CN103003803A - 时序数据处理装置及其方法 - Google Patents
时序数据处理装置及其方法 Download PDFInfo
- Publication number
- CN103003803A CN103003803A CN2010800681671A CN201080068167A CN103003803A CN 103003803 A CN103003803 A CN 103003803A CN 2010800681671 A CN2010800681671 A CN 2010800681671A CN 201080068167 A CN201080068167 A CN 201080068167A CN 103003803 A CN103003803 A CN 103003803A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- time series
- series data
- data
- combination
- 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
Images
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
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
为了高效率地进行针对成为解析对象的时序数据的访问,数据累积部,在数据累积时,作为来自时序数据源(10)的时序数据中的、成为解析对象的时序数据而且是以相同周期产生的时序数据的组合,选择与预测振动频率和实际振动频率相关的时序数据,以1小时为单位对所选择的时序数据的组合进行汇集,将汇集的多组时序数据与属性(振动频率)对应地累计到汇集数据表中,数据解析部,在数据解析时,以属性为基础对汇集数据表进行访问,并提出与预测振动频率和实际振动频率相关的时序数据的组合来作为解析用的时序数据,并基于提取到的时序数据来求出作为预测振动频率与实际振动频率之差的背离振动频率。
Description
技术区域
本发明涉及处理从各种传感器等产生的时序数据的时序数据处理装置及其方法。
背景技术
以往,在计算机***等中,将通过各种传感器的检索得到的数据作为时序数据取入,使用取入的时序数据进行解析、控制等处理。例如,提出了将在各种地方采集的多个时序数据收集起来并进行解析的结构(参照专利文献1)。
在专利文献1中,公开了这样的技术:解析多个时序数据时,考虑到各时序数据的采样周期按数据而不同,对应于多个时序数据的采样周期,补充遗漏数据,并累积补充好的数据。具体来说,当以1秒为周期或2秒为周期对时序数据进行采样时,将以1秒为周期的时序数据作为基准补充以2秒为周期的时序数据,并累积各时序数据。
另外,提出了这样的技术:高速且高效率地显示长时间的装配数据(plantdata)时,针对在工厂大量地产生的长时间的数据,进行高效率的检索,并进行装配数据的趋势监视和异常值监视(参照专利文献2)。
在专利文献2中,公开了这样的技术:以预定数据取入周期取入装配数据并写入装配数据表中,以比数据取入周期长的数据收录周期取入装配数据并按数据收录周期进行归纳并保存到装配数据历史信息表中,制作包含每个装配数据历史信息的装配数据的最大值与最小值以及平均值的长期检索用历史信息,并保存到长期检索用历史信息表中,显示数据时对某一表进行数据检索,将检索到的数据内容通过图表显示到显示装置。
现有技术文献
专利文献
专利文献1:日本特开2003-44518号公报
专利文献2:日本特开2010-49533号公报
发明内容
发明要解决的课题
专利文献1中,因为将时序数据按照较短的采样周期进行补充,因此即使时序数据的采样周期按数据而不同时,也能正确地解析时序数据。但是,累积时序数据时,由于按照较短的周期进行累积,因此累积数据量增大,因此高效率地累积多个时序数据变得困难。
另外,在专利文献2中,因为按一定周期算出针对各时序数据的平均值、最大值或最小值,因此在需要使用多个时序数据进行解析时,例如,需请求出多个时序数据的差(最大值与最小值的差等)的运算时,必须逐个地访问时序数据,来求出各时序数据的值,不能对多个时序数据高效率地进行访问。
本发明是鉴于上述以往技术的课题而做出的发明,其目的是,能够高效率地进行对成为解析对象的多个时序数据的访问的时序数据处理装置及其方法。
用于解决课题的手段
为了达成上述目的,本发明的特征在于,在数据累积时,将成为解析对象的多个时序数据组合,将所组合的多个时序数据与其属性对应起来累积到存储部,在数据解析时,以上述属性为基础从存储部提取多个时序数据的组合来作为解析使用的时序数据。
发明效果
根据本发明,能够高效率地访问解析用的多个时序数据并进行解析。
附图说明
图1为表示应用了本发明的计算机***的整体结构的方框图。
图2为时序数据管理表的结构图。
图3为属性汇集信息的结构图。
图4为属性缓冲器的结构图。
图5为时间汇集信息的结构图。
图6为时间缓冲器的结构图。
图7为汇集数据表的结构图。
图8为解析查询的结构图。
图9为用于说明时序数据累积处理的流程图。
图10为用于说明时序数据解析处理的流程图。
图11为用于说明解析对象ID·检索对象ID·获取对象ID·获取对象汇集ID列表制作处理的流程图。
图12为用于说明数据获取处理的流程图。
图13为用于说明基于条件·属性的数据提取·解析处理的流程图。
图14为表示第2实施例中的计算机***的整体结构图的方框图
图15为周期汇集信息的结构图。
图16为周期缓冲器的结构图。
图17为属性汇集信息的结构图。
图18为属性缓冲器的结构图。
图19为时间汇集信息的结构图。
图20为时间缓冲器的结构图。
图21为汇集数据表的结构图。
图22为解析查询的结构图。
图23为用于说明时序数据累积处理的流程图。
图24为用于说明时序数据解析处理的流程图。
图25为用于说明基于条件·属性·周期的数据提取·解析处理的流程图。
具体实施方式
实施例1
本实施例中,在数据累积时,作为成为解析对象的多个时序数据的组合,选择以同一周期产生的时序数据的组合(与预测振动频率和实际振动频率相关的时序数据),归纳多组选择的时序数据组合并以设定时间为单位进行汇集,将汇集的多组时序数据与属性(振动频率)对应起来累积到存储部,在数据解析时,从存储部提取以相同周期产生的时序数据的组合(与预测振动频率和实际振动频率相关的时序数据)来作为解析用的时序数据。
以下,根据附图说明本发明的一个实施方式。
图1为应用了本发明的计算机***的方框结构图。在图1中,计算机***具有:时序数据源10、客户端计算机12、网络14、时序数据处理装置16、以及外部存储装置18。时序数据源10与客户端计算机12以及时序数据处理装置16经网络14相互连接,时序数据处理装置16连接于外部存储装置18。
时序数据源10具有各种传感器,例如,检测温度、湿度、电压、电流、发电量、电力消耗量、涡轮的实际振动频率等的传感器,或者,产生涡轮振动的预测值等的预测振动频率发生器等,时序数据源10构成为将各种传感器或预测振动频率发生器等的输出信号作为时序数据,并按照时间轴输出到网络14的时序数据发生源。
客户端计算机12具有处理器、存储器、输入输出装置、存储装置、以及显示装置等,客户端计算机12将作为解析请求的解析查询发行至网络14,并且经过网络14接收来自时序数据处理装置16的数据,并将已接收的数据作为结果数据存储到存储装置。
时序数据处理装置16,由存储器20、通信接口22、外部存储接口24、以及处理器26构成,存储器20、通信接口22、外部存储接口24以及处理器26经过内部网络28相互连接,通信接口22连接于网络14,作为存储部的外部存储接口24连接于外部存储装置18。另外,代替外部存储装置18,也可以构成为将作为存储部的存储装置配置于时序数据处理装置16,将该存储装置连接于内部网络28。
处理器26总括控制时序数据处理装置16整体,并按照存储于存储器20的时序数据处理程序30执行各种处理。
这时,处理器26作为数据处理部发挥功能并且作为数据获取解析部发挥功能,所述数据处理部依次输入并处理从时序数据源10输出的时序数据,所述数据获取解析部访问存储于外部存储装置18的汇集数据表32,从汇集数据表32获取数据,并对所获取的数据进行解析。
时序数据处理程序30由数据累积部34、数据解析部36、数据获取部38、以及设定信息存储区域40构成。
数据累积部34作为数据处理部发挥功能,并由数据受理部42、数据属性汇集部44、数据时间汇集部46、特征点提取部48、数据压缩部50、汇集数据写入部52、属性缓冲器54、以及时间缓冲器56构成。
数据解析部36由解析受理部60以及解析执行部62构成。
数据获取部38由读入时间段筛选部70、汇集数据读入部72、数据解压缩部74、数据时间提取部76、数据筛选部78、以及数据属性提取部80构成。这时数据解析部36与数据获取部38作为数据获取解析部发挥功能。
设定信息存储区域40存储属性汇集信息90、以及时间汇集信息92。
数据累积部34的数据受理部42,在从时序数据源10输出的时序数据经网络14与通信接口22而输入到时序数据处理装置16时,按照时间轴依次受理所输入的时序数据。该数据受理部42受理了作为时序数据、且作为以相同周期产生的时序数据的、与预测振动频率相关的时序数据和与实际振动频率相关的时序数据时,将各时序数据输出到数据属性汇集部44。
数据属性汇集部44将所输入的时序数据中的成为解析对象的多个时序数据,即,以相同周期产生的多个时序数据组合,组合起来的多个时序数据,例如将与预测振动频率和实际振动频率相关的时序数据组合,将组合起来的多个时序数据与彼此相关联的属性例如振动频率对应地汇集起来,将汇集起来的时序数据作为属性汇集数据累积到属性缓冲器54,并且输出到数据时间汇集部46。
数据时间汇集部46将所输入的属性汇集数据按照已设定的时间(设定时间)的量进行归纳收集并作为时间汇集数据处理。例如,数据时间汇集部46以1小时为单位汇集所输入的属性汇集数据并作为时间汇集数据累积到时间缓冲器56,并且输出到特征点提取部48。
即,数据属性汇集部44将成为解析对象的时序数据即以相同周期产生的多个时序数据组合起来时,一组一组地选择时序数据的组合,并将所选择的各组的时序数据以作为设定时间的1小时为单位进行归纳汇集,将所汇集的多组时序数据作为时间汇集数据累积到时间缓冲器56。
特征点提取部48从所输入的时间汇集数据中提取其特征点,将所输入的时间汇集数据与所提取的特征点,例如预测最大值、预测最小值、实际最大值、实际最小值一起输出到数据压缩部50。
数据压缩部50将从特征点提取部48输出的时间汇集数据压缩,并将压缩后的数据与从特征点提取部48输出的特征点输出到汇集数据写入部52。
汇集数据写入部52将从数据压缩部50输出的数据作为汇集数据,写入外部存储装置18的汇集数据表32。
数据解析部36的解析受理部60,在从客户端计算机12发行的解析查询经过网络14与通信接口22而被输入的情况下,受理来自客户端计算机12的解析查询,并将所受理的解析查询输出到数据获取部38。解析执行部62根据数据获取部38的处理结果执行通过解析查询所规定的解析。
数据获取部38的读入时间段筛选部70解释来自解析受理部60的解析查询,并获取由解析查询所规定的读入时间段和检索条件,以从汇集数据表32获取的读入时间段的特征点为基础筛选读入时间段,并输出到汇集数据读入部72。
汇集数据读入部72以通过读入时间段筛选部70而筛选的读入时间段为基础检索汇集数据表32,将属于存储于汇集数据表32的数据汇集时间段的数据(包含汇集ID、特征点、时间汇集数据等的数据)输出到数据解压缩部74。
数据解压缩部74对从汇集数据读入部72输出的时间汇集数据进行解压缩,并将已解压缩的时间汇集数据输出到数据时间提取部76。
数据时间提取部76将通过数据解压缩部74而解压缩的时间汇集数据中的、读入时间段的时间汇集数据提取出来,并将所提取的时间汇集数据作为属性汇集数据处理,并将属性汇集数据输出到数据筛选部78。
数据筛选部78从通过数据时间提取部76处理得到的属性汇集数据中筛选满足解析查询所规定的检索条件的属性汇集数据并进行提取,将筛选出的属性汇集数据输出到数据属性提取部80。
数据属性提取部80从通过数据筛选部78筛选出的属性汇集数据中按相同周期提取具有解析对象的属性(振动频率)的多个时序数据(涉及预测振动频率与实际振动频率的时序数据),并将所提取的多个时序数据输出到解析执行部62。
接着,图2表示时序数据管理表的结构。
图2中,时序数据管理表100是例如存储于时序数据处理装置16的存储器20的表,由名称102、属性104、日期与时间106、值108构成。在该时序数据管理表100中,与从时序数据源10产生的时序数据相关的信息被依次存储。
例如,时序数据D1被作为名称102为“涡轮振动的预测值”,属性104为“预测振动频率”,日期与时间106为“2010-05-0107:00:00”,值108为“15.2”的数据管理。时序数据D2被作为名称102为“涡轮振动的实际值”,属性104为“实际振动频率”,日期与时间106为“2010-05-0107:00:00”,值108为“24.3”的数据管理。
时序数据D3被作为名称102为“瓦特检查器”,属性104为“电力消耗量”,日期与时间106为“2010-05-0107:00:00”,值108为“6.7”的数据管理,时序数据D4被作为名称104为“发电量计测器”,属性104为“发电量”,日期与时间106为“2010-05-0107:00:00”,值108为“240”的数据管理。
时序数据D1、D2是以相同周期产生的时序数据,在下一产生周期被作为时序数据D5,D6管理。
时序数据D3、D4是以彼此不同的周期产生的时序数据,时序数据D3每隔1分钟产生,在下个产生周期被作为时序数据D7管理。时序数据D4是以1小时为周期产生的时序数据,在下个产生周期被作为时序数据D9管理。
接下来,图3表示存储于设定信息存储区域40的属性汇集信息90的结构。
在图3中,属性汇集信息90由汇集ID120与属性122构成。在属性122中,例如作为成为解析对象的多个时序数据中的与涡轮振动的预测值相关的时序数据的属性,存储“预测振动频率”,并且存储表示涡轮振动的实际值的属性的“实际振动频率”。在汇集ID120中例如存储预测振动频率与实际振动频率表示的属性,即彼此关联的属性,即“振动频率”。
接下来,图4表示属性缓冲器54的结构。
属性缓冲器54的信息存储区域以表形式构成,由日期与时间字段130、属性字段132、值字段134构成。在日期与时间字段130的各条目(entry)中存储有与获取成为解析对象的多个时序数据时的日期与时间相关的信息。
属性字段132的各条目中例如,作为与成为解析对象的多个时序数据的属性相关的信息,存储“预测振动频率”与“实际振动频率”。
值字段134的各条目中,作为与各时序数据的值相关的信息、例如与预测振动频率相关的时序数据的值,存储“15.2”,作为与实际振动频率相关的时序数据的值,存储“24.3”。
接着,图5表示存储于设定信息存储区域40的时间汇集信息92的结构。
时间汇集信息92由汇集ID140与时间汇集数据数42构成。在汇集ID140,例如,存储预测振动频率与实际振动频率表示的属性,即彼此关联的属性,即“振动频率”。在时间汇集数据数142例如作为用于累积1小时的量的时序数据的个数,存储“3600个”这一信息。
接着,图6表示时间缓冲器56的结构。
时间缓冲器56的信息存储区域以表形式构成,由汇集ID字段150、数据汇集时间段字段152、属性汇集数据字段154构成。
汇集ID字段150的条目中存储例如“振动频率”这一信息。数据汇集时间段字段152的条目中存储有与汇集时序数据的时间段相关的信息。
属性汇集数据字段154的各条目中,将成为解析对象的多个时序数据,例如时序数据D1与时序数据D2组合,所组合的时序数据D1、D2与汇集ID的“振动频率”对应地进行存储。
接着,图7表示存储于外部存储装置18的汇集数据表32的结构。
图7中,汇集数据表32由汇集ID字段160、特征点字段162、数据汇集时间段字段164、以及时间汇集数据字段166构成。
例如,在汇集ID字段160的各条目中存储汇集了预测振动频率与实际振动频率表示的属性而得到的属性即“振动频率”这一信息。
在特征点字段162的各条目中存储有与所输入的多个时序数据中的在1小时累积的时序数据的特征点相关的信息。例如,预测振动频率的最大值作为“预测最大值:30”存储,作为预测振动频率的最小值,存储“预测最小值:0”,作为实际振动频率的最大值,存储“实际最大值:40”,作为实际振动频率的最小值,存储“实际最小值:0”。
在数据汇集时间段字段164中,通过数值存储与将各时序数据作为时间汇集数据归纳起来时的数据汇集时间段相关的信息以及表示年月日的信息。
在时间汇集数据字段166的各条目中存储有与以1小时为单位汇集到的时间汇集数据相关的数据。这时,使时序数据D1、D2组合,使时序数据D5、D6组合,分别对应着汇集ID的“振动频率”存储所分别组合的时序数据D1、D2、D5、D6。另外,各条目中存储有组合的1小时的时序数据。
接着,图8表示涉及解析查询的结构。
图8中解析查询170由选择范围(select_range)172、选择项目(select_items)174、数据获取对象时间段(from_timerange)176、以及检索条件(where_condition)178构成。
在选择范围172中,作为数据解析部36进行处理的定时,例如存储“1秒”。在选择项目174中,作为用于由解析执行部62进行解析的解析对象ID,例如存储“预测频率—实际频率AS背离频率”。
在数据获取对象时间段176中,作为与解析执行部62执行解析时使用的数据获取对象时间段相关的信息,例如,存储有“2010-05-0107:20:00~2010-05-0108:40:00”。
检索条件178中,作为成为检索对象ID的条件,例如存储有“预测振动频率≥40”这一信息。
接着,按照图9的流程图说明时序数据累积处理。
通过由处理器26启动时序数据处理程序30的数据累积部34而开始该处理。
首先,在数据受理部42经通信接口22接收了来自时序数据源10的时序数据时,数据受理部42将接收到的时序数据依次交给数据属性汇集部44(S11)。
接下来,数据属性汇集部44将接收到的时序数据中的、相同周期的多个时序数据的属性,例如,“预测振动频率、实际振动频率”与属性汇集信息90的属性122对照,在接收到的各时序数据的属性为“预测振动频率”或“实际振动频率”时,作为与接收到的各时序数据的属性对应的汇集ID,获取“振动频率”(S12),将接收到的各时序数据累积到与汇集ID(振动频率)对应的属性缓冲器54(S13)。
接着,数据属性汇集部44判定在与汇集ID对应的属性缓冲器54中相同日期与时间时的属性的值是否全部存在(S14),没有全部存在时返回到步骤S11,判定为全部存在时,从与汇集ID对应的属性缓冲器54获取相同日期与时间的所有属性的数据,然后,删除属性缓冲器54上的数据(S15)。
接着,数据汇集部44,将从属性缓冲器54获取到的全部属性的数据按成为解析对象的多个时序数据组合,进行用于与汇集ID对应的属性汇集,将所组合的多个时序数据作为属性汇集数据处理,将该属性汇集数据输出到数据时间汇集部46(S16)。
接着,数据时间汇集部46接收属性汇集数据,将该属性汇集数据累积到时间缓冲器56(S17),判定时间缓冲器56的数据个数是否超过存储于时间汇集信息92的时间汇集数据数42的个数例如3600个(S18),在时间缓冲器56的数据个数没有超过时间汇集数据数时,为了收集1小时的数据而返回到步骤S11的处理,在时间缓冲器56的数据个数超过了时间汇集数据数时,视为收集了1小时量的数据,并转移到步骤S19的处理。
接着,在步骤S19中,数据时间汇集部46从与汇集ID(振动频率)对应的时间缓冲器56获取所有属性汇集数据,然后删除时间缓冲器56上的数据。
接着,数据时间汇集部46将收集到的所有属性汇集数据进行时间汇集而形成1小时量的数据,将属性汇集数据作为时间汇集数据处理,将时间汇集数据输出到特征点提取部48(S20)。
接着特征点提取部48从所输入的时间汇集数据提取“特征点”作为成为其特征的值,将时间汇集数据与提取出的特征点一起输出到数据压缩部50(S21)。
接着,数据压缩部50压缩所输入的时间汇集数据,将压缩后的数据与特征点输出到汇集数据写入部52(S22)。
接着,汇集数据写入部52接收时间汇集数据与特征点的数据,将接收到的时间汇集数据与特征点的数据经过外部存储接口24写入到外部存储装置18的汇集数据表32(S23),结束该程序(routine)的处理。
这时,在汇集数据表32中,以1小时为单位的时间汇集数据和特征点和数据汇集时间段的数据一起与汇集ID(振动频率)对应地存储。另外,汇集数据表32中由于累积有已压缩的数据,因此与不压缩数据的时候相比,能够以较少的数据量累积汇集数据。
接着,按照图10的流程图说明时序数据解析处理。
通过由处理器26启动时序数据程序30的数据解析部36与数据获取部38,而开始该处理。
首先,解析受理部60接收解析查询170(S31),数据获取部38执行解析对象ID·检索对象ID·获取对象ID·获取对象汇集ID列表制作处理(S32),然后数据获取部38执行数据获取处理(S33)。然后,解析执行部62执行基于条件·属性的数据提取·解析处理(S34),并执行将累积于解析结果缓冲器(无图示)的数据作为结果数据,发送到客户端计算机12的处理(S35),结束该程序(routine)的处理。
接着,根据图11的流程图说明解析对象ID·检索对象ID·获取对象ID·获取对象汇集ID列表制作处理。
该处理是在图10的步骤S32中进行的处理,首先,解析受理部60根据解析查询70的选择项目(select_items)174制作解析对象ID列表,并在该列表中写入预测振动频率与实际振动频率作为解析对象ID(S41)。
接着,解析受理部60根据解析查询170的检索条件(where_condition)178制作检索对象ID列表,在该列表中写入预测振动频率(S42)作为检索对象ID。
接着解析受理部60将解析对象ID与检索对象ID合并,制作获取对象ID列表,并在该列表中写入预测振动频率与实际振动频率作为获取对象ID(S43)。
接着,解析受理部60开始从步骤S44到步骤S48的获取对象ID列表的循环处理。
首先,数据解析受理部60将获取对象ID与属性汇集信息90的属性122对照,作为成为获取对象的汇集ID获取“振动频率”(S45),并判定成为获取对象ID的汇集ID“振动频率”是否存在于获取对象汇集ID列表中(S46),不存在时在获取对象汇集ID列表中追加成为获取对象的汇集ID(S47),成为获取对象的汇集ID已经存在于获取对象汇集ID列表中时,结束该程序(routine)的处理。
接着,根据图12的流程图说明数据获取处理。
该处理是在图10的步骤S33中进行的处理。首先,读入时间段筛选部70从解析受理部60接收获取对象汇集ID列表(S51),基于解析查询170,根据解析查询170的数据获取对象时间段(from_timerange)176的时间段获取例如,“07:20:00~08:40:00”作为数据获取对象时间段(S52)。
接着,读入时间段筛选部270使用汇集数据表32的特征点,在存在解析查询170的检索条件(where_condition)178成立的数据的时间段,筛选数据获取时间段(S53)。例如,读入时间段筛选部270,参照图7的汇集数据表32,当预测振动频率为40以上的时序数据在第1条目中不存在,而只存在于第2条目时,将数据获取对象时间段从7点20分~8点40分缩小为8点0分~8点40分。
然后,读入时间段筛选部70将与筛选出的获取对象时间段相关的信息输出到汇集数据读入部72。
然后,在步骤S54~S58中进行获取对象汇集ID列表的循环处理。
首先,汇集数据读入部72参照汇集数据表32,从汇集数据表32获取属于已经筛选出的数据获取对象时间段的汇集数据来作为与获取对象汇集ID相关的汇集数据,将获取到的汇集数据输出到数据解压缩部74(S55)。
接着,数据解压缩部74对所输入的汇集数据进行解压缩,并将已解压缩的汇集数据输出到数据时间提取部76(S56)。
接着,数据时间提取部76,参照时间汇集信息92的时间汇集数据数42,基于时间汇集数据数,提取属于已筛选出的数据获取对象时间段的属性汇集数据列表(S57),在与获取对象汇集ID列表相关的处理全部结束的条件下,结束该程序(routine)的处理。
接着,根据图13的流程图说明基于条件·属性的数据提取·解析处理。
该处理是图10的步骤S34中的处理,首先,数据筛选部78从解析查询170的条件178获取数据筛选条件(预测振动频率为40以上)(S61),数据时间提取部76获取所提取的属性汇集数据列表(S62)。
然后,在步骤S63~S68中,进行属性汇集数据列表的循环处理。
首先,数据筛选部78,针对属性汇集数据,判定数据筛选条件是否成立(S64)。具体来说,数据筛选部78,判定在属性汇集数据中是否存在预测振动频率为40以上的数据。即,数据筛选部78判定预测振动频率的值是否在成为检索对象的条件的基准值=40以上。在属性汇集数据中存在预测振动频率为40以上的数据时,数据筛选部78将预测振动频率的值在成为检索对象的条件的基准值=40以上的时序数据的组合,作为筛选出的时序数据的组合提取出来。
当在属性汇集数据中存在预测振动频率为40以上的数据时,数据属性提取部78从通过数据筛选部78筛选出的时序数据(属性汇集数据)的组合中提取解析对象ID列表的数据(S65)。即,从属性汇集数据中将通过解析查询170的选择项目174规定的、与预测振动频率和实际振动频率相关的时序数据一组一组地作为成为解析对象的多个时序数据提取出来。
数据属性提取部80将所提取的多个时序数据的组合分别作为成为解析对象的多个时序数据输出到解析执行部62。
解析执行部62对由数据属性提取部80提取出的多个时序数据,执行通过解析查询170的选择项目174规定的解析(S66)。即,对于成为解析对象的多个时序数据的、预测振动频率为40以上的组,执行从预测振动频率减去实际振动频率,求出背离频率的解析。
