CN111189488B - 一种传感器数值异常识别方法、装置、设备及存储介质 - Google Patents
一种传感器数值异常识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111189488B CN111189488B CN201911290809.1A CN201911290809A CN111189488B CN 111189488 B CN111189488 B CN 111189488B CN 201911290809 A CN201911290809 A CN 201911290809A CN 111189488 B CN111189488 B CN 111189488B
- Authority
- CN
- China
- Prior art keywords
- point
- determining
- value
- measuring
- abnormal
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例涉及传感器领域,具体涉及一种传感器数值异常识别方法、装置、设备及存储介质。一种传感器数值异常识别方法,包括:获取传感器在第一预定时间段内的多个测量点集合;其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;从所述多个测量点集合中确定出异常测量点;判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。通过本发明的方法,可以确定出传感器测量值异常;从而能够及时进行处理,避免传感器测量值异常而导致的误报警或者安全隐患。提高安全性。
Description
技术领域
本发明实施例涉及传感器领域,具体涉及一种传感器数值异常识别方法、装置、设备及存储介质。
背景技术
为了保证煤矿井下的安全生产和从业人员的人身安全、防止煤矿事故的发生,在煤矿生产过程中,需要在井下安装多种类型的矿用传感器,实时监测煤矿井下的甲烷浓度、一氧化碳浓度和温度等,并将监测到的数据自动上传到矿井监控平台和上级监管部门。矿用传感器类型包括甲烷传感器、风速传感器、风压传感器、一氧化碳传感器、温度传感器和烟雾传感器等;由于各种原因,比如,传感器自身长时间工作;人为误碰;采矿企业为了追求利润人为主动修改传感器的测量数据,将超限的测量数据修改为正常值从而继续生产等,传感器的测量值会发生异常突变,突变后的异常的测量值并不能够反应真实的情况;异常的测量值可能会带来误报警或者因为耽误正常报警而造成安全事故;现有技术并没有办法确定传感器的数据是否异常。
发明内容
本发明实施例的目的在于提供一种传感器数值异常识别方法、装置、设备及存储介质,用以及时发现传感器测量值异常。
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传感器数值异常识别方法,该方法包括:
获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;
从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。
在一种实施方式中,异常测量点包括突增测量点和突降测量点;
从所述多个测量点集合中确定出异常测量点;包括:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1+Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2+Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。
在一种实施方式中,从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二测量点为异常点。
在一种实施方式中,判断所述异常测量点后的测量点是否窄幅震荡异常,包括:
获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
在一种实施方式中,确定参数a、b、c、d,包括;
确定一窄幅震荡异常数据集;
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
在一种实施方式中,从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a,包括:
获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
在一种实施方式中,从剩余的数据中来对所述参数a进行验证,包括:
从剩余的数据中选取任意两个相邻的测量点;
计算所述两个相邻的测量点之间的增量值;
判断所述增量值是否小于a,如果是,则确定验证通过;
从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
进一步地,方法还包括,如果确定参数a验证通不过,则确定对参数a进行调整,包括:将参数a调大;
如果确定参数b和c验证通不过,则确定对参数b和c进行调整,包括:将参数b调小,和/或者,将参数c调大;
如果确定参数d验证不通过,则方法还包括,对参数d进行调整,包括:将参数d调小。
第二方面,本发明实施例还提供一种传感器数值异常识别装置,包括:
获取模块,用于获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;
确定模块,用于从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。
在一种实施方式中,异常测量点包括突增测量点和突降测量点;
确定模块还用于:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1+Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2+Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。
在一种实施方式中,确定模块还用于:
从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二测量点为异常点。
在一种实施方式中,确定模块还用于:获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
在一种实施方式中,确定模块还用于:确定一窄幅震荡异常数据集;
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
在一种实施方式中,确定模块还用于:获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
在一种实施方式中,确定模块还用于:从剩余的数据中计算出所有的测量点之间的增量的集合;
确定所述增量的集合中的最大的增量值;
判断所述最大的增量值是否小于a,如果是,则确定验证通过;
从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
第三方面,本发明实施例还提供一种传感器数值异常识别设备,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,用以执行以下步骤:
获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;
从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。
在一种实施方式中,异常测量点包括突增测量点和突降测量点;
所述处理器还用于:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1+Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2+Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。
在一种实施方式中,所述处理器还用于:
从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二测量点为异常点。
在一种实施方式中,所述处理器还用于:获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
在一种实施方式中,所述处理器还用于:确定一窄幅震荡异常数据集;
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
在一种实施方式中,所述处理器还用于:获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
在一种实施方式中,所述处理器还用于:从剩余的数据中计算出所有的测量点之间的增量的集合;
确定所述增量的集合中的最大的增量值;
判断所述最大的增量值是否小于a,如果是,则确定验证通过;
从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读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执行如上述任一项所述的方法。
本发明实施例提供的技术方案至少具有如下优点:本发明实施例提供的传感器数值异常识别方法,通过获取传感器在预定时间段内的多个测量点中的异常测量点;判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。解决了现有技术无法确定传感器测量的数据是否异常的问题。并且确定出传感器测量值异常之后,就可以更换传感器,或者对传感器进行维修等处理,从而获得真实的测量值;避免异常的测量值干扰到正常的监测工作;避免异常的测量值带来安全隐患,提高了安全性。对于监管单位,能够及时发现采矿企业为了追求利润而修改传感器的测量值冒险继续生产的情况,从而提高了对企业的监管效果,具有重要的现实意义。
附图说明
图1为本发明实施例提供的一种传感器测量点分布示意图;
图2为本发明实施例提供的一种传感器测量数据异常的示意图;
图3为本发明实施例提供的一种传感器数值异常识别方法的流程图;
图4为本发明实施例提供的一种传感器数值异常识别方法的总体流程图;
图5为本发明实施例提供的一种传感器数值异常识别装置的结构示意图;
图6为本发明实施例提供的一种传感器数值异常识别设备的结构示意图。
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。
传感器对采矿领域中,经常会用到传感器对被测物理量进行测量;传感器一般是长时间的工作,每一个时间点对应一个测量值;参见附图1中所示的一种传感器测量点分布示意图;其中,横轴为时间;纵轴为测量值x;其中,测量点包括第一个测量点(t1x1);第二个测量点(t2x2);第三个测量点(t3x3);第四个测量点(t4x4);第五个测量点(t5x5);第六个测量点(t6x6);其中,第四个测量点(t4x4)为突增点;第六个测量点(t6x6)为突降点;但是并不能够确定该传感器测量的数据异常;因为偶尔突发一两个异常点为正常情况;
为了确定出异常情况,参见附图2所示的一种传感器测量数据异常的示意图;其中,在第一个测量点之前还有很多测量点,图中没有表示出,测量值与第一个测量点的测量值x1近似;第一个测量点、第二个测量点、第三个测量点为正常的测量点;第四个测量点(t4x4)为突增点,第五个测量点(t5x5)、第六个测量点(t6x6)、第七个测量点(t7x7)呈现窄幅震荡的情况。则这种情况确定为数据异常;但是现有技术中并没有一种方法来确定传感器测量的数据是否异常。
