本发明涉及数据处理
技术领域：
，尤其涉及一种面向多参数系统异常工作状态检测的方法和系统。
背景技术：
：近年来，随着物联网、计算通信以及人工智能技术的迅猛发展，在各个领域出现了越来越多的大型复杂系统。这类复杂系统的典型特点是系统的组成结构与任务求解模型受多种参数影响，且各参数之间存在明显的相关关系。在系统运行过程中，根据某一类或某几类参数进行调控该系统，每类控制参数对应一条时空数据流。面向多参数的系统控制理论强调用整体论和还原论相结合的方法来分析系统，用个体及其相互作用或用演化的结构来描述系统，将系统的输出行为作为主要研究目标和描述对象，对系统演化动力学规律进行探讨。多参数系统优化问题是人工智能和复杂自适应理论应用的重要研究领域，随着大数据时代来临，基于数据驱动的时空数据流分析是优化多参数系统控制的最有效方法之一。时空数据流是在不同空间位置上，持续传输数据的连续时间序列。每个数据可以抽象为一个三元组：<行为属性，时间属性，空间属性>。每个数据的行为属性通常由一系列客观测量值组成，这些客观测量值用以描述目标问题的物理特征；时间属性对应每个数据的采集间隔，可以是连续的时间流，也可以是连续的时间间隔；空间属性通常由每条数据流的生成机制决定，如实际采集位置，前后逻辑关系，不同组织层级等。目前，根据数据流产生机理和研究模式，可以将现有多数据流关联分析分为面向同质数据流的过程融合和面向异质数据流的结果两大类。例如，如果源于不同空间位置的数据流用于描述相似的行为属性，这些行为属性旨在从不同的角度表示相同的目标问题，那么它们将被视为同质数据流，组成这些数据流的数据可能具备相似的分布和数据结构。由于同质数据流之间可以相互增加信息表述，这类研究的关键在于对不同数据流分析过程的融合。又如，如果源于不同空间位置的数据流用于描述不同目标问题的不同行为属性，但这些问题是相互关联的，那么可以将它们视为异质数据流，组成这些数据流的数据在属性、类别和分布方面并不相同。由于异质数据流之间相互迥异，这类研究的关键在于对不同数据流分析结果的融合。在多参数系统控制的研究中，由于系统结构的复杂性，很难保证所有数据流的同质性，因此面向异质数据流的分析应用更加广泛。相关技术中，例如petri网、贝叶斯网络、故障树等技术，旨在通过拟合各个参数对应的数据流分布，基于构建的正常数据流结构，识别那些明显偏离正常模式的异常数据模式，从而较为准确的发现多参数系统中出现的故障，但这类控制技术属于事后控制机制，只有当某个参数呈现出明显异常状态，即系统中的故障已经彻底爆发时，才能做出判断。然而，在系统运行中，存在一定量的潜在故障，即从故障产生到故障完全爆发之间，存在一定的反应时间。如果能够在系统故障的初期阶段，尽早的将其识别出来，不仅可以避免相当程度的损失，同时也为系统争取到了更多的反应时间。技术实现要素：针对现有技术中的缺陷，本发明提供了一种面向多参数系统异常工作状态检测的方法和系统，用于解决相关技术中存在的技术问题。第一方面，本发明实施例提供了一种面向多参数系统异常工作状态检测的方法，包括：获取所述多参数系统中与各控制参数对应的时空数据流；采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；各概要数据信息以所述时间间隔内与各控制参数相关的所有观测值的均值测定；基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息；基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。可选地，采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列包括：以目标特征的观测值的采集频率为基准，用不同尺寸的时间窗口将多参数系统中各控制参数对应的时空数据流划分成连续的等时间间隔序列；在相同标号的时间窗口内，目标特征的观测值与各参数的观测值一一对应。可选地，所述预先获取的计算权重通过以下步骤获取：基于预设关联分析方法，获取同标号的时间间隔内各控制参数对多参数系统输出之间的影响关系，以及各控制参数与其它控制参数之间的影响关系；基于预设的双层粒子群算法，对各种影响关系的权重进行循环优化直至满足设定条件，得到计算权重。可选地，基于预设关联分析方法，获取同标号的时间间隔内各控制参数对多参数系统输出之间的影响关系，以及各控制参数与其它控制参数之间的影响关系，包括：根据下式计算相关性系数，所述相关性系统用于度量不同控制参数与输出目标特征之间相关性的强弱；变量表示第i个控制参数xi的所有概要数据信息的均值，yn表示输出目标特征y的观测值的均值；根据下式，基于多元回归分析度量各个控制参数与其它控制参数之间的相关性；表示任一控制参数观测值的变化，变量ε为常数项，ζ为随机误差项，向量表示控制参数xi的变化受其它控制参数影响的相关系数；依次对每个控制参数进行多元回归分析，得出各控制参数之间的相关性矩阵。可选地，所述预设的双层粒子群算法包括外层粒子群算法和内层粒子群算法，其中所述外层粒子群算法用于加权计算各控制参数的变化对目标特征的变化的影响；所述内层粒子群算法用于构建所述影响与其它参数变化的关系。可选地，所述预设的双层粒子群算法通过以下步骤获取：基于指定的度量目标，用不同尺寸的时间窗口将所述多参数系统中各控制参数对应的异质数据流划分成连续的等时间间隔序列，以及提取时间间隔内的概要数据信息；基于历史样本数据，通过相关性分析确定各控制参数与指定的度量目标之间的相关关系，以及各控制参数之间的相关关系；根据各控制参数之间的相关关系以及各控制参数与指定的度量目标之间的相关关系构建双层粒子群算法；通过内外层粒子群算法循环迭代，优化各控制参数对指定的度量目标以及其他参数之间的影响权重，将所述影响权作为计算权重。可选地，各控制参数与指定的度量目标之间的相关关系构建外层粒子群算法包括：基于下式，构建控制参数与输出目标之间的关系：f′＝w1f(x1) w2f(x2) …… wif(xi)，wi∈[0,1]；minz＝f-f′；其中函数f(xi)表示控制参数xi的变化对目标特征变化的影响，序列表示各个控制参数变化对目标特征变化的影响权重。可选地，根据各控制参数之间的相关关系构建内层粒子群算法包括：基于下式，构建各控制参数变化对目标特征变化的影响与其它参数变化的关系：变量ki表示基于相关系数矩阵判读后，与第i个控制参数相关的ki个控制参数；权重序列用以度量第i个控制参数变化对目标特征变化的影响与其它参数变化的关系；wif表示第i个控制参数变化对目标特征变化的实际影响。第二方面，本发明实施例提供了一种面向多参数系统异常工作状态检测的系统，包括：数据流获取模块，用于获取所述多参数系统中与各控制参数对应的时空数据流；数据流划分模块，用于采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；概要信息获取模块，用于以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；各概要数据信息以所述时间间隔内与参数相关的所有观测值的均值测定；概要信息融合模块，用于基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息；工作状态检测模块，用于基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。由上述技术方案可知，本实施例可以在系统中潜在故障发生的初期，通过对各控制参数对应的数据流进行融合分析，较早的识别出故障，提高系统的应变能力和鲁棒性。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，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地介绍，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，还可以根据这些图获得其他的附图。图1为本发明实施例提供的一种面向多参数系统异常工作状态检测的方法的流程图。图2为本发明实施例提供的基于窗口技术的多时空数据融合的示意图。图3为本发明实施例提供的双层粒子算法的框架图。图4为本发明实施例提供的一种面向多参数系统异常工作状态检测的装置的框图。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。针对相关技术存在的问题，本发明实施例提供了一种面向多参数系统的异常数据获取方法，图1为本发明实施例提供的一种面向多参数系统的异常数据获取方法的流程图。参见图1，一种面向多参数系统异常工作状态检测的方法包括：在步骤11中，获取所述多参数系统中与各控制参数对应的时空数据流。本实施例中，多参数系统在运行过程中会产生时空数据流，该时空数据中包括各控制参数对应的时空数据流。在步骤12中，采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列图。本实施例中，以目标特征的观测值的采集频率为基准，用不同尺寸的时间窗口将多参数系统中各控制参数对应的时空数据流划分成连续的等时间间隔序列；在相同标号的时间窗口内，目标特征的观测值与各参数的观测值一一对应。