CN117294023A - 一种运行设备的远程监控方法及系统 - Google Patents

一种运行设备的远程监控方法及系统 Download PDF

Info

Publication number
CN117294023A
CN117294023A CN202311578405.9A CN202311578405A CN117294023A CN 117294023 A CN117294023 A CN 117294023A CN 202311578405 A CN202311578405 A CN 202311578405A CN 117294023 A CN117294023 A CN 117294023A
Authority
CN
China
Prior art keywords
description
data
operation monitoring
target
knowledge
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
CN202311578405.9A
Other languages
English (en)
Other versions
CN117294023B (zh
Inventor
代辉
全靖
陈思锦
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.)
Chengdu Handu Technology Co ltd
Original Assignee
Chengdu Handu Technology 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 Chengdu Handu Technology Co ltd filed Critical Chengdu Handu Technology Co ltd
Priority to CN202311578405.9A priority Critical patent/CN117294023B/zh
Publication of CN117294023A publication Critical patent/CN117294023A/zh
Application granted granted Critical
Publication of CN117294023B publication Critical patent/CN117294023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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]

Abstract

本申请提供的一种运行设备的远程监控方法及系统，根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识，结合设备运行监控数据与设备运行监控数据之间的关系描述知识，最终再基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果，能够更加全面地评估设备运行监控数据可能存在的风险，并提升设备运行监控数据异常监控的精确性和可靠性，同时充分地考虑到设备运行监控数据与设备运行监控数据之间的匹配性，能够更好的实现对设备运行的监控。

Description

一种运行设备的远程监控方法及系统
技术领域
本申请涉及远程监控技术领域，具体而言，涉及一种运行设备的远程监控方法及系统。
背景技术
远程监控从字面上理解可以分为“监”和“控”两部分，其中“监”也就是远程监视，可以分为两大部分：一是对环境的监视，二是对计算机系统及网络设备的监视，不管怎么说远程监视就是指通过网络获得信息为主：而“控”也就是指远程控制，是指通过网络对远程计算机进行操作的方法，它不仅仅包括对远程计算机进行重新启动、关机等操作、还包括对远程计算机进行日常设置的工作。
现目前，随着社会的不断进步，人们对用电质量的要求越来越高而电网设备的正常运行可以保障高质量的用电需求，电网设备分布在多个地方，如果电网设备出现故障或者不能运行的情况，相关技术人员需要先确定出故障的位置，然后到达具体的位置对故障设备进行维修，这样不仅浪费时间还浪费人力资源，因此，亟需一种技术方案以改善上述技术问题。随着智能电网的快速发展以及监测/检测技术的快速发展，根据具体的故障类型，现有故障位置确认手段包括基于各种传感器的监测/检测手段，对于外部特征有可识别的变化以及一定范围内具有多种被监测/检测项目或目标对象的运用，出现了基于图像识别技术的故障/故障位置判断手段。进一步发展电网设备监控技术，对于保障电网正常运行以及可靠性具有积极意义。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种运行设备的远程监控方法及系统。
第一方面，提供一种运行设备的远程监控方法，所述方法包括：根据待分析的目标设备运行监控数据，确定与所述目标设备运行监控数据相匹配的不少于一次运行监控数据示例；获得与所述目标设备运行监控数据对应的第一描述因子数据集，并获得所述不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集；对所述第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于所述不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例；通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识；结合所述目标整合描述知识进行监控，得到所述目标设备运行监控数据的异常监控结果。
在一种独立实施的实施例中，各个所述运行监控数据示例发生在所述目标设备运行监控数据之前，且各个所述运行监控数据示例的操作响应端与所述目标设备运行监控数据的操作响应端一致。
在一种独立实施的实施例中，所述第一描述因子数据集包括的描述因子数据对应于若干个数据种类；所述对所述第一描述因子数据集所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，包括：获得事先设定的多种数据种类；针对所述多种数据种类中的其中一种数据种类，将所述第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识；整合所述多种数据种类各自对应的种类要素描述知识，得到目标描述知识整合结果。
在一种独立实施的实施例中，所述针对所述多种数据种类中的其中一种数据种类，将所述第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识，包括：针对多种数据种类中的其中一种数据种类，确定所述第一描述因子数据集中的、属于所针对的数据种类的全局描述因子数据；对所述全局描述因子数据中的每一描述因子数据分别进行描述知识压缩，得到每一描述因子数据的原始描述知识表示；结合所述每一描述因子数据的原始描述知识表示，将属于所针对的数据种类的全局描述因子数据进行描述知识整合处理，得到所述所针对的数据种类对应的种类要素描述知识。
在一种独立实施的实施例中，在所述通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识之前，所述方法还包括：对所述目标描述知识整合结果和所述不少于一个描述知识整合结果示例进行描述知识融合，得到不少于一个融合描述知识；结合所述不少于一个融合描述知识进行算数计算，得到所述不少于一个描述知识整合结果示例各自对应的算参数；通过所述不少于一个描述知识整合结果示例各自对应的算参数进行求和处理，得到算数和；针对所述不少于一个描述知识整合结果示例中的随机一个描述知识整合结果示例，基于与所针对的描述知识整合结果示例相对应的算参数与所述算数和，确定所针对的描述知识整合结果示例对应的运行监控数据示例相对于所述目标设备运行监控数据的关键程度。
在一种独立实施的实施例中，所述通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识，包括：针对随机一个运行监控数据示例，按照所针对的运行监控数据示例相对于所述目标设备运行监控数据的关键程度，将相应的描述知识整合结果示例与所述目标描述知识整合结果进行融合，获得与所针对的运行监控数据示例对应的原始整合描述知识；将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识。
在一种独立实施的实施例中，所述将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识，包括：针对所述不少于一个运行监控数据示例中的随机一个运行监控数据示例，通过与所针对的运行监控数据示例对应的关键描述内容，对与所针对的运行监控数据示例对应的原始整合描述知识进行触发处理，得到与所针对的运行监控数据示例对应的子目标整合描述知识；将所述不少于一个运行监控数据示例各自对应的子目标整合描述知识进行描述知识融合，得到目标整合描述知识。
在一种独立实施的实施例中，所述方法还包括：获得与所述目标设备运行监控数据对应的参数数据集；所述参数数据集中包括的参数数据对应于若干个数据种类；在所述参数数据集中，确定每一种数据种类下的参数数据；针对所述若干个数据种类中的其中一种数据种类，将属于所针对的数据种类的全局参数数据进行描述知识整合处理，得到所述所针对的数据种类对应的参数要素描述知识；将所述若干个数据种类各自对应的参数要素描述知识进行整合，得到与所述目标设备运行监控数据对应的参数描述知识整合结果。
在一种独立实施的实施例中，在得到所述目标整合描述知识之后，所述方法还包括：结合所述目标整合描述知识、所述目标描述知识整合结果、以及所述参数描述知识整合结果进行描述知识融合，确定与所述目标设备运行监控数据对应的原始的控描述知识融合结果；通过所述目标整合描述知识和所述原始的控描述知识融合结果，确定原始的差异结果；结合所述原始的差异结果对所述原始的控描述知识融合结果进行不少于一次优化，并将最后一次优化得到的描述知识融合结果，确定为目标描述知识融合结果；结合所述目标描述知识融合结果，优化所述目标整合描述知识；优化后的所述目标整合描述知识用于进行监控以得到所述目标设备运行监控数据的异常监控结果。
在一种独立实施的实施例中，所述结合所述目标整合描述知识进行监控，得到所述目标设备运行监控数据的异常监控结果，包括：将所述目标整合描述知识加载至人工智能处理单元进行异常概率计算处理，由所述人工智能处理单元输出异常可能性；其中，所述异常可能性表示所述目标设备运行监控数据为异常设备运行监控数据的可能性。
在一种独立实施的实施例中，所述方法还包括：在所述异常监控结果表示所述目标设备运行监控数据存在异常的前提下，结合所述目标设备运行监控数据，优化与所述目标设备运行监控数据的操作响应端对应的操作记录。
在一种独立实施的实施例中，所述方法还包括：结合所述目标设备运行监控数据的操作响应端的操作记录，确定与所述目标设备运行监控数据的操作响应端对应的设备异常运行风险等级。
在一种独立实施的实施例中，所述方法还包括：在所述异常监控结果表示所述目标设备运行监控数据存在异常的前提下，向所述目标设备运行监控数据的操作响应端进行异常警示；或者，对应的设备异常运行风险等级大于目标值的前提下，向所述目标设备运行监控数据的操作响应端进行异常警示。
第二方面，提供一种运行设备的远程监控系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
本申请实施例所提供的一种运行设备的远程监控方法及系统，获得与目标设备运行监控数据对应的第一描述因子数据集，并获得不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集；对第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例，充分地利用了设备运行监控数据所产生的携带有丰富语义信息的描述因子数据。再根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识，结合设备运行监控数据与设备运行监控数据之间的关系描述知识，最终再基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果，能够更加全面地评估设备运行监控数据可能存在的风险，并提升设备运行监控数据异常监控的精确性和可靠性，同时充分地考虑到设备运行监控数据与设备运行监控数据之间的匹配性，能够更好的实现对设备运行的监控。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种运行设备的远程监控方法的流程图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种运行设备的远程监控方法，该方法可以包括以下步骤S302-步骤S310所描述的技术方案。