基于此,本申请提出了一种传感器数值异常识别方法,参见附图3所示的传感器数值异常识别方法的流程图;该方法包括:
步骤S301,获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;
步骤S302,从所述多个测量点集合中确定出异常测量点;
步骤S303,判断所述异常测量点后的测量点是否窄幅震荡;如果是,则执行步骤S304;如果否,则执行步骤S305;
步骤S304,确定所述预定时间段内数值异常。
步骤S305,确定所述预定时间段内数值正常。
在确定传感器测量值异常后,就可以采取补救措施,包括维护人员对传感器进行更换或维护维修,使得传感器测量的数据恢复正常,避免异常的数据造成的安全隐患,从而提高安全性,也能够避免因为数据异常而导致的误报警。
在一种实施方式中,上述的传感器为矿用传感器。
采矿企业采用矿用传感器来检测矿井中的各个数据。值得强调的是,本申请的方法不仅应用于采矿生产企业,也可以应用于监管单位;以煤矿为例,《煤矿安全规程》明确规定了矿井下各个监测量允许的范围,矿用传感器测量值超限后必须报警或断电,停止开采。对于煤矿来说,报警以及断电都会减少产量,减小利润。部分煤矿生产企业当传感器测量值将要超限或已经超限时,在传感器测量数据上传服务器前,将原始数据进行修改来防止系统发出报警,从而继续生产。监管单位采用本申请的方法,可以及时发现采矿生产企业违法修改传感器的测量数据冒险生产的情况。
在一种实施方式中,异常测量点包括突增测量点和突降测量点;
从所述多个测量点集合中确定出异常测量点;包括:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1+Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2+Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0,优选地,N等于3;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。
其中,突增、突降异常点的识别基于每个测量值相对于前一个时刻测量值的增量进行。由于每个传感器每日的监测值增量构建的样本量比较大,可以认为该样本量大致服从正态分布N(μ,σ2);其中μ为总体均值,σ2为总体方差。上述的预定的区间可以是σ的若干倍,具体灵活设定,本申请不做具体限制,
优选地,上述的预定的区间可以是3σ。煤矿井下传感器的监测值中突增、突降异常点所占比例很小,故可认为计算得到的监测值增量基本落在(μ-3σ,μ+3σ)区间内,而将不在此范围的增量认为其存在异常,对应测量点为突增或者突降异常点。
具体计算方法为:
读取目标煤矿某一天的传感器所有测量值X1,X2,...,Xn;
值得强调的是,可以天为单位,也可以是几天为单位,或者几个小时为单位;本申请不做限制;
将上述的测量值时做增量处理,即:
Δx1=X2-X1;
Δx2=X3-X2;
...
Δxn=Xn-Xn-1;
{Δx1,Δx2,...,Δxn}为所有增量集合;
按照正负将所有增量划分为正负两个集合;
分别计算两个集合的均值与标准差;得到正集合的均值μ1和标准差σ1;
得到负集合的均值μ2和标准差σ2;
对于任意一个要判断的测量点,
如果该测量点与上一个测量点的增量为正;
则将该测量点的测量值与μ1+3σ1作比较;
如果该测量点的测量值超过μ1+3σ1,则确定该要判断的测量点为突增点;
如果该测量点与上一个测量点的增量为负;
则将该测量点的测量值与μ2-3σ2做比较;
如果该测量点的测量值小于μ2-3σ2;则确定该要判断的测量点为突降点。
上述的方式是根据前一个点来确定后一点是否是异常点;考虑到连续上升或者连续下降的变化情况,还可以前N个点为标准判断要判断的点是否是异常点;在一种实施方式中,从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,
计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二该测量点为异常点。
其中,包括突降异常点或者是突增异常点。如果第二测量值大于第一测量值,则该第二测量点为突增点;如果第二测量值小于第一测量值,则该第二测量点为突降点;
在一种可能的实施方式中,判断所述异常测量点后的测量点是否窄幅震荡异常,包括:
获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
在一种可能的实施方式中,确定参数a、b、c、d,包括;
确定一窄幅震荡异常数据集;
其中,选取一个窄幅震荡异常数据的样本,确定该样本中的数据都属于异常的数据。
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
其中,预定比例可以为三分之二;用三分之二的数据来确定出参数a、b、c、d;用余下三分之一的数据来进行验证。
在一种可能的实施方式中,从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a,包括:
获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
其中,预定比例可以为2/3;剩余的1/3的数据做验证;
参数a可以取所述最大值,也可以在所述最大值的基础上加上预定的调整系数k;a=最大值+k;k的取值可以自由设定,比如可以设置为0.1、0.2等,本申请不做限制。
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
其中,将该比值转化为百分数的形式,比如,如果该比值为0.9;转化为百分数90%;在90的基础上进行浮动得到b和c;
b=90-m;c=90+m;其中,m为调整系数;可以为1、2、3等,具体不做限定;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
其中,d=比值-n;其中,n为调整系数,具体可以自由设定,本申请不做限制。
在一种实施方式中,从剩余的数据中来对所述参数a进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
确定所述增量的集合中的最大的增量值;
判断所述增量值是否小于a,如果是,则确定验证通过;
对于参数b和c,从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
对于参数d,从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
进一步地,方法还包括:
如果确定参数a验证通不过,则确定对参数a进行调整,包括:将参数a调大;具体可以将参数a的调整系数k调大一些,使得a大于上述的最大增量值的程度;
如果确定参数b和c验证通不过,则确定对参数b和c进行调整,包括:将参数b调小,和/或者,将参数c调大;
其中,可以同时对参数b和c进行调整;也可以只是调整其中的一个;
如果上述的比值小于b%;则将b调小到小于比值的程度;
如果上述的比值大于c%;则将c调大到大于比值的程度;
如果确定参数d验证不通过,则方法还包括,对参数d进行调整,包括:
将参数d调小。具体实施时,可以将d调小到小于验证的比值的程度。
在一种实施方式中,经过验证调整从而最终确定出一套参数a、b、c、d之后,方法还包括,从上述的窄幅震荡异常数据集中选取包括上次剩余的数据的预定比例的数据;
用包括上次剩余的数据的预定比例的数据来确定参数a、b、c、d;
比如,上一次是从窄幅震荡异常数据集中选了2/3的数据进行确定参数;
用剩余的1/3的数据进行验证参数;这一次还是选用2/3的数据来确定参数,但是这2/3的数据里面包括了上一次剩余的1/3的数据;再用1/3的数据来验证参数。并对参数进行调整。最终得到第二套参数a、b、c、d;
将第二套参数和第一套参数分别进行比较,选取最合适的参数,包括:
将第一套参数中的a与第二套参数中的a进行比较,如果第一套参数中的a小于第二条参数中的a,则确定第二套参数中的a为最终确定的a参数;
将第一套参数中的b与第二套参数中的b进行比较,如果第一套参数中的b小于第二条参数中的b,则确定第一套参数中的b为最终确定的b参数;
将第一套参数中的c与第二套参数中的c进行比较,如果第一套参数中的c小于第二条参数中的c,则确定第二套参数中的a为最终确定的c参数;
将第一套参数中的d与第二套参数中的d进行比较,如果第一套参数中的d小于第二条参数中的d,则确定第一套参数中的d为最终确定的d参数。
下面详细介绍一种传感器数值异常识别方法,参见附图4所示的一种传感器数值异常识别方法的总体流程图,该方法包括:
步骤S401,获取传感器测量的多个测量数据值x1、x2、x3…xn;其中,n为大于1的整数;
步骤S402,计算相邻的两个测量数据之间的增量Δxi;其中,1<i<n;
步骤S403,划分出正增量集合和负增量集合;
步骤S404,分别计算出正增量集合和负增量集合的正态分布的均值和标准差;
步骤S405,对于任意的一个增量值Δxi;判断是否Δxi>0;如果是,则
执行步骤S406;如果否,则执行步骤S408;
步骤S406,判断是否Δxi>μ1+3σ1;如果否,则执行步骤S407;如果是,则执行步骤S411;
步骤S407,确定i+1测量点为非突增点;
步骤S411,确定i+1测量点为突增点;
步骤S408,判断是否xi<μ2-3σ2,如果是,则执行步骤S410;如果否,则执行步骤S409;
步骤S410,确定i+1测量点为突降点;
步骤S409,确定i+1测量点为非突降点;
步骤S412,获取突增或突降点后的N个小时的数据;
步骤S413,判断所有增量是否都不超过a;如果是,则执行步骤S414;否则返回步骤S412;
步骤S414,判断正增量和负增量的比值是否在b%-c%范围内;如果是,则执行步骤S415;否则返回步骤步骤S412;
步骤S415,判断正增量连续个数是否小于等于4个;如果是,则执行步骤S416;否则返回步骤S412;
步骤S416,统计每一个测量值出现的次数并确定次数最大值m;
步骤S417,判断m/n是否大于d%;
如果是,则执行步骤S418;如果否,则执行步骤S419;
步骤S418,确定N个小时的数据存在异常;
步骤S419,确定N个小时的数据正常。
本发明实施例还提供一种传感器数值异常识别装置,参见附图5所示的一种传感器数值异常识别装置的结构示意图;该装置包括:
获取模块51,用于获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;
确定模块52,用于从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。
在一种实施方式中,异常测量点包括突增测量点和突降测量点;
确定模块52还用于:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1+Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2+Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。
在一种实施方式中,确定模块52还用于:
从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二该测量点为异常点。
在一种实施方式中,确定模块52还用于:获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
在一种实施方式中,确定模块52还用于:确定一窄幅震荡异常数据集;
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
在一种实施方式中,确定模块52还用于:获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
在一种实施方式中,确定模块52还用于:从剩余的数据中计算出所有的测量点之间的增量的集合;
确定所述增量的集合中的最大的增量值;
判断所述最大的增量值是否小于a,如果是,则确定验证通过;
从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
本发明实施例还提供一种传感器数值异常识别设备,参见附图6所示的一种传感器数值异常识别设备的结构示意图;该设备包括:至少一个处理器61和至少一个存储器62;
所述存储器62用于存储一个或多个程序指令;
所述处理器61,用于运行一个或多个程序指令,用以执行以下步骤:
获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与所述时间点对应的测量值;
从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常。
在一种实施方式中,异常测量点包括突增测量点和突降测量点;
所述处理器61还用于:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1+Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2+Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。优选地,N等于3。
在一种实施方式中,所述处理器61还用于:
从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二该测量点为异常点。
在一种实施方式中,所述处理器61还用于:获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
在一种实施方式中,所述处理器61还用于:确定一窄幅震荡异常数据集;
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
在一种实施方式中,所述处理器61还用于:获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
在一种实施方式中,所述处理器61还用于:从剩余的数据中计算出所有的测量点之间的增量的集合;
确定所述增量的集合中的最大的增量值;
判断所述最大的增量值是否小于a,如果是,则确定验证通过;
从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读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执行如上述任一项所述的方法。
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 Integrated 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(ElectricallyEPROM,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 (8)
1.一种传感器数值异常识别方法,其特征在于,包括:
获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与时间点对应的测量值;
从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常;
从所述多个测量点集合中确定出异常测量点;包括:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二测量点为异常点;
判断所述异常测量点后的测量点是否窄幅震荡异常,包括:
获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定异常点后的测量点窄幅震荡异常。
2.如权利要求1所述的方法,其特征在于,异常测量点包括突增测量点和突降测量点;
从所述多个测量点集合中确定出异常测量点;包括:
计算每两个测量点的测量值的差得到差值的集合;
按照每一个差值的正负将所有差值划分为正增量集合和负增量集合;
计算所述正增量集合的正态分布函数的均值μ1与标准差σ1;
计算所述正增量集合的正态分布函数的均值μ2与标准差σ2;
对于任意一个要判断的测量点,获取所述要判断的测量点的测量值Xi:
如果Xi-Xi-1>0;则判断Xi是否落在区间[μ1-Nσ1,μ1 +Nσ1]内;如果否,则确定所述要判断的测量点为突增测量点;
如果Xi-Xi-1<0;则判断Xi是否落在区间[μ2-Nσ2,μ2 +Nσ2]内;如果否,则确定所述要判断的测量点为突降测量点;其中,N大于0;Xi-1为与所述要判断的测量点相邻的上一个测量点的测量值。
3.如权利要求1所述的方法,其特征在于,确定参数a、b、c、d,包括;
确定一窄幅震荡异常数据集;
从所述窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a、b、c、d;
从剩余的数据中来对所述参数a、b、c、d进行验证。
4.如权利要求3所述的方法,其特征在于,从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数a,包括:
获取所述数据集中的所有的测量点;
计算每一个测量点与前一个测量点的增量值;
统计出所有的增量值中的最大值;
根据所述最大值确定参数a;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数b和c,包括:分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
根据所述比值得到参数b和c;
从所述的窄幅震荡异常数据集中选取预定比例的数据用来确定出参数d,包括:
统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
根据所述比值确定参数d。
5.如权利要求3所述的方法,其特征在于,从剩余的数据中来对所述参数a进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
确定所述增量的集合中的最大的增量值;
判断所述最大的增量值是否小于a,如果是,则确定验证通过;
从剩余的数据中来对所述参数b和c进行验证,包括:
从剩余的数据中计算出所有的测量点之间的增量的集合;
分别统计所述增量的集合中的正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在b%-c%范围内;
如果是,则确定验证通过;
从剩余的数据中来对所述参数d进行验证,包括:
从剩余的数据中统计每一个测量值出现的次数;
从次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
如果所述比值大于d%,则确定验证通过。
6.一种传感器数值异常识别装置,其特征在于,包括:
获取模块,用于获取传感器在第一预定时间段内的多个测量点集合;
其中,每一个测量点包括测量的时间点和与时间点对应的测量值;
确定模块,用于从所述多个测量点集合中确定出异常测量点;
判断所述异常测量点后的测量点是否窄幅震荡异常;如果是,则确定所述预定时间段内数值异常;
确定模块具体用于:
确定出测量值连续上升或者连续下降的时间区间;
确定出所述时间区间内的首末的两个测量点,分别为第一测量点和第二测量点;
对于第二测量点,计算所述第二测量点的第二测量值和第一测量点的第一测量值的差值;
根据所述时间区间和所述差值计算突变率;
判断所述突变率是否大于预定阈值;
如果是,则确定所述第二测量点为异常点;
确定模块具体还用于:
获取所述测量点之后的第二预定时间段内的多个测量点;
计算每一个测量点与前一个测量点的增量值;
判断所有的增量值是否都小于第一预定阈值a;
如果是,则分别统计正增量个数和负增量个数;
计算所述正增量个数和负增量个数的比值;
判断所述比值是否在预定的区间b%-c%内;
如果是,则统计连续上升的测量点的个数和连续下降的测量点的个数;
判断连续上升的测量点的个数或者连续下降的测量点的个数是否小于预定阈值;
如果是,则统计每一个测量值出现的次数;
从所述次数的集合中确定出最大的次数值;
计算所述最大的次数值占所有测量点数量的比值;
判断所述比值是否大于预定比值阈值d%;
如果是,则确定所述异常点后的测量点窄幅震荡异常。
7.一种传感器数值异常识别设备,其特征在于,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1-5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读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执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290809.1A CN111189488B (zh) | 2019-12-13 | 2019-12-13 | 一种传感器数值异常识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290809.1A CN111189488B (zh) | 2019-12-13 | 2019-12-13 | 一种传感器数值异常识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111189488A CN111189488A (zh) | 2020-05-22 |
CN111189488B true CN111189488B (zh) | 2020-12-04 |
Family
ID=70705821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290809.1A Active CN111189488B (zh) | 2019-12-13 | 2019-12-13 | 一种传感器数值异常识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111189488B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112161648B (zh) * | 2020-09-14 | 2022-07-08 | 精英数智科技股份有限公司 | 异常传感器的识别方法、装置、可读存储介质及电子设备 |
CN112528227A (zh) * | 2020-11-18 | 2021-03-19 | 浙江蓝卓工业互联网信息技术有限公司 | 一种基于数理统计的传感器异常数据识别方法 |
CN112649034B (zh) * | 2020-12-28 | 2023-09-19 | 精英数智科技股份有限公司 | 一种煤矿井下传感器调校状态的识别方法及装置 |
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 |
CN114034476B (zh) * | 2021-11-17 | 2022-06-14 | 深圳沈鼓测控技术有限公司 | 旋转机械转子结垢、腐蚀故障识别方法和装置 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | 中国移动通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
KR20140077654A (ko) * | 2012-12-14 | 2014-06-24 | 한국전자통신연구원 | 센서의 오류 데이터 검출 방법 |
CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
CN106017737A (zh) * | 2016-06-23 | 2016-10-12 | 福州丹诺西诚电子科技有限公司 | 一种温度传感器的故障诊断方法及系统 |
CN106021842A (zh) * | 2016-03-02 | 2016-10-12 | 浙江工业大学 | 一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法 |
CN106249243A (zh) * | 2016-07-12 | 2016-12-21 | 华德宝机械(昆山)有限公司 | 一种登机桥距离测量系统 |
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 |
CN106656618A (zh) * | 2016-12-29 | 2017-05-10 | 杭州后博科技有限公司 | 基于通信量分析的通信铁塔传感器异常识别方法及系统 |
CN107256205A (zh) * | 2017-05-10 | 2017-10-17 | 北京寄云鼎城科技有限公司 | 异常数据自动识别方法、设备和可读存储介质 |
CN107340014A (zh) * | 2017-08-31 | 2017-11-10 | 广东美的制冷设备有限公司 | 多传感器的检测方法、装置及计算机可读存储介质 |
CN107423435A (zh) * | 2017-08-04 | 2017-12-01 | 电子科技大学 | 多维时空数据的多层次异常检测方法 |
CN107576346A (zh) * | 2017-08-31 | 2018-01-12 | 广东美的制冷设备有限公司 | 传感器的检测方法、装置及计算机可读存储介质 |
CN108682140A (zh) * | 2018-04-23 | 2018-10-19 | 湘潭大学 | 一种基于压缩感知和自回归模型的增强型异常检测方法 |
CN108825344A (zh) * | 2018-06-08 | 2018-11-16 | 无锡威孚力达催化净化器有限责任公司 | 一种NOx传感器测量值合理性判断方法及装置 |
CN109800832A (zh) * | 2018-12-25 | 2019-05-24 | 太原理工大学 | 一种基于大规模射频识别系统的异常信息收集方法 |
CN110266527A (zh) * | 2019-06-11 | 2019-09-20 | 同济大学 | 基于空间相关性的传感器节点故障分类报警方法及装置 |
CN110287827A (zh) * | 2019-06-11 | 2019-09-27 | 南京睿永智运维工程科技有限公司 | 一种基于数据关联性的桥梁应变数据异常值识别方法 |
CN110310210A (zh) * | 2019-06-26 | 2019-10-08 | 广西越知网络股份有限公司 | 一种建筑工程综合数据采集分析及远程上传系统 |
CN110309886A (zh) * | 2019-07-08 | 2019-10-08 | 安徽农业大学 | 基于深度学习的无线传感器高维数据实时异常检测方法 |
CN110371058A (zh) * | 2019-08-01 | 2019-10-25 | 长春工业大学 | 一种车辆传感器工作异常判断装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180017417A1 (en) * | 2016-07-13 | 2018-01-18 | Electro-Motive Diesel, Inc. | System and method for identifying and predicting faults in sensors of locomotives |
-
2019
- 2019-12-13 CN CN201911290809.1A patent/CN111189488B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | 中国移动通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
KR20140077654A (ko) * | 2012-12-14 | 2014-06-24 | 한국전자통신연구원 | 센서의 오류 데이터 검출 방법 |
CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
CN106021842A (zh) * | 2016-03-02 | 2016-10-12 | 浙江工业大学 | 一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法 |
CN106017737A (zh) * | 2016-06-23 | 2016-10-12 | 福州丹诺西诚电子科技有限公司 | 一种温度传感器的故障诊断方法及系统 |
CN106249243A (zh) * | 2016-07-12 | 2016-12-21 | 华德宝机械(昆山)有限公司 | 一种登机桥距离测量系统 |
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 |
