CN118118367A - 一种物联网时序数据的凝时回放方法、设备及介质 - Google Patents
一种物联网时序数据的凝时回放方法、设备及介质 Download PDFInfo
- Publication number
- CN118118367A CN118118367A CN202410532925.4A CN202410532925A CN118118367A CN 118118367 A CN118118367 A CN 118118367A CN 202410532925 A CN202410532925 A CN 202410532925A CN 118118367 A CN118118367 A CN 118118367A
- Authority
- CN
- China
- Prior art keywords
- data
- time
- feature
- indirect
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000000007 visual effect Effects 0.000 claims abstract description 45
- 238000013515 script Methods 0.000 claims abstract description 40
- 238000009833 condensation Methods 0.000 claims abstract description 25
- 230000005494 condensation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 102
- 238000010801 machine learning Methods 0.000 claims description 48
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 12
- 230000006835 compression Effects 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003507 refrigerant Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请设计电数字数据处理领域,具体公开了一种物联网时序数据的凝时回放方法、设备及介质,其中方法包括:采集目标物联网设备的运行状态数据并进行预处理,以得到时序输入数据;对时序输入数据进行特征提取,以得到时序输入数据的直接特征数据以及间接特征数据;进行凝时处理,以得到凝时数据,基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本;基于可视化脚本以及凝时数据,生成对应的凝时数据回放视频,并通过视频操作界面播放凝时数据回放视频。通过提取关键特征、压缩时间刻度,减少粗时间粒度造成的数据特征信息损失。使不同时间粒度的数据得以保留更多信息,提高历史数据回放时关键特征提取的准确性。
Description
技术领域
本申请涉及电数字数据处理领域,具体涉及一种物联网时序数据的凝时回放方法、设备及介质。
背景技术
近年来,随着物联网技术的飞速发展,越来越多的设备被连接到物联网上,会产生大量的时序数据。这些时序数据对于设备状态监测、故障分析、历史趋势分析等具有重要价值。传统的时序数据回放方法通常采用逐个数据点的方式进行回放,这种方法对于数据量较小的情况可以满足要求,但对于数据量较大的情况,这种方法会导致回放效率低下,用户体验不佳。
现有技术中,通常通过趋势图以曲线的形式对历史数据在画面上进行展示,这种展示方式有两个缺点:一个缺点是只能展示有限的数据,且不能展示动画效果;另一个缺点是缺乏灵活性,只能依靠历史数据时序特点定制可视化界面,无法呈现更多的数据特征。
要想更准确地对设备历史运行数据进行监测,并能够更加直观的呈现出数据规律和预警信息,就要结合人工智能技术,对时序数据进行预处理,预置数据报警规则,采用机器学习方法识别异常数据曲线特征形成特征值,在可变时间刻度下实现时间压缩,自动生成数据回放脚本。但是这种方法虽然较以往方法提高了数据展现的显性特征值,展现形式上能够增加更多交互性,数据回放信息丰富且易于理解,但是由于算法的复杂性会造成算力消耗的增加,带来更多的成本上升。
发明内容
为了解决上述问题,本申请提出了一种物联网时序数据的凝时回放方法、设备及介质,其中方法包括:
采集目标物联网设备的运行状态数据并进行预处理,以得到时序输入数据;所述运行状态数据包括电流数据、电压数据、轴功率数据、电机温度数据、流量数据、振动频率数据、振幅数据以及噪声数据中的至少一种;所述预处理包括数据清洗、数据格式化以及数据标准化中的至少一种;对所述时序输入数据进行特征提取,以得到所述时序输入数据的直接特征数据以及间接特征数据;所述直接特征包括数值型数据特征以及类别型数据特征;所述间接特征包括趋势特征、周期性特征以及相关性特征中的至少一种;对所述时序输入数据、所述直接特征数据以及所述间接特征数据进行凝时处理,以得到凝时数据,所述凝时数据为一组格式一致且均带有明确时间戳的数据集合;基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本;基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,并通过视频操作界面播放所述凝时数据回放视频。
在一个示例中,对所述时序输入数据进行直接特征提取,具体包括:基于所述目标物联网设备正常运行时的运行状态数据取值范围,确定所述目标物联网设备对应的监控指标;基于所述目标物联网设备的监控指标,确定所述时序输入数据对应的直接特征告警阈值;对处于所述直接特征告警阈值范围内的所述时序输入数据进行数据分析,以确定所述时序输入数据中包含的直接特征数据以及直接特征注释;所述直接特征注释用于描述告警时刻的直接特征数据。
