CN109446484A - 一种基于曲线比对的数据判别方法及系统 - Google Patents
一种基于曲线比对的数据判别方法及系统 Download PDFInfo
- Publication number
- CN109446484A CN109446484A CN201811188718.2A CN201811188718A CN109446484A CN 109446484 A CN109446484 A CN 109446484A CN 201811188718 A CN201811188718 A CN 201811188718A CN 109446484 A CN109446484 A CN 109446484A
- Authority
- CN
- China
- Prior art keywords
- curve
- difference
- parameter
- period
- sequence
- 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
- 238000012850 discrimination method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005339 levitation Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000004069 differentiation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种基于曲线比对的数据判别方法,能够在获取待判参数的实际曲线之后,从数据库检索出待判参数的参考曲线,并对实际曲线和参考曲线进行预处理,得到两者的差值序列,计算差值序列的差异面积比和差异时段比,然后根据判别模型判别待判参数是否正常。该方法具有判别特征简单、计算速度快、易于实现等优点,可用于火箭或卫星测试、磁浮列车参数监测等大型系统的海量曲线参数快速判读场合。此外,本发明还提供了一种基于曲线比对的数据判别系统,其作用与上述方法相对应。
Description
技术领域
本发明涉及数据判读领域,特别涉及一种基于曲线比对的数据判别方法及系统。
背景技术
快速准确的设备工作状态监测是磁浮列车故障诊断系统的重要组成部分。
磁浮列车是一种集电、气、液等多种信号于一体的复杂机电系统。列车监测与诊断系统采集数据量大且种类繁多,快速准确地判别这些车载数据不仅是监测列车设备工作状态的重要保证,而且对于事后系统故障深入分析搜集证据也具有十分重要的意义。
传统的磁浮列车设备状态判别方法为基于专家系统的判别方法,但由于列车采集参数数据多达上百个,且参数曲线不一,所有参数判别规则的确定需要丰富的专家知识,致使后期知识库维护更新工作量繁重。而且这种方法对专家知识的依赖程度较高,对于某些参数专家也难以确定其判别规则,基于专家系统的判读方法在海量参数快速判读场合中收到限制。
中国空间技术研究院的专利号为CN105892304A、名为“曲线数据自动判读方法”所涉及的曲线一致性判读准则采用动态时间弯曲算法实现,该算法为公开算法,存在缺陷是时间复杂度较高,判读速度慢,难以适用于大量参数自动判读场合。
专利号为CN104091070的专利,提供了一种基于时间序列分析的轨道交通故障诊断方法,这种方法一定程度上解决了上述问题,但是,由于该方法一方面需要建立复杂的时间序列模型,另一方面需要通过点匹配来进行数据判别,导致计算复杂度十分高,不便于实现数据的快速判别。
发明内容
本发明的目的是提供一种基于曲线比对的数据判别方法及系统,用以解决传统的数据判别方法计算复杂度较高,不便于实现的问题。
为解决上述技术问题,本发明提供了一种基于曲线比对的数据判别方法,包括:
获取待判参数的实际曲线;
从数据库检索所述待判参数的参考曲线;
对所述实际曲线和所述参考曲线进行预处理,得到差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数;
根据所述差值序列,计算差异面积比和差异时段比,其中,所述差异面积比λs=Se/Sd,所述差异时段比λT=Te/Td, ε为阈值误差,ΔT为采样间隔;
根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常。
优选的,所述对所述实际曲线和所述参考曲线进行预处理包括:
对所述实际曲线和所述参考曲线进行时间对齐;
提取时间对齐后的所述实际曲线和所述参考曲线的公共时段;
对所述公共时段上的实际曲线进行滤波;
对滤波后的所述公共时段上的实际曲线和参考曲线进行归一化;
对归一化后的实际曲线和参考曲线进行重采样,并计算两条曲线的差值序列。
优选的,所述对所述公共时段上的实际曲线进行滤波包括:
对所述公共时段上的实际曲线进行野值剔除;
对所述公共时段上的实际曲线进行滑动窗口均值滤波。
优选的,所述根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常包括:
若所述判别模型采用简单规则,即判断所述差异面积比和所述差异时段比是否满足预设条件,其中,所述预设条件为所述差异面积比大于第一预设阈值,或所述差异时段比大于第二预设阈值;
若所述差异面积比和所述差异时段比满足所述预设条件,则判定所述待判参数异常,否则,判定所述待判参数正常。
此外,本发明还提供了一种基于曲线比对的数据判别系统,包括:
实际曲线获取模块:用于获取待判参数的实际曲线;
参考曲线检索模块:用于从数据库检索所述待判参数的参考曲线;
预处理模块:用于对所述实际曲线和所述参考曲线进行预处理,得到差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数;
特征值计算模块:用于根据所述差值序列,计算差异面积比和差异时段比,其中,所述差异面积比λs=Se/Sd,所述差异时段比λT=Te/Td,ε为阈值误差,ΔT为采样间隔;
判别模块:用于根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常。
优选的,所述预处理模块包括:
时间对齐单元:用于对所述实际曲线和所述参考曲线进行时间对齐;
公共时段提取单元:用于提取时间对齐后的所述实际曲线和所述参考曲线的公共时段;
滤波单元:用于对所述公共时段上的实际曲线进行滤波;
归一化单元:用于对滤波后的所述公共时段上的实际曲线和参考曲线进行归一化;
重采样单元:用于对归一化后的实际曲线和参考曲线进行重采样,并计算两条曲线的差值序列。
优选的,所述滤波单元包括:
野值剔除子单元:用于对所述公共时段上的实际曲线进行野值剔除;
均值滤波子单元:用于对所述公共时段上的实际曲线进行滑动窗口均值滤波。
优选的,所述判别模块包括:
判断单元:用于判断所述差异面积比和所述差异时段比是否满足预设条件,其中,所述预设条件为所述差异面积比大于第一预设阈值,或所述差异时段比大于第二预设阈值;
结果单元:用于若所述差异面积比和所述差异时段比满足所述预设条件,则判定所述待判参数异常,否则,判定所述待判参数正常。
本发明所提供的一种基于曲线比对的数据判别方法,能够在获取待判参数的实际曲线之后,从数据库检索出待判参数的参考曲线,并对实际曲线和参考曲线进行预处理,得到差值序列,计算差值序列的差异面积比和差异时段比,然后根据判别模型,判别待判参数是否正常。可见,该方法具有判别特征简单,计算速度快,易于实现的优点,可用于火箭或卫星测试、磁浮列车参数监测等大型系统的海量曲线参数快速判读场合。
此外,本发明还提供了一种基于曲线比对的数据判别系统,其作用与上述方法相对应,这里不再赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于曲线比对的数据判别方法实施例一的实现流程图;
图2为本发明所提供的一种基于曲线比对的数据判别方法实施例二的过程示意图;
图3为本发明所提供的一种基于曲线对比曲线比对的数据判别方法实施例二的预处理过程示意图;
图4为本发明所提供的一种基于曲线比对的数据判别方法实施例二的野值剔除和滑动窗口滤波示意图;
图5为本发明所提供的一种基于曲线比对的数据判别方法实施例二的归一化处理示意图;
图6为本发明所提供的一种基于曲线比对的数据判别方法实施例二的差异面积比示意图;
图7为本发明所提供的一种基于曲线比对的数据判别方法实施例二的差异时段比示意图;
图8为本发明所提供的一种基于曲线比对的数据判别系统实施例的结构框图。
具体实施方式
本发明的核心是提供一种基于曲线比对的数据判别方法及系统,具有计算复杂程度低、计算速度快、易于实现的特点。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面对本发明提供的一种基于曲线比对的数据判别方法实施例一进行介绍,参见图1,实施例一包括:
步骤S101:获取待判参数的实际曲线;
步骤S102:从数据库检索所述待判参数的参考曲线;
步骤S103:对所述实际曲线和所述参考曲线进行预处理,得到差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数;
步骤S104:根据所述差值序列,计算差异面积比和差异时段比,其中,所述差异面积比λs=Se/Sd,所述差异时段比λT=Te/Td, ε为阈值误差,ΔT为采样间隔;
步骤S105:根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常。
