[发明专利]基于加速模糊c均值聚类的计量主站故障定位方法及装置

说明书

本发明公开一种基于加速模糊c均值聚类的计量主站故障定位方法及装置，所述方法包括：调用加速后的所述模糊c均值聚类算法对所述异常数据集进行处理，持续迭代直至关于所述异常数据集的聚类集合小于预设阈值或迭代次数达到设定上限，得到聚类后的聚类集合和隶属度集合；根据所述聚类集合和所述隶属度集合，得到故障类型与故障特征互相对应的分类结果；将所述分类结果与所述日志的正常数据比较，定位故障区域。采用本发明，通过采用KCN网络加速FCM聚类网络的迭代速度，保证数据分类和故障定位的准度与速度。

技术领域

本发明涉及网络监测技术领域，尤其涉及一种基于加速模糊c均值聚类的计量主站故障定位方法及装置。

背景技术

现有的计量自动化主站系统故障定位技术包括基于测试的故障定位技术、基于人工智能的故障定位技术以及基于模型的故障定位技术。测试法假定系统为白盒，在系统出现故障时通过测试系统的输出或其他相关条件来定位故障；人工智能法通过分析历史故障以及运行时观察到的现象进行故障原因分析，基于案例给出对应的方案；模型法通过建立系统内结构与事件之间的联系来反应行为，最常用的就是基于日志信息来进行故障定位。

测试法只能进行简单的失效模型检测，且需要系统发生故障时可以停止运行进入测试阶段，计量运维人员也多采用经验检测法，其检测准确度受主观影响，依赖于运维人员的处理能力，因此不符合现有对准确度和效率的需求。人工智能法中神经网络的训练时间过长，对于不在训练集中的数据无法给出理想的结果，因此不适用于实时定位故障。模型法中，获取到的日志数据数量十分庞大，其中还包含部分无效的信息，现有的测试法、人工智能法、模型法均不能满足对计量主站进行故障定位时的需要处理的数据进行有效且高效的分类，也不能保证故障定位可以随时进行。

发明内容

本发明实施例提供一种基于加速模糊c均值聚类的计量主站故障定位方法及装置，采用KCN网络加速FCM聚类网络的迭代速度，保证数据分类和故障定位的准度与速度。

为实现上述目的，本申请实施例的第一方面提供了基于加速模糊c均值聚类的计量主站故障定位方法，包括：

采集计量主站的日志数据，保留故障特征完整的异常数据形成不冗余的异常数据集；

根据KCN聚类网络中含学习速率的迭代规则加速模糊c均值聚类算法的聚类过程；

调用加速后的所述模糊c均值聚类算法对所述异常数据集进行处理，持续迭代直至关于所述异常数据集的聚类集合小于预设阈值或迭代次数达到设定上限，得到聚类后的聚类集合和隶属度集合；

根据所述聚类集合和所述隶属度集合，得到故障类型与故障特征互相对应的分类结果；

将所述分类结果与所述日志的正常数据比较，定位故障区域。

在第一方面的一种可能的实现方式中，所述根据KCN聚类网络中含学习速率的迭代规则加速模糊c均值聚类算法的聚类过程，具体包括：

根据模糊收敛算子和模糊c均值聚类算法的聚类集合对学习速率进行定义；

根据所述学习速率的定义更新KCN聚类网络的迭代规则；

将所述KCN聚类网络的迭代规则取代所述模糊c均值聚类算法的迭代规则。

在第一方面的一种可能的实现方式中，所述模糊c均值聚类算法的目标函数与异常数据和各个聚类的差值、对应隶属度有关。

在第一方面的一种可能的实现方式中，所述加速后的所述模糊c均值聚类算法，运行过程具体包括:

根据所述异常数据集初始化聚类集合、模糊参数，并计算初始隶属度集合；

根据KCN聚类网络中含学习速率的迭代规则、模糊c均值聚类算法隶属度集合迭代规则进行迭代至满足收敛条件。