非线性波形信号的异常监测方法、装置、设备及存储介质

技术领域

本发明涉及信号处理与分析技术领域，尤其涉及一种非线性波形信号的异常监测方法、装置、设备及存储介质。

背景技术

随着传感器技术和计算机技术的发展，海量的数据被大量采集，包括振动、温度、压力、音频、心电图、脉搏、电磁波等非线性波形类信号，这些数据涉及工业生产、健康医疗、交通运输、农业生产、军事应用等国计民生的方方面面，包含有巨大的信息量。如雷达回波信号，不仅包含有目标的回波特征信息，还包括目标的结构、形状、微动等特征，并且根据回波信号可以推算出目标的速度、航迹等。传统的小波变换分析非线性信号时，往往会集中关注某一部分小波系数的变化，容易忽略了其他部分小波系数的变化，进而无法发现和识别非线性波形信号中的异常，这会导致非线性信号发生局部细微异常时难以有效监测。

发明内容

本发明的主要目的在于提供一种非线性波形信号的异常监测方法、装置、设备及存储介质，旨在解决现有技术中非线性信号发生局部细微异常时难以有效监测的技术问题。

为实现上述目的，本发明提供了一种非线性波形信号的异常监测方法，所述方法包括以下步骤：

获取目标非线性信号，并确定所述目标非线性信号的目标递归图；

根据所述目标递归图以及基准递归图，确定关联递归图；

确定所述关联递归图的目标统计特征量；

建立异常信号的检测控制图，并估算所述检测控制图的控制界限；

判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。

可选地，所述根据所述目标递归图以及基准递归图，确定关联递归图之前，还包括：

获取多个第一非线性信号，其中，所述第一非线性信号为无异常的非线性信号；

运用递归图法依次分析多个第一非线性信号，得到多个递归图；

根据所述多个递归图确定所述基准递归图。

可选地，所述确定所述关联递归图的目标统计特征量，包括：

确定所述关联递归图的第一预设阈值；

将所述关联递归图中元素值大于所述第一预设阈值的元素作为第一元素；

基于所述第一元素确定所述关联递归图的目标统计特征量。

可选地，所述确定所述关联递归图的目标统计特征量，包括：

确定所述关联递归图中各元素的第二预设阈值；

依次将所述关联递归图中各元素的元素值与各元素对应的第二预设阈值进行比较，得到比较结果；

将比较结果为元素值大于第二预设阈值的元素作为第二元素；

基于所述第二元素确定所述关联递归图的目标统计特征量。

可选地，所述建立异常信号的检测控制图，并估算所述检测控制图的控制界限，包括：

获取多个第二非线性信号，其中，所述第二非线性信号为无异常的非线性信号；

确定统计特征集合，并建立基于所述统计特征集合的检测控制图，其中，所述统计特征集合由多个第二非线性信号的统计特征量构成；

根据所述统计特征集合确定多个样本集，其中，各样本集的样本容量相同，各样本集的元素从所述统计特征集合中确定；

确定多个样本集的多个样本均值，并基于所述多个样本均值确定所述检测控制图的控制界限。

可选地，所述控制界限包括控制上限和控制下限；其中，

基于所述多个样本均值确定所述检测控制图的控制界限，包括：

选定显著性水平；

根据所述显著性水平以及所述多个样本均值确定所述控制上限以及所述控制下限。

可选地，所述判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，包括：

在判定所述目标统计特征量小于所述控制上限且大于所述控制下限时，得到所述判断结果为所述目标非线性信号为正常信号；

在判定所述目标统计特征量大于等于所述控制上限或者小于等于所述控制下限时，得到所述判断结果为所述目标非线性信号为异常信号。

此外，为实现上述目的，本发明还提出一种非线性波形信号的异常监测装置，所述非线性波形信号的异常监测装置包括：

获取模块，用于获取目标非线性信号，并确定所述目标非线性信号的目标递归图；

确定模块，用于根据所述目标递归图以及基准递归图，确定关联递归图；

所述确定模块，还用于确定所述关联递归图的目标统计特征量；

建立模块，用于建立异常信号的检测控制图，并估算所述检测控制图的控制界限；

判断模块，用于判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。

此外，为实现上述目的，本发明还提出一种非线性波形信号的异常监测设备，所述非线性波形信号的异常监测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的非线性波形信号的异常监测程序，所述非线性波形信号的异常监测程序配置为实现如上文所述的非线性波形信号的异常监测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有非线性波形信号的异常监测程序，所述非线性波形信号的异常监测程序被处理器执行时实现如上文所述的非线性波形信号的异常监测方法的步骤。

本发明提出的非线性波形信号的异常监测方法、装置、设备及存储介质，通过获取目标非线性信号，并确定所述目标非线性信号的目标递归图；根据所述目标递归图以及基准递归图，确定关联递归图；确定所述关联递归图的目标统计特征量；建立异常信号的检测控制图，并估算所述检测控制图的控制界限；判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。通过上述方式，能够利用非线性信号的空时关联特性，提取出非线性信号的递归特征，再通过对递归特征进行监测来确定目标非线性信号是否为异常信号，递归特征不仅能够可以很好的保留正常信号的特征信息，还增强了正常信号特征值与异常信号特征值的区别，进而提高了异常非线性信号的监测准确率，尤其提高了对非线性信号发生局部细微异常时检测效果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的非线性波形信号的异常监测设备的结构示意图；

图2为本发明非线性波形信号的异常监测方法第一实施例的流程示意图；

图3为本发明非线性波形信号的异常监测方法第一实施例中基于多个递归图生成基准递归图的示意图；

图4为本发明非线性波形信号的异常监测方法第一实施例中非线性信号与目标递归图的映射图；

图5为本发明非线性波形信号的异常监测方法第一实施例中异常非线性信号控制图检测结果；

图6为本发明非线性波形信号的异常监测方法第二实施例的流程示意图；

图7为本发明非线性波形信号的异常监测方法第二实施例中监测非线性信号的具体流程示意图；

图8为本发明非线性波形信号的异常监测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的非线性波形信号的异常监测设备结构示意图。

如图1所示，该非线性波形信号的异常监测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对非线性波形信号的异常监测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及非线性波形信号的异常监测程序。

在图1所示的非线性波形信号的异常监测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明非线性波形信号的异常监测设备中的处理器1001、存储器1005可以设置在非线性波形信号的异常监测设备中，所述非线性波形信号的异常监测设备通过处理器1001调用存储器1005中存储的非线性波形信号的异常监测程序，并执行本发明实施例提供的非线性波形信号的异常监测方法。

基于上述硬件结构，提出本发明非线性波形信号的异常监测方法实施例。

参照图2，图2为本发明一种非线性波形信号的异常监测方法第一实施例的流程示意图。

本实施例中，所述非线性波形信号的异常监测方法包括以下步骤：

步骤S10：获取目标非线性信号，并确定所述目标非线性信号的目标递归图。

需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如手机、平板电脑、个人电脑等，或者是一种能够实现上述功能的电子设备或非线性波形信号的异常监测设备。以下以所述非线性波形信号的异常监测设备为例，对本实施例及下述各实施例进行说明。

需要说明的是，目标非线性信号可以是振动、温度、压力、音频、心电图、脉搏、电磁波等非线性波形类信号中的其中一种；可以通过递归图法来确定目标非线性信号的目标递归图。

步骤S20：根据所述目标递归图以及基准递归图，确定关联递归图。

在具体实现中，可以通过递归图法来确定基准递归图，递归图法是一种很好的非线性信号分析方法，可以将一维的非线性信号转换成二维的矩阵数据，能够更好的提取信号的特征。

可以理解的是，关联递归图用于表示目标非线性信号与基准递归图之间的相关性。

在一实施例中，所述根据所述目标递归图以及基准递归图，确定关联递归图之前，还包括：

获取多个第一非线性信号，其中，所述第一非线性信号为无异常的非线性信号；

运用递归图法依次分析多个第一非线性信号，得到多个递归图；

根据所述多个递归图确定所述基准递归图。

需要说明的是，递归图法通过定义的递归图参数，将非线性信号转变到高维相空间，然后再得到一个二维的递归图矩阵，可以将这个二维的递归图矩阵当作一个二维图形，则可以得到一副含有非线性信号特征信息的图像，最后再通过对二维图像进行分析，提取出递归图的特征，能够更好地表征非线性信号的变化。

