CN111612048A - 无监督聚类异常检测的方法 - Google Patents

Abstract

本公开提供一种无监督聚类异常检测的方法，涉及航天器异常检测方法，能够解决目前航天器运行的精确物理解析模型，过多依赖于航天器系统的先验知识，在实际应用中模型难以建立、知识难以获取等的问题。具体技术方案为：利用已积累的航天器大量正常状态数据，从样本数据中时标对齐、等间隔采样，生成样本数据，基于归纳学习的思想，通过无监督聚类分析建立航天器正常状态数据模型。利用聚类结果计算样本数据的最小距离，统计分析样本数据的最小距离集，利用高斯分布建立遥测数据异常检测的门限阈值。在此基础上，通过判断航天器实时观测数据与正常状态数据模型之间的偏离程度，实现异常数据检测。本发明用于航天器遥测数据进行处理和分析。

Description

无监督聚类异常检测的方法

技术领域

本公开涉及无线电跟踪测量数据处理与应用领域，适用于对航天器遥测数据进行处理和分析，尤其涉及一种无监督聚类异常检测的方法

背景技术

由于在轨卫星长期运行在复杂、恶劣的空间环境中，受到多种不确定性因素的影响，其性能与功能可能会出现变化，反映在遥测参数上也会有所变化，如果在轨卫星发生异常，相应的遥测参数也会发生变化。因此，分析在轨卫星遥测数据的变化规律，研究在轨卫星异常检测方法，提早发现在轨卫星异常征兆，提前采取措施避免可能发生的重大故障，降低卫星在轨运行风险，对提高卫星在轨运行的安全性和可靠性具有重要的意义；

工程中对航天器异常检测方法主要包括基于知识的门限检测方法和基于物理模型的方法。门限检测方法简单、易于实现，但在实际中很难给出合理的门限范围，而且由于门限是预先给定的，因此无法检测未知故障。基于模型的故障检测方法通过建立系统正常状态的解析模型，利用数学模型和观测输入输出量的残差来检测系统异常或故障，但是目前很难建立航天器运行的精确物理解析模型。无论门限检测方法还是基于模型的方法，这些方法都过多依赖于航天器系统的先验知识，在实际应用中存在模型难以建立、知识难以获取等问题。

发明内容

本公开实施例提供一种无监督聚类异常检测的方法，能够解决过多依赖于航天器系统的先验知识，在实际应用中模型难以建立、知识难以获取等的问题。所述技术方案如下：

根据本公开实施例提供一种无监督聚类异常检测的方法，该方法包括：

对n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列，第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；

优选地，第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；为，判断所述第K个目标遥测数据的数据类型，按照所述第K个目标遥测数据序列的时标，在所述n个原始序列记录数据中获取所述第K个目标遥测数据，得到赋值后所述第K个目标遥测数据序列；

第K个目标遥测数据经过标准化处理后获得所述目标遥测数据的数据向量X，所述第K个目标遥测数据的数据向量X的各个分量进行时标对齐后，通过Single-Linkage聚类方法建模，获得聚类模型集S；

优选地，第K个目标遥测数据经过标准化处理为，采用Z-score方法进行标准化处理获得目标遥测数据集D；

第K个目标遥测数据集D至少一个所述目标遥测数据子集D′，与所述聚类模型集S之间的距离，获得所述第K个目标遥测数据的检测门限阈值；

优选地，第K个目标遥测数据的数据向量X到所述聚类模型集S中的每一个聚类的距离计算获得最小距离，所述最小距离超出所述检测门限阈值，所述第K个目标遥测数据为异常。

在一个实施例中，对n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列前，

还包括，对n个原始遥测数据设定时间间隔td，建立等时间间隔采用获得第K个目标遥测数据序列x(t)，设定第K个目标遥测序列起始时间ts，时间间隔td，t_d<t_e-t_s，建立等时间间隔所述第K个遥测数据目标遥测序列；

{(t,x(t))|t＝t_s+p·t_d,p＝0,1,2,…P-1}，

x(t)表示对应t时刻第K个目标遥测数据

m为所述目标遥测数据序列长度，

floor函数表示向下取整。

在一个实施例中，判断第K个目标遥测数据的数据类型，按照第K个目标遥测数据序列的时标，在所述n个原始序列记录数据中提取第K个目标遥测数据值，获得赋值后第K个目标遥测数据序列为；

优选地，判断所述第K个遥测数据的数据类型为离散型数据量的遥测数据时，按照n个原始遥测数据第K个遥测数据序列s_k(t)记录中找到与第K个目标遥测数据时标最接近的时刻，获得第K个目标遥测数据，并得到赋值后的目标遥测序列；

优选地，判断第K个遥测数据的数据类型为连续型数据量的遥测数据时，按照n个原始遥测数据第K个目标遥测数据序列x_k(t)的时标，在n个原始序列s_k(t)记录中找到与所述第K个目标遥测数据时标最接近的前后5个时刻，采用拉格朗日插值法确定第K个目标遥测数据，并得到赋值后的第K个目标遥测数控序列。

在一个实施例中，第K个目标遥测数据的数据中的K值小于n值，则令K＝K+1，重新对所述第k个目标遥测数据建立等时间间隔所述第k个目标遥测数据序列；否则循环处理。

优选地，第K个目标遥测数据采用Z-score方法进行标准化处理获得第K个目标遥测数据集D；

其中，采用Z-score方法，公式

其中，均值为

标准差为

其中x′_ij为标准化后的变量值，x_ij为实际变量值；

采用随机抽样的方法将第K个数据集D划分为两个互斥的数据集D₁和D₂，满足D₁∪D₂＝D，

其中

为空集。

在一个实施例中，第K个目标遥测数据集D通过采样Single-Linkage聚类方法建模，获得所述聚类模型集S；

优选地，获得聚类模型集S为初始化聚类集合S为空集

根据抽样方法计算最大允许的聚类半径r，设置α＝1/r；从所述数据集D₁中经过标准化处理的数据向量X⁽¹⁾获得聚类模型集S。

在一个实施例中，采样Single-Linkage聚类方法建模,获得聚类模型集S，还包括，经过标准化处理的获得第K个目标遥测数据向量X，用于创建至少一个新的聚类，将所述第K个目标遥测数据向量X加入所述聚类模型集S；

如果聚类模型集S为空集，则创建一个新的聚类，将所述目标遥测数据向量X加入所述聚类模型集S；

否则，在所述聚类模型集S中寻找聚类C，使得所述聚类模型集对于集合S中所有的聚类C_i，sim(X,C)>sim(X,C_i)；

如果sim(X,C)>α，将第K个目标遥测数据向量X加入所述聚类C；否则，创建一个新的聚类C_n，将第K个目标遥测数据向量X加入类聚类C_n，将聚类C_n加入所述聚类模型集S，其中，α为最大允许的聚类半径r的倒数，即α＝1/r。

优选地，聚类模型集S将K个目标遥测数据向量X循环加入集合S，形成所述聚类模型集S,获得所述聚类模型集S的每个聚类的中心点O_i和最大半径R_i，其中j＝1,2,…,l。

在一个实施例中，检测门限阈值为集合的平均值与3倍标准差之和；

其中，第K个目标遥测数据集D的子集D2计算D2中的每个数据向数据向量

与所述聚类模型集S之间的距离，得到距离集合{d_i,i＝1,2,3,…,n}，n为数据集D2中数据向量的个数，计算距离集合{d_i,i＝1,2,3,…,n}的平均值

和标准差

获取检测门限阈值为距离集合的平均值和3倍的标准差β＝μ+3σ。

优选地，第K个目标遥测数据的数据向量X到聚类模型集S中的每一个聚类的距离计算获得最小距离，最小距离超出所述检测门限阈值，第K个目标遥测数据为异常；

其中，第K个目标遥测数据的数据向量的各个分量进行时标对齐，X进行Z-score标准化处理，所述标准化处理后的数据向量X到聚类模型集S中的每一个聚类C_j的距离z_j＝dis(X,O_j)-R_j，j＝1,2,…,l；

计算获得最小距离z_min＝min{z_j,j＝1,2,…,l}；

若最小距离z_min>β，第K个目标遥测数据为异常。

本公开实施例提供的本公开一种无监督聚类异常检测的方法，利用已积累的航天器大量正常状态数据，从样本数据中时标对齐、等间隔采样，生成样本数据，基于归纳学习的思想，通过无监督聚类分析建立航天器正常状态数据模型。利用聚类结果计算样本数据的最小距离，统计分析样本数据的最小距离集，利用高斯分布建立遥测数据异常检测的门限阈值，通过判断航天器实时观测数据与正常状态数据模型之间的偏离程度，实现异常数据检测。有利于从航天器遥测参数时间序列数据中发现异常数据，有利于辅助航天器异常分析时的参数排查定位。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本公开实施例提供的一种无监督聚类异常检测的方法的流程示意图；

图2是本公开实施例提供一种无监督聚类异常检测的方法应用案例最小距离序列图；

图3是本公开实施例提供一种标对齐与等间隔样本序列生成逻辑示意图

图4是本公开实施例提供一种无监督聚类异常检测的方法建模样本准备应用逻辑示意图；

图5是本公开实施例提一种无监督聚类异常检测的方法Single-Linkage聚类建模应用逻辑示意图；

图6是本公开实施例提供一种无监督聚类异常检测的方法检测门限阈值逻辑示意图；

图7是本公开实施例提供一种无监督聚类异常检测的方法检测门限阈值检测异常数据逻辑示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开实施例提供一种是本公开实施例提供的一种无监督聚类异常检测的方法流程图，如图1所示，该数据传输方法包括以下步骤：

S01、对n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列，所述第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；

第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；是指判断第K个目标遥测数据的数据类型，按照第K个目标遥测数据序列的时标，在n个原始序列记录数据中获取第K个目标遥测数据，得到赋值后第K个目标遥测数据序列；

起在一个实施例中，对n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列前，还包括对n个原始遥测数据设定时间间隔td，建立等时间间隔采用获得第K个目标遥测数据序列x(t)，设定第K个目标遥测序列起始时间ts，时间间隔td，t_d<t_e-t_s，建立等时间间隔第K个遥测数据目标遥测序列；

{(t,x(t))|t＝t_s+p·t_d,p＝0,1,2,…P-1}，

x(t)表示对应t时刻第K个目标遥测数据

m为所述目标遥测数据序列长度，

floor函数表示向下取整。

在一个实施例中，判断第K个目标遥测数据的数据类型，按照所述第K个目标遥测数据序列的时标，在所述n个原始序列记录数据中提取第K个目标遥测数据值，获得赋值后第K个目标遥测数据序列为；

判断第K个遥测数据的数据类型为离散型数据量的遥测数据时，按照n个原始遥测数据第K个遥测数据序列s_k(t)记录中找到与第K个目标遥测数据时标最接近的时刻，获得第K个目标遥测数据，并得到赋值后的目标遥测序列；

判断第K个遥测数据的数据类型为连续型数据量的遥测数据时，按照所述n个原始遥测数据第K个目标遥测数据序列x_k(t)的时标，在n个原始序列s_k(t)记录中找到与第K个目标遥测数据时标最接近的前后5个时刻，采用拉格朗日插值法确定第K个目标遥测数据，并得到赋值后的所述第K个目标遥测数控序列。

其中，第K个目标遥测数据的数据中的第值小于n值，则令K＝K+1，重新对第K个目标遥测数据建立等时间间隔所述第K个目标遥测数据序列；否则循环处理。

S02、第K个目标遥测数据经过标准化处理后获得目标遥测数据的数据向量X，第K个目标遥测数据的数据向量X的各个分量进行时标对齐后，通过Single-Linkage聚类方法建模，获得聚类模型集S；权

在一个实施例中，采用Single-Linkage聚类方法建模，需要做建模样本准备，第K个目标遥测数据经过标准化处理为，采用Z-score方法进行标准化处理获得目标遥测数据集D；(

第K个目标遥测数据采用Z-score方法进行标准化处理获得第K个目标遥测数据集D；

其中，采用Z-score方法，公式

其中，均值为

标准差为

其中x′_ij为标准化后的变量值，x_ij为实际变量值；

采用随机抽样的方法将所述第K个数据集D划分为两个互斥的数据集D₁和D₂，满足D₁∪D₂＝D，

其中

为空集。

在一个实施例中，第K个目标遥测数据集D通过采样Single-Linkage聚类方法建模，获得所述聚类模型集S；

获得所述聚类模型集S为初始化所述聚类集合S为空集

根据抽样方法计算最大允许的聚类半径r，设置α＝1/r；从数据集D₁中经过标准化处理的数据向量X⁽¹⁾获得聚类模型集S。

在一个实施例中，采样Single-Linkage聚类方法建模,获得聚类模型集S，还包括，经过标准化处理的获得目标遥测数据向量X，用于创建至少一个新的聚类，将第K个目标遥测数据向量X加入所述聚类模型集S；

