本發(fā)明涉及一種用于檢測(cè)配送網(wǎng)絡(luò)，特別是牛頓流體的配送網(wǎng)絡(luò)，更特別地飲用水供應(yīng)網(wǎng)絡(luò)中的異常的方法。

背景技術(shù)：

操作性能處于飲用水供應(yīng)系統(tǒng)管理的核心地位。借助在飲用水的運(yùn)輸及配送網(wǎng)絡(luò)上的液壓(hydraulic)異常的檢測(cè)和定位工具，可以顯著改善性能等級(jí)。

本發(fā)明可以被用于全部牛頓流體網(wǎng)絡(luò)，例如供熱和空氣調(diào)節(jié)城市網(wǎng)絡(luò)。

對(duì)于異常檢測(cè)，已知被飲用水網(wǎng)絡(luò)的運(yùn)營(yíng)者廣泛使用的基于統(tǒng)計(jì)技術(shù)的異常檢測(cè)方法，諸如網(wǎng)絡(luò)區(qū)域的最小流率分析之類。這些方法并非總是允許表示異常的特征，也并非總是允許定位異常。

還已知基于液壓模型的檢測(cè)方法。這些基于液壓方程式的方法使用網(wǎng)絡(luò)的建模，所述建模并非總是可用的。異常的檢測(cè)和定位將數(shù)學(xué)工具和物理測(cè)量結(jié)合起來(lái)，這意味著實(shí)施恰當(dāng)?shù)膬x器密度。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提出一種異常檢測(cè)方法，該異常檢測(cè)方法性能良好，同時(shí)對(duì)輸入數(shù)據(jù)要求很低并且在信息處理的能力方面相對(duì)節(jié)約。

根據(jù)本發(fā)明，一種用于檢測(cè)配送網(wǎng)絡(luò)中的異常的方法，特別是牛頓流體的配送網(wǎng)絡(luò)，更特別地飲用水供應(yīng)網(wǎng)絡(luò)，所述配送網(wǎng)絡(luò)裝配有傳感器，在所述方法中，針對(duì)每個(gè)傳感器獲取由時(shí)間間隔分開(kāi)的物理測(cè)量結(jié)果的時(shí)間序列，其特征在于以下步驟：

-定義時(shí)間窗口，每個(gè)時(shí)間窗口對(duì)應(yīng)于多個(gè)時(shí)間間隔，

-在每個(gè)時(shí)間窗口中從每個(gè)時(shí)間序列提取操作特征，

-針對(duì)每個(gè)時(shí)間窗口形成至少一個(gè)當(dāng)前向量，所述至少一個(gè)當(dāng)前向量把操作特征、與網(wǎng)絡(luò)相關(guān)的結(jié)構(gòu)數(shù)據(jù)以及時(shí)間窗口特有的形勢(shì)特征作為坐標(biāo)，

-將當(dāng)前向量與對(duì)應(yīng)于先前時(shí)間窗口的先前向量進(jìn)行比較，并且先前向量的形勢(shì)特征和結(jié)構(gòu)數(shù)據(jù)與當(dāng)前向量的形勢(shì)特征和結(jié)構(gòu)數(shù)據(jù)相似，

-在當(dāng)前向量與所述先前向量顯著不相似的情況下，指示異常。

為了將當(dāng)前向量與先前向量進(jìn)行比較，定義對(duì)應(yīng)于最小不同程度的靈敏度參數(shù)，超過(guò)該靈敏度參數(shù)，當(dāng)前向量被看作顯著不相似。

時(shí)間序列的兩個(gè)測(cè)量結(jié)果之間的時(shí)間間隔例如是數(shù)分鐘，例如3分鐘。

時(shí)間窗口典型地是一天或一周。因此，時(shí)間序列典型地包括多個(gè)測(cè)量結(jié)果?？梢杂欣蒯槍?duì)不同持續(xù)時(shí)間的時(shí)間窗口同時(shí)實(shí)施所述方法。

在時(shí)間窗口期間，由傳感器測(cè)量的并構(gòu)成時(shí)間序列的參數(shù)經(jīng)受變化，例如，根據(jù)諸如小時(shí)、一周中的天、季節(jié)、天氣等之類的形勢(shì)參數(shù)，根據(jù)例如閥門的閉合、泵的停止之類的網(wǎng)絡(luò)的結(jié)構(gòu)數(shù)據(jù)，并且還根據(jù)在網(wǎng)絡(luò)上的一個(gè)或更多個(gè)異常而經(jīng)受變化。

根據(jù)本發(fā)明，形成具有代表時(shí)間序列的維度、代表形勢(shì)參數(shù)的維度、和代表結(jié)構(gòu)數(shù)據(jù)的維度的向量。

本發(fā)明的基礎(chǔ)思路是，如果代表形勢(shì)參數(shù)以及結(jié)構(gòu)數(shù)據(jù)的維度已經(jīng)被恰當(dāng)?shù)剡x擇，那么具有基本相同的針對(duì)形勢(shì)和結(jié)構(gòu)維度的坐標(biāo)的向量應(yīng)當(dāng)也具有基本相同的針對(duì)操作維度的坐標(biāo)。在相反情況下，指示異常。

考慮到在每個(gè)時(shí)間序列中典型地大量數(shù)字值，如果全部這些數(shù)字值中的每一個(gè)變?yōu)橄蛄康南鄳?yīng)維度的坐標(biāo)，那么本方法應(yīng)當(dāng)處理具有非常大維度數(shù)目的向量。因此，本發(fā)明的另一個(gè)基礎(chǔ)思路在于從每個(gè)時(shí)間序列提取特征，并隨后為向量的坐標(biāo)使用這些特征。

從時(shí)間序列提取的特征可以包括最大值、最小值和/或平均值、和/或甚至基本頻率，所述基本頻率特別地是通過(guò)將時(shí)間序列分解成傅里葉級(jí)數(shù)來(lái)獲得的。一些形勢(shì)參數(shù)或結(jié)構(gòu)數(shù)據(jù)(例如環(huán)境溫度或閥門的狀態(tài))還可以按時(shí)間序列的形式可用，所述時(shí)間序列被處理以便從中提取構(gòu)成代替原始數(shù)據(jù)或測(cè)量結(jié)果的向量的坐標(biāo)的特征。

為了特征提取，甚至可以聚合測(cè)量結(jié)果的時(shí)間序列?？梢岳邕M(jìn)行根據(jù)遠(yuǎn)程讀取已知的消耗的疊加，并因此獲得唯一總測(cè)量結(jié)果，或甚至總消耗的時(shí)間序列，例如在一周的時(shí)間窗口的情況下，按天的測(cè)量結(jié)果。

以有利的方式，一些形勢(shì)特征至少部分地基于來(lái)自經(jīng)驗(yàn)的假設(shè)。例如，可以設(shè)置針對(duì)個(gè)體的取決于小時(shí)、周中的天、季節(jié)、外部溫度、降雨、住房的居住者的數(shù)目等的水消耗的趨勢(shì)。

在有利的實(shí)施方式中，在異常情況下，將當(dāng)前向量與具有相似的形勢(shì)特征和結(jié)構(gòu)數(shù)據(jù)并且操作特征也與當(dāng)前向量盡可能接近的至少一個(gè)先前向量進(jìn)行比較，并且指示至少一個(gè)操作特征，對(duì)于該操作特征，當(dāng)前向量具有與所述至少一個(gè)先前向量相比的大偏差。

優(yōu)選地，通過(guò)異常的特征表示軟件來(lái)處理已經(jīng)導(dǎo)致指示至少一個(gè)異常的情況。當(dāng)這種軟件進(jìn)一步利用已經(jīng)可用的關(guān)于具有異常值的參數(shù)(或向量的坐標(biāo))的信息僅處理被挑選作為異常的情況時(shí)，這種軟件以非常高效率的方式運(yùn)行。

結(jié)果，即在由上面指出的特征表示軟件處理后確定的網(wǎng)絡(luò)異?；蛳蛄慨惓＃瑑?yōu)選地參考異常的嚴(yán)重性等級(jí)被提供。

已經(jīng)量化了異常嚴(yán)重性，在多個(gè)同時(shí)異常的情況下，可以根據(jù)其緊急性和/或根據(jù)相對(duì)應(yīng)的校正介入的規(guī)模對(duì)異常相對(duì)于彼此賦予優(yōu)先級(jí)。

在優(yōu)選的實(shí)施方式中，沒(méi)有異常的向量被分類到與基本等價(jià)的其他向量相同的存儲(chǔ)器室中，并且每次計(jì)算了當(dāng)前向量，就搜索包含與該當(dāng)前向量最類似的之前的向量的存儲(chǔ)器室，并且不將該當(dāng)前向量與該室的先前向量進(jìn)行比較。因此，減小了所需的處理能力以及獲得結(jié)果的時(shí)延。

為其形勢(shì)坐標(biāo)和/或?qū)?yīng)于網(wǎng)絡(luò)的結(jié)構(gòu)數(shù)據(jù)的坐標(biāo)不與任何現(xiàn)存室相對(duì)應(yīng)的向量創(chuàng)建新的存儲(chǔ)器室。例如，對(duì)于夏季的月份，異乎尋常涼爽的天氣可以導(dǎo)致創(chuàng)建新的室。

有利地，在時(shí)間上分析相同室的向量的演變，并提供關(guān)于網(wǎng)絡(luò)的演變的信息。因此例如，可以檢測(cè)初始輕微但是具有加重趨勢(shì)并可能變得嚴(yán)重的泄漏，然而在室中最相似的向量的簡(jiǎn)單搜索檢測(cè)不出增長(zhǎng)的泄漏，因?yàn)樽罱南惹跋蛄繉⒈憩F(xiàn)得極為相似并將導(dǎo)致得出沒(méi)有異常的結(jié)論。

在進(jìn)一步改進(jìn)的版本中，在不同的室中比較所述演變，并提供區(qū)別網(wǎng)絡(luò)狀態(tài)的演變與網(wǎng)絡(luò)上的形勢(shì)參數(shù)的后果的演變的信息。例如，僅在非常熱的日子里增長(zhǎng)的消耗指示消費(fèi)者習(xí)慣的演變，而不是網(wǎng)絡(luò)經(jīng)受逐漸增長(zhǎng)的泄漏。

為了減輕處理并精煉結(jié)果，非常有利地，針對(duì)每個(gè)時(shí)間窗口提供多個(gè)向量，多個(gè)向量中的每一個(gè)與分別形成網(wǎng)絡(luò)的部分的子網(wǎng)絡(luò)相對(duì)應(yīng)。因此，處理更小的向量并給出了更容易地定位異常的額外的機(jī)會(huì)。

在檢測(cè)到異常的情況下，比較地分析當(dāng)前向量與可比近期的異常向量，從而提供針對(duì)異常演變速度以及/或者異常與至少一個(gè)形勢(shì)參數(shù)和/或結(jié)構(gòu)數(shù)據(jù)的聯(lián)系的指示。

在異常情況下，還可以在先前向量中搜索已經(jīng)導(dǎo)致診斷的可比較的異常，從而提供當(dāng)前異常的原因的預(yù)診斷。

在初始化步驟時(shí)，有利地可以根據(jù)本發(fā)明用根據(jù)與網(wǎng)絡(luò)相關(guān)的檔案重新構(gòu)成的向量加載存儲(chǔ)器。

向量的分量?jī)?yōu)選地包括與由網(wǎng)絡(luò)供應(yīng)的消費(fèi)者的抱怨(例如針對(duì)流率、壓力、味道等)相關(guān)的至少一個(gè)分量。

附圖說(shuō)明

根據(jù)下面關(guān)于非限制性的例子并參考附圖1的描述，本發(fā)明的其他特性及優(yōu)點(diǎn)將變得更清楚，圖1表示所描述的例子中的主要步驟的流程圖。

具體實(shí)施方式

初步說(shuō)明

接下來(lái)的描述是關(guān)于其包含的任何特性的描述，可以獨(dú)立于其他特性考慮所述特性，即使這些特性形成相同段落或相同句子的部分，并且接下來(lái)的描述是關(guān)于這些特性的任何組合的描述，因此，無(wú)論與上面介紹的概念結(jié)合與否，這種特性或特性的組合是區(qū)別于現(xiàn)有技術(shù)的并提供了技術(shù)效果，并且該特性可以用本說(shuō)明書中的相同術(shù)語(yǔ)或相對(duì)而言更一般的術(shù)語(yǔ)表達(dá)。

定義

實(shí)體：飲用水網(wǎng)絡(luò)或飲用水供應(yīng)系統(tǒng)的組件，例如液壓區(qū)域或測(cè)量/傳感器設(shè)備。一個(gè)實(shí)體與一個(gè)或更多個(gè)時(shí)間序列相關(guān)聯(lián)。

時(shí)間序列：由時(shí)間索引的標(biāo)量數(shù)據(jù)的有限序列，該序列通常被恒定的持續(xù)時(shí)間分隔開(kāi)。

分類：在沒(méi)有其他明確表示的情況下，表示使得向?qū)嶓w的狀態(tài)分配已知類的過(guò)程，該已知類導(dǎo)致來(lái)自網(wǎng)絡(luò)運(yùn)營(yíng)者的預(yù)定的動(dòng)作。

