CN112463646B - 一种传感器异常检测方法及装置 - Google Patents
一种传感器异常检测方法及装置 Download PDFInfo
- Publication number
- CN112463646B CN112463646B CN202110098904.2A CN202110098904A CN112463646B CN 112463646 B CN112463646 B CN 112463646B CN 202110098904 A CN202110098904 A CN 202110098904A CN 112463646 B CN112463646 B CN 112463646B
- Authority
- CN
- China
- Prior art keywords
- data
- target data
- sensor
- variable
- column
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种传感器异常检测方法及装置,方法包括:获取包含待检测传感器的目标数据的多列数据;根据所述目标数据以及多列数据,确定传感器异常检测方式;根据所述传感器异常检测方式,输出检测结果。本发明解决了传感器异常所导致的监控系统虚假报警、控制系统误动作的问题,为工业生产安全提供了保障。
Description
技术领域
本发明涉及工业设备数据处理技术领域,特别是指一种传感器异常检测方法及装置。
背景技术
传感器异常是工业设备的常见故障,异常种类包括恒值异常、短期异常(尖峰、短期漂移)、噪声(增大)异常、偏差(恒定或漂移)异常,传感器异常导致监控系统虚假报警、控制系统误动作,为工业生产安全带来隐患。
发明内容
本发明要解决的技术问题是提供一种传感器异常检测方法及装置。解决了传感器异常所导致的监控系统虚假报警、控制系统误动作的问题,为工业生产安全提供了保障。
为解决上述技术问题,本发明的技术方案如下:
一种传感器异常检测方法,包括:
获取包含待检测传感器的目标数据的多列数据;
根据所述目标数据以及多列数据,确定传感器异常检测方式;
根据所述传感器异常检测方式,输出检测结果;
其中,确定传感器异常检测方式为空间相关算法检测,包括:
在多列数据中,查找高相关变量Xn;
根据高相关变量Xn,计算所述目标数据y的估计值ŷ;
根据所述高相关变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测;
在多列数据中,查找高相关变量Xn包括:
输入的多列数据为D,将D按行切割分成K份切片,记为Dk,每份数据时间连续且总行数相等,至少有dn行记录;
针对每份数据Dk,分别计算目标数据y与X1,…,Xn的线性相关系数,形成相关系数矩阵RK*N;
选择RK*N的列中元素的相关系数超过阈值thc的列Xn,作为y相关的变量列;
n=1…L,L表示找到的变量Xn的个数;
μy表示目标数据y的平均值;
μXn表示变量Xn的平均值;
σXn为表示变量Xn的标准差;
Cov(y,Xn)表示目标数据y和高相关变量Xn的协方差值;
如果L=1,且│y-ŷn│>δ1,则认为目标数据y异常,δ1为P1倍的训练数据标准差,所述训练数据偏差是y-ŷn;
如果L>1,判定是否│y-ŷn│>δ1(n=1…L),y与至少2个Xn相比,关系式都成立,则表示目标数据y异常,P1为预设值。
可选的,所述常规异常检测模式包括以下至少一项:
恒值异常检测;
尖峰异常检测;
噪声增大异常检测。
可选的,恒值异常包括:选用标准差σy指标,宽度为M时间窗口内的标准差σy在一预设范围Q内,则表示出现恒值异常,所述标准差σy反映目标数据y是否出现波动;
尖峰异常包括:计算目标数据y的d阶差分序列yd(t)=y(t)-y(t-d),如果yd(t)>δ3,则确定为尖峰异常,δ3为P3倍的训练数据的d阶差分的标准差,所述训练数据是健康的传感器数据,所述训练数据的d阶差分是yd(t);
噪声增大异常包括:判断宽度为M的时间窗口内序列是否平稳;平稳情况下,计算y的标准差σy,如果σy>δ4,则出现噪声增大异常,其中δ4为P4倍的去趋势训练数据的标准差;不平稳情况下,进行多次多项式回归拟合y,得到趋势项ŷ,使用y-ŷ作为新的序列重复判断时间窗口内序列是否平稳,当多个多项式均不平稳则无法判断噪声异常。
本发明的实施例还提供一种传感器异常检测装置,包括:
获取模块,用于获取包含待检测传感器的目标数据的多列数据;
