CN117370329A - 基于工业物联网的设备数据智能化管理方法及系统 - Google Patents
基于工业物联网的设备数据智能化管理方法及系统 Download PDFInfo
- Publication number
- CN117370329A CN117370329A CN202311666280.5A CN202311666280A CN117370329A CN 117370329 A CN117370329 A CN 117370329A CN 202311666280 A CN202311666280 A CN 202311666280A CN 117370329 A CN117370329 A CN 117370329A
- Authority
- CN
- China
- Prior art keywords
- data
- segments
- trend
- overlapped
- data segments
- 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
Links
- 238000007726 management method Methods 0.000 title claims description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000005856 abnormality Effects 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 13
- 238000013523 data management Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及工业设备数据管理领域，具体涉及一种基于工业物联网的设备数据智能化管理方法及系统。该方法首先对待测工业物联网设备的时序序列进行分段，使得到的初始数据段之间存在重叠数据段，对重叠数据段和其所在的初始数据段之间数据点的变化和分布特征进行分析，获取重叠数据段在不同初始数据段中的权重系数，初步获取目标数据段中数据点的异常参数，并基于权重系数对重叠数据段中数据点的异常参数进行调整，得到对应数据点的异常程度，基于异常程度对时序序列中的数据点进行管理。本发明能够提高处于数据段两端的部分数据的异常程度分析的准确性，从而对工业物联网设备数据进行更加有效的管理。
Description
技术领域
本发明涉及工业设备数据管理领域，具体涉及一种基于工业物联网的设备数据智能化管理方法及系统。
背景技术
在对工业物联网设备的相关数据进行采集时，通常需要分析数据的异常程度，通过异常程度对采集的数据进行修复、剔除等清洗或管理工作，以确保采集的数据的准确性和有效性，因此工业物联网设备数据的异常程度的准确分析对数据管理工作的意义重大。
相关技术中通常使用箱线图方法分析相关数据的分布特征，从而得到相关数据的异常程度，但对于工业物联网设备产生的大量数据而言，为了提高数据分析的效率，通常会将数据进行分段，而数据段两侧的数据与数据段整体数据的变化、波动等特征存在较大差异，箱线图主要表征整体数据的分布特征，使用箱线图方法会降低对处于数据段两端的部分数据点的异常程度分析的准确性，从而无法对工业物联网设备数据进行有效管理。
发明内容
为了解决现有技术会降低对处于数据段两端的部分温度数据点的异常程度分析的准确性，从而无法对工业物联网设备数据进行有效管理的技术问题，本发明的目的在于提供一种基于工业物联网的设备数据智能化管理方法及系统，所采用的技术方案具体如下：
本发明提出了一种基于工业物联网的设备数据智能化管理方法，所述方法包括：
获取待测工业物联网设备在预设时间段内的传感器数据时序序列；对时序序列进行分段，获得不同的初始数据段，相邻两个所述初始数据段之间存在重叠数据段；
将重叠数据段所在的初始数据段作为目标数据段；根据重叠数据段中数据点和每个目标数据段的非重叠数据段中数据点之间变化的差异，获得重叠数据段和对应目标数据段之间的趋势差异程度，并结合每个目标数据段的非重叠数据段中数据点和对应目标数据段中数据点之间分布的差异，获得重叠数据段和对应目标数据段之间的分布变化程度；
根据所述趋势差异程度和所述分布变化程度，获得重叠数据段在不同目标数据段中的权重系数；基于所述权重系数，获取重叠数据段中的数据点在对应目标数据段中的异常程度；并获取非重叠数据段中数据点的异常程度；
根据所述异常程度对时序序列中对应的数据点进行管理。
进一步地，所述根据重叠数据段中数据点和每个目标数据段的非重叠数据段中数据点之间变化的差异，获得重叠数据段和对应目标数据段之间的趋势差异程度包括：
基于移动平均算法，分别对所述重叠数据段中的数据点和每个目标数据段的非重叠数据段中的数据点进行预测，获得重叠数据段的第一趋势数据序列以及对应非重叠数据段的第二趋势数据序列；
将所述重叠数据段中数据点的数量作为第一数量，将所述第一趋势数据序列中数据点的极差作为第一极差；
将所述目标数据段的非重叠数据段中数据点的数量作为第二数量，将所述第二趋势数据序列中数据点的极差作为第二极差；
从所述第一趋势数据序列中第二个数据点开始，将每个数据点与前一个数据点的差值的绝对值作为对应数据点的第一数据变化量，将所有所述第一数据变化量的平均值作为所述第一趋势数据序列的第一趋势值；
从所述第二趋势数据序列中第二个数据点开始，将每个数据点与前一个数据点的差值的绝对值作为对应数据点的第二数据变化量，将所有所述第二数据变化量的平均值作为所述第二趋势数据序列的第二趋势值；
根据所述第一极差、所述第一数量、所述第二极差、所述第二数量、所述第一趋势值和所述第二趋势值，获得重叠数据段和对应目标数据段之间的趋势差异程度。
进一步地，所述根据所述第一极差、所述第一数量、所述第二极差、所述第二数量、所述第一趋势值和所述第二趋势值，获得重叠数据段和对应目标数据段之间的趋势差异程度包括：
其中，表示第/>个重叠数据段和对应的第/>个目标数据段之间的趋势差异程度，或/>；/>表示第/>个重叠数据段对应的第一趋势数据序列的第一极差；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段对应的第二趋势数据序列的第二极差；/>表示第/>个重叠数据段的第一数量；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的第二数量；/>表示第/>个重叠数据段对应的第一趋势数据序列的第一趋势值；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段对应的第二趋势数据序列的第二趋势值；/>表示以自然常数/>为底的对数函数；/>表示取绝对值。
进一步地，所述获得重叠数据段和对应目标数据段之间的分布变化程度包括：
基于箱线图方法，分别获取目标数据段的统计量以及对应目标数据段的非重叠数据段的统计量，所述统计量包括下四分位数、上四分位数和四分位距；
所述分布变化程度的计算公式为：
