CN117516670A - 一种物联网超声波水表的数据智能监测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，尤其涉及一种物联网超声波水表的数据智能监测方法，该方法获取目标时段内的物联网超声波水表中的超声波传感器的振动数据，得到对应的振动数据变化曲线；对振动数据变化曲线进行周期划分，得到至少一个振动周期，根据每个振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期；根据第一类周期中的每个振动周期的数据精度保留程度，将第一类周期中的所有振动周期划分为第三类周期和第四类周期；对第二类周期、第三类周期和第四类周期中的振动数据进行自适应压缩存储处理，以完成对物联网超声波水表的数据智能监测，在提高压缩效率保证压缩效果的同时，能够准确监测并保留异常的振动周期数据信息。

Description

一种物联网超声波水表的数据智能监测方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种物联网超声波水表的数据智能监测方法。

背景技术

物联网（loT）超声波水表是一种智能化的测量设备，利用超声波技术和物联网技术来实时监控和记录水流量数据，该类测量设备通常被安装在住宅、商业或工业环境中，以追踪和管理水资源使用。物联网超声波水表使用超声波来测量水流，没有机械部件，降低了维护需求并提高了寿命，同时超声波测量方法比传统的机械水表更准确，几乎不受沉积物的影响，进而通过物联网技术，物联网超声波水表可以实时发送读数数据（流体流量）到远程服务器，方便进行远程监控和分析。

基于上述可知，物联网超声波水表的性能或健康状态与物联网超声波水表发送的读数数据的准确性是相关联的，且物联网超声波水表发送的读数数据是通过物联网超声波水表中的超声波传感器的振动（实际上是超声波信号）测量得到，即通过精确测量超声波信号的传播时间，计算流体的速度和体积流量，因此，对物联网超声波水表中的超声波传感器的运行状态进行监测十分重要。具体的，对超声波传感器的振动数据进行采集监测，并根据采集的振动数据对物联网超声波水表的性能、健康状态进行分析评估，任何与正常值显著不同的振动数据可能都表明超声波水表存在异常。同时，通过监测连续的振动数据，可以提前发现潜在的设备故障或系统问题，以帮助运营者尽早采取行动，避免更严重的后果。

对物联网超声波水表中的超声波传感器的运行状态进行监测时，需要采集大量的振动数据，通过对这些振动数据进行压缩存储，以在后续分析超声波传感器的运行状态时获取这些存储的振动数据。由于振动数据（超声波信号）具有较强的周期振荡特征，因此，现有技术中，通过游程编码对采集的大量振动数据进行压缩，但是受环境或操作条件变化等多种因素的影响导致振动数据的周期振荡特征存在差异，利用游程编码时会出现压缩效率较低和占用存储空间较大的问题，若对振动数据进行统一的周期性有损压缩又会导致无法有效地识别出异常振动数据，从而使得最终压缩效果差，后续超声波传感器的运行状态的监测不准确。

因此，如何提高物联网超声波水表中的超声波传感器的振动数据的压缩效果，以保证后续根据压缩后的振动数据对超声波传感器的运行状态进行监测的准确性成为亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种物联网超声波水表的数据智能监测方法，以解决如何提高物联网超声波水表中的超声波传感器的振动数据的压缩效果，以保证后续根据压缩后的振动数据对超声波传感器的运行状态进行监测的准确性的问题。

本发明实施例中提供了一种物联网超声波水表的数据智能监测方法，该数据智能监测方法包括以下步骤：

基于预设的采样频率获取目标时段内的物联网超声波水表中的超声波传感器的振动数据，将所述振动数据映射到时序二维空间中，得到对应的振动数据变化曲线；

对所述振动数据变化曲线进行周期划分，得到至少一个振动周期，针对任一振动周期，根据所述振动周期与其他振动周期之间的曲线变化差异，获取所述振动周期的变化异常程度，根据每个所述振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期；

针对所述第一类周期中的任一振动周期，根据所述振动周期与所述第一类周期内的其他振动周期之间的周期长度差异，获取所述振动周期的数据精度保留程度，根据所述第一类周期中的每个振动周期的数据精度保留程度，将所述第一类周期中的所有振动周期划分为第三类周期和第四类周期；