在一个示例中,对所述时序输入数据进行间接特征提取,具体包括:通过滑动窗口技术将所述时序输入数据对应的时间戳划分为多个时间窗口;在每个时间窗口内,通过预设机器学习算法分别计算所述时序输入数据对应的趋势特征数据、周期性特征数据以及相关性特征数据;基于数值分布情况,设定所述趋势特征数据以及周期性特征数据以及相关性特征数据分别对应的间接特征告警阈值;对触及所述间接特征告警阈值的时序输入数据进行数据分析,以得到所述时序输入数据对应的间接特征注释;所述间接特征注释用于描述所述趋势特征数据、所述周期性特征数据以及所述相关性特征数据的演变轨迹,以及数据相关性的检测结果。
在一个示例中,所述在每个时间窗口内,通过预设机器学习算法分别计算所述时序输入数据对应的趋势特征数据以及周期性特征数据以及相关性特征数据之前,包括:确定全部可选预设机器学习算法,以及所述时序输入数据对应的全部可选间接特征,所述可选间接特征的数量大于一个;基于所述全部可选间接特征以及所述全部可选预设机器学习算法,生成多种算法特征配合方案;不同算法特征配合方案中,所选预设机器学习算法以及所选间接特征之间存在区别;通过历史时序输入数据,分别确定所述多种算法特征配合方案对应的算法特征配合值;所述算法特征配合值用于确定所述多种算法特征配合方案中所选间接特征对所选预设机器学习算法模型性能的影响;基于所述算法特征配合值,在所述多种算法特征配合方案中选择目标间接特征以及目标预设机器学习算法。
在一个示例中,所述通过历史时序输入数据,分别确定所述多种算法特征配合方案对应的算法特征配合值,具体包括:确定同种预设机器学习算法对应的多个可选间接特征方案;将所述历史时序输入数据划分为预设数量个数据子集;在所述预设数量个数据子集中选择任一数据子集作为第一验证集,并将其他数据子集作为第一训练集;基于所述第一训练集对目标预设机器学习算法进行训练,并通过所述第一验证集对训练后的目标预设机器学习算法进行验证,以得到第一验证结果;遍历所述预设数量个数据子集中的任一数据子集作为验证集,可得到预设数量个验证结果;确定所述预设数量个验证结果的均方根差,基于所述均方根差确定所述目标预设机器学习算法对应的多个可选间接特征方案的算法特征配合值。
在一个示例中,所述基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本,具体包括:获取所述目标用户的时间跨度需求,所述时间跨度需求包括压缩前时间跨度以及压缩后时间跨度;基于所述压缩前时间跨度以及所述压缩后时间跨度,压缩所述凝时数据的时间刻度,以得到所述可视化脚本;所述可视化脚本中包括时间轴、所述直接特征数据、所述间接特征数据。
在一个示例中,所述基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,具体包括:确定所述可视化脚本中各直接特征数据以及间接特征数据的播放时间段;确定所述直接特征数据对应的直接特征注释以及所述间接特征数据对应的间接特征注释;获取目标用户设定的视觉元素,所述视觉元素包括图表类型、配色方案、字体、版面设计以及所述回放视频的输出格式;基于所述播放时间段、所述直接特征数据、所述间接特征数据、所述直接特征注释、所述间接特征注释以及所述视觉元素,生成所述凝时数据回放视频。
在一个示例中,所述通过视频操作界面播放所述凝时数据回放视频,具体包括:接收来自于用户的回放操作请求;通过所述操作请求,在所述视频操作界面对所述回放视频进行操作;所述操作请求类型包括:回放请求、导入导出请求、播放请求、暂停请求、停止请求、快进请求、快退请求、时间轴拖动定位请求、局部缩放请求、播放列表管理请求、倍速播放请求、特征注释字幕显示请求中的至少一种。
本申请还提供了一种物联网时序数据的凝时回放设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任意一个示例所述的方法。
本申请还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:执行如上述任意一个示例所述的方法。
通过本申请提出的方法能够带来如下有益效果:
1.针对长时间设备历史运行数据,提出了一种快速提取关键特征、压缩时间刻度的凝时回放方法,减少粗时间粒度造成的数据特征信息损失。根据凝时数据可视化脚本,直接生成数据回放视频。回放过程中,系统应用机器学习算法精确筛选出重要时间点的凝时数据,提高了时序数据的回放效率。
2.实时展示数据的动态变化,并配有详细的特征注释,这些注释帮助用户深入理解每个特征背后的含义、特征值的变化规律以及数据未来的潜在趋势。
3.通过比较不同特征子集对机器学习模型性能的影响,能够筛选出对预测任务贡献最大的特征,从而提高训练速度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种物联网时序数据的凝时回放方法的流程示意图;
图2为本申请实施例中一种物联网时序数据的凝时回放设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
现阶段,相关专利公开了部分对于时间序列数据的回放的技术方案,包括使用数据结构存储时间序列数据,使用时间戳索引时间序列数据,使用回放算法控制回放速度,可以帮助快速定位特定时间点的数据,但是存在很大的局限性。上述技术方案较多地关注了时间序列特征,而缺少对于时序数据本身的特征挖掘。
如公开(公告)号为US6732117B1的美国专利,专利名称:Techniques forhandling client-oriented requests within a data storage system(用于回放历史数据的系统和方法),该专利提出了一种用于回放历史数据的系统和方法。该系统包括:一个用于存储历史数据的存储器;一个用于回放历史数据的回放模块。回放模块可以将历史数据按时间顺序回放。优点是简单易行,易于实现,可以回放各种类型的时间序列数据。缺点是功能单一,仅支持回放功能。不能支持时间序列之外更多数据特征的提取。
