基于边缘计算的物联设备运行监测方法及系统与流程

本发明涉及数据处理。更具体地，本发明涉及基于边缘计算的物联设备运行监测方法及系统。

背景技术：

1、在物联工厂在线管理平台中，通过物联设备可以实现对制造车间内生产线状态的监控，以及时排除生产设备的异常情况，提高生产线运行的稳定性。而在长期使用的过程中物联设备可能会出现设备故障或负载过大等异常情况，处于异常情况下的物联设备可能难以对生产线的运行状态进行有效地监控，因此需要通过边缘节点运用物联设备采集的数据对物联设备进行监测。

2、目前对物联设备进行监测时，通常可使用relief（relevant features）算法，通过物联设备的运行数据判断物联设备的运行是处于正常运行状态还是异常运行状态。例如授权公告号为cn116975741b、名称为基于物联网的能源设备故障预测方法、装置及电子设备的中国专利中，就公开了基于物联网的能源设备故障预测方法，通过物联网实时监测、采集能源设备的当前运行状态及当前运行参数，之后基于relieff算法对采集到的当前运行数据提取特征，之后对分类器进行训练以获得与能源设备当前运行状态及运行数据对应的当前预测结果。

3、然而relief算法是基于样本之间的特征距离进行权重计算的，若数据集中存在噪声样本，这些噪声样本可能会影响近邻特征的选择，从而影响特征权重的计算，从而产生误导性结果。

4、基于此，目前亟需解决的是物联设备运行状态监测准确性差的问题。

技术实现思路

1、为解决上述物联设备运行状态监测准确性差的技术问题，本发明在如下的多个方面中提供方案。

2、在第一方面中，本发明提供了一种基于边缘计算的物联设备运行监测方法，包括：获取物联设备的历史运行数据，并将其中正常运行状态的数据点划分为正例集，将异常运行状态的数据点划分为负例集；计算历史运行数据中每个维度数据的波动复杂性，其中波动复杂性与历史运行数据中对应维度数据的特征值的标准差呈正相关；根据波动复杂性计算正例集和负例集中每个维度数据的含噪程度，所述含噪程度与波动复杂性呈正相关；根据正例集和负例集中每个维度数据的含噪程度计算距离修正系数，并通过距离修正系数对历史运行数据中两个数据点之间的特征距离进行修正，以得到特征距离修正值，其中距离修正系数与含噪程度呈正相关；根据特征距离修正值生成距离矩阵，并利用relief算法进行特征权重计算，通过特征权重的大小筛选出对应的特征作为监测指标，以用于对物联设备的运行状态进行监测。

3、本发明根据运行数据计算每个维度数据的波动复杂性，根据正例集和负例集内所有数据点的各个维度的数据特征值计算正例集的含噪程度和负例集的含噪程度。根据正例集和负例集的数据在各个维度上的含噪程度计算特征距离修正值，并通过特征距离修正值进行猜中邻近数据点与猜错邻近数据点的选择，进而可以避免由于噪声数据，影响对特征权重的准确计算，并通过特征权重筛选出更有利于物联设备运行监测的特征对物联设备的运行状态进行监测，更方便有效地提高了对物联设备运行状态监测的效果。

4、优选的，将其中正常运行状态的数据点划分为正例集，将异常运行状态的数据点划分为负例集，包括：将历史运行数据进行归一化处理，并根据物联设备的实际运行状态对历史运行数据进行标注；将标注为正常运行状态的数据点划分为正例集，将标注为异常运行状态的数据点划分为负例集。

5、优选的，还包括对波动复杂性进行修正的步骤，包括：确定正例集与历史运行数据中所有数据点在对应维度上的数据特征值的标准差之间的第一偏差值，以及负例集与历史运行数据中所有数据点在对应维度上的数据特征值的标准差之间的第二偏差值；计算第一偏差值和第二偏差值的平均值，并利用所述平均值对历史运行数据中对应维度数据的特征值的标准差进行修正，以得到修正后的波动复杂性。

6、本发明通过根据运行数据计算每个维度数据的波动复杂性，可以有效降低数据的波动范围对数据分析的影响，实现对数据点是否为噪声点的准确判断，有效提升了运行数据分析过程的准确性。

7、优选的，波动复杂性的计算公式：

8、；

9、其中，为第个维度数据的波动复杂性，为正例集中所有数据点第个维度数据特征值的标准差，为负例集中所有数据点第个维度数据特征值的标准差，为正例集与负例集的并集或历史运行数据中所有数据点第个维度数据特征值的标准差，exp()为以自然常数e为底数的指数函数。

10、本发明通过整体数据与正例集、负例集中对应维度数据的差异性对数据的整体波动程度进行修正，可以有效提升数据波动复杂性计算的准确性，实现对数据状态地准确评估。

11、优选的，含噪程度的计算公式为：

12、；

13、；

14、其中，为正例集的数据在第个维度上的含噪程度，为负例集的数据在第个维度上的含噪程度，为正例集中包含数据点的数量，为负例集中包含数据点的数量，为正例集中第个维度上的数据在之外的数据点的数量，为负例集中第个维度上的数据在之外的数据点的数量，为正例集中所有数据点第个维度数据特征值的均值，为负例集中所有数据点第个维度数据特征值的均值。

15、本发明通过正例集和负例集内所有数据点的各个维度的数据特征值计算正例集的含噪程度和负例集的含噪程度，可以有效减小噪声数据对relief算法特征权重的影响，从而提升物联设备运行数据分析过程的准确性和可靠性。

16、优选的，特征距离修正值的获取方式包括：根据正例集和负例集中每个维度数据的含噪程度计算距离修正系数，其中距离修正系数与含噪程度呈正相关，并与数据点及其所属集合在对应维度上的平均值之间的差值呈正相关；通过距离修正系数对历史运行数据中两个数据点之间的特征距离进行修正，以得到特征距离修正值。

17、本发明中为了进一步减小噪声数据对运行数据可靠性的影响，本发明根据正例集的数据在各个维度上的含噪程度和负例集的数据在各个维度上的含噪程度以及数据点在各个维度上的值计算特征距离的修正值，从而实现特征距离的准确计算，有效提升了运行数据监测过程的可靠性。

18、优选的，特征距离修正值的计算方式为：

19、；

20、其中，为数据点之间特征距离的修正值，和分别为两数据点在第个维度上的特征值，和分别为对应数据点所属集合和对应数据点所属集合在第个维度上的含噪程度，为对应数据点所属集合中数据点在第个维度上的均值，为对应数据点所属集合中数据点在第个维度上的均值，为训练集中数据含有的特征数量。

21、优选的，根据特征距离修正值生成距离矩阵，并利用relief算法进行特征权重计算，通过特征权重的大小筛选出对应的特征作为监测指标，包括：根据特征距离修正值生成距离矩阵，并从正例集和负例集的并集中随机选取一个样本；根据relief算法和距离矩阵，在正例集中确定样本的猜中近邻，并在负例集中确定样本的猜错近邻；根据猜中近邻和猜错近邻计算每个特征的权重；将每个样本对应的特征权重的均值作为最终的特征权重，并选择权重最大的多个特征作为监测指标。

22、本发明根据特征距离修正值为基础生成距离矩阵，并通过权重计算和指标筛选，从而确定合适的特征作为监测指标，可以有效减少噪声数据对物联设备运行状态监测的影响，实现物联设备运行状况的可靠监测。

23、优选的，所述历史运行数据包括以下数据中的一种或多种：温度、湿度、震动幅度、电流和电压。

24、在第二方面中，本发明还提供了一种基于边缘计算的物联设备运行监测系统，包括：处理器；存储器，其存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据前述一个或多个实施例所述的基于边缘计算的物联设备运行监测方法。

25、本发明的有益效果在于：本发明根据运行数据计算每个维度数据的波动复杂性，从整体数据上衡量各个维度数据的变化情况，以更好地计算正例集的含噪程度和负例集的含噪程度。通过正例集的含噪程度和负例集的含噪程度可以很好地衡量物联设备处于不同运行状态时采集到的数据中的含噪情况。根据正例集的数据在各个维度上的含噪程度和负例集的数据在对应维度上的含噪程度，以及数据点在各个维度上的值计算距离修正系数，并通过距离修正系数对数据点之间的特征距离进行修正，通过修正后的特征距离进行猜中邻近数据点与猜错邻近数据点的选择，可以减小噪声数据对特征权重的计算的影响，通过特征权重筛选出更有利于物联设备运行监测的特征对物联设备的运行状态进行监测，更方便有效地提高了对物联设备运行状态监测的效果。