CN117407260A - 一种针对物联网平台的异常检测方法和*** - Google Patents
一种针对物联网平台的异常检测方法和*** Download PDFInfo
- Publication number
- CN117407260A CN117407260A CN202311429940.8A CN202311429940A CN117407260A CN 117407260 A CN117407260 A CN 117407260A CN 202311429940 A CN202311429940 A CN 202311429940A CN 117407260 A CN117407260 A CN 117407260A
- Authority
- CN
- China
- Prior art keywords
- internet
- data
- things platform
- target monitoring
- monitoring equipment
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 170
- 238000012544 monitoring process Methods 0.000 claims abstract description 112
- 230000005856 abnormality Effects 0.000 claims abstract description 99
- 230000002159 abnormal effect Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012806 monitoring device Methods 0.000 claims description 34
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 8
- 238000013523 data management Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000002547 anomalous effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
- G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种针对物联网平台的异常检测方法和***。所述针对物联网平台的异常检测方法包括：提取物联网平台的异常检测需求和目标监测设备；对所述物联网平台的接口进行设置；实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。所述***包括所述方法步骤对应的模块。
Description
技术领域
本发明提出了一种针对物联网平台的异常检测方法和***，属于物联网异常检测技术领域。
背景技术
物联网平台的异常检测通过指定异常检测算法接口规范，已实现两种基本算法：K-Means和DBSCAN，并且支持自定义异常检测算法。当前的异常检测算法过于复杂，并且，基本没有轻量级的异常检测算法，尤其是针对物联网平台的异常检测算法，而且没有异常检测算法规范，物联网平台往往需要轻量级的算法。
发明内容
本发明提供了一种针对物联网平台的异常检测方法和***，用以解决现有技术中的异常检测算法过于复杂的问题：
一种针对物联网平台的异常检测方法，所述针对物联网平台的异常检测方法包括：
提取物联网平台的异常检测需求和目标监测设备；
对所述物联网平台的接口进行设置；
实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
进一步地，提取物联网平台的异常检测需求和目标监测设备，包括：
提取物联网平台的异常检测需求，通过所述物联网平台的异常检测需求确定待检测的异常运行类型和数据源；
针对所述数据源确定物联网平台的异常检测对应的目标监测设备。
进一步地，对所述物联网平台的接口进行设置，包括：
获取物联网平台的目标监测设备，提取所述目标监测设备的接口参数；
根据所述接口参数对物联网平台的接口进行统一设置，并规定数据输入和数据输出的统一格式。
进一步地，实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况，包括：
实时获取所述目标监测设备的运行数据，并对所述运行数据进行预处理，获得预处理后的运行数据；其中，所胡预处理包括数据清洗处理、异常值剔除处理和缺失值填充处理；
从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
进一步地，从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况，包括：
从数据库中调取已有的K-Means算法模型，将所述K-Means算法模型集成到所述物联网平台；
利用所述K-Means算法模型对所述运行数据进行簇划分，获得多个数据簇；
对每个数据簇进行数据簇大小判断和每个数据簇与其他数据簇之间距离判断，并将所述数据簇小于预设的数据簇阈值和个数据簇与其他数据簇之间距离小于预设的距离阈值的数据簇确定为异常数据簇。
一种针对物联网平台的异常检测***，所述针对物联网平台的异常检测***包括：
信息提取模块，用于提取物联网平台的异常检测需求和目标监测设备；
接口设置模块，用于对所述物联网平台的接口进行设置；
数据异常判断模块，用于实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
进一步地，所述信息提取模块包括：
信息提取及确定模块，用于提取物联网平台的异常检测需求，通过所述物联网平台的异常检测需求确定待检测的异常运行类型和数据源；
目标监测设备确定模块，用于针对所述数据源确定物联网平台的异常检测对应的目标监测设备。
进一步地，所述接口设置模块包括：
接口参数获取模块，用于获取物联网平台的目标监测设备，提取所述目标监测设备的接口参数；
统一参数处理模块，用于根据所述接口参数对物联网平台的接口进行统一设置，并规定数据输入和数据输出的统一格式。
进一步地，所述数据异常判断模块包括：
运行数据获取模块，用于实时获取所述目标监测设备的运行数据，并对所述运行数据进行预处理，获得预处理后的运行数据；其中，所胡预处理包括数据清洗处理、异常值剔除处理和缺失值填充处理；
异常判断执行模块，用于从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
进一步地，所述异常判断执行模块包括：
模型调取模块，用于从数据库中调取已有的K-Means算法模型，将所述K-Means算法模型集成到所述物联网平台；
数据簇获取模块，用于利用所述K-Means算法模型对所述运行数据进行簇划分，获得多个数据簇；
异常数据簇确定模块，用于对每个数据簇进行数据簇大小判断和每个数据簇与其他数据簇之间距离判断，并将所述数据簇小于预设的数据簇阈值和个数据簇与其他数据簇之间距离小于预设的距离阈值的数据簇确定为异常数据簇。
本发明有益效果：
本发明提出的一种针对物联网平台的异常检测方法和***提供统一规范的接口，规定输入和输出，支持自定义异常检测算法；同时，利用Java语言实现K-Means和DBSCAN算法；针对物联网场景进行算法的优化。为物联网平台的异常检测算法提供了一种轻量级的实现方案和规范，为实现物联网平台异常检测算法提供一种可行的解决方案。
附图说明
图1为本发明所述方法的流程图；
图2为本发明所述***的***框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提出了一种针对物联网平台的异常检测方法，如图1所示，所述针对物联网平台的异常检测方法包括：
S1、提取物联网平台的异常检测需求和目标监测设备；
S2、对所述物联网平台的接口进行设置；
S3、实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
上述技术方案的工作原理为：提取异常检测需求和目标监测设备(S1)：首先，确定异常检测的需求和明确要监测的目标设备。这可能包括识别哪些设备需要被监测以及定义何为异常情况。
设置物联网平台的接口(S2)：在物联网平台中，设定接口以连接到目标监测设备。这可能包括配置连接方式、协议和数据传输通道，以确保能够实时获取监测设备的运行数据。
实时获取目标监测设备的运行数据(S3)：使用所配置的接口，实时获取目标监测设备的运行数据。这些数据可能包括设备的传感器读数、状态信息、性能参数等。
异常检测模型处理(S3)：获取的运行数据被传递给物联网平台中的异常检测模型。这些模型可能是基于统计学、机器学习、深度学习等方法构建的，用于分析运行数据并判断设备是否存在异常情况。
判断设备是否存在异常情况(S3)：异常检测模型对运行数据进行分析，并判断目标监测设备是否处于异常状态。如果模型检测到异常情况，***可能触发警报、通知相关人员或采取自动化措施以应对异常情况。
上述技术方案的效果为：实时监测：该方法允许物联网平台实时获取目标监测设备的运行数据，从而能够及时响应设备状态的变化，包括异常情况。
自动化异常检测：通过使用异常检测模型，***能够自动化地识别设备的异常情况，而无需人工干预。这有助于降低错误漏报的可能性。
及时警报和响应：一旦发现异常情况，***可以立即发出警报，通知相关人员或自动触发应对措施，以减少潜在的损害或停机时间。
预测性维护：通过监测设备的状态和性能，该方法还可以支持预测性维护策略，使维护更具效率，降低维护成本。
总之，该异常检测方法通过实时监测、自动化异常检测和及时响应，有助于保障物联网平台中的监测设备的可靠性和稳定性，提高设备的运行效率，并降低了潜在的风险和损失。这对于工业自动化、设备监测和物联网应用非常有价值。
本发明的一个实施例，提取物联网平台的异常检测需求和目标监测设备，包括：
S101、提取物联网平台的异常检测需求，通过所述物联网平台的异常检测需求确定待检测的异常运行类型和数据源；
S102、针对所述数据源确定物联网平台的异常检测对应的目标监测设备。
上述技术方案的工作原理为：提取异常检测需求(S101)：首先，从物联网平台的角度出发，***会提取异常检测的需求。这可能涉及定义何为异常情况，以及确定要关注的异常运行类型。例如，这些异常情况可能包括温度超过阈值、设备状态变化、传感器读数异常等。
确定目标监测设备(S102)：根据已提取的异常检测需求，***会针对数据源(可能是物联网平台中的设备、传感器、数据流等)来确定物联网平台中的异常检测对应的目标监测设备。这些设备是可能受到异常情况影响的，需要进行实时监测和检测。
上述技术方案的效果为：需求明确化：通过提取异常检测需求，确定了物联网平台对于异常情况的关注点，明确了待检测的异常运行类型，有助于后续的监测和分析。
目标设备定位：根据异常检测需求和数据源，该方法能够确定哪些设备是关键的目标监测设备。这有助于集中资源并准确地进行异常监测。
精准监测：通过定位目标监测设备，***能够在关键设备上实施精准的异常监测，减少了不必要的数据处理和分析。
提前干预：对目标监测设备进行实时的异常监测，有助于及早发现潜在的问题并采取相应的干预措施，避免可能的损害或停机。
资源优化：通过定位目标监测设备，***能够将资源集中于最需要监测的设备上，从而提高监测效率和资源利用率。
总之，该技术方案通过明确需求和定位目标监测设备，有助于精确、高效地实施物联网平台的异常检测，提前发现和应对设备的异常情况，从而提高***的稳定性、可靠性和效率。
本发明的一个实施例，对所述物联网平台的接口进行设置，包括：
S201、获取物联网平台的目标监测设备，提取所述目标监测设备的接口参数；
S202、根据所述接口参数对物联网平台的接口进行统一设置，并规定数据输入和数据输出的统一格式。
上述技术方案的工作原理为：获取目标监测设备的接口参数(S201)：首先，***会识别物联网平台所需连接的目标监测设备，并提取这些设备的接口参数。接口参数可能包括通信协议、数据传输速率、数据格式、认证要求等。
统一设置物联网平台接口(S202)：根据提取的接口参数，***会制定一套统一的接口设置。这意味着为所有目标监测设备定义了通用的连接规则和数据传输规范。这可能包括配置连接端口、协议设置、数据处理方法等。
规定数据输入和输出的统一格式(S202)：在设置接口时，***还会规定一致的数据输入和输出格式。这确保了从目标监测设备获取的数据以及向这些设备发送的命令都具有相同的数据结构和标准。
上述技术方案的效果为：互操作性：通过统一设置接口，不同的监测设备能够与物联网平台进行互操作，无需为每个设备编写特定的连接和数据处理代码。
降低开发成本：避免了为每个设备定制连接和数据传输逻辑的开发，从而降低了开发和维护的成本。
提高***稳定性：一致的接口设置和数据格式可以减少错误和数据传输问题的可能性，从而提高***的稳定性和可靠性。
易于扩展：如果需要添加新的监测设备，只需根据统一的接口设置进行配置，而无需重写整个连接和数据处理流程。
更简化的数据管理：统一的数据格式和规范有助于简化数据的收集、存储和分析，提高数据管理的效率。
总之，该技术方案的主要技术效果包括互操作性、成本降低、***稳定性提高、易于扩展以及更简化的数据管理。这些效果有助于物联网平台与各种监测设备之间实现无缝连接和数据交换，增强了整个物联网***的效率和可靠性。
本发明的一个实施例，实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况，包括：
S301、实时获取所述目标监测设备的运行数据，并对所述运行数据进行预处理，获得预处理后的运行数据；其中，所胡预处理包括数据清洗处理、异常值剔除处理和缺失值填充处理；
S302、从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
上述技术方案的工作原理为：实时获取运行数据和预处理(S301)：
实时获取运行数据：物联网平台通过已经设置好的接口，实时从目标监测设备中获取运行数据。这些数据可能包括传感器读数、状态信息、性能参数等。
数据预处理：获取的运行数据需要经过预处理，以确保数据质量和可用性。预处理包括：
数据清洗处理：去除无效、重复或错误的数据点，确保数据的一致性和准确性。
异常值剔除处理：识别和剔除可能是异常的数据点，以防止异常数据对后续分析的干扰。
缺失值填充处理：对于缺失的数据点，采用适当的方法进行填充，以确保数据的连续性和完整性。
调取和集成异常检测模型(S302)：
调取异常检测模型：从数据库中获取已经建立的异常检测模型，这些模型可能基于统计学、机器学习、深度学习等方法构建，用于检测异常情况。
集成到物联网平台：将所调取的异常检测模型集成到物联网平台中，以便对运行数据进行处理和判断。
判断设备是否存在异常情况(S302)：
异常检测模型处理：使用已集成的异常检测模型，对经过预处理的运行数据进行处理，以检测是否存在异常情况。
判断异常情况：异常检测模型会对运行数据进行分析，并识别是否存在异常情况。如果异常检测模型检测到异常情况，***可以触发警报、通知相关人员或采取自动化措施。
上述技术方案的效果为：实时监测：该方法允许物联网平台实时获取和处理目标监测设备的运行数据，以及时发现异常情况。
自动化异常检测：通过使用已建立的异常检测模型，***能够自动化地识别设备的异常情况，而无需人工干预。
及时警报和响应：一旦发现异常情况，***可以立即发出警报，通知相关人员或自动触发应对措施，以减少潜在的损害或停机。
数据质量保证：数据预处理确保了获取的数据质量和可用性，增加了异常检测的准确性。
资源优化：通过集成异常检测模型，***能够有效地利用已有的分析工具，降低了开发和维护的成本。
总之，该技术方案通过实时获取、数据预处理和异常检测，有助于保障监测设备的可靠性和稳定性，提前发现和应对设备的异常情况，从而提高***的效率和降低风险。这对于物联网应用中的设备监测和维护非常有价值。
本发明的一个实施例，从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况，包括：
S3021、从数据库中调取已有的K-Means算法模型，将所述K-Means算法模型集成到所述物联网平台；
S3022、利用所述K-Means算法模型对所述运行数据进行簇划分，获得多个数据簇；
S3023、对每个数据簇进行数据簇大小判断和每个数据簇与其他数据簇之间距离判断，并将所述数据簇小于预设的数据簇阈值和个数据簇与其他数据簇之间距离小于预设的距离阈值的数据簇确定为异常数据簇。
上述技术方案的工作原理为：调取已有的K-Means算法模型(S3021)：
从数据库中获取已经训练好的K-Means算法模型，该模型可能是用于聚类数据的机器学习模型。
集成K-Means算法模型到物联网平台(S3021)：
将已经调取的K-Means算法模型集成到物联网平台中，以便用于后续的运行数据处理。
利用K-Means算法模型进行数据簇划分(S3022)：
使用K-Means算法模型对实时获取的运行数据进行簇划分。K-Means算法将数据分成多个簇，每个簇包含具有相似特征的数据点。
数据簇大小和距离判断(S3023)：
对每个数据簇进行判断，包括：
数据簇大小判断：确定每个数据簇中包含的数据点数量，如果某个簇的大小小于预设的数据簇阈值，则将该簇标记为异常数据簇。
距离判断：计算每个数据簇与其他数据簇之间的距离，如果某个数据簇与其他数据簇的距离小于预设的距离阈值，则将该簇标记为异常数据簇。
上述技术方案的效果为：自动异常检测：使用K-Means算法模型进行数据簇划分和距离计算，***能够自动检测异常数据簇，而无需人工干预。
高效聚类：K-Means算法是一种高效的聚类算法，适用于大规模数据集，可以快速将数据分成多个簇。
灵活性：通过设置数据簇大小阈值和距离阈值，***可以根据特定的需求和场景对异常进行定义和识别。
实时监测：该方法允许实时处理和监测运行数据，以及时发现并处理异常情况。
总之，该技术方案通过K-Means算法模型的集成和数据簇划分，有助于自动化地识别目标监测设备的异常情况，提高***的效率和可靠性。这对于物联网应用中的异常检测非常有价值。
本发明实施例提出了一种针对物联网平台的异常检测***，如图2所示，所述针对物联网平台的异常检测***包括：
信息提取模块，用于提取物联网平台的异常检测需求和目标监测设备；
接口设置模块，用于对所述物联网平台的接口进行设置；
数据异常判断模块，用于实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
上述技术方案的工作原理为：提取异常检测需求和目标监测设备：首先，确定异常检测的需求和明确要监测的目标设备。这可能包括识别哪些设备需要被监测以及定义何为异常情况。
设置物联网平台的接口：在物联网平台中，设定接口以连接到目标监测设备。这可能包括配置连接方式、协议和数据传输通道，以确保能够实时获取监测设备的运行数据。
实时获取目标监测设备的运行数据：使用所配置的接口，实时获取目标监测设备的运行数据。这些数据可能包括设备的传感器读数、状态信息、性能参数等。
异常检测模型处理：获取的运行数据被传递给物联网平台中的异常检测模型。这些模型可能是基于统计学、机器学习、深度学习等方法构建的，用于分析运行数据并判断设备是否存在异常情况。
判断设备是否存在异常情况：异常检测模型对运行数据进行分析，并判断目标监测设备是否处于异常状态。如果模型检测到异常情况，***可能触发警报、通知相关人员或采取自动化措施以应对异常情况。
上述技术方案的效果为：实时监测：该方法允许物联网平台实时获取目标监测设备的运行数据，从而能够及时响应设备状态的变化，包括异常情况。
自动化异常检测：通过使用异常检测模型，***能够自动化地识别设备的异常情况，而无需人工干预。这有助于降低错误漏报的可能性。
及时警报和响应：一旦发现异常情况，***可以立即发出警报，通知相关人员或自动触发应对措施，以减少潜在的损害或停机时间。
预测性维护：通过监测设备的状态和性能，该方法还可以支持预测性维护策略，使维护更具效率，降低维护成本。
总之，该异常检测方法通过实时监测、自动化异常检测和及时响应，有助于保障物联网平台中的监测设备的可靠性和稳定性，提高设备的运行效率，并降低了潜在的风险和损失。这对于工业自动化、设备监测和物联网应用非常有价值。
本发明的一个实施例，所述信息提取模块包括：
信息提取及确定模块，用于提取物联网平台的异常检测需求，通过所述物联网平台的异常检测需求确定待检测的异常运行类型和数据源；
目标监测设备确定模块，用于针对所述数据源确定物联网平台的异常检测对应的目标监测设备。
上述技术方案的工作原理为：提取异常检测需求：首先，从物联网平台的角度出发，***会提取异常检测的需求。这可能涉及定义何为异常情况，以及确定要关注的异常运行类型。例如，这些异常情况可能包括温度超过阈值、设备状态变化、传感器读数异常等。
确定目标监测设备：根据已提取的异常检测需求，***会针对数据源(可能是物联网平台中的设备、传感器、数据流等)来确定物联网平台中的异常检测对应的目标监测设备。这些设备是可能受到异常情况影响的，需要进行实时监测和检测。
上述技术方案的效果为：需求明确化：通过提取异常检测需求，确定了物联网平台对于异常情况的关注点，明确了待检测的异常运行类型，有助于后续的监测和分析。
目标设备定位：根据异常检测需求和数据源，该方法能够确定哪些设备是关键的目标监测设备。这有助于集中资源并准确地进行异常监测。
精准监测：通过定位目标监测设备，***能够在关键设备上实施精准的异常监测，减少了不必要的数据处理和分析。
提前干预：对目标监测设备进行实时的异常监测，有助于及早发现潜在的问题并采取相应的干预措施，避免可能的损害或停机。
资源优化：通过定位目标监测设备，***能够将资源集中于最需要监测的设备上，从而提高监测效率和资源利用率。
总之，该技术方案通过明确需求和定位目标监测设备，有助于精确、高效地实施物联网平台的异常检测，提前发现和应对设备的异常情况，从而提高***的稳定性、可靠性和效率。
本发明的一个实施例，所述接口设置模块包括：
接口参数获取模块，用于获取物联网平台的目标监测设备，提取所述目标监测设备的接口参数；
统一参数处理模块，用于根据所述接口参数对物联网平台的接口进行统一设置，并规定数据输入和数据输出的统一格式。
上述技术方案的工作原理为：获取目标监测设备的接口参数：首先，***会识别物联网平台所需连接的目标监测设备，并提取这些设备的接口参数。接口参数可能包括通信协议、数据传输速率、数据格式、认证要求等。
统一设置物联网平台接口：根据提取的接口参数，***会制定一套统一的接口设置。这意味着为所有目标监测设备定义了通用的连接规则和数据传输规范。这可能包括配置连接端口、协议设置、数据处理方法等。
规定数据输入和输出的统一格式：在设置接口时，***还会规定一致的数据输入和输出格式。这确保了从目标监测设备获取的数据以及向这些设备发送的命令都具有相同的数据结构和标准。
上述技术方案的效果为：互操作性：通过统一设置接口，不同的监测设备能够与物联网平台进行互操作，无需为每个设备编写特定的连接和数据处理代码。
降低开发成本：避免了为每个设备定制连接和数据传输逻辑的开发，从而降低了开发和维护的成本。
提高***稳定性：一致的接口设置和数据格式可以减少错误和数据传输问题的可能性，从而提高***的稳定性和可靠性。
易于扩展：如果需要添加新的监测设备，只需根据统一的接口设置进行配置，而无需重写整个连接和数据处理流程。
更简化的数据管理：统一的数据格式和规范有助于简化数据的收集、存储和分析，提高数据管理的效率。
总之，该技术方案的主要技术效果包括互操作性、成本降低、***稳定性提高、易于扩展以及更简化的数据管理。这些效果有助于物联网平台与各种监测设备之间实现无缝连接和数据交换，增强了整个物联网***的效率和可靠性。
本发明的一个实施例，所述数据异常判断模块包括：
运行数据获取模块，用于实时获取所述目标监测设备的运行数据，并对所述运行数据进行预处理，获得预处理后的运行数据；其中，所胡预处理包括数据清洗处理、异常值剔除处理和缺失值填充处理；
异常判断执行模块，用于从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
上述技术方案的工作原理为：实时获取运行数据和预处理：
实时获取运行数据：物联网平台通过已经设置好的接口，实时从目标监测设备中获取运行数据。这些数据可能包括传感器读数、状态信息、性能参数等。
数据预处理：获取的运行数据需要经过预处理，以确保数据质量和可用性。预处理包括：
数据清洗处理：去除无效、重复或错误的数据点，确保数据的一致性和准确性。
异常值剔除处理：识别和剔除可能是异常的数据点，以防止异常数据对后续分析的干扰。
缺失值填充处理：对于缺失的数据点，采用适当的方法进行填充，以确保数据的连续性和完整性。
调取和集成异常检测模型：
调取异常检测模型：从数据库中获取已经建立的异常检测模型，这些模型可能基于统计学、机器学习、深度学习等方法构建，用于检测异常情况。
集成到物联网平台：将所调取的异常检测模型集成到物联网平台中，以便对运行数据进行处理和判断。
判断设备是否存在异常情况：
异常检测模型处理：使用已集成的异常检测模型，对经过预处理的运行数据进行处理，以检测是否存在异常情况。
判断异常情况：异常检测模型会对运行数据进行分析，并识别是否存在异常情况。如果异常检测模型检测到异常情况，***可以触发警报、通知相关人员或采取自动化措施。
上述技术方案的效果为：实时监测：该方法允许物联网平台实时获取和处理目标监测设备的运行数据，以及时发现异常情况。
自动化异常检测：通过使用已建立的异常检测模型，***能够自动化地识别设备的异常情况，而无需人工干预。
及时警报和响应：一旦发现异常情况，***可以立即发出警报，通知相关人员或自动触发应对措施，以减少潜在的损害或停机。
数据质量保证：数据预处理确保了获取的数据质量和可用性，增加了异常检测的准确性。
资源优化：通过集成异常检测模型，***能够有效地利用已有的分析工具，降低了开发和维护的成本。
总之，该技术方案通过实时获取、数据预处理和异常检测，有助于保障监测设备的可靠性和稳定性，提前发现和应对设备的异常情况，从而提高***的效率和降低风险。这对于物联网应用中的设备监测和维护非常有价值。
本发明的一个实施例，所述异常判断执行模块包括：
模型调取模块，用于从数据库中调取已有的K-Means算法模型，将所述K-Means算法模型集成到所述物联网平台；
数据簇获取模块，用于利用所述K-Means算法模型对所述运行数据进行簇划分，获得多个数据簇；
异常数据簇确定模块，用于对每个数据簇进行数据簇大小判断和每个数据簇与其他数据簇之间距离判断，并将所述数据簇小于预设的数据簇阈值和个数据簇与其他数据簇之间距离小于预设的距离阈值的数据簇确定为异常数据簇。
上述技术方案的工作原理为：调取已有的K-Means算法模型：
从数据库中获取已经训练好的K-Means算法模型，该模型可能是用于聚类数据的机器学习模型。
集成K-Means算法模型到物联网平台：
将已经调取的K-Means算法模型集成到物联网平台中，以便用于后续的运行数据处理。
利用K-Means算法模型进行数据簇划分：
使用K-Means算法模型对实时获取的运行数据进行簇划分。K-Means算法将数据分成多个簇，每个簇包含具有相似特征的数据点。
数据簇大小和距离判断：
对每个数据簇进行判断，包括：
数据簇大小判断：确定每个数据簇中包含的数据点数量，如果某个簇的大小小于预设的数据簇阈值，则将该簇标记为异常数据簇。
距离判断：计算每个数据簇与其他数据簇之间的距离，如果某个数据簇与其他数据簇的距离小于预设的距离阈值，则将该簇标记为异常数据簇。
上述技术方案的效果为：自动异常检测：使用K-Means算法模型进行数据簇划分和距离计算，***能够自动检测异常数据簇，而无需人工干预。
高效聚类：K-Means算法是一种高效的聚类算法，适用于大规模数据集，可以快速将数据分成多个簇。
灵活性：通过设置数据簇大小阈值和距离阈值，***可以根据特定的需求和场景对异常进行定义和识别。
实时监测：该方法允许实时处理和监测运行数据，以及时发现并处理异常情况。
总之，该技术方案通过K-Means算法模型的集成和数据簇划分，有助于自动化地识别目标监测设备的异常情况，提高***的效率和可靠性。这对于物联网应用中的异常检测非常有价值。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种针对物联网平台的异常检测方法，其特征在于，所述针对物联网平台的异常检测方法包括：
提取物联网平台的异常检测需求和目标监测设备；
对所述物联网平台的接口进行设置；
实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
2.根据权利要求1所述针对物联网平台的异常检测方法，其特征在于，提取物联网平台的异常检测需求和目标监测设备，包括：
提取物联网平台的异常检测需求，通过所述物联网平台的异常检测需求确定待检测的异常运行类型和数据源；
针对所述数据源确定物联网平台的异常检测对应的目标监测设备。
3.根据权利要求1所述针对物联网平台的异常检测方法，其特征在于，对所述物联网平台的接口进行设置，包括：
获取物联网平台的目标监测设备，提取所述目标监测设备的接口参数；
根据所述接口参数对物联网平台的接口进行统一设置，并规定数据输入和数据输出的统一格式。
4.根据权利要求1所述针对物联网平台的异常检测方法，其特征在于，实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况，包括：
实时获取所述目标监测设备的运行数据，并对所述运行数据进行预处理，获得预处理后的运行数据；其中，所胡预处理包括数据清洗处理、异常值剔除处理和缺失值填充处理；
从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
5.根据权利要求4所述针对物联网平台的异常检测方法，其特征在于，从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况，包括：
从数据库中调取已有的K-Means算法模型，将所述K-Means算法模型集成到所述物联网平台；
利用所述K-Means算法模型对所述运行数据进行簇划分，获得多个数据簇；
对每个数据簇进行数据簇大小判断和每个数据簇与其他数据簇之间距离判断，并将所述数据簇小于预设的数据簇阈值和个数据簇与其他数据簇之间距离小于预设的距离阈值的数据簇确定为异常数据簇。
6.一种针对物联网平台的异常检测***，其特征在于，所述针对物联网平台的异常检测***包括：
信息提取模块，用于提取物联网平台的异常检测需求和目标监测设备；
接口设置模块，用于对所述物联网平台的接口进行设置；
数据异常判断模块，用于实时获取所述目标监测设备的运行数据，利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
7.根据权利要求6所述针对物联网平台的异常检测***，其特征在于，所述信息提取模块包括：
信息提取及确定模块，用于提取物联网平台的异常检测需求，通过所述物联网平台的异常检测需求确定待检测的异常运行类型和数据源；
目标监测设备确定模块，用于针对所述数据源确定物联网平台的异常检测对应的目标监测设备。
8.根据权利要求6所述针对物联网平台的异常检测***，其特征在于，所述接口设置模块包括：
接口参数获取模块，用于获取物联网平台的目标监测设备，提取所述目标监测设备的接口参数；
统一参数处理模块，用于根据所述接口参数对物联网平台的接口进行统一设置，并规定数据输入和数据输出的统一格式。
9.根据权利要求6所述针对物联网平台的异常检测***，其特征在于，所述数据异常判断模块包括：
运行数据获取模块，用于实时获取所述目标监测设备的运行数据，并对所述运行数据进行预处理，获得预处理后的运行数据；其中，所胡预处理包括数据清洗处理、异常值剔除处理和缺失值填充处理；
异常判断执行模块，用于从数据库中调取已有的异常检测模型，并将所述异常检测模型集成到所述物联网平台；利用物联网平台的异常检测模型对所述运行数据进行处理，判断当前目标监测设备是否存在异常状况。
10.根据权利要求9所述针对物联网平台的异常检测***，其特征在于，所述异常判断执行模块包括：
模型调取模块，用于从数据库中调取已有的K-Means算法模型，将所述K-Means算法模型集成到所述物联网平台；
数据簇获取模块，用于利用所述K-Means算法模型对所述运行数据进行簇划分，获得多个数据簇；
异常数据簇确定模块，用于对每个数据簇进行数据簇大小判断和每个数据簇与其他数据簇之间距离判断，并将所述数据簇小于预设的数据簇阈值和个数据簇与其他数据簇之间距离小于预设的距离阈值的数据簇确定为异常数据簇。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311429940.8A CN117407260A (zh) | 2023-10-31 | 2023-10-31 | 一种针对物联网平台的异常检测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311429940.8A CN117407260A (zh) | 2023-10-31 | 2023-10-31 | 一种针对物联网平台的异常检测方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117407260A true CN117407260A (zh) | 2024-01-16 |
Family
ID=89499666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311429940.8A Pending CN117407260A (zh) | 2023-10-31 | 2023-10-31 | 一种针对物联网平台的异常检测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117407260A (zh) |
-
2023
- 2023-10-31 CN CN202311429940.8A patent/CN117407260A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109412870B (zh) | 告警监控方法及平台、服务器、存储介质 | |
| CN107943668A (zh) | 计算机服务器集群日志监控方法及监控平台 | |
| CN109271793B (zh) | 物联网云平台设备类别识别方法及*** | |
| CN112612680A (zh) | 一种消息告警方法、***、计算机设备及存储介质 | |
| CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
| CN108154230A (zh) | 深度学习处理器的监控方法和监控装置 | |
| CN117613908B (zh) | 基于配电网络的智能运维方法及*** | |
| CN104461847B (zh) | 数据处理程序检测方法及装置 | |
| CN117729576A (zh) | 告警监控方法、装置、设备及存储介质 | |
| CN113542026A (zh) | 物联网设备故障定位方法、装置、设备及存储介质 | |
| CN116204386B (zh) | 应用服务关系自动识别及监控方法、***、介质和设备 | |
| CN117215870A (zh) | 一种监控***保障业务连续性的方法 | |
| CN117407260A (zh) | 一种针对物联网平台的异常检测方法和*** | |
| WO2023273461A1 (zh) | 机器人运营状态监控***及方法 | |
| CN113010375B (zh) | 设备告警方法及相关设备 | |
| CN114041281B (zh) | 现场数据传输方法、装置、***和计算机可读介质 | |
| CN114500178A (zh) | 一种自运维的智慧物联网关 | |
| CN115544202A (zh) | 告警处理方法、装置及存储介质 | |
| CN113259396A (zh) | 一种S7comm协议的异常检测方法及装置 | |
| CN112948154A (zh) | 一种***异常诊断方法、装置及存储介质 | |
| CN111176950A (zh) | 一种监控服务器集群的网卡的方法和设备 | |
| CN113612622B (zh) | 一种网络操作***下各模块告警方法、装置 | |
| CN101877874B (zh) | 性能数据的发送及输出方法、***和设备 | |
| CN117519034A (zh) | 应用于瓦楞纸板生产控制***的异常监测方法及*** | |
| KR20240072451A (ko) | 잠재 공간 기반 로그 모니터링 처리 시스템 및 방법 |
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 |