可见,本实施例所提供一种基于曲线比对的数据判别方法,能够在获取待判参数的实际曲线之后,从数据库检索出待判参数的参考曲线,并对实际曲线和参考曲线进行预处理,得到差值序列,计算差值序列的差异面积比和差异时段比,并根据判别模型,判别待判参数是否正常。该方法具有判别特征简单,计算速度快,易于实现的优点,可用于火箭或卫星测试、磁浮列车参数监测等大型系统的海量曲线参数快速判读场合。
下面开始详细介绍本发明提供的一种基于曲线比对的数据判别方法实施列二,实施例二在实施例一的基础上实现,并进行了一些拓展。
实施例二具体包括:
步骤S201:获取待判参数的实际曲线,并从数据库检索所述待判参数的参考曲线。
待判参数指的是诸多运行参数中的某一项参数,以下简称为待判参数。在实际应用场景中,在步骤S201之前,还需要进行数据准备。具体可包括采集待判参数的实际检测曲线,以及预先存储该待判参数对应的参考曲线。
具体的,预先在数据库存储多个检测参数参考曲线,可以将检测参数分别记录为c1、c2、…cn。如图2所示,在需要进行数据判别的时候,将待判参数cm的参考曲线从数据库检索出来。
以下对两条曲线的记录方式进行介绍:
本实施例为运行数据设置有运行数据库,具体的,将待判参数记录的数据存入运行数据库,具体记录格式可以如表1所示。一条记录主要包括四个字段:序号、参数代号、数据路径和判读结果。序号为自动增量的整型格式;参数代号为英文字母、下划线和数字组合而成字符串;路径格式是字符串,表示该参数的txt文件数据所在的磁盘文件路径;判别结果格式是枚举型字符串,其值为“正常”或“异常”两种。
表1
序号 | 参数代号 | 数据路径 | 判别结果 |
1 | code | F:\data\code.txt | 正常 |
本实施例为作为参考的数据设置有数据库,具体的,事先将标准的数据保存在数据库,其记录格式如表2所示。参考曲线数据库记录包括5个字段:序号、参数代号、数据路径、最小值和最大值。序号、参数代号和数据路径格式和含义同待判参数数据库,最小值和最大值类型为字符串,其含义分别表示该参数的下限值和上限值。若该字段为空,预处理算法用自动统计出该参数的最小和最大值进行归一化。
步骤S202:分别对所述实际曲线和所述参考曲线进行预处理,得到差值序列。
表2
序号 | 参数代号 | 数据路径 | 最小值 | 最大值 |
1 | code | F:\ref\code.txt | -10 | 10 |
具体的,参考3、图4、以及图5,步骤S202的处理过程包括:时间对齐、提取公共时段、采样、滤波、归一化、重采样及做差,下面对上述各个过程进行详细描述:
步骤S2021:对待判参数的实际曲线X0和参考曲线Y0进行时间对齐,并提取公共时段。以下将待判参数的实际曲线简称为待判曲线。
步骤S2022:对公共时段上待判曲线X1进行滤波,得到滤波曲线X3。
滤波过程主要包括两步:野值剔除、以及滑动窗口均值滤波。
具体的,如图4所示,对待判曲线X1中的任意一点数据sk,对其进行野值剔除,得到uk,其中,1<k<n,sk为S(c)={s1,s2,...,sn}中第k个参数,当满足第一预设条件I1或第二预设条件I2时,uk=(sk+1+sk-1)/2,否则uk=sk。具体如下式所示:
其中,所述第一预设条件I1为s-′*s+′<0且(1-ε0)|s+′|<|s-′|<(1+ε0)|s+′|,所述第二预设条件I2为s-′*s+′<0且(1-ε0)|s-′|<|s+′|<(1+ε0)|s-′|,其中,s-′=sk-sk-1,s+′=sk+1-sk,ε0为相对阈值。最终,确定经过所述野值剔除的待判曲线X2={u1,u2,...,un}。
如图5所示,对于X2={u1,u2,...,un}中任意一个参数uk,对其进行滑动窗口均值滤波,得到vi,其中,uk为X2={u1,u2,...,un}中第k个参数,i=1,2,…n-1-N,N为滑动窗口大小,最终,确定经过所述滑动窗口均值滤波的待判曲线X3={v1,v2,...,vn-1-N}。
步骤S2023:对公共时段上滤波曲线X3和参考曲线Y1分别进行重采样得到X4和Y2。
由于采样过程并非本发明关键所在,因此本实施例对具体的采样过程不做具体描述,对采样频率也不做限定。
本实施例将待判参数cm的实际时间序列记为X4={s1,s2,...,sn},其中,n为所述实际时间序列中的采样点数,sk为X4={s1,s2,...,sn}中第k个数据,k为1到n之间的正整数。而待判参数cm的参考时间序列记为Y2={r1,r2,...,rn}。
步骤S2024:对X4和Y2进行归一化得到X5和Y3。
具体的,对实际时间序列进行归一化包括以下步骤:
首先,确定所述参考时间序列中的最大值rmax和最小值rmin。
然后,确定X4={s1,s2,...,sn}与Y2{r1,r2,...,rn},假设对st进行归一化,得到s′t,那么,其中,t=1,2,…,n,rmin和rmax分别为Y2={r1,r2,...,rn}中的最小值与最大值。
最后,确定归一化后的实际采样序列X5={s′1,s′2,...,s′n}。
对于参考时间序列的归一化过程可以参考上述步骤,最终得到归一化后的参考时间序列Y3={r′1,r′2,...,r′n}。
需要说明的是,参考时间序列的归一化过程可以是预先进行的,也就是说,预先对参考时间序列进行归一化之后,将其保存,在需要判别的时候直接取出即可。
步骤S2025:对X5和Y3作差得到差值序列Ydiff。
对所述实际时间序列和参考时间序列做差,得到差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数。
步骤S203:计算所述实际时间序列与所述参考时间序列的差异面积比和差异时段比。
本实施例选择差异面积比和差异时段比作为参数判别的主要特征。设ε为误差阈值,ΔT为采样间隔,参考图6,定义图中阴影部分的面积为k=1,2,..,M,全部差异面积定义为则差异面积比定义为λs=Se/Sd。参考图7,累计统计图中阴影部分时段和,定义其为差异时段全程差异时段为则差异时段比定义为λT=Te/Td。
步骤S205:根据所述差异面积比和所述差异时段比,判别所述待判参数是否正常。
具体的,判断所述差异面积比和所述差异时段比是否满足预设条件,其中,所述预设条件为所述差异面积比大于第一预设阈值,或所述差异时段比大于第二预设阈值。若所述差异面积比和所述差异时段比满足所述预设条件,则判定所述待判参数异常,否则,判定所述待判参数正常。
本实施例选用边界条件直接判别法,具体的,预先设置两个阈值,即第一预设阈值δ1,以及第二预设阈值δ2。当差异面积比大于第一预设阈值,或差异时段比大于第二预设阈值时,则判定待判参数异常,否则,则为正常。当然具体的判别方法也可以选用LDA、SVM等模型来实现,本实施例对比不做限定。
值得一提的是,对于判定为正常的数据,可以保存到数据库,作为后续的参数判别的依据。
综上,本实施例所提供一种基于曲线比对的数据判别方法,能够在确定待判参数的实际曲线和参考曲线之后,对其进行时间对齐、野值剔除、滤波、归一化、重采样等预处理操作,得到差值序列,然后计算差值序列的差异面积比和差异时段比,最终根据差异面积比、差异时段比、以及判别模型判断待判参数是否正常。可见,该方法只需要预先通过对待判参数的参考曲线和实际曲线进行预处理,得到差值序列,后续即可通过对差值序列进行特征提取和建模实现参数判读,且计算复杂度低,计算速度快,易于实现。此外,本实施例通过时间对齐、野值剔除、滑动窗口滤波、以及归一化等预处理操作,可以适用于不同曲线形状参数比对判读,特别适用于海量参数的快速判读场合。
下面对本发明实施例提供的一种基于曲线比对的数据判别系统进行介绍,下文描述的一种基于曲线比对的数据判别系统与上文描述的一种基于曲线比对的数据判别方法可相互对应参照。
参见图8,该系统实施例包括:
实际曲线获取模块801:用于获取待判参数的实际曲线;
参考曲线检索模块802:用于从数据库检索所述待判参数的参考曲线;
预处理模块803:用于对所述实际曲线和所述参考曲线进行预处理,得到差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数;
特征值计算模块804:用于根据所述差值序列,计算差异面积比和差异时段比,其中,所述差异面积比λs=Se/Sd,所述差异时段比λT=Te/Td,ε为阈值误差,ΔT为采样间隔;
判别模块805:用于根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常。
优选的,所述预处理模块803包括:
时间对齐单元8031:用于对所述实际曲线和所述参考曲线进行时间对齐;
公共时段提取单元8032:用于提取时间对齐后的所述实际曲线和所述参考曲线的公共时段;
滤波单元8033:用于对所述公共时段上的实际曲线进行滤波;
归一化单元8034:用于对滤波后的实际曲线和参考曲线进行归一化;
重采样单元8035:用于对归一化后的实际曲线和参考曲线进行重采样,并计算两条曲线的差值序列。
优选的,所述滤波单元8033包括:
野值剔除子单元:用于对所述公共时段上的实际曲线进行野值剔除;
均值滤波子单元:用于对所述公共时段上的实际曲线进行滑动窗口均值滤波。
优选的,所述判别模块805包括:
判断单元8051:用于判断所述差异面积比和所述差异时段比是否满足预设条件,其中,所述预设条件为所述差异面积比大于第一预设阈值,或所述差异时段比大于第二预设阈值;
