CN106371939B - 一种时序数据异常检测方法及其系统 - Google Patents
一种时序数据异常检测方法及其系统 Download PDFInfo
- Publication number
- CN106371939B CN106371939B CN201610818281.0A CN201610818281A CN106371939B CN 106371939 B CN106371939 B CN 106371939B CN 201610818281 A CN201610818281 A CN 201610818281A CN 106371939 B CN106371939 B CN 106371939B
- Authority
- CN
- China
- Prior art keywords
- data
- time series
- parameter
- series data
- monitored
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
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)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种时序数据异常检测方法及其系统,该方法包括接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据;计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据;利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。本发明提高了时序数据异常检测的准确率,确保了异常检测的正确性。
Description
技术领域
本发明属于数据处理领域,尤其涉及一种时序数据异常检测方法及其系统。
背景技术
随着传感技术的不断发展,越来越多的设备上通过安装传感器实现了设备的智能化。随着时间的推移,传感器所检测到的数据形成了时间序列,即时序数据。对时序数据的异常检测是设备故障预警、异常定位、故障分析的重要基础与依据。
在设备运行过程中,通常其会产生两种离群数据:1)突变数据:设备运行模式的突然改变会导致传感数据发生突变,这种突变是设备正常运行产生的;2)异常数据:设备运行过程中某个或某几个部件产生故障,或导致获取的数据不正常,这种不正常的数据为异常数据,是我们需要检测的。
当前对时序数据的异常检测主要有以下缺点:1)不能区分突变数据与异常数据。在大多数异常检测方法中这两种离群数据都被认为是异常数据,导致了异常的误报。2)不能定位异常参数。一些异常检测方法只能检测异常,并不能定位异常参数是哪些。
发明内容
为了解决现有技术的缺点,本发明提供一种时序数据异常检测方法及其系统。本发明能够提高时序数据异常检测的准确率以及确保异常检测的正确性。
为实现上述目的,本发明采用以下技术方案:
一种时序数据异常检测方法,包括:
接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据;
计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据;
利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。
其中,一个时序数据是按照时间顺序排列的若干个观测数据,每个观测数据又包含了若干个参数的观测值。这些观测数据之间的间隔是固定的。
计算待检测观测数据的各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离之后,还包括:
将待监测数据的各参数相对离群距离与当前时序数据中各参数相对离群距离进行聚类。
在本发明的异常检测方法中在单参数时序序列上基于相对离群距离计算,发现数据离群点;然后利用参数序列之间的相关性对离群数据进行甄别,找到其中的异常数据并定位异常参数,提高时序数据异常检测的准确率,确保异常检测的正确性。
该方法还包括:根据聚类结果判断是否将各参数名称添加至待监测数据的标志位。
本发明的标志位的作用是用来标识检测数据的检测信息,用来区分突变数据与异常数据,避免了异常的误报,而且达到了定位异常参数的目的。
该方法还包括:若待监测数据中任一参数值满足时序数据中参数值之间的相关性关系,则清除该待监测数据标志位上的相应参数名称并设其标志位为突变。
本发明使用观测数据中各个参数值代入预设相关关系表达式来验证参数之间是否满足相关关系,能够区分突变数据与异常数据,来确定是否清除该待监测观测数据标志位上的相应参数名称以及设其标志位是否为突变。
该方法还包括:获取固有长度的时序数据中参数值之间的相关性,其具体过程为:
获取固有长度时序数据的训练集;
计算训练集中时序数据的不同参数组合之间的相关系数;
求解相关系数超于预设相关系数阈值的参数之间的表达式,进而获取固有长度的时序数据中参数值之间的相关性。
一种时序数据异常检测系统,包括:
时序数据接收模块,其用于接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据;
离群标识获取模块,其用于计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据;
筛选定位模块,其用于利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。
该系统还包括:聚类模块,其用于将待监测数据的各参数相对离群距离与当前时序数据中各参数相对离群距离进行聚类。
该系统还包括:标志位添加模块,其用于根据聚类结果还判断是否将各参数名称添加至待监测数据的标志位。
该系统还包括:标志位设置模块,其用于若待监测数据中任一参数值满足时序数据中参数值之间的相关性关系,则清除该待监测数据标志位上的相应参数名称并设其标志位为突变。
该系统还包括相关性获取模块,其用于获取固有长度的时序数据中参数值之间的相关性;所述相关性获取模块包括:
训练集获取模块,其用于获取固有长度时序数据的训练集;
相关系数计算模块,其用于计算训练集中时序数据的不同参数组合之间的相关系数;
参数表达式计算模块,其用于求解相关系数超于预设相关系数阈值的参数之间的表达式,进而获取固有长度的时序数据中参数值之间的相关性。
本发明的有益效果为:
(1)在本发明的异常检测方法中在单参数时序序列上基于相对离群距离计算,发现数据离群点;然后利用参数序列之间的相关性对离群数据进行甄别,找到其中的异常数据并定位异常参数,提高时序数据异常检测的准确率,确保异常检测的正确性;
(2)基于该方法,本发明定位了异常的参数信息,为设备维护以及设备的改进提供了数据基础。
附图说明
图1是本发明提供的一种时序数据异常检测方法流程示意图;
图2为相对离群距离计算流程图;
图3为获取固有长度的时序数据中参数值之间的相关性流程图;
图4是本发明的一种时序数据异常检测系统结构示意图;
图5是本发明的相关性获取模块结构示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
图1是本发明提供的一种时序数据异常检测方法流程示意图,如图1所示的时序数据异常检测方法至少包括以下三个步骤:
步骤(1):接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据。
在具体实施过程中,一个时序数据是按照时间顺序排列的若干个观测数据,每个观测数据又包含了若干个参数的观测值。这些观测数据之间的间隔是固定的。假设机器中设置有m个传感器,其中,m为正整数;那么设置于机器中一个或一个以上传感器所采集的时序数据为<p1i,p2i,,…pmi>,其中p1,p2,…pm为参数名称,i代表当前为i时刻。
步骤(2):计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据。
在具体实施过程中,得到待监测时序数据的离群点的具体过程包括:
步骤(2.1):分别计算待监测数据中各参数的参数值之间的相对离群距离,以及机器内固有长度的当前时序数据中相应参数的参数值之间的相对离群距离。
其中,计算相对离群距离的过程,如图2所示:
某参数的相对离群距离代表了检测数据中某参数的稳定情况。以待监测数据<p1i,p2i,,…pmi>,其中p1,p2,…pm为参数名称,i代表当前为i时刻,对于参数p1的离群距离计算过程为例,可概括为以下六个步骤:
Step1:设置统计数目count=0,距离累加和dsum=0;
Step2:获取当前参数值p1i;
Step3:若p1i=0,则相对离群距离dr(p1i)=0,跳转至Step6;否则执行Step3;
Step3:设置j为k(k为时间序列窗口的大小),迭代以下过程,直至i值为0:
Step3.1:获取时间序列窗口j位置的观测数据,若该观测数据的标志位S上含有该参数名称p1,则跳转到Step3.4;否则执行Step3.2;
Step3.2:统计数目count+=1;距离累加和dsum+=|p1i-p1j|;
Step3.3:若该观测值的标志位S为突变标识,则跳转至Step4;否则进行Step3.4;
Step3.4:j=j-1;
Step4:若count=0,则平均距离davg=0,平均距离davg=dsum/count;
Step5:相对离群距离dr(p1i)=davg/p1i;
Step6:返回dr(p1i)。
在上述计算过程中,时间序列窗口为当前时序数据的固有长度。
步骤(2.2):将待监测数据的各参数相对离群距离与当前时序数据中各参数相对离群距离进行聚类。
其中,聚类可采用CKmeans聚类方法或是其他聚类方法。
该方法还包括:根据聚类结果还判断是否将各参数名称添加至待监测数据的标志位。
本发明的标志位的作用是用来标识待监测数据的检测信息,用来区分突变数据与异常数据,避免了异常的误报,而且达到了定位异常参数的目的。
在检测过程中,需要为待监测数据设置标志位,标志位的作用是用来标识待监测数据的检测信息。
在该检测方法中标志位用一个集合S标识。标志位S有三种形式,如表格1所示。
表格1标志位S形式列表
数据检测情况 | 标志位S形式 |
正常数据 | {} |
突变数据 | {突变标识} |
异常数据 | {异常参数名称1,异常参数名称2,…} |
对于所有的检测数据,其标志位S都初始化为正常数据{}。
在本发明的时序数据异常检测方法中,Step3的聚类结果有三种:1)参数的相对离群距离单独为一类;2)参数的相对离群距离与有离群标识相对离群距离为一类;3)参数的相对离群距离与不带离群标识的相对离群距离聚为一类。在Step6中,对于前两种结果要在标志位上添加该参数名称,对于结果3不需要添加。
步骤(3):利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。
该方法还包括:若待监测时序数据中任一参数值满足时序数据中参数值之间的相关性关系,则清除该待监测时序数据标志位上的相应参数名称并设其标志位为突变。
该方法还包括:获取固有长度的时序数据中参数值之间的相关性。如图3所示的获取固有长度的时序数据中参数值之间的相关性具体过程为:
步骤(3.1):获取固有长度时序数据的训练集。
步骤(3.2):计算训练集中时序数据的不同参数组合之间的相关系数。
在本实施例中,使用的是线性相关关系,求相关系数可以用皮尔逊线性相关系数r表示,其计算公式如(1)所示。
在公式(1)中,X和Y是两个参数向量,和是参数X和Y分别的平均值,n是参数向量的长度。r就是计算出的线性相关系数。r位于-1到1之间。r的绝对值越大,说明两个参数越相关。在我们的中r的绝对值大于0.8时,两个参数被判断为相关参数。
步骤(3.3):求解相关系数超于预设相关系数阈值的参数之间的表达式,进而获取固有长度的时序数据中参数值之间的相关性。
本实施例中使用高斯最小二乘法来求解两个参数X、Y之间的拟合直线Y=kX+b。k和b的计算公式如(2)(3)所示。
在公式(2)(3)中,X和Y是两个参数向量,和是参数X和Y分别的平均值。n是参数向量的长度,k是待求直线的斜率,b是待求直线在y轴的截距。
在获取参数之间的表达式之后,使用表达式来验证参数之间是否满足相关关系。误差在10%之时之内的参数满足相关关系。
下面使用一个简单的示例进行说明。
假设两个参数p1、p2之间的表达式为p1=0.95*p2+0.3,在检测数据中p1,p2的参数值分别为2.36,2.3。由于(1-0.1)*2.36<=0.95*2.3+0.3<=(1+0.1)*2.36,两个参数满足相关关系。
在本发明的异常检测方法中在单参数时序序列上基于相对离群距离计算,发现数据离群点;然后利用参数序列之间的相关性对离群数据进行甄别,找到其中的异常数据并定位异常参数,提高时序数据异常检测的准确率,确保异常检测的正确性;基于该方法,本发明定位了异常的参数信息,为设备维护以及设备的改进提供了数据基础。
图4是本发明的一种时序数据异常检测系统结构示意图。如图4所示的时序数据异常检测系统至少包括:
时序数据接收模块,其用于接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据;
离群标识获取模块,其用于计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据;
筛选定位模块,其用于利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。
该系统还包括:聚类模块,其用于将待监测数据的各参数相对离群距离与当前时序数据中各参数相对离群距离进行聚类。
本发明在单参数时序序列上基于相对离群距离计算,发现数据离群点;然后利用参数序列之间的相关性对离群数据进行甄别,找到其中的异常数据并定位异常参数,提高时序数据异常检测的准确率,确保异常检测的正确性;本发明还定位了异常的参数信息,为设备维护以及设备的改进提供了数据基础。
该系统还包括:标志位添加模块,其用于根据聚类结果还判断是否将各参数名称添加至待监测数据的标志位。
本发明的标志位的作用是用来标识检测数据的检测信息,用来区分突变数据与异常数据,避免了异常的误报,而且达到了定位异常参数的目的。
该系统还包括:标志位设置模块,其用于若待监测数据中任一参数值满足时序数据中参数值之间的相关性关系,则清除该待监测数据标志位上的相应参数名称并设其标志位为突变。
本发明使用时序数据中各个参数值代入预设相关关系表达式来验证参数之间是否满足相关关系,能够区分突变数据与异常数据,来确定是否清除该待监测数据标志位上的相应参数名称以及设其标志位是否为突变。
该系统还包括相关性获取模块,其用于获取固有长度的时序数据中参数值之间的相关性。图5是本发明的相关性获取模块结构示意图。如图5所示的相关性获取模块包括:
训练集获取模块,其用于获取固有长度时序数据的训练集;
相关系数计算模块,其用于计算训练集中时序数据的不同参数组合之间的相关系数;
参数表达式计算模块,其用于求解相关系数超于预设相关系数阈值的参数之间的表达式,进而获取固有长度的时序数据中参数值之间的相关性。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种时序数据异常检测方法,其特征在于,包括:
接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据;
计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据;
利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。
2.如权利要求1所述的一种时序数据异常检测方法,其特征在于,计算待检测观测数据的各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离之后,还包括:
将待监测数据的各参数相对离群距离与机器内缓存的固有长度的当前时序数据中各参数相对离群距离进行聚类。
3.如权利要求2所述的一种时序数据异常检测方法,其特征在于,该方法还包括:根据聚类结果判断是否将各参数名称添加至待监测数据的标志位。
4.如权利要求3所述的一种时序数据异常检测方法,其特征在于,该方法还包括:若待监测数据中任一参数值满足时序数据中参数值之间的相关性关系,则清除该待监测数据标志位上的相应参数名称并设其标志位为突变。
5.如权利要求1所述的一种时序数据异常检测方法,其特征在于,该方法还包括:获取固有长度的时序数据中参数值之间的相关性,其具体过程为:
获取固有长度时序数据的训练集;
计算训练集中时序数据的不同参数组合之间的相关系数;
求解相关系数超于预设相关系数阈值的参数之间的表达式,进而获取固有长度的时序数据中参数值之间的相关性。
6.一种时序数据异常检测系统,其特征在于,包括:
时序数据接收模块,其用于接收设置于机器中一个或一个以上传感器所采集的时序数据并把时序数据中最新观测数据作为待监测数据;
离群标识获取模块,其用于计算待监测数据中各个参数与机器内缓存的固有长度的时间序列相应参数的相对离群距离,进一步得到带有离群标识的离群数据;
筛选定位模块,其用于利用固有长度的时序数据中参数值之间的相关性,从离群数据中筛选出异常观测数据并定位异常观测数据中的异常参数。
7.如权利要求6所述的一种时序数据异常检测系统,其特征在于,该系统还包括:聚类模块,其用于将待监测数据的各参数相对离群距离与机器内缓存的固有长度的当前时序数据中各参数相对离群距离进行聚类。
8.如权利要求7所述的一种时序数据异常检测系统,其特征在于,该系统还包括:标志位添加模块,其用于根据聚类结果还判断是否将各参数名称添加至待监测数据的标志位。
9.如权利要求8所述的一种时序数据异常检测系统,其特征在于,该系统还包括:标志位设置模块,其用于若待监测数据中任一参数值满足时序数据中参数值之间的相关性关系,则清除该待监测数据标志位上的相应参数名称并设其标志位为突变。
10.如权利要求6所述的一种时序数据异常检测系统,其特征在于,该系统还包括相关性获取模块,其用于获取固有长度的时序数据中参数值之间的相关性;所述相关性获取模块包括:
训练集获取模块,其用于获取固有长度时序数据的训练集;
相关系数计算模块,其用于计算训练集中时序数据的不同参数组合之间的相关系数;
参数表达式计算模块,其用于求解相关系数超于预设相关系数阈值的参数之间的表达式,进而获取固有长度的时序数据中参数值之间的相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818281.0A CN106371939B (zh) | 2016-09-12 | 2016-09-12 | 一种时序数据异常检测方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818281.0A CN106371939B (zh) | 2016-09-12 | 2016-09-12 | 一种时序数据异常检测方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106371939A CN106371939A (zh) | 2017-02-01 |
CN106371939B true CN106371939B (zh) | 2019-03-22 |
Family
ID=57897237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610818281.0A Active CN106371939B (zh) | 2016-09-12 | 2016-09-12 | 一种时序数据异常检测方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106371939B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971058A (zh) * | 2017-02-21 | 2017-07-21 | 河海大学 | 一种泵站运行监控数据异常点检测方法 |
CN107203676B (zh) * | 2017-06-22 | 2022-02-25 | 格兰菲智能科技有限公司 | 用以提升集成电路设计的时序性能的方法及数据处理系统 |
CN107484196B (zh) * | 2017-08-14 | 2020-10-09 | 博锐尚格科技股份有限公司 | 传感器网络的数据质量保证方法和计算机可读介质 |
CN107402547A (zh) * | 2017-08-29 | 2017-11-28 | 北京易沃特科技有限公司 | 基于离群点分析的设备异常检测方法及系统 |
CN108362957B (zh) * | 2017-12-19 | 2020-09-11 | 东软集团股份有限公司 | 设备故障诊断方法、装置、储存介质和电子设备 |
CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
CN108597616A (zh) * | 2018-04-11 | 2018-09-28 | 平安科技(深圳)有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
CN108563785B (zh) * | 2018-04-26 | 2020-06-16 | 三一重能有限公司 | 数据处理方法、装置及电子设备 |
CN108829878B (zh) * | 2018-06-26 | 2021-10-01 | 北京理工大学 | 一种工业实验数据异常点检测方法及装置 |
CN109726731B (zh) * | 2018-07-26 | 2023-04-18 | 平安科技(深圳)有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
CN109325060B (zh) * | 2018-07-27 | 2021-10-12 | 山东大学 | 一种基于数据特征的时间序列流数据快速搜索方法 |
CN109932496A (zh) * | 2019-03-27 | 2019-06-25 | 浙江大学 | 一种基于多参数耦合交叉的水质在线监测方法和系统 |
CN110032495B (zh) * | 2019-03-28 | 2023-08-25 | 创新先进技术有限公司 | 数据异常检测方法和装置 |
CN111026653B (zh) * | 2019-09-16 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 异常程序行为检测方法、装置、电子设备和存储介质 |
CN113379176B (zh) * | 2020-03-09 | 2023-12-19 | 中国移动通信集团设计院有限公司 | 电信网络异常数据检测方法、装置、设备和可读存储介质 |
CN111738067B (zh) * | 2020-05-12 | 2024-04-16 | 国网陕西省电力公司电力科学研究院 | 一种电力在线监测系统数据的时间序列异常检测方法 |
CN112261609B (zh) * | 2020-10-16 | 2022-02-11 | 北京邮电大学 | 毫米波车联网资源分配方法、装置、电子设备及存储介质 |
CN112632127B (zh) * | 2020-12-29 | 2022-07-15 | 国华卫星数据科技有限公司 | 设备运行实时数据采集及时序的数据处理方法 |
CN112699113B (zh) * | 2021-01-12 | 2022-08-05 | 上海交通大学 | 时序数据流驱动的工业制造流程运行监测系统 |
CN112905960B (zh) * | 2021-02-18 | 2024-04-19 | 中国环境科学研究院 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
CN113093670A (zh) * | 2021-03-25 | 2021-07-09 | 北京嘉联优控科技有限公司 | 一种仪控状态监控方法、系统及监控平台 |
CN114579827B (zh) * | 2022-05-06 | 2022-08-05 | 昆仑智汇数据科技(北京)有限公司 | 一种工业设备数据性能曲线的处理方法、装置及设备 |
CN115904791B (zh) * | 2022-12-30 | 2023-10-13 | 广东石油化工学院 | 一种动量轮转速带跳变过程误码识别及自适应修复方法 |
CN116089843B (zh) * | 2023-04-10 | 2023-09-08 | 国网浙江省电力有限公司 | 一种基于数据聚类的新能源结算数据异常检测与预警方法 |
CN116879662B (zh) * | 2023-09-06 | 2023-12-08 | 山东华尚电气有限公司 | 基于数据分析的变压器故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
CN104636999A (zh) * | 2015-01-04 | 2015-05-20 | 江苏联宏自动化系统工程有限公司 | 一种建筑异常用能数据检测方法 |
CN105653427A (zh) * | 2016-03-04 | 2016-06-08 | 上海交通大学 | 基于行为异常检测的日志监控方法 |
CN105808923A (zh) * | 2016-02-29 | 2016-07-27 | 北京航空航天大学 | 一种数据序列的异常检测方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5996384B2 (ja) * | 2012-11-09 | 2016-09-21 | 株式会社東芝 | プロセス監視診断装置、プロセス監視診断プログラム |
US9652354B2 (en) * | 2014-03-18 | 2017-05-16 | Microsoft Technology Licensing, Llc. | Unsupervised anomaly detection for arbitrary time series |
-
2016
- 2016-09-12 CN CN201610818281.0A patent/CN106371939B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360378A (zh) * | 2011-10-10 | 2012-02-22 | 南京大学 | 一种时序数据离群点检测方法 |
CN104636999A (zh) * | 2015-01-04 | 2015-05-20 | 江苏联宏自动化系统工程有限公司 | 一种建筑异常用能数据检测方法 |
CN105808923A (zh) * | 2016-02-29 | 2016-07-27 | 北京航空航天大学 | 一种数据序列的异常检测方法和装置 |
CN105653427A (zh) * | 2016-03-04 | 2016-06-08 | 上海交通大学 | 基于行为异常检测的日志监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106371939A (zh) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106371939B (zh) | 一种时序数据异常检测方法及其系统 | |
CN106110889B (zh) | 一种反渗透系统故障预警及诊断方法、装置及系统 | |
CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
CN109558295A (zh) | 一种性能指标异常检测方法及装置 | |
CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
CN108957385B (zh) | 一种电能计量设备自动化检定线异常表位确认方法及装置 | |
CN105675834B (zh) | 水质监测系统的质控方法及装置 | |
CN108268076B (zh) | 一种基于大数据的机房运行安全评估系统 | |
CN106647514A (zh) | 一种对水泥企业碳排放实时在线监测管理系统 | |
CN112684397B (zh) | 基于hplc高频采集数据的电能表运行误差监测方法及系统 | |
CN107402547A (zh) | 基于离群点分析的设备异常检测方法及系统 | |
CN104535735B (zh) | 水质远程在线监测方法 | |
CN110380514A (zh) | 一种智能变电站继电保护二次回路故障诊断方法 | |
KR20120137623A (ko) | 전력설비 모니터링 시스템 및 방법 | |
CN114244751A (zh) | 无线传感器网络异常检测方法和系统 | |
CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
CN116520236A (zh) | 一种智能电表的异常检测方法和系统 | |
CN103400308A (zh) | Gis设备运行状态在线检测方法与系统 | |
CN116893654B (zh) | 一种硫酸氨基葡萄糖胶囊制剂制备设备运行状态监控系统 | |
CN107561470A (zh) | 一种故障指示器运行状态评价系统 | |
CN110119858A (zh) | 基于大数据的电网调度自动化系统的数据质量评估方法 | |
CN107247871A (zh) | 项目检测时间核查预警方法及装置 | |
CN116307886A (zh) | 一种企业生产状态的实时监测方法及装置 | |
CN115801538A (zh) | 场站服务器应用资产深度识别方法、系统及设备 | |
CN111693822B (zh) | 一种基于云平台的电气设备线路故障检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |