[发明专利]一种基于大数据技术的二次设备隐患挖掘方法

权利要求书

1.一种基于大数据技术的二次设备隐患挖掘方法，其特征在于包含两个过程：基于二次设备历史数据的模型训练和异常样本辨识；

1)所述基于二次设备历史数据的模型训练步骤的具体内容如下：

1.1)获取二次设备监测数据的特征矩阵具体过程如下：

对各类二次设备的不同的原始信息进行预处理和规范化，形成设备特征样本矩阵，其中，在构造特征样本矩阵时，将同一型号的不同设备，混排在样本数据的矩阵中，所述样本数据的矩阵如下式所示：

Rawdata_j＝[IDTf_j,1f_j,2...f_j,m]

(j＝1,2,…,N)(1)

式(2)中，Rawdata_j代表第j条某个编号为ID的二次设备在某个时刻T的状态检测样本数据，该类二次设备有m个特征指标，依次构成监测特征数据；

其中的监测特征数据的特征矩阵为：

Feature_j＝[f_j,1f_j,2...f_j,m]

(j＝1,2,…,N)(3)

同样，j为样本索引，m代表第m个特征指标，N表示样本数；

1.2)所述二次设备样本数据主成分分析具体过程如下：

将所述步骤1.1)中样本数据的监测数据的特征矩阵[f_j,1f_j,2...f_j,m]，经过主成分分析，即将特征矩阵映射到一个K维空间内，其中K的维度<N，使保留下来的数据能最大化表示原始数据集的信息，并保存降维转换矩阵Q_T，生成降维后特征矩阵FEATURES_PCA_j＝[f_j,1f_j,2...f_j,k]；

1.3)可靠统计概率分布具体步骤如下：

初始化：从降维特征矩阵FEATURES_PCA中随机抽取H个样本，其中N/2≤H≤3N/4，计算其样本均值T1和协方差矩阵S1；

计算样本偏离中心距离：

dj=(FEATURES_PCAj-T1)S1-1(FEATURES_PCAj-T1)T(j=1,2,...,N)---(4)]]>

迭代优化：从降维特征矩阵中选择对应马氏距离最小的H个样本，迭代计算其样本均值T2和协方差矩阵S2，当满足det(S2)＝det(S1)或det(S2)＝0时，将T1和S1分别作为降维特征矩阵总体分布期望T和方差S的可靠估计；

将大量历史样本经过之前1)-3)步骤后的计算，得到样本状态评价模型，即：降维特征矩阵总体分布期望T和方差S的可靠估计量；

2)所述异常样本辨识的具体过程如下：

2.1)设定观察目标对象即二次设备的ID，及该二次设备的观测时间段[t1t2]，从样本数据中取出满足条件的数据子集，作为待测样本；

2.2)利用步骤1.2)中生成的降维转换矩阵Q_T对待测样本进行降维，得到降维后的待测样本；

2.3)利用步骤1.3)中生成的协方差矩阵S作为映射矩阵，将降维后的待测样本投影到总体样本空间，得到规范化的待测样本；

2.4)计算规范化待测样本的局部均值与方差：将待测样本均值与步骤1.3)迭代优化后的总体样本均值进行距离计算作为异常程度指标值，将待测样本方差作为稳定程度指标值。

2.根据权利要求1所述的方法，其特征在于：所述马氏距离服从自由度为K的卡方分布，当满足d＞d_threshold时视为异常样本。