一种基于模糊集的工业设备异常检测方法技术

本发明专利技术涉及工业设备异常检测技术领域，提供一种基于模糊集的工业设备异常检测方法。首先利用异常知识树构建工业设备的异常检测模型；然后，根据用户需求配置属性集、属性的数据流、时间窗口的大小、属性的隶属度函数与聚合函数，得到叶子节点的异常度；接着，根据属性之间的皮尔逊相关性系数对属性聚类并计算叶子节点的权重；然后，将类簇中涉及到的叶子节点聚合成非叶子节点，再将非叶子节点聚合成根节点；用户根据需求选择模型参数后，基于Storm实时计算系统，构建异常检测模型的流处理的拓扑结构，可视化工业设备在不同时间窗口内的异常程度结果。本发明专利技术能够对工业设备的异常进行实时检测，且能够实现对不同粒度数据的异常检测。

An Abnormal Detection Method for Industrial Equipment Based on Fuzzy Set

【技术实现步骤摘要】
一种基于模糊集的工业设备异常检测方法
本专利技术涉及工业设备异常检测
，特别是涉及一种基于模糊集的工业设备异常检测方法。
技术介绍
随着信息社会的快速发展，数据规模开始呈现指数级别的爆发增长，如何在海量数据中挖掘出有价值的信息数据开始成为研究热点。特别是在网络入侵检测、金融风险分析、工业控制管理、传感器网络等等领域中会产生实时、快速、时序、连续不断的大规模数据，在传统静态数据集上的数据挖掘方法已经不太适合实时数据流，同时又因为会实时产生海量数据且计算机的内存是有限的，不可能将所有数据全部加载到内存，而通过设置滑动窗口的大小可以截取部分数据流实时处理，所以滑动窗口数据流模型的出现能够很好的解决上述计算机内存限制问题。目前基于滑动时间窗口的异常检测方法主要包括基于统计函数的方法、基于聚类的方法、基于预测模型的方法、基于距离的异常检测算法。现有的异常检测方法所检测的数据级别通常是原始属性数据，检测的是细粒度级别的数据。而在实际工业生产过程中数据流的数据属性通常是成百上千个且异常复杂，很难从单个属性出现的异常来判断整体的异常情况，实际生产中判断异常是通过检测多个属性数据偏离了正常值来确定发生了异常。从而，现有的异常检测方法无法从工业生产过程中数据属性繁多复杂的数据流中有效检测出工业设备整体的异常情况，且不能对不同粒度数据的异常进行检测。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种基于模糊集的工业设备异常检测方法，能够对工业设备的异常进行实时检测，且能够实现对不同粒度数据的异常检测。本专利技术的技术方案为：一种基于模糊集的工业设备异常检测方法，其特征在于，包括下述步骤：步骤1：构建所述工业设备的异常检测模型，将所述异常检测模型描述为一棵异常知识树，所述异常知识树为其中，m为所述异常知识树的任一节点，Sub(m)为节点m的子节点集合；|m|为节点m的异常度，为节点m的异常度的权重，DSm，w为节点m在时间窗口window内的数据流，fm为节点m的隶属度函数，gm为节点m的聚合函数；layer(m)为节点m所在节点层的节点集合；步骤2：构建所述异常知识树的叶子节点：步骤2.1：采集所述工业设备的属性集A0中每个属性在时间T0内每一时刻的值，根据用户需求配置属性集A0中L个属性构成子属性集A＝{a1，a2，...，al，...，aL}、时间T内属性al的值构成属性al的数据流DSl＝{dl1，dl2，......，dlt，......dlT}，将子属性集A中的每个属性都作为所述异常知识树的一个叶子节点；其中，L≤L0，L0为属性集A0中的属性总数，l∈{1，2，...，L}，dlt为属性al在t时刻的值，t∈{1，2，...，T}，T≤T0；步骤2.2：根据用户需求配置时间窗口的大小W，得到属性al在时间窗口内的数据流DSl，w＝{dl，(t-W+1)，dl，(t-W+2)，...，dlt}；步骤2.3：配置属性al的隶属度函数fl，得到时间窗口内属性al的隶属度集合Fl＝{fl(dl，(t-W+1))，fl(dl，(t-W+2))，...，fl(dlt)}；步骤2.4：配置属性al的聚合函数gl，得到属性al对应的叶子节点的异常度|al|＝gl(fl(dl，(t-W+1))，fl(dl，(t-W+2))，...，fl(dlt))；步骤2.5：重复上述步骤2.2至步骤2.4，直至l＝L，得到所述异常知识树的每个叶子节点的异常度；步骤3：计算每个叶子节点的异常度的权重：步骤3.1：计算任意两个属性aY、aZ之间的皮尔逊相关性系数ρ(aY，aZ)，得到属性相关性系数集R＝{|ρ(aY，aZ)|，Y，Z∈{1，2，...，L}且Y≠Z}＝{ρ1，ρ2，...，ρr}；其中，分别为属性aY、aZ的数据流DSY、DSZ中数据的均值；步骤3.2：对所述属性相关性系数集R进行聚类：步骤3.2.1：在属性相关性系数集R＝{ρ1，ρ2，...，ρr}中随机选取K个数据点作为初始聚类中心，形成K个初始聚类中心{μ1，μ2，...，μk，...，μK}；其中，k∈{1，2，...，K}，μk为第k个聚类中心；步骤3.2.2：遍历属性相关性系数集R中的所有数据点，将每个数据点归类到离该数据点最近的聚类中心，得到类簇集合C＝{c1，c2，...，ck，...，cK}，计算每个类簇的簇标记为步骤3.2.3：更新每个类簇的聚类中心为其中，|ck|为类簇ck中数据点的总数，yi为类簇ck中的第i个数据点；步骤3.2.4：构建聚类目标函数，判断聚类目标函数是否收敛，若收敛，则进入步骤3.3；若不收敛，则重复上述步骤3.2.2至步骤3.2.3，进行下一次聚类，直至所述聚类目标函数收敛；所述聚类目标函数为其中，当聚类目标函数值在两次聚类中的变化量小于阈值ε时，所述聚类目标函数达到收敛；步骤3.3：计算每个类簇的相关性系数权重值为步骤3.4：计算属性al对应叶子节点的初始权重为得到叶子节点层的初始权重集合对叶子节点层的初始权重集合进行归一化处理，得到叶子节点层的权重集合其中，为类簇集合C中包含属性al的类簇的集合；步骤4：构建所述异常知识树的非叶子节点：步骤4.1：将类簇ck中涉及到的所有属性对应的叶子节点聚合成一个非叶子节点bk，得到叶子节点层的上层非叶子节点层为B＝{b1，b2，...，bk，...，bK}；其中，步骤4.2：计算非叶子节点bk的异常度为步骤4.3：计算非叶子节点bk的异常度的初始权重为得到非叶子节点层B的初始权重集合为对非叶子节点层B的初始权重集合进行归一化处理，得到非叶子节点层B的权重集合为步骤4.4：将所述非叶子节点层B聚合成根节点b，计算所述根节点b的异常度为所述根节点b的权重为wb＝1；步骤5：将步骤1至步骤4所构建的异常检测模型存储到计算机磁盘上，加载计算机磁盘中的异常检测模型，并将所述异常检测模型显示在前端，用户根据需求从属性集A0中选取子属性集A、选取时间窗口的大小W以及时间窗口的滑动距离ΔW；步骤6：基于Storm实时计算系统，构建所述异常检测模型的流处理的拓扑结构，运行所述Storm实时计算系统，得到所述工业设备在当前时间窗口内的异常程度结果；所述异常程度结果包括所述异常知识树中每个节点的异常度及异常度的权重；步骤7：根据时间窗口的滑动距离ΔW，对不同时间窗口内的异常程度结果进行可视化。所述步骤2.3中，所述属性al的隶属度函数fl∈{frectangular，ftrapezoid，fparabolic，fnormal，fcauchy，fridgetype}，采用专家咨询法确定每个属性的隶属度函数；其中，frectangular、ftrapezoid、fparabolic、fnormal、fcauchy、fridgetype分别为矩形分布、梯形分布、抛物型分布、正态分布、柯西分布、岭型分布的隶属度函数。所述步骤2.4中，所述聚合函数gl为最小值聚合函数，|al|＝min(fl(dl，(t-W+1))，fl(dl，(t-W+2))，...，fl(dlt))。所述步骤6中，所述拓扑结构包括设备属性数据源组件、当前时间窗口同一属性异常度聚合组件、当前时间窗口不同属性异常度聚合组件、设备异常程度计算结果持久本文档来自技高网...

【技术保护点】
1.一种基于模糊集的工业设备异常检测方法，其特征在于，包括下述步骤：步骤1：构建所述工业设备的异常检测模型，将所述异常检测模型描述为一棵异常知识树，所述异常知识树为

【技术特征摘要】
1.一种基于模糊集的工业设备异常检测方法，其特征在于，包括下述步骤：步骤1：构建所述工业设备的异常检测模型，将所述异常检测模型描述为一棵异常知识树，所述异常知识树为其中，m为所述异常知识树的任一节点，Sub(m)为节点m的子节点集合；|m|为节点m的异常度，为节点m的异常度的权重，DSm，w为节点m在时间窗口window内的数据流，fm为节点m的隶属度函数，gm为节点m的聚合函数；layer(m)为节点m所在节点层的节点集合；步骤2：构建所述异常知识树的叶子节点：步骤2.1：采集所述工业设备的属性集A0中每个属性在时间T0内每一时刻的值，根据用户需求配置属性集A0中L个属性构成子属性集A＝{a1，a2，…，al，…，aL}、时间T内属性al的值构成属性al的数据流DSl＝{dl1，dl2，……，dlt，……dlT}，将子属性集A中的每个属性都作为所述异常知识树的一个叶子节点；其中，L≤L0，L0为属性集A0中的属性总数，l∈{1，2，…，L}，dlt为属性al在t时刻的值，t∈{1，2，…，T}，T≤T0；步骤2.2：根据用户需求配置时间窗口的大小W，得到属性al在时间窗口内的数据流DSl，w＝{dl，(t-W+1)，dl，(t-W+2)，…，dlt}；步骤2.3：配置属性al的隶属度函数fl，得到时间窗口内属性al的隶属度集合Fl＝{fl(dl，(t-W+1))，fl(dl，(t-W+2))，…，fl(dlt)}；步骤2.4：配置属性al的聚合函数gl，得到属性al对应的叶子节点的异常度|al|＝gl(fl(dl，(t-W+1))，fl(dl，(t-W+2))，…，fl(dlt))；步骤2.5：重复上述步骤2.2至步骤2.4，直至l＝L，得到所述异常知识树的每个叶子节点的异常度；步骤3：计算每个叶子节点的异常度的权重：步骤3.1：计算任意两个属性aY、aZ之间的皮尔逊相关性系数ρ(aY，aZ)，得到属性相关性系数集R＝{|ρ(aY，aZ)|，Y，Z∈{1，2，…，L}且Y≠Z}＝{ρ1，ρ2，…，ρr}；其中，分别为属性aY、aZ的数据流DSY、DSZ中数据的均值；步骤3.2：对所述属性相关性系数集R进行聚类：步骤3.2.1：在属性相关性系数集R＝{ρ1，ρ2，…，ρr}中随机选取K个数据点作为初始聚类中心，形成K个初始聚类中心{μ1，μ2，…，μk，…，μK}；其中，k∈{1，2，…，K}，μk为第k个聚类中心；步骤3.2.2：遍历属性相关性系数集R中的所有数据点，将每个数据点归类到离该数据点最近的聚类中心，得到类簇集合C＝{c1，c2，…，ck，…，cK}，计算每个类簇的簇标记为步骤3.2.3：更新每个类簇的聚类中心为其中，|ck|为类簇ck中数据点的总数，yi为类簇ck中的第i个数据点；步骤3.2.4：构建聚类目标函数，判断聚类目标函数是否收敛，若收敛，则进入步骤3.3；若不收敛，则重复上述步骤3.2.2至步骤3.2.3，进行下一次聚类，直至所述聚类目标函数收敛；所述聚类目标函数为其中，当聚类目标函数值在两次聚类中的变化量小于阈值ε时，所述聚类目标函数达到收敛；步骤3.3：计算每个类簇的相关性系数权重值为步骤3.4：计算属性al对应叶子节点的初始权重为得到叶子节点层的初始权重集合对叶子节点层的初始权重集合进行归一化处理，得到叶子节点层的权重集合其中，为类簇集合C中包含属性al的类簇的集合；步骤4：构建所述异常知识树的非叶子节点：步骤4.1：将类簇ck中涉及到的所有属性对应的叶子节点聚合成一个非叶子节点bk，得到叶子节点层的上层非叶子节点层为B＝{b1，b2，...，bk，...，bK}；其中，步骤4.2：计算非叶子节点b...

【专利技术属性】
技术研发人员：张一川，徐纯发，王涵，宋杰，杨广明，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21