CN107169268A - 一种基于趋势分段相似性的机场噪声监测点异常识别方法 - Google Patents
一种基于趋势分段相似性的机场噪声监测点异常识别方法 Download PDFInfo
- Publication number
- CN107169268A CN107169268A CN201710260781.1A CN201710260781A CN107169268A CN 107169268 A CN107169268 A CN 107169268A CN 201710260781 A CN201710260781 A CN 201710260781A CN 107169268 A CN107169268 A CN 107169268A
- Authority
- CN
- China
- Prior art keywords
- noise
- monitoring point
- trend
- airport
- monitoring
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种基于趋势分段相似性的机场噪声监测点异常识别方法,属于机场噪声监测点异常分析技术领域。该方法首先利用监测设备获取机场周边各监测点的噪声监测数据;接着对监测数据进行预处理,创建标准噪声时序数据集;用基于趋势分段的时序表示方法对各个监测点的噪声时序进行降维表示;利用基于趋势分段的相似性度量方法,度量各监测点之间的噪声时序相似程度,建立相似性矩阵;找出与各监测点相似性较高的前k个监测点,创建相似监测点集合;最后,度量各个监测点新的噪声时序与其关联监测点的新噪声时序之间的相似性,若相似性发生明显变化,则判定为异常。本方法能准确识别监测点异常,有效提高了机场噪声监测点维护的及时性和有效性。
Description
技术领域
本发明公开了一种基于趋势分段相似性的机场噪声监测点异常识别方法,属于机场噪声监测点异常分析技术领域。
背景技术
随着机场噪声环境污染程度日益严重,噪声环境影响投诉逐年增多,机场噪声问题成为影响民航业可持续发展的障碍之一。机场噪声主要是航空器在民航机场内进行起飞、降落和上升、下降等重要操作步骤时产生的噪声,它会对机场尤其是周围环境造成一些负面影响。机场噪声监测既是国家、地方法律法规对机场管理机构的要求,也有助于机场当局了解航空器噪声的影响程度和范围,掌握低噪声程序的执行情况及减噪效果。为了客观反映机场航空噪声影响程度,同时为日后的噪声管理控制提供依据,大部分机场投入大量资金建立了机场噪声监测系统,在关键区域设置噪声监测点。
然而,这些硬件设备不可避免地存在损坏或老化等问题,导致监测点无法准确采集所处区域的噪声数据。现有噪声监测数据文件中发生的多字段连续缺值或出现奇异值正反映了这个问题。另外,由于噪声直接由航空事件产生,起降飞机的设备(消音飞行程序、油门动力系统、襟翼、机身气流摩擦等)异常也会导致噪声监测数值发生异常。因此,当监测点出现异常数值时,如何通过历史监测数据以及其他正常节点采集到的数据来发现异常就成为一个有价值的研究工作。在识别了异常噪声数据后,相关部门可以及时了解监测节点工作状况,追究造成异常的原因(航空器故障或者监测设备故障),并采取相应措施,避免更大损失。
目前国内的机场噪声监测系统尚处于初级阶段,有关机场噪声异常检测的研究基本空白。考虑到机场周边每个监测点获得的数据是机场噪声在不同时间点的数值,且按时间顺序排列成序列,所以机场噪声异常监测问题可以用时间序列异常检测技术来解决,时间序列相似性度量技术就是其中的一种。
发明内容
本发明针对机场噪声监测中存在的数据异常问题,提出了一种基于趋势分段相似性的机场噪声监测点异常识别方法,以在复杂的机场噪声环境中快速有效地识别异常噪声监测点,以辅助故障定位。
本发明为解决其技术问题采用如下技术方案:
一种基于趋势分段相似性的机场噪声监测点异常识别方法,包括如下步骤:
步骤1:利用机场噪声监测设备获取机场周边多个噪声监测点的原始时间序列;
步骤2:对原始噪声时间序列进行预处理,创建标准的噪声时间序列数据集;
步骤3:用基于趋势分段的时间序列特征表示方法对每个监测点的噪声时序数据进行降维表示;
步骤4:使用基于趋势分段的时间序列相似性度量方法,逐一度量各监测点的噪声时序与其他监测点的噪声时序之间的相似程度,并建立相似性矩阵;
步骤5:根据相似性矩阵,找到每一个监测点的前k个最相似的监测点,创建相似监测点集合;
步骤6:度量各个监测点新的噪声时序与其相似监测点的新噪声时序之间的相似性,若相似性发生明显变化,则判定为异常。
步骤2中所述对原始噪声时间序列进行预处理为将实测噪声数据集作归一化处理。
步骤3中所述基于趋势分段的时间序列特征表示方法具体如下:对噪声数据集中的每一条噪声序列进行了重新表示,运用了迭代终点拟合算法,将各个监测点的噪声时序表示成由多个趋势分段组成的降维序列,每个分段用一个三元组表示。
所述三元组的内容包括:分段的起点、分段均值的符号化表示和分段趋势变量。
步骤4中所述基于趋势分段的时间序列相似性度量方法具体如下:使用符号化距离和欧氏距离分别度量噪声序列中各分段的均值和趋势变量之间的距离,将均值距离与趋势距离结合,定义了一种能度量不同长度序列相似性度量函数。
步骤6中所述相似性发生明显变化为相似性明显偏大。
本发明的有益效果如下:
1、本方法具有智能学习能力,识别所需的机场噪声时间序列数据易于获取。
2、采用基于趋势分段的时序表示方法,结合迭代终点拟合算法,依据机场噪声时间序列的不同趋势对其进行分段,有效保留了噪声时间序列中重要的变化趋势信息,能更加精确地反映相应噪声监测点监测到的噪声变化趋势。
3、采用基于趋势分段的时间序列相似性度量方法,结合了动态时间弯曲距离的优点,能更好地捕获机场噪声时间序列的模式特征,提高异常检测的准确性和可靠性。
4、本方法在复杂的机场噪声环境中,能有效地提高机场噪声监测点异常识别的及时性和有效性。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明创造作进一步详细说明。
本发明是一种基于时间序列相似性度量的机场噪声监测点异常识别方法流程如图1所示,具体包括以下步骤:
步骤1:利用布置在机场周边的噪声监测设备(丹麦的B&K声学测量仪器)获取机场周边多个噪声监测点的原始时间序列;
监测点i一段时间内监测到的机场噪声时间序列数据Di可以表示为:
Di={di1,di2,...,dim}
其中,m为监测的次数,di1为监测点i在某段时间内第1个时刻监测到的噪声数值,di2为监测点i在第2个时刻监测到的噪声数值,dim为监测点i在第m个时刻监测到的噪声数值。假设一共有n个监测点,那么所有监测点在这段时间内测量到机场噪声时间序列为:
其中:D1为监测点1的噪声时序,D2为监测点2的噪声时序,Dn为监测点n的噪声时序,d11为监测点1在第1个时刻监测到的噪声数据,d12为监测点1在第2个时刻监测到的噪声数据,d1m为监测点1在第m个时刻监测到的噪声数据,d21为监测点2在第1个时刻监测到的噪声数据,d22为监测点2在第2个时刻监测到的噪声数据,d2m为监测点2在第m个时刻监测到的噪声数据,dn1为监测点n在第1个时刻监测到的噪声数据,dn2为监测点n在第2个时刻监测到的噪声数据,dnm为监测点n在第m个时刻监测到的噪声数据。
步骤2:对原始噪声时间序列进行预处理,创建标准的噪声时间序列数据集;
对监测到的原始机场噪声时间序列数据D归一化处理,采用方法为线性函数转化,即sij=(dij-MinValuej)/(MaxValuej-MinValuej),其中,MaxValuej和MinValuej分别是j时刻所有测量值中的最大值和最小值,dij为监测点i在第j个时刻监测到的噪声数值,sij为归一化处理后的dij。从而得到一个标准的机场噪声时间序列数据集。
其中,S1是归一化后的D1,S2是归一化后的D2,Sn是归一化后的Dn,S是归一化后的D,即归一化的机场噪声时间序列数据集,s11为归一化后的d11,s12为归一化后的d12,s1m为归一化后的d1m,s21为归一化后的d21,s22为归一化后的d22,s2m为归一化后的d2m,sn1为归一化后的dn1,sn2为归一化后的dn2,snm为归一化后的dnm。
步骤3:用基于趋势分段的时间序列特征表示方法对每个监测点的噪声时序数据进行降维表示;
为了对噪声时间序列进行合理降维,保留序列中更有价值的趋势特征,本发明结合已经被成熟应用的迭代终点拟合算法对各监测点的噪声序列Si进行降维,先将数据集中的每条噪声时序划分成多个具有不同趋势的分段。迭代终点拟合算法的目的是通过阈值参数ε对机场噪声时间序列进行分割,从而获得一个保留更多有用信息,去除冗余信息的噪声近似序列SUBi,并用SUBi中各分段的均值符号化表示和分段趋势变量Tij,共同表示原始序列。
具体地,首先,选定并保留Si中的起点si1和终点sim,用欧氏距离计算样本Si中剩余的点sij到si1和sim连线之间的距离找到使距离最大的点sik;如果则忽略所有点,如果则仅将sik保留;接着计算Si中其他剩余点sij到si1与sik连线之间的距离以及sij到sik和sim连线之间的距离同样地,找到使两个距离最大的点siw和siv,比较和与ε的大小,决定是否保留点siw和siv;如此递归,直至遍历完序列中所有的点。
