CN113723338B - 传感器异常检测方法、装置及计算机可读存储介质 - Google Patents

传感器异常检测方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113723338B
CN113723338B CN202111049831.4A CN202111049831A CN113723338B CN 113723338 B CN113723338 B CN 113723338B CN 202111049831 A CN202111049831 A CN 202111049831A CN 113723338 B CN113723338 B CN 113723338B
Authority
CN
China
Prior art keywords
signal
target sensor
determining
abnormal
sensor
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
CN202111049831.4A
Other languages
English (en)
Other versions
CN113723338A (zh
Inventor
苗少光
刘阳
王振亚
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.)
Shenzhen Hand Hitech Co ltd
Original Assignee
Shenzhen Hand Hitech Co ltd
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 Shenzhen Hand Hitech Co ltd filed Critical Shenzhen Hand Hitech Co ltd
Priority to CN202111049831.4A priority Critical patent/CN113723338B/zh
Publication of CN113723338A publication Critical patent/CN113723338A/zh
Application granted granted Critical
Publication of CN113723338B publication Critical patent/CN113723338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例提供了一种传感器异常检测方法、装置及计算机可读存储介质，方法包括：获取目标传感器输出的原始信号；将原始信号输入自编码模型中，得到原始信号对应的重构信号；将原始信号与对应的重构信号进行比较得到信号误差，并基于信号误差确定目标传感器的状态；若确定目标传感器处于异常状态，则基于信号误差的概率密度，确定目标传感器的异常类型。由于自编码模型仅需要少量的正常数据训练得到，因此避免了现有技术中需要基于大量异常数据进行特征分析以用于异常检测的问题，使得异常检测工作量大大降低，同时，该方案能够进一步根据异常信号的信号误差的概率密度确定出目标传感器的异常类型，提高了后续异常处理效率。

Description

传感器异常检测方法、装置及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，具体而言，本申请涉及一种传感器异常检测方法、装置及计算机可读存储介质。
背景技术
随着智能控制技术的发展，物流行业为了对物流车辆进行更高效的管理，一般都会为物流车辆安装各种车载传感器。车载传感器可以实时获取物流车辆的各种实时状态，并将获取到的各种传感器信号反馈至中央处理单元进行分析，以使管理人员获知车辆的实时状态。
为了保障物流车辆状态信息的真实有效，需要对车载传感器的状态进行监测。如果车载传感器处于异常状态，而没有被及时发现，车载传感器就无法反馈真实的物流车辆状态信息，从而影响对物流车辆的管理。
目前的车载传感器异常检测技术，针对不同的传感器需要分别搜集大量的异常数据，基于异常数据进行特征分析以确定异常检测标准，使得异常检测工作量大，效率低，响应不及时，同时，目前的车载传感器异常检测技术无法确定具体的异常类型。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，本申请实施例所提供的技术方案如下：
第一方面，本申请实施例提供了一种传感器异常检测方法，包括：
获取目标传感器输出的原始信号；
将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障。
在本申请的一种可选实施例中，所述基于所述信号误差确定所述目标传感器的状态，包括：
基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号；
确定第一预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第一数量；
若所述第一数量不小于第一预设阈值，则确定第二预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第二数量；
若所述第二预设数量不小于第二预设阈值，则确定所述目标传感器处于异常状态。
在本申请的一种可选实施例中，所述基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号，包括：
若所述原始信号对应的信号误差不小于第三预设阈值，则确定所述原始信号为异常信号，否则为非异常信号。
在本申请的一种可选实施例中，所述第一预设时间段和所述第二预设时间段的起始时刻相同，且所述第二预设时间段比所述第一预设时间段长。
在本申请的一种可选实施例中，所述基于所述信号误差的概率密度，确定所述目标传感器的异常类型，包括：
确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的均值，并基于所述信号误差的均值确定所述信号误差的方差；
基于所述信号误差的均值和方差，确定所述信号误差的概率密度；
基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型。
在本申请的一种可选实施例中，所述基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型，包括：
若所述概率密度位于第一预设区间，则确定所述目标传感器的异常类型为采集器异常；
若所述概率密度位于第二预设区间，则确定所述目标传感器的异常类型为传感器接线松动；
若所述概率密度位于第三预设区间，则确定所述目标传感器的异常类型为传感器疲劳磨损；
若所述概率密度位于第四预设区间，则确定所述目标传感器的异常类型为线材损坏；
其中，所述第一至第四预设区间的边界值为基于所述目标传感器不同异常类型对应的异常信号样本确定的信号误差的概率密度。
在本申请的一种可选实施例中，所述方法还包括：
基于所述原始信号的统计信息，对所述目标传感器进行初步筛查，所述初步筛查用于确定所述目标传感器是否存在明显异常，若是，则基于所述统计信息确定所述目标传感器的异常类型；若否，则将所述目标传感器输出的原始信号输入自编码模型中；
其中，所述目标传感器存在明显异常的情形包括：在第三预设时间段内，所述目标传感器输出的原始信号的值为零或输出的原始信号的值不小于第四预设阈值。
第二方面，本申请实施例提供了一种传感器异常检测装置，包括：
原始信号获取模块，用于获取目标传感器输出的原始信号；
重构信号获取模块，用于将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
传感器状态确定模块，用于将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
异常类型确定模块，用于若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障。
第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器；
存储器中存储有计算机程序；
处理器，用于执行计算机程序以实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
第五方面，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行时实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
本申请提供的技术方案带来的有益效果是：
通过训练好的自编码模型获取目标传感器输出的原始信号的重构信号，再基于原始信号与对应的重构信号之间的信号误差，确定目标传感器是否处于异常状态，由于自编码模型仅需要少量的正常数据训练得到，因此避免了现有技术中需要基于大量异常数据进行特征分析以用于异常检测的问题，使得异常检测工作量大大降低，效率提高，响应及时，同时，该方案能够进一步根据异常信号的信号误差的概率密度，确定出目标传感器的异常类型，提高了后续异常处理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种车载传感器异常检测***的结构示意图；
图2为本申请实施例提供的一种传感器异常检测方法的流程示意图；
图3为本申请实施例的一个示例中车载传感器异常检测流程图；
图4为本申请实施例提供了一种传感器异常检测装置的结构框图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1为本申请实施例提供的一种车载传感器异常检测***，如图1所示，该***可以包括数据采集单元101和数据处理单元102，其中，数据采集单元101可以包括六轴陀螺仪和多个应变传感器，为了获取目标车辆的状态信息，数据采集单元101安装在目标车辆的指定位置。数据采集单元101中的传感器通过各自的运作原理，响应于车辆的各种运行状态输出对应的原始信号。数据采集单元101可以通过网络与数据处理单元102连接，数据采集单元101会将其中各传感器输出的原始信号通过网络反馈至数据处理单元102，数据处理单元102通过接收到的原始信号的处理，来确定该原始信号的对应的传感器是否处于异常状态。
图2为本申请实施例提供的一种传感器异常检测方法的流程示意图，该方法的执行主体可以是图1中的数据处理单元，如图2所示，该方法可以包括：
步骤S201，获取目标传感器输出的原始信号；
具体地，目标传感器为需要检测状态的车载传感器，该目标传感器可以为陀螺仪或者应变传感器，该两类型的传感器可以通过本申请提供的方案进行异常检测。当然，所述车载传感器也可以为其它类型的传感器，本申请实施例对此不作具体限定。
