本發(fā)明屬于工業(yè)大數(shù)據(jù)處理相關(guān)技術(shù)領(lǐng)域，更具體地，涉及一種基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)及方法。

背景技術(shù)：

在云計(jì)算、大數(shù)據(jù)及物聯(lián)網(wǎng)等新興技術(shù)的推動下，全球掀起了以制造業(yè)轉(zhuǎn)型升級為首要任務(wù)的新一輪工業(yè)變革。在這一輪工業(yè)變革中，網(wǎng)絡(luò)化、數(shù)字化、智能化成為制造裝備產(chǎn)業(yè)發(fā)展的重點(diǎn)方向，而如何對制造設(shè)備健康狀態(tài)進(jìn)行及時(shí)且精確的診斷與預(yù)測成為其中的關(guān)鍵點(diǎn)之一。傳統(tǒng)的對于制造裝備健康狀態(tài)的診斷與預(yù)測的研究大多是基于裝備在運(yùn)動過程中采集到的狀態(tài)監(jiān)測數(shù)據(jù)。然而，隨著檢測手段的更新和監(jiān)測時(shí)間的遞推，可獲取的數(shù)據(jù)種類越來越多，數(shù)據(jù)量越來越大，數(shù)據(jù)價(jià)值密度越來越低，而數(shù)據(jù)處理速度要求快，但現(xiàn)有的方法已經(jīng)不能滿足處理速度的需求。

工業(yè)大數(shù)據(jù)分析技術(shù)作為最近國內(nèi)外研究熱點(diǎn)，得到了越來越多單位的重視，而裝配海量的狀態(tài)監(jiān)測數(shù)據(jù)得不到及時(shí)有效地處理，導(dǎo)致效率較低，可靠性較低，不利于對設(shè)備健康狀態(tài)的進(jìn)行準(zhǔn)確檢測。相應(yīng)地，本領(lǐng)域存在著發(fā)展一種能夠快速對設(shè)備健康狀態(tài)監(jiān)測數(shù)據(jù)進(jìn)行處理的設(shè)備健康狀態(tài)智能感知系統(tǒng)及方法。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)及方法，所述設(shè)備健康狀態(tài)智能感知系統(tǒng)基于hadoop平臺，運(yùn)用mapreduce分布式處理引擎，通過rjava接口調(diào)取不同的r語言算法對狀態(tài)數(shù)據(jù)進(jìn)行處理，或者運(yùn)用spark引擎中的mxnet深度學(xué)習(xí)框架中的算法，實(shí)現(xiàn)對數(shù)據(jù)的分布式計(jì)算處理，能夠大幅地提高海量狀態(tài)數(shù)據(jù)的處理速度，實(shí)現(xiàn)對設(shè)備健康狀態(tài)的實(shí)時(shí)感知。此外，所述設(shè)備健康狀態(tài)智能感知系統(tǒng)對數(shù)據(jù)采取分類存儲，傳感器采集到的海量狀態(tài)數(shù)據(jù)在hdfs數(shù)據(jù)庫中存儲，處理后的非結(jié)構(gòu)化數(shù)據(jù)用hbase數(shù)據(jù)庫進(jìn)行存儲，結(jié)構(gòu)化數(shù)據(jù)用mysql數(shù)據(jù)庫進(jìn)行存儲，有利于處理效率的提高。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)，其特征在于：

所述設(shè)備健康狀態(tài)智能感知系統(tǒng)包括有多個(gè)嵌入到智能設(shè)備上的傳感器、hadoop平臺、數(shù)據(jù)管理模塊、數(shù)據(jù)處理模塊、狀態(tài)監(jiān)測模塊、壽命監(jiān)測模塊、數(shù)據(jù)可視化模塊及系統(tǒng)管理模塊；

