物聯(lián)網(wǎng)數據分析體系建設
1.“Cloud-edge-end”架構在用于下一代信息基礎設施的物聯(lián)網(wǎng)架構中，數據處理和基于數據的智能服務(wù)變得越來(lái)越重要。在過(guò)去的兩年里，出現了一個(gè)名為“邊緣計算”的熱詞，這意味著(zhù)簡(jiǎn)單的計算和分析過(guò)程需要更貼近終端設備，以確保數據數據的實(shí)時(shí)處理。它還降低了數據傳輸的風(fēng)險。最近，出現了一個(gè)新的熱門(mén)詞，稱(chēng)為“云端協(xié)作”。其含義與邊緣計算沒(méi)有太大區別。它只強調“云端到端”的架構。終端負責全面感知，邊緣負責本地數據。分析和推理，而云收集所有邊緣感知數據，業(yè)務(wù)數據和互聯(lián)網(wǎng)數據，以完成行業(yè)和行業(yè)的態(tài)勢感知和分析。
基于A(yíng)I的智能服務(wù)貫穿云端端架構。在傳感終端中，AI技術(shù)旨在提高綜合感知的靈敏度，準確性和人機交互以及對象交互。通過(guò)芯片實(shí)時(shí)，也簡(jiǎn)單的邏輯推理。
在邊緣，AI技術(shù)主要負責收集域中的本地數據和相關(guān)業(yè)務(wù)數據，完成感知數據的分析和推理，并將相關(guān)的分析結果或模型傳輸到感應終端實(shí)現感知。終端與邊緣云之間的協(xié)作，同時(shí)，邊緣云和邊緣云也可以通過(guò)網(wǎng)絡(luò )共享數據，資源，算法等，完成邊緣云之間的相互協(xié)作。
在云端，不僅需要提供與云計算相關(guān)的存儲，計算，網(wǎng)絡(luò )，邊緣云等安全資源，還需要收集和整合所有數據，提供基于全局數據的智能服務(wù)，包括智能調度，運營(yíng)和維護，宏觀(guān)決策等。
云中心專(zhuān)注于全球，非實(shí)時(shí)，長(cháng)周期大數據處理和分析，并可在長(cháng)期維護中發(fā)揮優(yōu)勢，商業(yè)決策支持等領(lǐng)域。
邊緣計算更適合于本地，實(shí)時(shí)，短周期的數據處理和分析，并且可以更好地支持實(shí)時(shí)智能決策和本地服務(wù)的執行。邊緣計算和云中心是互補和協(xié)同的。邊緣云協(xié)作將放大邊緣計算和云計算的應用價(jià)值：邊緣計算接近執行單元，它是云所需的高價(jià)值數據的獲取和初步處理單元。云支持云應用;相反，通過(guò)大數據分析和處理優(yōu)化輸出的云計算的業(yè)務(wù)規則或模型可以被傳遞到邊緣，并且邊緣計算基于新的業(yè)務(wù)規則或模型。
除了邊緣云協(xié)作，云互聯(lián)和云網(wǎng)絡(luò )融合也成為重要趨勢，指的是云中心之間的互聯(lián)和共享，包括動(dòng)態(tài)調整服務(wù)資源，合理分配計算資源和定制。業(yè)務(wù)互操作性等
2，物聯(lián)網(wǎng)中的知識地圖
上面說(shuō)人工智能是通過(guò)“云端”整體架構，關(guān)于物聯(lián)網(wǎng)中的人工智能和知識地圖，我認為有幾點(diǎn)：
語(yǔ)義對象＃所謂的語(yǔ)義對象關(guān)聯(lián)是通過(guò)語(yǔ)義建模建立一套標準的物聯(lián)網(wǎng)語(yǔ)義，并具有對象的屬性，狀態(tài)，動(dòng)作和能力的標準規范，可以實(shí)現對象。描述，分析，注冊，訪(fǎng)問(wèn)和識別以解決諸如對象是什么，在哪里以及如何使用等問(wèn)題。
圖使能能##;所謂的地圖啟用是建立一個(gè)語(yǔ)義網(wǎng)絡(luò )，一個(gè)類(lèi)似于知識地圖的能力圖，實(shí)現各種感知數據的融合和文章能力的規范整合，基于對象的描述，做“對象發(fā)現”以及對象和功能的集成。
知識規則＃;知識規則和能力圖的建立構成了完整的知識地圖模型，以完成感知數據和商業(yè)數據的整合。建立以業(yè)務(wù)知識為核心的規則引擎，實(shí)時(shí)完成簡(jiǎn)單邏輯的分析和推理。
學(xué)習深化
整合全局感知數據，業(yè)務(wù)數據和互聯(lián)網(wǎng)數據，基于規則引擎，使用連接主義學(xué)習加深思想學(xué)習和推理隱藏知識，現有規則引擎完善實(shí)現自動(dòng)學(xué)習。
3，物聯(lián)網(wǎng)數據數據分析
關(guān)于物聯(lián)網(wǎng)數據數據中常見(jiàn)的數據，應用程序，模型和模型，借用互聯(lián)網(wǎng)上的描述，略有歸納：
我們從新一代架構中描述的數據主要包括物聯(lián)網(wǎng)數據，業(yè)務(wù)數據和互聯(lián)網(wǎng)數據。在這里，我們專(zhuān)注于物聯(lián)網(wǎng)數據。
＃1;
（1）物聯(lián)網(wǎng)數據
數據分類(lèi)
靜態(tài)數據和動(dòng)態(tài)數據
在數據變化方面，物聯(lián)網(wǎng)數據可分為靜態(tài)數據和動(dòng)態(tài)數據靜態(tài)數據主要是標簽類(lèi)，地址類(lèi)數據，RFID生成的數據大多是靜態(tài)數據，靜態(tài)數據大多存儲在結構化的關(guān)系數據庫中;動(dòng)態(tài)數據是時(shí)間序列數據，IoT動(dòng)態(tài)數據特征是每個(gè)數據與時(shí)間一一對應，這種關(guān)系在數據處理中尤為重要。這種數據存儲通常存儲在時(shí)間序列數據庫中。
靜態(tài)數據會(huì )隨著(zhù)傳感器和控制設備數量的增加而增加;動(dòng)態(tài)數據不僅隨著(zhù)設備數量的增加而增加，傳感器的數量也會(huì )增加，而且還會(huì )隨著(zhù)時(shí)間的推移而增加。
無(wú)論靜態(tài)數據還是動(dòng)態(tài)數據，物聯(lián)網(wǎng)1.0中的數據增長(cháng)都是線(xiàn)性的，而不是指數級的，但由于物聯(lián)網(wǎng)動(dòng)態(tài)數據是連續的，因此數據量也很大。因此，物聯(lián)網(wǎng)1.0數據的壓力是可控制的，并不像宣傳那樣無(wú)法控制和無(wú)法控制。
能源/資產(chǎn)屬性類(lèi)/診斷類(lèi)/信號類(lèi)
就數據的原始特性而言，我們可以將物聯(lián)網(wǎng)數據分類(lèi)為能源類(lèi)數據，資產(chǎn)屬性類(lèi)數據，診斷類(lèi)數據和信號類(lèi)數據。
能源數據：指計算能耗所需的能源相關(guān)或相關(guān)數據，如電流，電壓，功率因數，頻率，諧波等。能源數據是物聯(lián)網(wǎng)最關(guān)鍵的數據類(lèi)型。物聯(lián)網(wǎng)的最終目標之一是節約能源。獲取能源數據，了解能源數據和分析能源數據是實(shí)現物聯(lián)網(wǎng)的基本功能。能量收集設備也是物聯(lián)網(wǎng)中最重要的設備之一。
資產(chǎn)屬性類(lèi)數據：資產(chǎn)類(lèi)數據通常是指硬件資產(chǎn)數據，如設備規格，參數和其他屬性，設備位置信息，設備從屬關(guān)系等?；谫Y產(chǎn)的數據主要用于資產(chǎn)管理。資產(chǎn)管理是工業(yè)物聯(lián)網(wǎng)的一項非常重要的功能，甚至可以作為一個(gè)獨立的系統進(jìn)行研究，因為它可以與幾乎所有系統（如ERP系統，MES系統和物流）進(jìn)行交互。
診斷數據：診斷數據是指設備運行期間設備運行狀態(tài)的數據。有兩種類(lèi)型的診斷數據：一種是設備的操作參數，例如設備的輸入/輸出值。對于傳統的工業(yè)自動(dòng)化數據，即OT技術(shù)相關(guān)數據;另一種是設備外圍診斷數據，如設備表面溫度，設備噪聲，設備振動(dòng)等。值得一提的是，外圍診斷是體現物聯(lián)網(wǎng)技術(shù)的地方。它包括新的傳感器技術(shù)和物聯(lián)網(wǎng)通信技術(shù)。外圍診斷數據是預測性維護的重要元數據，也是深度控制模型的基礎，因此診斷數據是我們需要關(guān)注的數據類(lèi)型。
信號類(lèi)型數據：信號類(lèi)型數據或報警類(lèi)型數據是目前工業(yè)領(lǐng)域中最常用的數據，因為它直觀(guān)，易于理解和關(guān)鍵，同時(shí)在本地和遠程通知。
類(lèi)似信號的數據很容易被忽視，但它是物聯(lián)網(wǎng)所需的數據之一，可以快速收集并為物聯(lián)網(wǎng)系統提供重要的參考價(jià)值。
數據相關(guān)性數據之間的相關(guān)性是不同數據之間的關(guān)系。數據之間的關(guān)系對理解整個(gè)系統的運行以及數據之間的正確關(guān)系具有最直接的影響。梳理是系統有效運作和價(jià)值的基石。
數據之間的相關(guān)性可以從以下幾個(gè)方面進(jìn)行分析：
時(shí)間相關(guān)性：即數據攝影的同時(shí)，數據是由系統同時(shí)生成的，它反映了系統的狀態(tài)這一刻，從數據世界的角度來(lái)看，這個(gè)系統就是此刻的數據集合。數據攝影反映了系統的靜態(tài)顯示;時(shí)間戳是此類(lèi)數據的關(guān)鍵因素，因此每次數據采集所需的時(shí)間戳必須相同。目前許多數據都缺少時(shí)間戳，在物聯(lián)網(wǎng)的實(shí)施中也需要解決和解決時(shí)間戳。其中一個(gè)問(wèn)題。
流程關(guān)聯(lián)性：即一個(gè)點(diǎn)的數據進(jìn)過(guò)一定時(shí)間后影響第二個(gè)點(diǎn)數據的產(chǎn)生，它表現的是系統動(dòng)態(tài)的流程展現。數據之間的流程關(guān)系性需求模型提供，并在施行中停止修正。
數據的時(shí)效性
數據的時(shí)效性是指數據產(chǎn)生到其被肅清的時(shí)間，數據時(shí)效性是由系統的施行部署所決議。數據能夠被運用屢次也能夠被運用一次后就能夠被肅清?？傮w來(lái)說(shuō)遠程部署數據還是邊緣部署數據影響著(zhù)數據的時(shí)效性，通常邊緣部署的數據時(shí)效性短，遠程數據的時(shí)效性長(cháng)。邊緣部署需求的數據通常及時(shí)性強，但是邊緣存儲空間，計算才能弱因而不能長(cháng)期保管；遠程數據通常為歷史性數據展現、計算剖析，同時(shí)云端空間、計算的伸縮性強，因而數據時(shí)效性長(cháng)。
數據的實(shí)時(shí)性也是數據時(shí)效性的一局部，實(shí)時(shí)性和數據的部署位置，數據的重要性以及傳輸方式都有關(guān)聯(lián)性。
（2）應用形式
根底應用：監控
經(jīng)過(guò)物聯(lián)網(wǎng)搜集到設備數據后， 假如設備數據狀態(tài)超越預設的狀態(tài)則自動(dòng)第一時(shí)間報警，管理員第一時(shí)間展開(kāi)處置，能夠經(jīng)過(guò)遠程操作，下達命令。把問(wèn)題處理在萌芽狀態(tài)。
