CN112528227A - 一种基于数理统计的传感器异常数据识别方法 - Google Patents

一种基于数理统计的传感器异常数据识别方法 Download PDF

Info

Publication number
CN112528227A
CN112528227A CN202011290995.1A CN202011290995A CN112528227A CN 112528227 A CN112528227 A CN 112528227A CN 202011290995 A CN202011290995 A CN 202011290995A CN 112528227 A CN112528227 A CN 112528227A
Authority
CN
China
Prior art keywords
data
sensor
abnormal
absolute value
current
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
Application number
CN202011290995.1A
Other languages
English (en)
Inventor
王凤
夏忠武
周威杰
赵克建
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.)
Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd
Original Assignee
Zhejiang Lanzhuo Industrial Internet Information 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 Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd filed Critical Zhejiang Lanzhuo Industrial Internet Information Technology Co ltd
Priority to CN202011290995.1A priority Critical patent/CN112528227A/zh
Publication of CN112528227A publication Critical patent/CN112528227A/zh
Pending legal-status Critical Current

Links

Images

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)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及数据监测领域，尤其涉及一种基于数理统计的传感器异常数据识别方法，包括：S1：获取传感器的历史数据，并标注为异常数据和正常数据；S2：利用数理统计，计算单个采集周期内历史数据变化幅度的绝对值；S3：通过异常数据变化幅度的绝对值和正常数据变化幅度的绝对值确定阈值；S4：获取该传感器的当前数据，并计算当前数据变化幅度的绝对值；S5：将当前数据变化幅度的绝对值与阈值比较判断当前数据是否异常。通过使用本发明，可以实现以下效果：通过数理统计方法，计算传感器采集数据的变化幅度来设置阀值，不需要添加额外的设备和系统，可以快速识别传感器异常数据，提高设备预测性维护的准确度。

Description

一种基于数理统计的传感器异常数据识别方法
技术领域
本发明涉及数据监测领域，尤其涉及一种基于数理统计的传感器异常数据识别方法。
背景技术
在对设备进行预测性维护时，进行分析的数据多是从传感器获取的，从传感器获得的数据本身可能会出现由于传感器异常而导致上传数据异常。以压力传感器为例，传感器收集到的数据具有间隔短，波动频繁，灵敏度高，变化范围大等特点，在传感器发生异常时数据会出现上下跳变并持续一段时间等现象，这些数据特征与设备故障产生的数据特征相似而产生混淆，对设备的预测性维护产生干扰，需要将传感器异常与设备运行故障进行区分，提高设备故障预测准确性。
发明CN110595525A公开一种监测井下传感器异常的方法、装置、系统及介质。实际应用中传感器异常的诊断需要添加额外的诊断装置，增加成本，实际操作较为繁琐。
发明内容
为解决上述问题，本发明提出一种基于数理统计的传感器异常数据识别方法。
一种基于数理统计的传感器异常数据识别方法，包括：
S1：获取传感器的历史数据，并标注为异常数据和正常数据；
S2：利用数理统计，计算单个采集周期内历史数据变化幅度的绝对值；
S3：通过异常数据变化幅度的绝对值和正常数据变化幅度的绝对值确定阈值；
S4：获取该传感器的当前数据，并计算当前数据变化幅度的绝对值；
S5：将当前数据变化幅度的绝对值与阈值比较判断当前数据是否异常。
优选的，所述计算单个采集周期内历史数据变化幅度的绝对值采用公式为：
Figure BDA0002783850690000021
其中，ai,j是传感器j在i时刻的变化率绝对值，xi,j为传感器j在i时刻的值。
优选的，所述阈值大于正常数据变化幅度的绝对值且小于异常数据变化幅度的绝对值。
优选的，所述将当前数据变化幅度的绝对值与阈值比较判断当前数据是否异常包括：
若当前数据变化幅度的绝对值小于阈值，则判断当前数据为正常数据；
若当前数据变化幅度的绝对值大于或等于阈值，则判断当前数据为异常数据。
优选的，还包括：
重复步骤S1～S5，直到完成对同一设备不同传感器当前数据的异常识别；
若所有传感器的当前数据均为正常，输出所属设备的预测故障诊断结果；
若至少存在一个传感器的当前数据均为异常，则屏蔽当前时刻所属设备的预测故障信号。
优选的，还包括：
找到当前数据均为异常的传感器，获取从当前时刻起X个周期的数据；
若X个周期的数据均一致，则判断该传感器异常；
若不满足X个周期的数据均一致的条件，则判断该传感器正常，恢复并输出所属设备的预测故障诊断结果。
通过使用本发明，可以实现以下效果：
通过数理统计方法，计算传感器采集数据的变化幅度来设置阀值，不需要添加额外的设备和系统，可以快速识别传感器异常数据，提高设备预测性维护的准确度。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明一实施例一种基于数理统计的传感器异常数据识别方法步骤S1～S5的示意流程图；
图2是本发明一实施例一种基于数理统计的传感器异常数据识别方法步骤S6～S7的示意流程图；
图3是本发明一实施例一种基于数理统计的传感器异常数据识别方法步骤S8～S9的示意流程图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明实施例的基本思想是通过数理统计方法，计算传感器采集数据的变化幅度来设置阀值，不需要添加额外的设备和系统，可以快速识别传感器异常数据，提高设备预测性维护的准确度。
基于上述思想，本发明实施例提出一种基于数理统计的传感器异常数据识别方法，如图1所示，包括以下步骤：
一种基于数理统计的传感器异常数据识别方法，包括：
S1：获取传感器的历史数据，并标注为异常数据和正常数据。
对进行预测性维护的设备进行分析，得到设备故障相关的传感器列表，记为传感器1，传感器2，...，传感器n。
根据获得的传感器列表，获取传感器列表中传感器的历史数据，利用人工操作经验在历史数据中进行标注，标注为异常数据和正常数据，筛选出异常数据。
S2：利用数理统计，计算单个采集周期内历史数据变化幅度的绝对值。
遍历压力传感器列表，利用数理统计，计算单个采集周期内压力传感器变化幅度的绝对值，其公式为
Figure BDA0002783850690000041
ai,j是压力传感器j在i时刻的变化率绝对值，xi,j为传感器j在i时刻的值。
S3：通过异常数据变化幅度的绝对值和正常数据变化幅度的绝对值确定阈值。
阈值大于正常数据变化幅度的绝对值且小于异常数据变化幅度的绝对值。记传感器i的阀值为ηi，记录列表中所有传感器变化幅度的阀值，记录阀值列表为{η1,η2,…,ηn,}。
S4：获取该传感器的当前数据，并计算当前数据变化幅度的绝对值。
获取设备相关传感器1，获取到当前时刻i截止的总长度为m的一段序列X1＝{xi-m,1,xi-m+1,1,…,xi,1,}，依据上述公式计算该时间的变化幅度绝对值，记为A1＝{ai-m+1,1,ai-m+2,1,…,ai,1}。
S5：将当前数据变化幅度的绝对值与阈值比较判断当前数据是否异常。
将传感器1对应阀值η1与序列A1中的当前时刻值比较，若当前数据变化幅度的绝对值小于阈值，则判断当前数据为正常数据；若当前数据变化幅度的绝对值大于或等于阈值，则判断当前数据为异常数据。
如图2所示，在一实施例中，本方法还包括：
S6：重复步骤S1～S5，直到完成对同一设备不同传感器当前数据的异常识别；
S7：若所有传感器的当前数据均为正常，输出所属设备的预测故障诊断结果；若至少存在一个传感器的当前数据均为异常，则屏蔽当前时刻所属设备的预测故障信号。
重复步骤S1～S5，直到完成对同一设备不同传感器当前数据的异常识别，得到表示所有传感器在当前时刻状态的列表，将结果记为C＝{0,0,…,1,0,…}，其中0表示正常状态，1表示对应位置的压力传感器出现疑似异常。
若所有传感器的当前数据均为正常，输出所属设备的预测故障诊断结果；若至少存在一个传感器的当前数据均为异常，则屏蔽当前时刻所属设备的预测故障信号，以免输出错误的预测结果。
如图3所示，在一实施例中，本方法还包括：
S8：找到当前数据均为异常的传感器，获取从当前时刻起X个周期的数据；
S9：若X个周期的数据均一致，则判断该传感器异常；若不满足X个周期的数据均一致的条件，则判断该传感器正常，恢复并输出所属设备的预测故障诊断结果。
疑似异常状态下，确认异常情况。找到当前时刻状态为疑似异常的对应压力传感器，记为压力传感器k，找到当前时刻对应的的信号数据为xk,i，设置信号数据保持不变的周期记为X，获取从当前时刻起X个周期的数据D＝{xi,k,xi+1,k,…,xi+X,k,}，若D中的数据一致，确定当前设备输出传感器异常判断，如果不满足上述条件，则恢复并输出所属设备的预测故障诊断结果。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (6)

1.一种基于数理统计的传感器异常数据识别方法，其特征在于，包括：
S1：获取传感器的历史数据，并标注为异常数据和正常数据；
S2：利用数理统计，计算单个采集周期内历史数据变化幅度的绝对值；
S3：通过异常数据变化幅度的绝对值和正常数据变化幅度的绝对值确定阈值；
S4：获取该传感器的当前数据，并计算当前数据变化幅度的绝对值；
S5：将当前数据变化幅度的绝对值与阈值比较判断当前数据是否异常。
2.根据权利要求1所述的一种基于数理统计的传感器异常数据识别方法，其特征在于，所述计算单个采集周期内历史数据变化幅度的绝对值采用公式为：
Figure FDA0002783850680000011
其中，ai,j是传感器j在i时刻的变化率绝对值，xi,j为传感器j在i时刻的值。
3.根据权利要求1所述的一种基于数理统计的传感器异常数据识别方法，其特征在于，所述阈值大于正常数据变化幅度的绝对值且小于异常数据变化幅度的绝对值。
4.根据权利要求1所述的一种基于数理统计的传感器异常数据识别方法，其特征在于，所述将当前数据变化幅度的绝对值与阈值比较判断当前数据是否异常包括：
若当前数据变化幅度的绝对值小于阈值，则判断当前数据为正常数据；
若当前数据变化幅度的绝对值大于或等于阈值，则判断当前数据为异常数据。
5.根据权利要求1～4任一项所述的一种基于数理统计的传感器异常数据识别方法，其特征在于，还包括：
S6：重复步骤S1～S5，直到完成对同一设备不同传感器当前数据的异常识别；
S7：若所有传感器的当前数据均为正常，输出所属设备的预测故障诊断结果；若至少存在一个传感器的当前数据均为异常，则屏蔽当前时刻所属设备的预测故障信号。
6.根据权利要求5所述的一种基于数理统计的传感器异常数据识别方法，其特征在于，还包括：
S8：找到当前数据均为异常的传感器，获取从当前时刻起X个周期的数据；
S9：若X个周期的数据均一致，则判断该传感器异常；若不满足X个周期的数据均一致的条件，则判断该传感器正常，恢复并输出所属设备的预测故障诊断结果。
CN202011290995.1A 2020-11-18 2020-11-18 一种基于数理统计的传感器异常数据识别方法 Pending CN112528227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011290995.1A CN112528227A (zh) 2020-11-18 2020-11-18 一种基于数理统计的传感器异常数据识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011290995.1A CN112528227A (zh) 2020-11-18 2020-11-18 一种基于数理统计的传感器异常数据识别方法

Publications (1)

Publication Number Publication Date
CN112528227A true CN112528227A (zh) 2021-03-19

Family

ID=74981114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011290995.1A Pending CN112528227A (zh) 2020-11-18 2020-11-18 一种基于数理统计的传感器异常数据识别方法

Country Status (1)

Country Link
CN (1) CN112528227A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595256A (zh) * 2022-03-14 2022-06-07 哈尔滨市若初科技有限责任公司 一种基于大数据的信息管理系统及方法
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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104135074A (zh) * 2014-07-31 2014-11-05 上海交通大学 基于离群点检测的超高压变电站设备温度监测告警方法
CN105701471A (zh) * 2016-01-15 2016-06-22 昆明理工大学 一种激光扫描波形异常数据的修正方法
CN109239265A (zh) * 2018-09-11 2019-01-18 清华大学合肥公共安全研究院 监测设备故障检测方法及装置
CN109259743A (zh) * 2018-11-06 2019-01-25 烟台汇通佳仁医疗科技有限公司 一种生命体征感知系统
CN109710661A (zh) * 2018-12-21 2019-05-03 云南电网有限责任公司电力科学研究院 基于遗传模拟退火算法对高压加热器状态分析的方法
CN109767599A (zh) * 2019-03-12 2019-05-17 北京隆普智能科技有限公司 一种智能报警方法及其系统
CN110727669A (zh) * 2019-10-10 2020-01-24 国网辽宁省电力有限公司电力科学研究院 一种电力系统传感器数据清理装置及清理方法
CN111189488A (zh) * 2019-12-13 2020-05-22 精英数智科技股份有限公司 一种传感器数值异常识别方法、装置、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104135074A (zh) * 2014-07-31 2014-11-05 上海交通大学 基于离群点检测的超高压变电站设备温度监测告警方法
CN105701471A (zh) * 2016-01-15 2016-06-22 昆明理工大学 一种激光扫描波形异常数据的修正方法
CN109239265A (zh) * 2018-09-11 2019-01-18 清华大学合肥公共安全研究院 监测设备故障检测方法及装置
CN109259743A (zh) * 2018-11-06 2019-01-25 烟台汇通佳仁医疗科技有限公司 一种生命体征感知系统
CN109710661A (zh) * 2018-12-21 2019-05-03 云南电网有限责任公司电力科学研究院 基于遗传模拟退火算法对高压加热器状态分析的方法
CN109767599A (zh) * 2019-03-12 2019-05-17 北京隆普智能科技有限公司 一种智能报警方法及其系统
CN110727669A (zh) * 2019-10-10 2020-01-24 国网辽宁省电力有限公司电力科学研究院 一种电力系统传感器数据清理装置及清理方法
CN111189488A (zh) * 2019-12-13 2020-05-22 精英数智科技股份有限公司 一种传感器数值异常识别方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114595256A (zh) * 2022-03-14 2022-06-07 哈尔滨市若初科技有限责任公司 一种基于大数据的信息管理系统及方法
CN114595256B (zh) * 2022-03-14 2022-10-28 北京浩太同益科技发展有限公司 一种基于大数据的信息管理系统及方法
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

Similar Documents

Publication Publication Date Title
JP7282184B2 (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
CN111324105B (zh) 一种基于统计量马氏距离的微小传感器故障检测和分离方法
CN110909822A (zh) 一种基于改进的高斯过程回归模型的卫星异常检测方法
CN112528227A (zh) 一种基于数理统计的传感器异常数据识别方法
US11699561B2 (en) System for monitoring a circuit breaker
US11544554B2 (en) Additional learning method for deterioration diagnosis system
CN109255201B (zh) 一种基于som-mqe的滚珠丝杠副健康评估方法
US7949497B2 (en) Machine condition monitoring using discontinuity detection
CN116308305B (zh) 一种桥梁健康监测数据管理系统
WO2023190234A1 (ja) 高炉の異常判定装置、高炉の異常判定方法、高炉の操業方法、高炉の操業システム、高炉の異常判定サーバ装置、高炉の異常判定サーバ装置のプログラム、及び表示端末装置
CN111767183B (zh) 设备异常检测方法及装置、电子设备、存储介质
CN114492629A (zh) 异常检测方法、装置、电子设备及存储介质
US20220156586A1 (en) System for monitoring a circuit breaker
CN110553770B (zh) 船体结构应力监测系统传感器大漂移异常值故障诊断方法
CN112463646B (zh) 一种传感器异常检测方法及装置
CN112733446A (zh) 一种数据驱动的自适应异常检测方法
JP4782734B2 (ja) プラント用計測器校正支援装置及びプラント用計測器校正支援方法
CN114112390B (zh) 一种非线性复杂系统早期故障诊断方法
CN115060357A (zh) 一种基于语音分析的机电故障判断方法及系统
CN112231849B (zh) 基于nest和sprt融合算法的轴温故障检测方法
US11228606B2 (en) Graph-based sensor ranking
CN116878728B (zh) 一种压力传感器故障检测分析处理系统
CN117433591B (zh) 基于多传感器数据的自动化设备监测系统
TWI809622B (zh) 用於診斷系統問題的系統和方法
US20230205616A1 (en) System and method for diagnosing system problems

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