CN110532119B - 动力***运行异常点检测方法 - Google Patents

动力***运行异常点检测方法 Download PDF

Info

Publication number
CN110532119B
CN110532119B CN201910681810.0A CN201910681810A CN110532119B CN 110532119 B CN110532119 B CN 110532119B CN 201910681810 A CN201910681810 A CN 201910681810A CN 110532119 B CN110532119 B CN 110532119B
Authority
CN
China
Prior art keywords
outlier
operation data
data points
point
power system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910681810.0A
Other languages
English (en)
Other versions
CN110532119A (zh
Inventor
罗南杭
高明
钱森
邓征欧
余明辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
719th Research Institute of CSIC
Original Assignee
719th Research Institute of CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 719th Research Institute of CSIC filed Critical 719th Research Institute of CSIC
Priority to CN201910681810.0A priority Critical patent/CN110532119B/zh
Publication of CN110532119A publication Critical patent/CN110532119A/zh
Application granted granted Critical
Publication of CN110532119B publication Critical patent/CN110532119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种动力***运行异常点检测方法，方法包括：基于DBSCAN算法从动力***的运行数据点集合中选出离群点；基于LOF算法计算各所述离群点的离群程度；对应任一所述离群点，根据该离群点的离群程度，确定该离群点是否为异常点。本发明实现动力***运行异常点的检测，且计算速度快，检测准确率高。

Description

动力***运行异常点检测方法
技术领域
本发明属于异常检测技术领域，尤其涉及一种动力***运行异常点检测方法。
背景技术
动力***的运行数据中会存在一些异常数据点，这些异常点不同程度地偏离了运行参数的正常范围，表现为平稳的运行参数曲线图中突然出现“波峰”。
大部分数据挖掘方法对这类异常点的处理是将其视为噪声而丢弃。然而，由于在动力***运行过程中异常点可能由于动力设备的异常运行而导致的，故通过对其进行检测可以识别动力设备的异常运行状态。
因此，对动力***运行异常点进行检测是目前业界亟待解决的需要课题。
发明内容
本发明实施例提供一种动力***运行异常点检测方法，以满足目前业界亟待解决的需要。
根据本发明实施例的第一方面，提供一种动力***运行异常点检测方法，包括：
基于DBSCAN算法从动力***的运行数据点集合中选出离群点；
基于LOF算法计算各所述离群点的离群程度；
对应任一所述离群点，根据该离群点的离群程度，确定该离群点是否为异常点。
根据本发明实施例的第二个方面，还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的动力***运行异常点检测方法。
根据本发明实施例的第三个方面，还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的动力***运行异常点检测方法。
本发明实施例提供一种动力***运行异常点检测方法，该方法通过先基DBSCAN算法从动力***的运行数据点集合中选出离群点，即疑似异常数据点，然后基于LOF算法计算每个离群点的离群程度，进一步根据离群程度确定每个离群点是否为异常点，从而实现动力***运行异常点的检测，且计算速度快，检测准确率高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的动力***运行异常点检测方法整体流程示意图；
图2为本发明实施例提供的动力***运行异常点检测方法中DBSCAN算法中定义直接密度可达的示意图；
图3为本发明实施例提供的动力***运行异常点检测方法中DBSCAN算法中定义密度可达的示意图；
图4为本发明实施例提供的动力***运行异常点检测方法中DBSCAN算法中定义密度相连的示意图；
图5为本发明实施例提供的动力***运行异常点检测方法中DBSCAN算法流程示意图；
图6为本发明实施例提供的动力***运行异常点检测方法中LOF算法流程示意图；
图7为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
在本发明的一个实施例中提供一种动力***运行异常点检测方法，图1为本发明实施例提供的动力***运行异常点检测方法整体流程示意图，该方法包括：S101，基于DBSCAN算法从动力***的运行数据点集合中选出离群点；
其中，DBSCAN(Density-Based Spatial Clustering of Applications withNoise，具有噪声的基于密度的聚类方法)是一种基于密度的聚类算法，将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。本实施例不限于动力***的种类。动力***的运行数据点为动力***在运行时每个时刻产生的数据，运行数据点集合为所有时刻产生的运行数据点的集合。使用DBSCAN算法从动力***的运行数据点集合中选出离群点，离群点是可疑的异常对象。
S102，基于LOF算法计算各所述离群点的离群程度；
其中，LOF算法(Local Outlier Factor，局部离群因子检测方法)是一种无监督的离散检测方法，该算法给数据集中的每个点计算一个局部异常因子LOF，通过判断LOF是否接近于1判断是否是异常点。本实施例使用局部异常因子衡量各离散点的离群程度，通过计算每个离散点领域的密度与自身密度的比值表示各离散点的离群程度。这一相对密度的比值越大，表示该离散点的离群程度越高。
S103，对应任一所述离群点，根据该离群点的离群程度，确定该离群点是否为异常点。
若离散点的离群程度大于某一设定阈值，如该阈值为1，则确定该离群点为异常点，否则为正常点。异常点的产生原因有很多，而要分析这些异常点产生的原因还需要结合设备特性，运行环境等因素来进一步分析。
本实施例通过先基DBSCAN算法从动力***的运行数据点集合中选出离群点，即疑似异常数据点，然后基于LOF算法计算每个离群点的离群程度，进一步根据离群程度确定每个离群点是否为异常点，从而实现动力***运行异常点的检测，且计算速度快，检测准确率高。
在上述实施例的基础上，本实施例中基于DBSCAN算法从动力***的运行数据点中选出离群点的步骤具体包括：从所述运行数据点集合中选择任一未归入簇且未标记为离群点的运行数据点；判断选择的所述运行数据点是否为核心对象；若否，则判断所述运行数据点为边缘点还是离群点，根据判断结果将所述运行数据点标记为边缘点或离群点；若是，则基于选择的所述运行数据点建立一个新簇，将由选择的所述运行数据点密度可达和密度相连的所述运行数据点加入所述新簇中，直到所有所述运行数据点归入簇或标记为离群点。
具体地，设定运行数据点集合为S＝(x1,x2,…,xm)，基于以下定义对运行数据点进行聚类：
1)ε-邻域：任一运行数据点xj的预设半径ε内的区域，ε为输入参数，令|Nε(x)|为任一运行数据点x的ε-邻域内的运行数据点的总数。
2)核心对象：|Nε(x)|≥MinPts的运行数据点x。MinPts为预设阈值，为输入参数。
3)直接密度可达：如图2所示，点q在点p的ε-邻域内，且|Nε(xp)|≥MinPts，称q由对象p直接密度可达。
4)密度可达：如图3所示。点pt+1在点pt的ε-邻域内(t＝1,2),且中间点p满足|Nε(xp)|≥MinPts，称p3由p1密度可达。
5)密度相连：如图4所示，点o满足|Nε(xo)|≥MinPts，点p由o密度可达，点q由o密度可达，称p、q密度相连。
本实施例将运行数据点集合中的运行数据点分为三类：
核心点：即核心对象，ε-邻域内至少包含MinPts个样本对象；
边缘点：不满足核心对象的要求，但由核心对象密度可达；
离群点：即不是核心点也不是边缘点的疑似异常点。
DBSCAN聚类算法的流程如图5所示，本实施例中DBSCAN聚类算法的处理步骤如下：
(1)输入运行数据点集合S、邻域参数(ε,MinPts)和距离度量方式；
(2)从S中任意选取还未被访问的运行数据点p，若满足|Nε(xp)|≥MinPts，则转步骤(3)，否则按照离群或边缘点处理后转步骤(2)；
(3)基于运行数据点p建簇，将由p密度可达和密度相连的对象加入簇中；
(4)继续重复上述步骤(2)和(3)，直到运行数据点集合中没有未被访问过的运行数据点。
在上述实施例的基础上，本实施例中判断选择的所述运行数据点是否为核心对象的步骤具体包括：根据选择的所述运行数据点的各特征参数的值和所述运行数据点集合中除选择的所述运行数据点以外的其他运行数据点的各特征参数的值，计算选择的所述运行数据点和各所述其他运行数据点之间的直接距离；获取所述直接距离小于预设半径的其他运行数据点的总数，若所述总数大于预设阈值，则将选择的所述运行数据点作为核心对象。
具体地，当动力***为船舶动力***时，选取船舶动力***中稳压器的多条运行记录进行异常点检测。选取的相关特征参数包括压力、水位、温度、YKG温度和PFG温度。为表述方便，将各特征参数替换为对应的参数序号，每个参数序号对应一个测量设备，如表1所示。
表1参数序号表
Figure BDA0002144967800000061
在计算选择的运行数据点和其他运行数据点之间的直接距离之前，还需要对这些运行数据点的特征参数值进行预处理。由于稳压器特征参数有多重冗余测量，所以先对冗余测量值进行预处理，先排除故障测量通道影响，然后选取冗余测量的平均值作为冗余测量合并后的特征参数的值。例如24和25为冗余测量，41和42为冗余测量，43、44和45为冗余测量。预处理后共8个特征参数。
为消除参数量纲的影响，根据如下公式进行标准化。
Figure BDA0002144967800000062
其中，
Figure BDA0002144967800000063
是标准化后的第i个特征xi标准化后的第k个值，xik为第i个特征xi的第k个值，Max为特征xi的最大值，Min为特征xi的最小值。
运行数据点i和j之间的距离用下面的欧式距离来度量：
Figure BDA0002144967800000064
两个运行数据点i,j均为n＝8维，欧式距离为两个运行数据点相同属性之间的差值的平方和的平方根。
在上述实施例的基础上，本实施例中还包括：对所述预设半径和预设阈值分别进行多次设定；计算每次设定的预设半径和预设阈值对应的离散点；将每次都被确定为离散点的所述运行数据点作为最终离散点；相应地，基于LOF算法计算各所述离群点的离群程度的步骤具体包括：基于LOF算法计算各所述最终离群点的离群程度。
具体地，虽然DBSCAN聚类是一种无监督的学习，无法以误报和漏报来衡量算法的准确性。但由于动力***运行数据大多数时候总是保持稳定，只在很小的范围内波动，异常数据规模较小，如果直接对整体数据进行分析，对大部分正常数据的检测是无意义的。故可以通过调整DBSCAN算法的参数ε和MinPts将大多数不可能是异常的数据剔除，从而减小了所要分析的异常数据集的规模，为后续的进一步异常点检测提供帮助。
DBSCAN算法的两个输入参数ε和MinPts直接影响最终被标记为离群点的运行数据点数。当ε减小或MinPts增加时都会检测出更多的离群点，离群点占比高时，可能存在误报，即将正常数据标记为离群点；离群点占比低时，可能存在漏报，即将部分离群点标记为正常。为了减少漏报和误报，对算法参数ε和MinPts分别进行多次设定。将每次都被划分为离群点的运行数据点作为最终离散点归入疑似异常点数据集。
多次设定参数ε和MinPts，实验所得分簇的数目和离群点比率情况如表2和表3所示，可以看到在MinPts不变的情况下，由于ε的增加，在DBSCAN算法的步骤(2)中，满足|Nε(xp)|≥MinPts条件的对象p增加，使得更多的对象被加入到现有的簇中。而在ε不变，MinPts增加的情况的下，满足|Nε(xp)|≥MinPts条件的对象p减少，变相增加了离群点的数量，使得离群点比率增加。
表2不同参数下离群点的比率(％)
Figure BDA0002144967800000081
表3不同参数下的分簇数
Figure BDA0002144967800000082
从多次实验中选取分簇的数目为1，且每次实验中都被划分为离群点的运行数据点最为最终离散点，将其加入疑似异常数据集，疑似异常数据集的大小为143。基于DBSCAN算法的原理，可以认为这些疑似异常数据点不同大部分正常的数据点，疑似含有异常数据，利用后续的LOF算法进行检测。
在上述各实施例的基础上，本实施例中基于LOF算法计算各所述离群点的离群程度的步骤具体包括：对于任一所述离群点，获取所述运行数据点集合中距离该离群点最近的k个运行数据点；其中，所述k为正整数；根据所述k个运行数据点中的各运行数据点和该离群点之间的可达距离，获取该离群点的局部可达密度，并计算所述k个运行数据点的局部可达密度的平均值；将所述k个运行数据点的局部可达密度的平均值与该离群点的局部可达密度之间的比值作为该离群点的局部异常因子，将所述局部异常因子作为该离群点的离群程度。
局部离群因子LOF的核心概念如下：
(1)第k距离dk(p)：表示与点p最近的第k个点与其的距离。
(2)可达距离reach-dist(p,o)：给定参数k时，数据点p到数据点o的可达距离为数据点o的第k距离和数据点p与o之间的直接距离的最大值，即reach-dist(p,o)＝max{dk(o),d(p,o)}。
(3)局部可达密度lrdk(p)，其计算公式如下:
Figure BDA0002144967800000091
式中|Nk(p)|表示与点p最近的k个点的集合。
(4)局部异常因子LOFk(p)，其计算公式如下：
Figure BDA0002144967800000092
LOF算法的流程图如图6所示。
在上述实施例的基础上，本实施例中k值的取值范围为：
k∈[klb,kub]＝[max{10,|0.01*|S||},|r*|S||]
其中，klb为k的最小值，kub为k的最大值，|S|为所述离群点的总个数，r为所述离群点在所述运行数据点集合中的比率；相应地，基于LOF算法计算各所述离群点的离群程度的步骤具体包括在所述取值范围内为k取多个值；对于任一所述离散点，分别计算各k值下该离群点的离群程度；将该离群点的所有k值对应的离群程度中的最大值作为该离群点的最终离群程度。
本实施例提供一种电子设备，图7为本发明实施例提供的电子设备整体结构示意图，该设备包括：至少一个处理器701、至少一个存储器702和总线703；其中，
处理器701和存储器702通过总线703完成相互间的通信；
存储器702存储有可被处理器701执行的程序指令，处理器调用程序指令能够执行上述各方法实施例所提供的方法，例如包括：基于DBSCAN算法从动力***的运行数据点集合中选出离群点；基于LOF算法计算各所述离群点的离群程度；对应任一所述离群点，根据该离群点的离群程度，确定该离群点是否为异常点。
本实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：基于DBSCAN算法从动力***的运行数据点集合中选出离群点；基于LOF算法计算各所述离群点的离群程度；对应任一所述离群点，根据该离群点的离群程度，确定该离群点是否为异常点。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种动力***运行异常点检测方法，其特征在于，包括：
基于DBSCAN算法从动力***的运行数据点集合中选出离群点；
基于LOF算法计算各所述离群点的离群程度；
对应任一所述离群点，根据该离群点的离群程度，确定该离群点是否为异常点；
基于DBSCAN算法从动力***的运行数据点中选出离群点的步骤具体包括：
从所述运行数据点集合中选择任一未归入簇且未标记为离群点的运行数据点；
判断选择的所述运行数据点是否为核心对象；
若否，则判断所述运行数据点为边缘点还是离群点，根据判断结果将所述运行数据点标记为边缘点或离群点；
若是，则基于选择的所述运行数据点建立一个新簇，将由选择的所述运行数据点密度可达和密度相连的所述运行数据点加入所述新簇中，直到所有所述运行数据点归入簇或标记为离群点；
判断选择的所述运行数据点是否为核心对象的步骤具体包括：
根据选择的所述运行数据点的各特征参数的值和所述运行数据点集合中除选择的所述运行数据点以外的其他运行数据点的各特征参数的值，计算选择的所述运行数据点和各所述其他运行数据点之间的直接距离；
获取所述直接距离小于预设半径的其他运行数据点的总数，若所述总数大于预设阈值，则将选择的所述运行数据点作为核心对象；
还包括：
对所述预设半径和预设阈值分别进行多次设定；
计算每次设定的预设半径和预设阈值对应的离散点；
将每次都被确定为离散点的所述运行数据点作为最终离散点；
相应地，基于LOF算法计算各所述离群点的离群程度的步骤具体包括：
基于LOF算法计算各所述最终离散点的离群程度；
基于LOF算法计算各所述离群点的离群程度的步骤具体包括：
对于任一所述离群点，获取所述运行数据点集合中距离该离群点最近的k个运行数据点；其中，k为正整数；
根据k个运行数据点中的各运行数据点和该离群点之间的可达距离，获取该离群点的局部可达密度，并计算所述k个运行数据点的局部可达密度的平均值；
将所述k个运行数据点的局部可达密度的平均值与该离群点的局部可达密度之间的比值作为该离群点的局部异常因子，将所述局部异常因子作为该离群点的离群程度；
k值的取值范围为：
k∈[klb,kub]＝[max{10,|0.01*|S||},|r*|S||]
其中，klb为k的最小值，kub为k的最大值，|S|为所述离群点的总个数，r为所述离群点在所述运行数据点集合中的比率；
相应地，基于LOF算法计算各所述离群点的离群程度的步骤具体包括：
在所述取值范围内为k取多个值；
对于任一所述离群点，分别计算各k值下该离群点的离群程度；
将该离群点的所有k值对应的离群程度中的最大值作为该离群点的最终离群程度。
2.根据权利要求1所述的动力***运行异常点检测方法，其特征在于，当所述动力***为船舶动力***时，所述特征参数为所述船舶动力***中稳压器的特征参数，包括每个压力测试设备测量的压力、每个水位测量设备测量的水位、每个第一温度测量设备测量的温度、每个第二温度测量设备测量的YLG温度和每个第三温度测量设备测量的PFG温度。
3.根据权利要求2所述的动力***运行异常点检测方法，其特征在于，在计算选择的所述运行数据点和各所述其他运行数据点之间的距离之前还包括：
获取所述压力测试设备、水位测量设备、第一温度测量设备、第二温度测量设备和第三温度测量设备中的冗余设备；
将同一种所述冗余设备测量的值的平均值作为一个特征参数的值；
对所有所述特征参数的值进行标准化。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一项所述动力***运行异常点检测方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一项所述动力***运行异常点检测方法的步骤。
CN201910681810.0A 2019-07-26 2019-07-26 动力***运行异常点检测方法 Active CN110532119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910681810.0A CN110532119B (zh) 2019-07-26 2019-07-26 动力***运行异常点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910681810.0A CN110532119B (zh) 2019-07-26 2019-07-26 动力***运行异常点检测方法

Publications (2)

Publication Number Publication Date
CN110532119A CN110532119A (zh) 2019-12-03
CN110532119B true CN110532119B (zh) 2023-04-25

Family

ID=68661967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910681810.0A Active CN110532119B (zh) 2019-07-26 2019-07-26 动力***运行异常点检测方法

Country Status (1)

Country Link
CN (1) CN110532119B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541016A (zh) * 2020-11-26 2021-03-23 南方电网数字电网研究院有限公司 用电异常检测方法、装置、计算机设备和存储介质
CN113722384A (zh) * 2021-11-02 2021-11-30 西安热工研究院有限公司 基于密度算法的测点数据异常值的检测方法、***及设备
CN115809417B (zh) * 2023-02-09 2023-05-09 新风光电子科技股份有限公司 用于高压变频器控制柜的生产线运行信号检测方法
CN116228603B (zh) * 2023-05-08 2023-08-01 山东杨嘉汽车制造有限公司 一种挂车周围障碍物的报警***及装置
CN116859902A (zh) * 2023-09-04 2023-10-10 西安热工研究院有限公司 一种用于水电控制***的数据库异常点检测方法及***
CN117591986B (zh) * 2024-01-18 2024-04-05 天津市职业大学 基于人工智能的汽车数据实时处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067725A (zh) * 2018-07-24 2018-12-21 成都亚信网络安全产业技术研究院有限公司 网络流量异常检测方法及装置
CN109753991A (zh) * 2018-12-06 2019-05-14 中科恒运股份有限公司 异常数据检测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107733921A (zh) * 2017-11-14 2018-02-23 深圳中兴网信科技有限公司 网络流量异常检测方法、装置、计算机设备和存储介质
CN109446189A (zh) * 2018-10-31 2019-03-08 成都天衡智造科技有限公司 一种工业参数离群点检测***及方法
CN109740175B (zh) * 2018-11-18 2020-12-08 浙江大学 一种面向风电机组功率曲线数据的离群点判别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109067725A (zh) * 2018-07-24 2018-12-21 成都亚信网络安全产业技术研究院有限公司 网络流量异常检测方法及装置
CN109753991A (zh) * 2018-12-06 2019-05-14 中科恒运股份有限公司 异常数据检测方法及装置

Also Published As

Publication number Publication date
CN110532119A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110532119B (zh) 动力***运行异常点检测方法
US20180285691A1 (en) Automated and customized post-production release review of a model
Capizzi et al. Combined Shewhart–EWMA control charts with estimated parameters
CN109144988B (zh) 一种异常数据的检测方法及装置
CN110083507B (zh) 关键性能指标分类方法及装置
CN111860698B (zh) 确定学习模型的稳定性的方法和装置
JP6707716B2 (ja) 異常情報推定装置、異常情報推定方法及びプログラム
EP3761133A1 (en) Diagnosis device and diagnosis method
CN110570544A (zh) 飞机燃油***故障识别方法、装置、设备和存储介质
CN113705981B (zh) 一种基于大数据的异常监测的方法及装置
CN116663747B (zh) 一种基于数据中心基础设施的智能预警方法及***
García-Escudero et al. Robust linear clustering
US8301584B2 (en) System and method for adaptive pruning
KR20210124811A (ko) 네트워크 장애 진단을 위한 학습 데이터를 생성하는 학습 데이터 생성 장치 및 방법
JP2019036112A (ja) 異常音検知装置、異常検知装置、プログラム
CN113657249A (zh) 训练方法、预测方法、装置、电子设备以及存储介质
KR20220159672A (ko) 오토 인코더 기반 이상 데이터 감지 시스템 및 방법
CN110770753B (zh) 高维数据实时分析的装置和方法
CN115495274B (zh) 基于时序数据的异常处理方法、网络设备和可读存储介质
CN111783883A (zh) 一种异常数据的检测方法及装置
Abbi et al. Analysis of stopping criteria for the EM algorithm in the context of patient grouping according to length of stay
KR20190064948A (ko) 준지도 학습에서의 꼭지점 중요도를 고려한 레이블 추론 방법 및 시스템
Taufer et al. Optimal predictive densities and fractional moments
US20210019397A1 (en) Smoothed seasonality-based dynamic thresholds for anomalous computing resource usage detection
CN113255927A (zh) 逻辑回归模型训练方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant