[發明專利]一種基于定性趨勢分析的多變量報警監控方法與系統

有效

• 申請號: 201810372850.2
• 申請日: 2018-04-24
• 公開（公告）號: CN108573055B
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 王建東;陳礦
• 申請（專利權）人: 山東科技大學
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62;G08B21/18
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

本發明公開了一種基于定性趨勢分析的多變量報警監控方法及系統，將歷史原始數據轉換為趨勢序列，提取報警和正常數據的顯著時間序列模式及相應的相似數據段，將兩種顯著時間序列模式進行集合運算，實現多變量的報警監控。本發明可以從多變量系統的歷史數據集中快速提取顯著的多變量時間序列模式及相似數據段。本發明可實現工業報警系統對生產過程的深層次監控，提高工業報警系統的監控能力。

技術領域

本發明涉及工業報警系統等自動化技術領域，具體涉及一種基于定性趨勢分析的多變量報警監控方法與系統。

背景技術

在現代工業報警系統中，需要監控的過程變量數以千計，與這些過程變量相關聯的過程變量數量則更為龐大，這些過程變量的時間序列數據具有“大容量、多樣性、變化性、真實性、高價值”的特點。針對過程變量時間序列數據的特點，從大量時間序列數據中發掘屬于同類典型模式的相似數據段，利用數據段的模式特性進行報警監控，將有助于更好地實現對工業過程運行狀況的監控。目前常用“增加、減少、不變”來描述過程變量的變化過程，因此，對具有N個過程變量的多變量系統，所有可能的模式共有3^N種，且模式的數量隨著N的增加呈指數增加，因而人力完成分析將會是一項巨大的工作?，F有的自動化尋找相似數據段的方法較多，較為典型的有：基于動態時間規整(DTW)算法衡量兩段時間序列相似性的方法、基于模糊C均值在主成分空間聚類的方法、采用人工神經網絡及遺傳算法提取時間序列特征并據此對時間序列分類的方法、預先定義若干種基元模式并將時間序列表示成基元序列進行分析的方法等。

現有方法的缺陷主要在于僅能處理單變量的時間序列，而無法有效尋找相似的多變量時間序列，致使工業報警系統中重要的歷史數據信息未得到充分有效地利用。

發明內容

本發明為了解決上述問題，提出了一種基于定性趨勢分析的多變量報警監控方法與系統，本發明從多變量系統的歷史數據中提取多種顯著時間序列模式及相應的相似數據段，可實現工業報警系統對生產過程的深層次監控，提高工業報警系統的監控能力。

為了實現上述目的，本發明采用如下技術方案：

一種基于定性趨勢分析的多變量報警監控方法，將歷史原始數據轉換為趨勢序列，提取報警和正常數據的顯著時間序列模式及相應的相似數據段，將兩種顯著時間序列模式進行集合運算，實現多變量的報警監控。

上述方法具體包括以下步驟：

選擇一段歷史數據作為原始數據；

使用定性趨勢分析方法，將原始數據轉換為趨勢序列；

根據報警配置信息，計算歷史報警序列，并根據歷史報警序列將數據分為報警數據集和正常數據集,將其分別應用多特征主題模型得到主題概率；

計算報警數據集和正常數據集的顯著模式及相應的相似數據段，對兩組顯著模式進行集合運算。

進一步的，使用定性趨勢分析方法，將原始數據轉換為趨勢序列，將其描述成具有特征的文檔，該特征提取成基于時間序列的每一時刻的趨勢描述。

更進一步的，趨勢描述包括增加、減少和不變。

進一步的，依據多特征主題模型迭代求解主題概率模型，對于每一個主題計算主題概率標準差，并對比基于所有文檔計算所有主題的全局標準差，再對所有數據段歸類為其最有可能隸屬的模式。

進一步的，多特征主題模型中每一文檔都包含多項相互獨立的特征，每項特征可有多種取值，且特征相互獨立，計算一次觀測的概率，將一次觀測展開成包含隱變量的形式，進而構建基于隱變量的未知參數集，得到似然概率函數，通過期望最大化算法最大化該似然概率，不斷迭代計算得到未知參數的解。

進一步的，得到主題概率分布，對于每一個主題，計算主題概率標準差，基于所有文檔計算所有主題的全局標準差，若某一主題的標準差大于全局標準差，則認為該主題是顯著的。