CN115158399B - 时序信号异常检测方法及系统 - Google Patents
时序信号异常检测方法及系统 Download PDFInfo
- Publication number
- CN115158399B CN115158399B CN202210672962.6A CN202210672962A CN115158399B CN 115158399 B CN115158399 B CN 115158399B CN 202210672962 A CN202210672962 A CN 202210672962A CN 115158399 B CN115158399 B CN 115158399B
- Authority
- CN
- China
- Prior art keywords
- value
- time sequence
- detected
- sequence signal
- signal
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or vehicle train for signalling purposes ; On-board control or communication systems
- B61L15/0081—On-board diagnosis or maintenance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
- B60T17/228—Devices for monitoring or checking brake systems; Signal devices for railway vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/1701—Braking or traction control means specially adapted for particular types of vehicles
- B60T8/1705—Braking or traction control means specially adapted for particular types of vehicles for rail vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/171—Detecting parameters used in the regulation; Measuring values used in the regulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/172—Determining control parameters used in the regulation, e.g. by calculations involving measured or detected parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
- B60T8/17—Using electrical or electronic regulation means to control braking
- B60T8/176—Brake regulation specially adapted to prevent excessive wheel slip during vehicle deceleration, e.g. ABS
Abstract
本发明提供一种时序信号异常检测方法及系统,方法包括:获取待测历史时序信号的平均波动率以及所述待测历史时序信号的预测值;根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测。所述系统执行所述方法。本发明通过对待测历史时序信号缓存处理,降低了实时异常检测的复杂度,通过采用待测历史时序信号的平均波动率和预测值的融合技术,对待测历史时序信号进行异常检测,提高了异常检测的稳定性与准确性。
Description
技术领域
本发明涉及信号异常检测技术领域,尤其涉及一种时序信号异常检测方法及系统。
背景技术
城市轨道交通的列车信号采集系统是一种自动化程度很高的分布式系统,有着大量传感器监测设备的状态信息。
随着货运列车、客运列车和地铁列车的越来越多,列车的安全保障显得越来越重要。例如列车轮对作为列车的关键部件,更是其故障多发"地带"。随着铁路局扩建铁路,无缝钢轨的增加带来的大面积提速等因素的影响,列车轴承因此受到更加的冲击力,加上本身就一直受到的车身的压力,热应力等,轴承更容易发生疲劳裂纹,除了这些使用因素外,装配,润滑等可能存在的细节问题,加上周围磨料的侵入,腐蚀,气候,生物介质等这些环境因素都可能造成列车轴承更早更易发生故障,因此,对采集到的列车的时序信号的异常检测研究刻不容缓。
现有技术中,在设备的特定形式数据集下,由于数据有着一定的周期性、不可长期预测等无规律变动的特点,数据的误检率高,稳定性不强的问题。列车时序信号采集的信息变化速度快,信息量很大,并且随着业务发展导致的信息的类型和总量越来越多,因此对实时性也有一定的要求。
发明内容
