CN113822257B - 一种基于无量纲特征结合虚拟样本的异常点检测方法 - Google Patents

一种基于无量纲特征结合虚拟样本的异常点检测方法 Download PDF

Info

Publication number
CN113822257B
CN113822257B CN202111399279.1A CN202111399279A CN113822257B CN 113822257 B CN113822257 B CN 113822257B CN 202111399279 A CN202111399279 A CN 202111399279A CN 113822257 B CN113822257 B CN 113822257B
Authority
CN
China
Prior art keywords
sample
samples
abnormal
signal
dimensionless
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
CN202111399279.1A
Other languages
English (en)
Other versions
CN113822257A (zh
Inventor
胡勇
彭六保
曾志生
荆云砚
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.)
Aerospace Intelligent Control Beijing Monitoring Technology Co ltd
Original Assignee
Aerospace Intelligent Control Beijing Monitoring Technology 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 Aerospace Intelligent Control Beijing Monitoring Technology Co ltd filed Critical Aerospace Intelligent Control Beijing Monitoring Technology Co ltd
Priority to CN202111399279.1A priority Critical patent/CN113822257B/zh
Publication of CN113822257A publication Critical patent/CN113822257A/zh
Application granted granted Critical
Publication of CN113822257B publication Critical patent/CN113822257B/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于无量纲特征结合虚拟样本的异常点检测方法，首先通过提取振动信号的无量纲参数降低不同设备对异常样本的影响，再通过数据标准化消除不同特征之前的尺度影响，然后通过对异常样本的支持向量应用虚拟样本技术获得一定数量的虚拟样本，提高了训练样本数量，利用支持向量机训练模型，提高训练模型的推广能力提高了分类模型的推广能力。本方法利用时域无量纲特征建模，消除不同设备振动数据的尺度影响，利用支持向量的稀疏性进行插值获取足够多虚拟样本，使插值后的样本和原有样本的保持近似一致的概率分布；基于支持向量机建立分类模型，对小样本学习具有很好的泛化性能，提高了异常振动信号识别的鲁棒性，可有效用于实时工业监测。

