一种基于实时数据和运维数据的动环监控系统及方法与流程

1.本发明涉及设备监测技术领域，具体涉及一种基于实时数据和运维数据的动环监控系统及方法。


背景技术：

2.动环监控是指针对各类机房中的动力设备及环境变量进行集中监控，即动力环境监控。一套完善的综合动力环境监控系统可以对分布的各个独立的动力设备和机房环境、机房安保监控对象进行遥测、遥信等采集，实时监视系统和设备、安保的运行状态，记录和处理相关数据，及时侦测故障，并作必要的遥控、遥调操作，适时通知人员处理；实现机房的少人、无人值守，以及电源、空调的集中监控维护管理，提高供电系统的可靠性和通信设备的安全性，为机房的管理自动化、运行智能化和决策科学化提供有力的技术支持。
3.现有的动环监测系统一般是通过数据采集装置采集设备的实时运行数据，将采集到的数据发送至后方的监测平台，监测平台通过将采集到的数据与预设的条件进行比对，从而判断设备是否出现运行异常，在出现异常时发出告警信号。
4.实际上，受环境和其他工作条件的影响，设备运行状态中的一些数据会出现正常波动，这种情况下设备为正常运行，此时若发出告警信号往往会出现误报的情况，有待改进。


技术实现要素：

5.基于上述表述，本发明提供了一种基于实时数据和运维数据的动环监控系统及方法，以解决设备参数正常波动时发出误报警的问题。
6.本发明解决上述技术问题的技术方案如下：
7.一种基于实时数据和运维数据的动环监控系统，包括数据采集模块、数据存储模块、数据标记模块、数据分析模块、异常告警模块以及校正因子输入模块，所述数据采集模块用于采集设备的运行数据和环境数据；所述存储模块用于存储数据采集模块采集到的数据；所述数据标记模块用于根据数据的类别对采集到的数据进行分类标记；所述数据分析模块用于根据数据采集模块采集到的实时数据，将实时数据与存储模块中存储的历史运维数据进行比对，比对同类别的参数，并计算出各种类别参数的变化幅度，并结合各个类别参数变化的情况，利用分析模型分析出设备的实时运行状态类型，将分析出的设备实时运行状态类型输出至异常告警模块和校正因子输入模块，所述校正因子模块根据设备实时运行状态类型匹配对应的校正因子值，并将匹配的校正因子值输出至异常告警模块；所述异常告警模块根据设备的实时运行状态类型，结合该实时运行状态类型对应的校正因子值，将校正因子值与该实时运行状态类型中的相关参数进行计算，得出校正参数；再将校正参数与预设参数进行比较，当两者的差值大于阈值时发出异常报警信号。
8.作为优选方案：还包括数据筛分模块，所述数据筛分模块用于根据预设的条件对数据采集模块采集到的数据进行筛分，以筛分出有效数据。
9.作为优选方案：还包括用于对所述阈值进行调节的冗余度输入模块，通过在冗余度输入模块中输入所需的新阈值，所述冗余度输入模块用于将输入的新阈值写入到异常告警模块中，替换掉旧阈值。
10.作为优选方案：还包括自适应学习模块，所述自适应学习模块用于记录监控人员向冗余度输入模块输入的新阈值以及各种采集数据特征下输入新阈值的频次，在下一次采集到相似特征的数据时自动向异常告警模块输入新阈值。
11.一种基于实时数据和运维数据的动环监控方法，包括以下步骤：
12.s1、对设备的运行数据和环境数据进行采集，将采集的数据存储至数据库中；
13.s2、根据数据的类别对采集到的数据进行分类标记，对数据的分类存储；
14.s3、将采集到的实时数据与存储的历史运维数据进行比对，比对同类别的参数，并计算出各种类别参数的变化幅度，结合各个类别参数变化的情况，利用分析模型分析出设备的实时运行状态类型并输出分析结果；
15.s4、根据设备实时运行状态类型匹配对应的校正因子值；
16.s5、根据设备的实时运行状态类型，结合该实时运行状态类型对应的校正因子值，将校正因子值与该实时运行状态类型中的相关参数进行计算，得出校正参数；再将校正参数与预设参数进行比较，当两者的差值大于阈值时发出异常报警信号。
17.作为优选方案：还包括输入新阈值的步骤。
18.作为优选方案：还包括自适应学习的步骤，即记录输入的新阈值以及各种采集数据特征下输入新阈值的频次，在下一次采集到相似特征的数据时自动输入新阈值。
19.作为优选方案：在采集数据时，采集到的同一类别的连续数据，当其中几组数据明显偏离其他组数据时，认为这几组数据为无效数据，直接将无效数据删除。
20.与现有技术相比，本技术的技术方案具有以下有益技术效果：
21.该系统可以对设备的运行参数进行采集，从而分析出设备的运行状态类型，再根据设备运行状态类型匹配相应的校正因子，对该运行状态类型需要考量的参数进行校正，再将校正的参数与预设参数进行比对，从而判断设备是否出现异常状态，进而决定是否报警，如此可以大大减少出现设备运行参数正常波动时发出报警信息的情况，减少误报。
附图说明
22.图1为实施例一中的动环监测系统的示意图；
23.图2为实施例二中的动环监测方法的流程框图。
具体实施方式
24.实施例一：
25.参照图1，一种基于实时数据和运维数据的动环监测系统，包括数据采集模块、数据存储模块、数据筛分模块、数据标记模块、数据分析模块、异常告警模块以及校正因子输入模块。
26.其中，数据采集模块用于采集设备的运行数据和环境数据。设备数据例如设备的输入、输出电信号、设备温度、噪音等，环境数据例如温度、湿度等。
