【技術實現步驟摘要】
本專利技術涉及故障定位，特別是一種dcs系統內部故障定位方法及系統。
技術介紹
1、通過聚類算法實現故障定位的技術手段在工業領域已較為常見，但聚類算法各有特點，且各個領域的數據特點不一樣，應根據各自領域的數據特點選擇適合的聚類算法。常見的聚類算法包括k-means、dbscan、層次聚類等，每種算法都有其優缺點。如對異常數據敏感、難以處理高維度數據、難以處理大批量數據等，因此要采用一些技術手段來彌補這些缺點。例如對異常數據敏感，可以通過異常檢測算法先剔除異常數據，再進行聚類；對于高維數據，可以使用降維技術如pca、t-sne等，降低數據維度；對于大批量數據，可以采用分布式計算技術，提高處理效率。
2、而現有故障定位方法中大多未考慮到聚類算法在應用中的不足，可能導致故障定位不準確，造成無法預料的后果。因此，在設計和實施故障定位系統時，除了選擇適合的數據特征和聚類算法外，還需針對具體應用場景，對算法進行調優和改進，確保系統的準確性和可靠性。
3、本專利技術公開了一種dcs系統內部故障定位方法及系統，解決的技術問題如下：首先，通過結合lof和ocsvm兩種異常檢測算法剔除dcs系統中事件數據中的異常數據，以此彌補k-means算法對異常數據敏感的不足；其次，利用k-means算法結合輪廓系數達到dcs事件數據上的最佳聚類；再次，將每一個簇中的事件數據按時間順序排列，得到連續的事件集合；最后，根據排序好的事件數據，排查dcs系統中的故障。與現有技術相比，本專利技術提出的dcs系統內部故障定位方法能夠提高故障檢測精
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術所要解決的問題是：如何解決現有故障定位方法中大多未考慮到聚類算法在應用中的不足的問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：一種dcs系統內部故障定位方法，包括，在dcs系統事件數據中，結合lof和ocsvm兩種異常數據檢測算法進行異常數據檢測，取lof算法檢測結果和ocsvm檢測結果的交集并從dcs系統事件數據庫中剔除；利用k-means算法結合輪廓系數對剩余的事件數據做聚類，多次計算不同聚類數k值下的輪廓系數，選擇輪廓系數最高的k值作為最佳聚類數；將聚類結束的k個簇中的事件數據按事件順序排列；根據k個排列好的事件集合，逐一排查故障。
4、作為本專利技術所述一種dcs系統內部故障定位方法的一種優選方案，其中：所述lof指的是局部離群因子算法，計算每個樣本的離散度，計算每個樣本與領域內樣本的離散度比值，如果大于給定閾值，則樣本被判定為異常數據，對lof進行五個定義，包括定義一、定義二、定義三、定義四及定義五；所述定義一包括獲得樣本點m的k距離dk(m)，在數據集d中，兩個樣本點m、n的距離為d(m,n)，如果滿足，在集合d中至少有不包含m在內的k個點n′∈s{x≠m}，滿足d(m,n′)≤d(m,n)，在集合d中最多有不包含m在內的k-1個點n′∈s{x≠m}，滿足d(m,n′)<d(m,n)，則dk(m)＝d(m,n)；所述定義二包括樣本點n到m的可達距離表示為：
5、distancek(m,n)＝max{distancek(m),d(m,n)}
6、
7、其中，distancek(m,n)為樣本點n到m的第k可達距離，distancek(m)為樣本點m的第k距離，st.為滿足條件，d(m,n)為樣本點n與m之間的距離，xm為樣本點m的橫坐標，xn為樣本點n的橫坐標，ym為樣本點m的縱坐標，yn為樣本點n的縱坐標；樣本點n到m的第k可達距離至少是樣本點m的第k距離，距離樣本點m最近的k個點到m的可達距離均為dk(m)；所述定義三包括樣本點m的k距離領域表示為：
8、nk(m)＝{q∈d\{m}∣d(m,q≤distancek(m))}
9、其中，nk(m)為樣本點m的k距離領域，q為數據集d中的除了樣本點m之外的任意一個樣本點，d(m,q≤distancek(m))為與樣本點m的距離小于等于樣本點m的第k距離的距離。
10、作為本專利技術所述一種dcs系統內部故障定位方法的一種優選方案，其中：所述定義四包括樣本點m的局部可達密度表示為：
11、
12、其中，lrdk(m)為樣本點m的局部可達密度，n為樣本點m的k距離領域中的樣本點；樣本點m的局部可達密度表示m的第k領域內所有樣本點到m的平均可達距離，若樣本點m周圍的樣本點分布稀疏，則m的k距離領域范圍大，對于樣本點m的k距離領域樣本點n，m在n的k距離領域內的概率小，distancek(m,n)＝d(m,n)的概率大，m的局部可達密度小，反之，若樣本點m周圍的樣本點分布密集，則m的局部可達密度大，局部可達密度解釋了樣本點的局部區域的密度；所述定義五包括局部離群因子表示為：
13、
14、其中，lofk(m)為樣本點m的局部離群因子，lrdk(n)為樣本點n的局部可達密度。
15、作為本專利技術所述一種dcs系統內部故障定位方法的一種優選方案，其中：所述ocsvm指的是單類支持向量機算法，進行特征映射，設輸入數據集為通過映射函數φ(x)將數據映射到高位特征空間rp；設立優化目標，ocsvm通過解決優化問題找到最優的超平面表示為：
16、
17、其中，w為特征空間中的權重向量，ξi為松弛變量，ρ為超平面的偏置，v∈(0，1]為一個參數，控制異常數據的比例，i為數據集中的樣本點數量，i為遍歷過程中從1到i的每一個數據點的索引；優化問題的約束條件表示為：
18、(w·φ(xi))≥ρ-ξi,ξ≥0,i＝1,2,...,i
19、其中，φ(xi)為將數據點xi映射到高維特征空間的映射函數；通過引入拉格朗日乘子，將優化問題轉換為對偶問題，表示為：
20、
21、
22、
23、其中，αi是拉格朗日乘子，j為與i不相同的數據點的索引，φ(xj)為將數據點xj映射到高維特征空間的映射函數；通過核函數，避免顯式計算高維特征映射，從而簡化計算表示為：
24、k(xi,xj)＝φ(xi)·φ(xj)
25、
26、
27、
28、其中，k(xi,xj)為核函數；優化問題求解后，得到拉格朗日乘子αi用于構建決策函數表示為：
29、
30、如果f(x)≥0，則x被判定為正常數據，否則，判定為異常數據；最終檢測到的異常數據的結果集為p，滿足p∈l且p∈o，其中l是lof算法的結果集，o是ocsvm算法的結果集。
31、作為本專利技術所述一種dcs系統內部故障定位方法的一種優選方案，其中：所述k-means算法包括選擇k值，確定要劃分的簇數k；隨機選擇k個數據點作為初始質心μ1,μ2,...,μk；將每個數據點xi分配到最近的本文檔來自技高網...
【技術保護點】
1.一種DCS系統內部故障定位方法，其特征在于：包括，
2.如權利要求1所述的一種DCS系統內部故障定位方法，其特征在于：所述LOF指的是局部離群因子算法，計算每個樣本的離散度，計算每個樣本與領域內樣本的離散度比值，如果大于給定閾值，則樣本被判定為異常數據，對LOF進行五個定義，包括定義一、定義二、定義三、定義四及定義五；
3.如權利要求2所述的一種DCS系統內部故障定位方法，其特征在于：所述定義四包括樣本點m的局部可達密度表示為，
4.如權利要求3所述的一種DCS系統內部故障定位方法，其特征在于：所述OCSVM指的是單類支持向量機算法，進行特征映射，設輸入數據集為通過映射函數φ(x)將數據映射到高位特征空間Rp；
5.如權利要求4所述的一種DCS系統內部故障定位方法，其特征在于：所述K-Means算法包括選擇K值，確定要劃分的簇數K；
6.如權利要求5所述的一種DCS系統內部故障定位方法，其特征在于：所述輪廓系數包括對于每個樣本點c，計算與簇內其他點的平均距離，得到a(c)；
7.如權利要求6所述的一種DC
8.一種采用如權利要求1～7任一所述的一種DCS系統內部故障定位方法的系統，其特征在于：包括，異常數據檢測模塊、聚類模塊、排序模塊及故障排查模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于：所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的一種DCS系統內部故障定位方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的一種DCS系統內部故障定位方法的步驟。
...【技術特征摘要】
1.一種dcs系統內部故障定位方法，其特征在于：包括，
2.如權利要求1所述的一種dcs系統內部故障定位方法，其特征在于：所述lof指的是局部離群因子算法，計算每個樣本的離散度，計算每個樣本與領域內樣本的離散度比值，如果大于給定閾值，則樣本被判定為異常數據，對lof進行五個定義，包括定義一、定義二、定義三、定義四及定義五；
3.如權利要求2所述的一種dcs系統內部故障定位方法，其特征在于：所述定義四包括樣本點m的局部可達密度表示為，
4.如權利要求3所述的一種dcs系統內部故障定位方法，其特征在于：所述ocsvm指的是單類支持向量機算法，進行特征映射，設輸入數據集為通過映射函數φ(x)將數據映射到高位特征空間rp；
5.如權利要求4所述的一種dcs系統內部故障定位方法，其特征在于：所述k-means算法包括選擇k值，確定要劃分的簇數k；
6.如權...
【專利技術屬性】
技術研發人員：楊鴻剛，董勝剛，王鵬，周建玉，榮杉山，李澤銘，張明惠，鹿海霞，紀政，谷偉，白忠賀，
申請(專利權)人：南京國電南自維美德自動化有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。