CN117640636A - 一种基于云计算的动环监控方法及*** - Google Patents
一种基于云计算的动环监控方法及*** Download PDFInfo
- Publication number
- CN117640636A CN117640636A CN202311614384.1A CN202311614384A CN117640636A CN 117640636 A CN117640636 A CN 117640636A CN 202311614384 A CN202311614384 A CN 202311614384A CN 117640636 A CN117640636 A CN 117640636A
- Authority
- CN
- China
- Prior art keywords
- data
- humidity
- temperature
- abnormal
- predicted
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 99
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000013136 deep learning model Methods 0.000 claims description 22
- 238000012098 association analyses Methods 0.000 claims description 13
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012552 review Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于云计算的动环监控方法及***，涉及动环监控技术领域，包括利用监测设备获取环境数据，基于边缘计算技术在网关端处理环境数据，得到第一处理数据并上传到云端；基于注意力机制构建神经网络模型，对所述第一处理数据进行分析和处理，得到第二处理数据；基于多终端协同控制构建管理控制台，将所述第二处理数据可视化，并分析操作行为和***日志，构建动环监控***。本发明利用边缘计算技术在网关端进行本地控制回路处理，可以在设备本地实现对环境数据的实时处理，减轻云端负担，降低云服务的成本，并提高***响应速度，引入注意力机制使神经网络模型更加专注于关键信息，提高分析效率和准确性。
Description
技术领域
本发明涉及动环监控技术领域，特别是一种基于云计算的动环监控方法及***。
背景技术
近年来在监控***技术领域，动环监控***作为一种精密复杂的***，利用摄像头等设备进行智能化视频监控和分析，对分布在各机房的动力设备及机房环境的各种参数进行遥测和遥控，实时监测其运行参数，诊断和处理故障，记录和分析相关数据，并对设备进行集中监控和集中维护，在保障安全方面提供了极大的帮助。现有技术中主要运用视频采集技术，利用高清网络摄像机和鱼眼摄像机设备采集高清视频；通过使用视频编码和传输技术，通过网络高效传输视频数据；视频分析技术，基于计算机视觉和深度学习等技术，可以实现人脸识别、目标跟踪、异常检测等智能分析。
但目前常见的解决方案存在诸多缺点，包括：对网络依赖较高，带宽不足会降低图像质量；智能分析算法准确率有待提高，可能产生误报；视频存储成本较大，需要充足的云计算资源支持；隐私安全问题需要加强，视频数据可能被非法获取；这些是动环监控***当前的技术困难和需进一步改进之处。
发明内容
鉴于对监控***获得的监测数据进行处理时，现有技术中对于网络的依赖程度较高、算法的准确率需要改进和数据安全保障性不高等问题，提出了本发明。
因此，本发明所要解决的问题在于如何提供一种减少云端计算压力，提高响应速度和数据处理的智能化程度，保障***安全性的方法。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了一种基于云计算的动环监控方法，其包括利用监测设备获取环境数据，基于边缘计算技术在网关端处理环境数据，得到第一处理数据并上传到云端；基于注意力机制构建神经网络模型，对所述第一处理数据进行分析和处理，得到第二处理数据；基于多终端协同控制构建管理控制台，将所述第二处理数据可视化，并分析操作行为和***日志，构建动环监控***。