分類生成(“簇”(clustering))：在沒(méi)有其他明確表示的情況下，表示使得將實(shí)體的狀態(tài)與一組先前狀態(tài)相關(guān)聯(lián)，以便確定異常特點(diǎn)或新特點(diǎn)的過(guò)程。

測(cè)量：是在相對(duì)應(yīng)的單元中量值的評(píng)估，這些值形成由數(shù)據(jù)獲取系統(tǒng)提供的時(shí)間序列。測(cè)量與飲用水網(wǎng)絡(luò)的具體基本組件(對(duì)于流率測(cè)量的弧或段，對(duì)于壓力測(cè)量的節(jié)點(diǎn)，對(duì)于水位測(cè)量的儲(chǔ)罐)相關(guān)聯(lián)。

遠(yuǎn)程讀取的數(shù)據(jù)：對(duì)于流量計(jì)的消耗讀數(shù)序列，所述數(shù)據(jù)在給定的周期被測(cè)量，并且例如每天至少一次被遠(yuǎn)程傳送。

特征：構(gòu)成對(duì)所研究的過(guò)程有意義的信息的標(biāo)量或向量，此處，針對(duì)給定時(shí)間窗口的網(wǎng)絡(luò)狀態(tài)。

原理

在本發(fā)明的該實(shí)施方式中實(shí)施以下原理：

·借助現(xiàn)有技術(shù)的方法的信號(hào)預(yù)處理，該信號(hào)預(yù)處理允許從信號(hào)中補(bǔ)全或消除噪聲。

·針對(duì)給定時(shí)間窗口的實(shí)體的運(yùn)行狀態(tài)的特征向量的產(chǎn)生。這是通過(guò)以下聚合實(shí)現(xiàn)的：

ο通過(guò)信號(hào)的分解/處理方法主要從實(shí)體的時(shí)間序列中提取的特征的聚合，

ο來(lái)自行業(yè)性能指數(shù)和形勢(shì)數(shù)據(jù)的特征的聚合。

·來(lái)自于機(jī)器學(xué)習(xí)(machine learning)技術(shù)的分類算法和“簇”算法的使用，針對(duì)給定時(shí)間窗口所述算法被應(yīng)用于實(shí)體的特征向量。這允許隨后實(shí)體的狀態(tài)(比如由特征向量表示的狀態(tài))被改編為網(wǎng)絡(luò)運(yùn)營(yíng)者的已知類別，以便對(duì)這些情況分類并對(duì)要進(jìn)行的校正動(dòng)作賦予優(yōu)先級(jí)。分類/簇算法在目標(biāo)功能和網(wǎng)絡(luò)管理的操作約束(例如，針對(duì)簡(jiǎn)單的維護(hù)操作的可用人員、用于為較復(fù)雜的操作設(shè)置隊(duì)伍的期限、異常出現(xiàn)的日期和其檢測(cè)的日期之間的期限等)上被調(diào)整。

·可選地使用影響實(shí)體運(yùn)行的背景數(shù)據(jù)，用于明確實(shí)體狀態(tài)的描述。

·來(lái)自機(jī)器學(xué)習(xí)(machine learning)技術(shù)的異常檢測(cè)/評(píng)估(detection/scoring)算法的使用，所述算法借助響應(yīng)于網(wǎng)絡(luò)運(yùn)營(yíng)者的操作約束而被調(diào)整/優(yōu)化。這些算法被應(yīng)用于特征向量。

輸入數(shù)據(jù)和參數(shù)選擇：三個(gè)數(shù)據(jù)集合：

結(jié)構(gòu)數(shù)據(jù)由網(wǎng)絡(luò)的基礎(chǔ)設(shè)施以及所安裝的設(shè)備(閥門、傳感器、泵等)的描述數(shù)據(jù)構(gòu)成。

在準(zhǔn)備階段中方法的實(shí)施參數(shù)以自動(dòng)的方式被調(diào)整，準(zhǔn)備階段自身是自動(dòng)化的以便允許在系統(tǒng)檢測(cè)到性能損失或其基礎(chǔ)設(shè)施的演變時(shí)進(jìn)行修正。

操作數(shù)據(jù)來(lái)自出現(xiàn)在網(wǎng)絡(luò)上的所有測(cè)量系統(tǒng)。當(dāng)數(shù)據(jù)可用時(shí)，這些數(shù)據(jù)還包括遠(yuǎn)程讀取的消耗數(shù)據(jù)、客戶抱怨以及對(duì)網(wǎng)絡(luò)表現(xiàn)具有影響的介入。

基本方法(見(jiàn)圖1)

測(cè)量的時(shí)間序列的預(yù)處理

這些方法允許獲得在必要時(shí)補(bǔ)全、平滑/消除了噪聲的測(cè)量的時(shí)間序列。所得到的時(shí)間序列隨后準(zhǔn)備好被用作特征提取算法的輸入數(shù)據(jù)。

還實(shí)現(xiàn)了將序列組合成聚合信號(hào)。例如，液壓區(qū)域的輸入/輸出流率的時(shí)間序列的代數(shù)和被轉(zhuǎn)換為液壓區(qū)域的消耗序列。

在特征提取階段中，還可以針對(duì)所使用的算法中的一些算法的需求變換(例如，標(biāo)準(zhǔn)化)所述序列。

產(chǎn)生于信號(hào)分解的特征的提取

該方法包括使用如上面描述的預(yù)先消除/平滑了的時(shí)間序列，以便從中提取允許以運(yùn)算的方式表示實(shí)體狀態(tài)的特征的恰當(dāng)信息。這涉及產(chǎn)生概括序列結(jié)構(gòu)的信息(傅里葉分解，小波分解，主分量分解……)，同時(shí)減小復(fù)雜度以便集中信號(hào)的恰當(dāng)部分。

定期地評(píng)估分解的不同基礎(chǔ)(base)，以便追蹤算法的性能并當(dāng)所述基礎(chǔ)被評(píng)估為不夠精細(xì)時(shí)更新這些基礎(chǔ)(監(jiān)督)。

因此，這些算法的輸出是概括由網(wǎng)絡(luò)運(yùn)營(yíng)者定義的時(shí)間窗口中的每個(gè)信號(hào)的特征向量。

行業(yè)特征的提取

站點(diǎn)的行業(yè)特征的構(gòu)造被自動(dòng)化并且基于：

·根據(jù)不同類型的網(wǎng)絡(luò)的經(jīng)驗(yàn)建立的特征參考集，

·目標(biāo)網(wǎng)絡(luò)的表現(xiàn)和結(jié)構(gòu)的觀察。

所述構(gòu)造例如可以基于針對(duì)給定時(shí)間窗口的參數(shù)的最小值的計(jì)算、儲(chǔ)罐的充滿/排空周期的定期性觀察、取決于其消費(fèi)者部分的遠(yuǎn)程流量計(jì)的平均消耗等級(jí)等。

實(shí)體的運(yùn)行狀態(tài)(運(yùn)行狀況)的評(píng)估算法

根據(jù)本發(fā)明的重要特性，為了描述網(wǎng)絡(luò)的運(yùn)行狀態(tài)，將來(lái)自行業(yè)專門知識(shí)的數(shù)據(jù)與來(lái)自信號(hào)分解方法的數(shù)據(jù)結(jié)合起來(lái)。這些數(shù)據(jù)互相豐富，同時(shí)作為輸出為每個(gè)實(shí)體給出全面地表示該實(shí)體的針對(duì)所考慮的網(wǎng)絡(luò)的運(yùn)行狀態(tài)的特征的向量。

借助特征向量，在給定時(shí)間窗口中的給定時(shí)間，可以表示所考慮的實(shí)體的運(yùn)行狀態(tài)或狀況。隨后，該狀態(tài)可以與先前狀態(tài)或與其他實(shí)體的狀態(tài)進(jìn)行比較，并根據(jù)表明要進(jìn)行的動(dòng)作的操作準(zhǔn)則被分類。為了實(shí)現(xiàn)該分類，可以實(shí)施諸如分類和簇之類的機(jī)器學(xué)習(xí)工具。

在分類的情況下，借助用可能的不同狀態(tài)標(biāo)記的并構(gòu)成組的歷史數(shù)據(jù)，學(xué)習(xí)過(guò)程將預(yù)先允許訓(xùn)練區(qū)分功能(分類)，該功能允許自動(dòng)地給出新?tīng)顟B(tài)所屬的組。

該區(qū)分功能可以通過(guò)優(yōu)化質(zhì)量準(zhǔn)則來(lái)獲得，例如非監(jiān)督模式中的慣性功能，或監(jiān)督模式中的分類錯(cuò)誤代理。

在缺少被標(biāo)記的歷史數(shù)據(jù)的情況下，分類生成(簇)技術(shù)允許根據(jù)相似性標(biāo)準(zhǔn)將狀態(tài)分組，并且因此允許區(qū)分屬于表示最少的類別的狀態(tài)。

對(duì)于網(wǎng)絡(luò)的運(yùn)營(yíng)者來(lái)說(shuō)分類生成技術(shù)具有利處，因?yàn)槠渲甘玖税错樞蚺帕械谋憩F(xiàn)。運(yùn)營(yíng)者因此可以將其注意力專注于該實(shí)體。

異常檢測(cè)算法

向狀態(tài)的特征向量應(yīng)用異常檢測(cè)算法。其涉及表示正在發(fā)生的或在最近結(jié)束的事件的特征。事件的類型對(duì)應(yīng)于由飲用水網(wǎng)絡(luò)的運(yùn)營(yíng)者跟蹤的事件(泄漏、壓力下降、傳感器故障、消耗異常等)的類別。

這些檢測(cè)算法被并行地啟動(dòng)，并且其結(jié)果被聚合用于對(duì)具有異常表現(xiàn)的實(shí)體的區(qū)分。所述算法被預(yù)先地針對(duì)歷史數(shù)據(jù)組調(diào)整，以便使其參數(shù)選擇適應(yīng)于網(wǎng)絡(luò)的操作約束。

推理特性

由上文闡述的組件構(gòu)成的集合可以被連接到飲用水供應(yīng)系統(tǒng)的運(yùn)營(yíng)者的技術(shù)信息系統(tǒng)。隨后，可用數(shù)據(jù)的每個(gè)源被連接到其專用的特征提取算法。根據(jù)數(shù)據(jù)獲取頻率，所述集合可以被規(guī)律地激活。在其上進(jìn)行分析的時(shí)間窗口是可由用戶調(diào)節(jié)的。不過(guò)，作為第一方法，使用24小時(shí)和7天的時(shí)間窗口是恰當(dāng)?shù)摹?/p>

在這些條件下，網(wǎng)絡(luò)的運(yùn)行狀態(tài)的特征表示以及相關(guān)聯(lián)的異常檢測(cè)與通常使用的方法相比，是更加恰當(dāng)?shù)模⑶矣纱孙@著改善了運(yùn)行效率。

在網(wǎng)絡(luò)中發(fā)生的事件的診斷階段中，例如為了操作總結(jié)的目的，所述方法通過(guò)對(duì)實(shí)際發(fā)生的情況進(jìn)行區(qū)分從而允許節(jié)省大量的時(shí)間。

將與信號(hào)相關(guān)的特征和行業(yè)特征組合起來(lái)，改善異常檢測(cè)的魯棒性。

算法靈敏度的調(diào)節(jié)，即對(duì)于每個(gè)實(shí)體的準(zhǔn)確檢測(cè)的數(shù)量與異常數(shù)量之間的平衡，例如允許使每種類型的異常的檢測(cè)與計(jì)劃并進(jìn)行校正動(dòng)作的操作者的能力相適應(yīng)。

實(shí)施例：氯與信號(hào)分解的例子

針對(duì)與飲用水網(wǎng)絡(luò)相關(guān)的信號(hào)使用諸如小波分解或傅里葉分解之類的信號(hào)分解方法，允許分離這些信號(hào)的不同分量(一日內(nèi)或不同日間)。這些分量的認(rèn)知分析算法，與行業(yè)專門知識(shí)有關(guān)地使得識(shí)別網(wǎng)絡(luò)的正常運(yùn)行的定義范圍。這允許在新的信號(hào)可用時(shí)，檢測(cè)這些分量的性質(zhì)中的顯著變化。

因此，觀察到的顯著偏差可以被解釋為非正常表現(xiàn)的標(biāo)識(shí)符。隨后可以執(zhí)行搜索算法的第二集合。例如，基于特征向量(例如包括客戶抱怨)的分類算法允許幫助定義所達(dá)到的風(fēng)險(xiǎn)等級(jí)。

通過(guò)使用在飲用水網(wǎng)絡(luò)上的可用的測(cè)量點(diǎn)的集合，這種方法可以被應(yīng)用于水質(zhì)量的監(jiān)督，以便無(wú)論在是否聯(lián)合其他質(zhì)量參數(shù)的情況下，識(shí)別隱藏的結(jié)構(gòu)，并例如檢測(cè)針對(duì)殘留氯濃度的異常。所使用的客戶抱怨因此與水的味道相關(guān)。