目标传感器可以按一定的频率输出原始信号，换言之，数据处理单元可以按一定频率接收到原始信号。不同类型的目标传感器可以有一个或多个通道，每个通道反馈一组原始信号，因此本申请的方案可以确定目标传感器具体通道是否处于异常状态。
步骤S202，将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
具体地，其中，自编码模型包括编码器和解码器，编码器和解码器可以分别包括三层神经网络。自编码模型的输入为原始信号，输出为该原始信号对应的重构信号。编码器、解码器和自编码模型的原理可以分别用以下公式表示：
h＝f(X)；
其中，X表示原始信号，h为原始信息经过编码器之后的输出，表示原始信号的重构信号，f(X)为编码器表示函数，g(h)为解码器表示函数，g[f(X)]为自编码模型表示函数。
若原始信号为正常信号，则对应的重构信号与该原始信号较为接近，若原始信号为异常信号，则对应的重构信号与该原始信号偏差较大。换言之，正常的原始信号与其对应的重构信号之间的信号误差较小，异常信号与其对应的重构信号之间信号误差较大。
在使用自编码模型之前，需要利用样本信号对初始自编码模型进行训练，得到训练好的自编码模型。其中，样本信号为正常的目标传感器输出的原始信号(即正常信号)。值得注意的是，不同类型车载传感器对应于不同的自编码模型。
步骤S203，将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
具体地，由前文描述可知，正常的原始信号与其对应的重构信号之间的信号误差较小，异常信号与其对应的重构信号之间信号误差较大。那么，根据目标传感器输出的原始信号对应的信号误差，可以确定该原始信号是否为异常信号，然后进一步根据目标传感器在一定时间窗口内的异常信号的数量，即可确定该目标传感器是否处于异常状态。
步骤S204，若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障。
具体地，若确定目标传感器处于异常状态，则可以进一步根据信号误差的概率密度确定目标传感器的异常类型，以便于采取相应的措施。其中，不同类型的故障对应于不同的概率密度，所述对应关系是基于对历史异常信号进行分析得到的。
本申请实施例提供的方案，通过训练好的自编码模型获取目标传感器输出的原始信号的重构信号，再基于原始信号与对应的重构信号之间的信号误差，确定目标传感器是否处于异常状态，由于自编码模型仅需要少量的正常数据训练得到，因此避免了现有技术中需要基于大量异常数据进行特征分析以用于异常检测的问题，使得异常检测工作量大大降低，效率提高，响应及时，同时，该方案能够进一步根据异常信号的信号误差的概率密度，确定出目标传感器的异常类型，提高了后续异常处理效率。
在本申请的一种可选实施例中，所述基于所述信号误差确定所述目标传感器的状态，包括：
基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号；
确定第一预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第一数量；
若所述第一数量不小于第一预设阈值，则确定第二预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第二数量；
若所述第二预设数量不小于第二预设阈值，则确定所述目标传感器处于异常状态。
具体地，在进行目标传感器异常检测过程中，需要持续对接收到的原始信号进行判断，即基于原始信号与重构信号之间的信号误差，判断原始信号是否为异常信号。在具体实现时，可以基于原始信号的采样频率进行判断，例如，可以每秒判断一次。对确定出的异常信号的数量进行累计，以用于判断目标传感器是否处于异常状态。
具体来说，可以通过不同时间窗口内累计的异常信号的数量来确定目标传感器是否处于异常状态。确定第一预设时间段内，目标传感器输出的原始信号中包含的异常信号的第一数量，若该第一数量大于或等于第一预设阈值，则发出传感器异常警告，以提醒管理人员目标传感器可能处于异常状态。同时，为了防止误判，还需要进行进一步的异常信号累计，即若该第一数量大于或等于第一预设阈值，则确定第二预设时间段内，目标传感器输出的原始信号中包含的异常信号的第二数量，若第二预设数量不小于第二预设阈值，则确定目标传感器处于异常状态。
其中，第一预设时间段和第二预设时间段的起始时刻相同，且第二预设时间段比第一预设时间段长。举例来说，第一时间段为5分钟，第二时间段为30分钟，那么，第一预设阈值可以设置为15，第二预设阈值可以设置为90。若目标传感器从某一时刻T1开始，经过5分钟累计的异常信号为20个，则发出传感器异常警告，同时，继续对异常信号进行累计，若目标传感器从时刻T1开始，经过30分钟累计的异常信号为100个，则确定该目标传感器处于异常状态。
可以理解的是，所述第一预设阈值和所述第二预设阈值是基于对车载传感器异常状态下的信号输出情况进行统计后得到的经验值。基于第一和第二两个预设时间段进行异常信号累计是因为车载传感器在实际测量过程中，会由于司机的不当操作导致输出信号在短时间内出现波动异常。为了避免该情形导致的传感器状态误判，本申请实施例分别对一长一短两个时间段的异常信号进行累计以判断传感器是否处于异常状态。当第一预设时间段提示传感器可能存在异常的情况下，继续累计异常信号，如果第二预设时间段的累计结果也提示传感器异常，才会认定传感器处于异常状态，保证了传感器异常状态判断的准确性。
在本申请的一种可选实施例中，所述基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号，包括：
若所述原始信号对应的信号误差不小于第三预设阈值，则确定所述原始信号为异常信号，否则为非异常信号。
具体地，基于前述实施例，正常的原始信号与其对应的重构信号之间的信号误差较小，异常信号与其对应的重构信号之间信号误差较大。基于训练好的自编码模型的输出情况即可确定所述第三预设阈值，若所述原始信号对应的信号误差不小于第三预设阈值，则确定所述原始信号为异常信号。采用该方式能够直观地确定所述原始信号是否为异常信号，保证异常检测的效率和准确性。
在确定了目标传感器处于异常状态后，还可以进一步根据目标传感器在第二预设时间段内输出异常信号对应的信号误差的概率密度确定异常类型。
在本申请的一种可选实施例中，所述基于所述信号误差的概率密度，确定所述目标传感器的异常类型，包括：
确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的均值，并基于所述信号误差的均值确定所述信号误差的方差；
基于所述信号误差的均值和方差，确定所述信号误差的概率密度；
基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型。
在本申请的一种可选实施例中，所述基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型，包括：
若所述概率密度位于第一预设区间，则确定所述目标传感器的异常类型为采集器异常；
若所述概率密度位于第二预设区间，则确定所述目标传感器的异常类型为传感器接线松动；
若所述概率密度位于第三预设区间，则确定所述目标传感器的异常类型为传感器疲劳磨损；
若所述概率密度位于第四预设区间，则确定所述目标传感器的异常类型为线材损坏；
其中，所述第一至第四预设区间的边界值为基于所述目标传感器不同异常类型对应的异常信号样本确定的信号误差的概率密度。
具体地，对于已经确定处于异常状态的目标传感器，基于所述目标传感器在第二预设时间段内输出异常信号对应的信号误差ΔX，进行具体的异常原因(即异常类型)分析。目前常见异常类型包括：采集器异常，传感器接线松动，传感器疲劳磨损，线材故障。
本申请实施例基于异常传感器历史输出信号进行分析，确定异常类型与信号误差存在以下关联关系：
采集器异常：ΔX的方差偏大，均值也偏大；
传感器接线松动：ΔX的极值偏大；
传感器疲劳磨损：ΔX的方差偏小，均值偏大；
线材故障：ΔX的极值偏大，方差也偏大。
根据以上特性，采用基于高斯分布的异常检测方法确定异常类型与信号误差的概率密度的对应关系。概率密度可以反映出数据的分布规律，根据每种传感器不同异常类型的特性，针对每种异常类型对应的ΔX都计算出一个概率密度P(x)，则P(x)可以作为对应异常类型的边界值，根据上述4种异常类型的概率密度的比较，即可确定不同异常类型对应的概率密度区间。假设目标传感器某一异常类型的异常信号样本对应的信号误差(ΔX)都相互独立且都服从高斯分布，则概率密度的计算公式如下：
其中，μj是目标传感器异常信号样本对应的信号误差的均值；为目标传感器异常信号样本对应的信号误差的方差；P(x)是基于均值和方差计算得到的概率密度；j＝1,2,3..n为传感器编号；i＝1,2...m为样本数量。
根据传感器历史异常信号样本进行上述计算，假设目标传感器采集器异常对应的概率密度P1(x)为ε，传感器接线松动对应的概率密度P2(x)为1.5ε，传感器疲劳磨损对应的概率密度P3(x)为2ε，线材故障对应的概率密度P4(x)为4ε，则基于上述4个概率密度值即可确定第一至第四预设区间：第一预设区间为P(x)<ε，第二预设区间为ε≤P(x)<1.5ε，第三预设区间为1.5ε≤P(x)<2ε，第四预设区间为2ε≤P(x)<4ε。
在实际异常检测过程中，将判断为异常的目标传感器在第二预设时间段内输出的异常信号对应的信号误差ΔX代入上述公式计算概率密度P0(x)，并确定P0(x)所处的概率密度区间，即可确定目标传感器对应的异常类型：
若P0(x)<ε，则记录采集器异常；
若ε≤P0(x)<1.5ε，则记录传感器接线松动；
若1.5ε≤P0(x)<2ε，则记录传感器疲劳磨损；
若2ε≤P0(x)<4ε，则记录传感器线材故障。
可以理解的是P1(x)-P4(x)的大小关系对于不同的传感器会有所不同，相应的，第一至第四预设区间也会发生变化，并不局限于上述情形。
本申请实施例提供的方案，通过确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的概率密度，再通过预先基于所述目标传感器不同异常类型对应的异常信号样本确定的信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型，能够准确判断所述目标传感器的异常类型，提高后续异常处理的效率。
在本申请的一种可选实施例中，所述方法还包括：
基于所述原始信号的统计信息，对所述目标传感器进行初步筛查，所述初步筛查用于确定所述目标传感器是否存在明显异常，若是，则基于所述统计信息确定所述目标传感器的异常类型；若否，则将所述目标传感器输出的原始信号输入自编码模型中；
其中，所述目标传感器存在明显异常的情形包括：在第三预设时间段内，所述目标传感器输出的原始信号的值为零或输出的原始信号的值不小于第四预设阈值。
具体地，可以在利用自编码模型获取原始信号的重构信号之前，基于目标传感器在第三预设时间段内输出的原始信号的特点，来对目标传感器进行初步筛查。具体来说，若在第三预设时间段内，目标传感器输出的原始信号的值为零或输出的原始信号的值不小于第四预设阈值，则初筛不通过，且可以确定目标传感器处于异常状态。例如，在3分钟内，目标传感器输出的原始信号出现大的波动异常，如没有原始信号(信号数据全部为0)，原始信号值过大(超过能显示的数据最大值)。上述过程可以理解为对目标传感器输出的信号的初筛，初筛不通过则说明目标传感器处于异常状态，初筛通过则进一步采用前文所述的方式进行判断。
可以理解的是，初筛通过说明目标传感器不存在明显异常，但需要进一步根据自编码模型进行二次判断，确定目标传感器是否处于异常状态。初筛可以避免对明显存在异常的目标传感器进行后续自编码模型判断，减小异常检测的计算量，同时通过初筛和基于自编码模型对目标传感器的原始信号进行检测，能够最大限度的保证传感器异常状态检测的准确性。
下面再通过一个示例来对本申请的方案进行进一步描述，如图3所示，车载的六轴陀螺仪的异常判断过程可以包括以下几个步骤：
(1)数据处理单元获取六轴陀螺仪各通道反馈的原始信号。
(2)对六轴陀螺仪进行初筛，基于目标传感器在第三预设时间段内输出的原始信号的特点，来判断目标传感器是否处于异常状态。若初筛不通过则确定六轴陀螺仪处于异常状态，若初筛通过则进入下一步骤。
(3)若六轴陀螺仪初筛通过，则对其各通道的原始信号进行重构得到对应的重构信号，并基于原始信号和重构信号之间的信号误差确定异常信号。
(4)若在第一预设时间段内，六轴陀螺仪输出的异常信号的第一数量不小于第一预设阈值，则确定第二预设时间段内，目标传感器输出的原始信号中包含的异常信号的第二数量；若在第一预设时间段内，六轴陀螺仪输出的异常信号的第一数量小于第一预设阈值，则确定六轴陀螺仪处于正常状态。
(5)若在第二预设时间段内，六轴陀螺仪输出的异常信号的第二数量不小于第二预设阈值，则确定目标传感器处于异常状态；若在第二预设时间段内，六轴陀螺仪输出的异常信号的第二数量小于第三预设阈值，则确定目标传感器处于正常状态。
(6)若确定目标传感器处于异常状态，则确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的均值、方差，并基于所述信号误差的均值和方差，确定所述信号误差的概率密度。
(7)基于所述信号误差的概率密度所处的概率密度区间，确定所述六轴陀螺仪的异常类型。
图4为本申请实施例提供了一种传感器异常检测装置的结构框图，如图4所示，该装置400可以包括：原始信号获取模块401、重构信号获取模块402、传感器状态确定模块403、异常类型确定模块404，其中：
原始信号获取模块401用于获取目标传感器输出的原始信号；
重构信号获取模块402用于将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
传感器状态确定模块403用于将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
异常类型确定模块404用于若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障。
本申请实施例提供的方案，通过训练好的自编码模型获取目标传感器输出的原始信号的重构信号，再基于原始信号与对应的重构信号之间的信号误差，确定目标传感器是否处于异常状态，由于自编码模型仅需要少量的正常数据训练得到，因此避免了现有技术中需要基于大量异常数据进行特征分析以用于异常检测的问题，使得异常检测工作量大大降低，效率提高，响应及时，同时，该方案能够进一步根据异常信号的信号误差的概率密度，确定出目标传感器的异常类型，提高了后续异常处理效率。
在本申请的一种可选实施例中，传感器状态确定模块具体用于：
基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号；
确定第一预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第一数量；
若所述第一数量不小于第一预设阈值，则确定第二预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第二数量；
若所述第二预设数量不小于第二预设阈值，则确定所述目标传感器处于异常状态。
在本申请的一种可选实施例中，传感器状态确定模块进一步用于：
若所述原始信号对应的信号误差不小于第三预设阈值，则确定所述原始信号为异常信号，否则为非异常信号。
在本申请的一种可选实施例中，所述第一预设时间段和所述第二预设时间段的起始时刻相同，且所述第二预设时间段比所述第一预设时间段长。
在本申请的一种可选实施例中，异常类型确定模块具体用于：
确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的均值，并基于所述信号误差的均值确定所述信号误差的方差；
基于所述信号误差的均值和方差，确定所述信号误差的概率密度；
基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型。
在本申请的一种可选实施例中，异常类型确定模块具体用于：
若所述概率密度位于第一预设区间，则确定所述目标传感器的异常类型为采集器异常；
若所述概率密度位于第二预设区间，则确定所述目标传感器的异常类型为传感器接线松动；
若所述概率密度位于第三预设区间，则确定所述目标传感器的异常类型为传感器疲劳磨损；
若所述概率密度位于第四预设区间，则确定所述目标传感器的异常类型为线材损坏；
其中，所述第一至第四预设区间的边界值为基于所述目标传感器不同异常类型对应的异常信号样本确定的信号误差的概率密度。
在本申请的一种可选实施例中，该装置还包括初步筛查模块，用于：
基于所述原始信号的统计信息，对所述目标传感器进行初步筛查，所述初步筛查用于确定所述目标传感器是否存在明显异常，若是，则基于所述统计信息确定所述目标传感器的异常类型；若否，则将所述目标传感器输出的原始信号输入自编码模型中；
其中，所述目标传感器存在明显异常的情形包括：在第三预设时间段内，所述目标传感器输出的原始信号的值为零或输出的原始信号的值不小于第四预设阈值。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备(例如执行图2所示方法的终端设备或服务器)500的结构示意图。本申请实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，存储器用于存储执行上述各个方法实施例所述方法的程序；处理器被配置为执行存储器中存储的程序。其中，这里的处理器可以称为下文所述的处理装置501，存储器可以包括下文中的只读存储器(ROM)502、随机访问存储器(RAM)503以及存储装置508中的至少一项，具体如下所示：
如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本申请的实施例，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，本申请的实施例包括一种计算机程序产品，其包括承载在非暂态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装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本申请实施例的方法中限定的上述功能。
需要说明的是，本申请上述的计算机可读存储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***、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。在本申请中，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***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读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，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
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该电子设备执行时，使得该电子设备：
获取目标传感器输出的原始信号；
将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定，例如，原始信号获取模块还可以被描述为“获取原始信号的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的计算机可读介质被电子设备执行时实现的具体方法，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行时实现如下情况：
获取目标传感器输出的原始信号；
将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种传感器异常检测方法，其特征在于，包括：
获取目标传感器输出的原始信号；
将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障；所述基于所述信号误差确定所述目标传感器的状态，包括：
基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号；
确定第一预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第一数量；
若所述第一数量不小于第一预设阈值，则确定第二预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第二数量；
若所述第二预设数量不小于第二预设阈值，则确定所述目标传感器处于异常状态；
所述第一预设时间段和所述第二预设时间段的起始时刻相同，且所述第二预设时间段比所述第一预设时间段长；
所述基于所述信号误差的概率密度，确定所述目标传感器的异常类型，包括：
确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的均值，并基于所述信号误差的均值确定所述信号误差的方差；
基于所述信号误差的均值和方差，确定所述信号误差的概率密度；
基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型；
所述基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型，包括：
若所述概率密度位于第一预设区间，则确定所述目标传感器的异常类型为采集器异常；
若所述概率密度位于第二预设区间，则确定所述目标传感器的异常类型为传感器接线松动；
若所述概率密度位于第三预设区间，则确定所述目标传感器的异常类型为传感器疲劳磨损；
若所述概率密度位于第四预设区间，则确定所述目标传感器的异常类型为线材损坏；
其中，所述第一至第四预设区间的边界值为基于所述目标传感器不同异常类型对应的异常信号样本确定的信号误差的概率密度。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号，包括：
若所述原始信号对应的信号误差不小于第三预设阈值，则确定所述原始信号为异常信号，否则为非异常信号。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述原始信号的统计信息，对所述目标传感器进行初步筛查，所述初步筛查用于确定所述目标传感器是否存在明显异常，若是，则基于所述统计信息确定所述目标传感器的异常类型；若否，则将所述目标传感器输出的原始信号输入自编码模型中；
其中，所述目标传感器存在明显异常的情形包括：在第三预设时间段内，所述目标传感器输出的原始信号的值为零或输出的原始信号的值不小于第四预设阈值。
4.一种传感器异常检测装置，其特征在于，包括：
原始信号获取模块，用于获取目标传感器输出的原始信号；
重构信号获取模块，用于将所述原始信号输入自编码模型中，得到所述原始信号对应的重构信号，所述自编码模型通过样本信号训练得到，所述样本信号为处于正常状态下的所述目标传感器输出的原始信号；
传感器状态确定模块，用于将所述原始信号与对应的重构信号进行比较得到信号误差，并基于所述信号误差确定所述目标传感器的状态；
异常类型确定模块，用于若确定所述目标传感器处于异常状态，则基于所述信号误差的概率密度，确定所述目标传感器的异常类型，其中，所述异常类型包括采集器异常、传感器接线松动、传感器疲劳磨损和线材故障；
所述基于所述信号误差确定所述目标传感器的状态，包括：
基于所述目标传感器输出的原始信号对应的信号误差，确定所述原始信号是否为异常信号；
确定第一预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第一数量；
若所述第一数量不小于第一预设阈值，则确定第二预设时间段内，所述目标传感器输出的原始信号中包含的异常信号的第二数量；
若所述第二预设数量不小于第二预设阈值，则确定所述目标传感器处于异常状态；
所述第一预设时间段和所述第二预设时间段的起始时刻相同，且所述第二预设时间段比所述第一预设时间段长；
所述基于所述信号误差的概率密度，确定所述目标传感器的异常类型，包括：
确定所述目标传感器在第二预设时间段内输出异常信号对应的信号误差的均值，并基于所述信号误差的均值确定所述信号误差的方差；
基于所述信号误差的均值和方差，确定所述信号误差的概率密度；
基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型；
所述基于所述信号误差的概率密度与异常类型的对应关系，确定所述目标传感器的异常类型，包括：
若所述概率密度位于第一预设区间，则确定所述目标传感器的异常类型为采集器异常；
若所述概率密度位于第二预设区间，则确定所述目标传感器的异常类型为传感器接线松动；
若所述概率密度位于第三预设区间，则确定所述目标传感器的异常类型为传感器疲劳磨损；
若所述概率密度位于第四预设区间，则确定所述目标传感器的异常类型为线材损坏；
其中，所述第一至第四预设区间的边界值为基于所述目标传感器不同异常类型对应的异常信号样本确定的信号误差的概率密度。
5.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器中存储有计算机程序；
所述处理器，用于执行所述计算机程序以实现权利要求1至3中任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法。
CN202111049831.4A 2021-09-08 2021-09-08 传感器异常检测方法、装置及计算机可读存储介质 Active CN113723338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111049831.4A CN113723338B (zh) 2021-09-08 2021-09-08 传感器异常检测方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111049831.4A CN113723338B (zh) 2021-09-08 2021-09-08 传感器异常检测方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113723338A CN113723338A (zh) 2021-11-30
CN113723338B true CN113723338B (zh) 2024-03-15

Family

ID=78682543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111049831.4A Active CN113723338B (zh) 2021-09-08 2021-09-08 传感器异常检测方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113723338B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265882A (zh) * 2021-12-24 2022-04-01 中冶赛迪重庆信息技术有限公司 时序信号点异常检测方法、***、设备及介质