進(jìn)階應用： 報表統計
經(jīng)過(guò)統計辦法， 對設備的歷史運轉數據停止統計剖析。能夠按不同維度剖析出不同報告。然后以圖表或者大屏方式展示在管理員面前。管理員能夠快速直觀(guān)的理解到整個(gè)物聯(lián)網(wǎng)設備運轉情況。
高級應用： 數據發(fā)掘/機器學(xué)習
這局部需求從數據里面發(fā)掘出有價(jià)值的東西出來(lái)。比方經(jīng)過(guò)一段時(shí)間時(shí)間設備數據的連續跟蹤剖析并分離人類(lèi)過(guò)往的設備運維經(jīng)歷，經(jīng)過(guò)機器學(xué)習方式預測設備發(fā)作毛病概率，以及發(fā)作毛病后可能的惹起緣由，并給出維修計劃。方才舉的例子，是物聯(lián)網(wǎng)高級應用里面的冰山一角。經(jīng)過(guò)引入如今熾熱的AI技術(shù)。物聯(lián)網(wǎng)就能變成智能物聯(lián)網(wǎng)了?；蛟S在不久的未來(lái)，人與設備能夠自在對話(huà)，設備與設備之間也可以對話(huà)并自動(dòng)做出最優(yōu)決策。
（3）剖析形式
物聯(lián)網(wǎng)的數據剖析，能夠分為如下四個(gè)類(lèi)別：
描繪式剖析(Descriptive)：對采集的物聯(lián)網(wǎng)數據停止統計和展現，這局部以統計剖析為主；
診斷式剖析(Diagnostic)：分離工業(yè)機理，對異常產(chǎn)生的緣由停止診斷剖析，這局部需求參加很多的數據發(fā)掘技術(shù)，包括相關(guān)性剖析、序列事情剖析等；
預測式剖析(Predictive)：經(jīng)過(guò)長(cháng)期歷史數據的開(kāi)展規律，預測趨向的變化，這局部需求引入包括機器學(xué)習、神經(jīng)網(wǎng)絡(luò )等技術(shù)，對趨向停止預測；
處方式剖析(Prescriptive)：經(jīng)過(guò)多個(gè)維度的數據剖析的結果，分離學(xué)問(wèn)庫和機器學(xué)習，給出多種決策根據的可能，并提供智能的判決支持；
在每個(gè)類(lèi)別里面，又必需從兩個(gè)層次來(lái)展開(kāi)剖析：
機理剖析：依據物理或化學(xué)的原理，對工業(yè)設備的控制、過(guò)程以及產(chǎn)生的響應停止基于設計原理的專(zhuān)業(yè)剖析，這局部一定是以專(zhuān)業(yè)學(xué)問(wèn)為根據的；
數據驅動(dòng)的剖析：關(guān)于工業(yè)里面很多無(wú)法丈量，無(wú)法解釋的現象，能夠經(jīng)過(guò)提取數據特征，從海量的數據中尋覓異常點(diǎn)，經(jīng)過(guò)機器學(xué)習的辦法，補償專(zhuān)業(yè)學(xué)問(wèn)的缺乏；
能夠看到，物聯(lián)網(wǎng)數據剖析的根底是物理機理，也就是專(zhuān)業(yè)學(xué)問(wèn)的理解，而不是數據剖析的辦法和才能。沒(méi)有充沛的物理機理和專(zhuān)業(yè)學(xué)問(wèn)，自覺(jué)的將一些大數據、人工智能的工具對工業(yè)數據停止剖析，一定會(huì )適得其反
（4）剖析模型
梯度檢查：檢查時(shí)間序列的梯度，并提供檢查結果
線(xiàn)性回歸： 計算時(shí)間序列數據的線(xiàn)性回歸值，并提供所產(chǎn)生的曲線(xiàn)數據
異常檢測： 檢測異常的時(shí)間序列數據，并提供檢測結果
趨向預測： 提供單個(gè)或多個(gè) 1d 時(shí)間軸上的微積分功用，詳細包括根本的代數和統計學(xué)功用（均值、和值、方差）
