(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211237929.7 (22)申请日 2022.10.10 (71)申请人 苏州德姆斯信息技 术有限公司 地址 215000 江苏省苏州市工业园区星湖 街328号创意产业园1 1-802 (72)发明人 邓刚　张玉斌　 (74)专利代理 机构 苏州创元专利商标事务所有 限公司 3210 3 专利代理师 吴芳 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/2458(2019.01) G06Q 10/06(2012.01) (54)发明名称 时序数据趋势告警方法、 系统及趋势告警模 型训练方法 (57)摘要 本发明公开了一种时序数据趋势告警方法、 系统及趋势告警模型训练方法， 其中， 训练方法 包括： 准备样本源数据， 包括监测值及对应的时 间戳； 以第一时间间隔为窗口宽度切割样本源数 据， 得到多个原始样本； 对每一个原始样本进行 以第二时间间隔为组距的分组处理， 得到中间样 本； 为每个中间样本标注多个标签， 得到训练样 本； 利用完成标签标注的训练样 本对基于卷积神 经网络的基础模型进行训练， 直至模型收敛， 得 到趋势告警模 型。 本发明采用多标签学习的方式 训练得到的工业时序数据趋势告警方法及系统 能更多地提取由趋势产生的特征， 进而提高模型 的泛化性和告警准确率。 权利要求书3页 说明书10页 附图3页 CN 115545109 A 2022.12.30 CN 115545109 A 1.一种工业时序数据趋势告警模型的多标签学习训练方法， 其特征在于， 包括以下步 骤： 准备样本源数据， 包括获取各类工业时序数据， 每一类工业时序数据包括监测值及对 应的时间戳； 以第一时间间隔为窗口宽度步进切割所述样本源数据， 以所述第 一时间间隔内的数据 作为原始样本； 对每一个原始样本进行以第 二时间间隔为组距的分组处理， 得到N个分组单元， 根据 所 述N个分组单 元得到中间样本， 其中， N 为大于20 0的正整数； 为每个中间样本标注多个标签， 得到训练样本， 所述标签类型包括趋势是否告警、 是否 有上升趋势、 是否有下降趋势、 是否缓慢上升或下降、 是否突然上升或下降、 是否阶段性上 升或下降中的多种； 利用完成标签标注的训练样本对基于卷积神经网络的基础模型进行训练， 直至模型收 敛， 得到趋势告警模型。 2.根据权利要求1所述的工业时序数据趋势告警模型的多标签学习训练方法， 其特征 在于， 所述分组 处理包括以下步骤： 按照一原始样本内的时间戳， 以第 二时间间隔为 窗口宽度对该原始样本内的监测值进 行分组， 得到N个分组单 元； 按照预设的规则确定每 个分组单 元内的第一 监测代表值和第二 监测代表值； 将各个分组单元的第一监测代表值按照 时序排列， 得到所述中间样本的第一行数据， 将各个分组单 元的第二 监测代表值按照时序排列， 得到所述中间样本的第二行 数据。 3.根据权利要求2所述的工业时序数据趋势告警模型的多标签学习训练方法， 其特征 在于， 还包括对分组处理得到的中间样本进行标准化处理， 包括对所述中间样本的第一行 数据和第二行 数据进行归一 化处理， 以避免数据值的量纲或数量级出现差异。 4.根据权利要求2所述的工业时序数据趋势告警模型的多标签学习训练方法， 其特征 在于， 用于确定所述第一 监测代表值和第二 监测代表值的规则包括以下规则中的任一条： 对同一分组单元内的监测值进行大小排序， 取第 i个监测值作为第一监测代表值， 取倒 数第j个监测值作为第二 监测代表值， 其中， 1≤i≤8， 1≤j≤8； 或者， 对同一分组单元内的监测值进行大小排序， 取前i个监测值中的部分或全部的平均值 作为第一监测代表 值， 取倒数j 个监测值中的部分或全部的平均值作为第二监测代表值， 其 中， 1≤i≤8， 1≤j≤8； 或者， 对同一分组单元内的监测值进行大小排序， 若分组单元内监测值的数量达到20个， 取 第i个监测值作为第一监测代表值， 取倒数第j个监测值作为第二监测代表值， 其中， i、 j为 正整数， n为该分组单 元内监测值的数量， 或者， 对同一分组单元内的监测值进行大小排序， 若分组单元内监测值的数量达到20个， 取 前i个监测值中的部 分或全部的平均值作为第一监测代表值， 取倒数j 个监测值中的部 分或 全部的平均值作为第二监测代表值， 其中， i、 j为正整数， n为该分组单 元内监测值的数量； 或者， 若同一分组单元内的监测值的数量为一个， 则该监测值同时为所述第 一监测代表值和权　利　要　求　书 1/3 页 2 CN 115545109 A 2第二监测代表值； 或者， 若同一分组单元内的监测值的数量为零， 则所述第 一监测代表值和第 二监测代表值均 赋值为0。 5.根据权利要求1所述的工业时序数据趋势告警模型的多标签学习训练方法， 其特征 在于， 为每个标签类型预设一个阈值， 以作为判断该标签类型对应的输出结果是否为阳性 的临界值； 和/或， 使用K折交叉验证确定训练集和测试集， 以训练所述基础 模型并验证得到 所述趋势告警模型。 6.根据权利要求1所述的工业时序数据趋势告警模型的多标签学习训练方法， 其特征 在于， 所述基于卷积神经网络的基础模型的输入层为卷积层， 其接收尺寸为(N,2,1)； 所述 基础模型的中间层包括卷积层、 池化层、 Dropout层、 Dense层， 所述基础模型的输出层为 Dense层， 其配置有与所述标签类型一一对应的输出节点， 所述输出层采用Sigmoid或 Softmax为激活函数； 所述基础模型采用交叉熵损失函数对梯度进行反向传播。 7.根据权利要求6所述的工业时序数据趋势告警模型的多标签学习训练方法， 其特征 在于， 所述基础 模型的第一层为卷积层， 并采用relu为激活函数； 所述基础模型的第二层为 池化层； 所述基础 模型的第三层为卷积层， 并采用relu为激活函数； 所述基础模型的第四层 为池化层； 所述基础模型的第五层为Dropout层； 所述基础模型的第六层为卷积层， 并采用 relu为激活函数； 所述基础模 型的第七层为卷积层， 并采用relu为激活函数； 所述基础 模型 的第八层为池化层； 所述基础模型的第九层为Dropout层； 所述基础模型的第十层为 Flatten层； 所述基础模 型的第十一层为Dense层， 并采用relu为激活函数； 所述基础模 型的 第十二层为Dropout层； 所述基础模型的第十三层为Dense层， 并采用Softmax为激活函数。 8.一种工业时序数据趋势告警方法， 用于对目标时序数据系统进行数据趋势检测， 其 特征在于， 所述趋势告警方法包括以下步骤： 将预先采用多标签学习的方式完成训练的趋势告警模型接入目标时序数据系统； 响应于触发信号， 所述目标时序数据系统获取过去一定时间间隔内的历史时序数据， 所述时序数据包括 监测值及对应的时间戳； 对所述历史时序数据进行 预处理， 得到待检测样本； 将所述待检测样本输入所述趋势告警模型， 得到多个元素的输出值， 所述多个元素与 多标签学习的标签 类型相对应； 根据所述多标签学习的标签 类型， 分析多个元 素的输出值， 得到 趋势预测结果； 其中， 所述趋势告警模型利用如权利要求1至7中任一项所述的多标签学习训练方法完 成训练。 9.根据权利要求1所述的工业 时序数据趋势告警方法， 其特征在于， 所述多标签学习训 练方法中为每个中间样本标注六个标签， 其中， 第一标签为趋势是否告警， 第二标签为是否 有上升趋势， 第三标签为是否有 下降趋势， 第四标签为是否缓慢上升或下降， 第五标签为是 否突然上升或下降， 第六 标签为是否阶段性上升或下降； 根据得到的与六个标签一一对应的元素输出值， 判断各个标签是否为阳性， 并通过以 下分析方法得到所述趋势预测结果： 若所述第 一标签为阳性， 且所述第 二标签和第 三标签不冲突， 则 输出告警信号； 若所述 第四标签、 第五标签和第六标签中存在唯一的阳性标签， 则结合该唯一的阳性标签， 输出告权　利　要　求　书 2/3 页 3 CN 115545109 A 3