异常设备识别方法和装置与流程

本发明涉及计算机技术领域，尤其涉及一种异常设备识别方法和装置。

背景技术：

agv(automatedguidedvehicle，自动导引运输车)在实际运行中，通常会产生各种异常。在出现严重异常时，agv小车无法正常使用，从而影响无人仓的生产。如何有效识别出哪些agv小车存在异常，以便提前下线异常agv小车并对其进行保养、诊断与维修，对无人仓的生产非常重要。

agv小车的性能参数很多，比如主控、运控、主板、底盘等相关参数。现有技术通常是对小车的单个指标进行监控，在单个指标超过阈值时认为小车可能出现异常。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：第一、现有技术只能对单个指标进行独立监测，不能方便、有效地综合考虑多个指标。第二、当监测指标较多时，各个指标相互独立，监测结果较为混乱，不易识别出哪辆agv小车可能出现异常。第三、现有技术只能对每个指标单独进行可视化。当监测指标较多时，会造成图表过多，导致无法直观看出哪些agv小车可能出现异常。

技术实现要素：

有鉴于此，本发明提供一种异常设备识别方法和装置，能够快速、有效地识别出异常设备，提高异常设备的识别准确率。

为实现上述目的，根据本发明的一个方面，提供了一种异常设备识别方法。

本发明的异常设备识别方法包括：对监测数据进行主成分分析，以得到多个主成分；其中，所述监测数据包括设备的多个性能指标；确定每个设备对所述多个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量；判断所述f统计量是否大于或等于预设显著性水平对应的f值；若是，则将该设备识别为异常设备。

可选地，所述每个设备对所述多个主成分的累计贡献率满足：

其中，ti²为第i个设备对所述多个主成分的累计贡献率；n为监测的设备的数量；th,i为在第h个主成分对应的特征向量中，第i个设备对应的分量值；为第h个主成分的方差；m为主成分的数量。

可选地，所述设备的f统计量满足：

其中，fi(m,n-m)为第i个设备的f统计量；m为主成分的数量；n为监测的设备的数量；ti²为第i个设备对所述多个主成分的累计贡献率。

可选地，所述多个主成分为两个；所述方法还包括：以一个主成分th＝1为横轴、以另一主成分th＝2为纵轴，构建设备的可视化监控图；所述可视化监控图包括每个设备的监控分布点(th＝1,i,th＝2,i)以及预设椭圆；其中，th＝1,i为第i个设备的分布点的横坐标，表示在一个主成分对应的特征向量中第i个设备对应的分量值；th＝2,i为第i个设备的分布点的纵坐标，表示在另一主成分对应的特征向量中第第i个设备对应的分量值；所述预设椭圆满足：

其中，为一个主成分的方差；为另一主成分的方差；n为监测的设备的数量；fα(2,n-2)为f分布表中预设显著性水平α对应的f值。

可选地，所述判断所述f统计量是否大于或等于预设显著性水平对应的f值的步骤包括：判断所述设备的分布点是否位于所述预设椭圆外部。

可选地，所述方法还包括：判断所述设备的分布点随时间的变动是否满足预设条件；若是，则将该设备识别为异常设备；其中，所述预设条件为：所述设备的分布点由所述预设椭圆内部移动至外部或者由所述预设椭圆外部移动至内部，或者所述设备的分布点发生跨象限移动。

为实现上述目的，根据本发明的另一方面，提供了一种异常设备识别装置。

本发明的异常设备识别装置包括：分析模块，用于对监测数据进行主成分分析，以得到多个主成分；其中，所述监测数据包括设备的多个性能指标；确定模块，用于确定每个设备对所述多个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量；识别模块，用于判断所述f统计量是否大于或等于预设显著性水平对应的f值；若是，则所述识别模块将该设备识别为异常设备。

可选地，所述每个设备对所述多个主成分的累计贡献率满足：

其中，ti²为第i个设备对所述多个主成分的累计贡献率；n为监测的设备的数量；th,i为在第h个主成分对应的特征向量中，第i个设备对应的分量值；为第h个主成分的方差；m为主成分的数量。

可选地，所述设备的f统计量满足：

其中，fi(m,n-m)为第i个设备的f统计量；m为主成分的数量；n为监测的设备的数量；ti²为第i个设备对所述多个主成分的累计贡献率。

可选地，所述装置还包括：构建模块，用于以一个主成分th＝1为横轴、以另一主成分th＝2为纵轴，构建设备的可视化监控图；所述可视化监控图包括每个设备的监控分布点(th＝1,i,th＝2,i)以及预设椭圆；其中，th＝1,i为第i个设备的分布点的横坐标，表示在一个主成分对应的特征向量中第i个设备对应的分量值；th＝2,i为第i个设备的分布点的纵坐标，表示在另一主成分对应的特征向量中第第i个设备对应的分量值；所述预设椭圆满足：

其中，为一个主成分的方差；为另一主成分的方差；n为监测的设备的数量；fα(2,n-2)为f分布表中预设显著性水平α对应的f值。

可选地，所述识别模块判断所述f统计量是否大于或等于预设显著性水平对应的f值包括：所述识别模块判断所述设备的分布点是否位于所述预设椭圆外部。

可选地，所述识别模块还用于：判断所述设备的分布点随时间的变动是否满足预设条件；若是，则将该设备识别为异常设备；其中，所述预设条件为：所述设备的分布点由所述预设椭圆内部移动至外部或者由所述预设椭圆外部移动至内部，或者所述设备的分布点发生跨象限移动。

为实现上述目的，根据本发明的再一个方面，提供了一种电子设备。

本发明的电子设备，包括：一个或多个处理器；以及，存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明的异常设备识别方法。

为实现上述目的，根据本发明的又一个方面，提供了一种计算机可读介质。

本发明的计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明的异常设备识别方法。

上述发明中的一个实施例具有如下优点或有益效果：通过对监测数据进行主成分分析得到多个主成分，能够对监测的多个性能指标进行融合以及实现数据由高维到低维的降维；进一步，通过确定每个设备对所述多个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量等步骤能够构建合适的统计量，并基于该统计量快速、有效地识别出异常设备，提高异常设备的识别准确率。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明一个实施例的异常设备识别方法的主要流程示意图；

图2是根据本发明另一实施例的异常设备识别方法的主要流程示意图；

图3a是根据本发明实施例的的agv可视化监控示意图一；

图3b是根据本发明实施例的agv可视化监控示意图二；

图3c是根据本发明实施例的agv可视化监控示意图三；

图4是根据本发明一个实施例的异常设备识别装置的主要模块示意图；

图5是根据本发明另一实施例的异常设备识别装置的主要模块示意图；

图6是本发明实施例可以应用于其中的示例性系统架构图；

图7是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要指出的是，在不冲突的情况下，本发明中的实施例以及实施例中的特征可以相互组合。

图1是根据本发明一个实施例的异常设备识别方法的主要流程示意图。如图1所示，本发明实施例的异常设备识别方法包括：

步骤s101、对监测数据进行主成分分析，以得到多个主成分；其中，所述监测数据包括设备的多个性能指标。

示例性地，所述设备可以为agv小车、穿梭车或者其他设备。通常，需要监测的agv小车的性能指标的个数不少于3个，但也不宜太多。具体实施时，需要监测的agv小车的性能指标包括但不限于以下任意一项或多项：左轮伺服负载率、右轮伺服负载率、托盘伺服负载率、举升伺服负载率、左轮伺服电压、右轮伺服电压、托盘伺服电压、举升伺服电压、左轮实际速度、右轮实际速度、左轮码盘值差值、右轮码盘值差值等。

主成分分析是多元统计中的已有方法，简单的讲，就是用少数变量的线性组合代替原有变量，而线性组合系数可通过求解矩阵的特征值得到。在本发明实施例中，当输入监测数据之后，根据主成分分析方法即可输出主成分。例如，假设监测的性能指标有p个，监测的设备(即样本点)有n个，则监测数据为n*p(表示n乘以p)的矩阵，通过对监测数据进行主成分分析，最多可输出m个主成分来替代原有的p个性能指标(m<p)。其中，每个主成分是原有p个性能指标的线性组合。另外，主成分分析的输出结果还包括每个主成分的线性组合系数(即原有样本协方差矩阵的特征值)以及每个特征值对应的特征向量。

步骤s102、确定每个设备对所述多个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量。

其中，f统计量是指在零假设成立的情况下，符合f分布的统计量。

示例性地，第i个设备(i＝1,2…n)对第h个主成分th的贡献率可定义为：

进而，第i个设备(i＝1,2…n)对所述多个主成分的累计贡献率ti²满足：

其中，ti²为第i个设备对所述多个主成分的累计贡献率，i＝1,2…n；n为监测的设备的数量；th,i为在第h个主成分对应的特征向量中，第i个设备对应的分量值；为第h个主成分的方差；m为主成分的数量。

进一步，在该示例中，第i个设备的f统计量可定义为：

其中，fi(m,n-m)为第i个设备的f统计量；m为主成分的数量；n为监测的设备的数量；ti²为第i个设备对所述多个主成分的累计贡献率。

步骤s103、在所述f统计量大于或等于预设显著性水平对应的f值的情况下，将该设备识别为异常设备。

其中。所述f值为f分布临界值表(或称为f分布表)中的f值。通常，ti²值不会过大。若ti²值过大，则认为设备(比如agv小车)可能存在异常。具体地，在该步骤中，可通过判断f统计量是否大于或等于预设显著性水平对应的f值来衡量ti²值是否过大。若f统计量大于或等于预设显著性水平对应的f值，即

则认为ti²值过大，进而将该设备识别为异常设备。其中，所述预设显著性水平α优选为0.05，也可以为0.04或其他可选数值。

在本发明实施例中，通过步骤s101能够对监测的多个性能指标进行融合以及实现数据由高维到低维的降维；进一步，通过步骤102和步骤s103能够构建合适的统计量，并基于该统计量快速、有效地识别出异常设备，提高异常设备的识别准确率。

图2是根据本发明另一实施例的异常设备识别方法的主要流程示意图。如图2所示，本发明实施例的异常设备识别方法包括：

步骤s201、对监测数据进行主成分分析，以得到第一主成分和第二主成分。

示例性地，所述设备可以为agv小车、穿梭车或者其他设备。通常，需要监测的agv小车的性能指标的个数不少于3个，但也不宜太多。具体实施时，需要监测的agv小车的性能指标包括但不限于以下任意一项或多项：左轮伺服负载率、右轮伺服负载率、托盘伺服负载率、举升伺服负载率、左轮伺服电压、右轮伺服电压、托盘伺服电压、举升伺服电压、左轮实际速度、右轮实际速度、左轮码盘值差值、右轮码盘值差值等。

主成分分析是多元统计中的已有方法，简单的讲，就是用少数变量的线性组合代替原有变量，而线性组合系数可通过求解矩阵的特征值得到。在本发明实施例中，当输入监测数据之后，根据主成分分析方法即可输出第一主成分和第二主成分。例如，假设监测的性能指标有p个，监测的设备(即样本点)有n个，则监测数据为n*p的矩阵，通过对监测数据进行主成分分析，可输出特征值最大的前两个主成分(即第一主成分和第二主成分)来替代原有的p个性能指标。其中，这两个主成分均为原有p个性能指标的线性组合。另外，主成分分析的输出结果还包括这两个主成分的线性组合系数(即原有样本协方差矩阵的特征值)以及每个特征值对应的特征向量。

步骤s202、确定每个设备对两个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量。

示例性地，第i个设备(i＝1,2…n)对第h个主成分th的贡献率可定义为：

进而，第i个设备(i＝1,2…n)对多个主成分的累计贡献率ti²满足：

其中，ti²为第i个设备对所述多个主成分的累计贡献率，i＝1,2…n；n为监测的设备的数量；th,i为在第h个主成分对应的特征向量中，第i个设备对应的分量值；为第h个主成分的方差；m为主成分的数量，在本发明实施例中m＝2。

进一步，在该示例中，第i个设备的f统计量可定义为：

其中，fi(m,n-m)为第i个设备的f统计量；m为主成分的数量，在本发明实施例中m＝2；n为监测的设备的数量；ti²为第i个设备对所述多个主成分的累计贡献率。

步骤s203、以第一主成分为横轴、以第二主成分为纵轴，构建设备的可视化监控图；所述可视化监控图包括每个设备的监控分布点以及预设椭圆。

具体地，第一主成分可表示为th＝1，第二主成分可表示为th＝2，每个设备的监控分布点可表示为(th＝1,i,th＝2,i)。其中，th＝1,i为第i个设备的分布点的横坐标，表示在一个主成分对应的特征向量中第i个设备对应的分量值；th＝2,i为第i个设备的分布点的纵坐标，表示在另一主成分对应的特征向量中第第i个设备对应的分量值。所述预设椭圆满足：

