[發(fā)明專利]一種挖掘時序數(shù)據(jù)故障模式的系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 201510551484.3
• 申請日: 2015-09-01
• 公開（公告）號: CN105205111A
• 公開（公告）日: 2015-12-30
• 發(fā)明（設(shè)計）人: 鮑軍鵬;楊天社;樊恒海;齊勇;高宇;王小樂;傅娜;魏強
• 申請（專利權(quán)）人: 西安交通大學;中國西安衛(wèi)星測控中心
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權(quán)

1.一種挖掘時序數(shù)據(jù)故障模式的系統(tǒng)，其特征在于，包括：數(shù)據(jù)預(yù)處理模塊、TK-Means聚類模塊、統(tǒng)計學習模塊和DBSCAN聚類模塊；

數(shù)據(jù)預(yù)處理模塊，用于對原始數(shù)據(jù)進行清洗、插值處理，獲得歸一化數(shù)據(jù)；

TK-Means聚類模塊，用于對數(shù)據(jù)預(yù)處理模塊處理后的數(shù)據(jù)進行特征向量提取，然后采用TK-means方法對特征向量進行聚類，然后根據(jù)聚類結(jié)果將數(shù)據(jù)轉(zhuǎn)換成特征字符串；

統(tǒng)計學習模塊，用于對特征字符串進行統(tǒng)計學習，找出頻繁模式和非頻繁模式，所述非頻繁模式對應(yīng)著異常模式；

DBSCAN聚類模塊，用于把多個參數(shù)的異常模式聚集在一起形成故障模式。

2.根據(jù)權(quán)利要求1所述的一種挖掘時序數(shù)據(jù)故障模式的系統(tǒng)，其特征在于，所述系統(tǒng)還包括故障模式生成模塊；所述故障模式生成模塊，用于把故障模式寫成形式化規(guī)則。

3.根據(jù)權(quán)利要求1所述的一種挖掘時序數(shù)據(jù)故障模式的系統(tǒng)，其特征在于，數(shù)據(jù)預(yù)處理模塊包括去野值、生成單參數(shù)文件、等間隔處理以及歸一化處理步驟；去野值的步驟包括：對每個數(shù)據(jù)設(shè)定上下限，把大于上限的數(shù)值變?yōu)樯舷蓿∮谙孪薜臄?shù)值變?yōu)橄孪蓿源巳ヒ爸担坏乳g隔處理處理步驟中，默認對數(shù)據(jù)每隔1秒進行采樣，等間隔處理后的數(shù)據(jù)，每分鐘都從0秒開始，59秒結(jié)束；數(shù)據(jù)經(jīng)過等間隔處理之后進行歸一化處理，將其取值范圍轉(zhuǎn)換到[0,1]區(qū)間上。

4.根據(jù)權(quán)利要求1所述的一種挖掘時序數(shù)據(jù)故障模式的系統(tǒng)，其特征在于，TK-Means聚類模塊首先對數(shù)據(jù)預(yù)處理模塊處理后的數(shù)據(jù)進行特征向量提取，然后用TK-Means方法對特征向量進行聚類，并將所得聚類結(jié)果的每一個簇表示成一個特征字符；在TK-Means方法中，簇的數(shù)目是一個范圍[min,max]；設(shè)置一個最大相似度閾值t*，在聚類開始的時候，隨機選擇一個初始閾值t；如果第一次聚類得到的簇數(shù)目大于max，且t小于最大閾值t*，則將閾值t增大Δt，重新進行聚類，直到第一次聚類得到的簇的數(shù)目在[min,max]范圍中；如果第一次聚類得到的簇的數(shù)目小于min，且閾值t大于Δt，則將閾值t減小Δt，重新進行聚類，直到第一次聚類得到的簇的數(shù)目在[min,max]范圍中；TK-Means聚類的具體過程為：(1)第一次聚類；(2)如果第一次聚類得到的簇的數(shù)目在[min,max]范圍中，則執(zhí)行第(3)步，否則按照調(diào)整閾值t并重復(fù)執(zhí)行第(1)步；(3)聚類并調(diào)整簇心，迭代次數(shù)i遞增；(4)判斷聚類結(jié)果是否穩(wěn)定，如果聚類結(jié)果不穩(wěn)定，則重復(fù)執(zhí)行第(3)步，否則聚類結(jié)束；在第一次聚類中，當簇每增加一條數(shù)據(jù)時，調(diào)整簇中心，直到處理完所有數(shù)據(jù)；在第(3)步的聚類過程中，直到所有數(shù)據(jù)全部處理完后，才調(diào)整一次簇心。

5.根據(jù)權(quán)利要求1所述的一種挖掘時序數(shù)據(jù)故障模式的系統(tǒng)，其特征在于，統(tǒng)計學習模塊通過尋找頻繁模式的間隙來確定非頻繁模式，即異常模式；正常模式被打斷的地方就是異常模式；正常模式就是頻繁發(fā)生的模式，對應(yīng)特征字符串上的頻繁模式；而異常模式不是頻繁發(fā)生，把特征字符串上的頻繁模式去掉之后，剩下的片段就是非頻繁模式，即潛在異常模式；尋找異常模式的過程為：(1)把特征字符串劃分為一系列長度為L的單詞，并且統(tǒng)計每個單詞的出現(xiàn)頻率；(2)如果一個單詞的出現(xiàn)頻率大于給定閾值，稱作頻繁單詞，否則為非頻繁單詞；(3)連續(xù)取L個字符構(gòu)成當前單詞；如果未達到字符串末尾，則執(zhí)行下一步；否則把當前頻繁模式放入頻繁模式集中，輸出頻繁模式集，然后執(zhí)行第(7)步；(4)判斷當前單詞是否為頻繁單詞；如果是執(zhí)行下一步，否則執(zhí)行第(6)步；(5)向后滑動L個字符并更新當前頻繁模式，然后執(zhí)行第(3)步；(6)向后滑動一個字符，并判斷前一個單詞是否為頻繁單詞；如果是，則更新頻繁模式集，即把當前頻繁模式放入頻繁模式集中；然后執(zhí)行第(3)步；(7)按照起始位置取出頻繁模式集中相鄰的兩個頻繁模式；(8)相鄰頻繁模式的間隙就是非頻繁模式，即潛在異常模式；間隙就是從上一個模式末尾到下一個模式開頭之間的字符串。