CN105653835A - 一种基于聚类分析的异常检测方法 - Google Patents

一种基于聚类分析的异常检测方法 Download PDF

Info

Publication number
CN105653835A
CN105653835A CN201410646007.0A CN201410646007A CN105653835A CN 105653835 A CN105653835 A CN 105653835A CN 201410646007 A CN201410646007 A CN 201410646007A CN 105653835 A CN105653835 A CN 105653835A
Authority
CN
China
Prior art keywords
now
data
max
dis
data class
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410646007.0A
Other languages
English (en)
Other versions
CN105653835B (zh
Inventor
耿辉
张素明
张翔
廖友萍
安雪岩
刘巧珍
易航
李剑峰
夏伟强
施清平
赵琳
李璨
赵小卓
张利彬
王晓林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Launch Vehicle Technology CALT
Beijing Institute of Astronautical Systems Engineering
Original Assignee
China Academy of Launch Vehicle Technology CALT
Beijing Institute of Astronautical Systems Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Academy of Launch Vehicle Technology CALT, Beijing Institute of Astronautical Systems Engineering filed Critical China Academy of Launch Vehicle Technology CALT
Priority to CN201410646007.0A priority Critical patent/CN105653835B/zh
Publication of CN105653835A publication Critical patent/CN105653835A/zh
Application granted granted Critical
Publication of CN105653835B publication Critical patent/CN105653835B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Complex Calculations (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及航天器异常运行状态检测技术领域，具体涉及一种基于聚类分析的异常检测方法，目的是解决现有的航天器运行状态异常检测方式难以制定状态数据判断规则且难以对航天器整体异常情况作出判断的技术问题。其特征在于，具体包括如下步骤：确定最优聚类距离参数、进行历史数据聚类和检测异常运行状态。本发明通过对航天器运行状态历史数据的聚类分析，生成用于异常运行状态检测的历史运行状态数据类模型，避免了人工制定判断规则的困难；同时，可以根据航天器当前运行状态数据，对用于异常运行状态检测的历史运行状态数据类模型进行更新，能够根据当前运行情况改进异常检测模型。

Description

一种基于聚类分析的异常检测方法
技术领域
本发明涉及航天器异常运行状态检测技术领域，具体涉及一种基于聚类分析的异常检测方法。
背景技术
航天器是功能、组成十分复杂的系统，其运行状态数据众多。通过分析航天器的运行状态数据，监控它们是否处于异常运行状态，有利于及时发现并处理航天器的运行故障，对于确保航天器的运行可靠性具有极为重要的意义。
目前，航天器运行状态监控主要采取对关键运行状态数据分别判断的异常检测方式，各项状态数据的判断规则通常由人工制定。这一监控方式存在两方面的问题：第一，由于航天器的运行方式、运行环境复杂，往往难以通过理论计算或仿真模拟方法，人工制定合适的状态数据判断规则；第二，由于针对各项状态数据分别进行判断，缺少从整体角度对航天器运行状态的综合性检测，无法有效把握航天器运行状态的整体异常情况。
发明内容
本发明的目的是解决现有航天器运行状态异常检测方式的难以制定状态数据判断规则且难以对航天器整体异常情况作出判断的技术问题，提供了一种通过对航天器运行状态历史数据进行聚类建模，用于当前异常运行状态的检测，实现对航天器运行状态的智能监控的基于聚类分析的异常检测方法。
本发明是这样实现的：
一种基于聚类分析的异常检测方法，具体包括如下步骤：
第一步：确定最优聚类距离参数；
第二步：进行历史数据聚类；
第三步：检测异常运行状态。
如上所述的第一步具体包括如下步骤：
步骤1.1：航天器运行状态数据中共包括n个测试变量，按其名称顺序记为x1、x2、…、xn；对于归一化后的运行状态历史数据，将每个时刻t上的全部n个测试变量值：xj(t)，j＝1，2，…，n，组合为一个向量X(t)＝[x1(t),x2(t),…,xn(t)]，则向量X(t)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；
步骤1.2：航天器运行状态历史数据包括m个时刻上的测试变量值，即包括n维欧式空间上的m个数据点：X(ti)，i＝1，2，…，m；计算m个运行状态历史数据点在全部n个空间维度上的最大值和最小值，分别记为xj(max)，j＝1，2，…，n和xj(min)，j＝1，2，…，n，然后计算全部n个空间维度上的数据范围和Zone＝sum(xj(max)-xj(min))，j＝1，2，…，n；
步骤1.3：对于给定的聚类距离参数D，计算对应的优化目标为聚类优化指数Index；
步骤1.4：在(0,Zone]区间内，对聚类距离参数D进行寻优，优化目标为使步骤1.3得到的聚类优化指数Index最小，通过现有寻优方法确定最优的D，记为最优聚类距离参数Dopt。
如上所述的步骤1.3中具体计算方法如下：
(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；
(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：
(2.1)当i＝1时，新建一个数据类C1，其在各空间维度上的上下边界C1.xj(max)、C1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C1，即X(1)∈C1；
(2.2)当i>1时：
(2.2.1)分别计算X(i)与已有的p个数据类Ck，k＝1，2，…，p的相互距离Dis(X(i),Ck)＝sum(abs(X(i)(j)-Ck.xj(max))+abs(X(i)(j)-Ck.xj(min))，k＝1，2，…，p，j＝1，2，…，n，计算其中的最小距离Dismin＝min(Dis(X(i),Ck))，k＝1，2，…，p，记录对应的数据类Cnear；
(2.2.2)如Dismin>D，新建一个数据类Cp+1，其在各空间维度上的上下边界Cp+1.xj(max)、Cp+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类Cp+1，即X(i)∈Cp+1；
(2.2.3)如Dismin≤D，扩充数据类Cnear在各空间维度上的上下边界：Cnear.xj(max)＝max(Cnear.xj(max),X(i)(j))，Cnear.xj(min)＝min(Cnear.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类Cnear，即X(i)∈Cnear；
(3)在数据聚类完成后，对于所有的r个数据类Ck，k＝1，2，…，r，计算每个数据类内各数据点的均值数据点Xk-mean，k＝1，2，…，r，并计算其均值Xall-mean＝sum(Xk-mean)/r，k＝1，2，…，r；然后，计算聚类优化指数Index＝sum(sum(||X(i)-Xk-mean||2-||Xk-mean-Xall-mean||2))，k＝1，2，…，r，X(i)∈Ck；
如上所述的第二步具体包括如下步骤：
采用第一步确定的最优聚类距离参数Dopt，对归一化后的航天器运行状态历史数据进行聚类，归一化方法与第一步中相同；具体聚类方法如下：
(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；
(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：
(2.1)当i＝1时，新建一个数据类C’1，其在各空间维度上的上下边界C’1.xj(max)、C’1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C’1，即X(1)∈C’1；
(2.2)当i>1时：
(2.2.1)分别计算X(i)与已有的p’个数据类C’L，L＝1，2，…，p’的相互距离Dis’(X(i),C’L)＝sum(abs(X(i)(j)-C’L.xj(max))+abs(X(i)(j)-C’L.xj(min)),L＝1，2，…，p’,j＝1，2，…，n，计算其中的最小距离Dis’min＝min(Dis’(X(i),C’L)),L＝1，2，…，p’，记录对应的数据类C’near；
