一种基于工业大数据的预警方法和系统与流程

技术特征：

1.一种基于工业大数据的预警方法，其特征在于，包括如下步骤：

步骤S1，对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

步骤S2，将所述采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

步骤S3，对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

步骤S4，根据归一化处理后的相似度计算结果预测所述采样信号的未来变化趋势。

2.根据权利要求1所述的基于工业大数据的预警方法，其特征在于，步骤S1的具体实现为：

将所述采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1，2，…，n；并构建采样信号集合S＝[s₁，s₂，…，s_n]；所述采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

3.根据权利要求2所述的基于工业大数据的预警方法，其特征在于，步骤S2的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁，h₂，…，h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1，2，…，m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据所述欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1，0)＝0，g(0，-1)＝0，g(0，0)＝0；

根据所述规整距离公式迭代计算出s_n和h_m之间的规整距离g(n，m)，即p＝g(n，m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出所述采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁，p₂，…，p_N]；其中p₁，p₂，…，p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

4.根据权利要求3所述的基于工业大数据的预警方法，其特征在于，步骤S3的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_t=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

5.根据权利要求4所述的基于工业大数据的预警方法，其特征在于，步骤S4的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1，2，3，…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$

6.一种基于工业大数据的预警系统，其特征在于，包括：

采样信号选取模块，用于对实时信号进行特征点检测，选取实时信号中跨越预设报警阈值最高值的总时长为n的信号作为采样信号；

相似度计算模块，用于将所述采样信号分别与N段历史报警信号进行相似度计算，得到N个相似度计算结果；

归一化处理模块，用于对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度计算结果；

未来变化趋势预测模块，用于根据归一化处理后的相似度计算结果预测所述采样信号的未来变化趋势。

7.根据权利要求6所述的基于工业大数据的预警系统，其特征在于，所述采样信号选取模块的具体实现为：

将所述采样信号按照总时长n划分为n个特征点；

计算每个特征点的幅值特征，用s_i表示第i个特征点的幅值特性，其中i＝1，2，…，n；并构建采样信号集合S＝[s₁，s₂，…，s_n]；所述采样信号集合中至少有一个特征点的幅值特性大于预设报警阈值最高值。

8.根据权利要求7所述的基于工业大数据的预警系统，其特征在于，所述相似度计算模块的具体实现为：

假设N段历史报警信号中其中一段历史报警信号的集合为H＝[h₁，h₂，…，h_m]，用h_j表示历史报警信号的集合中第j个特征点的幅值特性，其中j＝1，2，…，m，m表示历史报警信号的集合中特征点的个数，计算s_i和h_j之间的欧氏距离为：

根据所述欧式距离计算s_n和h_m之间的规整距离，具体实现包括：

构建s_i和h_j之间的规整距离公式为：其中设定初始值g(-1，0)＝0，g(0，-1)＝0，g(0，0)＝0；

根据所述规整距离公式迭代计算出s_n和h_m之间的规整距离g(n，m)，即p＝g(n，m)，其中p表示采样信号与其中一段历史报警信号的相似度；

如此反复循环，直到计算出所述采样信号与N段历史报警信号的相似度，得到N个相似度计算结果，并形成相似度集合为：P＝[p₁，p₂，…，p_N]；其中p₁，p₂，…，p_N分别表示采样信号与N段历史报警信号中第1至N段历史报警信号的相似度。

9.根据权利要求8所述的基于工业大数据的预警系统，其特征在于，所述归一化处理模块的具体实现为：

对N个相似度计算结果分别进行归一化处理，得到归一化处理后的相似度为：

${\hat{d}}_t=(1-\frac{p_t}{C})\·100\%,t=1,2,3,...,N;$

其中p_t表示相似度集合中第t个相似度，C表示相似度评估基数，表示归一化处理后的相似度集合中第t个相似度。

10.根据权利要求9所述的基于工业大数据的预警系统，其特征在于，所述未来变化趋势预测模块的具体实现为：

对所有经过归一化处理后的相似度进行排序，选取大于等于预设相似度阈值Q的相似度p_x，用k表示大于等于预设相似度阈值Q的相似度的个数，则x＝1，2，3，…k，并选取与p_x相对应的历史报警信号之后的一段时长为L_p的信号数据H_Lpx作为评估预测依据；计算得到所述采样信号的未来变化趋势为：

$S_{L_P}=\underset{x=1}{\overset{k}{\Σ}}(H_{LPx}\·p_x/\underset{x=1}{\overset{k}{\Σ}}{p}_x).$