在名称为“一种数据重演方法、装置、设备及介质”(申请号为CN202010153482.X)的专利中,通过将目标点项值添加至历史库中的方法,在数据回放配置界面获取用户终端发送的数据回放指令和数据回放配置信息。通过数据回放指令控制所述数据回放配置界面将所述数据回放配置信息发送至当前运行显示页面,将其数据源切换为所述历史库,以进行数据回放,能够得到全面的历史数据,从而对历史数据进行全面的回放。这种方法通过预置目标点位方式对数据进行回放,存在很大的局限性,数据回放效果严重依赖人工识别的目标点项值,缺少灵活性且可能无法全面反映历史数据的特征,也有一定的滞后性。
在实际运用中经常使用数据回放技术进行设备数据分析和预测,比如《边缘OT数据回放技术研究及应用》(张强,代真虎,李保才.边缘OT数据回放技术研究及应用[J].冶金自动化,2023,47(S1):440-443.)一文中,通过对边缘OT数据按照时序进行回放,动态地展示关联设备和传感器的高频时序数据,画面元素的颜色、 闪烁效果、状态、数值等按照时间顺序对该段时间的生产过程进行回放,从而可以对生产过程进行还原和分析。通过实际案例对数据回放的性能和效果进行了验证,表明其在质量改进和故障诊断等应用中具备一定潜力。该方法将历史数据的查询结果按照时间顺序进行全景动态展示,采用与视频回放类似功能,也提供了开始回放、暂停回放、停止回放、倍速回放等功能,实际上解决的是数据趋势的可视化动态展示问题,没有关注到更加丰富的数据特征和数据故事,数据回放形式与内容单一,缺少交互性。
图1为本说明书一个或多个实施例提供的一种物联网时序数据的凝时回放方法的流程示意图。该方法可以应用于不同类型的时序数据,比如各类物联网设备的运行状态数据,例如电流、电压、轴功率、电机温度、流量、振动频率、振幅以及噪声等。还可以应用于制造行业车间中的机床设备,监测机床振动和温度;矿山行业中的通风机设备,监测温度和振动;水务行业的水泵设备,监测温度、振动和电机信号。上述领域都可以使用历史数据凝时回放功能,发现设备报警和预测信息。该流程可以由相应领域的计算设备执行,流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是由多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
如图1所示,本申请实施例提供一种方法,包括:
S101:采集目标物联网设备的运行状态数据并进行预处理,以得到时序输入数据。
首先,采集目标物联网设备的运行状态数据,并进行必要的清洗、格式化和标准化处理等预处理措施,使之成为适合进行特征提取的输入数据。这里的运行状态数据所涉及的时序数据类型繁多,涵盖了各类物联网设备的运行状态数据,例如电流数据、电压数据、轴功率数据、电机温度数据、流量数据、振动频率数据、振幅数据以及噪声数据等。
S102:对所述时序输入数据进行特征提取,以得到所述时序输入数据的直接特征数据以及间接特征数据。
为了聚焦于数据本身的特征,需要在进行凝时回放之前对时序输入数据进行特征提取,从而得到时序输入数据的直接特征数据以及间接特征数据。需要说明的是,这里的直接特征数据指的是能够直接从时序输入数据中得到的特征数据,包括数值型数据特征(如温度、压力、流量等)以及类别型数据特征(如设备状态、错误代码等),通过对这些直接特征的分析,可以及时发现潜在的问题并采取相应的措施。
在一个实施例中,在提取直接特征时,首先需要确定目标物联网设备对应的监控指标,即每种数据类型分别对应的监控阈值,这些阈值或保持恒定,或根据实时情况灵活调整。在确定监控指标时,需要基于目标物联网设备正常运行时的运行状态数据取值范围,确定所述目标物联网设备对应的监控指标,进而基于目标物联网设备的监控指标,确定时序输入数据对应的直接特征告警阈值。在物联网设备的应用过程中,阈值的设定通常基于设备的设计参数以及其在现实环境中的运作状况。因此,在依据设计参数设定阈值时,这些阈值往往被固定下来,以确保设备在规定的范围内稳定运行。然而,在考虑到实际应用环境的多样性和复杂性,我们可能需要根据用户的具体需求来灵活调整这些阈值。例如,假设在一个矿井中使用的电机,按照设计参数,它应该能够在-20至40°C的温度范围内正常工作。在这种情况下,我们可能会将温度这一关键参数的告警阈值设定在-20°C和40°C。然而,如果矿工们在实际操作中发现,当电机的温度降至0°C时,其工作性能就已经开始出现明显的下滑。为了防止这种性能下降对生产造成不利影响,我们可以选择根据实际情况灵活调整温度的告警阈值。具体来说,我们可以将温度的下限告警阈值从-20°C调整为0°C,而上限告警阈值仍然保持在40°C不变。这样,一旦电机的温度低于0°C,系统就会立即发出告警,提醒相关人员采取必要的措施来保护设备。
这里的监控指标通常代表着用户对物联网设备运行状态中特别关注点。以某种矿石的研磨机为例,用户最为重视的通常是研磨机的电流和电压是否保持稳定,因为这些参数直接关系到设备的输出功率和工作效率。因此,针对该研磨机而言,关键的监控指标即为电流和电压的实时读数。通过精确测量并监控这两个参数,可以确保设备正常运行,提高生产效率,同时也有助于预防可能的故障,保障设备和作业人员的安全。
因此,在基于目标物联网设备的监控指标,确定时序输入数据对应的直接特征告警阈值时,首先需要根据用户对物联网设备运行状态的特定关注点,来选择合适的监控指标。接着,基于这些预设的监控指标,对应监控物联网设备在运行中的某项直接特征的数值。进一步地,用户可以基于设备的设计参数以及其在现实环境中的运作状况,设定对应的监控指标的告警阈值,当直接特征的数值触及告警阈值时,向用户告警。
这里的数据分析程序为一种用于追踪数据趋势变化的自动化工具,它按照时间顺序对过往的数据进行审视,以便于更好地理解数据随时间的演变模式。具体地,数据分析程序用于监测数据中是否存在某个点超过了预设的告警阈值,若存在,则数据分析程序就会激活其分析模块。进一步地,分析模块负责捕捉与告警相关的关键信息,包括但不限于告警发生的确切时间、告警期间的数据峰值,以及超过警戒线的持续时间段等。此处提及的数据分析程序以及分析模块,所实现的功能能够通过现有技术实现。
