【技术实现步骤摘要】
监控数据故障检测方法及系统
本专利技术涉及监控数据处理
，尤其涉及一种监控数据故障检测方法及系统。
技术介绍
KCVA可以看作是一种侧重全局结构信息而忽略局部结构信息的非线性数据降维方法，尽管它可以同时解决数据的非线性以及动态性问题，但是在KCVA方法中，数据被核函数映射到高维空间后，极有可能造成数据的发散而导致大量细节信息的丢失，从而影响KCVA方法在故障检测中的效果。而近些年兴起的流形学习算法，能够有效地提取局部特征信息。流形是局部具有欧式空间性质的空间，流形学习是指在高维空间中嵌入低维流形结构，以便保留数据在低维空间中的性质以及数据之间的信息，更好地解释数据背后隐藏的深层次联系。LPP作为一种广为熟知的流形学习方法，由于巧妙地结合了拉普拉斯特征映射，能够有效地保留投影后的高维数据在原有空间内的局部结构。现有的故障检测方法大多只考虑全局结构信息，而忽略了不同数据点之间的局部结构信息。然而，局部结构信息在数据挖掘和特征提取中同样起着重要的作用。
技术实现思路
本专利技术解决的技术问题是提供...
【技术保护点】
1.一种监控数据故障检测方法，其特征在于，所述方法包括：/n对待测监控数据进行标准化处理；/n对所述待测监控数据进行采样，以得到采样数据；/n根据所述采样数据构造过去向量与将来向量，并计算关于所述采样数据的过去核矩阵和将来核矩阵；/n对所述过去核矩阵和所述将来核矩阵进行标准化处理，并根据预设离线模型计算与状态空间和残差空间相对应的统计量；/n将所述统计量与预设控制限进行对比，当判断任意时刻所述统计量大于所述控制限时，判定所述待测监控数据存在故障。/n
【技术特征摘要】
1.一种监控数据故障检测方法，其特征在于，所述方法包括：
对待测监控数据进行标准化处理；
对所述待测监控数据进行采样，以得到采样数据；
根据所述采样数据构造过去向量与将来向量，并计算关于所述采样数据的过去核矩阵和将来核矩阵；
对所述过去核矩阵和所述将来核矩阵进行标准化处理，并根据预设离线模型计算与状态空间和残差空间相对应的统计量；
将所述统计量与预设控制限进行对比，当判断任意时刻所述统计量大于所述控制限时，判定所述待测监控数据存在故障。
2.根据权利要求1所述的监控数据故障检测方法，其特征在于，所述对待测监控数据进行标准化处理的步骤之前，所述方法还包括：
获取无量纲数据，分别选取第一滞后量和第二滞后量，以构造过去向量与将来向量，并构造过去汉克尔矩阵和将来汉克尔矩阵；
选取径向基核函数，并计算过去核矩阵和将来核矩阵；
分别对所述过去核矩阵和所述将来核矩阵进行矩阵计算，以得到第一拉普拉斯矩阵和第二拉普拉斯矩阵；
根据优化公式计算α和β的参数值。
3.根据权利要求2所述的监控数据故障检测方法，其特征在于，所述分别对所述过去核矩阵和所述将来核矩阵进行矩阵计算的步骤包括：
利用k-近邻法分别对所述过去核矩阵和所述将来核矩阵进行权值计算，以得到第一权值矩阵和第二权值矩阵；
根据所述第一权值矩阵和所述第二权值矩阵计算度矩阵，以得到第一度矩阵和第二度矩阵；
根据所述第一权值矩阵、所述第二权值矩阵、所述第一度矩阵和所述第二度矩阵以计算所述第一拉普拉斯矩阵和所述第二拉普拉斯矩阵。
4.根据权利要求2所述的监控数据故障检测方法，其特征在于，所述优化公式为：
其中，为标准化后的过去核矩阵，为标准化后的将来核矩阵。
5.根据权利要求1所述的监控数据故障检测方法，其特征在于，所述对待测监控数据进行标准化处理的步骤包括：
获取所述待测监控数据中的每一个变量；
将所述变量减去对应训练数据中得到的平均值，以得到目标差值；
将所述目标差值除以所述训练数据中得到的方差，以完成所述标准处理。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。