一种综合异常现象自动捕捉与分析方法与流程

本发明涉及捕捉和数据分析，主要涉及一种综合异常现象自动捕捉与分析方法。

背景技术：

1、异常现象是指在某一特定环境或条件下，系统、设备或软件的行为偏离了预期或正常的行为；传统的异常现象捕捉方法主要依赖于人工观察和检测。例如，系统管理员或维护人员通过查看系统日志、监控仪表板或直接观察系统行为来捕捉异常；传统的异常现象捕捉和分析方法主要依赖于人工，存在效率低、准确性差、及时性差、复杂性高、主观性强的问题，随着计算机技术和数据分析技术的发展，越来越多的自动化工具和方法被应用于异常现象的捕捉和分析，这些技术提供了更高的效率、更好的准确性和更强的自动化能力。

2、例如kr102595182b1《图像异常检测方法》提供了一种“使用在工厂中产生的对象的图像来检测对象中的异常的方法，并且图像建模单元接收对象的输入图像并产生输出图像。建模生成步骤，多重分布步骤，用于根据图像建模生成步骤计算多个参数，并生成由多个参数组成的多重分布，以及异常检测单元，多重分布步骤的多重分布和异常检测单元多重分布可以包括异常确定步骤以使用阈值来检测对象或图像中的异常”，但该方法主要基于图像数据进行异常检测，而不考虑其他数据源，这意味着在某些情况下，可能会忽略了其他感知数据，如声音、振动等对异常检测的贡献，导致检测准确性的下降；且该方法仅使用图像建模和多重分布来确定异常，在复杂的场景中，可能无法完全捕捉和区分各种异常类型。

技术实现思路

1、为了解决现有技术所存在的上述问题，本技术提供了一种综合异常现象自动捕捉与分析方法。

2、本技术的技术方案如下：

3、一种综合异常现象自动捕捉与分析方法，所述方法包括：

4、选择监控设备对试验过程中的试验设备进行实时监测，获得监控设备实时数据，对所述监控设备实时数据进行数据预处理，其中，所述监控设备实时数据包括图像数据、声波数据、运动数据以及电参数和温度数据；

5、根据数据预处理后的声波数据进行声波异常检测，若声波异常，则对数据预处理后的图像数据进行背景建模并提取前景，利用所述前景进行特征提取，并根据提取的特征进行异常识别，并记录存在异常时的声波数据和图像数据；

6、根据数据预处理后的运动数据进行异常运动检测，根据数据预处理后的电参数和温度数据对异常参数进行捕捉，并记录存在异常时的运动数据、电参数和温度数据；

7、根据存在异常时的声波数据、图像数据、运动数据、电参数和温度数据判断存在的异常是否具有规律性，生成对应的分析评估。

8、优选的，根据数据预处理后的声波数据进行声波异常检测具体为：

9、利用傅里叶变换将数据预处理后的声波数据转换到频域，并在频域信号中提取频率成分和幅值作为声波的特性参数；

10、计算提取的声波特性参数与试验设备正常工作状态下的声波特性参数之间的欧氏距离并进行比较；预设声波阈值，当计算出的欧氏距离超过声波阈值时，判定为异常声波。

11、优选的，对数据预处理后的图像数据进行背景建模具体为：

12、对数据预处理后的图像数据进行灰度化处理，获得图像的灰度值，利用所述图像的灰度值初始化背景模型，以公式表达为：

13、；

14、式中，是第i个像素点在第一张图像的灰度值，作为背景模型的初始值，所述第一张图像源于图像数据序列；

15、根据图像的灰度值计算动态学习率，以公式表达为：

16、；

17、式中，为第i个像素点在时间的动态学习率；为基础学习率；为调节参数；为第i个像素点在时间的图像的灰度值；为第i个像素点在时间的图像的灰度值；

18、分别计算第i个像素点在图像窗口内的平均灰度值和中值灰度值，以公式表达为：

19、；

20、；

21、式中，是图像序列中图像的图像窗口内的第i个像素点的平均灰度值；是图像序列中图像的图像窗口内的第i个像素点的中值灰度值；

22、建立高斯混合模型来表示第i个像素点的灰度值的概率分布，以公式表达为：

23、；

24、式中，是第i个像素点的灰度值的概率分布；是高斯分量的数量；是第个高斯分量的权重、均值和方差。

25、优选的，提取前景具体为：

26、结合动态学习率、均值、中值和高斯混合模型，综合更新图像数据中每个像素点的背景模型，以公式表达为：

27、；

28、式中，是权重系数；

29、对图像序列中每一张图像，将像素点的灰度值与综合更新后的背景模型进行比较，若差值大于阈值，则判定为前景，以公式表达为：

30、；

31、式中，为在时间时第i个像素点是否为前景的二值表示，1表示是前景，0表示是背景；

32、重复执行计算动态学习率、均值和中值背景建模、高斯混合模型建模、综合更新背景模型和提取前景的步骤，实时更新背景模型并提取前景。

33、优选的，利用所述前景进行特征提取具体为对提取的前景图像进行特征分割，包括对前景图像进行二值化处理后对前景图像连通区域进行标记，并利用多层次网络结构对已标记的连通区域进行微观层次和宏观层次的特征提取，其中，所述微观层次特征包括局部密度和局部异质性，所述宏观层次特征包括区域对比度和区域均匀性，将微观层次和宏观层次的特征组合成综合特征向量。