对所述第二类周期、所述第三类周期和所述第四类周期中的振动数据进行自适应压缩存储处理，以完成对所述物联网超声波水表的数据智能监测。

进一步的，所述对所述振动数据变化曲线进行周期划分，得到至少一个振动周期，包括：

获取所述振动数据变化曲线上的极小值点，分别将每两个相邻的极小值点之间的曲线作为一个振动周期，得到至少一个振动周期。

进一步的，所述根据所述振动周期与其他振动周期之间的曲线变化差异，获取所述振动周期的变化异常程度，包括：

根据所述振动周期对应的曲线幅值和周期时长，获取所述振动周期的第一曲线形态异常程度，根据所述振动周期对应的曲线拐点数量和曲线斜率，获取所述振动周期的第二曲线形态异常程度，根据所述第一曲线形态异常程度和所述第二曲线形态异常程度获取所述振动周期的变化异常程度。

进一步的，所述根据所述振动周期对应的曲线幅值和周期时长，获取所述振动周期的第一曲线形态异常程度，包括：

获取所有振动周期的最大曲线幅值和周期时长，根据所有振动周期的最大曲线幅值和周期时长，分别计算得到最大曲线幅值均值和周期时长均值；

获取所述振动周期的最大曲线幅值与所述最大曲线幅值均值之间的第一差值绝对值，对所述第一差值绝对值进行归一化处理，得到对应的第一归一化值，获取所述振动周期的周期时长与所述周期时长均值之间的第二差值绝对值，对所述第二差值绝对值进行归一化处理，得到对应的第二归一化值；

获取所述第一归一化值和所述第二归一化值之间的相加结果，对所述相加结果进行负映射，得到对应的映射值，将常数1与所述映射值之间的差值作为所述振动周期的第一曲线形态异常程度。

进一步的，所述根据所述振动周期对应的曲线拐点数量和曲线斜率，获取所述振动周期的第二曲线形态异常程度，包括：

获取所有振动周期对应的曲线拐点数量，根据所有振动周期对应的曲线拐点数量，获取曲线拐点数量均值，计算所述振动周期的曲线拐点数量与所述曲线拐点数量均值之间的第三差值绝对值，对所述第三差值绝对值进行负映射，得到对应的第一映射值；

根据每个振动周期对应的曲线拐点，分别将每个振动周期划分为至少两个分段曲线，针对所有振动周期中的第i个分段曲线，根据每个振动周期中的第i个分段曲线的曲线斜率，获取第i个分段曲线的斜率均值；

令所述振动周期中的第i个分段曲线作为目标分段曲线，计算所述目标分段曲线的曲线斜率与所述第i个分段曲线的斜率均值之间的第四差值绝对值，根据所述振动周期中的每个分段曲线对应的第四差值绝对值，计算差值绝对值之和，对所述差值绝对值之和进行负映射，得到对应的第二映射值；

对所述第一映射值和所述第二映射值进行加权求和，得到对应的加权求和结果，将常数1与所述加权求和结果之间的差值作为所述振动周期的第二曲线形态异常程度。

进一步的，所述根据所述第一曲线形态异常程度和所述第二曲线形态异常程度获取所述振动周期的变化异常程度，包括：

分别获取所述第一曲线形态异常程度和所述第二曲线形态异常程度的权重，根据所述权重，对所述第一曲线形态异常程度和所述第二曲线形态异常程度进行加权求和，得到的加权求和结果作为所述振动周期的变化异常程度。

进一步的，所述根据每个所述振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期，包括：

获取预设的变化异常程度阈值，若任一振动周期的变化异常程度大于或等于所述变化异常程度阈值，则将所述振动周期划分为第一类周期，反之，若任一振动周期的变化异常程度小于所述变化异常程度阈值，则将所述振动周期划分为第二类周期。

进一步的，所述根据所述振动周期与所述第一类周期内的其他振动周期之间的周期长度差异，获取所述振动周期的数据精度保留程度，包括：

在所述第一类周期内任意选择两个除所述振动周期之外的振动周期作为其他振动周期，分别计算每个其他振动周期与所述振动周期之间的周期长度的第五差值绝对值，获取两个所述第五差值绝对值之间的比值，获取常数1与所述比值之间的相减结果，对所述相减结果进行负映射，得到对应的映射结果作为所述振动周期的数据精度保留程度。

进一步的，所述根据所述第一类周期中的每个振动周期的数据精度保留程度，将所述第一类周期中的所有振动周期划分为第三类周期和第四类周期，包括：

获取预设的数据精度保留程度阈值，令所述第一类周期中的任一振动周期为目标振动周期，若所述目标振动周期的所有数据精度保留程度中至少存在一个数据精度保留程度大于或等于所述数据精度保留程度阈值，则将所述目标振动周期划分为第三类周期，反之，将所述目标振动周期划分为第四类周期。