序列形式發(fā)掘： 檢測報警形式，并依據（變頻器的）事情日志停止毛病預測。該效勞可從招致大型事情的序列中自動(dòng)地學(xué)習相關(guān)形式
多維KPI監視：該效勞能夠基于鍛煉好的模型，從多個(gè)方面推斷相關(guān)量化值。
需求預測： 基于用于時(shí)間序列數據的深度神經(jīng)網(wǎng)絡(luò )（預先已鍛煉）的預測模型執行程序
基于A(yíng)I的智能服務(wù)貫穿云端端架構。在傳感終端中，AI技術(shù)旨在提高綜合感知的靈敏度，準確性和人機交互以及對象交互。通過(guò)芯片實(shí)時(shí)，也簡(jiǎn)單的邏輯推理。
在邊緣，AI技術(shù)主要負責收集域中的本地數據和相關(guān)業(yè)務(wù)數據，完成感知數據的分析和推理，并將相關(guān)的分析結果或模型傳輸到感應終端實(shí)現感知。終端與邊緣云之間的協(xié)作，同時(shí)，邊緣云和邊緣云也可以通過(guò)網(wǎng)絡(luò )共享數據，資源，算法等，完成邊緣云之間的相互協(xié)作。
在云端，不僅需要提供與云計算相關(guān)的存儲，計算，網(wǎng)絡(luò )，邊緣云等安全資源，還需要收集和整合所有數據，提供基于全局數據的智能服務(wù)，包括智能調度，運營(yíng)和維護，宏觀(guān)決策等。
云中心專(zhuān)注于全球，非實(shí)時(shí)，長(cháng)周期大數據處理和分析，并可在長(cháng)期維護中發(fā)揮優(yōu)勢，商業(yè)決策支持等領(lǐng)域。
邊緣計算更適合于本地，實(shí)時(shí)，短周期的數據處理和分析，并且可以更好地支持實(shí)時(shí)智能決策和本地服務(wù)的執行。邊緣計算和云中心是互補和協(xié)同的。邊緣云協(xié)作將放大邊緣計算和云計算的應用價(jià)值：邊緣計算接近執行單元，它是云所需的高價(jià)值數據的獲取和初步處理單元。云支持云應用;相反，通過(guò)大數據分析和處理優(yōu)化輸出的云計算的業(yè)務(wù)規則或模型可以被傳遞到邊緣，并且邊緣計算基于新的業(yè)務(wù)規則或模型。
除了邊緣云協(xié)作，云互聯(lián)和云網(wǎng)絡(luò )融合也成為重要趨勢，指的是云中心之間的互聯(lián)和共享，包括動(dòng)態(tài)調整服務(wù)資源，合理分配計算資源和定制。業(yè)務(wù)互操作性等
2，物聯(lián)網(wǎng)中的知識地圖
上面說(shuō)人工智能是通過(guò)“云端”整體架構，關(guān)于物聯(lián)網(wǎng)中的人工智能和知識地圖，我認為有幾點(diǎn)：
語(yǔ)義對象＃所謂的語(yǔ)義對象關(guān)聯(lián)是通過(guò)語(yǔ)義建模建立一套標準的物聯(lián)網(wǎng)語(yǔ)義，并具有對象的屬性，狀態(tài)，動(dòng)作和能力的標準規范，可以實(shí)現對象。描述，分析，注冊，訪(fǎng)問(wèn)和識別以解決諸如對象是什么，在哪里以及如何使用等問(wèn)題。
圖使能能##;所謂的地圖啟用是建立一個(gè)語(yǔ)義網(wǎng)絡(luò )，一個(gè)類(lèi)似于知識地圖的能力圖，實(shí)現各種感知數據的融合和文章能力的規范整合，基于對象的描述，做“對象發(fā)現”以及對象和功能的集成。
知識規則＃;知識規則和能力圖的建立構成了完整的知識地圖模型，以完成感知數據和商業(yè)數據的整合。建立以業(yè)務(wù)知識為核心的規則引擎，實(shí)時(shí)完成簡(jiǎn)單邏輯的分析和推理。
學(xué)習深化
整合全局感知數據，業(yè)務(wù)數據和互聯(lián)網(wǎng)數據，基于規則引擎，使用連接主義學(xué)習加深思想學(xué)習和推理隱藏知識，現有規則引擎完善實(shí)現自動(dòng)學(xué)習。
3，物聯(lián)網(wǎng)數據數據分析
關(guān)于物聯(lián)網(wǎng)數據數據中常見(jiàn)的數據，應用程序，模型和模型，借用互聯(lián)網(wǎng)上的描述，略有歸納：
我們從新一代架構中描述的數據主要包括物聯(lián)網(wǎng)數據，業(yè)務(wù)數據和互聯(lián)網(wǎng)數據。在這里，我們專(zhuān)注于物聯(lián)網(wǎng)數據。
＃1;
（1）物聯(lián)網(wǎng)數據
數據分類(lèi)
靜態(tài)數據和動(dòng)態(tài)數據
在數據變化方面，物聯(lián)網(wǎng)數據可分為靜態(tài)數據和動(dòng)態(tài)數據靜態(tài)數據主要是標簽類(lèi)，地址類(lèi)數據，RFID生成的數據大多是靜態(tài)數據，靜態(tài)數據大多存儲在結構化的關(guān)系數據庫中;動(dòng)態(tài)數據是時(shí)間序列數據，IoT動(dòng)態(tài)數據特征是每個(gè)數據與時(shí)間一一對應，這種關(guān)系在數據處理中尤為重要。這種數據存儲通常存儲在時(shí)間序列數據庫中。
靜態(tài)數據會(huì )隨著(zhù)傳感器和控制設備數量的增加而增加;動(dòng)態(tài)數據不僅隨著(zhù)設備數量的增加而增加，傳感器的數量也會(huì )增加，而且還會(huì )隨著(zhù)時(shí)間的推移而增加。
無(wú)論靜態(tài)數據還是動(dòng)態(tài)數據，物聯(lián)網(wǎng)1.0中的數據增長(cháng)都是線(xiàn)性的，而不是指數級的，但由于物聯(lián)網(wǎng)動(dòng)態(tài)數據是連續的，因此數據量也很大。因此，物聯(lián)網(wǎng)1.0數據的壓力是可控制的，并不像宣傳那樣無(wú)法控制和無(wú)法控制。
能源/資產(chǎn)屬性類(lèi)/診斷類(lèi)/信號類(lèi)
就數據的原始特性而言，我們可以將物聯(lián)網(wǎng)數據分類(lèi)為能源類(lèi)數據，資產(chǎn)屬性類(lèi)數據，診斷類(lèi)數據和信號類(lèi)數據。
能源數據：指計算能耗所需的能源相關(guān)或相關(guān)數據，如電流，電壓，功率因數，頻率，諧波等。能源數據是物聯(lián)網(wǎng)最關(guān)鍵的數據類(lèi)型。物聯(lián)網(wǎng)的最終目標之一是節約能源。獲取能源數據，了解能源數據和分析能源數據是實(shí)現物聯(lián)網(wǎng)的基本功能。能量收集設備也是物聯(lián)網(wǎng)中最重要的設備之一。
資產(chǎn)屬性類(lèi)數據：資產(chǎn)類(lèi)數據通常是指硬件資產(chǎn)數據，如設備規格，參數和其他屬性，設備位置信息，設備從屬關(guān)系等?；谫Y產(chǎn)的數據主要用于資產(chǎn)管理。資產(chǎn)管理是工業(yè)物聯(lián)網(wǎng)的一項非常重要的功能，甚至可以作為一個(gè)獨立的系統進(jìn)行研究，因為它可以與幾乎所有系統（如ERP系統，MES系統和物流）進(jìn)行交互。
診斷數據：診斷數據是指設備運行期間設備運行狀態(tài)的數據。有兩種類(lèi)型的診斷數據：一種是設備的操作參數，例如設備的輸入/輸出值。對于傳統的工業(yè)自動(dòng)化數據，即OT技術(shù)相關(guān)數據;另一種是設備外圍診斷數據，如設備表面溫度，設備噪聲，設備振動(dòng)等。值得一提的是，外圍診斷是體現物聯(lián)網(wǎng)技術(shù)的地方。它包括新的傳感器技術(shù)和物聯(lián)網(wǎng)通信技術(shù)。外圍診斷數據是預測性維護的重要元數據，也是深度控制模型的基礎，因此診斷數據是我們需要關(guān)注的數據類(lèi)型。
信號類(lèi)型數據：信號類(lèi)型數據或報警類(lèi)型數據是目前工業(yè)領(lǐng)域中最常用的數據，因為它直觀(guān)，易于理解和關(guān)鍵，同時(shí)在本地和遠程通知。
類(lèi)似信號的數據很容易被忽視，但它是物聯(lián)網(wǎng)所需的數據之一，可以快速收集并為物聯(lián)網(wǎng)系統提供重要的參考價(jià)值。
數據相關(guān)性數據之間的相關(guān)性是不同數據之間的關(guān)系。數據之間的關(guān)系對理解整個(gè)系統的運行以及數據之間的正確關(guān)系具有最直接的影響。梳理是系統有效運作和價(jià)值的基石。
數據之間的相關(guān)性可以從以下幾個(gè)方面進(jìn)行分析：
時(shí)間相關(guān)性：即數據攝影的同時(shí)，數據是由系統同時(shí)生成的，它反映了系統的狀態(tài)這一刻，從數據世界的角度來(lái)看，這個(gè)系統就是此刻的數據集合。數據攝影反映了系統的靜態(tài)顯示;時(shí)間戳是此類(lèi)數據的關(guān)鍵因素，因此每次數據采集所需的時(shí)間戳必須相同。目前許多數據都缺少時(shí)間戳，在物聯(lián)網(wǎng)的實(shí)施中也需要解決和解決時(shí)間戳。其中一個(gè)問(wèn)題。
流程關(guān)聯(lián)性：即一個(gè)點(diǎn)的數據進(jìn)過(guò)一定時(shí)間后影響第二個(gè)點(diǎn)數據的產(chǎn)生，它表現的是系統動(dòng)態(tài)的流程展現。數據之間的流程關(guān)系性需求模型提供，并在施行中停止修正。
數據的時(shí)效性
數據的時(shí)效性是指數據產(chǎn)生到其被肅清的時(shí)間，數據時(shí)效性是由系統的施行部署所決議。數據能夠被運用屢次也能夠被運用一次后就能夠被肅清?？傮w來(lái)說(shuō)遠程部署數據還是邊緣部署數據影響著(zhù)數據的時(shí)效性，通常邊緣部署的數據時(shí)效性短，遠程數據的時(shí)效性長(cháng)。邊緣部署需求的數據通常及時(shí)性強，但是邊緣存儲空間，計算才能弱因而不能長(cháng)期保管；遠程數據通常為歷史性數據展現、計算剖析，同時(shí)云端空間、計算的伸縮性強，因而數據時(shí)效性長(cháng)。
數據的實(shí)時(shí)性也是數據時(shí)效性的一局部，實(shí)時(shí)性和數據的部署位置，數據的重要性以及傳輸方式都有關(guān)聯(lián)性。
（2）應用形式
根底應用：監控
經(jīng)過(guò)物聯(lián)網(wǎng)搜集到設備數據后， 假如設備數據狀態(tài)超越預設的狀態(tài)則自動(dòng)第一時(shí)間報警，管理員第一時(shí)間展開(kāi)處置，能夠經(jīng)過(guò)遠程操作，下達命令。把問(wèn)題處理在萌芽狀態(tài)。
進(jìn)階應用： 報表統計
經(jīng)過(guò)統計辦法， 對設備的歷史運轉數據停止統計剖析。能夠按不同維度剖析出不同報告。然后以圖表或者大屏方式展示在管理員面前。管理員能夠快速直觀(guān)的理解到整個(gè)物聯(lián)網(wǎng)設備運轉情況。
高級應用： 數據發(fā)掘/機器學(xué)習
這局部需求從數據里面發(fā)掘出有價(jià)值的東西出來(lái)。比方經(jīng)過(guò)一段時(shí)間時(shí)間設備數據的連續跟蹤剖析并分離人類(lèi)過(guò)往的設備運維經(jīng)歷，經(jīng)過(guò)機器學(xué)習方式預測設備發(fā)作毛病概率，以及發(fā)作毛病后可能的惹起緣由，并給出維修計劃。方才舉的例子，是物聯(lián)網(wǎng)高級應用里面的冰山一角。經(jīng)過(guò)引入如今熾熱的AI技術(shù)。物聯(lián)網(wǎng)就能變成智能物聯(lián)網(wǎng)了?；蛟S在不久的未來(lái)，人與設備能夠自在對話(huà)，設備與設備之間也可以對話(huà)并自動(dòng)做出最優(yōu)決策。
（3）剖析形式
物聯(lián)網(wǎng)的數據剖析，能夠分為如下四個(gè)類(lèi)別：
描繪式剖析(Descriptive)：對采集的物聯(lián)網(wǎng)數據停止統計和展現，這局部以統計剖析為主；
診斷式剖析(Diagnostic)：分離工業(yè)機理，對異常產(chǎn)生的緣由停止診斷剖析，這局部需求參加很多的數據發(fā)掘技術(shù)，包括相關(guān)性剖析、序列事情剖析等；
預測式剖析(Predictive)：經(jīng)過(guò)長(cháng)期歷史數據的開(kāi)展規律，預測趨向的變化，這局部需求引入包括機器學(xué)習、神經(jīng)網(wǎng)絡(luò )等技術(shù)，對趨向停止預測；
處方式剖析(Prescriptive)：經(jīng)過(guò)多個(gè)維度的數據剖析的結果，分離學(xué)問(wèn)庫和機器學(xué)習，給出多種決策根據的可能，并提供智能的判決支持；
在每個(gè)類(lèi)別里面，又必需從兩個(gè)層次來(lái)展開(kāi)剖析：
機理剖析：依據物理或化學(xué)的原理，對工業(yè)設備的控制、過(guò)程以及產(chǎn)生的響應停止基于設計原理的專(zhuān)業(yè)剖析，這局部一定是以專(zhuān)業(yè)學(xué)問(wèn)為根據的；
數據驅動(dòng)的剖析：關(guān)于工業(yè)里面很多無(wú)法丈量，無(wú)法解釋的現象，能夠經(jīng)過(guò)提取數據特征，從海量的數據中尋覓異常點(diǎn)，經(jīng)過(guò)機器學(xué)習的辦法，補償專(zhuān)業(yè)學(xué)問(wèn)的缺乏；
能夠看到，物聯(lián)網(wǎng)數據剖析的根底是物理機理，也就是專(zhuān)業(yè)學(xué)問(wèn)的理解，而不是數據剖析的辦法和才能。沒(méi)有充沛的物理機理和專(zhuān)業(yè)學(xué)問(wèn)，自覺(jué)的將一些大數據、人工智能的工具對工業(yè)數據停止剖析，一定會(huì )適得其反
（4）剖析模型
梯度檢查：檢查時(shí)間序列的梯度，并提供檢查結果
線(xiàn)性回歸： 計算時(shí)間序列數據的線(xiàn)性回歸值，并提供所產(chǎn)生的曲線(xiàn)數據
異常檢測： 檢測異常的時(shí)間序列數據，并提供檢測結果
趨向預測： 提供單個(gè)或多個(gè) 1d 時(shí)間軸上的微積分功用，詳細包括根本的代數和統計學(xué)功用（均值、和值、方差）
序列形式發(fā)掘： 檢測報警形式，并依據（變頻器的）事情日志停止毛病預測。該效勞可從招致大型事情的序列中自動(dòng)地學(xué)習相關(guān)形式
多維KPI監視：該效勞能夠基于鍛煉好的模型，從多個(gè)方面推斷相關(guān)量化值。
需求預測： 基于用于時(shí)間序列數據的深度神經(jīng)網(wǎng)絡(luò )（預先已鍛煉）的預測模型執行程序
