CN119415365B 一种多设备能耗优化的智能化在线学习系统及方法 （优课达(杭州)网络有限公司）

(19)国家知识产权局(12)发明专利(10)授权公告号CN119415365B(65)同一申请的已公布的文献号专利代理师周伟一种多设备能耗优化的智能化在线学习系统及方法本发明公开了一种多设备能耗优化的智能化在线学习系统及方法，具体涉及多设备能耗优化领域，用于解决反馈路径未优化导致的能耗波动和运行效率低下问题，是通过捕捉设备运行关键特征，利用因果推理构建反馈交互矩阵，提取反馈路径权重和作用链特征，解析设备间动态交互关系；结合聚类分析和强化学习优化分类边界，标注高风险反馈模式并生成优化模板，为路径调整和策略优化提供依据；通过动态调整反馈路径权重、生成设备调整指令并结合反馈优化模板，实现设备协同运行的高效控制；进而有效抑制高风险反馈路径对运行的负面影响，降低设备间反馈增强引发的能耗累积效应，优化设备协同S1,S1,对于具有协同运行任务且通过物理或逻辑联系共享和预测行为的多设备系统，分别采集设备的各项数据和信号，并提取对应的特征，生成统一格式的设备行为特征数据包，作为因果关系分析的输入S2,基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，生成用于高风险反馈模式识别的特征输入S3,基于反馈路径特征，采用聚类算法结合强化学习优化分类边界，对反馈模式进行分类和异常性评估，计算反馈模式的异常强度；当异常强度大于预设阈值且特征边界存在异常分布时，标记对应反馈模式为高风险反馈模式，并生成包含异常强度、特征边界和优化建议的优化模板S4,根据风险反馈标注和优化模板，对反馈路径权重进行动态调整，削弱高风险路径的影响；结合调整后的反馈路径权重和作用链特征，生成设备调整指令集，并将调整指令集下发至设备执行21.一种多设备能耗优化的智能化在线学习方法，其特征在于，包括步骤：S1,对于具有协同运行任务且通过物理或逻辑联系共享和预测行为的多设备系统，分别采集设备的各项数据和信号，并提取对应的特征，生成统一格式的设备行为特征数据包，作为因果关系分析的输入；S2,基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，生成用于高风险反馈模式识别的特征输入；S3,基于反馈路径特征，采用聚类算法结合强化学习优化分类边界，对反馈模式进行分类和异常性评估，计算反馈模式的异常强度；当异常强度大于预设阈值且特征边界存在异常分布时，标记对应反馈模式为高风险反馈模式，并生成包含异常强度、特征边界和优化建议的优化模板；步骤S3包括以下内容：其中，∑;F;(t):设备讨其他设备的总输出影响；∑;Fji(t):其他设备对设备i的总输入影响；A(t):设备的作用链特征；采用密度聚类算法对反馈模式进行分组，挖掘运行中反馈特征相似的设备组合，初步划分出若干反馈模式；S3.2,聚类分析完成后，对每类反馈模式进行异常性评估；通过计算反馈模式的异常强度指标Em,综合评估反馈路径强度、作用链特征和能耗波动率的综合异常性：N为设备总数；第k类中设备对设备j的反馈路径权重，反映模式内设备间的直接关联；Ak(t):第k类模式内设备的平均作用链特征；Op,k(t):第k类模式内设备的平均能耗波动率；K:聚类内的设备数量；S3.3,使用强化学习优化聚类分类边界；S4,根据风险反馈标注和优化模板，对反馈路径权重进行动态调整，削弱高风险路径的影响；结合调整后的反馈路径权重和作用链特征，生成设备调整指令集，并将调整指令集下发至设备执行。2.根据权利要求1所述的一种多设备能耗优化的智能化在线学习方法，其特征在于：步骤S1包括以下内容：S1.1,对于具有协同运行任务且通过物理或逻辑联系共享运行负载、能耗数据和预测行为的多设备系统下的各个设备采集三类数据，包括运行状态数据、预测行为数据和负载同步信号；S1.2,对所采集的数据进行预处理；3S1.4,将提取的特征量组合，生成统一格式的设备行为特征数据包。