CN112148722B - 一种监测数据异常的识别及处理方法和*** - Google Patents
一种监测数据异常的识别及处理方法和*** Download PDFInfo
- Publication number
- CN112148722B CN112148722B CN202011097985.6A CN202011097985A CN112148722B CN 112148722 B CN112148722 B CN 112148722B CN 202011097985 A CN202011097985 A CN 202011097985A CN 112148722 B CN112148722 B CN 112148722B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- updating
- monitoring
- filter
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种监测数据异常的识别及处理方法和***,本发明利用卡尔曼滤波器数据预测原理,预测待分析判断的监测数据,通过预测值与监测值得比较,初步判断监测数据是否异常,对初步判断异常的数据,通过人工监督进行二次修正,对于修正的结果进行滤波器的更新处理和阈值模型的更新,本发明区别于通用的数据模型过滤,考虑了设备在时间上的变化情况,增加了当前正常监测值的权重,具有时间相关性,更加符合监测环境的变化和仪器损耗等场景。
Description
技术领域
本发明涉及异常数据识别及数据清洗技术领域,尤其涉及一种监测数据异常的识别及处理方法和***。
背景技术
当前随着传感器技术的不断发展,采集的数据越来越多,通过对数据进行分析决策可以为相关行业提供有力的支撑。但是设备采集的数据无法做到每一条都准确,会由于各种原因造成数据异常的情况,异常的数据用于分析决策有可能会做出错误的判断,因此,对采集的数据项目进行异常判断和处理显得尤为重要。针对异常数据中的错误数据处理,目前常用的处理方法为:通过聚类,回归,分箱等手段剔除孤立点;还可以通过数据特征分布,剔除脱离分布的噪声数据。但这些方法并没有考虑设备在时间上的变化情况,识别的准确性不高。
发明内容
本发明提供了一种监测数据异常的识别及处理方法和***,以解决上述现有技术中存在的问题。
本发明采用的技术方案是:一种监测数据异常的识别及处理方法,包括如下步骤:
步骤1:根据监测数据的数据项目数量,确认分配各数据项目对应的标识位置;
步骤2:针对各数据项目,按时间升序排列数据,对前若干条数据进行均值滤波,过滤掉明显的异常数据;
步骤3:针对各数据项目,利用步骤2处理后数据项目建立各自的卡尔曼滤波模型,并依次反馈更新到当前时刻状态;
步骤4:根据当前时刻状态的卡尔曼滤波器,预测输出各数据项目在下一时刻的预测值;
步骤5:比较下一时刻的预测值和下一时刻采集到的数据项目值,判断传感器设备采集到的数据项目值是否属于疑似异常值;如果异常则在该数据项目对应的标识位设置为1,否则设置为0;
步骤6:读取所有疑似异常的项目数据;
步骤7:根据步骤6查询出来的疑似异常数据和对应的历史正常数据,通过可视化界面进行展示,并由人工对判断结果进行审核校正;
步骤8:将校正结果重新写入数据库对应的记录,更新替换以前的判断结果,对判定为正常的数据项目执行步骤9,对错误的数据项目,执行步骤11;
步骤9:对于人工校正为正常的数据项目,将该部分数据作为正常监测值,用于滤波器模型的监测值更新,更新滤波器模型的相关参数矩阵,用于下次数据的预测,完成后执行步骤10,进行对应阈值的更新;
步骤10:通过当前预测值与采集到的数据项目值的差值的倍数作为更新输入,当阈值滤波器进行预测后,将该输入数据作为监测值进行阈值滤波器更新;
步骤11:对阈值滤波器进行预测操作,匹配当前时间状态。
优选地,步骤6具体如下:
步骤6.1:根据标识字段,查询标识字段不为0的记录;
步骤6.2:解析标识字段,通过与运算,获取不为0的位;
步骤6.3:根据异常的数据位,确认对应的数据项目,查询异常时刻前若干条数据项目。
本发明还公开一种监测数据异常的识别及处理***,包括
数据异常标识字段构建模块,用于将监测数据根据数据项目数量,确认分配各数据项目对应的标识位置;
数据预测模块,用于预测下一时刻的预测值;
疑似异常数据判断模块,用于读取所有疑似异常的项目数据;
审核校正模块,通过可视化界面进行展示,由人工对判断结果进行审核校正;
监测滤波器更新模块,将人工校正为正常的数据输入滤波器模型,进行监测滤波器更新;
阈值滤波器更新模块,所述监测滤波器更新模块更新完毕后,所述阈值滤波器更新模块根据人工校正为正常的数据进行更新。
优选地,在所述数据异常标识字段构建模块中,采用int数据类型来标识各数据项目的异常情况。
优选地,在所述数据异常标识字段构建模块中,针对标识字段的生成和解析方法如下:
标识字段生成:根据二进制位从低位到高位的顺序,对数据项目进行排列,确定每个数据项目对应的二进制位的位置,当某个数据项目数据异常时,将其对应的数据位设置为1,当所有数据项目判断并设置完成后,存储二进制数据对应的int整型结果数据;
标识字段解析:标识字段解析通过二进制数据位运算的与运算来实现。
优选地,在数据预测模块中,通过卡尔曼滤波实现数据预测,对各数据项目建立卡尔曼滤波器,根据当前时刻状态的卡尔曼滤波器,预测输出各数据项目在下一时刻的预测值。
优选地,在数据预测模块中,
为每一个传感器设备的数据项目建立滤波器模型,通过正确的监测值对模型进行更新,用于预测下一时刻的预测值;
为每一个传感器设备的阈值也建立滤波器模型,通过监测值与预测值的差值作为输入,用于预测阈值的变化,动态调整阈值。
优选地,在监测滤波器更新模块中,对于人工审核校正为异常的数据,不用于滤波器更新,对于人工校正为正常的数据,将该部分数据作为正常监测值,用于滤波器模型的监测值更新,更新滤波器模型的相关参数矩阵,用于下次数据的预测。
优选地,在阈值滤波器更新模块中,当前监测值是正确的监测值,则通过当前预测值与正常监测值的差值的倍数作为更新输入;当前监测值是错误的监测值,不进行数据更新。
本发明的有益效果是:本发明可实现监测数据出现错误值时能识别及处理,避免异常数据影响决策判断。同时考虑了设备在时间上的变化情况,增加了当前正常监测值的权重,具有时间相关性,更加符合监测环境的变化和仪器损耗等场景。
附图说明
图1为本发明公开的一种监测数据异常的识别及处理方法流程示意图;
图2为本发明公开的标识位值分配示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步详细描述,但本发明的实施方式不限于此。
实施例1:
参见图1,一种监测数据异常的识别及处理方法,包括如下步骤:
步骤1:根据监测数据的数据项目数量,确认分配各数据项目对应的标识位置。例如:有5个数据项目,项目1~项目5。则分配的标识位置为图2所示,其对应的int数据范围为(0~31)。在本步骤中每个监测仪器数据就是一个数据项目,比如水压传感器采集到的数据就是一个数据项目。
步骤2:针对各数据项目,对按时间升序排列数据(即按照采集时间从早到晚排序),对前若干条(优选大于5条)数据进行均值滤波,过滤掉明显的异常数据。
步骤3:针对各数据项目,利用步骤2处理后数据建立各自的卡尔曼滤波模型,并依次反馈更新到当前时刻状态。
步骤4:根据当前时刻状态的卡尔曼滤波器,预测输出各数据项目在下一时刻的预测值。
步骤5:比较下一时刻的预测值和下一时刻采集到的数据项目值,判断传感器设备采集到的数据项目值是否属于疑似异常值。如果是则在该数据项目对应的标识位设置为1,否则设置为0。如项目4数据和项目2数据疑似异常,则设置对应标识位为1,结果标识字段值为00001010,其int值为12,如此循环,遍历判断所有的监测记录,并存储其标识字段值。
步骤6:读取所有疑似异常的项目数据,具体包括如下步骤:
步骤6.1:根据标识字段,查询标识字段不为0的记录。
步骤6.2:解析标识字段,通过与运算,获取不为0的位,如需要判断项目5是否为异常,即将标识字段值与00010000(int值为16)进行与运算,如果结果为16则项目5为异常,否则为正常。
步骤6.3:根据异常的数据位,确认对应的数据项目,查询异常时刻前若干条数据项目。
步骤7:根据步骤6查询出来的疑似异常数据和对应的历史正常数据,通过可视化界面进行展示,并由人工对判断结果进行审核校正。
步骤8:将校正结果重新写入数据库对应的记录,更新替换以前的判断结果,对判定为正常数据项目执行步骤9,对错误的数据项目,执行步骤11。
步骤9:对于人工校正为正常的数据项目,将该部分数据作为正常监测值,用于滤波器模型的监测值更新,更新滤波器模型的相关参数矩阵,用于下次数据的预测,完成后执行步骤10,进行对应阈值的更新。
步骤10:通过当前预测值与正常监测值(正常监测值即采集到的数据项目值)的差值的倍数作为更新输入,如输入数据为|正常观测-当前预测值|*2,当阈值滤波器进行预测后,将该输入数据作为监测值进行阈值滤波器更新。
