CN117793579B - 基于物联网的计量设备远程监测管理方法及系统 - Google Patents

Abstract

本发明公开了基于物联网的计量设备远程监测管理方法及系统，涉及数据监测相关领域，该方法包括：将计量设备与远程监测模块通信连接，根据云平台接收第一实时计量数据集以及第一远程计量数据集，在云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，以第一采样误差特征和第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型，基于远程误差反馈模型对远程监测模块的显示数据进行优化，解决了现有技术中缺乏对计量设备在计量过程中的监测，导致计量精度低的技术问题，实现了基于物联网对计量设备进行远程监测管理，达到提高计量精度的技术效果。

Description

基于物联网的计量设备远程监测管理方法及系统

技术领域

本申请涉及数据监测相关领域，尤其涉及基于物联网的计量设备远程监测管理方法及系统。

背景技术

伴随着时代的发展以及社会经济的繁荣，我国的社会生产、生活对于计量质量以及准确性的要求日益提升。作为实现单位统一、确保量值准确的活动，计量作业开展的质量往往对社会发展产生直接的影响，而如今在现有技术中缺乏对计量设备在计量过程中的监测，导致计量设备存在计量精度低的技术问题。

发明内容

本申请通过提供基于物联网的计量设备远程监测管理方法及系统，基于物联网对计量设备进行远程监测管理，达到提高计量精度的技术效果。

本申请提供基于物联网的计量设备远程监测管理方法，所述方法应用于基于物联网的计量设备远程监测管理系统，包括：将计量设备与远程监测模块通信连接，其中，所述计量设备的监测数据远程同步至所述远程监测模块中，且所述计量设备的数据与所述远程监测模块的数据传输存储至云平台；对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集；在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型；基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化。

在可能的实现方式中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，执行以下处理：所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差；其中，对所述计量设备进行等时长间隔采样包括预设阶梯时长，所述预设阶梯时长包括多个提前预设的间隔时长，按照每个预设的间隔时长对所述计量设备进行等时长间隔采样，输出等时长间隔采样数据集。

在可能的实现方式中，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差，执行以下处理：所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；其中，对所述计量设备进行非等时长间隔采样包括采样间隔时长渐长的非等时长间隔采样和采样间隔时长渐短的非等时长间隔采样；按照采样间隔时长渐长和采样间隔时长渐短分别对所述计量设备进行非等时长间隔采样，输出强-非等时长间隔采样，和弱-非等时长间隔采样。

在可能的实现方式中，当所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集时，执行以下处理：获取所述云平台与所述计量设备的第一数据传输通道；获取所述云平台与所述远程监测模块的第二数据传输通道；根据所述第一数据传输通道对所述第一实时计量数据集进行数据传输损失分析，获取第一损失指标，所述第一损失指标包括所述云平台与所述计量设备之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率；根据所述第二数据传输通道对所述远程监测模块进行数据传输损失分析，获取第二损失指标，所述第二损失指标包括所述云平台与所述远程监测模块之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率；按照所述第一损失指标和所述第二损失指标对所述远程误差反馈模型进行优化，判断所述第一损失指标和所述第二损失指标的损失指标差是否大于等于预设损失指标。

在可能的实现方式中，获取第一损失指标和第二损失指标之后，执行以下处理：判断所述第一损失指标和所述第二损失指标的损失指标差是否大于等于预设损失指标，若所述损失指标差大于等于所述预设损失指标，增设信号放大模块，定位所述第一损失指标和所述第二损失指标中损失较大一方的对象，其中，损失较大一方的对象为所述计量设备或所述远程监测模块；将所述增设信号放大模块的输入端与所述计量设备或所述远程监测模块连接，将所述增设信号放大模块的输出端与所述云平台连接。

在可能的实现方式中，以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型，执行以下处理：获取初始化的全连接神经网络；根据所述第一采样误差特征所述第二采样误差特征对初始化的全连接神经网络进行远程误差反馈网络层训练，直至误差反馈收敛得到所述远程误差反馈模型；其中，所述第一采样误差特征为在等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差，所述第二采样误差特征为在非等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差。

在可能的实现方式中，执行以下处理：对所述第一实时计量数据集和所述第一远程计量数据集进行样本检验，获取采样异常指标；当所述采样异常指标大于预设采样异常指标，获取采样更新指令，以所述采样更新指令对所述第一实时计量数据集和所述第一远程计量数据集进行采样更新。

本申请还提供了基于物联网的计量设备远程监测管理系统，包括：通信连接模块，所述通信连接模块用于将计量设备与远程监测模块通信连接，其中，所述计量设备的监测数据远程同步至所述远程监测模块中，且所述计量设备的数据与所述远程监测模块的数据传输存储至云平台；数据采样模块，所述数据采样模块用于对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集；第一比对模块，所述第一比对模块用于在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；第一训练模块，所述第一训练模块用于以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型；第一优化模块，所述第一优化模块用于基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化。

拟通过本申请提出的基于物联网的计量设备远程监测管理方法及系统，将计量设备与远程监测模块通信连接，对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集，在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差，以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型，基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化。

实现了基于物联网对计量设备进行远程监测管理，达到提高计量精度的技术效果。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例的附图作简单的介绍，本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1为本申请实施例提供的基于物联网的计量设备远程监测管理方法的流程示意图；

图2为本申请实施例提供的基于物联网的计量设备远程监测管理系统的结构示意图。

具体实施方式

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步的详细描述，所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在以下的描述中，涉及“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序。术语“包括”和“具有”以及他们的任何变形，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、产品或服务器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模块，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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。

本申请实施例提供了基于物联网的计量设备远程监测管理方法，所述方法应用于基于物联网的计量设备远程监测管理系统，如图1所示，所述方法包括：

步骤A100，将计量设备与远程监测模块通信连接，其中，所述计量设备的监测数据远程同步至所述远程监测模块中，且所述计量设备的数据与所述远程监测模块的数据传输存储至云平台；其中，为了提高使用计量设备的精准性，因此需要在物联网的基础上对计量设备与远程监测模块进行通信连接，计量设备可以是用来测量物理量或控制过程的工具，可以包含各种用于计量的仪器仪表和传感器，该远程监测模块是用于与计量设备进行通信并收集数据，其可以通过无线或有线连接与计量设备进行通信，并将所监测的数据传输到云平台内进行存储，同时计量设备的监测数据远程同步至远程监测模块中，且计量设备的数据与远程监测模块的数据一同传输存储至云平台内进行记录，方便后期数据调取的灵活性，为后期实现基于物联网对计量设备进行远程监测管理作为重要参考依据。

基于上述计量设备以及云平台，执行步骤A200，对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集。为了更精准的对计量设备进行远程监测管理，则首先对计量设备进行模拟作业的数据采样，计量设备进行模拟作业是为了验证设备的性能、准确性和可靠性，针对具体的计量设备和模拟作业，可能需要根据实际情况进行相应的调整和定制化，所采集的数据可以根据计量数据的采样频率、时间间隔所获。

进一步的，根据云平台接收与计量设备所对应的实时计量数据集，将其记作第一实时计量数据集，可以通过设备的数据采集模块、传感器或其他数据传输设备将计量设备的实时计量数据集发送到云平台，该云平台可以通过API、消息队列或其他数据接收机制实现计量设备实时计量数据集的接收，再根据云平台与上述同理进行与远程监测模块所对应的远程计量数据集的接收，将其记作第一远程计量数据集。

当云平台接收计量设备对应的第一实时计量数据集，以及远程监测模块对应的第一远程计量数据集时，是指计量设备以及远程监测模块在与云平台进行数据传输时存在传输误差，包括计量设备误差、远程监测模块误差，在一种可能的实现方式中，步骤A200进一步包括步骤A210，获取所述云平台与所述计量设备的第一数据传输通道。第一数据传输通道是用于连接云平台与计量设备之间进行实时计量数据传输的通道，继而同理执行步骤A220，获取所述云平台与所述远程监测模块的第二数据传输通道。第二数据传输通道是用于连接云平台与远程监测模块之间进行远程计量数据传输的通道，基于如上所构建的第一数据传输通道，执行步骤A230，根据所述第一数据传输通道对所述第一实时计量数据集进行数据传输损失分析，获取第一损失指标，所述第一损失指标包括所述云平台与所述计量设备之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率。根据第一数据传输通道对第一实时计量数据集进行损失分析，可以通过监测和测量数据丢包率、数据传输延迟、数据稳定性、带宽利用率等指标来获取损失情况。例如，可以使用网络监测工具或设备提供的统计数据来获取丢包率、传输延迟和抖动等指标，由此确定与第一数据传输通道所对应的第一损失指标，同理，执行步骤A240，根据所述第二数据传输通道对所述远程监测模块进行数据传输损失分析，获取第二损失指标，所述第二损失指标包括所述云平台与所述远程监测模块之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率。通过对第二数据传输通道对远程监测模块进行数据传输的损失分析，可以使用网络监测工具或设备提供的统计数据来获取上述损失指标。根据损失指标的评估和分析，可以采取相应的措施进行优化和改进。例如，针对信号强度较低的情况，可以更换设备、加强信号覆盖等方式来提高信号质量；针对传输速率过慢的情况，可以考虑使用网络优化技术、调整传输参数等方法来提高传输速率；针对网络延迟较大的情况，可以采用就近接入等方式来降低延迟；针对数据压缩率较低的情况，可以采用更高效的数据压缩算法来减少数据传输量；针对数据丢失率较高的情况，可以使用重传机制等方式来提高数据传输的完整性和可靠性，在此基础上获取第二损失指标，基于上述所获的第一损失指标与第二损失指标执行步骤A250，按照所述第一损失指标和所述第二损失指标对所述远程误差反馈模型进行优化，判断所述第一损失指标和所述第二损失指标的损失指标差是否大于等于预设损失指标。在获取第一损失指标和第二损失指标之后，进一步包括步骤A251，判断所述第一损失指标和所述第二损失指标的损失指标差是否大于等于预设损失指标，若所述损失指标差大于等于所述预设损失指标，增设信号放大模块，定位所述第一损失指标和所述第二损失指标中损失较大一方的对象，其中，损失较大一方的对象为所述计量设备或所述远程监测模块。损失指标差是通过第一损失指标与第二损失指标的数值进行作差所获，当损失指标差大于等于预设损失指标时，则视为此时数据传输过程中的损失过大，同时增设信号放大模块，信号放大模块用于定位第一损失指标和第二损失指标中损失较大一方，将其作为信号放大对象进行信号的增大操作，从而降低数据传输过程中的损失，且损失较大一方的对象为计量设备或远程监测模块，进一步的执行步骤A252，将增设信号放大模块的输入端与所述计量设备或所述远程监测模块连接，将所述增设信号放大模块的输出端与所述云平台连接，首先通过将增设信号放大模块的输入端与计量设备或远程监测模块连接，可以改善数据传输中的信号强度和传输质量，将增设信号放大模块的输出端与云平台连接，增设信号放大模块可以通过放大信号的幅度来增强信号强度，从而减少信号衰减和干扰，将信号增大后所传输的数据存储至云平台中，可以有效提升信号强度，减少信号丢失和传输错误的情况，从而改善数据传输的质量和可靠性。

通过上述获取第一实时计量数据集以及第一远程计量数据集后，执行步骤A300，在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差。首先通过在云平台内将第一实时计量数据集和第一远程计量数据集进行采样误差的比对，可以通过对计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，在一种可能的实现方式中，步骤A300进一步包括步骤A310，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差。是指对计量设备进行等时长间隔采样，且等时长包括阶梯状，该阶梯状为预设阶梯时长，同时包括多个提前预设的间隔时长，按照每个预设的间隔时长对所述计量设备进行等时长间隔采样，输出等时长间隔采样数据集。

通过对计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差，执行步骤A320，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差。是指对计量设备再进行非等时长间隔采样，非等时长间隔为每两个采样节点之间的时间长度均为不相等的时间长度，且随着时间变化，时间长度逐渐增大或减小，即对计量设备进行非等时长间隔采样包括采样间隔时长渐长的非等时长间隔采样和采样间隔时长渐短的非等时长间隔采样，在此基础上执行步骤A330，按照采样间隔时长渐长和采样间隔时长渐短分别对所述计量设备进行非等时长间隔采样，输出强-非等时长间隔采样，和弱-非等时长间隔采样。基于采样间隔时长渐长对所述计量设备进行非等时长间隔采样，生成强-非等时长间隔采样，强-非等时长间隔采样是指采样的误差特征逐渐增强的非等时长间隔采样，基于采样间隔时长渐短对所述计量设备进行非等时长间隔采样，生成弱-非等时长间隔采样，弱-非等时长间隔采样是指采样的误差特征逐渐减弱的非等时长间隔采样，为后续实现基于物联网对计量设备进行远程监测管理夯实基础。

根据上述误差比对所获的第一采样误差特征以及第二采样误差特征，执行步骤A400，以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型；

执行步骤A500，获取初始化的全连接神经网络；

搭建全连接神经网络，其全连接神经网络是指一种多层的感知机结构的神经网络，进一步对远程误差反馈模型进行构建，且全连接神经网络的每一层的每一个节点都与上下层节点全部连接，在远程误差反馈模型中包含输入层、隐藏层、输出层，输入层是用于数据输入的层级，隐藏层是用于更好的对数据特征进行分离，输出层是用于结果输出的层级，远程误差反馈模型通过训练数据集和监督数据集训练获得，其中，训练数据集中的每组训练数据均包括第一采样误差特征与第二采样误差特征，且监督数据集为与训练数据集一一对应的监督数据，其中，所述第一采样误差特征为在等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差，所述第二采样误差特征为在非等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差，所述计量显示时序误差是指计量设备在测量过程中，其显示值的时序与实际物理量的时序之间的差异，计量显示数据误差是指计量设备在测量过程中，其显示的测量值与实际物理量之间的偏差。

进一步的，将训练数据集中每一组训练数据输入远程误差反馈模型，通过这组训练数据对应的监督数据进行远程误差反馈模型的输出监督调整，当远程误差反馈模型的输出结果与监督数据一致，则当前组训练结束，将训练数据集中全部的训练数据均训练结束，则完成全连接神经网络的训练。

执行步骤A600，根据所述第一采样误差特征所述第二采样误差特征对初始化的全连接神经网络进行远程误差反馈网络层训练，直至误差反馈收敛得到所述远程误差反馈模型；

为了保证远程误差反馈模型的收敛以及准确性，其收敛过程可以是远程误差反馈模型中的输出数据会聚于一点时，向某一个值靠近则为收敛，其准确性可以通过测试数据集进行远程误差反馈模型的测试处理，举例而言，测试准确率可以设定为80%，当测试数据集的测试准确率满足80%时，则远程误差反馈模型构建完成，后期通过将计量设备的显示数据输入至远程误差反馈模型，输出优化完成的显示数据，实现基于物联网对计量设备进行远程监测管理有着限定的作用。

接下来执行步骤A700，基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化。基于所述远程误差反馈模型内所包含的远程监测模块对显示数据进行优化，可以是通过远程监测模块对计量设备进行计量显示时序和计量显示数据的远程实时监测，并基于实时监测所获的计量显示时序误差和计量显示数据误差对计量设备的显示数据进行优化调整，优化的目标是使得显示的数据更加准确、可靠，并且能够及时地反映出实际情况，首先利用远程误差反馈模型对采集的数据进行实时修正，使得显示数据能够及时反映出最新的情况，再通过远程误差反馈模型对数据进行平滑处理，去除可能存在的噪声和异常值，从而提高显示数据的稳定性和可读性，进一步的对计量设备的显示数据进行异常分析以及故障诊断，实现异常预警功能，帮助用户定位和解决可能存在的问题，同时及时提醒用户可能存在的问题或风险。

在云平台中对第一实时计量数据集和第一远程计量数据集进行比对之前，执行步骤A810，对所述第一实时计量数据集和所述第一远程计量数据集进行样本检验，获取采样异常指标。首先，对第一实时计量数据集和第一远程计量数据集进行预处理，预处理可以包括数据清洗、去噪、归一化等操作，再根据预处理后的数据特点和需求，选择合适的异常检测算法，进一步的根据异常检测算法将数据集划分为训练集和测试集建立异常检测模型，计算每个样本的异常指标或异常得分。较高的异常指标表示样本更有可能是异常值，根据计量设备的业务需求和统计分析对采样异常阈值进行预设，并将超过采样异常阈值的样本记作采样异常指标，进一步的执行步骤A820，当所述采样异常指标大于预设采样异常指标，获取采样更新指令，以所述采样更新指令对所述第一实时计量数据集和所述第一远程计量数据集进行采样更新。当所述采样异常指标大于预设采样异常指标是指对于每个采样数据点，根据上一步中选择的异常检测方法和阈值进行判断，确定该数据点是否存在异常。如果存在异常，则执行下一步操作；否则，继续监测数据，在确认存在异常数据后，以调整采样频率、更换传感器、重新校准等生成采样更新指令，基于数据的特点和应用场景进行决策，根据生成的采样更新指令，可以通过自动化控制系统对所述第一实时计量数据集和所述第一远程计量数据集进行执行相应的采样更新操作，以确保采样更新操作的正确性和安全性，在完成采样更新后，进行更新验证以确保更新后的数据符合预期，提高后期实现基于物联网对计量设备进行远程监测管理的准确率。

本申请实施例实现了基于物联网对计量设备进行远程监测管理，达到提高计量精度的技术效果。

在上文中，参照图1详细描述了根据本发明实施例的基于物联网的计量设备远程监测管理方法。接下来，将参照图2描述根据本发明实施例的基于物联网的计量设备远程监测管理系统。

根据本发明实施例的基于物联网的计量设备远程监测管理系统，用于解决现有技术中缺乏对计量设备在计量过程中的监测，导致计量精度低的技术问题，实现了基于物联网对计量设备进行远程监测管理，达到提高计量精度的技术效果。基于物联网的计量设备远程监测管理系统包括：通信连接模块10、数据采样模块20、第一比对模块30、第一训练模块40、第二训练模块50、第三训练模块60、第一优化模块70。

通信连接模块10，所述通信连接模块10用于将计量设备与远程监测模块通信连接，其中，所述计量设备的监测数据远程同步至所述远程监测模块中，且所述计量设备的数据与所述远程监测模块的数据传输存储至云平台；

数据采样模块20，所述数据采样模块20用于对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集；

第一比对模块30，所述第一比对模块30用于在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；

第一训练模块40，所述第一训练模块40用于以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型；

第二训练模块50，所述第二训练模块50用于获取初始化的全连接神经网络；

第三训练模块60，所述第三训练模块60用于根据所述第一采样误差特征所述第二采样误差特征对初始化的全连接神经网络进行远程误差反馈网络层训练，直至误差反馈收敛得到所述远程误差反馈模型；

其中，所述第一采样误差特征为在等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差，所述第二采样误差特征为在非等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差；

第一优化模块70，所述第一优化模块70用于基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化。

下面，将详细描述物品第一比对模块30的具体配置。如上文中所述，第一比对模块30可以进一步包括：第一采样单元用于所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差；其中，对所述计量设备进行等时长间隔采样包括预设阶梯时长，所述预设阶梯时长包括多个提前预设的间隔时长，按照每个预设的间隔时长对所述计量设备进行等时长间隔采样，输出等时长间隔采样数据集。

下面，将详细描述第一比对模块30的具体配置。如上文中所述，第一比对模块30可以进一步包括：第一分析单元用于所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；其中，对所述计量设备进行非等时长间隔采样包括采样间隔时长渐长的非等时长间隔采样和采样间隔时长渐短的非等时长间隔采样；第二采样单元用于按照采样间隔时长渐长和采样间隔时长渐短分别对所述计量设备进行非等时长间隔采样，输出强-非等时长间隔采样，和弱-非等时长间隔采样。

下面，将详细描述数据采样模块20的具体配置。如上文中所述，当所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集时，数据采样模块20可以进一步包括：第一通道单元用于获取所述云平台与所述计量设备的第一数据传输通道；第二通道单元用于获取所述云平台与所述远程监测模块的第二数据传输通道；第二分析单元用于根据所述第一数据传输通道对所述第一实时计量数据集进行数据传输损失分析，获取第一损失指标，所述第一损失指标包括所述云平台与所述计量设备之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率；第三分析单元用于根据所述第二数据传输通道对所述远程监测模块进行数据传输损失分析，获取第二损失指标，所述第二损失指标包括所述云平台与所述远程监测模块之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率；第二优化单元用于按照所述第一损失指标和所述第二损失指标对所述远程误差反馈模型进行优化，判断所述第一损失指标和所述第二损失指标的损失指标差是否大于等于预设损失指标，若所述损失指标差大于等于所述预设损失指标，增设信号放大模块，定位所述第一损失指标和所述第二损失指标中损失较大一方的对象，其中，损失较大一方的对象为所述计量设备或所述远程监测模块；连接单元用于基于将所述增设信号放大模块的输入端与所述计量设备或所述远程监测模块连接，将所述增设信号放大模块的输出端与所述云平台连接。

下面，将详细描述第一比对模块30的具体配置。如上文中所述，第一比对模块30可以进一步包括：样本检验单元用于对所述第一实时计量数据集和所述第一远程计量数据集进行样本检验，获取采样异常指标；第二判断单元用于当所述采样异常指标大于预设采样异常指标，获取采样更新指令，以所述采样更新指令对所述第一实时计量数据集和所述第一远程计量数据集进行采样更新。

本发明实施例所提供的基于物联网的计量设备远程监测管理系统可执行本发明任意实施例所提供的基于物联网的计量设备远程监测管理方法，具备执行方法相应的功能模块和有益效果。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合和替代。任何在本申请的精神和原则之内所做的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (4)

