CN116155426B - 基于历史数据的调音台运行异常监测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于历史数据的调音台运行异常监测方法。首先获取输入信号序列和输出信号子序列，根据目标信号序列的变化特征获得变化特征值和目标信号变化特征序列，以及目标信号变化特征序列的跳变点。根据变化特征值和跳变点的差异特征获得初始变化区间和动态变化区间，对目标信号变化特征序列中不同的动态变化区间进行符号化处理获得符号数据序列。根据输入信号序列和对应输出信号子序列的相似特征以及其符号数据序列的匹配元素量获得异常指数，根据异常指数分析调音台运行情况，能够减少调音台多通道多数据量造成的计算成本，提高异常监测准确性及实时性。

Description

基于历史数据的调音台运行异常监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于历史数据的调音台运行异常监测方法。

背景技术

调音台是音视频行业中常用的设备，通过对多路输入数据进行放大、混合、分配、音质修正等产生适合电台广播、舞台扩音等不同应用场景需求的音频数据信号。但由于调音台有多路不同的通道输入信号，多个不同通道之间的数据信号相互叠加导致对调音台运行的信号数据检测过程中出现较大阻碍。

因为调音台具有多个不同的输入数据端口，在一定时间内会产生较多的数据，传统时序处理算法中对多个不同端口叠加数据特征进行提取不能够充分反映调音台大量数据之间变化的特征，且实时性较差，进而对调音台运行异常状态的监测容易出现较大的误差，影响异常监测的准确性。

发明内容

为了解决上述通过传统时序处理算法难以充分反映调音台大量数据之间变化的特征，导致对调音台异常状态监测出现较大误差的技术问题，本发明的目的在于提供一种基于历史数据的调音台运行异常监测方法，所采用的技术方案具体如下：

获取调音台历史数据中所有输入端口的输入信号序列、输出端口的输出信号序列；对所述输出信号序列进行分解获得不同的输出信号子序列；将所述输入信号序列与所述输出信号子序列作为目标信号序列；

根据所述目标信号序列在预设滑窗中信号的大小变化特征获得变化特征值和目标信号变化特征序列，获得所述目标信号变化特征序列的跳变点；根据所述目标信号变化特征序列中的变化特征值与所述跳变点的差异特征，获得变化特征值的初始变化区间；根据所述初始变化区间中变化特征值的数据量、方差、与跳变点的差异获得区间动态调整值和动态变化区间；

根据所述目标信号变化特征序列中不同动态变化区间的长度特征进行符号化处理，获得符号数据序列；将所述输入信号序列的所述符号数据序列与对应的输出信号子序列的符号数据序列进行匹配，获得匹配元素量；

计算所述输入信号序列与对应的输出信号子序列的相似特征；根据调音台所有的所述相似特征和对应的匹配元素量获得异常指数，根据调音台的异常指数分析异常情况。

进一步地，所述变化特征值和目标信号变化特征序列的获取步骤包括：

计算预设滑窗中每个时刻下的信号的变化率绝对值，计算所述变化率绝对值与对应信号值的乘积，获得变化表征值，计算预设滑窗内的变化表征值的平均值，获得所述变化特征值；

将预设滑窗遍历目标信号序列，获得每个时刻下的所述变化特征值，根据每个时刻下的所述变化特征值，组合获得所述目标信号变化特征序列。

进一步地，所述跳变点的获取步骤包括：

对所述目标信号变化特征序列进行贝叶斯变点检测，获得所述跳变点。

进一步地，所述初始变化区间的获取步骤包括：

计算所述目标信号变化特征序列中所述变化特征值与对应的所有跳变点的差值绝对值，作为差异特征，比较所述变化特征值的所有差异特征的大小，将所述变化特征值划入到差异特征最小的跳变点的区间中；

计算所有变化特征值的所述差异特征，分别将所有变化特征值划入到对应差异特征值最小的跳变点的区间中，获得每个跳变点的所述初始变化区间。

进一步地，所述区间动态调整值和动态变化区间的获取步骤包括：

计算所述初始变化区间中变化特征值的方差；计算所述初始变化区间中变化特征值与对应跳变点的差值绝对值，作为第一差异，计算所述初始变化区间中所有第一差异的和值并归一化，作为第一差异表征值；

当所述方差大于预设方差时，计算数值一与第一差异表征值的和值，作为第一区间调整系数，计算所述第一区间调整系数与对应变化特征值数量的乘积，作为区间动态调整值；

当所述方差小于等于预设方差时，计算数值一与第一差异表征值的差值，作为第二区间调整系数，计算所述第二区间调整系数与对应变化特征值数量的乘积，作为区间动态调整值；

以所述跳变点的位置为中心，向左和向右的距离分别为所述区间动态调整值，获得所述动态变化区间。

进一步地，所述符号数据序列的获取步骤包括：

对所述目标信号变化特征序列所对应的不同的动态变化区间长度按照字典序进行符号标记，按照时间顺序统计所述目标信号变化特征序列中变化特征值经过的动态变化区间的符号值，获得所述符号数据序列。

进一步地，所述匹配元素量的获取步骤包括：

通过KMP算法对所述输入信号序列的符号数据序列与对应的输出信号子序列的符号数据序列寻找最长字符串匹配，统计匹配的字符串数量，获得匹配元素量。

进一步地，所述异常指数的获取步骤包括：

通过DTW算法计算所述输入信号序列与对应的输出信号子序列的差异距离，将所述差异距离的倒数作为相似特征；计算所述相似特征与对应的匹配元素量的乘积，作为相似表征值；计算调音台所有的相似表征值之和，并负相关映射，获得异常指数。

进一步地，所述分析异常情况的步骤包括：

当所述异常指数大于等于预设异常阈值时，则认为调音台的运行出现异常状态；当所述异常指数小于预设异常阈值时，则认为调音台的运行正常。

进一步地，所述输出信号子序列的获取步骤包括：

对所述输出信号序列进行经验模态分解，获得所述输出信号子序列。

本发明具有如下有益效果：

在本发明实施例中，对输出信号序列进行分解获得不同的输出信号子序列，能够将输出信号子序列和对应的输入信号序列进行对比分析，提高调音台运行异常监测的准确性。计算变化特征值能够表征目标信号序列的变化情况以及便于获得目标信号变化特征序列的跳变点，同时变化特征值能够避免传统方法中求时序均值难以区分不同波形变化的缺点。跳变点能够将目标信号变化特征序列中不同变化特征的变化特征值进行区分，获得不同的初始变化区间；动态变化区间可以表征目标信号序列的整体变化特征，进而能够通过目标信号序列的动态变化区间进行符号化处理，获得符号数据序列，减少多通道大量数据的计算量。匹配元素量能够反映对应的输入信号序列和输出信号子序列之间的匹配程度。通过对应的输入信号序列和输出信号子序列的匹配元素量和相似特征能够反映调音台的运行异常情况，能够避免调音台多通道大数据量导致计算成本高的缺点，提高调音台运行异常监测的准确性以及实时性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于历史数据的调音台运行异常监测方法流程图；

图2为本发明一个实施例所提供的动态变化区间示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于历史数据的调音台运行异常监测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于历史数据的调音台运行异常监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于历史数据的调音台运行异常监测方法流程图，该方法包括：

步骤S1，获取调音台历史数据中所有输入端口的输入信号序列、输出端口的输出信号序列；对输出信号序列进行分解获得不同的输出信号子序列；将输入信号序列与输出信号子序列作为目标信号序列。

在本发明实施中，实施场景为对调音台的运行异常状态的监测。首先，为了分析调音台的运行状态，需要采集调音台的历史数据。因为调音台具有多个不同通道的输入端口，故需要通过音频分析仪器采集调音台历史数据中所有输入端口的输入信号序列。同时为了对调音台运行异常状态进行更准确地监测，还需要采集调音台历史数据中对应的输出端口的输出信号序列，需要说明的是，各个输入信号序列和输出信号序列的长度是相同的。

进一步地，由于调音台输出端口的数据是多路输入信号叠加形成的，故需要对输出信号序列进行分解，在本发明实施例中，通过经验模态分解EMD算法对输出信号进行分解得到不同的输出信号子序列，使分解后的输出信号子序列与输入信号序列的数量一致且对应。需要说明的是，经验模态分解EMD算法属于现有技术，具体分解步骤不再赘述。

后续步骤需要分析输入信号序列和输出信号子序列的变化特征，由于对输入信号序列以及输出信号子序列的分析步骤相同，为方便表述，故将输入信号序列和输出信号子序列作为目标信号序列，后续对目标信号序列进行分析。

步骤S2，根据目标信号序列在预设滑窗中信号的大小变化特征获得变化特征值和目标信号变化特征序列，获得目标信号变化特征序列的跳变点；根据目标信号变化特征序列中的变化特征值与跳变点的差异特征，获得变化特征值的初始变化区间；根据初始变化区间中变化特征值的数据量、方差、与跳变点的差异获得区间动态调整值和动态变化区间。