步骤11:对阈值滤波器进行预测操作,匹配当前时间状态。
实施例2
一种监测数据异常的识别及处理***,包括数据异常标识字段构建模块、数据预测模块、疑似异常数据判断模块、审核校正模块、监测滤波器更新模块以及阈值滤波器更新模块。
数据异常标识字段构建模块
由于传感器设备采集的数据项目可能不止一项,如果给每个字段建立一个标识字段来标识数据会使整个数据比较冗余。本发明采用int数据类型来标识各数据项目的异常情况,具体方法为,将int数据类型在二进制数据类型下的每一位标识一个采集到的数据项目,如一个8位int数据就有8个二进制数据:00000000~11111111,每一位二进制数据有0或1两个数据值,本发明将1标识为数据异常,0标识为数据正常,所以一个8位int数据类型最多可以标识8个数据项目,常用的32位int数据可以最多标识32个数据项目,这样一个字段基本就可以满足各数据项目的标识。
针对标识字段的生成和解析方法如下:
标识字段生成:根据二进制位从低位到高位的顺序,对数据项目进行排列,确定每个数据项目对应的二进制位的位置。当某个数据项目数据异常时,将其对应的数据位设置为1,当所有数据项目判断并设置完成后,存储二进制数据对应的int整型结果数据。
标识字段解析:标识字段解析通过二进制数据位运算的与运算来实现,位运算的运算分量只能是整型或字符型数据,位运算把运算对象看作是由二进位组成的位串信息,按位完成指定的运算,得到位串信息的结果,位运算符有:
&(按位与)、|(按位或)、^(按位异或)、~(按位取反)。
按位与运算将两个运算分量的对应位按位遵照以下规则进行计算:
0&0=0,0&1=0,1&0=0,1&1=1。
即同为1的位,结果为1,否则结果为0。
例如,如果一个标识数据二进制数据如下:
00000111
要判断第二个数据项目是否为异常时,将其与只有第二位数据为1(00000010)的目的数据进行与运算,如果运算结果与目的数据相同,则对应位数据异常,否则数据正常。
数据预测模块
本发明通过卡尔曼滤波实现数据预测,卡尔曼滤波(Kalmanfiltering)一种利用线性***状态方程,通过***输入输出观测数据,对***状态进行最优估计的算法。由于观测数据中包括***中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。本发明对各数据项目建立卡尔曼滤波器,根据当前时刻状态的卡尔曼滤波器,预测输出各数据项目在下一时刻的预测值。
本发明为每一个传感器设备的数据项目建立滤波器模型,通过正确的监测值对模型进行更新,用于预测下一时刻的预测值。
本发明为每一个传感器设备的阈值也建立滤波器模型,通过监测值与预测值的差值作为输入,用于预测阈值的变化,动态调整阈值。
疑似异常数据判断模块
利用数据预测模块得到的下一时刻的预测值,与下一时刻采集到的数据项目值进行比较,判断设备采集到的数据项目值是否属于疑似异常值。具体判断方法为监测值(即下一时刻采集到的数据项目值)减去预测值的绝对值小于一定阈值,阈值thread初始设置为前m条正常数据均值*15%,并创建阈值滤波器:
|监测值-预测值|<阈值;
阈值=(监测值1+监测值2+...+监测值m)/m*15%。
审核校正模块
审核校正模块通过可视化界面进行展示,对于***自动识别到的疑似异常数据,通过数据异常标识字段进行表示并存储,当人员审核校正时,针对疑似异常的数据,查询异常数据时刻前若干条的数据,由人工根据历史数据确认疑似异常数据是否是异常,并确认或者修改异常数据标识,最后存储标识。
滤波器更新模块
对于人工审核校正为异常的数据,不用于滤波器更新,对于人工校正为正常的数据,将该部分数据作为正常监测值,用于滤波器模型的监测值更新,更新滤波器模型的相关参数矩阵,用于下次数据的预测。
阈值滤波器更新模块
阈值滤波器更新有两种情况,一种是当前监测值是正确的监测值,该情况通过当前预测值与正常监测值的差值的倍数作为更新输入,如输入数据为|正常观测-当前预测值|*2。另一种情况是当前监测值是错误的监测值,这种情况下不进行数据更新,只进行滤波器预测,以匹配当前时刻的状态。
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 (7)
1.一种监测数据异常的识别及处理方法,其特征在于,包括如下步骤:
步骤1:根据监测数据的数据项目数量,确认分配各数据项目对应的标识位置;根据二进制位从低位到高位的顺序,对数据项目进行排列,确定每个数据项目对应的二进制位的位置;