结果单元8052:用于若所述差异面积比和所述差异时段比满足所述预设条件,则判定所述待判参数异常,否则,判定所述待判参数正常。
本实施例的一种基于曲线比对的数据判别系统用于实现前述的一种基于曲线比对的数据判别方法,因此该系统的具体实施方式可见前文中的一种基于曲线比对的数据判别方法的实施例部分,在此不再展开介绍。
另外,由于本实施例的一种基于曲线比对的数据判别系统用于实现前述的一种基于曲线比对的数据判别方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于曲线比对的数据判别方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种基于曲线比对的数据判别方法,其特征在于,包括:
获取待判参数的实际曲线;
从数据库检索所述待判参数的参考曲线;
对所述实际曲线和所述参考曲线进行预处理,得到两条曲线的差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数;
根据所述差值序列,计算差异面积比和差异时段比,其中,所述差异面积比λs=Se/Sd,所述差异时段比λT=Te/Td, ε为阈值误差,ΔT为采样间隔;
根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常。
2.如权利要求1所述的方法,其特征在于,所述对所述实际曲线和所述参考曲线进行预处理包括:
对所述实际曲线和所述参考曲线进行时间对齐;
提取时间对齐后的所述实际曲线和所述参考曲线的公共时段;
对所述公共时段上的实际曲线进行滤波;
对滤波后的所述公共时段上的实际曲线和参考曲线进行归一化;
对归一化后的实际曲线和参考曲线进行重采样,并计算两条曲线的差值序列。
3.如权利要求2所述的方法,其特征在于,所述对所述公共时段上的实际曲线进行滤波包括:
对所述公共时段上的实际曲线进行野值剔除;
对所述公共时段上的实际曲线进行滑动窗口均值滤波。
4.如权利要求1所述的方法,其特征在于,所述根据所述差异面积比、所述差异时段比、以及判别模型,判别所述待判参数是否正常包括:
若所述判别模型采用简单规则,即判断所述差异面积比和所述差异时段比是否满足预设条件,其中,所述预设条件为所述差异面积比大于第一预设阈值,或所述差异时段比大于第二预设阈值;
若所述差异面积比和所述差异时段比满足所述预设条件,则判定所述待判参数异常,否则,判定所述待判参数正常。
5.一种基于曲线比对的数据判别系统,其特征在于,包括:
实际曲线获取模块:用于获取待判参数的实际曲线;
参考曲线检索模块:用于从数据库检索所述待判参数的参考曲线;
预处理模块:用于对所述实际曲线和所述参考曲线进行预处理,得到差值序列,其中,所述差值序列Ydiff={yk},yk为所述差值序列中的第k个差值,k=1,2,…,M,M为所述差值序列的采样点数;
特征值计算模块:用于根据所述差值序列,计算差异面积比和差异时段比,其中,所述差异面积比λs=Se/Sd,所述差异时段比λT=Te/Td,ε为阈值误差,ΔT为采样间隔;
判别模块:用于根据所述差异面积比、所述差异时段比和判别模型判别所述待判参数是否正常。
6.如权利要求5所述的系统,其特征在于,所述预处理模块包括:
时间对齐单元:用于对所述实际曲线和所述参考曲线进行时间对齐;
公共时段提取单元:用于提取时间对齐后的所述实际曲线和所述参考曲线的公共时段;
滤波单元:用于对所述公共时段上的实际曲线进行滤波;
归一化单元:用于对滤波后的所述公共时段上的实际曲线和参考曲线进行归一化;
重采样单元:用于对归一化后的实际曲线和参考曲线进行重采样,并计算两条曲线的差值序列。
7.如权利要求6所述的系统,其特征在于,所述滤波单元包括:
野值剔除子单元:用于对所述公共时段上的实际曲线进行野值剔除;
均值滤波子单元:用于对所述公共时段上的实际曲线进行滑动窗口均值滤波。
8.如权利要求5所述的系统,其特征在于,所述判别模块包括:
判断单元:用于判断所述差异面积比和所述差异时段比是否满足预设条件,其中,所述预设条件为所述差异面积比大于第一预设阈值,或所述差异时段比大于第二预设阈值;
结果单元:用于判定参数正常与否,若所述差异面积比和所述差异时段比满足所述预设条件,则判定所述待判参数异常,否则,判定所述待判参数正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188718.2A CN109446484A (zh) | 2018-10-12 | 2018-10-12 | 一种基于曲线比对的数据判别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188718.2A CN109446484A (zh) | 2018-10-12 | 2018-10-12 | 一种基于曲线比对的数据判别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109446484A true CN109446484A (zh) | 2019-03-08 |