进一步的，所述对所述第二类周期、所述第三类周期和所述第四类周期中的振动数据进行自适应压缩存储处理，包括：

对所述第二类周期和所述第四类周期中的所有振动周期的振动数据进行均值处理，得到的均值统一替换所述第二类周期和所述第四类周期中的所有振动周期的每个振动数据，得到替换后的振动周期；

使用游程编码对所述替换后的振动周期中的所有振动数据进行编码压缩，得到对应的压缩数据，将所述压缩数据和所述第三类周期中的所有振动数据进行统一存储。

本发明实施例与现有技术相比存在的有益效果是：

本发明基于预设的采样频率获取目标时段内的物联网超声波水表中的超声波传感器的振动数据，将所述振动数据映射到时序二维空间中，得到对应的振动数据变化曲线；对所述振动数据变化曲线进行周期划分，得到至少一个振动周期，针对任一振动周期，根据所述振动周期与其他振动周期之间的曲线变化差异，获取所述振动周期的变化异常程度，根据每个所述振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期；针对所述第一类周期中的任一振动周期，根据所述振动周期与所述第一类周期内的其他振动周期之间的周期长度差异，获取所述振动周期的数据精度保留程度，根据所述第一类周期中的每个振动周期的数据精度保留程度，将所述第一类周期中的所有振动周期划分为第三类周期和第四类周期；对所述第二类周期、所述第三类周期和所述第四类周期中的振动数据进行自适应压缩存储处理，以完成对所述物联网超声波水表的数据智能监测。其中，对超声波传感器中各振动周期进行特征分析并获取振动特征差异较大的第一类周期，进而对第一类周期中的每个振动周期进行异常分析，实现对第一类周期的周期精分类，从而将所有振动周期划分为异常振动周期和非异常振动周期，进一步对异常振动周期和非异常振动周期进行自适应压缩存储处理，使得在提高压缩效率保证压缩效果的同时，能够准确监测并保留异常的振动周期数据信息。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种物联网超声波水表的数据智能监测方法的方法流程图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

需要说明的是，本公开的说明书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与本公开的一些方面相一致的装置和方法的例子。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

参见图1，是本发明实施例一提供的一种物联网超声波水表的数据智能监测方法的方法流程图，如图1所示，该数据智能监测方法可以包括：

步骤S101，基于预设的采样频率获取目标时段内的物联网超声波水表中的超声波传感器的振动数据，将振动数据映射到时序二维空间中，得到对应的振动数据变化曲线。

本发明实施例中，使用物联网超声波水表中内置的振动监测功能或者添加的外部振动传感器，获取物联网超声波水表中的超声波传感器的振动数据，其中，采样频率可以设置为1秒，进而根据设置的采样频率能够获取目标时段内的所有振动数据，且目标时段可以设置为1小时、1天等。在采集到了目标时段内的振动数据之后，以采样时间为横坐标、振动数据为纵坐标，构建时序二维空间，从而得到目标时段内的振动数据变化曲线。值得说明的是，本发明实施例中对采样频率和目标时段不做限制。

步骤S102，对振动数据变化曲线进行周期划分，得到至少一个振动周期，针对任一振动周期，根据振动周期与其他振动周期之间的曲线变化差异，获取振动周期的变化异常程度，根据每个振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期。

由于游程编码对完全连续且相同的数据段进行编码压缩时的压缩效率较高，而在通过压缩的方式对振动数据进行压缩存储以便后续监测超声波传感器的运行状态时，振动数据变化曲线中的各个振动数据会因为外部环境或操作条件（例如流体性质的变化）导致采集到的振动数据之间存在一定的差异性，虽然该差异性是在可控范围内，也即是相似性仍然较高，但如果直接对振动数据变化曲线中的各个振动数据进行游程编码的压缩，会出现压缩损失较大，因此，需要对振动数据变化曲线中的各个振动数据进行优化处理，以在提高压缩效率保证压缩效果的同时，能够准确监测并保留异常的振动数据信息。

