CN117289778A - 一种工控主机电源健康状态的实时监测方法 - Google Patents

Abstract

本发明涉及电源异常数据检测技术领域，具体涉及一种工控主机电源健康状态的实时监测方法。方法包括：获取工控主机电源的监测数据对应的数据点，对数据点进行聚类获得聚类簇；选取每种预设数量的样本点构成每种预设数量对应的样本点集合；根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置得到对应的特征影响程度；根据每相邻两种预设数量对应的特征影响程度的差异以及每种预设数量对应的样本点集合中样本点的位置，获得对应的置信程度，进而确定最优样本点数量；基于最优样本点数量构建出的孤立树对工控主机电源健康状态进行评价。本发明提高了工控主机电源健康状态监测结果的准确度。

Description

一种工控主机电源健康状态的实时监测方法

技术领域

本发明涉及电源异常数据检测技术领域，具体涉及一种工控主机电源健康状态的实时监测方法。

背景技术

工控主机电源状态实时监测过程中，需要通过设置在工控主机电源处的传感器采集运行过程中的监测数据，通过对监测数据进行分析，可以有效地实现工控主机电源健康状态的实时监测，并及时预警或报警，以避免潜在的故障和安全隐患。

由于获得的工控主机电源状态实时监测数据是时序数据，其存在一定的结构性变化，当利用孤立森林算法进行异常数据检测时，其结构性变化会在随机获取的样本点集合中造成样本点异常分数获取的影响，主要是由于一定数量的样本点获取的随机性造成样本点集合的分布特征受到结构性变化的较大影响，造成多个部分的分布差异性较大，使得部分异常点的异常程度的获取不准确，进而导致工控主机电源健康状态的实时监测存在一定的误差。

发明内容

为了解决现有方法在对工控主机电源健康状态进行实时监测时存在一定误差的问题，本发明的目的在于提供一种工控主机电源健康状态的实时监测方法，所采用的技术方案具体如下：

本发明提供了一种工控主机电源健康状态的实时监测方法，该方法包括以下步骤：

获取产品生产过程中工控主机电源的监测数据，获取每个监测数据对应的数据点；

对所有数据点进行聚类获得不少于两个聚类簇；分别从所有数据点中选取每种预设数量的样本点构成每种预设数量对应的样本点集合；根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，得到每种预设数量对应的特征影响程度；

根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得除第一种预设数量外其他每种预设数量对应的置信程度；基于所述置信程度确定最优样本点数量；基于所述最优样本点数量构建孤立树；

基于所述孤立树对工控主机电源健康状态进行评价。

优选的，所述分别从所有数据点中选取每种预设数量的样本点构成每种预设数量对应的样本点集合，包括：

对于第m种预设数量：从所有数据点中不少于一次随机选取数量为的样本点，获得第m种预设数量对应的每个样本点集合；其中，/>表示第m种预设数量。

优选的，根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，得到每种预设数量对应的特征影响程度，包括：

对于第m种预设数量：

计算存在第m种预设数量对应的每个样本点集合中样本点的聚类簇间的欧式距离；计算存在第m种预设数量对应的每个样本点集合中样本点之间的欧式距离；其中存在样本点的第个聚类簇与存在样本点的第/>的聚类簇间的欧式距离为：存在样本点的第/>个聚类簇的中心点与存在样本点的第/>的聚类簇的中心点之间的欧式距离；

根据所述存在第m种预设数量对应的每个样本点集合中样本点的聚类簇间的欧式距离、所述存在第m种预设数量对应的每个样本点集合中样本点之间的欧式距离，得到第m种预设数量对应的特征影响程度。

优选的，采用如下公式计算第m种预设数量对应的特征影响程度：

；

其中，表示第m种预设数量对应的特征影响程度，R表示第m种预设数量对应的样本点集合的数量，I表示存在第m种预设数量对应的第r个样本点集合中样本点的数量，表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇与存在第m种预设数量对应的第r个样本点集合中样本点的第/>的聚类簇间的欧式距离，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇内的第/>个样本点与聚类簇内的其他样本点的欧式距离之和，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇内数据点的总数量，/>表示最大最小值归一化函数。

优选的，所述根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得除第一种预设数量外其他每种预设数量对应的置信程度，包括：

将所有特征影响程度按照从小到大的顺序进行排序，获得特征影响程度序列；将特征影响程度序列中每相邻两种特征影响程度之间的差值构成的序列，记为特征影响程度差值序列；其中，每相邻两种特征影响程度之间的差值为后一特征影响程度与前一特征影响程度之差；

对于除第一种预设数量外的第k种预设数量：获取存在第k种预设数量对应的样本点集合中样本点的所有聚类簇内样本点的总数量；将第k种预设数量对应的所有样本点集合中均存在的样本点的数量，记为第一数量；将所述第一数量与所述总数量的比值作为数量占比；根据所述特征影响程度差值序列和所述数量占比，得到除第一种预设数量外第k种预设数量对应的置信程度。

优选的，根据所述特征影响程度差值序列和所述数量占比，得到除第一种预设数量外第k种预设数量对应的置信程度，包括：

将所述特征影响程度差值序列中的第k个元素、所述数量占比、除第一种预设数量外的第k种预设数量三者的乘积的归一化结果，确定为除第一种预设数量外第k种预设数量对应的置信程度。

优选的，所述基于所述置信程度确定最优样本点数量，包括：

将置信程度大于预设置信阈值对应的预设数量作为候选样本点数量；

将所有候选样本点数量中最小的候选样本点数量确定为最优样本点数量。

优选的，所述基于所述孤立树对工控主机电源健康状态进行评价，包括：

基于所述孤立树提取异常数据点；

若异常数据点的数量大于预设数量阈值，则判定工控主机电源健康状态异常；若异常数据点的数量小于或等于预设数量阈值，则判定工控主机电源健康状态正常。

优选的，所述对所有数据点进行聚类获得不少于两个聚类簇，包括：

采用密度聚类算法对所有数据点进行聚类，获得不少于两个聚类簇。

优选的，所述获取每个监测数据对应的数据点，包括：

将每个监测数据对应的采集时刻作为坐标系中的横坐标，将每个监测数据对应的数据值作为坐标系中的纵坐标，获得每个监测数据对应的数据点。

本发明至少具有如下有益效果：

本发明首先获取了产品生产过程中工控主机电源的监测数据对应的数据点，对所有的数据点进行聚类处理，同一聚类簇内数据点呈现的特征较为相似，不同聚类簇内数据点呈现的特征的差异较大，本发明根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，对每种预设数量的样本点的特征影响程度进行了评价，又根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得了除第一种预设数量外其他每种预设数量对应的置信程度，进而确定了最优样本点数量，基于最优样本点构建出的孤立树既能加快异常数据点提取速度，又能保证异常数据点提取的准确性，因此本发明基于最优样本点数量构建出的孤立树对工控主机电源健康状态进行了评价，实现了对于工控主机电源健康状态的实时监测的同时提高了监测结果的准确度和可信度。

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工控主机电源健康状态的实时监测方法的流程图。

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工控主机电源健康状态的实时监测方法进行详细说明如下。

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工控主机电源健康状态的实时监测方法的具体方案。

一种工控主机电源健康状态的实时监测方法实施例：

本实施例所针对的具体场景为：在产品生产加工过程中，往往需要对工控主机电源健康状态的运行状况进行监测，一旦工控主机运行异常则需要及时停机检修，避免造成不可逆转的损伤，本实施例将采集产品生产过程中工控主机电源的监测数据，对采集到的监测数据的变化情况进行分析，判断工控主机电源健康状态是否出现异常，若工控主机电源健康状态出现异常，则进行预警，及时停机检修。

本实施例提出了一种工控主机电源健康状态的实时监测方法，如图1所示，本实施例的一种工控主机电源健康状态的实时监测方法包括以下步骤：

步骤S1，获取产品生产过程中工控主机电源的监测数据，获取每个监测数据对应的数据点。

本实施例首先在工控主机电源的合适位置处设置相应的传感器，用于采集产品生产过程中工控主机电源的监测数据，本实施例中的监测数据是温度数据，因此设置的传感器为温度传感器，作为其他实施方式，也可以是其他种类的数据，例如电流数据等，对于其他种类的监测数据均可采用本实施例提供的方法进行处理。采集产品生产过程中工控主机电源的监测数据，本实施例中设置每一秒采集一次监测数据，在具体应用中，实施者可根据具体情况进行设置；本实施例采集了产品生产过程中工控主机电源在每个采集时刻的监测数据。

本实施例获取了产品生产过程中工控主机电源在每个采集时刻的监测数据，将每个监测数据对应的采集时刻作为坐标系中的横坐标，将每个监测数据对应的数据值作为坐标系中的纵坐标，获得每个监测数据对应的数据点。

步骤S2，对所有数据点进行聚类获得不少于两个聚类簇；分别从所有数据点中选取每种预设数量的样本点构成每种预设数量对应的样本点集合；根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，得到每种预设数量对应的特征影响程度。

产品生产过程中工控主机电源的监测数据在利用孤立森林算法进行处理的过程中，不同的样本点的数量会使得时序监测数据的结构性特征在样本点的分布特征上表现的影响程度不同，从而在不同的影响程度下，造成的异常点获取的准确程度降低。因此本实施例通过分析孤立树构建过程中的样本点的分布特征与时序数据的结构性变化的关联性，量化出样本点分布特征对于样本点的异常分数的影响程度，构建出样本点数量的影响置信程度，实现对于孤立树构建时样本点数量的调整，进而获得最优样本点数量，提取出准确的异常数据，实现对于工控主机电源健康状态的实时监测。

产品生产过程中工控主机电源的监测数据随着工控主机的运行状态的变化会产生监测数据的结构性特征，其在不同的样本点数量下的分布特征不同，本实施例将根据不同预设数量下特征的显著程度，获取每种预设数量对应的特征影响程度。

当产品生产过程中工控主机电源的监测数据存在较大的波动时，往往对应时间区间上存在波动，随着工控主机的运行状态的变化，监测数据总体上呈现出一定的结构性特征，结构特征通过聚类簇的分布特征进行划分，确定监测数据的结构特征之后，根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，得到每种预设数量对应的特征影响程度。

本实施例首先采用密度聚类算法对所有数据点进行聚类，获得多个聚类簇，每个聚类簇内的数据点呈现的特征较为相似。密度聚类算法为现有技术，此处不再过多赘述。

本实施例中设置最小预设数量为230，最大预设数量为580，相邻预设数量之间的差异为10，因此第一个预设数量为230，第二个预设数量为240，第三个预设数量为250，以此类推，最后一个预设数量为580，在具体应用中，实施者可根据具体情况进行设置。对于第m种预设数量：从所有数据点中不少于一次随机选取数量为的样本点，获得第m种预设数量对应的多个样本点集合；其中，/>表示第m种预设数量。

对于第m种预设数量：

计算存在第m种预设数量对应的每个样本点集合中样本点的聚类簇间的欧式距离；计算存在第m种预设数量对应的每个样本点集合中样本点之间的欧式距离；其中存在样本点的第个聚类簇与存在样本点的第/>的聚类簇间的欧式距离为：存在样本点的第/>个聚类簇的中心点与存在样本点的第/>的聚类簇的中心点之间的欧式距离；根据所述存在第m种预设数量对应的每个样本点集合中样本点的聚类簇间的欧式距离、所述存在第m种预设数量对应的每个样本点集合中样本点之间的欧式距离，得到第m种预设数量对应的特征影响程度。计算第m种预设数量对应的特征影响程度：

；

其中，表示第m种预设数量对应的特征影响程度，R表示第m种预设数量对应的样本点集合的数量，I表示存在第m种预设数量对应的第r个样本点集合中样本点的数量，表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇与存在第m种预设数量对应的第r个样本点集合中样本点的第/>的聚类簇间的欧式距离，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇内的第/>个样本点与聚类簇内的其他样本点的欧式距离之和，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇内数据点的总数量，/>表示最大最小值归一化函数。

第m种预设数量对应的特征影响程度是与工控主机电源监测数据的聚类特征和第m种预设数量下样本点在聚类簇内的分布状况相关联的，存在样本点的聚类簇的分布越分散，即聚类簇间的距离越大，聚类簇数量越少，且聚类簇内样本点分布越集中，则第m种预设数量对应的特征影响程度越大，即样本点在表征结构特征的聚类簇内的分布越显著，其以异常分数区分异常数据时受到结构性特征的影响越大。

采用上述方法，能够获得每种预设数量对应的特征影响程度。

步骤S3，根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得除第一种预设数量外其他每种预设数量对应的置信程度；基于所述置信程度确定最优样本点数量；基于所述最优样本点数量构建孤立树。

本实施例已经获得了每种预设数量对应的特征影响程度，在不同的样本点数量下，时序数据结构性特征的影响表现的程度不同，选取不同预设数量下的数据点构成的样本点集合使得分布特征趋于稳定，再根据样本影响程度随着样本数量逐渐增长的变化特征，构建出不同预设数量的数据的置信程度，用于表征其样本点数量对于样本点异常状况在孤立树上表现的影响程度。

在不同的样本点数量下，其时序数据结构性特征的影响表现的程度不同，当样本点数量较小时，样本点在样本空间中分布的较为分散，样本点的特征影响程度较小；当样本点数量较大时，样本点在样本空间中分布的较为集中，且在最佳样本点数量附近存在较大的变化，之后样本点的特征影响程度变化很小直到接近于不变。在某一个样本点数量下选取样本点集合时，由于样本点集合选取的随机性，其存在一定的分布波动范围，经过多次样本点集合的选取，使得其分布特征趋于稳定，其分布波动范围的大小反映了样本点数量下样本点的特征影响程度的可信程度。本实施例根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得除第一种预设数量外其他每种预设数量对应的置信程度，用于表征对应样本点数量对于样本点异常状况在孤立树上表现的影响程度。

具体地，将所有特征影响程度按照从小到大的顺序进行排序，获得特征影响程度序列；将特征影响程度序列中每相邻两种特征影响程度之间的差值构成的序列，记为特征影响程度差值序列；其中，每相邻两种特征影响程度之间的差值为后一特征影响程度与前一特征影响程度之差。

对于除第一种预设数量外的第k种预设数量：获取存在第k种预设数量对应的样本点集合中样本点的所有聚类簇内样本点的总数量；将第k种预设数量对应的所有样本点集合中均存在的样本点的数量，记为第一数量；将所述第一数量与所述总数量的比值作为数量占比；将所述特征影响程度差值序列中的第k个元素、所述数量占比、除第一种预设数量外的第k种预设数量三者的乘积的归一化结果，确定为除第一种预设数量外第k种预设数量对应的置信程度。除第一种预设数量外第k种预设数量对应的置信程度的具体计算公式为：

；

其中，表示除第一种预设数量外第k种预设数量对应的置信程度，/>表示特征影响程度差值序列中的第k个元素，/>表示数量占比，/>表示归一化函数，/>表示除第一种预设数量外的第k种预设数量。

置信程度与样本点的数量和特征影响程度之间的差异相关联，置信程度能够表征样本点数量是最佳样本点数量的可能性大小。当特征影响程度差值序列中的第k个元素越大、数量占比越大时，也即除第一种预设数量外第k种预设数量与第k-1种预设数量对应的特征影响程度差异越大，除第一种预设数量外第k种预设数量对应的置信程度越大。

