时序系统多参数运行态势图形表示方法技术方案

本发明专利技术提供了一种时序系统多参数运行态势图形表示方法，本方法通过对多参数历史数据分别进行机器学习，提取特征、聚类、生成特征字符并将特征信息记录到参数信息库，然后对实时数据在同一时间段内所有参数的特征字符进行统计，最后根据同一时间段内所有参数特征字符的概率分布以图形方式表达出该时间段内时序系统的运行态势；本方法包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块；本方法以图形方式直观地把时序系统运行态势表达出来，并能够实时持续更新，用户能够直截了当观察到系统运行正常，还是出现了重大异常情况，以及系统运行态势的发展变化趋势。

Graphical representation method for multi parameter running situation of sequential system

The invention provides a multi parameter operation situation of a sequential system graphical representation method, the method based on multi parameter historical data respectively for machine learning, feature extraction, clustering, feature generation characters and character information recorded parameter information database, and then the characters of real-time data in the same period of time all the parameters of the statistics finally, according to the same time probability all parameters characters express the distribution situation of the time sequential system in a graphical way; the method includes data preprocessing module, clustering character module, statistics module, graphic representation module; the graphical method to express timing system the operation time and to continuously update, users can directly observe the normal operation of the system is still a serious The abnormal situation and the trend of the development of the system running situation.

【技术实现步骤摘要】
时序系统多参数运行态势图形表示方法
本专利技术属于智能信息处理和计算机
，具体涉及一种时序系统多参数运行态势图形表示方法。
技术介绍
时序系统往往由很多部件构成，每个部件又有很多个观测参数。部件各参数的不同取值形态在整体上会呈现出系统的运行态势，即系统整体运行正常还是异常。而通过图形方式则可以非常直观地把系统运行态势表达出来，让用户一眼就能够对系统整体运行情况有基本了解。目前一般采用{优、良、中、差}或者{一级、二级、三级、四级}等等比较抽象的离散语言值来表达系统运行态势，这样的抽象层次过高，使得用户对系统整体运行情况信息了解太少。此外，对系统运行态势缺乏量化度量，缺乏对系统运行态势的动态持续追踪，用户无法了解系统运行态势的发展变化趋势。这些都不利于用户对时序系统整体的实时观测和监控。
技术实现思路
本专利技术的目的在于提供一种使得用户对系统整体运行状况是否正常有了一个非常直观的认识的时序系统多参数运行态势图形表示方法。为达到上述目的，本专利技术采用的技术方案是：一种时序系统多参数运行态势图形表示方法，实现该方法的系统包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块，其具体步骤是：1)首先，采用数据预处理模块对原始数据进行去野值、等间隔处理文件以及归一化处理，获取标准化的数据，并且提取相关多特征向量；2)其次，采用聚类学习特征字符模块即采用TK-means聚类算法对历史数据窗口特征向量进行聚类，然后基于聚类结果，记录每个参数不同特征字符所对应的特征向量；3)然后，采用特征统计模块首先用最近邻策略获得实时数据各个时间段对应的特征字符，然后对同一时间段内所有参数的特征字符进行统计，得到该段内所有参数特征字符的概率分布；4)最后，采用图形表示模块根据特征字符概率分布情况以图形方式表达该时间段内时序系统的运行态势。所述的数据预处理模块“去野值处理”是指删除无效野值，保留有效值；对数据进行等间隔处理保证在连续时间段内任意两个数据点之间的时间间隔相同；数据经过等间隔处理之后进行归一化处理消除不同量纲对结果的影响从而获取标准化的数据。所述的聚类学习特征字符模块通过TK-Means算法对各个参数的历史数据窗口特征向量分别进行聚类学习，并将得到的聚类结果表示成特征字符；每个参数的聚类结果反映该参数特征字符与簇中心向量的对应关系，然后将每个参数的特征信息包括参数最大值、最小值，每个特征的最大值、最小值，簇中心向量及其对应特征字符记录到参数信息库中；TK-Means算法采用2015105516228，一种时序数据异常特征的挖掘系统及方法，其中，‘a’表示最频繁出现的特征，‘b’表示次频繁出现的特征，依此类推；出现概率小于给定阈值0.02的特征通通被表示为‘？’；空数据，即未记录数据的区间或者被删除的区间，则用‘#’来表示。所述的特征统计模块的特征统计包括以下步骤：2-1)取当前时间窗口上所有参数的数据；2-2)取当前参数在当前窗口上的特征向量；2-3)根据最近邻原则确定特征向量对应的特征字符，即当前参数在当前窗口上的特征字符；2-4)判断是否所有参数都已经取得当前窗口上的特征字符；如果有参数没有取得特征字符，则转至步骤2-2重复执行上述过程直至所有参数在当前窗口上都已经取得特征字符；如果所有参数都已经取得当前窗口上的特征字符，则执行步骤2-5)2-5)计算当前窗口上的概率p({a})，即当前窗口上参数特征字符为a的概率；2-6)计算当前窗口上的概率p({a,b})，即当前窗口上参数特征字符为{a,b}之一的概率；2-7)计算当前窗口上的概率p({a,b,c})，即当前窗口上参数特征字符为{a,b,c}之一的概率；2-8)计算当前窗口上的概率p({a,b,c,d})，即当前窗口上参数特征字符为{a,b,c,d}之一的概率；2-9)输出当前窗口时间和上述概率值；其中，T表示特征字符集合，该集合内字符按照字母顺序排列；ci表示某个特征字符；p(T)表示出现该集合内特征字符的概率；L表示参数个数；sj表示某个参数；c(sj)表示某参数在当前窗口上的特征字符；δ[x]表示如果x成立则δ[x]取值为1，否则取值为0；在上式中当T分别取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}、时，得到一系列的概率值；其中“*”表示d以后所有的特征字符，所以p({a,b,c,d,*})＝1.0；2-10)判断是否还有下一个窗口的数据；如果还有待处理的数据，则转至步骤2-1)重复执行直至所有数据都已经处理完得到该段内所有参数特征字符的概率分布。所述的图形表示模块根据得到的一系列概率值，绘制出用不同颜色覆盖的曲线图，图中用不同颜色对应不同的特征字符集T，T依次取{a}、{a,b}、{a,b,c}、{a,b,c,d}、{a,b,c,d,*}；画出相对应的线段,横坐标代表着时间窗口，纵坐标代表着概率值p(T)；数据盲区用黑色区块表示；由于p({a})≤p({a,b})≤p({a,b,c})≤p({a,b,c,d})≤p({a,b,c,d,*})，所以最下面的曲线表示在某个窗口上参数特征字符是a的概率，即要求参数没有任何异常，系统运行态势一切正常的概率；从底向上第二条曲线表示在某个窗口上参数特征字符是a或者b的概率，即允许参数处于次常态，但是没有特别异常，系统运行态势基本正常的概率；从底向上第三条曲线表示在某个窗口上参数特征字符是{a，b，c}之一的概率，即允许参数出现一般异常，系统运行态势一般，允许包含一些问题的概率；从底向上第四条曲线表示在某个窗口上参数特征字符是{a,b,c,d}之一的概率，即允许参数出现较严重异常，允许系统运行态势较差的概率；显然，若第一条曲线越靠上即越接近1.0概率，则系统运行态势越正常；若所有曲线出现下行趋势即概率值随时间越来越小，则说明系统运行态势越来越恶化；反之，若曲线出现上行趋势，则说明系统运行态势越来越良好；若曲线基本稳定在一个水平线上，则说明系统运行态势稳定；曲线稳定的水平线越高，则系统运行态势越良好。本专利技术首先通过历史数据学习每个参数的基本特征并将其抽象为特征字符，然后对于实时数据分析其特征及所对应的特征字符，然后统计所有参数在同一时间上的特征字符概率分布，最后用曲线图形的方式表达出系统的整体运行态势图。相对于现有技术，本专利技术方法一方面用特征字符对系统参数的正常情况进行了抽象表示；另一方面通过统计系统参数特征字符的概率分布对系统整体运行态势进行了量化评估；再一方面用多条概率曲线对系统运行态势进行了分层表示。通过本专利技术用户首先可以非常直观地看到系统整体运行态势的量化程度，其次可以直观看到系统运行态势的发展变化趋势，再次，用户能够对系统当前运行态势的总体内容有基本了解，能够知道系统在多大程度上正常，在多大程度上异常。所以本专利技术方法大大增强了用户对时序系统的整体监控能力。附图说明图1是实现本方法的系统模块框架图。图2是特征统计模块流程图。图3是4个示例参数的实时曲线图。图4是示例参数所对应时序系统的运行态势图。具体实施方式下面结合附图对本专利技术作进一步详细说明。参照图1，实现本专利技术的系统包括数据预处理模块1-1、聚类学习特征字符模块1-2、特征统计模块1-3、图形表示模块本文档来自技高网...

【技术保护点】
时序系统多参数运行态势图形表示方法，其特征在于：实现该方法的系统包括数据预处理模块(1‑1)、聚类学习特征字符模块(1‑2)、特征统计模块(1‑3)、图形表示模块(1‑4)，其具体步骤是：1)首先，采用数据预处理模块(1‑1)对原始数据进行去野值、等间隔处理文件以及归一化处理，获取标准化的数据，并且提取相关多特征向量；2)其次，采用聚类学习特征字符模块(1‑2)即采用TK‑means聚类算法对历史数据窗口特征向量进行聚类，然后基于聚类结果，记录每个参数不同特征字符所对应的特征向量；3)然后，采用特征统计模块(1‑3)首先用最近邻策略获得实时数据各个时间段对应的特征字符，然后对同一时间段内所有参数的特征字符进行统计，得到该段内所有参数特征字符的概率分布；4)最后，采用图形表示模块(1‑4)根据特征字符概率分布情况以图形方式表达该时间段内时序系统的运行态势。

【技术特征摘要】
1.时序系统多参数运行态势图形表示方法，其特征在于：实现该方法的系统包括数据预处理模块(1-1)、聚类学习特征字符模块(1-2)、特征统计模块(1-3)、图形表示模块(1-4)，其具体步骤是：1)首先，采用数据预处理模块(1-1)对原始数据进行去野值、等间隔处理文件以及归一化处理，获取标准化的数据，并且提取相关多特征向量；2)其次，采用聚类学习特征字符模块(1-2)即采用TK-means聚类算法对历史数据窗口特征向量进行聚类，然后基于聚类结果，记录每个参数不同特征字符所对应的特征向量；3)然后，采用特征统计模块(1-3)首先用最近邻策略获得实时数据各个时间段对应的特征字符，然后对同一时间段内所有参数的特征字符进行统计，得到该段内所有参数特征字符的概率分布；4)最后，采用图形表示模块(1-4)根据特征字符概率分布情况以图形方式表达该时间段内时序系统的运行态势。2.根据权利要求1所述时序系统多参数运行态势图形表示方法，其特征在于：所述的数据预处理模块(1-1)“去野值处理”是指删除无效野值，保留有效值；对数据进行等间隔处理保证在连续时间段内任意两个数据点之间的时间间隔相同；数据经过等间隔处理之后进行归一化处理消除不同量纲对结果的影响从而获取标准化的数据。3.根据权利要求1所述时序系统多参数运行态势图形表示方法，其特征在于：所述的聚类学习特征字符模块(1-2)通过TK-Means算法对各个参数的历史数据窗口特征向量分别进行聚类学习，并将得到的聚类结果表示成特征字符；每个参数的聚类结果反映该参数特征字符与簇中心向量的对应关系，然后将每个参数的特征信息包括参数最大值、最小值，每个特征的最大值、最小值，簇中心向量及其对应特征字符记录到参数信息库中；TK-Means算法采用2015105516228，一种时序数据异常特征的挖掘系统及方法，其中，‘a’表示最频繁出现的特征，‘b’表示次频繁出现的特征，依此类推；出现概率小于给定阈值0.02的特征通通被表示为‘？’；空数据，即未记录数据的区间或者被删除的区间，则用‘#’来表示。4.根据权利要求1所述时序系统多参数运行态势图形表示方法，其特征在于：所述的特征统计模块(1-3)的特征统计包括以下步骤：2-1)取当前时间窗口上所有参数的数据；2-2)取当前参数在当前窗口上的特征向量；2-3)根据最近邻原则确定特征向量对应的特征字符，即当前参数在当前窗口上的特征字符；2-4)判断是否所有参数都已经取得当前窗口上的特征字符；如果有参数没有取得特征字符，则转至步骤2-2重复执行上述过程直至所有参数在当前窗口上都已经取得特征字符；如果所有参数都已经取得当前窗口上的特征字符，则执行步骤2-5)2-5)计算当前窗口上的概率p({a})，即当前窗口上参数特征字符为a的概率；2-6)计算当前窗口上的概率p({a...

【专利技术属性】
技术研发人员：鲍军鹏，樊恒海，刘军，杨天社，魏强，王徐华，赵静，刘健，齐勇，
申请(专利权)人：西安交通大学，中国西安卫星测控中心，
类型：发明
国别省市：陕西,61