一種機器數據模型演化的自動感知方法及裝置的制造方法
【專利摘要】本發明公開了一種機器數據模型演化的自動感知方法及裝置，該方法包括對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合；生成沖突原語集合；生成機器當前對應的實際機器數據模型；若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍遷，在沖突實例統計中刪除該機器實例所對應的沖突記錄，結束本次檢測；否則，更新該機器實例所對應的沖突原語集合，并進入下一步；若機器當前對應的實際機器數據模型所對應的沖突實例的個數大于或等于沖突實例個數閾值，對機器實例進行模型派生，結束本次檢測。
【專利說明】
一種機器數據模型演化的自動感知方法及裝置
技術領域
[0001 ]本發明屬于物聯網技術領域，尤其涉及一種機器數據模型演化的自動感知方法及
目.0
【背景技術】
[0002]機器數據模型是機器數據處理方面扮演者無可替代的角色，是機器數據傳輸、分析與存儲與分析的基礎。在機器數據獲取各傳感器數據后，其微處理器按照數據模型的形式組織數據并進行傳輸。服務器端接受數據之后，是按照機器數據模型的形式進行存儲。最后，按照機器數據模型的形式提取數據并進行相應的分析。
[0003]隨機技術的不斷發展，當前機器自身的微控制器控制軟件可以進行升級或者降級，機器自身也可以進行改裝。這些行為都可能導致機器數據模型發生變化從而導致了機器數據模型演化。機器數據模型演化主要分為以下兩種:I)模型躍迀:模型躍迀是指機器從一個模型切換到機器模型庫中的另外一個模型中；2)模型派生:模型派生是指在已有的一種或幾種模型的基礎上衍生出一種新的模型。
[0004]對機器數據模型演化進行人工處理具有以下缺點:I)要對機器數據模型的演化進行人工檢測與分析需要非常大的工作量，企業運營成本會大大增加;2)人工處理具有嚴重的滯后性，可能會導致大量與模型不匹配的數據存在，這些數據難以再利用與處理。
【發明內容】
[0005]為了解決人為處理的缺點，本發明提供一種機器數據模型演化的自動感知方法及裝置，其中，該方法通過對機器數據與機器數據模型的沖突進行檢測，在沖突檢測的基礎上進行模型躍迀與模型派生，進而實現機器數據模型演化的自動感知。
[0006]為了實現上述目的，本發明采用如下技術方案:
[0007]—種機器數據模型演化的自動感知方法，包括以下步驟:
[0008]步驟(I):對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合;統計沖突多重集合中每個沖突所發生的頻率，生成沖突原語集合；
[0009]步驟(2):根據機器當前所指向的機器模型和沖突原語集合，生成機器當前對應的實際機器數據模型；若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍迀，在沖突實例統計中刪除該機器實例所對應的沖突記錄，結束本次檢測;否則，更新該機器實例所對應的沖突原語集合，并進入下一步；
[0010]步驟(3):統計機器當前對應的實際機器數據模型所對應的沖突實例的個數，若個數少于沖突實例個數閾值，結束本次檢測;否則，對機器實例進行模型派生，結束本次檢測。[0011 ]所述步驟(I)中，每個機器數據模型包含若干個傳感器模板;所述傳感器模板包含所述機器數據模型中每個傳感器獲取數據的屬性;所述沖突原語集合中的元素為沖突原語，每個沖突原語采用沖突類型、原傳感器模板和更新后的傳感器模板組成的三元組來表不O
[0012]—個機器實例在不同的運行期間時間段映射到不同的機器數據模型。
[0013]所述步驟(2)中，若沖突原語集合為空，則在沖突實例統計中刪除該機器實例所對應的沖突記錄。
[0014]機器數據序列的長度由機器實例一次運行的時間所決定。
[0015]所述沖突類型包括增加沖突、刪除沖突和更新沖突，所述增加沖突為機器數據中包含不在機器數據模型中的數據;所述刪除沖突為機器數據中缺少機器數據模型中所需的數據;所述更新沖突為機器數據中的某個傳感器數據與相應的傳感器模板數據類型不符，或者數值不在傳感器模板的取值范圍內。
