一种实时数据的敏感设备监督方法、系统、设备及介质与流程

1.本技术涉及敏感设备数据监督技术领域，尤其涉及一种实时数据的敏感设备监督方法、系统、设备及介质。


背景技术：

2.敏感设备主要为涉及敏感信息以及存在安全风险的设备，如核电站等。其数据需要被及时快速的处理。需要及时准确的反应敏感设备的状态变化，不漏过任何一个可能导致设备故障的信号。
3.现阶段，对敏感设备产生数据的处理方式主要为：设备管理人员反复的进行敏感设备的巡检和对突发故障的设备进行故障处理。
4.但是，当涉及到的敏感设备过多或数据积累量过多时，对重要敏感设备的问题征兆和预防紧急停堆的检测效率就会受到人力资源的限制。以及人为分析数据进行设备的故障预判，容易受到的人为因素的干扰，其可靠性、安全性和经济性较低。


技术实现要素：

5.针对现有技术的上述不足，本发明提供一种实时数据的敏感设备监督方法、系统、设备及介质，以解决上述技术问题。
6.第一方面，本技术提供了一种实时数据的敏感设备监督方法，方法包括：通过预设时序数据库和/或预设采集设备，获取敏感设备对应的加密数据；确定加密数据对应的明文数据；以清洗明文数据中的异常数据；进而基于时间序列，确定明文数据对应的流式有效数据；基于流式有效数据对应的历史有效数据以及历史故障数据，确定流式有效数据对应敏感设备的设备部件以及设备部件的故障概率；将流式有效数据以及故障概率的导入模糊神经算法模型，以获得故障概率的模糊度，当模糊度超过预设阈值时，判定设备部件出现故障。
7.进一步地，通过预设时序数据库和/或预设采集设备，获取敏感设备对应的加密数据，具体包括：通过预设时序数据库，获取敏感设备对应的加密数据；当检测到预设时序数据库不存在加密数据时，确定敏感设备对应的预设采集设备；确定预设采集设备是否存在加密模块和格式统一模块；以下发加密模块/或格式统一模块至不存在加密模块和/或格式统一模块的预设采集设备中；其中，加密模块包括若干加密算法以及加密算法对应的关键字；获得预设采集设备加密以及格式统一的加密数据；其中，加密数据包含包头数据和加密数据；且包头数据包含关键字。
8.进一步地，预设解密模型，其中，解密模型包含若干解密算法以及关键字，且解密算法-关键字-加密算法之间存在对应关系；确定加密数据对应的明文数据，具体包括：根据加密数据中的关键字，确定关键字在解密模型中对应的解密算法，进而确定加密数据对应的明文数据。
9.进一步地，清洗明文数据中的异常数据，具体包括：确定明文数据对应的第一接收
时间以及上一明文数据对应的第二接收时间；确定明文数据与上一明文数据之间的数值变化率；当数值变化率小于预设变化阈值时，且第一接收时间与第二接收时间之间的时间间隔小于预设时间阈值时，确定明文数据为异常数据；删除异常数据，以实现异常数据的清洗。
10.进一步地，基于流式有效数据对应的历史有效数据以及历史故障数据，确定流式有效数据对应敏感设备的设备部件以及设备部件的故障概率，具体包括：将历史有效数据划分为训练数据以及检测数据；将训练数据以及训练数据对应的故障数据作为训练样本，导入预设机器学习模型，以完成机器学习模型的训练；将检测数据以及检测数据对应故障数据作为检测样本，导入训练好的预设机器学习模型，以获得预设机器学习模型对应的计算准确率；将流式有效数据导入训练好的机器学习模型，获得流式有效数据对应的故障数据以及设备部件；基于计算准确率以及故障数据，确定设备部件的故障概率。
11.第二方面，本技术提供了一种基于实时数据的敏感设备监督系统，系统包括：获取模块，用于通过预设时序数据库和/或预设采集设备，获取敏感设备对应的加密数据；确定模块，用于确定加密数据对应的明文数据；以清洗明文数据中的异常数据；进而基于时间序列，确定明文数据对应的流式有效数据；还用于基于流式有效数据对应的历史有效数据以及历史故障数据，确定流式有效数据对应敏感设备的设备部件以及设备部件的故障概率；判定模块，用于将流式有效数据以及故障概率的导入模糊神经算法模型，以获得故障概率的模糊度，当模糊度超过预设阈值时，判定设备部件出现故障。
12.第三方面，本技术提供了一种实时数据的敏感设备监督设备，该设备包括处理器、存储器和存储在存储器上的执行指令，执行指令设置成在被处理器执行时能够使设备执行上述的任一项的实时数据的敏感设备监督方法。
13.第四方面，本技术供了一种非易失性计算机存储介质，其上存储有计算机指令，计算机指令执行上述的一种实时数据的敏感设备监督方法。
14.本领域技术人员能够理解的是，本发明至少具有如下有益效果：通过上传加密数据，实现了对敏感设备的数据保护，提高了数据的安全性。通过将加密数据转换为存在时间序列关系的流式有效数据，实现了数据的前后关联。通过将流式有效数据以及故障概率导入具有典型性判断能力的模糊神经算法模型，实现了有效的设备故障判定。即，本发明能够及时准确的反应敏感设备的状态变化，不漏过任何一个可能导致设备故障的数据。在数据积累到一定量的时候，可以通过历史数据，和设备的实时状态数据进行设备状态的实时预测，从而确定重要敏感设备的问题征兆和预防紧急停堆的改正行动，减少未来由于设备失效导致的跳堆次数,，提高敏感设备的设备可靠性、安全性和经济性。
附图说明
15.下面参照附图来描述本公开的部分实施例，附图中：
16.图1是本技术实施例提供的一种实时数据的敏感设备监督方法流程图。
17.图2是本技术实施例提供的一种实时数据的敏感设备监督系统流程图。
18.图3是本技术实施例提供的一种实时数据的敏感设备监督设备内部结构示意图。
具体实施方式
19.本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例，仍应落入到本公开的保护范围之内。
20.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
21.下面通过附图对本技术实施例提出的技术方案进行详细的说明。
22.图1为本技术实施例提供的一种基于实时数据的敏感设备监督方法。其执行主体是服务器。如图1所示，本技术实施例提供的基于实时数据的敏感设备监督方法，主要包括以下步骤：
23.步骤110、通过预设时序数据库和/或预设采集设备，获取敏感设备对应的加密数据。
24.需要说明的是，预设时序数据库中包含了预设采集设备上传的加密数据；预设采集设备为能够进行敏感设备数据采集的设备，例如，温度传感器。
25.作为示例地，服务器通过预设时序数据库，获取敏感设备对应的加密数据；当检测到预设时序数据库不存在加密数据时，确定敏感设备对应的预设采集设备；确定预设采集设备是否存在加密模块和格式统一模块；以下发加密模块/或格式统一模块至不存在加密模块和/或格式统一模块的预设采集设备中；其中，加密模块包括若干加密算法以及加密算法对应的关键字；获得预设采集设备加密以及格式统一的加密数据；其中，加密数据包含包头数据和加密数据；且包头数据包含关键字。需要说明的是，加密模块为任意可行的能够进行数据加密的软件或硬件等。格式统一模块包含格式统一模板，能够将数据统一为预设格式。
26.本领域技术人员能够理解的是，传统的数据加密方法，主要依靠服务器进行，而本技术将数据加密分散到各个预设采集设备中，预设采集设备对应的数据量小，进而提高数据的处理效率。以及现有的格式统一的方法主要为将各个来源的数据整合到一个服务器中，进而通过该服务器实现全部数据的格式统一。本技术通过将格式统一分发到各个预设采集设备中，避免了服务器的格式统一流程，进一步提高了数据的处理效率。
27.步骤120、确定加密数据对应的明文数据；以清洗明文数据中的异常数据；进而基于时间序列，确定明文数据对应的流式有效数据。
28.需要说明的是，流式有效数据为具有时间序列的数据。
29.本实施公开的服务器可以通过解密模型进行数据的解密。其中，解密模型包含若干解密算法以及关键字，且解密算法-关键字-加密算法之间存在对应关系。其中，确定加密数据对应的明文数据，可以具体为：根据加密数据中的关键字，确定关键字在解密模型中对应的解密算法，进而确定加密数据对应的明文数据。
30.其中，清洗明文数据中的异常数据，可以具体为：确定明文数据对应的第一接收时间以及上一明文数据对应的第二接收时间；确定明文数据与上一明文数据之间的数值变化率；当数值变化率小于预设变化阈值时，且第一接收时间与第二接收时间之间的时间间隔小于预设时间阈值时，确定明文数据为异常数据；删除异常数据，以实现异常数据的清洗。
31.步骤130、基于流式有效数据对应的历史有效数据以及历史故障数据，确定流式有效数据对应敏感设备的设备部件以及设备部件的故障概率。
32.需要说明的是，历史有效数据为当前流式有效数据对应的历史时间内的流式有效数据。历史故障数据包含故障和非故障。
33.作为示例地，将历史有效数据划分为训练数据以及检测数据；将训练数据以及训练数据对应的故障数据作为训练样本，导入预设机器学习模型，以完成机器学习模型的训练；将检测数据以及检测数据对应故障数据作为检测样本，导入训练好的预设机器学习模型，以获得预设机器学习模型对应的计算准确率；将流式有效数据导入训练好的机器学习模型，获得流式有效数据对应的故障数据以及设备部件；基于计算准确率以及故障数据，确定设备部件的故障概率。
34.步骤140、将流式有效数据以及故障概率的导入模糊神经算法模型，以获得故障概率的模糊度，当模糊度超过预设阈值时，判定设备部件出现故障。
35.需要说明的是，模糊神经算法模型包含模糊神经算法。预设阈值可以为任意可行的值，可由本领域技术人员经过多次实验确定。
36.具体地，服务器通过模糊神经算法公式：计算模糊度；其中，μ为流式有效数据以及故障概率。
37.除此之外，本技术实施例还提供了一种基于实时数据的敏感设备监督系统，如图2所示，系统包括：
38.获取模块210，用于通过预设时序数据库和/或预设采集设备，获取敏感设备对应的加密数据；
39.确定模块220，用于确定加密数据对应的明文数据；以清洗明文数据中的异常数据；进而基于时间序列，确定明文数据对应的流式有效数据；还用于基于流式有效数据对应的历史有效数据以及历史故障数据，确定流式有效数据对应敏感设备的设备部件以及设备部件的故障概率；
40.判定模块230，用于将流式有效数据以及故障概率的导入模糊神经算法模型，以获得故障概率的模糊度，当模糊度超过预设阈值时，判定设备部件出现故障。
41.除此之外，本技术实施例还提供了一种基于实时数据的敏感设备监督设备，如图3所示，其上存储有可执行指令，在该可执行指令被执行时，实现如上述的一种基于实时数据的敏感设备监督方法。具体地，服务器端通过总线向存储器发送执行指令，当存储器接收到执行指令时，通过总线向处理器发送执行信号，以激活处理器。
42.需要说明的是，处理器用于通过预设时序数据库和/或预设采集设备，获取敏感设备对应的加密数据；确定加密数据对应的明文数据；以清洗明文数据中的异常数据；进而基于时间序列，确定明文数据对应的流式有效数据；
43.基于流式有效数据对应的历史有效数据以及历史故障数据，确定流式有效数据对
应敏感设备的设备部件以及设备部件的故障概率；将流式有效数据以及故障概率的导入模糊神经算法模型，以获得故障概率的准确性，当准确性超过预设阈值时，判定设备部件出现故障。
44.除此之外，本技术实施例还提供了一种非易失性计算机存储介质，其上存储有可执行指令，在该可执行指令被执行时，实现如上述的一种基于实时数据的敏感设备监督方法。
45.至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同的更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。