IoT设备时序数据分析与异常监测平台产品系统

1 面向工业设备、IoT终端及传感器产生的大规模时序数据，对设备运行状态进行持续监测和分析。
2 系统通过整合设备实时数据、历史运行数据、设备参数及业务数据，对设备运行状态进行自动识别，并基于时序特征和业务规则发现长时间停机、离线、运行状态异常、关键指标异常等问题。
3 适用于工业设备监控、IoT设备运维、生产设备异常分析、传感器数据监测、设备健康管理以及智能运维等场景。

1 多源数据接入
支持设备 IoT 时序数据、关系型数据库、业务系统以及历史文件等多种数据来源，实现设备数据统一处理。
2 设备时序数据处理
对设备连续运行数据进行时间对齐、数据清洗、缺失值处理、状态归一化及特征计算。
3 设备状态自动识别
结合设备运行模式、关键指标、启动次数、心跳等信息，对设备运行、停止、离线、恢复等状态进行自动判断。
4 异常规则配置
支持根据设备运行机理设置阈值、持续时间、变化趋势、状态组合等异常判断规则。
5 持续状态监测
系统周期性获取设备最新数据，对已进入监控状态的设备持续跟踪，直到设备恢复正常或满足退出条件。
6 候选设备筛选
针对大规模设备数据，可先通过关键指标进行批量初筛，再结合多日时序数据进行二次验证，降低误报。
7 实时数据处理
支持通过 Kafka 消费设备实时数据，对设备状态及关键指标进行实时或准实时计算。
8 异常结果输出
异常结果可写入 MySQL 等数据库，也可输出为 CSV、Excel 或通过 API 提供给其他业务系统。

系统整体采用 Python 进行开发，将设备数据获取、数据清洗、状态判断、异常识别及结果输出拆分为独立模块。

设备数据主要按照时间序列形式进行处理。首先从 IoT 时序数据库、关系型数据库或消息队列中获取设备运行数据，并根据设备 ID 和时间进行统一关联。

数据进入系统后，对原始数据进行时间排序、异常值过滤、字段标准化和特征计算，并根据设备运行机理提取设备状态、启动次数变化、关键参数变化以及在线状态等特征。

异常检测采用规则分析 + 时序验证的方式。

首先根据关键指标和阈值对大量设备进行快速筛选，找到疑似异常设备；随后获取候选设备连续多日运行数据，根据异常持续时间、指标变化趋势和设备运行状态进行进一步验证，从而降低单点异常数据导致的误判。

对于需要实时计算的数据，通过 Kafka 消费设备运行消息，并结合设备基础参数进行实时计算。设备参数采用缓存机制进行管理，减少频繁查询数据库造成的性能开销。

系统同时维护设备监控状态，对异常设备持续跟踪。当检测到设备恢复正常后自动更新状态并退出监控，实现完整的设备异常监测生命周期。

项目增加日志、异常处理、任务去重、参数缓存、健康检查及优雅退出机制，并通过 Docker 进行部署，提高生产环境下的稳定性和可维护性。