多個(gè)所述傳感器用于檢測設(shè)備的狀態(tài)數(shù)據(jù)；所述hadoop平臺用于對所述狀態(tài)數(shù)據(jù)進(jìn)行分布式處理；所述數(shù)據(jù)管理模塊用于對所述狀態(tài)數(shù)據(jù)的導(dǎo)入及管理；所述數(shù)據(jù)處理模塊對所述狀態(tài)數(shù)據(jù)進(jìn)行處理并將處理后的所述狀態(tài)數(shù)據(jù)進(jìn)行分類存儲；所述狀態(tài)監(jiān)測模塊用于識別設(shè)備的當(dāng)前狀態(tài)、預(yù)測設(shè)備下一階段的工作狀態(tài)及當(dāng)前狀態(tài)可能的持續(xù)時(shí)間，并將狀態(tài)識別及預(yù)測結(jié)果存儲到mysql數(shù)據(jù)庫中；所述壽命預(yù)測模塊用于依據(jù)所述狀態(tài)數(shù)據(jù)判斷設(shè)備是否已到達(dá)壽命退化階段及估計(jì)設(shè)備的剩余使用壽命；所述數(shù)據(jù)可視化模塊用于提取所述數(shù)據(jù)管理模塊的原始數(shù)據(jù)、所述數(shù)據(jù)處理模塊的處理數(shù)據(jù)、所述狀態(tài)檢測模塊的分類數(shù)據(jù)及所述壽命監(jiān)測模塊的預(yù)測數(shù)據(jù)以進(jìn)行可視化顯示；所述系統(tǒng)管理模塊用于管理用戶權(quán)限。

進(jìn)一步地，所述狀態(tài)數(shù)據(jù)是采用mapreduce分布式處理引擎和spark引擎進(jìn)行分布式處理的。

進(jìn)一步地，經(jīng)所述數(shù)據(jù)處理模塊處理后的所述狀態(tài)數(shù)據(jù)中的結(jié)構(gòu)化數(shù)據(jù)被保存到所述mysql數(shù)據(jù)庫中，非結(jié)構(gòu)化數(shù)據(jù)被保存到hbase數(shù)庫內(nèi)。

進(jìn)一步地，所述數(shù)據(jù)管理模塊導(dǎo)入的所述狀態(tài)數(shù)據(jù)被存儲到hdfs數(shù)據(jù)庫內(nèi)。

進(jìn)一步地，所述壽命預(yù)測模塊設(shè)置有單參數(shù)預(yù)測子模塊及多參數(shù)預(yù)測子模塊供用戶選擇，兩個(gè)預(yù)測子模塊分別對應(yīng)于參數(shù)貝葉斯估計(jì)方法及蒙特卡洛估計(jì)方法。

進(jìn)一步地，所述狀態(tài)監(jiān)測模塊包括狀態(tài)識別子模塊及狀態(tài)預(yù)測子模塊，所述狀態(tài)識別子模塊用于根據(jù)用戶選擇的模型將所述數(shù)據(jù)處理模塊處理后的數(shù)據(jù)輸入分類模型中以進(jìn)行設(shè)備裝狀態(tài)的識別，進(jìn)而感知當(dāng)前設(shè)備所處的健康狀態(tài)；所述狀態(tài)預(yù)測子模塊用于根據(jù)當(dāng)前設(shè)備的狀態(tài)數(shù)據(jù)的處理結(jié)果預(yù)測設(shè)備下一階段的工作狀態(tài)以及當(dāng)前狀態(tài)可能的持續(xù)時(shí)間。

按照本發(fā)明的另一方面，提供了一種基于hadoop的設(shè)備健康狀態(tài)智能感知方法，其包括以下步驟：

(1)提供如上所述的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)，利用所述設(shè)備健康狀態(tài)智能感知系統(tǒng)的傳感器對設(shè)備的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)采集，以不同頻率和不同數(shù)據(jù)格式收集設(shè)備的狀態(tài)數(shù)據(jù)；

(2)將采集到的狀態(tài)數(shù)據(jù)通過無線傳感網(wǎng)絡(luò)傳輸并存儲到hdfs數(shù)據(jù)庫內(nèi)；

(3)調(diào)用所述hadoop平臺，并啟動mapreduce分布式處理引擎和spark引擎，對hdfs數(shù)據(jù)庫中的狀態(tài)數(shù)據(jù)進(jìn)行分布式處理；

(4)將處理得到的結(jié)果數(shù)據(jù)進(jìn)行分類存儲，其中將結(jié)構(gòu)化的結(jié)果數(shù)據(jù)保存到mysql數(shù)據(jù)庫中，非結(jié)構(gòu)化的結(jié)果數(shù)據(jù)保存到hbase數(shù)庫內(nèi)；

(5)所述數(shù)據(jù)可視化模塊調(diào)取數(shù)據(jù)庫中的數(shù)據(jù)并以圖表的格式進(jìn)行顯示。

總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)及方法主要具有以下有益效果：

(1)調(diào)用hadoop平臺，并啟動mapreduce分布式處理引擎和spark引擎對hdfs數(shù)據(jù)庫中的狀態(tài)數(shù)據(jù)進(jìn)行分布式處理，實(shí)現(xiàn)了對海量數(shù)據(jù)的快速處理；

(2)對數(shù)據(jù)進(jìn)行分類存儲，分別采用了hdfs數(shù)據(jù)庫、hbase數(shù)據(jù)庫及mysql數(shù)據(jù)庫，以實(shí)現(xiàn)對不同智能部件和智能類型的傳感器原始信號的海量數(shù)據(jù)和處理后的信號數(shù)據(jù)進(jìn)行分類保存；

(3)所述設(shè)備健康狀態(tài)智能感知系統(tǒng)具有良好的穩(wěn)定性和可移植性，可適應(yīng)智能設(shè)備工作環(huán)境惡劣的條件，且能實(shí)現(xiàn)針對不同智能部位不同傳感器信號采取不同算法模型進(jìn)行計(jì)算和預(yù)測的功能，不同算法模型得到不同結(jié)果，進(jìn)而能夠評估哪一種模型更加可靠，提高了感知結(jié)果的準(zhǔn)確性；

(4)采用數(shù)據(jù)可視化模塊將數(shù)據(jù)以圖表的形式顯示出來，直觀明了，便于用戶查看；所述設(shè)備健康狀態(tài)智能感知系統(tǒng)還能夠?qū)υO(shè)備不同部件單獨(dú)進(jìn)行數(shù)據(jù)分析，判斷智能部件的健康狀態(tài)及剩余壽命，有利于設(shè)備人員制備相應(yīng)的維修策略。

附圖說明

圖1是本發(fā)明較佳實(shí)施方式提供的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)的結(jié)構(gòu)框架圖。

圖2是圖1中的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)的軟件部分的功能示意圖。

圖3是本發(fā)明較佳實(shí)施方式提供的基于hadoop的設(shè)備健康狀態(tài)智能感知方法的流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個(gè)實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

請參閱圖1及圖2，本發(fā)明較佳實(shí)施方式提供的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)，所述設(shè)備健康狀態(tài)智能感知系統(tǒng)采用軟硬結(jié)合的方式，硬件部分負(fù)責(zé)后臺計(jì)算及數(shù)據(jù)收集及存儲，軟件部分用于為用戶提供指導(dǎo)和選擇功能，并將處理結(jié)果進(jìn)行展示。

所述設(shè)備健康狀態(tài)智能感知系統(tǒng)包括有多個(gè)嵌入到智能設(shè)備上的傳感器、hadoop平臺、數(shù)據(jù)管理模塊、數(shù)據(jù)處理模塊、狀態(tài)監(jiān)測模塊、壽命監(jiān)測模塊、數(shù)據(jù)可視化模塊及系統(tǒng)管理模塊。多個(gè)所述傳感器用于檢測設(shè)備的溫度、頻率、速度、加速度、電壓、電流、信號等狀態(tài)數(shù)據(jù)。本實(shí)施方式中，所述hadoop平臺用于對狀態(tài)數(shù)據(jù)進(jìn)行分布式處理。

所述數(shù)據(jù)管理模塊用于所述狀態(tài)數(shù)據(jù)的導(dǎo)入及管理，其提供相應(yīng)的數(shù)據(jù)導(dǎo)入接口，以根據(jù)傳感器的類型區(qū)別不同部件不同時(shí)間的信號數(shù)據(jù)。所述數(shù)據(jù)管理模塊還包括數(shù)據(jù)集添加子模塊、數(shù)據(jù)集刪除子模塊及信息修改和數(shù)據(jù)選擇子模塊，所述數(shù)據(jù)添加子模塊、所述數(shù)據(jù)集刪除子模塊及所述信息修改和數(shù)據(jù)選擇子模塊分別用于實(shí)現(xiàn)數(shù)據(jù)集的添加、刪除、以及修改備注信息。所述數(shù)據(jù)管理模塊還用于對智能設(shè)備不同部件單獨(dú)進(jìn)行數(shù)據(jù)分析。用戶選擇待處理數(shù)據(jù)后，狀態(tài)數(shù)據(jù)將進(jìn)入所述數(shù)據(jù)處理模塊等待處理。

所述數(shù)據(jù)處理模塊包括預(yù)處理子模塊、特征提取子模塊、相關(guān)性分析子模塊、聚類分析子模塊及特征融合子模塊，以上各個(gè)子模塊均可進(jìn)行算法的選擇，以實(shí)現(xiàn)對已選擇數(shù)據(jù)采用一種算法或者多種算法進(jìn)行分析及比較。所述數(shù)據(jù)處理模塊處理后的結(jié)果數(shù)據(jù)按照結(jié)構(gòu)化及非結(jié)構(gòu)化分別存儲在mysql數(shù)據(jù)庫及hbase數(shù)據(jù)庫中。所述預(yù)處理子模塊可以采取濾波平滑、去空、除奇異值、快速傅立葉變換、小波分析等方法；所述相關(guān)性分析子模塊采用自相關(guān)分析和互相關(guān)分析方法；所述特征提取子模塊用于在時(shí)域、頻域、時(shí)頻域中進(jìn)行特征值的提??；所述聚類分析子模塊采用減法聚類、k-均值、k-中心點(diǎn)等算法進(jìn)行聚類分析；所述特征融合子模塊用于實(shí)現(xiàn)將不同算法得到的特征值進(jìn)行消減融合，以得到比單個(gè)算法提取特征值更為優(yōu)越的特征值。

所述狀態(tài)監(jiān)測模塊包括狀態(tài)識別子模塊及狀態(tài)預(yù)測子模塊，所述狀態(tài)識別子模塊用于根據(jù)用戶選擇的模型，將所述數(shù)據(jù)處理模塊處理后的數(shù)據(jù)輸入分類模型中以進(jìn)行設(shè)備狀態(tài)的識別，進(jìn)而感知當(dāng)前設(shè)備處于哪種健康狀態(tài)。所述狀態(tài)預(yù)測子模塊用于根據(jù)當(dāng)前設(shè)備的狀態(tài)數(shù)據(jù)的處理結(jié)果預(yù)測設(shè)備下一階段的工作狀態(tài)以及當(dāng)前狀態(tài)可能的持續(xù)時(shí)間。狀態(tài)識別及狀態(tài)預(yù)測的結(jié)果保存在mysql數(shù)據(jù)庫中。所述狀態(tài)識別子模塊及所述狀態(tài)預(yù)測子模塊采用的模型工具有anfis模型、深度學(xué)習(xí)模型、支持向量機(jī)模型、隱馬爾科夫模型。

所述壽命預(yù)測模塊設(shè)置有單參數(shù)預(yù)測子模塊及多參數(shù)預(yù)測子模塊供用戶選擇，兩個(gè)預(yù)測子模塊分別對應(yīng)于參數(shù)貝葉斯估計(jì)方法及蒙特卡洛估計(jì)方法。待用戶選擇好參數(shù)預(yù)測子模塊后，所述壽命預(yù)測模塊用于根據(jù)所述數(shù)據(jù)處理模塊處理后的數(shù)據(jù)及所述狀態(tài)監(jiān)測模塊對設(shè)備當(dāng)前情況的分類結(jié)果，來判斷當(dāng)前設(shè)備是否已經(jīng)達(dá)到壽命退化階段，同時(shí)估計(jì)設(shè)備的剩余使用壽命，并將壽命預(yù)測結(jié)果存儲在mysql數(shù)據(jù)庫中。

所述數(shù)據(jù)可視化模塊用于提取所述數(shù)據(jù)管理模塊的原始數(shù)據(jù)、所述數(shù)據(jù)處理模塊的處理數(shù)據(jù)、所述狀態(tài)檢測模塊的分類數(shù)據(jù)及所述壽命監(jiān)測模塊的預(yù)測數(shù)據(jù)以進(jìn)行可視化顯示，實(shí)現(xiàn)對設(shè)備狀態(tài)監(jiān)測的功能，實(shí)時(shí)顯示設(shè)備變化趨勢，以便用戶及時(shí)對設(shè)備的維修情況作出決策。本實(shí)施方式中，所述數(shù)據(jù)可視化模塊分別自所述hdfs數(shù)據(jù)庫、所述mysql數(shù)據(jù)庫及所述hbase數(shù)據(jù)庫中提取相應(yīng)數(shù)據(jù)，并利用雷達(dá)圖、餅狀圖、散點(diǎn)圖、柱狀圖、散點(diǎn)圖、曲線圖、條形圖和表格等形式進(jìn)行顯示。

所述系統(tǒng)管理模塊用于管理平臺用戶權(quán)限以實(shí)現(xiàn)增、刪、改用戶功能，其還用于顯示參數(shù)的設(shè)置、以及系統(tǒng)登錄、退出記錄的歷史數(shù)據(jù)的保留。

所述設(shè)備健康狀態(tài)智能感知系統(tǒng)的框架包括四層，分別為數(shù)據(jù)收集層、數(shù)據(jù)存儲層、數(shù)據(jù)處理層及數(shù)據(jù)應(yīng)用層。所述數(shù)據(jù)處理層引入了hadoop平臺，可實(shí)現(xiàn)數(shù)據(jù)的快速高效處理。所述數(shù)據(jù)存儲層采用了hdfs、hbase和mysql三種數(shù)據(jù)庫，實(shí)現(xiàn)數(shù)據(jù)的分類存儲。

所述數(shù)據(jù)收集層采用嵌入到智能設(shè)備上的各種傳感器對設(shè)備的運(yùn)行狀態(tài)參數(shù)進(jìn)行采集，以得到狀態(tài)數(shù)據(jù)。各種傳感器通過不同的采集系統(tǒng)以不同頻率和不同數(shù)據(jù)格式采集設(shè)備的狀態(tài)參數(shù)，且狀態(tài)數(shù)據(jù)經(jīng)過簡單的降噪處理及壓縮后定時(shí)通過無線傳感網(wǎng)絡(luò)發(fā)送到指定的服務(wù)端中進(jìn)行存儲，完成原始狀態(tài)數(shù)據(jù)的采集和初步存儲工作。

所述數(shù)據(jù)存儲層將所述數(shù)據(jù)收集層收集到的原始狀態(tài)數(shù)據(jù)進(jìn)行歸類保存，關(guān)系型數(shù)據(jù)和非關(guān)系型數(shù)據(jù)分別進(jìn)行保存，采用hdfs數(shù)據(jù)庫存儲大規(guī)模文件數(shù)據(jù)，hbase數(shù)據(jù)庫進(jìn)行非結(jié)構(gòu)化的數(shù)據(jù)的高效實(shí)時(shí)存儲，mysql數(shù)據(jù)庫存儲結(jié)構(gòu)化數(shù)據(jù)。用戶通過數(shù)據(jù)管理模塊，可實(shí)現(xiàn)對數(shù)據(jù)信息的編輯以及選取。

所述數(shù)據(jù)處理層調(diào)用hadoop平臺，并啟動mapreduce分布式處理引擎和spark引擎，通過調(diào)用集成的不同的算法對各類數(shù)據(jù)進(jìn)行具體分析。調(diào)用的算法包括機(jī)器學(xué)習(xí)算法庫、統(tǒng)計(jì)分析算法庫、模型算法集成庫及深度學(xué)習(xí)算法集成庫。所述數(shù)據(jù)處理層能夠?qū)崿F(xiàn)數(shù)據(jù)處理、狀態(tài)監(jiān)測和壽命預(yù)測等功能，并將處理結(jié)果進(jìn)行保存。用戶通過所述數(shù)據(jù)處理模塊、所述狀態(tài)監(jiān)測模塊和所述壽命預(yù)測模塊可實(shí)現(xiàn)對算法的選擇。

