CN106872657B - 一种多变量水质参数时序数据异常事件检测方法 - Google Patents

一种多变量水质参数时序数据异常事件检测方法 Download PDF

Info

Publication number
CN106872657B
CN106872657B CN201710007484.6A CN201710007484A CN106872657B CN 106872657 B CN106872657 B CN 106872657B CN 201710007484 A CN201710007484 A CN 201710007484A CN 106872657 B CN106872657 B CN 106872657B
Authority
CN
China
Prior art keywords
water quality
parameter
quality parameter
value
probability
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
CN201710007484.6A
Other languages
English (en)
Other versions
CN106872657A (zh
Inventor
毛莺池
齐海
钟海士
王龙宝
平萍
戚荣志
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710007484.6A priority Critical patent/CN106872657B/zh
Publication of CN106872657A publication Critical patent/CN106872657A/zh
Application granted granted Critical
Publication of CN106872657B publication Critical patent/CN106872657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Medicinal Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Food Science & Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种多变量水质参数时序数据异常事件检测方法：首先，输入多个水质参数建模，训练和构造数据驱动的预测模型(BP模型)，分析供水管网中的多变量水质时序数据，并对模型进行评估；然后，通过BP模型预测获得水质数据的预测值，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析，确定单变量参数异常事件；基于误差统计结果进行分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率，进行多变量融合决策，将来自多个水质监测指标的信息融合，提供统一的决策结果，确定供水管网在具体节点处是否异常事件发生。

Description

一种多变量水质参数时序数据异常事件检测方法
技术领域
本发明涉及一种多变量水质参数时序数据异常事件检测方法，供水网监控网络技术领域。
背景技术
随着经济快速发展，水质污染异常事件频繁发生，一个城市的供水系统如果发生了污染事件给社会带来巨大的损失。供水管网中发生的污染事件快速传播，造成更严重破坏。因此，及时发现供水管网中的水质异常事件，对污染异常事件及时预警，防止污染继续传播是具有重要现实意义。目前，无线传感网络被广泛应用到各种场景的监控。能够明显反映水质的参数主要有游离氯、总有机碳、电导率、PH值、温度、浊度。在供水管网中部署传感器网络能够实时获取大量的水质指标数据，当供水管网发生污染异常事件发生时，在供水管网中传感器感知的水质参数数据也有异常变化，判断供水管网的水质有无异常。
面对来自供水网监控网络的多个水质参数时间序列数据，如何高效、准确并及时地发现水质异常，是一个重要问题。然而，现有的水质异常检测算法并不能很好地适应供水管网异常监测的需要。目前，异常事件检测研究已在水质检测领域也有了一定的进展。基于水质参数的异常事件检测方法通常包含两个阶段：第一个阶段是建模阶段，用历史监测数据作为训练数据，建立水质预测模型；第二阶段是测试阶段，将新的观测数据与预测模型得到的预测数据比较，判定水质是否正常。根据釆用技术的差异，水质异常检测算法主要包括四种：基于阈值的异常事件检测方法，基于模式识别的异常事件检测，基于统计方法的异常检测技术，基于机器学习的异常检测方法。
上述方法都单独局限于只根据单个水质指标是否超标来判断供水管网水质污染异常事件，而单个检测指标不符合真实的供水管网水环境下。在供水管中污染事件发生时，多个参数都会有明显变化，单个参数考虑的因素单一，容易造成漏报和误报，检测的精确度不高。因此，本发明考虑根据多个水质参数的数据变化情况，基于多个水质参数的状况做出融合决策，判断供水管网污染异常事件。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种多变量水质参数时序数据异常事件检测方法(Temporal Abnormal Event Detection Algorithm ofMultivariate time-series,M-TAEDA)，采用人工神经网络进行水质模拟，通过BP模型分析多变量水质参数的时序数据，确定可能的离群点；结合贝叶斯序贯分析独立更新每个参数的事件概率，预测单个传感器节点在一段时间内是否有异常事件发生；最后对单变量的事件概率融合为一个统一的多变量事件概率做出融合判断，检测供水管网的异常事件发生。仿真实验将提出的M-TAEDA与单变量参数时间异常事件检测算法(S-TAEDA)进行对比，实验结果表明BP模型模拟多变量水质参数进行预测可以提高精确性和有效性；与S-TAEDA方法相比，M-TAEDA方法的异常检出率高，误报率低。
技术方案：一种多变量水质参数时序数据异常事件检测方法，包括以下四个方面：
(1)BP模型模拟水质参数：输入6个水质参数建模，训练和构造数据驱动的预测模型(BP模型)，分析供水管网中的多变量水质时序数据，并对模型进行评估；其中6个水质参数分别是游离氯、总有机碳(Total Organic Carbon,TOC)、电导率(ElectricalConductivity,EC)、PH值、温度和浊度。
(2)误差评估与分类：通过BP模型预测获得水质数据的预测值，然后对供水管网中实时水质参数进行测量，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析。
(3)确定单变量参数异常事件：基于误差结果的分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率。
(4)多变量融合决策：来自6个水质监测指标的信息融合，提供统一的决策结果，确定供水管网在具体节点处是否异常事件发生。
所述内容(1)输入6个水质参数建模，训练和构造数据驱动的预测模型(BP模型)，分析供水管网中的多变量水质时序数据，并对模型进行评估。BP模型模拟水质参数的具体步骤如下：
(1.1)构建BP网络。
Stept1：确定输入层、目标输出层、隐藏层的结点个数。
本发明涉及到6个水质指标，设置BP网络的输入层的结点个数为6，输出层的结点个数为6；隐藏层的结点个数通过不断地训练得出，设置隐含层的数目为p。
Stept2：确定输入输出权重
BP神经网络结构的多层神经元由权重连接，连接输入层神经元的权重表示为wji。xi(i＝1,2,…,6)是输入神经元，神经元的输入变量由其输入权重和确定，输入到隐藏层神经元的变量和隐藏层到输出层(输出变量)采用如下形式：其中bi是神经元的偏差，yi是从神经元j的输出，(w1i,w2i,...,wni)是神经元i的权重向量，n是此层前一层神经元的数量，包括神经元i。权重和Si也就是神经元i的“输入信号”，
Stept3：经过激励函数，产生输出信号，即输出层的估计值。
神经元的输出变量基于转换(激励)函数，经过一个非线性激励(转换)函数来产生输出信号：在输出层是估计值。最常见的转换函数是Sigmoid函数，SS型激活函数将任意输入压缩到(0,1)范围内，形成类似S形状的图形，数学表达式如下：如下所示：
公式为其中wjk、wij表示目标水质参数的权重，w0、w0j表示输入水质参数的偏差，和分别为激活函数与输出函数，fk(x；w)用于估计目标值，i表示某一时刻，输入的水质参数的数目，j表示前一时刻，预测的目标水质参数的数目，k表示此时目标水质参数的数目；xi表示输入水质参数的数值。
(1.2)分别为6个目标水质参数构造和训练BP模型，每个BP模型的输入参数包括在测量时间段的某一时刻其他5个预测参数的数据和目标水质参数前一时刻的数据。公式为：例如，以游离氯为目标水质参数，构建相应的BP模型结构，具体公式为：
(1.3)利用历史数据对模型不断训练，构建完成数据驱动的BP模型。用训练得到的BP模型预测供水管网中的水质参数数据，将预测值与实测值进行比较，确定预测误差。再根据误差和多次训练的结果，确定阈值，用于发现可能的水质异常事件。
所述内容(2)误差评估与分类：通过BP模型预测获得水质数据的预测值，然后对供水管网中实时水质参数进行测量，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析。误差评估与分类的具体步骤如下：
(2.1)根据步骤(1)构造的BP模型预测计算水质数据的预测值，与获得的供水管网中实时水质参数测量值进行比较，做误差估计；预测值与测量值的估计误差公式为其中xi(t)和表示水质参数在时刻t的测量值和估计值，f(·)由步骤(1)中的BP模型定义，ERi(t)表示水质参数i在时刻t的估计残差；
(2.2)误差分类：将计算残差ERi(t)作为数据值分类为“正常”、“异常”的标准；利用训练得到的阈值进行误差分类，如果测量值在阈值范围内，表明没有异常事件发生，属于正常状况；在训练阶段，通过查看多次实验后的每个水质参数残差值，可以发现落在[96％,99％]这个上限和下限范围内的残差是可以接受的残差；若残差超过此范围，判定为异常值。
所述内容(3)确定单变量参数异常事件：基于误差结果的分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率。确定单变量参数异常事件的具体步骤如下：
(3.1)通过序贯贝叶斯分析，将检测到的异常点转换为污染异常事件的概率。在序贯分析中，观察值的数量事先不知；相反，观察值顺序读取，需要对当前的状态做出决策。
正常值；初始情况下，水质超标事件的概率很低，对于每次新到的观测值，事件的后验概率通过贝叶斯规则序贯更新，更新公式如下；
其中P(Et)表示一个事件在时刻t的概率，Ot和表示观察值在时刻t的“异常点”和“正常值”，序贯贝叶斯规则依赖于训练阶段得到的理想的检出率(RD)和误报率(FRA)。P(Et|Ot)表示在时刻t传感器节点的残差被归类为离群点，更新的异常事件概率。表示在时刻t传感器节点的残差被归类为正常值，更新的异常事件概率。
检出率(RD)和误报率(FRA)是异常事件检测算法的性能评价经常使用的标准，RD表示检测出异常的数目占实际发生的异常总次数的比值。FRA表示检测出的虚假异常占所有决策次数的比值。
(3.3)判断单变量参数异常事件：污染事件的初始概率设为10-5，污染事件发生的阈值设为PThreshold＝0.7；在这个阶段，对每一个水质参数而言，每个参数的概率各自更新；如果某个参数污染事件更新的概率超过该参数设定的阈值PThreshold，表明该参数发生污染异常事件。
所述内容(4)多变量融合决策：来自多个水质监测指标的信息融合，提供统一的决策结果，确定供水管网在具体节点处是否异常事件发生。多变量融合决策具体步骤如下：
(4.1)对6个水质参数指标分配各自的权重，在每个时间段，通过融合单变量的事件概率计算多参数变量的事件概率。
(4.2)本发明将污染异常事件发生的阈值概率设为PThreshold＝0.7。每个水质参数事件更新的概率超过阈值0.7，表示在这一段时间间隔，该单变量参数有异常事件发生。
(4.3)经过实验，本发明确定当在一段时间内，供水管网中某个节点有3个或3个以上的水质参数经过序贯贝叶斯更新，概率超过给定的阈值PThreshold＝0.7时，经过融合决定，发出预警，认为在该节点发生了水质污染异常事件。
本发明采用上述技术方案，具有以下有益效果：
1.根据多个参数而不是一个参数来判断供水管网水质污染异常事件，有效减少漏报和误报情况，提高监测精度。
2.现有的方法都局限于只根据单个水质指标是否超标来判断供水管网水质污染异常事件，而单个检测指标不符合真实的供水管网水环境下。在供水管中污染事件发生时，多个参数都会有明显变化，单个参数考虑的因素单一，容易造成漏报和误报，检测的精确度不高。
3.综合考虑6个水质参数事件概率，确定阈值，对污染异常事件做出预警，漏报率和误报率低。
附图说明
图1为本发明方法实施例的总体框架图；
图2为本发明实施例多变量水质参数时间异常事件检测方法离线阶段的流程图；
图3为本发明实施例多变量水质参数时间异常事件检测方法在线阶段的流程图；
图4为供水管网拓扑结构实例图；
图5表示水质因子综合判断；
图6为游离氯参数的BP网络结构图。
具体实施方式
下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
多变量水质参数时间异常事件检测方法的实施例，图1是在线河网时空异常事件检测的总体框架图。可以看出，本发明实施例的主要步骤如下：
(1)BP模型模拟水质参数：输入多个水质参数建模，训练和构造数据驱动的预测模型(BP模型)，分析供水管网中的多变量水质时序数据，并对模型进行评估。
(2)误差评估与分类：通过BP模型预测获得水质数据的预测值，然后对供水管网中实时水质参数进行测量，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析。
(3)确定单变量参数异常事件：基于误差结果的分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率。
(4)多变量融合决策：来自多个水质监测指标的信息融合，提供统一的决策结果，确定供水管网在具体节点处是否异常事件发生。
其中步骤(1)的具体步骤为：
(1.1)构建BP网络：公式为其中wjk，wij表示权重，w0，w0j表示偏差，和分别为激活函数与输出函数，fk(x；w)用于估计目标值。
(1.2)为每个目标水质参数构造和训练BP模型，每个BP模型的输入参数包括在测量时间段的某一时刻，其他几个预测参数的数据和目标水质参数前一时刻的数据，公式为： 为BP模型计算得到的预测值，xi(t-1)与xi-1(t)是实测值。例如，以游离氯为目标水质参数，构建相应的BP模型结构，具体公式为：
(1.3)利用历史数据对模型不断训练，构建完成数据驱动的BP模型。用训练得到的BP模型预测供水管网中的水质参数数据，将预测值与实测值进行比较，确定预测误差。再根据误差和多次训练的结果，确定阈值，用于发现可能的水质异常事件。
图2是离线阶段流程图，可以看出步骤(2)的具体步骤为：
(2.1)根据步骤(1)构造的BP模型预测获得水质数据的预测值，并测量供水管网中实时水质参数。
(2.2)误差估计：计算测量值和预测的水质参数值之间的差异可以得到估计误差，公式为其中xi(t)和表示水质参数在时刻t的测量值和估计值，f(·)由步骤(1)中的BP模型定义，ERi(t)表示水质参数i在时刻t的估计残差。
(2.3)误差分类：计算的残差ERi(t)作为数据值分类为“正常”、“异常”的标准。利用训练得到的阈值进行误差分类，如果残差在阈值范围内，表明没有异常事件发生，属于正常状况。在训练阶段，通过查看多次实验后的每个水质参数残差值，可以发现落在[96％,99％]这个上限和下限范围内的残差是可以接受的残差；若残差超过此范围，判定为异常值。
图3是在线阶段流程图，可以看出步骤(3)的具体步骤为：
(3.1)通过序贯贝叶斯分析，将检测到的异常点转换为水质污染异常事件的概率。在序贯分析中，观察值的数量事先不知；相反，观察值顺序读取，需要对当前的状态做出决策。
(3.2)每次经过序贯更新后，进行三种判断：有事件、无事件、额外观察。本发明序贯更新后有两种状态：离群点，正常值。初始情况下，事件发生概率很低，对于每次新到的观测值，事件的后验概率通过贝叶斯规则序贯更新。
(3.3)判断单变量参数异常事件：在本发明中，设污染事件的初始概率10-5，设水质污染事件发生的阈值概率为PThreshold＝0.7。在单变量参数异常评判阶段，BP模型中，每个水质参数的概率各自更新。如果某个参数事件更新的概率超过该参数设定的阈值，表明该参数发生异常事件。
图3是在线阶段流程图，可以看出步骤(4)的具体流程为：
(4.1)为6个水质参数指标分配各自的权重，在每个时间段，通过融合单变量的事件概率计算多参数变量的事件概率；
(4.2)本发明将污染异常事件发生的阈值概率设为PThreshold＝0.7。每个水质参数事件更新的概率超过此阈值0.7，表示在这一段时间间隔，该单变量参数有异常事件发生。
(4.3)经过实验，本发明确定当在一段时间内，供水管网中某个节点有3个或3个以上的水质参数经过序贯贝叶斯更新，概率超过给定的阈值PThreshold＝0.7时，经过融合决定(数据融合的计算结果)，发出预警，认为在该节点发生了水质污染异常事件。
图4供水管网拓扑结构实例图水质传感器部署在管道连接处，检测水质参数。其网络拓扑结构用连通图G＝＜V,E＞表示，V表示水质传感器节点的集合，E表示边的集合。每个节点有一个唯一的编号，从1到n。
图5表示水质因子综合判断。供水管网中每个节点处部署了多个传感器节点检测多种水质参数，常用的监测指标是游离氯、电导率、pH值、温度、总有机碳和浊度。若仅仅检测其中一个水质参数判定污染异常事件可能会造成比较大的检测偏差，需要综合考虑6个监测分量为多变量水质监测因子，观测6个监测分量在一段时间的序列数据，经过融合判断，确定该节点处是否有水质异常事件发生。
图6为游离氯参数的BP网络结构图，为每个目标水质参数构造和训练BP模型，每个BP模型的输入参数包括在测量时间段的某一时刻其他几个预测参数的数据和目标水质参数前一时刻的数据。公式为：例如，以游离氯为目标水质参数，构建相应的BP模型结构，

Claims (4)

1.一种多变量水质参数时序数据异常事件检测方法，其特征在于，包括以下步骤：
(1)BP模型模拟水质参数：输入6个水质参数进行建模，训练和构造数据驱动的预测模型，分析供水管网中的多变量水质时序数据，并对模型进行评估；其中6个水质参数分别是游离氯、总有机碳(Total Organic Carbon,TOC)、电导率(Electrical Conductivity,EC)、PH值、温度和浊度,数据驱动的预测模型为BP模型；
(2)误差评估与分类：通过BP模型预测获得水质数据的预测值，然后对供水管网中实时水质参数进行测量，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析；
(3)确定单变量参数异常事件：基于误差结果的分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率；
(4)多变量融合决策：来自多个水质监测指标的信息融合，提供统一的决策结果，确定供水管网在具体节点处是否异常事件发生；
多变量融合决策具体步骤如下：
(4.1)对6个水质参数指标分配各自的权重，在每个时间段，通过融合单变量的事件概率计算多参数变量的事件概率；
(4.2)本发明将污染异常事件发生的阈值概率设为PThreshold＝0.7；每个水质参数事件更新的概率超过此阈值0.7，表示在这一段时间间隔，该单变量参数有异常事件发生；
(4.3)经过实验，确定当在一段时间内，供水管网中某个节点有3个或3个以上的水质参数经过序贯贝叶斯更新，概率超过给定的阈值PThreshold＝0.7时，经过融合决定，发出预警，认为在该节点发生了水质污染异常事件。
2.根据权利要求1所述的多变量水质参数时序数据异常事件检测方法，其特征在于，所述内容(1)输入6个水质参数建模，训练和构造数据驱动的预测模型，分析供水管网中的多变量水质时序数据，并对模型进行评估；BP模型模拟水质参数的具体步骤如下：
(1.1)构建BP网络：公式为其中wjk、wij表示权重，w0、w0j表示偏差，和分别为激活函数与输出函数，fk(x；w)用于估计目标值；
(1.2)分别为6个目标水质参数构造和训练BP模型，每个BP模型的输入参数包括在测量时间段的某一时刻其他5个预测参数的数据和目标水质参数前一时刻的数据；公式为：
3.根据权利要求1所述的多变量水质参数时序数据异常事件检测方法，其特征在于，所述内容(2)误差评估与分类：通过BP模型预测获得水质数据的预测值，然后对供水管网中实时水质参数进行测量，比较当前状态的实测值和利用预测模型得到的预测值进行误差评估和分类分析；误差评估与分类的具体步骤如下：
(2.1)根据步骤(1)构造的BP模型预测计算水质数据的预测值，与获得的供水管网中实时水质参数测量值进行比较，做误差估计；预测值与测量值的估计误差公式为其中xi(t)和表示水质参数在时刻t的测量值和估计值，f(·)由步骤(1)中的BP模型定义，ERi(t)表示水质参数i在时刻t的估计残差；
(2.2)误差分类：将计算残差ERi(t)作为数据值分类为“正常”、“异常”的标准；利用训练得到的阈值进行误差分类，如果测量值在阈值范围内，表明没有异常事件发生，属于正常状况；在训练阶段，通过查看多次实验后的每个水质参数残差值，可以发现落在[96％,99％]这个上限和下限范围内的残差是可以接受的残差；若残差超过此范围，判定为异常值。
4.根据权利要求1所述的多变量水质参数时序数据异常事件检测方法，其特征在于，所述内容(3)确定单变量参数异常事件：基于误差结果的分类，通过序贯更新贝叶斯更新确定单变量水质参数的事件概率；确定单变量参数异常事件的具体步骤如下：
(3.1)通过序贯贝叶斯分析，将检测到的异常点转换为污染异常事件的概率；在序贯分析中，观察值的数量事先不知；相反，观察值顺序读取，需要对当前的状态做出决策；
(3.2)每次经过序贯更新后，进行三种判断：有事件、无事件、额外观察；序贯更新后有两种状态：离群点，正常值；初始情况下，污染事件的概率很低，对于每次新到的观测值，事件的后验概率通过贝叶斯规则序贯更新，更新公式如下；
其中P(Et)表示一个事件在时刻t的概率，Ot和表示观察值在时刻t的“异常点”和“正常值”，序贯贝叶斯规则依赖于训练阶段得到的理想的检出率和误报率，检出率简称RD，误报率简称FRA；P(Et|Ot)表示在时刻t传感器节点的残差被归类为离群点，更新的异常事件概率；表示在时刻t传感器节点的残差被归类为正常值，更新的异常事件概率；
检出率和误报率是异常事件检测算法的性能评价经常使用的标准，RD表示检测出异常的数目占实际发生的异常总次数的比值；FRA表示检测出的虚假异常占所有决策次数的比值；
(3.3)判断单变量参数异常事件：污染事件的初始概率设为10-5，污染事件发生的阈值概率设为PThreshold＝0.7；在这个阶段，对每一个水质参数而言，每个参数的概率各自更新；如果某个参数污染事件更新的概率超过该参数设定的阈值PThreshold，表明该参数发生污染异常事件。
CN201710007484.6A 2017-01-05 2017-01-05 一种多变量水质参数时序数据异常事件检测方法 Active CN106872657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710007484.6A CN106872657B (zh) 2017-01-05 2017-01-05 一种多变量水质参数时序数据异常事件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710007484.6A CN106872657B (zh) 2017-01-05 2017-01-05 一种多变量水质参数时序数据异常事件检测方法

