本发明属于制水厂工控系统管理，涉及到一种适用于制水厂工控系统网络数据快速识别的方法。
背景技术：
1、制水厂工控系统是一种用来控制和监测自来水生产过程的技术，自来水生产过程需要涉及到多个环节，如水源采集、预处理、过滤、消毒、出水等，可实现对这些复杂的生产流程进行自动化控制和实时监测，制水厂工控系统可帮助控制设备的使用及维护，但是，目前制水厂各设备检测的数据异常时，无法对异常数据进行识别，导致异常数据在工控系统网络中容易受到异常攻击，一旦异常数据被工控系统攻击后，将错失异常数据，进而无法对工控系统的设备进行最佳时机的检测分析及维护处理等工作，严重影响制水品质；同时，制水厂内各设备检测的数据经网络传输后，易受到网络传输的干扰，造成同一设备经传输前后所对应的数据不同，增加了设备检测的数据在传输过程中造成二次异常风险，且无法根据传输量以及传输速率对设备检测的数据经传输前后造成的偏差进行修正，无法获得设备检测的真实数据，大大降低对检测数据识别的准确性。
技术实现思路
1、本发明的目的在于提供的一种适用于制水厂工控系统网络数据快速识别的方法，解决了现有技术中存在的问题。
2、本发明的目的可以通过以下技术方案实现：
3、一种适用于制水厂工控系统网络数据快速识别的方法，包括以下步骤：
4、步骤1、分析工控系统中各设备检测的数据集合中的异常数据；
5、步骤2、基于检测的异常数据分析经网络传输中受各设备检测的数据影响下的数据异常波动系数，追踪工控系统中引发异常数据的设备；
6、步骤3、建立经网络传输的设备检测的数据在传输量及网络传输速率下工控系统网络数据传输干扰系数；
7、步骤4、基于网络数据的综合传输干扰系数分析网络传输数据的稳态系数，对传输数据进行定位识别。
8、进一步地，对各设备检测的数据流进行异常数据分析，分析方法，包括以下步骤：
9、步骤11、固定采样时间段内各设备检测的数据构成数据流，分析固定采样时间段内各设备检测的数据均方差；
10、步骤12、提取各数据流在固定采样时间段内出现的次数，分析各检测数据出现的概率，计算各设备所对应的数据流在当前检测的固定采样时间段内的数学期望；
11、步骤13、提取各设备检测的数据无异常情况下各设备所对应的数据流在固定采样时间段内的数学期望；
12、步骤14、采用数学筛查模型筛选出数据集合中的异常数据。
13、进一步地，追踪网络数据检测中引发异常数据的设备，具体步骤：
14、步骤21、训练第i个设备检测的数据异常时，统计其他各设备检测的数据异常的次数以及检测的数值；
15、步骤22、分析引发其他设备检测的数据异常波动系数，通过对其他设备检测的数据异常波动量进行分析，判断检测的数据异常的设备对其他设备检测的数据的干扰稳定程度；
16、步骤23、判断数据异常波动系数是否小于第i个设备对第f个设备干扰系数所对应的预设波动值范围(1±0.05)vif内，预设波动值vif＝gif(pi(t)-pi0)，gif为映射比例系数，pi(t)表示为t时刻第i个设备检测的数值，pi0为第i个设备正常运行下检测的数据均值；
17、步骤24、若在预设波动值范围内，则获得当前数据检测存在的故障由第i个设备引起，若大于预设波动值范围，执行步骤步骤25；
18、步骤25、统计预设波动值的最大值与第f个设备的数值异常波动期望间的差值r，依次筛选与该差值最匹配的设备对第f个设备的数值异常波动期望值，确定除步骤24以外所包含的其他异常。
19、进一步地，数据异常波动系数的计算公式：wif表示为第i个设备检测的数据异常对第f个设备检测的数据异常波动系数，pf(t)表示为t时刻受第i个设备检测的数据干扰下第f个设备检测的数值，pf0表示为第f个设备正常运行下检测的数据均值，n表示为固定时间段内设备检测的次数，表示为第i个设备检测的数值在δpi范围内时第f个设备检测的数值在±kδpf范围内的次数，δpi＝|pi(t)-pi0|,δpf为设定的第f个设备检测的数据与正常运行下检测的数据均值间的固定差值,k取值1,2,...,k。
20、进一步地，判断与步骤25中的差值最匹配的设备对第f个设备的数值异常波动期望值是否大于差值d，若大于差值d，则将步骤25中的差值d与筛选的最匹配的设备对第f个设备的数值异常波动期望值间的差值，并重复，直至第f个设备检测的数据异常波动系数在筛选出的所有引发第f个设备检测数据异常的设备所对应的预设波动值范围累计之和内。
21、进一步地，获得不同网络数据传输速率下的数据异常的数据量，分析出不同网络数据下的数据异常的概率，在相同数据量下评估待传输的设备检测的数据经不同数据传输速率下发生异常的数据量以及发生次数，网络数据传输速率的子传输干扰系数qv表示为传输速率v下传输数据的异常数据量，mv为在传输速率v下传输次数m中存在传输数据异常的次数，v0为设定的传输量q下的传输速率，m为传输的次数，e为自然数。
22、进一步地，调整单次传输的数据量评估在同一数据传输速率下发生异常的数据量以及发生次数，网络数据传输量的子传输干扰系数qq表示为设定的标准传输速率下传输的数据量q时传输发生异常的数据量，k为固定常数，取值在1.1-2.3之间，q0表示为设定的标准传输速率下标准传输量时传输所允许的最大异常的数据量，mq表示为传输量q下传输数据发生异常的次数。
23、进一步地，对网络数据的传输速率下的传输干扰以及传输数据量下的传输干扰进行拟合分析，获得不同传输的数据量下各设备在不同数据传输速率下网络数据的综合传输干扰系数。
24、进一步地，所述步骤4采用传输数据稳态模型评估出异常数据和正常数据经传输后分别对应的异常敏感系数以及网络数据传输干扰系数下设备采集的数据经网络传输的传输数据稳态系数，传输数据稳态模型：α为设定的常数，pi表示为第i个设备传输固定采样时间段内t时刻的检测数据为异常数据的次数，qi表示为第i个设备传输固定采样时间段内t时刻的检测数据为正常数据的次数，βi0t表示为异常数据经传输后的异常敏感系数，βi1t表示为正常数据经传输后的异常敏感系数，表示为传输的数据量q下设备在数据传输速率v下网络数据的综合传输干扰系数。
25、进一步地，对经传输干扰的数据进行复原处理，方法如下：
26、步骤w1、提取传输数据稳态系数小于设定风险阈值的时刻所对应的经网络传输后所接收的数值rt；
27、步骤w2、根据该时刻的传输数据稳态系数对传输数据稳态系数小于设定风险阈值的传输数据稳态系数所接收的数值进行逆向求取，得到r′t；
28、步骤w3、提取设备未经传输的该时刻的数据rt0，并与步骤w2逆向求取的数据进行对比，判断变化量是否在允许的范围内，即s为设定的偏离阈值，若不在允许的范围内，则对步骤w2中的逆向求取进行更新，即r″t为经逆向求取更新后的数值；
29、步骤w4、获得经更新后的数据，并将更新后的数据覆盖原有数据，并核验同一设备在连续固定采样时间段内检测的数据在允许的波动范围内,即为固定采样时间段内经传输的数据无异常下的检测数据所对应的均值。
30、本发明的有益效果：
31、本发明提供的制水厂工控系统网络数据快速识别的方法，通过采用数学筛查模型对设备检测的数据进行异常判定，能够避免检测存在的异常数据被攻击或丢失，无法识别异常数据，进而根据异常数据执行异常动作，影响对制水厂工控设备检测数据的识别，降低制水厂的制水品质。
32、通过分析引发其他设备检测的数据异常波动系数，判断检测的数据异常的设备对其他设备检测的数据的干扰稳定程度，并采用设备检测的数据异常波动系数与其他设备对该设备的预设波动值进行对比，精准筛选出数据异常情况下的所有干扰源，能够在各设备的干扰下所对应的数据异常波动系数进行干扰源的判定，提高了数据筛选的准确性，能够有效排除因设备偶然性检测的数据异常而造成的干扰源的分析，降低对数据异常筛选的误差，提高了干扰源的识别。
33、通过对不同网络数据传输速率下的数据异常进行分析，获得网络数据传输速率的子传输干扰系数，以及对不同传输量下的数据异常进行分析，获得网络数据传输量的子传输干扰系数，并通过拟合分析，获得传输速率以及传输量下的综合传输干扰系数，实现对数据传输异常下的传输干扰程度的判定，为后期网络数据经通信传输后的数据进行快速识别奠定基础，减少设备检测的数据经通信传输所造成的风险。
34、本发明通过传输数据稳态模型，对异常数据和正常数据经传输后分别对应的异常敏感系数以及网络数据传输干扰系数下设备采集的数据经网络传输的传输数据稳态系数进行评估，能够准确评估出工控系统采集的数据经网络传输的稳定程度，直观展示出在固定采样时间段内任意时刻的数据稳态程度，有效对传输的异常数据进行定位识别，并对传输异常的数据进行逆向推演，减少传输干扰，提高数据复原的准确性和精度，能够准确获得设备检测的数据的真实性。
1.一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：对各设备检测的数据流进行异常数据分析，分析方法，包括以下步骤：
3.根据权利要求2所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：追踪网络数据检测中引发异常数据的设备，具体步骤：
4.根据权利要求3所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：数据异常波动系数的计算公式：wif表示为第i个设备检测的数据异常对第f个设备检测的数据异常波动系数，pf(t)表示为t时刻受第i个设备检测的数据干扰下第f个设备检测的数值，pf0表示为第f个设备正常运行下检测的数据均值，n表示为固定时间段内设备检测的次数，表示为第i个设备检测的数值在δpi范围内时第f个设备检测的数值在±kδpf范围内的次数，δpi＝|pi(t)-pi0|,δpf为设定的第f个设备检测的数据与正常运行下检测的数据均值间的固定差值,k取值1,2,...,k。
5.根据权利要求3所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：判断与步骤25中的差值最匹配的设备对第f个设备的数值异常波动期望值是否大于差值d，若大于差值d，则将步骤25中的差值d与筛选的最匹配的设备对第f个设备的数值异常波动期望值间的差值，并重复，直至第f个设备检测的数据异常波动系数在筛选出的所有引发第f个设备检测数据异常的设备所对应的预设波动值范围累计之和内。
6.根据权利要求1所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：获得不同网络数据传输速率下的数据异常的数据量，分析出不同网络数据下的数据异常的概率，在相同数据量下评估待传输的设备检测的数据经不同数据传输速率下发生异常的数据量以及发生次数，网络数据传输速率的子传输干扰系数qv表示为传输速率v下传输数据的异常数据量，mv为在传输速率v下传输次数m中存在传输数据异常的次数，v0为设定的传输量q下的传输速率，m为传输的次数，e为自然数。
7.根据权利要求6所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：调整单次传输的数据量评估在同一数据传输速率下发生异常的数据量以及发生次数，网络数据传输量的子传输干扰系数qq表示为设定的标准传输速率下传输的数据量q时传输发生异常的数据量，k为固定常数，取值在1.1-2.3之间，q0表示为设定的标准传输速率下标准传输量时传输所允许的最大异常的数据量，mq表示为传输量q下传输数据发生异常的次数。
8.根据权利要求7所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：对网络数据的传输速率下的传输干扰以及传输数据量下的传输干扰进行拟合分析，获得不同传输的数据量下各设备在不同数据传输速率下网络数据的综合传输干扰系数。
9.根据权利要求7所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：所述步骤4采用传输数据稳态模型评估出异常数据和正常数据经传输后分别对应的异常敏感系数以及网络数据传输干扰系数下设备采集的数据经网络传输的传输数据稳态系数，传输数据稳态模型：α为设定的常数，pi表示为第i个设备传输固定采样时间段内t时刻的检测数据为异常数据的次数，qi表示为第i个设备传输固定采样时间段内t时刻的检测数据为正常数据的次数，βi0t表示为异常数据经传输后的异常敏感系数，βi1t表示为正常数据经传输后的异常敏感系数，表示为传输的数据量q下设备在数据传输速率v下网络数据的综合传输干扰系数。
10.根据权利要求1所述的一种适用于制水厂工控系统网络数据快速识别的方法，其特征在于：对经传输干扰的数据进行复原处理，方法如下：