(2.2.2)如Dis’min>Dopt，新建一个数据类C’p+1，其在各空间维度上的上下边界C’p+1.xj(max)、C’p+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类C’p+1，即X(i)∈C’p+1；
(2.2.3)如Dis’min≤Dopt，扩充数据类C’near在各空间维度上的上下边界：C’near.xj(max)＝max(C’near.xj(max),X(i)(j))，C’near.xj(min)＝min(C’near.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类C’near，即X(i)∈C’near；
(3)在步骤(1)和步骤(2)结束后，共产生q个航天器历史运行状态数据类C’M，M＝1，2，…，q。
如上所述的第三步具体包括如下步骤：
根据第二步生成的q个航天器历史运行状态数据类CM，M＝1，2，…，q，对航天器当前运行状态进行检测，判断当前运行状态是否异常，具体判断方法如下：
(1)归一化后的航天器当前时刻的运行状态数据中包括n个测试变量，按与第一步中相同的名称顺序记为x1、x2、…、xn，归一化方法与第一步中相同；将当前时刻tnow上的全部n个测试变量值：xi(tnow)，i＝1，2，…，n，组合为一个向量X(tnow)＝[x1(tnow),x2(tnow),…,xn(tnow)]，则向量X(tnow)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；
(2.2)判断当前运行状态是否异常：
(2.2.1)分别计算X(tnow)与q个历史运行状态数据类CM，M＝1，2，…，q的相互距离Dis”(X(tnow),C’M)＝sum(abs(X(tnow)(j)-C’M.xj(max))+abs(X(tnow)(j)-C’M.xj(min)),M＝1，2，…，q，j＝1，2，…，n，计算其中的最小距离Dis”min＝min(Dis”(X(tnow),C’M))，M＝1，2，…，q，记录对应的数据类C’near-now；
(2.2.2)如Dis”min>Dopt，判断当前运行状态为异常运行状态；
(2.2.3)如Dis”min≤Dopt，扩充数据类C’near-now在各空间维度上的上下边界：C’near-now.xj(max)＝max(C’near-now.xj(max),X(tnow)(j))，C’near-now.xj(min)＝min(C’near-now.xj(min),X(tnow)(j))，j＝1，2，…，n。
本发明的有益效果是：
本发明包括确定最优聚类距离参数的步骤、进行历史数据聚类的步骤和检测异常运行状态的步骤。本发明通过对航天器运行状态历史数据的聚类分析，生成用于异常运行状态检测的历史运行状态数据类模型，避免了人工制定运行异常判断规则的困难；同时，可以根据航天器当前运行状态数据，对用于异常运行状态检测的历史运行状态数据类模型进行更新，即能够根据航天器当前运行情况来改进其异常检测模型；最后，利用航天器历史运行状态数据类模型，对航天器运行状态进行整体性的综合判断，能够得出航天器当前运行状态是否整体异常的结论。
附图说明
图1是本发明的一种基于聚类分析的异常检测方法的流程图。
具体实施方式
下面结合附图对本发明进行进一步描述。
如图1所示，一种基于聚类分析的异常检测方法，具体包括如下步骤：
第一步：确定最优聚类距离参数；
第二步：进行历史数据聚类；
第三步：检测异常运行状态。
如上所述的第一步具体包括如下步骤：
步骤1.1：航天器运行状态数据中共包括n个测试变量，按其名称顺序记为x1、x2、…、xn；对于归一化后的运行状态历史数据，将每个时刻t上的全部n个测试变量值：xj(t)，j＝1，2，…，n，组合为一个向量X(t)＝[x1(t),x2(t),…,xn(t)]，则向量X(t)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；
步骤1.2：航天器运行状态历史数据包括m个时刻上的测试变量值，即包括n维欧式空间上的m个数据点：X(ti)，i＝1，2，…，m；计算m个运行状态历史数据点在全部n个空间维度上的最大值和最小值，分别记为xj(max)，j＝1，2，…，n和xj(min)，j＝1，2，…，n，然后计算全部n个空间维度上的数据范围和Zone＝sum(xj(max)-xj(min))，j＝1，2，…，n；
步骤1.3：对于给定的聚类距离参数D，计算对应的优化目标为聚类优化指数Index；
步骤1.4：在(0,Zone]区间内，对聚类距离参数D进行寻优，优化目标为使步骤1.3得到的聚类优化指数Index最小，通过现有寻优方法确定最优的D，记为最优聚类距离参数Dopt。
如上所述的步骤1.3中具体计算方法如下：
(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；
(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：
(2.1)当i＝1时，新建一个数据类C1，其在各空间维度上的上下边界C1.xj(max)、C1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C1，即X(1)∈C1；
(2.2)当i>1时：
(2.2.1)分别计算X(i)与已有的p个数据类Ck，k＝1，2，…，p的相互距离Dis(X(i),Ck)＝sum(abs(X(i)(j)-Ck.xj(max))+abs(X(i)(j)-Ck.xj(min))，k＝1，2，…，p，j＝1，2，…，n，计算其中的最小距离Dismin＝min(Dis(X(i),Ck))，k＝1，2，…，p，记录对应的数据类Cnear；
(2.2.2)如Dismin>D，新建一个数据类Cp+1，其在各空间维度上的上下边界Cp+1.xj(max)、Cp+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类Cp+1，即X(i)∈Cp+1；
(2.2.3)如Dismin≤D，扩充数据类Cnear在各空间维度上的上下边界：Cnear.xj(max)＝max(Cnear.xj(max),X(i)(j))，Cnear.xj(min)＝min(Cnear.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类Cnear，即X(i)∈Cnear；
(3)在数据聚类完成后，对于所有的r个数据类Ck，k＝1，2，…，r，计算每个数据类内各数据点的均值数据点Xk-mean，k＝1，2，…，r，并计算其均值Xall-mean＝sum(Xk-mean)/r，k＝1，2，…，r；然后，计算聚类优化指数Index＝sum(sum(||X(i)-Xk-mean||2-||Xk-mean-Xall-mean||2))，k＝1，2，…，r，X(i)∈Ck；
如上所述的第二步具体包括如下步骤：
采用第一步确定的最优聚类距离参数Dopt，对归一化后的航天器运行状态历史数据进行聚类，归一化方法与第一步中相同；具体聚类方法如下：
(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；
(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：
(2.1)当i＝1时，新建一个数据类C’1，其在各空间维度上的上下边界C’1.xj(max)、C’1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C’1，即X(1)∈C’1；
(2.2)当i>1时：
(2.2.1)分别计算X(i)与已有的p’个数据类C’L，L＝1，2，…，p’的相互距离Dis’(X(i),C’L)＝sum(abs(X(i)(j)-C’L.xj(max))+abs(X(i)(j)-C’L.xj(min)),L＝1，2，…，p’,j＝1，2，…，n，计算其中的最小距离Dis’min＝min(Dis’(X(i),C’L)),L＝1，2，…，p’，记录对应的数据类C’near；
(2.2.2)如Dis’min>Dopt，新建一个数据类C’p+1，其在各空间维度上的上下边界C’p+1.xj(max)、C’p+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类C’p+1，即X(i)∈C’p+1；
(2.2.3)如Dis’min≤Dopt，扩充数据类C’near在各空间维度上的上下边界：C’near.xj(max)＝max(C’near.xj(max),X(i)(j))，C’near.xj(min)＝min(C’near.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类C’near，即X(i)∈C’near；
(3)在步骤(1)和步骤(2)结束后，共产生q个航天器历史运行状态数据类C’M，M＝1，2，…，q。
如上所述的第三步具体包括如下步骤：
根据第二步生成的q个航天器历史运行状态数据类CM，M＝1，2，…，q，对航天器当前运行状态进行检测，判断当前运行状态是否异常，具体判断方法如下：
(1)归一化后的航天器当前时刻的运行状态数据中包括n个测试变量，按与第一步中相同的名称顺序记为x1、x2、…、xn，归一化方法与第一步中相同；将当前时刻tnow上的全部n个测试变量值：xi(tnow)，i＝1，2，…，n，组合为一个向量X(tnow)＝[x1(tnow),x2(tnow),…,xn(tnow)]，则向量X(tnow)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；
(2.2)判断当前运行状态是否异常：
(2.2.1)分别计算X(tnow)与q个历史运行状态数据类CM，M＝1，2，…，q的相互距离Dis”(X(tnow),C’M)＝sum(abs(X(tnow)(j)-C’M.xj(max))+abs(X(tnow)(j)-C’M.xj(min)),M＝1，2，…，q，j＝1，2，…，n，计算其中的最小距离Dis”min＝min(Dis”(X(tnow),C’M))，M＝1，2，…，q，记录对应的数据类C’near-now；
(2.2.2)如Dis”min>Dopt，判断当前运行状态为异常运行状态；
(2.2.3)如Dis”min≤Dopt，扩充数据类C’near-now在各空间维度上的上下边界：C’near-now.xj(max)＝max(C’near-now.xj(max),X(tnow)(j))，C’near-now.xj(min)＝min(C’near-now.xj(min),X(tnow)(j))，j＝1，2，…，n。
本发明包括确定最优聚类距离参数的步骤、进行历史数据聚类的步骤和检测异常运行状态的步骤。本发明通过对航天器运行状态历史数据的聚类分析，生成用于异常运行状态检测的历史运行状态数据类模型，避免了人工制定运行异常判断规则的困难；同时，可以根据航天器当前运行状态数据，对用于异常运行状态检测的历史运行状态数据类模型进行更新，即能够根据航天器当前运行情况来改进其异常检测模型；最后，利用航天器历史运行状态数据类模型，对航天器运行状态进行整体性的综合判断，能够得出航天器当前运行状态是否整体异常的结论。

Claims (5)

1.一种基于聚类分析的异常检测方法，具体包括如下步骤：
第一步：确定最优聚类距离参数；
第二步：进行历史数据聚类；
第三步：检测异常运行状态。
2.根据权利要求1所述的基于聚类分析的异常检测方法，其特征在于：所述的第一步具体包括如下步骤：
步骤1.1：航天器运行状态数据中共包括n个测试变量，按其名称顺序记为x1、x2、…、xn；对于归一化后的运行状态历史数据，将每个时刻t上的全部n个测试变量值：xj(t)，j＝1，2，…，n，组合为一个向量X(t)＝[x1(t),x2(t),…,xn(t)]，则向量X(t)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；
步骤1.2：航天器运行状态历史数据包括m个时刻上的测试变量值，即包括n维欧式空间上的m个数据点：X(ti)，i＝1，2，…，m；计算m个运行状态历史数据点在全部n个空间维度上的最大值和最小值，分别记为xj(max)，j＝1，2，…，n和xj(min)，j＝1，2，…，n，然后计算全部n个空间维度上的数据范围和Zone＝sum(xj(max)-xj(min))，j＝1，2，…，n；
步骤1.3：对于给定的聚类距离参数D，计算对应的优化目标为聚类优化指数Index；
步骤1.4：在(0,Zone]区间内，对聚类距离参数D进行寻优，优化目标为使步骤1.3得到的聚类优化指数Index最小，通过现有寻优方法确定最优的D，记为最优聚类距离参数Dopt。
3.根据权利要求2所述的基于聚类分析的异常检测方法，其特征在于：所述的步骤1.3中具体计算方法如下：
(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；
(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：
(2.1)当i＝1时，新建一个数据类C1，其在各空间维度上的上下边界C1.xj(max)、C1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C1，即X(1)∈C1；
(2.2)当i>1时：
(2.2.1)分别计算X(i)与已有的p个数据类Ck，k＝1，2，…，p的相互距离Dis(X(i),Ck)＝sum(abs(X(i)(j)-Ck.xj(max))+abs(X(i)(j)-Ck.xj(min))，k＝1，2，…，p，j＝1，2，…，n，计算其中的最小距离Dismin＝min(Dis(X(i),Ck))，k＝1，2，…，p，记录对应的数据类Cnear；
(2.2.2)如Dismin>D，新建一个数据类Cp+1，其在各空间维度上的上下边界Cp+1.xj(max)、Cp+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类Cp+1，即X(i)∈Cp+1；
(2.2.3)如Dismin≤D，扩充数据类Cnear在各空间维度上的上下边界：Cnear.xj(max)＝max(Cnear.xj(max),X(i)(j))，Cnear.xj(min)＝min(Cnear.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类Cnear，即X(i)∈Cnear；
(3)在数据聚类完成后，对于所有的r个数据类Ck，k＝1，2，…，r，计算每个数据类内各数据点的均值数据点Xk-mean，k＝1，2，…，r，并计算其均值Xall-mean＝sum(Xk-mean)/r，k＝1，2，…，r；然后，计算聚类优化指数Index＝sum(sum(||X(i)-Xk-mean||2-||Xk-mean-Xall-mean||2))，k＝1，2，…，r，X(i)∈Ck。
4.根据权利要求1所述的基于聚类分析的异常检测方法，其特征在于：所述的第二步具体包括如下步骤：
采用第一步确定的最优聚类距离参数Dopt，对归一化后的航天器运行状态历史数据进行聚类，归一化方法与第一步中相同；具体聚类方法如下：
(1)计算m个运行状态历史数据点X(ti)，i＝1，2，…，m的均值数据点Xmean＝sum(X(ti))/m，i＝1，2，…，m；然后，根据各个历史数据点与均值数据点的欧式距离大小，对各个历史数据点由小到大排列，记为X(1)、X(2)、…、X(m)；
(2)顺序选取排列后的m个运行状态历史数据点X(i)，i＝1，2，…，m，并进行数据聚类，具体包括如下步骤：
(2.1)当i＝1时，新建一个数据类C’1，其在各空间维度上的上下边界C’1.xj(max)、C’1.xj(min)，j＝1，2，…，n均取为X(1)(j)，j＝1，2，…，n，并将X(1)归入数据类C’1，即X(1)∈C’1；
(2.2)当i>1时：
(2.2.1)分别计算X(i)与已有的p’个数据类C’L，L＝1，2，…，p’的相互距离Dis’(X(i),C’L)＝sum(abs(X(i)(j)-C’L.xj(max))+abs(X(i)(j)-C’L.xj(min)),L＝1，2，…，p’,j＝1，2，…，n，计算其中的最小距离Dis’min＝min(Dis’(X(i),C’L)),L＝1，2，…，p’，记录对应的数据类C’near；
(2.2.2)如Dis’min>Dopt，新建一个数据类C’p+1，其在各空间维度上的上下边界C’p+1.xj(max)、C’p+1.xj(min)，j＝1，2，…，n均取为X(i)(j)，j＝1，2，…，n，并将X(i)归入数据类C’p+1，即X(i)∈C’p+1；
(2.2.3)如Dis’min≤Dopt，扩充数据类C’near在各空间维度上的上下边界：C’near.xj(max)＝max(C’near.xj(max),X(i)(j))，C’near.xj(min)＝min(C’near.xj(min),X(i)(j))，j＝1，2，…，n，并将X(i)归入数据类C’near，即X(i)∈C’near；
(3)在步骤(1)和步骤(2)结束后，共产生q个航天器历史运行状态数据类C’M，M＝1，2，…，q。
5.根据权利要求1所述的基于聚类分析的异常检测方法，其特征在于：所述的第三步具体包括如下步骤：
根据第二步生成的q个航天器历史运行状态数据类CM，M＝1，2，…，q，对航天器当前运行状态进行检测，判断当前运行状态是否异常，具体判断方法如下：
(1)归一化后的航天器当前时刻的运行状态数据中包括n个测试变量，按与第一步中相同的名称顺序记为x1、x2、…、xn，归一化方法与第一步中相同；将当前时刻tnow上的全部n个测试变量值：xi(tnow)，i＝1，2，…，n，组合为一个向量X(tnow)＝[x1(tnow),x2(tnow),…,xn(tnow)]，则向量X(tnow)为n维欧式空间上的一个数据点，欧式空间的n个维度与n个测试变量分别对应；
(2.2)判断当前运行状态是否异常：
(2.2.1)分别计算X(tnow)与q个历史运行状态数据类CM，M＝1，2，…，q的相互距离Dis”(X(tnow),C’M)＝sum(abs(X(tnow)(j)-C’M.xj(max))+abs(X(tnow)(j)-C’M.xj(min)),M＝1，2，…，q，j＝1，2，…，n，计算其中的最小距离Dis”min＝min(Dis”(X(tnow),C’M))，M＝1，2，…，q，记录对应的数据类C’near-now；
(2.2.2)如Dis”min>Dopt，判断当前运行状态为异常运行状态；
(2.2.3)如Dis”min≤Dopt，扩充数据类C’near-now在各空间维度上的上下边界：C’near-now.xj(max)＝max(C’near-now.xj(max),X(tnow)(j))，C’near-now.xj(min)＝min(C’near-now.xj(min),X(tnow)(j))，j＝1，2，…，n。
CN201410646007.0A 2014-11-14 2014-11-14 一种基于聚类分析的异常检测方法 Active CN105653835B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410646007.0A CN105653835B (zh) 2014-11-14 2014-11-14 一种基于聚类分析的异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410646007.0A CN105653835B (zh) 2014-11-14 2014-11-14 一种基于聚类分析的异常检测方法

Publications (2)

Publication Number Publication Date
CN105653835A true CN105653835A (zh) 2016-06-08
CN105653835B CN105653835B (zh) 2018-07-27

Family

ID=56478875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410646007.0A Active CN105653835B (zh) 2014-11-14 2014-11-14 一种基于聚类分析的异常检测方法

Country Status (1)

Country Link
CN (1) CN105653835B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107204991A (zh) * 2017-07-06 2017-09-26 深信服科技股份有限公司 一种服务器异常检测方法及系统
CN109685348A (zh) * 2018-12-14 2019-04-26 广东电网有限责任公司 一种电力设备典型运行模式确定方法
CN110457550A (zh) * 2019-07-05 2019-11-15 中国地质大学（武汉） 一种烧结过程中异常运行数据的校正方法
CN111107102A (zh) * 2019-12-31 2020-05-05 上海海事大学 基于大数据实时网络流量异常检测方法
CN116884554A (zh) * 2023-09-06 2023-10-13 济宁蜗牛软件科技有限公司 一种电子病历分类管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102607641A (zh) * 2011-12-27 2012-07-25 哈尔滨工业大学 一种燃气轮机的聚类异常检测方法
CN102999020A (zh) * 2011-09-14 2013-03-27 株式会社东芝 过程监视·诊断·支援装置
CN103793599A (zh) * 2014-01-17 2014-05-14 浙江远图智控系统有限公司 一种基于隐马尔科夫模型的出行异常检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999020A (zh) * 2011-09-14 2013-03-27 株式会社东芝 过程监视·诊断·支援装置
CN102607641A (zh) * 2011-12-27 2012-07-25 哈尔滨工业大学 一种燃气轮机的聚类异常检测方法
CN103793599A (zh) * 2014-01-17 2014-05-14 浙江远图智控系统有限公司 一种基于隐马尔科夫模型的出行异常检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
储岳中，等: "动态最近邻聚类算法的优化研究", 《计算机工程与设计》 *
李艳玲，等: "基于粒子群和减法聚类提取分类特征的MQAM信号识别", 《西北大学学报：自然科学版》 *
耿辉，等: "一种基于聚类分析的液体火箭发动机稳态过程故障诊断方法", 《火箭推进》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107204991A (zh) * 2017-07-06 2017-09-26 深信服科技股份有限公司 一种服务器异常检测方法及系统
CN109685348A (zh) * 2018-12-14 2019-04-26 广东电网有限责任公司 一种电力设备典型运行模式确定方法
CN110457550A (zh) * 2019-07-05 2019-11-15 中国地质大学（武汉） 一种烧结过程中异常运行数据的校正方法
CN111107102A (zh) * 2019-12-31 2020-05-05 上海海事大学 基于大数据实时网络流量异常检测方法
CN116884554A (zh) * 2023-09-06 2023-10-13 济宁蜗牛软件科技有限公司 一种电子病历分类管理方法及系统
CN116884554B (zh) * 2023-09-06 2023-11-24 济宁蜗牛软件科技有限公司 一种电子病历分类管理方法及系统

Also Published As

Publication number Publication date
CN105653835B (zh) 2018-07-27

Similar Documents

Publication Publication Date Title
CN105653835A (zh) 一种基于聚类分析的异常检测方法
CN102768034B (zh) 检查风力电厂中的风力涡轮机的偏航角误差的方法
CN107092654B (zh) 基于均值变化检测的报警正常与异常数据检测方法和装置
CN108880915B (zh) 一种电力信息网络安全告警信息误报判定方法和系统
CN104483962B (zh) 基于多向正交局部保持投影的间歇过程在线故障检测方法
CN103776654A (zh) 多传感器信息融合的故障诊断方法
EP1630635A2 (en) Method and apparatus for improved fault detection in power generation equipment
EP2570880A3 (en) A method for real-time model based structural anomaly detection
CN108038044A (zh) 一种面向连续被监测对象的异常检测方法
CN110648480B (zh) 一种基于变化速率的单变量报警系统及方法
EP3186514A1 (en) Monitoring of a pump
CN103488561A (zh) 一种在线升级主样本模型的kNN故障检测方法
CN104535735B (zh) 水质远程在线监测方法
CN108108253A (zh) 一种面向多数据流的异常状态检测方法
CN103925155A (zh) 一种风电机组输出功率异常的自适应检测方法
CN105676807A (zh) 炼化装置设备完整性操作窗口的优化系统及优化方法
CN109142979B (zh) 一种配电网异常状态的检测方法及装置
CN106846742B (zh) 基于Hausdorff距离的故障趋势预警方法及系统
CN105632114A (zh) 基于gis技术的监测测点安全状态监控的方法
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法
US10060428B2 (en) Method for operating a compressor in case of failure of one or more measured signals
CN103366119B (zh) 病毒趋势异常的监控方法及装置
CN110083804B (zh) 基于条件分布回归的风电场scada数据缺失的智能修复方法
CN102419593B (zh) 基于数据挖掘的传感器故障诊断方法
CN107480647B (zh) 基于归纳式一致性异常检测的异常行为实时检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant