CN114386535A - 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 - Google Patents

一种设置用于扫描kpi曲线的滑动窗口宽度的方法 Download PDF

Info

Publication number
CN114386535A
CN114386535A CN202210270544.4A CN202210270544A CN114386535A CN 114386535 A CN114386535 A CN 114386535A CN 202210270544 A CN202210270544 A CN 202210270544A CN 114386535 A CN114386535 A CN 114386535A
Authority
CN
China
Prior art keywords
kpi
similarity
curve data
data set
sliding window
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
CN202210270544.4A
Other languages
English (en)
Other versions
CN114386535B (zh
Inventor
戴曦
徐旭朝
廖中亮
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.)
Three Gorges Zhikong Technology Co ltd
Original Assignee
Three Gorges Zhikong Technology Co ltd
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 Three Gorges Zhikong Technology Co ltd filed Critical Three Gorges Zhikong Technology Co ltd
Priority to CN202210270544.4A priority Critical patent/CN114386535B/zh
Publication of CN114386535A publication Critical patent/CN114386535A/zh
Application granted granted Critical
Publication of CN114386535B publication Critical patent/CN114386535B/zh
Priority to PCT/CN2023/082359 priority patent/WO2023174431A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公布了一种设置用于扫描KPI曲线的滑动窗口宽度的方法，将KPI曲线分割为若干段等长的波段，根据波段的非时间维度聚类成多个簇，提取各个簇的基波，比较各个簇的各波段数据与基波的相似度，找出各个簇的分组边界线，将各个簇的各波段数据分组，提取各簇中连续同类波段的总时间长度，取总时间长度的最大值作为滑动窗口宽度。

