一种针对极端运行条件下的时间序列上升异常识别方法技术

本发明专利技术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。本发明专利技术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。

A method for identifying the rising anomaly of time series under extreme operating conditions

【技术实现步骤摘要】
一种针对极端运行条件下的时间序列上升异常识别方法
本专利技术涉及数据处理
，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。
技术介绍
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，实际操作过程本文档来自技高网...

【技术保护点】
1.一种针对极端运行条件下的时间序列上升异常识别方法，其特征在于，包括训练阶段和预警阶段；/n所述训练阶段包括以下内容：/n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；/n所述预警阶段包括以下内容：/nS1.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；/nS2.若跳跃指数大于跳跃阈值，且当前时间单元内数据的最大值和平均值均大于所述判别基数，则判定当前时间单元发生了跳跃；/n若跳跃指数小于跳跃阈值，且当前时间单元内数...

【技术特征摘要】
1.一种针对极端运行条件下的时间序列上升异常识别方法，其特征在于，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；
S2.若跳跃指数大于跳跃阈值，且当前时间单元内数据的最大值和平均值均大于所述判别基数，则判定当前时间单元发生了跳跃；
若跳跃指数小于跳跃阈值，且当前时间单元内数据的最大值和平均值均大于所述判别基数，则进一步调整判别基数；
S3.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。


2.根据权利要求1所述的一种针对极端运行条件下的时间序列上升异常识别方法，其特征在于，在进行训练阶段之前，确定训练时长，根据训练时长计算训练数据集需要时间单元的个数，其中，每个所述时间单元所需要的存储空间为dc。


3.根据权利要求2所述的一种针对极端运行条件下的时间序列上升异常识别方法，其特征在于，获取所述判别基数具体包括以下内容：
依次计算每个时间单元中训练数据的最大值和平均值，并且只存储当前最大的最大值和最大的平均值；
在遍历完所有时间单元后，获取所有训练数据中最大的最大值和最大的平均值作为预警阶段的所述判别基数；
时间单元内训练数据的最大值和平均值的计算复杂度是o(dc)，所需要的存储空间为dc+2，其中，dc个存储空间...

【专利技术属性】
技术研发人员：李琦，庞贺，金福生，王树良，岳鑫，韩翔宇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11