在具体实现中，如图3所示，左边的8个矩阵图即为分析第一非线性信号得到的递归图，右边的矩阵图即为根据多个递归图确定的基准递归图。

在具体实现中，基准递归图的定义方式如下：

假设{X

由于递归图对应的递归矩阵R

可以理解的是，在二维矩阵

(1)如果二维矩阵

(2)如果二维矩阵

在具体实现中，关联递归图也相当于关联递归图的矩阵，可以定义关联递归图为矩阵R

可以理解的是，根据基准递归图

(1)如果元素R

(2)如果元素R

在具体实现中，如图4所示，可以第一非线性信号映射至递归图中。

步骤S30：确定所述关联递归图的目标统计特征量。

在具体实现中，可以根据关联递归图的性质，利用“Top-r”方法，定义一个阈值T

式中，I(x)是指示函数，当x≥0时，I(x)＝1；当x＜0时，I(x)＝0。λ

可以理解的是，可以从关联递归图的性质推断出：目标统计特征量A

在一实施例中，所述确定所述关联递归图的目标统计特征量，包括：

确定所述关联递归图的第一预设阈值；

将所述关联递归图中元素值大于所述第一预设阈值的元素作为第一元素；

基于所述第一元素确定所述关联递归图的目标统计特征量。

可以理解的是，关联递归图中所有元素都需要跟第一预设阈值进行比较来筛选出关联递归图中的第一预设阈值；采用第一预设阈值来筛选第一元素的方式指的是硬阈值法；第一预设阈值可以预先进行设定。

在具体实现中，采用硬阈值法来确定目标统计特征量的方式如下：

式中，T

在本实施例中，可以通过硬阈值法可以在异常信号发生原因未知的情况下确定目标统计特征量。

在一实施例中，所述确定所述关联递归图的目标统计特征量，包括：

确定所述关联递归图中各元素的第二预设阈值；

依次将所述关联递归图中各元素的元素值与各元素对应的第二预设阈值进行比较，得到比较结果；

将比较结果为元素值大于第二预设阈值的元素作为第二元素；

基于所述第二元素确定所述关联递归图的目标统计特征量。

需要说明的是，根据不同元素的元素位置和元素大小来为不同元素设定不同的第二预设阈值的方式可称为软阈值法；第二元素即为关联递归图中元素值大于第二预设预设的元素。

在具体实现中，采用软阈值法来确定目标统计特征量的方式如下：

式中，

可以理解的是，关联递归图中不同元素的第二预设阈值不同，不同元素的第二预设阈值跟元素在关联递归图中的不同位置和不同大小有关。

需要说明的是，当拥有足够的异常信号数据时，可以确定异常信号的异常特征信息，由此，可以确定关联递归图R

在本实施例中，通过软阈值法来确定目标递归图的目标统计特征量能够确保得到的目标统计特征更能反映出目标非线性信号的异常信息。

步骤S40：建立异常信号的检测控制图，并估算所述检测控制图的控制界限。

在具体实现中，可以利用

步骤S50：判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。

可以理解的是，目标统计特征量可以理解为目标非线性信号偏离基准递归图的差值(即偏差值)。

需要说明的是，判断结果可以是目标统计特征量不处于控制界限内，判断结果还可以是目标统计特征量处于控制界限内；当判断结果为目标统计特征量不处于控制界限内时，说明监测到目标非线性信号为异常信号；当判断结果为目标统计特征量处于控制界限内时，说明监测到目标非线性信号为正常信号。

在具体实现中，如图5所示，可以通过控制界限来监测非线性信号是否为异常信号。

本实施例通过获取目标非线性信号，并确定所述目标非线性信号的目标递归图；根据所述目标递归图以及基准递归图，确定关联递归图；确定所述关联递归图的目标统计特征量；建立异常信号的检测控制图，并估算所述检测控制图的控制界限；判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。通过上述方式，能够利用非线性信号的空时关联特性，提取出非线性信号的递归特征，再通过对递归特征进行监测来确定目标非线性信号是否为异常信号，递归特征不仅能够可以很好的保留正常信号的特征信息，还增强了正常信号特征值与异常信号特征值的区别，进而提高了异常非线性信号的监测准确率，尤其提高了对非线性信号发生局部细微异常时检测效果。

参考图6，图6为本发明一种非线性波形信号的异常监测方法第二实施例的流程示意图。

基于上述第一实施例，本实施例非线性波形信号的异常监测方法所述建立异常信号的检测控制图，并估算所述检测控制图的控制界限，包括：

步骤S401：获取多个第二非线性信号，其中，所述第二非线性信号为无异常的非线性信号。

步骤S402：确定统计特征集合，并建立基于所述统计特征集合的检测控制图，其中，所述统计特征集合由多个第二非线性信号的统计特征量构成。

需要说明的是，第二非线性信号的统计特征量跟目标非线性信号的目标统计特征量的确定方式一致，也是需要先将第二非线性信号与基准递归图进行比较确定关联递归图之后，再根据关联递归图的性质来利用“Top-r”方法定义阈值，再从关联递归图中确定第二非线性信号的统计特征量。

步骤S403：根据所述统计特征集合确定多个样本集，其中，各样本集的样本容量相同，各样本集的元素从所述统计特征集合中确定。

需要说明的是，可以预先设置预设数量，然后根据统计特征量集合来确定预设数量的样本集，并且确保各个样本集的样本容量相同，每个样本集中的元素是从统计特征集合中随机确定的。

步骤S404：确定多个样本集的多个样本均值，并基于所述多个样本均值确定所述检测控制图的控制界限。

在具体实现中，可以通过控制图法来根据多个样本均值确定检测控制图的控制界限。

在一实施例中，所述控制界限包括控制上限和控制下限；其中，

基于所述多个样本均值确定所述检测控制图的控制界限，包括：

选定显著性水平；

根据所述显著性水平以及所述多个样本均值确定所述控制上限以及所述控制下限。

在具体实现中，估计出检测控制图的控制界限方式如下：

(1)假定有k个正常非线性信号(即第二非线性信号)，可以通过递归图法来确定该组信号的统计特征量为{A

(2)运用穷举法，生成一个样本容量为n

(3)计算新样本集的均值

(4)重复(2)和(3)B次，可以得到B个样本均值

(5)将这B个样本由小到大排列，可得

(6)选定显著性水平α，根据P(S

在具体实现中，如图7所示，通过正常的非线性信号来确定基准递归图，然后将获取到的新的非线性信号与基准递归图进行比较之后确定关联递归图，再利用“Top-r”方法定义阈值，最后根据阈值以及关联递归图确定目标统计特征量，便可通过穷举法确定目标统计特征量的监测结果。

在一实施例中，所述判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，包括：

在判定所述目标统计特征量小于所述控制上限且大于所述控制下限时，得到所述判断结果为所述目标非线性信号为正常信号；

在判定所述目标统计特征量大于等于所述控制上限或者小于等于所述控制下限时，得到所述判断结果为所述目标非线性信号为异常信号。

需要说明的是，控制上限为UCL，控制下限为LCL。

在具体实现中，通过控制界限来对目标统计特征A

本实施例通过获取多个第二非线性信号，其中，所述第二非线性信号为无异常的非线性信号；确定统计特征集合，并建立基于所述统计特征集合的检测控制图，其中，所述统计特征集合由多个第二非线性信号的统计特征量构成；根据所述统计特征集合确定多个样本集，其中，各样本集的样本容量相同，各样本集的元素从所述统计特征集合中确定；确定多个样本集的多个样本均值，并基于所述多个样本均值确定所述检测控制图的控制界限。通过上述方式，能够通过建立基于统计特征量的控制图法来估算出控制上限和控制下限，进而有效提高了对非线性信号发生局部细微异常时检测效果。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有非线性波形信号的异常监测程序，所述非线性波形信号的异常监测程序被处理器执行时实现如上文所述的非线性波形信号的异常监测方法的步骤。

参照图8，图8为本发明非线性波形信号的异常监测装置第一实施例的结构框图。

如图8所示，本发明实施例提出的非线性波形信号的异常监测装置包括：

获取模块10，用于获取目标非线性信号，并确定所述目标非线性信号的目标递归图。

确定模块20，用于根据所述目标递归图以及基准递归图，确定关联递归图。

所述确定模块20，还用于确定所述关联递归图的目标统计特征量。

建立模块30，用于建立异常信号的检测控制图，并估算所述检测控制图的控制界限。

判断模块40，用于判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

本实施例通过获取目标非线性信号，并确定所述目标非线性信号的目标递归图；根据所述目标递归图以及基准递归图，确定关联递归图；确定所述关联递归图的目标统计特征量；建立异常信号的检测控制图，并估算所述检测控制图的控制界限；判断所述目标统计特征量是否处于所述控制界限内，得到判断结果，以根据所述判断结果监测所述目标非线性信号。通过上述方式，能够利用非线性信号的空时关联特性，提取出非线性信号的递归特征，再通过对递归特征进行监测来确定目标非线性信号是否为异常信号，递归特征不仅能够可以很好的保留正常信号的特征信息，还增强了正常信号特征值与异常信号特征值的区别，进而提高了异常非线性信号的监测准确率，尤其提高了对非线性信号发生局部细微异常时检测效果。

在一实施例中，所述确定模块20，还用于：

获取多个第一非线性信号，其中，所述第一非线性信号为无异常的非线性信号；

运用递归图法依次分析多个第一非线性信号，得到多个递归图；

根据所述多个递归图确定所述基准递归图。

在一实施例中，所述确定模块20，还用于：

确定所述关联递归图的第一预设阈值；

将所述关联递归图中元素值大于所述第一预设阈值的元素作为第一元素；

基于所述第一元素确定所述关联递归图的目标统计特征量。

在一实施例中，所述确定模块20，还用于：

确定所述关联递归图中各元素的第二预设阈值；

依次将所述关联递归图中各元素的元素值与各元素对应的第二预设阈值进行比较，得到比较结果；

将比较结果为元素值大于第二预设阈值的元素作为第二元素；

基于所述第二元素确定所述关联递归图的目标统计特征量。

在一实施例中，所述建立模块30，还用于：

获取多个第二非线性信号，其中，所述第二非线性信号为无异常的非线性信号；

确定统计特征集合，并建立基于所述统计特征集合的检测控制图，其中，所述统计特征集合由多个第二非线性信号的统计特征量构成；

根据所述统计特征集合确定多个样本集，其中，各样本集的样本容量相同，各样本集的元素从所述统计特征集合中确定；

确定多个样本集的多个样本均值，并基于所述多个样本均值确定所述检测控制图的控制界限。

在一实施例中，所述控制界限包括控制上限和控制下限；其中，

所述建立模块30，还用于：

选定显著性水平；

根据所述显著性水平以及所述多个样本均值确定所述控制上限以及所述控制下限。

在一实施例中，所述判断模块40，还用于：

在判定所述目标统计特征量小于所述控制上限且大于所述控制下限时，得到所述判断结果为所述目标非线性信号为正常信号；

在判定所述目标统计特征量大于等于所述控制上限或者小于等于所述控制下限时，得到所述判断结果为所述目标非线性信号为异常信号。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的非线性波形信号的异常监测方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。