[发明专利]基于特征工程对成品库调度系统性能数据的特征抽取方法

说明书

本发明公开了一种基于特征工程对成品库调度系统性能数据的特征抽取方法，包括如下步骤：1)根据经验对成品库物流系统调度子系统的故障场景进行预判，分析故障场景下的数据表现，有针对性地选定对应的指标；2)等时间间隔采集选定的指标数据，并对数据进行清洗、预处理，获得用于特征抽取的数据集；3)对所述数据集进行特征提取，通过激励函数对特征进行放大及展示。该方法对较为细小的特征进行提取、放大，KPI找到合适的特征检测器，找出复杂数据的关键特征，以便于运维人员查看，信息损失较少，同时原始数据中包含的规律依然保留，且可有效减少原始数据中的不确定因素。

技术领域

本发明涉及物流设备监控管理领域，具体地说，是涉及一种基于特征工程对成品库调度系统性能数据的特征抽取方法。

背景技术

成品件烟扫码分拣回流故障是卷烟厂物流调度生产线上的一个常见故障，是生产PLC传输机制方面的原因导致，目前卷烟大部分的PLC工控设备的监控不足，无法获取足够的分析数据，且由于生产环境因素复杂，造成该故障的具体原因也不同，比如防火墙的性能瓶颈、数据库集群心跳超时、存储磁盘IO延时等等。该故障在产生时，都会出现成品件烟的扫码分拣回流现象，大量成品烟支跳出生产流水线，造成经济损失。因此，将成品件烟扫码分拣回流故障作为切入点，通过对PLC设备相关的环境数据的采集及特征抽取方法的研究，可为通过环境应用数据来关联预警该故障打好数据基础。卷烟厂成品库物流系统调度子系统在运行过程中产生了大量的应用性能数据，如：CPU使用率、内存使用率、swap区使用率、磁盘IO速率、IO读写频率、磁盘平均等待时间、网络端口速率等等。这些大量、无序并且杂乱的信息在进行特征抽取之前往往很难被算法直接利用。不管是机器学习、深度学习或统计方法，任何的智能系统都需要有效数据的支持。因此，如何将原始的数据处理成合格的数据输入，成了困扰设备运维人员多年的难题。

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基于特征工程对成品库调度系统性能数据的特征抽取方法，该方法对较为细小的特征进行提取、放大，KPI找到合适的特征检测器，找出复杂数据的关键特征，以便于运维人员查看，信息损失较少，同时原始数据中包含的规律依然保留，且可有效减少原始数据中的不确定因素。

基于上述目的，本发明提供一种基于特征工程对成品库调度系统性能数据的特征抽取方法，包括如下步骤：

1)根据经验对成品库物流系统调度子系统的故障场景进行预判，分析故障场景下的数据表现，有针对性地选定对应的指标；

2)等时间间隔采集选定的指标数据，并对数据进行清洗、预处理，获得用于特征抽取的数据集；

3)对所述数据集进行特征提取，通过激励函数对特征进行放大及展示。

作为优选，对所述数据集进行特征提取包括提取成品库调度系统性能数据，并检验成品库调度系统性能数据的连续性和完整性，以去除CPU使用率、内存使用率、网络端口速率的干扰；

通过检验后，截取所述数据集的1/2用于训练特征选择模型，再在剩余部分截取数据集的1/3用于训练过程中的辅助调参，数据集最后的1/6用于验证模型效果。

作为优选，采用卡方检验特征点提取算法进行特征点的提取。

作为优选，所述完整性检测包括检测特征点的提取内容、提取速度、描述符合情况及描述符合匹配速度。

作为优选，采用回归分析方法检验成品库调度系统性能数据的连续性。

作为优选，检验成品库调度系统性能数据的完整性的具体方法为：按照时间维度，选取各时间点周围的若干个点，形成一个集合，根据所述集合的核密度判断成品库调度系统的性能数据是否完整。

作为优选，所述对指标数据进行清洗包括去除物流分拣机运行数据中异常的数据。