时效性，数据安全性无法得到充分保障，同时传统平台的生产调度通常依赖于人工干预，缺乏智能化的调度算法，无法根据数据分析结果自动优化生产计划和任务分配，导致调度效率低下，因此亟需一种基于云的可视化生产管理平台来解决此类问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于云的可视化生产管理平台，解决现有技术中存在的离线数据采集方式进行本地存储，无法实时获取生产车间的最新数据安全性无法得到充分保障，同时无法根据数据分析结果自动优化生产计划和任务分配，导致调度效率低下的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现，本发明提供了一种基于云的可视化生产管理平台，其特征在于，该平台包括：

数据采集模块，负责从生产车间的传感器和设备中采集实时数据，包括温度、湿度、压力、产量、质量检测数据，并与生产设备和传感器进行数据通信，收集实时数据并传输到云端；

数据预处理模块，对采集到的原始数据进行清洗、校验和预处理，并对采集的数据进行验证和处理，剔除异常数据、填充缺失值；

数据存储模块，包括云数据库，数据存储模块将预处理后的数据存储在云数据库中，供后续的数据分析和查询；

数据分析与可视化模块，对存储的数据进行分析，计算生产指标、生成统计报表和图表，展示生产情况；

生产调度模块，根据数据分析结果，优化生产任务的调度和安排，提高生产效率，生产调度具体包括数据分析结果的应用，将数据分析模块的计算结果，包括生产效率、质量合格率、设备利用率，作为生产调度模块的输入参数，生产任务调度优化，采用贪心算法，基于数据分析结果和实时监测数据，自动调整生产计划，合理安排生产任务的开始时间和截止时间；

异常监测与预警模块，实时监测生产过程中的异常情况，发现问题并及时采取相应的措施。

本发明进一步地设置为：所述数据采集模块中，数据采集模块与生产车间的传感器和设备进行有效的数据通信和数据采集，具体数据采集步骤包括：

根据生产车间的传感器和设备类型，选用Modbus、OPC UA、MQTT通信协议；

根据传感器和设备类型，设置对应的设备接口和适配器；

搭建数据Wi-Fi采集通道，通过设备接口和适配器与生产车间的传感器和设备进行连接；

数据采集模块周期性地向连接的传感器和设备发送数据请求，并实时采集数据；

采集的实时数据传输到云端的数据存储模块；

本发明进一步地设置为：所述数据采集模块中，数据采集模块采集传感器数据的过程函数为：

data_collection()data_collection()

该函数的输入为传感器的编号或地址，输出为采集到的数据；

定义异常处理函数为：

handle_exception()handle_exception()

异常处理函数用来处理数据采集过程中的异常情况，包括超时和通信失败；

判断方式包括：

如果数据采集成功：

handle_exception(sensor)＝{data_collection(sensor)

如果数据采集失败：

handle_exception(sensor)＝0

其中，sensor是传感器的编号或地址，data_collection(sensor)data_collection(sensor)表示数据采集模块尝试采集传感器数据的过程，如果成功采集到数据，则返回数据；如果采集失败，则返回0表示数据采集失败；

