CN117272082B - 基于工业物联网的数据处理方法及系统 - Google Patents

基于工业物联网的数据处理方法及系统 Download PDF

Info

Publication number
CN117272082B
CN117272082B CN202311534715.0A CN202311534715A CN117272082B CN 117272082 B CN117272082 B CN 117272082B CN 202311534715 A CN202311534715 A CN 202311534715A CN 117272082 B CN117272082 B CN 117272082B
Authority
CN
China
Prior art keywords
security monitoring
data
monitoring
target
things
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
Application number
CN202311534715.0A
Other languages
English (en)
Other versions
CN117272082A (zh
Inventor
颜思威
胡修勇
颜海鹰
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.)
Shenzhen Neitway Information Technology Development Co ltd
Original Assignee
Shenzhen Neitway Information Technology Development 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 Shenzhen Neitway Information Technology Development Co ltd filed Critical Shenzhen Neitway Information Technology Development Co ltd
Priority to CN202311534715.0A priority Critical patent/CN117272082B/zh
Publication of CN117272082A publication Critical patent/CN117272082A/zh
Application granted granted Critical
Publication of CN117272082B publication Critical patent/CN117272082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised 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]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及数据处理领域，公开了一种基于工业物联网的数据处理方法及系统，用于提高安防监控的准确率并实现智能化的传感器协同监控。方法包括：通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征；将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略。

Description

基于工业物联网的数据处理方法及系统
技术领域
本发明涉及数据处理领域，尤其涉及一种基于工业物联网的数据处理方法及系统。
背景技术
随着传感器技术、通信技术和云计算的不断进步，工业物联网得以快速发展。工业物联网（IIoT）通过将各种传感器、设备和系统连接到互联网，实现了对生产过程的实时监控和数据采集。各类传感器网络在工厂和生产环境中广泛部署，实现对设备和生产流程的实时监测。
传统的工业监控系统往往难以处理这些庞大而复杂的数据流，因为数据中包含大量噪声、冗余信息，以及不同时间尺度和空间尺度的变化，进而导致现有方案的准确率低。
发明内容
本发明提供了一种基于工业物联网的数据处理方法及系统，用于提高安防监控的准确率并实现智能化的传感器协同监控。
本发明第一方面提供了一种基于工业物联网的数据处理方法，所述基于工业物联网的数据处理方法包括：
通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；
对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；
分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；
对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征；
将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略。
结合第一方面，在本发明第一方面的第一种实现方式中，所述对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据，包括：
将所述原始安防监控数据输入预置的数据聚类模型，并根据所述多个物联网监控传感器确定所述数据聚类模型的初始聚类数值；
根据所述初始聚类数值，在所述原始安防监控数据中随机选取对应的多个数据点作为聚类中心，得到多个初始聚类中心；
根据所述多个初始聚类中心对所述原始安防监控数据进行均值聚类，得到多个第一数据点聚类簇；
通过所述多个第一数据点聚类簇进行聚类迭代优化，得到目标聚类数值，并根据所述目标聚类数值确定多个目标聚类中心；
通过所述多个目标聚类中心对所述原始安防监控数据进行聚类处理，生成对应的多个第二数据点聚类簇；
获取所述多个目标聚类中心之间的中心点距，并对所述中心点距与预置的第一中心距离阈值和第二中心距离阈值进行比较，其中，所述第一中心距离阈值＜第二中心距离阈值；
若中心点距≤第一中心距离阈值，则对第二数据点聚类簇进行簇合并，若第一中心距离阈值＜中心点距≤第二中心距离阈值，则对第二数据点聚类簇进行簇保留，若第二中心距离阈值＜中心点距，则对第二数据点聚类簇进行簇删除，输出多个初始安防监控数据。
结合第一方面，在本发明第一方面的第二种实现方式中，所述分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据，包括：
获取每个初始安防监控数据的数据分布特征，并根据所述数据分布特征选取每个初始安防监控数据的目标核函数；
根据所述目标核函数，分别计算每个初始安防监控数据对应的目标核矩阵；
分别对每个初始安防监控数据对应的目标核矩阵进行中心化处理，得到每个初始安防监控数据对应的中心化核矩阵；
分别对每个初始安防监控数据对应的中心化核矩阵进行特征值分解，得到每个初始安防监控数据对应的多个矩阵特征值和每个矩阵特征值的特征向量；
分别对所述多个矩阵特征值与预置的目标特征值进行比较，得到每个矩阵特征值的特征值比较结果；
根据所述特征值比较结果，对所述多个矩阵特征值进行特征值选取，得到多个主成分特征值，并获取每个主成分特征值对应的特征向量；
对每个主成分特征值对应的特征向量进行矩阵转换，得到每个初始安防监控数据对应的目标投影矩阵，并根据所述目标投影矩阵将所述多个初始安防监控数据投影到低维空间，生成对应的多个目标安防监控数据。
结合第一方面，在本发明第一方面的第三种实现方式中，所述对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征，包括：
分别将所述多个目标安防监控数据输入预置的卷积长短时网络，其中，所述卷积长短时网络包括：卷积层以及长短时记忆层；
通过所述卷积长短时网络中的卷积层对所述多个目标安防监控数据进行空间特征提取，得到多个目标空间特征；
通过所述卷积长短时网络中的长短时记忆层，对所述多个目标安防监控数据进行时序特征提取，得到多个目标时序特征；
对所述多个目标空间特征以及所述多个目标时序特征进行特征映射，得到多个安防监控特征。
结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略，包括：
将所述多个安防监控特征输入预置的安防监控双层规划模型，其中，所述安防监控双层规划模型包括：上层模型以及下层模型，所述上层模型包括多个神经网络分类器以及XGBoost模型，所述下层模型包括粒子群优化算法；
通过所述安防监控双层规划模型中的上层模型，对所述多个安防监控特征进行安防监控异常分析，得到目标安防监控异常分析结果；
通过所述安防监控双层规划模型中的下层模型，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行传感器协同监控策略优化，生成目标传感器协同监控策略。
结合第一方面，在本发明第一方面的第五种实现方式中，所述通过所述安防监控双层规划模型中的上层模型，对所述多个安防监控特征进行安防监控异常分析，得到目标安防监控异常分析结果，包括：
将所述多个安防监控特征分别输入所述上层模型中的多个神经网络分类器以及XGBoost模型；
通过所述多个神经网络分类器中的第一分类器以及第二分类器分别对所述多个安防监控特征进行异常分析，得到所述第一分类器输出的第一异常分析结果以及所述第二分类器输出的第二异常分析结果；
根据所述第一异常分析结果和所述第二异常分析结果确定第三分类器的目标输入数据，并将所述目标输入数据输入所述第三分类器进行异常分析，得到第三异常分析结果；
通过所述XGBoost模型对所述多个安防监控特征进行异常分析，得到第四异常分析结果；
获取所述第三分类器的第一投票权重以及所述XGBoost模型的第二投票权重，并根据所述第一投票权重以及所述第二投票权重对所述第三异常分析结果以及所述第四异常分析结果进行结果加权分析，得到目标安防监控异常分析结果。
结合第一方面，在本发明第一方面的第六种实现方式中，所述通过所述安防监控双层规划模型中的下层模型，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行传感器协同监控策略优化，生成目标传感器协同监控策略，包括：
通过所述下层模型中的粒子群优化算法，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行协同监控参数取值区间分析，得到每个物联网监控传感器的协同监控参数取值区间；
分别对每个协同监控参数取值区间进行函数参数定义，得到每个协同监控参数取值区间对应的目标函数参数；
通过所述目标函数参数对预置的初始随机生成函数进行函数参数替换，得到每个协同监控参数取值区间对应的目标随机生成函数；
通过所述目标随机生成函数对所述多个物联网监控传感器进行随机初始值生成，得到每个物联网监控传感器的对应的随机初始值；
通过所述协同监控参数取值区间对所述随机初始值进行粒子关联生成，得到协同监控参数粒子种群；
对所述协同监控参数粒子种群进行粒子适应度计算，得到所述协同监控参数粒子种群的粒子适应度，并根据所述粒子适应度对所述协同监控参数粒子种群进行最优化求解，生成目标传感器协同监控策略。
本发明第二方面提供了一种基于工业物联网的数据处理系统，所述基于工业物联网的数据处理系统包括：
获取模块，用于通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；
聚类模块，用于对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；
降维模块，用于分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；
提取模块，用于对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征；
生成模块，用于将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略。
本发明第三方面提供了一种基于工业物联网的数据处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于工业物联网的数据处理设备执行上述的基于工业物联网的数据处理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于工业物联网的数据处理方法。
本发明提供的技术方案中，通过预置的多个物联网监控传感器，实现对目标监控区域的原始安防监控数据采集。这样的整合有助于获取更全面、多维度的监控信息。采用改进的聚类算法，能够智能地对原始安防监控数据进行数据聚类处理。这使得系统能够更精确地识别和区分不同的监控目标，提高数据处理的准确性。通过数据降维和特征提取，系统有效地减少了数据的维度，保留了关键的监控特征。这有助于提高系统的运行效率，减少计算资源的需求。采用卷积长短时网络进行目标安防监控数据的特征提取。这种方法能够更好地捕捉数据中的空间和时序特征，使得监控系统更适应不同的监控场景。引入双层规划模型，上层模型结合神经网络分类器和XGBoost模型进行异常分析，下层模型利用粒子群优化算法进行传感器协同监控策略的优化。这种双层结构使得系统在异常分析和监控策略优化方面更加灵活和全面。通过上层模型对异常分析的结果进行投票加权分析，生成目标安防监控异常分析结果。这有助于提高决策的可信度和准确性。在下层模型中引入粒子群优化算法，通过智能的参数调整，实现了对传感器协同监控策略的优化。这种智能化的优化方式使得系统能够在不同情境下灵活应对，进而提高了安防监控的准确率，并实现了智能化的传感器协同监控。
附图说明
图1为本发明实施例中基于工业物联网的数据处理方法的一个实施例示意图；
图2为本发明实施例中数据降维的流程图；
图3为本发明实施例中特征提取的流程图；
图4为本发明实施例中安防监控异常分析和传感器协同监控策略优化的流程图；
图5为本发明实施例中基于工业物联网的数据处理系统的一个实施例示意图；
图6为本发明实施例中基于工业物联网的数据处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于工业物联网的数据处理方法及系统，用于提高安防监控的准确率并实现智能化的传感器协同监控。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于工业物联网的数据处理方法的一个实施例包括：
S101、通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；
可以理解的是，本发明的执行主体可以为基于工业物联网的数据处理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，预置的多个物联网监控传感器是整个监控系统的基础。这些传感器可以包括各种类型的传感器，如摄像头、温度传感器、湿度传感器、气体传感器、运动传感器等。这些传感器被安装在目标监控区域的不同位置，以便全面监测该区域的情况。例如，考虑一个工业生产车间，该车间装有多个摄像头、温度传感器和烟雾传感器。这些传感器通过物联网连接到一个中央监控系统，以获取实时的安防监控数据。摄像头可以捕捉车间内的图像和视频，温度传感器可以测量环境温度，烟雾传感器可以检测烟雾浓度。这些传感器的数据是原始的监控数据，用于监测车间内的安全状态。例如，摄像头可以用于检测是否有人员未经授权进入车间，温度传感器可以用于检测温度是否超出了安全范围，烟雾传感器可以用于检测是否有火灾风险。这些传感器的数据获取是实时的，通过物联网技术传输到中央监控系统。监控人员可以远程访问这些数据，并随时监测目标监控区域的情况。这种实时监控对于确保安全和及时采取措施非常重要。此外，这些传感器也可以记录历史数据，以便后续分析和回顾。历史数据对于事后审查、问题诊断和性能分析非常重要。例如，如果在车间内发生了事故，监控人员可以回顾历史视频记录以查明事故原因。又或者，他们可以分析历史温度数据以了解环境变化趋势。