采用上述方法，能够获得除第一种预设数量外第k种预设数量对应的置信程度。本实施例将置信程度大于预设置信阈值对应的预设数量作为候选样本点数量；将所有候选样本点数量中最小的候选样本点数量确定为最优样本点数量。本实施例中的预设置信阈值为0.76，在具体应用中，实施者可根据具体情况进行设置。本实施例将所有候选样本点数量中最小的候选样本点数量确定为最优样本点数量，在此最优样本点数量下构建的孤立树既能加快异常数据点提取速度，又能保证异常数据点提取的准确性。

根据获得的最优样本点数量构建出多个孤立树。孤立树的构建过程为现有技术，此处不再过多赘述。

步骤S4，基于所述孤立树对工控主机电源健康状态进行评价。

本实施例在步骤S3中已经构建出了孤立树，接下来本实施例将基于孤立树对工控主机电源健康状态进行评价。

具体地，基于所述孤立树提取异常数据点；基于孤立树提取异常数据点的过程为现有技术，此处不再过多赘述。统计异常数据点的数量，异常数据点的数量越多，说明工控主机电源健康状态越可能出现了异常；因此，若异常数据点的数量大于预设数量阈值，则判定工控主机电源健康状态异常，此时给予预警，提醒工作人员进行停机检修；若异常数据点的数量小于或等于预设数量阈值，则判定工控主机电源健康状态正常。本实施例中的预设数量阈值为所有数据点的总数量的5%，在具体应用中，实施者可根据具体情况进行设置。

至此，采用本实施例提供的方法完成了对工控主机电源健康状态的评价。

本实施例首先获取了产品生产过程中工控主机电源的监测数据对应的数据点，对所有的数据点进行聚类处理，同一聚类簇内数据点呈现的特征较为相似，不同聚类簇内数据点呈现的特征的差异较大，本实施例根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，对每种预设数量的样本点的特征影响程度进行了评价，又根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得了除第一种预设数量外其他每种预设数量对应的置信程度，进而确定了最优样本点数量，基于最优样本点构建出的孤立树既能加快异常数据点提取速度，又能保证异常数据点提取的准确性，因此本实施例基于最优样本点数量构建出的孤立树对工控主机电源健康状态进行了评价，实现了对于工控主机电源健康状态的实时监测的同时提高了监测结果的准确度和可信度。

需要说明的是：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)

1.一种工控主机电源健康状态的实时监测方法，其特征在于，该方法包括以下步骤：

获取产品生产过程中工控主机电源的监测数据，获取每个监测数据对应的数据点；

对所有数据点进行聚类获得不少于两个聚类簇；分别从所有数据点中选取每种预设数量的样本点构成每种预设数量对应的样本点集合；根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，得到每种预设数量对应的特征影响程度；

根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得除第一种预设数量外其他每种预设数量对应的置信程度；基于所述置信程度确定最优样本点数量；基于所述最优样本点数量构建孤立树；

基于所述孤立树对工控主机电源健康状态进行评价。

2.根据权利要求1所述的一种工控主机电源健康状态的实时监测方法，其特征在于，所述分别从所有数据点中选取每种预设数量的样本点构成每种预设数量对应的样本点集合，包括：

对于第m种预设数量：从所有数据点中不少于一次随机选取数量为的样本点，获得第m种预设数量对应的每个样本点集合；其中，/>表示第m种预设数量。

3.根据权利要求2所述的一种工控主机电源健康状态的实时监测方法，其特征在于，根据每种预设数量对应的样本点集合中样本点在聚类簇内的位置分布以及样本点所在的聚类簇内数据点的位置分布，得到每种预设数量对应的特征影响程度，包括：

对于第m种预设数量：

计算存在第m种预设数量对应的每个样本点集合中样本点的聚类簇间的欧式距离；计算存在第m种预设数量对应的每个样本点集合中样本点之间的欧式距离；其中存在样本点的第个聚类簇与存在样本点的第/>的聚类簇间的欧式距离为：存在样本点的第/>个聚类簇的中心点与存在样本点的第/>的聚类簇的中心点之间的欧式距离；

