CN115828055B - 一种采样数据的监测方法、装置、计算机设备和存储介质 - Google Patents
一种采样数据的监测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115828055B CN115828055B CN202310148535.2A CN202310148535A CN115828055B CN 115828055 B CN115828055 B CN 115828055B CN 202310148535 A CN202310148535 A CN 202310148535A CN 115828055 B CN115828055 B CN 115828055B
- Authority
- CN
- China
- Prior art keywords
- current
- fitting
- value
- sampling
- function
- 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
Abstract
本发明提供一种采样数据的监测方法、装置、计算机设备和存储介质,所述方法包括:对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值;根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;将当前采样点的采样值与所述预测值进行比较得到所述当前采样点的监测结果;本发明通过将采样点的采样值与预测值进行比较来进行异常数据的判断,避免因为环境等因素引起传感器数据的正常漂移而出现的误判问题,提高了采样数据的监测精度。
Description
技术领域
本发明涉及定向瞄准技术领域,具体涉及一种采样数据的监测方法、装置、计算机设备和存储介质。
背景技术
在现代化工业生产中,通常需要大量传感器进行设备运行参数的采集,再对采样数据进行异常判断,从而实现对设备的运行状态进行监测和控制。目前,对采样数据的异常判断通常采用阈值判断法,也就是将采样数据直接与阈值区间进行比较,当采样数据落在阈值区间内则判定数据正常,当采样数据落在阈值区间外则判定数据异常;这种一刀切的判断方法会使因为环境等因素引起的传感器数据的正常漂移也被误判成异常数据,从而降低了数据监测的精度。
可见,现有技术中采样数据的监测方法存在误判的问题,降低了数据监测的精度。
发明内容
针对现有技术中所存在的不足,本发明提供的一种采样数据的监测方法、装置、计算机设备和存储介质,通过将采样点的采样值与预测值进行比较来进行异常数据的判断,避免因为环境等因素引起传感器数据的正常漂移而出现的误判问题,提高了采样数据的监测精度;并且本发明将离散的采样数据拟合成周期曲线函数,并对拟合成的周期曲线函数进行修正,从而提高了从周期曲线函数中获取预测值的精度,也就是进一步提高了采样数据的监测精度。
第一方面,本发明提供一种采样数据的监测方法,所述方法包括:对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
可选地,根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数的公式表达式为:
其中,表示目标拟合函数,表示当前修正函数。
可选地,将当前采样点的采样值与所述预测值进行比较,并根据比较结果对所述当前采样点的采样值进行修正,包括:当所述采样值与所述预测值的差值绝对值大于预警阈值时,判定当前采样点的采样值为异常数据。
可选地,对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数,包括:对目标参考数据集进行多项式拟合,得到具有非周期性的多项式曲线函数;对所述多项式曲线函数进行傅里叶展开,得到具有周期性的目标拟合函数。
可选地,对目标参考数据集进行多项式拟合,得到具有非周期性的多项式曲线函数,包括:根据所述目标参考数据集的散点图,确定拟合多项式的次数;根据拟合多项式的次数,得到所述目标参考数据集对应的正规方程组;求解所述正规方程组,得到拟合参数;根据所述拟合参数得到所述具有非周期性的多项式曲线函数。
可选地,傅里叶展开的公式表达式为:
其中,和为傅里叶拟合参数,n为傅里叶拟合阶数,L为半周期长度。
可选地,,,,其中,为多项式曲线函数。
第二方面,本发明提供一种采样数据的监测装置,所述装置包括:拟合模块,用于对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;偏差均值计算模块,用于根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;拟合函数修正模块,用于根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;预测值获取模块,用于根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;比较模块,用于将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
第三方面,本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
第四方面,本发明提供一种可读存储介质,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以下步骤:对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
与现有技术相比,本发明的有益效果为:
