CN117560300B - 一种智能物联网流量预测与优化系统 - Google Patents

Abstract

本发明公开了一种智能物联网流量预测与优化系统，涉及流量监测技术领域，包括监控中心，所述监控中心通信连接有数据采集模块、数据可视模块、状态匹配模块、数据存储模块、动态指标构建模块、数据预测模块和临界预警模块；数据采集模块用于采集数据流量；数据可视模块用于构建工业生产全流程可视模型；状态匹配模块用于获取各流程子序列的运行状态；数据存储模块用于存储历史指标数据流量；动态指标构建模块用于构建第一动态指标集，获取第一动态指标的聚合子网络构建动态临界预防标准；数据预测模块用于获取指标数据预测流量；临界预警模块用于生成故障预警信息；实现了工业设备由正常状态转变成故障状态前的早期故障的检测与预防。

Description

一种智能物联网流量预测与优化系统

技术领域

本发明涉及流量监测技术领域，具体是一种智能物联网流量预测与优化系统。

背景技术

现有技术CN115102790A“基于大数据的网络流量异常感知系统及方法”通过建立网络流量正常感知时间模型和异常感知时间模型；通过网络流量正常感知时间模型和异常感知时间模型，进一步预测出未知风险状态感知网络流量跳变时间；再结合预测的正常、异常和未知风险感知时间，预测出网络流量的风险值，通过风险值判断出网络流量是否正常，同时结合预测的时间模型定位到可能发生网络流量异常的具体时间，实现对网络流量状态的实时监控，为各相关负责人员提供精确的预防和维护的时间准备。

现有技术CN111695823A“一种基于工控网络流量的异常评估方法与系统”该方法包括如下步骤：异常校验步骤，通过已知的多源安全信息过滤被误报的异常信息；异常聚合步骤，通过聚合算法减少异常流量数量，实现工业网络异常信息标准化；异常关联步骤，通过异常关联分析、感知和预测安全事件。该异常评估系统有利于提高工控网络流量的解释性和可预测性，提升网络态势感知能力，及时规避工业网络中的安全风险。

工业控制系统在正常运作时，由于各个设备协同工作中存在不完全同频的状态，而且每个设备所需要耗费的网络流量的大小也不完全相同，现有的工业物联网的流量预警技术中，往往对工业设备的各项指标采用流量阈值监测技术，且告警阈值设定困难，缺少充分依据，而影响工业设备运行的因素较多，如运行环境、材料、役龄等，这是一种静态分析法，未能体现在线物联网监测系统的优势，多种影响因素导致的个体差异性使得难以找到普适的标准或样本来识别工业设备运行状态的转变，且工业设备由正常状态转变成故障状态前的早期故障往往不易被检测到，因为变压器故障的征兆可能微弱或难以识别，这可能导致在故障成熟之前无法采取预防措施，为了解决上述技术问题，现提供一种智能物联网流量预测与优化系统。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种智能物联网流量预测与优化系统，包括监控中心，所述监控中心通信连接有数据采集模块、数据可视模块、状态匹配模块、数据存储模块、动态指标构建模块、数据预测模块和临界预警模块；

所述数据采集模块与工控数据平台中的各工业设备通过物联网节点进行分布式的连接，用于采集各工业设备的各类型指标数据流量并标记采集时间，设置监测周期；

所述数据可视模块用于根据工业生产过程中各流程子序列之间的连接关系构建工业生产全流程可视模型；

所述状态匹配模块用于根据各流程子序列的指标数据总流量获取各流程子序列的运行状态；

所述数据存储模块用于存储工业生产过程中各流程子序列的历史指标数据流量；

所述动态指标构建模块用于根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集，并基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络，根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，将根据筛选结果构建动态临界预防标准；

所述数据预测模块用于根据各流程子序列的历史指标数据流量构建流量预测模块，通过所述流量预测模块获取各流程子序列当前监测周期的各类型指标数据预测流量；

所述临界预警模块用于将各流程子序列当前监测周期的各类型指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息。

进一步的，所述数据采集模块采集各工业设备的各类型指标数据流量的过程包括：

获取各工业设备的工艺流程特性，根据工艺流程特性提取流程信息，将工业生产过程按照流程信息进行拆分，划分为若干流程子序列；

在各流程子序列设置物联网节点，根据对应流程子序列的工艺流程特性中的功能特性利用数据检索获取各个物联网节点的各类型监测指标；

所述物联网节点根据各类型监测指标获取各类型监测指标对应的指标数据流量并标记监测时间，设置监测周期。

进一步的，所述数据可视模块根据工业生产过程中各流程子序列之间的连接关系构建工业生产全流程可视模型的过程包括：

构建虚拟空间，获取当前工业生产过程中物理空间中的工业设备的物理实体，获取当前工业生产过程中各个物理实体以及各物联网节点对应的指标数据流量，并进行数据格式预处理；

将工业设备的物理实体进行三维建模处理映射到虚拟空间，将预处理后的指标数据流量转化为孪生数据，将孪生数据与对应的三维模型进行匹配获取数字孪生模型；

获取各流程子序列的三维模型之间的装配顺序及装配关系，通过所述装配顺序及装配关系构建拓扑有向图，将流程子序列的三维模型作为拓扑有向图的节点，将各三维模型之间的装配顺序及装配关系作为节点之间的连接关系，将数字孪生模型与拓扑有向图进行匹配获取全流程可视模型。

进一步的，所述状态匹配模块根据各流程子序列的指标数据总流量获取各流程子序列的运行状态的过程包括：

设置各流程子序列对应的指标数据总流量标准阈值，获取各流程子序列的物联网节点采集的指标数据总流量，将所述物联网节点与对应的指标数据总流量标准阈值进行比较；

获取指标数据总流量大于指标数据总流量标准阈值的流程子序列，获取指标数据总流量与指标数据总流量标准阈值之间的流量差值，预设误差阈值区间，判断所述流量差值是否落在误差阈值区间内，若不落在，则将当前流程子序列标记为故障状态，若落在，则将当前流程子序列标记为临界状态；

将指标数据总流量小于等于指标数据总流量标准阈值的流程子序列标记为正常状态。

进一步的，所述动态指标构建模块根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集的过程包括：

获取数据存储模块内各历史监测周期内流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量，根据所述各类型监测指标对应的指标数据流量构建多类型指标变量集；

同时获取数据存储模块内各历史监测周期内流程子序列处于正常状态时各类型监测指标对应的平均指标数据流量；根据所述各类型监测指标对应的平均指标流量构建多类型指标定量集；

获取各历史监测周期内多类型指标变量集内各类型监测指标对应的指标数据流量以及所述各类型监测指标在多类型指标定量集内对应的指标数据平均指标流量，获取各类型监测指标的指标数据流量与对应的指标数据平均指标的流量差值，设置偏差阈值，对所述流量差值进行偏差阈值分类，将多类型指标变量集内流量差值大于偏差阈值的监测指标标记为第一动态指标并标记第一动态指标的产生时间，根据所述第一动态指标构建第一动态指标集。

进一步的，所述动态指标构建模块基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络的过程包括：

获取数据存储模块内各历史监测周期内的第一动态指标集，设置关联时间间隔，基于关联时间间隔对第一动态指标集进行时序聚合，获取第一动态指标集内各第一动态指标的产生时间，获取当前第一动态指标与其他第一动态指标的产生时间的时间间隔，将所述时间间隔与关联时间间隔进行比较；

若时间间隔小于等于关联时间间隔，则将当前第一动态指标标记为聚合中心，将满足时间间隔小于等于关联时间间隔的其他第一动态指标标记为聚合节点，根据所述聚合中心和聚合节点构成当前第一动态指标的聚合子网络，以此类推，获取其他第一动态指标的聚合子网络。

进一步的，所述动态指标构建模块根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，将根据筛选结果构建动态临界预防标准的过程包括：

获取各历史监测周期内各第一动态指标的聚合子网络的聚合节点，对各第一动态指标的聚合子网络里的各聚合节点对应的第一动态指标在不同历史监测周期内进行统计分析，获取各第一动态指标在各第一动态指标的聚合子网络里被标记为聚合节点的标记总次数；

获取各第一动态指标产生聚合子网络的总次数，根据所述总次数获取各第一动态指标的聚合节点动态次数阈值，将各第一动态指标在各第一动态指标的聚合子网络里被标记为聚合节点的标记总次数与对应的聚合节点动态次数阈值进行比较；

剔除各历史监测周期内各第一动态指标的聚合子网络里标记总次数小于等于对应的聚合节点动态次数阈值的第一动态指标对应的聚合节点，将各历史监测周期内完成剔除的各第一动态指标的聚合子网络作为动态临界预防标准。

进一步的，所述数据预测模块根据各流程子序列的历史指标数据流量构建流量预测模块，通过所述流量预测模块获取各流程子序列当前监测周期的各类型指标数据预测流量的过程包括：

基于深度学习构建流量预测模型，获取各流程子序列若干历史监测周期内各时刻的历史指标数据流量，将所述历史指标数据流量划分为训练集及测试集，将所述训练集输入到所述流量预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述流量预测模型进行测试，直至符合预设要求，输出所述流量预测模型，所述流量预测模型用于输出各流程子序列当前监测周期各时刻的各类型指标数据预测流量。

进一步的，所述临界预警模块将各流程子序列当前监测周期的各类型指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息的过程包括：

获取流程子序列当前监测周期各时刻的各类型指标数据预测流量，根据所述各类型指标数据预测流量判断流程子序列当前监测周期内是否存在第一动态指标以及第一动态指标的聚合子网络；

若存在第一动态指标以及第一动态指标的聚合子网络，则将所述第一动态指标以及第一动态指标的聚合子网络的聚合节点对应的指标数据类型与动态临界预防标准中所述第一动态指标中聚合子网络的聚合节点对应指标数据类型进行匹配；

若动态临界预防标准中存在与所述第一动态指标以及第一动态指标的聚合子网络的聚合节点对应的指标数据类型一致的第一动态指标的聚合子网络，则生产当前子序列的故障预警信息，并将所述故障预警信息导入至全流程可视模型。

与现有技术相比，本发明的有益效果是：根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集，并基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络，根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，将根据筛选结果构建动态临界预防标准；将各流程子序列当前监测周期的各类型指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息，实现了工业设备由正常状态转变成故障状态前的早期故障的检测，从而在工业设备故障成熟之前采取预防措施。

附图说明

图1为本申请实施例的一种智能物联网流量预测与优化系统的原理图。

具体实施方式

下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，一种智能物联网流量预测与优化系统，包括监控中心，所述监控中心通信连接有数据采集模块、数据可视模块、状态匹配模块、数据存储模块、动态指标构建模块、数据预测模块和临界预警模块；

所述数据采集模块与工控数据平台中的各工业设备通过物联网节点进行分布式的连接，用于采集各工业设备的各类型指标数据流量并标记采集时间，设置监测周期；

所述数据可视模块用于根据工业生产过程中各流程子序列之间的连接关系构建工业生产全流程可视模型；

所述状态匹配模块用于根据各流程子序列的指标数据总流量获取各流程子序列的运行状态；

所述数据存储模块用于存储工业生产过程中各流程子序列的历史指标数据流量；

所述动态指标构建模块用于根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集，并基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络，根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，将根据筛选结果构建动态临界预防标准；

所述数据预测模块用于根据各流程子序列的历史指标数据流量构建流量预测模块，通过所述流量预测模块获取各流程子序列当前监测周期的各类型指标数据预测流量；

所述临界预警模块用于将各流程子序列当前监测周期的各类型指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息。

需要进一步说明的是，在具体实施过程中，所述数据采集模块采集各工业设备的各类型指标数据流量的过程包括：

获取各工业设备的工艺流程特性，根据工艺流程特性提取流程信息，将工业生产过程按照流程信息进行拆分，划分为若干流程子序列；

在各流程子序列设置物联网节点，根据对应流程子序列的工艺流程特性中的功能特性利用数据检索获取各个物联网节点的各类型监测指标；

所述物联网节点根据各类型监测指标获取各类型监测指标对应的指标数据流量并标记监测时间，设置监测周期。

需要进一步说明的是，在具体实施过程中，所述数据可视模块根据工业生产过程中各流程子序列之间的连接关系构建工业生产全流程可视模型的过程包括：

构建虚拟空间，获取当前工业生产过程中物理空间中的工业设备的物理实体，获取当前工业生产过程中各个物理实体以及各物联网节点对应的指标数据流量，并进行数据格式预处理；

将工业设备的物理实体进行三维建模处理映射到虚拟空间，将预处理后的指标数据流量转化为孪生数据，将孪生数据与对应的三维模型进行匹配获取数字孪生模型；

获取各流程子序列的三维模型之间的装配顺序及装配关系，通过所述装配顺序及装配关系构建拓扑有向图，将流程子序列的三维模型作为拓扑有向图的节点，将各三维模型之间的装配顺序及装配关系作为节点之间的连接关系，将数字孪生模型与拓扑有向图进行匹配获取全流程可视模型。

需要进一步说明的是，在具体实施过程中，所述状态匹配模块根据各流程子序列的指标数据总流量获取各流程子序列的运行状态的过程包括：

设置各流程子序列对应的指标数据总流量标准阈值，获取各流程子序列的物联网节点采集的指标数据总流量，将所述物联网节点与对应的指标数据总流量标准阈值进行比较；

获取指标数据总流量大于指标数据总流量标准阈值的流程子序列，获取指标数据总流量与指标数据总流量标准阈值之间的流量差值，预设误差阈值区间，判断所述流量差值是否落在误差阈值区间内，若不落在，则将当前流程子序列标记为故障状态，若落在，则将当前流程子序列标记为临界状态；

将指标数据总流量小于等于指标数据总流量标准阈值的流程子序列标记为正常状态。

需要进一步说明的是，在具体实施过程中，所述动态指标构建模块根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集的过程包括：

获取数据存储模块内各历史监测周期内流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量，根据所述各类型监测指标对应的指标数据流量构建多类型指标变量集；

同时获取数据存储模块内各历史监测周期内流程子序列处于正常状态时各类型监测指标对应的平均指标数据流量；根据所述各类型监测指标对应的平均指标流量构建多类型指标定量集；

获取各历史监测周期内多类型指标变量集内各类型监测指标对应的指标数据流量以及所述各类型监测指标在多类型指标定量集内对应的指标数据平均指标流量，获取各类型监测指标的指标数据流量与对应的指标数据平均指标的流量差值，设置偏差阈值，对所述流量差值进行偏差阈值分类，将多类型指标变量集内流量差值大于偏差阈值的监测指标标记为第一动态指标并标记第一动态指标的产生时间，根据所述第一动态指标构建第一动态指标集。

需要进一步说明的是，在具体实施过程中，所述动态指标构建模块基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络的过程包括：

获取数据存储模块内各历史监测周期内的第一动态指标集，设置关联时间间隔，基于关联时间间隔对第一动态指标集进行时序聚合，获取第一动态指标集内各第一动态指标的产生时间，获取当前第一动态指标与其他第一动态指标的产生时间的时间间隔，将所述时间间隔与关联时间间隔进行比较；

若时间间隔小于等于关联时间间隔，则将当前第一动态指标标记为聚合中心，将满足时间间隔小于等于关联时间间隔的其他第一动态指标标记为聚合节点，根据所述聚合中心和聚合节点构成当前第一动态指标的聚合子网络，以此类推，获取其他第一动态指标的聚合子网络。

需要进一步说明的是，在具体实施过程中，所述动态指标构建模块根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，将根据筛选结果构建动态临界预防标准的过程包括：

获取各历史监测周期内各第一动态指标的聚合子网络的聚合节点，对各第一动态指标的聚合子网络里的各聚合节点对应的第一动态指标在不同历史监测周期内进行统计分析，获取各第一动态指标在各第一动态指标的聚合子网络里被标记为聚合节点的标记总次数；

获取各第一动态指标产生聚合子网络的总次数，根据所述总次数获取各第一动态指标的聚合节点动态次数阈值，将各第一动态指标在各第一动态指标的聚合子网络里被标记为聚合节点的标记总次数与对应的聚合节点动态次数阈值进行比较；

剔除各历史监测周期内各第一动态指标的聚合子网络里标记总次数小于等于对应的聚合节点动态次数阈值的第一动态指标对应的聚合节点，将各历史监测周期内完成剔除的各第一动态指标的聚合子网络作为动态临界预防标准。

需要进一步说明的是，在具体实施过程中，根据所述总次数获取各第一动态指标的聚合节点动态次数阈值的计算公式为：；

其中，Ni为第i类第一动态指标的聚合节点动态次数阈值；Xi为第i类第一动态指标产生聚合子网络的总次数；a为比例因子。

需要进一步说明的是，在具体实施过程中，所述数据预测模块根据各流程子序列的历史指标数据流量构建流量预测模块，通过所述流量预测模块获取各流程子序列当前监测周期的各类型指标数据预测流量的过程包括：

基于深度学习构建流量预测模型，获取各流程子序列若干历史监测周期内各时刻的历史指标数据流量，将所述历史指标数据流量划分为训练集及测试集，将所述训练集输入到所述流量预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述流量预测模型进行测试，直至符合预设要求，输出所述流量预测模型，所述流量预测模型用于输出各流程子序列当前监测周期各时刻的各类型指标数据预测流量。

需要进一步说明的是，在具体实施过程中，所述临界预警模块将各流程子序列当前监测周期的各类型指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息的过程包括：

获取流程子序列当前监测周期各时刻的各类型指标数据预测流量，根据所述各类型指标数据预测流量判断流程子序列当前监测周期内是否存在第一动态指标以及第一动态指标的聚合子网络；

若存在第一动态指标以及第一动态指标的聚合子网络，则将所述第一动态指标以及第一动态指标的聚合子网络的聚合节点对应的指标数据类型与动态临界预防标准中所述第一动态指标中聚合子网络的聚合节点对应指标数据类型进行匹配；

若动态临界预防标准中存在与所述第一动态指标以及第一动态指标的聚合子网络的聚合节点对应的指标数据类型一致的第一动态指标的聚合子网络，则生产当前子序列的故障预警信息，并将所述故障预警信息导入至全流程可视模型。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种智能物联网流量预测与优化系统，包括监控中心，其特征在于，所述监控中心通信连接有数据采集模块、数据可视模块、状态匹配模块、数据存储模块、动态指标构建模块、数据预测模块和临界预警模块；

所述数据采集模块与工控数据平台中的各工业设备通过物联网节点进行分布式的连接，用于采集各工业设备的各类型监测指标对应的指标数据流量并标记采集时间，设置监测周期；

所述数据可视模块用于根据工业生产过程中各流程子序列之间的连接关系构建工业生产全流程可视模型；

所述状态匹配模块用于根据各流程子序列的指标数据总流量获取各流程子序列的运行状态；

所述数据存储模块用于存储工业生产过程中各流程子序列的历史指标数据流量；

所述动态指标构建模块用于根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集，并基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络，根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，根据筛选结果构建动态临界预防标准；

所述动态指标构建模块根据数据存储模块中流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量构建第一动态指标集的过程包括：

获取数据存储模块内各历史监测周期内流程子序列由临界状态转化为故障状态前处于临界状态时各类型监测指标对应的指标数据流量，根据所述各类型监测指标对应的指标数据流量构建多类型指标变量集；

同时获取数据存储模块内各历史监测周期内流程子序列处于正常状态时各类型监测指标对应的平均指标数据流量；根据所述各类型监测指标对应的平均指标流量构建多类型指标定量集；

获取各历史监测周期内多类型指标变量集内各类型监测指标对应的指标数据流量以及所述各类型监测指标在多类型指标定量集内对应的指标数据平均指标流量，获取各类型监测指标对应的指标数据流量与对应的指标数据平均指标的流量差值，设置偏差阈值，对所述流量差值进行偏差阈值分类，将多类型指标变量集内流量差值大于偏差阈值的监测指标标记为第一动态指标并标记第一动态指标的产生时间，根据所述第一动态指标构建第一动态指标集；

所述动态指标构建模块基于关联时间间隔对第一动态指标进行时序聚合，获取第一动态指标的聚合子网络的过程包括：

获取数据存储模块内各历史监测周期内的第一动态指标集，设置关联时间间隔，基于关联时间间隔对第一动态指标集进行时序聚合，获取第一动态指标集内各第一动态指标的产生时间，获取当前第一动态指标与其他第一动态指标的产生时间的时间间隔，将所述时间间隔与关联时间间隔进行比较；

若时间间隔小于等于关联时间间隔，则将当前第一动态指标标记为聚合中心，将满足时间间隔小于等于关联时间间隔的其他第一动态指标标记为聚合节点，根据所述聚合中心和聚合节点构成当前第一动态指标的聚合子网络，以此类推，获取其他第一动态指标的聚合子网络；

所述动态指标构建模块根据聚合节点动态次数阈值对各第一动态指标的聚合子网络的聚合节点进行筛选，根据筛选结果构建动态临界预防标准的过程包括：

获取各历史监测周期内各第一动态指标的聚合子网络的聚合节点，对各第一动态指标的聚合子网络里的各聚合节点对应的第一动态指标在不同历史监测周期内进行统计分析，获取各第一动态指标在各第一动态指标的聚合子网络里被标记为聚合节点的标记总次数；

获取各第一动态指标产生聚合子网络的总次数，根据所述总次数获取各第一动态指标的聚合节点动态次数阈值，将各第一动态指标在各第一动态指标的聚合子网络里被标记为聚合节点的标记总次数与对应的聚合节点动态次数阈值进行比较；

剔除各历史监测周期内各第一动态指标的聚合子网络里标记总次数小于等于对应的聚合节点动态次数阈值的第一动态指标对应的聚合节点，将各历史监测周期内完成剔除的各第一动态指标的聚合子网络作为动态临界预防标准；

所述数据预测模块用于根据各流程子序列的历史指标数据流量构建流量预测模块，通过所述流量预测模块获取各流程子序列当前监测周期的各类型监测指标对应的指标数据预测流量；

所述临界预警模块用于将各流程子序列当前监测周期的各类型监测指标对应的指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息。

2.根据权利要求1所述的一种智能物联网流量预测与优化系统，其特征在于，所述数据采集模块采集各工业设备的各类型监测指标对应的指标数据流量的过程包括：

获取各工业设备的工艺流程特性，根据工艺流程特性提取流程信息，将工业生产过程按照流程信息进行拆分，划分为若干流程子序列；

在各流程子序列设置物联网节点，根据对应流程子序列的工艺流程特性中的功能特性利用数据检索获取各个物联网节点的各类型监测指标；

所述物联网节点根据各类型监测指标获取各类型监测指标对应的指标数据流量并标记监测时间，设置监测周期。

3.根据权利要求2所述的一种智能物联网流量预测与优化系统，其特征在于，所述数据可视模块根据工业生产过程中各流程子序列之间的连接关系构建工业生产全流程可视模型的过程包括：

构建虚拟空间，获取当前工业生产过程中物理空间中的工业设备的物理实体，获取当前工业生产过程中各个物理实体以及各物联网节点对应的指标数据流量，并进行数据格式预处理；

将工业设备的物理实体进行三维建模处理映射到虚拟空间，将预处理后的指标数据流量转化为孪生数据，将孪生数据与对应的三维模型进行匹配获取数字孪生模型；

获取各流程子序列的三维模型之间的装配顺序及装配关系，通过所述装配顺序及装配关系构建拓扑有向图，将流程子序列的三维模型作为拓扑有向图的节点，将各三维模型之间的装配顺序及装配关系作为节点之间的连接关系，将数字孪生模型与拓扑有向图进行匹配获取全流程可视模型。

4.根据权利要求3所述的一种智能物联网流量预测与优化系统，其特征在于，所述状态匹配模块根据各流程子序列的指标数据总流量获取各流程子序列的运行状态的过程包括：

设置各流程子序列对应的指标数据总流量标准阈值，获取各流程子序列的物联网节点采集的指标数据总流量，将所述物联网节点与对应的指标数据总流量标准阈值进行比较；

获取指标数据总流量大于指标数据总流量标准阈值的流程子序列，获取指标数据总流量与指标数据总流量标准阈值之间的流量差值，预设误差阈值区间，判断所述流量差值是否落在误差阈值区间内，若不落在，则将当前流程子序列标记为故障状态，若落在，则将当前流程子序列标记为临界状态；

将指标数据总流量小于等于指标数据总流量标准阈值的流程子序列标记为正常状态。

5.根据权利要求4所述的一种智能物联网流量预测与优化系统，其特征在于，所述数据预测模块根据各流程子序列的历史指标数据流量构建流量预测模块，通过所述流量预测模块获取各流程子序列当前监测周期的各类型监测指标对应的指标数据预测流量的过程包括：

基于深度学习构建流量预测模型，获取各流程子序列若干历史监测周期内各时刻的历史指标数据流量，将所述历史指标数据流量划分为训练集及测试集，将所述训练集输入到所述流量预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述流量预测模型进行测试，直至符合预设要求，输出所述流量预测模型，所述流量预测模型用于输出各流程子序列当前监测周期各时刻的各类型监测指标对应的指标数据预测流量。

6.根据权利要求5所述的一种智能物联网流量预测与优化系统，其特征在于，所述临界预警模块将各流程子序列当前监测周期的各类型监测指标对应的指标数据预测流量与动态临界预防标准进行特征匹配，并根据特征匹配结果生成故障预警信息的过程包括：

获取流程子序列当前监测周期各时刻的各类型监测指标对应的指标数据预测流量，根据所述各类型监测指标对应的指标数据预测流量判断流程子序列当前监测周期内是否存在第一动态指标以及第一动态指标的聚合子网络；

若存在第一动态指标以及第一动态指标的聚合子网络，则将所述第一动态指标以及第一动态指标的聚合子网络的聚合节点对应的指标数据类型与动态临界预防标准中所述第一动态指标中聚合子网络的聚合节点对应指标数据类型进行匹配；

若动态临界预防标准中存在与所述第一动态指标以及第一动态指标的聚合子网络的聚合节点对应的指标数据类型一致的第一动态指标的聚合子网络，则生成当前子序列的故障预警信息，并将所述故障预警信息导入至全流程可视模型。