基于相同系统中个体与群体特征差异性对时间的显化方法与流程

本发明涉及计算机技术领域，具体涉及基于相同系统中个体与群体特征差异性对时间的显化方法。

背景技术：

在相同的系统，相同的工作环境下的所有个体和群体具有相同的工作机制，并且在其不发生故障，工作正常的前提下，这些个体和群体具有相似的工作状态。

现有技术中，为了判断某一个体在某段时间内的工作状态是否正常，仅仅应用该个体单一的数据特征与相应的特征指标去对比判断其工作状态的方法是不完善的。因为，如果该个体的工作状态符合特征指标，但是却与相同系统下相同时间的其它群体的工作状态的特征指标相差较大，并且这种”不合群”的状态持续一段时间，那么出现这种情况的原因很可能是该个体已经出现工作不正常甚至发生故障。为此，必须同时统计代表个体和群体在相同系统下工作状态的特征指标，并分析两者之间的差异性，才能有效地判断个体的工作状态趋势。

针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现要素：

针对相关技术中的问题，本发明提出一种基于相同系统中个体与群体特征差异性对时间的显化方法,该方法通过统计能代表个体或/和群体工作状态在一个时间段内的某些关键特征，尤其是针对相同系统、相同环境下具有相似工作机制和工作状态的个体与群体，通过将一个时间段内单一的代表个体的工作状态关键特征的统计结果与代表群体的工作状态关键特征的统计结果，重新组织分析，计算出个体与群体之间工作状态的差异性趋势，将杂乱的数据最终转变为判断个体状态的依据，能帮助在实践中更好的判断个体运行状体以及趋势，为故障检测提供更好的依据。

本发明的技术方案是这样实现的：

根据本发明的一个方面，提供了一种基于相同系统中个体与群体特征差异性对时间的显化方法。

该基于相同系统中个体与群体的特征差异性对时间的统计方法包括以下步骤：s1、在相同系统、相同工作环境中，对某一个体在某一时间段的工作状态中的原始数据进行特征统计；s2、对该时间段群体的工作状态中的原始数据进行特征统计；s3、对个体与群体的工作状态的特征差异性进行统计；s4、对上述个体与群体的工作状态的特征差异性统计结果进行显化。

根据本发明的一个实施例，步骤s1具体包括以下步骤：

s101、对某一个体在某一时间段内的工作状态中的原始数据，用一原始特征矩阵表示，且该个体具有多个测量值；

s102、预设一个输出矩阵；

s103、将原始特征矩阵中的第一列元素，表示为某一时刻该个体的工作状态；

s104、对原始特征矩阵进行相应处理，选择重组能代表该个体在某一时刻的工作状态的个体特征矩阵；

s105、依次将原始特征矩阵中的其他列的元素，表示为相应时刻该个体的工作状态，重复执行步骤s104，得到与列数相同的多个时刻的该个体的工作状态的个体特征矩阵，并用特征集矩阵表示；

s106、将上述特征集矩阵复制到输出矩阵，得到该个体在某一时间段内的工作状态特征向量，从而完成对该个体在某一时间段内的特征统计。

根据本发明的一个实施例，某一个体在某一时间段内的工作状态特征向量表示为：

ao＝des(ia)

其中，a表示某一个体；向量表示在时间段t1到tp内个体a的工作状态的原始数据，大小为(n*p)，e表示测量值；下标1…n代表测量值编号,共有n个测量值，长度为n；e的下标t表示时间点，共有1……p个时间点；表示某一个体在时间段t1到tp内的工作状态特征向量，大小为(m*p)，且m<＝n，初始值全部为0；

