基于聚类及半监督学习的监控指标动态阈值检测方法技术

本发明专利技术公开了一种基于聚类及半监督学习的监控指标动态阈值检测方法，该方法包括如下步骤：1)获取多个历史曲线，对各历史曲线的形状进行聚类得到多个不同的聚类簇，确定各聚类簇的中心曲线，根据所述中心曲线各时间点对应的幅值设定阈值，从而获得随时间变化的浮动阈值；2)在线获取新曲线，根据所述新曲线的形状确定其所属的聚类簇，结合所述新曲线的幅值数据及其所属聚类簇的幅值数据训练半监督模型，得到对应于所属聚类簇的新聚类簇，更新该新聚类簇的动态阈值；3)根据所述新聚类簇的动态阈值判断所述新曲线是否存在异常。该方法既能有效降低误报率，又可以避免漏报。

【技术实现步骤摘要】
基于聚类及半监督学习的监控指标动态阈值检测方法
本专利技术涉及阈值检测
，具体地说，是涉及基于聚类及半监督学习的分拣机电控PLC监控指标动态阈值检测方法。
技术介绍
成品件烟扫码分拣回流故障是卷烟厂物流调度生产线上的一个常见故障，是生产PLC传输机制方面的原因导致，目前卷烟大部分的PLC工控设备的监控不足，无法获取足够的分析数据，且由于生产环境因素复杂，造成该故障的具体原因也不同，比如防火墙的性能瓶颈、数据库集群心跳超时、存储磁盘IO延时等等。该故障在产生时，都会出现成品件烟的扫码分拣回流现象，大量成品烟支跳出生产流水线，造成经济损失。卷烟厂物流分拣机电控PLC的监控系统的报警原理是基于某个指标触发所设定的阈值后，向相关人员发送消息提醒。目前的做法是根据固定阈值进行监控，这个阈值是根据经验设定的，优点是简单、直接、操作性强；其缺点是经验值不够精准，当阈值设置过小时，会增加无效报警次数，导致误报率增加；当阈值设置过大时，又会导致漏报，影响生产。由于该监控系统产生的大部分指标数据均为时序数据，数据指标的波动呈周期性变化，通过经本文档来自技高网...

【技术保护点】
1.一种基于聚类及半监督学习的监控指标动态阈值检测方法，其特征在于，包括如下步骤：/n1)获取多个历史曲线，对各历史曲线的形状进行聚类得到多个不同的聚类簇，确定各聚类簇的中心曲线，根据所述中心曲线各时间点对应的幅值设定阈值，从而获得随时间变化的浮动阈值；/n2)在线获取新曲线，根据所述新曲线的形状确定其所属的聚类簇，结合所述新曲线的幅值数据及其所属聚类簇的幅值数据训练半监督模型，得到对应于所属聚类簇的新聚类簇，更新该新聚类簇的动态阈值；/n3)根据所述新聚类簇的动态阈值判断所述新曲线是否存在异常。/n

【技术特征摘要】
1.一种基于聚类及半监督学习的监控指标动态阈值检测方法，其特征在于，包括如下步骤：
1)获取多个历史曲线，对各历史曲线的形状进行聚类得到多个不同的聚类簇，确定各聚类簇的中心曲线，根据所述中心曲线各时间点对应的幅值设定阈值，从而获得随时间变化的浮动阈值；
2)在线获取新曲线，根据所述新曲线的形状确定其所属的聚类簇，结合所述新曲线的幅值数据及其所属聚类簇的幅值数据训练半监督模型，得到对应于所属聚类簇的新聚类簇，更新该新聚类簇的动态阈值；
3)根据所述新聚类簇的动态阈值判断所述新曲线是否存在异常。


2.根据权利要求1所述的一种基于聚类及半监督学习的监控指标动态阈值检测方法，其特征在于，步骤1)中，获取历史曲线的具体方法为：获取前一时间段内的时序数据，对所述时序数据进行标准化处理，获得相应时序数据的基线，将该基线作为历史曲线。


3.根据权利要求2所述的一种基于聚类及半监督学习的监控指标动态阈值检测方法，其特征在于，对所述时序数据进行标准化处理包括：消除振幅差异、提取标识曲线形状的极限值，去除噪声及异常点。


4.根据权利要求2所述的一种基于聚类及半监督学习的监控指标动态阈值检测方法，其特征在于，所述前一时间段为前一天、前一周或前一个月。


5.根据权利要求1所述的一种基于聚类及半监督学习的监控指标动态阈值检测方法，其特征在于，步骤1)中，对历史曲线的形状进行聚类得到多个不同的聚类簇...

【专利技术属性】
技术研发人员：潘佰林，王毓敏，金振训，邱建雄，
申请(专利权)人：浙江中烟工业有限责任公司，
类型：发明
国别省市：浙江;33