用最终被保留的ti+1个点顺序连成的ti个趋势分段来表示原序列Si,那么Si被降维表示为SUBi=(subi1,subi2,...,),其中:subi1为Si的第1个分段,subi2为SUBi的第2个分段,为SUBi的第ti1个分段,设Si的第j个趋势分段subij起点在序列Si中的位置是pij,即第i条时间序列的第pij列,而该点的值为计算subij的均值其中:siq为监测点i在第q个时刻监测到的噪声数据的归一化值,并按高斯分布映射为不同符号表示Si的第j个分段的趋势变量其中pi(j+1)为序列Si中坐标pij的下一个坐标,为序列Si中的坐标是pi(j+1)的对应数值。最后,用一个三元组来表示每个趋势分段,即:对集合S中其他监测点的时间序列都做这样的趋势分段表示,那么原始噪声时序集合S被表示为:
其中:SUB1为S1的分段表示,SUB2为S2的分段表示,SUBn为Sn的分段表示,p11为S1第1分段的起始位置,p21为S2第1分段的起始位置,pn1为Sn第1分段的起始位置,为S1最后一个分段的起始位置,为S2最后一个分段的起始位置,为Sn最后一个分段的起始位置;为S1第1分段的均值的符号化表示,为S2第1分段的均值的符号化表示,为Sn第1分段的均值的符号化表示,为S1最后一个分段的均值的符号化表示,为S2最后一个分段的均值的符号化表示,为Sn最后一个分段的均值的符号化表示,T11为S1第1分段的趋势变量,T21为S2第1分段的趋势变量,Tn1为Sn第1分段的趋势变量,为S1最后一个分段的趋势变量,为S2最后一个分段的趋势变量,为Sn最后一个分段的趋势变量。
步骤4:使用基于趋势分段的时间序列相似性度量方法,逐一度量各监测点的噪声时序与其他监测点的噪声时序之间的相似程度,并建立相似性矩阵;
获得监测点噪声时间序列新的表示后,使用基于趋势分段的时间序列相似性度量方法,对基于趋势分段表示下的监测点噪声时间序列进行相似性度量,并建立相应监测点与其他监测点之间的相似度矩阵。
假设要度量监测点i与监测点j的噪声时序数据的相似性,首先计算SUBi和SUBj中对应分段的符号化均值距离mdist,计算公式为:
其中,βmax和βmin分别指分段均值对应的高斯分布的划分区间断点的最大值和最小值,为第i个监测点噪声时序数据的第k分段的均值的符号化表示,为第j个监测点噪声时序数据的第k分段的均值的符号化表示。假设SUBi和SUBj具有不同数量的分段,且ti>tj,这样就会出现SUBi中从第tj+1到ti个分段在SUBj中找不到对应分段,此时,计算这些分段与SUBj的最后一个分段之间的mdist距离。接着,计算SUBi和SUBj中对应分段的趋势变量之间的欧式距离tdist:tdist(Tik,Tjk)=|Tik-Tjk|
其中,Tik为第i个监测点噪声时序数据的第k分段的趋势变量,Tjk为第j个监测点噪声时序数据的第k分段的趋势变量。将均值距离与趋势距离结合,定义了一种能度量不同长度序列的相似性度量函数:
其中,Rest(SUBi)表示样本序列SUBi中除去第一个点subi1之后的剩余序列,Rest(SUBj)表示序列SUBj中除去第一个点subj1之后的剩余序列。
使用TSdist度量每个监测点的噪声时序与其他监测点噪声时序之间的趋势分段距离,建立相应的相似度矩阵SIMI:
其中,TSdistij=TSdist(SUBi,SUBj)表示第i个监测点与第j个监测点噪声时序之间的相似距离。
步骤5:根据相似性矩阵,找到每一个监测点的前k个相似性最高的的监测点,创建相似监测点集合;
按相似距离由小到大排列,寻找关联监测点集合中的前k个监测点作为相似监测点,并创建相应的关联监测点集合。
步骤6:度量各个监测点新的噪声时序与其相似监测点的新噪声时序之间的相似性,若相似性发生明显变化,则判定为异常。
逐一度量各个监测点新的噪声时序与其关联监测点的新的噪声时序之间的相似性,若相似性明显偏大,则判断该监测点出现异常,完成监测点异常识别。
Claims (6)
1.一种基于趋势分段相似性的机场噪声监测点异常识别方法,其特征在于包括如下步骤:
步骤1:利用机场噪声监测设备获取机场周边多个噪声监测点的原始时间序列;
步骤2:对原始噪声时间序列进行预处理,创建标准的噪声时间序列数据集;
步骤3:用基于趋势分段的时间序列特征表示方法对每个监测点的噪声时序数据进行降维表示;
步骤4:使用基于趋势分段的时间序列相似性度量方法,逐一度量各监测点的噪声时序与其他监测点的噪声时序之间的相似程度,并建立相似性矩阵;
步骤5:根据相似性矩阵,找到每一个监测点的前k个最相似的监测点,创建相似监测点集合;
步骤6:度量各个监测点新的噪声时序与其相似监测点的新噪声时序之间的相似性,若相似性发生明显变化,则判定为异常。
2.根据权利要求1所述的一种基于趋势分段相似性的机场噪声监测点异常识别方法,其特征在于:步骤2中所述对原始噪声时间序列进行预处理为将实测噪声数据集作归一化处理。
3.根据权利要求1所述的一种基于趋势分段相似性的机场噪声监测点异常识别方法,其特征在于,步骤3中所述基于趋势分段的时间序列特征表示方法具体如下:对噪声数据集中的每一条噪声序列进行了重新表示,运用了迭代终点拟合算法,将各个监测点的噪声时序表示成由多个趋势分段组成的降维序列,每个分段用一个三元组表示。
4.根据权利要求3所述的一种基于趋势分段相似性的机场噪声监测点异常识别方法,其特征在于,所述三元组的内容包括:分段的起点、分段均值的符号化表示和分段趋势变量。
5.根据权利要求1所述的一种基于趋势分段相似性的机场噪声监测点异常识别方法,其特征在于,步骤4中所述基于趋势分段的时间序列相似性度量方法具体如下:使用符号化距离和欧氏距离分别度量噪声序列中各分段的均值和趋势变量之间的距离,将均值距离与趋势距离结合,定义了一种能度量不同长度序列相似性度量函数。
6.根据权利要求1所述的一种基于趋势分段相似性的机场噪声监测点异常识别方法,其特征在于:步骤6中所述相似性发生明显变化为相似性明显偏大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710260781.1A CN107169268A (zh) | 2017-04-20 | 2017-04-20 | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710260781.1A CN107169268A (zh) | 2017-04-20 | 2017-04-20 | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107169268A true CN107169268A (zh) | 2017-09-15 |
Family
ID=59813875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710260781.1A Pending CN107169268A (zh) | 2017-04-20 | 2017-04-20 | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107169268A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509990A (zh) * | 2018-03-29 | 2018-09-07 | 重庆大学 | 一种时序键值型工业过程数据并行分析方法 |
CN112540309A (zh) * | 2020-12-10 | 2021-03-23 | 广州能源检测研究院 | 一种基于电池循环数据相似度分析的电池监控系统及方法 |
CN115359807A (zh) * | 2022-10-21 | 2022-11-18 | 金叶仪器(山东)有限公司 | 一种用于城市噪声污染的噪声在线监测系统 |
CN116090939A (zh) * | 2023-04-12 | 2023-05-09 | 山东民生集团有限公司 | 基于人工智能的供应链内问题产品识别跟踪方法 |
CN116320042A (zh) * | 2023-05-16 | 2023-06-23 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095787A (zh) * | 2016-05-30 | 2016-11-09 | 重庆大学 | 时间序列数据的一种符号化表示方法 |
-
2017
- 2017-04-20 CN CN201710260781.1A patent/CN107169268A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095787A (zh) * | 2016-05-30 | 2016-11-09 | 重庆大学 | 时间序列数据的一种符号化表示方法 |
Non-Patent Citations (3)
Title |
---|
RITA CASTILLO-ORTEGA ET AL.: "Linguistic comparison of time series using the End-Point Fit algorithm", 《2015 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS》 * |
王伟: "基于时间序列的噪声监测点异常发现", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
陈海燕 等: "时间序列数据挖掘的相似性度量综述", 《控制与决策》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509990A (zh) * | 2018-03-29 | 2018-09-07 | 重庆大学 | 一种时序键值型工业过程数据并行分析方法 |
CN112540309A (zh) * | 2020-12-10 | 2021-03-23 | 广州能源检测研究院 | 一种基于电池循环数据相似度分析的电池监控系统及方法 |
CN112540309B (zh) * | 2020-12-10 | 2024-02-06 | 广州能源检测研究院 | 一种基于电池循环数据相似度分析的电池监控系统及方法 |
CN115359807A (zh) * | 2022-10-21 | 2022-11-18 | 金叶仪器(山东)有限公司 | 一种用于城市噪声污染的噪声在线监测系统 |
CN115359807B (zh) * | 2022-10-21 | 2023-01-20 | 金叶仪器(山东)有限公司 | 一种用于城市噪声污染的噪声在线监测系统 |
CN116090939A (zh) * | 2023-04-12 | 2023-05-09 | 山东民生集团有限公司 | 基于人工智能的供应链内问题产品识别跟踪方法 |
CN116320042A (zh) * | 2023-05-16 | 2023-06-23 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
CN116320042B (zh) * | 2023-05-16 | 2023-08-04 | 陕西思极科技有限公司 | 边缘计算的物联终端监测控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169268A (zh) | 一种基于趋势分段相似性的机场噪声监测点异常识别方法 | |
CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
CN109489977B (zh) | 基于KNN-AdaBoost的轴承故障诊断方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN109754110B (zh) | 一种牵引变流器故障的预警方法及系统 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
CN110610035A (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN109297713B (zh) | 基于平稳非平稳振动信号特征选择的汽轮机故障诊断方法 | |
CN107340766B (zh) | 基于相似度的电力调度告警信号文本归类及故障诊断方法 | |
CN111435366A (zh) | 设备故障诊断方法、装置和电子设备 | |
CN104777827A (zh) | 高速铁路信号系统车载设备故障诊断方法 | |
CN113486938A (zh) | 基于多分支时间卷积网络的重着陆的分析方法和装置 | |
CN102778355A (zh) | 一种基于emd和pca的滚动轴承状态辨识方法 | |
CN105259895A (zh) | 一种工业过程微小故障的检测和分离方法及其监测系统 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN105607631B (zh) | 间歇过程弱故障模型控制限建立方法及弱故障监测方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN110596506A (zh) | 基于时间卷积网络的变换器故障诊断方法 | |
CN110163075A (zh) | 一种基于权值训练的多信息融合故障诊断方法 | |
CN102179722A (zh) | 基于比例故障率模型的数控机床运行可靠性评估方法 | |
CN109241915A (zh) | 基于振动信号平稳非平稳性判别及特征甄别的智能电厂泵机故障诊断方法 | |
CN111752259A (zh) | 一种燃气轮机传感器信号的故障识别方法和装置 | |
CN109241849A (zh) | 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170915 |