[发明专利]在线异常的监测诊断方法和系统

权利要求书

1.一种在线异常的监测诊断方法，其特征在于，包括：

基于有向图模型定义全部信号的因果关系和条件关系；

基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数；

基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常；基于有向图模型定义全部信号的因果关系和条件关系，包括：

通过影响评估和信号相关性程度，建立有向图模型；和/或，

将被监测的信号确定为结果，则定义与结果信号存在直接联系的信号为因果关系，定义与结果未存在直接联系但有间接联系的信号为条件关系，并基于所述关系将信号归类，其中，包括三个种类：直接影响因素、条件影响因素、结果；

基于有向图模型对信号的定义，对获取的历史数据中的信号分类并建立历史数据的训练集以进行模型训练并确定模型参数，包括：

从存储的历史数据中获取一段时间某单个环节相应的所有信号的历史数据；根据信号的归类，对历史数据中信号的种类进行划分；按照训练数据和验证数据设定比例并以时间为序做好数据的训练集；基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型；

基于将在线监测所获取的实时数据放入训练好的模型中所得到的实时数据中的信号的实时数据理论值，确定实时数据中的信号是否存在异常，包括：

获取对应历史数据的某单个环节相应的所有信号的实时数据；将实时数据放入已经训练好的模型中，预测得到实时数据中对应的每个信号的理论值；对比实时数据理论值和实时数据的实际值的差异，以产生的偏差判断是否为异常点，以确定实时数据中的信号是否存在异常。

2.如权利要求1所述的方法，其特征在于，通过影响评估和信号的相关性程度，建立有向图模型，包括：通过决策树算法和/或皮尔逊系数来分析每个信号之间的关系，评估影响和确定信号相关性程度。

3.如权利要求1所述的方法，其特征在于，基于训练集中的历史数据，进行模型训练并确定模型参数，以获得训练好的模型，包括：

将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，得到在99％的置信区间内每个目标信号的理论值范围，以获得训练好的模型；

或者，将训练集放入层次聚类模型进行训练，确定模型最优参数，以获得训练好的模型。

4.如权利要求3所述的方法，其特征在于，将训练集放入LSTM模型中，对模型进行训练，确定模型最优参数，包括：

将训练集放入LSTM模型中，利用反向传导算法对模型进行训练，设置最大训练次数，并随机设置多组初始化参数，根据验证数据和预测数据进行对比，将最好的一组参数选择作为最优模型的参数。

5.如权利要求1-4之一所述的方法，还包括：

基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因。

6.如权利要求5所述的方法，基于确定存在异常的信号作为输入，推导异常时其他信号的实时数据理论值，确定异常发生的原因，包括：

基于有向图模型定义全部信号的因果关系和条件关系，对出现异常的信号归类；

将结果类型的信号的实时数据的实际值作为输入推导其他与其关联的其他信号的实时数据的理论值；

对比与其关联的其他信号的实时数据的理论值和相应的所述其他信号的实时数据的实际值，确定异常发生的原因。