然后,解析执行部62将各组的解析结果累积到解析结果缓冲器(无图示)(S67),结束该程序中的处理。
根据本实施例,通过属性(振动频率)归纳汇集以相同周期产生的多个时序数据,并且以设定时间为单位进行归纳汇集,因此能够将以相同周期产生的多个时序数据高效率地累积起来。
另外,根据本实施例,相对于以属性(振动频率)为基准将多个时序数据累积起来的汇集数据表32,通过基于属性进行访问,作为解析用的时序数据,因为将以相同周期产生的时序数据的组合从汇集数据表32提取出来,所以能够高效率地访问解析用的时序数据来进行解析。
实施例2
本实施例在数据累积时,作为成为解析对象的多个时序数据的组合,选择以不同周期产生的时序数据的组合(与发电量和电力消耗量相关的时序数据),归纳多组所选择的时序数据的组合并以设定时间为单位进行汇集,将所汇集的多组时序数据对应着属性(电力)累积到存储部,在数据解析时,作为解析用的时序数据,将以不同周期产生的时序数据的组合(与发电量和电力消耗量相关的时序数据)从存储部提取出来。
图14表示本发明的第2实施例的整体结构。
本实施例中的计算机***,在时序数据处理装置16中,在数据累积部34的数据受理部42与数据属性汇集部44之间配置数据周期汇集部43,代替属性缓冲器54,配置属性缓冲器53,代替时间缓冲器56,配置时间缓冲器55,作为数据周期汇集部43管理的缓冲器,配置周期缓冲器57,在数据获取部38的数据属性提取部80后配置数据周期提取部82,在设定信息存储区域40,代替属性汇集信息90,配置属性汇集信息91,代替时间汇集信息92,配置时间汇集信息93,新配置周期汇集信息95,更进一步,代替存储于外部存储装置18的汇集数据表32,存储汇集数据表33,在时序数据处理装置16中,作为时序数据,对以不同周期产生的时序数据进行处理,其它的结构与第1实施例一样。
数据周期汇集部43为了将基于数据受理部42的输出的时序数据中的、产生周期的不同的时序数据归纳成1小时量的时序数据并处理,例如,将以1小时为周期产生的时序数据(与发电量相关的时序数据)与以1分钟为周期产生的时序数据(与发电量相关的时序数据)作为累积数据存储到周期缓冲器57,并且将以1小时为周期产生的时序数据与以1分钟为周期产生的时序数据分别输出到数据属性汇集部44。
数据属性汇集部44将所输入的时序数据中成为解析对象的多个时序数据,即,以不同周期产生的多个时序数据组合,组合起来的多个时序数据,例如将与发电量相关的时序数据同与电力消耗量相关的时序数据组合,将组合起来的多个时序数据与彼此相关联的属性、例如电力对应地进行汇集(以下,称为属性汇集),将所汇集的时序数据作为属性汇集数据累积到属性缓冲器53,并输出到数据时间汇集部46。
数据时间汇集部46收集设定的时间的所输入的属性汇集数据,并作为时间汇集数据处理。例如,数据时间汇集部46将所输入的属性汇集数据按照24小时为单位进行汇集并作为时间汇集数据累积到时间缓冲器55,并且输出到特征点提取部48。
特征点提取部48从已输入的时间汇集数据中将其特征点抽取出来,并将所输入的时间汇集数据与提取出特征点一起输出到数据压缩部50。
数据压缩部50将从特征点提取部48输出的时间汇集数据压缩,并将已压缩的数据与从特征点提取部48输出的特征点输出到汇集数据写入部52。
汇集数据写入部52将从数据压缩部50输出的数据作为汇集数据写入外部存储装置18的汇集数据表32。
数据解析部36的解析受理部60与第1实施例一样,受理来自客户端计算机12的解析查询,将受理的解析查询输出到数据获取部38。解析执行部62与第1实施例一样,以数据获取部38的处理结果为基础执行通过解析查询规定的解析。
数据获取部38的读入时间段筛选部70、汇集数据读入部72、数据解压缩部74、数据时间提取部76、数据筛选部78、数据属性提取部80与第1实施例一样,执行与时序数据相关的处理。
这时,数据属性提取部80从通过数据筛选部78筛选出的属性汇集数据中,作为是成为解析对象的时序数据的、汇集ID与电力对应的多个时序数据,将组合了1个与发电量相关的时序数据同60个与电力消耗量相关的时序数据的时序数据按解析对象进行归纳提取,将各提取出的多个时序数据输出到解析执行部62。
接着,图15表示周期汇集信息95的结构。
周期汇集信息95由属性200、周期汇集数据数202构成。属性200中,例如,作为与解析对象时序数据相关的属性,存储有“发电量”与“电力消耗量”。周期汇集数据数202中,例如,作为以1小时为单位进行解析时需要的数据数,对应于发电量存储了“1个”,对应于电力消耗量存储了“60个”这一信息。关于这些,解析每1小时中的电力差时,作为发电量使用1个数据,作为1分钟产生的电力消耗量使用60个数据。
图16表示周期缓冲器57的结构。
周期缓冲器57的信息存储区域以表形式构成,由日期与时间字段210、属性字段212、累积数据字段214构成。
日期与时间字段210的各条目中,与将数据累积到周期缓冲器57的日期与时间相关的信息与年月日一起用数值来存储。属性字段212的各条目中,例如,作为累积于周期缓冲器的时序数据的属性,存储有“发电量”或“电力消耗量”这样的信息。累积数据字段214的各条目中,存储有累积于周期缓冲器的时序数据(累积数据)的值。
例如,对应于发电量,作为图2中的时序数据D4的值,存储有“240”,对应于电力消耗量,作为图2中的时序数据D3、D7、D8的值存储有“6.7”、“7.1”、“12.4”。
接着,图17表示属性汇集信息91的结构。
属性汇集信息91由汇集ID220与属性222构成。属性222中,作为以不同周期产生的时序数据的属性,存储有例如“发电量”、“电力消耗量”。汇集ID220中,作为存储于属性222中的发电量与电力消耗表示的属性、即彼此关联的属性,存储有“电力”。
接着,图18表示属性缓冲器53的结构。
属性缓冲器53的信息存储区域以表形式构成,由周期汇集时间段字段230、与属性字段232、与周期汇集数据字段234构成。
周期汇集时间段字段230的各条目中,存储有与以1小时为单位的周期汇集时间段相关的信息。属性字段232的各条目中,例如,作为成为解析对象的多个时序数据的属性,存储有“发电量”与“电力消耗量”。
周期汇集数据字段234的各条目中,例如,对应于发电量,发电量的值存储1个,对应于电力消耗量,以1分钟为周期收集到的电力消耗量的值存储60个。
接着,图19表示时间汇集信息93的结构。
时间汇集信息93由汇集ID240与时间汇集数据数242构成。汇集ID240中例如,作为“发电量”与“电力消耗量”彼此关联的属性,存储有“电力”。时间汇集数据数242中,例如,为了以24小时为单位对电力数据进行时间汇集,存储有“24个”。
接着,图20表示时间缓冲器55的结构。
时间缓冲器55由数据汇集时间段250与属性汇集数据252构成。数据汇集时间段250中,将与汇集数据的时间段相关的信息作为以24小时为单位的信息存储起来。属性汇集数据252中,归纳并存储每1小时的数据。例如,在为图2的时序数据时,把时序数据D4、D3、D7、…、D8作为成为解析对象的1小时量的数据存储。
接着,图21表示汇集数据表33的结构。
汇集数据表33的信息存储区域以表形式构成,由汇集ID字段260、特征点字段262、数据汇集时间段字段264、以及时间汇集数据字段266构成。
汇集ID字段260的各条目中,例如,作为汇集发电量与电力消耗量得到的属性,存储有“电力”。
在特征点字段262的各条目中,存储有与按24小时归纳的时序数据的特征点相关的信息。例如,作为发电量的最大值存储有“发电量最大值:300”,作为发电量最小值,存储有“发电量最小值:200”。另外,作为电力消耗量最大值,存储有“电力消耗量最大值:10”,作为电力消耗量最小值,存储有“电力消耗量最小值:5”。
数据汇集时间段字段264的各条目中,例如,存储有与用于获取24小时的发电量与电力消耗量的数据汇集时间段相关的信息。
时间汇集数据字段266中,作为24小时量的数据,存储有与以1小时为单位进行周期汇集得到的数据相关的值。例如为图2的时序数据时,作为1小时量的数据分别存储有时序数据D4、D3、D7、…、D8的值。
接着,图22表示解析查询270的结构。
解析查询270由选择范围(select_range)272、选择项目(select_items)274、数据获取对象时间段(from_timerange)276、以及检索条件(where_condition)278构成。
选择范围(select_range)272中作为数据解析部36解析数据的处理时间单位存储有1小时。
选择项目(select_items)274中作为解析对象ID,例如,存储有发电量-SUM(电力消耗量)AS电力差。
数据获取对象时间段(from_timerange)276中,作为与数据获取对象时间段相关的信息,例如存储有“2010-05-0107:00:00”~“2010-05-0117:00:00”。
检索条件(where_condition)278中,作为成为检索对象ID的条件存储有电量≥250。
接着,根据图23的流程图说明时序数据累积处理。
通过由处理器26将时序数据处理程序30的数据累积部34启动,开始该处理。
首先,数据受理部42经过网络14与通信接口22接收从时序数据源10输出的时序数据,将接收到的时序数据交给数据周期汇集部43(S71)。
接着,数据周期汇集部43将所输入的时序数据依次累积到周期缓冲器57(S72),判定周期缓冲器57的累积数据个数是否超过通过周期汇集信息95的周期汇集数据数202规定的个数(S73),累积于周期缓冲器57的数据个数没有超过通过周期汇集数据数202规定的个数时,返回步骤S71的处理,累积于周期缓冲器57的数据个数超过通过周期汇集数据数202规定的个数时,转移到步骤S74的处理。
在步骤S73中,数据周期汇集部43在将所输入的时序数据依次累积到周期缓冲器57的过程中,判定与发电量相关的时序数据是否累积了1个,并且判定与电力消耗量相关的时序数据的个数是否达到60个。
接着,数据周期汇集部43从周期缓冲器57获取已累积于周期缓冲器57的累积数据(包含1个与发电量相关的时序数据以及60个与电力消耗量相关的时序数据的数据),然后,删除周期缓冲器57的数据(S74),执行用于将从周期缓冲器57获取的累积数据归纳为1小时周期的数据的周期汇集,并将周期汇集得出的周期汇集数据(包含与发电量相关的时序数据以及与电力消耗量相关时序数据的数据)输出到数据属性汇集部44(S75)。
接着,数据属性汇集部44接收周期汇集数据,将该周期汇集数据依次累积到与汇集ID对应的属性缓冲器53(S76),判定在与汇集ID对应的属性缓冲器53中,是否存在相同日期与时间的所有的属性(发电量与电力消耗)的周期汇集数据(S77),判定为没有全部存在时返回步骤S71的处理,判定为全部存在时,从与汇集ID对应的属性缓冲器53获取相同日期与时间的全部属性(发电量与电力消耗)的周期汇集数据,然后,删除属性缓冲器53上的数据(S78)。
接着,数据属性汇集部44将从属性缓冲器53得到的所有属性(发电量与电力消耗)的周期汇集数据按成为解析对象的多个时序数据进行组合,进行用于与汇集ID(电力)对应的属性汇集,将组合起来的多个时序数据作为属性汇集数据处理,并将该属性汇集数据输出到数据时间汇集部46(S79)。
接着,数据时间汇集部46接收属性汇集数据,将该属性汇集数据依次累积到时间缓冲器55(S80),判定累积于时间缓冲器55的属性汇集数据的个数是否超过存储于时间汇集信息93的时间汇集数据数242的个数,例如24个(S81),判定为时间缓冲器55的属性汇集数据的个数没超过时间汇集数据数时,为了收集24小时量的属性汇集数据,返回到步骤S71的处理,判定为时间缓冲器55的属性汇集数据的个数超过了时间汇集数据数时,认为收集了24小时量的属性汇集数据作,向步骤S82的处理转移。
接着,在步骤S82中,数据时间汇集部46从与汇集ID(电力)对应的时间缓冲器55获取全部属性汇集数据,然后,删除时间缓冲器55上的数据(属性汇集数据)。
接着,数据时间汇集部46执行用于将所获取的全部属性汇集数据归纳为24小时量的数据的时间汇集,将时间汇集得到的属性汇集数据作为时间汇集数据处理,并将时间汇集数据输出到特征点提取部48(S83)。
接着,特征点提取部48从所输入的时间汇集数据中,将“特征点”作为成为其特征的值提取,并将时间汇集数据与提取到的特征点一起输出到数据压缩部50(S84)。
接着,数据压缩部50压缩所输入的时间汇集数据,将所压缩的数据与特征点输出到汇集数据写入部52(S85)。
接着,汇集数据写入部52,接收时间汇集数据与特征点的数据,将所接收的时间汇集数据与特征点的数据经外部存储接口24写入到外部存储装置18的汇集数据表33(S86),结束该程序的处理。这时,以24小时为单位的时间汇集数据同特征点和数据汇集时间段的数据一起,与汇集ID(电力)对应地存储在汇集数据表33中。
接着,根据图24的流程图说明时序数据解析处理。
该处理通过数据解析部36与数据获取部38执行,首先,解析受理部60接收从客户端计算机12发行的解析查询270(S91),然后,数据获取部38执行获取对象ID·检索条件ID·获取对象ID·获取对象汇集ID列表制作处理(S92)。
接着,数据获取部38执行数据获取处理(S93),然后,解析执行部62执行基于条件·属性·周期的数据提取·解析处理(S94),最后,解析执行部62将累积于解析结果缓冲器的结果数据发送到客户端计算机12(S95),结束该程序的处理。
另外,步骤S92中的获取对象ID·检索条件ID·获取对象ID·获取对象汇集ID列表制作处理,除了是基于解析查询270的处理之外,其余是与图11中的处理相同的内容,另外,步骤S93中的数据获取处理除了是基于解析查询270的处理之外,其余是与图12中的处理相同的内容,所以省略那些说明。
接着根据图25的流程图说明基于条件·属性·周期的数据提取·解析处理。
该步骤是在图24的步骤S94中进行的处理,首先,数据筛选部78在根据解析查询270的检索条件(where_condition)278作为数据筛选条件而例如使发电量为基准值=250以上时,获取发电量250以上(S101),接着,获取数据时间提取部76提取出的属性汇集数据列表(S102)。
然后,在步骤S103~S109中进行基于属性汇集数据列表的循环处理。
首先,数据筛选部78针对所获取的属性汇集数据判定数据筛选条件是否成立(S104)。即,判定在属性汇集数据中是否存在发电量在250以上的数据,判定为存在发电量在250以上的数据时,转移到步骤S105,判定为不存在发电量在250以上的数据时,转移到步骤S109的处理。
步骤S105中,数据属性提取部80从属性汇集数据中将解析对象ID列表的属性汇集数据提取出来。即,数据属性提取部80,提取出解析查询270的选择项目274所规定的属性汇集数据,例如,提取包括1个与发电量相关的时序数据以及60个作为一分钟数据的与电力消耗量相关的时序数据的属性汇集数据。
接着,数据周期提取部82基于周期汇集信息95的周期汇集数据数202规定的数据数(发电量:1个,电力消耗量:60个),提取解析查询270的数据获取对象时间段(from_timerange)276内的数据(在7:00:00~17:00:00之间累积的数据)(S106)。
然后,解析执行部62对通过数据周期提取部82提取出的数据,执行与解析查询270的选择项目(select_items)274相关的解析。例如,选择项目(select_items)274为“发电量-SUM(电力消耗量)AS电力差”时,执行从发电量减去1小时量的电力消耗量来求出电力差的运算。
接着,解析执行部62将解析结果累积到解析结果缓冲器(无图示)(S108),在执行了与所有的属性汇集数据列表相关的处理的条件下,结束该程序的处理。
根据本实施例,将以不同周期产生的多个时序数据利用属性(电力)进行归纳并汇集,并且,以设定时间为单位进行归纳并汇集,所以能够高效率地累积以不同周期产生的多个时序数据。
另外,根据本实施例,对于以属性(电力)为基准累积了多个时序数据的汇集数据表33,通过以属性为基础进行访问,作为解析用的时序数据,将以不同周期产生的时序数据的组合从汇集数据表33提取出来,所以能够高效率地访问解析用的多个时序数据来进行解析。
符号说明
10时序数据源,12客户端计算机,14网络,16时序数据处理装置,18外部存储装置,20存储器,26处理器,30时序数据处理程序,32汇集数据表,34数据累积部,36数据解析部,38数据获取部,40设定信息存储区域,42数据受理部,43数据周期汇集部,44数据属性汇集部,46数据时间汇集部,48特征点提取部,50数据压缩部,52汇集数据写入部,60解析受理部,62解析执行部,70读入时间段筛选部,72汇集数据读入部,74数据解压缩部,76数据时间提取部,78数据筛选部,80数据属性提取部,82数据周期提取部。
Claims (20)
1.一种时序数据处理装置,其特征在于,具有:
数据处理部,其从时序数据产生源依次输入时序数据并进行处理;
存储部,其累积上述数据处理部的处理结果;以及
数据获取解析部,其从上述存储部获取数据,并且按照解析请求解析上述所获取的数据,
上述数据处理部将上述输入的时序数据中成为解析对象的多个时序数据组合,将上述所组合的多个时序数据与彼此关联的属性对应起来累积到上述存储部,
