[发明专利]基于LKJ异常值数据的复杂关联网络分析方法及系统

摘要

本发明公开了一种基于LKJ异常值数据的复杂关联网络分析方法及系统，为LKJ故障诊断和关联分析提高了效率和可信度。其技术方案为：模型由一定数量的节点和节点之间的连边所共同组成，用来描述现实生活中事物之间的相互联系，对于不同标志下异常值进行综合和分类分析研究，从而实现设备故障关联分析。基于模型建立的系统和方法用于分析不同LKJ异常特性数据之间的关联关系及集聚程度，实现LKJ设备故障诊断的关联分析，能及时发现LKJ设备异常或故障，对设备故障进行及时处理，避免LKJ设备带病运行。

主权项

1.一种基于LKJ异常值数据的复杂关联网络分析方法，其特征在于，包括模型构建任务流和模型应用任务流两方面的处理，其中：模型构建任务流的运行步骤为：第一步，开启模型构建任务，利用历史运行文件数据传入数据预提取任务中，汇总所有异常变量数据；第二步，开启数据规整、特征补充任务，通过数据挖掘中的特征提取、特征补充，将数据预提取任务的保存结果进行数据规整，并基于数据规整结果判断当前任务是模型构建任务还是模型应用任务，若为模型构建任务则继续后续模型构建任务流，若为模型应用任务则转至模型应用任务流中处理；第三步，进入特征降维任务，输出为降维后的建模数据集；第四步，进入异常变量关联复杂网络构建任务，异常变量关联复杂网络模型的结果经评估后若模型不满足要求则重新返回第二步的执行流程，若模型满足要求则将异常变量关联复杂网络模型的结果保存；第五步，传入异常变量关联复杂网络保存结果，进入异常变量因子提取任务，得到异常变量因子提取结果；第六步，传入异常变量因子提取结果，进入异常类别复杂网络构建任务，并保存异常类别复杂网络结果，至此模型构建任务流结束。模型应用任务流的运行步骤为：第一步，开启模型应用任务，利用当前LKJ运行记录文件传入数据预提取任务中，汇总所有异常变量数据；第二步，开启数据规整、特征补充任务，通过数据挖掘中的特征提取、特征补充，将数据预提取任务的保存结果进行数据规整，并基于数据规整结果判断当前任务是模型构建任务还是模型应用任务，若为模型应用任务则继续后续模型应用任务流，若为模型构建任务则转至模型构建任务流中处理；第三步，系统中是否存在模型结果参数，如不存在则退出流程，若存在则进入异常变量复杂网络应用任务，输入第二步的任务执行结果，同时传入模型构建任务流中的异常变量复杂网络结果参数，任务最终结果进入到数据保存环节，将异常变量复杂网络应用结果加以保存；第四步，传入异常变量复杂网络应用任务的结果，进入异常类别复杂网络应用任务，任务最终结果进入数据保存环节中，将异常类别复杂网络应用结果加以保存。