Description

一种基于无量纲特征结合虚拟样本的异常点检测方法
技术领域
本发明涉及测量测试技术领域，具体涉及一种基于无量纲特征结合虚拟样本的异常点检测方法。
背景技术
异常点挖掘(outlier mining)(通常又称为异常点检测和分析)自从 1980 年被提出以来，经历了几次兴衰交替，近几年，异常点挖掘(outlier mining)再次成为数据挖掘技术领域中具有重要意义的研究方向。异常点就是指海量的数据中的极少量的错误信息，而这极少量的错误信息也可能对社会造成巨大的损失，而异常点挖掘就是指将这一部分极少量的错误信息从海量的信息数据中找出来的方法。随着现实世界的复杂化和多变化，这些复杂异构的数据集中异常点的出现有不同的原因，其中一些异常点可能是因为数据缺失或者错误的输入以及错误的使用测量仪器而造成的，我们把这些异常点叫做错误的数据，这些数据是可以应用某些方式来变换和提出的；其他一些异常点的引起原因可能是数据本身，这些异常点也可能包含一些很有价值的信息，这些异常点往往是数据挖掘中的中心研究内容。因此异常点挖掘的意义已不再局限于早期的消除噪声数据，还在于发现潜在于数据背后的有意义的信息，并对其进行分析和理解。异常点作为蕴藏在海量数据集中的少量数据，已有的数据挖掘方法虽然在分类或模式学习方面表现得很成熟，但在异常点挖掘这个特殊的数据挖掘任务面前还不是很完善，因此，深入探讨异常点挖掘的理论和方法非常必要。异常点检测可以应用到各个的方面，例如气候的变化、基因突变等。异常点挖掘发展至今，出现了许多经典方法，如基于密度的算法、基于聚类的算法、基于距离的算法等。每种算法各有利弊，如基于距离的异常点挖掘是通过 k - 邻域距离来确定是否异常。缺点是对参数的依赖性很强。在基于密度的异常点挖掘中，通过每一个数据点的邻域来判断这个数据是否为异常点。缺点是对序列数据和低密度数据对象不能很好的度量。基于偏差的异常点挖掘是通过对测试数据主要特征的检验来判断是否为异常点。缺点是实际应用比较少。综上可知，针对异常点检测有这么多的经典方法，但是还没有任何一个方法可以完美的解决这个问题， 因此需要对这些方法进行合理的改进。
现有技术中，应用粗糙集原理作为异常点检测能够明确的解释异常数据的挖掘过程；在这种算法中，以分类讨论作为异常点分析的基础，最后给出了异常属性的定义；基于偏差的异常点检测方法。
利用数据集中数据对象在各区域的集中程度来判断出数据集中的异常点，把偏离集中区域很远的数据对象确定为异常数据。目前，在基于偏差的异常点检测方法中，主要有两种主流的技术： OLAP 数据立方体技术和顺序化技术。这种技术是一种基于偏差对异常数据进行检测的算法。这种可视化的方式可以更加方便用户使用，可以根据用户的需求对某一标定下的单元值进行进一步的分析。基于深度对异常点进行检测的算法同样可以处理分布并非符合某种特定规律的数据集。其原理为处于较浅层数据点成为异常点的可能性比处于更深层的数据更大，因此这种算法可以省去较深的层中数据对象被检测异常点步骤，大大提高计算效率。在基于聚类的异常点检测方法中，具有相同特征的数据对象被尽可能的聚集在一起，形成一个又一个的簇，并要求簇与簇之间尽量的不相似。异常点检测的目的是找到与其他数据对象偏离的数据对象，而聚类的方法的目的则是找到与那些紧密相关的数据，因此，看起来聚类的方法和异常点检测的方法似乎是相对立的，但通过改进，聚类的方法已经被应用在异常点检测的数据挖掘中因为大部分基于聚类对异常数据进行检测的算法的复杂性都很小，因此这类异常数据检测方法一般会拥有很高的效率。基于密度的异常点检测算法所检测出的异常点更加全面，并且基于密度对异常数据进行检测的方法可以用于分析密度分布不均匀的数据集。其原理是通过衡量计算数据与其邻域数据的某种“密度”来判断计算数据的异常程度的。
粗糙集算法在进行异常点检测时会考虑数据所具有的所有属性值，因此，在对具有多维度属性的数据集进行检测时，会显得效率很低；基于偏差的异常点检测算法，使用这种技术时需要满足对于所有的子集，都需要知道前一子集与这一子集的差异程度。然而，在实际的异常点检测案例中，数据集大多是高维度并具有多重属性的，并且很难确定数据集的主要特征。因此，在利用基于偏差进行异常点检测时，往往很难以选取合适的相异度来度量数据的偏差程度，所以基于偏差的异常点检测方法往往只是用于科学理论研究中，很少出现在实际的异常点检测案例当中。基于深度的异常点检测方法也可以用来处理具有多维空间中的数据点。但是随着维数的增加[54]，检测的复杂度会大大升高，大大影响异常点检测的效率，因此，基于深度的异常点检测方法一般只应用在维数较低的空间中，而对于具有高维空间的数据集，一般很少采用这种方法。基于聚类异常点检测算法中，由于聚类规格的选取会大大影响聚类算法的准确性，因此要根据实际情况来选取适合的聚类算法。基于密度的异常点检测方法需要知道样本的概率分布，这在实际应用中是比较困难的。
发明内容
本发明是为了解决基于传统异常点检测方法鲁棒性低、实时性差等问题，提供一种基于无量纲特征结合虚拟样本的异常点检测方法，首先通过提取振动信号的无量纲参数降低不同设备对异常样本的影响，再通过数据标准化消除不同特征之前的尺度影响，然后通过对异常样本的支持向量应用虚拟样本技术获得一定数量的虚拟样本，提高了训练样本数量，利用支持向量机训练模型，提高训练模型的推广能力提高了分类模型的推广能力。
本发明提供一种基于无量纲特征结合虚拟样本的异常点检测方法，包括以下步骤：
S1、无量纲特征提取：分别提取正常信号样本集合
Figure 171642DEST_PATH_IMAGE001
和异常信号样本集合
Figure 131508DEST_PATH_IMAGE002
中每个信号样本的无量纲特征变量，得到正常信号无量纲特征集合
Figure 720752DEST_PATH_IMAGE003
和异常信号无量纲特征集合
Figure 500490DEST_PATH_IMAGE004
，其中，P为正常信号样本的数量，Q为异常信号样本的数量，L为每个信号样本的信号长度；
无量纲特征变量的种类包括:时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数；
S2、数据预处理：对正常信号无量纲特征集合
Figure 82649DEST_PATH_IMAGE005
和异常信号无量纲特征集合
Figure 897022DEST_PATH_IMAGE006
中的每个无量纲特征变量分别进行尺度归一化，得到正常信号归一化样本集合
Figure 719484DEST_PATH_IMAGE007
和异常信号归一化样本集合
Figure 924201DEST_PATH_IMAGE008
；
S3、获取支持向量：将正常信号归一化样本集合
Figure 950799DEST_PATH_IMAGE009
和异常信号归一化样本集合
Figure 557360DEST_PATH_IMAGE008
使用线性支持向量机建立分类模型并获取支持向量；
S4、获得虚拟样本集：判断异常信号归一化样本集合
Figure 550724DEST_PATH_IMAGE010
的支持向量在k个近邻中是否稀疏：如果是，则使用内插方法获得虚拟样本，如果否，则使用外插方法获得虚拟样本，虚拟样本形成虚拟样本集合