为了使分析结果更加直观易懂,数据分析程序还会生成“直接特征注释”,这是基于对数据点变化的深入洞察后所作的解释性标注。这些注释提供了关于告警事件的重要线索,帮助用户快速了解告警情况。直接特征注释包括但不限于描述告警的时间点、告警时刻的监控指标数据值、超出告警阈值的总时长等能直接反应告警情况的数据。需要说明的是,直接特征注释是在分析模块捕捉了与告警相关的关键信息之后,按照预设的数据格式或模板生成的。在此对直接特征注释进行举例说明:“在下午三时机体内温度达到70℃”,该直接特征注释由分析模块捕捉到的告警的时间点以及告警时刻的监控指标数据值生成。在生成时,可将告警的时间点以及告警时刻的监控指标填入至相应的直接特征注释模板中,该模板由工作人员由监控指标提前设定。还可向该直接特征注释中加入超出告警阈值的总时长这一关键信息,如:“在下午三时机体内温度达到70℃,且温度超过70℃的总时长为十分钟”,生成直接特征注释能够便于后续的数据回放视频中对输入数据关键特征展示。
这里的间接特征指的是不能直接从时序输入数据中提取,而是需要进行挖掘得到的特征,如时序输入数据的集中趋势、离散程度、分布形状、异常值、缺失值以及时序输入数据间相关性等属性的描述。间接数据特征可以分为趋势特征、周期性特征、相关性特征等多种类型。趋势特征主要刻画数据随时间变化的趋势,例如增长趋势和下降趋势。周期性特征是指数据在一定时间间隔内重复出现的性质,可通过傅里叶变换系数来辨识。相关性特征是指输入数据之间存在的关联程度。需要说明的是,间接特征提取时需要基于不同种类物联网设备在多种应用场景中收集的历史时序数据构建的数据库,作为间接特征的训练集。通过机器学习方法构建模型,并对这些间接特征进行训练及提取,从而能够对内目标物联网设备历史时间段内的表现进行诊断,并对未来时间段内的表现进行预测。
在一个实施例中,在进行间接特征训练时,需要通过滑动窗口技术将历史时序输入数据对应的时间戳划分为多个时间窗口,并在每个时间窗口内,通过预设机器学习算法分别计算时序输入数据对应的趋势特征数据、周期性特征数据以及相关性特征数据。然后基于时序输入数据的数值分布情况,分别构建出趋势特征数据、周期性特征数据和相关性特征数据对应的间接特征预测模型和诊断规则。利用该预测模型和诊断规则,在导入新的时序输入数据后,可以得到对应的间接特征注释,这里的间接特征注释用于描述趋势特征数据、周期性特征数据的演变轨迹,以及数据相关性的检测结果。例如,利用历史时序数据训练出电机温度过热的诊断规则和预测模型。对近二十四小时内的数据进行诊断,发现其中有五小时电机处于过热的异常状态。诊断结果为输出端负载过大导致电机超出额定功率从而引发的电机过热。或依据当前的数据趋势进行预测,结果显示未来三小时至五小时内,电机有80%的概率因为矿井的通风状况不佳,导致电机散热性能下降,电机温度将会有上升趋势。应采取物理降温或暂时关停电机的方式,使电机温度保持在60摄氏度到70摄氏度之间。
需要说明的是,上述过程为一种提取间接特征方式的综合性框架,它能够从数据中提取间接特征,用于故障预测与诊断,并据此生成相关注释。为了更直观地阐释这一创新点,我们将提供一个详尽的案例,其中涉及一种实用的机器学习技术,并展示其在特定场景下的应用。值得注意的是,该间接特征提取框架种所使用的算法并不局限于所选的案例中所用的机器学习方法,其他任何合适的算法和间接特征均可灵活应用本框架来生成提取间接特征并生成相应注释。
以离心式冷水机组系统为例,该系统主要由以下部件构成:一个管壳式蒸发器、一个管壳式冷凝器、一个先导式膨胀阀以及一个离心压缩机。在系统的运行过程中,这些部件的性能数据会被定期收集制作成历史时序数据库,以便后续进行分析。
在构建预测模型和故障诊断规则的过程中,我们专注于五种常见故障:冷凝器结垢、油过量、冷凝器水流量减少、制冷剂过多和制冷剂泄露。历史时序数据的收集频率是每两分钟一次,并且每个故障点都有2000个相关的数据点。这些数据点涵盖了冷水机组系统中29个传感器的瞬时数值。
为了提高模型的准确性和效率,我们采用了梯度增强决策树算法,并将其与空置重要性算法结合起来。这种集成方法能够帮助我们在训练过程中有效地选择特征,从而提高模型对冷水机组故障的诊断能力。具体来说,梯度增强决策树算法通过不断地构建新模型来拟合前一个模型的残差,从而实现模型的优化。而空置重要性算法则通过评估特征在模型中的贡献程度来辅助特征选择。这种方法的核心思想是:一个好的特征在正确标记的模型中应该具有高的重要性分数,但在无序模型中则应该表现出较低的重要性。
在构建了一个能够关联29个传感器数据与5种典型故障的特征选择模型之后,该模型能够分析传感器们历史数据以确定是否出现了这些故障。通过对训练过程中获得的特征选择模型进行应用,我们能够确定各个传感器的特征阈值,这些阈值是故障发生前的间接指标。一旦监测到一个或多个传感器的读数触及特定故障的特征阈值,系统即可发出故障警报,提示维护人员进行检查和干预。针对某一个传感器,通过分析传感器的历史时序数据,我们能够构建响应传感器的回归模型,该模型能够有效地预测未来的传感器数据走势。利用29个传感器的预测模型,结合所训练得出的故障诊断模型,我们可以预测未来是否产生故障以及产生故障的时间点、以及故障的持续时间长度等关键信息,从而实现故障的预测功能。
获取间接特征注释的方法与直接注释的方式相似,关键在于当输入数据满足特定的间接特征阈值时,就会生成相应的间接特征注释。这些注释通常涉及对故障的详细描述,比如故障的具体类型,出现的时间节点,预测的故障持续时长,以及对未来可能出现的故障情况和时间的预估等。
进一步地,在提取间接特征时,为了提高预设机器学习算法模型的性能和计算能力,进一步优化间接特征选择,需要探索不同种算法特征配合方案,筛选出最优的配合方案。具体地,需要确定全部可选预设机器学习算法,以及时序输入数据对应的全部可选间接特征,这里的可选间接特征的数量至少为一个。然后基于全部可选间接特征以及全部可选预设机器学习算法,生成多种算法特征配合方案。不同算法特征配合方案中,所选预设机器学习算法以及所选间接特征不完全相同,但可存在部分相同的情况。在生成多种算法特征配合方案时,首先在全部可选预设机器学习算法中择一作为算法特征配合方案中的机器学习算法,然后再从可选间接特征中进行排列组合,以确定该种机器学习算法对应的多种算法特征配合方案。遍历全部预设机器学习算法,可得到全部算法特征配合方案。以存在预设机器学习算法A及算法B、存在可选间接特征x及可选间接特征y及可选间接特征z为例,则选用算法A的算法特征配合方案可以为Ax方案、Ay方案、Az方案、Axy方案、Axz方案、Ayz方案、Axyz方案,选用算法B的算法特征配合方案与此类似。