步骤2:针对各数据项目,按时间升序排列数据,对前若干条数据进行均值滤波,过滤掉明显的异常数据;
步骤3:针对各数据项目,利用步骤2处理后数据项目建立各自的卡尔曼滤波模型,并依次反馈更新到当前时刻状态;
步骤4:根据当前时刻状态的卡尔曼滤波器,预测输出各数据项目在下一时刻的预测值;
步骤5:比较下一时刻的预测值和下一时刻采集到的数据项目值,判断传感器设备采集到的数据项目值是否属于疑似异常值;如果异常则在该数据项目对应的标识位设置为1,否则设置为0;
步骤6:读取所有疑似异常的项目数据;
步骤7:根据步骤6查询出来的疑似异常数据和对应的历史正常数据,通过可视化界面进行展示,并由人工对判断结果进行审核校正;
步骤8:将校正结果重新写入数据库对应的记录,更新替换以前的判断结果,对判定为正常的数据项目执行步骤9,对错误的数据项目,执行步骤11;
步骤9:对于人工校正为正常的数据项目,将该部分数据作为正常监测值,用于滤波器模型的监测值更新,更新滤波器模型的相关参数矩阵,用于下次数据的预测,完成后执行步骤10,进行对应阈值的更新;
步骤10:通过当前预测值与采集到的数据项目值的差值的倍数作为更新输入,当阈值滤波器进行预测后,将该输入数据作为监测值进行阈值滤波器更新;
步骤11:对阈值滤波器进行预测操作,匹配当前时间状态。
2.根据权利要求1所述的一种监测数据异常的识别及处理方法,其特征在于,步骤6具体如下:
步骤6.1:根据标识字段,查询标识字段不为0的记录;
步骤6.2:解析标识字段,通过与运算,获取不为0的位;
步骤6.3:根据异常的数据位,确认对应的数据项目,查询异常时刻前若干条数据项目。
3.一种监测数据异常的识别及处理***,其特征在于包括
数据异常标识字段构建模块,用于将监测数据根据数据项目数量,确认分配各数据项目对应的标识位置;根据二进制位从低位到高位的顺序,对数据项目进行排列,确定每个数据项目对应的二进制位的位置;
数据预测模块,用于预测下一时刻的预测值;
疑似异常数据判断模块,用于读取所有疑似异常的项目数据;
审核校正模块,通过可视化界面进行展示,由人工对判断结果进行审核校正;
监测滤波器更新模块,将人工校正为正常的数据输入滤波器模型,进行监测滤波器更新;对于人工审核校正为异常的数据,不用于滤波器更新,对于人工校正为正常的数据,将该部分数据作为正常监测值,用于滤波器模型的监测值更新,更新滤波器模型的相关参数矩阵,用于下次数据的预测;
阈值滤波器更新模块,所述监测滤波器更新模块更新完毕后,所述阈值滤波器更新模块根据人工校正为正常的数据进行更新;当前监测值是正确的监测值,则通过当前预测值与正常监测值的差值的倍数作为更新输入;当前监测值是错误的监测值,不进行数据更新。
4.根据权利要求3所述的一种监测数据异常的识别及处理***,其特征在于,在所述数据异常标识字段构建模块中,采用int数据类型来标识各数据项目的异常情况。
5.根据权利要求4所述的一种监测数据异常的识别及处理***,其特征在于,在所述数据异常标识字段构建模块中,针对标识字段的生成和解析方法如下:
标识字段生成:根据二进制位从低位到高位的顺序,对数据项目进行排列,确定每个数据项目对应的二进制位的位置,当某个数据项目数据异常时,将其对应的数据位设置为1,当所有数据项目判断并设置完成后,存储二进制数据对应的int整型结果数据;
标识字段解析:标识字段解析通过二进制数据位运算的与运算来实现。
6.根据权利要求3所述的一种监测数据异常的识别及处理***,其特征在于,在数据预测模块中,通过卡尔曼滤波实现数据预测,对各数据项目建立卡尔曼滤波器,根据当前时刻状态的卡尔曼滤波器,预测输出各数据项目在下一时刻的预测值。
7.根据权利要求6所述的一种监测数据异常的识别及处理***,其特征在于,在数据预测模块中,
为每一个传感器设备的数据项目建立滤波器模型,通过正确的监测值对模型进行更新,用于预测下一时刻的预测值;
为每一个传感器设备的阈值也建立滤波器模型,通过监测值与预测值的差值作为输入,用于预测阈值的变化,动态调整阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011097985.6A CN112148722B (zh) | 2020-10-14 | 2020-10-14 | 一种监测数据异常的识别及处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011097985.6A CN112148722B (zh) | 2020-10-14 | 2020-10-14 | 一种监测数据异常的识别及处理方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112148722A CN112148722A (zh) | 2020-12-29 |
CN112148722B true CN112148722B (zh) | 2022-06-03 |
Family
ID=73953084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011097985.6A Active CN112148722B (zh) | 2020-10-14 | 2020-10-14 | 一种监测数据异常的识别及处理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112148722B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395468A (zh) * | 2020-11-27 | 2021-02-23 | 浙江诺诺网络科技有限公司 | 一种号码管理方法、装置及电子设备和存储介质 |
CN114491383B (zh) * | 2022-04-15 | 2022-09-16 | 江西飞尚科技有限公司 | 桥梁监测的异常数据处理方法及*** |
CN114993353A (zh) * | 2022-05-18 | 2022-09-02 | 成都市美幻科技有限公司 | 多灾害监测设备自适应滤波方法、装置、设备及*** |
CN117335510A (zh) * | 2022-06-27 | 2024-01-02 | Oppo广东移动通信有限公司 | 一种通信检测方法、装置、设备、***以及存储介质 |
CN116189023B (zh) * | 2023-04-28 | 2023-07-11 | 成都市环境应急指挥保障中心 | 基于无人机实现环境应急监测的方法及*** |
CN116502156B (zh) * | 2023-06-30 | 2023-09-08 | 中国电力科学研究院有限公司 | 一种换流站光ct异常状态智能辨识方法及*** |
CN117375147B (zh) * | 2023-09-25 | 2024-03-15 | 南方电网调峰调频(广东)储能科技有限公司 | 一种储能电站的安全监测预警与运行管理方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109542740A (zh) * | 2017-09-22 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
CN109947747A (zh) * | 2017-12-01 | 2019-06-28 | 广州明领基因科技有限公司 | 基于孤立点检测的大数据异常值清理方法 |
CN110602723A (zh) * | 2019-08-27 | 2019-12-20 | 华侨大学 | 一种基于水下边缘设备的两级双向预测获取数据方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100004949A1 (en) * | 2008-07-03 | 2010-01-07 | Impulse Monitoring, Inc. | Method, system, and computer program product for receiving, extracting, and translating intraoperative neurophysiologic monitoring (ionm) data from multiple device types |
CN103793765B (zh) * | 2014-02-12 | 2017-09-29 | 航天东方红卫星有限公司 | 一种基于Kalman滤波的卫星遥测数据预测方法 |
CN110880984B (zh) * | 2019-10-18 | 2022-12-27 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN111193495B (zh) * | 2019-12-12 | 2023-06-02 | 浙江工业大学 | 一种工件校直数据的滤波处理方法 |
