CN111931872A - 一种趋势性征兆的异常确定方法及装置 - Google Patents
一种趋势性征兆的异常确定方法及装置 Download PDFInfo
- Publication number
- CN111931872A CN111931872A CN202011030858.4A CN202011030858A CN111931872A CN 111931872 A CN111931872 A CN 111931872A CN 202011030858 A CN202011030858 A CN 202011030858A CN 111931872 A CN111931872 A CN 111931872A
- Authority
- CN
- China
- Prior art keywords
- trend
- symptom
- abnormal
- sequence
- subsequence
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明的实施例提供一种趋势性征兆的异常确定方法及装置，包括：获取趋势性征兆的序列；确定所述趋势性征兆研判模型；根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。同时，本发明具有利用少量案例数据去自动检测趋势性异常的特点。
Description
技术领域
本发明涉及工业设备的信息处理技术领域，特别是指一种趋势性征兆的异常确定方法及装置。
背景技术
在工业设备的数据处理过程中，工业设备的相关指标可能会存在一些征兆，例如，工业设备的转子热弯曲振动通频值大、启停机时同转速下通频量差值较大、启停机时同转速下工频量差值较大。
趋势性征兆也是工业设备或工业过程异常预警中的一种常见征兆，如图1所示，例如工业设备的“温度缓慢上升”、“泄漏量持续增长”等。
但是，趋势性征兆的直接形式化表达非常繁琐，与业务场景密切相关。
趋势中存在的干扰包括：噪声、周期波动、毛刺（即干扰）；
趋势除了幅度，还有时长、上升速度等特征；
工业中也不存在足够的样本，需要靠机器学习“盲挖”去学习背后的模式。
发明内容
本发明提供一种趋势性征兆的异常确定方法和装置，用于利用少量案例数据去自动检测趋势性异常。
为解决上述技术问题，本发明的技术方案如下：
一种趋势性征兆的异常确定方法，包括：
获取趋势性征兆的序列；
确定所述趋势性征兆研判模型；
根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。
可选的，所述趋势性征兆研判模型通过以下过程确定：
获取包括了用户标记的异常趋势的趋势性征兆的长期序列；
从所述长期序列中确定所述异常趋势的时间窗口的分布；
根据时间窗口，获取所述长期序列中的正常子序列；
根据所述正常子序列和异常子序列，确定所述趋势性征兆的研判模型。
可选的，根据所述异常趋势的时间窗口，获取所述长期序列中的正常子序列，包括：
根据所述异常趋势的时间窗口的分布，按照时间窗口大小滑动，获取所述长期序列中的正常子序列。
可选的，根据所述正常子序列和异常子序列，确定所述趋势征兆的研判模型，包括：
对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；
对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
可选的，所述特征变量包括：
趋势项的能量占比；
周期项的能量占比；
干扰项的能量占比；
趋势项的模态类型和参数。
可选的，所述趋势项的模态类型包括线型模态、指数型模态或者对数型模态。
可选的，在符合时间窗口长度的正常子序列中，只选取斜率的绝对值大于或等于所述用户标记的异常子序列的斜率的绝对值的正常子序列。
可选的，对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型，包括：
采用分类算法对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
可选的，根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常，包括：
按照时间窗口的大小滑动，获取趋势性征兆的序列中的多个正常子序列；
对多个所述正常子序列进行分解，获得多个正常子序列的特征变量；
将所述特征变量输入所述趋势性征兆研判模型中，输出趋势性征兆的序列是否异常的结果。
本发明的实施例还提供一种趋势性征兆的异常确定装置，包括：
获取模块，用于获取趋势性征兆的序列；
确定模块，用于确定所述趋势性征兆研判模型；
处理模块，用于根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过分类算法对特征变量进行分类模型训练，确定趋势征兆的研判模型；可以实现利用少量案例数据去自动检测趋势性异常。
附图说明
图1是趋势性征兆示意图；
图2是本发明实施例的趋势性征兆的异常确定方法的流程示意图；
图3是本发明实施例的趋势性征兆的异常确定方法的获取研判模型的流程示意图；
图4是本发明实施例的趋势性征兆的异常确定方法的输出趋势性征兆的序列是否异常的结果的流程示意图；
图5是本发明实施例的趋势性征兆的异常确定方法输出的缓慢上升的故障征兆示意图；
图6是本发明实施例的趋势性征兆的异常确定方法输出的突然上升的故障征兆示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图2所示，本发明的实施例提出一种趋势性征兆的异常确定方法，包括：
S1：获取趋势性征兆的序列；
S2：确定所述趋势性征兆研判模型；
S3：根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。
本发明的上述方案，通过获取趋势性征兆的序列，并根据分类算法以及少量案例数据确定所述趋势性征兆研判模型；可以实现所述趋势性征兆研判模型自动检测趋势性征兆的异常。
本发明的一可选的实施例中，如图3所示，步骤S2，所述趋势性征兆研判模型通过以下过程确定：
S21：获取包括了用户标记的异常趋势的趋势性征兆的长期序列；
S22：从所述长期序列中确定所述异常趋势的时间窗口的分布；
S23：根据时间窗口，获取所述长期序列中的正常子序列；
S24：根据所述正常子序列和异常子序列，确定所述趋势性征兆的研判模型。
本发明的一可选的实施例中，步骤S23，根据所述异常趋势的时间窗口，获取所述长期序列中的正常子序列，包括：
根据所述异常趋势的时间窗口的分布，按照时间窗口大小滑动，获取所述长期序列中的正常子序列。
具体的，对于异常趋势的时间窗口的分布，通过统计分布，获取其最大值和最小值；如果有明显的簇，可以采用聚类算法。
本发明的一可选的实施例中，步骤S24中：根据所述正常子序列和异常子序列，确定所述趋势征兆的研判模型，包括：
S241：对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；
S242：对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
本发明的一可选的实施例中，步骤S241中：可以通过时序的鲁棒性对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；
具体的，可以采用STL、SSA、EMD、Wavelets等算法实现时序的鲁棒性分解。
本发明的一可选的实施例中，步骤S242中：所述特征变量包括：
趋势项的能量占比；
周期项的能量占比；
干扰项的能量占比；
趋势项的模态类型和参数。
具体的，上述能量占比，可以通过下述公式计算获得：
其中：SNR为信噪比，P代表能量，A代表有效幅值（对于一维时序数据，可以用标准差等同）；
本发明的一可选的实施例中，步骤S242中：所述趋势项的模态类型包括但不限于线型模态、指数型模态或者对数型模态。
具体的，对于趋势项模态的确定：
指数：
对数：
线型/多项式：
其中，
为常量；
为系数；t为时间；
为自变量。
对于变化趋势的参数的确定：
采用Lasso回归，获取最简洁的表达方式；
对多种变化模式，选择一定置信度（通常选择95%置信度）以上模型中MAE（MeanAbsolute Error，误差绝对值的平均数）最小的一个模型，或则置信度最高的一个模型。
本发明的一可选的实施例中，步骤S24中：在符合时间窗口长度的正常子序列中，只选取斜率的绝对值大于或等于所述用户标记的异常子序列的斜率的绝对值的正常子序列。
具体的，在正常序列上，采用线性回归，获取正常子序列的斜率。
所述正常子序列的斜率的绝对值接近所述用户标记的异常子序列的斜率的绝对值。
本发明的一可选的实施例中，步骤S243中：对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型，包括：
采用分类算法对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
具体的，可以采用局决策树等分类算法进行分类模型训练。
本发明的一可选的实施例中，步骤S3中：根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常，包括：
S31：按照时间窗口的大小滑动，获取趋势性征兆的序列中的多个正常子序列；
S32：对多个所述正常子序列进行分解，获得多个正常子序列的特征变量；
S33：将所述特征变量输入所述趋势性征兆研判模型中，输出趋势性征兆的序列是否异常的结果。
具体的，如图4所示，输入趋势性征兆的序列；
按照时间窗口的大小滑动，获取趋势性征兆的序列中的多个正常子序列；
对多个所述正常子序列进行分解，获得多个正常子序列的趋势项的能量占比、周期项的能量占比、干扰项的能量占比以及趋势项的模态类型和参数；
将获得的趋势项的能量占比、周期项的能量占比、干扰项的能量占比以及趋势项的模态类型和参数输入至上述训练获得的趋势性征兆研判模型，
输出趋势性征兆的序列是否异常的结果。
如图5至图6所示，步骤S33中，根据输入的趋势性征兆的序列，输出趋势性征兆示意图，找到与输出的趋势性征兆示意图对应的故障征兆示意图，可以得到输入的趋势性征兆的序列是否异常的结果。
本发明的上述技术方案，根据少量案例，进行时序趋势性征兆自动刻画的方法，不仅可以适用不同时长，同时还考虑了周期性趋势、噪声的影响，考虑了不同的趋势性模式（例如，线性、指数型等），考虑了正常与异常的区别，易于实现，且结果精准。
本发明的实施例还提供一种趋势性征兆的异常确定装置，包括：
获取模块，用于获取趋势性征兆的序列；
确定模块，用于确定所述趋势性征兆研判模型；
处理模块，用于根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。
可选的，确定模块包括：
第一获取单元，用于获取包括了用户标记的异常趋势的趋势性征兆的长期序列；
第一确定单元，用于从所述长期序列中确定所述异常趋势的时间窗口的分布；
第二获取单元，用于根据时间窗口，获取所述长期序列中的正常子序列；
第二确定单元，用于根据所述正常子序列和异常子序列，确定所述趋势征兆的研判模型。
可选的，根据所述异常趋势的时间窗口，获取所述长期序列中的正常序列，包括：
根据所述异常趋势的时间窗口的分布，按照时间窗口大小滑动，获取所述长期序列中的正常序列。
可选的，根据所述正常子序列和异常子序列，确定所述趋势征兆的研判模型，包括：
对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；
对所述特征变量进行分类模型训练，确定所述趋势性征兆的研判模型。
可选的，所述特征变量包括：
趋势项的能量占比；
周期项的能量占比；
干扰项的能量占比；
趋势项的模态类型和参数。
可选的，所述趋势项的模态类型包括线型模态、指数型模态或者对数型模态。
可选的，在符合时间窗口长度的正常子序列中，只选取斜率的绝对值大于或等于所述用户标记的异常子序列的斜率的绝对值的正常子序列。
可选的，对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型，包括：
采用分类算法对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
可选的，根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常，包括：
按照时间窗口的大小滑动，获取趋势性征兆的序列中的多个正常子序列；
对多个所述正常子序列进行分解，获得多个正常子序列的特征变量；
将所述特征变量输入所述趋势性征兆研判模型中，输出趋势性征兆的序列是否异常的结果。
需要说明的是，该装置是与上述图2所示方法的实施例对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可 以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种趋势性征兆的异常确定方法，其特征在于，包括：
获取趋势性征兆的序列；
确定所述趋势性征兆研判模型；
根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。
2.根据权利要求1所述的趋势性征兆的异常确定方法，其特征在于，所述趋势性征兆研判模型通过以下过程确定：
获取包括了用户标记的异常趋势的趋势性征兆的长期序列；
从所述长期序列中确定所述异常趋势的时间窗口的分布；
根据时间窗口，获取所述长期序列中的正常子序列；
根据正常子序列和异常子序列，确定所述趋势性征兆的研判模型。
3.根据权利要求2所述的趋势性征兆的异常确定方法，其特征在于，根据所述异常趋势的时间窗口，获取所述长期序列中的正常子序列，包括：
根据所述异常趋势的时间窗口的分布，按照时间窗口大小滑动，获取所述长期序列中的正常子序列。
4.根据权利要求2所述的趋势性征兆的异常确定方法，其特征在于，根据所述正常子序列和异常子序列，确定所述趋势征兆的研判模型，包括：
对所述正常子序列和异常子序列进行分解，获得所述正常子序列和异常子序列的特征变量；
对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
5.根据权利要求4所述的趋势性征兆的异常确定方法，其特征在于，所述特征变量包括：
趋势项的能量占比；
周期项的能量占比；
干扰项的能量占比；
趋势项的模态类型和参数。
6.根据权利要求5所述的趋势性征兆的异常确定方法，其特征在于，所述趋势项的模态类型包括线型模态、指数型模态或者对数型模态。
7.根据权利要求2所述的趋势性征兆的异常确定方法，其特征在于，在符合时间窗口长度的正常子序列中，只选取斜率的绝对值大于或等于所述用户标记的异常子序列的斜率的绝对值的正常子序列。
8.根据权利要求4所述的趋势性征兆的异常确定方法，其特征在于，对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型，包括：
采用分类算法对所述特征变量进行分类模型训练，确定所述趋势征兆的研判模型。
9.根据权利要求1-8任一项所述的趋势性征兆的异常确定方法，其特征在于，根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常，包括：
按照时间窗口的大小滑动，获取趋势性征兆的序列中的多个正常子序列；
对多个所述正常子序列进行分解，获得多个正常子序列的特征变量；
将所述特征变量输入所述趋势性征兆研判模型中，输出趋势性征兆的序列是否异常的结果。
10.一种趋势性征兆的异常确定装置，其特征在于，包括：
获取模块，用于获取趋势性征兆的序列；
确定模块，用于确定所述趋势性征兆研判模型；
处理模块，用于根据所述趋势性征兆研判模型，确定所述趋势性征兆的序列是否异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030858.4A CN111931872B (zh) | 2020-09-27 | 2020-09-27 | 一种趋势性征兆的异常确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011030858.4A CN111931872B (zh) | 2020-09-27 | 2020-09-27 | 一种趋势性征兆的异常确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111931872A true CN111931872A (zh) | 2020-11-13 |
| CN111931872B CN111931872B (zh) | 2021-11-16 |
Family
ID=73335120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011030858.4A Active CN111931872B (zh) | 2020-09-27 | 2020-09-27 | 一种趋势性征兆的异常确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111931872B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559602A (zh) * | 2021-02-21 | 2021-03-26 | 北京工业大数据创新中心有限公司 | 一种工业设备征兆的目标样本的确定方法及系统 |
| CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
| CN116864020A (zh) * | 2023-09-05 | 2023-10-10 | 山东鲁扬新材料科技有限公司 | 应用于egda生成过程的数据管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016085172A1 (ko) * | 2014-11-27 | 2016-06-02 | 주식회사 베가스 | 설비의 예측 정비 시스템 및 방법 |
| CN108846058A (zh) * | 2018-06-01 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种时间序列中的异常数据校正方法、装置及处理设备 |
| CN109993189A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种网络故障预警方法、装置和介质 |
| CN111324637A (zh) * | 2020-02-05 | 2020-06-23 | 北京工业大数据创新中心有限公司 | 一种工业时序数据的故障征兆搜索方法及系统 |
| CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
-
2020
- 2020-09-27 CN CN202011030858.4A patent/CN111931872B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016085172A1 (ko) * | 2014-11-27 | 2016-06-02 | 주식회사 베가스 | 설비의 예측 정비 시스템 및 방법 |
| CN109993189A (zh) * | 2018-01-02 | 2019-07-09 | 中国移动通信有限公司研究院 | 一种网络故障预警方法、装置和介质 |
| CN108846058A (zh) * | 2018-06-01 | 2018-11-20 | 阿里巴巴集团控股有限公司 | 一种时间序列中的异常数据校正方法、装置及处理设备 |
| CN111324637A (zh) * | 2020-02-05 | 2020-06-23 | 北京工业大数据创新中心有限公司 | 一种工业时序数据的故障征兆搜索方法及系统 |
| CN111353482A (zh) * | 2020-05-25 | 2020-06-30 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112559602A (zh) * | 2021-02-21 | 2021-03-26 | 北京工业大数据创新中心有限公司 | 一种工业设备征兆的目标样本的确定方法及系统 |
| CN112559602B (zh) * | 2021-02-21 | 2021-07-13 | 北京工业大数据创新中心有限公司 | 一种工业设备征兆的目标样本的确定方法及系统 |
| CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
| CN116864020A (zh) * | 2023-09-05 | 2023-10-10 | 山东鲁扬新材料科技有限公司 | 应用于egda生成过程的数据管理系统 |
| CN116864020B (zh) * | 2023-09-05 | 2023-11-03 | 山东鲁扬新材料科技有限公司 | 应用于egda生成过程的数据管理系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111931872B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111931872B (zh) | 一种趋势性征兆的异常确定方法及装置 | |
| Jablonski et al. | Modeling of probability distribution functions for automatic threshold calculation in condition monitoring systems | |
| JP4762088B2 (ja) | プロセス異常診断装置 | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| US8347144B2 (en) | False alarm mitigation | |
| Chen et al. | An efficient ICA-DW-SVDD fault detection and diagnosis method for non-Gaussian processes | |
| CN112288021A (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
| CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 | |
| Chadha et al. | Time series based fault detection in industrial processes using convolutional neural networks | |
| Graß et al. | Unsupervised anomaly detection in production lines | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| JP2022074890A (ja) | 異常判定装置、学習装置及び異常判定方法 | |
| CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
| CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
| Chesterman et al. | Overview of normal behavior modeling approaches for SCADA-based wind turbine condition monitoring demonstrated ondata from operational wind farms | |
| Yang et al. | Change detection in rotational speed of industrial machinery using Bag-of-Words based feature extraction from vibration signals | |
| CN113886470A (zh) | 一种时间序列数据的处理方法、装置及设备 | |
| Zhang et al. | Anomaly Detection of ICS based on EB-OCSVM | |
| Kim et al. | Moving sum procedure for change point detection under piecewise linearity | |
| Vitale | A performance evaluation of despiking algorithms for eddy covariance data | |
| CN114090377A (zh) | 一种数据监控方法及装置 | |
| CN111310113A (zh) | 基于时序数据的专家规则系统的反例生成方法及装置 | |
| Zhong et al. | Abnormal State Detection using Memory-augmented Autoencoder technique in Frequency-Time Domain | |
| US20230110056A1 (en) | Anomaly detection based on normal behavior modeling | |
| Behzadi et al. | Dependency anomaly detection for heterogeneous time series: A Granger-Lasso approach |
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 |