Publications (2)

Publication Number Publication Date
CN106872657A CN106872657A (zh) 2017-06-20
CN106872657B true CN106872657B (zh) 2018-12-14

Family

ID=59165616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710007484.6A Active CN106872657B (zh) 2017-01-05 2017-01-05 一种多变量水质参数时序数据异常事件检测方法

Country Status (1)

Country Link
CN (1) CN106872657B (zh)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2560790B (en) 2017-12-20 2019-05-15 Intellitect Water Ltd A water network monitor, monitoring system and method
CN110020714B (zh) * 2018-01-10 2023-05-30 斑马智行网络(香港)有限公司 模型训练及数据分析方法、装置、设备以及存储介质
CN108921440B (zh) * 2018-07-11 2022-08-05 平安科技（深圳）有限公司 污染物异常监测方法、系统、计算机设备和存储介质
CN109470828A (zh) * 2018-11-07 2019-03-15 青海中水数易信息科技有限责任公司 一种基于多源数据融合的河湖健康监控方法
CN109739904B (zh) * 2018-12-30 2021-08-10 北京城市网邻信息技术有限公司 一种时间序列的标记方法、装置、设备和存储介质
CN109890002B (zh) * 2019-01-04 2022-08-16 中国电子科技集团公司电子科学研究院 一种基于知识推理的预测环境危险度的方法及装置
JP7030072B2 (ja) * 2019-03-14 2022-03-04 株式会社日立製作所 時系列データ監視システム、および時系列データ監視方法
US11783006B1 (en) * 2019-03-29 2023-10-10 Cigna Intellectual Property, Inc. Computerized methods and systems for machine-learned multi-output multi-step forecasting of time-series data
CN110032670B (zh) * 2019-04-17 2022-11-29 腾讯科技（深圳）有限公司 时序数据的异常检测方法、装置、设备及存储介质
US11144035B2 (en) * 2019-06-14 2021-10-12 General Electric Company Quality assessment feedback control loop for additive manufacturing
CN110766916A (zh) * 2019-09-29 2020-02-07 南京欧泰物联网科技有限公司 一种分布式单元楼水质检测系统及测量方法
CN110969556B (zh) * 2019-09-30 2023-11-21 上海仪电（集团）有限公司中央研究院 机器学习多维度多模型融合河道水质异常检测方法及装置
CN112926253A (zh) * 2019-12-05 2021-06-08 中广核环保产业有限公司 水质实时监测方法、装置及可读存储介质
CN111044308B (zh) * 2019-12-26 2022-03-25 新奥数能科技有限公司 蒸发器故障预测方法及装置
CN111210128B (zh) * 2019-12-27 2023-04-11 广东工业大学 一种基于人工智能及随机自适应阈值的湿地预警方法
CN111191855B (zh) * 2020-01-13 2022-09-20 大连理工大学 一种基于管网多元水质时序数据的水质异常事件识别预警方法
CN111401635B (zh) * 2020-03-16 2022-12-13 北京百度网讯科技有限公司 一种环境污染数据的检测方法、装置及电子设备
CN111239346B (zh) * 2020-03-26 2023-04-28 泛测（北京）环境科技有限公司 一种空气质量监测中污染事件识别方法和装置
CN111522860B (zh) * 2020-04-08 2023-03-24 蚌埠学院 一种基于生物行为的水质预警分析方法及其系统
CN111667104B (zh) * 2020-05-29 2023-08-04 重庆工商大学 一种突发水质污染环境下的贝叶斯迁移学习方法
CN111783904B (zh) * 2020-09-04 2020-12-04 平安国际智慧城市科技股份有限公司 基于环境数据的数据异常分析方法、装置、设备及介质
CN112509716B (zh) * 2020-11-24 2023-11-10 华南理工大学 基于信息融合理论的反应堆三维功率概率分布监测方法
CN113409167B (zh) * 2021-08-19 2021-11-30 中国环境监测总站 一种水质异常分析方法及装置
CN113673916B (zh) * 2021-10-25 2022-02-08 深圳市明源云科技有限公司 风险数据识别方法、终端设备及计算机可读存储介质
CN114331063B (zh) * 2021-12-17 2022-12-13 江苏中智系统集成工程有限公司 应用于智慧水务的大数据可视化处理方法及系统
CN115859068B (zh) * 2023-03-03 2023-05-16 四川三思德科技有限公司 一种用于智能水利架构的环境信息感知方法及系统
CN116166966B (zh) * 2023-04-18 2023-07-21 南京哈卢信息科技有限公司 一种基于多模态数据融合的水质劣化事件检测方法
CN117171685B (zh) * 2023-09-01 2024-02-09 武汉中核仪表有限公司 一种浊度测量系统运行监测方法
CN116954285B (zh) * 2023-09-19 2023-12-19 星璟材料科技(南通)有限公司 一种塑料加工机械的智能温度调节系统
CN117932523B (zh) * 2024-03-25 2024-06-04 山东诚祥建设集团股份有限公司 一种建筑工程施工数据处理方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7010513B2 (en) * 2003-04-14 2006-03-07 Tamura Raymond M Software engine for multiple, parallel processing with neural networks
KR100834187B1 (ko) * 2007-01-17 2008-06-10 부산대학교 산학협력단 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템
CN103020642B (zh) * 2012-10-08 2016-07-13 江苏省环境监测中心 水环境监测质控数据分析方法
CN103942457B (zh) * 2014-05-09 2017-04-12 浙江师范大学 基于关联向量机回归的水质参数时间序列预测方法
CN105740989B (zh) * 2016-02-03 2019-09-27 杭州电子科技大学 一种基于varx模型的供水管网异常事件侦测方法
CN106018359A (zh) * 2016-05-12 2016-10-12 常州市排水管理处 一种污水厂水质监测预警方法及系统