步骤S302，根据待分析的目标设备运行监控数据，确定与目标设备运行监控数据相匹配的不少于一次运行监控数据示例。
示例性的，目标设备运行监控数据可以是摄像头以及照相机等拍摄设备监控获得信息，摄像头用于持续采集环境信息，照相机根据设定的触发信号执行拍摄动作；其中，具有拍摄功能的设备只是其中一种方式，在此不进行逐一赘述。
进一步地，需要监控的设备可以是监测设备本身，如：跌落传感器、测温传感器、湿度传感器、烟雾传感器、负荷监测单元等端设备，也可以是边缘物理代理装置等边设备，需要监控的设备也可以是电网设备本身，如漏电保护器主体、漏电保护器显示面板、换相开关、断路器、气体绝缘设备、配电房站、变电房站等设备。
进一步地，通过远程监控和数据分析功能，用户可以通过监测系统远程查看设备运行状态 (如根据监测设备的工作指示灯灯光信号判断监测设备的运行情况，根据电网设备的外部姿态、是否具有目标特征对象等，判断电网设备当下的状态或当下环境因素，具体如刀闸类设备合闸情况、负荷监测节点负荷情况（如智能电能表外部指示特征监测）、微环境环境情况等)、接收报警信息并进行远程控制操作。
其中，将所要监控是否存在异常的设备运行监控数据称为目标设备运行监控数据。譬如，目标设备运行监控数据为当前设备的运行情况。
设备运行监控数据对应有操作时间，该操作时间可以为设备运行监控数据的发起时间。运行监控数据示例指的是发生在该目标设备运行监控数据之前的设备运行监控数据。
在对目标设备运行监控数据进行监控时，需获得与目标设备运行监控数据相匹配的运行监控数据示例。譬如，运行监控数据示例为样本运行。运行监控数据示例与目标设备运行监控数据相匹配，指的是运行监控数据示例发生在目标设备运行监控数据之前，且运行监控数据示例的操作响应端与目标设备运行监控数据的操作响应端一致。
由此，通过获得相匹配的运行监控数据示例，充分地考虑到设备运行监控数据与设备运行监控数据之间的匹配性，并且能够处理真实场景中复杂多变的运行情况，能够更加全面地评估运行可能存在的风险，并提升运行异常监控的精确性和可靠性。
在一种可能实施的实施例中，根据待分析的目标设备运行监控数据，确定与目标设备运行监控数据相匹配的不少于一次运行监控数据示例，包括：根据待分析的目标监控操作，获得目标监控操作的目标操作响应端和目标操作时间；确定操作响应端与该目标操作响应端一致、且操作时间在该目标操作时间之前的不少于一次运行监控数据示例；将所确定的不少于一次运行监控数据示例，确定为与该目标设备运行监控数据相匹配的不少于一次运行监控数据示例。
在一种可能实施的实施例中，运行监控数据示例与目标设备运行监控数据之间的差异可能表示了匹配程度。
为此，在一种可能实施的实施例中，根据待分析的目标设备运行监控数据，确定与目标设备运行监控数据相匹配的不少于一次运行监控数据示例，还包括：将操作响应端与该目标操作响应端一致、操作时间在该目标操作时间之前、且操作时间与目标操作时间之间的时间差在预设目标值范围内的不少于一次运行监控数据示例，确定为与该目标设备运行监控数据相匹配的不少于一次运行监控数据示例。
步骤S304，获得与目标设备运行监控数据对应的第一描述因子数据集，并获得不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集。
其中，描述因子数据可以理解为运行监控数据示例对应的数据属性。
换而言之，监控设备运行会产生大量的描述因子数据和少量的参数数据，描述因子数据的数量往往是参数数据的十几倍甚至几十倍。因此，通过将这些描述因子数据确定为运行异常监控的依据之一，能够利用描述因子数据所携带的丰富信息，从而提升运行异常监控的精确性和可靠性。
为此，获得与目标设备运行监控数据对应的描述因子数据集，称为第一描述因子数据集。该第一描述因子数据集中包括因目标设备运行监控数据产生的描述因子数据。
并且，对于运行监控数据示例，获得与运行监控数据示例对应的描述因子数据集，称为第二描述因子数据集。则，对于不少于一次运行监控数据示例，获得不少于一个第二描述因子数据集。该第二描述因子数据集中包括因运行监控数据示例产生的描述因子数据。
步骤S306，对第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例。
其中，描述知识可以理解为特征。
对第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，包括：对于第一描述因子数据集中所包括的若干个描述因子数据，分别确定各描述因子数据的描述知识表示；基于各描述因子数据的描述知识表示进行描述知识整合处理，得到目标描述知识整合结果。
其中，描述知识整合处理指的是将输入的若干个描述知识进行融合，从而输出一个融合后的描述知识。对描述知识进行融合的方式包括但不限于描述知识融合、描述知识叠加、或者描述知识合并等中的一种或多种。
类似地，对第二描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到描述知识整合结果示例，包括：对于第二描述因子数据集中所包括的若干个描述因子数据，分别确定各描述因子数据的描述知识表示；基于各描述因子数据的描述知识表示进行描述知识整合处理，得到描述知识整合结果示例。对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，均进行上述处理，从而得到不少于一个描述知识整合结果示例。
为了保留描述因子数据中丰富的语义信息，进一步提高运行异常监控的精确性和可靠性，本申请实施例中提出一种随机原始化的基于梯度提升的描述因子数据的压缩方式，通过将描述因子数据转化为随机原始化的描述知识表示，并使得不同描述因子数据的描述知识表示之间携带有更强的区分度。
在一种可能实施的实施例中，对描述因子数据进行压缩，包括：对描述因子数据进行独热压缩，得到描述因子数据的离散描述知识表示；将该描述因子数据的离散描述知识表示与预设嵌入矩阵进行逻辑运算，得到描述因子数据的原始描述知识表示；该描述因子数据的原始描述知识表示即为对该描述因子数据进行压缩得到的随机原始化的描述知识表示。
步骤S308，根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识。
为此，在一种可能实施的实施例中，在根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识之前，本申请实施例提供的运行设备的远程监控方法还包括：确定不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度。
在一种可能实施的实施例中，确定不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，包括：根据不少于一次运行监控数据示例各自的操作时间、以及目标设备运行监控数据，确定与不少于一次运行监控数据示例分别对应的时间置信度；基于与不少于一次运行监控数据示例分别对应的时间置信度，确定不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度。
进而，基于与不少于一次运行监控数据示例分别对应的时间置信度，确定不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，包括：针对不少于一次运行监控数据示例中的任一次运行监控数据示例，确定所针对的运行监控数据示例的描述知识整合结果示例和与所针对的运行监控数据示例对应的时间置信度的计算结果；基于该计算结果，确定所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度。其中，计算结果譬如为描述知识整合结果示例与时间置信度进行加权运算后的结果。
举例而言，基于该计算结果，确定所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度，包括：将计算结果确定为所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度。或者，还可以对该计算结果进行算数计算，以得到所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度，等等。
在一种可能实施的实施例中，确定不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，包括：根据所得到的不少于一个描述知识整合结果示例和目标描述知识整合结果，确定不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度。譬如，针对不少于一次运行监控数据示例中的任一次运行监控数据示例，将相应的描述知识整合结果示例与目标描述知识整合结果进行融合，得到所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度。融合的方式包括但不限于合并、叠加、融合、或者逻辑运算等中一种或多种。
进而，根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识，包括：针对不少于一次运行监控数据示例中的任一次运行监控数据示例，按照与所针对的运行监控数据示例对应的关键程度，将相应的描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识。
其中，将描述知识整合结果示例与目标描述知识整合结果进行整合，类似于加权求和的过程。举例而言，将描述知识整合结果示例与目标描述知识整合结果进行整合：
步骤S310，基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果。
示例性的，异常监控结果可以理解为设备运行异常。
具体地，在得到目标整合描述知识之后，即可根据该目标整合描述知识进行监控，从而将抽象的描述知识转换为具象的数据，以得到目标设备运行监控数据的异常监控结果。
异常监控结果用于表示目标设备运行监控数据存在异常的可能性。
在另一些实施例中，基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果，包括：将目标整合描述知识加载至人工智能处理单元进行异常概率计算处理，由人工智能处理单元输出异常可能性；其中，异常可能性表示目标设备运行监控数据为异常设备运行监控数据的可能性。
将目标整合描述知识加载至人工智能处理单元中进行处理，以由人工智能处理单元对该目标整合描述知识进行异常概率计算处理，从而输出异常可能性。该异常可能性确定为目标设备运行监控数据的异常监控结果。其中，异常概率计算处理譬如为参数化的线性触发或者非线性触发等中的一种或多种。可以选择合适的触发函数进行异常概率计算处理。
获得与目标设备运行监控数据对应的第一描述因子数据集，并获得不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集；对第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例，充分地利用了设备运行监控数据所产生的携带有丰富语义信息的描述因子数据。再根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识，结合设备运行监控数据与设备运行监控数据之间的关系描述知识，最终再基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果，能够更加全面地评估设备运行监控数据可能存在的风险，并提升设备运行监控数据异常监控的精确性和可靠性，同时充分地考虑到设备运行监控数据与设备运行监控数据之间的匹配性，能够更好的实现对设备运行的监控。
在一种可能实施的实施例中，对第一描述因子数据集所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，包括：获得事先设定的多种数据种类；针对多种数据种类中的其中一种数据种类，将第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识；整合多种数据种类各自对应的种类要素描述知识，得到目标描述知识整合结果。
具体地，获得事先设定的多种数据种类，由此可获得属于这些数据种类的描述因子数据。对于目标设备运行监控数据而言，针对其中一种数据种类，获得该种数据种类下的若干个描述因子数据，并将该种数据种类下的若干个描述因子数据进行描述知识整合处理，由此得到该种数据种类下的种类要素描述知识。对于每种数据种类，均进行如上处理，则得到每种数据种类的种类要素描述知识。进而，将各种数据种类的种类要素描述知识进行整合，从而得到与目标设备运行监控数据对应的目标描述知识整合结果。
上述实施例中，通过分类整合各个数据种类的描述因子数据，再将各个数据种类的种类要素描述知识进行整合，能够很好地利用设备运行监控数据的描述因子数据中携带的丰富的语义信息，能够提高运行异常监控的精确性和可靠性。
需要说明的是，对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例的步骤与上述实施例类似，此处不再赘述。
其中，在一种可能实施的实施例中，针对多种数据种类中的其中一种数据种类，将第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识，包括：针对多种数据种类中的其中一种数据种类，确定第一描述因子数据集中的、属于所针对的数据种类的全局描述因子数据；对全局描述因子数据中的每一描述因子数据分别进行描述知识压缩，得到每一描述因子数据的原始描述知识表示；基于每一描述因子数据的原始描述知识表示，将属于所针对的数据种类的全局描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识。
具体地，对于其中一种数据种类，在第一描述因子数据集中，确定属于该种数据种类的全局描述因子数据。首先对这些描述因子数据中的每一个描述因子数据分别进行描述知识压缩，得到每一描述因子数据的原始描述知识表示，从而将离散的描述因子数据转换为连续的数据。
最终，对于该种数据种类，将属于该种数据种类的各个描述因子数据的原始描述知识进行整合处理，得到与该种数据种类对应的种类要素描述知识。
举例而言，在得到了各个描述因子数据的原始描述知识表示之后，再将同一个数据种类下的所有描述因子数据的原始描述知识表示进行整合。譬如，可以利用神经网络进行整合，从而得到各个数据种类的种类要素描述知识。举例而言，可以计算各个数据种类的种类要素描述知识：
上述实施例中，通过对描述因子数据按照数据种类进行整合，能够保留描述因子数据中丰富的语义信息，并且使得不同数据种类之间的种类要素描述知识之间携带有更强的区分度，进一步提高运行异常监控的精确性和可靠性。
举例而言，整合各个数据种类的种类要素描述知识，得到目标描述知识整合结果：
除了上述方式来得到反映设备运行监控数据本身的描述知识以外，本申请实施例中还利用了目标设备运行监控数据与运行监控数据示例之间的关系，来进一步提高精确性和可靠性。基于此，在一种可能实施的实施例中，本申请实施例提供的设备运行监控数据的异常监控方法还包括：对目标描述知识整合结果和不少于一个描述知识整合结果示例进行描述知识融合，得到不少于一个融合描述知识；基于不少于一个融合描述知识进行算数计算，得到不少于一个描述知识整合结果示例各自对应的算参数；根据不少于一个描述知识整合结果示例各自对应的算参数进行求和处理，得到算数和；针对不少于一个描述知识整合结果示例中的随机一个描述知识整合结果示例，基于与所针对的描述知识整合结果示例相对应的算参数与算数和，确定所针对的描述知识整合结果示例对应的运行监控数据示例相对于目标设备运行监控数据的关键程度。
具体地，对于不少于一个运行监控数据示例中的随机一个运行监控数据示例，分别将目标描述知识整合结果与该运行监控数据示例的描述知识整合结果示例进行描述知识融合，得到不少于一个融合描述知识。举例而言，将目标描述知识整合结果与描述知识整合结果示例进行描述知识融合通过xt||xi来表示。其中xt表示目标描述知识整合结果，xi表示描述知识整合结果示例。
基于不少于一个融合描述知识进行算数计算，得到不少于一个描述知识整合结果示例各自对应的算参数。其中，算数计算譬如为指数运算等。进而，根据不少于一个描述知识整合结果示例各自对应的算参数进行求和处理，得到算数和，该算数和表示全局描述知识整合结果示例的整体描述知识情况。
则在一种可能实施的实施例中，针对不少于一个描述知识整合结果示例中的随机一个描述知识整合结果示例，基于与所针对的描述知识整合结果示例相对应的算参数与算数和，确定所针对的描述知识整合结果示例对应的运行监控数据示例相对于目标设备运行监控数据的关键程度，包括：将与所针对的描述知识整合结果示例相对应的算参数与算数和的比值，确定为所针对的描述知识整合结果示例对应的运行监控数据示例相对于目标设备运行监控数据的关键程度。
上述实施例中，通过关键程度来表示运行监控数据示例与目标设备运行监控数据之间的匹配性，不仅考虑了设备运行监控数据本身的数据，还将运行监控数据示例与目标设备运行监控数据之间的关系确定为异常监控的依据之一，不仅能够提高运行异常监控的精确性和可靠性，还能够适应于真实场景下复杂多变的运行情况，携带有持续性高精确性和可靠性的监控能力。
进而，根据运行监控数据示例相对于目标设备运行监控数据的关键程度，即可将描述知识整合结果示例与目标描述知识整合结果整合起来，得到目标设备运行监控数据的目标整合描述知识。为此，在一种可能实施的实施例中，根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识，包括：针对随机一个运行监控数据示例，按照所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度，将相应的描述知识整合结果示例与目标描述知识整合结果进行融合，获得与所针对的运行监控数据示例对应的原始整合描述知识；将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识。