其中，表示第/>个重叠数据段和第/>个目标数据段之间的分布变化程度，/>或/>；表示第/>个重叠数据段和第/>个目标数据段之间的趋势差异程度；/>表示第/>个重叠数据段的第/>个目标数据段的下四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的下四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的上四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的上四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的四分位距；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的四分位距；/>表示第/>个重叠数据段的第/>个目标数据段中所有数据点的方差；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段中所有数据点的方差；/>表示以自然常数/>为底的对数函数；/>表示取绝对值。
进一步地，所述根据所述趋势差异程度和所述分布变化程度，获得重叠数据段在不同目标数据段中的权重系数包括：
对所述趋势差异程度和所述分布变化程度的和值进行负相关的归一化，获得重叠数据段在对应目标数据段中的初始权重；
对重叠数据段在对应两个目标数据段中的初始权重进行归一化，获得重叠数据段在对应目标数据段中的权重系数，且重叠数据段在对应两个目标数据段中的权重系数之和为1。
进一步地，所述基于所述权重系数，获取重叠数据段中的数据点在对应目标数据段中的异常程度包括：
基于箱线图方法，对重叠数据段对应的目标数据段中的数据点绘制出箱线图；
将箱线图的上限与箱线图的中位线的差值作为第一距离参数，将箱线图的下限与箱线图的中位线的差值作为第二距离参数；
若对应目标数据段中的数据点大于箱线图的中位线，将对应数据点与所述中位线的差值和所述第一距离参数的比值，作为对应数据点在对应目标数据段中的异常参数；
若对应目标数据段中的数据点不大于箱线图的中位线，将对应数据点与所述中位线的差值和所述第二距离参数的比值，作为对应数据点在对应目标数据段中的异常参数；
根据所述异常参数和所述权重系数，获得重叠数据段中每个数据点的异常程度。
进一步地，所述根据所述异常参数和所述权重系数，获得重叠数据段中每个数据点的异常程度包括：
将所述权重系数，作为重叠数据段中的数据点在对应目标数据段的所述异常参数的权重值；
对所述异常参数进行加权求和，获取重叠数据段中每个数据点的异常程度。
进一步地，所述获取非重叠数据段中数据点的异常程度包括：
将非重叠数据段中数据点对应的异常参数，作为对应数据点的异常程度。
进一步地，所述根据所述异常程度对时序序列中对应的数据点进行管理包括：
将异常程度大于预设异常阈值的数据点进行剔除。
本发明还提出了一种基于工业物联网的设备数据智能化管理系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项一种基于工业物联网的设备数据智能化管理方法的步骤。
本发明具有如下有益效果：
本发明考虑到在使用箱线图对工业物联网设备大量数据进行异常程度分析时，通常需要对数据进行分段，从而会降低对数据段两端数据的异常程度分析的准确度。因此本发明首先对整体数据进行分段，让相邻初始数据段之间存在重叠数据段，考虑到对重叠数据段中温度数据点的异常程度分析的准确度较低，因此本发明对目标数据段中的重叠数据段和非重叠数据段之间的分布特征和变化趋势特征进行分析，通过趋势差异程度和分布变化程度反映重叠数据段与对应目标数据段之间数据点的变化和分布的一致性，进而通过获取的权重系数反映重叠数据段中的数据点在不同目标数据段的重要程度，并基于权重系数获取重叠数据段中的温度数据点的异常程度，从而得到在初始数据段两端处的部分温度数据点更加准确的异常程度，使得对物联网设备的数据管理更加有效。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于工业物联网的设备数据智能化管理方法流程图；
图2为本发明一个实施例所提供的一种时序序列中初始数据段分布示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于工业物联网的设备数据智能化管理方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于工业物联网的设备数据智能化管理方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于工业物联网的设备数据智能化管理方法流程图，该方法包括：
步骤S1：获取待测工业物联网设备在预设时间段内的传感器数据时序序列；对时序序列进行分段，获得不同的初始数据段，相邻两个初始数据段之间存在重叠数据段。
在对工业物联网设备的相关数据进行采集时，通常利用箱线图分析数据的异常程度，通过异常程度对采集的数据进行修复、剔除等清洗或管理工作，以确保采集的数据的准确性和有效性，对于工业物联网设备产生的大量数据而言，为了提高数据分析的效率，通常会将数据进行分段，但数据段两侧的数据与数据段整体数据的变化、波动等特征存在较大差异，而箱线图主要表征整体数据的分布特征，使用箱线图方法会降低对在数据段两端处数据的异常程度分析的准确性，从而无法对工业物联网设备数据进行有效管理，因此本发明实施例提出一种基于工业物联网的设备数据智能化管理方法以解决该问题。
本发明实施例首先将温度传感器布置在待测工业物联网设备的显示屏附近，采集待测工业物联网设备如机器人设备在预设时间段内的温度数据，从而获得待测工业物联网设备的时序序列，在本发明的其他实施例中也可使用相关传感器采集待测工业设备的振动数据或电力数据等，在此不作限定，温度传感器的数据采集的时间间隔设置为2秒，数据采集的预设时间段设置为1天，数据采集的预设时间段和时间间隔也可根据具体实施场景由实施者自行设置，在此不作限定。
获取到待测工业物联网设备包含不同时刻温度数据点的时序序列后，由于采集的数据的数量过多，因此为了提高数据分析的效率和准确性，通常会将数据的时序序列进行分段处理，但对时序序列进行分段后，位于每段数据两端处的部分温度数据点和数据段整体数据之间的变化波动特征存在较大的差异，在使用箱线图对温度数据点的异常程度进行分析时，就会降低对位于数据段两端处的部分温度数据点的异常程度分析的准确度，因此为了在提高数据分析效率的同时保证对数据段中温度数据点异常程度分析的准确度，本发明实施例对采集到的时序序列进行分段处理，使得分段后的初始数据段两端处存在重叠数据段，并在后续中对重叠数据段中的温度数据点的异常程度做出进一步的分析，请参阅图2，图2为本发明一个实施例所提供的一种时序序列中初始数据段分布示意图。
优选地，在本发明的一个实施例中对时序序列进行分段的方法具体包括：
设置初始数据段的长度为预设第一长度，预设第一长度可以设置为1小时，也可以根据具体实施场景由实施者自行设置，在此不做限定；为了提高对初始数据段两端处的部分温度数据点的异常程度分析的准确性，从第二个初始数据段开始，令对应初始数据段的起点时刻小于前一个初始数据段的终点时刻，且大于前一个初始数据段的起点时刻，从而使得在初始数据段两端处存在相互重叠的部分温度数据点，即重叠数据段，其中对应初始数据段的起点时刻与前一个初始数据段的终点时刻之间的长度为预设第二长度，在本发明的一个实施例中，预设第二长度设置为五分钟，在本发明的其他实施例中也可根据具体实施场景由实施者自行设置，在此不作限定，并且重叠数据段的长度一般为初始数据段长度的1/10到1/15之间，具体长度可根据具体实施场景由实施者自行设置，在此不作限定。
需要说明的是，对于每个重叠数据段中的温度数据点同时属于两个初始数据段，除第一个初始数据段和最后一个初始数据段外的每个初始数据段都存在一个非重叠数据段和两个重叠数据段，并且在每个重叠数据段的相邻两侧存在两个非重叠数据段。
步骤S2：将重叠数据段所在的初始数据段作为目标数据段；根据重叠数据段中温度数据点和每个目标数据段的非重叠数据段中温度数据点之间变化的差异，获得重叠数据段和对应目标数据段之间的趋势差异程度，并结合每个目标数据段的非重叠数据段中温度数据点和对应目标数据段中温度数据点之间分布的差异，获得重叠数据段和对应目标数据段之间的分布变化程度。
由于重叠数据段同时属于两个初始数据段，为了便于后续对重叠数据段和其所在的初始数据段之间温度数据点的分布变化特征进行分析，将重叠数据段所在的初始数据段作为该重叠数据段的目标数据段，因此每个重叠数据段存在两个目标数据段，由于重叠数据段中温度数据点与不同目标数据段中温度数据点之间分布特征和变化特征存在差异，因此可分析重叠数据段与对应的目标数据段之间温度数据点的变化和分布特征的一致性，便于后续对重叠数据段中的温度数据点在不同目标数据段中的异常情况进行分析。
由于非重叠数据段是目标数据段中的主要数据，非重叠数据段中温度数据点的变化特征能够表征对应目标数据段中温度数据点的变化特征，因此可对重叠数据段中温度数据点和每个目标数据段的非重叠数据段中温度数据点之间变化的差异进行分析，通过获取的趋势差异程度反映重叠数据段和对应目标数据段之间变化趋势的差异。
优选地，在本发明的一个实施例中重叠数据段和对应目标数据段之间的趋势差异程度的获取方法具体包括：
由于移动平均算法（moving average method，MAM）可消除数据段中温度数据点的波动，并且可通过对数据进行预测，从而分析数据段的中温度数据点的变化趋势，因此为了对数据段的变化趋势进行准确分析，可基于移动平均算法，分别对重叠数据段中的温度数据点和每个目标数据段的非重叠数据段中的温度数据点进行预测，获得重叠数据段的第一趋势数据序列以及对应非重叠数据段的第二趋势数据序列；将重叠数据段中温度数据点的数量作为第一数量，将第一趋势数据序列中温度数据点的极差作为第一极差；将目标数据段的非重叠数据段中温度数据点的数量作为第二数量，将第二趋势数据序列中温度数据点的极差作为第二极差；从第一趋势数据序列中第二个温度数据点开始，将每个温度数据点与前一个温度数据点的差值的绝对值作为对应温度数据点的第一数据变化量，将所有第一数据变化量的平均值作为第一趋势数据序列的第一趋势值；从第二趋势数据序列中第二个温度数据点开始，将每个温度数据点与前一个温度数据点的差值的绝对值作为对应温度数据点的第二数据变化量，将所有第二数据变化量的平均值作为第二趋势数据序列的第二趋势值；根据第一极差、第一数量、第二极差、第二数量、第一趋势值和第二趋势值，获得重叠数据段和对应目标数据段之间的趋势差异程度。需要说明的是，移动平均法是本领域技术人员熟知的技术手段，在此不做赘述。趋势差异程度的表达式可以具体例如为：
其中，表示第/>个重叠数据段和第/>个目标数据段之间的趋势差异程度，由于每个重叠数据段存在两个目标数据段，因此/>或/>；/>表示第/>个重叠数据段对应的第一趋势数据序列中温度数据点的极差，即第一极差；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段对应的第二趋势数据序列中温度数据点的极差，即第二极差；/>表示第/>个重叠数据段中温度数据点的数量，即第一数量；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段中温度数据点的数量，即第二数量；/>表示第/>个重叠数据段对应的第一趋势数据序列的第一趋势值；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段对应的第二趋势数据序列的第二趋势值；/>表示以自然常数/>为底的对数函数；/>表示取绝对值。
在重叠数据段和对应目标数据段之间的趋势差异程度的获取过程中，趋势差异程度用于反映重叠数据段中温度数据点和对应的目标数据段中温度数据点之间变化趋势的差异，/>越大，说明两者之间的温度数据点的变化趋势的差异越大，第一极差/>和第二极差/>之间的差异越大，说明重叠数据段与目标数据段之间变化趋势的差异越大，考虑数据段中的温度数据点数量越多越可能出现更大的极差，因此使用对应数据段中温度数据点的数量对对应极差进行调整，为了防止温度数据点的数量过大，使用以自然常数/>为底的对数函数对温度数据点数量进行映射，并使用映射后的结果/>和/>分别对极差/>和/>进行调整，/>和/>分别表示第一趋势数据序列的第一趋势值和第二趋势数据序列的第二趋势值，两者之间的差异/>越大，说明重叠数据段与目标数据段之间变化趋势的差异越大，则趋势差异程度/>越大。
对重叠数据段和目标数据段之间温度数据点的变化趋势的差异分析完成后，可进一步对两者之间温度数据点的分布差异进行分析，在本发明的一个实施例中，可通过上述获取的趋势差异程度，并结合重叠数据段中的温度数据点并入对应目标数据段的非重叠数据段前后的温度数据点的分布差异进行分析，而重叠数据段中的温度数据点并入非重叠数据段后的数据段便是对应的目标数据段，因此可根据每个目标数据段的非重叠数据段中温度数据点和对应目标数据段中温度数据点之间分布的差异，通过分布变化程度反映重叠数据段和对应目标数据段之间分布的差异。
优选地，在本发明的一个实施例中重叠数据段和对应目标数据段之间的分布变化程度的获取方法具体包括：
由于重叠数据段并入非重叠数据段前后分布差异主要表现在温度数据点分布的差异，而箱线图能够表征温度数据点的分布特征，因此可对非重叠数据段和其所在的目标数据段之间箱线图的差异进行分析，而箱线图的差异主要表现在箱线图的上四分位数、上四分位数和四分位距之间的差异，同时利用上述获取的趋势差异程度进行修正。分布变化程度的表达式可以具体例如为：