通过历史时序输入数据,分别确定多种算法特征配合方案对应的算法特征配合值,这里的算法特征配合值用于确定多种算法特征配合方案中所选间接特征对所选预设机器学习算法模型性能的影响,然后可基于算法特征配合值以及不同算法特征配合方案中的算法种类,在多种算法特征配合方案中选择目标间接特征以及目标预设机器学习算法。例如,为不同类型的算法种类设置有不同的算法系数,在选择算法特征配合方案时,通过将算法特征配合值与算法系数相乘,以得到每个算法特征配合方案的最终得分,并根据最终得分的高低选择算法特征配合方案进行间接特征选取。
更进一步地,在确定算法特征配合值时,需要确定同种预设机器学习算法对应的多个可选间接特征方案;将历史时序输入数据划分为预设数量个数据子集;在预设数量个数据子集中选择任一数据子集作为第一验证集,并将其他数据子集作为第一训练集;基于第一训练集对目标预设机器学习算法进行训练,并通过第一验证集对训练后的目标预设机器学习算法进行验证,以得到第一验证结果;遍历预设数量个数据子集中的任一数据子集作为验证集,可得到预设数量个验证结果;确定预设数量个验证结果的均方根差,基于均方根差确定目标预设机器学习算法对应的多个可选间接特征方案的算法特征配合值。具体而言,将数据集划分为N个大小相等的子集,模型在其中的N-1个子集上进行训练,在剩余的一个子集上进行测试。此过程重复N次,每次选取不同的子集作为测试集,最终取N组的模型评估指标的平均值(如均方根差)作为模型性能的衡量标准。
S103:对所述时序输入数据、所述直接特征数据以及所述间接特征数据进行凝时处理,以得到凝时数据。
得到时序输入数据在不同时间点对应的直接特征数据以及间接特征数据之后,需要将同一时间点的时序输入数据、直接特征数据以及间接特征数据加工成一组格式一致且均带有明确时间戳的数据集合,作为凝时数据。
这一过程可以通过计算机编程技术来完成的,以Python为主要编程语言,通过运用其内置的dict()函数。这个函数能够帮助我们创建一组与时间戳相关联的有序字典结构,按照时间点进行排列。字典中包含时间点位,以及在每个特定的时间点上各类输入数据的数值、由数据分析模块分析数据后得到的直接注释和间接注释。这些字典即我们所述的数据集合,允许程序快速的进行数据检索和处理,以便形成可视化脚本。
S104:基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本;
凝时数据生成完毕之后,需要基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本。需要说明的是,这里对时间跨度需求进行举例说明:假如用户想要在一个小时内看完实际时长为一天的时序输入数据,此时就产生了时间跨度需求。在对凝时数据进行压缩时,需要将原时长为一天的凝时数据压缩至一小时。此处的可视化脚本中包含时间轴、间接特征数据以及直接特征数据。在生成可视化脚本时,需要获取目标用户的时间跨度需求,这里的时间跨度需求包括压缩前时间跨度以及压缩后时间跨度,然后基于压缩前时间跨度以及压缩后时间跨度,压缩凝时数据的时间刻度,以得到可视化脚本。
形成可视化脚本时,在凝时数据已经压缩时间刻度完成的情况下,基于目标用户的时间跨度需求,筛选出了关键的凝时数据点(直接特征数据以及间接特征数据所对应的凝时数据点)以便于在可视化脚本中进行展示。通过编程技术摘取出凝时数据的字典结构中的内容,成为可视化脚本内容的一部分。紧接着,通过进一步的编程操作将这些信息进行整合,最终形成了一个结构化的脚本文件。该脚本可供生成式AI读取和理解,内容包括时间轴、所述直接特征数据与注释、所述间接特征数据与注释。
S105:基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,并通过视频操作界面播放所述凝时数据回放视频。
得到凝时数据对应的可视化脚本之后,为方便用户进行观看,需要基于可视化脚本生成凝时数据对应的回放视频,然后可通过视频操作界面向用户播放凝时数据回放视频。
在一个实施例中,在生成数据回放视频时,可调用生成式AI模型(大模型的具体技术实现,不属于本发明的关键部分,可以调用任一具备生成式AI功能的的大模型服务),根据可视化脚本,提取所需时间点的凝时数据和特征注释,采用合适的视觉元素,按照凝时数据的播放顺序,快速生成数据回放视频。本专利描述的系统具备视频存储功能,能够同时保存多个回放视频文件,方便用户依据个人需求进行灵活调用。
在一个实施例中,本申请中的对应系统具有视频操作界面,允许用户进行多种操作,包括导入导出不同视频格式的回放视频,播放、暂停、停止、快进、快退等播放操作,时间轴拖动定位,视频局部放大和缩小,创建和管理播放列表,支持高于或低于常规速度的播放(如0.5倍速、1倍速、2倍速、4倍速播放等),显示特征注释的字幕信息。
当有多个数据回放视频时,创建和管理播放列表功能方便用户在众多回放视频中快速访问和播放感兴趣的视频。时间轴拖动定位功能,能让用户能够更加灵活地控制回放视频的播放位置,实现精准的跳转、暂停和播放。回放视频的初始播放速度与物联网设备采样频率相匹配,假设所使用的物联网设备的采样频率为每一秒采集一次数据,则播放速度设置为每一秒播放一个时间点的凝时数据。视频的局部放大和缩小时功能也大大增强了用户的观看体验,用户只需点击想要放大或缩小的区域,然后通过滚动鼠标滚轮或手动输入放大或缩小的倍数,即可实现对该区域的详细观察。在回放过程中,实时展示数据的动态变化,并配以特征注释说明。这些注释不仅解释了本专利所描述的直接和间接特征,还帮助用户深入理解每个特征背后的含义、特征值的变化规律以及数据未来的潜在趋势。例如,如果某个特征显示数据在过去几周内呈现上升趋势,我们可以据此推断数据表现出增长的模式,并预测未来达到阈值的可能时间。这些特征值注释以字幕的形式按时间顺序展示,与数据的动态变化实时对应,并支持多种语言和字体样式选择。
在一个实施例中,在接收到新的输入数据后,可视化脚本会根据用户的选择更新凝时数据的筛选条件、播放顺序以及视觉元素,从而对原有的可视化脚本进行更新。这一机制确保了随着实时凝时数据的持续输入,可视化脚本能够即时反映出输入数据的最新状态。这不仅有助于实现了数据的实时回放功能,还极大地提高了数据分析和展示的效率。
上述历史时序输入数据可以预先存储在计算机设备的存储装置中,当需要进行凝时回放尤其是提取间接特征数据时,计算机设备可以从存储装置中选取历史时序输入数据。当然,计算机设备还可以从其它外部设备中获取该历史时序输入数据。比如,将时序输入数据存储在云端,当需要进行凝时回放时,计算机设备可以从云端获取历史时序输入数据,本实施例对历史时序输入数据的获取方式不做限定。
其中,预设机器学习算法模型为基于机器学习算法构建的数学模型,包括但不限于神经网络模型、支持向量机模型等,通过训练数据集预先对构建的机器学习算法模型进行训练,当达到设定的训练精度、准确度时,确定当前次训练的机器学习算法模型完成训练,以便用于预测处理。
如图2所示,本申请实施例还提供了一种物联网时序数据的凝时回放设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
采集目标物联网设备的运行状态数据并进行预处理,以得到时序输入数据;所述运行状态数据包括电流数据、电压数据、轴功率数据、电机温度数据、流量数据、振动频率数据、振幅数据以及噪声数据中的至少一种;所述预处理包括数据清洗、数据格式化以及数据标准化中的至少一种;对所述时序输入数据进行特征提取,以得到所述时序输入数据的直接特征数据以及间接特征数据;所述直接特征包括数值型数据特征以及类别型数据特征;所述间接特征包括趋势特征、周期性特征以及相关性特征中的至少一种;对所述时序输入数据、所述直接特征数据以及所述间接特征数据进行凝时处理,以得到凝时数据,所述凝时数据为一组格式一致且均带有明确时间戳的数据集合;基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本;基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,并通过视频操作界面播放所述凝时数据回放视频。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:采集目标物联网设备的运行状态数据并进行预处理,以得到时序输入数据;所述运行状态数据包括电流数据、电压数据、轴功率数据、电机温度数据、流量数据、振动频率数据、振幅数据以及噪声数据中的至少一种;所述预处理包括数据清洗、数据格式化以及数据标准化中的至少一种;对所述时序输入数据进行特征提取,以得到所述时序输入数据的直接特征数据以及间接特征数据;所述直接特征包括数值型数据特征以及类别型数据特征;所述间接特征包括趋势特征、周期性特征以及相关性特征中的至少一种;对所述时序输入数据、所述直接特征数据以及所述间接特征数据进行凝时处理,以得到凝时数据,所述凝时数据为一组格式一致且均带有明确时间戳的数据集合;基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本;基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,并通过视频操作界面播放所述凝时数据回放视频。
本申请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。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述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)
1.一种物联网时序数据的凝时回放方法,其特征在于,包括:
采集目标物联网设备的运行状态数据并进行预处理,以得到时序输入数据;所述运行状态数据包括电流数据、电压数据、轴功率数据、电机温度数据、流量数据、振动频率数据、振幅数据以及噪声数据中的至少一种;所述预处理包括数据清洗、数据格式化以及数据标准化中的至少一种;
对所述时序输入数据进行特征提取,以得到所述时序输入数据的直接特征数据以及间接特征数据;所述直接特征包括数值型数据特征以及类别型数据特征;所述间接特征包括趋势特征、周期性特征以及相关性特征中的至少一种;
对所述时序输入数据、所述直接特征数据以及所述间接特征数据进行凝时处理,以得到凝时数据,所述凝时数据为一组格式一致且均带有明确时间戳的数据集合;
基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本;
基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,并通过视频操作界面播放所述凝时数据回放视频。
2.根据权利要求1所述的方法,其特征在于,对所述时序输入数据进行直接特征提取,具体包括:
基于所述目标物联网设备正常运行时的运行状态数据取值范围,确定所述目标物联网设备对应的监控指标;
基于所述目标物联网设备的监控指标,确定所述时序输入数据对应的直接特征告警阈值;
对处于所述直接特征告警阈值范围内的所述时序输入数据进行数据分析,以确定所述时序输入数据中包含的直接特征数据以及直接特征注释;
所述直接特征注释用于描述告警时刻的直接特征数据。
3.根据权利要求2所述的方法,其特征在于,对所述时序输入数据进行间接特征提取,具体包括:
通过滑动窗口技术将所述时序输入数据对应的时间戳划分为多个时间窗口;
在每个时间窗口内,通过预设机器学习算法分别计算所述时序输入数据对应的趋势特征数据、周期性特征数据以及相关性特征数据;
基于数值分布情况,设定所述趋势特征数据以及周期性特征数据以及相关性特征数据分别对应的间接特征告警阈值;
对触及所述间接特征告警阈值的时序输入数据进行数据分析,以得到所述时序输入数据对应的间接特征注释;
所述间接特征注释用于描述所述趋势特征数据、所述周期性特征数据以及所述相关性特征数据的演变轨迹,以及数据相关性的检测结果。
4.根据权利要求3所述的方法,其特征在于,所述在每个时间窗口内,通过预设机器学习算法分别计算所述时序输入数据对应的趋势特征数据、周期性特征数据以及相关性特征数据之前,包括:
确定全部可选预设机器学习算法,以及所述时序输入数据对应的全部可选间接特征,所述可选间接特征的数量大于一个;
基于所述全部可选间接特征以及所述全部可选预设机器学习算法,生成多种算法特征配合方案;不同算法特征配合方案中,所选预设机器学习算法以及所选间接特征之间存在区别;
通过历史时序输入数据,分别确定所述多种算法特征配合方案对应的算法特征配合值;所述算法特征配合值用于确定所述多种算法特征配合方案中所选间接特征对所选预设机器学习算法模型性能的影响;
基于所述算法特征配合值,在所述多种算法特征配合方案中选择目标间接特征以及目标预设机器学习算法。
5.根据权利要求4所述的方法,其特征在于,所述通过历史时序输入数据,分别确定所述多种算法特征配合方案对应的算法特征配合值,具体包括:
确定同种预设机器学习算法对应的多个可选间接特征方案;
将所述历史时序输入数据划分为预设数量个数据子集;
在所述预设数量个数据子集中选择任一数据子集作为第一验证集,并将其他数据子集作为第一训练集;
基于所述第一训练集对目标预设机器学习算法进行训练,并通过所述第一验证集对训练后的目标预设机器学习算法进行验证,以得到第一验证结果;
遍历所述预设数量个数据子集中的任一数据子集作为验证集,可得到预设数量个验证结果;
确定所述预设数量个验证结果的均方根差,基于所述均方根差确定所述目标预设机器学习算法对应的多个可选间接特征方案的算法特征配合值。
6.根据权利要求3所述的方法,其特征在于,所述基于目标用户的时间跨度需求,生成压缩时间刻度后的凝时数据对应的可视化脚本,具体包括:
获取所述目标用户的时间跨度需求,所述时间跨度需求包括压缩前时间跨度以及压缩后时间跨度;
基于所述压缩前时间跨度以及所述压缩后时间跨度,压缩所述凝时数据的时间刻度,以得到所述可视化脚本;
所述可视化脚本中包括时间轴、所述直接特征数据、所述间接特征数据。
7.根据权利要求6所述的方法,其特征在于,所述基于所述可视化脚本以及所述凝时数据,生成所述时序输入数据对应的凝时数据回放视频,具体包括:
确定所述可视化脚本中各直接特征数据以及间接特征数据的播放时间段;
确定所述直接特征数据对应的直接特征注释以及所述间接特征数据对应的间接特征注释;
获取目标用户设定的视觉元素,所述视觉元素包括图表类型、配色方案、字体、版面设计以及所述回放视频的输出格式;
基于所述播放时间段、所述直接特征数据、所述间接特征数据、所述直接特征注释、所述间接特征注释以及所述视觉元素,生成所述凝时数据回放视频。
8.根据权利要求1所述的方法,其特征在于,所述通过视频操作界面播放所述凝时数据回放视频,具体包括:
接收来自于用户的回放操作请求;
通过所述操作请求,在所述视频操作界面对所述回放视频进行操作;所述操作请求的类型包括:回放请求、导入导出请求、播放请求、暂停请求、停止请求、快进请求、快退请求、时间轴拖动定位请求、局部缩放请求、播放列表管理请求、倍速播放请求、特征注释字幕显示请求中的至少一种。
9.一种物联网时序数据的凝时回放设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-8中任意一项权利要求所述的方法。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:执行如权利要求1-8中任意一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410532925.4A CN118118367B (zh) | 2024-04-30 | 2024-04-30 | 一种物联网时序数据的凝时回放方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410532925.4A CN118118367B (zh) | 2024-04-30 | 2024-04-30 | 一种物联网时序数据的凝时回放方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118118367A true CN118118367A (zh) | 2024-05-31 |
CN118118367B CN118118367B (zh) | 2024-07-05 |
Family
ID=91215837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410532925.4A Active CN118118367B (zh) | 2024-04-30 | 2024-04-30 | 一种物联网时序数据的凝时回放方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118118367B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040221296A1 (en) * | 2003-03-18 | 2004-11-04 | Renesys Corporation | Methods and systems for monitoring network routing |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN111314173A (zh) * | 2020-01-20 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
CN116232935A (zh) * | 2023-02-07 | 2023-06-06 | 河南大学 | 一种物联网监测大数据传输方法 |
CN116414717A (zh) * | 2023-04-19 | 2023-07-11 | 中国建设银行股份有限公司 | 基于流量回放的自动测试方法、装置、设备、介质及产品 |
CN117827788A (zh) * | 2024-03-06 | 2024-04-05 | 安世数擎(杭州)信息科技服务有限公司 | 一种智能3d打印工厂数据处理方法和系统 |
-
2024
- 2024-04-30 CN CN202410532925.4A patent/CN118118367B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040221296A1 (en) * | 2003-03-18 | 2004-11-04 | Renesys Corporation | Methods and systems for monitoring network routing |
US20190324432A1 (en) * | 2017-08-02 | 2019-10-24 | Strong Force Iot Portfolio 2016, Llc | Data monitoring systems and methods to update input channel routing in response to an alarm state |
CN111314173A (zh) * | 2020-01-20 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
CN116232935A (zh) * | 2023-02-07 | 2023-06-06 | 河南大学 | 一种物联网监测大数据传输方法 |
CN116414717A (zh) * | 2023-04-19 | 2023-07-11 | 中国建设银行股份有限公司 | 基于流量回放的自动测试方法、装置、设备、介质及产品 |
CN117827788A (zh) * | 2024-03-06 | 2024-04-05 | 安世数擎(杭州)信息科技服务有限公司 | 一种智能3d打印工厂数据处理方法和系统 |
Non-Patent Citations (2)
Title |
---|
BIAOKAI ZHU等: "IoT Equipment Monitoring System Based on C5.0 Decision Tree and Time-Series Analysis", IEEE ACCESS, vol. 10, 25 January 2021 (2021-01-25) * |
李玉柱: "基于隐特征提取的时序数据混合预测", 《万方》, 2 September 2020 (2020-09-02) * |
Also Published As
Publication number | Publication date |
---|---|
CN118118367B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2778872B1 (en) | Industrial asset event chronology | |
JP2019512807A (ja) | アセットイベント及び信号データの可視化を提供するコンピュータシステム及び方法 | |
US10482204B2 (en) | System for processing data and modelling for analysis of the energy consumption of a site | |
US8761909B2 (en) | Batch process monitoring using local multivariate trajectories | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
US11239623B2 (en) | Laser burst logging systems and methods | |
KR20190013017A (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
US20170038280A1 (en) | Analyzing equipment degradation for maintaining equipment | |
CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
JPWO2017150286A1 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
CN118118367B (zh) | 一种物联网时序数据的凝时回放方法、设备及介质 | |
JP6915693B2 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP6616889B2 (ja) | ウインドウ評価方法および分析装置 | |
CN117689321A (zh) | 业务数据处理方法及装置 | |
Beduschi et al. | Optimizing rotating equipment maintenance through machine learning algorithm | |
CN116956174B (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
JP2023048641A (ja) | 異常検知装置および異常検知方法 | |
Jain et al. | The L-CAPE Project at FNAL | |
WO2016163008A1 (ja) | 異常診断装置および異常診断方法 | |
US11630820B2 (en) | Analysis of time series sensor measurements in physical systems | |
CN117649209B (zh) | 企业营收稽核方法、系统、设备及存储介质 | |
JP6945511B2 (ja) | 推定装置、および推定方法 | |
US20230349610A1 (en) | Anomaly detection for refrigeration systems | |
CN113740789B (zh) | 定量描述冷头效率的方法 | |
EP4160344A1 (en) | Monitoring apparatus, monitoring method, and monitoring program |
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 |