Description

一种设置用于扫描KPI曲线的滑动窗口宽度的方法
技术领域
本发明涉及人工智能技术领域，尤其涉及一种设置用于扫描KPI曲线的滑动窗口宽度的方法，属于对KPI曲线的周期性规律进行标注和数据处理的技术领域。
背景技术
工业控制系统中对监测指标实时监控，能提取出不同监测指标的KPI曲线，这些KPI指标都是存在周期性，部分监测指标还有关联性，按周期相互关联影响，为发掘这些指标的关联关系，需要将KPI曲线中的各波段归集为不同的基波类型，在归集时需要应用滑动窗口沿KPI曲线滑动扫描KPI曲线，一种方式是将滑动窗口设置为时长1s，将KPI曲线分割为长度为1s的若干段，相应的不同类型的基波的时长也为1s，这样用于识别比较和标记的波形段过短，直接使后期标签的计算量会指数倍增加，同时信息里面的短暂噪音也会引入后部计算的知识体系作为基波类型，提取出大量无关干扰项，降低了系统输出的准确度的同时，捕获了大量特有的特定的对象知识，导致模型泛用性降低，不利与未来的迁移调整工作；另外连续的波形段不能一起作为一个基波类型直接用于对KPI进行分类，导致提取出的信息缺少了对KPI曲线中整体波段的模式识别，漏掉了知识。
另一种方式是将滑动窗口设置为时长为1个周期，但一个周期内可能存在很多个短小的不同基波类型，在每个窗口中对波段进行聚类分组时会分出多个簇，每个窗口形成的多个基波，使计算量会指数倍增加。同时由于计算量大，后期使用该模型进行应用时，数据产生到系统告警的相应时间会延长。
发明内容
本发明的目的是提供一种设置用于扫描KPI曲线的滑动窗口宽度的方法，将KPI曲线分割为若干段等长的波段，根据波段的非时间维度聚类成多个簇，提取各个簇的基波，比较各个簇的各波段数据与基波的相似度，找出各个簇的分组边界线，将各个簇的各波段数据分组，提取各簇中连续同类波段的总时间长度，取总时间长度的最大值作为滑动窗口宽度。该窗口用于分割KPI曲线，使分割后的各窗口中波段容易聚类归类，利于将对单个窗口内的整个KPI曲线的迅速形成由不同类型波段组成的波段链。每个窗口对应的波段链各具特征，便于按波段链聚类分类。
本发明的技术方案是：一种设置用于扫描KPI曲线的滑动窗口宽度的方法，其步骤包括：
步骤S1.根据同一系统中监测指标的历史数据与时间的关系，建立波形，获得至少一个监测指标的KPI曲线，每个监测指标是KPI曲线数据点的一个属性，同一系统是指有直接或间接的物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系的被监测物组成的生产物料的工艺、生产能量的工艺或控制系统；所述监测指标是被监测物上的传感器采集的物理参数；
步骤S2.设置步幅滑动窗口，步长为s，s=1秒，将KPI曲线按窗口宽度分割成时间宽度为s的若干段KPI曲线数据集M i ，i为段序号；
步骤S3.使用dbscan算法依据每段KPI曲线数据集的属性计算各段数据集之间的欧氏距离，对i段的KPI曲线数据集进行聚类，获取k个簇类和异常项，每个簇是一个分组数据集，每个分组数据集有j段KPI曲线数据集F j ，提取该分组的基波；
步骤S4.使用NCC算法计算每个分组数据集的各段KPI曲线数据集F j 与该基波的波形相似度，并从大到小排序，在波形相似度排序为前95%的KPI曲线数据集F j 中，取波形相似度的最小值作为该组的分组边界线B k ；
步骤S5.使用NCC算法计算每段KPI曲线数据集M i 与各分组的基波的波形相似度NCC Mi-Jk ，以各组的分组边界线为基准，判断各段KPI曲线数据集是否属于该分组，将每段KPI曲线数据集分组获得分组信息；
步骤S6.提取被分到不同分组中的各段KPI曲线数据集的时间戳，得到每个分组的时间戳列表；
步骤S7.将每组的时间戳列表做移步相减，即使用各时间戳列表中下一项的起始时间戳与本项的起始时间戳相减获得事件触发间隔列表；
步骤S8.将各簇的事件触发间隔合并成时间间隔KPI集，依据NCC计算各簇的时间间隔KPI集之间的相似度；
步骤S9.将步骤S8获得的各簇之间时间间隔KPI集的相似度展开成相似度矩阵；
步骤S10.使各簇之间时间间隔KPI集的相似度按数值大小依次排序，然后将相似度的数值拟合成平滑线，依据拐点法获得各簇之间时间间隔KPI集的相似度的分界线；
步骤S11. 将相似度矩阵中数值大于拐点的且相邻的簇标记为同一个相似组，统计各相似组的簇数；
步骤S12.计算相似组中簇数最多的一组的总时间间隔，作为滑动窗口宽度。
优选地，步骤S3中提取该分组的基波的步骤为：计算每个分组数据集中j段KPI曲线数据集的算术平均值⅀F j /j，作为该分组的基波。
优选地，步骤S6中将每段KPI曲线数据集分组获得分组信息的方法包括：对于同时属于多个分组的一段KPI曲线数据集，依据分类得分Q进行排序，将KPI曲线数据集M i 分组到分类得分Q最小的分组中，得到每段KPI曲线数据集的分组信息，
Q=((1-NCC M i-J k )/(1-B k ))2。
优选地，步骤S11替换为：将相似度矩阵中数值大于拐点的相似度数值替换为1，将数值低于拐点的相似度数值替换为0；将更新后的相似度矩阵中相似度为1且相邻的簇标记为同一个相似组，统计各相似组的簇数。
优选地，所述监测指标包括发电机和与发电机有物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系的被监测物上的传感器采集的物理参数。
优选地，所述物理参数包括发电机转速、实时发电量、电压、励磁电流、发电机外壳的震动信号和位移信号、以及与发电机输出线缆电连接的各个输变电线路连接端子和曲柄的温度、电气柜中的温度和湿度。
本发明中所述监测指标是在同一系统中有物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系的被监测物上的传感器采集的物理参数。
同一系统是指上述的被监测物组成的生产物料的工艺、生产能量的工艺或控制系统。
由于被监测物在同一系统中有直接或间接的物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系。被监测物上的传感器采集的物理参数具有相互的因果影响，表现为各不同的物理参数因同一诱因产生的KPI曲线的波段链特征相似，为发现这样的波段链，需要采用合适宽度的滑动窗口沿KPI曲线滑动，从窗口中截取KPI曲线单元段，从KPI曲线单元段中提取的若干等长的波段，基于特征基波与波段的相似度，标记KPI曲线单元段中各波段的标签，使KPI曲线单元段成为有标签排序特征的波段链，这样每在KPI曲线上滑动一次窗口，获得一个波段链，所有的波段链等长，只是波段的分类标签排序不同，那么可以基于波段链的排序特征的不同，将通过滑动窗口获得的所有波段链依据时间维度排列后，基于序列挖掘算法SPADE、专家评定、知识图谱融合可得到不同特征的波段链在时间维度上的因果关系，有助于补充专家对于系统中故障认定的知识体系，发现之前未发现的监测指标的关联关系，从而可在操作中基于新发现的监测指标之间的关联关系建立新的预警控制关系和调控阈值，提高同一系统中各被监测物的系统稳定性。
本发明的意义就是从监测产生的众多KPI曲线中利用窗口截取的KPI曲线单元段具有合适的时序数据长度，覆盖大多数的波段链的长度，有利于波段链的整体特征识别，和从按时间排序的多个波段链中进行序列关系挖掘，减小运算量，提高因果关系发掘的准确性。
本发明的有益效果是：以该总时间间隔设置为滑动窗口的宽度，利用该窗口将KPI曲线分割成若干段，分割出的每一段的时间宽度覆盖了分步骤S12得到的时长最大的相似组。以该滑动窗口扫描KPI曲线，能将连续出现的簇快速分割到一个窗口中，再快速聚类到同一个波形类别，减小计算量，且能对KPI曲线的波段进行整体归类，利于将对单个窗口内的整个KPI曲线的迅速形成由不同类型波段组成的波段链。每个窗口对应的波段链各具特征，便于按波段链聚类分类，减少遗漏知识的可能性。
附图说明
图1是从同一系统中监测指标建立的KPI曲线；其中图1中的标准化就是将某一列数值特征的值缩放成均值为0，方差为1的状态，其纵坐标数值为实时值与均值的差除以方差。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
一种设置用于扫描KPI曲线的滑动窗口宽度的方法，其步骤包括：
步骤S1.如图1，根据同一系统中监测指标的历史数据与时间的关系，建立波形，获得至少一个监测指标的KPI曲线，每个监测指标是KPI曲线数据点的一个属性；
上述的属性类似于三维坐标系中y轴/z轴的值,每个轴的坐标标值是一个维度，x轴是时间。
所述监测指标是在同一系统中有物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系的被监测物上的传感器采集的物理参数。