[0016]所述步驟(2)中，更新機器實例所對應的沖突原語集合的過程，包括:
[0017]采用最小覆蓋模板查找方法來獲取最小覆蓋模板；
[0018]將得到的最小覆蓋模板來替換沖突原語集合中待更新的元素。
[0019]最小覆蓋模板滿足下列條件:
[0020]最小覆蓋模板取值范圍涵蓋所有傳感器數據的值；
[0021]最小覆蓋模板取值范圍最小值與數據最小值之差、取值范圍最小值與數據最大值之差的平方之和最小。
[0022]—種基于機器數據模型演化的自動感知方法的裝置，包括:
[0023]沖突檢測模塊，其被配置為對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合;統計沖突多重集合中每個沖突所發生的頻率，生成沖突原語集合；
[0024]模型躍迀模塊，其被配置為根據機器當前所指向的機器模型和沖突原語集合，生成機器當前對應的實際機器數據模型;若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍迀，在沖突實例統計中刪除該機器實例所對應的沖突記錄；
[0025]模型派生模塊，其被配置為機器當前對應的實際機器數據模型不存在于當前的機器數據模型庫中，更新該機器實例所對應的沖突原語集合，統計機器當前對應的實際機器數據模型所對應的沖突實例的個數，若沖突實例的個數大于或等于沖突實例個數閾值，對機器實例進行模型派生。
[0026]所述模型派生模塊還包括沖突原語集合更新模塊，所述沖突原語集合更新模塊包括:
[0027]最小覆蓋模板查找模塊，其被配置為采用最小覆蓋模板查找方法來獲取最小覆蓋模板；
[0028]更新替換模塊，其被配置為將得到的最小覆蓋模板來替換沖突原語集合中待更新的元素。
[0029]本發明的有益效果為:
[0030](I)在本發明的感知方法中，首先對機器數據序列進行沖突檢測，并生成沖突原語;借助于集合運算獲取機器數據序列所真正對應的機器數據模型;并在真正的機器數據模型上進行模型躍迀或模型派生，從而實現了機器數據模型演化的自動感知；
[0031](2)基于該方法，本發明記錄了機器數據模型演化過程，為產品下一步的研發提供數據基礎;在數據的基礎上，能夠獲取機器實例的整個生命周期，不同生命周期階段的數據之間能夠進行規約或擴展，進而實現對整個生命周期的數據的統一分析。
【附圖說明】
[0032]圖1為機器數據模型、機器實例以及傳感器模板示意圖；
[0033]圖2為機器實例生命周期示意圖；
[0034]圖3為機器數據序列、機器數據、傳感器數據之間關系的示意圖；
[0035]圖4為傳感器數據的最小覆蓋模板查找方法流程圖；
[0036]圖5為機器數據模型演化的自動感知方法流程圖；
[0037]圖6為沖突檢測示意圖；
[0038]圖7為實例模型生成示意圖；
[0039]圖8為模型躍迀示意圖；
[0040]圖9為模型派生示例圖。
【具體實施方式】
[0041 ]下面結合附圖與實例對本發明做進一步說明:
[0042]本發明的基于傳感器模板的機器數據模型表示形式，如圖1所示，包括:
[0043]傳感器模板(ST)，傳感器模板用于描述機器數據模型每個傳感器獲取數據的屬性，包括數據類型，取值范圍等。每個傳感器模板用二元組〈Data Type ,Value Range}表示，其中Data Type是數據類型，Value Range是取值范圍。
[0044]機器數據模型(MDM)，描述一類機器實例獲取機器數據的形式。每個機器數據模型是包含若干個傳感器模板的集合。機器數據模型用集合{ST1.1d,ST2.1d，ST3.1d,...}表不，其中ST是傳感器模板，ST.1d是傳感器模板的唯一標識。如圖1中所示，每一機器數據模型包含了若干個傳感器模板。
[0045]機器實例(M)，一個具體的機器實例。在機器生命周期的每一個階段，其多產生的機器數據都對應到一個機器模型中去。如圖1所示，機器實例都會映射到機器數據模型中去，在不同時間，機器實例映射到不同的機器數據模型上。
[0046]機器生命周期，一個機器實例在不同的時間段映射到不同的機器數據模型上，機器實例從出廠到報廢過程中到機器數據模型上的映射記錄是其生命周期。機器生命周期的每一項可以用一個三元組〈1.1(1，1?^.1(1，0表示，其中七為機器實例開始屬于此機器數據模型的時間，M.1d為機器實例的唯一標識，MDM.1d為機器數據模型的唯一標識。機器生命周期示意圖，如圖1所示。
[0047]機器數據模型庫(L)，所有機器數據模型的集合構成了機器數據模型庫。機器數據模型庫可以用一個集合LiMDM1 ,MDM2 ,MDM3，…}表示，其中MDM為機器數據模型。
[0048]本發明的基于傳感器數據的機器數據表示形式，如圖3所示，包括:
[0049]傳感器數據(SD)，在機器實例運行過程中上某個傳感器所獲取的一條數據項，其包含該傳感器所對應的傳感器模板和具體的感應值。每個傳感器數據可用一個二元組〈ST.1d,value〉表示，其中ST.1d為傳感器模板的唯一標識，value為傳感器感知數據的具體數值。
[0050]機器數據(D)，在某個時間點，機器實例上所有傳感器數據的集合。機器數據可以用一個集合{SDI，SD2，SD3，…}，其中SD—條傳感器數據。如圖3所示，每條機器數據都包含了若干條傳感器數據。
[0051]機器數據序列(DS)，在機器某次運行期間，其所獲取的機器數據以獲取數據時間表示，并以時間順序排列，是一條機器數據序列。機器數據序列可以用二元組序列七2，02>，一，仏兒>表示，其中0為一條機器數據，〖為此機器數據產生的時間，在此次運行期間一共產生了 η條機器數據，η是不固定的，η的大小一般由此次運行時間的長短來決定。
[0052]如圖3所示，機器數據序列中包含了若干按時間順序排列，并以時間標識的機器數據。
[0053]本發明的機器數據模型的沖突原語表示方式，包括:
[0054]沖突原語(C)，沖突的最小單位為沖突原語。每個沖突原語可以用一個三元組〈沖突類型，ST1.1d，ST2.1d>，其中ST1.1d為原有傳感器模板的唯一標識，ST2.1d為新傳感器模板的唯一標識，若不需要相應的標識，則用nul I標識。
[0055]沖突類型有三種，分別為增加沖突、刪除沖突和更新沖突。
[0056]增加沖突(Ca)，機器數據中包含了不在機器數據模型中的數據，這種情況為增加沖突。其具體表示為<Ca，nul I,ST.1d>，其中(^表示為增加沖突，ST.1d為新傳感器模板的唯一標識，null表示增加沖突不需要原有傳感器模板標識。
[0057]刪除沖突(Cd)，機器數據中缺少了機器數據模型中所需的數據，這種情況為刪除沖突。其具體表示為〈Cd，ST.1d,null)，其中Cd表示為刪除沖突，ST.1d為原有傳感器模板的唯一標識，null表示刪除沖突不需要新傳感器模板標識。
[0058]更新沖突(Cu)，機器數據中的某個傳感器數據與相應的傳感器模板數據類型不符，或者數值不在傳感器模板的取值空間內，這種情況為更新沖突。其具體表示為〈Cu，ST1.1d,ST2.1d>，其中Cu表示為更新沖突，T1.1d為原有傳感器模板的唯一標識，ST2.1d為新傳感器模板的唯一標識。
[0059]如圖4所示，傳感器數據的最小覆蓋模板查找方法，可概括為以下七個步驟:
[0060]Stepl:獲取機器數據序列中該傳感器位置的數據類型Data Type，最大值max與最小值min;初始化Scoremin = MaxScore，STmin.1d = null;其中，MaxScore是預設的一個閾值，超過該閾值的模板不考慮；
[0061 ] Step2:獲取一個未比較過的傳感器模板ST，若有則進行Step3，否則跳轉到Step7;
[0062]Step3:比較ST的數據類型Data Type’與Data Type是否相同，如果相同進行Step4，否則跳轉至Step2 ；
[0063]Step4:獲取ST的取值范圍Value Range: Vmin?Vmax，如果Vmin〈=min且Vmax> =max貝丨J進行Step5，否則跳轉至Step2 ；
[0064]5七6口5:計算8(30代=(￥1^11-111；[11)2+(￥11^-11^1)2，如果8(30代〈8(30代1^11進行3七6口6，否則跳轉到Step2;
[0065]Step6:scoremin = score，STmin.1d = ST.1d，跳轉到Step2;
[0066]5七6?7:返回51^11.1(1。
[0067]本發明的機器數據模型演化的自動感知方法，包括以下步驟:
[0068]步驟(I):對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合;統計沖突多重集合中每個沖突所發生的頻率，生成沖突原語集合；
[0069]步驟(2):根據機器當前所指向的機器模型和沖突原語集合，生成機器當前對應的實際機器數據模型；若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍迀，在沖突實例統計中刪除該機器實例所對應的沖突記錄，結束本次檢測;否則，更新該機器實例所對應的沖突原語集合，并進入下一步；
[0070]步驟(3):統計機器當前對應的實際機器數據模型所對應的沖突實例的個數，若個數少于沖突實例個數閾值，結束本次檢測;否則，對機器實例進行模型派生，結束本次檢測。
[0071]具體地，如圖5所示，本發明的機器數據模型演化的自動感知方法，可概括為以下十個步驟:
[0072]Stepl:對某機器實例M—次運行期間所產生的機器數據序列中的每一條機器數據D與該機器實例M當前所指向的機器模型MDM進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合C多；
[0073]Step2:統計沖突多重集合C多中每個沖突所發生的頻率，生成沖突原語集合C原。如果沖突原語集合C原為空，跳轉到Step9，否則進行Step3 ；
[0074]Step3:使用機器當前所指向的機器模型M和沖突原語集合C原生成機器當前真正對應的機器數據模型MDM’ ；
[0075]Step4:檢查MDM’是否存在于當前的機器數據模型庫中，若存在進行Step5，否則跳轉Step6；
[0076]Step5:對機器實例進行模型躍迀，跳轉到Step9 ；
[0077]Step6:更新該機器實例1所對應的沖突記錄；
[0078]Step7:統計機器數據模型MDM ’多對應的沖突實例的個數，若個數少于閾值，跳轉至IjSteplO，否則繼續進行Step8 ；
[0079]Step8:進行模型派生，跳轉至SteplO;
[0080 ] Step9:在沖突實例統計中刪除該機器實例11所對應的沖突記錄；
[0081 ] SteplO:結束本次檢測。
[0082]其中本發明主要包括四個方面的技術工作實現(圖中用①②③④⑤標示):①沖突檢測，②沖突原語生成，③實際模型生成，④模型躍迀，⑤模型派生。具體技術方案如下:
[0083]①沖突檢測
[0084]為了實現機器數據模型演化的自動感知方法，在基于傳感器模板的機器數據模型表示形式、基于傳感器數據的機器數據表示形式和機器數據模型的沖突原語表示方式，提出了一種基于集合論的沖突檢測方法，如圖6所示。
[0085]具體地，首先從機器數據中獲取其所包含的傳感器模板的標識，得到相應的集合Dst;
[0086]然后使用Dst和該機器當前屬于的機器數據模型MDM進行集合運算；令A = Dst-MDM= {ST2.1d}，D=MDM-Dst= {ST3.1d} ,U=MDMH Dst= {ST1.1d,ST4.1d}。
[0087]對于集合A中元素31'2.1(1，以〈(^，111111，31'2.1(1>的形式加入沖突多重集合(^中。
[0088]對于集合D中元素ST3.1d，以<Cd，ST3.1d,null〉的形式加入沖突多重集合(?中。
[0089]對于U中元素，再次進行數據類型和取值范圍檢測，對于ST1.1d，獲取了其數據10.3,以及相應傳感器模板ST1:〈浮點數，5.0?10.0>。10.3不位于5.0?10.0，ST1.id以〈U，ST1.1d，null>的形式加入到沖突多重集合C多中。對于ST4.1d，獲取了其數據12.3，以及相應傳感器模板ST4:〈浮點數，10.0?15.0>，12.3滿足相應的模板，其不向沖突多重集合C多中添加。
[0090]②沖突原語生成
[0091]將獲取沖突多重集合C多轉換成沖突原語。在機器考慮到機器工作環境的惡劣性，設定一個閾值，只有異常數量超過閾值的才會被轉換成沖突原語。
[0092]下面假定沖突多重集合為{〈Ca，null，ST2.1d>，"KCa,null，ST2.1d>,〈Cd，ST3.1d,null>, - -.(Cd, ST3.1d，null> ,〈Cu，STi.id ,null>，…〈(^，STi.id，null>，〈Cu, ST4.id,null>，...<CU,ST4.1d,null)}；
[0093]其中<Ca,null ,ST2.1d> 為 86個，〈Cd，ST3.1d, null〉為93個，〈Cu，ST1.1d, null〉為 23，〈Cu,ST4.1d,nul 1>為2個。該機器數據序列個數n為100，設定的閾值比例￡:為0.1，使用閾值η*ει=10過濾掉惡劣環境所造成的異常后初步得到沖突原語集合C原1。
[0094]在該實例中，初步沖突原語集合C原1為{<Ca，nul I，ST2.id>，〈Cd，ST3.id，nul I >，〈U，ST1.1d,null)}。對C原1中的每一個更新沖突〈Cu，ST*.1d，null>，用本發明提出的傳感器數據的最小覆蓋模板查找方法該機器數據序列中ST*.1d位置的最小覆蓋模板ST*’.1d，然后在C原1使用〈Cu，ST*.1 d，ST* ’.1 d>替換〈Cu，ST*.1 d，nu 11 >。所有更新沖突處理后，得到最終的更新沖突集合⑶彳在該實例中得到的更細沖突集合⑶為!:^，!^^!^^〉，^^^^!!!^
>,<Cu,ST1.1d,ST5.1d>}o
[0095]③實際模型生成
[0096]使用機器當前對應的機器數據模型MDM和機器數據序列的沖突原語集合C原，可以生成該機器數據序列實際上真正對應的機器數據模型MDM’。
[0097]下面結果附圖7，對實際模型生成進行詳細說明。
[0098]首先使用沖突原語集合C原生成集合A和集合D。這兩個集合生成方式如下:
[0099]對C原的每一條增加沖突<Ca ,null, ST*.1d>，將ST*.1d加入到集合A，如圖7中，對于增加沖突<Ca，nul 1,ST2.1d>，ST2.id加入到A中。
[0100]對于(:原的每一條刪除沖突〈(^，31'*.1(1，111111>，將31'*.1(1加入到集合0中，如圖7中，對于刪除沖突〈Cd，ST3.id,null),ST3.id加入到D中。
[0101 ] 對于C原的每一條更新沖突〈U，ST*.1d，SV.1d>，將ST*.1d加入到集合D，將ST* ’.1d加入到集合A，如圖7中，對于更新沖突〈Cu，ST1.1d，ST5.1d>，ST1.1d加入到集合D，ST5.1d加入到集合A中。
[0102]在圖7中，最終得到的集合A為{ST2.1d, ST5.1d}，集合D為{ST3.1d, ST1.1d}。最后通過如下集合運算得到該機器數據序列實際上真正對應的機器數據模型MDM’ =MDMj=MDMUA-D。在圖 7 中，經過 MDM’=MDMU A-D，得到MDM’為{ST4.id, ST2.1d, ST5.1d}。
[0103]④模型躍迀。
[0104]模型躍迀是指機器實例所對應的從一個機器模型切換到另一個機器模型中去。下面結合附圖8，對模型躍迀進行詳細說明。在圖8上半部分所示中，該次檢測之前，該機器實例見當前所對應的機器數據模型為MDM3(時間點最晚的為機器實例當前機器數據模型)。在前面檢測過程中，M1所產生的機器數據序列真正所對應的機器模型為MDM1IDM1存在于機器模型庫中，機器數據模型映射到MDM1，完成了模型躍迀。模型躍迀后，生命周期記錄如圖8下半部分所示，其中^為這次檢測的機器數據序列中最早的時間。
[0105]⑤模型躍迀。
[0106]模型躍迀是指通過現有的機器數據模型衍生出新的機器數據模型。下面結合附圖8，對模型躍迀進行詳細說明。對于機器所發生的沖突，實際模型生成后的機器數據模型不屬于機器數據模型庫，會進行相應的沖突記錄，記錄包含兩部分，一是尚未數據模型庫的機器數據模型，用一個集合CL記錄，CL: (MDM6lMDM7,……}。另外用一個集合CM記錄實例沖突境況，CM: {<Mi ,MDM6.1d, t5>,<M2 ,MDM6.1d, t6>,<M3 ,MDM7.1d, t7>……} <XM中只記錄最新沖突，在實例恢復正常、模型躍迀或者模型派生后，相應的記錄會刪除。
[0107]在進行機型模型派生前，模型派生關系網如圖9左上部分所示。統計CM中對應MDM6的沖突實例個數超過閾值，將MDM6加入到機器數據模型庫L，如圖9右上部分所示。然后查看CM中對應MDM6的沖突記錄，分別進行處理。對于M1，其當前所對應的機器模型為MDM4，增加MDM4到MDM6的派生關系，并對M1按照④進行模型躍迀，并刪除相應的記錄〈Mi ,MDM6.1d, t5>，躍迀后圖9右下部分所示。對于M2，其當前所對應的機器模型為MDM5，增加MDMdIjMDM6的派生關系并對跑按照@進行模型躍迀，并刪除相應的記錄〈12，10^6.丨(1，丨6>，躍迀后圖9左下部分所示。
[0108]必須強調的是，在此處兩個實例是說明的示例，在真實情況，模型派生時映射到相應的模型中的機器實例的個數為閾值個且遠遠多于兩個。在CM中所有對應MDM6的沖突記錄處理完成后，從CL中刪除MDM6 ο此時CL為{MDM7，……}，CM為{<M3，MDM7.1d，t7>……}。
[0109]在本發明的感知方法中，首先對機器數據序列進行沖突檢測，并生成沖突原語;借助于集合運算獲取機器數據序列所真正對應的機器數據模型;并在真正的機器數據模型上進行模型躍迀或模型派生，從而實現了機器數據模型演化的自動感知;基于該方法，本發明自動構建出機器數據模型派生關系網絡，記錄了機器數據模型演化過程，為產品下一步的研發提供數據基礎;在數據的基礎上，能夠獲取機器實例的整個生命周期，不同生命周期階段的數據之間能夠進行規約或擴展，進而實現對整個生命周期的數據的統一分析。
[0110]本發明的基于機器數據模型演化的自動感知方法的裝置，包括:
[0111]沖突檢測模塊，其被配置為對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合;統計沖突多重集合中每個沖突所發生的頻率，生成沖突原語集合；
[0112]模型躍迀模塊，其被配置為根據機器當前所指向的機器模型和沖突原語集合，生成機器當前對應的實際機器數據模型;若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍迀，在沖突實例統計中刪除該機器實例所對應的沖突記錄；
[0113]模型派生模塊，其被配置為機器當前對應的實際機器數據模型不存在于當前的機器數據模型庫中，更新該機器實例所對應的沖突原語集合，統計機器當前對應的實際機器數據模型所對應的沖突實例的個數，若沖突實例的個數大于或等于沖突實例個數閾值，對機器實例進行模型派生。
[0114]其中，模型派生模塊還包括沖突原語集合更新模塊，所述沖突原語集合更新模塊包括:
[0115]最小覆蓋模板查找模塊，其被配置為采用最小覆蓋模板查找方法來獲取最小覆蓋模板；
[0116]更新替換模塊，其被配置為將得到的最小覆蓋模板來替換沖突原語集合中待更新的元素。
[0117]在本發明的基于機器數據模型演化的自動感知方法的裝置，借助于集合運算獲取機器數據序列所真正對應的機器數據模型;并在真正的機器數據模型上進行模型躍迀或模型派生，從而實現了機器數據模型演化的自動感知;本發明還記錄了機器數據模型演化過程，為產品下一步的研發提供數據基礎;在數據的基礎上，能夠獲取機器實例的整個生命周期，不同生命周期階段的數據之間能夠進行規約或擴展，進而實現對整個生命周期的數據的統一分析。
[0118]上述雖然結合附圖對本發明的【具體實施方式】進行了描述，但并非對本發明保護范圍的限制，所屬領域技術人員應該明白，在本發明的技術方案的基礎上，本領域技術人員不需要付出創造性勞動即可做出的各種修改或變形仍在本發明的保護范圍以內。
【主權項】
1.一種機器數據模型演化的自動感知方法，其特征在于，包括以下步驟: 步驟(I):對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合;統計沖突多重集合中每個沖突所發生的頻率，生成沖突原語集合； 步驟(2):根據機器當前所指向的機器模型和沖突原語集合，生成機器當前對應的實際機器數據模型；若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍迀，在沖突實例統計中刪除該機器實例所對應的沖突記錄，結束本次檢測;否則，更新該機器實例所對應的沖突原語集合，并進入下一步； 步驟(3):統計機器當前對應的實際機器數據模型所對應的沖突實例的個數，若個數少于沖突實例個數閾值，結束本次檢測;否則，對機器實例進行模型派生，結束本次檢測。2.如權利要求1所述的一種機器數據模型演化的自動感知方法，其特征在于，所述步驟(1)中，每個機器數據模型包含若干個傳感器模板;所述傳感器模板包含所述機器數據模型中每個傳感器獲取數據的屬性;所述沖突原語集合中的元素為沖突原語，每個沖突原語采用沖突類型、原傳感器模板和更新后的傳感器模板組成的三元組來表示。3.如權利要求1所述的一種機器數據模型演化的自動感知方法，其特征在于，一個機器實例在不同的運行期間時間段映射到不同的機器數據模型。4.如權利要求1所述的一種機器數據模型演化的自動感知方法，其特征在于，所述步驟(2)中，若沖突原語集合為空，則在沖突實例統計中刪除該機器實例所對應的沖突記錄。5.如權利要求1所述的一種機器數據模型演化的自動感知方法，其特征在于，機器數據序列的長度由機器實例一次運行的時間所決定。6.如權利要求2所述的一種機器數據模型演化的自動感知方法，其特征在于，所述沖突類型包括增加沖突、刪除沖突和更新沖突，所述增加沖突為機器數據中包含不在機器數據模型中的數據;所述刪除沖突為機器數據中缺少機器數據模型中所需的數據;所述更新沖突為機器數據中的某個傳感器數據與相應的傳感器模板數據類型不符，或者數值不在傳感器模板的取值范圍內。7.如權利要求2所述的一種機器數據模型演化的自動感知方法，其特征在于，所述步驟(2)中，更新機器實例所對應的沖突原語集合的過程，包括: 采用最小覆蓋模板查找方法來獲取最小覆蓋模板； 將得到的最小覆蓋模板來替換沖突原語集合中待更新的元素。8.如權利要求7所述的一種機器數據模型演化的自動感知方法，其特征在于，最小覆蓋模板滿足下列條件: 最小覆蓋模板取值范圍涵蓋所有傳感器數據的值； 最小覆蓋模板取值范圍最小值與數據最小值之差、取值范圍最小值與數據最大值之差的平方之和最小。9.一種基于如權利要求1-8任一所述的機器數據模型演化的自動感知方法的裝置，其特征在于，包括: 沖突檢測模塊，其被配置為對機器實例一次運行期間所產生的機器數據序列中的每一條機器數據與該機器實例當前所指向的機器模型進行沖突檢測，獲取機器數據與機器數據模型之間的沖突多重集合;統計沖突多重集合中每個沖突所發生的頻率，生成沖突原語集合； 模型躍迀模塊，其被配置為根據機器當前所指向的機器模型和沖突原語集合，生成機器當前對應的實際機器數據模型;若機器當前對應的實際機器數據模型存在于當前的機器數據模型庫中，則對機器實例進行模型躍迀，在沖突實例統計中刪除該機器實例所對應的沖突記錄； 模型派生模塊，其被配置為機器當前對應的實際機器數據模型不存在于當前的機器數據模型庫中，更新該機器實例所對應的沖突原語集合，統計機器當前對應的實際機器數據模型所對應的沖突實例的個數，若沖突實例的個數大于或等于沖突實例個數閾值，對機器實例進行模型派生。10.如權利要求9所述的裝置，其特征在于，所述模型派生模塊還包括沖突原語集合更新模塊，所述沖突原語集合更新模塊包括: 最小覆蓋模板查找模塊，其被配置為采用最小覆蓋模板查找方法來獲取最小覆蓋模板； 更新替換模塊，其被配置為將得到的最小覆蓋模板來替換沖突原語集合中待更新的元素。
【文檔編號】G06F15/18GK105955922SQ201610247396
【公開日】2016年9月21日
【申請日】2016年4月20日
【發明人】嵇存, 劉士軍, 潘麗, 楊承磊, 孟祥旭, 武蕾, 郭山清
【申請人】山東大學