CN103198147A - 自动化监测异常数据的判别及处理方法 - Google Patents

自动化监测异常数据的判别及处理方法 Download PDF

Info

Publication number
CN103198147A
CN103198147A CN2013101376031A CN201310137603A CN103198147A CN 103198147 A CN103198147 A CN 103198147A CN 2013101376031 A CN2013101376031 A CN 2013101376031A CN 201310137603 A CN201310137603 A CN 201310137603A CN 103198147 A CN103198147 A CN 103198147A
Authority
CN
China
Prior art keywords
data
monitoring
accidental
basic point
abnormal
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.)
Granted
Application number
CN2013101376031A
Other languages
English (en)
Other versions
CN103198147B (zh
Inventor
潘华
戴加东
金淼
褚伟洪
易爱华
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.)
SHANGHAI SHUNKAI INFORMATION TECHNOLOGY Co.,Ltd.
Original Assignee
Shanghai Geotechnical Investigations and Design Institute 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 Shanghai Geotechnical Investigations and Design Institute Co Ltd filed Critical Shanghai Geotechnical Investigations and Design Institute Co Ltd
Priority to CN201310137603.1A priority Critical patent/CN103198147B/zh
Publication of CN103198147A publication Critical patent/CN103198147A/zh
Application granted granted Critical
Publication of CN103198147B publication Critical patent/CN103198147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明属于自动监测领域，具体涉及一种自动化监测异常数据的判别及处理方法，该方法将监测数据中的异常数据细分为偶然数据、突变数据以及缓变数据，其中偶然数据由工程中的非正常施工因素造成，一旦确定，用监测数据的平均值替代；而突变数据与缓变数据是由工程中的正常施工因素引起的，一旦确定，应高度重视，采取相应的处理方式。本发明的优点是，相对于一般数据采集系统，采用本发明方法的自动化数据采集系统能够有效地对异常数据进行判别、分类，并进行相应的处理，真正实现自动化监测，合理指导施工。