所述特征集矩阵表示为：

其中，特征集矩阵包括p个时刻的该个体的工作状态特征集；

所述个体的工作状态的特征集表示为：

其中，所述个体的工作状态的特征集包括m个代表t1时刻的工作状态的特征，m<＝n；其中，des是指一种表示选择重组特征集的决策；

t1时刻个体a的工作状态表示为：

系统的t1到tp时间段可以用向量t表示为：

根据本发明的一个实施例，步骤s2具体包括以下步骤：

s201、对该时间段群体的工作状态的原始数据，用一原始群体数据矩阵表示，且群体中每个个体均有多个测量值；

s202、预设一个输出矩阵；

s203、将原始群体数据矩阵中的第一列元素，表示为某一时刻该群体的工作状态；

s204、对原始群体数据矩阵进行相应处理，选择重组能代表该群体在某一时刻的工作状态的群体特征矩阵；

s205、依次将原始群体数据矩阵中的其他列的元素，表示为相应时刻该群体的工作状态，重复执行步骤s204，得到与列数相同的多个时刻的该群体的工作状态的群体特征矩阵，并用特征集矩阵表示；

s206、将上述特征集矩阵复制到输出矩阵，最终得到该群体在某一时间段内的工作状态特征向量，从而完成对该群体在某一时间段内的特征统计。

根据本发明的一个实施例，该群体在某一时间段内的工作状态特征向量表示为：

go＝des(g)

其中，g＝[g1g2……gp]；矩阵g表示某一时刻群体的工作状态，其大小为(k-1)*n；原始群体数据矩阵g表示在时间段t1到tp内群体g的工作状态的原始数据；i表示个体，i的上标表示个体编号，取值范围为2…k,代表除去个体i1之外的群体g；i的下标e表示测量值，e的下标表示测量编号，取值范围为1…n，表示群体中每个个体共有n个测量值；

其中，go表示输出矩阵，输出矩阵go中的每个元素均为大小相同，初始值为o的矩阵，可以表示为其中，其大小为(k-1)*m，i表示个体，i的上标表示个体编号，取值范围为2…k,代表除去个体i1之外的群体g；i的下标f表示特征值，f的下标表示特征编号，取值范围为1…m，表示最后共有m个特征来表示群体中每个个体的工作状态；

在步骤s205中，特征集矩阵表示为:

在步骤s204中，能代表该群体在t1时刻的工作状态的群体特征矩阵表示为：

其中，表示在方法des的决策下，在t1时刻选出的群体特征矩阵，其大小为m*(k-1),表示每个个体选出m个特征。

根据本发明的一个实施例，步骤s3具体包括以下步骤：

将所述某一个体在某一时间段内的工作状态特征向量中的第一列元素，表示为第一个时刻该个体的特征向量；

将所述输出矩阵中的第一个元素，表示为第一个时刻该群体的特征矩阵；

运用归一化函数对上述特征向量和特征矩阵进行归一化，得到归一化值；

运用差异性函数计算上述归一化值中两个向量的差异性，并得到第一个时刻的特征差异向量；

按照上述步骤，依次将所述某一个体在某一时间段内的工作状态特征向量中每一列元素取出，依次将输出矩阵中的每一个元素取出，直至计算出所有的归一化值，得到每个时刻个体与群体特征差异向量，最终得到一个个体与群体特征差异性随时间变化的输出矩阵。

根据本发明的一个实施例，步骤s4具体包括以下步骤：

取出所述个体与群体特征差异性随时间变化的输出矩阵中的第一行元素，作为第一个时刻该个体与群体的特征差异向量；

采用相应的统计方法对所述特征差异向量进行分析，得到第一时刻该个体与群体的特征差异值；

按照上述步骤，依次将所述个体与群体特征差异性随时间变化的输出矩阵中剩余的每一行元素取出，采用相应的统计方法，直至得到每个时刻该个体与群体的特征差异值，最终得到一个差异性对时间的向量；

采用相应的统计方法对上述得到的差异性对时间的向量中的值进行表示。

根据本发明的一个实施例，差异性对时间的向量中的值表示为：

present＝statis(result)

其中，statis表示一种统计方法；result表示上述差异性对时间的向量，采用statis对result中的值进行统计分桶，在result的整个值域p＝[min(result),min(result)]上等分出n个区间，用rii∈[1,n]表示，区间长度ri＝[l*(i-1),l*i]；然后统计result的值落在每个区间中的个数，分别用c1～cn表示，并形成矩阵：

上述result1＝desition(d¹)，表示第一时刻该个体与群体的特征差异值；

其中，表示第一个时刻该个体与群体的特征差异向量。

本发明的有益技术效果在于：

本发明提出一种基于相同系统中个体与群体特征差异性对时间的显化方法,该方法通过统计能代表个体或/和群体工作状态在一个时间段内的某些关键特征，尤其是针对相同系统、相同环境下具有相似工作机制和工作状态的个体与群体，通过将一个时间段内单一的代表个体的工作状态关键特征的统计结果与代表群体的工作状态关键特征的统计结果，重新组织分析，计算出个体与群体之间工作状态的差异性趋势，将杂乱的数据最终转变为判断个体状态的依据，能帮助在实践中更好的判断个体运行状体以及趋势，为故障检测提供更好的依据。

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，还可以根据这些附图获得其他的附图。

图1为本发明中一种基于相同系统中个体与群体特征差异性对时间的显化方法流程图；

图2为本发明中在某一个时间段内系统中个体与群体的示意图。

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所获得的所有其他实施例，都属于本发明保护的范围。

下面结合说明书附图和具体实施方式对本发明做出详细的说明。

如图1所示，本发明实施例提供的一种基于相同系统中个体与群体特征差异性对时间的显化方法，具体包括以下步骤：

s1、在相同系统、相同工作环境中，对某一个体在某一时间段的工作状态中的原始数据进行特征统计。

s2、对该时间段群体的工作状态中的原始数据进行特征统计。

s3、对个体与群体的工作状态的特征差异性进行统计。

s4、对上述个体与群体的工作状态的特征差异性统计结果进行显化。

根据本发明的一个实施例，步骤s1具体包括以下步骤：

s101、对某一个体在某一时间段内的工作状态中的原始数据，用一原始特征矩阵表示，且该个体具有多个测量值；

s102、预设一个输出矩阵；

s103、将原始特征矩阵中的第一列元素，表示为某一时刻该个体的工作状态；

s104、对原始特征矩阵进行相应处理，选择重组能代表该个体在某一时刻的工作状态的个体特征矩阵；

s105、依次将原始特征矩阵中的其他列的元素，表示为相应时刻该个体的工作状态，重复执行步骤s104，得到与列数相同的多个时刻的该个体的工作状态的个体特征矩阵，并用特征集矩阵表示；

s106、将上述特征集矩阵复制到输出矩阵，得到该个体在某一时间段内的工作状态特征向量，从而完成对该个体在某一时间段内的特征统计。

根据本发明的一个实施例，根据本发明的一个实施例，某一个体在某一时间段内的工作状态特征向量表示为：

ao＝des(ia)

其中，a表示某一个体；向量表示在时间段t1到tp内个体a的工作状态的原始数据，大小为(n*p)，e表示测量值；下标1…n代表测量值编号,共有n个测量值，长度为n；e的下标t表示时间点，共有1……p个时间点；表示某一个体在时间段t1到tp内的工作状态特征向量，大小为(m*p)，且m<＝n，初始值全部为0；

所述特征集矩阵表示为：

其中，特征集矩阵包括p个时刻的该个体的工作状态特征集；

所述个体的工作状态的特征集表示为：

其中，所述个体的工作状态的特征集包括m个代表t1时刻的工作状态的特征，m<＝n；其中，des是指一种表示选择重组特征集的决策，例如，a是一个元器件，测量值包括电流、电阻、温度和湿度等，des可以代表某种决策的方法选择出电流作为代表a的工作特征。特别注意，本发明所表述的方法中不规定和限定这种决策的具体实现方法。

t1时刻个体a的工作状态表示为：

系统的t1到tp时间段可以用向量t表示为：

根据本发明的一个实施例，步骤s2具体包括以下步骤：

s201、对该时间段群体的工作状态的原始数据，用一原始群体数据矩阵表示，且群体中每个个体均有多个测量值；

s202、预设一个输出矩阵；

s203、将原始群体数据矩阵中的第一列元素，表示为某一时刻该群体的工作状态；

s204、对原始群体数据矩阵进行相应处理，选择重组能代表该群体在某一时刻的工作状态的群体特征矩阵；

s205、依次将原始群体数据矩阵中的其他列的元素，表示为相应时刻该群体的工作状态，重复执行步骤s204，得到与列数相同的多个时刻的该群体的工作状态的群体特征矩阵，并用特征集矩阵表示；

s206、将上述特征集矩阵复制到输出矩阵，最终得到该群体在某一时间段内的工作状态特征向量，从而完成对该群体在某一时间段内的特征统计。

根据本发明的一个实施例，该群体在某一时间段内的工作状态特征向量表示为：

go＝des(g)

其中，g＝[g1g2……gp]；矩阵g表示某一时刻群体的工作状态，其大小为(k-1)*n；原始群体数据矩阵g表示在时间段t1到tp内群体g的工作状态的原始数据；i表示个体，i的上标表示个体编号，取值范围为2…k,代表除去个体i1之外的群体g；i的下标e表示测量值，e的下标表示测量编号，取值范围为1…n，表示群体中每个个体共有n个测量值；

其中，go表示输出矩阵，输出矩阵go中的每个元素均为大小相同，初始值为o的矩阵，可以表示为其中，其大小为(k-1)*m，i表示个体，i的上标表示个体编号，取值范围为2…k,代表除去个体i1之外的群体g；i的下标f表示特征值，f的下标表示特征编号，取值范围为1…m，表示最后共有m个特征来表示群体中每个个体的工作状态；

在步骤s205中，特征集矩阵表示为:

在步骤s204中，能代表该群体在t1时刻的工作状态的群体特征矩阵表示为：

其中，表示在方法des的决策下，在t1时刻选出的群体特征矩阵，其大小为m*(k-1),表示每个个体选出m个特征。

根据本发明的一个实施例，步骤s3具体包括以下步骤：

将所述某一个体在某一时间段内的工作状态特征向量中的第一列元素，表示为第一个时刻该个体的特征向量；

将所述输出矩阵中的第一个元素，表示为第一个时刻该群体的特征矩阵；

运用归一化函数对上述特征向量和特征矩阵进行归一化，得到归一化值；

运用差异性函数计算上述归一化值中两个向量的差异性，并得到第一个时刻的特征差异向量；

按照上述步骤，依次将所述某一个体在某一时间段内的工作状态特征向量中每一列元素取出，依次将输出矩阵中的每一个元素取出，直至计算出所有的归一化值，得到每个时刻个体与群体特征差异向量，最终得到一个个体与群体特征差异性随时间变化的输出矩阵。

根据本发明的一个实施例，步骤s4具体包括以下步骤：

取出所述个体与群体特征差异性随时间变化的输出矩阵中的第一行元素，作为第一个时刻该个体与群体的特征差异向量；

采用相应的统计方法对所述特征差异向量进行分析，得到第一时刻该个体与群体的特征差异值；

按照上述步骤，依次将所述个体与群体特征差异性随时间变化的输出矩阵中剩余的每一行元素取出，采用相应的统计方法，直至得到每个时刻该个体与群体的特征差异值，最终得到一个差异性对时间的向量；

采用相应的统计方法对上述得到的差异性对时间的向量中的值进行表示。

根据本发明的一个实施例，差异性对时间的向量中的值表示为：

present＝statis(result)

其中，statis表示一种统计方法；result表示上述差异性对时间的向量，采用statis对result中的值进行统计分桶，在result的整个值域p＝[min(result),min(result)]上等分出n个区间，用rii∈[1,n]表示，区间长度ri＝[l*(i-1),l*i]；然后统计result的值落在每个区间中的个数，分别用c1～cn表示，并形成矩阵：

上述result1＝desition(d¹)，表示第一时刻该个体与群体的特征差异值；

其中，表示第一个时刻该个体与群体的特征差异向量。

如图2所示，为在某一个时间段内系统中个体与群体的示意图，其中，s(system)表示整个系统，i(individual)表示个体,i的下标表示个体编号，i1…ik表示个体1到k；g(group)表示除个体i1以外的i2…ik群体。

此外，需要说明的是，个体i1并不表示一定是系统中的第一个个体，只是一种个体的表示方法，其可以表示为系统中任何一个个体。s系统中的所有个体拥有相同的工作机制，并且在个体不发生故障，工作正常的前提下，拥有相似的工作状态。所有个体共同工作在s系统中，处于相同的工作环境，也即g中的群体与个体i1工作环境相同。此外，还需说明的是，本发明实施例提供的基于相同系统中个体与群体的特征差异性对时间的统计方法并不仅仅表示只是适用于图2所描述的系统，而是适用于任何具有这种特征的系统，即系统中的个体初始状态相似，工作环境、系统环境相同。

本发明实施例的具体实现原理为：设向量代表系统s的t1到tp时间段。

s1、在相同系统、相同工作环境中，对某一个体在某一时间段的工作状态中的原始数据进行特征统计：

在时间段t(t1到tp)上，对个体a工作状态的原始数据进行特征统计的具体方法是：

针对工作状态的原始数据，用矩阵表示，其大小为(n*p),表示在时间段1……p间个体a的工作状态，其中e代表测量值，上标1…n代表测量值编号,共有n个测量值，下标t代表时间点，共有1……p个时间点。

准备一个输出矩阵其大小为(m*p)，且m<＝n，初始值全部为0。

针对取出其第1列，令表示t1时刻个体a的工作状态。

通过一定的方法，选择能代表该个体a在t1时刻的工作状态的特征集用公式表示。数学表达为代表选择出的m个代表t1时刻的工作状态的特征集。

用相同的方法，针对依次取出2……p列，和一起共得出p个时刻的工作状态特征集，每个工作状态特征集有m个特征，即可以表示为特征集矩阵

将特征集矩阵ra复制给输出矩阵ao，最终得到大小为(m*p)的个体工作状态特征向量，从而完成对个体在1……p时间段的特征统计。

以上即在时间上的“个体特征统计”，数学描述为：ao＝des(ia)其中大小为(m*p),大小为(n*p)，其中m<＝n。

s2、对该时间段群体的工作状态中的原始数据进行特征统计：

在时间段t上，对群体g工作状态原始数据进行特征统计的具体方法是：

对于群体g的工作状态的原始数据用原始群体数据矩阵g＝[g1g2……gp]表示，g代表群体工作状态，其下标代表时间刻度，取值范围为1……p。其中某一时刻群体的工作状态g可以表示为其大小为n*(k-1)，其中i代表个体，上标表示个体编号，取值范围为2……k,代表除去个体i1之外的群体g。下标e代表测量值，而e的下标又代表测量值编号，取值范围为1……n，代表群体中每个个体共有n个测量值。

准备一个输出向量长度为p，同时需要注意的是go中的每个元素都为大小相同，初始值为0的矩阵；可以表示为其大小为m*(k-1)。

取出go中的第一个元素

运用和步骤s1中相同的方法des对进行决策，选出能代表该群体在t1时刻的工作状态的群体特征矩阵，公式表达为其中表示在方法des的决策下，在t1时刻选出的群体特征矩阵，其大小为m*(k-1),表示每个个体选出了m个特征。

对原始群体数据矩阵g＝[g1g2……gp]，依次取出2……p元素，并用相同的des方法依次出来g2……gp得到最终得到每个时刻的处理结果表示为特征集矩阵

将特征集矩阵rg复制给输出矩阵go，最终得到长度为p的该群体在时间段t的工作状态特征向量(向量中的每个元素为m*(k-1)的矩阵)，从而完成对该群体在1……p时间段的特征统计。

以上即在时间上的“群体特征统计”，数学描述为：go＝des(g)其中g＝[g1g2……gp],

s3、对个体与群体的工作状态的特征差异性进行统计：

根据步骤s1中个体特征统计结果和步骤s2中群体特征统计的结果(其中)，进行如下操作：

取出ao中的第一列元素表示第一个时刻t1时个体a的特征向量；

取出go的第一个元素，表示为表示第一个时刻群体g的特征矩阵；

运用归一化函数norm对与进行归一化，得到归一化之后的值，即例如，取出的第一个元素取出的第一行用表示，该norm函数可以是计算每个元素和平均值μ(μ表示所有元素的平均值)的差值再除以均值μ，即在归一化时可以表示为在归一化时可以表示为然后依次取出的剩余元素，的剩余行，用同样的方法norm归一化最终得到归一化后的与数学公式表示为其中归一化之后

需要说明的是，本发明阐述的方法中不规定和限定这种归一化函数的具体实现方法，仅要求输出在一个范围内的归一化值。

运用差异性函数diff计算与的差异性，并得出时刻t1的特征差异向量其中diff表示一种计算与的差异性的方法。运用这种方法diff先计算的第一个元素与的第一行的差异性，得出然后依次取出剩余元素和剩余行，运用相同的方法，得出即

需要说明的是，本发明阐述的方法中不规定和限定这种diff计算差异性的具体实现方法，仅要求该方法能输出一个向量d1来表示个体与群体在时刻t1的特征差异性。

依次从ao中取出

依次从go中取出

按照上述步骤，计算每个时刻个体与群体的特征差异向量，例如：

最终得到一个个体与群体特征差异性随时间变化的输出矩阵：

以上即是对个体与群体工作状态的差异的时间统计，数学描述为：

d＝diff(norm(a0,go)),其中

该步骤得到结果d称为“差异性对时间矩阵”。

s4、对上述个体与群体的工作状态的特征差异性统计结果进行显化：

根据步骤s3得到的个体与群体特征差异性随时间变化的输出矩阵

取出输出矩阵d的第1行元素，代表第一个时刻t1的个体与群体特征特征差异向量

采用相应的统计方法对特征差异向量d¹进行分析，得到第一时刻t1该个体与群体特征差异值，表示为result1＝desition(d¹),其中desition代表一个统计d¹的方法例如，计算其平均值。需要说明的是，本发明实施例阐述的方法，并不规定desition的具体实现方法，仅要求输出一个统计值即可。

依次从d中取出剩余的行d²，d³……d^p，采用desition方法，最终得到一个差异性对时间的向量

对result中的值，运用统计方法表示为present＝statis(result),其中statis代表一种统计的方法，例如对result中的值进行统计分桶，在result的整个值域p＝[min(result),min(result)]上等分出n个区间用rii∈[1,n]表示，区间长度ri＝[l*(i-1),l*i]；然后统计result的值落在每个区间中的个数分别用c1～cn表示，并形成矩阵：

需要说明的是，本发明实施例阐述的方法，并不规定statis的具体实现方法，仅要求对result结果进行t时间内的统计。

综上所述，借助于本发明的上述技术方案，通过本发明的一种基于相同系统中个体与群体特征差异性对时间的显化方法，其可通过统计能代表个体或/和群体工作状态在一个时间段内的某些关键特征，尤其是针对相同系统、相同环境下具有相似工作机制和工作状态的个体与群体，通过将一个时间段内单一的代表个体的工作状态关键特征的统计结果与代表群体的工作状态关键特征的统计结果，重新组织分析，计算出个体与群体之间工作状态的差异性趋势，从而获得对个体工作状态正常与否的趋势的判断依据。根据获取到的个体工作状态正常与否的趋势的判断依据，可以有效地判断个体的工作状态。实现了在相同系统，相同环境，相同初始状态，将个体工作状态与群体工作状态差异性进行了时间上的统计，并将杂乱的数据最终转变为判断个体状态的依据，于是能帮助在实践中更好的判断个体运行状体以及趋势，为故障检测提供更好的依据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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。