作为本发明所述一种基于云计算的动环监控方法的一种优选方案，其中：所述监测设备包括温度传感器、湿度传感器和摄像头；所述环境数据包括温度、湿度和图像信息；所述处理环境数据包括以下步骤：对采集到的温度数据和湿度数据进行去噪处理和归一化处理；设置滑动窗口并对窗口内数据进行计算得到时间T内的温度波动和湿度波动，若窗口内温度波动大于温度阈值，则进行波动标记，若窗口内湿度波动大于湿度阈值，则进行波动标记；从温度数据和湿度数据中提取统计特征，从图像数据中提取纹理特征和颜色特征，并进行特征降维；判断温度数据和湿度数据是否异常。
作为本发明所述一种基于云计算的动环监控方法的一种优选方案，其中：所述判断温度数据和湿度数据是否异常的过程为：通过采用基于深度学习的时间序列预测模型,实时预测温度和湿度变化趋势；若实际温度和湿度偏离预测值超过预设误差范围,则进行异常预警，具体步骤如下：构建深度学习模型LSTM,输入过去一段时间内的温度数据和湿度数据,输出未来m小时内的温度预测和湿度预测，训练网络参数；实时获取温度数据,每n分钟输入最近m小时数据,运行深度学习模型LSTM进行温度预测和湿度预测,所述温度预测的计算公式如下：
其中，为预测温度；/>为温度预测输出层的权重；ht为隐状态；/>为温度预测输出层的偏置；所述湿度预测的计算公式如下：
其中，为预测湿度；/>为湿度预测输出层的权重；/>为湿度预测输出层的偏置；当预测温度与实际温度差值出现在不同误差区间，预测湿度与实际湿度差值出现在不同误差区间时进行的处理操作如下：若预测温度与实际温度差值小于第一阈值且预测湿度与实际湿度差值的绝对值在第二阈值之间，则数据一切正常，记录日志继续监测；若预测湿度与实际湿度差值的绝对值不在第二阈值之间，则数据出现异常，进行异常预警；若预测温度与实际温度差值在第一阈值到第二阈值之间且预测湿度与实际湿度差值的绝对值在第三阈值之间，则数据一切正常，记录日志继续监测；若预测湿度与实际湿度差值的绝对值不在第三阈值之间，则数据出现异常，进行异常预警；若预测温度与实际温度差值在第二阈值到第三阈值之间,则进行异常预警并记录数据情况；若预测温度与实际温度差值大于第三阈值,则进行异常预警并紧急停止***。
作为本发明所述一种基于云计算的动环监控方法的一种优选方案，其中：对所述第一处理数据进行分析和处理包括以下步骤：将第一处理数据中的温湿度数据进行归一化，将图像数据进行均值中心化；根据输入数据的上下文信息计算不同特征之间的注意力权重；构建基于注意力的深度学习模型LSTM并结合注意力权重，自动聚焦不同时刻的关键特征，对输入数据进行正常状态和异常状态预测；将异常状态数据进行标注和写回数据库，并进行人工复核。
作为本发明所述一种基于云计算的动环监控方法的一种优选方案，其中：所述对输入数据进行正常状态和异常状态预测包括以下步骤：将所述图像数据输入深度学习模型LSTM中得到预测正常概率和预测异常概率，所述预测异常概率和预测正常概率的计算公式如下：
P异常＝sigmoid(Wout×ht+bout)
P正常＝1-P异常
其中，P异常为预测异常概率；Wout为输出层的权重；bout为输出层的偏置；P正常为预测正常概率；将预测正常概率和正常概率阈值进行对比，并将预测异常概率与异常概率阈值进行对比，对比结果如下：若预测正常概率大于正常概率阈值，则输入数据属于正常状态；若预测异常概率大于异常概率阈值，则输入数据属于异常状态；若预测正常概率不大于正常概率阈值且预测异常概率不大于异常概率阈值，即模型在当前输入数据上无法明确地判定正常或异常，则输入数据属于模糊区间，***自动将图像采集频率从每n分钟一次提高至每d秒一次,并继续将新采集的数据输入深度学习模型LSTM中重复上述对比操作，判断输入数据是否还处于模糊区间，若不处于模糊区间，则判断为数据误差，将图像采集频率恢复到原来的频率，若还处于模糊区间，则继续保持现有的图像采集频率并执行对比操作，同时检查相关温度和湿度数据,若发现最近时间T内的温度数据和湿度数据的波动增大，则输出异常预测并进行异常预警。
作为本发明所述一种基于云计算的动环监控方法的一种优选方案，其中：所述分析操作行为和***日志包括以下步骤：从各个环节收集日志并使用统一的日志格式存入日志服务器；为不同类型日志开发解析器，分析日志内容；通过对各类日志进行关联分析，发现异常痕迹；分析操作日志，评估操作与功能匹配性，发现异常操作；使用机器学习技术构建用户行为及***运行的异常检测模型，对新日志实时检测，输出异常级别结果；根据检测结果反馈优化规则引擎模块，调整关联规则权重和检测模型阈值，实现动态更新。
