一种变长多变量时间序列聚类方法、设备及介质
本发明涉及工业装备状态监测与多源传感器信号处理,具体是涉及到一种变长多变量时间序列聚类方法、设备及介质。
背景技术:
1、随着工业装备运行监测和设备状态分析技术的发展,工业机器人、数控机床、发电机组等工业装备在运行过程中通常设置有多个传感器,以采集振动、温度、电流、压力、转速、声发射、切削力、扭矩或位移等物理信号。由于工业装备在运行过程中存在不同的运行周期、操作事件、加工阶段、启停过程或负载变化过程,不同运行过程对应的持续时间通常并不一致,因此,将多个传感器同步采集的信号按照相应运行过程进行切分后,会形成长度不一致的多变量时间序列。
2、在工业装备的实际运行过程中,不同传感器所采集的信号之间还存在耦合关系。例如,工业机器人执行抓取、搬运或放置动作时,其关节电流、末端力、振动、位置或速度等信号会随执行过程发生变化;数控机床运行时,主轴电流、振动、声发射、转速以及切削力等信号会随加工过程发生变化。由此形成的多变量时间序列不仅具有长度不一致的特点,而且不同变量维度之间存在关联。对于此类变长多变量时间序列,采用单一传感器通道或者单一阈值进行分析,难以充分表征工业装备在不同运行过程中的状态差异。
3、针对不同长度的时间序列,现有技术中可通过零填充、线性插值等方式将不同长度的时间序列转换为相同长度,再对转换后的时间序列进行特征提取或聚类处理。然而,由于填充值或者插值数据并非传感器实际采集得到的原始物理信号,上述处理可能改变原始时间序列的数据分布,并可能在时间序列中引入偏差或者无效数据,进而影响后续对原始传感器动态变化的表征。
4、对于变长时间序列之间的相似性分析,现有技术还包括基于距离的方法,例如动态时间规整(dtw)、其可微变体以及shape-based distance(sbd)等。该类方法通常通过弹性距离或者形状距离衡量不同时间序列之间的相似程度。但在多源传感器场景下,当时间序列的长度和变量维度增加时,需要对大量时间序列进行距离计算,计算过程较为复杂;同时,该类方法容易受到信号噪声影响,并且基于完整时间序列获得的距离结果难以直接对应到具体的传感器通道以及时间序列中的局部动态片段。
5、现有技术还可以采用基于模型的方法或者基于特征的方法对变长多变量时间序列进行表示。基于模型的方法例如采用自编码器、循环神经网络等模型学习时间序列的潜在表示;但是,该类模型获得的潜在特征通常难以与工业装备中具体的传感器通道以及具体运行阶段建立直接对应关系。基于特征的方法则可采用符号聚合近似(sax)、主成分分析(pca)等方式对时间序列进行降维,从而将不同长度的时间序列转换至统一特征空间。但是,对完整时间序列进行全局特征提取时,可能丢失局部冲击、平台变化、漂移或者周期异常等局部动态信息。
6、为表征时间序列中的局部动态特征,现有技术还提出了基于shapelet的时间序列处理方法。shapelet可以表示时间序列中具有区分性的局部子序列,在工业装备传感器信号中可以对应于抓取冲击、主轴振动突变、声发射峰值或者温度漂移等局部信号变化。相对于完整时间序列的全局特征,shapelet能够从局部时间区域描述多变量时间序列的形态变化。
7、但是,在缺少已知状态标签的情况下,如何从大量局部子序列中确定适用于聚类的shapelet仍存在困难。现有shapelet聚类方法可以根据簇间距离选择shapelet,也可以采用伪标签或自监督学习方式对shapelet进行处理。当多变量时间序列的持续时间较长时,各时间序列能够产生数量较多的局部子序列,使候选shapelet的数量相应增加,因此需要从大量候选局部子序列中进一步筛选用于表征时间序列的shapelet。虽然现有技术可以采用随机采样或者候选剪枝等方式减少候选数量,但shapelet的选取过程与最终聚类结构之间仍需要建立相应的评价关系。
8、在获得时间序列的特征表示后,现有技术通常进一步采用dbscan、模糊聚类等聚类算法对时间序列进行划分,还可以将时间序列转换为复杂网络中的节点,并依据时间序列之间的距离建立节点之间的连接,再通过网络结构确定相应的时间序列簇。对于工业装备的多源传感器数据而言,复杂网络中的节点可以对应于不同的运行周期、操作事件或加工阶段所形成的时间序列片段,网络中的不同社区则可以对应不同的运行状态类别。
9、但是,现有网络聚类方法通常针对完整时间序列之间的距离建立网络连接,网络结构容易受到所采用距离函数的影响,并且在构建网络时未充分结合时间序列内部的局部动态特征。另一方面,若预先确定用于表示时间序列的局部特征,再直接基于固定局部特征进行聚类,则局部特征的选取过程与后续聚类形成的整体网络结构相互独立,使得用于表示时间序列的局部特征难以根据聚类过程中形成的全局关系结构进行调整。
技术实现思路
1、本发明提供了一种变长多变量时间序列聚类方法、设备及介质,其目的是解决现有技术难以兼顾变长多变量时间序列的统一特征表示、局部动态特征提取以及局部特征与全局聚类结构协同优化的问题。
2、为实现上述目的,本发明第一方面提供了一种变长多变量时间序列聚类方法,包括如下步骤:
3、采集工业装备运行过程中多个传感器产生的物理信号,获得多源传感器信号序列;
4、按照所述工业装备的运行过程对所述多源传感器信号序列进行切分,获得变长多变量时间序列集合;
5、从所述变长多变量时间序列集合中提取记录有来源传感器通道的初始shapelet组;
6、基于所述初始shapelet组将所述变长多变量时间序列集合转换为特征向量集合;
7、基于所述特征向量集合构建自然邻居图;
8、对所述自然邻居图进行社区检测,获得聚类社区以及与所述聚类社区对应的模块度;
9、基于所述模块度对所述初始shapelet组进行遗传进化优化,获得优化shapelet组;
10、基于所述优化shapelet组对所述变长多变量时间序列集合进行聚类,获得时间序列聚类结果;
11、根据所述时间序列聚类结果确定所述工业装备对应运行片段的运行状态类别。
12、进一步的,按照所述工业装备的运行过程对所述多源传感器信号序列进行切分,获得变长多变量时间序列集合的方法包括:
13、根据所述工业装备的运行周期、操作事件、加工阶段、启停过程或负载变化确定所述多源传感器信号序列的切分位置;
14、按照所述切分位置对所述多源传感器信号序列进行切分,获得多个运行片段;
15、将各所述运行片段中多个传感器通道对应的信号序列确定为多变量时间序列,获得所述变长多变量时间序列集合。
16、进一步的,从所述变长多变量时间序列集合中提取记录有来源传感器通道的初始shapelet组的方法包括:
17、按照预设采样率从所述变长多变量时间序列集合中采样多个多变量时间序列;
18、在各所述多变量时间序列的各变量维度上确定局部最远偏差点;
19、统计各时间点在全部所述变量维度上对应的局部最远偏差点数量;
20、根据所述局部最远偏差点数量对各所述时间点进行筛选,获得候选关键点;
21、根据相邻所述候选关键点之间的时间步距离对所述候选关键点进行筛选,获得关键点;
22、以各所述关键点分别作为起点、中点和终点对对应的多变量时间序列进行分割,获得具有预设shapelet长度的多变量子序列;
23、对所述多变量子序列进行聚类,获得候选shapelet集合;
24、根据所述候选shapelet集合中候选shapelet之间的差异确定多个shapelet组;
25、将多个所述shapelet组确定为所述初始shapelet组,并记录各shapelet对应的来源传感器通道。
26、进一步的,基于所述初始shapelet组将所述变长多变量时间序列集合转换为特征向量集合的方法包括:
27、从所述初始shapelet组中确定多个shapelet;
28、在所述变长多变量时间序列中的各多变量时间序列上滑动各所述shapelet,获得与各所述shapelet对应的多个滑动窗口;
29、计算各所述shapelet与对应的多个所述滑动窗口之间的欧氏距离;
30、从多个所述欧氏距离中确定最小欧氏距离,获得所述多变量时间序列与对应shapelet之间的shapelet距离;
31、按照所述初始shapelet组中的多个shapelet排列对应的多个所述shapelet距离,获得所述多变量时间序列对应的特征向量;
32、汇集所述变长多变量时间序列集合中各多变量时间序列对应的所述特征向量,获得所述特征向量集合。
33、进一步的,基于所述特征向量集合构建自然邻居图的方法包括:
34、将所述特征向量集合中的各特征向量确定为节点;
35、计算各所述节点之间的欧氏距离;
36、根据各所述节点之间的欧氏距离迭代确定各节点对应的近邻节点;
37、根据各所述节点对应的近邻节点确定邻域参数;
38、根据所述邻域参数确定各所述节点对应的自然邻居集合;
39、根据各所述节点对应的自然邻居集合建立节点之间的边,获得所述自然邻居图。
40、进一步的,对所述自然邻居图进行社区检测,获得聚类社区以及与所述聚类社区对应的模块度的方法包括:
41、将所述自然邻居图中的各节点分别初始化为一个社区;
42、根据节点移动至相邻社区产生的模块度增量移动各所述节点,获得第一社区划分结果;
43、将所述第一社区划分结果中的各社区分别聚合为新的节点,获得聚合网络;
44、对所述聚合网络重复执行节点移动和社区聚合,获得第二社区划分结果;
45、在所述第二社区划分结果对应的模块度停止增加时确定聚类社区;
46、根据所述聚类社区中节点之间的边以及各节点的度计算所述聚类社区对应的模块度。
47、进一步的,基于所述模块度对所述初始shapelet组进行遗传进化优化,获得优化shapelet组的方法包括:
48、将多个所述初始shapelet组分别确定为染色体个体,获得初始种群;
49、将各所述初始shapelet组对应的模块度确定为对应染色体个体的适应度;
50、根据所述适应度从所述初始种群中选择多个父代染色体个体;
51、对多个所述父代染色体个体中的shapelet执行交叉操作,获得子代染色体个体;
52、对所述子代染色体个体中的shapelet执行变异操作,获得变异染色体个体;
53、基于所述变异染色体个体重新构建自然邻居图并进行社区检测,获得所述变异染色体个体对应的模块度;
54、根据所述变异染色体个体对应的模块度对所述变异染色体个体和所述父代染色体个体进行筛选,获得更新种群;
55、对所述更新种群重复执行选择、交叉、变异和筛选,获得最终种群;
56、从所述最终种群中确定模块度最大的shapelet组,获得所述优化shapelet组。
57、进一步的,基于所述优化shapelet组对所述变长多变量时间序列集合进行聚类,获得时间序列聚类结果,并根据所述时间序列聚类结果确定所述工业装备对应运行片段的运行状态类别的方法包括:
58、基于所述优化shapelet组将所述变长多变量时间序列集合转换为优化特征向量集合;
59、基于所述优化特征向量集合构建优化自然邻居图;
60、对所述优化自然邻居图进行社区检测,获得最终聚类社区;
61、根据所述最终聚类社区确定所述变长多变量时间序列集合对应的时间序列聚类结果;
62、根据所述时间序列聚类结果将属于同一所述最终聚类社区的运行片段确定为同一运行状态类别。
63、为实现上述目的,本发明第二方面提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行所述变长多变量时间序列聚类方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
64、为实现上述目的,本发明第三方面提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行所述变长多变量时间序列聚类方法的步骤。
65、本发明的有益效果:
66、与现有技术相比,本发明提供的一种变长多变量时间序列聚类方法、设备及介质,通过从工业装备多源传感器形成的变长多变量时间序列中提取局部shapelet,并利用shapelet与各时间序列滑动窗口之间的距离将不同长度的时间序列转换为统一维度的特征向量,无需通过填充或插值方式强制统一时间序列长度;进一步基于所述特征向量构建自然邻居图并进行社区检测,以获得反映时间序列整体关联结构的聚类社区,同时将社区划分对应的模块度作为适应度反馈至shapelet组的遗传进化过程,对用于表征局部动态特征的shapelet组进行迭代优化,使局部特征提取与全局聚类结构形成闭环关联,从而兼顾变长多变量时间序列的统一特征表示、局部动态特征提取和聚类结构优化,并且通过保留shapelet对应的传感器通道和时间位置,使聚类结果能够与工业装备的具体运行片段及其局部传感器动态相对应。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com