其中，表示第/>个重叠数据段和第/>个目标数据段之间的分布变化程度，/>或/>；表示第/>个重叠数据段和第/>个目标数据段之间的趋势差异程度；/>表示第/>个重叠数据段的第/>个目标数据段的下四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的下四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的上四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的上四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的四分位距；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的四分位距；/>表示第/>个重叠数据段的第/>个目标数据段中所有温度数据点的方差；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段中所有温度数据点的方差；/>表示以自然常数/>为底的对数函数；/>表示取绝对值。
在重叠数据段和对应目标数据段之间的分布变化程度的获取过程中，分布变化程度用于反映重叠数据段并入非重叠数据段前后温度数据点分布的差异程度，即重叠数据段与目标数据段之间温度数据点的分布差异，/>越大，说明叠数据段与目标数据段之间温度数据点的分布差异越大；其中/>、/>和/>分别表示重叠数据段并入非重叠数据段前后的箱线图的下四分位数的变化量、上四分位数的变化量和四分位距的变化量，使用/>反映重叠数据段并入非重叠数据段前后的箱线图的变化，由于箱线图的变化也有可能是重叠数据段与目标数据段之间变化趋势不同导致的，因此使用趋势差异程度/>对其进行修正调整，为了避免修正调整后的值过大，利用以自然常数/>为底的对数函数进行映射；/>表示并入前后温度数据点分布的离散程度的差异，/>越大，则分布变化程度/>越大，同样并入前后整体的离散程度的差异也有可能由变化趋势不同导致的，因此使用趋势差异程度/>对/>进行修正调整。
基于上述过程获取到重叠数据段与每个目标数据段之间的趋势差异程度和分布变化程度，在后续中便可对重叠数据段与不同的目标数据段之间温度数据点的变化和分布的一致性进行分析。
步骤S3：根据趋势差异程度和分布变化程度，获得重叠数据段在不同目标数据段中的权重系数；基于权重系数，获取重叠数据段中的温度数据点在对应目标数据段中的异常程度；并获取非重叠数据段中温度数据点的异常程度。
由于重叠数据段中温度数据点与不同的目标数据段中温度数据点之间的变化分布特征不同，为了提高对重叠数据段中温度数据点的异常程度计算的准确度，需要对重叠数据段与某个目标数据段之间温度数据点的变化特征和分布特征的一致性进行评估，因此可基于上述获取的趋势差异程度和分布变化程度，获得重叠数据段在不同目标数据段中的权重系数，通过权重系数反映重叠数据段与目标数据段之间的一致性，并在后续可基于权重系数对初步获取的异常参数进行加权调整，获取更加准确的异常程度。
优选地，在本发明的一个实施例中重叠数据段在不同目标数据段中的权重系数的获取方法具体包括：
对趋势差异程度和分布变化程度的和值进行负相关的归一化，获得重叠数据段在对应目标数据段的中的初始权重；对重叠数据段在对应两个目标数据段中的初始权重进行归一化，获得重叠数据段在对应目标数据段中的权重系数，且重叠数据段在对应两个目标数据段中的权重系数之和为1。权重系数的表达式可以具体例如为：
其中，表示第/>个重叠数据段在第/>个目标数据段中的权重系数，/>或/>，并且；/>表示第/>个重叠数据段在第/>个目标数据段中的初始权重；/>表示第/>个重叠数据段在其中一个目标数据段中的初始权重；/>表示第/>个重叠数据段在另一个目标数据段中的初始权重；/>表示第/>个重叠数据段和第/>个目标数据段之间的趋势差异程度；/>表示第/>个重叠数据段和第/>个目标数据段之间的分布变化程度；/>表示以自然常数/>为底的指数函数。
在重叠数据段在每个目标数据段中的权重系数的获取过程中，权重系数越大，说明在后续中重叠数据段中的温度数据点在对应目标数据段中的异常参数的比重越大；趋势差异程度/>和分布变化程度/>越小，说明重叠数据段与对应的目标数据段之间温度数据点的变化特征和分布特征越一致，则重叠数据段在对应目标数据段中的初始权重/>越大，因此在本发明的一个实施例中使用以自然常数/>为底的指数函数对/>进行负相关的归一化处理，为了保证重叠数据段分别在两个目标数据段中的权重系数的和值等于1，需要利用/>对/>进行归一化处理，从而得到重叠数据段在每个目标数据段中的权重系数/>。
获取到重叠数据段在每个目标数据段中的权重系数后，权重系数越大，说明重叠数据段中的温度数据点与对应的目标数据段中的温度数据点之间的变化和分布特征越一致。
由于本发明实施例的目的是对时序序列中的温度数据点的异常程度进行分析，因此可首先对每个目标数据段中的温度数据点进行异常分析，初步得到温度数据点在对应的目标数据段中的异常参数，通过异常参数初步反映温度数据点的异常情况，并且使得重叠数据段中的温度数据点在属于不同的目标数据段的情况下分别得到一个异常参数，便于后续对重叠数据段中温度数据点的异常参数进行调整，从而提高对其异常程度分析的准确度。
优选地，在本发明的一个实施例中温度数据点在对应目标数据段中的异常参数的获取方法具体包括：
箱线图方法能够对待测数据进行统计分析，可基于箱线图方法对数据的分布特征进行分析，从而评估其异常的程度，因此可对对应初始数据段中的温度数据点绘制出箱线图；将箱线图的上限与箱线图的中位线的差值作为第一距离参数，将箱线图的下限与箱线图的中位线的差值作为第二距离参数；若对应目标数据段中的温度数据点大于箱线图的中位线，将对应温度数据点与中位线的差值和第一距离参数的比值，作为对应温度数据点在对应目标数据段中的异常参数；若对应目标数据段中的温度数据点不大于箱线图的中位线，将对应温度数据点与中位线的差值和第二距离参数的比值，作为对应温度数据点在对应目标数据段中的异常参数，其中箱线图的上限、下限和中位线也可称为上边缘、下边缘和中位数。需要说明的是，箱线图方法是本领域技术人员熟知的技术手段，在此不做赘述。异常参数的表达式可以具体例如为：
其中，表示第/>个重叠数据段对应的第/>个目标数据段中第/>个温度数据点的异常参数，/>或/>；/>表示第/>个重叠数据段对应的第/>个目标数据段中第/>个温度数据点；/>表示在第/>个重叠数据段对应的第/>个目标数据段中绘制的箱线图的中位线；/>表示在第/>个重叠数据段对应的第/>个目标数据段中绘制的箱线图的上限；/>表示在第/>个重叠数据段对应的第/>个目标数据段中绘制的箱线图的下限。
在温度数据点在对应初始数据段的异常参数的获取过程中，异常参数用于初步反映目标数据段中温度数据点的异常情况，由于箱线图能够反映温度数据点的分布情况，并且温度数据点/>越远离箱线图的中位线/>，说明该温度数据点异常情况越明显，则该温度数据点在对应目标数据段中的异常参数/>就越大，因此本发明实施例分两种情况讨论，当温度数据点大于箱线图的中位线时，将/>作为温度数据点的异常参数，其中不小于0，而第一距离参数/>大于0，并且/>越大，说明该温度数据点越远离箱线图的中位线，则异常参数/>就越大，而第一距离参数/>用于与作对比，使得/>越大于1时表明该温度数据点的异常情况越严重，同理当温度数据点不大于箱线图的中位线时，将/>作为温度数据点的异常参数，其中不大于0，而第二距离参数/>小于0，第二距离参数/>同样用于与作对比，使得/>越大于1时表明该温度数据点的异常情况越严重。
