的u个序列号为（i-l)U+l、（i-l)U+2.....i ·1!的样本 点通过窗口，滑动窗口尾部添加u个新样本点（i-l)u+N+l、（i-l)u+N+2.....i ·ιι+Ν，获取 第i+1个窗口；若需提高效率，需提高u，u太大会造成判别正确率降低；
[0042] 利用简单移动平均法或多项式拟合法获取滑动窗口数据中心线；若选取的窗宽N 合适使得大部分窗口的多项式次数相同，则可使用多项式拟合法，求取中心线，否则选取简 单移动平均法获取中心线；简单移动平均法、多项式拟合法计算公式见步骤（1)中计算方 法，滑动窗口中式（1)中d计算方法如下：
[0043] d = k3N (7)
[0044] 有序序列异常的3种类型：点异常、连续异常、模式异常，对应异常数据分别成为 孤立异常点、连续异常点、阶梯点；点异常与连续异常主要表现为单个或少量连续点偏离整 体模式，形成局部尖峰或较为尖锐的局部波动；模式异常主要表现为大量"相对"连续点偏 离整体模式或者从某点开始走势偏离原模式，二者分别会形成阶梯或者跳变，"相对"是指 在模式异常序列内部可能存在点异常、连续异常，本质上模式异常并非真正异常，只是由于 数据内部结构特异性或实验条件、试验方法改变引起的数据行为的改变；利用下述方法可 确定异常类型；
[0045] 滑动窗口异常记录多维序列Iciutw，记录滑动窗口内判定的异常点序列号及其累 计异常数t\，t\表示序列号为k的样本点在第i个滑动窗口判定完毕后的累计异常数，其 记录格式为 l〇utlier {(序列号，t1,)};
[0046] 当前滑动窗口内异常点判定完毕后，利用过程记录序列1_、过程记录正常序列 ln_ ai依次记录通过窗口的样本点，记录格式均为{(flag,序列号）}。flag为0、1、2、3、4 时分别代表初始判定异常点、初始判定正常点、孤立异常点、连续异常点、阶梯点；初始判定 类型包括初始判定异常点、初始判定正常点，序列号为k的样本点通过滑动窗口时利用 确定其初始判定类型；最终判定类型包括孤立异常点、连续异常点、阶梯点；
[0047] 其中利用t\确定初始判定类型具体方法如下：
[0048] (3-1-1)、根据r、滑动窗口数据中心线、式（3)获取第i个滑动窗口判定的异常点 序列In 11, Ii12, ...，η\}后，与第i-Ι个滑动窗口获取的Iciutw中序列号比较获取第i个滑动 窗口新增异常点的序列号为n al, na2,. . ·，nam及未变的异常点的序列号为n bl, nb2,. . ·，nbm;
[0049] (3-1-2)、对第i个滑动窗口新增异常点有t\= t1 \+l (k = nal，na2,. . ·，r〇，更新 l〇utlier?
[0050] (3-1-3)、判断 tVN'彡 50% (v = (i-l)u+l，（i-l)u+2，...，i .u)是否满足，若 满足则序列号为V的样本点为初始判定正常点，若不满足则序列号为V的样本点为初始判 定异常点，其中Ν'为序列号为V的样本点通过的滑动窗口总数，V彡N时，Ν' = [N/u]，v〈N 时，Ν' = [v/u]+l，中括号代表向左取整；
[0051] 其中核心思想为：利用累积异常数判定数据是否为真实的异常数据，避免了单窗 口内模型（简单移动平均模型、多项式拟合模型）误差影响；
[0052] 其中确定样本点最终判定类型具体步骤如下：
[0053] (3-2-1)、若 v 为初始正常点，更新 Inew= {1 new, (1，v) }、I normal normal， (Ι,ν)};
[0054] (3-2-2)、若ν为初始判定异常点，更新1_= {1 _，（0, ν) }，通过如下步骤确定最 终判定类型：
[0055] 判定Iength(Inmial)彡X，若否则判定下一个样本点，若是从I new中去除I nOTmal包含 的样本点；
[0056] 判定Iength(Inew)多Y，若是则Inew中均为阶梯点，若否则从1 _中寻找相邻的初 始判定异常点构成异常子序列，通过子序列长度判定各子序列中样本点是孤立异常点还是 连续异常点；
[0057] 从Iciutw中去除1 _包含的样本点，初始化I n_al，通过子序列长度判别样本类型， 更新 1_= {(V，〇)};
[0058] 确定最终判定类型后，存储异常点及其类型标记，记录格式为SE = {SE，（类型标 记，起始序列号，终止序列号）}，其中length表示求取序列长度；
[0059] (3-2-3)、当v>i · u时计算下一个滑动窗口的Iciuuict，对刚通过滑动窗口的u个样 本点重复（3-2_1)、（3_2_2)、（3_2_3);
[0060] 其中核心思想为：出现初始判定异常点则截断Inmial，当连续正常序列l n_al长度 达到临界长度X时，截断异常检查数据存入1_中，对1 _整体进行分析；该思想能自适应 找到合适的分割点进行异常分析；
[0061] 对阶梯点内部也可采用滑动窗口异常点判定方法判定阶梯点内的孤立异常点和 连续异常点，此时r、N、X、Y均需按阶梯点总长度和经验公式相应调整；
[0062] 其中获取异常子序列并通过其长度判定各子序列中样本点是孤立异常点还是连 续异常点的具体步骤如下：
[0063] (3-3-1)、获取Inew中flag及相应的序列号分别构成序列P、序列S ;
[0064] (3-3-2)、获取序列Q1= P ^P1 i (Q1= -1，i彡2)中值等于-1和1的索引号分别 存入序列indexl、index2,二者长度相等，设长为1 ;
[0065] (3-3-3)、第 k(k= 1，2，···，1)段异常子序列为{S indexlk? ^indexlk+l? * * * J ^index2k 1-^ ? 若 indeX2k-indeXlk= 1，则异常子序列为孤立异常点，否则异常子序列中样本点均为连续异 常点；
[0066] (4)、达到指定的数据流分析长度Z时，结束异常检查，否则清除序列号为（i-1) u+N+1、（i-l)u+N+2.....i · u+N的数据缓存，进入第i+1个滑动窗口的分析。
[0067] 总体而言，通过本发明所构思的以上技术方案与现有技术对比，可以取得如下有 益效果：
[0068] (1)、能够快速有效进行数据流异常数据的在线实时检测；
[0069] (2)、根据具体条件设计的二分法中只需跟新左右节点，利用左右节点中值即可不 断迅速缩小范围，搜索满足条件的值；此二分法同样适用满足相同条件的搜索，并且算法简 洁、效率高；
[0070] (3)、用累积异常数判定数据是否为真实的异常数据，避免了单窗口内模型（简单 移动平均模型、多项式拟合模型）误差影响；
[0071] (4)、出现初始判定异常点时，截断ln_al、1_，利用I nmial确定是否分割数据；将数 据分段进行分析提高了异常检测的效率，并且能自适应寻找合适的数据分割点进行异常分 析；
[0072] (5)、滑动窗口移动长度可以变化，可结合实际情况选择u，实现效率与异常分析准 确度之间的权衡；
[0073] (6)、本发明方法中获取数据中心线的方法根据实际运用经验可继续扩充，不限于 上述两种方法。
[0074] 总而言之，本发明方法可实现数据流实时检测，效率高且有效，提取的异常数据结 合具体背景可应用于分析与后续针对异常情况的补偿决策。
【附图说明】
[0075] 图1为本发明模式异常中跳变与阶梯图；
[0076] 图2为本发明二分法寻找r流程图；
[0077] 图3为本发明总体流程图；
[0078] 图4为本发明包含细节实现的总体流程图；
[0079] 图5为本发明滑动窗口滑动方式；
[0080] 图6为本发明寻找异常子序列流程图；
[0081] 图7为具体实施例1异常检测结果；
[0082] 图8为具体实施例2异常检测结果。
【具体实施方式】
[0083] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并 不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要 彼此之间未构成冲突就可以相互组合。
[0084] 图3是本发明实施例方法中总流程图，图4是本发明实施例方法中包含细节实现 的总流程，具体实施例采用指令域示波器采集的数控系统伺服驱动上的X轴电流进行异常 检测，下文将结合两图对本发明方法进一步详细说明。
[0085] 本实施例1具体实施步骤如下：
[0086] (1)、利用简单移动平均法或多项式拟合法获取训练样本数据中心线，利用训练样 本、训练样本数据中心线，通过二分法或直接搜索法获取包络线比率r ;
[0087] 配有相同伺服驱动的同型号机床整体性能具有一致性，电流周期成分相同，出现 异常时电流受伺服驱动、传动机构影响，跳变范围具有一致性；
[0088] 采集数控系统运行状态数据进行分析，训练样本序列包括总样本点数420388。利 用简单移动平均法