根据所述存在第m种预设数量对应的每个样本点集合中样本点的聚类簇间的欧式距离、所述存在第m种预设数量对应的每个样本点集合中样本点之间的欧式距离，得到第m种预设数量对应的特征影响程度。

4.根据权利要求3所述的一种工控主机电源健康状态的实时监测方法，其特征在于，采用如下公式计算第m种预设数量对应的特征影响程度：

；

其中，表示第m种预设数量对应的特征影响程度，R表示第m种预设数量对应的样本点集合的数量，I表示存在第m种预设数量对应的第r个样本点集合中样本点的数量，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇与存在第m种预设数量对应的第r个样本点集合中样本点的第/>的聚类簇间的欧式距离，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇内的第/>个样本点与聚类簇内的其他样本点的欧式距离之和，/>表示存在第m种预设数量对应的第r个样本点集合中样本点的第/>个聚类簇内数据点的总数量，/>表示最大最小值归一化函数。

5.根据权利要求1所述的一种工控主机电源健康状态的实时监测方法，其特征在于，所述根据每相邻两种预设数量对应的特征影响程度之间的差异以及每种预设数量对应的样本点集合中样本点的位置分布，获得除第一种预设数量外其他每种预设数量对应的置信程度，包括：

将所有特征影响程度按照从小到大的顺序进行排序，获得特征影响程度序列；将特征影响程度序列中每相邻两种特征影响程度之间的差值构成的序列，记为特征影响程度差值序列；其中，每相邻两种特征影响程度之间的差值为后一特征影响程度与前一特征影响程度之差；

对于除第一种预设数量外的第k种预设数量：获取存在第k种预设数量对应的样本点集合中样本点的所有聚类簇内样本点的总数量；将第k种预设数量对应的所有样本点集合中均存在的样本点的数量，记为第一数量；将所述第一数量与所述总数量的比值作为数量占比；根据所述特征影响程度差值序列和所述数量占比，得到除第一种预设数量外第k种预设数量对应的置信程度。

6.根据权利要求5所述的一种工控主机电源健康状态的实时监测方法，其特征在于，根据所述特征影响程度差值序列和所述数量占比，得到除第一种预设数量外第k种预设数量对应的置信程度，包括：

将所述特征影响程度差值序列中的第k个元素、所述数量占比、除第一种预设数量外的第k种预设数量三者的乘积的归一化结果，确定为除第一种预设数量外第k种预设数量对应的置信程度。

7.根据权利要求1所述的一种工控主机电源健康状态的实时监测方法，其特征在于，所述基于所述置信程度确定最优样本点数量，包括：

将置信程度大于预设置信阈值对应的预设数量作为候选样本点数量；

将所有候选样本点数量中最小的候选样本点数量确定为最优样本点数量。

8.根据权利要求1所述的一种工控主机电源健康状态的实时监测方法，其特征在于，所述基于所述孤立树对工控主机电源健康状态进行评价，包括：

基于所述孤立树提取异常数据点；

若异常数据点的数量大于预设数量阈值，则判定工控主机电源健康状态异常；若异常数据点的数量小于或等于预设数量阈值，则判定工控主机电源健康状态正常。

9.根据权利要求1所述的一种工控主机电源健康状态的实时监测方法，其特征在于，所述对所有数据点进行聚类获得不少于两个聚类簇，包括：

采用密度聚类算法对所有数据点进行聚类，获得不少于两个聚类簇。

10.根据权利要求1所述的一种工控主机电源健康状态的实时监测方法，其特征在于，所述获取每个监测数据对应的数据点，包括：

将每个监测数据对应的采集时刻作为坐标系中的横坐标，将每个监测数据对应的数据值作为坐标系中的纵坐标，获得每个监测数据对应的数据点。