本发明实施例中考虑到超声波传感器的正常运行下，振动数据的变化是呈周期性稳定的，因此，对振动数据变化曲线进行周期划分，得到至少一个振动周期，进而针对任一振动周期，根据振动周期与其他振动周期之间的曲线变化差异，获取振动周期的变化异常程度。其中，对所述振动数据变化曲线进行周期划分，得到至少一个振动周期，包括：获取所述振动数据变化曲线上的极小值点，分别将每两个相邻的极小值点之间的曲线作为一个振动周期，得到至少一个振动周期。

值得说明的是，获取曲线上的极小值点是现有技术，此处不再赘述。

以一个振动周期为例，则根据所述振动周期与其他振动周期之间的曲线变化差异，获取所述振动周期的变化异常程度，包括：

（1）根据所述振动周期对应的曲线幅值和周期时长，获取所述振动周期的第一曲线形态异常程度。

具体的，获取所有振动周期的最大曲线幅值和周期时长，根据所有振动周期的最大曲线幅值和周期时长，分别计算得到最大曲线幅值均值和周期时长均值；

获取所述振动周期的最大曲线幅值与所述最大曲线幅值均值之间的第一差值绝对值，对所述第一差值绝对值进行归一化处理，得到对应的第一归一化值，获取所述振动周期的周期时长与所述周期时长均值之间的第二差值绝对值，对所述第二差值绝对值进行归一化处理，得到对应的第二归一化值；

获取所述第一归一化值和所述第二归一化值之间的相加结果，对所述相加结果进行负映射，得到对应的映射值，将常数1与所述映射值之间的差值作为所述振动周期的第一曲线形态异常程度。

在一实施方式中，以第i个振动周期为例，则第i个振动周期的第一曲线形态异常程度的计算表达式为：

其中，表示第i个振动周期的第一曲线形态异常程度，/>表示以自然常数e为底数的指数函数，/>表示归一化函数，/>表示第i个振动周期的最大曲线幅值（最大的纵轴数据绝对值），/>表示第j个振动周期的最大曲线幅值，N表示振动周期的数量，表示最大曲线幅值均值，/>表示第i个振动周期的周期时长（横轴对应的时间时长），/>表示第j个振动周期的周期时长，/>表示周期时长均值，1表示常数，| |表示绝对值符号。

需要说明的是，第i个振动周期的最大曲线幅值与最大曲线幅值均值之间差值绝对值，以及第i个振动周期的周期时长与周期时长均值之间的差值绝对值/>，用于表征第i个振动周期与整体振动周期之间的差异大小，差异越小，说明第i个振动周期与整体振动周期的振幅和带宽越相似，间接反映了第i个振动周期对应的曲线的畸形程度越小，对应第i个振动周期的第一曲线形态异常程度越小。

（2）根据所述振动周期对应的曲线拐点数量和曲线斜率，获取所述振动周期的第二曲线形态异常程度。

具体的，获取所有振动周期对应的曲线拐点数量，根据所有振动周期对应的曲线拐点数量，获取曲线拐点数量均值，计算所述振动周期的曲线拐点数量与所述曲线拐点数量均值之间的第三差值绝对值，对所述第三差值绝对值进行负映射，得到对应的第一映射值；

根据每个振动周期对应的曲线拐点，分别将每个振动周期划分为至少两个分段曲线，针对所有振动周期中的第i个分段曲线，根据每个振动周期中的第i个分段曲线的曲线斜率，获取第i个分段曲线的斜率均值；

令所述振动周期中的第i个分段曲线作为目标分段曲线，计算所述目标分段曲线的曲线斜率与所述第i个分段曲线的斜率均值之间的第四差值绝对值，根据所述振动周期中的每个分段曲线对应的第四差值绝对值，计算差值绝对值之和，对所述差值绝对值之和进行负映射，得到对应的第二映射值；

对所述第一映射值和所述第二映射值进行加权求和，得到对应的加权求和结果，将常数1与所述加权求和结果之间的差值作为所述振动周期的第二曲线形态异常程度。

在一实施方式中，首先对每个振动周期对应的曲线进行二阶求导，从而确定每个振动周期中的曲线拐点以及曲线拐点数量，然后，针对任一振动周期，根据该振动周期中的曲线拐点将该振动周期的曲线划分为若干个分段曲线，例如，第j个振动周期中有3个曲线拐点，对应将第j个振动周期划分为4个分段曲线，并分别获取每个分段曲线的曲线斜率。以第i个振动周期为例，则根据第i个振动周期中的曲线拐点数量和每个分段曲线的曲线斜率，获取第i个振动周期的第二曲线形态异常程度，其中，第i个振动周期的第二曲线形态异常程度的计算表达式为：

其中，表示第i个振动周期的第二曲线形态异常程度，/>表示第一权重，表示以自然常数e为底数的指数函数，/>表示第i个振动周期中的曲线拐点数量，表示所有振动周期中的曲线拐点数量之间的曲线拐点数量均值，/>表示第二权重，/>表示第i个振动周期中的第d个分段曲线的曲线斜率，/>表示所有振动周期的第d个分段曲线的曲线斜率的斜率均值，z表示第i个振动周期的分段曲线的数量。

需要说明的是，第i个振动周期中的曲线拐点数量与曲线拐点数量均值之间的差异越大，说明第i个振动周期的曲线形态越异常，对应第i个振动周期的第二曲线形态异常程度/>越大，同理，第i个振动周期中的每个分段曲线的曲线斜率与所有振动周期之间的同一个分段曲线的斜率均值之间的差异/>越大，说明第i个振动周期的曲线形态越异常，对应第i个振动周期的第二曲线形态异常程度/>越大，第二曲线形态异常程度/>越大，越说明第i个振动周期的曲线畸形程度越高。

优选的，本发明实施例中，根据经验赋予第一权重，第二权重，对权重不做限制。

（3）根据所述第一曲线形态异常程度和所述第二曲线形态异常程度获取所述振动周期的变化异常程度。

具体的，分别获取所述第一曲线形态异常程度和所述第二曲线形态异常程度的权重，根据所述权重，对所述第一曲线形态异常程度和所述第二曲线形态异常程度进行加权求和，得到的加权求和结果作为所述振动周期的变化异常程度。

在一实施方式中，第i个振动周期的变化异常程度的计算表达式为：

其中，表示第i个振动周期的变化异常程度，/>表示第一曲线形态异常程度的权重，/>表示第二曲线形态异常程度的权重，/>表示第i个振动周期的第一曲线形态异常程度，/>表示第i个振动周期的第二曲线形态异常程度。

值得说明的是，由于第一曲线形态异常程度和第二曲线形态异常程度是通过不同方向综合进行振动周期畸形程度的判断，因此二者重要性和参考价值同等重要，赋予合理的权重值，则令。

至此，利用上述第i个振动周期的变化异常程度的获取方法，分别获取每个振动周期的变化异常程度。

进一步的，振动数据变化曲线中的各个振动周期之间存在一些振动周期与正常振动周期相比有较大的曲线差异形态，则认为这些振动周期属于畸形的振动周期，该类畸形振动周期的异常特征为：振动幅度较大或较小，曲线形态较为畸形，也即是曲线波形趋势存在明显差别，因此，可根据上述获取的每个振动周期的变化异常程度，对所有的振动周期进行划分，以筛选出畸形程度较高的振动周期，则据每个振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期，其中，第一类周期是指畸形程度较高的振动周期，第二类周期是指畸形程度较低的振动周期，也即是正常振动周期。

优选的，根据每个所述振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期，包括：

获取预设的变化异常程度阈值，若任一振动周期的变化异常程度大于或等于所述变化异常程度阈值，则将所述振动周期划分为第一类周期，反之，若任一振动周期的变化异常程度小于所述变化异常程度阈值，则将所述振动周期划分为第二类周期。

在一实施方式中，设置变化异常程度阈值为0.7，针对任一振动周期，若该振动周期的变化异常程度大于或等于0.7，则认为该振动周期的畸形程度较高，反之，若该振动周期的变化异常程度小于0.7，则认为该振动周期的畸形程度较低，同理，将每个振动周期的变化异常程度都与变化异常程度阈值进行对比，根据对比结果，将所有振动周期划分为第一类周期和第二类周期。

步骤S103，针对第一类周期中的任一振动周期，根据振动周期与第一类周期内的其他振动周期之间的周期长度差异，获取振动周期的数据精度保留程度，根据第一类周期中的每个振动周期的数据精度保留程度，将第一类周期中的所有振动周期划分为第三类周期和第四类周期。

对于上述步骤S102所划分得到的第一类周期而言，造成第一类周期中的每个振动周期畸形异常的原因可能是多样的，若当前畸形程度较高的振动周期为突发性，且不具备长期持续性的振动特征，则其极有可能为短暂或随机的噪声干扰等因素引起的振动畸形，则对于该类情况所导致的畸形程度较高的振动周期的影响程度极低，可以对其忽略并视为正常振动周期，而对于长期持续畸形振动而言，极有可能存在设备故障、流量异常等风险，则该类情况所导致的畸形程度较高的振动周期的影响程度较高，因此，对第一类周期中的所有振动周期进行进一步的划分，以筛选出不可忽视的畸形程度较高的振动周期。

