CN114492629A - 异常检测方法、装置、电子设备及存储介质 - Google Patents
异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114492629A CN114492629A CN202210085904.3A CN202210085904A CN114492629A CN 114492629 A CN114492629 A CN 114492629A CN 202210085904 A CN202210085904 A CN 202210085904A CN 114492629 A CN114492629 A CN 114492629A
- Authority
- CN
- China
- Prior art keywords
- sensors
- sensor
- detected
- correlation
- abnormal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
Abstract
本申请实施例提供异常检测方法、装置、电子设备及存储介质,通过获取各待检测传感器的传感信息;根据各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;根据任意两个待检测传感器在测量数值上的数值变化速率,对两个目标传感器之间的相关关系进行异常判定;根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。本申请中先确定出传感器之间的正相关关系或负相关关系,再基于传感器之间的相关关系进行相关异常判定,从而异常判定结果来确定传感器自身是否存在异常,有效对传感器自身异常的情况进行识别,避免出现对目标设备的误报警,提升工业系统的稳定性。
Description
技术领域
本申请涉及传感设备技术领域,尤其涉及一种异常检测方法、装置、电子设备及存储介质。
背景技术
在工业系统中,利用传感器系统对目标设备进行数据监控是保证工业系统稳定运行的必不可缺的环节。
在现有技术中,对于目标设备是否出现异常的检测一般是利用传感器所输出的检测数据来实现的。其中,当传感器系统所输出的检测数据出现恒值异常、短期异常(尖峰、短期漂移)、噪声(增大)异常、偏差(恒定或漂移)异常等异常情况时,将得到目标设备可能出现异常这一检测结果,根据该检测结果,传感器系统会触发报警以供相关人员对目标设备及时进行运维处理。
但是,传感器输出的检测数据出现异常原因有多种,其中,基于传感器自身异常而导致的检测数据异常也会触发对目标设备的报警,这将影响工业系统的正常稳定运行。
发明内容
本申请实施例提供一种异常检测方法、装置、电子设备及存储介质。
第一方面,本申请提供了异常检测方法,包括:
获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;
根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;
根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;
根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
可选实施例中,所述根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系,包括:
根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数;
根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系。
可选实施例中,所述根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数,包括:
针对所述待检测传感器中的任意两个待检测传感器,根据该两个待检测传感器的测量数值,确定该两个待检测传感器之间的时延参数序列,其中所述时延参数序列中包括有多个时延参数;
根据所述时延参数序列中的各时延参数和该两个待检测传感器的测量时序,对该两个待检测传感器的测量数值进行多次对齐处理,并在每次对齐处理后计算两个候选传感器的皮尔森系数,各皮尔森系统中取值最大的皮尔森系数将作为所述任意两个待检测传感器之间的皮尔森系数。
可选实施例中,所述根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系,包括:
若所述任意两个待检测传感器之间的皮尔森系数大于预设的正相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈正相关关系;
若所述任意两个待检测传感器之间的皮尔森系数小于预设的负相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈负相关关系;
其中,所述正相关皮尔森相关系数阈值大于所述负相关皮尔森相关系数阈值。
可选实施例中,所述根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定,包括:
在所述待检测传感器中随机确定出基准传感器;
根据各任意两个待检测传感器之间的相关关系,确定出正相关传感器集合,和负相关传感器集合;其中,所述正相关传感器集合中包括有基准传感器,与所述基准传感器呈正相关关系的正相关传感器,以及与所述正相关传感器呈正相关关系的待检测传感器;其中,所述负相关传感器集合中包括有与所述基准传感器呈负相关关系的负相关传感器,以及与所述负相关传感器呈正相关关系的待检测传感器;
针对所述正相关传感器集合中的任意两个相关传感器,或者,针对所述正相关传感器集合中的任意两个相关传感器,确定该两个相关传感器在测量数值上的数值变化速率,并利用该两个相关传感器的数值变化速率对该两个相关传感器进行正相关异常判定;
当确定出所述两个相关传感器正相关异常时,利用与该两个相关传感器相反的传感器集合中的其他相关传感器,对该两个相关传感器进行负相关异常判定。
可选实施例中,所述确定该两个相关传感器在测量数值上的数值变化速率,包括:
基于测量时序对所述两个相关传感器的测量数值进行预测处理,得到所述两个相关传感器的预测数值;
根据两个相关传感器预测数值和所述测量数值之间的残差序列,确定异常测量时间段;
确定所述两个相关传感器在所述异常测量时间段内测量数值的变化,确定所述两个相关传感器的数值变化速率。
可选实施例中,所述根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果,包括:
根据各任意两个待检测传感器的相关关系的异常判定结果,构建传感器异常图,其中,所述传感器异常图中包括有具有异常判定结果为相关关系异常的多个传感器;
根据各相关关系异常的传感器在异常图中的图结构,确定异常传感器并作为异常检测结果。
可选实施例中,所述获取各待检测传感器的传感信息之前,包括:
获取各传感器的特征参数,所述特征参数包括传感器的地理位置、测量目标以及数据采集频率;
在各传感器中,选出地理位置位于预设地理位置范围内且测量目标和数据采集频率均相同的传感器作为所述待检测传感器。
第二方面,本申请提供了一种异常检测装置,包括:
获取模块,用于获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;
相关关系确定模块,用于根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;
异常判定模块,用于根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;还用于根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
可选实施例中,所述相关关系确定模块,具体用于:
根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数;根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系。
可选实施例中,所述相关关系确定模块,具体用于:
针对所述待检测传感器中的任意两个待检测传感器,根据该两个待检测传感器的测量数值,确定该两个待检测传感器之间的时延参数序列,其中所述时延参数序列中包括有多个时延参数;根据所述时延参数序列中的各时延参数和该两个待检测传感器的测量时序,对该两个待检测传感器的测量数值进行多次对齐处理,并在每次对齐处理后计算两个候选传感器的皮尔森系数,各皮尔森系统中取值最大的皮尔森系数将作为所述任意两个待检测传感器之间的皮尔森系数。
可选实施例中,所述相关关系确定模块,具体用于:
若所述任意两个待检测传感器之间的皮尔森系数大于预设的正相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈正相关关系;若所述任意两个待检测传感器之间的皮尔森系数小于预设的负相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈负相关关系;其中,所述正相关皮尔森相关系数阈值大于所述负相关皮尔森相关系数阈值。
可选实施例中,所述异常判定模块,具体用于:
在所述待检测传感器中随机确定出基准传感器;根据各任意两个待检测传感器之间的相关关系,确定出正相关传感器集合,和负相关传感器集合;其中,所述正相关传感器集合中包括有基准传感器,与所述基准传感器呈正相关关系的正相关传感器,以及与所述正相关传感器呈正相关关系的待检测传感器;其中,所述负相关传感器集合中包括有与所述基准传感器呈负相关关系的负相关传感器,以及与所述负相关传感器呈正相关关系的待检测传感器;针对所述正相关传感器集合中的任意两个相关传感器,或者,针对所述正相关传感器集合中的任意两个相关传感器,确定该两个相关传感器在测量数值上的数值变化速率,并利用该两个相关传感器的数值变化速率对该两个相关传感器进行正相关异常判定;当确定出所述两个相关传感器正相关异常时,利用与该两个相关传感器相反的传感器集合中的其他相关传感器,对该两个相关传感器进行负相关异常判定。
可选实施例中,所述异常判定模块,具体用于:
基于测量时序对所述两个相关传感器的测量数值进行预测处理,得到所述两个相关传感器的预测数值;根据两个相关传感器预测数值和所述测量数值之间的残差序列,确定异常测量时间段;确定所述两个相关传感器在所述异常测量时间段内测量数值的变化,确定所述两个相关传感器的数值变化速率。
可选实施例中,所述相关关系确定模块,具体用于:
根据各任意两个待检测传感器的相关关系的异常判定结果,构建传感器异常图,其中,所述传感器异常图中包括有具有异常判定结果为相关关系异常的多个传感器;
根据各相关关系异常的传感器在异常图中的图结构,确定异常传感器并作为异常检测结果。
可选实施例中,所述获取模块,还用于:获取各传感器的特征参数,所述特征参数包括传感器的地理位置、测量目标以及数据采集频率;在各传感器中,选出地理位置位于预设地理位置范围内且测量目标和数据采集频率均相同的传感器作为所述待检测传感器。
第三方面,本申请提供了一种传感器系统,包括:多个传感器以及异常检测装置;
其中,所述多个传感器用于测量当前环境的传感信息,并将各传感器测量得到的传感信息发送至所述异常检测装置;
所述异常检测装置将采用如前任一项所述的异常检测方法,对各传感信息进行异常检测处理,确定异常检测结果。
第四方面,本申请提供了一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如第一方面所述的方法。
第五方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如第一方面的所述的方法。
第六方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面的所述的方法。
本申请实施例提供异常检测方法、装置、电子设备及存储介质,通过获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。本申请中先确定出传感器之间的正相关关系或负相关关系,再基于传感器之间的相关关系进行相关异常判定,从而异常判定结果来确定传感器自身是否存在异常,有效对传感器自身异常的情况进行识别,避免出现对目标设备的误报警,提升工业系统的稳定性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请所基于的一种网络架构的示意图;
图2是本申请提供的一种异常检测方法的流程示意图;
图3为本申请提供的一种传感器的传感信息的示意图;
图4为将图3所示的传感器的传感信息对齐之后的示意图;
图5为本申请实施例提供的一种异常检测装置的结构示意图;
图6为本发明实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。
在工业系统中,利用传感器系统对目标设备进行数据监控是保证工业系统稳定运行的必不可缺的环节。
在现有技术中,对于目标设备是否出现异常的检测一般是利用传感器所输出的检测数据来实现的。其中,当传感器系统所输出的检测数据出现恒值异常、短期异常(尖峰、短期漂移)、噪声(增大)异常、偏差(恒定或漂移)异常等异常情况时,将得到目标设备可能出现异常这一检测结果,根据该检测结果,传感器系统会触发报警以供相关人员对目标设备及时进行运维处理。
传感器输出的检测数据出现异常原因有多种,例如,因目标设备异常而导致检测数据异常,又例如,因传感器自身功能异常而导致检测数据异常。但是,由于现有中的传感器系统不对检测数据异常的原因进行分析,从而容易出现对目标设备的误报警,影响工业系统的正常运行。
针对上述问题,发明人发现在多传感器的传感器系统中,一些传感器之间是存在相关关系的。例如,在检测密闭容器中的温度数据和气压数据时,往往温度数据和气压数据的变化是正相关的。基于此,发明人想到可利用传感器的检测数据,结合各传感器之间的相关关系来确定传感器自身是否存在异常。具体来说,首先,可先获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
通过先确定出传感器之间的正相关关系或负相关关系,再基于传感器之间的相关关系进行相关异常判定,从而基于异常判定结果来确定传感器自身是否存在异常。通过这样的方式来确定检测数据异常的原因,进而避免因传感器自身异常而导致的误报警的发生。
下面将结合不同实现方式对本申请提供的方法进行说明。
参考图1,图1为本申请所基于的一种网络架构的示意图,该图1所示网络架构具体可包括传感器1以及服务器2。
其中,传感器1具体可为不同类型的传感器,如,温度传感器、湿度传感器、压力传感器、噪音探测器、光强探测器等等。这些传感器1将分布在不同的地理位置,并用于对至少一个目标设备所在的环境进行测量,以保证目标设备在其所在环境下可正常运行。
服务器2具体是指承载有本申请提供的异常检测装置的硬件设备,如,硬件服务器或服务器集群。在服务器2中,异常检测装置可通过服务器2的网络获取到来自传感器1的各传感器的传感数据,并基于本申请提供的异常检测方法,对传感器1的异常进行检测。
实施例一
图2是本申请提供的一种异常检测方法的流程示意图,如图2所示的,该方法包括:
步骤201、获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值。
步骤202、根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系。
步骤203、根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定。
步骤204、根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
需要说明的是,本申请提供的异常检测方法具体可应用于异常检测装置。该异常检测装置具体可设置于图1所示的服务器2中。
本实施方式通过先确定出传感器之间的正相关关系或负相关关系,再基于传感器之间的相关关系进行相关异常判定,从而异常判定结果来确定传感器自身是否存在异常,能够有效对传感器自身异常的情况进行识别。通过这样的方式来确定检测数据异常的原因,进而避免因传感器自身异常而导致的误报警的发生。
下面将针对每一个步骤进行具体说明:
为了能够对传感器系统中的各传感器自身是否异常进行检测,首先,异常检测装置需要获取传感器系统中各待检测传感器的传感信息。
传感信息是待检测传感器采集得到的信息,异常检测装置可通过服务器的网络与这些待检测传感器进行信息交互,以得到待检测传感器采集的传感信息。
上述的传感信息具体包括有测量数值,其中,测量数值是指传感器按照预设的采集频率对当前环境进行测量或采集所获得的数据。此外,根据传感器种类的差异,其测量数值类型也随之不同,如,当传感器为温度传感器时,测量数值应为温度数据;当传感器为压力传感器时,测量数值因为压力数据。
其中,可选的,由于本申请中的传感器的测量数值为传感器按照预测数据采集频率采集得到的连续数值,当该测量数值出现缺少数值的情况时,异常检测装置还将利用缺少的那个数值的前一个测量数值和后一个测量数值的均值,以补作该缺少的测量数值。
上述的传感信息还包括有测量时序,其中,测量时序是指由采集前述的测量数值的测量时间而构成的时间序列。一般的,测量时序中的每一个测量时间之间的时间间隔是相同的,其时间间隔与采集频率相关。
其中,可选的,当传感器的测量时序的时序长度过短时,该传感器将不作为本次异常检测的待检测传感器。这是由于测量时序的时序长度与测量数值的个数高度相关,当时序长度过短时,测量数值的个数一般较少,其无法支撑异常检测所需,即这样的传感器不适用于进行异常检测处理。
而为了提高异常检测的检测准确率,可仅对传感器系统中具有相同或相似的传感器特征参数的传感器进行异常检测处理。在可选实施方式中,在步骤201之前,还可包括:获取各传感器的特征参数,所述特征参数包括传感器的地理位置、测量目标以及数据采集频率;在各传感器中,选出地理位置位于预设地理位置范围内且测量目标和数据采集频率均相同的传感器作为所述待检测传感器。
具体的,由于本申请利用了传感器之间的相关关系来确定传感器是否异常,因此,对于各待检测传感器来说,其应是具有相同或相似特征参数的多个传感器。
在本实施方式中,特征参数具体可包括传感器的地理位置,如传感器的经纬度、朝向等;特征参数具体还可包括传感器的测量目标,如针对同一个传感器系统来说,部分传感器用于测量设备A的环境数据,而另外部分传感器用于测量设备B的环境数据;此外,特征参数具体还包括数据采集频率,其中,该数据采集频率应与传感器的传感信息相对应。
对于本申请中所述多个待检测传感器来说,这些待检测传感器应具有相近的地理位置,如地理位置均位于预设地理位置范围;同时,这些待检测传感器应对相同的测量目标进行检测,如均对测量设备A的环境数据进行检测;同时,这些待检测传感器应具有相同的数据采集频率,如数据采集频率均为20次每秒。
随后,在步骤202中,异常检测装置将确定出任意两个待检测传感器的相关关系。其中,步骤202具体可包括如下两个步骤:
步骤2021、根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数。
步骤2022、根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系。
为了确定出任意两个待检测传感器之间的相关关系,首先,如步骤2021所述的,异常检测装置可先确定出任意两个待检测传感器之间的皮尔森系数。
具体来说,皮尔森系数是一种用于衡量定距变量之间的线性关系的系数,当两个待检测传感器之间的皮尔森系数的数值越高,则该两个待检测传感器的测量数值的重合度越高;反之,当两个待检测传感器之间的皮尔森系数的数值越低,该两个待检测传感器的测量数值的重合度越低。
进一步来说,在确定两个待检测传感器之间的皮尔森系数时,可利用时延参数来确定。具体的,可先针对所述待检测传感器中的任意两个待检测传感器,根据该两个待检测传感器的测量数值,确定该两个待检测传感器之间的时延参数序列,其中所述时延参数序列中包括有多个时延参数;然后,根据所述时延参数序列中的各时延参数和该两个待检测传感器的测量时序,对该两个待检测传感器的测量数值进行多次对齐处理,并在每次对齐处理后计算两个候选传感器的皮尔森系数,各皮尔森系统中取值最大的皮尔森系数将作为所述任意两个待检测传感器之间的皮尔森系数。
图3为本申请提供的一种传感器的传感信息的示意图,图4为将图3所示的传感器的传感信息对齐之后的示意图。其中,图3和图4中示出了不同传感器的传感信息,其中实线部分展示了传感器A在不同测量时刻得到的测量数值,而虚线部分展示了传感器B在不同测量时刻得到的测量数值。
如图3所示的,对于本实施方式中所确定出的任意两个待检测传感器(如图3所示的传感器A和传感器B)来说,其二者的测量数值具有一定的引导关系。而该引导关系可通过时间滞后互相关(TLCC)来确定。
需要说明的是,时间滞后互相关(TLCC)用于定义两个信号之间的方向性,例如引导-追随关系。其中,在引导-追随关系中,引导信号会初始化一个响应,追随信号则重复响应。一般的,时间滞后互相关可通过逐步移动一个时间序列向量并反复计算两个信号间的相关性而测量得到的。
以图3为例,在该传感信号的示意图中,横坐标为测量时序,纵坐标为测量数值。其中,对于传感器A的测量时序来说,其可表示为[A0,A1,...,At],而对于传感器B的测量时序来说,其可表示为[B0,B1,...,Bt]。
在确定两个传感器之间的时延参数时,可以其中的任一传感器作为参考传感器,而移动另一传感器的测量时序;若在该另一传感器移动了一时延参数时,该两个传感器当前的测量数值变化具有极强的相关性,则时延参数可作为该两个传感器之间的时延参数。
以传感器B为参考传感器为例,可设置一时延参数序列,该时延参数序列中包括有若干时延参数,以使传感器B的测量序列按照时延参数序列中各时延参数来进行移动。
如时延参数序列表示为[-16,-14,-12,…,-2,0,2,…12,14,16]。当时延参数为d时,将传感器A的测量时序中的每一个测量时间均与该d相加,得到[A0+d,A1+d,...,At+d],而后,将经过移动后的测量时序与传感器B的测量时序对齐,可得到如图4所示的示意图。此时,计算测量时序对齐后的测量数值的皮尔森系数。
然后,按照时延参数序列选出下一时延参数,如d’,并重复上述过程得到在时延参数d’下的皮尔森系数。重复该过程直至获得时延参数序列中每一时延参数对应的皮尔森系数。此时,取值最大的那个皮尔森系数所对应的时延参数,将作为该传感器A和传感器B的时延参数和皮尔森系数。
在确定出传感器A和传感器B的皮尔森系数之后,如步骤2022所述的,异常检测装置还将根据该两个待检测传感器的皮尔森系数确定出该两个待检测传感器之间的相关关系。
具体来说,该两个待检测传感器之间的相关关系与皮尔森系数的取值相关。其中,若所述任意两个待检测传感器之间的皮尔森系数大于预设的正相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈正相关关系;若所述任意两个待检测传感器之间的皮尔森系数小于预设的负相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈负相关关系;其中,所述正相关皮尔森相关系数阈值大于所述负相关皮尔森相关系数阈值。
示例性的,正相关皮尔森相关系数阈值可为0.8,即,当任意两个待检测传感器之间的皮尔森系数大于0.8时,其二者之间的相关关系为正相关。示例性的,负相关皮尔森相关系数阈值可为-0.8,即,当任意两个待检测传感器之间的皮尔森系数小于-0.8时,其二者之间的相关关系为负相关。
在完成对相关关系的确认后,可得到[传感器id,传感器id,相关关系]的数据组;如,[传感器A的id,传感器B的id,负相关],又如,[传感器A的id,传感器C的id,正相关]。
而利用这些相关关系,异常检测装置可结合传感器的数值变化速率对这些相关关系进行异常判定。如步骤203所述的,异常检测装置将根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定。
具体来说,在判定时,异常检测装置首先可根据各任意两个待检测传感器之间的相关关系,构建相关关系示意图,该相关关系示意图中可将具有正相关或负相关的两个待检测传感器连接起来,而不具有正相关或负相关的待检测传感器之间将不被连接。通过这样的示意图,可将各待检测传感器划分为若干传感器聚类,其中每一个传感器聚类之间相对独立。
举例来说,基于得到的各任意两个待检测传感器之间的相关关系可知,传感器1、传感器4、传感器5、传感器6之间具有相关关系形成一个传感器聚类,而传感器2和传感器3之间具有相关关系,形成另一个传感器聚类。该两个传感器聚类之间并无任何相关关系。
针对任一个传感器聚类中的待检测传感器,为了能够实现异常判定,可首先基于各待检测传感器之间的相关关系的类型对这些待检测传感器进行划分。
具体的,首先,异常检测装置将在所述待检测传感器中随机确定出基准传感器。然后,根据各任意两个待检测传感器之间的相关关系,确定出正相关传感器集合,和负相关传感器集合;其中,所述正相关传感器集合中包括有基准传感器,与所述基准传感器呈正相关关系的正相关传感器,以及与所述正相关传感器呈正相关关系的待检测传感器;其中,所述负相关传感器集合中包括有与所述基准传感器呈负相关关系的负相关传感器,以及与所述负相关传感器呈正相关关系的待检测传感器。
举例来说,针对由传感器1、传感器4、传感器5、传感器6构成传感器聚类来说,可首先随机选出一个待检测传感器作为基准传感器,如传感器5可为基准传感器。而这些待检测传感器之间的相关关系可例如:
[传感器1的id,传感器4的id,负相关],[传感器1的id,传感器5的id,负相关],[传感器1的id,传感器6的id,负相关],[传感器4的id,传感器5的id,正相关],[传感器4的id,传感器6的id,正相关],[传感器5的id,传感器6的id,正相关]。
基于上述的每两个待检测传感器之间的相关关系,在确定正相关传感器集合时,可先确定出与基准传感器5正相关的待检测传感器,如传感器4和传感器6;然后,确定出与传感器4具有正相关关系的待检测传感器,如传感器6和5,以及与传感器6具有正相关关系的待检测传感器,如传感器4和5。上述确定出的传感器4、5和6将构成正相关传感器集合。
类似的,在确定负相关传感器集合时,可先确定出与基准传感器5负相关的待检测传感器,如传感器1;然后,确定出与传感器1具有正相关关系的待检测传感器(在本示例中为无)。上述确定出的传感器1将构成负相关传感器集合。
在完成正相关传感器集合和负相关传感器集合的确定之后,异常检测装置将基于这两个集合对集合中的传感器进行异常检测。
可选方式中,异常检测装置将针对所述正相关传感器集合中的任意两个相关传感器,或者,针对所述正相关传感器集合中的任意两个相关传感器,确定该两个相关传感器在测量数值上的数值变化速率,并利用该两个相关传感器的数值变化速率对该两个相关传感器进行正相关异常判定;当确定出所述两个相关传感器正相关异常时,利用与该两个相关传感器相反的传感器集合中的其他相关传感器,对该两个相关传感器进行负相关异常判定。
具体来说,针对前述得到的正相关传感器集合来说,可先提取任意两个集合中的传感器,并利用该两个传感器之间的时延参数对二者的测量数值进行对齐。
以前述正相关传感器中的传感器5和传感器6为例,首先,提取传感器5和传感器6的测量时序,然后利用前面确定出的传感器5和传感器6之间的时延参数,基于时延参数对传感器5和传感器6的测量时序进行对齐处理,其对齐处理的方式与确定皮尔森系数时的方式类似,在此不进行赘述。
当传感器5和传感器6的测量时序对齐之后,还将对传感器5和6进行测量数值的预测,以得到预测数值。可选地,预测是利用线性回归模型来进行的,首先还需要对线性回归模型进行训练。对线性回归模型进行训练的训练集具体可从传感器5和6的测量数值中获取,即,可基于测量时序沿其时间维度对传感器5和6的测量数值进行划分,得到具有前80%的测量时序所对应的测量数值以作为训练集。对线性回归模型进行测试的测试集,也可从传感器5和6的测量数值中获取,即,将后20%的测量时序所对应的测量数值以作为测试集。然后,利用该训练好的线性回归模型对测试集中的测量数值进行预测,得到预测数值,得到传感器5和6的预测数值。
计算测试集中的测量数值与模型输出的预测数值之间的残差,得到传感器的残差序列。将该残差序列输入至k-sigma模型,以使得该k-sigma模型确定出残差序列中的异常残差值,其中异常残差值是指与残差序列中的平均值的偏差超过三倍标准差的值。而基于该异常残差值可确定出测量时序中的测量时间,该测量时间、该测量时间的前一测量时间构成前述的异常测量时间段。
最后,分别确定传感器5和传感器6的测量数值在异常测量时间段的数值变化趋势,以得到数值变化速率。基于该传感器5和传感器6的数值变化速率来对传感器5和传感器6之间的相关关系进行正相关异常判定。
在正相关异常判定时,当传感器5和传感器6数值变化速率处于相同的变化趋势,则说明传感器5和传感器6的正相关关系是正常的;当传感器5和传感器6数值变化速率处于相同的变化趋势,如,传感器5数值变化速率上升,而传感器6数值变化速率下降,则说明传感器5和传感器6的正相关关系是异常的。
通过上述方式可实现对正相关集合中每两个相关传感器的正相关判定,以确定该正相关集合中每两个相关传感器中是否有正相关关系异常的相关传感器。
当然,当异常检测装置确定出所述两个相关传感器正相关异常时,利用与该两个相关传感器相反的传感器集合中的其他相关传感器,对该两个相关传感器进行负相关异常判定。
依旧以前述正相关集合中包括有传感器4、5和6为例,若经过上述正相关判定可知,仅有传感器5和传感器6之间的正相关关系为异常,其余各两个传感器之间的正相关关系均正常时,异常检测装置还将传感器5和传感器6分别与负相关传感器集合中的传感器1,分别进行负相关异常判定。
即,对传感器5和传感器1进行负相关异常判定,以及,对传感器6和传感器1进行负相关异常判定。
在进行负相关异常判定时,与前述正相关异常判定类似的是,仍旧需要先确定出参与判定的两个传感器的数值变化速率。也就是说,需要确定参与判定的两个传感器的残差序列和异常测量时间段,然后计算参与判定的两个传感器在异常测量时间段内测量数值的变化,得到数值变化速率。
然后,利用数值变化速率的变化趋势来对相关关系是否异常进行判定。例如,传感器1和传感器6数值变化速率处于相同的变化趋势,此时,传感器1和传感器6的负相关关系是异常的;而传感器1和传感器5数值变化速率处于相反的变化趋势,如,传感器5数值变化速率上升,而传感器1数值变化速率下降,此时说明传感器1和传感器5的负相关关系是正常的。
而对于负相关传感器集合中的各相关传感器也将执行类似的处理,即,从负相关传感器集合中确定出存在有正相关异常的两个相关传感器,然后利用正相关传感器集合中的其他传感器与该存在异常的两个相关传感器依次进行负相关判定,以得出结果。
此时,异常检测装置可基于该异常判定结果,构建传感器异常图,其中,所述传感器异常图中包括有具有异常判定结果为相关关系异常的多个传感器,并根据各相关关系异常的传感器在异常图中的图结构,确定异常传感器并作为异常检测结果。
具体的,上述示例中负相关传感器集合仅包括有传感器1这一唯一传感器,因此,上述示例中的判定结果总结为:传感器5和传感器6之间存在正相关异常,而传感器1和传感器6之间存在负相关异常。基于此构建异常图可知,与传感器6具有异常相关的传感器的数量为2,而与传感器1和5具有异常相关的传感器的数量为1,由于传感器6在图结构中的出度为2,其将被认定为异常传感器,而传感器1和5则作为传感器6的佐证传感器。
最后,异常检测装置将输出[(异常传感器:传感器6的id,传感信息);(佐证传感器:传感器1的id,传感信息;传感器5的id,传感信息)]的异常检测结果。
本申请实施例提供异常检测方法,通过获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。本申请中先确定出传感器之间的正相关关系或负相关关系,再基于传感器之间的相关关系进行相关异常判定,从而异常判定结果来确定传感器自身是否存在异常,有效对传感器自身异常的情况进行识别,避免出现对目标设备的误报警,提升工业系统的稳定性。
实施例二
对应于上文实施例的异常检测方法,图5为本申请实施例提供的一种异常检测装置的结构示意图,如图5所示,该异常检测装置包括:获取模块10、相关关系确定模块20以及异常判定模块30。
获取模块10,用于获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;
相关关系确定模块20,用于根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;
异常判定模块30,用于根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;还用于根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
可选实施例中,所述相关关系确定模块20,具体用于:
根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数;根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系。
可选实施例中,所述相关关系确定模块20,具体用于:
针对所述待检测传感器中的任意两个待检测传感器,根据该两个待检测传感器的测量数值,确定该两个待检测传感器之间的时延参数序列,其中所述时延参数序列中包括有多个时延参数;根据所述时延参数序列中的各时延参数和该两个待检测传感器的测量时序,对该两个待检测传感器的测量数值进行多次对齐处理,并在每次对齐处理后计算两个候选传感器的皮尔森系数,各皮尔森系统中取值最大的皮尔森系数将作为所述任意两个待检测传感器之间的皮尔森系数。
可选实施例中,所述相关关系确定模块20,具体用于:
若所述任意两个待检测传感器之间的皮尔森系数大于预设的正相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈正相关关系;若所述任意两个待检测传感器之间的皮尔森系数小于预设的负相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈负相关关系;其中,所述正相关皮尔森相关系数阈值大于所述负相关皮尔森相关系数阈值。
可选实施例中,所述异常判定模块30,具体用于:
在所述待检测传感器中随机确定出基准传感器;根据各任意两个待检测传感器之间的相关关系,确定出正相关传感器集合,和负相关传感器集合;其中,所述正相关传感器集合中包括有基准传感器,与所述基准传感器呈正相关关系的正相关传感器,以及与所述正相关传感器呈正相关关系的待检测传感器;其中,所述负相关传感器集合中包括有与所述基准传感器呈负相关关系的负相关传感器,以及与所述负相关传感器呈正相关关系的待检测传感器;针对所述正相关传感器集合中的任意两个相关传感器,或者,针对所述正相关传感器集合中的任意两个相关传感器,确定该两个相关传感器在测量数值上的数值变化速率,并利用该两个相关传感器的数值变化速率对该两个相关传感器进行正相关异常判定;当确定出所述两个相关传感器正相关异常时,利用与该两个相关传感器相反的传感器集合中的其他相关传感器,对该两个相关传感器进行负相关异常判定。
可选实施例中,所述异常判定模块30,具体用于:
基于测量时序对所述两个相关传感器的测量数值进行预测处理,得到所述两个相关传感器的预测数值;根据两个相关传感器预测数值和所述测量数值之间的残差序列,确定异常测量时间段;确定所述两个相关传感器在所述异常测量时间段内测量数值的变化,确定所述两个相关传感器的数值变化速率。
可选实施例中,所述相关关系确定模块20,具体用于:
根据各任意两个待检测传感器的相关关系的异常判定结果,构建传感器异常图,其中,所述传感器异常图中包括有具有异常判定结果为相关关系异常的多个传感器;
根据各相关关系异常的传感器在异常图中的图结构,确定异常传感器并作为异常检测结果。
可选实施例中,所述获取模块10,还用于:获取各传感器的特征参数,所述特征参数包括传感器的地理位置、测量目标以及数据采集频率;在各传感器中,选出地理位置位于预设地理位置范围内且测量目标和数据采集频率均相同的传感器作为所述待检测传感器。
本申请实施例提供异常检测装置,通过获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。本申请中先确定出传感器之间的正相关关系或负相关关系,再基于传感器之间的相关关系进行相关异常判定,从而异常判定结果来确定传感器自身是否存在异常,有效对传感器自身异常的情况进行识别,避免出现对目标设备的误报警,提升工业系统的稳定性。
实施例三
本发明实施例提供一种传感器系统,该传感器系统包括:多个传感器以及异常检测装置;
其中,所述多个传感器用于测量当前环境的传感信息,并将各传感器测量得到的传感信息发送至所述异常检测装置;
所述异常检测装置将采用如实施例一所述的异常检测方法,对各传感信息进行异常检测处理,确定异常检测结果。
实施例四
图6为本发明实施例提供的电子设备的结构示意图,如图6所示,本发明实施例还提供一种电子设备1400,包括:存储器1401,处理器1402以及计算机程序。
其中,计算机程序存储在存储器1401中,并被配置为由处理器1402执行以实现本发明任意一个实施例提供的异常检测方法。相关说明可以对应参见附图中的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
其中,本实施例中,存储器1401和处理器1402通过总线连接。
实施例五
本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行以实现本发明任意一个实施例提供的异常检测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,模块的划分,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,例如多个模块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,系统或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块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模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程问答系统的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、系统或设备使用或与指令执行系统、系统或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、系统或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前所述的异常检测方法。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (13)
1.一种异常检测方法,其特征在于,包括:
获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;
根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;
根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;
根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
2.根据权利要求1所述的异常检测方法,其特征在于,所述根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系,包括:
根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数;
根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系。
3.根据权利要求2所述的异常检测方法,其特征在于,所述根据所述各待检测传感器的测量时序和测量数值,计算任意两个待检测传感器之间的皮尔森系数,包括:
针对所述待检测传感器中的任意两个待检测传感器,根据该两个待检测传感器的测量数值,确定该两个待检测传感器之间的时延参数序列,其中所述时延参数序列中包括有多个时延参数;
根据所述时延参数序列中的各时延参数和该两个待检测传感器的测量时序,对该两个待检测传感器的测量数值进行多次对齐处理,并在每次对齐处理后计算两个候选传感器的皮尔森系数,各皮尔森系统中取值最大的皮尔森系数将作为所述任意两个待检测传感器之间的皮尔森系数。
4.根据权利要求2所述的异常检测方法,其特征在于,所述根据所述任意两个待检测传感器之间的皮尔森系数,确定所述任意两个待检测传感器之间的相关关系,包括:
若所述任意两个待检测传感器之间的皮尔森系数大于预设的正相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈正相关关系;
若所述任意两个待检测传感器之间的皮尔森系数小于预设的负相关皮尔森相关系数阈值,则所述任意两个待检测传感器之间呈负相关关系;
其中,所述正相关皮尔森相关系数阈值大于所述负相关皮尔森相关系数阈值。
5.根据权利要求1所述的异常检测方法,其特征在于,所述根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定,包括:
在所述待检测传感器中随机确定出基准传感器;
根据各任意两个待检测传感器之间的相关关系,确定出正相关传感器集合,和负相关传感器集合;其中,所述正相关传感器集合中包括有基准传感器,与所述基准传感器呈正相关关系的正相关传感器,以及与所述正相关传感器呈正相关关系的待检测传感器;其中,所述负相关传感器集合中包括有与所述基准传感器呈负相关关系的负相关传感器,以及与所述负相关传感器呈正相关关系的待检测传感器;
针对所述正相关传感器集合中的任意两个相关传感器,或者,针对所述正相关传感器集合中的任意两个相关传感器,确定该两个相关传感器在测量数值上的数值变化速率,并利用该两个相关传感器的数值变化速率对该两个相关传感器进行正相关异常判定;
当确定出所述两个相关传感器正相关异常时,利用与该两个相关传感器相反的传感器集合中的其他相关传感器,对该两个相关传感器进行负相关异常判定。
6.根据权利要求5所述的异常检测方法,其特征在于,所述确定该两个相关传感器在测量数值上的数值变化速率,包括:
基于测量时序对所述两个相关传感器的测量数值进行预测处理,得到所述两个相关传感器的预测数值;
根据两个相关传感器预测数值和所述测量数值之间的残差序列,确定异常测量时间段;
确定所述两个相关传感器在所述异常测量时间段内测量数值的变化,确定所述两个相关传感器的数值变化速率。
7.根据权利要求1所述的异常检测方法,其特征在于,所述根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果,包括:
根据各任意两个待检测传感器的相关关系的异常判定结果,构建传感器异常图,其中,所述传感器异常图中包括有具有异常判定结果为相关关系异常的多个传感器;
根据各相关关系异常的传感器在异常图中的图结构,确定异常传感器并作为异常检测结果。
8.根据权利要求1-7任一项所述的异常检测方法,其特征在于,所述获取各待检测传感器的传感信息之前,包括:
获取各传感器的特征参数,所述特征参数包括传感器的地理位置、测量目标以及数据采集频率;
在各传感器中,选出地理位置位于预设地理位置范围内且测量目标和数据采集频率均相同的传感器作为所述待检测传感器。
9.一种异常检测装置,其特征在于,包括:
获取模块,用于获取各待检测传感器的传感信息;其中,所述传感信息包括待检测传感器的测量时序和测量数值;
相关关系确定模块,用于根据所述各待检测传感器的测量时序,确定任意两个待检测传感器在测量数值上的相关关系;
异常判定模块,用于根据所述任意两个待检测传感器在测量数值上的数值变化速率,对所述两个目标传感器之间的相关关系进行异常判定;还用于根据各任意两个待检测传感器的相关关系的异常判定结果,确定异常检测结果。
10.一种传感器系统,其特征在于,包括:多个传感器以及异常检测装置;
其中,所述多个传感器用于测量当前环境的传感信息,并将各传感器测量得到的传感信息发送至所述异常检测装置;
所述异常检测装置将采用如权利要求1-8任一项所述的异常检测方法,对各传感信息进行异常检测处理,确定异常检测结果。
11.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1-8任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1-8任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-8任一项所述的分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085904.3A CN114492629A (zh) | 2022-01-25 | 2022-01-25 | 异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210085904.3A CN114492629A (zh) | 2022-01-25 | 2022-01-25 | 异常检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114492629A true CN114492629A (zh) | 2022-05-13 |
Family
ID=81474135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210085904.3A Pending CN114492629A (zh) | 2022-01-25 | 2022-01-25 | 异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492629A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115941807A (zh) * | 2022-12-22 | 2023-04-07 | 陕西通信规划设计研究院有限公司 | 一种园区安防系统数据高效压缩方法 |
CN116008634A (zh) * | 2023-03-22 | 2023-04-25 | 南京中旭电子科技有限公司 | 适用于霍尔电流传感器的数据处理方法及装置 |
CN116484306A (zh) * | 2023-06-20 | 2023-07-25 | 蘑菇物联技术(深圳)有限公司 | 异常传感器的定位方法、装置、计算机设备和存储介质 |
-
2022
- 2022-01-25 CN CN202210085904.3A patent/CN114492629A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115941807A (zh) * | 2022-12-22 | 2023-04-07 | 陕西通信规划设计研究院有限公司 | 一种园区安防系统数据高效压缩方法 |
CN115941807B (zh) * | 2022-12-22 | 2024-02-23 | 陕西通信规划设计研究院有限公司 | 一种园区安防系统数据高效压缩方法 |
CN116008634A (zh) * | 2023-03-22 | 2023-04-25 | 南京中旭电子科技有限公司 | 适用于霍尔电流传感器的数据处理方法及装置 |
CN116008634B (zh) * | 2023-03-22 | 2023-06-09 | 南京中旭电子科技有限公司 | 适用于霍尔电流传感器的数据处理方法及装置 |
CN116484306A (zh) * | 2023-06-20 | 2023-07-25 | 蘑菇物联技术(深圳)有限公司 | 异常传感器的定位方法、装置、计算机设备和存储介质 |
CN116484306B (zh) * | 2023-06-20 | 2023-09-26 | 蘑菇物联技术(深圳)有限公司 | 异常传感器的定位方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
US9053468B2 (en) | Methods and systems for monitoring operation of equipment | |
US10884404B2 (en) | Method of predicting plant data and apparatus using the same | |
US10228994B2 (en) | Information processing system, information processing method, and program | |
CN110216715B (zh) | 机器人导航性能测试方法、系统、测试终端及存储介质 | |
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 | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
WO2021027213A1 (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN105579922A (zh) | 信息处理装置以及分析方法 | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
CN102265227A (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
KR102483811B1 (ko) | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 | |
CN111679657A (zh) | 一种基于工控设备信号的攻击检测方法及系统 | |
CN102257448A (zh) | 使用切换模型进行机器状况监视的文件的滤波和预测 | |
CN105407496B (zh) | 一种识别无线传感器网络中错误测量值的方法 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
JP6909413B2 (ja) | 因果関係学習方法、プログラム、装置および異常分析システム | |
CN109990803A (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
KR102384742B1 (ko) | 센서 데이터를 이용한 이상 감지 장치 및 방법 | |
CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
CN115474108A (zh) | 一种基于边缘计算的事件监控系统及监控方法 | |
CN109870404B (zh) | 一种雨棚结构损伤识别方法、装置及终端设备 | |
US20220138624A1 (en) | Time-series data processing method | |
CN112903211A (zh) | 一种检测燃气管道严密性的设备及方法 |
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 |