确定模块,用于根据所述目标数据以及多列数据,确定传感器异常检测方式;
输出模块,用于根据所述传感器异常检测方式,输出检测结果;
其中,确定传感器异常检测方式为空间相关算法检测,包括:
在多列数据中,查找高相关变量Xn;
根据高相关变量Xn,计算所述目标数据y的估计值ŷ;
根据所述高相关变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测;
在多列数据中,查找高相关变量Xn包括:
输入的多列数据为D,将D按行切割分成K份切片,记为Dk,每份数据时间连续且总行数相等,至少有dn行记录;
针对每份数据Dk,分别计算目标数据y与X1,…,Xn的线性相关系数,形成相关系数矩阵RK*N;
选择RK*N的列中元素的相关系数超过阈值thc的列Xn,作为y相关的变量列;
n=1…L,L表示找到的变量Xn的个数;
μy表示目标数据y的平均值;
μXn表示变量Xn的平均值;
σXn为表示变量Xn的标准差;
Cov(y,Xn)表示目标数据y和高相关变量Xn的协方差值;
如果L=1,且│y-ŷn│>δ1,则认为目标数据y异常,δ1为P1倍的训练数据标准差,所述训练数据偏差是y-ŷn;
如果L>1,判定是否│y-ŷn│>δ1(n=1…L),y与至少2个Xn相比,关系式都成立,则表示目标数据y异常,P1为预设值。
本发明的实施例还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上所述的方法。
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,通过获取包含待检测传感器的目标数据的多列数据;根据所述目标数据以及多列数据,确定传感器异常检测方式;根据所述传感器异常检测方式,输出检测结果。解决了传感器异常所导致的监控系统虚假报警、控制系统误动作的问题,为工业生产安全提供了保障。
附图说明
图1是本发明实施例的传感器异常检测方法的流程示意图;
图2是本发明实施例的传感器异常检测方法的一实现流程示意图;
图3是本发明实施例的传感器异常检测方法恒值异常情况下的噪声波形示意图;
图4是本发明实施例的传感器异常检测方法尖峰异常情况下的噪声波形示意图;
图5是本发明实施例的传感器异常检测方法噪声增大异常情况下的噪声波形示意图;
图6是本发明实施例的传感器异常检测装置的结构示意图。
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1所示,本发明的实施例提出一种传感器异常检测方法,包括:
步骤11,获取包含待检测传感器的目标数据的多列数据;
步骤12,根据所述目标数据以及多列数据,确定传感器异常检测方式;
步骤13,根据所述传感器异常检测方式,输出检测结果。
该实施例,通过获取的目标数据,确定传感器异常检测方式进行检测,最终输出检测结果。解决了传感器异常所导致的监控系统虚假报警、控制系统误动作的问题,为工业生产安全提供了保障。
如图2所示,是上述步骤11、步骤12、步骤13的具体实现流程,由传感器检测并输入包含待检测传感器的多列数据,然后对目标数据的传感器异常检测方式进行确定,如存在与y变量Xn,则采用空间相关算法检测异常;如能找到与y相关特征,则采用机器学习重构检测异常;如是常见异常噪声,如恒值异常、尖峰异常、噪声增大异常,则用对应的解决方案进行检测。在确定了传感器异常检测方式后,进行模型融合决策,输出异常检测结果。
步骤11中,获取包含待检测传感器的目标数据的多列数据,是输入包含待检测传感器目标数据y的多列数据,数据内容应包括时间、测点、值信息,模块会将数据准换成宽表形式,如表1所示,时间是传感器检验的具体时间,变量y为目标数据,目标数据的多列数据表格变量X1,X2,…,Xn是变量Xn的集合,其中,测点均为浮点形式。
本发明的一可选实施例中,传感器异常检测方法的多列数据如表1所示:
表1
本发明一可选的实施例中,在步骤12中,根据所述目标数据以及多列数据,确定传感器异常检测方式,包括:
如果所述多列数据中,存在与所述目标数据相关的变量Xn,则确定传感器异常检测方式为空间相关算法检测;或者
如果所述多列数据中,存在与所述目标数据相关的特征,则确定传感器异常检测方式为机器学习重构检测;或者
根据所述目标数据以及多列数据,确定传感器异常检测方式为常规异常检测模式检测。
本实施例中,确定传感器异常检测的方式包括三种,如存在与所述目标数据y的高变量相关,则采用空间相关算法检测;如存在与所述目标数据y相关的特征,则采用机器学习重构检测;如是常规异常噪声,如恒值异常、尖峰异常、噪声增大异常,则采用常规异常检测模式检测。
本发明一可选的实施例中,所述常规异常检测模式包括以下至少一项:
恒值异常检测;
尖峰异常检测;
噪声增大异常检测。
本实施例中,如图3所示,图3是恒值异常情况下的噪声,则常规检测模式需要选用恒值异常检测;如图4所示,图4是尖峰异常情况下的噪声,则常规检测模式需要选用尖峰异常检测;如图5所示,图5是噪声增大异常情况下的噪声,则常规检测模式需要选用噪声增大异常检测。
本发明一可选的实施例中,如果所述多列数据中,存在与所述目标数据相关的变量Xn,则确定传感器异常检测方式为空间相关算法检测,包括:
在多列数据中,查找相关变量Xn;
根据变量Xn,计算所述目标数据y的估计值ŷ;
根据所述变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测。
本实施例中,存在与所述目标数据相关的变量Xn,则采用空间相关算法检测。空间相关算法检测的具体步骤如下:
步骤1211,进行变量Xn查找。
输入的多列数据为D,将D按行切割分成K份切片,记为Dk,每份数据时间连续且总行数近似相等,数据之间可以有交集,至少有dn行记录,其中,K的默认值为10,dn默认为100,n=1,…,N;
针对每份数据Dk,分别计算目标数据y与X1,…,Xn的线性相关系数,形成相关系数矩阵RK*N;
选择RK*N的列中80%以上元素的相关系数超过阈值thc的列Xn,作为y相关的变量列,相关变量个数记为L,其中需要说明的是,每列表示一个变量Xn,每列有K个元素,阈值thc默认值为0.8。
步骤1212,对查找的变量Xn计算所述目标数据y的估计值ŷ,包括:
n=1…L,L表示找到变量Xn的个数;
其中μy表示目标数据y的平均值;μXn表示变量Xn的平均值;σXn表示变量Xn的标准差;Cov(y,Xn)表示目标数据y和变量Xn的协方差值。
步骤1213,根据所述变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测,包括:
如果L=1,且│y-ŷn│>δ1,则认为目标数据y异常,δ1为P1倍的训练数据偏差的标准差,所述训练数据偏差是y-ŷn;
如果L>1,判定是否│y-ŷn│>δ1(n=1…L),y与至少2个变量Xn相比,关系式都成立,则表示目标数据y异常,P1为预设值。
这里需要说明的是,如果找不到变量Xn,即L=0,则不能使用该模型进行判断。
本发明一可选的实施例中,如果所述多列数据中,存在与所述目标数据相关特征,则确定传感器异常检测方式为机器学习重构检测,包括:
计算目标数据y不同延迟步长下的偏自相关系数序列,选择偏自相关系数序列中元素值大于设定值的元素,做自回归特征集合;
计算目标数据y与变量Xn不同延迟步长下的线性相关系数序列,选择线性相关系数序列中元素值大于设定值的元素,做其他回归特征集合;
建立预测模型计算ŷ=f(φyd,φxd),其中φyd是自回归特征集合,φxd是其他回归特征集合;
判定是否│y-ŷ│>δ2,δ2为P2倍的训练数据偏差的标准差,关系式成立,则表示与变量Xn比目标数据y异常,P2为预设值,所述训练数据偏差是y-ŷ。
本实施例中,存在与所述目标数据相关的变量Xn,则采用空间相关算法检测。空间相关算法检测的具体步骤如下:
步骤1221,进行自回归特征选择。
计算目标数据y不同延迟步长下的偏自相关系数序列[φ1,φ2,…,φdy],其中dy为目标序列y一半的取整值;选择序列中元素大于0.4的φi,做自回归特征合集φdy={y(t-d)│d=1,…,Dy};
步骤1222,进行其他回归特征选择。
计算目标数据y与变量Xn不同延迟步长下的线性相关系数[r1,r2,…,rdx],其中dx为x序列长度一半的取整值;选择序列中元素大于0.4的ri,做回归特征集合φxd={Xn(t-d)│d=1,…,Dx,n=1,…,N};
步骤1223,计算估计值ŷ。
用机器学习方法建立预测模型计算估计值ŷ,其中机器学习方法包括SVM;估计值ŷ的计算公式以步骤1221和步骤1222得到的自回归特征和其他回归特征做自变量:ŷ=f(φyd,φxd),其中模型参数使用交叉检验方法确定,回归评估为指标R2。
步骤1224,检测判别。
判定是否│y-ŷ│>δ2,δ2为P2倍的训练数据偏差的标准差,关系式成立则表示目标数据y异常,P2为预设值,所述训练数据偏差是y-ŷ。
本发明一可选的实施例中,常见异常模式检测中,
恒值异常包括:选用标准差σy指标,宽度为M时间窗口内的标准差σy在一预设范围Q内,则表示出现恒值异常,所述标准差σy反映目标数据y是否出现波动;
尖峰异常包括:计算目标数据y的d阶差分序列yd(t)=y(t)-y(t-d),如果yd(t)>δ3,则确定为尖峰异常,δ3为P3倍的训练数据的d阶差分的标准差,所述训练数据是健康的传感器数据,所述训练数据的d阶差分是yd(t);
噪声增大异常包括:判断宽度为M的时间窗口内序列是否平稳;平稳情况下,计算y的标准差σy,如果σy>δ4,则出现噪声增大异常,其中δ4为P4倍的去趋势训练数据的标准差;不平稳情况下,进行多次多项式回归拟合y,得到趋势项ŷ,使用y-ŷ作为新的序列重复判断时间窗口内序列是否平稳,当多个多项式均不平稳则无法判断噪声异常。
本实施例中,恒值异常检测选用标准差σy指标,标准差σy指标反映待检测信号y是否出现波动,标准差σy越小波动越小;宽度为M时间窗口内的标准差σy在一预设范围Q内,则表示出现恒值异常,预设范围Q指的是标准差σy小于10-2,宽度M可根据监测效果调整,M默认为20个采样;同时给出异常描述信息,如恒值为0或量程的上、下限辅助研判;
尖峰异常检测先计算采样信号y的d阶差分序列yd(t)=y(t)-y(t-d),如果yd(t)>δ3,则表示出现尖峰异常,其中,差分步长d可根据检测效果调整,默认为1;
噪声增大异常的前提是宽度为M的时间窗口内的序列平稳,采用ADF(AugmentedDickey-Fuller;增广迪基-福勒检验)测试对序列做序列平稳性检验,其中宽度M可根据监测效果调整,M默认为20个采样;如果序列平稳性检验结果为平稳则计算y的标准差σy,当σy>δ4时,出现噪声增大异常,δ4为P4倍的去趋势训练数据的标准差,去趋势方法可用LOESS回归;如果序列平稳性检验结果为不平稳,则分别尝试不同阶次的多项式回归获得y的趋势项ӯ,选择交叉检验最小的阶次多项式作为使用e=y-ŷ作为新的序列重复ADF检验,如果新序列仍不平稳则输出无法判断噪声异常。
本发明一可选的实施例中,传感器异常检测方法还可以包括:模型融合决策并输出异常检测结果;
模型融合决策是对确定传感器异常检测方式的结果进行判断,如果任何一种模型出现了报错,则认为传感器异常并输出异常检测结果,其中,如果是常见异常模式出现了告警信息,需要给出是恒值异常、尖峰异常或噪声增大异常中的具体异常模式信息。
本发明的上述方案解决了传感器异常所导致的监控系统虚假报警、控制系统误动作的问题,为工业生产安全提供了保障。
如图6所示,本发明还提供一种传感器异常检测装置60,包括:
获取模块61,用于获取包含待检测传感器的目标数据的多列数据;
确定模块62,用于根据所述目标数据以及多列数据,确定传感器异常检测方式;
输出模块63,用于根据所述传感器异常检测方式,输出检测结果;
其中,确定传感器异常检测方式为空间相关算法检测,包括:
在多列数据中,查找高相关变量Xn;
根据高相关变量Xn,计算所述目标数据y的估计值ŷ;
根据所述高相关变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测;
在多列数据中,查找高相关变量Xn包括:
输入的多列数据为D,将D按行切割分成K份切片,记为Dk,每份数据时间连续且总行数相等,至少有dn行记录;
针对每份数据Dk,分别计算目标数据y与X1,…,Xn的线性相关系数,形成相关系数矩阵RK*N;
选择RK*N的列中元素的相关系数超过阈值thc的列Xn,作为y相关的变量列;
n=1…L,L表示找到的变量Xn的个数;
μy表示目标数据y的平均值;
μXn表示变量Xn的平均值;
σXn为表示变量Xn的标准差;
Cov(y,Xn)表示目标数据y和高相关变量Xn的协方差值;
如果L=1,且│y-ŷn│>δ1,则认为目标数据y异常,δ1为P1倍的训练数据标准差,所述训练数据偏差是y-ŷn;
如果L>1,判定是否│y-ŷn│>δ1(n=1…L),y与至少2个Xn相比,关系式都成立,则表示目标数据y异常,P1为预设值。
可选的,所述常规异常检测模式包括以下至少一项:
恒值异常检测;
尖峰异常检测;
噪声增大异常检测。
可选的,恒值异常包括:选用标准差σy指标,宽度为M时间窗口内的标准差σy在一预设范围Q内,则表示出现恒值异常,所述标准差σy反映目标数据y是否出现波动;
尖峰异常包括:计算目标数据y的d阶差分序列yd(t)=y(t)-y(t-d),如果yd(t)>δ3,则确定为尖峰异常,δ3为P3倍的训练数据的d阶差分的标准差,所述训练数据是健康的传感器数据,训练数据的d阶差分是yd(t);
噪声增大异常包括:判断宽度为M的时间窗口内序列是否平稳;平稳情况下,计算y的标准差σy,如果σy>δ4,则出现噪声增大异常,其中δ4为P4倍的去趋势训练数据的标准差;不平稳情况下,进行多次多项式回归拟合y,得到趋势项ŷ,使用y-ŷ作为新的序列重复判断时间窗口内序列是否平稳,当多个多项式均不平稳则无法判断噪声异常。
需要说明的是,该装置是与上述方法对应的装置,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。
本发明还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (6)
1.一种传感器异常检测方法,其特征在于,包括:
获取包含待检测传感器的目标数据的多列数据;
如果所述多列数据中,存在与所述目标数据相关的变量Xn,则确定传感器异常检测方式为空间相关算法检测;
如果所述多列数据中,存在与所述目标数据相关的特征,则确定传感器异常检测方式为机器学习重构检测;
根据所述目标数据以及多列数据,确定传感器异常检测方式为常规异常检测模式检测;
根据所述传感器异常检测方式,输出检测结果;
其中,确定传感器异常检测方式为空间相关算法检测,包括:
在多列数据中,查找高相关变量Xn;
根据高相关变量Xn,计算所述目标数据y的估计值ŷ;
根据所述高相关变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测;
在多列数据中,查找高相关变量Xn包括:
输入的多列数据为D,将D按行切割分成K份切片,记为Dk,每份数据时间连续且总行数相等,至少有dn行记录;
针对每份数据Dk,分别计算目标数据y与X1,…,Xn的线性相关系数,形成相关系数矩阵RK*N;
选择RK*N的列中元素的相关系数超过阈值thc的列Xn,作为y相关的变量列;
n=1…L,L表示找到的变量Xn的个数;
μy表示目标数据y的平均值;
μXn表示变量Xn的平均值;
σXn为表示变量Xn的标准差;
Cov(y,Xn)表示目标数据y和高相关变量Xn的协方差值;
如果L=1,且│y-ŷn│>δ1,则认为目标数据y异常,δ1为P1倍的训练数据标准差,所述训练数据偏差是y-ŷn;
如果L>1,判定是否│y-ŷn│>δ1(n=1…L),y与至少2个Xn相比,关系式都成立,则表示目标数据y异常,P1为预设值。
2.根据权利要求1所述的传感器异常检测方法,其特征在于,所述常规异常检测模式包括以下至少一项:
恒值异常检测;
尖峰异常检测;
噪声增大异常检测。
3.根据权利要求1所述的传感器异常检测方法,其特征在于,如果所述多列数据中,存在与所述目标数据相关特征,则确定传感器异常检测方式为机器学习重构检测异常检测,包括:
计算目标数据y不同延迟步长下的偏自相关系数序列,选择偏自相关系数序列中元素值大于设定值的元素,做自回归特征集合;
计算目标数据y与高相关变量Xn不同延迟步长下的线性相关系数序列,选择线性相关系数序列中元素值大于设定值的元素,做其他回归特征集合;
建立预测模型计算ŷ=f(φyd,φxd),其中φyd是自回归特征集合,φxd是其他回归特征集合;
判定是否│y-ŷ│>δ2,δ2为P2倍的训练数据的标准差,关系式成立则表示目标数据y异常,P2为预设值,所述训练数据偏差是y-ŷ。
4.根据权利要求2所述的传感器异常检测方法,其特征在于,
恒值异常包括:选用标准差σy指标,宽度为M时间窗口内的标准差σy在一预设范围Q内,则表示出现恒值异常,所述标准差σy反映目标数据y是否出现波动;
尖峰异常包括:计算目标数据y的d阶差分序列yd(t)=y(t)-y(t-d),如果yd(t)>δ3,则确定为尖峰异常,δ3为P3倍的训练数据的d阶差分的标准差;所述训练数据是健康的传感器数据,所述训练数据的d阶差分是yd(t);
噪声增大异常包括:判断宽度为M的时间窗口内序列是否平稳;平稳情况下,计算y的标准差σy,如果σy>δ4,则出现噪声增大异常,其中δ4为P4倍的去趋势训练数据的标准差;不平稳情况下,进行多次多项式回归拟合y,得到趋势项ŷ,使用y-ŷ作为新的序列重复判断时间窗口内序列是否平稳,当多个多项式均不平稳则无法判断噪声异常。
5.一种传感器异常检测装置,其特征在于,
获取模块,用于获取包含待检测传感器的目标数据的多列数据;
确定模块,用于如果所述多列数据中,存在与所述目标数据相关的变量Xn,则确定传感器异常检测方式为空间相关算法检测;
如果所述多列数据中,存在与所述目标数据相关的特征,则确定传感器异常检测方式为机器学习重构检测;
根据所述目标数据以及多列数据,确定传感器异常检测方式为常规异常检测模式检测;
输出模块,用于根据所述传感器异常检测方式,输出检测结果;
其中,确定传感器异常检测方式为空间相关算法检测,包括:
在多列数据中,查找高相关变量Xn;
根据高相关变量Xn,计算所述目标数据y的估计值ŷ;
根据所述高相关变量Xn以及估计值ŷ,确定传感器异常检测方式为空间相关算法检测;
在多列数据中,查找高相关变量Xn包括:
输入的多列数据为D,将D按行切割分成K份切片,记为Dk,每份数据时间连续且总行数相等,至少有dn行记录;
针对每份数据Dk,分别计算目标数据y与X1,…,Xn的线性相关系数,形成相关系数矩阵RK*N;
选择RK*N的列中元素的相关系数超过阈值thc的列Xn,作为y相关的变量列;
n=1…L,L表示找到的变量Xn的个数;
μy表示目标数据y的平均值;
μXn表示变量Xn的平均值;
σXn为表示变量Xn的标准差;
Cov(y,Xn)表示目标数据y和高相关变量Xn的协方差值;
如果L=1,且│y-ŷn│>δ1,则认为目标数据y异常,δ1为P1倍的训练数据标准差,所述训练数据偏差是y-ŷn;
如果L>1,判定是否│y-ŷn│>δ1(n=1…L),y与至少2个Xn相比,关系式都成立,则表示目标数据y异常,P1为预设值。
6.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098904.2A CN112463646B (zh) | 2021-01-25 | 2021-01-25 | 一种传感器异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098904.2A CN112463646B (zh) | 2021-01-25 | 2021-01-25 | 一种传感器异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112463646A CN112463646A (zh) | 2021-03-09 |
CN112463646B true CN112463646B (zh) | 2021-05-11 |
Family
ID=74802269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110098904.2A Active CN112463646B (zh) | 2021-01-25 | 2021-01-25 | 一种传感器异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112463646B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238543B (zh) * | 2021-04-14 | 2022-09-23 | 东北大学 | 面向多模态特性工业过程的模态划分方法和故障监测方法 |
TWI809622B (zh) * | 2021-12-24 | 2023-07-21 | 臥龍智慧環境有限公司 | 用於診斷系統問題的系統和方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345593A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 面向传感器单数据流的聚集异常检测方法 |
CN112148577A (zh) * | 2020-10-09 | 2020-12-29 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6877245B2 (ja) * | 2017-06-01 | 2021-05-26 | 株式会社東芝 | 情報処理装置、情報処理方法及びコンピュータプログラム |
CN111522247B (zh) * | 2020-05-09 | 2023-07-14 | 上海正项信息科技有限公司 | 智能家居系统中多个传感器的异常检测方法 |
CN111879349A (zh) * | 2020-08-03 | 2020-11-03 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
-
2021
- 2021-01-25 CN CN202110098904.2A patent/CN112463646B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345593A (zh) * | 2013-07-31 | 2013-10-09 | 哈尔滨工业大学 | 面向传感器单数据流的聚集异常检测方法 |
CN112148577A (zh) * | 2020-10-09 | 2020-12-29 | 平安科技(深圳)有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112463646A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
CN112463646B (zh) | 一种传感器异常检测方法及装置 | |
US9779495B2 (en) | Anomaly diagnosis method and apparatus | |
Kullaa | Sensor validation using minimum mean square error estimation | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
JP6361175B2 (ja) | 異常診断装置及びプログラム | |
JP4046309B2 (ja) | プラント監視装置 | |
RU2601669C2 (ru) | Система мониторинга измерительной схемы турбореактивного двигателя | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
CN104216350A (zh) | 感测数据分析系统及方法 | |
JP7413159B2 (ja) | 情報処理装置、プログラム及び監視方法 | |
JP4952688B2 (ja) | 睡眠判定装置及び睡眠判定方法 | |
WO2019087508A1 (ja) | 監視対象選定装置、監視対象選定方法、およびプログラム | |
US20230213924A1 (en) | Abnormal irregularity cause identifying device, abnormal irregularity cause identifying method, and abnormal irregularity cause identifying program | |
US20080288213A1 (en) | Machine condition monitoring using discontinuity detection | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
EP2135144A1 (en) | Machine condition monitoring using pattern rules | |
JP2009110262A (ja) | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム | |
CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
EP3999983B1 (en) | Time-series data condensation and graphical signature analysis | |
JP5949032B2 (ja) | 前処理方法及び異常診断装置 | |
US7366639B2 (en) | Methods for establishing alerts and/or alert limits for monitoring mechanical devices | |
CN104848883B (zh) | 一种基于稀疏表示的传感器噪声与故障的判别方法 | |
US10866163B2 (en) | Anomaly monitoring device and method for producing anomaly signs according to combinations of sensors based on relationship of sensor fluctuations | |
JP6818242B2 (ja) | 異常分析方法、プログラムおよびシステム |
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 |