本发明进一步地设置为：所述数据采集模块中实施监控和日志记录步骤包括：

监控功能实施，在数据采集模块中添加监控机制，设定数据采集成功率和响应时间，当指标超出预定阈值时，触发告警；

日志记录实施，在数据采集模块中添加日志记录功能，将数据采集的过程、结果以及异常情况记录到日志文件中，日志包括数据采集的时间戳、传感器信息、采集结果、异常信息；

实施监控和日志记录具体包括：

监控函数monitor：

日志记录函数log(t,D,E)：

log(t,D,E)＝记录数据采集时间t、采集结果D、异常信息E

其中，m为数据采集模块的监控状态，t为当前时间，D为数据采集结果，E为异常信息；

本发明进一步地设置为：所述数据分析与可视化模块中，分析与可视化具体包括：

从数据存储模块中查询所需的数据，根据时间范围、生产线、产品类型进行过滤，获取特定条件下的数据；

采用数据分析算法计算生产指标，包括产量、设备利用率、产品质量；

根据计算得到的生产指标，生成统计报表，以表格、图表的形式展示生产情况，报表包括每日、每周、每月的生产数据总结，趋势分析；

使用数据可视化工具，将计算得到的生产指标和统计数据以图表、仪表盘形式展现给用户；

本发明进一步地设置为：所述生产调度模块中，具体的生产任务调度优化步骤包括：

收集生产线的产能数据、设备的状态信息和员工的工作时间表；

根据任务的优先级确定任务的执行顺序；

根据任务的优先级和生产线的产能，构造一个初始解，即最初的任务调度方案；

采用贪心选择策略，从待调度的任务中选择优先级最高且能够满足产能限制的任务，将该任务分配到合适的生产线；

设计评价函数，用于衡量当前任务调度方案的效果；

对当前任务调度方案进行一定的调整，产生新的邻域解，并使用评价函数评估新解的效果；

比较新解和当前解的评价函数值，若新解更优，则接受新解；否则，保持当前解不变；

不断地重复执行贪心选择策略和搜索邻域，并进行人工干预，当达到满意的任务调度时，停止；

具体衡量任务完成时间和生产线负载平衡的评价函数为：

其中，α和β是权重系数，C_total为所有任务完成总时间，T_max为所有生产线的最长生产时间，N为任务数量，用于平衡任务完成时间和生产线负载平衡的重要性；

本发明进一步地设置为：所述异常监测与预警模块采用基于均值-方差法的异常检测方法进行异常监测与预警，异常监测与预警具体包括：

计算收集到的数据的均值μ和方差σ²；

设定阈值的倍数k，取值为2或3，用于控制异常检测的灵敏度；

计算异常检测的上下阈值，

上阈值：

Upper Threshold＝μ+k×σ

下阈值：

Lower Threshold＝μ-k×σ

对每个数据点进行异常检测，如果数据点的值超过上阈值或小于下阈值，则将其标记为异常；

根据检测到的异常情况，及时进行告警，以防止生产过程中出现问题；

数据的均值μ和方差σ²具体计算公式为：

均值μ的计算公式：

均值σ²的计算公式：

其中x_y是第y个数据点的值，n是数据点的总和。

(三)有益效果

本发明提供了一种基于云的可视化生产管理平台。具备以下有益效果：

实时从生产车间的传感器和设备中采集数据，并将数据传输到云端，保证数据的实时性和准确性，防止数据丢失和损坏，同时能够对存储的数据进行分析，计算生产指标，生成统计报表和图表，以图表、仪表盘等形式展现生产情况。

通过异常监测与预警模块、数据采集模块中设置异常处理机制，提示工作人员数据采集的异常情况，增强平台的实时性、数据质量保障和决策支持能力，从而显著提升整个可视化生产管理平台的效率和效果。

异常监测与预警模块的显著提升：

采用基于均值-方差法的异常检测方法进行异常监测与预警，根据历史数据和实际生产情况，设定合理的异常阈值，使得异常检测更具针对性，避免误报和漏报，确保真实异常能够被及时发现和解决；

确保异常监测与预警模块能够实时监测数据，并在出现异常或超过阈值时，立即触发预警通知给相关工作人员，以便及时采取相应措施。

数据采集模块的显著提升：

在数据采集模块中实现异常处理机制，处理传感器和设备可能出现的通信异常或故障情况，例如超时和通信失败，在出现异常时，及时向工作人员发出警报，提示数据采集的异常情况，确保数据的稳定采集和传输；

为了及时发现和解决问题，加强监控和日志记录功能，实时监控数据采集状态，如数据采集成功率和响应时间，并记录数据采集的过程、结果以及异常情况到日志文件中，以便进行故障排查和数据质量分析。

通过对异常监测与预警模块以及数据采集模块的优化和改进，平台能够更及时地发现生产中的异常情况，提供更精准的数据分析和决策支持，使生产管理更加高效和智能化，显著提升了整个可视化生产管理平台的实时性、数据质量保障和决策效率。

解决了现有技术中心存在的离线数据采集方式进行本地存储，无法实时获取生产车间的最新数据安全性无法得到充分保障，同时无法根据数据分析结果自动优化生产计划和任务分配，导致调度效率低下的问题。

附图说明

图1为本发明基于云的可视化生产管理平台的框架图。

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、完整的描述，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。

实施例

请参阅图1，本发明提供一种基于云的可视化生产管理平台，该平台包括：

数据采集模块，负责从生产车间的传感器和设备中采集实时数据，包括温度、湿度、压力、产量、质量检测数据，并与生产设备和传感器进行数据通信，收集实时数据并传输到云端；

数据采集模块与生产车间的传感器和设备进行有效的数据通信和数据采集，具体数据采集步骤包括：

根据生产车间的传感器和设备类型，选用Modbus、OPC UA、MQTT通信协议；

根据传感器和设备类型，设置对应的设备接口和适配器；

搭建数据Wi-Fi采集通道，通过设备接口和适配器与生产车间的传感器和设备进行连接；

数据采集模块周期性地向连接的传感器和设备发送数据请求，并实时采集数据；

采集的实时数据传输到云端的数据存储模块；

实施监控和日志记录功能，以便实时查看采集状态和运行日志；

数据采集模块采集传感器数据的过程函数为：

data_collection()data_collection()

该函数的输入为传感器的编号或地址，输出为采集到的数据；

定义异常处理函数为：

handle_exception()handle_exception()

异常处理函数用来处理数据采集过程中的异常情况，包括超时和通信失败；

判断方式包括：

如果数据采集成功：

handle_exception(sensor)＝{data_collection(sensor)

如果数据采集失败：

handle_exception(sensor)＝0

其中，sensor是传感器的编号或地址，data_collection(sensor)data_collection(sensor)表示数据采集模块尝试采集传感器数据的过程，如果成功采集到数据，则返回数据；如果采集失败，则返回0表示数据采集失败；

传感器和设备可能出现通信异常或故障的情况，故在数据采集模块中设置异常处理机制，提示工作人员数据采集的异常情况，确保数据的稳定采集和传输；

在数据采集模块中实施监控和日志记录步骤包括：

监控功能实施，在数据采集模块中添加监控机制，设定数据采集成功率和响应时间，当指标超出预定阈值时，触发告警；

日志记录实施，在数据采集模块中添加日志记录功能，将数据采集的过程、结果以及异常情况记录到日志文件中，日志包括数据采集的时间戳、传感器信息、采集结果、异常信息；

实施监控和日志记录具体包括：

监控函数monitor：

日志记录函数log(t,D,E)：

log(t,D,E)＝记录数据采集时间t、采集结果D、异常信息E

其中，m为数据采集模块的监控状态，t为当前时间，D为数据采集结果，E为异常信息；

数据预处理模块，对采集到的原始数据进行清洗、校验和预处理，确保数据的准确性和完整性，并对采集的数据进行验证和处理，剔除异常数据、填充缺失值，以准备数据供后续分析使用；

数据预处理具体包括：

对采集到的原始数据通过数据过滤和规则检查去除可能存在的无效数据、噪声和异常值；

进行数据去重和填充缺失值的处理，检查数据是否缺失或存在重复；确保数据的完整性和一致性；

将不同传感器采集的数据转换为相同的单位和量，以便后续的数据分析和处理；

预处理完成后的数据可存储到云端数据库；为后续数据分析和可视化提供准备；

数据存储模块，包括云数据库，数据存储模块将预处理后的数据存储在云数据库中，供后续的数据分析和查询，将预处理的数据存储到云端数据库，保障数据的安全性和可靠性；

数据分析与可视化模块，对存储的数据进行分析，计算生产指标、生成统计报表和图表，展示生产情况；

使用数据分析算法和数据可视化工具，对存储的数据进行处理和展示，以图表、仪表盘等形式展现给用户；

数据分析与可视化步骤具体包括：

从数据存储模块中查询所需的数据，根据时间范围、生产线、产品类型进行过滤，获取特定条件下的数据；

采用数据分析算法计算生产指标，包括产量、设备利用率、产品质量；

根据计算得到的生产指标，生成统计报表，以表格、图表的形式展示生产情况，报表包括每日、每周、每月的生产数据总结，趋势分析；

使用数据可视化工具，将计算得到的生产指标和统计数据以图表、仪表盘形式展现给用户；

生产调度模块，根据数据分析结果，优化生产任务的调度和安排，提高生产效率；

基于数据分析结果，自动调整生产计划，并对生产任务进行智能化的分配和调度

生产调度具体包括：

数据分析结果的应用，将数据分析模块的计算结果，包括生产效率、质量合格率、设备利用率，作为生产调度模块的输入参数；

根据数据分析结果，识别生产过程中的瓶颈和优化潜力，以便在生产调度时加以考虑。

生产任务调度优化，采用贪心算法，基于数据分析结果和实时监测数据，自动调整生产计划，合理安排生产任务的开始时间和截止时间；

具体的生产任务调度优化步骤包括：

收集生产线的产能数据、设备的状态信息和员工的工作时间表；

根据任务的优先级确定任务的执行顺序；

根据任务的优先级和生产线的产能，构造一个初始解，即最初的任务调度方案；

采用贪心选择策略，从待调度的任务中选择优先级最高且能够满足产能限制的任务，将该任务分配到合适的生产线；

设计评价函数，用于衡量当前任务调度方案的效果；

对当前任务调度方案进行一定的调整，产生新的邻域解，并使用评价函数评估新解的效果；

比较新解和当前解的评价函数值，若新解更优，则接受新解；否则，保持当前解不变；

不断地重复执行贪心选择策略和搜索邻域，并进行人工干预，当达到满意的任务调度时，停止。

在贪心算法中，评价函数是关键，主要用于衡量当前任务调度方案的效果；

具体衡量任务完成时间和生产线负载平衡的评价函数为：

其中，α和β是权重系数，C_total为所有任务完成总时间，T_max为所有生产线的最长生产时间，N为任务数量，用于平衡任务完成时间和生产线负载平衡的重要性，通过调整权重系数，可以在优化过程中调整优化目标；

异常监测与预警模块，实时监测生产过程中的异常情况，发现问题并及时采取相应的措施；

对采集到的数据进行实时监测，若出现异常或超过预设阈值，则触发预警通知给相关人员；

异常监测与预警模块采用基于均值-方差法的异常检测方法进行异常监测与预警，异常监测与预警具体包括：

计算收集到的数据的均值μ和方差σ²；

设定阈值的倍数k，取值为2或3，用于控制异常检测的灵敏度；

计算异常检测的上下阈值，

上阈值：

Upper Threshold＝μ+k×σ

下阈值：

Lower Threshold＝μ-k×σ

对每个数据点进行异常检测，如果数据点的值超过上阈值或小于下阈值，则将其标记为异常；

根据检测到的异常情况，及时进行告警，以防止生产过程中出现问题；

数据的均值μ和方差σ²具体计算公式为：

均值μ的计算公式：

均值σ²的计算公式：

其中x_y是第y个数据点的值，n是数据点的总和。

综合以上内容，在本申请中：

本发明所提供的基于云的可视化生产管理平台实时从生产车间的传感器和设备中采集数据，并将数据传输到云端，保证数据的实时性和准确性，防止数据丢失和损坏，同时能够对存储的数据进行分析，计算生产指标，生成统计报表和图表，以图表、仪表盘等形式展现生产情况。

通过异常监测与预警模块、数据采集模块中设置异常处理机制，提示工作人员数据采集的异常情况，增强平台的实时性、数据质量保障和决策支持能力，从而显著提升整个可视化生产管理平台的效率和效果。

异常监测与预警模块的显著提升：

采用基于均值-方差法的异常检测方法进行异常监测与预警，根据历史数据和实际生产情况，设定合理的异常阈值，使得异常检测更具针对性，避免误报和漏报，确保真实异常能够被及时发现和解决；

确保异常监测与预警模块能够实时监测数据，并在出现异常或超过阈值时，立即触发预警通知给相关工作人员，以便及时采取相应措施。

数据采集模块的显著提升：

在数据采集模块中实现异常处理机制，处理传感器和设备可能出现的通信异常或故障情况，例如超时和通信失败，在出现异常时，及时向工作人员发出警报，提示数据采集的异常情况，确保数据的稳定采集和传输；

为了及时发现和解决问题，加强监控和日志记录功能，实时监控数据采集状态，如数据采集成功率和响应时间，并记录数据采集的过程、结果以及异常情况到日志文件中，以便进行故障排查和数据质量分析。

通过对异常监测与预警模块以及数据采集模块的优化和改进，平台能够更及时地发现生产中的异常情况，提供更精准的数据分析和决策支持，使生产管理更加高效和智能化，显著提升了整个可视化生产管理平台的实时性、数据质量保障和决策效率。

在本发明的实施例的描述中，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于云的可视化生产管理平台，其特征在于，该平台包括：

数据采集模块，负责从生产车间的传感器和设备中采集实时数据，包括温度、湿度、压力、产量、质量检测数据，并与生产设备和传感器进行数据通信，收集实时数据并传输到云端；

数据预处理模块，对采集到的原始数据进行清洗、校验和预处理，并对采集的数据进行验证和处理，剔除异常数据、填充缺失值；

数据存储模块，包括云数据库，数据存储模块将预处理后的数据存储在云数据库中，供后续的数据分析和查询；

数据分析与可视化模块，对存储的数据进行分析，计算生产指标、生成统计报表和图表，展示生产情况；

生产调度模块，根据数据分析结果，优化生产任务的调度和安排，提高生产效率，生产调度具体包括数据分析结果的应用，将数据分析模块的计算结果，包括生产效率、质量合格率、设备利用率，作为生产调度模块的输入参数，生产任务调度优化，采用贪心算法，基于数据分析结果和实时监测数据，自动调整生产计划，合理安排生产任务的开始时间和截止时间；

异常监测与预警模块，实时监测生产过程中的异常情况，发现问题并及时采取相应的措施。

2.根据权利要求1所述的一种基于云的可视化生产管理平台，其特征在于，所述数据采集模块中，数据采集模块与生产车间的传感器和设备进行有效的数据通信和数据采集，具体数据采集步骤包括：

根据生产车间的传感器和设备类型，选用Modbus、OPC UA、MQTT通信协议；

根据传感器和设备类型，设置对应的设备接口和适配器；

搭建数据Wi-Fi采集通道，通过设备接口和适配器与生产车间的传感器和设备进行连接；

数据采集模块周期性地向连接的传感器和设备发送数据请求，并实时采集数据；

采集的实时数据传输到云端的数据存储模块。

3.根据权利要求1所述的一种基于云的可视化生产管理平台，其特征在于，所述数据采集模块中，数据采集模块采集传感器数据的过程函数为：

data_collection()data_collection()

该函数的输入为传感器的编号或地址，输出为采集到的数据；

定义异常处理函数为：

handle_exception()handle_exception()

异常处理函数用来处理数据采集过程中的异常情况，包括超时和通信失败；

判断方式包括：

如果数据采集成功：

handle_exception(sensor)＝{data_collection(sensor)

如果数据采集失败：

handle_exception(sensor)＝0

其中，sensor是传感器的编号或地址，data_collection(sensor)data_collection(sensor)表示数据采集模块尝试采集传感器数据的过程，如果成功采集到数据，则返回数据；如果采集失败，则返回0表示数据采集失败。

4.根据权利要求1所述的一种基于云的可视化生产管理平台，其特征在于，所述数据采集模块中实施监控和日志记录步骤包括：

监控功能实施，在数据采集模块中添加监控机制，设定数据采集成功率和响应时间，当指标超出预定阈值时，触发告警；

日志记录实施，在数据采集模块中添加日志记录功能，将数据采集的过程、结果以及异常情况记录到日志文件中，日志包括数据采集的时间戳、传感器信息、采集结果、异常信息；

实施监控和日志记录具体包括：

监控函数monitor：

日志记录函数log(t,D,E)：

log(t,D,E)＝记录数据采集时间t、采集结果D、异常信息E

其中，m为数据采集模块的监控状态，t为当前时间，D为数据采集结果，E为异常信息。

5.根据权利要求1所述的一种基于云的可视化生产管理平台，其特征在于，所述数据分析与可视化模块中，分析与可视化具体包括：

从数据存储模块中查询所需的数据，根据时间范围、生产线、产品类型进行过滤，获取特定条件下的数据；

采用数据分析算法计算生产指标，包括产量、设备利用率、产品质量；

根据计算得到的生产指标，生成统计报表，以表格、图表的形式展示生产情况，报表包括每日、每周、每月的生产数据总结，趋势分析；

使用数据可视化工具，将计算得到的生产指标和统计数据以图表、仪表盘形式展现给用户。

6.根据权利要求1所述的一种基于云的可视化生产管理平台，其特征在于，所述生产调度模块中，具体的生产任务调度优化步骤包括：

收集生产线的产能数据、设备的状态信息和员工的工作时间表；

根据任务的优先级确定任务的执行顺序；

根据任务的优先级和生产线的产能，构造一个初始解，即最初的任务调度方案；

采用贪心选择策略，从待调度的任务中选择优先级最高且能够满足产能限制的任务，将该任务分配到合适的生产线；

设计评价函数，用于衡量当前任务调度方案的效果；

对当前任务调度方案进行一定的调整，产生新的邻域解，并使用评价函数评估新解的效果；

比较新解和当前解的评价函数值，若新解更优，则接受新解；否则，保持当前解不变；

不断地重复执行贪心选择策略和搜索邻域，并进行人工干预，当达到满意的任务调度时，停止；

具体衡量任务完成时间和生产线负载平衡的评价函数为：

其中，α和β是权重系数，C_total为所有任务完成总时间，T_max为所有生产线的最长生产时间，N为任务数量，用于平衡任务完成时间和生产线负载平衡的重要性。

7.根据权利要求1所述的一种基于云的可视化生产管理平台，其特征在于，所述异常监测与预警模块采用基于均值-方差法的异常检测方法进行异常监测与预警，异常监测与预警具体包括：

计算收集到的数据的均值μ和方差σ²；

设定阈值的倍数k，取值为2或3，用于控制异常检测的灵敏度；

计算异常检测的上下阈值，

上阈值：

Upper Threshold＝μ+k×σ

下阈值：

Lower Threshold＝μ-k×σ

对每个数据点进行异常检测，如果数据点的值超过上阈值或小于下阈值，则将其标记为异常；

根据检测到的异常情况，及时进行告警，以防止生产过程中出现问题；

数据的均值μ和方差σ²具体计算公式为：

均值μ的计算公式：

均值σ²的计算公式：

其中x_y是第y个数据点的值，n是数据点的总和。