CN111080484A (zh) * | 2019-12-21 | 2020-04-28 | 国网山东省电力公司泰安供电公司 | 一种配电网异常数据监测方法及装置 |
-
2020
- 2020-10-14 CN CN202011097985.6A patent/CN112148722B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109542740A (zh) * | 2017-09-22 | 2019-03-29 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
CN109947747A (zh) * | 2017-12-01 | 2019-06-28 | 广州明领基因科技有限公司 | 基于孤立点检测的大数据异常值清理方法 |
CN110602723A (zh) * | 2019-08-27 | 2019-12-20 | 华侨大学 | 一种基于水下边缘设备的两级双向预测获取数据方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112148722A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112148722B (zh) | 一种监测数据异常的识别及处理方法和*** | |
US8676553B2 (en) | Apparatus abnormality diagnosis method and system | |
US11403160B2 (en) | Fault predicting system and fault prediction method | |
CN111475804A (zh) | 一种告警预测方法及*** | |
CN109255440B (zh) | 基于递归神经网络(rnn)的对电力生产设备进行预测性维护的方法 | |
EP2442288A1 (en) | Device abnormality monitoring method and system | |
CN114167838B (zh) | 一种伺服***多尺度健康评估与故障预测方法 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、***、终端及介质 | |
CN116032557A (zh) | 一种网络安全异常检测中深度学习模型的更新方法与装置 | |
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
EP3916502A1 (en) | Operation evaluation device, operation evaluation method, and program | |
CN111105082A (zh) | 基于机器学习的工件质量预测模型构建方法及预测方法 | |
CN115392812B (zh) | 一种异常根因定位方法、装置、设备及介质 | |
WO2021199227A1 (ja) | エラー要因の推定装置及び推定方法 | |
CN116992391B (zh) | 一种硬碳工艺环保监测数据采集处理方法 | |
CN115793552A (zh) | 一种基于数据处理的电子气体生产监测方法及*** | |
WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN116383606A (zh) | 一种分布式医疗设备的恒流温度采集方法及*** | |
CN116205885A (zh) | 异常状态检测方法、***、电子设备及可读存储介质 | |
JP2020187516A (ja) | 異常診断装置及び方法 | |
CN113836539A (zh) | 基于精准测试的电力工控***漏洞全流程处置***及方法 | |
Booysen et al. | A practical methodology for the systematic identification of outliers | |
CN114665986B (zh) | 一种蓝牙钥匙的测试***及方法 | |
CN116992390B (zh) | 一种异常数据的配置及展示方法 |
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 |