所述數(shù)據(jù)應(yīng)用層根據(jù)用戶在所述可視化模塊中的選擇，獲取分析處理的結(jié)果，通過可視化手段，以圖或者表格的形式表現(xiàn)出來，使設(shè)備各零件的狀態(tài)、健康狀態(tài)以及剩余使用壽命清晰明了，輔助用戶做出維修決策。

本發(fā)明還提供一種基于hadoop的設(shè)備健康狀態(tài)智能感知方法，其主要包括以下步驟：

步驟一，提供如上所述的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)，利用所述設(shè)備健康狀態(tài)智能感知系統(tǒng)的各種傳感器對設(shè)備的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)采集，以不同頻率和不同數(shù)據(jù)格式收集設(shè)備的狀態(tài)數(shù)據(jù)。

步驟二，將采集到的狀態(tài)數(shù)據(jù)通過無線傳感網(wǎng)絡(luò)傳輸并存儲到hdfs數(shù)據(jù)庫內(nèi)。

步驟三，調(diào)用hadoop平臺，并啟動mapreduce分布式處理引擎和spark引擎，對hdfs數(shù)據(jù)庫中的狀態(tài)數(shù)據(jù)進(jìn)行分布式處理。具體地，自所述hdfs數(shù)據(jù)庫中調(diào)取所述傳感器檢測到的狀態(tài)數(shù)據(jù)，并對狀態(tài)數(shù)據(jù)進(jìn)行預(yù)處理，然后，通過rjava接口調(diào)用算法對數(shù)據(jù)進(jìn)行分布式處理，或者利用mxnet深度學(xué)習(xí)框架中的深度學(xué)習(xí)算法對數(shù)據(jù)進(jìn)行分布式處理。所述hdfs數(shù)據(jù)庫的輸入分片分配給多個(gè)map同時(shí)處理，輸出經(jīng)shuffle后，又重新分配給多個(gè)reduce任務(wù)，實(shí)現(xiàn)分布式處理。

步驟四，將處理得到的結(jié)果數(shù)據(jù)進(jìn)行分類存儲，其中將結(jié)構(gòu)化的結(jié)果數(shù)據(jù)保存到mysql數(shù)據(jù)庫中，非結(jié)構(gòu)化的結(jié)果數(shù)據(jù)保存到hbase數(shù)庫內(nèi)。

步驟五，所述數(shù)據(jù)可視化模塊調(diào)取數(shù)據(jù)庫中的數(shù)據(jù)并以圖表的格式進(jìn)行顯示。

本發(fā)明提供的基于hadoop的設(shè)備健康狀態(tài)智能感知系統(tǒng)及方法，其基于hadoop平臺，運(yùn)用mapreduce分布式處理引擎，通過rjava接口調(diào)取不同的r語言算法對狀態(tài)數(shù)據(jù)進(jìn)行處理，或者運(yùn)用spark引擎中的mxnet深度學(xué)習(xí)框架中的算法，實(shí)現(xiàn)對數(shù)據(jù)的分布式計(jì)算處理，能夠大幅地提高海量狀態(tài)數(shù)據(jù)的處理速度，實(shí)現(xiàn)對設(shè)備健康狀態(tài)的實(shí)時(shí)感知。此外，所述設(shè)備健康狀態(tài)智能感知系統(tǒng)對數(shù)據(jù)采取分類存儲，傳感器采集到的海量狀態(tài)數(shù)據(jù)在hdfs數(shù)據(jù)庫中存儲，處理后的非結(jié)構(gòu)化數(shù)據(jù)用hbase進(jìn)行存儲，結(jié)構(gòu)化數(shù)據(jù)用mysql進(jìn)行存儲，有利于處理效率的提高。

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。