[發明專利]一種挖掘時序數據故障模式的系統及方法

在審

• 申請號: 201510551484.3
• 申請日: 2015-09-01
• 公開（公告）號: CN105205111A
• 公開（公告）日: 2015-12-30
• 發明（設計）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）人: 西安交通大學;中國西安衛星測控中心
• 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

【技術領域】

本發明屬于計算機技術和智能信息處理領域，具體涉及一種挖掘時序數據故障模式的系統及方法。

【背景技術】

時序數據就是隨著時間不斷變化的數據序列。時序數據產生于社會生活生產活動中對各種對象的持續觀測記錄，具有極其廣泛的來源和重要的作用。例如，對航天器實時檢測的數據、PM2.5等各種氣象觀測數據、股票期貨等金融交易數據、各種傳感器的監測數據、網絡流量數據等等。時序數據遍布現代生活的方方面面，是構成大數據的主要源泉之一。

從時序數據中挖掘和發現故障模式對于維護系統正常運營，提取異常和故障知識，針對觀測對象檢測、發現、預測、預警異常和故障事件，建立故障診斷和健康管理系統都具有重要作用。

【發明內容】

本發明的目的在于提供一種挖掘時序數據故障模式的系統及方法，本發明解決了從海量時序觀測數據中挖掘數據變化規律，發現故障模式的問題。

為了實現上述目的，本發明采用如下技術方案：

一種挖掘時序數據故障模式的系統，包括：數據預處理模塊、TK-Means聚類模塊、統計學習模塊和DBSCAN聚類模塊；

數據預處理模塊，用于對原始數據進行清洗、插值處理，獲得歸一化數據；

TK-Means聚類模塊，用于對數據預處理模塊處理后的數據進行特征向量提取，然后采用TK-means方法對特征向量進行聚類，然后根據聚類結果將數據轉換成特征字符串；

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

DBSCAN聚類模塊，用于把多個參數的異常模式聚集在一起形成故障模式。

本發明進一步的改進在于：所述系統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則。

本發明進一步的改進在于：數據預處理模塊包括去野值、生成單參數文件、等間隔處理以及歸一化處理步驟；去野值的步驟包括：對每個數據設定上下限，把大于上限的數值變為上限，小于下限的數值變為下限，以此去野值；等間隔處理處理步驟中，默認對數據每隔1秒進行采樣，等間隔處理后的數據，每分鐘都從0秒開始，59秒結束；數據經過等間隔處理之后進行歸一化處理，將其取值范圍轉換到[0,1]區間上。

本發明進一步的改進在于：TK-Means聚類模塊首先對數據預處理模塊處理后的數據進行特征向量提取，然后用TK-Means方法對特征向量進行聚類，并將所得聚類結果的每一個簇表示成一個特征字符；在TK-Means方法中，簇的數目是一個范圍[min,max]；設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目在[min,max]范圍中；如果第一次聚類得到的簇的數目小于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目在[min,max]范圍中，則執行第(3)步，否則按照調整閾值t并重復執行第(1)步；(3)聚類并調整簇心，迭代次數i遞增；(4)判斷聚類結果是否穩定，如果聚類結果不穩定，則重復執行第(3)步，否則聚類結束；在第一次聚類中，當簇每增加一條數據時，調整簇中心，直到處理完所有數據；在第(3)步的聚類過程中，直到所有數據全部處理完后，才調整一次簇心。