[發明專利]一種趨勢性征兆的異常確定方法及裝置

有效

• 申請號: 202011030858.4
• 申請日: 2020-09-27
• 公開（公告）號: CN111931872B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 田春華;李闖;劉家揚;張浩
• 申請（專利權）人: 北京工業大數據創新中心有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/9038;G06F16/906
• 代理公司: 北京潤捷智誠知識產權代理事務所(普通合伙) 11831
• 代理人: 安利霞

1.一種趨勢性征兆的異常確定方法，其特征在于，包括：

獲取工業設備的指標的趨勢性征兆的序列；

確定所述趨勢性征兆研判模型；

根據所述趨勢性征兆研判模型，確定所述趨勢性征兆的序列是否異常；

所述趨勢性征兆研判模型通過以下過程確定：

獲取包括了用戶標記的異常趨勢的趨勢性征兆的長期序列；

從所述長期序列中確定所述異常趨勢的時間窗口的分布；

根據時間窗口，獲取所述長期序列中的正常子序列；

根據正常子序列和異常子序列，確定所述趨勢性征兆研判模型；

其中，根據所述異常趨勢的時間窗口，獲取所述長期序列中的正常子序列，包括：

根據所述異常趨勢的時間窗口的分布，按照時間窗口大小滑動，獲取所述長期序列中的正常子序列；具體的，對于異常趨勢的時間窗口的分布，通過統計分布，獲取其最大值和最小值；其中，根據所述正常子序列和異常子序列，確定所述趨勢性征兆研判模型，包括：

對所述正常子序列和異常子序列進行分解，獲得所述正常子序列和異常子序列的特征變量；具體通過時序的魯棒性對所述正常子序列和異常子序列進行分解，獲得所述正常子序列和異常子序列的特征變量；

對所述特征變量進行分類模型訓練，確定所述趨勢性征兆研判模型。

2.根據權利要求1所述的趨勢性征兆的異常確定方法，其特征在于，所述特征變量包括：

趨勢項的能量占比；

周期項的能量占比；

干擾項的能量占比；

趨勢項的模態類型和參數。

3.根據權利要求2所述的趨勢性征兆的異常確定方法，其特征在于，所述趨勢項的模態類型包括線型模態、指數型模態或者對數型模態。

4.根據權利要求1所述的趨勢性征兆的異常確定方法，其特征在于，在符合時間窗口長度的正常子序列中，只選取斜率的絕對值大于或等于所述用戶標記的異常子序列的斜率的絕對值的正常子序列。

5.根據權利要求1所述的趨勢性征兆的異常確定方法，其特征在于，對所述特征變量進行分類模型訓練，確定所述趨勢性征兆研判模型，包括：

采用分類算法對所述特征變量進行分類模型訓練，確定所述趨勢性征兆研判模型。

6.根據權利要求1-5任一項所述的趨勢性征兆的異常確定方法，其特征在于，根據所述趨勢性征兆研判模型，確定所述趨勢性征兆的序列是否異常，包括：

按照時間窗口的大小滑動，獲取趨勢性征兆的序列中的多個正常子序列；

對多個所述正常子序列進行分解，獲得多個正常子序列的特征變量；

將所述特征變量輸入所述趨勢性征兆研判模型中，輸出趨勢性征兆的序列是否異常的結果。

7.一種趨勢性征兆的異常確定裝置，其特征在于，包括：

獲取模塊，用于獲取工業設備的指標的趨勢性征兆的序列；

確定模塊，用于確定所述趨勢性征兆研判模型；

處理模塊，用于根據所述趨勢性征兆研判模型，確定所述趨勢性征兆的序列是否異常；

所述趨勢性征兆研判模型通過以下過程確定：

獲取包括了用戶標記的異常趨勢的趨勢性征兆的長期序列；

從所述長期序列中確定所述異常趨勢的時間窗口的分布；

根據時間窗口，獲取所述長期序列中的正常子序列；

根據正常子序列和異常子序列，確定所述趨勢性征兆研判模型；

其中，根據所述異常趨勢的時間窗口，獲取所述長期序列中的正常子序列，包括：

根據所述異常趨勢的時間窗口的分布，按照時間窗口大小滑動，獲取所述長期序列中的正常子序列；具體的，對于異常趨勢的時間窗口的分布，通過統計分布，獲取其最大值和最小值；其中，根據所述正常子序列和異常子序列，確定所述趨勢性征兆研判模型，包括：

對所述正常子序列和異常子序列進行分解，獲得所述正常子序列和異常子序列的特征變量；具體通過時序的魯棒性對所述正常子序列和異常子序列進行分解，獲得所述正常子序列和異常子序列的特征變量；

對所述特征變量進行分類模型訓練，確定所述趨勢性征兆研判模型。