上述数据获取解析部在通过上述解析请求规定的检索对象为上述属性时,将上述属性作为检索对象来访问上述存储部,从上述存储部中将为与上述属性对应的时序数据的、上述成为解析对象的多个时序数据提取出来,使用上述提取出的多个时序数据,来执行通过上述解析请求规定的解析。
2.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,归纳出多组上述选择的时序数据的组合并以设定时间为单位进行汇集,将上述汇集起来的多组时序数据与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部提取上述以相同周期产生的时序数据的组合作为上述解析用的时序数据。
3.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,将上述选择的时序数据的组合与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部提取上述以相同周期产生的时序数据的组合来作为上述解析用的时序数据。
4.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以不同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,将基于上述选择的组合的时序数据与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部提取上述以不同周期产生的时序数据的组合来作为上述解析用的时序数据。
5.根据权利请求3所述的时序数据处理装置,其特征在于,
上述数据处理部归纳出多组上述选择的时序数据的组合并以设定时间为单位进行汇集,将上述汇集的多组时序数据与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部提取上述汇集的多组时序数据作为上述解析用的时序数据。
6.根据权利请求4所述的时序数据处理装置,其特征在于,
上述数据处理部归纳出多组上述选择的时序数据的组合并以设定时间为单位进行汇集,将上述汇集的多组时序数据与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部提取上述汇集的多组时序数据作为上述解析用的时序数据。
7.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,将属于上述选择的时序数据的组合的各时序数据的特征点提取出来,将上述选择的时序数据的组合与上述提取出的特征点一起与上述属性对应起来累积到上述存储部,
上述数据获取解析部,在针对属于上述以相同周期产生的时序数据的组合的时序数据的特征点的基准值被作为上述检索对象的条件而规定在上述解析查询中时,从上述存储部中,从上述以相同周期产生的时序数据的组合中提取该时序数据的特征点满足上述基准值的时序数据,来作为上述解析用的时序数据。
8.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以不同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,将属于上述选择的时序数据的组合的各时序数据的特征点提取出来,将上述选择的时序数据的组合与上述提取出的特征点一起与上述属性对应起来累积到上述存储部,
上述数据获取解析部,在针对属于上述以不同周期产生的时序数据的组合的时序数据的特征点的基准值被作为上述检索对象的条件而规定在上述解析查询中时,从上述存储部中,从上述以不同周期产生的时序数据的组合中提取该时序数据的特征点满足上述基准值的时序数据,来作为上述解析用的时序数据。
9.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,将属于上述选择的时序数据的组合的各时序数据压缩,将上述压缩后的时序数据的组合与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部中,从上述以相同周期产生的时序数据的组合中提取上述压缩后的时序数据的组合,来作为上述解析用的时序数据,并对上述提取的各时序数据进行解压缩。
10.根据权利请求1所述的时序数据处理装置,其特征在于,
上述数据处理部选择以不同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合,将属于上述选择的时序数据的组合的各时序数据压缩,将上述压缩后的时序数据的组合与上述属性对应起来累积到上述存储部,
上述数据获取解析部从上述存储部中,从上述以不同周期产生的时序数据的组合中提取上述压缩后的时序数据的组合,来作为上述解析用的时序数据,并对上述提取的各时序数据进行解压缩。
11.一种时序数据处理方法,具有:数据处理部,其从时序数据产生源依次输入时序数据并进行处理;存储部,其累积上述数据处理部的处理结果;以及数据获取解析部,其从上述存储部获取数据,并且按照解析请求解析上述所获取的数据,
上述时序数据处理方法的特征在于,包括以下步骤:
上述数据处理部将上述输入的时序数据中成为解析对象的多个时序数据组合,将上述所组合的多个时序数据与彼此关联的属性对应起来累积到上述存储部;
上述数据获取解析部在通过上述解析请求规定的检索对象为上述属性时,将上述属性作为检索对象来访问上述存储部;
上述数据获取解析部从上述存储部中将为与上述属性对应的时序数据的、上述成为解析对象的多个时序数据提取出来;以及
上述数据获取解析部使用上述步骤中提取出的多个时序数据,来执行通过上述解析请求规定的解析。
12.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部归纳出多组上述选择的时序数据的组合并以设定时间为单位进行汇集;
上述数据处理部将在上述步骤中汇集起来的多组时序数据与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部从上述存储部提取上述以相同周期产生的时序数据的组合作为上述解析用的时序数据。
13.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部将在上述步骤中选择的时序数据的组合与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部从上述存储部提取上述以相同周期产生的时序数据的组合来作为上述解析用的时序数据。
14.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以不同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部将基于在上述步骤中选择的组合的时序数据与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部从上述存储部提取上述以不同周期产生的时序数据的组合来作为上述解析用的时序数据。
15.根据权利请求13所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部归纳出多组上述选择的时序数据的组合并以设定时间为单位进行汇集;
上述数据处理部将在上述步骤中汇集的多组时序数据与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部从上述存储部提取在上述步骤中汇集的多组时序数据作为上述解析用的时序数据。
16.根据权利请求14所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部归纳出多组上述选择的时序数据的组合并以设定时间为单位进行汇集;
上述数据处理部将在上述步骤中汇集的多组时序数据与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部从上述存储部提取在上述步骤中汇集的多组时序数据作为上述解析用的时序数据。
17.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部将属于在上述步骤中选择的时序数据的组合的各时序数据的特征点提取出来;
上述数据处理部将在上述步骤中选择的时序数据的组合与上述提取出的特征点一起与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部,在针对属于上述以相同周期产生的时序数据的组合的时序数据的特征点的基准值被作为上述检索对象的条件而规定在上述解析查询中时,从上述存储部中,从上述以相同周期产生的时序数据的组合中提取该时序数据的特征点满足上述基准值的时序数据,来作为上述解析用的时序数据。
18.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以不同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部将属于在上述步骤中选择的时序数据的组合的各时序数据的特征点提取出来;
上述数据处理部将在上述步骤中选择的时序数据的组合与上述提取出的特征点一起与上述属性对应起来累积到上述存储部;以及
上述数据获取解析部,在针对属于上述以不同周期产生的时序数据的组合的时序数据的特征点的基准值被作为上述检索对象的条件而规定在上述解析查询中时,从上述存储部中,从上述以不同周期产生的时序数据的组合中提取该时序数据的特征点满足上述基准值的时序数据,来作为上述解析用的时序数据。
19.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以相同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部将属于在上述步骤中选择的时序数据的组合的各时序数据压缩;
上述数据处理部将在上述步骤中压缩后的时序数据的组合与上述属性对应起来累积到上述存储部;
上述数据获取解析部从上述存储部中,从上述以相同周期产生的时序数据的组合中提取上述压缩后的时序数据的组合,来作为上述解析用的时序数据;以及
上述数据获取解析部对在上述步骤中提取的各时序数据进行解压缩。
20.根据权利请求11所述的时序数据处理方法,其特征在于,包括以下步骤:
上述数据处理部选择以不同周期产生的时序数据的组合作为上述成为解析对象的多个时序数据的组合;
上述数据处理部将属于在上述步骤中选择的时序数据的组合的各时序数据压缩;
上述数据处理部将在上述步骤中压缩后的时序数据的组合与上述属性对应起来累积到上述存储部;
上述数据获取解析部从上述存储部中,从上述以不同周期产生的时序数据的组合中提取上述压缩后的时序数据的组合,来作为上述解析用的时序数据;以及
上述数据获取解析部对在上述步骤中提取的各时序数据进行解压缩。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2010/005045 WO2012020456A1 (ja) | 2010-08-11 | 2010-08-11 | 時系列データ処理装置及びその方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103003803A true CN103003803A (zh) | 2013-03-27 |
CN103003803B CN103003803B (zh) | 2016-08-03 |
Family
ID=45567437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080068167.1A Expired - Fee Related CN103003803B (zh) | 2010-08-11 | 2010-08-11 | 时序数据处理装置及其方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20130290242A1 (zh) |
JP (1) | JPWO2012020456A1 (zh) |
CN (1) | CN103003803B (zh) |
WO (1) | WO2012020456A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105247430A (zh) * | 2013-05-29 | 2016-01-13 | 日本电产三协株式会社 | 数据处理装置及数据处理方法 |
CN107036820A (zh) * | 2017-05-09 | 2017-08-11 | 武汉理工大学 | 基于时序图像处理的发动机轮系横向振动检测方法及*** |
CN107871022A (zh) * | 2017-12-20 | 2018-04-03 | 清华大学 | 一种时序数据列式存储、查询方法及*** |
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 |
CN108476540A (zh) * | 2016-02-18 | 2018-08-31 | 松下知识产权经营株式会社 | 终端机和终端机的控制方法、以及使用该终端机的无线通信*** |
CN110109990A (zh) * | 2019-03-18 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 时序数据处理方法、设备、数据处理设备及介质 |
CN113486072A (zh) * | 2020-03-17 | 2021-10-08 | ***通信集团福建有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
CN116662276A (zh) * | 2023-06-06 | 2023-08-29 | 中科三清科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9600523B2 (en) * | 2011-01-19 | 2017-03-21 | Oracle International Corporation | Efficient data collection mechanism in middleware runtime environment |
WO2014109038A1 (ja) * | 2013-01-10 | 2014-07-17 | 株式会社日立製作所 | 時系列データ処理装置及び方法並びに記憶媒体 |
US10048991B2 (en) * | 2013-07-01 | 2018-08-14 | Hitachi, Ltd. | System and method for parallel processing data blocks containing sequential label ranges of series data |
US20170212935A1 (en) * | 2015-01-09 | 2017-07-27 | Hitachi, Ltd. | Data management apparatus and data management method |
US10719534B2 (en) | 2017-02-02 | 2020-07-21 | General Electric Company | Rollup engine for internet of things |
CN112069424A (zh) * | 2019-06-10 | 2020-12-11 | 北京国双科技有限公司 | 访问行为数据分析方法及装置 |
CN110689953A (zh) * | 2019-09-03 | 2020-01-14 | 东软医疗***股份有限公司 | 数据存储方法及装置、数据查找方法及装置、电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08221113A (ja) * | 1995-02-16 | 1996-08-30 | Hitachi Ltd | 時系列データ記憶装置およびプロセス異常診断装置 |
JP2003132088A (ja) * | 2001-10-22 | 2003-05-09 | Toshiba Corp | 時系列データ検索システム |
JP2006031066A (ja) * | 2004-07-12 | 2006-02-02 | Ksl:Kk | 年表検索装置、年表検索方法、プログラム及び記録媒体 |
CN1804838A (zh) * | 2005-01-12 | 2006-07-19 | 微软公司 | 采用基于时间线的数据表示的文件管理*** |
JP2008040817A (ja) * | 2006-08-07 | 2008-02-21 | Nippon Telegr & Teleph Corp <Ntt> | 属性情報付与方法及び属性情報更新方法及びプログラム |
CN101681366A (zh) * | 2007-03-02 | 2010-03-24 | E-曼纽尔***私人有限公司 | 一种数据存储和管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006053689A (ja) * | 2004-08-10 | 2006-02-23 | I-N Information Systems Ltd | 時系列データ表示システム及び時系列データ表示用プログラム |