3.根据权利要求2所述的一种多设备能耗优化的智能化在线学习方法，其特征在于：步骤S2包括以下内容：S2.1,基于设备行为特征数据包的多维特征，定义设备之间的因果影响强度；S2.2,在因果关系建模基础上，构建设备间的反馈路径矩阵，用于描述整个多设备协作系统中各设备间的直接作用链条；S2.3,通过计算所有设备间反馈路径权重的加权和，计算反馈强度；S2.4,最后，基于反馈路径矩阵和反馈强度，提取设备间的作用链特征，量化各反馈路径对系统整体性能的影响。4.根据权利要求1所述的一种多设备能耗优化的智能化在线学习方法，其特征在于：步骤S3还包括以下内容：S3.4,首先，根据分类结果和异常性评估，判断并标记高风险反馈模式的过程如下：通过计算每类反馈模式的异常强度指标，将其与预设的异常强度阈值进行比较，当异常强度指标大于或等于异常强度阈值时，将对应反馈模式标记为高风险反馈模式；同时结合模式的特征边界分析特征值分布是否超出正常范围，若满足特征边界内存在异常分布，则确认对应反馈模式为高风险模式；最后，对每类高风险反馈模式生成对应的优化模板。5.根据权利要求4所述的一种多设备能耗优化的智能化在线学习方法，其特征在于：步骤S4包括以下内容：S4.1,反馈路径的权重调整以原始反馈权重为基础，根据高风险反馈模式的异常强度和优化模板中的调整建议动态削弱高风险路径的影响；调整后的反馈路径权重通过比例缩减高风险路径的贡献，同时确保低风险路径维持其功能；S4.2,根据调整后的反馈路径权重和作用链特征，生成设备调整指令集，包括功率调整幅度、负载分配优先级和响应校正值；功率调整幅度以反馈强度的变化率为依据，通过对反馈强度相对于设备功率输出的敏感性进行分析，确定每个设备需要调节的功率输出方向和幅度；负载分配优先级基于调整后的反馈路径权重和设备的作用链特征，通过计算每个设备在反馈路径网络中的反馈路径权重和作用链特征的比值，分配负载优先级；响应校正值以设备的当前响应延迟为基础，通过动态调整其自反馈路径和与其他设备关联路径的权重比例，优化其对负载变化的适应性；S4.3,将调整指令集下发至设备，同时实时监测调整效果。6.一种多设备能耗优化的智能化在线学习系统，用于实现权利要求1-5任一项所述的一种多设备能耗优化的智能化在线学习方法，其特征在于，包括：行为捕捉模块、交互分析模块、模式识别模块和反馈控制模块；行为捕捉模块：对于具有协同运行任务且通过物理或逻辑联系共享和预测行为的多设备系统，分别采集设备的各项数据和信号，并提取对应的特征，生成统一格式的设备行为特征数据包，作为因果关系分析的输入，将设备行为特征数据包传递至交互分析模块；交互分析模块：基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，4生成用于高风险反馈模式识别的特征输入，将反馈路径特征传递至模式识别模块；模式识别模块：基于反馈路径特征，采用聚类算法结合强化学习优化分类边界，对反馈模式进行分类和异常性评估，计算反馈模式的异常强度；当异常强度大于预设阈值且特征边界存在异常分布时，标记对应反馈模式为高风险反馈模式，并生成包含异常强度、特征边界和优化建议的优化模板，将优化模板与识别结果发送至反馈控制模块；反馈控制模块：根据风险反馈标注和优化模板，对反馈路径权重进行动态调整，削弱高风险路径的影响；结合调整后的反馈路径权重和作用链特征，生成设备调整指令集，并将调整指令集下发至设备执行。5技术领域[0001]本发明涉及多设备能耗优化领域，更具体地说，本发明涉及一种多设备能耗优化的智能化在线学习系统及方法。背景技术[0002]在多设备协同运行的工业场景中，为实现能耗优化，设备通常部署了智能化在线学习算法，通过实时收集历史运行数据，预测未来负载需求并调整自身的运行策略。这种基于预测的优化方式能够在一定程度上降低设备的瞬时能耗，提高资源利用效率，因而被广泛应用于现代化的智能制造系统。