CN113420652B - 一种时序信号片段异常识别方法、系统、介质及终端 - Google Patents
一种时序信号片段异常识别方法、系统、介质及终端 Download PDFInfo
- Publication number
- CN113420652B CN113420652B CN202110693414.7A CN202110693414A CN113420652B CN 113420652 B CN113420652 B CN 113420652B CN 202110693414 A CN202110693414 A CN 202110693414A CN 113420652 B CN113420652 B CN 113420652B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence signal
- isolated
- data
- abnormality
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Abstract
本发明提供一种时序信号片段异常识别方法、系统、介质及终端,方法包括:获取原始时序信号,进行切片处理,切分为m个时序信号片段;预先设置n个维度,对时序信号片段分别进行每个维度的特征抽取,以一时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据,建立孤立森林模型,并获取每个样本在孤立森林模型中的路径长度,根据路径长度对异常程度进行评分,完成异常识别;本发明无需积累及标记异常数据,即可实现异常片段的自动捕捉,实用性及落地性大大提高,支持自动识别所有类型的异常,在所有场景通用,不依赖于具体场景的前期知识库的建立,大大降低了前期准备工作的工作量及工作难度。
Description
技术领域
本发明涉及通信领域和计算机应用领域,尤其涉及一种时序信号片段异常的识别方法、系统、介质及终端。
背景技术
时序信号分析在工业生产领域有着举足轻重的地位,对异常生产反馈信号的正确捕捉可以辅助相关工作人员及时发现并处理异常或隐患,降低事故发生率、提升作业率。在实际工作中,仅通过人工观察的方式判断是否异常。
针对部分固定场景或设备的识别,一般通过构建有监督的分类模型来进行分析,主要分为有风险和无风险两个类别,但是,这种方法主要有两个缺陷:第一,有监督模型需要大量异常标记,而由于一般正常生产情况下异常发生频率极低,且标记需要专业人员完成,因此,会导致标记样本量严重不足。第二,有监督模型的数据来自历史已有的数据,导致模型只能识别历史数据中已经存在的异常时序信号片段类型,而新的异常类型由于不在历史数据中故难以识别,导致模型精度不够。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种时序信号片段异常的识别方法、系统、介质及终端,以解决上述技术问题。
本发明提供的时序信号片段异常的识别方法,包括:
获取原始时序信号,对所述时序信号进行切片处理,将所述原始时序信号切分为m个时序信号片段;
预先设置n个维度,表征所述时序信号片段特征;
对所述时序信号片段分别进行每个维度的特征抽取,以一所述时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据;
根据所述截面数据建立孤立森林模型,并获取每个所述样本在孤立森林模型中的路径长度,根据所述路径长度对异常程度进行评分,完成异常识别。
于本发明的一实施例中,预先设定判断阈值,所述判断阈值根据中位数、维度数量和四分位距获取;
当异常程度评分大于所述判断阈值时,判定时序信号片段为异常片段,并对其进行标记;所述维度包括平稳性、趋势、波动性和数据大小中一种或几种的组合。
于本发明的一实施例中,在根据所述截面数据建立孤立森林模型之前,还包括对所述数据进行预处理,所述预处理包括:
对所述截面数据进行一致性检查、缺失值处理、对无效和重复数据进行数据清洗。
于本发明的一实施例中,所述孤立森林模型为树型集成模型,包括一棵或多棵孤立树,每棵孤立树的所有节点包括两个子节点或没有子节点;
根据所述样本,形成样本集,通过随机选择所述样本集的特征和随机选择特征的分裂值对所述样本集进行递归处理,建立所述孤立树,进而建立所述孤立森林模型。
于本发明的一实施例中,将孤立树的根节点作为起始点,从上至下按不同特征的取值,直至到达终端节点;
根据所述根节点到所述终端节点经过的边的数目,以及所述子节点的样本数获取所述路径长度。
于本发明的一实施例中,对所述样本集进行递归处理时,当所述孤立树的深度达到限定的最大值时,或者递归后孤立树的节点只有一个样本时,或者递归后孤立树的节点所包含的数据都有相同的值时,停止进行递归处理。
于本发明的一实施例中,对所述原始时序信号进行多次抽样,所述抽样包括抽取所述原始时序信号中的部分数据,根据一次抽样的数据建立一对应的孤立树,经过多次抽样,获取多棵孤立树,形成孤立森林。
于本发明的一实施例中,获取原始时序信号,以及所述原始时序信号的周期性规律,根据信号周期对所述时序信号进行切片处理。
本发明还提供一种时序信号片段异常识别系统,包括:
信号采集模块,用于获取原始时序信号,
信号处理模块,用于对所述时序信号进行切片处理,将所述原始时序信号切分为m个时序信号片段;预先设置n个维度,表征所述时序信号片段特征;对所述时序信号片段分别进行每个维度的特征抽取,以一所述时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据;
孤立森林模型,所述孤立森林模型根据所述截面数据建立,
获取每个所述样本在孤立森林模型中的路径长度,根据所述路径长度对异常程度进行评分,完成异常识别。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述中任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述中任一项所述方法。
本发明的有益效果:本发明中的时序信号片段异常的识别方法、系统、介质及终端,适合工业大样本场景的高效的无监督异常值检测,从数据的可获取性角度出发,仅需要捕捉呈周期性变化时序信号数据,无需积累及标记异常数据,即可实现异常片段的自动捕捉,实用性及落地性大大提高;本发明中的方法支持自动识别所有类型的异常,在所有场景通用,不依赖于具体场景的前期知识库的建立,大大降低了前期准备工作的工作量及工作难度。
附图说明
图1是本发明实施例中时序信号片段异常的识别方法的流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员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与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
如图1所示,本实施例中的时序信号片段异常识别方法,包括:
S101.获取原始时序信号,对所述时序信号进行切片处理,将所述原始时序信号切分为m个时序信号片段;
S102.预先设置n个维度,表征所述时序信号片段特征;
S103.对所述时序信号片段分别进行每个维度的特征抽取,以一所述时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据;
S104.根据所述截面数据建立孤立森林模型,并获取每个所述样本在孤立森林模型中的路径长度,根据所述路径长度对异常程度进行评分,完成异常识别。
在本实施例的步骤S101中,由于原始时序信号数据随着生产节奏,呈现规律的周期性波动。以棒线材轧钢产线轧机电流反馈信号为例,一个完整的波动周期刚好是轧机完成对一个钢坯轧制的周期,按照周期进行切片,获得的时序信号片段可以表示对应钢坯轧制时轧机的电流波动情况,在本实施例中,可以通过传感器捕捉的呈周期性变化时序信号数据。
在本实施例的步骤S102中,预先设置n个维度,表征所述时序信号片段特征,本实施例中的维度可以包括表征时序片段数据的平稳性、趋势、波动性、大小等,例如,通过计算片段的均值,可以表征时序片段数据的大小,同样的,平稳性和波动性可以通过一个平稳的时间序列表现出围绕均值不断波动的过程来进行表征,趋势也同样可以通过数据的表现方式进行表征。
在本实施例的步骤S103中,特征抽取是指计算时序信号片段的统计特征,表征时序片段数据的平稳性、趋势、波动性、大小等。在完成特征抽取之后,原始时序信号将转换为以一个时序信号片段为一个样本,以一个维度为一个特征列的截面数据;假设共有m个片段,共抽取n维特征,则截面数据为m*n维。
在本实施例的步骤S104中,孤立森林模型是一种树型集成模型,孤立森林模型由一棵以上孤立树组成,本实施例中的孤立树通过递归处理形成,递归由一种(或多种)简单的基本情况定义的一类对象或方法,并规定其他所有情况都能被还原为其基本情况。在本实施例中,每棵孤立树的所有节点都有2个子节点或没有子节点;给定含n个样本的集合X={x1,x2,...,xn},通过随机选择数据集的特征q和随机选择特征的分裂值p来递归样本集X,从而建立孤立树。
在本实施例中,孤立树为二叉树形式,二叉树是多个有限元素的集合,该集合或者为空、或者由一个称为根的元素及两个不相交的、被分别称为左子树和右子树的二叉树组成,本实施例中的每棵孤立树的所有节点都有2个子节点或没有子节点,形成二叉树形式。孤立树中的叶子结点,即为终端结点,表示没有子树的结点或者度为零的结点。从根结点开始,假设根结点为第1层,根结点的子节点为第2层,依此类推,如果某一个结点位于第L层,则其子节点位于第L+1层。
在本实施例中,先对原始数据进行t次抽样,每次抽取一部分数据建立一个孤立树,t次抽样建立t棵孤立树,进而由t棵孤立树组成了孤立森林。
在本实施例中,针对递归处理,可以预先设置若干边界条件,条件如下所示:
①孤立树的深度达到限定的最大值;
②某次递归后孤立树的节点只有一个样本;
③某次递归后孤立树的节点所包含的数据都有相同的值。
在递归建立孤立树的过程中,可以直到满足以上三个条件之一后,停止进行递归处理。
在本实施例中,计算某一时序信号片段x的异常程度得分时,先要获取其在每棵孤立树中的路径长度。具体的,先沿着一棵孤立树,从根节点开始按不同特征的取值从上往下,直到到达某一子节点。假设孤立树的训练样本中同样落在时序信号片段x所在子节点的样本数为T.size,则时序信号片段x在这棵孤立树上的路径长度h(x),通过如下公式计算:
h(x)=e+C(T.size) 式(1)
其中,e表示时序信号片段x从孤立树的根节点到叶子节点过程中经过的边的数目,C(T.size)为修正值,表示在一棵用T.size条样本数据构建的二叉树的平均路径长度。
在本实施例中,C(n)的计算公式如下:
其中,H(n-1)可以用ln(n-1)+0.5772156649估算,常数为欧拉常数,时序信号片段x最终的异常分值Score(x)综合了多棵孤立树的结果。
在本实施例中,针对异常分值的公式可以看出,如果时序信号片段x在多棵孤立树中的平均路径长度越短,得分越接近1,表明时序信号片段x越异常;如果时序信号片段x在多棵孤立树中的平均路径长度越长,得分越接近0,表示时序信号片段x越正常;如果时序信号片段x在多棵孤立树中的平均路径长度接近整体均值,则得分会在0.5附近。
在本实施例中,计算出所有时序信号片段的异常程度评分值,由于该分值非正态分布,而是呈长尾分布,可选的,可以根据中位数+n*IQR(四分位差)原则计算出判断阈值,通过与判断阈值进行比较,判定时序信号片段是否为异常。
在本实施例中,在步骤104之前,还包括对所述数据进行预处理,预处理包括:对截面数据进行一致性检查、缺失值处理、对无效和重复数据进行数据清洗。
相应的,本实施例还提供一种时序信号片段异常识别系统,包括:
信号采集模块,用于获取原始时序信号,
信号处理模块,用于对所述时序信号进行切片处理,将所述原始时序信号切分为m个时序信号片段;预先设置n个维度,表征所述时序信号片段特征;对所述时序信号片段分别进行每个维度的特征抽取,以一所述时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据;
孤立森林模型,所述孤立森林模型根据所述截面数据建立,
获取每个所述样本在孤立森林模型中的路径长度,根据所述路径长度对异常程度进行评分,完成异常识别。
在本实施例中,信号采集模块可以采用传感器,获取原始时序信号,本实施例中的时序信号片段异常识别系统,通过上述方法,对时序信号片段异常识别。
在本实施例中,由于原始时序信号数据随着生产节奏,呈现规律的周期性波动。以棒线材轧钢产线轧机电流反馈信号为例,一个完整的波动周期刚好是轧机完成对一个钢坯轧制的周期,按照周期进行切片,获得的时序信号片段可以表示对应钢坯轧制时轧机的电流波动情况,在本实施例中,可以通过传感器捕捉的呈周期性变化时序信号数据。
在本实施例中,预先设置n个维度,表征所述时序信号片段特征,本实施例中的维度可以包括表征时序片段数据的平稳性、趋势、波动性、大小等,例如,通过计算片段的均值,可以表征时序片段数据的大小。
在本实施例中,特征抽取是指计算时序信号片段的统计特征,表征时序片段数据的平稳性、趋势、波动性、大小等。在完成特征抽取之后,原始时序信号将转换为以一个时序信号片段为一个样本,以一个维度为一个特征列的截面数据;假设共有m个片段,共抽取n维特征,则截面数据为m*n维。
在本实施例中,孤立森林模型是一种树型集成模型,孤立森林模型由一棵以上孤立树组成,每棵孤立树的所有节点都有2个子节点或没有子节点;给定含n个样本的集合X={x1,x2,...,xn},通过随机选择数据集的特征q和随机选择特征的分裂值p来递归样本集X,从而建立孤立树。
在本实施例中,先对原始数据进行t次抽样,每次抽取一部分数据建立一个孤立树,t次抽样建立t棵孤立树,进而由t棵孤立树组成了孤立森林。
在本实施例中,针对递归处理,可以预先设置若干条件,条件如下所示:
①孤立树的深度达到限定的最大值;
②某次递归后孤立树的节点只有一个样本;
③某次递归后孤立树的节点所包含的数据都有相同的值。
在递归建立孤立树的过程中,可以直到满足以上三个条件之一后,停止进行递归处理。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable 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。
在上述实施例中,说明书对“本实施例”、“一实施例”、“另一实施例”、或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中,但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中,尽管已经结合了本发明的具体实施例对本发明进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如,其他存储结构(例如,动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (11)
1.一种时序信号片段异常识别方法,其特征在于,包括:
获取呈周期性变化的原始时序信号,根据信号周期对所述时序信号进行切片处理,将所述原始时序信号切分为m个时序信号片段;
预先设置n个维度,表征所述时序信号片段特征,所述维度包括平稳性、趋势、波动性和数据大小中一种或几种的组合;
对所述时序信号片段分别进行每个维度的特征抽取,以一所述时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据;
根据所述截面数据建立孤立森林模型,并获取每个所述样本在孤立森林模型中的路径长度,根据所述路径长度对异常程度进行评分,完成异常识别。
2.根据权利要求1所述的时序信号片段异常识别方法,其特征在于,预先设定判断阈值,所述判断阈值根据中位数、维度数量和四分位距获取;
当异常程度评分大于所述判断阈值时,判定时序信号片段为异常片段,并对其进行标记。
3.根据权利要求1所述的时序信号片段异常识别方法,其特征在于,在根据所述截面数据建立孤立森林模型之前,还包括对所述数据进行预处理,所述预处理包括:
对所述截面数据进行一致性检查、缺失值处理、对无效和重复数据进行数据清洗。
4.根据权利要求1所述的时序信号片段异常识别方法,其特征在于,所述孤立森林模型为树型集成模型,包括一棵或多棵孤立树,每棵孤立树的所有节点包括两个子节点或没有子节点;
根据所述样本,形成样本集,通过随机选择所述样本集的特征和随机选择特征的分裂值对所述样本集进行递归处理,建立所述孤立树,进而建立所述孤立森林模型。
5.根据权利要求4所述的时序信号片段异常识别方法,其特征在于,将孤立树的根节点作为起始点,从上至下按不同特征的取值,直至到达终端节点;
根据所述根节点到所述终端节点经过的边的数目,以及所述子节点的样本数获取所述路径长度。
6.根据权利要求4所述的时序信号片段异常识别方法,其特征在于,对所述样本集进行递归处理时,当所述孤立树的深度达到限定的最大值时,或者递归后孤立树的节点只有一个样本时,或者递归后孤立树的节点所包含的数据都有相同的值时,停止进行递归处理。
7.根据权利要求4所述的时序信号片段异常识别方法,其特征在于,对所述原始时序信号进行多次抽样,所述抽样包括抽取所述原始时序信号中的部分数据,根据一次抽样的数据建立一对应的孤立树,经过多次抽样,获取多棵孤立树,形成孤立森林。
8.根据权利要求1所述的时序信号片段异常识别方法,其特征在于,获取原始时序信号,以及所述原始时序信号的周期性规律,根据信号周期对所述时序信号进行切片处理。
9.一种时序信号片段异常识别系统,其特征在于,包括:
信号采集模块,用于获取呈周期性变化的原始时序信号;
信号处理模块,用于根据信号周期对所述时序信号进行切片处理,将所述原始时序信号切分为m个时序信号片段;预先设置n个维度,表征所述时序信号片段特征,所述维度包括平稳性、趋势、波动性和数据大小中一种或几种的组合;对所述时序信号片段分别进行每个维度的特征抽取,以一所述时序信号片段为一样本,以一维度为一特征列,获取m*n维的截面数据;
孤立森林模型,所述孤立森林模型根据所述截面数据建立,
获取每个所述样本在孤立森林模型中的路径长度,根据所述路径长度对异常程度进行评分,完成异常识别。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至8中任一项所述方法。
11.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至8中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693414.7A CN113420652B (zh) | 2021-06-22 | 2021-06-22 | 一种时序信号片段异常识别方法、系统、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110693414.7A CN113420652B (zh) | 2021-06-22 | 2021-06-22 | 一种时序信号片段异常识别方法、系统、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420652A CN113420652A (zh) | 2021-09-21 |
CN113420652B true CN113420652B (zh) | 2023-07-14 |
Family
ID=77716113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110693414.7A Active CN113420652B (zh) | 2021-06-22 | 2021-06-22 | 一种时序信号片段异常识别方法、系统、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420652B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984827A (zh) * | 2019-05-24 | 2020-11-24 | 上海东方富联科技有限公司 | 门磁传感器数据异常检测方法及系统、存储介质及终端 |
CN113704241B (zh) * | 2021-10-27 | 2022-03-08 | 国网浙江省电力有限公司信息通信分公司 | 一种低业务依赖的能源数据智能稽核方法 |
CN115310497A (zh) * | 2022-10-11 | 2022-11-08 | 南通韦俐数控机床有限公司 | 用于数控机床轴承的异常识别方法 |
CN117407822B (zh) * | 2023-12-12 | 2024-02-20 | 江苏新希望生态科技有限公司 | 一种全自动芽苗机及其控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110032670A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 时序数据的异常检测方法、装置、设备及存储介质 |
WO2019233189A1 (zh) * | 2018-06-04 | 2019-12-12 | 江南大学 | 一种传感网络异常数据检测方法 |
CN111931834A (zh) * | 2020-07-31 | 2020-11-13 | 广东工业大学 | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 |
CN112448947A (zh) * | 2020-11-10 | 2021-03-05 | 奇安信科技集团股份有限公司 | 网络异常确定方法、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921440B (zh) * | 2018-07-11 | 2022-08-05 | 平安科技(深圳)有限公司 | 污染物异常监测方法、系统、计算机设备和存储介质 |
CN111798312B (zh) * | 2019-08-02 | 2024-03-01 | 深圳索信达数据技术有限公司 | 一种基于孤立森林算法的金融交易系统异常识别方法 |
CN111092757B (zh) * | 2019-12-06 | 2021-11-23 | 网宿科技股份有限公司 | 一种异常数据的检测方法、系统及设备 |
CN111651767A (zh) * | 2020-06-05 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种异常行为检测方法、装置、设备及存储介质 |
CN112036085B (zh) * | 2020-08-31 | 2023-03-24 | 中冶赛迪信息技术(重庆)有限公司 | 一种轧钢燃耗参数推荐方法、系统、介质及终端 |
-
2021
- 2021-06-22 CN CN202110693414.7A patent/CN113420652B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233189A1 (zh) * | 2018-06-04 | 2019-12-12 | 江南大学 | 一种传感网络异常数据检测方法 |
CN110032670A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技(深圳)有限公司 | 时序数据的异常检测方法、装置、设备及存储介质 |
CN111931834A (zh) * | 2020-07-31 | 2020-11-13 | 广东工业大学 | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 |
CN112448947A (zh) * | 2020-11-10 | 2021-03-05 | 奇安信科技集团股份有限公司 | 网络异常确定方法、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
A Vibration Signal Anomaly Detection Method Based on Frequency Component Clustering and Isolated Forest Algorithm;Haoyan Xu 等;《2019 IEEE 2nd International Conference on Automation, Electronics and Electrical Engineering (AUTEEE)》;49-53 * |
基于时间序列分析的挤压机异常检测研究与应用;许志城;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第06期);B022-343 * |
多维时序数据根因定位关键技术的研究;肖开发;《中国优秀硕士学位论文全文数据库信息科技辑》(第02期);I138-573 * |
孤立森林算法在大坝监测数据异常识别中的应用;张海龙;范振东;陈敏;;《人民黄河》(第08期);160-163+174 * |
Also Published As
Publication number | Publication date |
---|---|
CN113420652A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420652B (zh) | 一种时序信号片段异常识别方法、系统、介质及终端 | |
CN111798312A (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN104123448B (zh) | 基于上下文的多数据流异常检测方法 | |
CN113360656A (zh) | 异常数据检测方法、装置、设备及存储介质 | |
CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN113495913B (zh) | 一种空气质量数据缺失值插补方法及装置 | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN113536087B (zh) | 作弊站点的识别方法、装置、设备、存储介质及程序产品 | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN113191089A (zh) | 一种基于滑动窗口的尾矿砂液化数据聚类方法 | |
CN112784887A (zh) | 一种植物生命状态评价方法及装置 | |
CN115249133B (zh) | 一种基于宽度学习网络的建筑施工过程风险分类方法 | |
Bones et al. | Clustering Multivariate Climate Data Streamsusing Fractal Dimension. | |
US20220284061A1 (en) | Search system and search method | |
CN117782599A (zh) | 一种滚动轴承故障诊断方法、装置、设备及介质 | |
CN105843926B (zh) | 现实信息索引的建立方法和基于云平台的全文检索系统 | |
CN114462483A (zh) | 一种时间序列异常检测方法、装置、电子设备及存储介质 | |
CN117494053A (zh) | 一种变压器多状态量数据异常检测方法、介质及系统 | |
CN115344560A (zh) | 一种名称数据处理方法、装置、电子设备及存储介质 | |
CN117705178A (zh) | 风电螺栓信息检测方法、装置、电子设备和存储介质 | |
CN115861925A (zh) | 一种智能视觉监控告警方法和系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd. Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |