CN110631624A - 一种识别矿井传感器运行数据异常的方法、装置及系统 - Google Patents

一种识别矿井传感器运行数据异常的方法、装置及系统 Download PDF

Info

Publication number
CN110631624A
CN110631624A CN201910833203.1A CN201910833203A CN110631624A CN 110631624 A CN110631624 A CN 110631624A CN 201910833203 A CN201910833203 A CN 201910833203A CN 110631624 A CN110631624 A CN 110631624A
Authority
CN
China
Prior art keywords
sensor
data
value
abnormal
data value
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
CN201910833203.1A
Other languages
English (en)
Other versions
CN110631624B (zh
Inventor
刘华
侯宇辉
赵雅娟
曹姝婷
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.)
Jingying Digital Technology Co Ltd
Original Assignee
Jingying Digital Technology 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 Jingying Digital Technology Co Ltd filed Critical Jingying Digital Technology Co Ltd
Priority to CN201910833203.1A priority Critical patent/CN110631624B/zh
Publication of CN110631624A publication Critical patent/CN110631624A/zh
Application granted granted Critical
Publication of CN110631624B publication Critical patent/CN110631624B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00

Abstract

本发明实施例公开了一种识别矿井传感器运行数据异常的方法、装置及系统，涉及数据异常特征识别领域，本发明实施例首先根据传感器实时数据的传感器状态标签对传感器状态进行判断，然后根据不同的传感器状态判断传感器运行数据异常类型，其中，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对数据值异常类型进行判断，且通过状态的持续时长和置信限值判断传感器状态是否异常，能够快速精准地识别所上传的传感器运行数据是否存在异常，可以更好的进行煤矿安全监测，提高煤矿安全管理水平，从而降低事故发生率。

Description

一种识别矿井传感器运行数据异常的方法、装置及系统
技术领域
本发明实施例涉及数据异常特征识别领域，具体涉及一种识别矿井传感器运行数据异常的方法、装置及系统。
背景技术
对矿井实行实时监测是实现煤矿安全生产的主要措施之一，对改善我国煤矿安全生产状况起到了重要作用。矿井正常运行时，井下的传感器会对矿井作业地点进行实时监测，并把监测到的数据自动上传到矿井监控平台和上级监管部门。
但是，目前有许多企业为了利益会人为进行数据篡改，如当传感器上传的数据即将到达超限或已经超限时，通过修改传感器监测的数值和状态等因素，来防止系统发出报警，从而隐瞒数据超限。
然而，煤矿数据监测是煤矿安全监测工作的生命线，数据异常对安全生产危害极大，不仅会影响煤矿的正常生产部署，而且严重时还会发生事故，对矿井的安全生产和人员造成一定的危害。因此，对传感器监测值、传感器运行状态、监测时间能够传感器数据的异常进行识别很有必要。
发明内容
本发明实施例的目的在于提供一种识别矿井传感器运行数据异常的方法、装置及系统，用以解决现有矿井作业中存在篡改传感器数据或状态的问题。
为实现上述目的，本发明实施例主要提供如下技术方案：
第一方面，本发明实施例提供了一种识别矿井传感器运行数据异常的方法，所述方法包括：获取传感器实时数据；根据所述实时数据中的传感器状态标签对传感器状态进行判断；确认传感器状态为正常状态时，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断；确认传感器为标校状态或故障状态时，通过状态的持续时长和传感器状态置信限值判断传感器状态是否异常。
进一步地，所述数据值异常置信区间的估算方法包括：对传感器历史数据值中的所有突变点按照异常类型进行分类统计；分别计算每种数据值异常类型中所有突变点的均值和方差；利用每种数据值异常类型中所有突变点的均值和方差构建相应数据值异常类型的突变点正态分布函数及突变点检验统计量函数；根据每种数据值异常类型的突变点检验统计量函数得到相应数据值异常类型的突变点整体均值的真值为95％的置信区间，即相应数据值异常类型的数据值异常置信区间。
进一步地，对传感器历史数据值中的所有突变点按照异常类型进行分类统计，包括：根据预设时间内的传感器历史数据值变化量判断每种数据值异常类型的数据值异常持续段；取每个数据值异常持续段的突变起始点作为突变点；将所有突变点按照数据值异常类型进行分类并形成每种数据值异常类型的突变点集合；其中，所述数据值异常类型包括数据突增、数据突减和窄幅震荡；若传感器历史数据值在数据突增时间阈值内的增长量超过数据突增变化量阈值，则判断为数据突增持续段；若传感器历史数据值在数据突减时间阈值内的减小量超过数据突减变化量阈值，则判断为数据突减持续段；若传感器历史数据值在超过窄幅震荡时间阈值内的数据值变化量持续小于窄幅震荡变化量阈值，则判断为窄幅震荡持续段。
进一步地，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断，包括：判断传感器实时数据值是否在任一种数据值异常置信区间内；若所述传感器实时数据值在任一种数据值异常置信区间内，则所述传感器实时数据值为异常值，并通过比较预设时间间隔的传感器实时数据值变化量与监测评判阈值的大小来确定数据值异常类型；若传感器实时数据值不在任一种数据值异常置信区间内，则传感器实时数据值为正常值。
进一步地，所述数据值异常置信区间包括：数据突增置信区间、数据突减置信区间和窄幅震荡置信区间；当传感器实时数据值在所述数据突增置信区间内时，若预设时间间隔的传感器数据值变化量大于数据突增监测评判阈值，则预设时间间隔内的传感器实时数据值为数据突增异常值；当传感器实时数据值在所述数据突减置信区间内时，若预设时间间隔的传感器数据值变化量大于数据突减监测评判阈值，则预设时间间隔内的传感器实时数据值为数据突减异常值；当传感器实时数据值在所述窄幅震荡置信区间内时，若预设时间间隔的传感器数据值变化量小于窄幅震荡监测评判阈值，则预设时间间隔内的传感器实时数据值为窄幅震荡异常值。
进一步地，所述传感器状态置信限值的估算方法包括：所述传感器状态置信限值包括：标校状态置信上限值和故障状态置信下限值；统计传感器历史数据中每次表现为标校状态的标校持续时长；计算所有标校持续时长的均值和方差；利用所有标校持续时长的均值和方差构建标校持续时长的正态分布函数及检验统计量函数；根据标校持续时长的检验统计量函数得到标校持续时长整体均值的真值为95％的置信区间的置信上限值，即标校状态置信上限值；统计传感器历史数据中每次表现为故障状态的故障持续时长；计算所有故障持续时长的均值和方差；利用所有故障持续时长的均值和方差构建故障持续时长的正态分布函数及检验统计量函数；根据故障持续时长的检验统计量函数得到故障持续时长整体均值的真值为95％的置信区间的置信下限值，即故障状态置信下限值。
进一步地，判断传感器状态是否异常的方法包括：当传感器为标校状态时，将传感器实时数据中标校时间停留长度与所述置信上限作比较，若所述标校时间停留长度小于所述置信上限，则表示传感器状态为标校正常，反之为标校异常；当传感器为故障状态时，将传感器实时数据中故障时间停留长度与所述置信下限作比较，若所述故障时间停留长度大于所述置信下限，则表示故障标记正常，反之为故障标记异常。
第二方面，本发明实施例还提供一种识别矿井传感器运行数据异常的装置，所述装置包括：实时数据获取单元，用于获取传感器实时数据；状态判断单元，用于根据所述实时数据中的传感器状态标签对传感器状态进行判断；数据值异常判断单元，用于确认传感器状态为正常状态时，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断；标校异常判断单元，用于确认传感器为标校状态时，通过标校状态的持续时长和传感器状态置信限值判断传感器状态是否异常；故障标记异常判断单元，用于确认传感器为故障状态时，通过故障状态的持续时长和传感器状态置信限值判断传感器状态是否异常。
第三方面，本发明实施例还提供一种识别矿井传感器运行数据异常的系统，所述系统包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行一种识别矿井传感器运行数据异常的方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种识别矿井传感器运行数据异常的系统执行一种识别矿井传感器运行数据异常的方法。
本发明实施例提供的技术方案至少具有如下优点：
本发明实施例首先根据传感器实时数据的传感器状态标签对传感器状态进行判断，然后根据不同的传感器状态判断传感器运行数据异常类型，其中，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对数据值异常类型进行判断，且通过状态的持续时长和置信限值判断传感器状态是否异常，能够快速精准地识别所上传的传感器运行数据是否存在异常，可以更好的进行煤矿安全监测，提高煤矿安全管理水平，从而降低事故发生率。
附图说明
图1为本发明实施例提供的一种识别矿井传感器运行数据异常的方法流程图。
图2为本发明实施例提供的数据值异常置信区间的估算方法的流程图。
图3为本发明实施例提供的对传感器历史数据值中的所有突变点按照异常类型进行分类统计的流程图。
图4为本发明实施例提供的判断传感器数据值是否异常并对所述数据值异常类型进行判断的流程图。
图5为本发明实施例提供的一种识别矿井传感器运行数据异常的装置的逻辑结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本发明。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
本发明实施例提供一种识别矿井传感器运行数据异常的方法，参考图1，该方法包括：
首先，获取传感器实时数据；本发明的传感器类型包括煤矿井下监测模拟量传感器，如甲烷传感器：连续监测矿井环境气体中及抽放管道内甲烷浓度的装置，一般具有显示及声光报警功能；风速传感器：连续监测矿井巷道中风速的装置；风压传感器：连续监测矿井通风机、风门、密闭巷道、通风巷道等地通风压力的装置；一氧化碳传感器：连续监测矿井环境气体中一氧化碳浓度的装置；温度传感器：连续监测矿井环境温度高低的装置；烟雾传感器：连续监测矿井中胶带输送机胶带等着火时产生的烟雾的装置。
然后，根据所述实时数据中的传感器状态标签对传感器状态进行判断，传感器上传的运行数据本身包括传感器在任一时刻的数据值和传感器的状态标签，即每个传感器所检测到的具体数据值和传感器本身的状态。传感器状态标签包括正常状态、标校状态和故障状态，通过传感器状态标签可以判断出传感器运行状态属于哪一种状态。
当确认传感器状态为正常状态时，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断。其中，数据值异常类型包括数据突增、数据突减和窄幅震荡，正常状态下传感器数据的曲线以一定的斜率上升，但当达到某个值时曲线突然上升即为数据突增，当达到某个值时曲线突然下沉即为数据突减，当达到某个值时曲线突然在小范围内上下震荡，即为窄幅震荡。
本发明实施例利用历史数据传感器数据值对数据值异常置信区间进行估算，来判断传感器实时数据是否落在该置信区间内，从而实现对传感器数据值是否异常进行判断。因此，在判断传感器数据值是否异常之前，需要估算出每种数据值异常类型，参考图2，数据值异常置信区间的估算方法包括：对传感器历史数据值中的所有突变点按照异常类型进行分类统计，即分别找出数据突增点、数据突减点和窄幅震荡的突变点；然后分别计算每种数据值异常类型中所有突变点的均值和方差；利用每种数据值异常类型中所有突变点的均值和方差构建相应数据值异常类型的突变点正态分布函数及突变点检验统计量函数；根据每种数据值异常类型的突变点检验统计量函数得到相应数据值异常类型的突变点整体均值的真值为95％的置信区间，即相应数据值异常类型的数据值异常置信区间。
进一步，参考图3，对传感器历史数据值中的所有突变点按照异常类型进行分类统计，包括：根据预设时间内的传感器历史数据值变化量判断每种数据值异常类型的数据值异常持续段；取每个数据值异常持续段的突变起始点作为突变点；将所有突变点按照数据值异常类型进行分类并形成每种数据值异常类型的突变点集合；其中，所述数据值异常类型包括数据突增、数据突减和窄幅震荡；若传感器历史数据值在数据突增时间阈值内的增长量超过数据突增变化量阈值，则判断为数据突增持续段；若传感器历史数据值在数据突减时间阈值内的减小量超过数据突减变化量阈值，则判断为数据突减持续段；若传感器历史数据值在超过窄幅震荡时间阈值内的数据值变化量持续小于窄幅震荡变化量阈值，则判断为窄幅震荡持续段。
在一个具体的例子中，以数据突减为例：按照上述分类统计方法找到所有的突降点x1,x2…xn，计算所有的突降点的均值
Figure BDA0002191393650000071
和方差s2，公式如下：
Figure BDA0002191393650000072
Figure BDA0002191393650000073
其中，n代表所有突降点的个数，i＝1，2，……n，
Figure BDA0002191393650000078
代表所有突降点的均值，s2是突降点的方差，代表整体离均值的波动程度，μ即为要估计的整体均值即期望，α代表置信度。
由统计学可知突降点正态分布函数为X～N(μ，δ2)，δ2是总体方差，大样本情况下，δ2≈s2，即X～N(μ，s2)，检验统计量是用于假设检验计算的统计量。在零假设情况下，这项统计量服从一个给定的概率分布，而这在另一种假设下则不然。从而若检验统计量的值落在上述概率分布的临界值之外，则可认为前述零假设未必正确。在本申请中突降点检验统计量函数公式为：
Figure BDA0002191393650000074
其中，
Figure BDA0002191393650000075
代表所有突降点的均值，s是突降点的标准差，μ即为估计的突降点总体均值，U～N(0,1)表示U服从于均值为0，方差为1的标准正态分布。
给定1-α＝95％，即要找到一个区间，使其包含μ的真值的概率为95％，根据标准正态分布分位数表可查得
Figure BDA0002191393650000077
为标准正态分布的双侧α分位数，这说明
Figure BDA0002191393650000081
即，
Figure BDA0002191393650000082
故95％的置信区间为:
Figure BDA0002191393650000083
记作置信区间(a1，b1)，即
同理，根据上述方法，计算出数据突增点置信区间(a2，b2)和窄幅震荡的置信区间(a3，b3)。
参考图4，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断，包括：判断传感器实时数据值是否在任一种数据值异常置信区间内；若所述传感器实时数据值在任一种数据值异常置信区间内，则所述传感器实时数据值为异常值，并通过比较预设时间间隔的传感器实时数据值变化量与监测评判阈值的大小来确定数据值异常类型；若传感器实时数据值不在任一种数据值异常置信区间内，则传感器实时数据值为正常值。
进一步地，所述数据值异常置信区间包括：数据突增置信区间、数据突减置信区间和窄幅震荡置信区间；当传感器实时数据值在所述数据突增置信区间内时，若预设时间间隔的传感器数据值变化量大于数据突增监测评判阈值，则预设时间间隔内的传感器实时数据值为数据突增异常值；当传感器实时数据值在所述数据突减置信区间内时，若预设时间间隔的传感器数据值变化量大于数据突减监测评判阈值，则预设时间间隔内的传感器实时数据值为数据突减异常值；当传感器实时数据值在所述窄幅震荡置信区间内时，若预设时间间隔的传感器数据值变化量小于窄幅震荡监测评判阈值，则预设时间间隔内的传感器实时数据值为窄幅震荡异常值。
例如，通过检验t时刻的传感器实时数据中的数据值xt是否在上述的数据值异常置信区间(a1，b1)、(a2，b2)和(a3，b3)内来判断t时刻的传感器数据值是否异常。
若实时数据中的数据值在数据突增置信区间内，且预设时间间隔的传感器数据值变化量大于数据突增监测评判阈值，即xt+Δt-xt>c1，则预设时间间隔内的传感器实时数据值为数据突增异常值；
若实时数据中的数据值在数据突减置信区间内，且预设时间间隔的传感器数据值变化量大于数据突减监测评判阈值，即xt-xt+Δt>c2，则预设时间间隔内的传感器实时数据值为数据突减异常值；
若实时数据中的数据值在窄幅震荡置信区间内，且若预设时间间隔的传感器数据值变化量小于窄幅震荡监测评判阈值，即|xt+Δt-xt|>c3，则预设时间间隔内的传感器实时数据值为窄幅震荡异常值。
其中，xt+Δt表示t+Δt时刻的传感器数据值，xt表示t时刻的传感器数据值，c1表示数据突增监测评判阈值，c2表示数据突减监测评判阈值，c3表示窄幅震荡监测评判阈值。
若t时刻传感器数据值不在上述任一种数据值异常置信区间内，则t时刻的传感器数据值为正常值。
参考图1，进一步地，确认传感器为标校状态或故障状态时，通过传感器状态及其状态的持续时长的置信区间的上下限判断传感器状态是否异常。具体地，当传感器为标校状态时，将传感器实时数据中标校时间停留长度与所述置信上限作比较，若所述标校时间停留长度小于所述置信上限，则表示传感器状态为标校正常，反之为标校异常；当传感器为故障状态时，将传感器实时数据中故障时间停留长度与所述置信下限作比较，若所述故障时间停留长度大于所述置信下限，则表示故障标记正常，反之为故障标记异常。
进一步地，所述传感器状态置信限值的估算方法包括：统计传感器历史数据中每次表现为标校状态的标校持续时长；计算所有标校持续时长的均值和方差；利用所有标校持续时长的均值和方差构建标校持续时长的正态分布函数及检验统计量函数；根据标校持续时长的检验统计量函数得到标校持续时长总体均值的真值为95％的置信区间的置信上限值，即标校状态置信上限值。
例如，以标校状态置信上限值的估算为例，统计传感器历史数据中每次表现为标校状态的标校持续时长T1,T2…Tp，并计算其均值和方差，根据校持续时长的检验统计量函数得到标校状态置信上限值，具体的计算方法与公式(1)、公式(2)、公式(3)、公式(4)和公式(5)所述的计算方法类似，计算出标校持续时长整体均值的真值为95％的置信区间的置信上限值
Figure BDA0002191393650000101
若标校时间停留长度T<d，则表示标校正常，反之为标校异常。
同理，统计传感器历史数据中每次表现为故障状态的故障持续时长；计算所有故障持续时长的均值和方差；利用所有故障持续时长的均值和方差构建故障持续时长的正态分布函数及检验统计量函数；根据故障持续时长的检验统计量函数得到故障持续时长整体均值的真值为95％的置信区间的置信下限值，即故障状态置信下限值。例如，以故障状态置信下限值的估算为例，统计传感器历史数据中每次表现为故障状态的故障持续时长T1,T2…Tq，计算出故障持续时长整体均值的真值为95％的置信区间的置信下限值
Figure BDA0002191393650000102
若故障时间停留长度T>k，则表示故障标记正常，反之为故障标记异常。
本发明实施例首先根据传感器实时数据的传感器状态标签对传感器状态进行判断，然后根据不同的传感器状态判断传感器运行数据异常类型，其中，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对数据值异常类型进行判断，且通过状态的持续时长和置信限值判断传感器状态是否异常，能够快速精准地识别所上传的传感器运行数据是否存在异常，可以更好的进行煤矿安全监测，提高煤矿安全管理水平，从而降低事故发生率。
与上述实施例对应的，本发明实施例提供一种识别矿井传感器运行数据异常的装置，参考图5，实时数据获取单元01，用于获取传感器实时数据；状态判断单元02，用于根据所述实时数据中的传感器状态标签对传感器状态进行判断；数据值异常判断单元03，用于确认传感器状态为正常状态时，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断；标校异常判断单元04，用于确认传感器为标校状态时，通过标校状态的持续时长和传感器状态置信限值判断传感器状态是否异常；故障标记异常判断单元05，用于确认传感器为故障状态时，通过故障状态的持续时长和传感器状态置信限值判断传感器状态是否异常。
本实施例的部件所执行的具体功能在上述实施例中均有详细描述，在此不做过多赘述。
与上述实施例对应的，本发明实施例提供一种识别矿井传感器运行数据异常的系统，该系统包括：至少一个处理器和至少一个存储器；存储器用于存储一个或多个程序指令；处理器，用于运行一个或多个程序指令，用以执行一种识别矿井传感器运行数据异常的方法。
与上述实施例对应的，本发明实施例提供一种计算机可读存储介质，上述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种识别矿井传感器运行数据异常的系统执行一种识别矿井传感器运行数据异常的方法。
本发明所公开的实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行上述的方法。
本发明实施例首先根据传感器状态标签对传感器状态进行判断，然后根据不同的传感器状态判断传感器异常类型，其中根据数据值异常置信区间判断传感器数据值是否异常，并对数据值异常类型进行判断，且通过状态的持续时长和置信限值判断传感器状态是否异常，能够快速精准地识别所上传的传感器运行数据是否存在异常，可以更好的进行煤矿安全监测，提高煤矿安全管理水平，从而降低事故发生率。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种识别矿井传感器运行数据异常的方法，其特征在于，所述方法包括：
获取传感器实时数据；
根据所述实时数据中的传感器状态标签对传感器状态进行判断；
确认传感器状态为正常状态时，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断；
确认传感器为标校状态或故障状态时，通过状态的持续时长和传感器状态置信限值判断传感器状态是否异常。
2.如权利要求1所述的一种识别矿井传感器运行数据异常的方法，其特征在于，所述数据值异常置信区间的估算方法包括：
对传感器历史数据值中的所有突变点按照异常类型进行分类统计；
分别计算每种数据值异常类型中所有突变点的均值和方差；
利用每种数据值异常类型中所有突变点的均值和方差构建相应数据值异常类型的突变点正态分布函数及突变点检验统计量函数；
根据每种数据值异常类型的突变点检验统计量函数得到相应数据值异常类型的突变点整体均值的真值为95％的置信区间，即相应数据值异常类型的数据值异常置信区间。
3.如权利要求2所述的一种识别矿井传感器运行数据异常的方法，其特征在于，对传感器历史数据值中的所有突变点按照异常类型进行分类统计，包括：
根据预设时间内的传感器历史数据值变化量判断每种数据值异常类型的数据值异常持续段；
取每个数据值异常持续段的突变起始点作为突变点；
将所有突变点按照数据值异常类型进行分类并形成每种数据值异常类型的突变点集合；
其中，所述数据值异常类型包括数据突增、数据突减和窄幅震荡；
若传感器历史数据值在数据突增时间阈值内的增长量超过数据突增变化量阈值，则判断为数据突增持续段；
若传感器历史数据值在数据突减时间阈值内的减小量超过数据突减变化量阈值，则判断为数据突减持续段；
若传感器历史数据值在超过窄幅震荡时间阈值内的数据值变化量持续小于窄幅震荡变化量阈值，则判断为窄幅震荡持续段。
4.如权利要求3所述的一种识别矿井传感器运行数据异常的方法，其特征在于，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断，包括：
判断传感器实时数据值是否在任一种数据值异常置信区间内；
若所述传感器实时数据值在任一种数据值异常置信区间内，则所述传感器实时数据值为异常值，并通过比较预设时间间隔的传感器实时数据值变化量与监测评判阈值的大小来确定数据值异常类型；
若传感器实时数据值不在任一种数据值异常置信区间内，则传感器实时数据值为正常值。
5.如权利要求4所述的一种识别矿井传感器运行数据异常的方法，其特征在于，所述数据值异常置信区间包括：数据突增置信区间、数据突减置信区间和窄幅震荡置信区间；
当传感器实时数据值在所述数据突增置信区间内时，若预设时间间隔的传感器数据值变化量大于数据突增监测评判阈值，则预设时间间隔内的传感器实时数据值为数据突增异常值；
当传感器实时数据值在所述数据突减置信区间内时，若预设时间间隔的传感器数据值变化量大于数据突减监测评判阈值，则预设时间间隔内的传感器实时数据值为数据突减异常值；
当传感器实时数据值在所述窄幅震荡置信区间内时，若预设时间间隔的传感器数据值变化量小于窄幅震荡监测评判阈值，则预设时间间隔内的传感器实时数据值为窄幅震荡异常值。
6.如权利要求1所述的一种识别矿井传感器运行数据异常的方法，其特征在于，所述传感器状态置信限值的估算方法包括：
所述传感器状态置信限值包括：标校状态置信上限值和故障状态置信下限值；
统计传感器历史数据中每次表现为标校状态的标校持续时长；计算所有标校持续时长的均值和方差；利用所有标校持续时长的均值和方差构建标校持续时长的正态分布函数及检验统计量函数；根据标校持续时长的检验统计量函数得到标校持续时长整体均值的真值为95％的置信区间的置信上限值，即标校状态置信上限值；
统计传感器历史数据中每次表现为故障状态的故障持续时长；计算所有故障持续时长的均值和方差；利用所有故障持续时长的均值和方差构建故障持续时长的正态分布函数及检验统计量函数；根据故障持续时长的检验统计量函数得到故障持续时长整体均值的真值为95％的置信区间的置信下限值，即故障状态置信下限值。
7.如权利要求1所述的一种识别矿井传感器运行数据异常的方法，其特征在于，判断传感器状态是否异常的方法包括：
当传感器为标校状态时，将传感器实时数据中标校时间停留长度与所述置信上限作比较，若所述标校时间停留长度小于所述置信上限，则表示传感器状态为标校正常，反之为标校异常；
当传感器为故障状态时，将传感器实时数据中故障时间停留长度与所述置信下限作比较，若所述故障时间停留长度大于所述置信下限，则表示故障标记正常，反之为故障标记异常。
8.一种识别矿井传感器运行数据异常的装置，其特征在于，所述装置包括：
实时数据获取单元，用于获取传感器实时数据；
状态判断单元，用于根据所述实时数据中的传感器状态标签对传感器状态进行判断；
数据值异常判断单元，用于确认传感器状态为正常状态时，根据数据值异常置信区间和预设监测评判阈值判断传感器数据值是否异常，并对所述数据值异常类型进行判断；
标校异常判断单元，用于确认传感器为标校状态时，通过标校状态的持续时长和传感器状态置信限值判断传感器状态是否异常；
故障标记异常判断单元，用于确认传感器为故障状态时，通过故障状态的持续时长和传感器状态置信限值判断传感器状态是否异常。
9.一种识别矿井传感器运行数据异常的系统，其特征在于，所述系统包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被一种识别矿井传感器运行数据异常的系统执行如权利要求1-7任一项所述的方法。
CN201910833203.1A 2019-09-04 2019-09-04 一种识别矿井传感器运行数据异常的方法、装置及系统 Active CN110631624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910833203.1A CN110631624B (zh) 2019-09-04 2019-09-04 一种识别矿井传感器运行数据异常的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910833203.1A CN110631624B (zh) 2019-09-04 2019-09-04 一种识别矿井传感器运行数据异常的方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110631624A true CN110631624A (zh) 2019-12-31
CN110631624B CN110631624B (zh) 2020-12-15

Family

ID=68970257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910833203.1A Active CN110631624B (zh) 2019-09-04 2019-09-04 一种识别矿井传感器运行数据异常的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110631624B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830208A (zh) * 2020-07-24 2020-10-27 精英数智科技股份有限公司 一种甲烷传感器位置状态监测方法及系统
CN111855897A (zh) * 2020-08-26 2020-10-30 精英数智科技股份有限公司 一种井下传感器调校状态识别方法、系统、设备及介质
CN112763662A (zh) * 2020-12-29 2021-05-07 精英数智科技股份有限公司 气体传感器数据异常的识别方法及相关装置
CN113687048A (zh) * 2021-07-01 2021-11-23 精英数智科技股份有限公司 传感器数据检测中断识别方法、装置及电子设备
CN113723338A (zh) * 2021-09-08 2021-11-30 深圳市汉德网络科技有限公司 传感器异常检测方法、装置及计算机可读存储介质
CN113918376A (zh) * 2021-12-14 2022-01-11 湖南天云软件技术有限公司 故障检测方法、装置、设备及计算机可读存储介质
WO2022174516A1 (zh) * 2021-02-18 2022-08-25 烟台杰瑞石油装备技术有限公司 井场设备监控系统和井场设备监控方法
CN114967613A (zh) * 2022-05-11 2022-08-30 杭州康吉森自动化科技有限公司 一种具有多传感器的生产设备状态监测方法和装置
CN115096344A (zh) * 2022-05-13 2022-09-23 珠海格力电器股份有限公司 数据实时显示方法、装置、电子设备及存储介质
CN115941807A (zh) * 2022-12-22 2023-04-07 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法
CN117034109A (zh) * 2023-08-03 2023-11-10 中国人民解放军95616部队保障部 基于分段阈值的发动机油液磨粒分析方法、系统及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0646234B1 (en) * 1992-04-22 1999-07-07 The Foxboro Company Self-validating sensors
CN102608286A (zh) * 2012-03-01 2012-07-25 煤炭科学研究总院 一种实时监测煤矿瓦斯监测值异常的方法
CN104165649A (zh) * 2014-08-28 2014-11-26 西北工业大学 一种无刷直流电机霍尔传感器上电自检测方法
CN104375057A (zh) * 2014-11-07 2015-02-25 国网上海市电力公司 地下电力线路故障自动定位报警系统
CN104713585A (zh) * 2015-04-08 2015-06-17 南车株洲电力机车有限公司 一种悬浮传感器诊断装置及方法
CN106296435A (zh) * 2016-08-18 2017-01-04 西安科技大学 一种矿井瓦斯监测异常数据识别方法
CN108873928A (zh) * 2017-05-10 2018-11-23 中国航空工业集团公司西安飞行自动控制研究所 一种基于传感器状态评估结果的无人直升机高度保持方法
CN109645750A (zh) * 2019-01-22 2019-04-19 浙江想能云软件股份有限公司 一种智能床垫温控故障自动报警处理系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0646234B1 (en) * 1992-04-22 1999-07-07 The Foxboro Company Self-validating sensors
CN102608286A (zh) * 2012-03-01 2012-07-25 煤炭科学研究总院 一种实时监测煤矿瓦斯监测值异常的方法
CN104165649A (zh) * 2014-08-28 2014-11-26 西北工业大学 一种无刷直流电机霍尔传感器上电自检测方法
CN104375057A (zh) * 2014-11-07 2015-02-25 国网上海市电力公司 地下电力线路故障自动定位报警系统
CN104713585A (zh) * 2015-04-08 2015-06-17 南车株洲电力机车有限公司 一种悬浮传感器诊断装置及方法
CN106296435A (zh) * 2016-08-18 2017-01-04 西安科技大学 一种矿井瓦斯监测异常数据识别方法
CN108873928A (zh) * 2017-05-10 2018-11-23 中国航空工业集团公司西安飞行自动控制研究所 一种基于传感器状态评估结果的无人直升机高度保持方法
CN109645750A (zh) * 2019-01-22 2019-04-19 浙江想能云软件股份有限公司 一种智能床垫温控故障自动报警处理系统和方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111830208A (zh) * 2020-07-24 2020-10-27 精英数智科技股份有限公司 一种甲烷传感器位置状态监测方法及系统
CN111855897A (zh) * 2020-08-26 2020-10-30 精英数智科技股份有限公司 一种井下传感器调校状态识别方法、系统、设备及介质
CN112763662A (zh) * 2020-12-29 2021-05-07 精英数智科技股份有限公司 气体传感器数据异常的识别方法及相关装置
CN112763662B (zh) * 2020-12-29 2023-08-22 精英数智科技股份有限公司 气体传感器数据异常的识别方法及相关装置
WO2022174516A1 (zh) * 2021-02-18 2022-08-25 烟台杰瑞石油装备技术有限公司 井场设备监控系统和井场设备监控方法
CN113687048A (zh) * 2021-07-01 2021-11-23 精英数智科技股份有限公司 传感器数据检测中断识别方法、装置及电子设备
CN113723338A (zh) * 2021-09-08 2021-11-30 深圳市汉德网络科技有限公司 传感器异常检测方法、装置及计算机可读存储介质
CN113723338B (zh) * 2021-09-08 2024-03-15 深圳市汉德网络科技有限公司 传感器异常检测方法、装置及计算机可读存储介质
CN113918376A (zh) * 2021-12-14 2022-01-11 湖南天云软件技术有限公司 故障检测方法、装置、设备及计算机可读存储介质
CN114967613A (zh) * 2022-05-11 2022-08-30 杭州康吉森自动化科技有限公司 一种具有多传感器的生产设备状态监测方法和装置
CN115096344A (zh) * 2022-05-13 2022-09-23 珠海格力电器股份有限公司 数据实时显示方法、装置、电子设备及存储介质
CN115941807A (zh) * 2022-12-22 2023-04-07 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法
CN115941807B (zh) * 2022-12-22 2024-02-23 陕西通信规划设计研究院有限公司 一种园区安防系统数据高效压缩方法
CN117034109A (zh) * 2023-08-03 2023-11-10 中国人民解放军95616部队保障部 基于分段阈值的发动机油液磨粒分析方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
CN110631624B (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN110631624B (zh) 一种识别矿井传感器运行数据异常的方法、装置及系统
CN110595525B (zh) 一种监测井下传感器异常的方法、装置、系统及介质
CN111189488B (zh) 一种传感器数值异常识别方法、装置、设备及存储介质
WO2020052147A1 (zh) 监测设备故障检测方法及装置
CN112348237B (zh) 一种动态钻井数据异常趋势检测方法
US8289160B1 (en) Systems and methods for recording and using information about conditions present in a house or other location
US8988238B2 (en) Change detection system using frequency analysis and method
CN108777051A (zh) 火灾报警方法、装置、计算机设备和存储介质
US10002514B2 (en) Machine tool having function of monitoring sealing of control panel
BR112021013786A2 (pt) Método e sistema para detectar anomalias ou indicações prematuras de falha de equipamento
CN114446020B (zh) 联动预警管理方法、系统、存储介质及设备
CN106909482A (zh) 一种固态硬盘寿命检测的方法及装置
CN115059634B (zh) 鼓风设备的故障诊断方法及装置、电子设备
CN115375137A (zh) 一种非煤矿山尾矿库的安全风险预警预测系统
CN107632132A (zh) 一种带预测功能的水质监测告警系统
CN117119175B (zh) 一种煤矿井下风门ai视频安全管理控制系统
CN116105802A (zh) 一种基于物联网的地下设施安全监测预警方法
CN116523508A (zh) 一种基于AIoT资产的智慧运维管理系统
CN112763662A (zh) 气体传感器数据异常的识别方法及相关装置
CN111274098B (zh) 一种基于IoT的存储设备报警方法及装置
KR102384742B1 (ko) 센서 데이터를 이용한 이상 감지 장치 및 방법
CN112149823A (zh) 一种报警信息筛选过滤的组合实现方法
CN110595526B (zh) 一种煤矿井下传感器标校的检测方法、装置和设备
JP2020018208A (ja) サイロの管理装置
CN111998963B (zh) 一种应用于温度检测设备的报警阈值调节方法及装置

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