-
2010
- 2010-08-11 WO PCT/JP2010/005045 patent/WO2012020456A1/ja active Application Filing
- 2010-08-11 JP JP2012528518A patent/JPWO2012020456A1/ja active Pending
- 2010-08-11 CN CN201080068167.1A patent/CN103003803B/zh not_active Expired - Fee Related
- 2010-08-11 US US13/813,574 patent/US20130290242A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08221113A (ja) * | 1995-02-16 | 1996-08-30 | Hitachi Ltd | 時系列データ記憶装置およびプロセス異常診断装置 |
JP2003132088A (ja) * | 2001-10-22 | 2003-05-09 | Toshiba Corp | 時系列データ検索システム |
JP2006031066A (ja) * | 2004-07-12 | 2006-02-02 | Ksl:Kk | 年表検索装置、年表検索方法、プログラム及び記録媒体 |
CN1804838A (zh) * | 2005-01-12 | 2006-07-19 | 微软公司 | 采用基于时间线的数据表示的文件管理*** |
JP2008040817A (ja) * | 2006-08-07 | 2008-02-21 | Nippon Telegr & Teleph Corp <Ntt> | 属性情報付与方法及び属性情報更新方法及びプログラム |
CN101681366A (zh) * | 2007-03-02 | 2010-03-24 | E-曼纽尔***私人有限公司 | 一种数据存储和管理方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105247430A (zh) * | 2013-05-29 | 2016-01-13 | 日本电产三协株式会社 | 数据处理装置及数据处理方法 |
CN108476540A (zh) * | 2016-02-18 | 2018-08-31 | 松下知识产权经营株式会社 | 终端机和终端机的控制方法、以及使用该终端机的无线通信*** |
CN108476540B (zh) * | 2016-02-18 | 2022-03-15 | 松下知识产权经营株式会社 | 终端机和终端机的控制方法、以及使用该终端机的无线通信*** |
CN107036820A (zh) * | 2017-05-09 | 2017-08-11 | 武汉理工大学 | 基于时序图像处理的发动机轮系横向振动检测方法及*** |
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 |
CN107871022A (zh) * | 2017-12-20 | 2018-04-03 | 清华大学 | 一种时序数据列式存储、查询方法及*** |
US11704328B2 (en) | 2017-12-20 | 2023-07-18 | Tsinghua University | Columnar storage and query method and system for time series data |
CN110109990A (zh) * | 2019-03-18 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 时序数据处理方法、设备、数据处理设备及介质 |
CN113486072A (zh) * | 2020-03-17 | 2021-10-08 | ***通信集团福建有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
CN113486072B (zh) * | 2020-03-17 | 2024-06-18 | ***通信集团福建有限公司 | 数据分析方法、装置、电子设备及计算机可读存储介质 |
CN116662276A (zh) * | 2023-06-06 | 2023-08-29 | 中科三清科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
CN116662276B (zh) * | 2023-06-06 | 2024-03-05 | 中科三清科技有限公司 | 数据处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2012020456A1 (ja) | 2013-10-28 |
WO2012020456A1 (ja) | 2012-02-16 |
US20130290242A1 (en) | 2013-10-31 |
CN103003803B (zh) | 2016-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103003803A (zh) | 时序数据处理装置及其方法 | |
CN1752976B (zh) | 文件管理方法、数据结构及文件管理装置 | |
CN103593371B (zh) | 推荐搜索关键词的方法和装置 | |
CN102722499B (zh) | 搜索引擎及其实现方法 | |
CN105765560A (zh) | 基于多次跟踪执行的软件组件推荐 | |
CN106844607B (zh) | 一种适用于非整型主键与空闲块合并的SQLite数据恢复方法 | |
JP5373870B2 (ja) | 予測装置、予測方法、及び、プログラム | |
CN105354697A (zh) | 一种基于财务科目规则库的自动在线审计方法及*** | |
KR101212457B1 (ko) | 웹페이지 접속시간 및 방문도에 기반한 웹검색 방법 및 웹검색 시스템 | |
CN101425091A (zh) | 一种数据库访问路径效率分析处理方法、服务器及*** | |
CN115840802A (zh) | 服务处理方法及装置 | |
CN111858301A (zh) | 基于变更历史的组合服务测试用例集约简方法及装置 | |
CN116827950A (zh) | 云资源的处理方法、装置、设备及存储介质 | |
CN101458701A (zh) | 数据检索装置以及数据检索方法 | |
KR100557874B1 (ko) | 과학기술 정보분석 방법 및 그 방법에 대한 컴퓨터프로그램을 저장한 기록매체 | |
CN117009230B (zh) | 一种基于代码覆盖率评测的精准测试方法及*** | |
JP2004199377A (ja) | 遠隔監視診断システム | |
Abbas et al. | Quality factors enhancement of requirement engineering: A systematic literature review | |
CN115730069A (zh) | 基于动静态调用关系、并反映业务能力的微服务识别方法 | |
CN112380256B (zh) | 能源***数据存取的方法、数据库、计算机可读存储介质 | |
KR101718599B1 (ko) | 소셜 미디어 데이터 분석 시스템 및 이를 이용한 소셜 미디어 데이터 분석 방법 | |
CN113344023A (zh) | 一种代码推荐方法、装置及*** | |
Trummer | Demonstrating DB-BERT: A Database Tuning Tool that" Reads" the Manual | |
Navarro et al. | A machine learning methodology for cache recommendation | |
CN118152642A (zh) | 数据爬虫方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160803 Termination date: 20170811 |