CN118051784A - 一种基于数据驱动的复杂装备异常检测系统及方法 - Google Patents

Abstract

本发明涉及一种基于数据驱动的复杂装备异常检测系统，该系统包括：数据采集模块、预处理模块、提取模块和异常检测模块；数据采集模块，用于采集待测数据；预处理模块，用于对待测数据进行预处理，得到待检测数据对应的待测时间序列数据；提取模块，用于根据历史时间序列数据，提取历史时间序列数据对应的标准时间序列数据；异常检测模块，用于根据待测时间序列数据和标准时间序列数据得到互相关相似度，并根据互相关相似度得到检测结果。通过上述技术方案，获取待测数据后，以历史时间序列数据作为参考，利用待测数据与历史时间序列数据之间的互相关相似度得到待测数据的检测结果，能够快速且有效的检测出复杂装备的故障和异常。

Description

一种基于数据驱动的复杂装备异常检测系统及方法

技术领域

本发明涉及数据检测技术领域，具体地，涉及一种基于数据驱动的复杂装备异常检测系统及方法。

背景技术

随着工业自动化和智能化的迅速发展，复杂装备在各行各业中扮演着日益重要的角色。这些复杂装备通常包括多个互联的组件，它们协同工作以完成特定的任务。然而，由于其复杂的系统结构和众多的操作环境，这些复杂装备经常面临着各种故障和异常情况的挑战。这些异常不仅影响装备的正常运行，还可能导致生产效率降低、维修成本增加甚至产生安全风险。因此，复杂装备的故障和异常的检测成为了亟待解决的问题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于数据驱动的复杂装备异常检测系统及方法。

根据本发明实施例的第一方面，提供一种基于数据驱动的复杂装备异常检测系统，所述系统包括：数据采集模块、预处理模块、提取模块和异常检测模块；

所述数据采集模块，用于采集待测数据；其中，所述待测数据根据复杂装备的待测部件得到；

所述预处理模块，用于对所述待测数据进行预处理，得到所述待检测数据对应的待测时间序列数据；

所述提取模块，用于根据历史时间序列数据，提取所述历史时间序列数据对应的标准时间序列数据；

所述异常检测模块，用于根据所述待测时间序列数据和所述标准时间序列数据得到所述待测数据与所述历史时间序列数据的互相关相似度，并根据所述互相关相似度得到所述待测数据对应的检测结果。

可选地，所述预处理模块，还用于利用第一滑动窗口对所述待测时间序列数据进行分割，得到多个第一子序列；其中每个所述第一子序列中包含的数据的数量相同。

可选地，所述提取模块，还用于利用第二滑动窗口对所述历史时间序列数据进行分割，得到多个第二子序列；其中每个所述第二子序列中包含的数据的数量相同；

所述提取模块，还用于计算所述多个第二子序列两两之间的距离相似度，将所述距离相似度高于相似度阈值的第二子序列作为潜在标准子序列。

可选地，所述提取模块，还用于利用聚类方法对所述潜在标准子序列进行聚类，得到多个潜在标准簇及所述多个潜在标准簇对应的聚类中心；

所述提取模块，还用于将所述多个潜在标准簇中包含潜在标准子序列数量最多的潜在标准簇作为标准簇，并将所述标准簇对应的聚类中心所表征的标准时间序列数据平均分为多个标准子序列段。

可选地，所述异常检测模块，还用于计算利用第一滑动窗口对所述待测时间序列数据进行分割而得到的多个第一子序列与所述多个标准子序列段之间的互相关函数系数；

所述异常检测模块，还用于根据所述互相关函数系数计算所述多个第一子序列和所述多个标准子序列段之间分别的多个互相关相似度；

所述异常检测模块，还用于根据所述多个互相关相似度得到每个第一子序列对于所述多个标准子序列段分别的隶属度。

可选地，所述异常检测模块，还用于根据所述每个第一子序列对于所述多个标准子序列段分别的隶属度计算出所述每个第一子序列对于全部标准子序列段的综合隶属度；

所述异常检测模块，还用于根据所述综合隶属度得到所述每个第一子序列的异常得分；

所述异常检测模块，还用于根据所述每个第一子序列的异常得分及所述多个标准子序列段分别的隶属度确定对应的标准子序列段；

所述异常检测模块，还用于根据所述异常得分和所述异常得分对应的标准子序列段得到所述待测数据对应的检测结果。

可选地，所述互相关函数系数根据如下公式得到：

其中，R(z_i,S_k)[τ]表示互相关函数R(z_i,S_k)在窗口位置τ的值，z_i表示所述多个第一子序列中的第i个第一子序列，S_k表示所述多个标准子序列段中的第k个标准子序列段，x_i+j+τ-1表示第一子序列z_i在窗口位置τ的第j个元素，s_kj是标准子序列段S_k中的第j个元素。

可选地，所述综合隶属度根据如下公式得到：

其中，Product(z_i)表示所述第一子序列z_i对于全部标准子序列段的综合隶属度，μ(z_i,S_k)表示所述第一子序列z_i对于所述标准子序列段S_k的隶属度。

可选地，所述系统还包括：图形用户界面；所述图形用户界面包括：控制面板和显示面板；

所述控制面板，用于供用户调整所述数据采集模块、所述预处理模块、所述提取模块和所述异常检测模块中的设置；

所述显示面板，用于显示所述复杂装备异常检测系统的检测结果和历史数据。

根据本发明实施例的第二方面，提供一种基于数据驱动的复杂装备异常检测方法，所述方法包括：

采集待测数据；其中，所述待测数据根据复杂装备的待测部件得到；

对所述待测数据进行预处理，得到所述待检测数据对应的待测时间序列数据；

根据历史时间序列数据，提取所述历史时间序列数据对应的标准时间序列数据；

根据所述待测时间序列数据和所述标准时间序列数据得到所述待测数据与所述历史时间序列数据的互相关相似度，并根据所述互相关相似度得到所述待测数据对应的检测结果。

本发明的实施例提供的技术方案可以包括以下有益效果：

在上述技术方案中，提出一种基于数据驱动的复杂装备异常检测系统，该系统包括：数据采集模块、预处理模块、提取模块和异常检测模块；数据采集模块，用于采集待测数据；其中，该待测数据根据复杂装备的待测部件得到；预处理模块，用于对待测数据进行预处理，得到待检测数据对应的待测时间序列数据；提取模块，用于根据历史时间序列数据，提取历史时间序列数据对应的标准时间序列数据；异常检测模块，用于根据待测时间序列数据和标准时间序列数据得到待测数据与历史时间序列数据的互相关相似度，并根据互相关相似度得到待测数据对应的检测结果。通过上述技术方案，获取待测数据后，以历史时间序列数据作为参考，利用待测数据与历史时间序列数据之间的互相关相似度得到待测数据的检测结果，能够快速且有效的检测出复杂装备的故障和异常。

本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是根据一示例性实施例示出的一种基于数据驱动的复杂装备异常检测系统的示意图。

图2是根据一示例性实施例示出的又一种基于数据驱动的复杂装备异常检测系统的示意图。

图3是根据一示例性实施例示出的一种图形用户界面的示意图。

图4是根据一示例性实施例示出的一种基于数据驱动的复杂装备异常检测方法的流程图。

具体实施方式

为了便于理解本发明方案，首先对现有技术相关情况和本发明的发明构思予以简要说明。

随着工业自动化和智能化的迅速发展，复杂装备在各行各业中扮演着日益重要的角色。这些复杂装备通常包括多个互联的组件，它们协同工作以完成特定的任务。然而，由于其复杂的系统结构和众多的操作环境，这些复杂装备经常面临着各种故障和异常情况的挑战。这些异常不仅影响装备的正常运行，还可能导致生产效率降低、维修成本增加甚至产生安全风险。

而传统的复杂装备异常检测方法多依赖于定期的维护检查或是基于专家经验的故障诊断，这些方法往往耗时耗力且效率不高。

随着传感器技术和数据分析技术的发展，虽然出现了一些基于数据驱动的异常检测方法，但这些方法在处理高度复杂和多变的复杂装备系统时仍面临诸多挑战。例如，这些基于数据驱动的异常检测方法可能难以准确识别异常模式，或者在动态和复杂的操作条件下无法有效工作。

针对复杂装备的异常检测，亟需一种更为高效、智能的系统。这种系统应该能够准确检测出复杂装备中各种潜在的异常情况。

因此，本发明提出了一种基于数据驱动的复杂装备异常检测系统，以解决上述技术问题。

图1是根据一示例性实施例示出的一种基于数据驱动的复杂装备异常检测系统的示意图，如图1所示，该系统10包括：数据采集模块101、预处理模块102、提取模块103和异常检测模块104；

该数据采集模块101，用于采集待测数据；其中，该待测数据根据复杂装备的待测部件得到。

可以理解的是，数据采集模块101可以由传感器或其他数据采集装置组成。

在一种实施方式中，采用传感器对复杂装备的待测部件进行数据采集。复杂装备中通常有复杂的部件，因此对于不同的待测部件需要选择合适的传感器类型。例如，温度传感器用于监测热状态，振动传感器用于监测机械震动，压力传感器用于监测流体压力等。选用的传感器应能够准确、稳定地捕捉到待测部件的关键的性能指标。

另外的，除了选择合适的传感器进行数据采集，传感器设置的位置也非常重要，合适的位置才能获取更为准确的数据，需要确保传感器安装在能够最大限度捕捉关键信息的位置，同时也要考虑到传感器之间的干扰和环境因素的影响。例如，将振动传感器布置于某复杂设备的传动系统，因为电机和传动系统是运动的主要来源，也容易产生振动。在这些部件附近安装振动传感器有助于获取更为准确的待测数据。

值得一提的是，在合适的传感器以及合适的传感器位置的选择之外，还需要考虑复杂装备的动态特性和分析需求，从而确定合适的数据采集频率。高频率采集可以捕捉到更多细节，但会产生更大的数据量；低频率采集则可能遗漏重要信息。可以根据历史数据和维护经验分析如何设定采集频率。

该预处理模块102，用于对待测数据进行预处理，得到待检测数据对应的待测时间序列数据。

可以理解的是，预处理模块102是对传感器采集到的待测数据进行预处理，原始传感器采集到的数据可能包含噪声、偏差或无效值。采用适当的数据预处理技术(如滤波、校正和归一化等方法)来提高数据质量。然后将处理后的数据以高效且安全的方式进行存储，为了便于后续的分析和处理，本发明将所有数据将按照其发生的时间顺序存储，形成一个连续的时间序列，其中每条记录包含一个时间戳和相应的数据值，可以将待检测数据对应的待测时间序列数据记为X＝{x₁，x₂，...，x_n}。

该提取模块103，用于根据历史时间序列数据，提取历史时间序列数据对应的标准时间序列数据。

可以理解的是，对于复杂装备，可以从储存的历史时间序列数据中提取数据的频繁模式，并基于频繁模式得到标准时间序列的特征。频繁模式指的是历史时间序列数据中重复出现的、具有显著特征的序列模式。这些模式在时间序列中频繁出现，一定程度上包含了复杂装备的部件的标准数据，因此可以从历史时间序列数据，提取历史时间序列数据对应的标准时间序列数据，获取到的标准时间序列数据中包含了潜在标准数据，需要后续再进行处理。

该异常检测模块104，用于根据待测时间序列数据和标准时间序列数据得到待测数据与历史时间序列数据的互相关相似度，并根据互相关相似度得到待测数据对应的检测结果。

可以理解的是，由于获取到的标准时间序列数据中包含了潜在标准数据，因此当计算得到待测数据与历史时间序列数据的互相关相似度时，可以看作互相关相似度越高，表示待测数据和历史时间序列数据越相似，即可能越接近潜在标准数据，说明待测数据的异常概率较小；互相关相似度越低，表示待测数据和历史时间序列数据越不相似，即可能越不接近潜在标准数据，说明待测数据的异常概率较大，根据该互相关相似度可以粗略获得待测数据对应的检测结果。

可选地，该预处理模块102，还用于利用第一滑动窗口对待测时间序列数据进行分割，得到多个第一子序列；其中每个第一子序列中包含的数据的数量相同。

可以理解的是，为了进行异常检测，可以使用特定长度的第一滑动窗口将记为X＝{x₁，x₂，...，x_n}的待测时间序列数据进行分割，生成多个第一子序列{z₁，z₂，...，z_m}，设置第一滑动窗口的长度为w，那么每个第一子序列z_i包含了w个连续的元素。具体地，对于第i个第一滑动窗口，相应的第一子序列z_i可以表示为：z_i＝{x_i，x_i+1，...，x_i+w-1}。示例的，第一滑动窗口的长度w可以为100个元素，第一滑动窗口的步长可以为1个元素。

可选地，该提取模块103，还用于利用第二滑动窗口对历史时间序列数据进行分割，得到多个第二子序列；其中每个第二子序列中包含的数据的数量相同。

该提取模块103，还用于计算多个第二子序列两两之间的距离相似度，将距离相似度高于相似度阈值的第二子序列作为潜在标准子序列。

可以理解的是，参考预处理模块102中提取多个第一子序列的方式，对于历史时间序列数据可以进行类似的操作，得到多个第二子序列作为可能的子序列，再利用定义一种距离度量方式来衡量某个时间序列中不同第二子序列之间的距离相似度，常见的度量方法包括欧几里得距离、动态时间弯曲(Dynamic Time Warping，DTW)等。将所有提取到的第二子序列进行配对和比较，寻找相似性高的第二子序列对，这些距离相似度高于相似度阈值的第二子序列对就是潜在标准子序列。

可选地，该提取模块103，还用于利用聚类方法对潜在标准子序列进行聚类，得到多个潜在标准簇及多个潜在标准簇对应的聚类中心；

该提取模块103，还用于将多个潜在标准簇中包含潜在标准子序列数量最多的潜在标准簇作为标准簇，并将标准簇对应的聚类中心所表征的标准时间序列数据平均分为多个标准子序列段。

可以理解的是，使用聚类方法将数据中潜在标准子序列进行分组，能够创建多个潜在标准簇，每个潜在标准簇都有一个聚类中心，该聚类中心代表了该潜在标准簇内子序列的典型特征或平均状态。在一般情况下，可以选择包含潜在标准子序列数量最多的潜在标准簇的聚类中心所表征的时间序列数据作为标准时间序列数据，因为潜在标准子序列数量最多的潜在标准簇往往代表历史数据中的主流模式或趋势。将标准时间序列数据定义为：X′＝{x′_a，x′_a+1，...，x′_a+b-1}，其中，a和b是大于零的正整数。

将X′＝{x′_a，x′_a+1，...，x′_a+b-1}平均分为多份，得到多个标准子序列段，将用于异常检测。多个标准子序列段的集合可以表示为：S＝{S₁，S₂，...，S_N}。每个标准子序列段是从原始的频繁模式子序列X′中分割出来的一部分，多个标准子序列段中的第k个标准子序列段，即S_k可以表示为：

S_k＝{x_a+(k-1)×p，…，x_{min(a+k×p-1，a+b-1)}}

其中，表示/>的向下取整值。这个公式表示了标准子序列段S_k，从序列中选取的元素，p表示每个标准子序列段的长度(值得一提的是，最后一个标准子序列段可能会变短)，k的取值范围是1到N。

示例的，对于标准时间序列数据X′＝{x′₁₂₅₀，x′₁₂₅₁，...，x′₁₃₄₉}，可以将其平均分为4份，这组标准子序列段的集合可以表示：S＝{S₁，S₂，S₃，S₄}

其中，标准子序列段S₁＝{x₁₂₅₀，...，x₁₂₇₄}，标准子序列段S₂＝{x₁₂₇₅，...，x₁₂₉₉}，标准子序列段S₃＝{x₁₃₀₀，...，x₁₃₂₄}，标准子序列段S₄＝{x₁₃₂₅，...，x₁₃₄₉}。

可选地，该异常检测模块104，还用于计算利用第一滑动窗口对待测时间序列数据进行分割而得到的多个第一子序列与多个标准子序列段之间的互相关函数系数。

该异常检测模块104，还用于根据互相关函数系数计算多个第一子序列和多个标准子序列段之间分别的多个互相关相似度。

该异常检测模块104，还用于根据多个互相关相似度得到每个第一子序列对于多个标准子序列段分别的隶属度。

可以理解的是，标准子序列段S_k＝{s_k1，s_k2，…，s_kl}，其中，l是标准子序列段的个数。计算第一子序列z_i＝{x_i，x_i+1，...，x_i+w-1}与标准子序列段S_k＝{s_k1，s_k2，...，s_kl}之间的互相关函数系数，首先考虑S_k在z_i上的每个可能的滑动窗口位置。对于每个滑动窗口位置τ(其中τ取值从0到w-l)，计算S_k与z_i在该窗口位置的重叠部分的点乘之和。

因此，互相关函数系数根据如下公式得到：

其中，R(z_i，S_k)[τ]表示互相关函数R(z_i，S_k)在窗口位置τ的值，z_i表示多个第一子序列中的第i个第一子序列，S_k表示多个标准子序列段中的第k个标准子序列段，x_i+j+τ-1表示第一子序列z_i在窗口位置τ的第j个元素，s_kj是标准子序列段S_k中的第j个元素。这个过程重复进行，直到τ达到w-l。最终，得到的互相关函数系数序列R(z_i，S_k)是一个长度为w-l+1的向量，每个元素R(z_i，S_k)[τ]描述了S_k与z_i在窗口位置τ的相关度。这个互相关函数系数序列提供了在S_k与z_i之间的相似度，以用于进一步的分析过程中。第一子序列z_i与标准子序列段S_k之间的互相关相似度用Sim(z_i，S_k)来表示，那么可以定义如下：

其中，Sim(z_i，S_k)表示第一子序列z_i和标准子序列段S_k之间的互相关相似度，而R(z_i，S_k)[τ]是第一子序列z_i和标准子序列段S_k的互相关函数系数。通过遍历所有可能的τ中互相关函数系数的最大值，可以得到了第一子序列z_i和标准子序列段S_k之间的互相关相似度。

重复上述操作，计算多个第一子序列与多个标准子序列段之间的相似度得到所有第一子序列与标准子序列之间的相似度，可以用符号SimSet(z_i)来定义第一子序列z_i与所有标准子序列段S_k的互相关相似度集合。因为有N个标准子序列段{S₁，S₂，...，S_N}，那么对于第一子序列z_i，其相似度集合可以表示为：

SimSet(z_i)＝{Sim(z_i，S₁)，Sim(z_i，S₂)，...，Sim(z_i，S_N)}

其中，Sim(z_i，S_k)表示第一子序列z_i与标准子序列段S_k之间的互相关相似度。

在一种实施方式中，可以将互相关相似度映射为隶属度，即对于每个标准子序列段，第一子序列的互相关相似度被转换为第一子序列对该标准子序列段的隶属度，其中较高的隶属度表明该第一子序列更接近对应的标准子序列段。为了将互相关相似度Sim(z_i，S_k)映射为隶属度，可以定义一个隶属度函数μ(z_i，S_k)，根据互相关相似度的范围和特定的应用需求来设计。隶属度函数的目的是将互相关相似度转换为介于0和1之间的隶属度，以表示第一子序列z_i对于标准子序列段S_k的隶属程度。示例地，

在这个公式中，Sim(z_i，S_k)是第一子序z_i与标准子序列段S_k之间的互相关相似度，Sim_min和Sim_max分别是所有第一子序列与标准子序列段之间互相关相似度的最小值和最大值。进一步的，定义第一子序列z_i对于各个标准子序列段S_k的隶属度集合，可以将之前定义的隶属度函数μ(z_i，S_k)应用于所有标准子序列段，并将结果组成一个集合。假设有N个标准子序列段{S₁，S₂，...，S_N}，那么第一子序列z_i对于这些标准子序列段的隶属度集合可以表示为：

MembershipSet(z_i)＝{μ(z_i，S₁)，μ(z_i，S₂)，…，μ(z_i，S_N)}

在这个集合中，每个隶属度μ(z_i，S_k)表示第一子序列z_i与标准子序列段S_k之间的隶属程度，展示了第一子序列z_i相对于每个标准子序列段的关联强度。

可选地，该异常检测模块104，还用于根据每个第一子序列对于多个标准子序列段分别的隶属度计算出每个第一子序列对于全部标准子序列段的综合隶属度；

该异常检测模块104，还用于根据综合隶属度得到每个第一子序列的异常得分；

该异常检测模块104，还用于根据每个第一子序列的异常得分确定对应的标准子序列段；

该异常检测模块104，还用于根据异常得分和异常得分对应的标准子序列段得到待测数据对应的检测结果。

可以理解的是，由于单个标准子序列段可能无法全面反映第一子序列的异常情况，因此考虑第一子序列对于多个标准子序列段的隶属度是至关重要的。一定程度上可以减少对任何单一标准子序列段的过度依赖，从而更全面和准确地评估待测数据的整体异常情况。

因此，可以定义一个综合隶属度函数来评估第一子序列z_i对于多个标准子序列段的符合程度。综合隶属度可以表示为Product(z_i)，通过计算第一子序列z_i与N个标准子序列段{S₁，S₂，...，S_N}之间分别的隶属度的乘积来得到的。综合隶属度计算公式为：

其中，Product(z_i)表示第一子序列z_i对于全部标准子序列段的综合隶属度，μ(z_i，S_k)表示第一子序列z_i对于标准子序列段S_k的隶属度。该计算方法利用了模糊逻辑中的乘积规则，有效地合成了多个标准子序列段对第一子序列z_i的影响，从而能够综合评估待测数据的异常情况。

在得到综合隶属度后，可以理解的是，第一子序列对于全部标准子序列段的综合隶属度反映了待测时间序列数据与标准时间序列数据的相似度，综合隶属度越高，第一子序列正常的程度越高，可以通过异常评分函数将综合隶属度转化为异常分数值。其中，综合隶属度越高意味着异常得分越低，因此可以利用递减函数进行构建。示例的，异常得分函数可以表示为：

AnomalyScore(z_i)＝α-β×Product(z_i)

其中，α和β是可调整的参数，本实施例中α＝1和β＝0.8，以确保异常得分的合理范围和敏感性，可以根据实际情况进行调整，本发明在此不作限制。

此外，可以设定异常阈值，当异常得分超过异常阈值，则认为该第一子序列是异常的。例如，可以应用三西格玛原则确定异常得分AnomalyScore(z_i)的阈值，首先计算该异常得分的均值(μ)和标准差(σ)。将异常阈值设置为均值加上其三倍标准差。因此，超过异常阈值的异常得分AnomalyScore(z_i)可被视为异常的。图2是根据一示例性实施例示出的又一种基于数据驱动的复杂装备异常检测系统的示意图，如图2所示，此时异常阈值为O.8，检测出异常结果的传感器数据使用红色线条标出，检测结果为正常的传感器数据使用蓝色线条标出。