作为本发明所述一种基于云计算的动环监控方法的一种优选方案，其中：所述对各类日志进行关联分析包括以下步骤：采集***内部存储的各类日志；根据日志类型定义正则表达式规则，解析出日志中的时间、设备ID和事件关键字段；采用多粒度关键词提取方法识别不同类型日志中常出现的关键词；根据历史日志分析总结不同日志字段及关键字之间的关联规则；通过可视化的关联矩阵直观显示不同日志之间的关联强度；运用关联规则和时序模型算法实时分析新产生日志之间的关联性，发现潜在故障点并定位根因；反馈日志关联分析结果，不断优化规则库和模型，提升分析效果。
第二方面，本发明为进一步解决动环监控中存在的安全问题，实施例提供了一种基于云计算的动环监控***，其包括：数据采集模块，用于利用监测设备采集数据，并利用边缘计算技术对数据进行预处理得到第一处理数据；分析模块，用于利用基于注意力机制的神经网络模型对第一处理数据进行处理和分析，判断是否出现异常；***构建模块，用于根据多终端协同控制构建管理控制台，分析操作行为和***日志并构建动环监控***。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于云计算的动环监控方法的任一步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于云计算的动环监控方法的任一步骤。
本发明有益效果为：本发明利用边缘计算技术在网关端进行本地控制回路处理，可以在设备本地实现对环境数据的实时处理，减轻云端负担，降低云服务的成本，并提高***响应速度；引入注意力机制使神经网络模型更加专注于关键信息，提高分析效率和准确性；引入了多粒度关键词提取方法，通过单词级和短语级的关键词提取，实现了更加全面和深入的日志分析，有助于准确发现异常痕迹和潜在故障点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。其中：
图1为实施例1中基于云计算的动环监控***的流程图。
图2为实施例1中对第一处理数据进行分析和处理的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1和图2，为本发明第一个实施例，该实施例提供了一种基于云计算的动环监控方法，包括如下步骤：
S1：利用监测设备获取环境数据，基于边缘计算技术在网关端处理环境数据，得到第一处理数据并上传到云端。
优选的，如图1所示为基于云计算的动环监控***的流程图，通过使用监测设备时刻监测新能源设备，获取环境数据，再通过部署在本地的边缘计算技术对数据进行初步的处理和判断，加快后续的响应速度，随后通过将处理过的数据上传到云端，利用部署在云端的深度学习模型对数据进行进一步的判断，通过综合温度、湿度和图像数据得出异常判断，最后通过分析在***内部存储的操作行为和***日志，确保***内部数据的安全，进一步保护***的安全，其中监测设备包括温度传感器、湿度传感器和摄像头，环境数据包括风力发电机的温度、湿度和图像信息。
进一步的，用过将监测设备连接到边缘网关，并设置采样频率，获取温度、湿度和图像数据。
优选的，在边缘网关上部署深度学***台。
具体的，处理环境数据包括以下步骤：对采集到的温度数据和湿度数据进行去噪处理和归一化处理。
设置滑动窗口并对窗口内数据进行计算得到温度波动和湿度波动，若窗口内温度波动大于温度阈值，则进行波动标记，若窗口内湿度波动大于湿度阈值，则进行波动标记。
从温度数据和湿度数据中提取统计特征，从图像数据中提取纹理特征和颜色特征，并进行特征降维。
判断温度数据和湿度数据是否异常。
进一步的，判断温度数据和湿度数据是否异常通过采用基于深度学习的时间序列预测模型,实时预测温度和湿度变化趋势,一旦实际温度和湿度偏离预测值超过预设误差范围,则进行异常预警，具体步骤如下：构建深度学习模型LSTM,输入过去一周内的温度数据和湿度数据,输出未来24小时内的温度预测和湿度预测，训练网络参数。
实时获取风力机舱的温度数据,每10分钟输入最近24小时数据,运行深度学习模型LSTM进行温度预测和湿度预测,温度预测的计算公式如下：
其中，为预测温度；/>为温度预测输出层的权重；ht为隐状态；/>为温度预测输出层的偏置。
湿度预测的计算公式如下：
其中，为预测湿度；/>为湿度预测输出层的权重；/>为湿度预测输出层的偏置。
当预测温度与实际温度差值出现在不同误差区间，预测湿度与实际湿度差值出现在不同误差区间时进行的处理操作如下：若预测温度与实际温度差值小于1℃且预测湿度与实际湿度差值在±3％RH之间，则数据一切正常，记录日志继续监测，若预测湿度与实际湿度差值不在±3％RH之间，则数据出现异常，进行异常预警。
若预测温度与实际温度差值在1～3℃之间且预测湿度与实际湿度差值在±5％RH之间，则数据一切正常，记录日志继续监测，若预测湿度与实际湿度差值在±5％RH之间，则数据出现异常，进行异常预警。
若预测温度与实际温度差值在3-5℃之间,则进行异常预警并记录数据情况。
若预测温度与实际温度差值大于5℃,则进行异常预警并紧急停止***。
具体的，上述步骤中的数值是通过采集该领域的相关数据使用建立的LSTM模型进行处理，并根据对应数据所代表的具体情况进行不断调整得到，若预测数据与实际数据的差值选择更小的范围会降低***的容忍度，容易受到噪声或临时变化的影响，导致频繁的误报，若预测数据与实际数据的差值选择更大的范围会导致***对于实际问题的异常情况反应较迟，错过一些潜在的问题。
S2：基于注意力机制构建神经网络模型，对第一处理数据进行分析和处理，得到第二处理数据。
优选的，在云服务器上构建注意力机制的深度学习模型LSTM，模型自动关注重要特征，滤除冗余信息，对第一处理数据进行深度分析，得到第二处理数据。
具体的，如图2所示，对第一处理数据进行深度分析包括以下步骤：将第一处理数据中的温湿度数据进行归一化，将图像数据进行标准化处理，使均值中心化。
利用双向深度学习模型LSTM获取输入数据的上下文信息，对不同特征计算注意力权重，凸显重要特征。
构建基于注意力的深度学习模型LSTM，网络通过自动关注关键特征进行模型训练。
利用网络模型对输入数据进行正常状态和异常状态预测，若预测数据出现异常，则将对应数据标注为疑似异常数据，再根据图像、温度和湿度三种预测数据多方面判断，最终确认对应数据是否为异常数据，若为异常和数据则将异常状态数据进行标记和写回数据库，并进行人工复核，反之则***恢复正常监测状态。
优选的，采集历史图像数据，包括正常状态和异常状态的数据，将数据集分割为训练集和测试集，使用训练集训练深度学习模型并输出每个样本属于正常或异常的概率，使用自适应算法根据实际反馈和***状态实时更新正常概率阈值和异常概率阈值。
进一步的，对输入数据进行正常状态和异常状态预测包括以下步骤：将图像数据输入深度学习模型LSTM中得到预测正常概率和预测异常概率，预测异常概率和预测正常概率的计算公式如下：
P异常＝sigmoid(Wout×ht+bout)
P正常＝1-P异常
其中，P异常为预测异常概率；Wout为输出层的权重；bout为输出层的偏置；P正常为预测正常概率。
将预测正常概率和正常概率阈值进行对比，并将预测异常概率与异常概率阈值进行对比，对比结果如下：若预测正常概率大于正常概率阈值，则输入数据属于正常状态。
若预测异常概率大于异常概率阈值，则输入数据属于异常状态。
若预测正常概率不大于正常概率阈值且预测异常概率不大于异常概率阈值，即模型在当前输入数据上无法明确地判定正常或异常，则输入数据属于模糊区间，***自动将图像采集频率从每5分钟一次提高至每30秒一次,并继续将新采集的数据输入深度学习模型LSTM中重复上述对比操作，判断输入数据是否还处于模糊区间，若不处于模糊区间，则判断为数据误差，将图像采集频率恢复到原来的频率，若还处于模糊区间，则继续保持现有的图像采集频率并执行对比操作，同时检查相关温度和湿度数据,若发现最近10分钟内温度数据和湿度数据的波动增大，则输出异常预测并进行异常预警。
S3：基于多终端协同控制构建管理控制台，将第二处理数据可视化，并分析操作行为和***日志，构建动环监控***。
优选的，收集操作日志和***日志并上传到统一日志平台，应用日志分析和用户行为分析技术，发现异常情况，通过规则引擎技术构建动态监测***。
具体的，分析操作日志和***日志包括以下步骤：从各个环节如环境监测、边缘计算和深度学习模块收集日志，日志包含操作日志、***日志和告警日志，并使用统一的日志格式存入日志服务器。
为不同类型日志开发解析器，分析日志内容，其中操作日志解析用户操作信息，***日志解析程序运行状态和性能指标。
通过对各类日志进行关联分析，发现异常痕迹，包括功能异常与***资源使用飙升对应和文件读取与文件完整性校验不通过对应。
分析操作日志，评估操作与功能匹配性，发现异常操作，包括频繁重启***和高强度文件读取异常操作。
使用机器学习技术构建用户行为及***运行的异常检测模型，对新日志实时检测，输出异常级别结果。
根据检测结果反馈优化规则引擎模块，调整关联规则权重和检测模型阈值，实现动态更新。
进一步的，对各类日志进行关联分析包括以下步骤：收集服务器设备日志、网络设备日志、环境监控日志以及门禁日志，根据日志类型定义正则表达式规则，解析出日志中的时间、设备ID和事件关键字段。
采用多粒度关键词提取方法识别不同类型日志中常出现的关键词。
根据历史日志分析总结不同日志字段及关键字之间的关联规则，如"服务器故障"与"温度告警"之间的时间关联。
通过可视化的关联矩阵，直观显示不同日志之间的关联强度，运用关联规则和时序模型算法，实时分析新产生日志之间的关联性，发现潜在故障点并定位根因。
根据反馈日志关联分析结果，不断优化规则库和模型，提升分析效果。
优选的，基于历史数据设定一个初始的异常概率阈值，利用强化学习代理与环境的交互学习最优的异常概率阈值，利用奖励函数引导强化代理学习调整阈值以优化整体***效果，最终得到设定的阈值。
进一步的，发现潜在故障点根据分析新产生日志之间的关联性得到的关联分析结果进行判断，通过关联分析结果得到每个事件的初始异常概率，将初始异常概率与设定的阈值进行对比，并结合时序模型调整因素、动态调整因素和多因素综合考虑的因素进行判断。
具体的，若初始异常概率不大于阈值，则***操作一切正常，日志继续记录；若初始异常概率大于阈值，则将事件标记为潜在故障点，并分别进行动态调整、多因素综合考虑和实时动态更新处理；若动态调整后的异常概率大于阈值，则发送异常警戒并记录日志；若多因素综合考虑后的异常概率大于阈值，则触发对应的紧急操作并通知相关人员；若实时动态更新后的异常概率大于阈值，则停止对应的***组件并进行异常预警。
本实施例还提供了一种基于云计算的动环监控***，包括：数据采集模块，用于利用监测设备采集数据，并利用边缘计算技术对数据进行预处理得到第一处理数据；分析模块，用于利用基于注意力机制的神经网络模型对第一处理数据进行处理和分析，判断是否出现异常；***构建模块，用于根据多终端协同控制构建管理控制台，分析操作行为和***日志并构建动环监控***。
本实施例还提供一种计算机设备，适用于一种基于云计算的动环监控方法的情况，包括：存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的一种基于云计算的动环监控方法。
该计算机设备可以是终端，该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现一种基于云计算的动环监控方法；存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read－Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red－Only Memory，简称PROM)，只读存储器(Read－Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
综上，本发明利用边缘计算技术在网关端进行本地控制回路处理，可以在设备本地实现对环境数据的实时处理，减轻云端负担，降低云服务的成本，并提高***响应速度；引入注意力机制使神经网络模型更加专注于关键信息，提高分析效率和准确性；引入了多粒度关键词提取方法，通过单词级和短语级的关键词提取，实现了更加全面和深入的日志分析，有助于准确发现异常痕迹和潜在故障点。
实施例2
参照表1～表7，为本发明第二个实施例，该实施例不同于第一个实施例的是，为了验证其有益效果，提供了本发明在实际情况下的实验数据。
如表1和表2所示为本发明在实际实验过程中所采集的具体数据，其中表1为温度传感器和湿度传感器采集的数据，表2为图像特征提取结果。
表1温度传感器和湿度传感器采集的数据
| 时间 | 温度(℃) | 湿度(％RH) |
| 时间1 | 23.5 | 58 |
| 时间2 | 23.8 | 57 |
| ...... | ...... | ...... |
| 时间n | 24.0 | 55 |
表2图像特征提取结果
| 时间 | 纹理特征 | 颜色特征 |
| 时间1 | 0.62，0.73，0.81 | 0.52，0.36，0.64 |
| 时间2 | 0.61，0.72，0.83 | 0.51，0.35，0.63 |
| ...... | ...... | ...... |
| 时间n | 0.63，0.74，0.82 | 0.53，0.37，0.65 |
从上述2个表格中可以看出，本发明通过在动环关键区域布置温湿度传感器进行实时监测的数据采集功能，利用摄像头采集图像信息，并利用图像处理技术提取出重要特征，对数量庞大的数据进行预处理，提高响应速度。
如表3所示为基于窗口进行波动分析，通过设置滑动窗口并对窗口内数据进行计算，得到温度波动和湿度波动，从而判断温度数据和湿度数据是否出现波动较大的情况，观察温度和湿度的变化趋势。
表3基于窗口进行波动分析
| 时间 | 温度波动(℃) | 湿度波动(％RH) |
| 时间1 | 0.3 | 1 |
| 时间2 | 0.2 | 2 |
| ...... | ...... | ...... |
| 时间n | 0.5 | 3 |
如表4所示为基于边缘计算技术判断温度数据和湿度数据，通过构建深度学习模型LSTM预测未来的温度和湿度，并将对应数据与实际数据进行对比，判断数据是否超出预设的阈值，进而确定数据是否异常，提高后续将数据上传到云端进行下一步判断的响应速度。
表4基于边缘计算技术判断温度数据和湿度数据
如表5所示为正常状态和异常状态预测，通过在云端构建深度学习模型LSTM分析图像数据，得到对应的预测正常概率和预测异常概率并与正常概率阈值和异常概率阈值进行对比，同时结合温度数据和湿度数据的对应波动数据，进一步判断监测设备是否正常。
表5正常状态和异常状态预测
| 时间 | 预测正常概率 | 预测异常概率 | 结果 |
| 时间1 | 0.8 | 0.2 | 正常 |
| 时间2 | 0.6 | 0.4 | 异常，触发异常预警 |
如表6和表7所示为具体的日志关联分析的规则和对应的关联分析结果反馈。
表6日志关联分析的规则
表7关联分析结果反馈
从上表可以看出，在进行日志分析时，使用的规则具有不同的权重，表明***通过日志关联分析实现了综合各类信息，评估异常概率，使异常检测更全面***。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于云计算的动环监控方法，其特征在于：包括：
利用监测设备获取环境数据，基于边缘计算技术在网关端处理环境数据，得到第一处理数据并上传到云端；
基于注意力机制构建神经网络模型，对所述第一处理数据进行分析和处理，得到第二处理数据；
基于多终端协同控制构建管理控制台，将所述第二处理数据可视化，并分析操作行为和***日志，构建动环监控***。
2.如权利要求1所述的一种基于云计算的动环监控方法，其特征在于：所述监测设备包括温度传感器、湿度传感器和摄像头；
所述环境数据包括温度、湿度和图像信息；
所述处理环境数据包括以下步骤：
对采集到的温度数据和湿度数据进行去噪处理和归一化处理；
设置滑动窗口并对窗口内数据进行计算得到时间T内的温度波动和湿度波动，若窗口内温度波动大于温度阈值，则进行波动标记，若窗口内湿度波动大于湿度阈值，则进行波动标记；
从温度数据和湿度数据中提取统计特征，从图像数据中提取纹理特征和颜色特征，并进行特征降维；
判断温度数据和湿度数据是否异常。
3.如权利要求2所述的一种基于云计算的动环监控方法，其特征在于：所述判断温度数据和湿度数据是否异常的过程为：
通过采用基于深度学习的时间序列预测模型,实时预测温度和湿度变化趋势；
若实际温度和湿度偏离预测值超过预设误差范围,则进行异常预警，具体步骤如下：
构建深度学习模型LSTM,输入过去一段时间内的温度数据和湿度数据,输出未来m小时内的温度预测和湿度预测，训练网络参数；
实时获取温度数据,每n分钟输入最近m小时数据,运行深度学习模型LSTM进行温度预测和湿度预测,所述温度预测的计算公式如下：
其中，为预测温度；/>为温度预测输出层的权重；ht为隐状态；/>为温度预测输出层的偏置；
所述湿度预测的计算公式如下：
其中，为预测湿度；/>为湿度预测输出层的权重；/>为湿度预测输出层的偏置；
当预测温度与实际温度差值出现在不同误差区间，预测湿度与实际湿度差值出现在不同误差区间时进行的处理操作如下：
若预测温度与实际温度差值小于第一阈值且预测湿度与实际湿度差值的绝对值在第二阈值之间，则数据一切正常，记录日志继续监测；若预测湿度与实际湿度差值的绝对值不在第二阈值之间，则数据出现异常，进行异常预警；
若预测温度与实际温度差值在第一阈值到第二阈值之间且预测湿度与实际湿度差值的绝对值在第三阈值之间，则数据一切正常，记录日志继续监测；若预测湿度与实际湿度差值的绝对值不在第三阈值之间，则数据出现异常，进行异常预警；
若预测温度与实际温度差值在第二阈值到第三阈值之间,则进行异常预警并记录数据情况；
若预测温度与实际温度差值大于第三阈值,则进行异常预警并紧急停止***。
4.如权利要求3所述的一种基于云计算的动环监控方法，其特征在于：对所述第一处理数据进行分析和处理包括以下步骤：
将第一处理数据中的温湿度数据进行归一化，将图像数据进行均值中心化；
根据输入数据的上下文信息计算不同特征之间的注意力权重；
构建基于注意力的深度学习模型LSTM并结合注意力权重，自动聚焦不同时刻的关键特征，对输入数据进行正常状态和异常状态预测；
将异常状态数据进行标注和写回数据库，并进行人工复核。
5.如权利要求4所述的一种基于云计算的动环监控方法，其特征在于：所述对输入数据进行正常状态和异常状态预测包括以下步骤：
将所述图像数据输入深度学习模型LSTM中得到预测异常概率和预测正常概率，所述预测异常概率和预测正常概率的计算公式如下：
P异常＝sigmoid(Wout×ht+bout)
P正常＝1-P异常
其中，P异常为预测异常概率；Wout为输出层的权重；bout为输出层的偏置；P正常为预测正常概率；
将预测正常概率和正常概率阈值进行对比，并将预测异常概率与异常概率阈值进行对比，对比结果如下：
若预测正常概率大于正常概率阈值，则输入数据属于正常状态；
若预测异常概率大于异常概率阈值，则输入数据属于异常状态；
若预测正常概率不大于正常概率阈值且预测异常概率不大于异常概率阈值，即模型在当前输入数据上无法明确地判定正常或异常，则输入数据属于模糊区间，***自动将图像采集频率从每n分钟一次提高至每d秒一次,并继续将新采集的数据输入深度学习模型LSTM中重复上述对比操作，判断输入数据是否还处于模糊区间，若不处于模糊区间，则判断为数据误差，将图像采集频率恢复到原来的频率，若还处于模糊区间，则继续保持现有的图像采集频率并执行对比操作，同时检查相关温度和湿度数据,若发现最近时间T内的温度数据和湿度数据的波动增大，则输出异常预测并进行异常预警。
6.如权利要求5所述的一种基于云计算的动环监控方法，其特征在于：所述分析操作行为和***日志包括以下步骤：
从各个环节收集日志并使用统一的日志格式存入日志服务器；
为不同类型日志开发解析器，分析日志内容；
通过对各类日志进行关联分析，发现异常痕迹；
分析操作日志，评估操作与功能匹配性，发现异常操作；
使用机器学习技术构建用户行为及***运行的异常检测模型，对新日志实时检测，输出异常级别结果；
根据检测结果反馈优化规则引擎模块，调整关联规则权重和检测模型阈值，实现动态更新。
7.如权利要求6所述的一种基于云计算的动环监控方法，其特征在于：所述对各类日志进行关联分析包括以下步骤：
采集***内部存储的各类日志；
根据日志类型定义正则表达式规则，解析出日志中的时间、设备ID和事件关键字段；
采用多粒度关键词提取方法识别不同类型日志中常出现的关键词；
根据历史日志分析总结不同日志字段及关键字之间的关联规则；
通过可视化的关联矩阵直观显示不同日志之间的关联强度；
运用关联规则和时序模型算法实时分析新产生日志之间的关联性，发现潜在故障点并定位根因；
反馈日志关联分析结果，不断优化规则库和模型。
8.一种基于云计算的动环监控***，基于权利要求1～7任一所述的一种基于云计算的动环监控方法，其特征在于：包括，
数据采集模块，用于利用监测设备采集数据，并利用边缘计算技术对数据进行预处理得到第一处理数据；
分析模块，用于利用基于注意力机制的神经网络模型对第一处理数据进行处理和分析，判断是否出现异常；
***构建模块，用于根据多终端协同控制构建管理控制台，分析操作行为和***日志并构建动环监控***。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的一种基于云计算的动环监控方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的一种基于云计算的动环监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311614384.1A CN117640636A (zh) | 2023-11-28 | 2023-11-28 | 一种基于云计算的动环监控方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311614384.1A CN117640636A (zh) | 2023-11-28 | 2023-11-28 | 一种基于云计算的动环监控方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117640636A true CN117640636A (zh) | 2024-03-01 |
Family
ID=90026522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311614384.1A Pending CN117640636A (zh) | 2023-11-28 | 2023-11-28 | 一种基于云计算的动环监控方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117640636A (zh) |
-
2023
- 2023-11-28 CN CN202311614384.1A patent/CN117640636A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11120127B2 (en) | Reconstruction-based anomaly detection | |
| JP4856396B2 (ja) | タービン機械システム及びこれに類するものに対する統一品質評価を作成し、自動故障診断ツールを提供するための方法 | |
| Yan et al. | Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment | |
| CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及*** | |
| KR20190021560A (ko) | 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법 | |
| US20210232104A1 (en) | Method and system for identifying and forecasting the development of faults in equipment | |
| US11742934B2 (en) | Method for predictive maintenance of satellites | |
| CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| CN115524002B (zh) | 一种电厂旋转设备的运行状态预警方法、***及存储介质 | |
| CN111708687B (zh) | 一种设备异常指标确定方法、装置、设备和存储介质 | |
| CN113760670A (zh) | 电缆接头异常预警方法、装置、电子设备和存储介质 | |
| CN115059634B (zh) | 鼓风设备的故障诊断方法及装置、电子设备 | |
| CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测*** | |
| CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
| CN117910999A (zh) | 一种智能电厂设备检修方法及*** | |
| CN111555899B (zh) | 告警规则配置方法、设备状态监测方法、装置和存储介质 | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning | |
| CN115871745B (zh) | 一种应用于轨道交通的智能维护方法与装置 | |
| CN117640636A (zh) | 一种基于云计算的动环监控方法及*** | |
| US11339763B2 (en) | Method for windmill farm monitoring | |
| CN116467575A (zh) | 一种滚珠丝杠副***的实时数据监测***及方法设计 | |
| CN115240428B (zh) | 隧道运营异常的检测方法、装置、电子设备与存储介质 | |
| CN118035904A (zh) | 一种基于多频段数据融合的振摆监测故障诊断方法及*** | |
| CN118361650A (zh) | 一种基于大数据模型的智能疏水方法 | |
| CN118051822A (zh) | 一种基于声纹识别技术的设备运行状态异常检测方法 |
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 |