Also Published As

Publication number Publication date
CN106872657A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
CN106872657B (zh) 一种多变量水质参数时序数据异常事件检测方法
CN112202736B (zh) 基于统计学习和深度学习的通信网络异常分类方法
CN108418841B (zh) 基于ai的下一代关键信息基础设施网络安全态势感知系统
CN104238545B (zh) 一种石油炼化生产过程故障诊断和预警系统及其建立方法
Mounce et al. Pattern matching and associative artificial neural networks for water distribution system time series data analysis
Wang et al. A data similarity based analysis to consequential alarms of industrial processes
CN110414155A (zh) 一种带有单测点的风机部件温度异常检测和报警方法
CN110348752B (zh) 一种考虑环境干扰的大型工业系统结构安全性评估方法
CN114841396B (zh) 石化生产过程的一种异变趋势预测与灾变风险预警方法
CN104573850A (zh) 一种火电厂设备状态评估方法
CN112799898B (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
Chen et al. Complex system monitoring based on distributed least squares method
CN102013148A (zh) 多信息融合火灾探测方法
CN110348150A (zh) 一种基于相关概率模型的故障检测方法
CN105678423A (zh) 基于定量结构模型的故障诊断系统传感器优化配置方法
CN113987908A (zh) 基于机器学习方法的天然气管网泄漏预警方法
CN111191855B (zh) 一种基于管网多元水质时序数据的水质异常事件识别预警方法
Zhou et al. A hidden fault prediction model based on the belief rule base with power set and considering attribute reliability
CN116292367A (zh) 基于一维卷积的电厂风机系统异常工况检测方法
CN117575027B (zh) 一种利用知识增强时空因果的传感器故障诊断方法
Dong et al. Hierarchical causal graph-based fault root cause diagnosis and propagation path identification for complex industrial process monitoring
Alauddin et al. A robust neural network model for fault detection in the presence of mislabelled data
Calado et al. FDI approach to the DAMADICS benchmark problem based on qualitative reasoning coupled with fuzzy neural networks
CN113158448A (zh) 一种船舶系统设备阈值的自适应计算方法
Bartram System health diagnosis and prognosis using dynamic Bayesian networks

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Longbao

Inventor after: Mao Yingchi

Inventor after: Qi Hai

Inventor after: Zhong Haishi

Inventor after: Ping Ping

Inventor after: Qi Rongzhi

Inventor before: Mao Yingchi

Inventor before: Qi Hai

Inventor before: Zhong Haishi

Inventor before: Wang Longbao

Inventor before: Ping Ping

Inventor before: Qi Rongzhi

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20170620

Assignee: HUANENG LANCANG RIVER HYDROPOWER Inc.

Assignor: HOHAI University

Contract record no.: X2021320000034

Denomination of invention: An abnormal event detection method for time series data of multivariable water quality parameters

Granted publication date: 20181214

License type: Common License

Record date: 20210525