值得一提的是，在得到待测数据对应的检测结果后，如果检测结果存在异常，那么根据异常的检测结果及第一子序列对于各个标准子序列段的隶属度，即可以定位到对异常得分贡献最大的标准子序列段。各个标准子序列段下第一子序列的隶属度值越低，表示该第一子序列与该标准子序列段越不相似，其对异常分数的贡献越大，对异常分数贡献最大的标准子序列段为S_d，根据标准子序列段为S_d可以帮助定位待测数据对应的待测部件的较为具体的异常，例如，对异常分数贡献最大的标准子序列段为S₃，该标准子序列段下的异常往往意味着印刷机轴承磨损。

可选地，该系统10还包括：图形用户界面；图形用户界面包括：控制面板和显示面板；

该控制面板，用于供用户调整数据采集模块、预处理模块、提取模块和异常检测模块中的设置；

该显示面板，用于显示复杂装备异常检测系统的检测结果和历史数据。

可以理解的是，图3是根据一示例性实施例示出的一种图形用户界面的示意图，如图3所示，提供了一个直观且用户友好的图形用户界面(GUI)，即异常检测系统用户交互平台，以便用户高效地进行系统配置和操作。在该图形用户界面的控制面板中，主要用于用户设置利用第二子序列获取潜在标准子序列时采用的相似度度量方法以及各个子序列的粒度。对于异常检测引擎，允许用户配置包括隶属度的函数、异常评估函数，以及设定异常得分的异常阈值。

另外的，显示面板负责呈现该系统的当前状态、警报和历史数据，用于直观地表示一个待测数据异常的程度，使得结果更易于解释，提供了清晰的视觉展示。功能包括传感器数据可视化(传感器获取的数据的曲线)、异常分数曲线及其阈值可视化，总体健康分数以及异常波段的可视化。在异常检测情况下，用户可以直接通过控制面板对警报进行响应，例如确认警报、标记为已处理，或将警报转发给维护团队。

通过上述技术方案，选择、布置并设定用于采集复杂装备待检测部件数据的传感器；将采集的待测数据经过预处理并按时间顺序存储；基于预处理后的传感器数据，系统使用聚类算法提取出数据中的标准子序列；基于数据中的标准子序列计算其与待测数据的互相关相似度；基于互相关相似度，映射并计算得到待测数据与标准数据的综合隶属度；基于待测数据与标准数据的综合隶属度，确定待测数据的异常分数；异常分数表征了待测数据的异常程度；利用异常阈值对待测数据的检测结果进行判断；同时提供了一个图形界面以便用户进行系统配置和操作。本发明可以提高针对于装备状态监控的异常识别能力。能够更为高效、智能且能适应多变操作条件，并且能够实时监控装备状态，准确识别待测部件的异常情况，并及时提供有效的诊断信息，以支持及时的维护决策和操作优化。

图4是根据一示例性实施例示出的一种基于数据驱动的复杂装备异常检测方法的流程图，如图4所示，该方法包括：

S401，采集待测数据；其中，该待测数据根据复杂装备的待测部件得到。

S402，对待测数据进行预处理，得到待检测数据对应的待测时间序列数据。

S403，根据历史时间序列数据，提取历史时间序列数据对应的标准时间序列数据。

S404，根据待测时间序列数据和标准时间序列数据得到待测数据与历史时间序列数据的互相关相似度，并根据互相关相似度得到待测数据对应的检测结果。

关于上述实施例中的方法，其中各个步骤执行操作的具体方式已经在有关该系统的实施例中进行了详细描述，此处将不做详细阐述说明。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种基于数据驱动的复杂装备异常检测系统，其特征在于，所述系统包括：数据采集模块、预处理模块、提取模块和异常检测模块；

所述数据采集模块，用于采集待测数据；其中，所述待测数据根据复杂装备的待测部件得到；

所述预处理模块，用于对所述待测数据进行预处理，得到所述待检测数据对应的待测时间序列数据；

所述提取模块，用于根据历史时间序列数据，提取所述历史时间序列数据对应的标准时间序列数据；

所述异常检测模块，用于根据所述待测时间序列数据和所述标准时间序列数据得到所述待测数据与所述历史时间序列数据的互相关相似度，并根据所述互相关相似度得到所述待测数据对应的检测结果。

2.根据权利要求1所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述预处理模块，还用于利用第一滑动窗口对所述待测时间序列数据进行分割，得到多个第一子序列；其中每个所述第一子序列中包含的数据的数量相同。

3.根据权利要求1所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述提取模块，还用于利用第二滑动窗口对所述历史时间序列数据进行分割，得到多个第二子序列；其中每个所述第二子序列中包含的数据的数量相同；

所述提取模块，还用于计算所述多个第二子序列两两之间的距离相似度，将所述距离相似度高于相似度阈值的第二子序列作为潜在标准子序列。

4.根据权利要求3所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述提取模块，还用于利用聚类方法对所述潜在标准子序列进行聚类，得到多个潜在标准簇及所述多个潜在标准簇对应的聚类中心；

所述提取模块，还用于将所述多个潜在标准簇中包含潜在标准子序列数量最多的潜在标准簇作为标准簇，并将所述标准簇对应的聚类中心所表征的标准时间序列数据平均分为多个标准子序列段。

5.根据权利要求4所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述异常检测模块，还用于计算利用第一滑动窗口对所述待测时间序列数据进行分割而得到的多个第一子序列与所述多个标准子序列段之间的互相关函数系数；

所述异常检测模块，还用于根据所述互相关函数系数计算所述多个第一子序列和所述多个标准子序列段之间分别的多个互相关相似度；

所述异常检测模块，还用于根据所述多个互相关相似度得到每个第一子序列对于所述多个标准子序列段分别的隶属度。

6.根据权利要求5所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述异常检测模块，还用于根据所述每个第一子序列对于所述多个标准子序列段分别的隶属度计算出所述每个第一子序列对于全部标准子序列段的综合隶属度；

所述异常检测模块，还用于根据所述综合隶属度得到所述每个第一子序列的异常得分；

所述异常检测模块，还用于根据所述每个第一子序列的异常得分确定对应的标准子序列段；

所述异常检测模块，还用于根据所述异常得分和所述异常得分对应的标准子序列段得到所述待测数据对应的检测结果。

7.根据权利要求6所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述互相关函数系数根据如下公式得到：

其中，R(z_i,S_k)[τ]表示互相关函数R(z_i,S_k)在窗口位置τ的值，z_i表示所述多个第一子序列中的第i个第一子序列，S_k表示所述多个标准子序列段中的第k个标准子序列段，x_i+j+τ-1表示第一子序列z_i在窗口位置τ的第j个元素，s_kj是标准子序列段S_k中的第j个元素。

8.根据权利要求7所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述综合隶属度根据如下公式得到：

其中，Product(z_i)表示所述第一子序列z_i对于全部标准子序列段的综合隶属度，μ(z_i,S_k)表示所述第一子序列z_i对于所述标准子序列段S_k的隶属度。

9.根据权利要求1所述的基于数据驱动的复杂装备异常检测系统，其特征在于，所述系统还包括：图形用户界面；所述图形用户界面包括：控制面板和显示面板；

所述控制面板，用于供用户调整所述数据采集模块、所述预处理模块、所述提取模块和所述异常检测模块中的设置；

所述显示面板，用于显示所述复杂装备异常检测系统的检测结果和历史数据。

10.一种基于数据驱动的复杂装备异常检测方法，其特征在于，所述方法包括：

采集待测数据；其中，所述待测数据根据复杂装备的待测部件得到；

对所述待测数据进行预处理，得到所述待检测数据对应的待测时间序列数据；

根据历史时间序列数据，提取所述历史时间序列数据对应的标准时间序列数据；

根据所述待测时间序列数据和所述标准时间序列数据得到所述待测数据与所述历史时间序列数据的互相关相似度，并根据所述互相关相似度得到所述待测数据对应的检测结果。