CN106199421A - 一种基于工业大数据的预警方法和系统 - Google Patents

Abstract

本发明涉及一种基于工业大数据的预警方法和系统。其中方法包括：步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；步骤S2，将采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；步骤S3，对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；步骤S4，根据归一化处理后的相似度计算结果预测采样信号的未来变化趋势。本发明通过检测报警信号的关键特征点，采用少量的状态信息，实现报警信号的动态监测，满足预测的实时性要求，保证了预测信号的可靠性，能够为现场人员提供预警提示。

Description

一种基于工业大数据的预警方法和系统

技术领域

本发明涉及工业自动化领域，尤其涉及一种基于工业大数据的预警方法和系统。

背景技术

报警系统对保障燃煤发电机组的安全生产与高效运行发挥着至关重要的作用，现有报警技术普遍采用即时处理策略，即在报警发生后做出经验判断,报警判别方式是与预设的报警阈值进行比较,超过报警阈值范围的视为报警,报警发生后会触发报警装置并给出报警提示,现场人员结合自身的工作经验进行逐一排查。然而，现有报警系统普遍存在“报警过多、处理困难”的突出问题，从而导致无法通过报警及时发现机组运行状态偏离正常工作范围，无法及时排除异常状况、消除报警，不仅严重影响生产效益，更带来大量生产安全问题甚至事故。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于工业大数据的预警方法和系统。

本发明解决上述技术问题的技术方案如下：一种基于工业大数据的预警方法，包括如下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

步骤S2，将所述采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

步骤S3，对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

步骤S4，根据归一化处理后的相似度计算结果预测所述采样信号的未来变化趋势。

本发明的有益效果是：本发明通过检测报警信号的关键特征点，采用少量的状态信息，实现报警信号的动态监测，满足预测的实时性要求；综合考虑了相关历史信号的贡献率，保证了预测信号的可靠性；能够为现场人员提供预警提示，用来辅助生产运行人员分析判断已出现与即将出现的报警信号，避免不必要的事故发生。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，步骤S1的具体实现为：

将所述采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1,2,…,n；并构建采样信号集合S＝[s₁,s₂,…,s_n]；所述采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

进一步地，步骤S2的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁,h₂,…,h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据所述欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0；

根据所述规整距离公式迭代计算出s_n和h_m之间的规整距离g(n,m)，即p＝g(n,m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出所述采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁,p₂,…,p_N]；其中p₁,p₂,…,p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

进一步地，步骤S3的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_i=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

进一步地，步骤S4的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1,2,3,…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$

本发明解决上述技术问题的另一种技术方案如下：一种基于工业大数据的预警系统，包括：

采样信号选取模块，用于对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

相似度计算模块，用于将所述采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

归一化处理模块，用于对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

未来变化趋势预测模块，用于根据归一化处理后的相似度计算结果预测所述采样信号的未来变化趋势。

本发明的有益效果是：本发明通过检测报警信号的关键特征点，采用少量的状态信息，实现报警信号的动态监测，满足预测的实时性要求；综合考虑了相关历史信号的贡献率，保证了预测信号的可靠性；能够为现场人员提供预警提示，用来辅助生产运行人员分析判断已出现与即将出现的报警信号，避免不必要的事故发生。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述采样信号选取模块的具体实现为：

将所述采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1,2,…,n；并构建采样信号集合S＝[s₁,s₂,…,s_n]；所述采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

进一步地，所述相似度计算模块的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁,h₂,…,h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据所述欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0；

根据所述规整距离公式迭代计算出s_n和h_m之间的规整距离g(n,m)，即p＝g(n,m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出所述采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁,p₂,…,p_N]；其中p₁,p₂,…,p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

进一步地，所述归一化处理模块的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_i=(1-\frac{p_i}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

进一步地，所述未来变化趋势预测模块的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1,2,3,…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。

附图说明

图1为本发明所述基于工业大数据的预警方法流程图；

图2为本发明具体实施例中选取的测试样本的示意图；

图3为本发明具体实施例中相似度分析结果按从小到大排序后的示意图；

图4-图8为本发明具体实施例中从历史数据库中查找的相似数据段；

图9为本发明具体实施例中当前采样信号的未来发展趋势预测结果示意图；

图10为本发明所述基于工业大数据的预警系统结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

图1为本发明所述基于工业大数据的预警方法流程图。

如图1所示，一种基于工业大数据的预警方法，包括如下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

步骤S2，将采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

步骤S3，对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

步骤S4，根据归一化处理后的相似度计算结果预测采样信号的未来变化趋势。

在本发明的具体实施例中，步骤S1中，选取的采样信号为实时信号中的一段连续信号，需满足跨越预设报警阈值最高值即可，步骤S1的具体实现为：

将采样信号按照总时长n划分为n个特征点，其中，n大于等于1，例如若总时长为100s，100s的采样信号上可以均匀的划分出100个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1,2,…,n；并构建采样信号集合S＝[s₁,s₂,…,s_n]；采样信号集合需满足至少有一个特征点的幅值特性大于预设报警阈值最高值。其中预设报警阈值范围为[xtp_l,xtp_h]，当s_i∈[xtp_l,xtp_h]，视s_i为正常信号，反之为报警信号，其中，xtp_l表示预设报警阈值的最低值，xtp_h表示预设报警阈值的最高值；为分析报警信号当前状态及未来变化趋势，需采集含有报警信号特征的数据。

在本发明的具体实施例中，步骤S2的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁,h₂,…,h_m]，其中N为大于等于1的整数，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0，min代表最小值；

根据规整距离公式迭代计算出s_n和h_m之间的规整距离g(n,m)，即p＝g(n,m)，其中p代表采样信号与选取的那段历史报警信号的集合的相似度计算结果；

采用与上述相同的方法，可以计算出采样信号与N段历史报警信号的全部相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁,p₂,…,p_N]；其中p₁,p₂,…,p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

在本发明的具体实施例中，步骤S3的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_i=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

在本发明的具体实施例中，步骤S4的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，其中x＝1,2,3,…k，k表示大于等于预设相似度阈值Q的相似度的个数，且k小于等于N，p_x表示大于等于预设相似度阈值Q的k个相似度中第x个相似度，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$

本发明通过检测报警信号的关键特征点，采用少量的状态信息，实现报警信号的动态监测，满足预测的实时性要求；综合考虑了相关历史信号的贡献率，保证了预测信号的可靠性；能够为现场人员提供预警提示，用来辅助生产运行人员分析判断已出现与即将出现的报警信号，避免不必要的事故发生。

以下是本发明所述方法在具体示例中的应用，具体应用场景为电厂。

在开始操作之前，可以先设置一些初始化参数，本发明具体实施例中各初始化参数值如下表所示：

参数	初始值
		采样信号时长n	300(S)
历史报警信号时长m	300(S)
		滑动窗口长度W	300(S)
相似度评估基数C	1000
		相似度阈值Q	96
预测时长Lp	120(S)
		历史报警信号的段数N	12

根据上表确定的初始化参数，选取跨越预设报警阈值最高值的一段时长为300S的采样信号，具体选取的采样信号如图2所示。

具体实施例中，选取历史报警信号中69个不同时间段的信号，每段历史报警信号时长为3600S，每段信号划分N＝12段，对于每段历史报警信号采用动态时间规整算法，将采样信号与历史报警信号进行相似度计算，能够得到828个相似度计算结果，并形成相似度集合。

根据得到的828个相似度，按照下式进行归一化处理：

${\hat{d}}_i=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N,$

其中，p_t表示相似度集合中第t个相似度。经归一化后的部分结果如下表所示。

选取满足大于等于相似度阈值96的结果并按照从大到小的顺序进行排序，结果为相似度分析结果按从小到大排序后的示意图如图3所示。历史报警信号中相应的数据段分别如图4-图8中圈中部分所示。选取图4-图8中继圈中后的一段长为120S的信号数据H_Lpx(x＝1,2,3,4,5)作为评估对象，按照下式进行预测：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x);$

其中k＝5。

预测的采样信号的未来变化趋势结果如图9中圈中部分所示，从图9中可以看出预测结果与随后继续采集的真实数据保持相近的趋势，验证了预测结果的可靠性。

图10为本发明所述基于工业大数据的预警系统结构图。

根据上述方法，本发明还提出了如图10所示的一种基于工业大数据的预警系统，包括：

采样信号选取模块，用于对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

相似度计算模块，用于将采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

归一化处理模块，用于对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

未来变化趋势预测模块，用于根据归一化处理后的相似度计算结果预测采样信号的未来变化趋势。

在本发明的具体实施例中，采样信号选取模块的具体实现为：

将采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1,2,…,n；并构建采样信号集合S＝[s₁,s₂,…,s_n]；采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

在本发明的具体实施例中，相似度计算模块的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁,h₂,…,h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1,2,…,m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1,0)＝0，g(0,-1)＝0，g(0,0)＝0；

根据规整距离公式迭代计算出s_n和h_m之间的规整距离g(n,m)，即p＝g(n,m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁,p₂,…,p_N]；其中p₁,p₂,…,p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

在本发明的具体实施例中，归一化处理模块的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_i=(1-\frac{p_i}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

在本发明的具体实施例中，未来变化趋势预测模块的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1,2,3,…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到采样信号的未来变化趋势为：

$S_{L_p}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$

在本说明书的描述中，参考术语“实施例一”、“实施例二”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体方法、装置或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、方法、装置或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于工业大数据的预警方法，其特征在于，包括如下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

步骤S2，将所述采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

步骤S3，对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

步骤S4，根据归一化处理后的相似度计算结果预测所述采样信号的未来变化趋势。

2.根据权利要求1所述的基于工业大数据的预警方法，其特征在于，步骤S1的具体实现为：

将所述采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1，2，…，n；并构建采样信号集合S＝[s₁，s₂，…，s_n]；所述采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

3.根据权利要求2所述的基于工业大数据的预警方法，其特征在于，步骤S2的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁，h₂，…，h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1，2，…，m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据所述欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1，0)＝0，g(0，-1)＝0，g(0，0)＝0；

根据所述规整距离公式迭代计算出s_n和h_m之间的规整距离g(n，m)，即p＝g(n，m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出所述采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁，p₂，…，p_N]；其中p₁，p₂，…，p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

4.根据权利要求3所述的基于工业大数据的预警方法，其特征在于，步骤S3的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_t=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

5.根据权利要求4所述的基于工业大数据的预警方法，其特征在于，步骤S4的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1，2，3，…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$

6.一种基于工业大数据的预警系统，其特征在于，包括：

采样信号选取模块，用于对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

相似度计算模块，用于将所述采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

归一化处理模块，用于对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

未来变化趋势预测模块，用于根据归一化处理后的相似度计算结果预测所述采样信号的未来变化趋势。

7.根据权利要求6所述的基于工业大数据的预警系统，其特征在于，所述采样信号选取模块的具体实现为：

将所述采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1，2，…，n；并构建采样信号集合S＝[s₁，s₂，…，s_n]；所述采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

8.根据权利要求7所述的基于工业大数据的预警系统，其特征在于，所述相似度计算模块的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁，h₂，…，h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1，2，…，m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据所述欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1，0)＝0，g(0，-1)＝0，g(0，0)＝0；

根据所述规整距离公式迭代计算出s_n和h_m之间的规整距离g(n，m)，即p＝g(n，m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出所述采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁，p₂，…，p_N]；其中p₁，p₂，…，p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

9.根据权利要求8所述的基于工业大数据的预警系统，其特征在于，所述归一化处理模块的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_t=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

10.根据权利要求9所述的基于工业大数据的预警系统，其特征在于，所述未来变化趋势预测模块的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1，2，3，…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$