Figure 993469DEST_PATH_IMAGE011
,，其中k为奇数，R为虚拟样本的数量；
S5、训练并建立最终分类模型：将正常信号归一化样本集合
Figure 996060DEST_PATH_IMAGE007
、异常信号归一化样本集合
Figure 457128DEST_PATH_IMAGE012
和虚拟样本集合
Figure 621394DEST_PATH_IMAGE013
使用线性支持向量机建立最终分类模型
Figure 863019DEST_PATH_IMAGE014
；
S6、待测样本检测：将待测样本输入最终分类模型
Figure 590672DEST_PATH_IMAGE014
进行检测，判断是否为异常振动信号。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，
步骤S1中，时域偏度的计算公式为：
Figure 968564DEST_PATH_IMAGE015
；
时域峭度的计算公式为：
Figure 569310DEST_PATH_IMAGE016
；
时域峰值因子：
Figure 970335DEST_PATH_IMAGE017
；
时域裕度因子的计算公式为：
Figure 314729DEST_PATH_IMAGE018
；
时域波形因子的计算公式为：
Figure 232613DEST_PATH_IMAGE019
；
时域脉冲指数的计算公式为:
Figure 4260DEST_PATH_IMAGE020
；
其中，x(n)为包含n个采样点的正常样本信号或异常样本信号，L为x(n)的信号长度，
Figure 954898DEST_PATH_IMAGE021
为x(n)的平均值，σ x 为x(n)的标准差；
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，
步骤S2中，尺度归一化的公式为：
Figure 775087DEST_PATH_IMAGE022
；
其中，
Figure 127571DEST_PATH_IMAGE023
为无量纲特征变量的均值，
Figure 257070DEST_PATH_IMAGE024
为无量纲特征变量的标准差。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，步骤S3和步骤S5中，通过SVM算法获取支持向量。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，步骤S3中，线性支持向量机的具体使用方法为：
训练样本集为
Figure 695004DEST_PATH_IMAGE025
,其中
Figure 381201DEST_PATH_IMAGE026
为正常信号归一化样本集合
Figure 525874DEST_PATH_IMAGE027
或异常信号归一化样本集合
Figure 639324DEST_PATH_IMAGE028
的样本，
Figure 252970DEST_PATH_IMAGE029
是
Figure 477278DEST_PATH_IMAGE030
所对应的类别的标记，
Figure 804354DEST_PATH_IMAGE031
，i=1，…，n，则将样本正确分开的最优超平面为：
Figure 760809DEST_PATH_IMAGE032
；
则
Figure 173335DEST_PATH_IMAGE033
，
其中
Figure 201334DEST_PATH_IMAGE034
是松弛变量，
Figure 569868DEST_PATH_IMAGE035
。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，步骤S5中，
Figure 25120DEST_PATH_IMAGE030
为正常信号归一化样本集合
Figure 659363DEST_PATH_IMAGE009
或异常信号归一化样本集合
Figure 163157DEST_PATH_IMAGE010
或虚拟样本集合
Figure 464825DEST_PATH_IMAGE036
中的样本。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，
求解最优超平面的方法为：
Figure 782324DEST_PATH_IMAGE037
，
其中C为惩罚因子，C>0；
对偶形式为：
Figure 903864DEST_PATH_IMAGE038
，
其中，α为Lagrange乘子。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，
最优分类面为：
Figure 273665DEST_PATH_IMAGE039
，
其中，
Figure 866058DEST_PATH_IMAGE040
为Lagrange乘子的最优解，
Figure 850064DEST_PATH_IMAGE041
为偏置。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，惩罚因子C通过训练集5折交叉验证自动获取。
本发明所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，作为优选方式，步骤S4中，k为5。
本发明目的旨在利用时域无量纲特征，通过支持向量机获取异常振动信号对应的支持向量，对该支持向量内插或者外插的方式构造虚拟样本，提高样本容量，并再次根据支持向量机构造分类模型识别异常振动信号，更好的为设备的故障诊断、健康管理等相关领域服务。
无量纲特征提取
给定信号
Figure 396583DEST_PATH_IMAGE042
为时域序列，
Figure 992911DEST_PATH_IMAGE043
，提取6 个时域无量纲特征：定义
Figure 3593DEST_PATH_IMAGE042
均值
Figure 971549DEST_PATH_IMAGE044
，标准差为
Figure 5364DEST_PATH_IMAGE045
。
数据预处理：尺度归一化（数据标准化）
数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
将原始特征集归一化为均值为0、方差1的数据集，归一化公式如下：
Figure 716968DEST_PATH_IMAGE046
其中，
Figure 769106DEST_PATH_IMAGE047
、
Figure 907964DEST_PATH_IMAGE048
分别为原始特征集的均值和标准差。
模型训练：支持向量机
支持向量机（Support Vector Machine, SVM）是一种常用的定性分析算法。它是Vapnik等人在统计学习理论和结构风险最小化（Structural Risk Minimization, SRM）原则的基础上，建立起来的一种通用的机器学习算法。它根据有限的样本信息，在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。其基本原理如下：
假设训练样本集
Figure 491392DEST_PATH_IMAGE049
,其中
Figure 944370DEST_PATH_IMAGE050
为第i个样本，
Figure 664064DEST_PATH_IMAGE051
是
Figure 973823DEST_PATH_IMAGE052
的标记，即第i个样本所对应的类别信息。在二分类问题中将其记做
Figure 724173DEST_PATH_IMAGE053
。如果训练样本线性可分或近似线性可分，则一定可以找到一个最优超平面将两类样本正确分开，且使得两类样本到超平面的间隔最大。设该最优超平面为：
Figure 777580DEST_PATH_IMAGE054
；
超平面将两类样本正确分开意味着：
Figure 555043DEST_PATH_IMAGE055
；
其中
Figure 35703DEST_PATH_IMAGE056
是引入的松弛变量，有：
Figure 593723DEST_PATH_IMAGE057
即求解优化问题：
Figure 372192DEST_PATH_IMAGE037
；
其中
Figure 66479DEST_PATH_IMAGE058
是一个惩罚因子，它控制对错分样本惩罚的程度。引入Lagrange乘子
Figure 983619DEST_PATH_IMAGE059
，将上述优化问题变成其对偶形式（二次规划问题）：
Figure 701040DEST_PATH_IMAGE060
；
最优分类面为：
Figure 909298DEST_PATH_IMAGE039
；
其中，
Figure 661354DEST_PATH_IMAGE061
是上述二次规划问题的最优解，
Figure 169302DEST_PATH_IMAGE062
为偏置。
对于非线性分类问题时，支持向量机利用非线性变换将输入空间中线性不可分的数据映射到高维的特征空间，通过在高维空间中构造线性判别函数来实现原空间中的非线性分类。高维空间中的内积可以用核函数来表示，常用的核函数有RBF核、多项式核、Sigmoid核等，这时相应的优化目标函数变为：
Figure 436335DEST_PATH_IMAGE063
相应地，最优分类面变为
Figure 572918DEST_PATH_IMAGE064
对多分类问题分解为多个二分类问题进行投票决策。
虚拟样本生成
在故障诊断分析中，获取充足的训练样本通常需要耗费大量的人力物力。因此如何在少量训练数据下，提高传统学习器的泛化能力，就成了一个值得研究的课题。训练样本数据很少的情况下的学习问题被称为小样本学习问题。为了提高小样本问题上的学习能力，近些年产生了许多优秀的方法，如半监督学习、主动学习以及直推式学习策略。这些方法的一个共同特点是需要大量的未标记样本作为学习的辅助样本，而这个要求在某些时候也是很难满足的。 1994年， Poggio和Vetter提出了虚拟样本的思想。虚拟样本是指在未知样本概率分布函数的情况下，利用所研究的领域的先验知识，结合已有的训练样本产生待研究问题的样本空间中的部分合理样本。Nguyen等人提出了边界上采样（Border Over-smpling： BOS）方法产生虚拟样本，该方法基于对支持向量的内插或者外插产生虚拟样本，其基本思想如下：
1. 对于原始训练样本，利用SVM算法提取少类样本的支持向量
2. 对于获得的每一个少类样本的支持向量，判断其在对应的k（k为奇数）近邻中是否稀疏。如果稀疏，则采用内插方法获得虚拟样本，否则利用外插方法获得虚拟样本，相比SMOTE方法， BOS方法对支持向量进行内插或者外插。
方案流程
为了有效对异常振动信号进行识别，提高后续故障诊断效果，本发明首先通过计算时域信号的六个无量纲特征，接下来对特征进行尺度归一化（数据标准化）预处理，消除各个特征指标之间的尺度影响。基于该特征利用支持向量机对两类信号（正常信号、异常信号）进行训练，建立分类超平面和支持向量：对异常信号中的每个支持向量，根据其在k近邻中是否稀疏对其进行对应的内插值、外插值运算生成一定数量的虚拟样本，利用原始样本和新生成的虚拟样本构建新的训练集，重新利用支持向量机训练，获得机器学习最终训练模型。对待预测信号经过无量纲特征提取及尺度归一化预处理后，根据训练模型自动给出对应预测结果（是否为异常信号）。
具体方案流程如下：假设有两类信号：正常信号样本集合
Figure 241797DEST_PATH_IMAGE001
(其中有
Figure 422112DEST_PATH_IMAGE065
个正常信号，每个信号长度为L)；异常信号样本集合
Figure 176441DEST_PATH_IMAGE066
(其中有
Figure 913453DEST_PATH_IMAGE067
个异常信号，每个信号长度为L)，一般情况下
Figure 374521DEST_PATH_IMAGE068
：
该信号
Figure 804366DEST_PATH_IMAGE069
长度为
Figure 734407DEST_PATH_IMAGE070
，
Figure 9530DEST_PATH_IMAGE071
1. 分别计算正常信号样本集合
Figure 653001DEST_PATH_IMAGE072
和异常信号样本集合
Figure 925851DEST_PATH_IMAGE073
中每个信号的六个无量纲特征变量：时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子、时域脉冲指数，将原始正常信号样本集合和异常信号样本集合从L个特征压缩为6个特征，即：
Figure 654772DEST_PATH_IMAGE074
和
Figure 920537DEST_PATH_IMAGE075
2. 对步骤1中两类信号样本集每个特征分别进行尺度归一化（数据标准化）处理得到
Figure 418515DEST_PATH_IMAGE007
和
Figure 190162DEST_PATH_IMAGE012
3.对步骤2中两类样本集合利用线性支持向量机（基于5折交叉验证选择超参数）建立分类模型并获取支持向量。
4. 对
Figure 78483DEST_PATH_IMAGE010
中每个支持向量判断其5领域中是否稀疏：如果稀疏，则采用内插方法获得虚拟样本，否则利用外插方法获得虚拟样本。记构建后的虚拟样本集合为
Figure 960989DEST_PATH_IMAGE076
（共获得R个虚拟异常样本）
5.根据新的样本集
Figure 4818DEST_PATH_IMAGE077
，利用线性支持向量机（基于5折交叉验证选择超参数）建立最终分类模型
Figure 947366DEST_PATH_IMAGE078
。
对待预测信号样本，利用步骤5中的分类模型
Figure 385300DEST_PATH_IMAGE078
进行实时预测样本是否为异常振动信号。
本发明具有以下优点：
（1）本方法利用时域无量纲特征建模，消除了不同设备振动数据的尺度影响，提高了后续模型的稳健性和推广性；
（2）本方法利用支持向量的稀疏性进行插值获取足够多的虚拟样本，使插值后的样本和原有样本的保持近似一致的概率分布；
（3）本方法基于支持向量机建立分类模型，该机器学习算法本身对小样本学习具有很好的泛化性能；
（4）本方法主要涉及两个参数：支持向量K近邻参数，该参数对预测模型结果不敏感；线性支持向量机惩罚参数C，该参数通过训练集5折交叉验证自动获取，所以该方法全过程对参数选择不敏感，提高了异常振动信号识别的鲁棒性；
（5）本方法计算过程中涉及线性插值、支持向量机、无量纲特征提取等算法，计算量都不大，满足在线处理，可有效应用于故障诊断、设备健康管理等实时工业监测情景。
附图说明
图1为一种基于无量纲特征结合虚拟样本的异常点检测方法流程图；
图2为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2正常样本A1前5个谱图；
图3为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2异常样本A2前5个谱图；
图4为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2正常样本A1特征时域无量纲特征前五个谱图；
图5为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2异常样本A2特征时域无量纲特征前五个谱图；
图6为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2正常样本A1时域无量纲特征尺度归一化前五个谱图；
图7为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2异常样本A2时域无量纲特征尺度归一化前五个谱图；
图8为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2正常样本A1和异常样本A2的PCA特征分布图；
图9为一种基于无量纲特征结合虚拟样本的异常点检测方法实施例2正常样本A1、异常样本A2和异常样本的虚拟样本的PCA特征分布图。
具体实施方式
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。
实施例1
如图1所示，一种基于无量纲特征结合虚拟样本的异常点检测方法，包括以下步骤：
S1、无量纲特征提取：分别提取正常信号样本集合
Figure 743601DEST_PATH_IMAGE001
和异常信号样本集合
Figure 216170DEST_PATH_IMAGE002
中每个信号样本的无量纲特征变量，得到正常信号无量纲特征集合
Figure 516570DEST_PATH_IMAGE003
和异常信号无量纲特征集合
Figure 441801DEST_PATH_IMAGE079
，其中，P为正常信号样本的数量，Q为异常信号样本的数量，L为每个信号样本的信号长度；
无量纲特征变量的种类包括:时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数；
时域偏度的计算公式为：
Figure 603792DEST_PATH_IMAGE015
；
时域峭度的计算公式为：
Figure 665289DEST_PATH_IMAGE016
；
时域峰值因子：
Figure 949640DEST_PATH_IMAGE080
；
时域裕度因子的计算公式为：
Figure 50582DEST_PATH_IMAGE081
；
时域波形因子的计算公式为：
Figure 78581DEST_PATH_IMAGE082
；
时域脉冲指数的计算公式为:
Figure 197847DEST_PATH_IMAGE083
；
其中，x(n)为包含n个采样点的正常样本信号或异常样本信号，L为x(n)的信号长度，
Figure 387520DEST_PATH_IMAGE021
为x(n)的平均值，σ x 为x(n)的标准差；
S2、数据预处理：对正常信号无量纲特征集合
Figure 287343DEST_PATH_IMAGE005
和异常信号无量纲特征集合
Figure 40404DEST_PATH_IMAGE084
中的每个无量纲特征变量分别进行尺度归一化，得到正常信号归一化样本集合
Figure 342072DEST_PATH_IMAGE007
和异常信号归一化样本集合
Figure 702646DEST_PATH_IMAGE085
；
尺度归一化的公式为：
Figure 27448DEST_PATH_IMAGE022
；
其中，
Figure 397250DEST_PATH_IMAGE023
为无量纲特征变量的均值，
Figure 287846DEST_PATH_IMAGE086
为无量纲特征变量的标准差；
S3、获取支持向量：将正常信号归一化样本集合
Figure 770386DEST_PATH_IMAGE009
和异常信号归一化样本集合
Figure 379222DEST_PATH_IMAGE087
使用线性支持向量机建立分类模型并获取支持向量；
通过SVM算法获取支持向量；
线性支持向量机的具体使用方法为：
训练样本集为
Figure 490397DEST_PATH_IMAGE088
,其中
Figure 501079DEST_PATH_IMAGE030
为正常信号归一化样本集合
Figure 469035DEST_PATH_IMAGE007
或异常信号归一化样本集合
Figure 752117DEST_PATH_IMAGE089
的样本，
Figure 463722DEST_PATH_IMAGE029
是
Figure 328909DEST_PATH_IMAGE030
所对应的类别的标记，
Figure 405450DEST_PATH_IMAGE031
，i=1，…，n，则将样本正确分开的最优超平面为：
Figure 988878DEST_PATH_IMAGE032
；
则
Figure 927009DEST_PATH_IMAGE033
，
其中
Figure 912283DEST_PATH_IMAGE090
是松弛变量，
Figure 222041DEST_PATH_IMAGE035
；
求解最优超平面的方法为：
Figure 230449DEST_PATH_IMAGE037
，
其中C为惩罚因子，C>0；
对偶形式为：
Figure 283855DEST_PATH_IMAGE038
，
其中，α为Lagrange乘子；
最优分类面为：
Figure 123635DEST_PATH_IMAGE039
，
其中，
Figure 791246DEST_PATH_IMAGE040
为Lagrange乘子的最优解，
Figure 83687DEST_PATH_IMAGE041
为偏置；惩罚因子C通过训练集5折交叉验证自动获取；
S4、获得虚拟样本集：判断异常信号归一化样本集合
Figure 878468DEST_PATH_IMAGE010
的支持向量在k个近邻中是否稀疏：如果是，则使用内插方法获得虚拟样本，如果否，则使用外插方法获得虚拟样本，虚拟样本形成虚拟样本集合
Figure 572754DEST_PATH_IMAGE011
,，其中k为奇数，R为虚拟样本的数量；k为5
S5、训练并建立最终分类模型：将正常信号归一化样本集合
Figure 224315DEST_PATH_IMAGE007
、异常信号归一化样本集合
Figure 285196DEST_PATH_IMAGE085
和虚拟样本集合
Figure 680405DEST_PATH_IMAGE013
使用线性支持向量机建立最终分类模型
Figure 166881DEST_PATH_IMAGE014
；
通过SVM算法获取支持向量；
线性支持向量机的具体使用方法为：
训练样本集为
Figure 254923DEST_PATH_IMAGE091
,其中
Figure 521956DEST_PATH_IMAGE030
为正常信号归一化样本集合
Figure 907807DEST_PATH_IMAGE007
或异常信号归一化样本集合
Figure 311106DEST_PATH_IMAGE092
或虚拟样本集合
Figure 570049DEST_PATH_IMAGE093
中的样本，
Figure 262062DEST_PATH_IMAGE029
是
Figure 999074DEST_PATH_IMAGE030
所对应的类别的标记，
Figure 522459DEST_PATH_IMAGE031
，则将样本正确分开的最优超平面为：
Figure 640719DEST_PATH_IMAGE094
；
则
Figure 616765DEST_PATH_IMAGE033
，
其中
Figure 95151DEST_PATH_IMAGE034
是松弛变量，
Figure 738622DEST_PATH_IMAGE035
。
求解最优超平面的方法为：
Figure 73788DEST_PATH_IMAGE037
，
其中C为惩罚因子，C>0；
对偶形式为：
Figure 989661DEST_PATH_IMAGE038
，
其中，α为Lagrange乘子；
最优分类面为：
Figure 68475DEST_PATH_IMAGE039
，
其中，
Figure 566452DEST_PATH_IMAGE040
为Lagrange乘子的最优解，
Figure 10203DEST_PATH_IMAGE041
为偏置；惩罚因子C通过训练集5折交叉验证自动获取；
S6、待测样本检测：将待测样本输入最终分类模型
Figure 226421DEST_PATH_IMAGE095
进行检测，判断是否为异常振动信号。
实施例2
如图1所示，一种基于无量纲特征结合虚拟样本的异常点检测方法，包括以下步骤：
假设有两类信号：正常信号样本集合
Figure 794412DEST_PATH_IMAGE001
(其中有
Figure 146896DEST_PATH_IMAGE065
个正常信号，每个信号长度为L)；异常信号样本集合
Figure 89444DEST_PATH_IMAGE096
(其中有
Figure 465062DEST_PATH_IMAGE097
个异常信号，每个信号长度为L)，一般情况下
Figure 885679DEST_PATH_IMAGE068
：
该信号
Figure 358249DEST_PATH_IMAGE069
长度为
Figure 393070DEST_PATH_IMAGE070
，
Figure 318300DEST_PATH_IMAGE071
；
1、分别计算正常信号样本集合
Figure 480291DEST_PATH_IMAGE072
和异常信号样本集合
Figure 807368DEST_PATH_IMAGE098
中每个信号的六个无量纲特征变量：时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子、时域脉冲指数，将原始正常信号样本集合和异常信号样本集合从L个特征压缩为6个特征，即：
Figure 91718DEST_PATH_IMAGE099
和
Figure 192661DEST_PATH_IMAGE004
；
2、对步骤1中两类信号样本集每个特征分别进行尺度归一化（数据标准化）处理得到
Figure 955080DEST_PATH_IMAGE027
和
Figure 136663DEST_PATH_IMAGE028
；
3、对步骤2中两类样本集合利用线性支持向量机（基于5折交叉验证选择超参数）建立分类模型并获取支持向量；
4、对
Figure 529598DEST_PATH_IMAGE028
中每个支持向量判断其5领域中是否稀疏：如果稀疏，则采用内插方法获得虚拟样本，否则利用外插方法获得虚拟样本。记构建后的虚拟样本集合为
Figure 429421DEST_PATH_IMAGE100
（共获得R个虚拟异常样本）；
5、根据新的样本集
Figure 182482DEST_PATH_IMAGE101
，利用线性支持向量机（基于5折交叉验证选择超参数）建立最终分类模型
Figure 218571DEST_PATH_IMAGE078
；
6、对待预测信号样本，利用步骤5中的分类模型
Figure 844725DEST_PATH_IMAGE078
进行实时预测样本是否为异常振动信号。
本实例采用航天智控（北京）监测技术有限公司“智能运维大数据云平台”采集实时数据，分别对正常振动数据A1（1200个，采样点数2048）,异常数据A2（100个，采样点数2048），采样频率 2560 Hz，样本信息见表格1
表格1：样本信息
Figure 169527DEST_PATH_IMAGE102
具体情况如下：
1.对正常信号样本A1前五个谱图如2，异常信号样本A2前五个谱图如图3。
2.对正常、异常信号提取6个时域无量纲特征：时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子、时域脉冲指数，两类信号特征提取后前五个样本分别图4和图5所示。
3.为了克服各个特征不同尺度对分类结果的影响，对两类样本进行尺度归一化，如图6、图7所示。相比图4和图5，尺度归一化后样本各个特征分布更加集中。
4.对原始正常样本（1200个）和异常样本（100个）PCA特征提取如图8所示：由于正常样本和异常样本分布不平衡，导致分类线将较多的异常样本错分到正常样本区域。经过对异常信号中支持向量产生虚拟样本，如图9所示，重新训练得到分类线将正常信号和异常信号较好的分开。
5.最终训练模型对样本的正常样本点的预测正确率为98%，对异常样本的预测正确率为99%如表格1所示。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：包括以下步骤：
S1、无量纲特征提取：分别提取正常信号样本集合
Figure 659766DEST_PATH_IMAGE001
和异常信号样本集合
Figure 815941DEST_PATH_IMAGE002
中每个信号样本的无量纲特征变量，得到正常信号无量纲特征集合
Figure 550679DEST_PATH_IMAGE003
和异常信号无量纲特征集合
Figure 159514DEST_PATH_IMAGE004
，其中，P为正常信号样本的数量，Q为异常信号样本的数量，L为每个所述信号样本的信号长度，N为正常信号标识，O为异常信号标识；
所述无量纲特征变量的种类包括:时域偏度、时域峭度、时域峰值因子、时域裕度因子、时域波形因子和时域脉冲指数；
时域偏度的计算公式为：
Figure 333007DEST_PATH_IMAGE005
；
时域峭度的计算公式为：
Figure 530639DEST_PATH_IMAGE006
；
时域峰值因子：
Figure 498595DEST_PATH_IMAGE007
；
时域裕度因子的计算公式为：
Figure 532410DEST_PATH_IMAGE008
；
时域波形因子的计算公式为：
Figure 978435DEST_PATH_IMAGE009
；
时域脉冲指数的计算公式为:
Figure 788828DEST_PATH_IMAGE010
；
其中，x(n)为包含n个采样点的正常样本信号或异常样本信号，L为x(n)的信号长度，
Figure 927686DEST_PATH_IMAGE011
为x(n)的平均值，σ x 为x(n)的标准差；
S2、数据预处理：对所述正常信号无量纲特征集合
Figure 511114DEST_PATH_IMAGE012
和所述异常信号无量纲特征集合
Figure 698513DEST_PATH_IMAGE013
中的每个所述无量纲特征变量分别进行尺度归一化，得到正常信号归一化样本集合
Figure 683786DEST_PATH_IMAGE014
和异常信号归一化样本集合
Figure 180495DEST_PATH_IMAGE015
；
S3、获取支持向量：将所述正常信号归一化样本集合
Figure 251220DEST_PATH_IMAGE016
和所述异常信号归一化样本集合
Figure 304626DEST_PATH_IMAGE017
使用线性支持向量机建立分类模型并获取支持向量；
S4、获得虚拟样本集：判断所述异常信号归一化样本集合
Figure 82089DEST_PATH_IMAGE017
的支持向量在k个近邻中是否稀疏：如果是，则使用内插方法获得虚拟样本，如果否，则使用外插方法获得虚拟样本，虚拟样本形成虚拟样本集合
Figure 562749DEST_PATH_IMAGE018
,，其中k为奇数，R为虚拟样本的数量；
S5、训练并建立最终分类模型：将所述正常信号归一化样本集合
Figure 543606DEST_PATH_IMAGE014
、所述异常信号归一化样本集合
Figure 400703DEST_PATH_IMAGE015
和所述虚拟样本集合
Figure 94990DEST_PATH_IMAGE018
使用线性支持向量机建立最终分类模型
Figure 684234DEST_PATH_IMAGE019
；
S6、待测样本检测：将待测样本输入所述最终分类模型
Figure 729551DEST_PATH_IMAGE019
进行检测，判断是否为异常振动信号。
2.根据权利要求1所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S2中，尺度归一化的公式为：
Figure 311711DEST_PATH_IMAGE020
；
其中，
Figure 860504DEST_PATH_IMAGE021
为无量纲特征变量的均值，
Figure 948545DEST_PATH_IMAGE022
为无量纲特征变量的标准差。
3.根据权利要求1所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S3和步骤S5中，通过SVM算法获取支持向量。
4.根据权利要求3所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S3中，线性支持向量机的具体使用方法为：
训练样本集为
Figure DEST_PATH_IMAGE023
,其中
Figure 153262DEST_PATH_IMAGE024
为所述正常信号归一化样本集合
Figure 86583DEST_PATH_IMAGE014
或所述异常信号归一化样本集合
Figure 440947DEST_PATH_IMAGE025
的样本，
Figure 699890DEST_PATH_IMAGE026
是
Figure 126324DEST_PATH_IMAGE024
所对应的类别的标记，
Figure 128915DEST_PATH_IMAGE027
，i=1，…，n，则将样本正确分开的最优超平面为：
Figure 652300DEST_PATH_IMAGE028
；
则
Figure 3516DEST_PATH_IMAGE029
，
其中
Figure 245141DEST_PATH_IMAGE030
是松弛变量，
Figure 785844DEST_PATH_IMAGE031
。
5.根据权利要求4所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S5中，
Figure 101419DEST_PATH_IMAGE024
为所述正常信号归一化样本集合
Figure 702164DEST_PATH_IMAGE016
或所述异常信号归一化样本集合
Figure 853922DEST_PATH_IMAGE017
或所述虚拟样本集合
Figure 198316DEST_PATH_IMAGE018
中的样本。
6.根据权利要求5所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：
求解最优超平面的方法为：
Figure 696293DEST_PATH_IMAGE032
，
其中C为惩罚因子，C>0，
Figure 140044DEST_PATH_IMAGE033
是引入的松弛变量；
对偶形式为：
Figure 356262DEST_PATH_IMAGE034
，
其中，α为Lagrange乘子。
7.根据权利要求6所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：
最优分类面为：
Figure 238767DEST_PATH_IMAGE035
，
其中，
Figure 778202DEST_PATH_IMAGE036
为Lagrange乘子的最优解，
Figure 455171DEST_PATH_IMAGE037
为偏置。
8.根据权利要求6所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：惩罚因子C通过训练集5折交叉验证自动获取。
9.根据权利要求1所述的一种基于无量纲特征结合虚拟样本的异常点检测方法，其特征在于：步骤S4中，k为5。
CN202111399279.1A 2021-11-24 2021-11-24 一种基于无量纲特征结合虚拟样本的异常点检测方法 Active CN113822257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111399279.1A CN113822257B (zh) 2021-11-24 2021-11-24 一种基于无量纲特征结合虚拟样本的异常点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111399279.1A CN113822257B (zh) 2021-11-24 2021-11-24 一种基于无量纲特征结合虚拟样本的异常点检测方法

Publications (2)

Publication Number Publication Date
CN113822257A CN113822257A (zh) 2021-12-21
CN113822257B true CN113822257B (zh) 2022-06-07

Family

ID=78918148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111399279.1A Active CN113822257B (zh) 2021-11-24 2021-11-24 一种基于无量纲特征结合虚拟样本的异常点检测方法

Country Status (1)

Country Link
CN (1) CN113822257B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710889A (zh) * 2018-04-02 2018-10-26 天津大学 一种汽车发动机缺缸故障诊断方法
CN110333077A (zh) * 2019-07-08 2019-10-15 重庆大学 一种基于近似支持向量的滚动轴承故障诊断方法
CN112380769A (zh) * 2020-11-12 2021-02-19 北京化工大学 基于稀疏检测和径向基函数插值的虚拟样本生成方法
CN112580692A (zh) * 2020-11-25 2021-03-30 北京化工大学 一种基于插值算法的虚拟样本生成方法
CN113642508A (zh) * 2021-08-27 2021-11-12 中国航空工业集团公司上海航空测控技术研究所 基于参数自适应vmd与优化svm的轴承故障诊断方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200065A (zh) * 2014-08-11 2014-12-10 中国人民解放军空军工程大学 基于随机共振与核主元分析相结合的机械振动信号特征提取方法
TWI539298B (zh) * 2015-05-27 2016-06-21 國立成功大學 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
CN110595811B (zh) * 2019-09-11 2021-04-09 浙江工业大学之江学院 机械设备健康状态特征图构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710889A (zh) * 2018-04-02 2018-10-26 天津大学 一种汽车发动机缺缸故障诊断方法
CN110333077A (zh) * 2019-07-08 2019-10-15 重庆大学 一种基于近似支持向量的滚动轴承故障诊断方法
CN112380769A (zh) * 2020-11-12 2021-02-19 北京化工大学 基于稀疏检测和径向基函数插值的虚拟样本生成方法
CN112580692A (zh) * 2020-11-25 2021-03-30 北京化工大学 一种基于插值算法的虚拟样本生成方法
CN113642508A (zh) * 2021-08-27 2021-11-12 中国航空工业集团公司上海航空测控技术研究所 基于参数自适应vmd与优化svm的轴承故障诊断方法

Also Published As

Publication number Publication date
CN113822257A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN109271975B (zh) 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN110488218B (zh) 一种电能表运行状态评估方法和评估装置
CN105224872B (zh) 一种基于神经网络聚类的用户异常行为检测方法
Grabusts The choice of metrics for clustering algorithms
CN109597968B (zh) 基于smt大数据的锡膏印刷性能影响因素分析方法
CN105740912B (zh) 基于核范数正则化的低秩图像特征提取的识别方法及***
Arbin et al. Comparative analysis between k-means and k-medoids for statistical clustering
CN111242206A (zh) 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法
CN112289391B (zh) 一种基于机器学习的阳极铝箔性能预测***
CN111599403A (zh) 一种基于排序学习的并行式药物-靶标相关性预测方法
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
CN113837266B (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN108985462B (zh) 基于互信息和分形维数的无监督特征选择方法
CN114328663A (zh) 一种基于数据挖掘的高维剧场数据降维可视化处理方法
CN111863135B (zh) 一种假阳性结构变异过滤方法、存储介质及计算设备
CN113705110A (zh) 一种基于双重随机森林回归方法的***振动速度预测方法
CN113822257B (zh) 一种基于无量纲特征结合虚拟样本的异常点检测方法
Cao et al. Froth image clustering with feature semi-supervision through selection and label information
CN111090679B (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN117078960A (zh) 一种基于图像特征提取的近红外光谱分析方法及***
CN115308705A (zh) 一种基于生成对抗网络的多姿态极窄脉冲回波生成方法
Yang et al. Adaptive density peak clustering for determinging cluster center
Huang et al. Outlier detection method based on improved two-step clustering algorithm and synthetic hypothesis testing
CN114860953A (zh) 一种基于少样本关系预测模型的可解释方法
CN113627539A (zh) 滚动轴承复合故障诊断方法、***、存储介质及计算设备

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Novel Anomaly Detection Method Based on Dimensionless Features Combined with Virtual Samples

Effective date of registration: 20231011

Granted publication date: 20220607

Pledgee: Zhongguancun Branch of Bank of Beijing Co.,Ltd.

Pledgor: Aerospace Intelligent Control (Beijing) Monitoring Technology Co.,Ltd.

Registration number: Y2023980060865

PE01 Entry into force of the registration of the contract for pledge of patent right