简介

在本例中，通过对设备或者系统在正常工作状态时的数据分析和建模实现对其性能评估，在对现场设备或者系统进行实时监控的过程当中，如果实际检测值和通过模型计算出的期望值发生偏差，则有极大可能该设备和系统处于非正常的工作状态。

在本例中，我们使用基于统计自回归模型和基于机器学习的自回归神经网络，根据过去时间的测量值去预测未来若干个时间段的值。

性能评估

性能的评估建立在对设备或者系统在正常工作状态时的数据分析和建模。在对现场设备或者系统进行实时监控的过程当中，如果实际检测值和通过模型计算出的期望值发生偏差，则有极大可能该设备和系统处于非正常的工作状态。

相比基于门限值的性能评估检测系统，对正常工作状态的建模能更准确的描述系统的状态。而且设备会工作在不同的工作条件下，基于门限值的方法并不具有通用性。

常用的模型建立过程基于人们对设备结构的了解或者系统的机理掌握，从而使用数学工具进行建模。但这种方法并不适用于大型复杂设备或者甚至内部结构未知的系统。

在这里，我们使用机器学习的方法。机器学习的方法的优势在于并不要求对系统结构有非常透彻的了解，而侧重寻找输入数据和输出结果之间的关系。

性能评估在于对正常状态的建模和异常状态与其的比对。一般有两种方法通过数据来描述“正常工作状态”：在正常工作状态时的关键属性的数据分布；和在正常工作状态时的关键属性和关键输出的关系。

本例中，主要提供基于数据分布模型和基于回归模型的性能评估。

1. 基于数据分布

用户通过指定设备在正常工作状态时的数据段，选择时间区间，选取认为能够反映设备运行情况的若干个feature，抽取其数据分布。则这个多维的数据分布即代表了设备的正常工作状态。则对任意待测数据，它和该分布模型的距离／或者由该分布模型产生的概率（confidence value）代表了当前的测试数据是否正常。

训练模型

输入：

{
“deviceid”: “GW0001”,
“featurelist”:“generator_speed,power,wind_direction,wind_direction_mean”,
“starttime”:”2015-11-01T20:20:16+08:00”,
“endtime”:”2015-11-03T23:47:32+08:00”
}

测试模型

输入：

{
“deviceid”: “GW0001”,
“featurelist”:“generator_speed,power,wind_direction,wind_direction_mean”,
“starttime”:”2015-11-01T20:20:16+08:00”,
“endtime”:”2015-11-05T23:47:32+08:00”
“modelid”:”172725”
}

输出：

[[1446380416000.0, 0.55492305696014432], [1446380423000.0, 0.62175385719828757], [1446380430000.0, 0.52632479463432369], [1446380437000.0, 0.59754682797150183], [1446380447000.0, 0.58173495502037897], [1446380454000.0, 0.55281643794408364], [1446380461000.0, 0.5596376560310945], [1446380468000.0, 0.32737673878471274], [1446380475000.0, 0.72114748072905299], [1446380482000.0, 0.71316640419223853], [1446380489000.0, 0.63413618719715581], [1446380496000.0, 0.70044302137813474], [1446380503000.0, 0.86754707188526936], [[1446380510000.0, 0.60007940580323382], [1446380517000.0, 0.72503322350070654], [1446380524000.0, 0.61927964607928487], [1446380531000.0, 0.83981323576772726], [1446380538000.0, 0.7153332210759773], [1446380545000.0, 0.76022000271943679], [1446380552000.0, 0.72237386599339259], [1446380559000.0, 0.76364413938799214], [1446380569000.0, 0.790715639415008]…]

2. 基于回归

如果已知设备的输入输出，则一个设备的运行情况可以由其输入输出来决定。而这个关联关系就是一个描述设备如何工作的模型。对于一个在正常工作状态的设备，它的这些输入属性和输出属性需要满足这个关联关系。如果一旦出现异常，则该时刻测量得到的输出会和由此关联关系计算出来的期望输出出现偏差。

用户通过指定设备在正常工作状态时的数据段，选择时间区间，选取输入 features，选取输出feature，建立回归模型。

训练模型

输入：

{
“deviceid”: “GW0001”,
“featurelist”:“ wind_speed,generator_speed,wind_direction,wind_direction_mean”,
“response”:”power”
“starttime”:”2015-11-01T20:20:16+08:00”,
“endtime”:”2015-11-03T23:47:32+08:00”
}

测试模型

输入：

{
“deviceid”: “GW0001”,
“featurelist”:“ wind_speed,generator_speed,wind_direction,wind_direction_mean”,
“response”:”power”
“starttime”:”2015-11-01T20:20:16+08:00”,
“endtime”:”2015-11-05T23:47:32+08:00”
“modelid”:” 382260”
}

输出：

[[1446380421000.0, 0.49879837093485091], [1446380428000.0, 0.2166591734786607], [1446380435000.0, 0.1901598029287388], [1446380442000.0, 0.28669510319408553], [1446380449000.0, 0.47055072391297104], [1446380456000.0, 0.54575060659006747], [1446380463000.0, 0.29846850791951907], [1446380470000.0, 0.31291238336163274], [1446380477000.0, 0.19960559715387949], [1446380484000.0, 0.13494855323498023], [1446380491000.0, 0.097584792005695919], [1446380498000.0, 0.16202881822111492], [1446380505000.0, 0.091778467996171731], [1446380512000.0, 0.21519496537662708], [1446380519000.0, 0.16845653901155599], [1446380529000.0, 0.29809928509072181], [1446380536000.0, 0.15654284974747212], [1446380543000.0, 0.17548919170161525], [1446380550000.0, 0.18509612779681128], [1446380557000.0, 0.14605882551030691], [1446380564000.0, 0.21304409165495752], [1446380571000.0, 0.11787388615762739], [1446380578000.0, 0.20662300903604491], [1446380585000.0, 0.19712088024242846], [1446380592000.0, 0.20263711529677408], [1446380599000.0, 0.10626053046933126], [1446380606000.0, 0.069825922629758064], [1446380613000.0, 0.13016743426312194], [1446380623000.0, 0.07546670384108356], [1446380630000.0, 0.46241129532551317], [1446380637000.0, 0.37161080855234063], [1446380644000.0, 0.2931512122791986]…]

性能预测

和性能评估不同，性能预测更偏向于对于设备或者系统接下来走势的预测。

关键属性的预测：对任意设备，都存在若干关键属性，而其工作状态由这些关键属性所决定。因此在一些场景当中，人们希望预测某个属性的测量值在将来若干的时间段的变化。 在这里我们使用基于统计自回归模型和基于机器学习的自回归神经网络，根据过去时间的测量值去预测未来若干个时间段的值。

本例中，主要提供基于自回归滑动平均模型和基于自回归神经网络模型的性能评估。

3. 基于自回归滑动平均

用户通过指定设备数据，选择时间区间，选取所要预测的属性 features，选择数据训练测试比例，使用训练部分训练自回归滑动模型，对测试部分的数据点逐个进行预测。

输入：

{
“deviceid”: “GW0001”,
“featurelist”:”power”
“starttime”:” 2015-11-01T20:20:16+08:00”,
“endtime”:” 2015-11-01T20:47:32+08:00”
“partition”:”0.6”
}

输出：

[[[1446381636000.0, 1.9665546468753063], [1446381646000.0, 2.0451936309574945], [1446381653000.0, 1.6772711538547369], [1446381660000.0, 1.2905921365356623], [1446381667000.0, 1.5025175622075566], [1446381674000.0, 1.9397804464929502], [1446381681000.0, 1.2482107037407721], [1446381688000.0, 1.4124933737759313], [1446381695000.0, 1.6920084297238935], [1446381702000.0, 1.4648250001094492], [1446381709000.0, 1.7368380845157418], [1446381716000.0, 1.6608381178034952], [1446381723000.0, 1.826545814443479], [1446381730000.0, 1.5110138900858718], [1446381737000.0, 1.676344661594712], [1446381747000.0, 1.8102705576994056], [1446381754000.0, 1.8093634229540942], [1446381761000.0, 2.0580089502005241], [1446381768000.0, 1.7403786118799438], [1446381775000.0, 1.6406121878089772], [1446381782000.0, 1.3784316846803011], [1446381789000.0, 1.0448287153572071], [1446381796000.0, 1.1649532098447457], [1446381803000.0, 1.2284406274330113], [1446381810000.0, 0.86547862523533781],…],

[1446381817000.0, 1.050530411873954], [1446381824000.0, 0.8364857263322848], [1446381831000.0, 0.87491565394983761], [1446381838000.0, 0.74505634012508315], [1446381845000.0, 0.80318815285258827], [1446381855000.0, 0.941776354665946], [1446381862000.0, 1.0232821657715669], [1446381869000.0, 1.2896103101920793], [1446381876000.0, 1.0621868218448354], [1446381883000.0, 1.1470071428640762], [1446381890000.0, 1.0080276818772214], [1446381897000.0, 1.0440057169647148], [1446381904000.0, 0.91561051237728297], [1446381911000.0, 1.0065664483900247], [1446381918000.0, 0.80155021758186262], [1446381925000.0, 1.0352944176117795], [1446381932000.0, 1.2336688106041622], [1446381939000.0, 1.8169947933866448], [1446381946000.0, 1.7719464259227218], [1446381956000.0, 1.6275773635696631], [1446381963000.0, 1.7354875753049082], [1446381970000.0, 1.8442094474853479], [1446381977000.0, 1.9413864296461045], [1446381984000.0, 2.0228568368193751], [1446381991000.0, 2.077922756733781], [1446381998000.0, 1.8539445822143685], [1446382005000.0, 1.7696762151139416], [1446382012000.0, 2.1143109504326074], [1446382019000.0, 2.1080275126115056], [1446382026000.0, 2.0633609962818431], [1446382033000.0, 1.8885511308285021], [1446382040000.0, 2.2098234699000572],…]]

4. 基于自回归神经网络

用户通过指定设备数据，选择时间区间，选取所要预测的属性 features，选择数据训练测试比例，使用训练部分训练自回归神经网路模型，对测试部分的数据点逐个进行预测。

输入：

{
“deviceid”: “GW0001”,
“featurelist”:”power”
“starttime”:” 2015-11-01T20:20:16+08:00”,
“endtime”:” 2015-11-01T20:47:32+08:00”
“partition”:”0.6”
}

输出：

[[[1446732824000.0, 0.0], [1446732831000.0, 0.0], [1446732838000.0, 0.0], [1446732845000.0, 0.0], [1446732852000.0, 0.0], [1446732859000.0, 0.0], [1446732866000.0, 0.0], [1446732876000.0, 0.0], [1446732883000.0, 0.0], [1446732890000.0, 0.0], [1446732897000.0, 0.0], [1446732904000.0, 0.0], [1446732911000.0, 0.0], [1446732918000.0, 0.0], [1446732925000.0, 0.0], [1446732932000.0, 0.0], [1446732939000.0, 0.0], [1446732946000.0, 0.0], [1446732953000.0, 0.0], [1446732960000.0, 0.0], [1446732967000.0, 0.0], [1446732974000.0, 0.0], [1446732984000.0, 0.0], [1446732991000.0, 0.0], [1446732998000.0, 0.0], [1446733005000.0, 0.0], [1446733012000.0, 0.0], [1446733019000.0, 0.0], [1446733026000.0, 0.0], [1446733033000.0, 0.0], [1446733040000.0, 0.0], [1446733047000.0, 0.0], [1446733054000.0, 0.0], [1446733061000.0, 0.0], [1446733068000.0, 0.0], [1446733075000.0, 0.0], [1446733085000.0, 0.0], [1446733092000.0, 0.0], [1446733099000.0, 0.0], [1446733106000.0, 0.0], [1446733113000.0, 0.0], [1446733120000.0, 0.0], [1446733127000.0, 0.0], [1446733134000.0, 0.0]…], [1446733141000.0, 0.0], [1446733148000.0, 0.0], [1446733155000.0, 0.0], [1446733162000.0, 0.0], [1446733169000.0, 0.0], [1446733176000.0, 0.0], [1446733183000.0, 0.0], [1446733193000.0, 0.0], [1446733196000.0, 0.0], [1446733200000.0, 0.0], [1446733207000.0, 0.0], [1446733214000.0, 0.0], [1446733221000.0, 0.0], [1446733228000.0, 0.0], [1446733235000.0, 0.0], [1446733242000.0, 0.0], [1446733249000.0, 0.0], [1446733256000.0, 0.0], [1446733263000.0, 0.0], [1446733270000.0, 0.0], [1446733277000.0, 0.0], [1446733284000.0, 0.0], [1446733291000.0, 0.0], [1446733298000.0, 0.0], [1446733305000.0, 0.0], [1446733312000.0, 0.0], [1446733319000.0, 0.0], [1446733326000.0, 0.0], [1446733333000.0, 0.0], [1446733340000.0, 0.0], [1446733350000.0, 0.0], [1446733357000.0, 0.0], [1446733364000.0, 0.0], [1446733371000.0, 0.0], [1446733378000.0, 0.0], [1446733385000.0, 0.0], [1446733392000.0, 0.0], [1446733399000.0, 0.0], [1446733406000.0, 0.0], [1446733413000.0, 0.0], [1446733420000.0, 0.0], [1446733427000.0, 0.0], [1446733434000.0, 0.0]…]]