[发明专利]一种基于贝叶斯网络的异常路径分析方法

说明书

本发明公开了一种新的异常路径分析方法，利用贝叶斯网络结构，帮助在工业数据流中建立因果模型，了解工业数据之间的依赖关系，并对网络节点数据流进行异常检测，最后对最大异常路径进行输出，得到最可能的异常传播路径。本发明提出了一种新的异常路径分析方法，提出了通过调整优化变量序并将其作为贝叶斯网络结构学习的搜索空间，提高贝叶斯网络结构学习的准确度。然后利用异常检测方法，对贝叶斯网络结构节点进行异常值评估，实现有效的异常路径分析。

技术领域

本发明涉及一种新的数据异常路径分析方法—一种基于贝叶斯网络的异常路径分析方法。

背景技术

近年来，随着数据技术的发展，数据的采集、传输、存储和挖掘等被各行业广泛应用。数据技术已经服务于多个行业领域包括工业生产、公共安全、交通运输等，并取得了了较大的成功。通过数据挖掘技术，建立基于数据驱动的辅助决策系统，提高工作效率和经济效益是目前数据技术应用的主要内在动力之一。因此，如何充分利用数据技术在行业发展中的作用，不断提高经济效益和社会效益一直是研究的热点。伴随着工业生产的智能化，人的作用越来越弱而大机器设备愈发复杂，保障机器设备安全稳定运行极其重要。近几年数据采集技术和大数据传输技术的发展，为建立基于数据驱动的设备监控和异常预警系统准备了充分的数据条件。而通过数据去发现设备中的问题所利用的核心技术之一就是异常检测方法，通过对数据进行分析并发现异常，进而及时了解设备状态，对设备进行相关维护。目前在复杂的工业生产设备下，发现问题仅仅是初步的任务，如果排查定位问题是需要进一步解决的问题。

目前人们普遍关注于发现数据中的异常，基于此学者们研究了大量的异常检测算法如基于统计模型、基于聚类、基于相似性度量、基于约束规则等。但这些异常检测算法只能处理异常的发现任务，而对于异常是从哪里发生并传播的很难给出有效的解决方案。尤其是在工业领域，各个采集数据点之间存在较强的关联程度，某一处的数据异常波动，会导致其下游的数据也出现异常。当异常存在放大效应时，某一点的微小波动可能不易察觉，但到下游则会出现剧烈的异常波动，此时根据当前点的波动去分析异常来源具有重要的现实意义。尤其是涉及到工业设备安全运行方面，工业界最普遍的设备维护方法是对设备进行定期的维护和检修。而早期的设备异常往往能够反映在数据之中，通过对数据进行分析能够更早的发现异常，同时利用异常路径分析方法对异常源进行定位，有利于用户发现问题原因，提前排查问题，减少经济损失。通过异常路径分析技术，对协助用户筛查问题，辅助用户决策等具有重要的意义。

发明内容

发明目的：本发明针对异常路径分析的需求，提出一种新的异常路径分析方法—一种基于贝叶斯网络的异常路径分析方法。该算法满足工业大数据流中的对于异常数据的识别和异常传播路径及异常原因的分析定位功能。

技术方案：本发明使用的一种基于贝叶斯网络的异常路径分析方法包括四个部分：贝叶斯网络结构的学习、数据流的接入以及异常检测和最大异常路径输出。

贝叶斯网络结构的学习主要任务是在从数据中学习贝叶斯网络结构。其主要包含两个步骤(1)变量序的获取；(2)网络结构的学习。贝叶斯网络结构能够有效地表达数据中各维度之间的依赖关系，是后续异常路径分析的主要依据。

数据流的接入。数据流中的每个维度与贝叶斯网络结构中的每一个节点一一对应。

异常检测。异常检测的目标是对流入到贝叶斯网络结构中的每个节点进行异常识别并给出异常评分值。该阶段采用滑动窗口方法，保存T大小时刻的网络结构数据状态。

最大异常路径输出。针对时刻t下的数据，在进行异常检测后，每个节点均保存着当前时刻的异常评分值。当存在异常点时，在贝叶斯网络中搜索异常评分值和最大的异常路径并作为结果输出。

有益效果：本发明的显著优点是通过变量序调整方法优化贝叶斯网络结构学习提升其网络结构学习效果。同时将网络结构与异常检测方法相结合，采取异常评分机制对异常可疑程度进行打分，最后通过在网络中搜索最大的异常评分值和给出最可能的异常传播路径。

附图说明