获取到温度数据点在对应初始数据段的异常参数后，对于重叠数据段而言，由于其处于目标数据段两端的位置，因此通过异常参数并不能准确地反映重叠数据段中温度数据点异常的程度，考虑到重叠数据段同时属于两个目标数据段，并且通过上述的计算过程可知，重叠数据段中的温度数据点在对应的两个目标数据段中分别存在一个异常参数，而权重系数用于反映重叠数据段与目标数据段之间温度数据点变化和分布特征的一致性，因此可基于权重系数对重叠数据段中温度数据点在对应目标数据段的异常参数进行调整，得到对应温度数据点更加准确的异常程度。
优选地，在本发明的一个实施例中重叠数据段中温度数据点的异常程度的获取方法具体包括：
将权重系数，作为重叠数据段中的温度数据点在对应初始数据段的异常参数的权重值；对异常参数进行加权求和，获取重叠数据段中每个温度数据点的异常程度。异常程度的表达式可以具体例如为：
其中，表示第/>个重叠数据段中第/>个温度数据点的异常程度；/>表示第/>个重叠数据段中第/>个温度数据点在其中一个目标数据段的异常参数，由于目标数据段就是初始数据段，因此也可理解为在对应初始数据段中的异常参数；/>表示示第/>个重叠数据段中第/>个温度数据点在另一个目标数据段的异常参数；/>表示第/>个重叠数据段在其中一个目标数据段中的权重系数；/>表示第/>个重叠数据段在另一个目标数据段中的权重系数。
在重叠数据段中温度数据点的异常程度的获取过程中，重叠数据段在目标数据段的权重系数越大，则该重叠数据段中的温度数据点在对应目标数据段中的异常参数的比重就越大，因此使用权重系数对异常参数进行加权求和，获取重叠数据段中每个温度数据点的异常程度。
由于非重叠数据段是整个目标数据段中的主要数据，非重叠数据段中的温度数据点与目标数据段中的温度数据点之间的变化特征和分布特征基本一致，则非重叠数据段中温度数据点的异常参数能够准确反映对应温度数据点的异常的程度，因此可直接将非重叠数据段中温度数据点的异常参数作为对应温度数据点的异常程度，从而获取到待测工业物联网设备的整个时序序列中每个温度数据点更加准确的异常程度。
步骤S4：根据异常程度对时序序列中对应的温度数据点进行管理。
通过上述过程获取到待测工业物联网设备的时序序列中每个温度数据点更加准确的异常程度后，便可基于异常程度对时序序列中的温度数据点进行更加有效的管理。
优选地，在本发明的一个实施例中对时序序列中对应的温度数据点进行管理的方法具体包括：
由于异常程度反映了对应温度数据点与整体数据之间的偏差，因此可将将异常程度大于预设异常阈值的温度数据点进行剔除，从而保留正常的温度数据点，便于工作人员或服务器能够使用更加准确的正常数据进行有效的数据分析，在本发明的一个实施例中预设异常阈值设置为0.6，预设异常阈值的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定。
本发明一个实施例提供了一种基于工业物联网的设备数据智能化管理系统，该系统包括存储器、处理器和计算机程序，其中存储器用于存储相应的计算机程序，处理器用于运行相应的计算机程序，计算机程序在处理器中运行时能够实现步骤S1~S4所描述的方法。
综上所述，本发明实施例首先对待测工业物联网设备的时序序列进行分段，使得到的初始数据段之间存在重叠数据段，并将重叠数据段所在的初始数据段作为目标数据段，对重叠数据段中温度数据点和每个目标数据段的非重叠数据段中温度数据点之间的变化趋势进行分析，获得重叠数据段和对应目标数据段之间的趋势差异程度，对每个目标数据段的非重叠数据段中温度数据点和对应目标数据段中温度数据点之间分布情况，获得重叠数据段和对应目标数据段之间的分布变化程度；进而结合趋势差异程度和分布变化程度获得重叠数据段在不同目标数据段中的权重系数，并基于权重系数对重叠数据段中的温度数据点在对应目标数据段中的异常参数进行加权调整，获得对应温度数据点的异常程度，并将非重叠数据段中温度数据点的异常参数作为对应温度数据点的异常程度，从而基于异常程度对时序序列中对应温度数据点进行管理。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述方法包括：
获取待测工业物联网设备在预设时间段内的传感器数据时序序列；对时序序列进行分段，获得不同的初始数据段，相邻两个所述初始数据段之间存在重叠数据段；
将重叠数据段所在的初始数据段作为目标数据段；根据重叠数据段中数据点和每个目标数据段的非重叠数据段中数据点之间变化的差异，获得重叠数据段和对应目标数据段之间的趋势差异程度，并结合每个目标数据段的非重叠数据段中数据点和对应目标数据段中数据点之间分布的差异，获得重叠数据段和对应目标数据段之间的分布变化程度；
根据所述趋势差异程度和所述分布变化程度，获得重叠数据段在不同目标数据段中的权重系数；基于所述权重系数，获取重叠数据段中的数据点在对应目标数据段中的异常程度；并获取非重叠数据段中数据点的异常程度；
根据所述异常程度对时序序列中对应的数据点进行管理。
2.根据权利要求1所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述根据重叠数据段中数据点和每个目标数据段的非重叠数据段中数据点之间变化的差异，获得重叠数据段和对应目标数据段之间的趋势差异程度包括：
基于移动平均算法，分别对所述重叠数据段中的数据点和每个目标数据段的非重叠数据段中的数据点进行预测，获得重叠数据段的第一趋势数据序列以及对应非重叠数据段的第二趋势数据序列；
将所述重叠数据段中数据点的数量作为第一数量，将所述第一趋势数据序列中数据点的极差作为第一极差；
将所述目标数据段的非重叠数据段中数据点的数量作为第二数量，将所述第二趋势数据序列中数据点的极差作为第二极差；
从所述第一趋势数据序列中第二个数据点开始，将每个数据点与前一个数据点的差值的绝对值作为对应数据点的第一数据变化量，将所有所述第一数据变化量的平均值作为所述第一趋势数据序列的第一趋势值；
从所述第二趋势数据序列中第二个数据点开始，将每个数据点与前一个数据点的差值的绝对值作为对应数据点的第二数据变化量，将所有所述第二数据变化量的平均值作为所述第二趋势数据序列的第二趋势值；
根据所述第一极差、所述第一数量、所述第二极差、所述第二数量、所述第一趋势值和所述第二趋势值，获得重叠数据段和对应目标数据段之间的趋势差异程度。
3.根据权利要求2所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述根据所述第一极差、所述第一数量、所述第二极差、所述第二数量、所述第一趋势值和所述第二趋势值，获得重叠数据段和对应目标数据段之间的趋势差异程度包括：
其中，表示第/>个重叠数据段和对应的第/>个目标数据段之间的趋势差异程度，/>或；/>表示第/>个重叠数据段对应的第一趋势数据序列的第一极差；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段对应的第二趋势数据序列的第二极差；/>表示第/>个重叠数据段的第一数量；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的第二数量；/>表示第/>个重叠数据段对应的第一趋势数据序列的第一趋势值；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段对应的第二趋势数据序列的第二趋势值；/>表示以自然常数/>为底的对数函数；/>表示取绝对值。
4.根据权利要求1所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述获得重叠数据段和对应目标数据段之间的分布变化程度包括：
基于箱线图方法，分别获取目标数据段的统计量以及对应目标数据段的非重叠数据段的统计量，所述统计量包括下四分位数、上四分位数和四分位距；
所述分布变化程度的计算公式为：
其中，表示第/>个重叠数据段和第/>个目标数据段之间的分布变化程度，/>或/>；/>表示第/>个重叠数据段和第/>个目标数据段之间的趋势差异程度；/>表示第/>个重叠数据段的第/>个目标数据段的下四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的下四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的上四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的上四分位数；/>表示第/>个重叠数据段的第/>个目标数据段的四分位距；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段的四分位距；/>表示第/>个重叠数据段的第/>个目标数据段中所有数据点的方差；/>表示第/>个重叠数据段的第/>个目标数据段的非重叠数据段中所有数据点的方差；/>表示以自然常数/>为底的对数函数；/>表示取绝对值。
5.根据权利要求1所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述根据所述趋势差异程度和所述分布变化程度，获得重叠数据段在不同目标数据段中的权重系数包括：
对所述趋势差异程度和所述分布变化程度的和值进行负相关的归一化，获得重叠数据段在对应目标数据段中的初始权重；
对重叠数据段在对应两个目标数据段中的初始权重进行归一化，获得重叠数据段在对应目标数据段中的权重系数，且重叠数据段在对应两个目标数据段中的权重系数之和为1。
6.根据权利要求1所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述基于所述权重系数，获取重叠数据段中的数据点在对应目标数据段中的异常程度包括：
基于箱线图方法，对重叠数据段对应的目标数据段中的数据点绘制出箱线图；
将箱线图的上限与箱线图的中位线的差值作为第一距离参数，将箱线图的下限与箱线图的中位线的差值作为第二距离参数；
若对应目标数据段中的数据点大于箱线图的中位线，将对应数据点与所述中位线的差值和所述第一距离参数的比值，作为对应数据点在对应目标数据段中的异常参数；
若对应目标数据段中的数据点不大于箱线图的中位线，将对应数据点与所述中位线的差值和所述第二距离参数的比值，作为对应数据点在对应目标数据段中的异常参数；
根据所述异常参数和所述权重系数，获得重叠数据段中每个数据点的异常程度。
7.根据权利要求6所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述根据所述异常参数和所述权重系数，获得重叠数据段中每个数据点的异常程度包括：
将所述权重系数，作为重叠数据段中的数据点在对应目标数据段的所述异常参数的权重值；
对所述异常参数进行加权求和，获取重叠数据段中每个数据点的异常程度。
8.根据权利要求6所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述获取非重叠数据段中数据点的异常程度包括：
将非重叠数据段中数据点对应的异常参数，作为对应数据点的异常程度。
9.根据权利要求1所述的一种基于工业物联网的设备数据智能化管理方法，其特征在于，所述根据所述异常程度对时序序列中对应的数据点进行管理包括：
将异常程度大于预设异常阈值的数据点进行剔除。
10.一种基于工业物联网的设备数据智能化管理系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述基于工业物联网的设备数据智能化管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666280.5A CN117370329B (zh) | 2023-12-07 | 2023-12-07 | 基于工业物联网的设备数据智能化管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666280.5A CN117370329B (zh) | 2023-12-07 | 2023-12-07 | 基于工业物联网的设备数据智能化管理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117370329A true CN117370329A (zh) | 2024-01-09 |
| CN117370329B CN117370329B (zh) | 2024-02-27 |
Family
ID=89389580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311666280.5A Active CN117370329B (zh) | 2023-12-07 | 2023-12-07 | 基于工业物联网的设备数据智能化管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117370329B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556364A (zh) * | 2024-01-12 | 2024-02-13 | 济南福深兴安科技有限公司 | 一种矿用矿压安全智能监测系统 |
| CN117633695A (zh) * | 2024-01-24 | 2024-03-01 | 西电济南变压器股份有限公司 | 一种基于电参数时序分析的变压器运行监测方法 |
| CN117808271A (zh) * | 2024-02-29 | 2024-04-02 | 余姚市农业技术推广服务总站 | 一种数字化农业肥料数据优化管理方法及系统 |
| CN117930669A (zh) * | 2024-03-20 | 2024-04-26 | 山西顺达胜业通信工程有限公司 | 基于物联网的智能家居远程控制方法 |
| CN118054976A (zh) * | 2024-04-16 | 2024-05-17 | 大连博讯科技有限公司 | 一种物联网数据安全管理方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030000522A1 (en) * | 2001-05-17 | 2003-01-02 | Lynn Lawrence A. | Centralized hospital monitoring system for automatically detecting upper airway instability and for preventing and aborting adverse drug reactions |
| CN106368813A (zh) * | 2016-08-30 | 2017-02-01 | 北京协同创新智能电网技术有限公司 | 一种基于多元时间序列的异常报警数据检测方法 |
| WO2017119900A1 (en) * | 2016-01-08 | 2017-07-13 | Entit Software Llc | Time series trends |
| CN107590143A (zh) * | 2016-07-06 | 2018-01-16 | 北京金山云网络技术有限公司 | 一种时间序列的检索方法、装置及系统 |
| CN108052599A (zh) * | 2017-12-12 | 2018-05-18 | 清华大学 | 一种支持特征查询的时序数据存储的方法和装置 |
| US20180143979A1 (en) * | 2016-11-21 | 2018-05-24 | Université de Lausanne | Method for segmenting and indexing features from multidimensional data |
| CN108446329A (zh) * | 2018-02-13 | 2018-08-24 | 北京工业大数据创新中心有限公司 | 面向工业时序数据库的自适应数据库分区方法及系统 |
| CN112416971A (zh) * | 2019-08-23 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 一种时序数据流分割方法、装置及其存储介质 |
| CN112732698A (zh) * | 2020-08-14 | 2021-04-30 | 薛东 | 用于工业互联网和智能制造的数据处理方法及大数据平台 |
| US20210304280A1 (en) * | 2020-03-25 | 2021-09-30 | Adobe Inc. | Determining diverse recommendations from data segments |
| CN114547073A (zh) * | 2022-02-10 | 2022-05-27 | 清华大学 | 时序数据的聚合查询方法、装置及存储介质 |
| CN116155298A (zh) * | 2023-04-20 | 2023-05-23 | 山东水运发展集团有限公司济宁分公司 | 一种基于互联网数据的船闸远程管理系统 |
| EP4184350A1 (de) * | 2021-11-19 | 2023-05-24 | Siemens Aktiengesellschaft | Computer-implementiertes verfahren zum erkennen eines eingabemusters in mindestens einer zeitreihe einer mehrzahl von zeitreihen |
| US20230164156A1 (en) * | 2021-11-19 | 2023-05-25 | IronNet Cybersecurity, Inc. | Detection of abnormal events |
-
2023
- 2023-12-07 CN CN202311666280.5A patent/CN117370329B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030000522A1 (en) * | 2001-05-17 | 2003-01-02 | Lynn Lawrence A. | Centralized hospital monitoring system for automatically detecting upper airway instability and for preventing and aborting adverse drug reactions |
| WO2017119900A1 (en) * | 2016-01-08 | 2017-07-13 | Entit Software Llc | Time series trends |
| CN107590143A (zh) * | 2016-07-06 | 2018-01-16 | 北京金山云网络技术有限公司 | 一种时间序列的检索方法、装置及系统 |
| CN106368813A (zh) * | 2016-08-30 | 2017-02-01 | 北京协同创新智能电网技术有限公司 | 一种基于多元时间序列的异常报警数据检测方法 |
| US20180143979A1 (en) * | 2016-11-21 | 2018-05-24 | Université de Lausanne | Method for segmenting and indexing features from multidimensional data |
| CN108052599A (zh) * | 2017-12-12 | 2018-05-18 | 清华大学 | 一种支持特征查询的时序数据存储的方法和装置 |
| CN108446329A (zh) * | 2018-02-13 | 2018-08-24 | 北京工业大数据创新中心有限公司 | 面向工业时序数据库的自适应数据库分区方法及系统 |
| CN112416971A (zh) * | 2019-08-23 | 2021-02-26 | 北京沃东天骏信息技术有限公司 | 一种时序数据流分割方法、装置及其存储介质 |
| US20210304280A1 (en) * | 2020-03-25 | 2021-09-30 | Adobe Inc. | Determining diverse recommendations from data segments |
| CN112732698A (zh) * | 2020-08-14 | 2021-04-30 | 薛东 | 用于工业互联网和智能制造的数据处理方法及大数据平台 |
| EP4184350A1 (de) * | 2021-11-19 | 2023-05-24 | Siemens Aktiengesellschaft | Computer-implementiertes verfahren zum erkennen eines eingabemusters in mindestens einer zeitreihe einer mehrzahl von zeitreihen |
| US20230164156A1 (en) * | 2021-11-19 | 2023-05-25 | IronNet Cybersecurity, Inc. | Detection of abnormal events |
| CN114547073A (zh) * | 2022-02-10 | 2022-05-27 | 清华大学 | 时序数据的聚合查询方法、装置及存储介质 |
| CN116155298A (zh) * | 2023-04-20 | 2023-05-23 | 山东水运发展集团有限公司济宁分公司 | 一种基于互联网数据的船闸远程管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吉根林 等: "时空轨迹大数据模式挖掘研究进展", 《数据采集与处理》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556364A (zh) * | 2024-01-12 | 2024-02-13 | 济南福深兴安科技有限公司 | 一种矿用矿压安全智能监测系统 |
| CN117556364B (zh) * | 2024-01-12 | 2024-03-29 | 济南福深兴安科技有限公司 | 一种矿用矿压安全智能监测系统 |
| CN117633695A (zh) * | 2024-01-24 | 2024-03-01 | 西电济南变压器股份有限公司 | 一种基于电参数时序分析的变压器运行监测方法 |
| CN117633695B (zh) * | 2024-01-24 | 2024-05-31 | 西电济南变压器股份有限公司 | 一种基于电参数时序分析的变压器运行监测方法 |
| CN117808271A (zh) * | 2024-02-29 | 2024-04-02 | 余姚市农业技术推广服务总站 | 一种数字化农业肥料数据优化管理方法及系统 |
| CN117808271B (zh) * | 2024-02-29 | 2024-05-24 | 余姚市农业技术推广服务总站 | 一种数字化农业肥料数据优化管理方法及系统 |
| CN117930669A (zh) * | 2024-03-20 | 2024-04-26 | 山西顺达胜业通信工程有限公司 | 基于物联网的智能家居远程控制方法 |
| CN117930669B (zh) * | 2024-03-20 | 2024-05-28 | 山西顺达胜业通信工程有限公司 | 基于物联网的智能家居远程控制方法 |
| CN118054976A (zh) * | 2024-04-16 | 2024-05-17 | 大连博讯科技有限公司 | 一种物联网数据安全管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117370329B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117370329B (zh) | 基于工业物联网的设备数据智能化管理方法及系统 | |
| CN111739076B (zh) | 面向多种ct肺部纹理识别的非监督保内容域适应方法 | |
| Ma et al. | Perceptual quality assessment for multi-exposure image fusion | |
| US11849212B2 (en) | Method and system for tuning a camera image signal processor for computer vision tasks | |
| US8849003B2 (en) | Methods, apparatus and articles of manufacture to process cardiac images to detect heart motion abnormalities | |
| CN111325342A (zh) | 模型的压缩方法、装置、目标检测设备和存储介质 | |
| CN112001904A (zh) | 一种遥感图像质量清晰度综合评价模块及评价方法 | |
| KR20180109658A (ko) | 영상 처리 방법과 장치 | |
| CN116309344A (zh) | 一种绝缘子异常检测方法、装置、设备和存储介质 | |
| CN116167932A (zh) | 一种图像质量优化方法、装置、设备及存储介质 | |
| CN116882079A (zh) | 一种水泵特性曲线自适应校准及预测方法 | |
| CN117540325B (zh) | 基于数据变化量捕获的业务数据库异常检测方法及系统 | |
| CN117335409B (zh) | 基于人工智能的电力用户负荷预测系统 | |
| KR20210073425A (ko) | 이미지 패치의 복잡도 측정 방법 | |
| CN113704038B (zh) | 一种自动化游戏服务器压测方法及系统 | |
| CN113506343B (zh) | 基于多源数据的色坐标估计方法、系统、设备及介质 | |
| CN114548173A (zh) | 一种精准的周期性检测方法、系统及存储介质 | |
| Song et al. | A new tone-mapped image quality assessment approach for high dynamic range imaging system | |
| CN115035324B (zh) | 一种多方位算法模型的自适配方法 | |
| CN116681715B (zh) | 基于像素值变化的血管分割方法、装置、设备和存储介质 | |
| CN111553613B (zh) | 一种地震采集资料品质智能分级评价方法及系统 | |
| CN115001997B (zh) | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 | |
| CN112348296B (zh) | 电信数据获取方法、装置、设备及存储介质 | |
| Moré et al. | Contrast Enhancement of Color Images Using a Multi-Objective Optimization Framework. | |
| Wang et al. | Improve Deep Image Inpainting by Emphasizing the Complexity of Missing Regions |
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 |