首先，对于采集到的目标信号序列可能会出现不同程度的细小波动特征，该细小波动特征可能是调音台数据采集或数据输出过程中由于设备运行的异常状态导致。故为了准确分析细小波动特征，需要对调音台的目标信号序列进行切片，对局部变化细节特征进行近似替代变化计算。故根据目标信号序列在预设滑窗中信号的大小变化特征获得变化特征值和目标信号变化特征序列，具体包括：计算预设滑窗中每个时刻下的信号的变化率绝对值，计算变化率绝对值与对应信号值的乘积，获得变化表征值，计算预设滑窗内的变化表征值的平均值，获得变化特征值；将预设滑窗遍历目标信号序列，获得每个时刻下的变化特征值，根据每个时刻下的变化特征值，组合获得目标信号变化特征序列。其中变化特征值的获取公式具体包括：

式中，

表示目标信号序列中第

时刻的变化特征值，

表示预设滑窗的长度，在本 发明实施例中预设滑窗长度为3，实施者可根据实施场景自行设定，

表示预设滑窗内不同 的时刻，

和

表示预设滑窗的左右范围，

表示预设滑窗内任意时刻信号的变化率 绝对值，

表示预设滑窗内第

时刻的目标信号值。

关于变化特征值的获取，传统方法计算过程中通常使用短时间的序列均值对数据进行近似替代变化计算，但实际计算过程中容易出现误差，例如两个不同波形的数据变化特征序列计算的均值结果相同，导致表征变化情况的值不能够对两个不同的数据序列进行清晰的区分，进而导致最终的运行异常监测出现较大的误差。在本发明实施例中根据目标信号序列中预设滑窗内的数据，以预设滑窗内每个时刻的变化率绝对值作为对应时刻信号值的系数，进而对目标信号序列中预设滑窗内的数据均值进行变换，能够得到较为准确的近似变化数值，有效地规避了仅用均值计算难以区分不同调音台通道数据序列变化的缺点。

将预设滑窗依次滑动遍历目标信号序列，可以获得除了初始

个时刻外的每个时 刻下的变化特征值，进而通过不同时刻的变化特征值按照顺序组合获得目标信号变化特征 序列，通过变化特征值和目标信号变化特征序列能够表征目标信号序列的波动特征，进而 分析运行异常情况。

进一步地，运行正常的调音台对于目标信号序列在一定时间片段内应保持合理波动范围内的稳定状态，若调音台运行异常则会出现异常波动，故目标信号变化特征序列中会出现异常变化的数据点，因此为了确定目标信号变化特征序列的异常变化点，使用贝叶斯变点检测方法对目标信号变化特征序列进行检测，获得目标信号变化特征序列的跳变点，跳变点指异常变化的数据点，即异常变化的变化特征值。需要说明的是，贝叶斯变点检测方法属于对时序序列中异常变化点进行检测的现有技术，具体步骤不再赘述。

至此，获得了变化特征值和目标信号变化特征序列，以及对应的跳变点。后续则需要根据跳变点进行运行异常情况的分析，因为跳变点是变化特征异常变化的数据点，跳变点能够将不同变化范围的变化特征区分开。故根据目标信号变化特征序列中的变化特征值与跳变点的差异特征，获得变化特征值的初始变化区间，具体包括：计算目标信号变化特征序列中变化特征值与对应的所有跳变点的差值绝对值，作为差异特征，比较变化特征值的所有差异特征的大小，将变化特征值划入到差异特征最小的跳变点的区间中；计算所有变化特征值的差异特征，分别将所有变化特征值划入到对应差异特征值最小的跳变点的区间中，获得每个跳变点的初始变化区间。

至此，获得了目标信号变化特征序列中每个跳变点的初始变化区间。因为后续需要分析调音台的运行异常，运动异常会造成信号的细小波动，根据波动特征对初始变化区间进行动态调整，后续根据动态调整的动态变化区间可分析运行异常的情况，因变化特征值表征目标信号的波动特征，故根据初始变化区间中变化特征值的数据量、方差、与跳变点的差异获得区间动态调整值和动态变化区间，具体包括：

计算初始变化区间中变化特征值的方差；计算初始变化区间中变化特征值与对应跳变点的差值绝对值，作为第一差异，计算初始变化区间中所有第一差异的和值并归一化，作为第一差异表征值；当方差大于预设方差时，计算数值一与第一差异表征值的和值，作为第一区间调整系数，计算第一区间调整系数与对应变化特征值数量的乘积，作为区间动态调整值。当方差小于等于预设方差时，计算数值一与第一差异表征值的差值，作为第二区间调整系数，计算第二区间调整系数与对应变化特征值数量的乘积，作为区间动态调整值。以跳变点的位置为中心，向左和向右的距离分别为区间动态调整值，获得动态变化区间。当方差大于预设方差时，区间动态调整值的获取公式包括：

式中，

表示目标信号变化特征序列中第

个跳变点的区间动态调整值，

表示 第

个跳变点的初始变化区间中变化特征值的数量，

表示对括号中的数据归一化，

表示不同的变化特征值，

表示第

个跳变点。

表示第一差异表征 值。

当初始变化区间中对应的变化特征值处于异常波动的起伏状态时，计算的初始变化区间内变化特征值的数据稳定性较差，对应的方差较大，该方差大于预设方差。需要说明的是，在本发明实施例中，预设方差为调音台正常运行时所获得的任意一段时间内变化特征值的方差，实时者可根据实施场景自行确定。因此，当初始变化区间中变化特征值的方差大于预设方差时，其初始变化区间中变化特征值与对应的跳变点差值也会较大，此时则意味着可能出现了目标信号序列的异常波动情况，故可将对应的初始变化区间进行动态调整，根据计算得到的区间动态调整值获得动态变化区间。对初始变化区间进行动态划分的目的是为了后续将目标信号变化特征序列进行符号化处理，以便区分输入信号序列和对应输出子信号序列的差异，从而判断运行异常的情况。需要说明的是，当方差小于等于预设方差时，区间动态调整值的获取公式相似，不再赘述。

当初始变化区间中变化特征值的方差大于预设方差时，则意味着出现了部分异常 波动，故需要根据变化特征值的情况自适应地增大初始变化区间，获得较长的动态变化区 间；当初始变化区间中变化特征值的方差小于预设方差时，此时意味着该区间内数据较为 正常，目标信号序列的波动较少，故可根据变化特征值的情况自适应地减少初始变化区间， 获得较短的动态变化区间。图2示出了一种动态变化区间示意图，该图2中的坐标范围为

即为跳变点

位置处的动态变化区间，至此，对于目标信号变化特征 序列中不同的跳变点，都获得了对应的动态变化区间，动态变化区间能够反映对应的目标 信号序列的整体变化特征。后续步骤可根据输入信号序列和对应的输出信号子序列不同的 动态变化区间分析异常情况。输入信号序列和对应的输出信号子序列的动态变化区间差异 能够反映调音台的运行异常情况。

步骤S3，根据目标信号变化特征序列中变化特征值在不同动态变化区间的特征进行符号化处理，获得符号数据序列；将输入信号序列的符号数据序列与对应的输出信号子序列的符号数据序列进行匹配，获得匹配元素量。

因为动态区间的长短特征能够表征调音台不同时刻的运行情况，正常情况下输入信号序列和对应的输出信号子序列的变化特征是相似的，进而各个动态变化区间的长度是相似的，因此可根据动态变化区间的差异分析运行的异常情况。故根据目标信号变化特征序列中变化特征值在不同动态变化区间的特征进行符号化处理，获得符号数据序列，具体包括：对目标信号变化特征序列所对应的不同的动态变化区间长度按照字典序进行符号标记，按照时间顺序统计目标信号变化特征序列中变化特征值经过的动态变化区间的符号值，获得符号数据序列。在目标信号变化特征序列中，对不同的动态变化区间长度按照字典序进行符号标记，即每种动态区间的长度对应一种符号。例如图2中所标记的动态变化区间其符号为a，按照时间顺序依次顺延b、c、d等符号，直到再次遇到和符号a标记的动态变化区间长度相同的动态变化区间再次标记为a，然后继续按照原字典序继续顺延。

对于正常情况下的输入信号序列和对应的输出信号子序列，二者对应的目标信号变化特征序列的变化情况是相似的，故其符号数据序列是相似的，但异常情况下可能会导致输入或输出时信号异常波动，导致动态变化区间发生较大变化，既影响了符号数据序列的分布规律又影响了符号数据序列的长度。因此可根据对应的输入信号序列和输出信号子序列的符号数据序列差异分析异常情况。

进一步地，将输入信号序列的符号数据序列与对应的输出信号子序列的符号数据序列进行匹配，获得匹配元素量，具体包括：通过KMP算法对输入信号序列的符号数据序列与对应的输出信号子序列的符号数据序列寻找最长字符串匹配，统计匹配的字符串数量，获得匹配元素量。KMP算法是一种改进的字符串匹配算法，能够寻找两个字符串序列中相同位置相同字符的最大连续长度，即最长字符串匹配，需要说明的是KMP算法属于现有技术，具体步骤不再赘述。当对应的输入信号与输出信号子序列的匹配元素量越大时，则意味着信号变化特征越相似，出现异常情况的可能性越小；当对应的输入信号与输出信号子序列的匹配元素量越小时，则意味着信号变化特征越不相似，出现异常情况的可能性越大。

至此，根据调音台的目标信号序列波形起伏特征量化了不同的动态变化区间，对不同的动态变化区间按照字典序进行符号化处理，进而根据输入信号序列和对应的输出信号子序列的符号数据序列进行匹配，获得了匹配元素量，后续可根据匹配元素量的大小特征分析调音台的运行异常情况。能够有效地规避传统算法中对多个输入通道，数据量较大的调音台数据逐个时刻进行计算造成的计算成本较高，实时性效果较差的影响。

步骤S4，计算输入信号序列与对应的输出信号子序列的相似特征；根据调音台所有的相似特征和对应的匹配元素量获得异常指数，根据调音台的异常指数分析异常情况。

获得输入信号序列和对应的输出信号子序列的匹配元素量之后，为了能够更准确地分析调音台的运行异常情况，还需计算输入信号序列与对应的输出信号子序列的相似特征，进而可以根据调音台所有的相似特征和对应的匹配元素量获得异常指数，根据调音台的异常指数分析异常情况，具体包括：通过动态时间规整DTW算法计算输入信号序列与对应的输出信号子序列的差异距离，将差异距离的倒数作为相似特征；计算相似特征与对应的匹配元素量的乘积，作为相似表征值；计算调音台所有的相似表征值之和，并负相关映射，获得异常指数。当两个序列之间的相似程度越大，则DTW算法获得的差异距离越接近0，故当输入信号序列和对应的输出信号子序列越相似，则该算法获得的差异距离越小。需要说明的是DTW算法属于现有技术，具体步骤不再赘述。在本发明一个实施例中，异常指数的获取公式包括：

式中，

表示调音台的异常指数，

表示以自然常数为底的指数函数，

表示不 同的输入信号端口，

表示输入信号序列的数量，

表示第

个输入信号端口的输入信号序 列和其对应输出信号子序列的匹配元素量，

表示第

个输入信号端口的输入信号序列和 其对应输出信号子序列的差异距离，

表示相似表征值，

是为了防止分母为零。

目的是进行负相关映射，需要说明的是，在本发明其他实施例中，可通过其他例如

等数学运算方法进行负相关映射，在此不做限定。

关于异常指数的获取，是根据调音台所有输入信号序列与对应的输出信号子序列之间的元素匹配量和相似特征获得的，当输入信号序列和对应的输出信号子序列之间的元素匹配量越多，相似特征越大，则意味着调音台运行越正常，异常指数越小；当输入信号序列和对应的输出信号子序列之间的元素匹配量越少，相似特征越小，则意味着调音台运行越异常，异常指数越大。因此可根据调音台的异常指数分析异常情况，当异常指数大于等于预设异常阈值时，则认为调音台的运行出现异常状态；当异常指数小于预设异常阈值时，则认为调音台的运行正常，在本发明实施例中，预设异常阈值为0.75，实施者可根据实施场景自行确定。

至此，本发明实施例根据调音台不同的输入信号序列和输出信号序列构建信号变化特征，通过变化特征值规避了传统方法中使用均值对时序数据特征进行变化情况分析难以区分不同波形变化的缺点，提高了调音台运行异常的监测准确性。进而根据目标信号变化特征序列的动态变化区间获得了符号数据序列，通过符号数据序列的匹配能够快速地分析调音台的运行异常情况，避免了传统算法中由于多通道数据量大造成的计算成本高，实时性差的缺点。

综上所述，本发明实施例提供了一种基于历史数据的调音台运行异常监测方法，首先获取输入信号序列和输出信号子序列，根据目标信号序列的变化特征获得变化特征值和目标信号变化特征序列，以及目标信号变化特征序列的跳变点。根据变化特征值和跳变点的差异特征获得初始变化区间和动态变化区间，对目标信号变化特征序列中不同的动态变化区间进行符号化处理获得符号数据序列。根据输入信号序列和对应输出信号子序列的相似特征以及其符号数据序列的匹配元素量获得异常指数，根据异常指数分析调音台运行情况，能够减少调音台多通道多数据量造成的计算成本，提高异常监测准确性及实时性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于历史数据的调音台运行异常监测方法，其特征在于，该方法包括以下步骤：

获取调音台历史数据中所有输入端口的输入信号序列、输出端口的输出信号序列；对所述输出信号序列进行分解获得不同的输出信号子序列；将所述输入信号序列与所述输出信号子序列作为目标信号序列；

根据所述目标信号序列在预设滑窗中信号的大小变化特征获得变化特征值和目标信号变化特征序列，获得所述目标信号变化特征序列的跳变点；根据所述目标信号变化特征序列中的变化特征值与所述跳变点的差异特征，获得变化特征值的初始变化区间；根据所述初始变化区间中变化特征值的数据量、方差、与跳变点的差异获得区间动态调整值和动态变化区间；

根据所述目标信号变化特征序列中不同动态变化区间的长度特征进行符号化处理，获得符号数据序列；将所述输入信号序列的所述符号数据序列与对应的输出信号子序列的符号数据序列进行匹配，获得匹配元素量；

计算所述输入信号序列与对应的输出信号子序列的相似特征；根据调音台所有的所述相似特征和对应的匹配元素量获得异常指数，根据调音台的异常指数分析异常情况。

2.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述变化特征值和目标信号变化特征序列的获取步骤包括：

计算预设滑窗中每个时刻下的信号的变化率绝对值，计算所述变化率绝对值与对应信号值的乘积，获得变化表征值，计算预设滑窗内的变化表征值的平均值，获得所述变化特征值；

将预设滑窗遍历目标信号序列，获得每个时刻下的所述变化特征值，根据每个时刻下的所述变化特征值，组合获得所述目标信号变化特征序列。

3.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述跳变点的获取步骤包括：

对所述目标信号变化特征序列进行贝叶斯变点检测，获得所述跳变点。

4.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述初始变化区间的获取步骤包括：

计算所述目标信号变化特征序列中所述变化特征值与对应的所有跳变点的差值绝对值，作为差异特征，比较所述变化特征值的所有差异特征的大小，将所述变化特征值划入到差异特征最小的跳变点的区间中；

计算所有变化特征值的所述差异特征，分别将所有变化特征值划入到对应差异特征值最小的跳变点的区间中，获得每个跳变点的所述初始变化区间。

5.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述区间动态调整值和动态变化区间的获取步骤包括：

计算所述初始变化区间中变化特征值的方差；计算所述初始变化区间中变化特征值与对应跳变点的差值绝对值，作为第一差异，计算所述初始变化区间中所有第一差异的和值并归一化，作为第一差异表征值；

当所述方差大于预设方差时，计算常数一与第一差异表征值的和值，作为第一区间调整系数，计算所述第一区间调整系数与对应变化特征值数量的乘积，作为区间动态调整值；

当所述方差小于等于预设方差时，计算常数一与第一差异表征值的差值，作为第二区间调整系数，计算所述第二区间调整系数与对应变化特征值数量的乘积，作为区间动态调整值；

以所述跳变点的位置为中心，向左和向右的距离分别为所述区间动态调整值，获得所述动态变化区间。

6.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述符号数据序列的获取步骤包括：

对所述目标信号变化特征序列所对应的不同的动态变化区间长度按照字典序进行符号标记，按照时间顺序统计所述目标信号变化特征序列中变化特征值经过的动态变化区间的符号值，获得所述符号数据序列。

7.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述匹配元素量的获取步骤包括：

通过KMP算法对所述输入信号序列的符号数据序列与对应的输出信号子序列的符号数据序列寻找最长字符串匹配，统计匹配的字符串数量，获得匹配元素量。

8.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述异常指数的获取步骤包括：

通过DTW算法计算所述输入信号序列与对应的输出信号子序列的差异距离，将所述差异距离的倒数作为相似特征；计算所述相似特征与对应的匹配元素量的乘积，作为相似表征值；计算调音台所有的相似表征值之和，并负相关映射，获得异常指数。

9.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述分析异常情况的步骤包括：

当所述异常指数大于等于预设异常阈值时，则认为调音台的运行出现异常状态；当所述异常指数小于预设异常阈值时，则认为调音台的运行正常。

10.根据权利要求1所述的一种基于历史数据的调音台运行异常监测方法，其特征在于，所述输出信号子序列的获取步骤包括：

对所述输出信号序列进行经验模态分解，获得所述输出信号子序列。

Images