本发明通过对当前采样周期对应的目标参考数据集依次进行多项式拟合和傅里叶展开后,将离散的采样数据拟合成周期曲线函数;根据采样周期中的采样数据与目标参考数据得到偏差均值,使偏差均值对周期曲线函数进行修正,提高了修正函数的拟合精度,也就提高了从修正函数中获取到当前采样点的预测值的精度;最后通过与预测值进行比较来判断当前采样点的采样值是否存在异常;因此本发明通过将采样点的采样值与预测值进行比较来进行异常数据的判断,避免因为环境等因素引起传感器数据的正常漂移而出现的误判问题,提高了采样数据的监测精度;并且本发明将离散的采样数据拟合成周期曲线函数,并对拟合成的周期曲线函数进行修正,从而提高了从周期曲线函数中获取预测值的精度,也就是进一步提高了采样数据的监测精度。
附图说明
图1所示为本发明实施例提供的一种采样数据的监测方法的流程示意图;
图2所示为本发明实施例提供的一种多项式拟合方法的流程示意图;
图3所示为本发明实施例提供的另一种采样数据的监测方法的流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1所示为本发明实施例提供的一种采样数据的监测方法的流程示意图;如图1所示,所述采样数据的监测方法具体包括以下步骤:
步骤S101,对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数。
在本实施例中,对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数,包括:对目标参考数据集进行多项式拟合,得到具有非周期性的多项式曲线函数;对所述多项式曲线函数进行傅里叶展开,得到具有周期性的目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合。
需要说明的是,所述上一个采样周期为离当前采样周期最近的周期,上一个采样周期采集到的目标参考数据集记为,每个采样周期的采样总个数为r;通过对目标参考数据集进行多项式拟合,也就是将离散的数据集转换成具有规律性的非周期的曲线函数;由于进行多项式拟合的曲线函数只能体现上一个采样周期的数据规律,不能体现出当前采样周期以及下一个采样周期的数据规律,因此对所述具有非周期性的多项式曲线函数进行傅里叶拟合,可以将非周期的曲线函数转换成具有周期规律的目标拟合函数;举例说明,经过多项式拟合得到的曲线函数是沿纵坐标对称抛物线,那么经过傅里叶展开后得到的目标拟合函数是首尾连接的若干个抛物线。本实施例中的多项式拟合包括但不限于最小二乘法。
步骤S102,根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值。
在本实施例中,计算当前偏差均值的公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值。
需要说明的是,当前采样周期中的当前所有采样数据是在当前采样点之前获取到的采样数据,记为,其中,当前采样周期在当前采样点之前已采样个数为g,且;计算出当前采样周期中的每个采样数据与上一个采样周期中对应的采样数据的偏差,并取所有偏差的均值作为当前偏差均值;所述当前偏差均值为当前采样点对应的偏差均值,而在当前采样周期中的上一个采样点也对应一个偏差均值;由于在当前采样周期中每个采样点对应的g不同,那么理论上每个采样单对应的偏差均值也不同,但是在实际偏差计算中可能存在偏差均值相同的采样点。
步骤S103,根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数。
在本实施例中,根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数的公式表达式为:
其中,表示目标拟合函数,表示当前修正函数。
需要说明的说,本实施例通过当前偏差均值对目标拟合函数进行修正,也就是将拟合出来的预测曲线与实际误差相结合,可以使修正后的函数曲线更接近实际采样数据,从而提高了采样点的预测值的精度。
步骤S104,根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值。
需要说明的是,由于当前修正函数是具有周期性的函数,因此根据当前采样点的采样时间就可以直接通过当前修正函数中计算出当前采样点的预测值。其中,由于通过上述步骤S102可知,当前采样周期中每个采样点对应的偏差均值可能不相同,因此每个采样点对应的修正函数也就不相同。
步骤S105,将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
在本实施例中,将当前采样点的采样值和当前采样点的预测值进行比较,当所述采样值与所述预测值的差值绝对值大于预警阈值时,判定当前采样点的采样值为异常数据,发出报警信息,可以通知工作人员再对当前采样点的采样数据进行进一步的分析。
进一步地,设置多级预警阈值,当所述采样值与所述预测值的差值绝对值大于第一级预警阈值而小于第二级预警阈值时,发出一级报警信息;当所述采样值与所述预测值的差值绝对值大于第二级预警阈值时,发出二级报警信息,且使用预测值替换所述采样值。
图2所示为本发明实施例提供的一种多项式拟合方法的流程示意图;如图2所示,对目标参考数据集进行多项式拟合,得到具有非周期性的多项式曲线函数,具体包括以下步骤:
步骤S201,根据所述目标参考数据集的散点图,确定拟合多项式的次数;
步骤S202,根据拟合多项式的次数,得到所述目标参考数据集对应的正规方程组;
步骤S203,求解所述正规方程组,得到拟合参数;
步骤S204,根据所述拟合参数得到所述具有非周期性的多项式曲线函数。
需要说明的是,假设本实施例中的采样数据点为,拟合多项式的次数为n,现求拟合函数,使得
(1)
其中,m表示目标参考数据集中的采样数据点的总数量,表示拟合参数,表示拟合函数,k和i都是自变量;需要说明的是,本实施例中的m和上述实施例中的r 都是表示目标参考数据集中的采样数据点的总数量。
当拟合函数为多项式时,称为多项式拟合,满足式(1)的成为最小二乘拟合多项式;为的多元函数,因此上述问题即为求的极值;多元函数求极值的必要条件为
(2)
即
(3)
其中,和都是表示拟合参数,只是自变量不同,但是自变量的取值范围相同。
公式(3)是关于的线性方程组,用矩阵表示为
(4)
公式(4)称为正规方程组或法方程组。
需要说明的是,方程组(4)的系数矩阵是一个对称正定矩阵,故存在唯一解;从公式(4)中解出,从而可得到多项式:
(5)
由此可知,多项式拟合的方法可归纳为以下几步:
(1)由已知数据画出函数粗略的图形——散点图,确定拟合多项式的次数n;
(2)列表计算和,其中;
(3)写出正规方程组,求出拟合参数;
(4)写出多项式曲线函数。
在本实施例中,对所述多项式曲线函数进行傅里叶展开,得到具有周期性的目标拟合函数中的傅里叶展开的公式表达式为:
其中,和为傅里叶拟合参数,n为傅里叶拟合阶数,L为半周期长度;傅里叶拟合阶数n根据拟合的需求进行预先设置,半周期长度根据多项式曲线函数的周期长度进行确定。
具体地,
其中,为多项式曲线函数。
在本发明的另一个实施例中,如图3所示,本实施例采用多项式拟合和傅里叶拟合相结合的方法对周期性的采样数据进行监测方法,具体步骤如下:
首先获取需要监测的数据的一个完整周期的数值,该完整周期通常为最近的一个完整周期,每个周期的测量值总个数为r,测量值集合记为{}。
采用多项式对周期数据进行拟合(可采用最小二乘法或其他拟合方法),通过拟合可以得到一个多项式P。拟合过程需要预先设置拟合的多项式阶数N1,须在保证拟合效果的前提下避免过拟合的情况。
根据得到的多项式P,采用傅里叶级数对其在周期范围内进行拟合,须预先确定拟合的阶数N2和半周期长度L。傅里叶拟合过程即对多项式P在周期范围内进行傅里叶展开,展开的阶数根据拟合的需求决定。最终可以得到傅里叶级数的表达式F。
设当前正在采集的非完整周期数据共有g个,记为{},需要预测的测量点个数为Pr,需满足g+Pr<r+1。
需要根据当前测量周期对拟合函数进行修正,方法如下:
计算当前周期和最近完整周期对应数据的偏差平均值Da,公式如下:
根据修正F为Fx:Fx=F+Dag;
根据Fx可得到预测点的数值,记为{,,…,};
设置偏差预警阈值G,假设当前采集值为,若,则认为当前运行状态出现问题,给出报警信息。偏差预警阈值G根据实际情况和需求进行设置;重复以上步骤进行偏差预警和测量值预测。
本实施例采用了一种结合多项式拟合和傅里叶拟合的数据拟合方法,对周期性数据具有良好的拟合效果,并便于后续进行数据处理;其次,本实施例通过将最近的完整数据周期和当前不完整周期联合起来进行趋势预测,具有较好的效果;再次,本实施例采用了一种根据周期之间偏差进行修正的方法,在保留周期特性的条件下考虑了不同周期之间的差异性;最后,本实施例根据预测值对采集值的异常进行判断,且可根据需要调整判断的阈值,提高数据异常判断精度。
在本发明的另一个实施例中,提供一种采样数据的监测装置,其特征在于,所述装置包括:
拟合模块,用于对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;
偏差均值计算模块,用于根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;
拟合函数修正模块,用于根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;
预测值获取模块,用于根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;
比较模块,用于将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
在本发明的另一个实施例中,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
在本发明的又一个实施例中,提供一种可读存储介质,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实现以下步骤:对当前采样周期对应的目标参考数据集进行多项式拟合和傅里叶展开,得到目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合;根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;将当前采样点的采样值与所述预测值进行比较,并根据比较结果得到所述当前采样点的监测结果。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性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,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (7)
1.一种采样数据的监测方法,其特征在于,所述方法包括:
根据目标参考数据集的散点图,确定拟合多项式的次数;根据拟合多项式的次数,得到所述目标参考数据集对应的正规方程组;求解所述正规方程组,得到拟合参数;根据所述拟合参数得到具有非周期性的多项式曲线函数;对所述多项式曲线函数进行傅里叶展开,得到具有周期性的目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合,所述采样数据为传感器数据;
根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;
根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;
根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;
当采样值与所述预测值的差值绝对值大于预警阈值时,判定当前采样点的采样值为异常数据。
2.如权利要求1所述的采样数据的监测方法,其特征在于,根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数的公式表达式为:
其中,表示目标拟合函数,表示当前修正函数。
3.如权利要求1所述的采样数据的监测方法,其特征在于,傅里叶展开的公式表达式为:
其中,和为傅里叶拟合参数,n为傅里叶拟合阶数,L为半周期长度。
4.如权利要求3所述的采样数据的监测方法,其特征在于,
其中,为多项式曲线函数。
5.一种采样数据的监测装置,其特征在于,所述装置包括:
拟合模块,用于根据目标参考数据集的散点图,确定拟合多项式的次数;根据拟合多项式的次数,得到所述目标参考数据集对应的正规方程组;求解所述正规方程组,得到拟合参数;根据所述拟合参数得到具有非周期性的多项式曲线函数;对所述多项式曲线函数进行傅里叶展开,得到具有周期性的目标拟合函数;其中,所述目标参考数据集为上一个采样周期获取到采样数据的集合,所述采样数据为传感器数据;
偏差均值计算模块,用于根据当前采样周期中的当前所有采样数据和所述目标参考数据集,计算出当前偏差均值,其公式表达式为:
其中,目标参考数据集记为,当前采样周期中的当前所有采样数据记为,,表示当前偏差均值;
拟合函数修正模块,用于根据所述当前偏差均值对所述目标拟合函数进行修正,得到当前修正函数;
预测值获取模块,用于根据所述当前修正函数得到所述当前采样周期中当前采样点的预测值;
比较模块,用于当采样值与所述预测值的差值绝对值大于预警阈值时,判定当前采样点的采样值为异常数据。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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中任一项方法的步骤。
7.一种可读存储介质,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4中任一项方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148535.2A CN115828055B (zh) | 2023-02-22 | 2023-02-22 | 一种采样数据的监测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148535.2A CN115828055B (zh) | 2023-02-22 | 2023-02-22 | 一种采样数据的监测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828055A CN115828055A (zh) | 2023-03-21 |
CN115828055B true CN115828055B (zh) | 2023-04-18 |
Family
ID=85522104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310148535.2A Active CN115828055B (zh) | 2023-02-22 | 2023-02-22 | 一种采样数据的监测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828055B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116884517B (zh) * | 2023-09-06 | 2023-12-22 | 合肥金星智控科技股份有限公司 | 在线检测设备及其显示方法、装置、介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160181A (zh) * | 2015-09-02 | 2015-12-16 | 华中科技大学 | 一种数控系统指令域序列异常数据检测方法 |
CN109116323A (zh) * | 2018-09-10 | 2019-01-01 | 四川九洲空管科技有限责任公司 | 基于多项式曲线拟合的iff系统虚警门限的优化方法及设备 |
CN109580549A (zh) * | 2018-11-14 | 2019-04-05 | 深圳市理邦精密仪器股份有限公司 | 物质含量的计算、定标方法及装置 |
CN111879349A (zh) * | 2020-08-03 | 2020-11-03 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN112311611A (zh) * | 2019-07-29 | 2021-02-02 | 中国移动通信集团广东有限公司 | 数据异常的监测方法、装置和电子设备 |
CN114356705A (zh) * | 2021-12-28 | 2022-04-15 | 天翼物联科技有限公司 | 用于物联网设备的异常检测方法、装置、设备及介质 |
CN114978956A (zh) * | 2022-04-11 | 2022-08-30 | 北京邮电大学 | 智慧城市网络设备性能异常突变点检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5642038B2 (ja) * | 2011-09-28 | 2014-12-17 | 株式会社東芝 | 階層型情報収集のためのシステム、装置、およびプログラム |
-
2023
- 2023-02-22 CN CN202310148535.2A patent/CN115828055B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160181A (zh) * | 2015-09-02 | 2015-12-16 | 华中科技大学 | 一种数控系统指令域序列异常数据检测方法 |
CN109116323A (zh) * | 2018-09-10 | 2019-01-01 | 四川九洲空管科技有限责任公司 | 基于多项式曲线拟合的iff系统虚警门限的优化方法及设备 |
CN109580549A (zh) * | 2018-11-14 | 2019-04-05 | 深圳市理邦精密仪器股份有限公司 | 物质含量的计算、定标方法及装置 |
CN112311611A (zh) * | 2019-07-29 | 2021-02-02 | 中国移动通信集团广东有限公司 | 数据异常的监测方法、装置和电子设备 |
CN111879349A (zh) * | 2020-08-03 | 2020-11-03 | 泉州装备制造研究所 | 一种传感器数据偏差自适应修正方法 |
CN114356705A (zh) * | 2021-12-28 | 2022-04-15 | 天翼物联科技有限公司 | 用于物联网设备的异常检测方法、装置、设备及介质 |
CN114978956A (zh) * | 2022-04-11 | 2022-08-30 | 北京邮电大学 | 智慧城市网络设备性能异常突变点检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
Venkatesan 等.robust fourier and polynomial curve fitting.2016 IEEE 57th Annual Symposium on Foundation of Computer Science.2016,751-759. * |
崔海蓉 ; 张京波 ; 何建敏 ; .基于AR-EGARCH的空气温度预测模型.统计与信息论坛.2013,(10),36-41. * |
庞涛.工业过程气体在线监测技术研究与系统设计.中国博士学位论文全文数据库信息科技辑.2017,I140-73. * |
袁婷.基于残差分析测度修正的半参数统计推断模型的新疆发电量实证分析与检验.兰州文理学院学报(自然科学版).2018,第32卷(第1期),28-33. * |
Also Published As
Publication number | Publication date |
---|---|
CN115828055A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115828055B (zh) | 一种采样数据的监测方法、装置、计算机设备和存储介质 | |
CN110631624B (zh) | 一种识别矿井传感器运行数据异常的方法、装置及系统 | |
JP2019090024A (ja) | 石油精製所における腐食を低減する方法 | |
CN107478703B (zh) | 电化学气体传感器及其校准方法、空调器 | |
US11609830B2 (en) | Method for investigating a functional behavior of a component of a technical installation, computer program, and computer-readable storage medium | |
CN111189488B (zh) | 一种传感器数值异常识别方法、装置、设备及存储介质 | |
EP3812715A2 (en) | Method for adjusting parameters of a device having a weighing sensor | |
CN116626234A (zh) | 工业碳排放量检测系统及其方法 | |
US20220187140A1 (en) | Abnormal temperature detection device, abnormal temperature detection method, and non-transitory computer readable storage medium | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN117606578A (zh) | 一种智能的气体流量监测方法 | |
US20160018372A1 (en) | Method for operating a measuring site | |
CN114636827B (zh) | 反应曲线的异常点剔除方法、装置、设备和介质 | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
EP4121758B1 (en) | Information processor for diagnosing the state of a humidity sensor | |
CN112384266A (zh) | 输液报警系统、方法、计算机设备和存储介质 | |
CN110595526B (zh) | 一种煤矿井下传感器标校的检测方法、装置和设备 | |
CN111735489A (zh) | 探测器的温湿度校准方法、装置、计算机设备及存储介质 | |
KR102533572B1 (ko) | 수분 혼입 검출 장치, 수분 혼입 검출 프로그램, 수분 혼입 검출 방법, 및 수분 혼입 검출 시스템 | |
CN112948925A (zh) | 一种桥梁健康状态评估方法、系统及存储介质 | |
JP7323051B2 (ja) | 圧延プロセスの学習制御装置 | |
CN114117340A (zh) | 一种发动机装配检测方法、装置、存储介质和电子设备 | |
CN117556364B (zh) | 一种矿用矿压安全智能监测系统 | |
CN114295365B (zh) | 插针机精度异常监测方法、系统、设备及存储介质 | |
US20240027974A1 (en) | Drift detection in dynamic processes |
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 |