本公开提供了一种基于复合传感器的设备异常监测方法及系统，在待检测设备的电路上选取若干个点作为监控点，分别在每个监控点上获取多维数据，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列，根据各个监控时刻以及多维数据序列计算得到下一个监控时刻，根据多维数据序列计算得到跳跃阈值，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值计算待检测多维数据是否存在异常，实现了根据多时刻的多维数据快速定位出设备的异常，动态计算得到阈值，大幅度提高了设备异常检测的准确性的有益效果。
1.一种基于复合传感器的设备异常监测方法，其特征在于，所述方法包括以下步骤：
S100，在待检测设备上选取若干个点作为监控点，于监控点上获取数据；
S200，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组；
S300，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列；
S400，根据各个监控时刻以及多维数据序列，计算得到后一个监控时刻；
S600，于后一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常；
其中，在S200中，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组的方法具体为：在同一时刻，从所有的监控点上获取得到一个多维数据，一个多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的一个数组；在多维数据中，声音数据为由在各个监控点上将通过音量检测仪获取的响度数值的算术平均数与通过声音测试仪获取的频率数值的算术平均数进行计算得到的一个数值，记响度数值的算术平均数为d，频率数值的算术平均数为f，声音数据为vo，vo的计算公式为vo=0.618*d+(1‑0.618)*f，由此得到声音数据为vo的数值；在多维数据中，温度数据为在各个监控点上通过温度传感器获取的监控点处的温度的数值的算术平均数，震动信号为在各个监控点上通过三轴加速度传感器在监控点处上获取的加速度的数值的算术平均数，电压值为在各个监控点上通过电压传感器在监控点上获取的该点电压的数值的算术平均数，电流值为在各个监控点上通过电流传感器在监控点上获取的该点电流的数值的算术平均数；
其中，在S300中，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列的方法为：记选取的多个不同的监控时刻的数量为n，其中各个监控时刻的按时间先后顺序的序号为i，其中序号为i的监控时刻记为tim(i)，i∈[1,n]，将各个监控时刻获取的多维数据组成的序列作为多维数据序列，多维数据序列中元素的数量与监控时刻的数量对应一致，且多维数据序列中元素的序号与监控时刻的序号对应一致，多维数据序列中元素的数量同样为n，多维数据序列中元素的序号同样为i，多维数据序列记作序列Mulseq，多维数据序列中序号为i的元素记为Mulseq(i)，Mulseq(i)中的声音数据记为vo(i)，Mulseq(i)中的温度数据记为t(i)，Mulseq(i)中的震动信号记为z(i)，Mulseq(i)中的电压值记为y(i)，Mulseq(i)中的电流值记为a(i)，依次地有Mulseq(i)=[vo(i), t(i), z(i), y(i), a(i)]，由此得到多维数据序列；
其中，在S400中，根据各个监控时刻以及多维数据序列，计算得到后一个监控时刻的方法为：
根据n个监控时刻，计算n个监控时刻的监控时刻步伐，记n个监控时刻的监控时刻步伐为pas(n)，pas(n)的计算公式为：其中，tim(i+1)‑tim(i)表示监控时刻tim(i)与其下一个监控时刻tim(i+1)之间的时间的间隔；
在序号为n的监控时刻即tim(n)，根据多维数据序列，计算n个监控时刻内的步伐比例，记n个监控时刻内的步伐比例为fot(n)，fot(n)的计算公式为：其中，函数f()为步伐函数，步伐函数为计算序列或信号中各个数值之间变动的幅度的函数，f(vo)的计算公式为：f(t)的计算公式为：
函数Squd()的计算过程具体为：在函数Squd()中，获取输入到函数Squd()中的输入的数值的项数为s，输入的数值的项数即向函数Squd()中输入了多少项的数值的数量，计算p得到(f(vo)*f(t)*f(z)*f(y)*f(a)) 的数值，其中的次方数为变量p，p的数值的计算公式为p=(s)/(s+1)，由此得到fot(n)的计算结果即为步伐比例；
根据n个监控时刻的监控时刻步伐以及n个监控时刻内的步伐比例，计算后一个监控时刻：后一个监控时刻为已有的n个监控时刻的后一个监控时刻，则记后一个监控时刻为tim(n+1)，tim(n+1)的计算公式为：tim(n)+fot(n)*pas(n)表示在tim(n)的基础上加上fot(n)*pas(n)的时间长度得到后一个监控时刻；
其中，在S500中，根据多维数据序列，计算得到跳跃阈值的方法为：
计算多维数据序列中的各个多维数据中的声音数据的算术平均数作为vo(a)，计算多维数据序列中的各个多维数据中的温度数据的算术平均数作为t(a),计算多维数据序列中的各个多维数据中的震动信号的算术平均数作为z(a),计算多维数据序列中的各个多维数据中的电压值的算术平均数作为y(a),计算多维数据序列中的各个多维数据中的电流值的算术平均数作为a(a),跳跃阈值由为由声音数据阈值、温度数据阈值、震动信号阈值、电压值阈值以及电流值阈值组成的一个数组，记跳跃阈值为数组Mulimit，其中有，声音数据阈值记为vo(li)、温度数据阈值记为t(li)、震动信号阈值记为z(li)、电压值阈值记为y(li)以及电流值阈值记为a(li)；
其中，vo(li)= vo(a)* fot(n) ，t(li)= t(a)* fot(n) ，z(li)= z(a)* fot(n) ，y(li)= y(a)* fot(n) ，a(li)= a(a)* fot(n) ，由此得到跳跃阈值；
其中，在后一个监控时刻tim(n+1)从所有的监控点上获取得到一个多维数据作为待检测多维数据记作Mulseq(n+1)。
2.根据权利要求1所述的一种基于复合传感器的设备异常监测方法，其特征在于，在S100中，获取待检测设备，在待检测设备上选取若干个点作为监控点，于监控点上获取数据的方法为：所述待检测设备为接电并运行中的机械设备，在待检测设备的电路上选取若干个点其中每一个点作为一个监控点，在每一个监控点上获取数据。
3.根据权利要求1所述的一种基于复合传感器的设备异常监测方法，其特征在于，在S600中，于后一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常的方法为：Mulseq(n+1)中的声音数据记为vo(n+1)，Mulseq(n+1)中的温度数据记为t(n+1)，Mulseq(n+1)中的震动信号记为z(n+1)，Mulseq(n+1)中的电压值记为y(n+1)，Mulseq(n+1)中的电流值记为a(n+1)，进而进行判断是否满足第一约束条件，第一约束条件为满足vo(n+
1)>vo(li)或t(n+1)>t(li)或z(n+1)>z(li)或y(n+1)>y(li)或a(n+1)>a(i)中的任一项或多项，若是满足第一约束条件，则待检测多维数据存在异常，并通过计算机的输出设备进行输出后一个监控时刻tim(n+1)存在异常的信息。
4.一种基于复合传感器的设备异常监测系统，其特征在于，所述一种基于复合传感器的设备异常监测系统包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1‑3中任一项所述的一种基于复合传感器的设备异常监测方法中的步骤，所述一种基于复合传感器的设备异常监测系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
一种基于复合传感器的设备异常监测方法及系统
技术领域
[0001] 本公开属于物性数据智能检测领域，具体涉及一种基于复合传感器的设备异常监测方法及系统。
背景技术
[0002] 复合传感器能够多维度获取待检测设备的多维度数据进行数据检测，多维数据由声音数据、温度数据、震动信号、电压值以及电流值组成，对多个不同时刻采集到的多维数据的计算监测可以高效识别出设备的异常状态。
发明内容
[0003] 本发明的目的在于提出一种基于复合传感器的设备异常监测方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0004] 本公开提供了一种基于复合传感器的设备异常监测方法及系统，在待检测设备上选取若干个点作为监控点，于监控点上获取数据，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列，根据各个监控时刻以及多维数据序列计算得到下一个监控时刻，根据多维数据序列计算得到跳跃阈值，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值计算待检测多维数据是否存在异常。
[0005] 为了实现上述目的，根据本公开的一方面，提供一种基于复合传感器的设备异常监测方法，所述方法包括以下步骤：
[0006] S100，在待检测设备上选取若干个点作为监控点，于监控点上获取数据；
[0007] S200，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组；
[0008] S300，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列；
[0009] S400，根据各个监控时刻以及多维数据序列，计算得到下一个监控时刻；
[0010] S500，根据多维数据序列，计算得到跳跃阈值；
[0011] S600，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常。
[0012] 进一步地，在S100中，获取待检测设备，在待检测设备上选取若干个点作为监控点，于监控点上获取数据的方法为：所述待检测设备为接电并运行中的机械设备，机械设备至少包括数控机床，在待检测设备的电路上选取若干个点其中每一个点作为一个监控点，在每一个监控点上获取数据，获取的数据包括声音数据、温度数据、震动信号、电压值以及电流值。
[0013] 进一步地，在S200中，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组的方法具体为：在同一时刻，从所有的监控点上获取得到一个多维数据，一个多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的一个数组；在多维数据中，因为电路也是在待测设备上，声音在整个待测设备包括其电路上皆可通过导线的振动进行传播，监控点上声音数据表示处在该监控点上接收到的周围传来的振动波，声音数据为由在各个监控点上将通过音量检测仪获取的响度数值（单位为分贝）的算术平均数与通过声音测试仪获取的频率数值（单位为赫兹）的算术平均数进行计算得到的一个数值，记响度数值的算术平均数为d，频率数值的算术平均数为f，声音数据为vo，vo的计算公式为vo=0.618*d+(1‑0.618)*f，由此得到声音数据为vo的数值；在多维数据中，温度数据为在各个监控点上通过温度传感器获取的监控点处的温度（单位为摄氏度）的数值的算术平均数，震动信号为在各个监控点上通过三轴加速度传感器在监控点获取的加速度（单位为m/s²）的数值的算术平均数，电压值为在各个监控点上通过电压传感器在监控点上获取的该点电压（单位为伏特）的数值的算术平均数，电流值为在各个监控点上通过电流传感器在监控点上获取的该点电流（单位为安倍）的数值的算术平均数。
[0014] 进一步地，在S300中，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列的方法为：
[0015] 记选取的多个不同的监控时刻的数量为n，其中各个监控时刻的按时间先后顺序的序号为i，其中序号为i的监控时刻记为tim(i)，i∈[1,n]，将各个监控时刻获取的多维数据组成的序列作为多维数据序列，多维数据序列中元素的数量与监控时刻的数量对应一致，且多维数据序列中元素的序号与监控时刻的序号对应一致，多维数据序列中元素的数量同样为n，多维数据序列中元素的序号同样为i，多维数据序列记作序列Mulseq，多维数据序列中序号为i的元素记为Mulseq(i)，Mulseq(i)中的声音数据记为vo(i)，Mulseq(i)中的温度数据记为t(i)，Mulseq(i)中的震动信号记为z(i)，Mulseq(i)中的电压值记为y(i)，Mulseq(i)中的电流值记为a(i)，依次地有Mulseq(i)=[vo(i), t(i), z(i), y(i), a(i)]，由此得到多维数据序列。
[0016] 进一步地，在S400中，根据各个监控时刻以及多维数据序列，计算得到下一个监控时刻的方法为：
[0017] 根据n个监控时刻，计算n个监控时刻的监控时刻步伐，记n个监控时刻的监控时刻步伐为pas(n)，pas(n)的计算公式为：
[0018]
[0019] 其中，tim(i+1)‑tim(i)表示监控时刻tim(i)与其下一个监控时刻tim(i+1)之间的时间的间隔；
[0020] 在序号为n的监控时刻即tim(n)，根据多维数据序列，计算n个监控时刻内的步伐比例，记n个监控时刻内的步伐比例为fot(n)，fot(n)的计算公式为：
[0021]
[0022] 其中，函数f()为步伐函数，步伐函数为计算序列或信号中各个数值之间变动的幅度的函数，f(vo)的计算公式为：
[0023]
[0024] f(t)的计算公式为：
[0025]
[0026] f(z)的计算公式为：
[0027]
[0028] f(y)的计算公式为：
[0029]
[0030] f(a)的计算公式为：
[0031]
[0032] 函数Squd()的计算过程具体为：在函数Squd()中，获取输入到函数Squd()中的输入的数值的项数为s，输入的数值的项数即向函数Squd()中输入了多少项的数值的数量，p计算得到(f(vo)*f(t)*f(z)*f(y)*f(a)) 的数值，其中的次方数为变量p，p的数值的计算公式为p=(s)/(s+1)，由此得到fot(n)的计算结果即为步伐比例，计算得到n个监控时刻内的步伐比例的有益效果为，由于各个步伐间存在着不确定性概率的数值之间变动的幅度，如果不准确拟合各步伐间的幅度的概率则会导致监控的失效从而无法探测出特定的设备的异常情况，而fot(n)的计算方法提供了一种高速度并低时耗的准确拟合各步伐间的幅度的概率的解决方法，有效保障设备的监控的准确性；
[0033] 根据n个监控时刻的监控时刻步伐以及n个监控时刻内的步伐比例，计算下一个监控时刻：下一个监控时刻为已有的n个监控时刻的下一个监控时刻，则记下一个监控时刻为tim(n+1)，tim(n+1)的计算公式为：
[0034]
[0035] tim(n)+fot(n)*pas(n)表示在tim(n)的基础上加上fot(n)*pas(n)的时间长度得到下一个监控时刻。
[0036] 进一步地，在S500中，根据多维数据序列，计算得到跳跃阈值的方法为：
[0037] 计算多维数据序列中的各个多维数据中的声音数据的算术平均数作为vo(a)，[0038] 计算多维数据序列中的各个多维数据中的温度数据的算术平均数作为t(a),[0039] 计算多维数据序列中的各个多维数据中的震动信号的算术平均数作为z(a),[0040] 计算多维数据序列中的各个多维数据中的电压值的算术平均数作为y(a),[0041] 计算多维数据序列中的各个多维数据中的电流值的算术平均数作为a(a),[0042] 跳跃阈值由为由声音数据阈值、温度数据阈值、震动信号阈值、电压值阈值以及电流值阈值组成的一个数组，记跳跃阈值为数组Mulimit，其中有，声音数据阈值记为vo(li)、温度数据阈值记为t(li)、震动信号阈值记为z(li)、电压值阈值记为y(li)以及电流值阈值记为a(li)；
[0043] 其中，vo(li)= vo(a)* fot(n) ，t(li)= t(a)* fot(n) ，z(li)= z(a)* fot(n) ，y(li)= y(a)* fot(n) ，a(li)= a(a)* fot(n) ，由此得到跳跃阈值。
[0044] 进一步地，在S600中，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常的方法为：
[0045] 在下一个监控时刻tim(n+1)，在监控时刻tim(n+1)从所有的监控点上获取得到一个多维数据作为待检测多维数据记作Mulseq(n+1)，Mulseq(n+1)中的声音数据记为vo(n+1)，Mulseq(n+1)中的温度数据记为t(n+1)，Mulseq(n+1)中的震动信号记为z(n+1)，Mulseq(n+1)中的电压值记为y(n+1)，Mulseq(n+1)中的电流值记为a(n+1)，进而进行判断是否满足第一约束条件，第一约束条件为满足vo(n+1)>vo(li)或t(n+1)>t(li)或z(n+1)>z(li)或y(n+1)>y(li)或a(n+1)>a(i)中的任一项或多项，若是满足第一约束条件，则待检测多维数据存在异常，并通过计算机的输出设备进行输出监控时刻tim(n+1)存在异常的信息。
[0046] 本公开还提供了一种基于复合传感器的设备异常监测系统，所述一种基于复合传感器的设备异常监测系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于复合传感器的设备异常监测方法中的步骤以此控制复合传感器的设备异常监测，所述一种基于复合传感器的设备异常监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
[0047] 监控点数据获取单元，用于在待检测设备上选取若干个点作为监控点，于监控点上获取数据；
[0048] 多维数据获取单元，用于分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组；
[0049] 多维数据序列获取单元，用于选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列；
[0050] 下一个监控时刻计算单元，用于根据各个监控时刻以及多维数据序列，计算得到下一个监控时刻；
[0051] 跳跃阈值计算单元，用于根据多维数据序列，计算得到跳跃阈值；
[0052] 异常检测单元，用于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常。
[0053] 本公开的有益效果为：本公开提供了一种基于复合传感器的设备异常监测方法及系统，在待检测设备上选取若干个点作为监控点，于监控点上获取数据，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列，根据各个监控时刻以及多维数据序列计算得到下一个监控时刻，根据多维数据序列计算得到跳跃阈值，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值计算待检测多维数据是否存在异常，实现了根据多时刻的多维数据快速定位出设备的异常，动态计算得到阈值，大幅度提高了设备异常检测的准确性的有益效果。
附图说明
[0054] 通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
[0055] 图1所示为一种基于复合传感器的设备异常监测方法的流程图；
[0056] 图2所示为一种基于复合传感器的设备异常监测系统的系统结构图。
具体实施方式
[0057] 以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0058] 在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
[0059] 如图1所示为根据本发明的一种基于复合传感器的设备异常监测方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于复合传感器的设备异常监测方法及系统。
[0060] 本公开提出一种基于复合传感器的设备异常监测方法，所述方法具体包括以下步骤：
[0061] S100，在待检测设备上选取若干个点作为监控点，于监控点上获取数据；
[0062] S200，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组；
[0063] S300，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列；
[0064] S400，根据各个监控时刻以及多维数据序列，计算得到下一个监控时刻；
[0065] S500，根据多维数据序列，计算得到跳跃阈值；
[0066] S600，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常。
[0067] 进一步地，在S100中，获取待检测设备，在待检测设备上选取若干个点作为监控点，于监控点上获取数据的方法为：所述待检测设备为接电并运行中的机械设备，所述机械设备包括工程机械、数控机床、电工机械与机床中的任一种或多种，在待检测设备的电路上选取若干个点其中每一个点作为一个监控点，在每一个监控点上获取数据。
[0068] 进一步地，在S200中，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组的方法具体为：在同一时刻，从所有的监控点上获取得到一个多维数据，一个多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的一个数组；在多维数据中，声音数据为由在各个监控点上将通过音量检测仪获取的响度数值（单位为分贝）的算术平均数与通过声音测试仪获取的频率数值（单位为赫兹）的算术平均数进行计算得到的一个数值，记响度数值的算术平均数为d，频率数值的算术平均数为f，声音数据为vo，vo的计算公式为vo=0.618*d+(1‑0.618)*f，由此得到声音数据为vo的数值；在多维数据中，温度数据为在各个监控点上通过温度传感器获取的监控点处的温度（单位为摄氏度）的数值的算术平均数，震动信号为在各个监控点上通过三轴加速度传感器在监控点上获取的加速度（单位为m/s²）的数值的算术平均数，电压值为在各个监控点上通过电压传感器在监控点上获取的该点电压（单位为伏特）的数值的算术平均数，电流值为在各个监控点上通过电流传感器在监控点上获取的该点电流（单位为安倍）的数值的算术平均数。
[0069] 进一步地，在S300中，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列的方法为：
[0070] 记选取的多个不同的监控时刻的数量为n，其中各个监控时刻的按时间先后顺序的序号为i，其中序号为i的监控时刻记为tim(i)，i∈[1,n]，将各个监控时刻获取的多维数据组成的序列作为多维数据序列，多维数据序列中元素的数量与监控时刻的数量对应一致，且多维数据序列中元素的序号与监控时刻的序号对应一致，多维数据序列中元素的数量同样为n，多维数据序列中元素的序号同样为i，多维数据序列记作序列Mulseq，多维数据序列中序号为i的元素记为Mulseq(i)，Mulseq(i)中的声音数据记为vo(i)，Mulseq(i)中的温度数据记为t(i)，Mulseq(i)中的震动信号记为z(i)，Mulseq(i)中的电压值记为y(i)，Mulseq(i)中的电流值记为a(i)，依次地有Mulseq(i)=[vo(i), t(i), z(i), y(i), a(i)]，由此得到多维数据序列。
[0071] 进一步地，在S400中，根据各个监控时刻以及多维数据序列，计算得到下一个监控时刻的方法为：
[0072] 根据n个监控时刻，计算n个监控时刻的监控时刻步伐，记n个监控时刻的监控时刻步伐为pas(n)，pas(n)的计算公式为：
[0073]
[0074] 其中，tim(i+1)‑tim(i)表示监控时刻tim(i)与其下一个监控时刻tim(i+1)之间的时间的间隔；
[0075] 在序号为n的监控时刻即tim(n)，根据多维数据序列，计算n个监控时刻内的步伐比例，记n个监控时刻内的步伐比例为fot(n)，fot(n)的计算公式为：
[0076]
[0077] 其中，函数f()为步伐函数，步伐函数为计算序列或信号中各个数值之间变动的幅度的函数，f(vo)的计算公式为：
[0078]
[0079] f(t)的计算公式为：
[0080]
[0081] f(z)的计算公式为：
[0082]
[0083] f(y)的计算公式为：
[0084]
[0085] f(a)的计算公式为：
[0086]
[0087] 函数Squd()的计算过程具体为，获取输入到函数Squd()中的步伐函数计算结果p的数量为s，计算得到s=(f(vo)*f(t)*f(z)*f(y)*f(a))的数值，其中的次方数为变量p，p的数值的计算公式为p=(s)/(s+1)，由此得到fot(n)的计算结果即为步伐比例；
[0088] 根据n个监控时刻的监控时刻步伐以及n个监控时刻内的步伐比例，计算下一个监控时刻：下一个监控时刻为已有的n个监控时刻的下一个监控时刻，则记下一个监控时刻为tim(n+1)，tim(n+1)的计算公式为：
[0089]
[0090] tim(n)+fot(n)*pas(n)表示在tim(n)的基础上加上fot(n)*pas(n)的时间长度得到下一个监控时刻。
[0091] 进一步地，在S500中，根据多维数据序列，计算得到跳跃阈值的方法为：
[0092] 计算多维数据序列中的各个多维数据中的声音数据的算术平均数作为vo(a)，[0093] 计算多维数据序列中的各个多维数据中的温度数据的算术平均数作为t(a),[0094] 计算多维数据序列中的各个多维数据中的震动信号的算术平均数作为z(a),[0095] 计算多维数据序列中的各个多维数据中的电压值的算术平均数作为y(a),[0096] 计算多维数据序列中的各个多维数据中的电流值的算术平均数作为a(a),[0097] 跳跃阈值由为由声音数据阈值、温度数据阈值、震动信号阈值、电压值阈值以及电流值阈值组成的一个数组，记跳跃阈值为数组Mulimit，其中有，声音数据阈值记为vo(li)、温度数据阈值记为t(li)、震动信号阈值记为z(li)、电压值阈值记为y(li)以及电流值阈值记为a(li)；
[0098] 其中，vo(li)= vo(a)* fot(n) ，t(li)= t(a)* fot(n) ，z(li)= z(a)* fot(n) ，y(li)= y(a)* fot(n) ，a(li)= a(a)* fot(n) ，由此得到跳跃阈值。
[0099] 进一步地，在S600中，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常的方法为：
[0100] 在下一个监控时刻tim(n+1)，在监控时刻tim(n+1)从所有的监控点上获取得到一个多维数据作为待检测多维数据记作Mulseq(n+1)，Mulseq(n+1)中的声音数据记为vo(n+1)，Mulseq(n+1)中的温度数据记为t(n+1)，Mulseq(n+1)中的震动信号记为z(n+1)，Mulseq(n+1)中的电压值记为y(n+1)，Mulseq(n+1)中的电流值记为a(n+1)，进而进行判断是否满足第一约束条件，第一约束条件为满足vo(n+1)>vo(li)或t(n+1)>t(li)或z(n+1)>z(li)或y(n+1)>y(li)或a(n+1)>a(i)中的任一项或多项，若是满足第一约束条件，则待检测多维数据存在异常，并通过计算机的输出设备进行输出监控时刻tim(n+1)存在异常的信息。
[0101] 所述一种基于复合传感器的设备异常监测系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于复合传感器的设备异常监测方法实施例中的步骤，所述一种基于复合传感器的设备异常监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
[0102] 本公开的实施例提供的一种基于复合传感器的设备异常监测系统，如图2所示，该实施例的一种基于复合传感器的设备异常监测系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于复合传感器的设备异常监测方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
[0103] 监控点数据获取单元，用于在待检测设备上选取若干个点作为监控点，于监控点上获取数据；
[0104] 多维数据获取单元，用于分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组；
[0105] 多维数据序列获取单元，用于选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列；
[0106] 下一个监控时刻计算单元，用于根据各个监控时刻以及多维数据序列，计算得到下一个监控时刻；
[0107] 跳跃阈值计算单元，用于根据多维数据序列，计算得到跳跃阈值；
[0108] 异常检测单元，用于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值，计算待检测多维数据是否存在异常。
[0109] 所述一种基于复合传感器的设备异常监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种基于复合传感器的设备异常监测系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于复合传感器的设备异常监测方法及系统的示例，并不构成对一种基于复合传感器的设备异常监测方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于复合传感器的设备异常监测系统还可以包括输入输出设备、网络接入设备、总线等。
[0110] 所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field‑Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于复合传感器的设备异常监测系统的控制中心，利用各种接口和线路连接整个一种基于复合传感器的设备异常监测系统的各个分区域。
[0111] 所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于复合传感器的设备异常监测方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0112] 本公开提供了一种基于复合传感器的设备异常监测方法及系统，在待检测设备上选取若干个点作为监控点，于监控点上获取数据，分别在每个监控点上获取多维数据，多维数据为由声音数据、温度数据、震动信号、电压值以及电流值组成的数组，选取多个不同的时刻作为监控时刻，于各个监控时刻分别在各个监控点上获取多维数据组成多维数据序列，根据各个监控时刻以及多维数据序列计算得到下一个监控时刻，根据多维数据序列计算得到跳跃阈值，于下一个监控时刻分别在各个监控点上获取多维数据作为待检测多维数据，根据跳跃阈值计算待检测多维数据是否存在异常，实现了根据多时刻的多维数据快速定位出设备的异常，动态计算得到阈值，大幅度提高了设备异常检测的准确性的有益效果。
[0113] 尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
