[发明专利]面向多参数系统异常工作状态检测的方法和系统

说明书

本发明提供了一种面向多参数系统异常工作状态检测的方法和系统。所述方法包括：获取所述多参数系统中与各控制参数对应的时空数据流；采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息，基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。本实施例可以在系统中潜在故障发生的初期，通过对各控制参数对应的数据流进行融合分析，较早的识别出故障，提高系统的应变能力和鲁棒性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种面向多参数系统异常工作状态检测的方法和系统。

背景技术

近年来，随着物联网、计算通信以及人工智能技术的迅猛发展，在各个领域出现了越来越多的大型复杂系统。这类复杂系统的典型特点是系统的组成结构与任务求解模型受多种参数影响，且各参数之间存在明显的相关关系。在系统运行过程中，根据某一类或某几类参数进行调控该系统，每类控制参数对应一条时空数据流。面向多参数的系统控制理论强调用整体论和还原论相结合的方法来分析系统，用个体及其相互作用或用演化的结构来描述系统，将系统的输出行为作为主要研究目标和描述对象，对系统演化动力学规律进行探讨。

多参数系统优化问题是人工智能和复杂自适应理论应用的重要研究领域，随着大数据时代来临，基于数据驱动的时空数据流分析是优化多参数系统控制的最有效方法之一。时空数据流是在不同空间位置上，持续传输数据的连续时间序列。每个数据可以抽象为一个三元组：行为属性，时间属性，空间属性。每个数据的行为属性通常由一系列客观测量值组成，这些客观测量值用以描述目标问题的物理特征；时间属性对应每个数据的采集间隔，可以是连续的时间流，也可以是连续的时间间隔；空间属性通常由每条数据流的生成机制决定，如实际采集位置，前后逻辑关系，不同组织层级等。

目前，根据数据流产生机理和研究模式，可以将现有多数据流关联分析分为面向同质数据流的过程融合和面向异质数据流的结果两大类。

例如，如果源于不同空间位置的数据流用于描述相似的行为属性，这些行为属性旨在从不同的角度表示相同的目标问题，那么它们将被视为同质数据流，组成这些数据流的数据可能具备相似的分布和数据结构。由于同质数据流之间可以相互增加信息表述，这类研究的关键在于对不同数据流分析过程的融合。

又如，如果源于不同空间位置的数据流用于描述不同目标问题的不同行为属性，但这些问题是相互关联的，那么可以将它们视为异质数据流，组成这些数据流的数据在属性、类别和分布方面并不相同。由于异质数据流之间相互迥异，这类研究的关键在于对不同数据流分析结果的融合。在多参数系统控制的研究中，由于系统结构的复杂性，很难保证所有数据流的同质性，因此面向异质数据流的分析应用更加广泛。

相关技术中，例如Petri网、贝叶斯网络、故障树等技术，旨在通过拟合各个参数对应的数据流分布，基于构建的正常数据流结构，识别那些明显偏离正常模式的异常数据模式，从而较为准确的发现多参数系统中出现的故障，但这类控制技术属于事后控制机制，只有当某个参数呈现出明显异常状态，即系统中的故障已经彻底爆发时，才能做出判断。然而，在系统运行中，存在一定量的潜在故障，即从故障产生到故障完全爆发之间，存在一定的反应时间。如果能够在系统故障的初期阶段，尽早的将其识别出来，不仅可以避免相当程度的损失，同时也为系统争取到了更多的反应时间。

发明内容

针对现有技术中的缺陷，本发明提供了一种面向多参数系统异常工作状态检测的方法和系统，用于解决相关技术中存在的技术问题。

第一方面，本发明实施例提供了一种面向多参数系统异常工作状态检测的方法，包括：

获取所述多参数系统中与各控制参数对应的时空数据流；

采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；