公开(公告)号：CN106447039A

公开(公告)日：2017-02-22

申请号：CN201610855703.1

申请日：2016-09-28

Applicant: 西安交通大学

Inventor： 刘弹 ,  王芹 ,  陶姣姣 ,  梁霖 ,  杨天社 ,  赵静 ,  王徐华 ,  徐光华

IPC: G06N3/08 ,  G06N3/06

CPC classification number: G06N3/088 ,  G06N3/061

Abstract: 基于自编码神经网络的无监督特征提取方法，先进行训练数据矩阵的构建，然后把训练数据矩阵的各个分量值归一化到[0,1]之间，再进行参数学习，得到自编码神经网络模型，然后计算隐藏层的输出，获取特征，最后按照“对折取值”法确定最佳隐藏层神经元的个数，最终确定自编码神经网络的结构，在网络的训练学习中，自编码神经网络规定网络的期望输出等于网络的输入，这样的学习目标使得自编码神经网络的训练过程中不需要训练数据提供期望网络输出，本发明在缺乏先验知识的情形下，可以挖掘设备海量状态数据的内在规律并提取特征。

公开(公告)号：CN106384128A

公开(公告)日：2017-02-08

申请号：CN201610814387.3

申请日：2016-09-09

Applicant: 西安交通大学 ,  中国西安卫星测控中心

Inventor： 王文青 ,  王徐华 ,  杨天社 ,  鲍军鹏 ,  赵静 ,  李辉 ,  张海龙 ,  齐勇

IPC: G06K9/62

CPC classification number: G06K9/6218

Abstract: 一种挖掘时序数据状态关联的方法，首先对时序数据变量进行预处理，包括去野值、等间隔插值、归一化操作；然后对单个变量进行状态挖掘，用动态划分聚类方法对单个变量所有窗口的综合特征向量进行聚类，不同簇的窗口代表不同的状态，将所有簇按照大小排序，将每个窗口用其所在簇对应的字符表示，这样原始数值型数据被转化成字符串形式，即获取每个变量的状态字符串；再将所有变量的状态字符串对齐，获得多变量状态矩阵；利用Apriori算法挖掘不同变量状态之间的关联规则并给出形式化表达及其关联强度；最后进行关联规则约简以去除冗余信息；本发明具有抗噪音干扰能力，适合于对小参数集合细致地分析其状态取值关联性，挖掘出状态值映射关系。

公开(公告)号：CN106649050B

公开(公告)日：2019-03-12

申请号：CN201610814544.0

申请日：2016-09-09

Applicant: 西安交通大学 ,  中国西安卫星测控中心

Inventor： 鲍军鹏 ,  樊恒海 ,  刘军 ,  杨天社 ,  魏强 ,  王徐华 ,  赵静 ,  刘健 ,  齐勇

IPC: G06F11/32 ,  G06F11/30 ,  G06K9/62

Abstract: 本发明提供了一种时序系统多参数运行态势图形表示方法，本方法通过对多参数历史数据分别进行机器学习，提取特征、聚类、生成特征字符并将特征信息记录到参数信息库，然后对实时数据在同一时间段内所有参数的特征字符进行统计，最后根据同一时间段内所有参数特征字符的概率分布以图形方式表达出该时间段内时序系统的运行态势；本方法包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块；本方法以图形方式直观地把时序系统运行态势表达出来，并能够实时持续更新，用户能够直截了当观察到系统运行正常，还是出现了重大异常情况，以及系统运行态势的发展变化趋势。

公开(公告)号：CN106649050A

公开(公告)日：2017-05-10

申请号：CN201610814544.0

申请日：2016-09-09

Applicant: 西安交通大学 ,  中国西安卫星测控中心

Inventor： 鲍军鹏 ,  樊恒海 ,  刘军 ,  杨天社 ,  魏强 ,  王徐华 ,  赵静 ,  刘健 ,  齐勇

IPC: G06F11/32 ,  G06F11/30 ,  G06K9/62

CPC classification number: G06F11/323 ,  G06F11/3072 ,  G06F11/322 ,  G06K9/6223 ,  G06K9/6298

Abstract: 本发明提供了一种时序系统多参数运行态势图形表示方法，本方法通过对多参数历史数据分别进行机器学习，提取特征、聚类、生成特征字符并将特征信息记录到参数信息库，然后对实时数据在同一时间段内所有参数的特征字符进行统计，最后根据同一时间段内所有参数特征字符的概率分布以图形方式表达出该时间段内时序系统的运行态势；本方法包括数据预处理模块、聚类学习特征字符模块、特征统计模块、图形表示模块；本方法以图形方式直观地把时序系统运行态势表达出来，并能够实时持续更新，用户能够直截了当观察到系统运行正常，还是出现了重大异常情况，以及系统运行态势的发展变化趋势。

公开(公告)号：CN106649438A

公开(公告)日：2017-05-10

申请号：CN201610814543.6

申请日：2016-09-09

Applicant: 西安交通大学 ,  中国西安卫星测控中心

Inventor： 鲍军鹏 ,  赵静 ,  杨天社 ,  魏强 ,  王徐华 ,  吴冠 ,  王小乐 ,  齐勇

IPC: G06F17/30 ,  G06K9/62 ,  G06N5/02

CPC classification number: G06F17/30424 ,  G06K9/6223 ,  G06N5/022

Abstract: 本发明提供了一种时序数据非预期故障检测方法，本方法通过已知数据对参数呈现的不同态势进行学习，建立起参数信息库和事件特征库；然后，分析出不同样本的组合特征与时序系统故障状况的关系；该方法包括数据预处理模块、TK‑Means聚类模块、特征库生成模块、检测判定模块；该方法将各参数值进行多特征提取、聚类等数据挖掘操作后，把各个参数在同一时间上的特征字符组合起来建立起事件特征库；当在实时数据中观测到事件特征库中没有出现过的特征组合时，即判定为发生了非预期事件，非预期事件就是潜在的非预期故障。