例如，多参数系统输出目标的度量特征为y，y＝(y1,y2…yn)表示目标特征的观测值，以表示目标特征观测值的实际变化。设序列表示系统的i个控制参数，各控制参数之间不完全相互独立。各控制参数对应的时空数据流基于不同机理反应系统当前状态，各数据流描述的行为属性不完全相同，采集的时间间隔不完全相同，共同构成异质时空数据流集群。考虑到系统中的控制参数的变化对输出目标均有影响，但影响程度不完全相同，此外，由于控制参数之间不完全相互独立，任一控制参数变化对输出目标的影响与其它控制参数的变化相互关联。因此，在本实施例中，可以基于相关性分析确定各控制参数与输出目标之间的相关关系，以及各控制参数之间的相关关系。第一步，根据公式(1)计算相关性系数ri，根据相关系数的数值大小度量不同控制参数与输出目表之间相关性的强弱。变量表示第i个控制参数xi的所有概要数据信息的均值，yn表示输出目标y的观测值的均值。第二步，根据公式(2)，基于多元回归分析度量各个控制参数与其它控制参数之间的相关性，其中表示任一控制参数观测值的变化，变量ε为常数项，ζ为随机误差项，向量表示控制参数xi的变化受其它控制参数影响的相关系数。依次对每个控制参数进行多元回归分析，得出各控制参数之间的相关性矩阵，如表1所示。根据t检验对系数矩阵进行检测，确定各控制参数之间是否存在相关关系。表1各控制参数之间的相关性矩阵x1x2……xix11α12……α1ix2α211……α2i…………………………xiαi1αi2……1继续参见图2，以目标特征观测值的采集频率为基准，用不同尺寸的时间窗口将系统中各控制参数对应的数据流划分成连续的等时间间隔序列。在相同标号的时间窗口内，目标特征的观测值与各参数的观测值一一对应，通过提取各时间间隔内的概要数据信息，度量所有观测值的变化。多窗口划分后，与输出目标的观测值y＝(y1,y2…yn)对应，任一控制参数的对应的数据流被划分为连续的等时间间隔序列：xi＝(xi1,xi2…xin)，xin表示第i个控制参数xi在第n个时间间隔内的概要数据信息。概要数据信息以时间间隔内所有观测值的均值测定。在步骤13中，以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；各概要数据信息以所述时间间隔内与参数相关的所有观测值的均值测定。首先，先对粒子群算法作描述，包括粒子群算法流程和粒子群算法参数设置策略。其中，(1)粒子群算法流程在n空间中，对于如下式所示的任意优化问题，粒子群算法(pso)算法通过构造粒子群将每个优化问题的可能解抽象成n维搜索空间中没有体积和质量，只有位置和速度的粒子。式中，y＝f(x)为目标优化函数，g(x)为约束条件。每个粒子基于目标函数的适应度值，根据自身飞行经验以及当前最优粒子的状态对速度进行动态调整，以协作竞争的方式不断修正前进方向和速度，实现对问题最优解的搜索。其中，算法求解过程可表示为：在n空间内，每个粒子位置为：xi＝(xi1，xi2，...，xin)，飞行速度：vi＝(vi1，vi2，...，vin)，粒子个体最优位置记作pbest＝(pi1，pi2，...，pin)，全局最优位置gbest＝(pg1，pg2，...，pgn)，粒子根据公式(3)和公式(4)调整当前位置和速度。vid(t 1)＝ηvid(t) c1(pid-xid) c2(pgd-xid)xid(t 1)＝xid(t) vid(t 1)(4)(2)粒子群算法参数设置策略对于粒子群算法，粒子长度与粒子取值范围两个参数属于算法外生变量，依赖具体问题模型实际确定，不需要在算法设计阶段进行优化，且对其它参数影响不显著。惯性权重、种群规模、最大速度、初始状态，学习因子等均为算法内生变量，不仅对算法性能影响显著，且变量之间亦有较强的关联关系，故粒子群算法的参数设置方式如下：种群规模。粒子群算法对种群规模选择没有明确的原则，依赖具体问题模型。根据经验分析，对于大多数问题，粒子数目一般取20～40即可取得较好效果；对于复杂特殊的问题，微粒数目可以取到100或200。粒子数目越多，即算法能搜索到的空间越大，更容易发现全局最优解，但相应的运算时间也越长。最大速度。最大速度vmax决定粒子在一次飞行中可以移动的最大距离。如果vmax太大，微粒可能会飞过最优解；如果vmax太小，粒子不能在局部最优区间之外进行足够的搜索，可能会陷入局部收敛。常规粒子群算法设置最大速度分两种方式：若对问题有一定先验知识，可按vmax＝θ·xmax，0.1≤θ≤1.0选择最大速度；若无先验知识，最大速度设定为取值范围宽度。初始状态。在粒子群算法中，若无先验知识，粒子初始状态通常基于随机方式确定。即在取值范围和速度范围内随机生成粒子初始位置和初始速度，每个粒子的初始位置设定为pbest，群体中位置(适应值)最优的设定为gbest。加速常数。加速常数c1、c2是调整微粒自身经验与群体经验在飞行中所起作用的权重，常规粒子群算法取c1＝c2＝2。c1取值过大，容易陷入局部收敛，c2取值过大，算法运算时间长且容易陷入迭代发散。惯性权重。惯性权重η对算法收敛性起很大作用，η值越大，全局搜索能力越强，反之则局部搜索能力增强，多采用动态惯性权重和自适应惯性权重策略，本发明采用线性递减的惯性权重设置策略，根据公式(5)设置参数，变量iter表示迭代次数。结合上述内容，本实施例中，可以预先设置一双层粒子群算法，参见图3，该双层粒子群算法包括外层粒子群算法和内层粒子群算法：外层粒子群算法架构：其中函数f(xi)表示控制参数xi的变化对目标特征变化的影响，序列表示各个控制参数变化对目标特征变化的影响权重，基于公式(6)和公式(7)，构建控制参数与输出目标之间的关系。minz＝f-f′(7)外层粒子群算法目标：搜寻一组权重序列使得寻优函数z取得极小值。即，加权计算各控制参数变化对目标特征变化的影响，所得结果与真实值最大程度相符。内层粒子群算法架构：由于各控制参数的变化受其它参数的影响，因此控制各参数变化对目标特征变化的影响f(xi)也受到其它控制参数变化的影响，基于公式(8)和公式(9)，构建各控制参数变化对目标特征变化的影响与其它参数变化的关系。变量ki表示基于相关系数矩阵判读后，与第i个控制参数相关的ki个控制参数；权重序列用以度量第i个控制参数变化对目标特征变化的影响与其它参数变化的关系；wif表示第i个控制参数变化对目标特征变化的实际影响。内层粒子群算法目标：搜寻i组权重序列使得i个寻优函数li取得极小值。即，加权计算任一控制参数的变化对目标特征变化的影响受其它控制参数变化的影响，所得结果与真实值最大程度相符。因此，内层粒子群算法为i个寻优函数并行处理的过程。内层粒子群算法的输出是各个控制参数变化对目标特征变化的影响f(xi)，控制内层粒子群算法收敛精度的输入变量是权重序列内层粒子群算法输出的是是权重序列外层粒子群算法的输入变量是f(xi)。参见图3，内外层粒子群算法构成嵌套循环优化过程，包括：基于公式(4)中计算出的各个控制参数与输出目标的相关系数ri，计算初始权重序列启动内层粒子群算法。由于公式(4)中并未考虑其它参数对相关性的影响，因此初始权重与真实值存在一定差距，基于此，启动的内层算法也很难求出非常精确的权重序列设置内层粒子群算法的最大迭代次数为hmax＝10000，控制精度ρmin＝0.0005，在内层粒子群算法达到最大迭代次数后，输出当前最优结果作为外层粒子群算法的输入，根据外层粒子群算法进行寻优迭代。同样，由于内层粒子群算法的输出结果不是全局最优结果，外层粒子群算法也很难在一次迭代中实现收敛。同样设置外层粒子群算法的最大迭代次数为hmax＝10000次，控制精度ρmin＝0.0005，在外层粒子群算法达到最大迭代次数后，输出当前最优结果作为内层粒子群算法的输入，根据外层粒子群算法进行寻优迭代。这样，通过内外层粒子群算法循环寻优，最终实现全局收敛。在步骤14中，基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息；在步骤15中，基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。本实施例中，将单个控制参数在正常范围的数据变化被视为正常数据，当对各个控制参数对应的数据流进行联合分析时，若各控制参数变化幅度的叠加超过正常范围，则将其识别为集体离群点。基于对各参数对应的多条数据流进行集体离群点检测，可以在系统呈现出异常状态的早期阶段做出预测，提高系统的应变能力和鲁棒性。换言之，本实施例中，基于集体离群点检测原理，通过融合分析各控制参数的变化幅度，判断测试数据流中是否存在由集体离群点这一数据模式表征的系统异常工作状态。需要说明的是，在数据分析中，离群点是一种与其它观测值偏离太大的观测值，从而引起怀疑它是由不同机制产生的。根据离群点不同特征，可以分为点离群点常、情境离群点和集体离群点。以集体离群点为例，集体离群点是指一组相关的数据，当它们以某种模式一起出现时，它们的整体行为属性将与整个数据集显著偏差，但集合中的单个数据就其本身而言可能不是异常的。本实施例中,在时间间隔内，将单个控制参数正常幅度内的变化视为正常实例。当对所有控制参数在相同标号间隔内的概要数据信息进行联合分析时，若融合后的参数变化幅度超过正常范围，则将这些参数在同一时间间隔内的数据识别为集体离群点。到此，本实施例可以在系统中潜在故障发生的初期，通过对各控制参数对应的数据流进行融合分析，较早的识别出故障，提高系统的应变能力和鲁棒性。下面结合具体应用场景来验证本发明提供的方法的有效性。电泳是汽车涂装工艺中一种特殊的涂膜形成方法，仅适用于与一般涂料不同的电泳涂装专用的电泳涂料。电泳过程中，将铁皮车身浸渍在装满水稀释的、浓度比较低的电泳涂料槽中作为阳极(或阴极)，在槽中另设置阴离子型(或阳离子型)的电泳涂料作为对应的阴极(或阳极)，利用电泳涂料中带电粒子在电场中移动速度不同而达到分离，使电泳液里的阴离子型或阳离子型)涂料附着于车身表面，析出均一、水不溶的涂膜。阴离子水性涂料对应阳极电泳涂装工艺，阳离子水性涂料对应阴极电泳涂装工艺。以某汽车制造企业涂装车间的阴极电泳工艺流程为例，将其视为一个多参数系统。系统输出：车身平均膜厚度；系统控制参数：固体分，ph值，电导率，颜基比，助溶剂，温度，酸浓度。各控制参数对系统输出的影响，如表2所示。本示例中，基于历史工艺数据拟合多个控制参数对系统输出的影响权重。基于拟合出的权重，对未知数据进行检测，旨在发现由多个控制参数共同构成的异常模式。即在多数据流中检测是否出现这样的集体离群点模式：单个控制参数的变化幅度正常，但当多个控制参数变化幅度按一定权重融合分析时，整体变化幅度超过正常水平。表2汽车电泳工艺流程的控制参数类型及其对输出的影响基于本发明对历史工艺数据进行分析，各控制参数对系统输出(车身平均膜厚度)的影响权重如表3所示。表3各控制参数对系统输出(车身平均膜厚度)的影响权重各控制参数之间的影响权重如表4所示。表4各控制参数之间的影响权重随机选择3个生产月份的车间工艺数据作为测试数据集。根据上述拟合出的各控制参数对系统输出(车身平均膜厚度)的影响权重和各控制参数之间的影响权重，通过识别测试数据集中是否存在集体离群点，预测电泳过程中是否出现故障。检测结果如表5所示，对随机抽取的三个生产月的故障预测准确率均达到90％以上，可证明本发明提供的方法的有效性。表5故障预测结果测试数据集实际故障预测出的故障误报次数预测准确率2017年8月4924472320691.74％2018年6月4727458317493.27％2018年11月3917371916390.77％注：测试数据集中标记的实际故障，是指单个控制参数的变化幅度正常，但当多个控制参数变化幅度按一定权重融合分析时，整体变化幅度超过正常水平的故障，不包括单个控制参数明显超标的故障报警。在上述面向多参数系统的异常数据获取方法的基础上，本发明实施例还提供了一种面向多参数系统异常工作状态检测的系统，参见图4，包括：数据流获取模块41，用于获取所述多参数系统中与各控制参数对应的时空数据流；数据流划分模块42，用于采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；概要信息获取模块43，用于以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；各概要数据信息以所述时间间隔内与参数相关的所有观测值的均值测定；概要信息融合模块44，用于基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息；工作状态检测模块45，用于基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。当前第1页1 2 3
技术特征：1.一种面向多参数系统异常工作状态检测的方法，其特征在于，包括：
获取所述多参数系统中与各控制参数对应的时空数据流；
采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；
以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；各概要数据信息以所述时间间隔内与各控制参数相关的所有观测值的均值测定；
基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息；
基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。
2.根据权利要求1所述的方法，其特征在于，采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列包括：
以目标特征的观测值的采集频率为基准，用不同尺寸的时间窗口将多参数系统中各控制参数对应的时空数据流划分成连续的等时间间隔序列；在相同标号的时间窗口内，目标特征的观测值与各参数的观测值一一对应。
3.根据权利要求1所述的方法，其特征在于，所述预先获取的计算权重通过以下步骤获取：
基于预设关联分析方法，获取同标号的时间间隔内各控制参数对多参数系统输出之间的影响关系，以及各控制参数与其它控制参数之间的影响关系；
基于预设的双层粒子群算法，对各种影响关系的权重进行循环优化直至满足设定条件，得到计算权重。
4.根据权利要求3所述的方法，其特征在于，基于预设关联分析方法，获取同标号的时间间隔内各控制参数对多参数系统输出之间的影响关系，以及各控制参数与其它控制参数之间的影响关系，包括：
根据下式计算相关性系数，所述相关性系统用于度量不同控制参数与输出目标特征之间相关性的强弱；
变量表示第i个控制参数xi的所有概要数据信息的均值，yn表示输出目标特征y的观测值的均值；
根据下式，基于多元回归分析度量各个控制参数与其它控制参数之间的相关性；
表示任一控制参数观测值的变化，变量ε为常数项，ζ为随机误差项，向量表示控制参数xi的变化受其它控制参数影响的相关系数；
依次对每个控制参数进行多元回归分析，得出各控制参数之间的相关性矩阵。
5.根据权利要求3所述的方法，其特征在于，所述预设的双层粒子群算法包括外层粒子群算法和内层粒子群算法，其中
所述外层粒子群算法用于加权计算各控制参数的变化对目标特征的变化的影响；所述内层粒子群算法用于构建所述影响与其它参数变化的关系。
6.根据权利要求5所述的方法，其特征在于，所述预设的双层粒子群算法通过以下步骤获取：
基于指定的度量目标，用不同尺寸的时间窗口将所述多参数系统中各控制参数对应的异质数据流划分成连续的等时间间隔序列，以及提取时间间隔内的概要数据信息；
基于历史样本数据，通过相关性分析确定各控制参数与指定的度量目标之间的相关关系，以及各控制参数之间的相关关系；
根据各控制参数之间的相关关系以及各控制参数与指定的度量目标之间的相关关系构建双层粒子群算法；
通过内外层粒子群算法循环迭代，优化各控制参数对指定的度量目标以及其他参数之间的影响权重，将所述影响权作为计算权重。
7.根据权利要求6所述的方法，其特征在于，各控制参数与指定的度量目标之间的相关关系构建外层粒子群算法包括：
基于下式，构建控制参数与输出目标之间的关系：
f′＝w1f(x1) w2f(x2) …… wif(xi)，wi∈[0,1]；
minz＝f-f′；
其中函数f(xi)表示控制参数xi的变化对目标特征变化的影响，序列表示各个控制参数变化对目标特征变化的影响权重。
8.根据权利要求6所述的方法，其特征在于，根据各控制参数之间的相关关系构建内层粒子群算法包括：
基于下式，构建各控制参数变化对目标特征变化的影响与其它参数变化的关系：
f(xi)＝wi·f；
变量ki表示基于相关系数矩阵判读后，与第i个控制参数相关的ki个控制参数；权重序列用以度量第i个控制参数变化对目标特征变化的影响与其它参数变化的关系；wif表示第i个控制参数变化对目标特征变化的实际影响。
9.一种面向多参数系统异常工作状态检测的系统，其特征在于，包括：
数据流获取模块，用于获取所述多参数系统中与各控制参数对应的时空数据流；
数据流划分模块，用于采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；
概要信息获取模块，用于以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；各概要数据信息以所述时间间隔内与参数相关的所有观测值的均值测定；
概要信息融合模块，用于基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息；
工作状态检测模块，用于基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。
技术总结本发明提供了一种面向多参数系统异常工作状态检测的方法和系统。所述方法包括：获取所述多参数系统中与各控制参数对应的时空数据流；采用预设的窗口技术将各控制参数对应的时空数据流划分成连续的等时间间隔序列；以所述各时间间隔内的数据流均值测定各时间间隔对应的概要数据信息；基于双层粒子群算法预先获取的计算权重，加权融合同标号时间间隔内的概要数据信息，基于各控制参数变化幅度的加权结果检测在所述多参数系统中是否存在表征异常工作状态的集体离群点数据模式。本实施例可以在系统中潜在故障发生的初期，通过对各控制参数对应的数据流进行融合分析，较早的识别出故障，提高系统的应变能力和鲁棒性。
技术研发人员：任明仑;黄晓地;褚伟;朱晓曦;程八一
受保护的技术使用者：合肥工业大学
技术研发日：2020.01.10
技术公布日：2020.06.05