27.存储模块用于存储数据采集模块采集到的数据。
28.数据标记模块用于根据数据的类别对采集到的数据进行分类标记，实现对数据的分类存储。例如，设备的输入、输出等电信号数据归为“自变数据”；温度、湿度等环境数据归为“影响数据”；设备的温度、噪音等数据归为“因变数据”。
29.数据筛分模块用于根据预设的条件对数据采集模块采集到的数据进行筛分，以筛分出有效数据。例如采集到的同一类别的连续数据，当其中几组数据明显偏离其他组数据时，认为这几组数据为无效数据，数据筛分模块直接将无效数据从存储模块中删除。
30.数据分析模块用于根据数据采集模块采集到的实时数据，将实时数据与存储模块中存储的历史运维数据进行比对，比对同类别的参数，并计算出各种类别参数的变化幅度，并结合各个类别参数变化的情况，利用分析模型分析出设备的实时运行状态类型，将分析出的设备实时运行状态类型输出至异常告警模块和校正因子输入模块。数据分析模块内置分析模型，分析模型预先设置有几种典型的运行状态类型，每种运行状态类型的数据特征不一样。例如有“正常运行”、“环境影响运行”和“异常运行”三种类型；“正常运行”类型对应的数据特征为设备“自变数据”变化幅度小于a1、“影响数据”变化幅度小于b1、“因变数据”变化幅度小于c1；“环境影响运行”类型对应的数据特征为设备“自变数据”变化幅度小于a2、“影响数据”变化幅度小于b2、“因变数据”变化幅度小于c2；“异常运行”类型对应的数据特征为设备“自变数据”变化幅度小于a3、“影响数据”变化幅度小于b3、“因变数据”变化幅度小于c3；通过提前对a1、a2、a3、b1、b2、b3、c1、c2和c3的值进行标定，将标定值写入分析模型中。例如，当“自变数据”变化很小、“因变数据”变化不是很大，且“影响数据”有明显变化时，认为“因变数据”的变化是“影响数据”的变化所引起的，而不是设备运行状态出现异常。完成上述标定后，将采集到的数据输入到分析模块，分析模块就能自动分析出设备运行状态的类型。
31.校正因子内预先存储有不同运行状态类型对应的校正因子。校正因子输入模块根据设备实时运行状态类型匹配对应的校正因子值，并将匹配的校正因子值输出至异常告警模块。校正因子输入模块内预先存储有不同运行状态类型对应的校正因子。
32.异常告警模块根据设备的实时运行状态类型，结合该实时运行状态类型对应的校正因子值，将校正因子值与该实时运行状态类型中的相关参数进行计算，得出校正参数；再将校正参数与预设参数进行比较，当两者的差值大于阈值时发出异常报警信号。例如，当为“环境影响运行”类型时，将“因变数据”乘以因子值α；当为“异常运行”类型时，将“自变数据”乘以因子值β；当为“正常运行”类型时，将“自变数据”乘以因子值1，从而得到校正参数。
33.通过上述方案，可以对设备的运行参数进行采集，从而分析出设备的运行状态类型，再根据设备运行状态类型匹配相应的校正因子，对该运行状态类型需要考量的参数进行校正，再将校正的参数与预设参数进行比对，从而判断设备是否出现异常状态，进而决定是否报警，如此可以大大减少出现设备运行参数正常波动时发出报警信息的情况，减少误报。
34.本实施例中的监控系统还包括用于对阈值进行调节的冗余度输入模块，监控人员通过人机交互接口在冗余度输入模块中输入所需的新阈值，冗余度输入模块将监控人员输入的新阈值写入到异常告警模块中，替换掉旧阈值，从而实现对异常告警模块比对冗余度的调节，以满足不同场景和运行条件下对设备动环监控的需求。
35.本实施例中的监控系统还包括自适应学习模块，自适应学习模块用于记录监控人
员向冗余度输入模块输入的新阈值以及各种采集数据特征下输入新阈值的频次，在下一次采集到相似特征的数据时自动向异常告警模块输入新阈值。如此可以学习监控人员的输入习惯，自动代替人工输入，较少人工输入的工作量。
36.实施例二：
37.参照图2，一种基于实时数据和运维数据的动环监控方法，包括以下步骤：
38.s1、对设备的运行数据和环境数据进行采集，将采集的数据存储至数据库中；
39.s2、根据数据的类别对采集到的数据进行分类标记，对数据的分类存储；
40.s3、将采集到的实时数据与存储的历史运维数据进行比对，比对同类别的参数，并计算出各种类别参数的变化幅度，结合各个类别参数变化的情况，利用分析模型分析出设备的实时运行状态类型并输出分析结果；
41.s4、根据设备实时运行状态类型匹配对应的校正因子值；
42.s5、根据设备的实时运行状态类型，结合该实时运行状态类型对应的校正因子值，将校正因子值与该实时运行状态类型中的相关参数进行计算，得出校正参数；再将校正参数与预设参数进行比较，当两者的差值大于阈值时发出异常报警信号。
43.本实施例中还包括输入新阈值的步骤。
44.本实施例中还包括自适应学习的步骤，具体为：记录输入的新阈值以及各种采集数据特征下输入新阈值的频次，在下一次采集到相似特征的数据时自动输入新阈值。
45.本实施例中还包括数据筛分的步骤，具体为：采集到的同一类别的连续数据，当其中几组数据明显偏离其他组数据时，认为这几组数据为无效数据，直接将无效数据删除。
46.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。