[发明专利]一种多变量报警系统的正常异常数据划分方法及系统

说明书

技术领域

本发明涉及工业报警技术领域，尤其涉及一种多变量报警系统的正常异常数据划分方法及系统。

背景技术

很多种类的工业报警系统的高效运行依赖于大量丰富且带标签(如“正常”、“异常”)的历史数据。从海量工业数据中人工挑选这类历史数据是效率低下的，且仅适用于较小数据集的情况。因此开发自动划分正常/异常数据段的算法显得尤为重要。现有文献中的定性趋势分析(QTA)方法是一种解决途径。它包含三类主要方法，即滑动窗方法(sliding windows)、自上而下方法(top-down)和自下而上方法(bottom-up)。然而仍然有两大问题未能解决：

1、数据分段方法不仅要能识别邻近的相似数据段，还应该能识别在时间上相隔很远的相似数据段；现有技术中的方法不能达到上述要求

2、现有的方法大多侧重对信号局部的拟合。由强噪声造成的局部突变极易被识别为局部趋势，因此当实际信号具有强噪声时此类方法将可能失效。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种多变量报警系统的正常异常数据划分方法及系统。

本发明解决上述技术问题的技术方案如下：一种多变量报警系统的正常异常数据划分方法，包括如下步骤:

S1,选取用于判断信号是否存在变化的最小时长τ和最小偏离Δ,构建正常状态下各变量的变化方向组合关系矩阵R；

S2,对采集数据中各变量的时间序列进行标准化，得到标准化矩阵X；

S3,在标准化数据矩阵X中加入将时间维度T₀，得到带有时间维度的标准化矩阵S₁；

S4,对带有时间维度的标准化矩阵S₁进行一次聚类,得到预设数量的簇中心；

S5,根据最小时长τ限制合并相邻簇,将合并后的簇中心组成数据集合S₂；

S6,根据最小偏离Δ限制在变量维度上对数据集合S₂进行二次聚类,使簇中心两两间距大于预设值；

S7,计算簇中心变化方向，将簇中心方向变化与变化方向组合关系矩阵R进行对比,以识别异常数据段。

为实现上述发明目的，本发明还提供一种多变量报警系统的正常异常数据划分系统，包括:

限制条件确定模块，用于选取判断信号是否存在变化的最小时长τ和最小偏离Δ,构建正常状态下各变量的变化方向组合关系矩阵R；

标准化模块，用于对采集数据中各变量的时间序列进行标准化，得到标准化矩阵X；

时间维度加入模块，用于在标准化数据矩阵X中加入将时间维度T₀，得到带有时间维度的标准化矩阵S₁；

第一聚类模块，用于对带有时间维度的标准化矩阵S₁进行一次聚类,得到预设数量的簇中心；

簇合并模块，用于根据最小时长τ限制合并相邻簇,将合并后的簇中心组成数据集合S₂；

第二聚类模块，用于根据最小偏离Δ限制在变量维度上对数据集合S₂进行二次聚类,使簇中心两两间距大于预设值；

异常识别模块，用于计算簇中心变化方向，将簇中心方向变化与变化方向组合关系矩阵R进行对比,以识别异常数据段。

本发明的有益效果是：本发明所述方法首先在时间维度上进行一次聚类，可以消除强噪声造成的局部突变被识别为局部趋势的影响，实现有效降低噪声；进而对一次聚类得到的簇进行合并，实现识别邻近的相似数据段；再在变量维度中进行二次聚类，实现识别时间上相隔很远的相似数据段；本发明可实现保持较高计算速度的同时大大降低误报率。相较于传统方法，对于识别系统所处阶段和变化趋势，本发明具有很大优势。

附图说明

图1为本发明实施例中原始信号时间序列图及各个方法的滤波结果图；

图2为本发明实施例中各个方法在各个信号、各个噪声和各个参数设定情况下的耗时对比图；

图3为本发明实施例中各个方法在各个信号、各个噪声和各个参数设定情况下的误报次数对比图；

图4为本发明实施例中正常状态下发电单元的六变量系统的时间序列图；

图5为本发明实施例中正常状态下发电单元中变量X₃和X₆的散点图；

图6为本发明实施例中正常状态下发电单元中变量X₃和X₆的聚类结果图；