如果聚类模型集S为空集，则创建一个新的聚类，将第K个目标遥测数据向量X加入聚类模型集S；

否则，在聚类模型集S中寻找聚类C，使得聚类模型集对于集合S中所有的聚类C_i，sim(X,C)>sim(X,C_i)；

如果sim(X,C)>α，将所述第K个目标遥测数据向量X加入所述聚类C；否则，创建一个新的聚类C_n，将所述第K个目标遥测数据向量X加入类聚类C_n，将所述聚类C_n加入所述聚类模型集S，其中，α为最大允许的聚类半径r的倒数，即α＝1/r。

303、第K个目标遥测数据集D至少一个目标遥测数据子集D′，与聚类模型集S之间的距离，获得第K个目标遥测数据的检测门限阈值；

在一个实施例中，聚类模型集S将K个目标遥测数据向量X循环加入集合S，形成聚类模型集S,获得聚类模型集S的每个聚类的中心点O_i和最大半径R_i，其中j＝1,2,…,l。(

在一个实施例中，第K个目标遥测数据集D的子集D₂计算D₂中的每个数据向数据向量

与聚类模型集S之间的距离，得到距离集合{d_i,i＝1,2,3,…,n}，n为数据集D2中数据向量的个数，计算距离集合{d_i,i＝1,2,3,…,n}的平均值

和标准差

获取检测门限阈值为距离集合的平均值和3倍的标准差β＝μ+3σ。步骤4.1-4.4)从权

404、第K个目标遥测数据的数据向量X到聚类模型集S中的每一个聚类的距离计算获得最小距离，最小距离超出所述检测门限阈值，第K个目标遥测数据为异常。(步骤5.1-5.5)

在一个实施例中，所述目标遥测数据的数据向量的各个分量进行时标对齐，X进行Z-score标准化处理，所述标准化处理后的数据向量X到聚类模型集S中的每一个聚类C_j的距离z_j＝dis(X,O_j)-R_j，j＝1,2,…,l；

计算获得最小距离z_min＝min{z_j,j＝1,2,…,l}；

若最小距离z_min>β，第K个目标遥测数据为异常。

本公开实施例提供的本公开一种无监督聚类异常检测的方法，利用已积累的航天器大量正常状态数据，从样本数据中时标对齐、等间隔采样，生成样本数据，基于归纳学习的思想，通过无监督聚类分析建立航天器正常状态数据模型。利用聚类结果计算样本数据的最小距离，统计分析样本数据的最小距离集，利用高斯分布建立遥测数据异常检测的门限阈值，通过判断航天器实时观测数据与正常状态数据模型之间的偏离程度，实现异常数据检测。有利于从航天器遥测参数时间序列数据中发现异常数据，有利于辅助航天器异常分析时的参数排查定位。

实施例一、

时标对齐与等间隔样本序列生成；

对n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列，第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；

设共有n个航天器遥测参数，记第k个遥测参数的原始时间序列数据为{(t,s_k(t)),t∈[t_s,t_e]}，其中t表示时刻，s_k(t)表示对应t时刻的第k个遥测参数的数据值，t_s表示起始时间，t_e表示结束时间。

在一个实施例中，如图3所示，时标对齐与等间隔样本序列生成包括如下步骤101：给定n个航天器遥测参数，以及样本序列起始时间ts和结束时间t_e，给定时间间隔t_d，满足t_d<t_e-t_s，设参数k＝1。

102对第k个遥测参数建立等时间间隔样本序列

{(t,x_k(t))|t＝t_s+(p-1)·t_d,p＝1,2,…,m}，k＝1,2,…,n,

其中x_k(t)表示对应t时刻第k个遥测参数的样本值，初始化时赋值为空，m为样本序列的长度，

floor函数表示向下取整。

103：判断第k个遥测参数的数据类型，若其为离散型数据量，则转步骤104，否则转步骤105。

104：对于离散型数据量的遥测参数，按照样本序列x_k(t)的时标，在原始序列s_k(t)记录中逐步找到与样本时标最接近的时刻，提取该时刻的数据值作为样本值，可得赋值后的样本序列{x_k(t_s+(p-1)·t_d)|p＝1,2,…,m}，转步骤106.