然而，当系统中多个设备同时运行并采用独立的预测性优化策略时，设备之间的预测行为可能产生复杂的动态交互，使得整体运行模式远超个体优化逻辑的简单叠加。[0003]现有技术中，多设备的能耗优化算法通常以单设备为中心展开，缺乏对设备间预测行为交互的深度建模与分析。设备在预测未来需求时，可能受到其他设备调整行为的间接影响，导致其预测结果发生偏移。例如，一个设备的预测性调节可能被其他设备误判为系统性需求变化，从而触发不必要的能耗调整。这种由预测性优化策略引发的设备间动态反馈效应，可能形成一个自我强化的反馈回路，最终导致整体能耗增加甚至系统性波动。传统的能耗优化方法未能有效识别和规避这一潜在问题，使得优化策略在高复杂度多设备场景中难以稳定执行，从而限制了整体优化效果的进一步提升。[0004]为了解决上述问题，现提供一种技术方案。发明内容[0005]为了克服现有技术的上述缺陷，本发明的实施例提供一种多设备能耗优化的智能化在线学习系统及方法，通过实时捕捉设备运行状态、预测行为数据和负载同步信号，提取关键特征，确保高精度的数据基础，为后续反馈路径识别和调整提供精准输入；基于因果推理构建反馈交互矩阵并提取反馈路径权重和作用链特征，实现设备间动态交互关系的深入解析，为识别高风险反馈模式奠定技术基础；通过聚类分析结合强化学习优化分类边界，精准标注高风险反馈模式并生成优化模板，为反馈路径调整和设备策略优化提供明确依据；采用动态调整反馈路径权重、生成设备调整指令并结合闭环反馈优化模板，实现设备间协同运行的高效控制。进而不仅有效降低了高风险反馈路径对设备能耗的影响，还显著提升了系统的稳定性和动态适应能力，同时优化了能耗分布与设备运行效率，解决了多设备协同运行中反馈路径未优化导致的能耗累积效应和响应不一致问题，以解决上述背景技术中提出的问题。[0006]为实现上述目的，本发明提供如下技术方案：[0007]S1,对于具有协同运行任务且通过物理或逻辑联系共享和预测行为的多设备系统，分别采集设备的各项数据和信号，并提取对应的特征，生成统一格式的设备行为特征数据包，作为因果关系分析的输入。6[0008]S2,基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，生成用于高风险反馈模式识别的特征输入。[0009]S3,基于反馈路径特征，采用聚类算法结合强化学习优化分类边界，对反馈模式进行分类和异常性评估，计算反馈模式的异常强度；当异常强度大于预设阈值且特征边界存在异常分布时，标记对应反馈模式为高风险反馈模式，并生成包含异常强度、特征边界和优化建议的优化模板。[0010]S4,根据风险反馈标注和优化模板，对反馈路径权重进行动态调整，削弱高风险路径的影响；结合调整后的反馈路径权重和作用链特征，生成设备调整指令集，并将调整指令集下发至设备执行。[0012]S1.1,对于具有协同运行任务且通过物理或逻辑联系共享运行负载、能耗数据和预测行为的多设备系统下的各个设备采集三类数据，包括运行状态数据、预测行为数据和负载同步信号。[0013]S1.2,对所采集的数据进行预处理。[0015]S1.4,将提取的特征量组合，生成统一格式的设备行为特征数据包。[0016]在一个优选的实施方式中，步骤S2包括以下内容：[0017]S2.1,基于设备行为特征数据包的多维特征，定义设备之间的因果影响强度。[0018]S2.2,在因果关系建模基础上，构建设备间的反馈路径矩阵，用于描述整个多设备协作系统中各设备间的直接作用链条。[0019]S2.3,通过计算所有设备间反馈路径权重的加权和，计算反馈强度。[0020]S2.4,最后，基于反馈路径矩阵和反馈强度，提取设备间的作用链特征，量化各反馈路径对系统整体性能的影响。其中，∑;F;(t):设备树其他设备的总输出影响；∑;Fji(t):其他设备对设备i的总输入影响；A₂(t):设备的作用链特征；采用密度聚类算法对反馈模式进行分组，挖掘运行中反馈特征相似的设备组合，初步划分出若干反馈模式。[0023]S3.2,聚类分析完成后，对每类反馈模式进行异常性评估；通过计算反馈模式的异常强度指标Em,综合评估反馈路径强度、作用链特征和能耗波动率的综合异常性：为设备总数；第k类中设备对设备j的反馈路径权重，反映模式内设备间的直接关联；7Ak(t):第k类模式内设备的平均作用链特征；Op,k(t):第k类模式内设备的平均能耗波[0024]S3.3,使用强化学习优化聚类分类边界。[0025]步骤S3还包括以下内容：[0026]S3.4,首先，根据分类结果和异常性评估，判断并标记高风险反馈模式的过程如下：通过计算每类反馈模式的异常强度指标，将其与预设的异常强度阈值进行比较，当异常强度指标大于或等于异常强度阈值时，将对应反馈模式标记为高风险反馈模式；同时结合模式的特征边界分析特征值分布是否超出正常范围，若满足特征边界内存在异常分布，则确认对应反馈模式为高风险模式；最后，对每类高风险反馈模式生成对应的优化模板。[0027]在一个优选的实施方式中，步骤S4包括以下内容：[0028]S4.1,反馈路径的权重调整以原始反馈权重为基础，根据高风险反馈模式的异常强度和优化模板中的调整建议动态削弱高风险路径的影响；调整后的反馈路径权重通过比例缩减高风险路径的贡献，同时确保低风险路径维持其功能。[0029]S4.2,根据调整后的反馈路径权重和作用链特征，生成设备调整指令集，包括功率调整幅度、负载分配优先级和响应校正值。[0030]功率调整幅度以反馈强度的变化率为依据，通过对反馈强度相对于设备功率输出的敏感性进行分析，确定每个设备需要调节的功率输出方向和幅度。[0031]负载分配优先级基于调整后的反馈路径权重和设备的作用链特征，通过计算每个设备在反馈路径网络中的反馈路径权重和作用链特征的比值，分配负载优先级。[0032]响应校正值以设备的当前响应延迟为基础，通过动态调整其自反馈路径和与其他设备关联路径的权重比例，优化其对负载变化的适应性。[0033]S4.3,将调整指令集下发至设备，同时实时监测调整效果。[0034]一种多设备能耗优化的智能化在线学习系统，包括：行为捕捉模块、交互分析模[0035]行为捕捉模块：对于具有协同运行任务且通过物理或逻辑联系共享和预测行为的多设备系统，分别采集设备的各项数据和信号，并提取对应的特征，生成统一格式的设备行为特征数据包，作为因果关系分析的输入，将设备行为特征数据包传递至交互分析模块。[0036]交互分析模块：基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，生成用于高风险反馈模式识别的特征输入，将反馈路径特征传递至模式识别模块。[0037]模式识别模块：基于反馈路径特征，采用聚类算法结合强化学习优化分类边界，对反馈模式进行分类和异常性评估，计算反馈模式的异常强度；当异常强度大于预设阈值且特征边界存在异常分布时，标记对应反馈模式为高风险反馈模式，并生成包含异常强度、特征边界和优化建议的优化模板，将优化模板与识别结果发送至反馈控制模块。[0038]反馈控制模块：根据风险反馈标注和优化模板，对反馈路径权重进行动态调整，削弱高风险路径的影响；结合调整后的反馈路径权重和作用链特征，生成设备调整指令集，并将调整指令集下发至设备执行。[0039]本发明一种多设备能耗优化的智能化在线学习系统及方法的技术效果和优点：8[0040]本发明通过实时捕捉设备运行状态、预测行为数据和负载同步信号，提取关键特征，确保高精度的数据基础，为后续反馈路径识别和调整提供精准输入；基于因果推理构建反馈交互矩阵并提取反馈路径权重和作用链特征，实现设备间动态交互关系的深入解析，为识别高风险反馈模式奠定技术基础；通过聚类分析结合强化学习优化分类边界，精准标注高风险反馈模式并生成优化模板，为反馈路径调整和设备策略优化提供明确依据；采用动态调整反馈路径权重、生成设备调整指令并结合闭环反馈优化模板，实现设备间协同运行的高效控制。进而不仅有效降低了高风险反馈路径对设备能耗的影响，还显著提升了系统的稳定性和动态适应能力，同时优化了能耗分布与设备运行效率，解决了多设备协同运行中反馈路径未优化导致的能耗累积效应和响应不一致问题。附图说明[0041]图1为本发明一种多设备能耗优化的智能化在线学习方法的流程示意图。[0042]图2为本发明一种多设备能耗优化的智能化在线学习系统的结构示意图。具体实施方式[0043]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他[0044]实施例1:图1给出了本发明一种多设备能耗优化的智能化在线学习方法，包括：[0045]S1,对于具有协同运行任务且通过物理或逻辑联系共享和预测行为的多设备系统，分别采集设备的各项数据和信号，并提取对应的特征，生成统一格式的设备行为特征数[0046]S2,基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，生成用于高风险反馈模式识别的特征输入。[0047]S3,基于反馈路径特征，采用聚类算法结合强化学习优化分类边界，对反馈模式进行分类和异常性评估，计算反馈模式的异常强度；当异常强度大于预设阈值且特征边界存在异常分布时，标记对应反馈模式为高风险反馈模式，并生成包含异常强度、特征边界和优化建议的优化模板。[0048]S4,根据风险反馈标注和优化模板，对反馈路径权重进行动态调整，削弱高风险路径的影响；结合调整后的反馈路径权重和作用链特征，生成设备调整指令集，并将调整指令集下发至设备执行。[0049]在多设备协同运行中，各设备的运行状态、负载需求及能耗表现是能耗优化的基础数据。然而，由于设备运行特性和外部负载的动态变化，传统的数据采集方式难以精准捕捉状态变化与能耗调整之间的关联特征。因此，提出一种基于多维数据融合的行为捕捉方法，通过实时采集设备核心运行数据并对其进行复杂计算与特征提取，生成统一的设备行为特征数据包，作为后续因果分析的基础。[0050]步骤S1包括以下内容：9[0051]S1.1,对于具有协同运行任务且通过物理或逻辑联系共享运行负载、能耗数据和预测行为的多设备系统下的各个设备采集三类数据，包括运行状态数据、预测行为数据和负载同步信号。[0052]运行状态数据Dr:包括设备的功率输出Pt(瞬时采样)、电流波动It(短周期变化);[0053]运行状态数据直接反映设备的当前工作状况，是分析设备负载能力、运行效率和功率稳定性的基础数据来源。通过采集功率输出和电流波动，可以动态监测设备的工作负载特性及其功率变化规律，为评估设备响应行为与运行稳定性提供基础。此外，运行状态数据能够揭示设备与外部环境或任务变化的交互效应，是其他分析模块计算特征的重要前提。[0054]预测行为数据Dp:包括设备自身的负载预测值Lpred(t)和预测性调整值[0055]预测行为数据反映设备对未来负载需求的预估和相应的调整策略。该数据是评价设备预测与实际运行状态一致性的核心信息，通过捕捉设备的预测输出，可以直接分析预测性调整对能耗优化的作用。特别是在协同运行场景中，预测行为数据可揭示设备在协同调节中的主动性与自适应性，是进一步研究预测性反馈回路的关键数据。[0056]负载同步信号Ds:记录设备间负载触发与响应的时间点，表示设备间的负载协同[0057]负载同步信号记录了设备之间负载触发与响应的时间点，直接体现了设备间的协作关系和同步性能。在多设备协同场景下，负载同步信号是分析设备间因果关系和反馈路径的基础数据来源。通过捕捉触发和响应的时间特征，可以有效识别设备间的协同滞后效应及动态耦合特性，为构建反馈交互矩阵提供高质量的时间基准。[0058]S1.2,对所采集的数据进行预处理，包括噪声过滤、平滑处理和数据标准化。[0059]噪声过滤：采用非线性动态阈值滤波方法，根据设备运行历史数据计算噪声界限，过滤掉过高或过低的瞬时异常值；[0060]平滑处理：基于多阶高斯卷积，将设备数据中不稳定的短周期波动平滑化，同时保留关键变化点；[0061]数据标准化：对采集的多维数据进行归一化处理，确保不同量纲的参数具有一致的计算权重。[0063]使用设备功率与负载预测值的变化关系计算负载变化率△L(t),通过积分方式计算设备在时间窗口内的负载偏差均值，用于衡量设备的实际功率输出与预测负载需求之间的差异。通过对短时间内功率偏差的绝对值进行积分并归一化，捕捉设备负载调节能力的稳定性和适应性特征，避免短时波动的干扰，同时体现出设备运行状态与预测行为间的偏[0064]根据负载同步信号，计算设备在负载变化时的响应时间△Tresp,通过对每个触发[0065]能耗波动率OP的计算是基于功率输出的方差定义功率波动的稳定性指标，通过在时间窗口内计算功率偏离其均值的均方根值，反映设备功率输出的稳定性与调节平滑[0066]S1.4,将提取的特征量组合，生成统一格式的设备行为特征数据包Ft:间依赖的特性。设备运行状态的变化可能通过反馈路径影响其他设备的能耗和运行效率，这种反馈关系可能是直接的(设备之间显著的能耗调节联动)或间接的(通过其他设备间接[0070]S2.1,因果关系建模的目标是揭示设备之间的动态影响强度，即一个设备运行状特征数据包的多维特征(如负载变化率、功率响应延迟和能耗波动率),定义设备设备j延迟越大对其他设备的影响越弱；Tj为设备j的响应时间常数，量化设备对负载变化的时间敏感性。[0071]公式通过导数形式捕捉设备i的负载变化对设备j状态调整的敏感性，结合时间[0072]S2.2,在因果关系建模基础上，进一步构建设备间的元素F;(t)表示设备对设备j的反馈路径权重，其计算公式为：;其表示系统中所有设备。Cj(t)为设备对设备j的因果影响强度。[0080]在多设备协同运行中，设备间复杂的反馈交互可能导致系统进入高风险运行模[0082]S3.1,首先，基于步骤S2生成的反馈交互矩阵和作用链特征，构建反馈模式的特征向量M;(t),用于描述设备在协同运行中的主要反馈特性。特征向量定义如下：M₂(t)=[∑F;(t),∑;Fji(t),A₂(t)];其中，∑;F;(t):设备对其他设备的总输出影A;(t):设备的作用链特征，揭示其在反馈路径中的综合作用力。N为设备总数；第k类中设备对设备j的反馈路径权重，反映模式内设备间的直接关联；Ak(t):第k类模式内设备的平均作用链特征；Op,k(t):第k类模式内设备的平均能耗波[0086]S3.3,随着设备运行条件和负载环境的动态变化，反馈模[0089]S3.4,首先，根据分类结果和异常性评估，判断(如反馈路径权重集中度过高于对应标准或作用链特征异常超出标准范围),则进一步确认[0090]最后，对每类高风险反馈模式生成对应的优化模板Tm。模板结构如下：Tm={Em,Bm,Rm};其中，Em:对应反馈模式的异常强度，用于量化风险程度；对应反馈模式的特征边界，定义反馈路径强度和作用链特征的上下限范围；Rm:优化建议，别了多设备协同运行中的高风险反馈模式，提取了这些模式的关键特征并生成优化模板，为多设备能耗优化提供了可靠的决策依据。这一过程不仅[0095]S4.1,反馈路径的权重调整以原始反馈权重为基础，根据高风险反馈模式的异常实现高风险路径的抑制和系统反馈网络的整体均衡，例如，调整后的反馈路径权重F;j′(t)表达式可以为：;其中，Fj′(t):原始反馈路A:(t):设备的作用链特征。为特征数据包，作为因果关系分析的输入，将设备行为特征数据包传递至交互分析模块。[0106]交互分析模块：基于设备行为特征数据包，定义设备间的因果影响强度，构建设备间的反馈交互矩阵；提取反馈路径特征和作用链特征，量化各反馈路径对系统整体性能的影响，生成用于高风险反馈模式识别的特征输入，将反馈路径特征传递至模式识别模块。[0107]模式识别模块：基于反馈路径特征，采用聚类算法