其中，筛选的方法为：针对第一类周期中的任一振动周期，根据振动周期与第一类周期内的其他振动周期之间的周期长度差异，获取振动周期的数据精度保留程度，根据第一类周期中的每个振动周期的数据精度保留程度，将第一类周期中的所有振动周期划分为第三类周期和第四类周期。

优选的，根据所述振动周期与所述第一类周期内的其他振动周期之间的周期长度差异，获取所述振动周期的数据精度保留程度，包括：

在所述第一类周期内任意选择两个除所述振动周期之外的振动周期作为其他振动周期，分别计算每个其他振动周期与所述振动周期之间的周期长度的第五差值绝对值，获取两个所述第五差值绝对值之间的比值，获取常数1与所述比值之间的相减结果，对所述相减结果进行负映射，得到对应的映射结果作为所述振动周期的数据精度保留程度。

在一实施方式中，以第一类周期内的第x个振动周期为例，在第一类周期内选择第u个振动周期和第y个振动周期作为其他振动周期，则根据针对第一类周期中的第x个振动周期的数据精度保留程度的计算表达式为：

其中，表示第一类周期中的第x个振动周期的数据精度保留程度，/>表示以自然常数e为底数的指数函数，/>表示第一类周期中的第u个振动周期的周期长度，/>表示第一类周期中的第y个振动周期的周期长度，/>表示第一类周期中的第x个振动周期的周期长度，| |表示绝对值符号，1表示常数。

需要说明的是，若第一类周期中的第u个振动周期的周期长度与第x个振动周期的周期长度之间的差值绝对值，和第一类周期中的第y个振动周期的周期长度与第x个振动周期的周期长度之间的差值绝对值之间的比值越趋近于1，说明这三个振动周期的长期持续性越高，对应第x个振动周期越属于设备故障、流量异常等风险造成的异常，则第x个振动周期的数据精度保留程度越高。

同理，在第一类周期中随机多次选择任意两个振动周期，利用上述数据精度保留程度的获取方法，能够得到第一类周期中的第x个振动周期的多个数据精度保留程度。

优选的，根据所述第一类周期中的每个振动周期的数据精度保留程度，将所述第一类周期中的所有振动周期划分为第三类周期和第四类周期，包括：

获取预设的数据精度保留程度阈值，令所述第一类周期中的任一振动周期为目标振动周期，若所述目标振动周期的所有数据精度保留程度中至少存在一个数据精度保留程度大于或等于所述数据精度保留程度阈值，则将所述目标振动周期划分为第三类周期，反之，将所述目标振动周期划分为第四类周期。

在一实施方式中，设置数据精度保留程度阈值为0.8，由于第一类周期中的第x个振动周期对应多个数据精度保留程度，若第x个振动周期的多个数据精度保留程度中至少存在一个数据精度保留程度大于或等于0.8，则将第x个振动周期划分为第三类周期，反之，将第x个振动周期划分为第四类周期，其中，第三类周期是指不可忽视的畸形程度较高的振动周期，也即是设备故障、流量异常等风险造成的振动异常，第四类周期是指可以视为正常振动的振动周期，也即是由短暂或随机的噪声干扰等因素引起的振动异常。

至此，对第一类周期中的每个振动周期进行上述划分，从而将第一类周期中的所有振动周期划分为第三类周期和第四类周期。

步骤S104，对第二类周期、第三类周期和第四类周期中的振动数据进行自适应压缩存储处理，以完成对物联网超声波水表的数据智能监测。

根据步骤S102和步骤S103将振动数据变化曲线的所有振动周期划分为了两大类，一类为第三类周期，属于不可忽视的异常振动周期，一类是第二类周期和第四类周期，属于正常振动周期。对于第三类周期认定其周期长期持续性较高，需要保留原始曲线形态特征，而对于第二类周期和第四类周期，认为其影响程度较低，可以对其进行精度的损失以便于增大压缩冗余的同时能够突显影响较大的异常振动周期，因此，对第二类周期、第三类周期和第四类周期中的振动数据进行自适应压缩存储处理。其中，对所述第二类周期、所述第三类周期和所述第四类周期中的振动数据进行自适应压缩存储处理，包括：

对所述第二类周期和所述第四类周期中的所有振动周期的振动数据进行均值处理，得到的均值统一替换所述第二类周期和所述第四类周期中的所有振动周期的每个振动数据，得到替换后的振动周期；

使用游程编码对所述替换后的振动周期中的所有振动数据进行编码压缩，得到对应的压缩数据，将所述压缩数据和所述第三类周期中的所有振动数据进行统一存储。

值得说明的是，对第二类周期和第四类周期中的所有振动周期的振动数据进行均值处理，以通过降低正常振动数据的精度，增大冗余重复程度，从而能够提高游程编码对目标时段内的超声波传感器的正常振动数据的压缩效率，且游程编码属于现有技术，此处不再赘述。

通过对第二类周期、第三类周期和第四类周期中的振动数据进行自适应压缩存储处理，不仅实现了对目标时段内的物联网超声波水表中的超声波传感器的振动数据的准确监测，同时还保留了异常振动数据信息，以便于后续根据存储的数据进行超声波传感器的运行状态分析。

综上所述，本发明实施例基于预设的采样频率获取目标时段内的物联网超声波水表中的超声波传感器的振动数据，将振动数据映射到时序二维空间中，得到对应的振动数据变化曲线；对振动数据变化曲线进行周期划分，得到至少一个振动周期，针对任一振动周期，根据振动周期与其他振动周期之间的曲线变化差异，获取振动周期的变化异常程度，根据每个振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期；针对第一类周期中的任一振动周期，根据振动周期与第一类周期内的其他振动周期之间的周期长度差异，获取振动周期的数据精度保留程度，根据第一类周期中的每个振动周期的数据精度保留程度，将第一类周期中的所有振动周期划分为第三类周期和第四类周期；对第二类周期、第三类周期和第四类周期中的振动数据进行自适应压缩存储处理，以完成对物联网超声波水表的数据智能监测。其中，对超声波传感器中各振动周期进行特征分析并获取振动特征差异较大的第一类周期，进而对第一类周期中的每个振动周期进行异常分析，实现对第一类周期的周期精分类，从而将所有振动周期划分为异常振动周期和非异常振动周期，进一步对异常振动周期和非异常振动周期进行自适应压缩存储处理，使得在提高压缩效率保证压缩效果的同时，能够准确监测并保留异常的振动周期数据信息。

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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种物联网超声波水表的数据智能监测方法，其特征在于，所述一种物联网超声波水表的数据智能监测方法包括：

基于预设的采样频率获取目标时段内的物联网超声波水表中的超声波传感器的振动数据，将所述振动数据映射到时序二维空间中，得到对应的振动数据变化曲线；

对所述振动数据变化曲线进行周期划分，得到至少一个振动周期，针对任一振动周期，根据所述振动周期与其他振动周期之间的曲线变化差异，获取所述振动周期的变化异常程度，根据每个所述振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期；

针对所述第一类周期中的任一振动周期，根据所述振动周期与所述第一类周期内的其他振动周期之间的周期长度差异，获取所述振动周期的数据精度保留程度，根据所述第一类周期中的每个振动周期的数据精度保留程度，将所述第一类周期中的所有振动周期划分为第三类周期和第四类周期；

对所述第二类周期、所述第三类周期和所述第四类周期中的振动数据进行自适应压缩存储处理，以完成对所述物联网超声波水表的数据智能监测。

2.根据权利要求1所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述对所述振动数据变化曲线进行周期划分，得到至少一个振动周期，包括：

获取所述振动数据变化曲线上的极小值点，分别将每两个相邻的极小值点之间的曲线作为一个振动周期，得到至少一个振动周期。

3.根据权利要求1所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据所述振动周期与其他振动周期之间的曲线变化差异，获取所述振动周期的变化异常程度，包括：

根据所述振动周期对应的曲线幅值和周期时长，获取所述振动周期的第一曲线形态异常程度，根据所述振动周期对应的曲线拐点数量和曲线斜率，获取所述振动周期的第二曲线形态异常程度，根据所述第一曲线形态异常程度和所述第二曲线形态异常程度获取所述振动周期的变化异常程度。

4.根据权利要求3所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据所述振动周期对应的曲线幅值和周期时长，获取所述振动周期的第一曲线形态异常程度，包括：

获取所有振动周期的最大曲线幅值和周期时长，根据所有振动周期的最大曲线幅值和周期时长，分别计算得到最大曲线幅值均值和周期时长均值；

获取所述振动周期的最大曲线幅值与所述最大曲线幅值均值之间的第一差值绝对值，对所述第一差值绝对值进行归一化处理，得到对应的第一归一化值，获取所述振动周期的周期时长与所述周期时长均值之间的第二差值绝对值，对所述第二差值绝对值进行归一化处理，得到对应的第二归一化值；

获取所述第一归一化值和所述第二归一化值之间的相加结果，对所述相加结果进行负映射，得到对应的映射值，将常数1与所述映射值之间的差值作为所述振动周期的第一曲线形态异常程度。

5.根据权利要求3所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据所述振动周期对应的曲线拐点数量和曲线斜率，获取所述振动周期的第二曲线形态异常程度，包括：

获取所有振动周期对应的曲线拐点数量，根据所有振动周期对应的曲线拐点数量，获取曲线拐点数量均值，计算所述振动周期的曲线拐点数量与所述曲线拐点数量均值之间的第三差值绝对值，对所述第三差值绝对值进行负映射，得到对应的第一映射值；

根据每个振动周期对应的曲线拐点，分别将每个振动周期划分为至少两个分段曲线，针对所有振动周期中的第i个分段曲线，根据每个振动周期中的第i个分段曲线的曲线斜率，获取第i个分段曲线的斜率均值；

令所述振动周期中的第i个分段曲线作为目标分段曲线，计算所述目标分段曲线的曲线斜率与所述第i个分段曲线的斜率均值之间的第四差值绝对值，根据所述振动周期中的每个分段曲线对应的第四差值绝对值，计算差值绝对值之和，对所述差值绝对值之和进行负映射，得到对应的第二映射值；

对所述第一映射值和所述第二映射值进行加权求和，得到对应的加权求和结果，将常数1与所述加权求和结果之间的差值作为所述振动周期的第二曲线形态异常程度。

6.根据权利要求3所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据所述第一曲线形态异常程度和所述第二曲线形态异常程度获取所述振动周期的变化异常程度，包括：

分别获取所述第一曲线形态异常程度和所述第二曲线形态异常程度的权重，根据所述权重，对所述第一曲线形态异常程度和所述第二曲线形态异常程度进行加权求和，得到的加权求和结果作为所述振动周期的变化异常程度。

7.根据权利要求1所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据每个所述振动周期的变化异常程度将所有振动周期划分为第一类周期和第二类周期，包括：

获取预设的变化异常程度阈值，若任一振动周期的变化异常程度大于或等于所述变化异常程度阈值，则将所述振动周期划分为第一类周期，反之，若任一振动周期的变化异常程度小于所述变化异常程度阈值，则将所述振动周期划分为第二类周期。

8.根据权利要求1所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据所述振动周期与所述第一类周期内的其他振动周期之间的周期长度差异，获取所述振动周期的数据精度保留程度，包括：

在所述第一类周期内任意选择两个除所述振动周期之外的振动周期作为其他振动周期，分别计算每个其他振动周期与所述振动周期之间的周期长度的第五差值绝对值，获取两个所述第五差值绝对值之间的比值，获取常数1与所述比值之间的相减结果，对所述相减结果进行负映射，得到对应的映射结果作为所述振动周期的数据精度保留程度。

9.根据权利要求1所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述根据所述第一类周期中的每个振动周期的数据精度保留程度，将所述第一类周期中的所有振动周期划分为第三类周期和第四类周期，包括：

获取预设的数据精度保留程度阈值，令所述第一类周期中的任一振动周期为目标振动周期，若所述目标振动周期的所有数据精度保留程度中至少存在一个数据精度保留程度大于或等于所述数据精度保留程度阈值，则将所述目标振动周期划分为第三类周期，反之，将所述目标振动周期划分为第四类周期。

10.根据权利要求1所述的一种物联网超声波水表的数据智能监测方法，其特征在于，所述对所述第二类周期、所述第三类周期和所述第四类周期中的振动数据进行自适应压缩存储处理，包括：

对所述第二类周期和所述第四类周期中的所有振动周期的振动数据进行均值处理，得到的均值统一替换所述第二类周期和所述第四类周期中的所有振动周期的每个振动数据，得到替换后的振动周期；

使用游程编码对所述替换后的振动周期中的所有振动数据进行编码压缩，得到对应的压缩数据，将所述压缩数据和所述第三类周期中的所有振动数据进行统一存储。