CN106656618A (zh) * | 2016-12-29 | 2017-05-10 | 杭州后博科技有限公司 | 基于通信量分析的通信铁塔传感器异常识别方法及系统 |
CN107256205A (zh) * | 2017-05-10 | 2017-10-17 | 北京寄云鼎城科技有限公司 | 异常数据自动识别方法、设备和可读存储介质 |
CN107423435A (zh) * | 2017-08-04 | 2017-12-01 | 电子科技大学 | 多维时空数据的多层次异常检测方法 |
CN107340014A (zh) * | 2017-08-31 | 2017-11-10 | 广东美的制冷设备有限公司 | 多传感器的检测方法、装置及计算机可读存储介质 |
CN107576346A (zh) * | 2017-08-31 | 2018-01-12 | 广东美的制冷设备有限公司 | 传感器的检测方法、装置及计算机可读存储介质 |
CN108682140A (zh) * | 2018-04-23 | 2018-10-19 | 湘潭大学 | 一种基于压缩感知和自回归模型的增强型异常检测方法 |
CN108825344A (zh) * | 2018-06-08 | 2018-11-16 | 无锡威孚力达催化净化器有限责任公司 | 一种NOx传感器测量值合理性判断方法及装置 |
CN109800832A (zh) * | 2018-12-25 | 2019-05-24 | 太原理工大学 | 一种基于大规模射频识别系统的异常信息收集方法 |
CN110266527A (zh) * | 2019-06-11 | 2019-09-20 | 同济大学 | 基于空间相关性的传感器节点故障分类报警方法及装置 |
CN110287827A (zh) * | 2019-06-11 | 2019-09-27 | 南京睿永智运维工程科技有限公司 | 一种基于数据关联性的桥梁应变数据异常值识别方法 |
CN110310210A (zh) * | 2019-06-26 | 2019-10-08 | 广西越知网络股份有限公司 | 一种建筑工程综合数据采集分析及远程上传系统 |
CN110309886A (zh) * | 2019-07-08 | 2019-10-08 | 安徽农业大学 | 基于深度学习的无线传感器高维数据实时异常检测方法 |
CN110371058A (zh) * | 2019-08-01 | 2019-10-25 | 长春工业大学 | 一种车辆传感器工作异常判断装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111189488A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111189488B (zh) | 一种传感器数值异常识别方法、装置、设备及存储介质 | |
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 | |
CN114446020B (zh) | 联动预警管理方法、系统、存储介质及设备 | |
CN115059634B (zh) | 鼓风设备的故障诊断方法及装置、电子设备 | |
CN111063048A (zh) | 设备巡检信息的处理方法、装置和电子设备 | |
US6502018B1 (en) | Method for diagnosis of equipment | |
JP2020071845A (ja) | 異常検知装置、異常検知方法および異常検知プログラム | |
CN116163807A (zh) | 一种基于arima模型的隧道健康监测异常数据动态预警方法 | |
CN114285612B (zh) | 一种异常数据检测的方法、系统、装置、设备及介质 | |
CN117556364B (zh) | 一种矿用矿压安全智能监测系统 | |
CN109243652B (zh) | 一种核电站系统压缩空气流量数据有效性判断系统及方法 | |
CN111562037B (zh) | 一种温度表的故障检测方法及装置 | |
CN106652393A (zh) | 假警报确定方法及装置 | |
CN115953880B (zh) | 一种柠檬酸生产用的监控预警系统及方法 | |
CN110595526B (zh) | 一种煤矿井下传感器标校的检测方法、装置和设备 | |
KR20180034071A (ko) | 가스 배관 위험성 측정 방법 및 이를 이용한 측정 시스템 | |
US11022707B2 (en) | Method of determining earthquake event and related earthquake detecting system | |
CN106874896B (zh) | 一种核电站一回路部件松脱诊断系统信号特征识别的辅助学习方法及系统 | |
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 | |
CN114596507A (zh) | 一种桥梁建模的监测方法、装置、设备及存储介质 | |
JPH04152220A (ja) | 異常検出方法および装置 | |
CN114357595A (zh) | 一种基于Forecast函数预测基坑侧壁水平位移的方法及系统 | |
JP7217593B2 (ja) | 予兆診断システム | |
US9223308B2 (en) | Method for the computer-assisted monitoring of the functional performance of a technical system |
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 |