[发明专利]一种针对极端运行条件下的时间序列上升异常识别方法

说明书

本发明公开了一种针对极端运行条件下的时间序列上升异常识别方法，在训练阶段，划分时间单元，计算每个时间单元中训练数据的最大值和平均值，遍历所有时间单元，获取最大的最大值和最大的平均值为判别基数；在预警阶段，获取实时监测数据，计算当前时间单元内数据的最大值和平均值，并计算跳跃指数；判断跳跃指数是否大于跳跃阈值，若是，则判定当前时间单元发生了跳跃；否则进一步调整判别基数；分析相邻的时间单元，若发生跳跃的时间单元的数量超过了数量阈值，则发出报警信号。本发明在运行时仅占用极少内存，且运行速度快。同时具有较高的鲁棒性，可以过滤因数据抖动变大，或整体迁移造成的假性上升的情况。

技术领域

本发明涉及数据处理技术领域，更具体的说是涉及一种针对极端运行条件下的时间序列上升异常识别方法。

背景技术

针对一些特定的领域，尤其是在设备异常监测方面，通过监测设备传感器按固定的时间间隔收集的某些状态信息，进行实时分析，一旦发现状态信息出现异常时，及时发出报警信号进行人工干预以最大程度减少损失。在设备状态信息异常中，上升异常最为常见。若状态信息前期平稳，但在某个时刻起出现上升趋势，这必然反应出设备的一种不正常现象，需向设备维护人员及时发出预警信号。

现有的异常识别方法有多种类型，一般包括：基于模型的方法，基于距离的方法，以及基于深度学习的方法。然而由于某些特种装备的特殊性，只能为监测算法预留极为有限的储存空间和算力，并且对反应时间要求高，现有技术的上述方法针对在极端运行条件(内存空间小、运行速度极快)下运行的设备，均不能较好适用；具体分析如下：

首先，基于模型的方法通常认为数据满足一定的统计规律，符合某种统计模型，当数据不满足应该有的统计模型时，则被认为是异常。然而，实际操作过程中由于每次使用仪器处理的事物不同，操作员使用习惯不同，仪器所处环境的温度、湿度不同等等不确定因素的存在，导致仪器的各项指标往往不能满足特定的统计规律，难以适用于极端运行条件下的场景。

其次，基于距离的方法通常是通过异常点与其周围数据点的距离关系来计算出一个局部因子，通过局部因子来识别噪音。这类算法需要首先计算出所有数据的局部因子值，然后通过对这些因子值排序找出最大或最小的那部分数据，显然无法满足时效性，不能做到实时监测，同样难以适用于极端运行条件。

另外，基于深度学习的异常识别方法是通过将异常识别嵌入到神经网络中，完成识别任务。但是深度学习算法占用空间很大，同时大部分基于深度学习的异常识别方法是有监督的，需要大量的训练数据，并且大部分的历史数据要满足有类似的分布规律。

而在极端运行条件下运行的设备所完成的是高度复杂的任务，每次的设备运转都会产生形态各异的指标分布，无法为训练提供足够的训练数据。

因此，提出一种能够适用于极端运行条件下的时间序列上升异常识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种针对极端运行条件下的时间序列上升异常识别方法，在运行时仅占用极少内存，且运行速度很快，同时该方法具有较高的鲁棒性，可以有效过滤因数据抖动变大，或整体迁移造成的假性上升的情况。

为了实现上述目的，本发明采用如下技术方案：

一种针对极端运行条件下的时间序列上升异常识别方法，包括训练阶段和预警阶段；

所述训练阶段包括以下内容：

将训练数据集划分为n个时间单元，依次计算每个时间单元中训练数据的最大值和平均值，遍历所有时间单元，获取最大的最大值和最大的平均值，作为判别基数；

所述预警阶段包括以下内容：

S1.获取实时监测数据，计算当前时间单元内数据的最大值和平均值，并根据当前时间单元内数据的最大值和平均值计算当前时间单元的跳跃指数；