具体地，对于随机一个运行监控数据示例，按照该运行监控数据示例相对于目标设备运行监控数据的关键程度，与该运行监控数据示例对应的描述知识整合结果示例与目标描述知识整合结果进行融合，获得该运行监控数据示例的原始整合描述知识。
进而，对于各个运行监控数据示例，将各运行监控数据示例各自对应的原始整合描述知识进行整合，得到与目标设备运行监控数据对应的目标整合描述知识。
当使用多头注意力机制来整合描述知识时，在一种可能实施的实施例中，将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识，包括：针对不少于一个运行监控数据示例中的随机一个运行监控数据示例，通过与所针对的运行监控数据示例对应的关键描述内容，对与所针对的运行监控数据示例对应的原始整合描述知识进行触发处理，得到与所针对的运行监控数据示例对应的子目标整合描述知识；将不少于一个运行监控数据示例各自对应的子目标整合描述知识进行描述知识融合，得到目标整合描述知识。
其中，设置有若干个关键描述内容，各个关键描述内容分别进行一次整合操作。具体地，针对随机一个运行监控数据示例，通过与该运行监控数据示例对应的关键描述内容，对与所针对的运行监控数据示例对应的原始整合描述知识进行触发处理，得到与所针对的运行监控数据示例对应的子目标整合描述知识。由此，即可将不少于一个运行监控数据示例各自对应的子目标整合描述知识进行描述知识融合，得到目标整合描述知识。
上述实施例中，通过多头注意力机制对目标设备运行监控数据的目标描述知识整合结果与运行监控数据示例的描述知识整合结果示例进行整合，能够更加充分地学习到运行与运行之间的匹配性，提升了运行异常监控的精确性和可靠性。
除此以外，本申请实施例中还进一步地提出了基于描述因子数据驱动的关键差异结果连接机制，从而自动学习目标节点的邻居节点相对于目标节点的重要性。基于此，在一种可能实施的实施例中，本申请实施例提供的设备运行监控数据的异常监控方法还包括：获得与目标设备运行监控数据对应的参数数据集；参数数据集中包括的参数数据对应于若干个数据种类；在参数数据集中，确定每一种数据种类下的参数数据；针对若干个数据种类中的其中一种数据种类，将属于所针对的数据种类的全局参数数据进行描述知识整合处理，得到所针对的数据种类对应的参数要素描述知识；将若干个数据种类各自对应的参数要素描述知识进行整合，得到与目标设备运行监控数据对应的参数描述知识整合结果。
进而，在该参数数据集中，确定每一种数据种类下的参数数据。对于其中一种数据种类，将属于该种数据种类的全局参数数据进行描述知识整合处理，从而得到该种数据种类对应的参数要素描述知识。对于每种数据种类，均进行如上处理，则得到每种数据种类的参数要素描述知识。进而，将各种数据种类的参数要素描述知识进行整合，从而得到与目标设备运行监控数据对应的参数描述知识整合结果。
举例而言，对参数数据进行描述知识整合处理得到参数描述知识整合结果的步骤，与前述实施例中对描述因子数据进行描述知识整合处理得到目标描述知识整合结果的步骤类似，此处不再赘述。
上述实施例中，通过分类整合各个数据种类的参数数据，再将各个数据种类的参数要素描述知识进行整合，能够很好地利用设备运行监控数据的参数数据中携带的连续型的数据信息，能够提高运行异常监控的精确性和可靠性。
在一种可能实施的实施例中，在得到目标整合描述知识之后，基于所得到的参数描述知识整合结果，本申请实施例提供的设备运行监控数据的异常监控方法还包括：基于目标整合描述知识、目标描述知识整合结果、以及参数描述知识整合结果进行描述知识融合，确定与目标设备运行监控数据对应的原始的控描述知识融合结果；根据目标整合描述知识和原始的控描述知识融合结果，确定原始的差异结果；基于原始的差异结果对原始的控描述知识融合结果进行不少于一次优化，并将最后一次优化得到的描述知识融合结果，确定为目标描述知识融合结果；基于目标描述知识融合结果，优化目标整合描述知识；优化后的目标整合描述知识用于进行监控以得到目标设备运行监控数据的异常监控结果。
可以设置若干个差异结果模块，则基于原始的差异结果对原始的控描述知识融合结果进行不少于一次优化，优化次数与差异结果模块的个数相匹配。进而，在多次差异结果优化后，将最后一次优化得到的描述知识融合结果，确定为目标描述知识融合结果。
在获得异常监控结果后，还可以基于异常监控结果对被监控的运行进行相应的处理。为此，在一种可能实施的实施例中，本申请实施例提供的设备运行监控数据的异常监控方法还包括：在异常监控结果表示目标设备运行监控数据存在异常的前提下，基于目标设备运行监控数据，优化与目标设备运行监控数据的操作响应端对应的操作记录。具体地，在异常监控结果表示目标设备运行监控数据存在异常的前提下，基于目标设备运行监控数据，优化与目标设备运行监控数据的操作响应端对应的操作记录。譬如，每一个操作响应端对应于待维护的操作记录，在对某一次设备运行监控数据进行异常监控后，即根据该次设备运行监控数据的异常监控结果，对该操作记录进行优化维护。
由此，能够及时地监控操作响应端的运行异常情况，能够在存在风险的前提下及时地进行相应处理，从而保护操作响应端的财产安全。
基于此，在一种可能实施的实施例中，本申请实施例提供的设备运行监控数据的异常监控方法还包括：基于目标设备运行监控数据的操作响应端的操作记录，确定与目标设备运行监控数据的操作响应端对应的设备异常运行风险等级。
基于目标设备运行监控数据的操作响应端的操作记录，根据操作记录中异常运行的数量，即可确定与目标设备运行监控数据的操作响应端对应的设备异常运行风险等级。
又如，确定操作记录中异常运行的数量，当不大于第一数量目标值时，确定操作响应端对应的设备异常运行风险等级为轻度风险；当大于第一数量目标值且不大于第二数量目标值时，确定操作响应端对应的设备异常运行风险等级为中度风险；当大于第三数量目标值时，确定操作响应端对应的设备异常运行风险等级为高度风险，等等。
在一种可能实施的实施例中，在设备异常运行风险等级大于目标值的前提下，向目标设备运行监控数据的操作响应端进行异常警示。譬如，在安全等级较高的场景下，在判定为轻度风险时，即向操作响应端进行异常警示。又如，在判定为中度风险或高度风险时，向操作响应端进行异常警示。
在一种可能实施的实施例中，在异常监控结果表示目标设备运行监控数据存在异常的前提下，向目标设备运行监控数据的操作响应端进行异常警示。
本申请还提供一种应用场景，该应用场景应用上述的运行设备的远程监控方法。具体地，该运行设备的远程监控方法在该应用场景的应用譬如如下：根据待分析的当前设备的运行情况，确定与当前设备的运行情况相匹配的不少于一次样本运行；获得与当前设备的运行情况对应的第一描述因子数据集，并获得不少于一次样本运行所对应的不少于一个第二描述因子数据集；对第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例；根据不少于一次样本运行分别相对于当前设备的运行情况的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识；基于目标整合描述知识进行监控，得到当前设备的运行情况的异常监控结果。
具体地，该运行设备的远程监控方法在该应用场景的应用譬如如下：根据待分析的目标设备运行监控数据，确定与目标设备运行监控数据相匹配的不少于一次样本设备运行监控数据；获得与目标设备运行监控数据对应的第一电力描述因子数据集，并获得不少于一次样本设备运行监控数据所对应的不少于一个第二电力描述因子数据集；对第一电力描述因子数据集中所包括的电力描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于不少于一个第二电力描述因子数据集中的各个第二电力描述因子数据集，分别对所包括的电力描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例；根据不少于一次样本设备运行监控数据分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识；基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果。
在一个具体的实施例中，本申请实施例提供的运行设备的远程监控方法包括：根据待分析的目标设备运行监控数据，确定与目标设备运行监控数据相匹配的不少于一次运行监控数据示例，并获得与目标设备运行监控数据对应的第一描述因子数据集。以及，获得不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集。
由此，获得事先设定的多种数据种类，并针对多种数据种类中的其中一种数据种类，将第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识；整合多种数据种类各自对应的种类要素描述知识，得到目标描述知识整合结果。
类似地，针对多种数据种类中的其中一种数据种类，将第二描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识；整合多种数据种类各自对应的种类要素描述知识，得到描述知识整合结果示例。
对目标描述知识整合结果和不少于一个描述知识整合结果示例进行描述知识融合，得到不少于一个融合描述知识；基于不少于一个融合描述知识进行算数计算，得到不少于一个描述知识整合结果示例各自对应的算参数；根据不少于一个描述知识整合结果示例各自对应的算参数进行求和处理，得到算数和；针对不少于一个描述知识整合结果示例中的随机一个描述知识整合结果示例，基于与所针对的描述知识整合结果示例相对应的算参数与算数和，确定所针对的描述知识整合结果示例对应的运行监控数据示例相对于目标设备运行监控数据的关键程度。
进而，即可针对随机一个运行监控数据示例，按照所针对的运行监控数据示例相对于目标设备运行监控数据的关键程度，将相应的描述知识整合结果示例与目标描述知识整合结果进行融合，获得与所针对的运行监控数据示例对应的原始整合描述知识；将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识。
进一步地，针对不少于一个运行监控数据示例中的随机一个运行监控数据示例，通过与所针对的运行监控数据示例对应的关键描述内容，对于所针对的运行监控数据示例对应的原始整合描述知识进行触发处理，得到与所针对的运行监控数据示例对应的子目标整合描述知识；将不少于一个运行监控数据示例各自对应的子目标整合描述知识进行描述知识整合，得到目标整合描述知识。
最后，将目标整合描述知识加载至人工智能处理单元进行异常概率计算处理，由人工智能处理单元输出异常可能性；其中，异常可能性表示目标设备运行监控数据为异常设备运行监控数据的可能性。
在一种可能实施的实施例中，下面以该方法应用于为例进行说明，该可以是终端或服务器。该方法包括以下步骤。
步骤S902，获得与第一运行监控数据示例对应的第一范例描述因子数据集，和与不少于一次第二运行监控数据示例分别对应的不少于一个第二范例描述因子数据集；第一运行监控数据示例与第二运行监控数据示例相匹配。
其中，在配置阶段，将所用于配置的设备运行监控数据称为运行监控数据示例。其中，对于随机一个运行监控数据示例，为了与其相匹配的样本运行监控数据示例相区分，将其称为第一运行监控数据示例，并将与之相匹配的样本运行监控数据示例称为第二运行监控数据示例。
具体地，获得与第一运行监控数据示例对应的第一范例描述因子数据集，第一范例描述因子数据集中包括多种描述因子数据。类似地，获得与不少于一次第二运行监控数据示例分别对应的不少于一个第二范例描述因子数据集。
步骤S904，对第一范例描述因子数据集中所包括的多种描述因子数据进行描述知识整合处理，得到第一描述知识整合结果示例，且对于不少于一个第二范例描述因子数据集中的各个第二范例描述因子数据集，分别对所包括的多种描述因子数据进行描述知识整合处理，得到不少于一个第二描述知识整合结果示例。
在基于机器学习模型进行运行异常监控时，需要将原始的数据转化为描述知识以进行处理。因此，对第一范例描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到第一描述知识整合结果示例，包括：对于第一范例描述因子数据集中所包括的若干个描述因子数据，分别确定各描述因子数据的描述知识表示；基于各描述因子数据的描述知识表示进行描述知识整合处理，得到第一描述知识整合结果示例。
类似地，对第二范例描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到描述知识整合结果示例，包括：对于第二范例描述因子数据集中所包括的若干个描述因子数据，分别确定各描述因子数据的描述知识表示；基于各描述因子数据的描述知识表示进行描述知识整合处理，得到第二描述知识整合结果示例。对于不少于一个第二范例描述因子数据集中的各个第二范例描述因子数据集，均进行上述处理，从而得到不少于一个第二描述知识整合结果示例。
步骤S906，根据不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度，将不少于一次第二描述知识整合结果示例与第一描述知识整合结果示例进行整合处理，得到样本整合描述知识。
具体地，首先确定不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度，再根据不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度，将不少于一次第二描述知识整合结果示例与第一描述知识整合结果示例进行整合处理，得到样本整合描述知识。
在一种可能实施的实施例中，确定不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度，包括：根据所得到的不少于一个第二描述知识整合结果示例和第一描述知识整合结果示例，确定不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度。譬如，针对不少于一次第二运行监控数据示例中的任一次第二运行监控数据示例，将相应的第二描述知识整合结果示例与第一描述知识整合结果示例进行融合，得到所针对的第二运行监控数据示例相对于第一运行监控数据示例的关键程度。融合的方式包括但不限于合并、叠加、融合、或者逻辑运算等中一种或多种。
进而，根据不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度，将不少于一个第二描述知识整合结果示例与第一描述知识整合结果示例进行整合处理，得到第一样本整合描述知识，包括：针对不少于一次第二运行监控数据示例中的任一次第二运行监控数据示例，按照与所针对的第二运行监控数据示例对应的关键程度，将相应的第二描述知识整合结果示例与第一描述知识整合结果示例进行整合处理，得到样本整合描述知识。
步骤S908，基于样本整合描述知识进行回归分析，得到第一运行监控数据示例的异常回归分析结果。
具体地，在得到样本整合描述知识之后，即可根据该样本整合描述知识进行回归分析，从而将抽象的描述知识转换为具象的数据，以得到第一运行监控数据示例的异常回归分析结果。
在一种可能实施的实施例中，基于样本整合描述知识进行回归分析，得到第一运行监控数据示例的异常回归分析结果，包括：将样本整合描述知识加载至全连接层中，从而将样本整合描述知识转化为概率值。
在另一些实施例中，基于样本整合描述知识进行回归分析，得到第一运行监控数据示例的异常回归分析结果，包括：将样本整合描述知识加载至人工智能处理单元进行异常概率计算处理，由人工智能处理单元输出异常可能性；其中，异常可能性表示第一运行监控数据示例为异常设备运行监控数据的可能性。
将样本整合描述知识加载至人工智能处理单元中进行处理，以由人工智能处理单元对该样本整合描述知识进行异常概率计算处理，从而输出异常可能性。该异常可能性确定为第一运行监控数据示例的异常回归分析结果。其中，异常概率计算处理譬如为参数化的线性触发或者非线性触发等中的一种或多种。
步骤S910，根据异常回归分析结果与第一运行监控数据示例的样本标签之间的差异，构建量化评估模型。
步骤S912，基于量化评估模型进行配置，直到达到配置终止要求时停止，得到配置好的异常分析线程。
上述异常分析线程的配置方法，通过获得与第一运行监控数据示例对应的第一范例描述因子数据集，和与不少于一次第二运行监控数据示例分别对应的不少于一个第二范例描述因子数据集，并对第一范例描述因子数据集中所包括的多种描述因子数据进行描述知识整合处理，得到第一描述知识整合结果示例，且对于不少于一个第二范例描述因子数据集中的各个第二范例描述因子数据集，分别对所包括的多种描述因子数据进行描述知识整合处理，得到不少于一个第二描述知识整合结果示例，充分地利用了设备运行监控数据所产生的携带有丰富语义信息的描述因子数据，能够有助于模型学习到语义描述知识以提高监控的精确性和可靠性。
并且，通过根据不少于一次第二运行监控数据示例分别相对于第一运行监控数据示例的关键程度，将不少于一次第二描述知识整合结果示例与第一描述知识整合结果示例进行整合处理，得到样本整合描述知识，能够学习到设备运行监控数据与设备运行监控数据之间的关系描述知识，充分地考虑到设备运行监控数据与设备运行监控数据之间的匹配性。
在上述基础上，提供了一种运行设备的远程监控装置，所述装置包括：
数据确定模块，用于根据待分析的目标设备运行监控数据，确定与所述目标设备运行监控数据相匹配的不少于一次运行监控数据示例；
因子获得模块，用于获得与所述目标设备运行监控数据对应的第一描述因子数据集，并获得所述不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集；
结果得到模块，用于对所述第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于所述不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例；
知识整合模块，用于通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识；
结果监控模块，用于结合所述目标整合描述知识进行监控，得到所述目标设备运行监控数据的异常监控结果。
在上述基础上，示出了一种运行设备的远程监控系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
综上，基于上述方案，获得与目标设备运行监控数据对应的第一描述因子数据集，并获得不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集；对第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例，充分地利用了设备运行监控数据所产生的携带有丰富语义信息的描述因子数据。再根据不少于一次运行监控数据示例分别相对于目标设备运行监控数据的关键程度，将不少于一个描述知识整合结果示例与目标描述知识整合结果进行整合处理，得到目标整合描述知识，结合设备运行监控数据与设备运行监控数据之间的关系描述知识，最终再基于目标整合描述知识进行监控，得到目标设备运行监控数据的异常监控结果，能够更加全面地评估设备运行监控数据可能存在的风险，并提升设备运行监控数据异常监控的精确性和可靠性，同时充分地考虑到设备运行监控数据与设备运行监控数据之间的匹配性，能够更好的实现对设备运行的监控。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种运行设备的远程监控方法，其特征在于，所述方法包括：
根据待分析的目标设备运行监控数据，确定与所述目标设备运行监控数据相匹配的不少于一次运行监控数据示例；
获得与所述目标设备运行监控数据对应的第一描述因子数据集，并获得所述不少于一次运行监控数据示例所对应的不少于一个第二描述因子数据集；
对所述第一描述因子数据集中所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，且对于所述不少于一个第二描述因子数据集中的各个第二描述因子数据集，分别对所包括的描述因子数据进行描述知识整合处理，得到不少于一个描述知识整合结果示例；
通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识；
结合所述目标整合描述知识进行监控，得到所述目标设备运行监控数据的异常监控结果。
2.根据权利要求1所述的方法，其特征在于，各个所述运行监控数据示例发生在所述目标设备运行监控数据之前，且各个所述运行监控数据示例的操作响应端与所述目标设备运行监控数据的操作响应端一致。
3.根据权利要求1所述的方法，其特征在于，所述第一描述因子数据集包括的描述因子数据对应于若干个数据种类；所述对所述第一描述因子数据集所包括的描述因子数据进行描述知识整合处理，得到目标描述知识整合结果，包括：
获得事先设定的多种数据种类；针对所述多种数据种类中的其中一种数据种类，将所述第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识；整合所述多种数据种类各自对应的种类要素描述知识，得到目标描述知识整合结果。
4.根据权利要求3所述的方法，其特征在于，所述针对所述多种数据种类中的其中一种数据种类，将所述第一描述因子数据集中的、属于所针对的数据种类的描述因子数据进行描述知识整合处理，得到所针对的数据种类对应的种类要素描述知识，包括：
针对多种数据种类中的其中一种数据种类，确定所述第一描述因子数据集中的、属于所针对的数据种类的全局描述因子数据；对所述全局描述因子数据中的每一描述因子数据分别进行描述知识压缩，得到每一描述因子数据的原始描述知识表示；
结合所述每一描述因子数据的原始描述知识表示，将属于所针对的数据种类的全局描述因子数据进行描述知识整合处理，得到所述所针对的数据种类对应的种类要素描述知识。
5.根据权利要求1所述的方法，其特征在于，在所述通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识之前，所述方法还包括：
对所述目标描述知识整合结果和所述不少于一个描述知识整合结果示例进行描述知识融合，得到不少于一个融合描述知识；结合所述不少于一个融合描述知识进行算数计算，得到所述不少于一个描述知识整合结果示例各自对应的算参数；
通过所述不少于一个描述知识整合结果示例各自对应的算参数进行求和处理，得到算数和；
针对所述不少于一个描述知识整合结果示例中的随机一个描述知识整合结果示例，基于与所针对的描述知识整合结果示例相对应的算参数与所述算数和，确定所针对的描述知识整合结果示例对应的运行监控数据示例相对于所述目标设备运行监控数据的关键程度。
6.根据权利要求1所述的方法，其特征在于，所述通过所述不少于一次运行监控数据示例分别相对于所述目标设备运行监控数据的关键程度，将所述不少于一个描述知识整合结果示例与所述目标描述知识整合结果进行整合处理，得到目标整合描述知识，包括：
针对随机一个运行监控数据示例，按照所针对的运行监控数据示例相对于所述目标设备运行监控数据的关键程度，将相应的描述知识整合结果示例与所述目标描述知识整合结果进行融合，获得与所针对的运行监控数据示例对应的原始整合描述知识；
将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识；
其中，所述将不少于一个运行监控数据示例各自对应的原始整合描述知识进行整合，得到目标整合描述知识，包括：
针对所述不少于一个运行监控数据示例中的随机一个运行监控数据示例，通过与所针对的运行监控数据示例对应的关键描述内容，对与所针对的运行监控数据示例对应的原始整合描述知识进行触发处理，得到与所针对的运行监控数据示例对应的子目标整合描述知识；
将所述不少于一个运行监控数据示例各自对应的子目标整合描述知识进行描述知识融合，得到目标整合描述知识。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获得与所述目标设备运行监控数据对应的参数数据集；所述参数数据集中包括的参数数据对应于若干个数据种类；
在所述参数数据集中，确定每一种数据种类下的参数数据；
针对所述若干个数据种类中的其中一种数据种类，将属于所针对的数据种类的全局参数数据进行描述知识整合处理，得到所述所针对的数据种类对应的参数要素描述知识；
将所述若干个数据种类各自对应的参数要素描述知识进行整合，得到与所述目标设备运行监控数据对应的参数描述知识整合结果；
其中，在得到所述目标整合描述知识之后，所述方法还包括：
结合所述目标整合描述知识、所述目标描述知识整合结果、以及所述参数描述知识整合结果进行描述知识融合，确定与所述目标设备运行监控数据对应的原始的控描述知识融合结果；
通过所述目标整合描述知识和所述原始的控描述知识融合结果，确定原始的差异结果；
结合所述原始的差异结果对所述原始的控描述知识融合结果进行不少于一次优化，并将最后一次优化得到的描述知识融合结果，确定为目标描述知识融合结果；
结合所述目标描述知识融合结果，优化所述目标整合描述知识；优化后的所述目标整合描述知识用于进行监控以得到所述目标设备运行监控数据的异常监控结果。
8.根据权利要求1所述的方法，其特征在于，所述结合所述目标整合描述知识进行监控，得到所述目标设备运行监控数据的异常监控结果，包括：
将所述目标整合描述知识加载至人工智能处理单元进行异常概率计算处理，由所述人工智能处理单元输出异常可能性；其中，所述异常可能性表示所述目标设备运行监控数据为异常设备运行监控数据的可能性。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：在所述异常监控结果表示所述目标设备运行监控数据存在异常的前提下，结合所述目标设备运行监控数据，优化与所述目标设备运行监控数据的操作响应端对应的操作记录；
其中，所述方法还包括：结合所述目标设备运行监控数据的操作响应端的操作记录，确定与所述目标设备运行监控数据的操作响应端对应的设备异常运行风险等级；
其中，所述方法还包括：在所述异常监控结果表示所述目标设备运行监控数据存在异常的前提下，向所述目标设备运行监控数据的操作响应端进行异常警示；或者，对应的设备异常运行风险等级大于目标值的前提下，向所述目标设备运行监控数据的操作响应端进行异常警示。
10.一种运行设备的远程监控系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-9任一项所述的方法。
CN202311578405.9A 2023-11-24 2023-11-24 一种运行设备的远程监控方法及系统 Active CN117294023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311578405.9A CN117294023B (zh) 2023-11-24 2023-11-24 一种运行设备的远程监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311578405.9A CN117294023B (zh) 2023-11-24 2023-11-24 一种运行设备的远程监控方法及系统

Publications (2)

Publication Number Publication Date
CN117294023A true CN117294023A (zh) 2023-12-26
CN117294023B CN117294023B (zh) 2024-02-02

Family

ID=89253901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311578405.9A Active CN117294023B (zh) 2023-11-24 2023-11-24 一种运行设备的远程监控方法及系统

Country Status (1)

Country Link
CN (1) CN117294023B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102985883A (zh) * 2009-12-10 2013-03-20 埃森哲环球服务有限公司 能源设施控制系统
CN103997621A (zh) * 2013-02-20 2014-08-20 霍尼韦尔国际公司 监控视频监视活动的系统和方法
CN105323313A (zh) * 2015-10-14 2016-02-10 青岛中科软件股份有限公司 一种整合工业监控移动物联网平台
US10311442B1 (en) * 2007-01-22 2019-06-04 Hydrojoule, LLC Business methods and systems for offering and obtaining research services
CN113434857A (zh) * 2021-08-02 2021-09-24 东莞市爱学爱玩教育科技有限公司 一种应用深度学习的用户行为安全解析方法及系统
CN113783896A (zh) * 2021-11-10 2021-12-10 北京金睛云华科技有限公司 一种网络攻击路径追踪方法和装置
CN113794285A (zh) * 2021-10-22 2021-12-14 成都汉度科技有限公司 一种农业机井集群智能柔性调控方法
CN115546672A (zh) * 2022-11-30 2022-12-30 广州天地林业有限公司 基于图像处理的森林图片处理方法及系统
CN115630045A (zh) * 2022-12-06 2023-01-20 遵义时月凯网络科技有限公司 基于人工智能的数据溯源追踪方法及ai系统
CN115660859A (zh) * 2022-12-08 2023-01-31 杭银消费金融股份有限公司 基于互联网金融的全链路自动化测试方法及系统
CN116362564A (zh) * 2023-04-04 2023-06-30 重庆海辉星科技有限公司 酒店公共卫生视频监管结果的生成方法及系统
CN116416762A (zh) * 2023-06-09 2023-07-11 四川川核地质工程有限公司 基于人工智能的泥石流预警方法及系统
CN116684116A (zh) * 2023-03-27 2023-09-01 中国南方电网有限责任公司 一种电力监控系统核心脆弱点发掘方法
CN117097026A (zh) * 2023-08-30 2023-11-21 江苏镇安电力设备有限公司 一种基于源网荷储新型电力系统运维监控平台的操作方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10311442B1 (en) * 2007-01-22 2019-06-04 Hydrojoule, LLC Business methods and systems for offering and obtaining research services
CN102985883A (zh) * 2009-12-10 2013-03-20 埃森哲环球服务有限公司 能源设施控制系统
CN103997621A (zh) * 2013-02-20 2014-08-20 霍尼韦尔国际公司 监控视频监视活动的系统和方法
CN105323313A (zh) * 2015-10-14 2016-02-10 青岛中科软件股份有限公司 一种整合工业监控移动物联网平台
CN113434857A (zh) * 2021-08-02 2021-09-24 东莞市爱学爱玩教育科技有限公司 一种应用深度学习的用户行为安全解析方法及系统
CN113794285A (zh) * 2021-10-22 2021-12-14 成都汉度科技有限公司 一种农业机井集群智能柔性调控方法
CN113783896A (zh) * 2021-11-10 2021-12-10 北京金睛云华科技有限公司 一种网络攻击路径追踪方法和装置
CN115546672A (zh) * 2022-11-30 2022-12-30 广州天地林业有限公司 基于图像处理的森林图片处理方法及系统
CN115630045A (zh) * 2022-12-06 2023-01-20 遵义时月凯网络科技有限公司 基于人工智能的数据溯源追踪方法及ai系统
CN115660859A (zh) * 2022-12-08 2023-01-31 杭银消费金融股份有限公司 基于互联网金融的全链路自动化测试方法及系统
CN116684116A (zh) * 2023-03-27 2023-09-01 中国南方电网有限责任公司 一种电力监控系统核心脆弱点发掘方法
CN116362564A (zh) * 2023-04-04 2023-06-30 重庆海辉星科技有限公司 酒店公共卫生视频监管结果的生成方法及系统
CN116416762A (zh) * 2023-06-09 2023-07-11 四川川核地质工程有限公司 基于人工智能的泥石流预警方法及系统
CN117097026A (zh) * 2023-08-30 2023-11-21 江苏镇安电力设备有限公司 一种基于源网荷储新型电力系统运维监控平台的操作方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
何爽;唐琦雯;曹宇;高强;: "无人值守变电站集中监控辅助决策关键技术研究综述", 电气开关, no. 01, pages 7 - 11 *
胡小飞;成理宙;: "基于知识管理的统一数据模型", 计算机工程, no. 08, pages 55 - 58 *
钱浩东;温馨;陈思锦;: "川庆井筒工程大数据平台建设与应用", 中国管理信息化, no. 21, pages 84 - 86 *

Also Published As

Publication number Publication date
CN117294023B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
EP3314340B1 (en) Control contextualization and reasoning about control
US11822906B2 (en) Industrial programming development with a converted industrial control program
US9842302B2 (en) Population-based learning with deep belief networks
CN105320854B (zh) 通过签名平衡防止自动化组件受到程序篡改
Mourtzis et al. Intelligent predictive maintenance and remote monitoring framework for industrial equipment based on mixed reality
US9182755B2 (en) Automated operator interface generation in a control system
Song et al. Context-aware BPM using IoT-integrated context ontologies and IoT-enhanced decision models
US20190258959A1 (en) Remote control signal processing in real-time partitioned time-series analysis
CN106407640A (zh) 数据可靠性分析
CN111158806B (zh) 界面显示方法、装置、计算机设备及存储介质
CN117294023B (zh) 一种运行设备的远程监控方法及系统
WO2022115419A1 (en) Method of detecting an anomaly in a system
Ghorbanian et al. Signature-based hybrid Intrusion detection system (HIDS) for android devices
US20230009093A1 (en) Manufacturing system for monitoring and/or controlling one or more chemical plant(s)
CN109856999A (zh) 确定与执行设备相关的状态信息是否被篡改的方法和系统
de Santiago et al. Testing environmental models supported by machine learning
US20230047700A1 (en) Manufacturing system for monitoring and/or controlling one or more chemical plant(s)
CN115499327A (zh) 三维可视化数据中心管理的方法、设备、介质及程序产品
US20220299982A1 (en) System model smart object configuration
CN114336964A (zh) 智能开关云服务系统、管理智能开关的方法与装置
Rrushi Composite intrusion detection in process control networks
Rrushi Physics-driven page fault handling for customized deception against cps malware
CN115668200A (zh) 用于将硬件约束结合到设计中的ai推荐器
US20230004148A1 (en) Method for monitoring and/or controlling one or more chemical plant(s)
Lee et al. Enhanced Anomaly Detection in Manufacturing Processes through Hybrid Deep Learning Techniques

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