CN114414023A (zh) * 2021-12-30 2022-04-29 北京万集科技股份有限公司 传感器异常诊断方法及装置、存储介质
CN114297036B (zh) * 2022-01-05 2023-06-09 腾讯科技（深圳）有限公司 数据处理方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110631624A (zh) * 2019-09-04 2019-12-31 精英数智科技股份有限公司 一种识别矿井传感器运行数据异常的方法、装置及***
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN112149757A (zh) * 2020-10-23 2020-12-29 新华三大数据技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112702329A (zh) * 2020-12-21 2021-04-23 四川虹微技术有限公司 一种流量数据异常检测方法、装置和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11410048B2 (en) * 2019-05-17 2022-08-09 Honda Motor Co., Ltd. Systems and methods for anomalous event detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767930A (zh) * 2019-04-01 2020-10-13 北京百度网讯科技有限公司 物联网时序数据异常检测方法及其相关设备
CN110631624A (zh) * 2019-09-04 2019-12-31 精英数智科技股份有限公司 一种识别矿井传感器运行数据异常的方法、装置及***
CN112149757A (zh) * 2020-10-23 2020-12-29 新华三大数据技术有限公司 一种异常检测方法、装置、电子设备及存储介质
CN112702329A (zh) * 2020-12-21 2021-04-23 四川虹微技术有限公司 一种流量数据异常检测方法、装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向群智感知车联网的异常数据检测算法;徐艺文;徐宁彬;庄重文;陈忠辉;;湖南大学学报(自然科学版)(08);全文 *

Also Published As

Publication number Publication date
CN113723338A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN113723338B (zh) 传感器异常检测方法、装置及计算机可读存储介质
CN112436968B (zh) 一种网络流量的监测方法、装置、设备及存储介质
CN110888412B (zh) 半导体器件和分析***
US11423321B2 (en) Method and system for predicting system status
CN113415165B (zh) 一种故障诊断方法、装置、电子设备及存储介质
CN115186502A (zh) 车辆的异常数据识别方法、装置、电子设备及存储介质
CN114490161A (zh) 一种故障诊断方法、装置、车辆及存储介质
CN108806019B (zh) 基于加速度传感器的行车记录数据处理方法及装置
CN110266774B (zh) 车联网数据质量的检验方法、装置、设备及存储介质
CN115436789A (zh) 继电器故障检测方法、装置、电子设备和存储介质
CN112590798B (zh) 用于检测驾驶员状态的方法、装置、电子设备和介质
CN113547879A (zh) 轮胎漏气的检测方法、装置、车辆及计算机存储介质
CN115293735A (zh) 一种无人工厂工业互联网平台监测管理方法及***
CN115963344A (zh) 故障检测方法、装置、电子设备及存储介质
CN114136342A (zh) 里程篡改判断方法及***
CN114860492A (zh) 电池数据动态存储方法、装置及相关设备
CN111835830B (zh) 一种数据感知***、方法及装置
CN117874435B (zh) 分布式边缘数据采集方法、装置、电子设备及存储介质
CN116992221B (zh) 一种运维平台的故障检测方法、装置、设备及存储介质
CN113032266B (zh) 代码的检验方法、装置、设备及存储介质
CN113704322B (zh) 基于云边协同的数据采集方法、装置和介质
CN116566034B (zh) 配电网配电监测***及方法
CN114116238B (zh) 数据处理优化方法、装置、电子设备及可读存储介质
CN110764944B (zh) 一种异常检测方法及装置
CN113177077B (zh) 用于自动驾驶的异常事件确定方法、装置及电子设备

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