本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，尤其涉及一種基于人工智能的工業(yè)數(shù)據(jù)處理方法及系統(tǒng)。

背景技術(shù)：

1、在現(xiàn)代工業(yè)生產(chǎn)中，數(shù)據(jù)采集和分析能力至關(guān)重要。隨著工業(yè)自動(dòng)化水平的不斷提升，各種傳感器和數(shù)據(jù)采集設(shè)備被廣泛應(yīng)用于生產(chǎn)過(guò)程中，產(chǎn)生了海量的數(shù)據(jù)。然而，傳統(tǒng)的數(shù)據(jù)處理方法往往難以應(yīng)對(duì)這些龐大而復(fù)雜的數(shù)據(jù)，難以有效地提取關(guān)鍵信息，往往存在著數(shù)據(jù)處理效率不高，無(wú)法提取準(zhǔn)確的信息，因此，為了滿足現(xiàn)代工業(yè)數(shù)據(jù)處理的需求，需要一種更加智能化的工業(yè)數(shù)據(jù)處理方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為解決上述技術(shù)問(wèn)題，提出了一種基于人工智能的工業(yè)數(shù)據(jù)處理方法及系統(tǒng)，以解決至少一個(gè)上述技術(shù)問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于人工智能的工業(yè)數(shù)據(jù)處理方法，包括以下步驟：

3、步驟s1：獲取歷史工業(yè)日志；對(duì)歷史工業(yè)日志進(jìn)行均值濾波處理，并進(jìn)行跨維度異構(gòu)特征融合，從而生成異構(gòu)融合工業(yè)特征數(shù)據(jù)；

4、步驟s2：基于異構(gòu)融合工業(yè)特征數(shù)據(jù)得到時(shí)序趨勢(shì)變化數(shù)據(jù)；對(duì)時(shí)序趨勢(shì)變化數(shù)據(jù)進(jìn)行深層時(shí)序依賴挖掘，從而得到階躍點(diǎn)時(shí)序依賴關(guān)系；

5、步驟s3：基于階躍點(diǎn)時(shí)序依賴關(guān)系對(duì)異構(gòu)融合工業(yè)特征數(shù)據(jù)進(jìn)行映射拓?fù)湮恢弥貥?gòu)，構(gòu)建工業(yè)特征映射空間模型；

6、步驟s4：對(duì)工業(yè)特征映射空間模型進(jìn)行多維度異常檢測(cè)，并進(jìn)行局部異常分布挖掘，從而得到高頻異常區(qū)域；

7、步驟s5：對(duì)高頻異常區(qū)域進(jìn)行多點(diǎn)異常演化追蹤，并進(jìn)行多維分布可視化，從而構(gòu)建異常演化軌跡可視化視圖；

8、步驟s6：對(duì)異常演化軌跡可視化視圖進(jìn)行異常歸因量化分析，從而得到不同異常演化軌跡歸因數(shù)據(jù)；根據(jù)不同異常演化軌跡歸因數(shù)據(jù)進(jìn)行自適應(yīng)異常優(yōu)化決策，構(gòu)建異常軌跡優(yōu)化策略。

9、本發(fā)明通過(guò)獲取歷史工業(yè)日志，建立對(duì)工業(yè)過(guò)程的全面了解，為后續(xù)分析提供重要數(shù)據(jù)支持，均值濾波處理和跨維度異構(gòu)特征融合平滑數(shù)據(jù)、減少噪音，生成更可靠的異構(gòu)融合工業(yè)特征數(shù)據(jù)，基于異構(gòu)融合工業(yè)特征數(shù)據(jù)得到時(shí)序趨勢(shì)變化數(shù)據(jù)，揭示工業(yè)數(shù)據(jù)的變化趨勢(shì)，為后續(xù)分析提供時(shí)間維度的信息支持，深層時(shí)序依賴挖掘幫助發(fā)現(xiàn)數(shù)據(jù)之間的復(fù)雜關(guān)系，得到階躍點(diǎn)時(shí)序依賴關(guān)系，提供更深入的數(shù)據(jù)挖掘結(jié)果，通過(guò)對(duì)異構(gòu)融合工業(yè)特征數(shù)據(jù)進(jìn)行映射拓?fù)湮恢弥貥?gòu)，構(gòu)建工業(yè)特征映射空間模型，將數(shù)據(jù)關(guān)系可視化并整合，構(gòu)建工業(yè)特征映射空間模型理解數(shù)據(jù)之間的關(guān)聯(lián)，提高數(shù)據(jù)分析的效率和準(zhǔn)確性，對(duì)工業(yè)特征映射空間模型進(jìn)行多維度異常檢測(cè)和局部異常分布挖掘，識(shí)別高頻異常區(qū)域，快速定位潛在問(wèn)題，發(fā)現(xiàn)高頻異常區(qū)域幫助工程師和決策者及早發(fā)現(xiàn)問(wèn)題，采取相應(yīng)措施避免潛在風(fēng)險(xiǎn)，對(duì)高頻異常區(qū)域進(jìn)行多點(diǎn)異常演化追蹤和多維分布可視化，構(gòu)建異常演化軌跡可視化視圖，幫助理解異常數(shù)據(jù)演變過(guò)程，構(gòu)建異常演化軌跡可視化視圖發(fā)現(xiàn)異常演變規(guī)律，為異常處理和決策提供更直觀的參考，對(duì)異常演化軌跡可視化視圖進(jìn)行異常歸因量化分析，得到不同異常演化軌跡歸因數(shù)據(jù)，為問(wèn)題的診斷和解決提供依據(jù)，根據(jù)不同異常演化軌跡歸因數(shù)據(jù)進(jìn)行自適應(yīng)異常優(yōu)化決策，構(gòu)建異常軌跡優(yōu)化策略，提高問(wèn)題解決效率和準(zhǔn)確性。

10、優(yōu)選地，步驟s1包括以下步驟：

11、步驟s11：獲取歷史工業(yè)日志；

12、步驟s12：對(duì)歷史工業(yè)日志進(jìn)行頻率一致多點(diǎn)采樣，提取多維度工業(yè)數(shù)據(jù)；

13、步驟s13：對(duì)多維度工業(yè)數(shù)據(jù)進(jìn)行數(shù)據(jù)類型分類，提取參數(shù)化工業(yè)數(shù)據(jù)及工業(yè)圖像數(shù)據(jù)；

14、步驟s14：對(duì)參數(shù)化工業(yè)數(shù)據(jù)進(jìn)行均值濾波處理，以得到濾波優(yōu)化工業(yè)數(shù)據(jù)；

15、步驟s15：對(duì)工業(yè)圖像數(shù)據(jù)進(jìn)行多維卷積降噪處理，從而得到卷積降噪圖像；

16、步驟s16：對(duì)濾波優(yōu)化工業(yè)數(shù)據(jù)及卷積降噪圖像進(jìn)行跨維度異構(gòu)特征融合，從而生成異構(gòu)融合工業(yè)特征向量。

17、本發(fā)明通過(guò)獲取歷史工業(yè)日志，建立對(duì)工業(yè)過(guò)程的歷史記錄，為后續(xù)分析和比較提供基礎(chǔ)數(shù)據(jù)。采用頻率一致多點(diǎn)采樣確保數(shù)據(jù)一致性，提取多維度工業(yè)數(shù)據(jù)全面理解工業(yè)生產(chǎn)過(guò)程。對(duì)多維度工業(yè)數(shù)據(jù)進(jìn)行分類提取，將數(shù)據(jù)按類型進(jìn)行處理，提高后續(xù)分析的準(zhǔn)確性和效率。均值濾波處理平滑數(shù)據(jù)、減少噪音，提高數(shù)據(jù)質(zhì)量和穩(wěn)定性，為后續(xù)分析提供更可靠的數(shù)據(jù)基礎(chǔ)。多維卷積降噪處理處理工業(yè)圖像數(shù)據(jù)中的噪音和干擾，提高圖像質(zhì)量和清晰度，為后續(xù)分析提供更準(zhǔn)確的圖像數(shù)據(jù)。對(duì)濾波優(yōu)化工業(yè)數(shù)據(jù)和卷積降噪圖像進(jìn)行跨維度異構(gòu)特征融合，將不同類型的數(shù)據(jù)特征融合在一起，提高數(shù)據(jù)維度和特征的豐富性。生成異構(gòu)融合工業(yè)特征向量綜合分析工業(yè)數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)之間的深層關(guān)聯(lián)和規(guī)律，為工業(yè)生產(chǎn)過(guò)程的優(yōu)化和決策提供支持。

18、優(yōu)選地，步驟s16具體步驟為：

19、對(duì)濾波優(yōu)化工業(yè)數(shù)據(jù)進(jìn)行小波變換，提取工業(yè)頻域特征數(shù)據(jù)；

20、對(duì)卷積降噪圖像進(jìn)行抽象卷積特征提取，得到圖像抽象卷積特征；

21、對(duì)工業(yè)頻域特征數(shù)據(jù)及圖像抽象卷積特征進(jìn)行降維壓縮統(tǒng)一，得到頻域一維特征向量及圖像抽象一維特征向量；

22、對(duì)頻域一維特征向量及圖像抽象一維特征向量進(jìn)行特征序列聚合，得到一維特征向量序列；

23、對(duì)一維特征向量序列進(jìn)行跨維度異構(gòu)特征融合，從而生成異構(gòu)融合工業(yè)特征向量。

24、本發(fā)明通過(guò)小波變換有效地提取工業(yè)數(shù)據(jù)的頻域特征，幫助捕捉數(shù)據(jù)中的周期性和頻域信息。提取工業(yè)頻域特征數(shù)據(jù)理解數(shù)據(jù)的頻域結(jié)構(gòu)，揭示數(shù)據(jù)中隱藏的頻域特征。抽象卷積特征提取從圖像中捕獲高級(jí)別的抽象特征，圖像的表征和分析。得到圖像抽象卷積特征提取圖像的重要特征，為后續(xù)的特征融合和分析提供基礎(chǔ)。降維壓縮統(tǒng)一減少數(shù)據(jù)的維度，去除冗余信息，提高數(shù)據(jù)處理效率。得到頻域一維特征向量和圖像抽象一維特征向量簡(jiǎn)化數(shù)據(jù)表示，為后續(xù)的特征融合提供更高效的數(shù)據(jù)結(jié)構(gòu)。特征序列聚合能夠?qū)⒉煌卣飨蛄咳诤蠟橐粋€(gè)完整的序列，綜合考慮不同特征的信息。得到一維特征向量序列將不同來(lái)源的特征整合在一起，提供更全面的數(shù)據(jù)視角?？缇S度異構(gòu)特征融合將來(lái)自不同維度和來(lái)源的特征進(jìn)行有機(jī)整合，提高特征的表達(dá)能力。生成異構(gòu)融合工業(yè)特征向量綜合考慮不同類型特征的信息，為工業(yè)數(shù)據(jù)分析和應(yīng)用提供更全面的特征表示。

25、優(yōu)選地，步驟s2具體步驟為：

26、步驟s21：對(duì)異構(gòu)融合工業(yè)特征數(shù)據(jù)進(jìn)行時(shí)序解析，得到時(shí)序特征數(shù)據(jù)；

27、步驟s22：對(duì)時(shí)序特征數(shù)據(jù)進(jìn)行時(shí)序趨勢(shì)變化分析，生成時(shí)序趨勢(shì)變化數(shù)據(jù)；

28、步驟s23：對(duì)時(shí)序趨勢(shì)變化數(shù)據(jù)進(jìn)行階段變化擬合，構(gòu)建時(shí)序趨勢(shì)變化曲線；

29、步驟s24：對(duì)時(shí)序趨勢(shì)變化曲線進(jìn)行形態(tài)突變識(shí)別，提取多個(gè)曲線形態(tài)階躍點(diǎn)；

30、步驟s25：對(duì)多個(gè)曲線形態(tài)階躍點(diǎn)進(jìn)行深層時(shí)序依賴挖掘，從而得到階躍點(diǎn)時(shí)序依賴關(guān)系。

31、本發(fā)明通過(guò)時(shí)序解析將異構(gòu)融合的工業(yè)特征數(shù)據(jù)按時(shí)間順序組織，揭示數(shù)據(jù)隨時(shí)間的變化規(guī)律，得到時(shí)序特征數(shù)據(jù)將工業(yè)特征數(shù)據(jù)轉(zhuǎn)化為時(shí)間序列形式，為后續(xù)的時(shí)序分析提供基礎(chǔ)，時(shí)序趨勢(shì)變化分析揭示時(shí)序數(shù)據(jù)隨時(shí)間的趨勢(shì)特征，幫助理解數(shù)據(jù)的發(fā)展和變化規(guī)律，生成時(shí)序趨勢(shì)變化數(shù)據(jù)捕捉數(shù)據(jù)的動(dòng)態(tài)變化趨勢(shì)，為后續(xù)的時(shí)序特征分析提供依據(jù)，階段變化擬合將時(shí)序數(shù)據(jù)分段擬合，識(shí)別數(shù)據(jù)在不同階段的變化趨勢(shì)和擬合曲線，構(gòu)建時(shí)序趨勢(shì)變化曲線分析數(shù)據(jù)的階段性變化，幫助理解數(shù)據(jù)的發(fā)展過(guò)程，形態(tài)突變識(shí)別幫助識(shí)別曲線中的形態(tài)變化點(diǎn)，揭示數(shù)據(jù)的重要轉(zhuǎn)折點(diǎn)和關(guān)鍵特征，提取多個(gè)曲線形態(tài)階躍點(diǎn)捕捉曲線的突變特征，為后續(xù)的時(shí)序依賴挖掘提供關(guān)鍵信息，深層時(shí)序依賴挖掘能夠分析曲線中不同階躍點(diǎn)之間的時(shí)序依賴關(guān)系，揭示數(shù)據(jù)的內(nèi)在聯(lián)系和規(guī)律性，得到階躍點(diǎn)時(shí)序依賴關(guān)系理解數(shù)據(jù)變化的動(dòng)態(tài)機(jī)制，為工業(yè)數(shù)據(jù)的預(yù)測(cè)和優(yōu)化提供深入洞察。

32、優(yōu)選地，步驟s3具體步驟為：

33、步驟s31：基于階躍點(diǎn)時(shí)序依賴關(guān)系對(duì)異構(gòu)融合工業(yè)特征數(shù)據(jù)進(jìn)行特征間拓?fù)潢P(guān)聯(lián)分析，從而得到特征拓?fù)潢P(guān)聯(lián)數(shù)據(jù)；

34、步驟s32：對(duì)異構(gòu)融合工業(yè)特征數(shù)據(jù)進(jìn)行特征空間映射，從而得到特征映射點(diǎn)；

35、步驟s33：對(duì)特征映射點(diǎn)進(jìn)行映射空間位置計(jì)算，從而生成映射點(diǎn)空間位置坐標(biāo)；

36、步驟s34：根據(jù)特征拓?fù)潢P(guān)聯(lián)數(shù)據(jù)對(duì)映射點(diǎn)空間位置坐標(biāo)進(jìn)行映射拓?fù)湮恢弥貥?gòu)，構(gòu)建工業(yè)特征映射空間模型。

37、本發(fā)明通過(guò)特征間拓?fù)潢P(guān)聯(lián)分析能夠發(fā)現(xiàn)特征之間的關(guān)聯(lián)性和相互作用，揭示工業(yè)特征數(shù)據(jù)中的重要關(guān)聯(lián)模式，得到特征拓?fù)潢P(guān)聯(lián)數(shù)據(jù)理解特征之間的關(guān)系，為后續(xù)特征空間映射提供關(guān)鍵信息，特征空間映射將異構(gòu)融合的工業(yè)特征數(shù)據(jù)映射到一個(gè)統(tǒng)一的空間中，便于進(jìn)行統(tǒng)一的分析和處理，得到特征映射點(diǎn)將原始數(shù)據(jù)轉(zhuǎn)化為可比較的空間表示形式，為后續(xù)分析提供基礎(chǔ)，映射空間位置計(jì)算確定特征映射點(diǎn)在空間中的位置，幫助理解特征之間的空間分布和關(guān)系，生成映射點(diǎn)空間位置坐標(biāo)可視化和空間分析，為后續(xù)的映射拓?fù)湮恢弥貥?gòu)提供依據(jù)，映射拓?fù)湮恢弥貥?gòu)能夠根據(jù)特征間的拓?fù)潢P(guān)聯(lián)關(guān)系調(diào)整映射點(diǎn)的空間位置，構(gòu)建具有關(guān)聯(lián)性的特征映射空間模型，構(gòu)建工業(yè)特征映射空間模型揭示特征之間的空間關(guān)系，為工業(yè)數(shù)據(jù)的可視化和分析提供更深入的理解。

38、優(yōu)選地，步驟s4的具體步驟為：

39、步驟s41：對(duì)工業(yè)特征映射空間模型進(jìn)行多維度異常檢測(cè)，提取空間多維度異常樣本點(diǎn)；

40、步驟s42：對(duì)空間多維度異常樣本點(diǎn)進(jìn)行空間分布分析，得到異常樣本空間分布數(shù)據(jù)；

41、步驟s43：對(duì)異常樣本空間分布數(shù)據(jù)進(jìn)行聚類密度計(jì)算，得到異常樣本密度值；

42、步驟s44：基于異常樣本密度值對(duì)工業(yè)特征映射空間模型進(jìn)行局部異常分布挖掘，從而得到高頻異常區(qū)域。

43、本發(fā)明通過(guò)多維度異常檢測(cè)識(shí)別映射空間模型中的異常樣本點(diǎn)，發(fā)現(xiàn)在多個(gè)維度上表現(xiàn)異常的數(shù)據(jù)點(diǎn)。提取空間多維度異常樣本點(diǎn)識(shí)別數(shù)據(jù)中的異常模式和特征，為后續(xù)的異常分析提供基礎(chǔ)?？臻g分布分析幫助理解異常樣本點(diǎn)在空間中的分布規(guī)律和趨勢(shì)，揭示異常數(shù)據(jù)的空間分布特征。得到異常樣本空間分布數(shù)據(jù)探索異常數(shù)據(jù)的空間結(jié)構(gòu)和分布情況，為后續(xù)的聚類密度計(jì)算提供依據(jù)。聚類密度計(jì)算能夠識(shí)別異常樣本點(diǎn)的聚類模式和密度分布，幫助發(fā)現(xiàn)異常數(shù)據(jù)的聚集區(qū)域和分布規(guī)律。得到異常樣本密度值確定異常數(shù)據(jù)的密度分布情況，為后續(xù)的局部異常分布挖掘提供關(guān)鍵信息。局部異常分布挖掘基于異常樣本的密度值發(fā)現(xiàn)工業(yè)特征映射空間模型中的高頻異常區(qū)域，識(shí)別異常數(shù)據(jù)的局部聚集區(qū)域。得到高頻異常區(qū)域準(zhǔn)確定位工業(yè)數(shù)據(jù)中的異常熱點(diǎn)區(qū)域，為異常檢測(cè)和處理提供重要線索。

44、優(yōu)選地，步驟s5的具體步驟為：

45、步驟s51：對(duì)高頻異常區(qū)域進(jìn)行多點(diǎn)異常演化追蹤，從而得到區(qū)域內(nèi)多個(gè)樣本點(diǎn)異常演化軌跡；

46、步驟s52：對(duì)區(qū)域內(nèi)多個(gè)樣本點(diǎn)異常演化軌跡進(jìn)行動(dòng)態(tài)空間分布演化分析，生成多時(shí)點(diǎn)空間分布軌跡；

47、步驟s53：對(duì)多時(shí)點(diǎn)空間分布軌跡進(jìn)行多維分布可視化，從而構(gòu)建異常演化軌跡可視化視圖。

48、本發(fā)明通過(guò)多點(diǎn)異常演化追蹤跟蹤高頻異常區(qū)域內(nèi)多個(gè)樣本點(diǎn)的異常變化趨勢(shì)和軌跡，揭示異常數(shù)據(jù)的演化過(guò)程。得到區(qū)域內(nèi)多個(gè)樣本點(diǎn)異常演化軌跡理解異常數(shù)據(jù)的動(dòng)態(tài)變化，為后續(xù)的分析提供時(shí)序性信息。動(dòng)態(tài)空間分布演化分析分析區(qū)域內(nèi)多個(gè)樣本點(diǎn)異常演化軌跡的空間動(dòng)態(tài)變化，揭示異常數(shù)據(jù)的演化趨勢(shì)和空間分布變化。生成多時(shí)點(diǎn)空間分布軌跡探索異常數(shù)據(jù)的時(shí)空演化規(guī)律，為后續(xù)的多維分布可視化提供數(shù)據(jù)基礎(chǔ)。多維分布可視化能夠?qū)⒍鄷r(shí)點(diǎn)空間分布軌跡以直觀的方式呈現(xiàn)，構(gòu)建異常演化軌跡的可視化視圖。構(gòu)建異常演化軌跡可視化視圖全面展示異常數(shù)據(jù)的動(dòng)態(tài)演化過(guò)程，幫助用戶深入理解異常數(shù)據(jù)的時(shí)空特征。

49、優(yōu)選地，步驟s6的具體步驟為：

50、步驟s61：對(duì)異常演化軌跡可視化視圖進(jìn)行異常軌跡演化模式分類，得到異常演化軌跡分類；

51、步驟s62：對(duì)異常演化軌跡分類進(jìn)行異常歸因量化分析，從而得到不同異常演化軌跡歸因數(shù)據(jù)；

52、步驟s63：根據(jù)不同異常演化軌跡歸因數(shù)據(jù)進(jìn)行異常風(fēng)險(xiǎn)評(píng)估，從而得到異常演化軌跡風(fēng)險(xiǎn)評(píng)估結(jié)果；

53、步驟s64：對(duì)異常演化軌跡風(fēng)險(xiǎn)評(píng)估結(jié)果進(jìn)行自適應(yīng)異常優(yōu)化決策，構(gòu)建異常軌跡優(yōu)化策略。

54、本發(fā)明通過(guò)異常軌跡演化模式分類將異常演化軌跡按照其演化模式進(jìn)行分類，揭示異常數(shù)據(jù)的不同演化類型。得到異常演化軌跡分類對(duì)異常數(shù)據(jù)進(jìn)行更細(xì)致的分析和識(shí)別，為后續(xù)的異常歸因量化分析提供分類基礎(chǔ)。異常歸因量化分析能夠?qū)Σ煌惓Ｑ莼壽E的根本原因和影響因素進(jìn)行量化分析，揭示異常數(shù)據(jù)的產(chǎn)生機(jī)制。得到不同異常演化軌跡歸因數(shù)據(jù)理解異常數(shù)據(jù)的本質(zhì)和特征，為異常風(fēng)險(xiǎn)評(píng)估提供量化依據(jù)。異常風(fēng)險(xiǎn)評(píng)估根據(jù)不同異常演化軌跡的歸因數(shù)據(jù)對(duì)異常情況進(jìn)行評(píng)估和預(yù)測(cè)，量化異常數(shù)據(jù)的風(fēng)險(xiǎn)程度。得到異常演化軌跡風(fēng)險(xiǎn)評(píng)估結(jié)果識(shí)別異常數(shù)據(jù)的風(fēng)險(xiǎn)等級(jí)和潛在影響，為后續(xù)的決策提供重要參考。自適應(yīng)異常優(yōu)化決策根據(jù)異常演化軌跡的風(fēng)險(xiǎn)評(píng)估結(jié)果實(shí)時(shí)調(diào)整決策策略，優(yōu)化異常處理和應(yīng)對(duì)措施。構(gòu)建異常軌跡優(yōu)化策略根據(jù)異常數(shù)據(jù)的實(shí)際情況和風(fēng)險(xiǎn)程度采取有效的應(yīng)對(duì)措施，提高異常處理效率和準(zhǔn)確性。

55、在本說(shuō)明書(shū)中，提供一種基于人工智能的工業(yè)數(shù)據(jù)處理系統(tǒng)，用于執(zhí)行如上所述的基于人工智能的工業(yè)數(shù)據(jù)處理方法，包括：

56、異構(gòu)特征融合模塊，用于獲取歷史工業(yè)日志；對(duì)歷史工業(yè)日志進(jìn)行均值濾波處理，并進(jìn)行跨維度異構(gòu)特征融合，從而生成異構(gòu)融合工業(yè)特征數(shù)據(jù)；

57、時(shí)序依賴模塊，用于基于異構(gòu)融合工業(yè)特征數(shù)據(jù)得到時(shí)序趨勢(shì)變化數(shù)據(jù)；對(duì)時(shí)序趨勢(shì)變化數(shù)據(jù)進(jìn)行深層時(shí)序依賴挖掘，從而得到階躍點(diǎn)時(shí)序依賴關(guān)系；

58、特征空間模塊，用于基于階躍點(diǎn)時(shí)序依賴關(guān)系對(duì)異構(gòu)融合工業(yè)特征數(shù)據(jù)進(jìn)行映射拓?fù)湮恢弥貥?gòu)，構(gòu)建工業(yè)特征映射空間模型；

59、異常檢測(cè)模塊，用于對(duì)工業(yè)特征映射空間模型進(jìn)行多維度異常檢測(cè)，并進(jìn)行局部異常分布挖掘，從而得到高頻異常區(qū)域；

60、分布可視化模塊，用于對(duì)高頻異常區(qū)域進(jìn)行多點(diǎn)異常演化追蹤，并進(jìn)行多維分布可視化，從而構(gòu)建異常演化軌跡可視化視圖；

61、自適應(yīng)決策模塊，用于對(duì)異常演化軌跡可視化視圖進(jìn)行異常歸因量化分析，從而得到不同異常演化軌跡歸因數(shù)據(jù)；根據(jù)不同異常演化軌跡歸因數(shù)據(jù)進(jìn)行自適應(yīng)異常優(yōu)化決策，構(gòu)建異常軌跡優(yōu)化策略。

62、本發(fā)明通過(guò)獲取歷史工業(yè)日志并進(jìn)行均值濾波處理去除噪聲，提高數(shù)據(jù)質(zhì)量，跨維度異構(gòu)特征融合綜合不同維度的信息，從而生成更全面、更具代表性的工業(yè)特征數(shù)據(jù)，基于異構(gòu)融合工業(yè)特征數(shù)據(jù)獲得時(shí)序趨勢(shì)變化數(shù)據(jù)捕捉數(shù)據(jù)的時(shí)間變化規(guī)律，深層時(shí)序依賴挖掘揭示數(shù)據(jù)之間更復(fù)雜的時(shí)間依賴關(guān)系，為后續(xù)分析提供更深層次的信息，基于階躍點(diǎn)時(shí)序依賴關(guān)系的映射拓?fù)湮恢弥貥?gòu)能夠更好地理解數(shù)據(jù)之間的關(guān)系和聯(lián)系，構(gòu)建工業(yè)特征映射空間模型將數(shù)據(jù)在特征空間中進(jìn)行有效的表示和分析，多維度異常檢測(cè)和局部異常分布挖掘準(zhǔn)確識(shí)別高頻異常區(qū)域，得到高頻異常區(qū)域幫助及早發(fā)現(xiàn)異常情況，提高工業(yè)系統(tǒng)的穩(wěn)定性和安全性，多點(diǎn)異常演化追蹤和多維分布可視化直觀展示異常數(shù)據(jù)的演化過(guò)程和特征，構(gòu)建異常演化軌跡可視化視圖幫助用戶更好地理解異常數(shù)據(jù)的變化規(guī)律和趨勢(shì)，異常歸因量化分析和自適應(yīng)異常優(yōu)化決策深入理解異常數(shù)據(jù)的根本原因并制定有效的處理策略，構(gòu)建異常軌跡優(yōu)化策略根據(jù)異常數(shù)據(jù)的實(shí)際情況實(shí)時(shí)調(diào)整決策，提高問(wèn)題解決效率和準(zhǔn)確性。