Family
ID=65546100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811188718.2A Pending CN109446484A (zh) | 2018-10-12 | 2018-10-12 | 一种基于曲线比对的数据判别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446484A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
CN104810795A (zh) * | 2015-04-30 | 2015-07-29 | 国家电网公司 | 一种改进型励磁涌流鉴别方法 |
-
2018
- 2018-10-12 CN CN201811188718.2A patent/CN109446484A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091070A (zh) * | 2014-07-07 | 2014-10-08 | 北京泰乐德信息技术有限公司 | 一种基于时间序列分析的轨道交通故障诊断方法和系统 |
CN104810795A (zh) * | 2015-04-30 | 2015-07-29 | 国家电网公司 | 一种改进型励磁涌流鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800627B (zh) | 石油管道信号的异常检测方法及装置、设备及可读介质 | |
CN109547423A (zh) | 一种基于机器学习的web恶意请求深度检测系统及方法 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN112926332A (zh) | 一种实体关系联合抽取方法及装置 | |
CN110110325B (zh) | 一种重复案件查找方法和装置、计算机可读存储介质 | |
CN106126719A (zh) | 信息处理方法及装置 | |
KR102387886B1 (ko) | 인공지능 학습을 위한 클린 라벨 데이터 정제 방법 및 장치 | |
CN106528527A (zh) | 未登录词的识别方法及识别系统 | |
CN115269314A (zh) | 一种基于日志的事务异常检测方法 | |
CN113641906A (zh) | 基于资金交易关系数据实现相似目标人员识别处理的系统、方法、装置、处理器及其介质 | |
CN106156179B (zh) | 一种信息检索方法及装置 | |
CN106815209B (zh) | 一种维吾尔文农业技术术语识别方法 | |
CN113838524B (zh) | S-亚硝基化位点预测方法、模型训练方法及存储介质 | |
CN111104897A (zh) | 儿童人脸识别模型的训练方法、装置以及存储介质 | |
CN110413903A (zh) | 车辆导航系统中兴趣点信息检索装置及方法 | |
CN116860706B (zh) | 一种实验数据文本存储方法及系统 | |
CN112362292B (zh) | 对风洞试验数据进行异常检测的方法 | |
CN109446484A (zh) | 一种基于曲线比对的数据判别方法及系统 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
Taghva et al. | Address extraction using hidden markov models | |
CN115759085A (zh) | 基于提示模型的信息预测方法、装置、电子设备及介质 | |
CN108563950B (zh) | 基于SVM的Android恶意软件检测方法 | |
Qiang et al. | Faults diagnosis for vibration signal based on HMM | |
CN114092701B (zh) | 一种基于神经网络的符号智能识别方法 | |
CN114707175B (zh) | 机器学习模型敏感信息的处理方法、系统、设备及终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190308 |