S102、对原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；
具体的，数据聚类方法的核心是将原始安防监控数据根据相似性分组成多个簇，每个簇代表一个类似的数据集合。这有助于理解监控数据中的模式和关联。将原始安防监控数据输入预置的数据聚类模型，并确定数据聚类模型的初始聚类数值。这一数值可以根据多个物联网监控传感器的特性和数据分布来确定。不同的监控场景需要不同数量的聚类。例如，在一个工业车间监控系统中，系统将数据分成几个簇，以分别代表不同类型的机器状态。然后，系统利用原始数据中的数据点，根据初始聚类数值随机选择对应数量的数据点作为初始聚类中心。这些初始聚类中心将用于后续的均值聚类。利用这些初始聚类中心对原始安防监控数据进行均值聚类。在均值聚类中，每个数据点被分配到与其最接近的聚类中心所属的簇。这一步骤将生成多个第一数据点聚类簇。随后，通过聚类迭代优化，系统寻找最佳的聚类中心和聚类分配，以确保每个簇内的数据点尽相似，而不同簇之间的数据点尽不相似。这一过程在多次迭代中进行，直到达到目标聚类数值。系统计算多个目标聚类中心，然后使用它们对原始数据进行聚类处理，生成多个第二数据点聚类簇。系统考虑簇之间的相似性，以决定是否进行簇合并、簇保留或簇删除。这是通过计算不同簇的中心点之间的距离完成的。具体来说，系统将中心点之间的距离与预置的第一中心距离阈值和第二中心距离阈值进行比较。例如，假设其中传感器监测一个工业区域，其中包括摄像头、温度传感器和运动传感器。初始聚类数值为3，表示系统将数据分为三个簇。初始聚类中心可以从原始数据中随机选择。在聚类迭代优化阶段，系统调整聚类中心的位置，以更好地代表数据分布。一旦目标聚类数值确定，系统计算多个目标聚类中心，并用它们对原始监控数据进行聚类，生成第二数据点聚类簇。中心点之间的距离可以用来判断簇之间的相似性。如果中心点距离小于第一中心距离阈值，那么可以将这两个簇合并成一个，以便更好地理解数据。如果中心点距离在第一和第二中心距离阈值之间，那么可以保留这两个簇。如果中心点距离大于第二中心距离阈值，那么可以考虑删除其中一个簇，以减少数据复杂性。
S103、分别对多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；
需要说明的是，获取每个初始安防监控数据的数据分布特征。这些特征描述了数据在高维空间中的分布情况，有助于选择适当的核函数。核函数在数据降维中扮演着重要角色，因为它们帮助将数据映射到低维空间。例如，每个摄像头捕获不同角度的图像。数据分布特征包括颜色分布、运动特征和纹理信息，这有助于选择适合的核函数。基于数据分布特征，系统选择适当的目标核函数，该核函数用于将数据映射到低维空间。不同的核函数适用于不同类型的数据分布。例如，在图像处理中，高斯核函数通常用于处理具有复杂数据分布的图像数据。使用所选的目标核函数，系统计算每个初始安防监控数据对应的目标核矩阵。这些核矩阵用于描述数据之间的相似性，是数据降维的基础。通过将核矩阵进行中心化，系统将数据的均值移至零。这有助于确保降维后的数据在低维空间中更好地表示原始数据的特征。然后，对每个初始安防监控数据对应的中心化核矩阵进行特征值分解，得到多个矩阵特征值和每个特征值对应的特征向量。特征值和特征向量描述了数据在降维后的低维空间中的结构。通过将多个矩阵特征值与预置的目标特征值进行比较，系统得到每个特征值的特征值比较结果。这一步骤有助于确定哪些特征值是最重要的，可以用来表示数据的主要变化。根据特征值比较结果，系统对多个矩阵特征值进行特征值选取，以获得多个主成分特征值，这些主成分特征值代表了数据在降维后的重要结构。并获取每个主成分特征值对应的特征向量系统将每个主成分特征值对应的特征向量进行矩阵转换，以得到每个初始安防监控数据对应的目标投影矩阵。这些投影矩阵用于将原始数据投影到低维空间，生成对应的多个目标安防监控数据。
S104、对多个目标安防监控数据进行特征提取，得到多个安防监控特征；
具体的，系统将多个目标安防监控数据输入预置的卷积长短时网络。这个网络的设计是为了充分利用数据中的空间和时序信息，以便从中提取有用的特征。卷积长短时网络中的卷积层负责进行空间特征提取。这一步骤通过卷积操作，识别和捕获图像或数据中的空间结构、纹理和形状等信息。例如，对于监控摄像头捕获的图像，卷积层可以帮助检测物体的边缘、角点和纹理特征。同时，卷积长短时网络中的长短时记忆层负责进行时序特征提取。这一层能够捕获数据中的时间依赖性和序列信息。在监控领域，时序特征可以帮助检测运动、行为变化和事件的发生。例如，对于视频监控数据，时序特征提取可以用于跟踪对象的运动轨迹。得到多个目标空间特征和多个目标时序特征后，下一步是将它们进行特征映射，以生成多个安防监控特征。特征映射的目标是将提取的空间特征和时序特征结合起来，以便更好地描述和理解监控数据。例如，假设使用多个摄像头监测工业设备。卷积层可以从图像中提取空间特征，如设备的轮廓、纹理和颜色。长短时记忆层可以捕获设备运行状态的时序特征，如温度变化、振动和噪音。将这些空间和时序特征进行特征映射后，可以获得综合的安防监控特征，有助于分析设备状态和检测异常。这些安防监控特征可以用于各种用途，如异常检测、事件识别和预测。例如，通过监控摄像头捕获的安防监控特征，系统检测到设备异常行为，如过热或振动异常，然后触发相应的报警或维修措施。
S105、将多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略。
具体的，安防监控双层规划模型由两个层次组成：上层模型和下层模型。上层模型包括多个神经网络分类器和XGBoost模型，用于进行监控数据的异常分析。下层模型则包括粒子群优化算法，用于生成传感器协同监控策略。将多个安防监控特征输入预置的安防监控双层规划模型。这些特征包括从之前的步骤中提取的空间特征和时序特征，以及其他与监控数据相关的特征。这些特征将用于进行异常分析和决策制定。上层模型的任务是进行安防监控异常分析。它由多个神经网络分类器和XGBoost模型组成，这些模型在监控数据中检测异常模式。例如，如果监控数据中出现异常事件，这些模型将能够识别并报警。上层模型的输出是目标安防监控异常分析结果，指示哪些传感器数据显示出异常行为。下层模型的角色是根据上层模型的结果，生成传感器协同监控策略。这一层采用粒子群优化算法，以最大化监控系统的效率和准确性。算法的目标是决定哪些传感器应该如何协同工作，以最好地检测和响应监控数据中的异常情况。这个策略会考虑传感器之间的关系、性能和资源限制。例如，上层模型检测到温度传感器的异常数据，表明有火灾风险。下层模型的任务确定是否应该激活烟雾传感器来进一步验证情况，或者是否应该调整温度传感器的采样频率以更好地监控。最终，系统生成目标传感器协同监控策略，以实现对异常情况的有效监测和响应。这有助于提高工业系统的安全性、可靠性和效率。
其中，将多个安防监控特征分别输入上层模型中的多个神经网络分类器以及XGBoost模型。这些模型在异常检测中各自具有不同的角色和特点。通过将安防监控特征输入这些模型，系统获得多个不同的异常分析结果，这些结果提供了多层次的异常检测。具体而言，多个神经网络分类器中的第一分类器和第二分类器将分别对安防监控特征进行异常分析。它们可以识别和报警不同类型的异常模式。第一分类器输出第一异常分析结果，而第二分类器输出第二异常分析结果。这两个结果可以提供互补的异常信息。此外，第三分类器接收第一异常分析结果和第二异常分析结果，并确定目标输入数据，以进行进一步的异常分析。这个分类器的任务是综合多层次的异常信息，以更精确地检测异常。第三分类器的输出是第三异常分析结果。XGBoost模型对多个安防监控特征进行异常分析。XGBoost是一种梯度提升算法，它可以有效地处理多维数据和不平衡数据分布。XGBoost模型的输出是第四异常分析结果。为了综合各个异常分析结果，系统考虑它们的权重。在这里，系统根据第一投票权重和第二投票权重调整第三异常分析结果和第四异常分析结果的相对重要性。这些权重可以根据不同的需求和场景进行设置。通过将第三异常分析结果和第四异常分析结果进行结果加权分析，系统得到最终的目标安防监控异常分析结果。这一结果综合了多个模型和多层次的异常检测信息，提供了更全面和可靠的异常分析。例如，上层模型中的神经网络分类器可以检测到异常的温度和湿度模式，XGBoost模型可以识别振动异常。第三分类器将综合这些信息，以确定是否存在系统性的异常，而不仅仅是某个传感器的偏离。最终的异常分析结果将指导工作人员采取适当的措施，以维护生产线的正常运行。
其中，通过下层模型中的粒子群优化算法，根据目标安防监控异常分析结果对多个物联网监控传感器进行协同监控参数取值区间分析。这一步骤的目标是确定每个传感器的协同监控参数的有效取值范围，以确保传感器之间的协同工作。随后，对每个协同监控参数取值区间进行函数参数定义，以生成与目标函数参数相关的参数集。这些目标函数参数将用于随机生成函数的定义，以实现对传感器协同监控策略的优化。通过目标函数参数，系统替换预置的初始随机生成函数中的参数，以生成与每个协同监控参数取值区间相关的目标随机生成函数。这一函数将用于随机生成传感器的初始值，以开始协同监控策略的优化。通过目标随机生成函数对多个物联网监控传感器进行随机初始值生成，得到每个物联网监控传感器的对应的随机初始值。这些初始值将作为粒子的起点。然后，通过协同监控参数取值区间对随机初始值进行粒子关联生成，得到协同监控参数粒子种群。每个粒子代表一组的监控参数组合。随后，对协同监控参数粒子种群进行粒子适应度计算，得到协同监控参数粒子种群的粒子适应度。适应度表示了监控策略的质量，它通常与目标函数相关。通过计算适应度，系统确定每个粒子的性能，即它们的监控策略在解决异常监测问题方面的效果。根据粒子的适应度，使用粒子群优化算法，对协同监控参数粒子种群进行最优化求解。这一过程将导致生成目标传感器协同监控策略，其中包括每个传感器的最佳参数设置，以实现对异常的更敏感检测和更准确的响应。例如，根据上层模型的异常分析结果，下层模型将生成传感器协同监控策略。例如，如果某个传感器检测到异常振动，通过粒子群优化算法，系统确定其他传感器的采样频率和阈值设置，以更好地监测的设备故障。
本发明实施例中，通过预置的多个物联网监控传感器，实现对目标监控区域的原始安防监控数据采集。这样的整合有助于获取更全面、多维度的监控信息。采用改进的聚类算法，能够智能地对原始安防监控数据进行数据聚类处理。这使得系统能够更精确地识别和区分不同的监控目标，提高数据处理的准确性。通过数据降维和特征提取，系统有效地减少了数据的维度，保留了关键的监控特征。这有助于提高系统的运行效率，减少计算资源的需求。采用卷积长短时网络进行目标安防监控数据的特征提取。这种方法能够更好地捕捉数据中的空间和时序特征，使得监控系统更适应不同的监控场景。引入双层规划模型，上层模型结合神经网络分类器和XGBoost模型进行异常分析，下层模型利用粒子群优化算法进行传感器协同监控策略的优化。这种双层结构使得系统在异常分析和监控策略优化方面更加灵活和全面。通过上层模型对异常分析的结果进行投票加权分析，生成目标安防监控异常分析结果。这有助于提高决策的可信度和准确性。在下层模型中引入粒子群优化算法，通过智能的参数调整，实现了对传感器协同监控策略的优化。这种智能化的优化方式使得系统能够在不同情境下灵活应对，进而提高了安防监控的准确率，并实现了智能化的传感器协同监控。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）将原始安防监控数据输入预置的数据聚类模型，并根据多个物联网监控传感器确定数据聚类模型的初始聚类数值；
（2）根据初始聚类数值，在原始安防监控数据中随机选取对应的多个数据点作为聚类中心，得到多个初始聚类中心；
（3）根据多个初始聚类中心对原始安防监控数据进行均值聚类，得到多个第一数据点聚类簇；
（4）通过多个第一数据点聚类簇进行聚类迭代优化，得到目标聚类数值，并根据目标聚类数值确定多个目标聚类中心；
（5）通过多个目标聚类中心对原始安防监控数据进行聚类处理，生成对应的多个第二数据点聚类簇；
（6）获取多个目标聚类中心之间的中心点距，并对中心点距与预置的第一中心距离阈值和第二中心距离阈值进行比较，其中，第一中心距离阈值＜第二中心距离阈值；
（7）若中心点距≤第一中心距离阈值，则对第二数据点聚类簇进行簇合并，若第一中心距离阈值＜中心点距≤第二中心距离阈值，则对第二数据点聚类簇进行簇保留，若第二中心距离阈值＜中心点距，则对第二数据点聚类簇进行簇删除，输出多个初始安防监控数据。
具体的，系统将原始安防监控数据输入预置的数据聚类模型。这个数据聚类模型是一个数学算法，旨在将数据点分组成不同的簇，以揭示潜在的模式和结构。系统使用多个物联网监控传感器来确定数据聚类模型的初始聚类数值。不同的监控系统需要不同数量的簇来有效地描述其运行状态。随后，根据确定的初始聚类数值，系统从原始安防监控数据中随机选择对应数量的数据点作为初始聚类中心。这些初始聚类中心将作为聚类的起点，帮助将数据点分配到不同的簇。通过使用这些初始聚类中心，系统进行均值聚类，将数据点分配到离它们最近的聚类中心所对应的簇。这一步骤有助于建立初始的数据点聚类簇。然后，系统使用多个初始聚类中心的均值聚类结果进行聚类迭代优化。在这个过程中，系统不断更新聚类中心，直到达到目标聚类数值。这一目标聚类数值是根据监控系统的性质和要求来确定的。系统使用多个目标聚类中心对原始安防监控数据进行进一步的聚类处理，以生成对应的多个第二数据点聚类簇。这一步骤有助于细化数据的分组，使不同的模式和特征更为清晰可见。系统计算多个目标聚类中心之间的中心点距离，并将这些距离与预置的第一中心距离阈值和第二中心距离阈值进行比较。这两个阈值是根据监控系统的需求来设定的。如果中心点距≤第一中心距离阈值，则对第二数据点聚类簇进行簇合并，将一些相似的簇合并成一个更大的簇，以减少聚类的数量。如果第一中心距离阈值＜中心点距≤第二中心距离阈值，则对第二数据点聚类簇进行簇保留，不做任何改变。如果第二中心距离阈值＜中心点距，则对第二数据点聚类簇进行簇删除，将一些不相关的簇删除。最终，系统通过这一过程输出多个初始安防监控数据，这些数据已经根据聚类过程进行了分组。这有助于更好地理解监控系统的不同模式和特征，为后续的数据分析和决策提供了更清晰的基础。例如，系统将这些数据点分成多个簇，每个簇代表一个特定的机器状态，例如正常运行、维护需求或故障模式。这使工厂管理人员能够更好地了解各个机器的状态，从而及时采取必要的维护措施，提高生产效率和设备可靠性。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、获取每个初始安防监控数据的数据分布特征，并根据数据分布特征选取每个初始安防监控数据的目标核函数；
S202、根据目标核函数，分别计算每个初始安防监控数据对应的目标核矩阵；
S203、分别对每个初始安防监控数据对应的目标核矩阵进行中心化处理，得到每个初始安防监控数据对应的中心化核矩阵；
S204、分别对每个初始安防监控数据对应的中心化核矩阵进行特征值分解，得到每个初始安防监控数据对应的多个矩阵特征值和每个矩阵特征值的特征向量；
S205、分别对多个矩阵特征值与预置的目标特征值进行比较，得到每个矩阵特征值的特征值比较结果；
S206、根据特征值比较结果，对多个矩阵特征值进行特征值选取，得到多个主成分特征值，并获取每个主成分特征值对应的特征向量；
S207、对每个主成分特征值对应的特征向量进行矩阵转换，得到每个初始安防监控数据对应的目标投影矩阵，并根据目标投影矩阵将多个初始安防监控数据投影到低维空间，生成对应的多个目标安防监控数据。
具体的，系统获取每个初始安防监控数据的数据分布特征。这些特征可以包括数据的分布形状、集中趋势、离散性等。根据这些数据分布特征，系统选择每个初始安防监控数据的目标核函数。目标核函数是一种数学函数，用于在数据降维过程中保留最重要的信息。系统针对每个初始安防监控数据计算目标核矩阵。目标核矩阵是由目标核函数计算得到的矩阵，用于描述数据点之间的相似性和关联性。随后，为了进行降维，系统对每个初始安防监控数据对应的目标核矩阵进行中心化处理。中心化可以帮助减小数据的均值，并确保数据在降维过程中不会失去重要的信息。然后，系统对每个初始安防监控数据对应的中心化核矩阵进行特征值分解。特征值分解是一种数学方法，用于将矩阵分解为特征值和特征向量。在这一步骤中，系统获得了每个初始安防监控数据对应的多个矩阵特征值和每个矩阵特征值的特征向量。系统将多个矩阵特征值与预置的目标特征值进行比较。这一比较过程有助于确定哪些特征值包含了最有用的信息，应该被选取用于降维。根据特征值比较结果，系统对多个矩阵特征值进行特征值选取，得到多个主成分特征值。这些主成分特征值代表了原始数据中最重要的信息。并获取每个主成分特征值对应的特征向量。系统将每个主成分特征值对应的特征向量进行矩阵转换。这一转换过程有助于生成每个初始安防监控数据对应的目标投影矩阵。目标投影矩阵可以用来将原始数据投影到一个低维空间，生成对应的多个目标安防监控数据。例如，系统将原始监控数据映射到一个低维空间，以捕获最相关的信息，例如温度和湿度之间的关联性。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、分别将多个目标安防监控数据输入预置的卷积长短时网络，其中，卷积长短时网络包括：卷积层以及长短时记忆层；
S302、通过卷积长短时网络中的卷积层对多个目标安防监控数据进行空间特征提取，得到多个目标空间特征；
S303、通过卷积长短时网络中的长短时记忆层，对多个目标安防监控数据进行时序特征提取，得到多个目标时序特征；
S304、对多个目标空间特征以及多个目标时序特征进行特征映射，得到多个安防监控特征。
具体的，分别将多个目标安防监控数据输入预置的卷积长短时网络。卷积长短时网络是一种深度学习模型，结合了卷积层和长短时记忆（LSTM）层，以实现对数据的空间和时序特征提取。通过卷积长短时网络的卷积层，系统对多个目标安防监控数据进行空间特征提取。卷积层通过滑动卷积核来捕获数据中的不同空间模式和结构。这些卷积操作有助于识别目标安防监控数据中的空间特征，如物体的轮廓、纹理或形状。例如，考虑一个监控摄像头拍摄的视频流，卷积层可以帮助识别不同位置的目标或物体。通过卷积长短时网络中的长短时记忆（LSTM）层，对多个目标安防监控数据进行时序特征提取。LSTM层是一种递归神经网络，能够捕捉数据中的时间依赖性和序列信息。它可以帮助分析目标安防监控数据中的时序模式，例如事件发生的顺序或趋势的演变。例如，LSTM层可以识别目标的运动轨迹或连续事件的发生。通过这两个关键组件，卷积层和LSTM层，系统从多个目标安防监控数据中提取空间特征和时序特征。这些特征的结合能够提供更全面的数据描述，有助于理解监控系统中发生的事件和变化。对多个目标空间特征以及多个目标时序特征进行特征映射，以得到多个安防监控特征。特征映射的过程可以包括特征融合、降维或其他变换操作，以减少数据的维度并提取最重要的信息。这些安防监控特征可以作为后续分析和决策的输入，帮助监控系统更好地理解和响应事件。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、将多个安防监控特征输入预置的安防监控双层规划模型，其中，安防监控双层规划模型包括：上层模型以及下层模型，上层模型包括多个神经网络分类器以及XGBoost模型，下层模型包括粒子群优化算法；
S402、通过安防监控双层规划模型中的上层模型，对多个安防监控特征进行安防监控异常分析，得到目标安防监控异常分析结果；
S403、通过安防监控双层规划模型中的下层模型，根据目标安防监控异常分析结果对多个物联网监控传感器进行传感器协同监控策略优化，生成目标传感器协同监控策略。
具体的，系统将多个安防监控特征输入到预置的安防监控双层规划模型中。这些特征可以包括来自各个传感器的数据，如温度、湿度、压力、光线、声音等。这些特征在上层模型中经过详细分析。上层模型由多个神经网络分类器和XGBoost模型组成。这些模型专门用于进行安防监控异常分析。它们通过分析这些特征之间的关系来检测异常情况。例如，如果某个传感器显示异常的温度升高，上层模型将识别并报警操作员。这表明设备出现故障或存在潜在的安全风险。下层模型采用粒子群优化算法，它根据上层模型的异常分析结果对多个物联网监控传感器进行传感器协同监控策略的优化，将传感器协同工作，以更好地监控和管理工业环境。例如，如果上层模型检测到某个传感器的异常情况，下层模型可以通过粒子群优化算法建议其他传感器调整其监控策略，以更全面地监测潜在问题。这可以包括增加采样频率、调整传感器的工作模式或提供更多的数据以供分析。通过这种协同监控策略的优化，工业物联网系统实时适应变化和异常情况，提高设备的安全性、可用性和性能。它还有助于减少生产中断和潜在的风险。
在一具体实施例中，执行步骤S402的过程可以具体包括如下步骤：
（1）将多个安防监控特征分别输入上层模型中的多个神经网络分类器以及XGBoost模型；
（2）通过多个神经网络分类器中的第一分类器以及第二分类器分别对多个安防监控特征进行异常分析，得到第一分类器输出的第一异常分析结果以及第二分类器输出的第二异常分析结果；
（3）根据第一异常分析结果和第二异常分析结果确定第三分类器的目标输入数据，并将目标输入数据输入第三分类器进行异常分析，得到第三异常分析结果；
（4）通过XGBoost模型对多个安防监控特征进行异常分析，得到第四异常分析结果；
（5）获取第三分类器的第一投票权重以及XGBoost模型的第二投票权重，并根据第一投票权重以及第二投票权重对第三异常分析结果以及第四异常分析结果进行结果加权分析，得到目标安防监控异常分析结果。
具体的，系统将多个安防监控特征分别输入上层模型中的多个神经网络分类器以及XGBoost模型。这些特征可以来自各个传感器，如温度、湿度、光线、声音等。每个分类器和XGBoost模型都专门用于进行异常分析，以检测潜在的问题。例如，假设多个传感器监测设备的振动。如果某个传感器检测到异常的振动模式，上层模型中的第一和第二分类器将分别对这一异常情况进行分析。它们检测到设备出现故障的迹象，例如磨损或松动的零件。第一分类器将输出第一异常分析结果，第二分类器将输出第二异常分析结果。这两个结果提供了不同的视角和信息，有助于更全面地理解异常情况。这些结果将被用于确定第三分类器的目标输入数据，以进行更深入的异常分析。第三分类器进一步分析这些目标输入数据，以获得第三异常分析结果。这一步可以识别特定问题的详细信息，例如具体的设备部件或异常发生的时间。通过XGBoost模型对多个安防监控特征进行异常分析，得到第四异常分析结果。XGBoost模型可以检测特征之间的复杂关系。为了综合各个模型的结果，系统获取第三分类器的第一投票权重以及XGBoost模型的第二投票权重。通过权重分析，系统将第三异常分析结果和XGBoost模型的异常分析结果进行合并，得到最终的目标安防监控异常分析结果。例如，假设上层模型可以检测到一个异常的电流波动。第一分类器认为这是由于电缆连接不良引起的，第二分类器认为这是因为设备过热。第三分类器进一步分析这一问题，确定了确切的原因是电缆连接不良，并提供了有关连接点的更多信息。同时，XGBoost模型也检测到异常，但无法确定具体原因。通过综合分析，系统得出了最终的异常分析结果，可以采取相应的措施来修复连接问题，确保设备的正常运行。
在一具体实施例中，执行步骤S403的过程可以具体包括如下步骤：
（1）通过下层模型中的粒子群优化算法，根据目标安防监控异常分析结果对多个物联网监控传感器进行协同监控参数取值区间分析，得到每个物联网监控传感器的协同监控参数取值区间；
（2）分别对每个协同监控参数取值区间进行函数参数定义，得到每个协同监控参数取值区间对应的目标函数参数；
（3）通过目标函数参数对预置的初始随机生成函数进行函数参数替换，得到每个协同监控参数取值区间对应的目标随机生成函数；
（4）通过目标随机生成函数对多个物联网监控传感器进行随机初始值生成，得到每个物联网监控传感器的对应的随机初始值；
（5）通过协同监控参数取值区间对随机初始值进行粒子关联生成，得到协同监控参数粒子种群；
（6）对协同监控参数粒子种群进行粒子适应度计算，得到协同监控参数粒子种群的粒子适应度，并根据粒子适应度对协同监控参数粒子种群进行最优化求解，生成目标传感器协同监控策略。
具体的，通过下层模型中的粒子群优化算法，根据目标安防监控异常分析结果对多个物联网监控传感器进行协同监控参数取值区间分析，得到每个物联网监控传感器的协同监控参数取值区间。这个区间定义了每个传感器的参数取值范围，以确保其正常工作并参与协同监控。系统将每个协同监控参数取值区间映射到目标函数参数。这些参数定义了用于生成协同监控策略的目标函数。目标函数参数可以根据具体需求进行调整，以确保传感器之间的协同监控是最优化的。然后，系统使用目标随机生成函数，根据协同监控参数取值区间，生成每个物联网监控传感器的随机初始值。这些随机初始值将作为粒子群优化算法的起点，用于寻找最佳的监控策略。随后，系统将协同监控参数取值区间应用于随机初始值，生成协同监控参数粒子种群。这个粒子种群代表了各种的监控策略，每个粒子都对应一个策略。通过计算每个粒子的适应度，系统评估每个监控策略的性能。适应度计算是根据目标函数和监控传感器的实际性能数据来完成的。这使系统能够识别出最适合解决当前异常情况的策略。系统使用粒子群优化算法，根据粒子的适应度，寻找最优的监控策略。这个最优策略将在给定的监控条件下实现最佳性能，确保设备的正常运行和异常情况的快速响应。例如，假设异常分析结果显示，某些设备在高温条件下容易出现故障。通过粒子群优化算法，系统为每个传感器定义协同监控参数取值区间，以确保它们在正常工作条件下保持适当的温度。然后，系统生成不同的监控策略，以最大程度地降低温度异常的风险。最终，系统选择了一个最佳的协同监控策略，它可以确保设备在高温条件下稳定运行，同时减少了能源消耗。这个策略可以在实时监控中应用，以保障生产线的顺畅运行。
上面对本发明实施例中基于工业物联网的数据处理方法进行了描述，下面对本发明实施例中基于工业物联网的数据处理系统进行描述，请参阅图5，本发明实施例中基于工业物联网的数据处理系统一个实施例包括：
获取模块501，用于通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；
聚类模块502，用于对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；
降维模块503，用于分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；
提取模块504，用于对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征；
生成模块505，用于将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略。
通过上述各个组成部分的协同合作，通过预置的多个物联网监控传感器，实现对目标监控区域的原始安防监控数据采集。这样的整合有助于获取更全面、多维度的监控信息。采用改进的聚类算法，能够智能地对原始安防监控数据进行数据聚类处理。这使得系统能够更精确地识别和区分不同的监控目标，提高数据处理的准确性。通过数据降维和特征提取，系统有效地减少了数据的维度，保留了关键的监控特征。这有助于提高系统的运行效率，减少计算资源的需求。采用卷积长短时网络进行目标安防监控数据的特征提取。这种方法能够更好地捕捉数据中的空间和时序特征，使得监控系统更适应不同的监控场景。引入双层规划模型，上层模型结合神经网络分类器和XGBoost模型进行异常分析，下层模型利用粒子群优化算法进行传感器协同监控策略的优化。这种双层结构使得系统在异常分析和监控策略优化方面更加灵活和全面。通过上层模型对异常分析的结果进行投票加权分析，生成目标安防监控异常分析结果。这有助于提高决策的可信度和准确性。在下层模型中引入粒子群优化算法，通过智能的参数调整，实现了对传感器协同监控策略的优化。这种智能化的优化方式使得系统能够在不同情境下灵活应对，进而提高了安防监控的准确率，并实现了智能化的传感器协同监控。
上面图5从模块化功能实体的角度对本发明实施例中的基于工业物联网的数据处理系统进行详细描述，下面从硬件处理的角度对本发明实施例中基于工业物联网的数据处理设备进行详细描述。
图6是本发明实施例提供的一种基于工业物联网的数据处理设备的结构示意图，该基于工业物联网的数据处理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于工业物联网的数据处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于工业物联网的数据处理设备600上执行存储介质630中的一系列指令操作。
基于工业物联网的数据处理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于工业物联网的数据处理设备结构并不构成对基于工业物联网的数据处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于工业物联网的数据处理设备，所述基于工业物联网的数据处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于工业物联网的数据处理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于工业物联网的数据处理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于工业物联网的数据处理方法，其特征在于，所述基于工业物联网的数据处理方法包括：
通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；
对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；
分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；
对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征；
将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略；具体包括：将所述多个安防监控特征输入预置的安防监控双层规划模型，其中，所述安防监控双层规划模型包括：上层模型以及下层模型，所述上层模型包括多个神经网络分类器以及XGBoost模型，所述下层模型包括粒子群优化算法；通过所述安防监控双层规划模型中的上层模型，对所述多个安防监控特征进行安防监控异常分析，得到目标安防监控异常分析结果；通过所述安防监控双层规划模型中的下层模型，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行传感器协同监控策略优化，生成目标传感器协同监控策略；其中，得到目标安防监控异常分析结果，包括：将所述多个安防监控特征分别输入所述上层模型中的多个神经网络分类器以及XGBoost模型；通过所述多个神经网络分类器中的第一分类器以及第二分类器分别对所述多个安防监控特征进行异常分析，得到所述第一分类器输出的第一异常分析结果以及所述第二分类器输出的第二异常分析结果；根据所述第一异常分析结果和所述第二异常分析结果确定第三分类器的目标输入数据，并将所述目标输入数据输入所述第三分类器进行异常分析，得到第三异常分析结果；通过所述XGBoost模型对所述多个安防监控特征进行异常分析，得到第四异常分析结果；获取所述第三分类器的第一投票权重以及所述XGBoost模型的第二投票权重，并根据所述第一投票权重以及所述第二投票权重对所述第三异常分析结果以及所述第四异常分析结果进行结果加权分析，得到目标安防监控异常分析结果；其中，生成目标传感器协同监控策略，包括：通过所述下层模型中的粒子群优化算法，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行协同监控参数取值区间分析，得到每个物联网监控传感器的协同监控参数取值区间；分别对每个协同监控参数取值区间进行函数参数定义，得到每个协同监控参数取值区间对应的目标函数参数；通过所述目标函数参数对预置的初始随机生成函数进行函数参数替换，得到每个协同监控参数取值区间对应的目标随机生成函数；通过所述目标随机生成函数对所述多个物联网监控传感器进行随机初始值生成，得到每个物联网监控传感器的对应的随机初始值；通过所述协同监控参数取值区间对所述随机初始值进行粒子关联生成，得到协同监控参数粒子种群；对所述协同监控参数粒子种群进行粒子适应度计算，得到所述协同监控参数粒子种群的粒子适应度，并根据所述粒子适应度对所述协同监控参数粒子种群进行最优化求解，生成目标传感器协同监控策略。
2.根据权利要求1所述的基于工业物联网的数据处理方法，其特征在于，所述对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据，包括：
将所述原始安防监控数据输入预置的数据聚类模型，并根据所述多个物联网监控传感器确定所述数据聚类模型的初始聚类数值；
根据所述初始聚类数值，在所述原始安防监控数据中随机选取对应的多个数据点作为聚类中心，得到多个初始聚类中心；
根据所述多个初始聚类中心对所述原始安防监控数据进行均值聚类，得到多个第一数据点聚类簇；
通过所述多个第一数据点聚类簇进行聚类迭代优化，得到目标聚类数值，并根据所述目标聚类数值确定多个目标聚类中心；
通过所述多个目标聚类中心对所述原始安防监控数据进行聚类处理，生成对应的多个第二数据点聚类簇；
获取所述多个目标聚类中心之间的中心点距，并对所述中心点距与预置的第一中心距离阈值和第二中心距离阈值进行比较，其中，所述第一中心距离阈值＜第二中心距离阈值；
若中心点距≤第一中心距离阈值，则对第二数据点聚类簇进行簇合并，若第一中心距离阈值＜中心点距≤第二中心距离阈值，则对第二数据点聚类簇进行簇保留，若第二中心距离阈值＜中心点距，则对第二数据点聚类簇进行簇删除，输出多个初始安防监控数据。
3.根据权利要求1所述的基于工业物联网的数据处理方法，其特征在于，所述分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据，包括：
获取每个初始安防监控数据的数据分布特征，并根据所述数据分布特征选取每个初始安防监控数据的目标核函数；
根据所述目标核函数，分别计算每个初始安防监控数据对应的目标核矩阵；
分别对每个初始安防监控数据对应的目标核矩阵进行中心化处理，得到每个初始安防监控数据对应的中心化核矩阵；
分别对每个初始安防监控数据对应的中心化核矩阵进行特征值分解，得到每个初始安防监控数据对应的多个矩阵特征值和每个矩阵特征值的特征向量；
分别对所述多个矩阵特征值与预置的目标特征值进行比较，得到每个矩阵特征值的特征值比较结果；
根据所述特征值比较结果，对所述多个矩阵特征值进行特征值选取，得到多个主成分特征值，并获取每个主成分特征值对应的特征向量；
对每个主成分特征值对应的特征向量进行矩阵转换，得到每个初始安防监控数据对应的目标投影矩阵，并根据所述目标投影矩阵将所述多个初始安防监控数据投影到低维空间，生成对应的多个目标安防监控数据。
4.根据权利要求1所述的基于工业物联网的数据处理方法，其特征在于，所述对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征，包括：
分别将所述多个目标安防监控数据输入预置的卷积长短时网络，其中，所述卷积长短时网络包括：卷积层以及长短时记忆层；
通过所述卷积长短时网络中的卷积层对所述多个目标安防监控数据进行空间特征提取，得到多个目标空间特征；
通过所述卷积长短时网络中的长短时记忆层，对所述多个目标安防监控数据进行时序特征提取，得到多个目标时序特征；
对所述多个目标空间特征以及所述多个目标时序特征进行特征映射，得到多个安防监控特征。
5.一种基于工业物联网的数据处理系统，其特征在于，所述基于工业物联网的数据处理系统包括：
获取模块，用于通过预置的多个物联网监控传感器获取目标监控区域的原始安防监控数据；
聚类模块，用于对所述原始安防监控数据进行数据聚类处理，得到多个初始安防监控数据；
降维模块，用于分别对所述多个初始安防监控数据进行数据降维，生成对应的多个目标安防监控数据；
提取模块，用于对所述多个目标安防监控数据进行特征提取，得到多个安防监控特征；
生成模块，用于将所述多个安防监控特征输入预置的安防监控双层规划模型进行安防监控异常分析和传感器协同监控策略优化，生成目标传感器协同监控策略；具体包括：将所述多个安防监控特征输入预置的安防监控双层规划模型，其中，所述安防监控双层规划模型包括：上层模型以及下层模型，所述上层模型包括多个神经网络分类器以及XGBoost模型，所述下层模型包括粒子群优化算法；通过所述安防监控双层规划模型中的上层模型，对所述多个安防监控特征进行安防监控异常分析，得到目标安防监控异常分析结果；通过所述安防监控双层规划模型中的下层模型，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行传感器协同监控策略优化，生成目标传感器协同监控策略；其中，得到目标安防监控异常分析结果，包括：将所述多个安防监控特征分别输入所述上层模型中的多个神经网络分类器以及XGBoost模型；通过所述多个神经网络分类器中的第一分类器以及第二分类器分别对所述多个安防监控特征进行异常分析，得到所述第一分类器输出的第一异常分析结果以及所述第二分类器输出的第二异常分析结果；根据所述第一异常分析结果和所述第二异常分析结果确定第三分类器的目标输入数据，并将所述目标输入数据输入所述第三分类器进行异常分析，得到第三异常分析结果；通过所述XGBoost模型对所述多个安防监控特征进行异常分析，得到第四异常分析结果；获取所述第三分类器的第一投票权重以及所述XGBoost模型的第二投票权重，并根据所述第一投票权重以及所述第二投票权重对所述第三异常分析结果以及所述第四异常分析结果进行结果加权分析，得到目标安防监控异常分析结果；其中，生成目标传感器协同监控策略，包括：通过所述下层模型中的粒子群优化算法，根据所述目标安防监控异常分析结果对所述多个物联网监控传感器进行协同监控参数取值区间分析，得到每个物联网监控传感器的协同监控参数取值区间；分别对每个协同监控参数取值区间进行函数参数定义，得到每个协同监控参数取值区间对应的目标函数参数；通过所述目标函数参数对预置的初始随机生成函数进行函数参数替换，得到每个协同监控参数取值区间对应的目标随机生成函数；通过所述目标随机生成函数对所述多个物联网监控传感器进行随机初始值生成，得到每个物联网监控传感器的对应的随机初始值；通过所述协同监控参数取值区间对所述随机初始值进行粒子关联生成，得到协同监控参数粒子种群；对所述协同监控参数粒子种群进行粒子适应度计算，得到所述协同监控参数粒子种群的粒子适应度，并根据所述粒子适应度对所述协同监控参数粒子种群进行最优化求解，生成目标传感器协同监控策略。
6.一种基于工业物联网的数据处理设备，其特征在于，所述基于工业物联网的数据处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于工业物联网的数据处理设备执行如权利要求1-4中任一项所述的基于工业物联网的数据处理方法。
7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于工业物联网的数据处理方法。
CN202311534715.0A 2023-11-17 2023-11-17 基于工业物联网的数据处理方法及系统 Active CN117272082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311534715.0A CN117272082B (zh) 2023-11-17 2023-11-17 基于工业物联网的数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311534715.0A CN117272082B (zh) 2023-11-17 2023-11-17 基于工业物联网的数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN117272082A CN117272082A (zh) 2023-12-22
CN117272082B true CN117272082B (zh) 2024-03-19

Family

ID=89208380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311534715.0A Active CN117272082B (zh) 2023-11-17 2023-11-17 基于工业物联网的数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN117272082B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147904A (zh) * 2019-04-23 2019-08-20 深圳先进技术研究院 一种城市聚集事件预测与定位方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412916B (zh) * 2013-08-07 2016-08-10 北京京东尚科信息技术有限公司 一种监控系统的多维度数据存储、检索方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147904A (zh) * 2019-04-23 2019-08-20 深圳先进技术研究院 一种城市聚集事件预测与定位方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fault detection and diagnosis for the screw chillers using multi-region XGBoost model;Zhang, S et al;《SCIENCE AND TECHNOLOGY FOR THE BUILT ENVIRONMENT》;20210528;第27卷(第5期);第608-623页 *
智能视频监控在库区安防中的应用;李哲;《石油化工自动化》;20141220(第6期);第31-34页 *

Also Published As

Publication number Publication date
CN117272082A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Arrington et al. Behavioral modeling intrusion detection system (BMIDS) using internet of things (IoT) behavior-based anomaly detection via immunity-inspired algorithms
US10914608B2 (en) Data analytic engine towards the self-management of complex physical systems
US9245235B2 (en) Integrated approach to model time series dynamics in complex physical systems
CN109818798A (zh) 一种融合kpca和elm的无线传感器网络入侵检测系统及方法
US11381583B1 (en) Systems and methods for detecting anomalous system or network behavior
Ravichandran et al. Efficient multilevel federated compressed reinforcement learning of smart homes using deep learning methods
CN117320236B (zh) 无人机的照明控制方法及系统
Iqbal et al. Clustering optimization for abnormality detection in semi-autonomous systems
CN112616023A (zh) 复杂环境下的多摄像机视频目标追踪方法
CN117272082B (zh) 基于工业物联网的数据处理方法及系统
CN117711131A (zh) 基于姿态危险度分析的施工人员警示保护系统
CN116996665A (zh) 基于物联网的智能监控方法、装置、设备及存储介质
Miao et al. Nonlinear fault detection based on locally linear embedding
Nguyen et al. Decision support systems for anomaly detection with the applications in smart manufacturing: a survey and perspective
CN115601010A (zh) 一种人工智能消防智慧信息管理平台
Kandasamy et al. Survey on chaos RNN–A root cause analysis and anomaly detection
Pal et al. A video-based human activity and motion direction classification framework for agricultural fields
Avci et al. Real-Time Building Management System Visual Anomaly Detection Using Heat Points Motion Analysis Machine Learning Algorithm
Basurto et al. Ai-driven visualizations for performance monitoring and anomaly detection in robots
Alghawli Computer Vision Technology for Fault Detection Systems Using Image Processing.
Bilski et al. Decision trees implementation in monitoring of elderly persons based on the depth sensors data
Kumar et al. Enhanced-KNN (M-KNN) based outlier detection and sensor data aggregation for large data streams in the IoT-cloud
CN117475244B (zh) 螺栓紧固过程的松动检测方法、装置、设备及存储介质
CN117826771B (zh) 基于ai分析的冷轧机控制系统异常检测方法及系统
Zhang et al. Anomaly detection of target dynamics based on clustering

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