本发明提供的时序信号异常检测方法及系统,用于解决现有技术中存在的上述问题,通过对待测历史时序信号缓存处理,降低了实时异常检测的复杂度,通过采用待测历史时序信号的平均波动率和预测值的融合技术,对待测历史时序信号进行异常检测,提高了异常检测的稳定性与准确性。
本发明提供的一种时序信号异常检测方法,包括:
获取待测历史时序信号的平均波动率以及所述待测历史时序信号的预测值;
根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测。
根据本发明提供的一种时序信号异常检测方法,所述获取待测历史时序信号的平均波动率,包括:
确定所述待测历史时序信号包括的滑动窗口个数,并确定每个滑动窗口的所述待测历史时序信号对应的子序列;
获取每个子序列的波动范围,并根据所述每个子序列的波动范围确定所述平均波动率。
根据本发明提供的一种时序信号异常检测方法,所述获取每个子序列的波动范围,包括:
获取每个子序列中的最大值与最小值以及最终值;
分别获取所述最大值和所述最小值的第一差值、所述最大值和所述最终值的第二差值的绝对值以及所述最小值与所述最终值的第三差值的绝对值;
根据所述第一差值、所述第二差值的绝对值和所述第三差值的绝对值,获取所述每个子序列的波动范围。
根据本发明提供的一种时序信号异常检测方法,获取所述待测历史时序信号的预测值,包括:
将所述待测历史时序信号输入至卷积神经网络,并根据所述卷积神经网络的输出结果获取所述预测值。
根据本发明提供的一种时序信号异常检测方法,所述根据所述卷积神经网络的输出结果获取所述预测值,包括:
若所述输出结果与所述待测历史时序信号的维度相同,则将所述输出结果作为所述预测值;
若所述输出结果与所述待测历史时序信号的维度不同,则对所述输出结果进行卷积运算后,获取所述预测值。
根据本发明提供的一种时序信号异常检测方法,所述根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测,包括:
根据所述预测值与所述平均波动率的差值,确定波动范围最小值;
根据所述预测值与所述平均波动率的和,确定波动范围最大值;
根据所述波动范围最小值和所述波动范围最大值,确定正常波动范围;
对所述待测历史时序信号中各个时刻的信号值进行异常检测,确定在所述正常波动范围之外的异常信号值。
本发明还提供一种时序信号异常检测系统,包括:获取模块以及检测模块;
所述获取模块,用于获取待测历史时序信号的平均波动率以及所述待测历史时序信号的预测值;
所述检测模块,用于根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测。
本发明还提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述程序时实现如上述任一种所述时序信号异常检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述时序信号异常检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述时序信号异常检测方法。
本发明提供的时序信号异常检测方法及系统,充分考虑了列车各个车轮在制动过程中受到制动力存在的差异性,在出现某一车轮打滑后,通过与当前速度基准值之间的差值异常发现问题,并通过反馈调节将发生打滑的车轮的制动力自动调整回最佳状态,使其获得最佳的黏着力,有效防止列车制动过程中滑行现象的发生。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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附图。
图1是本发明提供的时序信号异常检测方法的流程示意图之一;
图2是本发明提供的时序信号异常检测方法的流程示意图之二;
图3是本发明提供的时序信号异常检测系统的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
采集到的列车设备的时序信号运用纯粹的物理模型来检测和预测设备的退化趋势,检修异常是难以实现的,而采集十分便捷的传感器数据结合诸多机器学习算法模型为数据驱动的异常检测提供了可能。在机器算力提升的背景下,深度学习模型相较于机器学习模型对特征构建的要求较弱,长短记忆网络、随机森林等模型表现出对时序数据的强大适应性,基于此,本发明提供一种时序信号异常检测方法,具体实现如下:
图1是本发明提供的时序信号异常检测方法的流程示意图之一,如图1所示,方法包括:
步骤100、获取待测历史时序信号的平均波动率以及待测历史时序信号的预测值;
步骤200、根据平均波动率和预测值,对待测历史时序信号进行异常检测。
需要说明的是,上述方法的执行主体可以是计算机设备。
可选地,针对待测历史时序信号(可以是采集到的列车设备的历史时序信号)的高相关性,首要保证的是变量间逻辑关系正确,即待测历史时序信号变量间时刻维持线性相关性。利用线性相关性,刻画突变型异常和变量间关系异常,这里结合波动率,提出了差分线性回归方法对待测历史时序信号中的异常信号值进行检测。
为了在时间维度寻找自相关性,采用差分模型检测自相关异常。
差分方程寻找的是单个变量内部的异常值。针对于某个时刻发生的突变异常和相邻时刻之间不相协调的情况,差分模型可以从理论上很好地指出。例如,对于n维待测历史时序信号x1(t),x2(t),…xn(t)在某一个时刻和相邻时刻的差值大于预设阈值,即可认为出现了异常,其中,x1(t),x2(t),…xn(t)分别代表在历史时间段t的第一时刻至第n时刻的时序信号,具体地:
计算待测历史时序信号的平均波动率和待测历史时序信号的预测值,并利用得到的待测历史时序信号的平均波动率和预测值对待测历史时序信号中的异常信号值进行检测,以完成对待测历史时序信号的异常检测。
本发明提供的时序信号异常检测方法,通过对待测历史时序信号缓存处理,降低了实时异常检测的复杂度,通过采用待测历史时序信号的平均波动率和预测值的融合技术,对待测历史时序信号进行异常检测,提高了异常检测的稳定性与准确性。
进一步地,在一个实施例中,步骤100中的获取待测历史时序信号的平均波动率可以具体包括:
步骤1001、确定待测历史时序信号包括的滑动窗口个数,并确定每个滑动窗口的待测历史时序信号对应的子序列;
步骤1002、获取每个子序列的波动范围,并根据每个子序列的波动范围确定所述平均波动率。
进一步地,步骤1002中的获取每个子序列的波动范围,可以具体包括:
步骤10021、获取每个子序列中的最大值与最小值以及最终值;
步骤10022、分别获取最大值和最小值的第一差值、最大值和最终值的第二差值的绝对值以及最小值与最终值的第三差值的绝对值;
步骤10023、根据第一差值、第二差值的绝对值和第三差值的绝对值,获取每个子序列的波动范围。
可选地,为了衡量一段时间内的波动,需要引出平均波动率的概念,也即单位时间内的数值变化。在待测历史时序信号的时序数据中,定义待测历史时序信号的滑动窗口大小为w,可以由公式(1)计算得到:
其中,S代表待测历史时序信号的样本长度。
根据公式(1)将待测历史时序信号分割为大小为w的滑动窗口下,由此可以得到每个滑动窗口中将待测历史时序信号分割后的子序列。
获取每个滑动窗口中的每个子序列中的最大值与最小值以及最终值(子序列的最后一个时刻的信号值),以任意一个滑动窗口为例,假设,第i个窗口内的最大值为h(i),最小值为l(i),最终值为e(i)。那么,第i个窗口内的波动范围R(i)可以根据上述获取的最大值h(i)和最小值l(i)的第一差值:h(i)-l(i)、最大值h(i)和最终值e(i)的第二差值的绝对值:abs(h(i)-e(i))以及最小值l(i)与最终值e(i)的第三差值的绝对值:abs(l(i)-e(i)),获取第i个窗口内子序列的波动范围R(i)。
R(i)=max[(h(i)-l(i)),abs(h(i)-e(i)),abs(l(i)-e(i))] (2)
而平均的波动率为AR(i):
其中,num代表滑动窗口的个数。
本发明提供的时序信号异常检测方法,选用适合的波动率衡量方法,保证合理的正常值预测范围,对于较早的数据,认为其对当前时刻的影响是有限的,所以对有限样本进行采样,计算滑动窗口内的平均波动率,为后续基于该平均波动率以及预测值完成对待测历史时序信号的异常检测奠定了基础。
进一步地,在一个实施例中,步骤100中的获取待测历史时序信号的预测值,可以具体包括:
步骤1003、将待测历史时序信号输入至卷积神经网络,并根据卷积神经网络的输出结果获取预测值。
进一步地,在一个实施例中,步骤1003中的根据卷积神经网络的输出结果获取所述预测值,可以具体包括:
步骤10031、若输出结果与待测历史时序信号的维度相同,则将输出结果作为所述预测值;
步骤10032、若输出结果与待测历史时序信号的维度不同,则对输出结果进行卷积运算后,获取预测值。
可选地,针对单维度数据异常检测问题,基于卷积神经网络,改进注意力机制的时序信号序列建模方法,在加入因果卷积、残差卷积、扩张卷积的基础上,实现了待测历史序列信号的预测。
深度学习的卷积神经网络,不依赖于机器学习中特征构建的步骤,表现出对待测历史时序信号的较好的适应性。首先采用网络结构,避免了特征提取这种依赖于人工的方式。在此基础上,通过跨层残差、因果结构、扩张卷积等使得卷积神经网络具有了更好的解释性。改进了注意力机制的算法,能够使得卷积神经网络对目前时刻附近的样本有更多采样,对当下的运行模式自动适应,避免了不同场景模式下的分类讨论,具体地:
通过设置空洞卷积的卷积神经网络参数,当隐藏层层数为m,那么网络在扩张卷积部分的超参数为m+1。意为卷积结果由当前m+1个样本、向前m+1个时刻中m个样本、向前m+1个时刻中m-1个样本……向前m+1个时刻中1个样本共同组成。
对输入的历史时序信号进行波动率建模,通过m个滑动窗口的波动范围,获得平均波动率。
对输入的历史时序信号采取滑窗w个时刻的数据作为输入,以真实值和当前值的均方误差作为损失函数,训练预设卷积神经网络,最大迭代次数设置为400次,当迭代200次以上,并且损失函数连续20次迭代都在1%以内时停止迭代训练。迭代终止后保存预设循环神经网络,并将其作为最终的卷积神经网络,将待测历史时序信号输入至卷积神经网络,并根据卷积神经网络的输出结果获取预测值。
基于卷积神经网络,使用相同滑窗情况下的输入一段待测历史时间序列作为输入,将卷积神经网络的预测值加减平均波动率作为当前时刻的正常范围。
通过精确率、召回率、F1分数等评价卷积神经网络性能。
本发明在循环神经网络的基础上,综合因果卷积、残差卷积和空洞卷积三者的时序卷积网络。输入层为历史的时序信号,增加层数便可以获得更广的记忆范围。同时每一层的并行计算也可以在某种程度上提高处理效率,想要扩大历史信息的获取范围,只需要增加空洞的间隔或者增加隐含层数。基于此方法,融合多组可能影响某一指标的数据进行分析并预测该指标的未来值,以进行异常部分的辅助预测和临时替换。
增加网络隐含层数量不一定能够提高精度,但是会造成一系列问题,这里通过Dropout层的正则方法来避免过拟合的影响,用标准化的批处理方式可以减少梯度消失的影响。循环神经网络性能会随着层数的增加而退化,说明了部分信息的丢失,为了解决这个问题,需要前层的网络直接与后层跨层链接,使用残差网络传递信息。
残差块表示为:
yl=h(xl)+F(x1+Wl) (4)
x'=f(yl) (5)
其中,x'代表的是卷积神经网络的输出结果,h(·)代表的是直接映射,F(·)代表的是残差部分,f(·)代表的是激活函数。当卷积神经网络的输出结果与待测历史时序信号的维度相同,则将输出结果作为预测值;当输出结果与待测历史时序信号的维度不同,则需要对输出结果进行卷积运算后,需要使用卷积运算进行升维或降维后,得到预测值。
h(xl)=Wlx′ (6)
其中,Wl代表的是1/t卷积运算,h(xl)代表的是对输出结果进行卷积运算后的值。
本发明通过合理的网络结构设计,来对历史时序信号中的信息充分挖掘,使用扩张因果卷积、残差卷积、改进注意力机制的扩张卷积来刻画时序信号的自相关特性,采用残差网络的方式,可以跨越隐藏层传递,避免了信息衰减,通过对较近时刻赋予较大的权重,改进了扩张网络的注意力机制,使得模型对当前数据更加注重,增强了循环神经网络的自适应性。
本发明提供的时序信号异常检测方法,通过设计的卷积神经网络对待测历史时序信号进行预测,为后续基于卷积神经网络的预测值以及平均波动率完成对待测历史时序信号的异常检测奠定了基础。
进一步地,在一个实施例中,步骤200可以具体包括:
步骤2001、根据预测值与平均波动率的差值,确定波动范围最小值;
步骤2002、根据预测值与平均波动率的和,确定波动范围最大值;
步骤2003、根据波动范围最小值和波动范围最大值,确定正常波动范围;
步骤2004、对待测历史时序信号中各个时刻的信号值进行异常检测,确定在正常波动范围之外的异常信号值。
可选地,如图2所示,分别对待测历史时序信号进行波动率建模得到平均波动率,以及对待测历史时序信号进行预测,得到预测值,根据得到的待测历史时序信号的平均波动率AR(i)和预测值,分别计算待测历史时序信号的平均波动率与预测值的和以及差值,并将待测历史时序信号的平均波动率与预测值的和作为正常波动范围内的最大值(即波动范围最大值),将待测历史时序信号的平均波动率与预测值的差值作为正常波动范围内的最小值(即波动范围最小值),根据波动范围最小值和波动范围最大值,得到正常波动范围,对待测历史时序信号中各个时刻的信号值(实际测量值)进行异常检测,找到在正常波动范围之外的异常信号值。
本发明提供的时序信号异常检测方法,综合考虑了待测历史时序信号的平均波动率以及预测值,提高了对待测历史时序信号异常检测的稳定性和准确性。
下面对本发明提供的时序信号异常检测系统进行描述,下文描述的时序信号异常检测系统与上文描述的时序信号异常检测方法可相互对应参照。
图3是本发明提供的时序信号异常检测系统的结构示意图,如图3所示,包括:
获取模块310以及检测模块311;
所述获取模块310,用于获取待测历史时序信号的平均波动率以及所述待测历史时序信号的预测值;
所述检测模块311,用于根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测。
本发明提供的时序信号异常检测系统,通过对待测历史时序信号缓存处理,降低了实时异常检测的复杂度,通过采用待测历史时序信号的平均波动率和预测值的融合技术,对待测历史时序信号进行异常检测,提高了异常检测的稳定性与准确性。
进一步地,在一个实施例中,获取模块310,还可以具体用于:
确定所述待测历史时序信号包括的滑动窗口个数,并确定每个滑动窗口的所述待测历史时序信号对应的子序列;以及
获取每个子序列的波动范围,并根据所述每个子序列的波动范围确定所述平均波动率;
其中,所述获取每个子序列的波动范围,包括:
获取每个子序列中的最大值与最小值以及最终值;
分别获取所述最大值和所述最小值的第一差值、所述最大值和所述最终值的第二差值的绝对值以及所述最小值与所述最终值的第三差值的绝对值;
根据所述第一差值、所述第二差值的绝对值和所述第三差值的绝对值,获取所述每个子序列的波动范围。
本发明提供的时序信号异常检测系统,选用适合的波动率衡量方法,保证合理的正常值预测范围,对于较早的数据,认为其对当前时刻的影响是有限的,所以对有限样本进行采样,计算滑动窗口内的平均波动率,为后续基于该平均波动率以及预测值完成对待测历史时序信号的异常检测奠定了基础。
进一步地,在一个实施例中,获取模块310,还可以具体用于:
将所述待测历史时序信号输入至卷积神经网络,并根据所述卷积神经网络的输出结果获取所述预测值;
其中,所述根据所述卷积神经网络的输出结果获取所述预测值,包括:
若所述输出结果与所述待测历史时序信号的维度相同,则将所述输出结果作为所述预测值;
若所述输出结果与所述待测历史时序信号的维度不同,则对所述输出结果进行卷积运算后,获取所述预测值。
本发明提供的时序信号异常检测系统,通过设计的卷积神经网络对待测历史时序信号进行预测,为后续基于卷积神经网络的预测值以及平均波动率完成对待测历史时序信号的异常检测奠定了基础。
进一步地,在一个实施例中,检测模块311,还可以具体用于:
根据所述预测值与所述平均波动率的差值,确定波动范围最小值;
根据所述预测值与所述平均波动率的和,确定波动范围最大值;
根据所述波动范围最小值和所述波动范围最大值,确定正常波动范围;以及
对所述待测历史时序信号中各个时刻的信号值进行异常检测,确定在所述正常波动范围之外的异常信号值。
本发明提供的时序信号异常检测系统,综合考虑了待测历史时序信号的平均波动率以及预测值,提高了对待测历史时序信号异常检测的稳定性和准确性。
图4是本发明提供的一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413,其中,处理器410,通信接口411,存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令,以执行如下方法:
获取待测历史时序信号的平均波动率以及待测历史时序信号的预测值;
根据平均波动率和预测值,对待测历史时序信号进行异常检测。
此外,上述的存储器中的逻辑指令可以通过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电源屏(可以是个人计算机,服务器,或者网络电源屏等)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、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的时序信号异常检测方法,例如包括:
获取待测历史时序信号的平均波动率以及待测历史时序信号的预测值;
根据平均波动率和预测值,对待测历史时序信号进行异常检测。
另一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的时序信号异常检测方法,例如包括:
获取待测历史时序信号的平均波动率以及待测历史时序信号的预测值;
根据平均波动率和预测值,对待测历史时序信号进行异常检测。
以上所描述的系统实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机电源屏(可以是个人计算机,服务器,或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种时序信号异常检测方法,其特征在于,包括:
获取待测历史时序信号的平均波动率以及所述待测历史时序信号的预测值;
根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测;
所述获取待测历史时序信号的平均波动率,包括:
确定所述待测历史时序信号包括的滑动窗口个数,并确定每个滑动窗口的所述待测历史时序信号对应的子序列;
获取每个子序列的波动范围,并根据所述每个子序列的波动范围确定所述平均波动率;
所述获取每个子序列的波动范围,包括:
获取每个子序列中的最大值与最小值以及最终值;
分别获取所述最大值和所述最小值的第一差值、所述最大值和所述最终值的第二差值的绝对值以及所述最小值与所述最终值的第三差值的绝对值;
根据所述第一差值、所述第二差值的绝对值和所述第三差值的绝对值,获取所述每个子序列的波动范围。
2.根据权利要求1所述的时序信号异常检测方法,其特征在于,获取所述待测历史时序信号的预测值,包括:
将所述待测历史时序信号输入至卷积神经网络,并根据所述卷积神经网络的输出结果获取所述预测值。
3.根据权利要求2所述的时序信号异常检测方法,其特征在于,所述根据所述卷积神经网络的输出结果获取所述预测值,包括:
若所述输出结果与所述待测历史时序信号的维度相同,则将所述输出结果作为所述预测值;
若所述输出结果与所述待测历史时序信号的维度不同,则对所述输出结果进行卷积运算后,获取所述预测值。
4.根据权利要求1-3任一项所述的时序信号异常检测方法,其特征在于,所述根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测,包括:
根据所述预测值与所述平均波动率的差值,确定波动范围最小值;
根据所述预测值与所述平均波动率的和,确定波动范围最大值;
根据所述波动范围最小值和所述波动范围最大值,确定正常波动范围;
对所述待测历史时序信号中各个时刻的信号值进行异常检测,确定在所述正常波动范围之外的异常信号值。
5.一种时序信号异常检测系统,其特征在于,包括:获取模块以及检测模块;
所述获取模块,用于获取待测历史时序信号的平均波动率以及所述待测历史时序信号的预测值;
所述检测模块,用于根据所述平均波动率和所述预测值,对所述待测历史时序信号进行异常检测;
所述获取待测历史时序信号的平均波动率,包括:
确定所述待测历史时序信号包括的滑动窗口个数,并确定每个滑动窗口的所述待测历史时序信号对应的子序列;
获取每个子序列的波动范围,并根据所述每个子序列的波动范围确定所述平均波动率;
所述获取每个子序列的波动范围,包括:
获取每个子序列中的最大值与最小值以及最终值;
分别获取所述最大值和所述最小值的第一差值、所述最大值和所述最终值的第二差值的绝对值以及所述最小值与所述最终值的第三差值的绝对值;
根据所述第一差值、所述第二差值的绝对值和所述第三差值的绝对值,获取所述每个子序列的波动范围。
6.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述时序信号异常检测方法。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,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至4任一项所述时序信号异常检测方法。
8.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述时序信号异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672962.6A CN115158399B (zh) | 2022-06-14 | 2022-06-14 | 时序信号异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210672962.6A CN115158399B (zh) | 2022-06-14 | 2022-06-14 | 时序信号异常检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115158399A CN115158399A (zh) | 2022-10-11 |
CN115158399B true CN115158399B (zh) | 2023-10-17 |
Family
ID=83484768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210672962.6A Active CN115158399B (zh) | 2022-06-14 | 2022-06-14 | 时序信号异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115158399B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014115714A (ja) * | 2012-12-06 | 2014-06-26 | Mitsubishi Electric Corp | 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム |
CN108664603A (zh) * | 2018-05-09 | 2018-10-16 | 北京奇艺世纪科技有限公司 | 一种修复时序数据的异常聚合值的方法及装置 |
CN110522446A (zh) * | 2019-07-19 | 2019-12-03 | 东华大学 | 一种准确性高实用性强的脑电信号分析方法 |
CN110688735A (zh) * | 2019-09-05 | 2020-01-14 | 浪潮(北京)电子信息产业有限公司 | 一种时序信号趋势预测方法、装置、设备及存储介质 |
CN111241155A (zh) * | 2020-01-06 | 2020-06-05 | 广州虎牙科技有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
CN112308414A (zh) * | 2020-10-30 | 2021-02-02 | 中移(杭州)信息技术有限公司 | 收入异常检测的方法、装置、电子设备及存储介质 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
CN113347057A (zh) * | 2021-05-18 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN113704323A (zh) * | 2021-08-25 | 2021-11-26 | 杭州大乘智能科技有限公司 | 一种基于htm改进的时序异常检测算法 |
CN114547145A (zh) * | 2022-02-21 | 2022-05-27 | 苏州浪潮智能科技有限公司 | 一种时序数据异常检测方法、系统、存储介质及设备 |
-
2022
- 2022-06-14 CN CN202210672962.6A patent/CN115158399B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014115714A (ja) * | 2012-12-06 | 2014-06-26 | Mitsubishi Electric Corp | 時系列データ処理装置、時系列データ処理方法及び時系列データ処理プログラム |
CN108664603A (zh) * | 2018-05-09 | 2018-10-16 | 北京奇艺世纪科技有限公司 | 一种修复时序数据的异常聚合值的方法及装置 |
CN110522446A (zh) * | 2019-07-19 | 2019-12-03 | 东华大学 | 一种准确性高实用性强的脑电信号分析方法 |
CN110688735A (zh) * | 2019-09-05 | 2020-01-14 | 浪潮(北京)电子信息产业有限公司 | 一种时序信号趋势预测方法、装置、设备及存储介质 |
WO2021072890A1 (zh) * | 2019-10-18 | 2021-04-22 | 平安科技(深圳)有限公司 | 基于模型的流量异常监测方法、装置、设备及存储介质 |
CN111241155A (zh) * | 2020-01-06 | 2020-06-05 | 广州虎牙科技有限公司 | 时序数据异常检测方法、装置、设备及存储介质 |
WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
CN112308414A (zh) * | 2020-10-30 | 2021-02-02 | 中移(杭州)信息技术有限公司 | 收入异常检测的方法、装置、电子设备及存储介质 |
CN113347057A (zh) * | 2021-05-18 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 异常数据检测方法、装置、电子设备及存储介质 |
CN113704323A (zh) * | 2021-08-25 | 2021-11-26 | 杭州大乘智能科技有限公司 | 一种基于htm改进的时序异常检测算法 |
CN113537649A (zh) * | 2021-09-16 | 2021-10-22 | 南通华豪巨电子科技有限公司 | 基于神经网络与动态模式分解的电网负荷预测方法及系统 |
CN114547145A (zh) * | 2022-02-21 | 2022-05-27 | 苏州浪潮智能科技有限公司 | 一种时序数据异常检测方法、系统、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115158399A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11780452B2 (en) | Method and system for fault diagnoses of intelligent vehicles | |
CN112160761B (zh) | 一种基于现场参数的硬岩tbm刀盘滚刀磨损实时评估方法 | |
CN116541790A (zh) | 基于多特征融合的新能源车辆健康评估方法和装置 | |
CN115371724A (zh) | 轨道状态评价方法及装置 | |
Zeng et al. | Prediction of mud pumping in railway track using in-service train data | |
CN115158399B (zh) | 时序信号异常检测方法及系统 | |
CN114595721A (zh) | 一种基于路况识别的车辆零部件应变载荷预测方法 | |
CN113658423B (zh) | 基于循环门控单元的车辆轨迹异常检测方法 | |
CN112131796B (zh) | 一种基于基因表达式编程的硬岩tbm滚刀磨损实时评估方法 | |
CN116108339A (zh) | 一种面向隧道掘进机的实测数据离群值检测及修正方法 | |
CN115062867A (zh) | 基于Teager能量谱和改进型CNN模型的轴承故障预测方法 | |
CN112231849B (zh) | 基于nest和sprt融合算法的轴温故障检测方法 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
CN110991363B (zh) | 不同采煤工序下煤矿安全监控系统co涌出特征提取方法 | |
CN115096806B (zh) | 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统 | |
CN111444658A (zh) | 一种槽型轨几何参数趋势预测方法及系统 | |
CN113408441B (zh) | 基于DRSN和person相关系数的道床故障预警方法 | |
Chang et al. | Intelligent diagnosis model of traction seat of urban rail vehicle based on harris hawks optimization | |
Bai et al. | Remaining Useful Life Prediction of Wheel of Heavy-duty Railway Train based on Dual Channel Multi-scale Deep convolution Multi-scale Deep Long Short-Term Memory network | |
Li et al. | Track Irregularity Detection Based on Lateral Offset of High-Speed Railway | |
CN112033710B (zh) | 一种基于神经网络的城轨车辆构架损伤度检测方法 | |
CN109211556A (zh) | 一种轨道交通工具零部件检测系统 | |
CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN117022384A (zh) | 基于cnn-gru混合网络轨道不平顺估计方法 | |
CN114330096A (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |