CN113915153A - 一种矿用通风机异常检测的方法、系统、设备和存储介质 - Google Patents
一种矿用通风机异常检测的方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN113915153A CN113915153A CN202111158981.9A CN202111158981A CN113915153A CN 113915153 A CN113915153 A CN 113915153A CN 202111158981 A CN202111158981 A CN 202111158981A CN 113915153 A CN113915153 A CN 113915153A
- Authority
- CN
- China
- Prior art keywords
- data
- detecting
- feature data
- residual
- periodic
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000005856 abnormality Effects 0.000 title claims description 47
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 230000000737 periodic effect Effects 0.000 claims abstract description 50
- 238000005065 mining Methods 0.000 claims abstract description 22
- 230000036541 health Effects 0.000 claims abstract description 11
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000009423 ventilation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000000869 mutational effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F1/00—Ventilation of mines or tunnels; Distribution of ventilating currents
- E21F1/08—Ventilation arrangements in connection with air ducts, e.g. arrangements for mounting ventilators
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Air Conditioning Control Device (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种矿用通风机异常检测的方法、系统、设备和存储介质,方法包括:获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。本发明对单特征数据和多特征数据采取不同的检测算法,提高了检测的准确性。
Description
技术领域
本发明涉及设备检测领域,更具体地,特别是指一种矿用通风机异常检测的方法、系统、设备和存储介质。
背景技术
通风机是煤矿安全生产的关键设备,担负着向井下输送新鲜空气、排出粉尘和污浊气流、确保矿井安全生产的重任。为保证通风机安全、稳定、经济地运行。煤矿每年投入大量资金和人力对其进行健康维护。现有的通风机检测方法主要采用振动分析法。
目前的方法存在的主要问题:
1、大多数矿井矿山的通风机对于震动数据的采集频率不高,难以对其做震动性分析;
2、采用传统方法对通风机进行检测需要专业人员到现场查看,采集数据;
3、对于其他体现通风机运行状态的指标(温度、电流等)则没有考虑。
发明内容
有鉴于此,本发明实施例的目的在于提出一种矿用通风机异常检测的方法、系统、计算机设备及计算机可读存储介质,本发明使用震动数据以外的其他设备数据特征对通风机设备进行异常分析检测,对一维数据中周期性数据采用周期性分解算法,分解为周期性、趋势性、残差,并对残差序列进行异常检测,对多维数据采用孤立森林算法进行异常检测,提高了检测的准确性。
基于上述目的,本发明实施例的一方面提供了一种矿用通风机异常检测的方法,包括如下步骤:获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述单特征数据运用不同的检测算法进行检测包括:通过孤立森林算法检测所述多特征数据中的异常点。
本发明实施例的另一方面,提供了一种矿用通风机异常检测的系统,包括:采集模块,配置用于获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;分类模块,配置用于从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;分解模块,配置用于根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及检测模块,配置用于对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
在一些实施方式中,所述检测模块配置用于:对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。
在一些实施方式中,所述检测模块配置用于:对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。
在一些实施方式中,所述检测模块配置用于:通过孤立森林算法检测所述多特征数据中的异常点。
本发明实施例的又一方面,还提供了一种计算机设备,包括:至少一个处理器;以及存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现如上方法的步骤。
本发明实施例的再一方面,还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时实现如上方法步骤的计算机程序。
本发明具有以下有益技术效果:使用震动数据以外的其他设备数据特征对通风机设备进行异常分析检测,对一维数据中周期性数据采用周期性分解算法,分解为周期性、趋势性、残差,并对残差序列进行异常检测,对多维数据采用孤立森林算法进行异常检测,提高了检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的实施例。
图1为本发明提供的矿用通风机异常检测的方法的实施例的示意图;
图2为本发明提供的矿用通风机异常检测的方法中周期性数据分解的时序图;
图3为本发明提供的矿用通风机异常检测的方法中突变性检测结果时序图;
图4为本发明提供的矿用通风机异常检测的方法中残差序列应用箱线图算法检测出的异常图;
图5为本发明提供的矿用通风机异常检测的方法中多特征应用孤立森林算法检测出的异常图;
图6为本发明提供的矿用通风机异常检测的系统的实施例的示意图;
图7为本发明提供的矿用通风机异常检测的计算机设备的实施例的硬件结构示意图;
图8为本发明提供的矿用通风机异常检测的计算机存储介质的实施例的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明实施例的第一个方面,提出了一种矿用通风机异常检测的方法的实施例。图1示出的是本发明提供的矿用通风机异常检测的方法的实施例的示意图。如图1所示,本发明实施例包括如下步骤:
S1、获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;
S2、从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;
S3、根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及
S4、对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理。对接矿山通风机设备数据采集系统,确定所用协议,采用网关收取转发,存储到时序数据库。从时序数据库获取通风机设备数据,对数据进行预处理,主要过程为特征筛选、缺失值处理、采集过程中的异常值剔除。特征筛选主要过滤掉数据质量不好的特征。对可用特征采用向上填充进行缺失值填充,使用固定阈值方法对数据采集过程中的异常值进行剔除。
从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据。
根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差。
选择通风机运行过程相关的数据特征,观察分析特征数据的图形曲线,看是否有明显的周期性,对于周期性特征数据进行确定性因素分解,分解为周期因素、趋势因素和残差,分解结果如图2所示,图2自上而下分别为原始序列、趋势因素、周期性因素和残差。
对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。对分解的残差数据或者没有周期和趋势性因素的原始数据使用突变异常检测算法,检测通风及运行存在的突变性异常。检测结果如图3所示,图中黑点标注了序列中的突变因素。
突变异常检测算法:设置窗口,计算窗口内序列的统计值(平均值或者中位数),将窗口后一位数据与其做差。滑动窗口,重复上述步骤,得到新的序列S,对新的序列使用箱线图算法得到异常值。
箱线图算法:计算第一四分位数Q1和第三四分位数Q3,计算四分位数间距IQR=Q3-Q1。数据在Q1-c IQR与Q3+c IQR(c一般取1.5)之外视为疑似异常值。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。对分解的残差数据或者没有周期和趋势性因素的原始数据使用箱线图算法,检测个别数据点的异常情况,检测结果如图4所示,确定性因素分解后在进行异常检测有效地避免了周期性和趋势性因素的影响,能够时异常检测算法更加准确。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述单特征数据运用不同的检测算法进行检测包括:通过孤立森林算法检测所述多特征数据中的异常点。选取多个特征使用孤立森林算法识别出异常点,异常检测结果如图5所示。
孤立森林异常检测算法:
孤立森林(Isolation Forest)由大量的孤立树(Isolation Tree,简称iTree)组成。
构造单棵iTree:1、假设数据集有N条数据,构建一棵iTree时,从N条数据中随机抽取Ψ个点作为样本;2、随机选取一个特征,在当前节点数据的范围内,随机产生一个切割点p(切割点p产生于当前节点数据中该特征值最大值和最小值之间;3、使用切割点p将当前节点数据空间分右分支递归步骤2、3,不断构造新的叶子节点,直到叶子节点上只有一个数据或者树已经生长到了所设定的高度。
平均路径长度定义:样本点x的路径长度h(x)为从iTree的根节点到叶子节点所经过的边的数量。
异常分数:给定一个包含n个样本的数据集,树的平均路径长度为:
其中H(i)为调和数,该值可以被估计为ln(i)+0.5772156649。c(n)为给定样本数n时,路径长度的平均值,用来标准化样本x的路径长度h(x)。样本x的异常得分定义为:
其中,E(h(x))为样本x在一批孤立树中的路径长度的期望。
如果异常得分接近1,那么一定是异常点;如果异常得分远小于0.5,那么一定不是异常点;如果异常得分所有点的得分都在0.5左右,那么样本中很可能不存在异常点。
综合分析多种算法得出的异常结果,可以对通风机运行过程中的健康状况有个直观表示,对于多个算法都识别出异常的时间点,通风机出现异常的可能性较大,对于多个算法都未识别出异常点的时间点,通风机出现异常的可能性较小。
本发明实施例使用震动数据以外的其他设备数据特征对通风机设备进行异常分析检测,对一维数据中周期性数据采用周期性分解算法,分解为周期性、趋势性、残差,并对残差序列进行异常检测,对多维数据采用孤立森林算法进行异常检测,提高了检测的准确性。
需要特别指出的是,上述矿用通风机异常检测的方法的各个实施例中的各个步骤均可以相互交叉、替换、增加、删减,因此,这些合理的排列组合变换之于矿用通风机异常检测的方法也应当属于本发明的保护范围,并且不应将本发明的保护范围局限在实施例之上。
基于上述目的,本发明实施例的第二个方面,提出了一种矿用通风机异常检测的系统。如图6所示,系统200包括如下模块:采集模块,配置用于获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;分类模块,配置用于从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;分解模块,配置用于根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及检测模块,配置用于对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
在一些实施方式中,所述检测模块配置用于:对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。
在一些实施方式中,所述检测模块配置用于:对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。
在一些实施方式中,所述检测模块配置用于:通过孤立森林算法检测所述多特征数据中的异常点。
基于上述目的,本发明实施例的第三个方面,提出了一种计算机设备,包括:至少一个处理器;以及存储器,存储器存储有可在处理器上运行的计算机指令,指令由处理器执行以实现如下步骤:S1、获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;S2、从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;S3、根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及S4、对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。
在一些实施方式中,所述对所述残差、所述非周期性数据和所述单特征数据运用不同的检测算法进行检测包括:通过孤立森林算法检测所述多特征数据中的异常点。
如图7所示,为本发明提供的上述矿用通风机异常检测的计算机设备的一个实施例的硬件结构示意图。
以如图7所示的装置为例,在该装置中包括一个处理器301以及一个存储器302。
处理器301和存储器302可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的矿用通风机异常检测的方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现矿用通风机异常检测的方法。
存储器302可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据矿用通风机异常检测的方法的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器302可选包括相对于处理器301远程设置的存储器,这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个矿用通风机异常检测的方法对应的计算机指令303存储在存储器302中,当被处理器301执行时,执行上述任意方法实施例中的矿用通风机异常检测的方法。
执行上述矿用通风机异常检测的方法的计算机设备的任何一个实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有被处理器执行时执行矿用通风机异常检测的方法的计算机程序。
如图8所示,为本发明提供的上述矿用通风机异常检测的计算机存储介质的一个实施例的示意图。以如图8所示的计算机存储介质为例,计算机可读存储介质401存储有被处理器执行时执行如上方法的计算机程序402。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,矿用通风机异常检测的方法的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,程序的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种矿用通风机异常检测的方法,其特征在于,包括如下步骤:
获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;
从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;
根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及
对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
2.根据权利要求1所述的方法,其特征在于,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:
对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。
3.根据权利要求1所述的方法,其特征在于,所述对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测包括:
对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。
4.根据权利要求1所述的方法,其特征在于,所述对所述残差、所述非周期性数据和所述单特征数据运用不同的检测算法进行检测包括:
通过孤立森林算法检测所述多特征数据中的异常点。
5.一种矿用通风机异常检测的系统,其特征在于,包括:
采集模块,配置用于获取矿用通风机运行中实时采集的基础数据,并对所述基础数据进行预处理;
分类模块,配置用于从预处理后的基础数据中选取待检测的特征数据,并根据特征的数量将所述特征数据分类为单特征数据和多特征数据;
分解模块,配置用于根据是否具有周期性将所述单特征数据分类为周期性数据和非周期性数据,并将所述周期性数据分解为周期因素、趋势因素和残差;以及
检测模块,配置用于对所述残差、所述非周期性数据和所述多特征数据运用不同的检测算法进行检测,并综合多种检测算法的结果对所述矿用通风机的健康状态进行预测。
6.根据权利要求5所述的系统,其特征在于,所述检测模块配置用于:
对于所述残差或所述非周期性数据使用突变异常检测算法检测通风及运行存在的突变性异常。
7.根据权利要求5所述的系统,其特征在于,所述检测模块配置用于:
对于所述残差或所述非周期性数据使用箱线图算法检测单独数据点的异常情况。
8.根据权利要求5所述的系统,其特征在于,所述检测模块配置用于:
通过孤立森林算法检测所述多特征数据中的异常点。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器存储有可在所述处理器上运行的计算机指令,所述指令由所述处理器执行时实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,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1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111158981.9A CN113915153A (zh) | 2021-09-30 | 2021-09-30 | 一种矿用通风机异常检测的方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111158981.9A CN113915153A (zh) | 2021-09-30 | 2021-09-30 | 一种矿用通风机异常检测的方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113915153A true CN113915153A (zh) | 2022-01-11 |
Family
ID=79237341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111158981.9A Pending CN113915153A (zh) | 2021-09-30 | 2021-09-30 | 一种矿用通风机异常检测的方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113915153A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626487A (zh) * | 2022-05-16 | 2022-06-14 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN109697207A (zh) * | 2018-12-25 | 2019-04-30 | 苏州思必驰信息科技有限公司 | 时序数据的异常监控方法及系统 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
WO2020155752A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 异常点检测模型验证方法、装置、计算机设备及存储介质 |
CN112149860A (zh) * | 2019-06-28 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种自动异常检测方法和系统 |
CN112162860A (zh) * | 2020-09-25 | 2021-01-01 | 中国民航大学 | 基于if-emd-lstm的cpu负载趋势预测方法 |
CN112818066A (zh) * | 2019-11-15 | 2021-05-18 | 深信服科技股份有限公司 | 一种时序数据异常检测方法、装置及电子设备和存储介质 |
CN112989271A (zh) * | 2019-12-02 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 时间序列分解 |
-
2021
- 2021-09-30 CN CN202111158981.9A patent/CN113915153A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104102773A (zh) * | 2014-07-05 | 2014-10-15 | 山东鲁能软件技术有限公司 | 一种设备故障预警及状态监测方法 |
CN109697207A (zh) * | 2018-12-25 | 2019-04-30 | 苏州思必驰信息科技有限公司 | 时序数据的异常监控方法及系统 |
WO2020155752A1 (zh) * | 2019-01-28 | 2020-08-06 | 平安科技(深圳)有限公司 | 异常点检测模型验证方法、装置、计算机设备及存储介质 |
CN112149860A (zh) * | 2019-06-28 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种自动异常检测方法和系统 |
CN112818066A (zh) * | 2019-11-15 | 2021-05-18 | 深信服科技股份有限公司 | 一种时序数据异常检测方法、装置及电子设备和存储介质 |
CN112989271A (zh) * | 2019-12-02 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 时间序列分解 |
CN111080039A (zh) * | 2020-03-17 | 2020-04-28 | 浙江上风高科专风实业有限公司 | 一种风机集群故障预测方法及系统 |
CN112162860A (zh) * | 2020-09-25 | 2021-01-01 | 中国民航大学 | 基于if-emd-lstm的cpu负载趋势预测方法 |
Non-Patent Citations (2)
Title |
---|
尚朝轩;韩壮志;胡文华;: "基于状态监测与信息融合的雷达装备故障趋势预测", 火力与指挥控制, no. 02, 15 February 2011 (2011-02-15) * |
李建峰;: "煤矿通风机故障诊断系统改进设计", 机电工程技术, no. 05, 20 May 2020 (2020-05-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114626487A (zh) * | 2022-05-16 | 2022-06-14 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
CN114626487B (zh) * | 2022-05-16 | 2023-09-05 | 南昌工程学院 | 基于随机森林分类算法的线变关系校核方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110888849B (zh) | 一种在线日志解析方法、系统及其电子终端设备 | |
CN108156037B (zh) | 告警关联分析方法、装置、设备及介质 | |
CN107528832B (zh) | 一种面向系统日志的基线构建与未知异常行为检测方法 | |
CN112114995B (zh) | 基于进程的终端异常分析方法、装置、设备及存储介质 | |
CN109818961B (zh) | 一种网络入侵检测方法、装置和设备 | |
CN111783904B (zh) | 基于环境数据的数据异常分析方法、装置、设备及介质 | |
CN109088869B (zh) | Apt攻击检测方法及装置 | |
CN107391353A (zh) | 基于日志的复杂软件系统异常行为检测方法 | |
CN111310139B (zh) | 行为数据识别方法、装置及存储介质 | |
CN114124482B (zh) | 基于lof和孤立森林的访问流量异常检测方法及设备 | |
CN113420652A (zh) | 一种时序信号片段异常识别方法、系统、介质及终端 | |
CN113915153A (zh) | 一种矿用通风机异常检测的方法、系统、设备和存储介质 | |
CN111767951A (zh) | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 | |
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 | |
CN115001753A (zh) | 一种关联告警的分析方法、装置、电子设备及存储介质 | |
Alothman | Raw network traffic data preprocessing and preparation for automatic analysis | |
Megantara et al. | Feature importance ranking for increasing performance of intrusion detection system | |
CN113904881A (zh) | 一种入侵检测规则误报处理方法和装置 | |
CN115277113A (zh) | 一种基于集成学习的电网网络入侵事件检测识别方法 | |
CN109286622B (zh) | 一种基于学习规则集的网络入侵检测方法 | |
CN113515450A (zh) | 一种环境异常检测方法和系统 | |
CN110716820A (zh) | 一种基于决策树算法的故障诊断方法 | |
CN112073396A (zh) | 一种内网横向移动攻击行为的检测方法及装置 | |
CN116383742A (zh) | 基于特征分类的规则链设置处理方法、系统及介质 | |
CN114422341B (zh) | 一种基于指纹特征的工控资产识别方法及系统 |
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 |