[发明专利]一种趋势性征兆的异常确定方法及装置

权利要求书

1.一种趋势性征兆的异常确定方法，其特征在于，包括：

获取工业设备的指标的趋势性征兆的序列；

确定所述趋势性征兆研判模型；

根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常；

所述趋势性征兆研判模型通过以下过程确定：

获取包括了用户标记的异常趋势的趋势性征兆的长期序列；

从所述长期序列中确定所述异常趋势的时间窗口的分布；

根据时间窗口，获取所述长期序列中的正常子序列；

根据正常子序列和异常子序列，确定所述趋势性征兆研判模型；

其中，根据所述异常趋势的时间窗口，获取所述长期序列中的正常子序列，包括：

根据所述异常趋势的时间窗口的分布，按照时间窗口大小滑动，获取所述长期序列中的正常子序列；具体的，对于异常趋势的时间窗口的分布，通过统计分布，获取其最大值和最小值；其中，根据所述正常子序列和异常子序列，确定所述趋势性征兆研判模型，包括：

对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；具体通过时序的鲁棒性对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；

对所述特征变量进行分类模型训练，确定所述趋势性征兆研判模型。

2.根据权利要求1所述的趋势性征兆的异常确定方法，其特征在于，所述特征变量包括：

趋势项的能量占比；

周期项的能量占比；

干扰项的能量占比；

趋势项的模态类型和参数。

3.根据权利要求2所述的趋势性征兆的异常确定方法，其特征在于，所述趋势项的模态类型包括线型模态、指数型模态或者对数型模态。

4.根据权利要求1所述的趋势性征兆的异常确定方法，其特征在于，在符合时间窗口长度的正常子序列中，只选取斜率的绝对值大于或等于所述用户标记的异常子序列的斜率的绝对值的正常子序列。

5.根据权利要求1所述的趋势性征兆的异常确定方法，其特征在于，对所述特征变量进行分类模型训练，确定所述趋势性征兆研判模型，包括：

采用分类算法对所述特征变量进行分类模型训练，确定所述趋势性征兆研判模型。

6.根据权利要求1-5任一项所述的趋势性征兆的异常确定方法，其特征在于，根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常，包括：

按照时间窗口的大小滑动，获取趋势性征兆的序列中的多个正常子序列；

对多个所述正常子序列进行分解，获得多个正常子序列的特征变量；

将所述特征变量输入所述趋势性征兆研判模型中，输出趋势性征兆的序列是否异常的结果。

7.一种趋势性征兆的异常确定装置，其特征在于，包括：

获取模块，用于获取工业设备的指标的趋势性征兆的序列；

确定模块，用于确定所述趋势性征兆研判模型；

处理模块，用于根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常；

所述趋势性征兆研判模型通过以下过程确定：

获取包括了用户标记的异常趋势的趋势性征兆的长期序列；

从所述长期序列中确定所述异常趋势的时间窗口的分布；

根据时间窗口，获取所述长期序列中的正常子序列；

根据正常子序列和异常子序列，确定所述趋势性征兆研判模型；

其中，根据所述异常趋势的时间窗口，获取所述长期序列中的正常子序列，包括：

根据所述异常趋势的时间窗口的分布，按照时间窗口大小滑动，获取所述长期序列中的正常子序列；具体的，对于异常趋势的时间窗口的分布，通过统计分布，获取其最大值和最小值；其中，根据所述正常子序列和异常子序列，确定所述趋势性征兆研判模型，包括：

对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；具体通过时序的鲁棒性对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；

对所述特征变量进行分类模型训练，确定所述趋势性征兆研判模型。