其中，为一个主成分的方差；为另一主成分的方差；n为监测的设备的数量；fα(2,n-2)为f分布表中预设显著性水平α对应的f值。α的优选取值为0.05，也可以为0.04或其他可选数值。

步骤s204、判断设备的分布点是否位于所述预设椭圆外部。若是，执行步骤s205；若否，执行步骤s206。

在该步骤中，若设备的分布点位于所述预设椭圆外部，则认为ti²值过大，进而认为设备(比如agv小车)可能存在异常。这一判断条件的推导过程如下：如前所述，可通过判断f统计量是否大于或等于预设显著性水平对应的f值来衡量ti²值是否过大，进而识别设备是否存在异常。若f统计量大于或等于预设显著性水平对应的f值，则有：

进而，

由于在本发明实施例中m＝2，进而，

若记

则有

上式表示设备的分布点(th＝1,i,th＝2,i)位于所述预设椭圆外部。也就是说，当设备的分布点(th＝1,i,th＝2,i)位于所述预设椭圆外部时，认为该设备为异常设备。

步骤s205、将所述设备识别为异常设备。

步骤s206、判断设备的分布点随时间的变动是否满足预设条件。若是，执行步骤s205；若否，执行步骤s207。

其中，所述预设条件为：所述设备的分布点由所述预设椭圆内部移动至外部或者由所述预设椭圆外部移动至内部，或者所述设备的分布点发生跨象限移动。例如，在多个不同时间的可视化监控图中，假设一个设备的分布点由所述预设椭圆内部移动到所述预设椭圆外部，则认为该设备为异常设备。又例如，在多个不同时间的可视化监控图中，假设一个设备的分布点由第一象限移动至第二象限，则认为该设备为异常设备。

步骤s207、将所述设备识别为正常设备。

在本发明实施例中，通过对监测数据进行主成分分析以得到第一主成分和第二主成分，能够对监测的各个性能指标进行整体的融合，实现对数据从高维到低维的降维；进一步，通过确定每个设备对两个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量等步骤能够构造合适的统计量，并基于该统计量快速、有效地识别出异常设备，提高异常设备的识别准确率。另外，通过构建可视化监控图，能够简明、直观地将结果展现出来，用户只需观察图中各设备分布点所处位置以及分布点随时间的变动，即可快速识别出异常设备，实现对异常设备的动态监测预警。

下面结合图3a至图3c对本发明的可视化监控图进行示例性说明。在该示例中，根据30辆agv小车在10天内的监测数据绘制得到了10张可视化监控图。其中，图3a是第1天的agv小车可视化监控图，图3b是第5天的agv小车可视化监控示意图，图3c是第10天的agv小车可视化监控示意图。如图3a至图3c所示，总体上，绝大部分agv小车的位置都较为稳定，表明绝大部分agv小车没有出现异常，不需要对其预警。变化最为明显的是，编号为19的agv小车从圈外逐步移到了圈内，编号为10的agv小车从圈内逐步移到了圈外，因此，这两辆agv小车很可能存在异常。另外，综合“判断agv小车的分布点是否位于预设椭圆外部”这一条件，可以更好地说明编号为10、编号为19的agv小车很可能存在异常，需要对其预警。

图4是根据本发明一个实施例的异常设备识别装置的主要模块示意图。如图4所示，本发明实施例的异常设备识别装置400包括：

分析模块401，用于对监测数据进行主成分分析，以得到多个主成分。其中，所述监测数据包括设备的多个性能指标。

示例性地，所述设备可以为agv小车、穿梭车或者其他设备。通常，需要监测的agv小车的性能指标的个数不少于3个，但也不宜太多。具体实施时，需要监测的agv小车的性能指标包括但不限于以下任意一项或多项：左轮伺服负载率、右轮伺服负载率、托盘伺服负载率、举升伺服负载率、左轮伺服电压、右轮伺服电压、托盘伺服电压、举升伺服电压、左轮实际速度、右轮实际速度、左轮码盘值差值、右轮码盘值差值等。

主成分分析是多元统计中的已有方法，简单的讲，就是用少数变量的线性组合代替原有变量，而线性组合系数可通过求解矩阵的特征值得到。在本发明实施例中，在输入监测数据之后，分析模块401根据主成分分析方法即可得到多个主成分。例如，假设监测的性能指标有p个，监测的设备(即样本点)有n个，则监测数据为n*p的矩阵，分析模块401通过对监测数据进行主成分分析，最多可得到m个主成分来替代原有的p个性能指标(m<p)。其中，每个主成分是原有p个性能指标的线性组合。另外，分析模块401还可得到每个主成分的线性组合系数(即原有样本协方差矩阵的特征值)以及每个特征值对应的特征向量。

确定模块402，用于确定每个设备对所述多个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量。

其中，f统计量是指在零假设成立的情况下，符合f分布的统计量。

示例性地，第i个设备(i＝1,2…n)对第h个主成分th的贡献率可定义为：

进而，第i个设备(i＝1,2…n)对所述多个主成分的累计贡献率ti²满足：

其中，ti²为第i个设备对所述多个主成分的累计贡献率，i＝1,2…n；n为监测的设备的数量；th,i为在第h个主成分对应的特征向量中，第i个设备对应的分量值；为第h个主成分的方差；m为主成分的数量。

进一步，在该示例中，第i个设备的f统计量可定义为：

其中，fi(m,n-m)为第i个设备的f统计量；m为主成分的数量；n为监测的设备的数量；ti²为第i个设备对所述多个主成分的累计贡献率。

识别模块403，用于判断所述f统计量是否大于或等于预设显著性水平对应的f值；若是，则识别模块403将该设备识别为异常设备。

其中。所述f值为f分布临界值表(或称为f分布表)中的f值。通常，ti²值不会过大。若ti²值过大，则认为设备(比如agv小车)可能存在异常。具体地，识别模块403可通过判断f统计量是否大于或等于预设显著性水平对应的f值来衡量ti²值是否过大。若f统计量大于或等于预设显著性水平对应的f值，即

则认为ti²值过大，进而识别模块403将该设备识别为异常设备。其中，所述预设显著性水平α优选为0.05，也可以为0.04或其他可选数值。

在本发明实施例中，通过分析模块401能够对监测的多个性能指标进行融合以及实现数据由高维到低维的降维；进一步，通过确定模块402和识别模块403能够构建合适的统计量，并基于该统计量快速、有效地识别出异常设备，提高异常设备的识别准确率。

图5是根据本发明另一实施例的异常设备识别装置的主要模块示意图。如图5所示，本发明实施例的异常设备识别装置500包括：分析模块501、确定模块502、构建模块503、识别模块504。

分析模块501，用于对监测数据进行主成分分析，以得到第一主成分和第二主成分。

示例性地，所述设备可以为agv小车。通常，需要监测的agv小车的性能指标的个数不少于3个，但也不宜太多。具体实施时，需要监测的agv小车的性能指标包括但不限于以下任意一项或多项：左轮伺服负载率、右轮伺服负载率、托盘伺服负载率、举升伺服负载率、左轮伺服电压、右轮伺服电压、托盘伺服电压、举升伺服电压、左轮实际速度、右轮实际速度、左轮码盘值差值、右轮码盘值差值等。

主成分分析是多元统计中的已有方法，简单的讲，就是用少数变量的线性组合代替原有变量，而线性组合系数可通过求解矩阵的特征值得到。在本发明实施例中，在输入监测数据之后，分析模块501根据主成分分析方法即可得到第一主成分和第二主成分。例如，假设监测的性能指标有p个，监测的设备(即样本点)有n个，则监测数据为n*p的矩阵，分析模块501通过对监测数据进行主成分分析，可得到特征值最大的前两个主成分(即第一主成分和第二主成分)来替代原有的p个性能指标。其中，这两个主成分均为原有p个性能指标的线性组合。另外，分析模块501还可得到这两个主成分的线性组合系数(即原有样本协方差矩阵的特征值)以及每个特征值对应的特征向量。

确定模块502，用于确定每个设备对两个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量。

示例性地，第i个设备(i＝1,2…n)对第h个主成分th的贡献率可定义为：

进而，第i个设备(i＝1,2…n)对多个主成分的累计贡献率ti²满足：

其中，ti²为第i个设备对所述多个主成分的累计贡献率，i＝1,2…n；n为监测的设备的数量；th,i为在第h个主成分对应的特征向量中，第i个设备对应的分量值；为第h个主成分的方差；m为主成分的数量，在本发明实施例中m＝2。

进一步，在该示例中，第i个设备的f统计量可定义为：

其中，fi(m,n-m)为第i个设备的f统计量；m为主成分的数量，在本发明实施例中m＝2；n为监测的设备的数量；ti²为第i个设备对所述多个主成分的累计贡献率。

构建模块503，用于以第一主成分为横轴、以第二主成分为纵轴，构建设备的可视化监控图。其中，所述可视化监控图包括每个设备的监控分布点以及预设椭圆。

具体地，第一主成分可表示为th＝1，第二主成分可表示为th＝2，每个设备的监控分布点可表示为(th＝1,i,th＝2,i)。其中，th＝1,i为第i个设备的分布点的横坐标，表示在一个主成分对应的特征向量中第i个设备对应的分量值；th＝2,i为第i个设备的分布点的纵坐标，表示在另一主成分对应的特征向量中第第i个设备对应的分量值。所述预设椭圆满足：

其中，为一个主成分的方差；为另一主成分的方差；n为监测的设备的数量；fα(2,n-2)为f分布表中预设显著性水平α对应的f值。α的优选取值为0.05，也可以为0.04或其他可选数值。

识别模块504，用于判断设备的分布点是否位于所述预设椭圆外部。若是，则识别模块504将所述设备识别为异常设备。

具体地，若设备的分布点位于所述预设椭圆外部，则识别模块504认为ti²值过大，进而认为设备(比如agv小车)可能存在异常。这一判断条件的推导过程如下：如前所述，可通过判断f统计量是否大于或等于预设显著性水平对应的f值来衡量ti²值是否过大，进而识别设备是否存在异常。若f统计量大于或等于预设显著性水平对应的f值，则有：

进而，

由于在本发明实施例中m＝2，进而，

若记

则有

上式表示设备的分布点(th＝1,i,th＝2,i)位于所述预设椭圆外部。也就是说，当设备的分布点(th＝1,i,th＝2,i)位于所述预设椭圆外部时，认为该设备为异常设备。

识别模块504，还用于判断设备的分布点随时间的变动是否满足预设条件。若是，则识别模块504将所述设备识别为异常设备。

其中，所述预设条件为：所述设备的分布点由所述预设椭圆内部移动至外部或者由所述预设椭圆外部移动至内部，或者所述设备的分布点发生跨象限移动。例如，在多个不同时间的可视化监控图中，假设一个设备的分布点由所述预设椭圆内部移动到所述预设椭圆外部，则认为该设备为异常设备。又例如，在多个不同时间的可视化监控图中，假设一个设备的分布点由第一象限移动至第二象限，则认为该设备为异常设备。

在本发明实施例中，通过分析模块501对监测数据进行主成分分析，能够对监测的各个性能指标进行整体的融合，实现对数据从高维到低维的降维；进一步，通过确定模块502、识别模块504确定每个设备对两个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量等步骤能够构造合适的统计量，并基于该统计量快速、有效地识别出异常设备，提高异常设备的识别准确率。另外，通过构建模块503构建可视化监控图，能够简明、直观地将结果展现出来，用户只需观察图中各设备分布点所处位置以及分布点随时间的变动，即可快速识别出异常设备，实现对异常设备的动态监测预警。

图6示出了可以应用本发明实施例的异常设备识别方法或异常设备识别装置的示例性系统架构600。

如图6所示，系统架构600可以包括终端设备601、602、603，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备601、602、603通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器605可以是提供各种服务的服务器，例如对用户利用终端设备601、602、603上传的设备监测数据进行处理的后台管理服务器。后台管理服务器可以对设备监测数据进行处理以识别异常设备，并将处理结果(例如异常设备识别结果)反馈给终端设备。

需要说明的是，本发明实施例所提供的异常设备识别方法一般由服务器605执行，相应地，异常设备识别装置一般设置于服务器605中。

应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图7示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的计算机系统仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括分析模块、确定模块和识别模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，分析模块还可以被描述为“对监测数据进行主成分分析的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备执行以下流程：对监测数据进行主成分分析，以得到多个主成分；其中，所述监测数据包括设备的多个性能指标；确定每个设备对所述多个主成分的累计贡献率，并根据所述累计贡献率确定该设备的f统计量；判断所述f统计量是否大于或等于预设显著性水平对应的f值；若是，则将该设备识别为异常设备。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。