同一系统是指上述的被监测物组成的生产物料的工艺、生产能量的工艺或控制系统。
例如，发电系统中的汽轮机、发电机、线缆、变压器、电器柜组成的同一系统，其监测指标包括了发电机转速、实时发电量、电压、励磁电流、发电机外壳的震动信号和位移信号、以及与发电机输出线缆电连接的各个关键输变电线路连接端子和曲柄的温度、电气柜中的温度和湿度。
步骤S2.设置步幅滑动窗口，步长为s，s=1秒，将KPI曲线按窗口宽度分割成时间宽度为s的若干段KPI曲线数据集M i ，i为段序号；
步骤S3.使用dbscan算法依据每段KPI曲线数据集的属性计算各段数据集之间的欧氏距离，对i段的KPI曲线数据集进行聚类，获取k个簇类和异常项，每个簇是一个分组数据集，每个分组数据集有j段KPI曲线数据集F j ；
步骤S4.计算每个分组数据集中j段KPI曲线数据集的算术平均值⅀F j /j，作为该分组的基波；
步骤S5.使用NCC算法计算每个分组数据集的各段KPI曲线数据集F j 与该基波的波形相似度，并从大到小排序，在波形相似度排序为前95%的KPI曲线数据集F j 中，取波形相似度的最小值作为该组的分组边界线B k ；
步骤S6.使用NCC算法计算每段KPI曲线数据集M i 与各分组的基波的波形相似度NCC Mi-Jk ，以各组的分组边界线为基准，判断各段KPI曲线数据集是否属于该分组，对于同时属于多个分组的一段KPI曲线数据集，依据分类得分Q进行排序，将KPI曲线数据集M i 分组到分类得分Q最小的分组中，得到每段KPI曲线数据集的分组信息，
Q=((1-NCC M i-J k )/(1-B k ))2；
NCC M i-J k 越大，Q就越小，说明M i 与簇类k越相似，当KPI曲线数据集M i 与不同簇类的相似度NCC M i-J k 相同时，B k 越小说明该簇类M i 与簇类k的相似度NCC M i-J k 在该簇类中波形相似度排序中越靠前；通过这个公式可以计算出该KPI曲线数据集M i 在候选簇中的可能性，从而计算出最有可能是哪一类簇。
步骤S7.提取被分到不同分组中的各段KPI曲线数据集的时间戳，得到每个分组的时间戳列表；
步骤S8.将每组的时间戳列表做移步相减，即使用各时间戳列表中下一项的起始时间戳与本项的起始时间戳相减获得事件触发间隔列表；
事件触发间隔即每个分组数据集中相邻两段KPI曲线数据集的时间间隔；
步骤S9.将各簇的事件触发间隔合并成时间间隔KPI集，依据NCC计算各簇的时间间隔KPI集之间的相似度；若不同簇的时间间隔KPI集相近，说明簇的波形在时间总宽度上相近；
步骤S10.将步骤S9获得的各簇之间时间间隔KPI集的相似度展开成相似度矩阵；如表1，a~d为簇的序号，相似度矩阵的行数和列数为簇的数量，相似度矩阵中的数值为各簇之间时间间隔KPI集的相似度，相似度矩阵是一个对角矩阵；
Figure 700131DEST_PATH_IMAGE001
步骤S11.使各簇之间时间间隔KPI集的相似度按数值大小依次排序，然后将相似度的数值拟合成平滑线，依据拐点法获得各簇之间时间间隔KPI集的相似度的分界线；
步骤S12.将相似度矩阵中数值大于拐点的相似度数值替换为1，将数值低于拐点的相似度数值替换为0，如表2；
Figure 842399DEST_PATH_IMAGE002
步骤S13.将步骤S12得到的相似度矩阵中相似度为1且相邻的簇标记为同一个相似组，统计各相似组的簇数；
步骤S14.计算相似组中簇数最多的一组的总时间间隔；
以该总时间间隔设置为滑动窗口的宽度，利用该窗口将KPI曲线分割成若干段，分割出的每一段的时间宽度覆盖了分步骤S12得到的时长最大的相似组。以该滑动窗口扫描KPI曲线，能将连续出现的簇快速分割到一个窗口中，再快速聚类到同一个波形类别，减小计算量，且能对KPI曲线的波段进行整体归类，减少遗漏知识的可能性。
上述的NCC(Normalized cross correlation)算法其定义为：
Figure 783636DEST_PATH_IMAGE003
式中，xt为背景波形，yt+h为模板波形，NCC的值在-1~1之间，-1代表变换前后波形相反，0代表两波形正交，1代表完全相同。NCC只描述两波形的宏观相似程度，与波形幅值，能量衰减多少无关。

Claims (6)

1.一种设置用于扫描KPI曲线的滑动窗口宽度的方法，其步骤包括：
步骤S1.根据同一系统中监测指标的历史数据与时间的关系，建立波形，获得至少一个监测指标的KPI曲线，每个监测指标是KPI曲线数据点的一个属性，同一系统是指有直接或间接的物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系的被监测物组成的生产物料的工艺、生产能量的工艺或控制系统；所述监测指标是被监测物上的传感器采集的物理参数；
步骤S2.设置步幅滑动窗口，步长为s，s=1秒，将KPI曲线按窗口宽度分割成时间宽度为s的若干段KPI曲线数据集M i ，i为段序号；
步骤S3.使用dbscan算法依据每段KPI曲线数据集的属性计算各段数据集之间的欧氏距离，对i段的KPI曲线数据集进行聚类，获取k个簇类和异常项，每个簇是一个分组数据集，每个分组数据集有j段KPI曲线数据集F j ,提取该分组的基波；
步骤S4.使用NCC算法计算每个分组数据集的各段KPI曲线数据集F j 与该基波的波形相似度，并从大到小排序，在波形相似度排序为前95%的KPI曲线数据集F j 中，取波形相似度的最小值作为该组的分组边界线B k ；
步骤S5.使用NCC算法计算每段KPI曲线数据集M i 与各分组的基波的波形相似度NCC Mi-Jk ，以各组的分组边界线为基准，判断各段KPI曲线数据集是否属于该分组，将每段KPI曲线数据集分组获得分组信息；
步骤S6.提取被分到不同分组中的各段KPI曲线数据集的时间戳，得到每个分组的时间戳列表；
步骤S7.将每组的时间戳列表做移步相减，即使用各时间戳列表中下一项的起始时间戳与本项的起始时间戳相减获得事件触发间隔列表；
步骤S8.将各簇的事件触发间隔合并成时间间隔KPI集，依据NCC计算各簇的时间间隔KPI集之间的相似度；
步骤S9.将步骤S8获得的各簇之间时间间隔KPI集的相似度展开成相似度矩阵；
步骤S10.使各簇之间时间间隔KPI集的相似度按数值大小依次排序，然后将相似度的数值拟合成平滑线，依据拐点法获得各簇之间时间间隔KPI集的相似度的分界线；
步骤S11.将相似度矩阵中数值大于拐点的且相邻的簇标记为同一个相似组，统计各相似组的簇数；
步骤S12.计算相似组中簇数最多的一组的总时间间隔，作为滑动窗口宽度。
2.根据权利要求1所述的设置用于扫描KPI曲线的滑动窗口宽度的方法，其特征在于，步骤S3中提取该分组的基波的步骤为：计算每个分组数据集中j段KPI曲线数据集的算术平均值⅀F j /j，作为该分组的基波。
3.根据权利要求1所述的设置用于扫描KPI曲线的滑动窗口宽度的方法，其特征在于，步骤S6中将每段KPI曲线数据集分组获得分组信息的方法包括：对于同时属于多个分组的一段KPI曲线数据集，依据分类得分Q进行排序，将KPI曲线数据集M i 分组到分类得分Q最小的分组中，得到每段KPI曲线数据集的分组信息，
Q=((1-NCC Mi-Jk )/(1-B k ))2。
4.根据权利要求1所述的设置用于扫描KPI曲线的滑动窗口宽度的方法，其特征在于，步骤S11替换为：将相似度矩阵中数值大于拐点的相似度数值替换为1，将数值低于拐点的相似度数值替换为0。
5.根据权利要求1所述的设置用于扫描KPI曲线的滑动窗口宽度的方法，其特征在于，所述监测指标包括发电机和与发电机有物料供给关系、或电能传递关系、或热能传递关系、或机械能传递关系、或磁场传递关系、或能量转化关系、或信号控制关系的被监测物上的传感器采集的物理参数。
6.根据权利要求5所述的设置用于扫描KPI曲线的滑动窗口宽度的方法，其特征在于，所述物理参数包括发电机转速、实时发电量、电压、励磁电流、发电机外壳的震动信号和位移信号、以及与发电机输出线缆电连接的各个输变电线路连接端子和曲柄的温度、电气柜中的 温度和湿度。
CN202210270544.4A 2022-03-18 2022-03-18 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 Active CN114386535B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210270544.4A CN114386535B (zh) 2022-03-18 2022-03-18 一种设置用于扫描kpi曲线的滑动窗口宽度的方法
PCT/CN2023/082359 WO2023174431A1 (zh) 2022-03-18 2023-03-17 一种kpi曲线数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210270544.4A CN114386535B (zh) 2022-03-18 2022-03-18 一种设置用于扫描kpi曲线的滑动窗口宽度的方法

Publications (2)

Publication Number Publication Date
CN114386535A true CN114386535A (zh) 2022-04-22
CN114386535B CN114386535B (zh) 2022-05-27

Family

ID=81205527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210270544.4A Active CN114386535B (zh) 2022-03-18 2022-03-18 一种设置用于扫描kpi曲线的滑动窗口宽度的方法

Country Status (1)

Country Link
CN (1) CN114386535B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023174431A1 (zh) * 2022-03-18 2023-09-21 三峡智控科技有限公司 一种kpi曲线数据处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108956111A (zh) * 2018-06-11 2018-12-07 北京天泽智云科技有限公司 一种机械部件的异常状态检测方法及检测系统
US20190379589A1 (en) * 2018-06-12 2019-12-12 Ciena Corporation Pattern detection in time-series data
CN110567722A (zh) * 2019-05-13 2019-12-13 上海飞机客户服务有限公司 一种基于性能参数的民机发动机起动系统健康监测方法
CN111177505A (zh) * 2019-12-31 2020-05-19 中国移动通信集团江苏有限公司 指标异常检测模型的训练方法、推荐的方法及装置
CN113377568A (zh) * 2021-06-29 2021-09-10 北京同创永益科技发展有限公司 一种异常检测方法、装置、电子设备及存储介质
CN113723452A (zh) * 2021-07-19 2021-11-30 山西三友和智慧信息技术股份有限公司 一种基于kpi聚类的大规模异常检测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108956111A (zh) * 2018-06-11 2018-12-07 北京天泽智云科技有限公司 一种机械部件的异常状态检测方法及检测系统
US20190379589A1 (en) * 2018-06-12 2019-12-12 Ciena Corporation Pattern detection in time-series data
CN110567722A (zh) * 2019-05-13 2019-12-13 上海飞机客户服务有限公司 一种基于性能参数的民机发动机起动系统健康监测方法
CN111177505A (zh) * 2019-12-31 2020-05-19 中国移动通信集团江苏有限公司 指标异常检测模型的训练方法、推荐的方法及装置
CN113377568A (zh) * 2021-06-29 2021-09-10 北京同创永益科技发展有限公司 一种异常检测方法、装置、电子设备及存储介质
CN113723452A (zh) * 2021-07-19 2021-11-30 山西三友和智慧信息技术股份有限公司 一种基于kpi聚类的大规模异常检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JUAN QIU: "KPI-TSAD: A Time-Series Anomaly Detector for KPI Monitoring in Cloud Applications", 《SYMMETRY》, 1 November 2019 (2019-11-01) *
加了个蛋: "曲线聚类_[技术分享]用于大规模异常检测的KPI的稳健快速聚类", 《CSDN》, 13 January 2021 (2021-01-13) *
钱骥: "基于机器学习的KPI异常检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, 28 February 2022 (2022-02-28) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023174431A1 (zh) * 2022-03-18 2023-09-21 三峡智控科技有限公司 一种kpi曲线数据处理方法

Also Published As

Publication number Publication date
CN114386535B (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
He et al. A spatio-temporal multiscale neural network approach for wind turbine fault diagnosis with imbalanced SCADA data
CN114386538B (zh) 一种标记监测指标的kpi曲线的波段特征的方法
CN107561997B (zh) 一种基于大数据决策树的电力设备状态监测方法
CN112819059B (zh) 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN110969556A (zh) 机器学习多维度多模型融合河道水质异常检测方法及装置
WO2023174431A1 (zh) 一种kpi曲线数据处理方法
CN108197647B (zh) 一种汽车起动机耐久测试数据的快速聚类方法
CN116148679A (zh) 一种电池健康状态的预测方法及相关装置
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN116911806B (zh) 基于互联网+的电力企业能源信息管理系统
CN110297207A (zh) 智能电表的故障诊断方法、系统及电子装置
CN114386535B (zh) 一种设置用于扫描kpi曲线的滑动窗口宽度的方法
CN115271003A (zh) 用于自动化环境监测设备的异常数据分析方法及系统
CN116521904B (zh) 一种基于5g边缘计算的船舶制造数据云融合方法及系统
CN114398891B (zh) 基于日志关键词生成kpi曲线并标记波段特征的方法
CN106707118A (zh) 局部放电模式识别方法和装置
CN114444533A (zh) 一种基于深度自编码器与特征优化的电机故障诊断方法
CN117978517A (zh) 一种基于电力监控系统的网络攻击态势智能识别方法
Leite et al. A robust fleet-based anomaly detection framework applied to wind turbine vibration data
Li et al. Class imbalanced fault diagnosis via combining K-means clustering algorithm with generative adversarial networks
CN110826600B (zh) 基于自适应共振网络在线增量学习的发动机喘振预测方法
Hu et al. Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances
Song et al. Fault diagnosis and process monitoring using a statistical pattern framework based on a self-organizing map
CN116701846A (zh) 一种基于无监督学习的水电站调度运行数据清洗方法
CN113268552B (zh) 一种基于局部敏感哈希的发电机设备隐患预警方法

Legal Events

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