1.基于物联网的计量设备远程监测管理方法，其特征在于，所述方法包括：

将计量设备与远程监测模块通信连接，其中，所述计量设备的监测数据远程同步至所述远程监测模块中，且所述计量设备的数据与所述远程监测模块的数据传输存储至云平台；

对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集；

在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；

以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型；

获取初始化的全连接神经网络；

根据所述第一采样误差特征所述第二采样误差特征对初始化的全连接神经网络进行远程误差反馈网络层训练，直至误差反馈收敛得到所述远程误差反馈模型；

其中，所述第一采样误差特征为在等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差，所述第二采样误差特征为在非等时长间隔采样条件下，所述计量设备与所述远程监测模块的计量显示时序误差和计量显示数据误差；

基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化；

所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差；

其中，对所述计量设备进行等时长间隔采样包括预设阶梯时长，所述预设阶梯时长包括多个提前预设的间隔时长，按照每个预设的间隔时长对所述计量设备进行等时长间隔采样，输出等时长间隔采样数据集；

所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；

其中，对所述计量设备进行非等时长间隔采样包括采样间隔时长渐长的非等时长间隔采样和采样间隔时长渐短的非等时长间隔采样；

按照采样间隔时长渐长对所述计量设备进行非等时长间隔采样，输出强-非等时长间隔采样，按照采样间隔时长渐短对所述计量设备进行非等时长间隔采样，输出弱-非等时长间隔采样，其中，所述强-非等时长间隔采样是指采样的误差特征逐渐增强的非等时长间隔采样，所述弱-非等时长间隔采样是指采样的误差特征逐渐减弱的非等时长间隔采样。

2.如权利要求1所述的基于物联网的计量设备远程监测管理方法，其特征在于，当所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集时，包括：

获取所述云平台与所述计量设备的第一数据传输通道；

获取所述云平台与所述远程监测模块的第二数据传输通道；

根据所述第一数据传输通道对所述第一实时计量数据集进行数据传输损失分析，获取第一损失指标，所述第一损失指标包括所述云平台与所述计量设备之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率；

根据所述第二数据传输通道对所述远程监测模块进行数据传输损失分析，获取第二损失指标，所述第二损失指标包括所述云平台与所述远程监测模块之间的数据丢包率、数据传输延迟、数据稳定性、带宽利用率；

按照所述第一损失指标和所述第二损失指标对所述远程误差反馈模型进行优化，判断所述第一损失指标和所述第二损失指标的损失指标差是否大于等于预设损失指标，若所述损失指标差大于等于所述预设损失指标，增设信号放大模块，定位所述第一损失指标和所述第二损失指标中损失较大一方的对象，其中，损失较大一方的对象为所述计量设备或所述远程监测模块；

将所述增设信号放大模块的输入端与所述计量设备或所述远程监测模块连接，将所述增设信号放大模块的输出端与所述云平台连接。

3.如权利要求1所述的基于物联网的计量设备远程监测管理方法，其特征在于，还包括：

对所述第一实时计量数据集和所述第一远程计量数据集进行样本检验，获取采样异常指标；

当所述采样异常指标大于预设采样异常指标，获取采样更新指令，以所述采样更新指令对所述第一实时计量数据集和所述第一远程计量数据集进行采样更新。

4.基于物联网的计量设备远程监测管理系统，其特征在于，所述系统用于实施权利要求1-3任一项所述的基于物联网的计量设备远程监测管理方法，所述系统包括：

通信连接模块，所述通信连接模块用于将计量设备与远程监测模块通信连接，其中，所述计量设备的监测数据远程同步至所述远程监测模块中，且所述计量设备的数据与所述远程监测模块的数据传输存储至云平台；

数据采样模块，所述数据采样模块用于对所述计量设备进行模拟作业的数据采样，根据所述云平台接收所述计量设备对应的第一实时计量数据集，以及所述远程监测模块对应的第一远程计量数据集；

第一比对模块，所述第一比对模块用于在所述云平台中对所述第一实时计量数据集和所述第一远程计量数据集进行比对，获取第一采样误差特征和第二采样误差特征，其中，所述第一采样误差特征通过对所述计量设备进行等时长间隔采样后分析对应数据集所获取的等间隔远程监测误差，所述第二采样误差特征通过对所述计量设备进行非等时长间隔采样后分析对应数据集所获取的非等间隔远程监测误差；

第一训练模块，所述第一训练模块用于以所述第一采样误差特征和所述第二采样误差特征进行远程误差反馈网络层训练，得到远程误差反馈模型；

第一优化模块，所述第一优化模块用于基于所述远程误差反馈模型对所述远程监测模块的显示数据进行优化。