一种工业物联网数据分析方法、系统及相关设备技术方案

本申请实施例提供了一种工业物联网数据分析方法、系统及相关设备，用于降低多元时间序列分析的维度，基于多元时间序列模型实现工业设备的参数指标的智能预测。本申请实施例方法包括：根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；根据各个所述目标序列构建多元时间序列分析模型；根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。

A Data Analysis Method, System and Related Equipment for Industrial Internet of Things

The embodiment of this application provides an industrial Internet of Things data analysis method, system and related equipment for reducing the dimension of multivariate time series analysis and realizing intelligent prediction of industrial equipment parameters based on multivariate time series model. The method of the embodiment of the present application includes: constructing the first matrix according to the time series corresponding to at least two parameter indices, and calculating the correlation coefficient matrix corresponding to the first matrix; calculating the eigenvalues of the correlation coefficient matrix and the eigenvectors associated with each eigenvalue; and calculating each parameter index according to the eigenvalues of the correlation coefficient matrix and the eigenvectors associated with each eigenvalue. According to the comprehensive weight value of each parameter index, the time series corresponding to the pre-ordered number of parameter indexes is selected as the target sequence; the multi-variable time series analysis model is constructed according to each target sequence; and the predicted value of the future cycle of the parameter index corresponding to each target sequence is calculated according to the multi-variable time series analysis model.

【技术实现步骤摘要】
一种工业物联网数据分析方法、系统及相关设备
本申请涉及物联网
，尤其涉及一种工业物联网数据分析方法、系统及相关设备。
技术介绍
由于工业物联网的数据具有非常强的时间属性，而且具有顺序发生特性和顺序积累特性。也就是说，一个指标所上报的所有数据，都可以视为一个以时间为重要参数的函数，历史数据对未来的发展有一定影响，并且下一个时间节点的数值是一定显著性水平下所能预测的。考虑设备的整体运行状态，仅仅研究一两个参数是片面的，尽可能多的加入参数，可以增加对设备的把控。但是，在实际物联网设备中，参数指标的数量非常多，在计算量或者反映整体的角度来说，将所有参数指标都进行研究是没有必要的。现有方案中，往往是根据人工的经验选择必要的有参数指标进行监控，往往具有较大的主观性。若参数指标选择不合理，例如，参数指标过多，增加计算量，浪费资源，若参数指标过少，则不能包含设备运行状态信息。有鉴于此，有必要提出一种新的工业物联网数据分析方法，合理的选择能反映设备整体运行状态的参数指标。
技术实现思路
本申请实施例提供了一种工业物联网数据分析方法、系统及相关设备，用于降低多元时间序列分析的维度，基于多元时间序列模型实现工业设备的参数指标的智能预测。本申请实施例第一方面提供了一种工业物联网数据分析方法，其特征在于，包括：根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；根据各个所述目标序列构建多元时间序列分析模型；根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。可选的，作为一种可能的实施方式，本申请实施例中，所述根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，包括：计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；根据保留的各个特征值对应的特征向量构建第二矩阵；将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。可选的，作为一种可能的实施方式，本申请实施例中，所述根据各个所述目标序列构建多元时间序列分析模型，包括：采用单位根检验算法校验各个所述目标序列是否平稳；若平稳，则构造各个所述目标序列对应的自回归滑动平均ARMAX模型；若不平稳，则对各个所述目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。可选的，作为一种可能的实施方式，本申请实施例中工业物联网数据分析方法，还包括：采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；校验所述残差序列是否满足预置条件；若不满足，则重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。可选的，作为一种可能的实施方式，本申请实施例中，所述校验所述残差序列是否满足预置条件，包括：校验所述残差序列是否为白噪声序列；校验所述残差序列是否符合正态分布；若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。本申请实施例第二方面提供了一种工业物联网数据分析系统，其特征在于，包括：第一计算模块，用于根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；第二计算模块，用于计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；第三计算模块，用于根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；选择模块，用于根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；构造模块，用于根据各个所述目标序列构建多元时间序列分析模型；第四计算模块，用于根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。可选的，作为一种可能的实施方式，本申请实施例中的所述第三计算模块，包括：第一计算单元，用于计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；筛选单元，用于根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；第一构建单元，用于根据保留的各个特征值对应的特征向量构建第二矩阵；第二计算单元，用于将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；第二构建单元，用于按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；第三计算单元，用于将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。可选的，作为一种可能的实施方式，本申请实施例中的所述构造模块，包括：第一校验单元，用于采用单位根检验算法校验各个所述目标序列是否平稳；第一构造单元，若各个所述目标序列平稳，则构造各个所述目标序列对应的自回归滑动平均ARMAX模型；第二构造单元，若各个所述目标序列不平稳，则对各个所述目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。可选的，作为一种可能的实施方式，本申请实施例中工业物联网数据分析系统，还包括：第五计算模块，用于采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；第六计算模块，用于计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；校验模块，用于校验所述残差序列是否满足预置条件；循环模块，若所述残差序列不满足，则触发所述构造模块，重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。可选的，作为一种可能的实施方式，本申请实施例中的所述校验模块，包括：第二校验单元，用于校验所述残差序列是否为白噪声序列；第三校验单元，用于校验所述残差序列是否符合正态分布；判断单元，若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满足预置条件。本申请实施例第三方面提供了一种计算机装置，其特征在于，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如第一方面及第一方面中任意一种可能的实施方式中的步骤。本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如第一方面及第一方面中任意一种可能的实施方式中的步骤。从以上技术方案可以看出，本申请实施例具有以下优点：本申请实施例中，基于物联网采集工业设备的至少两个参数指标对应的采样值，分别形成各个参数指标对应的时间序列，并基于各个指标对应的本文档来自技高网...

【技术保护点】
1.一种工业物联网数据分析方法，其特征在于，包括：根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；根据各个所述目标序列构建多元时间序列分析模型；根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。

【技术特征摘要】
1.一种工业物联网数据分析方法，其特征在于，包括：根据至少两个参数指标对应的时间序列构建第一矩阵，并计算第一矩阵对应的相关系数矩阵；计算所述相关系数矩阵的特征值及各个特征值关联的特征向量；根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值；根据各个参数指标的综合权重值大小，选择排序靠前的预置数量的参数指标对应的时间序列作为目标序列；根据各个所述目标序列构建多元时间序列分析模型；根据所述多元时间序列分析模型计算各个目标序列对应的参数指标未来周期的预测值。2.根据权利要求1所述的方法，其特征在于，所述根据所述相关系数矩阵的特征值及各个特征值关联的特征向量计算各个参数指标的综合权重值，包括：计算各个特征值占所有特征值之和的比例，作为对应的特征值贡献率；根据累计贡献率不小于第一阈值的原则，筛选出排序靠前的特征值；根据保留的各个特征值对应的特征向量构建第二矩阵；将保留的各个特征值的平方根分别乘以所述第二矩阵中对应的特征向量，得到第三矩阵；按照所述第二矩阵中特征向量的排列顺序，将对应的特征值贡献率依次排列构造第四矩阵；将所述第三矩阵乘以所述第四矩阵得到综合评价矩阵，所述综合评价矩阵中的每一维数据的绝对值分别对应一个参数指标的综合权重值。3.根据权利要求2所述的方法，其特征在于，所述根据各个所述目标序列构建多元时间序列分析模型，包括：采用单位根检验算法校验各个所述目标序列是否平稳；若平稳，则构造各个所述目标序列对应的自回归滑动平均ARMAX模型；若不平稳，则对各个所述目标序列进行差分处理之后构建差分整合移动平均自回归ARIMAX模型。4.根据权利要求3所述的方法，其特征在于，还包括：采用所述多元时间序列分析模型对所述目标序列进行数据拟合计算，得到所述目标序列中各个时刻的原始数据对应的预测数据；计算各个所述目标序列中各个时刻的原始数据与对应的预测数据的差值，形成残差序列；校验所述残差序列是否满足预置条件；若不满足，则重新构造各个所述目标序列对应的多元时间序列分析模型，直到重新构造的多元时间序列分析模型对应的残差序列满足预置条件为止。5.根据权利要求4所述的方法，其特征在于，所述校验所述残差序列是否满足预置条件，包括：校验所述残差序列是否为白噪声序列；校验所述残差序列是否符合正态分布；若所述残差序列为白噪声序列，且符合正态分布，则确定所述残差序列满...

【专利技术属性】
技术研发人员：吴刚，黄丹昱，
申请(专利权)人：深圳市智物联网络有限公司，
类型：发明
国别省市：广东,44