34、优选的，根据提取的特征进行异常识别具体为：

35、利用余弦相似度计算综合特征向量和异常现象特征向量的相似度，如果相似度超过预设阈值，则标记综合特征向量对应图像区域存在异常现象，并构建异常现象图像数据集，完成初步筛选；

36、利用阈值分割和形态学操作对异常现象图像数据集进行定位标记，对每个定位标记的目标区域提取图像特征，构建异常特征库，将所述图像特征和异常特征库进行特征匹配确认目标区域是否存在对应的异常现象。

37、优选的，所述特征匹配具体为：

38、利用巴氏距离计算图像特征与异常特征库的颜色直方图的相似度，并比较颜色矩的差异；

39、利用差值法计算图像特征与异常特征库中异常发生时的频率差异；

40、应用动态时间规整算法计算图像特征与异常特征库中异常时变特性的相似度；

41、定义权重因子，满足；

42、利用颜色直方图的相似度、频率差异和时变特性的相似度计算综合相似度，以公式表达为：

43、；

44、式中，为综合相似度，分别为颜色、频率和时变特性的权重；

45、预设图像相似阈值，如果，则判定为存在对应的异常现象；

46、通过图像特征与异常特征库的匹配，确认目标区域是否存在异常现象。

47、优选的，根据数据预处理后的运动数据进行异常运动检测具体为：

48、根据试验设备正常运动的三维空间定位历史数据，建立异常运动检测模型，基于正常运动数据的统计特性，计算正常运动范围，并设定正常运动范围的阈值；

49、根据试验设备正常运动数据和异常运动数据的历史数据以及设定的正常运动范围阈值，利用支持向量机算法，训练异常运动检测模型，获得训练完成的异常运动检测模型；

50、将数据预处理后的实时运动数据输入到训练完成的异常运动检测模型中，当异常运动检测模型判断试验设备运动数据超出正常范围，则试验设备出现异常运动。

51、优选的，根据数据预处理后的电参数和温度数据对异常参数进行捕捉具体为：

52、设定电流、电压和温度的初始阈值；

53、初始化异常指数，以公式表达为：

54、；

55、获取数据预处理后的电能参数数据和温度数据，包括电流、电压和温度；

56、计算电流、电压和温度的实时偏差、、，以公式表达为：

57、；

58、；

59、；

60、式中，、、分别代表电流、电压和温度与对应阈值的偏差；

61、计算偏差的平方和以及各参数的变化率，以公式表达为：

62、

63、

64、

65、

66、式中，是偏差的平方和；、、分别代表电流、电压和温度的变化率；

67、计算电流、电压和温度之间的相关性系数，以公式表达为：

68、；

69、；

70、；

71、式中，、、分别代表电流与电压、电流与温度、电压与温度之间的相关性系数；

72、利用傅里叶变换以及能量谱密度计算获得电流、电压和温度的频域特性；

73、基于偏差、变化率、相关性系数和频域特性，计算异常指数，以公式表达为：

74、；

75、式中，为权重系数；是异常指数；

76、如果异常指数超过根据经验法预设的警戒值，则判定对应的电能参数数据和温度数据为异常参数。

77、优选的，根据存在异常时的声波数据、图像数据、运动数据、电参数和温度数据判断存在的异常是否具有规律性，生成对应的分析评估报告具体为：

78、通过存在异常时的声波数据、图像数据、运动数据、电参数和温度数据的时间间隔和持续时间确定是否存在特定时间段或时间间隔内的异常集中；

79、通过存在异常时的图像数据中的像素或存在异常时的声波数据对应的传感器的位置，分析异常数据在空间上的分布，确定是否存在特定区域或位置的异常集聚；

80、通过存在异常时的运动数据、电参数和温度数据，分析对应的变化趋势，存在的异常时的运动数据、电参数和温度数据是否呈现逐渐增加或减少的趋势，或者是否存在周期性的波动；

81、根据对应的时间、空间和变化趋势的分析，生成相应的分析评估报告。

82、与现有技术相比，本发明的有益效果是：

83、1）本发明提供了一种综合异常现象自动捕捉与分析方法，在图像数据的背景建模过程中，使用动态学习率、均值、中值和高斯混合模型综合更新背景模型，通过动态学习率的引入，算法能够自适应地调整背景模型的更新速度，从而更好地适应环境光照变化和动态背景变化，通过综合多种背景建模方法，并结合动态权重系数，本发明能够在各种场景下都实现准确的背景建模和前景提取；

84、2）本发明提供了一种综合异常现象自动捕捉与分析方法，通过对前景进行特征分割和多层次网络结构特征提取，实现了对图像内部细微结构和大范围结构的全面描述，采用多种特征提取方法，如局部密度、局部异质性、区域对比度和区域均匀性等，能够准确地揭示图像内部的结构和变化，提高特征的描述准确性；

85、3）本发明提供了一种综合异常现象自动捕捉与分析方法，异常识别部分通过计算特征向量与异常现象特征向量的余弦相似度，将相似度超过阈值的图像区域标记为可能存在异常现象，进一步通过匹配特征库来准确判断异常现象；

86、本发明提供了一种综合异常现象自动捕捉与分析方法，通过三维空间位置数据进行异常运动检测，通过建立模型进行实时分析运动数据，以检测设备的异常；利用电参数和温度数据的分析，引入实时异常指数分析算法计算设备的异常指数，实现了对设备异常参数的实时捕捉与分析，评估设备的工作状态，发现潜在异常问题，提高了方法的响应速度和实时性。