[发明专利]一种时序数据非预期故障检测方法

说明书

技术领域

本发明属于智能信息处理和计算机技术领域，具体涉及一种时序数据非预期故障检测方法。

背景技术

复杂的时序系统由很多部件构成，每个部件又有很多个观测参数。一般而言，部件各参数的不同态势会呈现出系统整体或局部的运行情况。需要对已知数据所呈现出的不同态势进行学习，建立起事件特征库。然后，分析出不同事件的特征组合模式与时序系统运行状况的关系。这样就可以根据当前数据的组合特征实时反映出时序系统当前的运行状况。如果检测到了事件特征库中并未出现过的组合模式，那么就是发生了非预期事件。非预期事件可能代表着新出现的情况，更可能代表着以前未知的故障特征。现有方法大多以基于案例推理(即Case Based Reasoning,CBR)的方法对数据属性进行分析，将其与案例库中的案例特征进行对比然后判定出具体故障；对于新的非预期案例要么判定错误，要么无能为力。现有方法收集整理案例库往往比较困难，需要消耗大量人力。

发明内容

本发明的目的在于提供了一种时序数据非预期故障检测方法，能够用于实时检测非预期事件或者故障，并提供相关辅助信息，帮助系统用户去判断该非预期事件所反映的系统运行状况。

为达到上述目的，本发明采用的技术方案是：

一种时序数据非预期故障检测方法，实现该方法的系统包括数据预处理模块、TK-Means聚类模块、特征库生成模块、检测判定模块，其具体步骤是：

1)首先，采用数据预处理模块对原始数据进行去野值、等间隔处理文件以及归一化处理，获取标准化的数据，并且提取相关多特征向量；

2)其次，采用TK-Means聚类模块对特征向量进行聚类，然后基于聚类结果，将原始数据表示成特征字符串；

3)然后，采用特征库生成模块对每个参数在数据预处理和聚类过程中的基本数据记录到参数信息库中，包括每个参数的最大值、最小值、簇中心向量和特征字符对应情况，然后生成一个用于记录所有参数组合特征的出现次数与频率的事件特征库；

4)最后，通过检测判定模块对新数据实时获得其特征向量，并对同一时刻多个参数特征的组合与特征库中数据进行对比，如果该组合特征在特征库中已有记录，那么就是已知模式，否则就是检测到非预期模式，非预期模式就是潜在的非预期故障。

所述的数据预处理模块“去野值处理”是指删除无效野值，保留有效值；对数据进行等间隔处理保证在连续时间段内任意两个数据点之间的时间间隔相同；数据经过等间隔处理之后进行归一化处理消除不同量纲对结果的影响从而获取标准化的数据。

所述的TK-Means聚类模块采用申请号：2015105516228，一种时序数据异常特征的挖掘系统及方法，其中，‘a’表示最频繁出现的特征，‘b’表示次频繁出现的特征，依此类推；出现概率小于给定阈值0.02的特征被表示为‘？’；空数据，即未记录数据的区间或者被删除的区间，则用‘#’来表示。

所述的特征库生成模块生成一个参数信息库和一个事件特征库：

所述的参数信息库的建立包括：

2-1)取一个待处理参数；

2-2)在参数信息库中创建该参数的记录；

2-3)记录该参数的最大值和最小值特征；

2-4)记录该参数均值、方差、小波系数、傅立叶系数、频率特征的最大值和最小值；

2-5)获得该参数TK-Means聚类的结果；

2-6)聚类结果记录该参数每个簇中心向量及其对应的特征字符；

2-7)判断当前是否处理完所有的参数；如果未处理完所有参数，则转至步骤2-1重复执行上述过程；如果已经处理完所有参数，则执行步骤2-8)；

2-8)输出结果，更新参数信息库内容；生成参数信息库过程结束；

所述的事件特征库的建立过程：

3-1)对齐所有参数的特征字符序列；

3-2)记录特征库统计起止时间、窗口数目、参数组成；

3-3)置当前字符位置i为0；

3-4)判断当前字符位置i是否小于序列长度，如果当前字符位置i小于序列长度，则执行步骤3-5)，如果当前字符位置i大于或者等于序列长度则执行步骤3-10)；

3-5)取所有参数在i位置上的特征字符组合成特征模式t；

3-6)判定特征模式t是否已经存在于事件特征库中；如果模式t已经存在于事件特征库中，则执行步骤3-7)，特征模式t没有存在于事件特征库中，则执行步骤3-8)；

3-7)把特征模式t的出现次数加1；

3-8)把特征模式t的出现次数置为1；