Description

自动化监测异常数据的判别及处理方法
技术领域
本发明属于自动监测领域，具体涉及一种自动化监测异常数据的判别及处理方法。
背景技术
自动化监测系统具有高精度、连续性、实时性的特征，已被广泛应用于工程测量的多个方面。在自动化监测的实施过程中，不可避免地会出现异常数据，究其原因，主要分为两类：
非正常施工因素：仪器突发故障、仪器性能不稳定（包括数据漏采为“0”）、断电、测点破坏或被遮挡等，该类异常数据应在第一时间判定出，并予以剔除；
正常施工因素：该类异常数据能客观反映整个工程的状态，是业主、施工方等单位重点关心的对象，应谨慎处理，确立合理的报警机制。
目前，还没有对异常数据进行自动化判别的方法形成，也没有相应的处理方法。
发明内容
本发明的目的是根据上述现有技术的不足之处，提供一种自动化监测异常数据的判别及处理方法，该方法通过建立统计的数据模型并计算符号因子，以对异常数据进行判别、分类，并进行相应的处理，实现真正的自动化监测，合理指导施工。
本发明目的实现由以下技术方案完成：
一种自动化监测异常数据的判别方法，涉及由数据采集系统所采集的监测数据，所述监测数据基于时间序列，其特征在于将所述监测数据中的异常数据分类为偶然数据、突变数据和缓变数据，以所述监测数据的发布时间点前推N个时间序列的时间点为基点ji，建立统计的数据模型，并定义符号因子                                               
Figure 2013101376031100002DEST_PATH_IMAGE002
；（1）所述偶然数据的判别方法至少包括如下步骤：当计算得所述符号因子qi＜0时，则计算出所述数据模型中的数据平均值S和标准差σ，所述数据模型共有M+N+1个监测数据点，其中参数M、N根据具体工程取值；以所述数据平均值S为中心线，以S+3σ为上边界，以S－3σ为下边界；若所述基点ji超出了所述的上边界或下边界，则所述基点ji被判定为所述偶然数据；若所述基点ji处于所述上边界和所述下边界之内，则暂时保留该点以作进一步判定； （2）所述突变数据的判定方法至少包括如下步骤：（a）当计算得所述符号因子qi＞0时，若再满足：
Figure 2013101376031100002DEST_PATH_IMAGE004
或
Figure 2013101376031100002DEST_PATH_IMAGE006
，则所述基点ji为所述突变数据；其中所述n2 、n3为经验参数，所述Δr为所述监测数据的日变量报警值，所述Δz为所述监测数据的累计变量报警值；（b）若计算未满足（a）中的条件，则进行如下判断，若满足
Figure 2013101376031100002DEST_PATH_IMAGE008
或，且同时满足
Figure 2013101376031100002DEST_PATH_IMAGE012
或
Figure 2013101376031100002DEST_PATH_IMAGE014
，则将所述基点ji标识为观察数据；其中所述n4 、n5为经验参数，所述ji1d为相对于基点ji 的24小时之前的监测数据；（c）在（b）中所述观察数据的基础上，对所述数据模型的单调性进行判断，若所述符号因子
Figure 2013101376031100002DEST_PATH_IMAGE016
，且，
Figure 2013101376031100002DEST_PATH_IMAGE020
……
Figure 2013101376031100002DEST_PATH_IMAGE022
，说明所述数据模型中的所述监测数据呈单调性，则判定所述基点ji为所述突变数据； （3）所述缓变数据的判定方法至少包括如下步骤：首先计算判断所述数据模型中的所述监测数据单调性，满足单调性的所述监测数据，若再满足
Figure 2013101376031100002DEST_PATH_IMAGE024
且
Figure 2013101376031100002DEST_PATH_IMAGE026
，则进一步判别，若符合下列两种情况之一，则所述基点ji判定为缓变数据；其中所述
Figure 2013101376031100002DEST_PATH_IMAGE028
、
Figure 2013101376031100002DEST_PATH_IMAGE030
为经验参数；     情况一：
Figure 2013101376031100002DEST_PATH_IMAGE032
且
Figure 2013101376031100002DEST_PATH_IMAGE034
     情况二：
Figure 2013101376031100002DEST_PATH_IMAGE036
且
Figure 2013101376031100002DEST_PATH_IMAGE038
。
所述经验参数n2 和n3可分别取0.5和0.1。
所述经验参数n4 和n5可分别取2和0.4。
所述经验参数
Figure 589317DEST_PATH_IMAGE028
和
Figure 489140DEST_PATH_IMAGE030
可分别取0.2和0.05。
所述经验参数
Figure 2013101376031100002DEST_PATH_IMAGE040
和
Figure 2013101376031100002DEST_PATH_IMAGE042
可分别取0.3和0.08。
一种涉及上述自动化监测异常数据的处理方法，其特征在于所述处理方法至少包括如下步骤：当所述基点ji被判定为所述偶然数据后，将该点剔除，并采用所述数据平均值取代该点。
一种涉及上述自动化监测异常数据的处理方法，其特征在于所述处理方法至少包括如下步骤：当所述基点ji被判定为所述突变数据后，延迟发布时间，观察所述监测数据变化趋势，同时自动加密监测频率；之后检查仪器可靠性；其后结合现场施工情况综合判别，发布报警信息。
一种涉及上述自动化监测异常数据的处理方法，其特征在于所述处理方法至少包括如下步骤：当所述基点ji被判定为所述缓变数据后，延迟发布时间，观察所述监测数据变化趋势；之后若所述监测数据变化趋势收敛，则进行平滑处理；若所述监测数据变化趋势继续发展，则结合现场施工情况综合判别，决定是否需要报警。
本发明的优点是，相对于一般数据采集系统，采用本发明方法的自动化数据采集系统能够有效地对异常数据进行判别、分类，并进行相应的处理，真正实现自动化监测，合理指导施工，具体体现为：①结合趋势分析法，对大量的监测数据实现自动化判别与分类，无需人工进行干预；②实现了动态判别，体现了自动化监测的实时性；③能自动对异常数据进行分类，并对不同类型的异常数据采取不同的处理方式，为建立合理的报警机制提供了基础。
附图说明
图1为本发明的流程示意图；
图2为本发明中偶然数据分析的数据模型示意图；
图3为本发明中突变、缓变数据分析的数据模型示意图；
图4为本发明实施后的效果图。
具体实施方式
以下结合附图通过实施例对本发明的特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：
如图1-4，图中标记1-5分别为：偶然数据1、突变数据2、突变数据3、偶然数据4、偶然数据5。
实施例：如图1所示，本实施例具体涉及一种自动化监测异常数据的判别及处理方法，在本实施例中通过数据采集系统采集监测数据，并将监测数据中的异常数据细分为：偶然数据、突变数据和缓变数据。其中偶然数据由工程中的非正常施工因素引起，如仪器突发故障、仪器性能不稳定（包括数据漏采为“0”）、断电、测点破坏或被遮挡等，一旦确定，均予以剔除，并用相应的平均值替代；而突变数据和缓变数据则由工程中的正常施工因素所引起，应高度重视，并采取合理的处理方法。
为方便如图1中所示的流程示意图绘制，对相关判别条件进行如下约定：
（1）“基点ji超出以S+n1×Δr为上边界，以S－n1×Δr为下边界的界限”或者“基点ji超出以S+3
Figure DEST_PATH_IMAGE044
为上边界，以S－3
Figure 930617DEST_PATH_IMAGE044
为下边界的界限”等价于条件①（即进行偶然数据的判断）；
（2）
Figure DEST_PATH_IMAGE046
或者
Figure DEST_PATH_IMAGE048
 等价于条件②（即进行突变数据判断的关键条件之一）；
（3）“或者
Figure DEST_PATH_IMAGE052
”且“
Figure DEST_PATH_IMAGE054
或者
Figure DEST_PATH_IMAGE056
”等价于条件③（即进行突变数据判断的另一个关键条件）
（4）“
Figure 983018DEST_PATH_IMAGE016
，且
Figure 746439DEST_PATH_IMAGE018
，
Figure 133558DEST_PATH_IMAGE020
……
Figure 441043DEST_PATH_IMAGE022
” 等价于条件④（即“单调性”判断）；
（5）
Figure DEST_PATH_IMAGE058
且
Figure DEST_PATH_IMAGE060
等价于条件⑤（即进行缓变数据判断的下限补充条件）；
（6）“
Figure 207004DEST_PATH_IMAGE032
且
Figure 4059DEST_PATH_IMAGE034
”或者“
Figure 550578DEST_PATH_IMAGE036
且
Figure 724071DEST_PATH_IMAGE038
” 等价于条件⑥（即进行缓变数据判断的关键条件）。
如图1、2、3所示，本实施例中的自动化监测异常数据的判别及处理方法具体如下：
（一）偶然数据的判定及处理方法：
判断总则：监测数据为一时间序列，以日变量报警值Δr和累计变量报警值Δz两个指标进行控制，以日变量报警值为首要控制指标，累计变量报警值为最终控制指标，报警值应由设计方提供或根据相关规范进行取值。
以发布时间点前推N个时间序列为基点ji，建立统计的数据模型（如图2），例如：数据采集系统每5分钟采集一次数据，取N = 6，则实际数据发布的时间约延迟半小时，对一般情况而言，半小时的时间差不会造成工程风险。
定义“符号因子”
Figure DEST_PATH_IMAGE062
，当满足条件qi＜0时，再进一步判断：
计算出整个分析模型中的数据平均值S和标准差
Figure 672435DEST_PATH_IMAGE044
，共M+N+1数据点，参数M、N根据具体工程调整，取M=10、N = 6；其中参数M、N的取值依据具体为：依据3σ准则中对样本数量的要求，M应不小于10；N的取值要综合考虑采样频率和延迟发布时间，一般延迟30分钟发布数据，如果采样频率为5分钟，那么N=6。以S为中心线，以S+3
Figure 640391DEST_PATH_IMAGE044
为上边界，以S－3
Figure 674206DEST_PATH_IMAGE044
为下边界。若基点ji超出了上述的界限，则可判断该点为“偶然数据”；若基点ji并未超出了上述的界限，则暂时保留该点，并对该点开展进一步的判断；
一旦被判定为“偶然数据”，需将该点剔除，并采用平均值S取代该点，从而方便后续点的判别。
（二）突变数据的判定及处理方法：
具体数据模型如图3所示，满足下列两种情况之一，可将基点ji判别为“突变数据”。
情况一：当“符号因子”qi＞0时，若
Figure 385810DEST_PATH_IMAGE004
或
Figure 188681DEST_PATH_IMAGE006
（n2 、n3为经验参数，建议可分别取0.5，0.1），则基点ji为“突变数据”；
情况二：若不满足情况一的条件，则进行下面的判断，
若存在：
Figure 327538DEST_PATH_IMAGE008
或
Figure 910966DEST_PATH_IMAGE010
，且同时满足或
Figure 83639DEST_PATH_IMAGE014
（n4 、n5为经验参数，建议可分别取2，0.4），则可将基点ji标识为“观察数据”，提醒监测人员密切关注所采集的数据，其中ji1d为相对于基点ji 24小时之前的数据。
之后在“观察数据”的基础之上，再进行整个数据模型“单调性”判断；若
Figure 331081DEST_PATH_IMAGE016
，且
Figure 401805DEST_PATH_IMAGE018
，
Figure 455211DEST_PATH_IMAGE020
……
Figure 232675DEST_PATH_IMAGE022
，即数据分析模型中的判断因子均大于零，也就是说该数据模型中的监测数据是单调的，则可判定基点ji为“突变数据”。
一旦满足上述两种情况之一，即判定出现了“突变数据”，建议采取如下的处理措施：
第一步：延迟发布时间，观察监测数据变化趋势，同时自动加密监测频率；
第二步：检查仪器可靠性；
第三步：结合现场施工情况综合判别，发布报警信息。
（三）缓变数据的判定及处理方法：
首先应进行数据模型“单调性”的判断，具体判别方法同（二）中述及的“单调性”判断相同。在满足“单调性”的前提下，再进行以下判别（数据模型如图3所示）：
如果满足且
Figure 943459DEST_PATH_IMAGE026
，则进一步判别，若符合下列两种情况之一，则判定为“缓变数据”。（其中
Figure 800556DEST_PATH_IMAGE028
、
Figure 494843DEST_PATH_IMAGE030
为经验参数，建议可分别取0.2，0.05）
情况一：
Figure 84087DEST_PATH_IMAGE032
且
Figure 129403DEST_PATH_IMAGE034
情况二：
Figure 524613DEST_PATH_IMAGE036
且
Figure 11089DEST_PATH_IMAGE038
（
Figure 99131DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE064
为经验参数，建议可分别取0.3，0.08）
一旦判定出现了“缓变数据”，建议采取如下的处理措施：
第一步：延迟发布时间，观察监测数据变化趋势；
第二步：若监测数据的变化趋势收敛，则进行平滑处理；
第三步：若监测数据的变化趋势继续发展，则结合现场施工情况综合判别，决定是否需要报警。
上述八个经验参数主要是依据对自动化监测系统试运营期间监测数据的总结、反演得出。
如图4所示为实施本发明方法之后的效果示意图，其中由非正常施工因素引起的异常数据为偶然数据1、偶然数据4和偶然数据5，由正常施工因素引起的异常数据为突变数据2和突变数据3；按照本发明提供的方法对数据进行判别，能够正确地剔除偶然数据1、4、5，同时能够合理地判别出由于施工原因引起的异常数据，即突变数据2、3。
本实施例的有益效果是：相对于一般数据采集系统，采用本方法的自动化数据采集系统能够有效地对异常数据进行判别、分类，并进行相应的处理，真正实现自动化监测，合理指导施工。
首先，本方法结合趋势分析法，对大量的监测数据实现自动化判别与分类，无需人工进行干预。
其次，本方法实现了动态判别，体现了自动化监测的实时性。
还有，本方法能自动对异常数据进行分类，并对不同类型的异常数据采取不同的处理方式，为建立合理的报警机制提供了基础。

Claims (8)

1.一种自动化监测异常数据的判别方法，涉及由数据采集系统所采集的监测数据，所述监测数据基于时间序列，其特征在于将所述监测数据中的异常数据分类为偶然数据、突变数据和缓变数据，以所述监测数据的发布时间点前推N个时间序列所对应的监测数据为基点ji，建立统计的数据模型，并定义符号因子                                               
Figure 2013101376031100001DEST_PATH_IMAGE002
；（1）所述偶然数据的判别方法至少包括如下步骤：当计算得所述符号因子qi＜0时，则计算出所述数据模型中的数据平均值S和标准差σ，所述数据模型共有M+N+1个监测数据点，其中参数M、N根据具体工程取值；以所述数据平均值S为中心线，以S+3σ为上边界，以S－3σ为下边界；若所述基点ji超出了所述的上边界或下边界，则所述基点ji被判定为所述偶然数据；若所述基点ji处于所述上边界和所述下边界之内，则暂时保留该点以作进一步判定； （2）所述突变数据的判定方法至少包括如下步骤：（a）当计算得所述符号因子qi＞0时，若再满足：
Figure DEST_PATH_IMAGE004
或
Figure DEST_PATH_IMAGE006
，则所述基点ji为所述突变数据；其中所述n2 、n3为经验参数，所述Δr为所述监测数据的日变量报警值，所述Δz为所述监测数据的累计变量报警值；（b）若计算未满足（a）中的条件，则进行如下判断，若满足
Figure DEST_PATH_IMAGE008
或
Figure DEST_PATH_IMAGE010
，且同时满足
Figure DEST_PATH_IMAGE012
或
Figure DEST_PATH_IMAGE014
，则将所述基点ji标识为观察数据；其中所述n4 、n5为经验参数，所述ji1d为相对于基点ji 的24小时之前的监测数据；（c）在（b）中所述观察数据的基础上，对所述数据模型的单调性进行判断，若所述符号因子，且
Figure DEST_PATH_IMAGE018
，……
Figure DEST_PATH_IMAGE022
，说明所述数据模型中的所述监测数据呈单调性，则判定所述基点ji为所述突变数据； （3）所述缓变数据的判定方法至少包括如下步骤：首先计算判断所述数据模型中的所述监测数据单调性，满足单调性的所述监测数据，若再满足
Figure DEST_PATH_IMAGE024
且，则进一步判别，若符合下列两种情况之一，则所述基点ji判定为缓变数据；其中所述
Figure DEST_PATH_IMAGE028
、
Figure DEST_PATH_IMAGE030
为经验参数；     情况一：
Figure DEST_PATH_IMAGE032
且
Figure DEST_PATH_IMAGE034
     情况二：
Figure DEST_PATH_IMAGE036
且
Figure DEST_PATH_IMAGE038
。
2.根据权利要求1所述的一种自动化监测异常数据的判别方法，其特征在于所述经验参数n2 和n3可分别取0.5和0.1。
3.根据权利要求1所述的一种自动化监测异常数据的判别方法，其特征在于所述经验参数n4 和n5可分别取2和0.4。
4.根据权利要求1所述的一种自动化监测异常数据的判别方法，其特征在于所述经验参数
Figure 74812DEST_PATH_IMAGE028
和
Figure 318712DEST_PATH_IMAGE030
可分别取0.2和0.05。
5.根据权利要求1所述的一种自动化监测异常数据的判别方法，其特征在于所述经验参数
Figure DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE042
可分别取0.3和0.08。
6.一种权利要求1述及的自动化监测异常数据的处理方法，其特征在于所述处理方法至少包括如下步骤：当所述基点ji被判定为所述偶然数据后，将该点剔除，并采用所述数据平均值取代该点。
7.一种权利要求1或3所述的自动化监测异常数据的处理方法，其特征在于所述处理方法至少包括如下步骤：当所述基点ji被判定为所述突变数据后，延迟发布时间，观察所述监测数据变化趋势，同时自动加密监测频率；之后检查仪器可靠性；其后结合现场施工情况综合判别，发布报警信息。
8.一种权利要求1或4所述的自动化监测异常数据的处理方法，其特征在于所述处理方法至少包括如下步骤：当所述基点ji被判定为所述缓变数据后，延迟发布时间，观察所述监测数据变化趋势；之后若所述监测数据变化趋势收敛，则进行平滑处理；若所述监测数据变化趋势继续发展，则结合现场施工情况综合判别，决定是否需要报警。
CN201310137603.1A 2013-04-19 2013-04-19 自动化监测异常数据的判别及处理方法 Active CN103198147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310137603.1A CN103198147B (zh) 2013-04-19 2013-04-19 自动化监测异常数据的判别及处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310137603.1A CN103198147B (zh) 2013-04-19 2013-04-19 自动化监测异常数据的判别及处理方法

Publications (2)

Publication Number Publication Date
CN103198147A true CN103198147A (zh) 2013-07-10
CN103198147B CN103198147B (zh) 2016-05-11

Family

ID=48720704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310137603.1A Active CN103198147B (zh) 2013-04-19 2013-04-19 自动化监测异常数据的判别及处理方法

Country Status (1)

Country Link
CN (1) CN103198147B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462794A (zh) * 2014-11-26 2015-03-25 北京金水永利科技有限公司 一种基于对比统计分析发现环境监测异常数据的算法
CN104933080A (zh) * 2014-03-21 2015-09-23 中国移动通信集团湖北有限公司 一种确定异常数据的方法及装置
CN105930870A (zh) * 2016-04-26 2016-09-07 中国电建集团昆明勘测设计研究院有限公司 一种工程安全监测数据离群值检测方法
CN106022966A (zh) * 2016-05-31 2016-10-12 中国电建集团昆明勘测设计研究院有限公司 一种基于增量判别的水电工程安全监测数据粗差处理方法
CN104091061B (zh) * 2014-07-01 2017-04-26 北京金控数据技术股份有限公司 一种利用正态分布辅助判定污染源监测数据有效性的方法
CN108732313A (zh) * 2018-05-31 2018-11-02 深圳市创艺工业技术有限公司 城市空气污染物浓度智能观测系统
CN110849404A (zh) * 2019-11-18 2020-02-28 中国华能集团清洁能源技术研究院有限公司 一种传感器数据异常的连续判别方法
CN111220305A (zh) * 2020-01-16 2020-06-02 山东爱拓软件开发有限公司 一种煤岩体应力增幅监测方法及系统
CN111309954A (zh) * 2020-02-24 2020-06-19 浙江力石科技股份有限公司 景区导购行为识别系统
CN112732753A (zh) * 2020-11-26 2021-04-30 深圳华星智感科技有限公司 一种干扰监测环境下超控数据有效性分析方法
CN116629583A (zh) * 2023-07-21 2023-08-22 青建集团股份公司 基于施工大数据的智能工期管理系统
CN117311243A (zh) * 2023-11-28 2023-12-29 中煤科工机器人科技有限公司 用于煤矿机器人的车辆姿态监控预警系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053610A (zh) * 2010-12-24 2011-05-11 深圳市天维尔通讯技术有限公司 一种针对自动监控类系统的智能运维方法及系统
CN102147597A (zh) * 2010-02-10 2011-08-10 广州大学 一种重大建筑与桥梁结构的健康监测系统
JP4832609B1 (ja) * 2011-06-22 2011-12-07 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置および異常予兆診断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147597A (zh) * 2010-02-10 2011-08-10 广州大学 一种重大建筑与桥梁结构的健康监测系统
CN102053610A (zh) * 2010-12-24 2011-05-11 深圳市天维尔通讯技术有限公司 一种针对自动监控类系统的智能运维方法及系统
JP4832609B1 (ja) * 2011-06-22 2011-12-07 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置および異常予兆診断方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933080A (zh) * 2014-03-21 2015-09-23 中国移动通信集团湖北有限公司 一种确定异常数据的方法及装置
CN104933080B (zh) * 2014-03-21 2018-06-26 中国移动通信集团湖北有限公司 一种确定异常数据的方法及装置
CN104091061B (zh) * 2014-07-01 2017-04-26 北京金控数据技术股份有限公司 一种利用正态分布辅助判定污染源监测数据有效性的方法
CN104462794A (zh) * 2014-11-26 2015-03-25 北京金水永利科技有限公司 一种基于对比统计分析发现环境监测异常数据的算法
CN105930870A (zh) * 2016-04-26 2016-09-07 中国电建集团昆明勘测设计研究院有限公司 一种工程安全监测数据离群值检测方法
CN106022966A (zh) * 2016-05-31 2016-10-12 中国电建集团昆明勘测设计研究院有限公司 一种基于增量判别的水电工程安全监测数据粗差处理方法
CN108732313A (zh) * 2018-05-31 2018-11-02 深圳市创艺工业技术有限公司 城市空气污染物浓度智能观测系统
CN110849404B (zh) * 2019-11-18 2022-03-22 中国华能集团清洁能源技术研究院有限公司 一种传感器数据异常的连续判别方法
CN110849404A (zh) * 2019-11-18 2020-02-28 中国华能集团清洁能源技术研究院有限公司 一种传感器数据异常的连续判别方法
CN111220305A (zh) * 2020-01-16 2020-06-02 山东爱拓软件开发有限公司 一种煤岩体应力增幅监测方法及系统
CN111220305B (zh) * 2020-01-16 2021-09-07 山东爱拓软件开发有限公司 一种煤岩体应力增幅监测方法及系统
CN111309954A (zh) * 2020-02-24 2020-06-19 浙江力石科技股份有限公司 景区导购行为识别系统
CN111309954B (zh) * 2020-02-24 2023-10-17 浙江力石科技股份有限公司 景区导购行为识别系统
CN112732753A (zh) * 2020-11-26 2021-04-30 深圳华星智感科技有限公司 一种干扰监测环境下超控数据有效性分析方法
CN116629583A (zh) * 2023-07-21 2023-08-22 青建集团股份公司 基于施工大数据的智能工期管理系统
CN117311243A (zh) * 2023-11-28 2023-12-29 中煤科工机器人科技有限公司 用于煤矿机器人的车辆姿态监控预警系统
CN117311243B (zh) * 2023-11-28 2024-02-27 中煤科工机器人科技有限公司 用于煤矿机器人的车辆姿态监控预警系统

Also Published As

Publication number Publication date
CN103198147B (zh) 2016-05-11

Similar Documents

Publication Publication Date Title
CN103198147A (zh) 自动化监测异常数据的判别及处理方法
CN109766334B (zh) 用于电力设备在线监测异常数据的处理方法及系统
CN103337043B (zh) 电力通信设备运行状态的预警方法和系统
CN102324066B (zh) 一种电力系统预警与评估指标的雷达图表示方法
CN109724785A (zh) 一种基于多源信息融合的刀具状态监测及寿命预测系统
CN103455855B (zh) 一种基于用电信息数据分析的反间歇性窃电检测方法
CN104425046B (zh) 核电站运行安全指数量化方法和系统
CN107798395A (zh) 一种电网事故信号自动诊断方法及系统
CN101726568A (zh) 一种水环境安全预警预测方法
CN103750552B (zh) 一种智能取样方法及其在香烟质量控制的应用
CN106940678B (zh) 一种系统实时健康度评估分析方法及装置
KR20200081166A (ko) 가공기 툴의 건전성 지수 검출방법
CN107404471A (zh) 一种基于admm算法网络流量异常检测方法
CN104407601A (zh) 一种城市燃气管网调压设备运行故障诊断方法
CN102891761B (zh) 设备性能预测处理方法及装置
CN108171421A (zh) 一种面向城市交通智能设备系统运维的路面运维处置效率和质量评估方法
CN105354768A (zh) 输变电设备状态的评估方法和系统
CN114383652A (zh) 一种配电网潜在故障在线风险辨识方法、系统及装置
CN105574666A (zh) 一种基于关键数据建模的评定企业信用等级的方法及装置
CN104751292A (zh) 一种机电设备运行综合管理方法
CN110738415A (zh) 基于用电采集系统和离群点算法的窃电用户分析方法
CN103237080A (zh) 一种风力发电机组的远程故障信息处理方法
CN101625564B (zh) 一种自动控制与报警的方法与系统
CN104143160A (zh) 一种基于计算机实现的评测电网调度能力的方法
CN106650154B (zh) 一种基于热力性能指标的核电常规岛设备可靠性监测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20160216

Address after: 200002, 3, Huqiu Road, 5, Shanghai, Huangpu District

Applicant after: SHANGHAI SHUNKAI INFORMATION TECHNOLOGY CO., LTD.

Address before: 200032 Shanghai, Xuhui District small wooden bridge road, building 681, No. 18

Applicant before: Shanghai Geotechnical Investigations & Design Institute Co., Ltd.

C14 Grant of patent or utility model
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 200002, 3, Huqiu Road, 5, Shanghai, Huangpu District

Patentee after: SHANGHAI SHUNKAI INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 200002, 3, Huqiu Road, 5, Shanghai, Huangpu District

Patentee before: SHANGHAI SHUNKAI INFORMATION TECHNOLOGY Co.,Ltd.