105：对于连续型数据量的遥测参数，按照样本序列x_k(t)的时标，在原始序列s_k(t)记录中找到与样本时标最接近的前后5个时刻，分别记为t_-2，t_-1，t₀，t₁，t₂，采用拉格朗日插值法确定t时刻的数据值作为样本值，可得赋值后的样本序列{x_k(t_s+(p-1)·t_d)|p＝1,2,…,m}，转步骤106。

106：若k<n，则令k＝k+1，转步骤102，否则循环处理结束。

在本施例中，选取某型卫星的陀螺马达电流和温度遥测两个卫星遥测数据在2014-01-01至2014-12-31期间的遥测数据，共得到12119组数据，数据格式为[时间，参数值1，参数值2]。取时标间隔1小时，根据步骤501中的时标对齐方法，建立样本序列{x(t)}，样本序列长度为8760。

本公开实施例提供的本公开一种无监督聚类异常检测的方法，利用已积累的航天器大量正常状态数据，从样本数据中时标对齐、等间隔采样，生成样本数据，基于归纳学习的思想，为无监督聚类分析建立航天器正常状态数据模型对应的数据做好准备。

实施例二

1、建模样本准备；

在一个实施例中，如图4所示，第K个目标遥测数据经过标准化处理后获得所述目标遥测数据的数据向量X，第K个目标遥测数据的数据向量X的各个分量进行时标对齐后，通过Single-Linkage聚类方法建模，获得聚类模型集S；建模样本准备包括如下步骤：

201：设有n个遥测参数的m个样本数据X_i∈Rⁿ,i＝1,2,…,m，

其中样本X_i＝(x_i1,x_i2,…,x_in)，

分别计算每一个遥测参数样本数据的均值

和标准差

202：采用Z-score方法按照公式

对参数进行标准化处理，其中x′_ij为标准化后的变量值，x_ij为实际变量值。

203：输出标准化处理后的数据集D＝{X′_i,i＝1,…,m}，其中X_i'＝(x′_i1,x′_i2,…,x′_in)。

204：采用随机抽样的方法将数据集D划分为两个互斥的数据集D₁和D₂，满足D₁∪D₂＝D，

其中

为空集。

针对上述建立的样本序列{x(t)}，按照步骤202中的方法进行归一化处理后建立样本数据集D，按照7:3比例对样本数据集D进行随机抽样可得数据集D₁和D₂。

2、Single-Linkage聚类建模

在一个实施例中如图5所示，通过Single-Linkage聚类建模

301：初始化聚类集合S为空集

根据抽样方法计算最大允许的聚类半径r，设置α＝1/r。

302：从数据集D₁中获得一个经过标准化处理的数据向量X⁽¹⁾。

303：如果聚类集合S为空集，则创建一个新的聚类，将X⁽¹⁾加入该类，转步骤305；否则，在集合S中寻找聚类C，使得对于聚类集合S中所有的聚类C_j，都有sim(X,C)≥sim(X,C_j)。

304：如果sim(X⁽¹⁾,C)>α，那么将X⁽¹⁾加入聚类C；否则，创建一个新的聚类C_n，将X⁽¹⁾加入聚类C_n，并将聚类C_n加入集合S。

305：重复步骤302到304，直到D₁中所有的数据向量处理完毕。

306：得到聚类模型集S＝{C₁,C₂,…,C_l}后，计算每个聚类C_j的中心点O_j和最大半径R_j，j＝1,2,…,l。

在数据集D₁中，根据抽样方法计算可得最大聚类半径r＝1.56，设置

对数据集D₁，按照步骤3利用Single-Linkage聚类方法进行聚类，可得到聚类模型集S，其中S中共包含20个聚类。

本公开实施例提供的本公开一种无监督聚类异常检测的方法，利用已积累的航天器大量正常状态数据，从样本数据中时标对齐、等间隔采样，生成样本数据，基于归纳学习的思想，通过Single-Linkage聚类建模达到无监督聚类分析建立航天器正常状态数据模型，

实施例三

计算检测门限阈值；

在一个实施例中如图6所示；获得所述第K个目标遥测数据的检测门限阈值步骤如下；

401：取数据集D的子集D₂。

402：计算D₂中的每个数据向量

与聚类模型集S之间的距离

得到距离集合{d_i,i＝1,2,3,…,n}，n为数据集D₂中数据向量的个数。

403：计算距离集合{d_i,i＝1,2,3,…,n}的平均值

和标准差

404：取门限阈值β＝μ+3σ。

在数据集D₂中，按照步骤4计算可得数据异常检测的检测门限β＝0.55。

实施例四

在一个实施例中，如图7所示，航天器遥测数据的实时检测异常数据；包括步骤如下：

501：实时获取当前测量数据向量X。

502：依据实施例一的步骤对数据向量X的各个分量进行时标对齐。

503：依据实施例二的步骤202对时标对齐后的数据向量X进行Z-score标准化处理。

504：计算标准化处理后的数据向量X到聚类模型集S中的每一个聚类C_j的距离z_j＝dis(X,O_j)-R_j，j＝1,2,…,l。

505：计算最小距离z_min＝min{z_j,j＝1,2,…,l}。

506：若最小距离z_min>β，则说明有异常数据发生。

在一个实施例中，按照505步骤对航天器2015-01-01至2015-12-31期间的遥测数据时间序列进行检测。检测效果如图2中所示，是根据2014年的遥测数据建立的样本聚类集和检测阈值，然后计算2015年的遥测数据与样本聚类集的最小距离，图2表示最小距离序列图，其中红色直线表示的是检测阈值，第一点表示第一次超出阈值的时刻，第二，三点分别表示最小距离的特性与之前发生明显变化的时刻。横轴方向表示时间，纵轴反向表示某一时刻的遥测数据与聚类集的最小距离，由图可见，算法检测出航天器遥测数据分别在2015-5-09 15:00，2015-10-15 00:00和2015-11-18 05:00处发生了数据的跳变，这些跳变点的数据被标记为了异常变化点。

本公开实施例提供的本公开一种无监督聚类异常检测的方法，利用已积累的航天器大量正常状态数据，从样本数据中时标对齐、等间隔采样，生成样本数据，基于归纳学习的思想，通过无监督聚类分析建立航天器正常状态数据模型。利用聚类结果计算样本数据的最小距离，统计分析样本数据的最小距离集，利用高斯分布建立遥测数据异常检测的门限阈值，通过判断航天器实时观测数据与正常状态数据模型之间的偏离程度，实现异常数据检测。有利于从航天器遥测参数时间序列数据中发现异常数据，有利于辅助航天器异常分析时的参数排查定位。

本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

Claims (10)

1.一种无监督聚类异常检测的方法，其特征在于，所述方法包括，

对n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列，所述第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；

所述第K个目标遥测数据序列经过时标对齐获得第K个目标遥测数据；为，判断所述第K个目标遥测数据的数据类型，按照所述第K个目标遥测数据序列的时标，在所述n个原始序列记录数据中获取所述第K个目标遥测数据，得到赋值后所述第K个目标遥测数据序列；

所述第K个目标遥测数据经过标准化处理后获得所述目标遥测数据的数据向量X，所述第K个目标遥测数据的数据向量X的各个分量进行时标对齐后，通过Single-Linkage聚类方法建模，获得聚类模型集S；

所述第K个目标遥测数据经过标准化处理为，采用Z-score方法进行标准化处理获得目标遥测数据集D；

所述第K个目标遥测数据集D至少一个所述目标遥测数据子集D′，与所述聚类模型集S之间的距离，获得所述第K个目标遥测数据的检测门限阈值；

所述第K个目标遥测数据的数据向量X到所述聚类模型集S中的每一个聚类的距离计算获得最小距离，所述最小距离超出所述检测门限阈值，所述第K个目标遥测数据为异常。

2.根据权利要求1所述的无监督聚类异常检测的方法，其特征在于，

对所述n个原始遥测数据第K个遥测数据建立等时间间隔第K个目标遥测数据序列前，

还包括，对所述n个原始遥测数据设定时间间隔t_d，建立等时间间隔采用获得所述第K个目标遥测数据序列x(t)，设定所述第K个目标遥测序列起始时间ts，时间间隔t_d，t_d<t_e-t_s，建立等时间间隔所述第K个遥测数据目标遥测序列；

{(t,x(t))|t＝t_s+p·t_d,p＝0,1,2,…P-1}，

x(t)表示对应t时刻第K个目标遥测数据

m为所述目标遥测数据序列长度，

floor函数表示向下取整。

3.根据权利要求2所述的无监督聚类异常检测的方法，其特征在于，

所述判断第K个目标遥测数据的数据类型，按照所述第K个目标遥测数据序列的时标，在所述n个原始序列记录数据中提取第K个目标遥测数据值，获得赋值后第K个目标遥测数据序列为；

判断所述第K个遥测数据的数据类型为离散型数据量的遥测数据时，按照所述n个原始遥测数据第K个遥测数据序列s_k(t)记录中找到与所述第K个目标遥测数据时标最接近的时刻，获得所述第K个目标遥测数据，并得到赋值后的目标遥测序列；

判断所述第K个遥测数据的数据类型为连续型数据量的遥测数据时，按照所述n个原始遥测数据第K个目标遥测数据序列x_k(t)的时标，在n个原始序列s_k(t)记录中找到与所述第K个目标遥测数据时标最接近的前后5个时刻，采用拉格朗日插值法确定所述第K个目标遥测数据，并得到赋值后的所述第K个目标遥测数控序列。

4.根据权利要求3所述无监督聚类异常检测的方法，其特征在于，所述第K个目标遥测数据的数据中的K值小于n值，则令K＝K+1，重新对所述第k个目标遥测数据建立等时间间隔所述第k个目标遥测数据序列；否则循环处理。

5.根据权利要求4所述无监督聚类异常检测的方法，其特征在于，所述第K个目标遥测数据采用Z-score方法进行标准化处理获得第K个目标遥测数据集D；

其中，采用Z-score方法，公式

其中，均值为

标准差为

其中x′_ij为标准化后的变量值，x_ij为实际变量值；

采用随机抽样的方法将所述第K个数据集D划分为两个互斥的数据集D₁和D₂，满足D₁∪D₂＝D，

其中

为空集。

6.根据权利要求5所述的无监督聚类异常检测的方法，其特征在于，所述第K个目标遥测数据集D通过采样Single-Linkage聚类方法建模，获得所述聚类模型集S；

所述获得所述聚类模型集S为初始化所述聚类集合S为空集

根据抽样方法计算最大允许的聚类半径r，设置α＝1/r；从所述数据集D₁中经过标准化处理的数据向量X⁽¹⁾获得聚类模型集S。

7.根据权利要求6所述的无监督聚类异常检测的方法，其特征在于，所述采样Single-Linkage聚类方法建模,获得所述聚类模型集S，还包括，经过标准化处理的获得第K个目标遥测数据向量X，用于创建至少一个新的聚类，将所述第K个目标遥测数据向量X加入所述聚类模型集S；

如果所述聚类模型集S为空集，则创建一个新的聚类，将所述目标遥测数据向量X加入所述聚类模型集S；

否则，在所述聚类模型集S中寻找聚类C，使得所述聚类模型集对于集合S中所有的聚类C_i，sim(X,C)>sim(X,C_i)；

如果sim(X,C)>α，将所述第K个目标遥测数据向量X加入所述聚类C；否则，创建一个新的聚类C_n，将所述第K个目标遥测数据向量X加入类聚类C_n，将所述聚类C_n加入所述聚类模型集S，其中，α为最大允许的聚类半径r的倒数，即α＝1/r。

8.根据权利要求7所述的无监督聚类异常检测的方法，其特征在于，所述聚类模型集S将所述K个目标遥测数据向量X循环加入集合S，形成所述聚类模型集S,获得所述聚类模型集S的每个聚类的中心点O_i和最大半径R_i，其中j＝1,2,…,l。

9.根据权利要求1至8任一项所述的无监督聚类异常检测的方法，其特征在于，所述检测门限阈值为集合的平均值与3倍标准差之和；

其中，第K个目标遥测数据集D的子集D₂计算D₂中的每个数据向数据向量

与所述聚类模型集S之间的距离，得到距离集合{d_i,i＝1,2,3,…,n}，n为数据集D₂中数据向量的个数，计算距离集合{d_i,i＝1,2,3,…,n}的平均值

和标准差

获取检测门限阈值为距离集合的平均值和3倍的标准差β＝μ+3σ。

10.根据权利要求1至8任一项所述的无监督聚类异常检测的方法，其特征在于，所述第K个目标遥测数据的数据向量X到所述聚类模型集S中的每一个聚类的距离计算获得最小距离，所述最小距离超出所述检测门限阈值，所述第K个目标遥测数据为异常；

还包括，所述目标遥测数据的数据向量的各个分量进行时标对齐，X进行Z-score标准化处理，所述标准化处理后的数据向量X到聚类模型集S中的每一个聚类C_j的距离z_j＝dis(X,O_j)-R_j，j＝1,2,…,l；

计算获得最小距离z_min＝min{z_j,j＝1,2,…,l}；

若最小距离z_min>β，所述第K个目标遥测数据为异常。

Images