CN115994248B - 阀门故障的数据检测方法及系统 - Google Patents
阀门故障的数据检测方法及系统 Download PDFInfo
- Publication number
- CN115994248B CN115994248B CN202310293520.5A CN202310293520A CN115994248B CN 115994248 B CN115994248 B CN 115994248B CN 202310293520 A CN202310293520 A CN 202310293520A CN 115994248 B CN115994248 B CN 115994248B
- Authority
- CN
- China
- Prior art keywords
- data
- residual
- period
- value
- determining
- 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
本发明涉及数据处理技术领域,具体涉及一种阀门故障的数据检测方法及系统。该方法包括:获取时序阀杆位移数据,时序分解得到残差项和周期项,确定残差项的预设残差值,确定初始异常数据点;将时序阀杆位移数据划分为数据周期,对数据周期进行筛选,确定待测周期,确定与待测周期的相邻周期,确定周期波动系数;从待测周期中确定疑似异常数据点,确定疑似异常数据点对应的相邻数据点,根据疑似异常数据点和相邻数据点确定数据波动系数;根据周期波动系数和数据波动系数,确定疑似异常数据点的异常程度,根据异常程度确定目标异常数据点,根据目标异常数据点确定数据检测结果。本发明能够提升阀门故障的数据检测准确性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种阀门故障的数据检测方法及系统。
背景技术
阀门作为工业体系中基本且重要的控制部件,影响着石油、气体、放射性介质等多种介质的输送,是工业生产运输体系中平稳运行的重要保障,因此,对于阀门运行的故障进行及时的检测和预警尤其重要,阀杆位移的异常检测为阀门故障检测的重要组成部分。
相关技术中,对于阀杆位移数据异常检测所使用的方法为构建时间序列曲线,并通过时序分解算法和Boxplot准则求得残差的边界阈值,根据边界阈值进而实现异常数据检测,这种方式下,由于阀杆的位移变化较为频繁,阀杆位移所产生的周期性波动会对检测结果的判断造成异常影响,从而导致阀杆位移检测准确性不足。
发明内容
为了解决阀杆位移检测准确性不足的技术问题,本发明提供一种阀门故障的数据检测方法及系统,所采用的技术方案具体如下:
本发明提出了一种阀门故障的数据检测方法,方法包括:
获取时序阀杆位移数据,对所述时序阀杆位移数据进行时序分解得到残差项和周期项,确定所述残差项的预设残差值,根据所述时序阀杆位移数据的残差值大小确定初始异常数据点;
根据所述周期项的周期信息,将所述时序阀杆位移数据划分为至少两个数据周期,根据所述数据周期中初始异常数据点的残差值和所述预设残差值,对所述数据周期进行筛选,确定异常周期;
任选某一异常周期作为待测周期,确定与所述待测周期相邻的周期为相邻周期,根据所述待测周期和所述相邻周期中除所述初始异常数据点之外其他数据点的残差值和所述预设残差值,确定所述待测周期的周期波动系数;
从所述待测周期中任选某一初始异常数据点作为疑似异常数据点,将所述疑似异常数据点在所述相邻周期对应位置的数据点作为相邻数据点,根据所述疑似异常数据点和所述相邻数据点的残差值和所述预设残差值,确定所述疑似异常数据点的数据波动系数;
根据所述周期波动系数和所述数据波动系数,确定所述疑似异常数据点的异常程度,根据所述异常程度从所述疑似异常数据点中确定目标异常数据点,根据所述目标异常数据点确定数据检测结果。
进一步地,根据所述数据周期中初始异常数据点的残差值和所述预设残差值,对所述数据周期进行筛选,确定异常周期,包括:
将所述数据周期中初始异常数据点的所述残差值大于所述预设残差值的初始异常数据点的数量作为第一数量;
将所述数据周期中初始异常数据点的所述残差值小于所述预设残差值的初始异常数据点的数量作为第二数量;
计算所述第一数量与所述第二数量的差值绝对值作为数量差异,对所述数量差异进行归一化处理得到所述数据周期的异常程度;
将所述异常程度大于预设异常程度阈值的数据周期作为异常周期。
进一步地,根据所述待测周期和所述相邻周期中除所述初始异常数据点之外其他数据点的残差值和所述预设残差值,确定所述待测周期的周期波动系数,包括:
将所述待测周期中除所述初始异常数据点之外的其他数据点的残差值作为待测残差值,确定所述待测残差值与所述预设残差值的差值绝对值最大值为待测残差最大值;
将所述相邻周期中除所述初始异常数据点之外的其他数据点的残差值作为相邻残差值,确定所述相邻残差值与所述预设残差值的差值绝对值最大值为相邻残差最大值;
将所述待测残差最大值作为分子,所述相邻残差最大值和第一预设安全值的和值作为分母,计算得到所述待测周期的周期波动系数。
进一步地,根据所述疑似异常数据点和所述相邻数据点的残差值和所述预设残差值,确定所述疑似异常数据点的数据波动系数,包括:
确定所述疑似异常数据点的残差值和所述预设残差值的差值绝对值为疑似残差差异;
确定所述相邻数据点的残差值和所述预设残差值的差值绝对值最大值为相邻残差差异;
将所述疑似残差差异作为分子,所述相邻残差差异和第二预设安全值的和值作为分母,计算得到所述数据波动系数。
进一步地,根据所述周期波动系数和所述数据波动系数,确定所述疑似异常数据点的异常程度,包括:
计算所述周期波动系数和所述数据波动系数的和值与预设系数调整值的差值绝对值作为异常影响系数;
对所述异常影响系数进行归一化处理作为所述异常程度。
进一步地,根据所述异常程度从所述疑似异常数据点中确定目标异常数据点,包括:
将所述异常程度大于预设程度阈值的疑似异常数据点作为目标异常数据点。
进一步地,对所述时序阀杆位移数据进行时序分解得到残差项和周期项,包括:
基于时序分解算法对所述时序阀杆位移数据进行时序分解处理,得到残差项和周期项。
进一步地,根据所述时序阀杆位移数据的残差值大小确定初始异常数据点,包括:
根据Boxplot函数计算确定所述残差值的上限与下限,将所述残差值大于所述上限和小于所述下限的时序阀杆位移数据作为初始异常数据点。
本发明还提出了一种阀门故障的数据检测系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现如前述所述的一种阀门故障的数据检测方法。
本发明具有如下有益效果:
综上,本发明通过根据时序阀杆位移数据的残差值大小确定初始异常数据点,能够有效实现初步的异常检测,确定异常的数据点,而后根据初始异常数据点的残差值和预设残差值,确定异常周期,结合时序分解得到残差项和周期项,实现对不同周期的准确分析,从而有效确定异常周期,保证异常周期的准确性,通过确定待测周期的周期波动系数和疑似异常数据点的数据波动系数,能够根据残差值的波动特征对待测周期和相邻周期中的数据点进行分析,结合待测周期与相邻周期中数据点残差值的分布,实现更为精细的阀门故障数据检测,提升阀杆质量检测精度,从而能够根据周期波动系数和数据波动系数准确确定疑似异常数据点的异常程度,使得疑似异常数据点的异常程度能够有效考虑待测周期和相邻周期中数据点的残差值分布,从而能够实现异常程度的客观性,有效避免周期性波动对异常程度的影响,提升阀门故障的数据检测准确性。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种阀门故障的数据检测方法流程图;
图2为本发明一个实施例所提供的周期项示意图;
图3为本发明一个实施例所提供的残差项示意图;
图4为本发明一个实施例所提供的箱线图结构示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种阀门故障的数据检测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种阀门故障的数据检测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种阀门故障的数据检测方法流程图,该方法包括:
S101:获取时序阀杆位移数据,对时序阀杆位移数据进行时序分解得到残差项和周期项,确定残差项的预设残差值,根据时序阀杆位移数据的残差值大小确定初始异常数据点。
其中,时序阀杆位移数据,为阀门阀杆在运行过程中的位移数据,可以理解的是,由于阀门阀杆在使用过程中会产生打滑和金属疲劳等现象,从而使得阀杆产生故障,无法按照实际操作进行精确位移,因此,需对阀门阀杆进行故障检测。
本发明实施例中,可以对待测的阀杆进行场景模拟,如高流速场景、高压场景等,而后,使用高精密的检测设备获取阀杆在模拟场景中的位移数据,可以理解的是,可以设置周期性采集阀杆在位移过程中的数据,例如每隔0.1秒采集一次,而后,经过整理得到时序阀杆位移数据,对此不做限制。
进一步地,本发明实施例中,对时序阀杆位移数据进行时序分解得到残差项和周期项,包括:基于时序分解算法对时序阀杆位移数据进行时序分解处理,得到残差项和周期项。
其中,时序分解(Seasonal-Trend decomposition procedure based on Loess,STL)算法,为时序分解中一种常见的算法,基于局部加权回归法将时序阀杆位移数据分解为趋势项、周期项和残差项,其中,周期项用于反映时序阀杆位移数据的周期信息,举例而言,如图2所示,图2为本发明一个实施例所提供的周期项示意图,横坐标表示时间,纵坐标表示周期项的值。
其中,残差项用于表示在分解完趋势项与周期项之后的残差,而残差项中的数值可以表示影响时序阀杆位移数据的噪声,则可以根据残差项实现对阀杆的检测,举例而言,如图3所示,图3为本发明一个实施例所提供的残差项示意图,横坐标表示时间,纵坐标表示残差值。
可以理解的是,周期项和残差项的计算为时序分解算法中现有的计算过程,为本领域所熟知的技术,对此不再赘述。
进一步地,本发明实施例中,根据时序阀杆位移数据的残差值大小确定初始异常数据点,包括:根据Boxplot函数计算确定残差值的上限与下限,将残差值大于上限和小于下限的时序阀杆位移数据作为初始异常数据点。
其中,Boxplot函数,为箱线图绘制函数,本发明实施例中,可以对残差项进行绘制得到箱线图,其中,如图4所示,图4为本发明一个实施例所提供的箱线图结构示意图,箱线图中可以包括上限、下限、上四分位数、下四分位数和中位数,Boxplot函数为本领域所熟知的技术,对此不再赘述。
其中,上限表示正常时序阀杆位移数据中残差项的最大值,下限表示正常时序阀杆位移数据中残差项的最小值,则本发明实施例中,可以将残差值大于上限和小于下限的时序阀杆位移数据作为初始异常数据点。
可以理解的是,由于上限和下限表示正常情况下残差值的最大值和最小值,也即是说,在残差值大于上限和残差值小于下限时,可以确定该残差值所对应时刻的数据异常程度概率较大,因此,将其作为初始异常数据点。
S102:根据周期项的周期信息,将时序阀杆位移数据划分为至少两个数据周期,根据数据周期中初始异常数据点的残差值和预设残差值,对数据周期进行筛选,确定异常周期。
可以理解的是,如图2所示,周期项中包含阀杆在位移过程中的周期信息,因此,本发明实施例中,可以根据周期项中的周期信息将时序阀杆位移数据划分为至少两个数据周期。
其中,预设残差值,为预设的残差项的预测值,本发明实施例中,可以根据先验经验,确定残差项的预测值,并将其作为预设残差值,可选地,预设残差值为0。
进一步地,本发明实施例中,根据数据周期中初始异常数据点的残差值和预设残差值,对数据周期进行筛选,确定异常周期,包括:将数据周期中初始异常数据点的残差值大于预设残差值的初始异常数据点的数量作为第一数量;将数据周期中初始异常数据点的残差值小于预设残差值的初始异常数据点的数量作为第二数量;计算第一数量与第二数量的差值绝对值作为数量差异,对数量差异进行归一化处理得到数据周期的异常程度;将异常程度大于预设异常程度阈值的数据周期作为异常周期。
其中,第一数量,为数据周期中初始异常数据点的残差值大于预设残差值的初始异常数据点的数量;第二数量,为数据周期中初始异常数据点的残差值小于预设残差值的初始异常数据点的数量,也即是说,在如图3所示残差项示意图中,设置预设残差值所对应的直线,而后确定同一数据周期中位于直线上方的初始异常数据点的数量作为第一数量,并确定同一数据周期中位于直线下方的初始异常数据点的数量作为第二数量。
本发明实施例中,可以计算第一数量与第二数量的差值绝对值作为数量差异,对数量差异进行归一化处理得到数据周期的异常程度,对应的计算公式为:
式中,表示第m个数据周期的异常程度,m表示数据周期的索引,表示第m个数
据周期的第一数量,表示第m个数据周期的第二数量,表示取绝对值,表示
第m个数据周期的数量差异,表示归一化处理,在本发明的一个实施例中,归一化处理可
以具体例如为最大最小值归一化处理,并且,在后续所有步骤中均采用最大最小值归一化
方法,在本发明的其他实施例可以根据具体数值情况选择其他任意可能的归一化方法,对
此不做赘述。
其中,可以理解的是,在数据周期中的时序阀杆位移数据变化平稳且无异常突变时,对应的残差值大于预设残差值的数量与残差值小于预设残差值的数量差异较小,也即第一数量与第二数量的差值绝对值较小,异常程度较小,而在产生异常突变时,则对应的第一数量与第二数量中差距会变大,则对应的异常程度变大,由此,可以根据异常程度的数值大小对数据周期进行筛选。
其中,预设异常程度阈值,为异常程度的门限值,可选地,预设异常程度阈值可以为0.4,也即是说,本发明实施例中,在数据周期的异常程度大于0.4时,将该数据周期作为异常周期,在数据周期的异常程度小于等于0.4时,可以表示对应数据周期内阀杆位移变化正常。
S103:任选某一异常周期作为待测周期,确定与待测周期相邻的周期为相邻周期,根据待测周期和相邻周期中除初始异常数据点之外其他数据点的残差值和预设残差值,确定待测周期的周期波动系数。
其中,相邻周期,为待测周期相邻的周期,可以理解的是,待测周期包含左相邻和右相邻两种相邻情况,因此,相邻周期可能为两个。
其中,预设残差值,为预设的残差值的正常值,可选地,在本发明的一些实施例中,预设残差值为0,当然,在本发明的另一些实施例中,预设残差值的数值还可以根据实际检测需求进行调整,对此不做限制。
进一步地,本发明的一些实施例中,根据待测周期和相邻周期中除初始异常数据点之外其他数据点的残差值和预设残差值,确定待测周期的周期波动系数,包括:将待测周期中除初始异常数据点之外的其他数据点的残差值作为待测残差值,确定待测残差值与预设残差值的差值绝对值最大值为待测残差最大值;将相邻周期中除初始异常数据点之外的其他数据点的残差值作为相邻残差值,确定相邻残差值与预设残差值的差值绝对值最大值为相邻残差最大值;将所述待测残差最大值作为分子,所述相邻残差最大值和第一预设安全值的和值作为分母,计算得到所述待测周期的周期波动系数。
其中,用于表征待测周期的波动程度的数值,可以被称为周期波动系数。
其中,待测残差最大值,为待测周期中除初始异常数据点之外的其他数据点的残差值与预设残差值相差最大的值,举例而言,待测周期中除初始异常数据点之外的其他数据点的残差值为{0,2,-5,4},预设残差值为0,则对应的,待测残差最大值为5,同理,分别计算待测周期的相邻周期中相邻残差最大值,可以理解的是,由于相邻周期可以为两个,不同相邻周期中所对应相邻残差值可能不同,因此,在本发明的一些实施例中,可以计算两个相邻周期中所有相邻残差值与预设残差值的差值绝对值最大值,并将其作为相邻残差最大值,对此不做限制。
则在本发明的一些实施例中,待测周期的周期波动系数对应的计算公式为:
其中,表示第S个待测周期的周期波动系数,S表示待测周期的索引,表示
与第S个待测周期相邻的相邻周期的索引,表示第S个待测周期的待测残差最大值,表示第S个待测周期的相邻周期的相邻残差最大值,表示第一预设安全值,可
选地,第一预设安全值可以为0.01,第一预设安全值的设置是为了防止分母为0导致的计算
错误。
本发明实施例中,周期波动系数可以表示待测周期在相邻周期对比下的波动情况,周期波动系数与1的差距越大,越可以表示待测周期与相邻周期残差值的差异越大,在周期波动系数越接近1时,则越可以表示待测周期的残差值与相邻周期的残差值越相似,对应的波动情况越稳定。由此,分别计算所有异常周期的周期波动系数。
S104:从待测周期中任选某一初始异常数据点作为疑似异常数据点,将疑似异常数据点在相邻周期对应位置的数据点作为相邻数据点,根据疑似异常数据点和相邻数据点的残差值和预设残差值,确定疑似异常数据点的数据波动系数。
本发明实施例中,相邻数据点,为疑似异常数据点相邻周期对应位置的数据点,其中,对应位置,为在不同周期中表示对应时间点的位置,举例而言,在疑似异常数据点为待测周期的中间时刻的数据点,则相邻时间点可以表示为相邻周期的中间时刻的数据点。
进一步地,本发明实施例中,根据疑似异常数据点和相邻数据点的残差值和预设残差值,确定疑似异常数据点的数据波动系数,包括:确定疑似异常数据点的残差值和预设残差值的差值绝对值为疑似残差差异;确定相邻数据点的残差值和预设残差值的差值绝对值最大值为相邻残差差异;将所述疑似残差差异作为分子,所述相邻残差差异和第二预设安全值的和值作为分母,计算得到所述数据波动系数。
在本发明的一些实施例中,由于相邻周期为待测周期对应的周期,且相邻周期可能为两个,则相邻数据点也可能包括两个,在确定相邻残差差异时,可以选择两个相邻周期中所有相邻数据点的残差值与预设残差值的差值绝对值最大值为相邻残差差异,对此不做限制。
在本发明的一些实施例中,数据波动系数对应的计算公式可以表示为:
式中,表示第S个待测周期中第p个疑似异常数据点的数据波动系数,S表示待测
周期的索引,p表示疑似异常数据点的索引,表示第S个待测周期中第p个疑似异常数据
点的疑似残差差异,表示第个待测周期中第p个疑似异常数据点对应的相邻
数据点的相邻残差差异,表示第二预设安全值,可选地,第二预设安全值可以为0.01,第二
预设安全值的设置是为了防止分母为0导致的计算错误。
可以理解的是,在数据波动系数越接近1时,可以表示疑似残差差异与相邻残差差异数值越接近,也即是说,疑似异常数据点和相邻数据点的残差值越接近,则在疑似异常数据点的异常概率越低。
S105:根据周期波动系数和数据波动系数,确定疑似异常数据点的异常程度,根据异常程度从疑似异常数据点中确定目标异常数据点,根据目标异常数据点确定数据检测结果。
进一步地,本发明实施例中,根据周期波动系数和数据波动系数,确定疑似异常数据点的异常程度,包括:计算周期波动系数和数据波动系数的和值与预设系数调整值的差值绝对值作为异常影响系数;对异常影响系数进行归一化处理作为异常程度。
其中,预设系数调整值,为预设的异常影响系数的调整值,可选地,在本发明的一些实施例中,预设系数调整值为2,当然,预设系数调整值还可以根据实际检测需求进行调整,对此不做限制。
异常程度对应的计算公式为:
式中,表示第S个待测周期中第p个疑似异常数据点的异常程度,表示第S个
待测周期的周期波动系数,表示第S个待测周期中第p个疑似异常数据点的数据波动系
数,S表示待测周期的索引,p表示疑似异常数据点的索引,表示归一化处理,表示预设
系数调整值。
本发明实施例中,由于在周期波动系数越接近1时,可以表示待测周期的残差值与相邻周期的残差值总体差异越相似;在数据波动系数越接近1时,可以表示疑似残差差异与相邻残差差异数值越接近;在两者之和数值越接近预设系数调整值2时,则可以表示疑似异常数据点的分布越正常,也即是说,对其进行归一化处理,得到的异常程度数值越小,表示对应的疑似异常数据点越正常,异常程度数值越大,表示对应的疑似异常数据点异常概率越高。
进一步地,本发明实施例中,根据异常程度从疑似异常数据点中确定目标异常数据点,包括:将异常程度大于预设程度阈值的疑似异常数据点作为目标异常数据点。
其中,预设程度阈值,为预设的异常程度的门限值,可选地,预设程度阈值可以为0.7。也即是说,将异常程度大于0.7的疑似异常数据点作为目标异常数据点,可以理解的是,异常程度越大,越可以表示对应的疑似异常数据点异常概率越高,则通过设置预设程度阈值从疑似异常数据点中确定目标异常数据点,目标异常数据点则可以表示异常程度较大的数据点。
本发明实施例中,可以直接统计目标异常数据点作为数据检测结果,也可以统计目标异常数据点的数量占所有时序阀杆位移数据中数据点数量的占比,并将该占比作为数据检测结果,当然,本发明还支持多种其他任意可能的实现方式根据目标异常数据点确定数据检测结果,对此不做限制。
综上,本发明通过根据时序阀杆位移数据的残差值大小确定初始异常数据点,能够有效实现初步的异常检测,确定异常的数据点,而后根据初始异常数据点的残差值和预设残差值,确定异常周期,结合时序分解得到残差项和周期项,实现对不同周期的准确分析,从而有效确定异常周期,保证异常周期的准确性,通过确定待测周期的周期波动系数和疑似异常数据点的数据波动系数,能够根据残差值的波动特征对待测周期和相邻周期中的数据点进行分析,结合待测周期与相邻周期中数据点残差值的分布,实现更为精细的阀门故障数据检测,提升阀杆质量检测精度,从而能够根据周期波动系数和数据波动系数准确确定疑似异常数据点的异常程度,使得疑似异常数据点的异常程度能够有效考虑待测周期和相邻周期中数据点的残差值分布,从而能够实现异常程度的客观性,有效避免周期性波动对异常程度的影响,提升阀门故障的数据检测准确性。
本发明还提出了一种阀门故障的数据检测系统,包括存储器和处理器,处理器执行存储器存储的计算机程序,以实现如前述的一种阀门故障的数据检测方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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。
Claims (7)
1.一种阀门故障的数据检测方法,其特征在于,所述方法包括:
获取时序阀杆位移数据,对所述时序阀杆位移数据进行时序分解得到残差项和周期项,确定所述残差项的预设残差值,根据所述时序阀杆位移数据的残差值大小确定初始异常数据点;
根据所述周期项的周期信息,将所述时序阀杆位移数据划分为至少两个数据周期,根据所述数据周期中初始异常数据点的残差值和所述预设残差值,对所述数据周期进行筛选,确定异常周期;
任选某一异常周期作为待测周期,确定与所述待测周期相邻的周期为相邻周期,根据所述待测周期和所述相邻周期中除所述初始异常数据点之外其他数据点的残差值和所述预设残差值,确定所述待测周期的周期波动系数;
从所述待测周期中任选某一初始异常数据点作为疑似异常数据点,将所述疑似异常数据点在所述相邻周期对应位置的数据点作为相邻数据点,根据所述疑似异常数据点和所述相邻数据点的残差值和所述预设残差值,确定所述疑似异常数据点的数据波动系数;
根据所述周期波动系数和所述数据波动系数,确定所述疑似异常数据点的异常程度,根据所述异常程度从所述疑似异常数据点中确定目标异常数据点,根据所述目标异常数据点确定数据检测结果;
其中,根据所述待测周期和所述相邻周期中除所述初始异常数据点之外其他数据点的残差值和所述预设残差值,确定所述待测周期的周期波动系数,包括:
将所述待测周期中除所述初始异常数据点之外的其他数据点的残差值作为待测残差值,确定所述待测残差值与所述预设残差值的差值绝对值最大值为待测残差最大值;
将所述相邻周期中除所述初始异常数据点之外的其他数据点的残差值作为相邻残差值,确定所述相邻残差值与所述预设残差值的差值绝对值最大值为相邻残差最大值;
将所述待测残差最大值作为分子,所述相邻残差最大值和第一预设安全值的和值作为分母,计算得到所述待测周期的周期波动系数;
其中,根据所述疑似异常数据点和所述相邻数据点的残差值和所述预设残差值,确定所述疑似异常数据点的数据波动系数,包括:
确定所述疑似异常数据点的残差值和所述预设残差值的差值绝对值为疑似残差差异;
确定所述相邻数据点的残差值和所述预设残差值的差值绝对值最大值为相邻残差差异;
将所述疑似残差差异作为分子,所述相邻残差差异和第二预设安全值的和值作为分母,计算得到所述数据波动系数。
2.如权利要求1所述的一种阀门故障的数据检测方法,其特征在于,根据所述数据周期中初始异常数据点的残差值和所述预设残差值,对所述数据周期进行筛选,确定异常周期,包括:
将所述数据周期中初始异常数据点的所述残差值大于所述预设残差值的初始异常数据点的数量作为第一数量;
将所述数据周期中初始异常数据点的所述残差值小于所述预设残差值的初始异常数据点的数量作为第二数量;
计算所述第一数量与所述第二数量的差值绝对值作为数量差异,对所述数量差异进行归一化处理得到所述数据周期的异常程度;
将所述异常程度大于预设异常程度阈值的数据周期作为异常周期。
3.如权利要求1所述的一种阀门故障的数据检测方法,其特征在于,根据所述周期波动系数和所述数据波动系数,确定所述疑似异常数据点的异常程度,包括:
计算所述周期波动系数和所述数据波动系数的和值与预设系数调整值的差值绝对值作为异常影响系数;
对所述异常影响系数进行归一化处理作为所述异常程度。
4.如权利要求1所述的一种阀门故障的数据检测方法,其特征在于,根据所述异常程度从所述疑似异常数据点中确定目标异常数据点,包括:
将所述异常程度大于预设程度阈值的疑似异常数据点作为目标异常数据点。
5.如权利要求1所述的一种阀门故障的数据检测方法,其特征在于,对所述时序阀杆位移数据进行时序分解得到残差项和周期项,包括:
基于时序分解算法对所述时序阀杆位移数据进行时序分解处理,得到残差项和周期项。
6.如权利要求1所述的一种阀门故障的数据检测方法,其特征在于,根据所述时序阀杆位移数据的残差值大小确定初始异常数据点,包括:
根据Boxplot函数计算确定所述残差值的上限与下限,将所述残差值大于所述上限和小于所述下限的时序阀杆位移数据作为初始异常数据点。
7.一种阀门故障的数据检测系统,包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-6任一项所述的一种阀门故障的数据检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293520.5A CN115994248B (zh) | 2023-03-24 | 2023-03-24 | 阀门故障的数据检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293520.5A CN115994248B (zh) | 2023-03-24 | 2023-03-24 | 阀门故障的数据检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994248A CN115994248A (zh) | 2023-04-21 |
CN115994248B true CN115994248B (zh) | 2023-06-20 |
Family
ID=85995371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310293520.5A Active CN115994248B (zh) | 2023-03-24 | 2023-03-24 | 阀门故障的数据检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994248B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116582134B (zh) * | 2023-07-11 | 2023-10-13 | 江苏盖亚环境科技股份有限公司 | 一种钻测一体化装备数据处理方法 |
CN116702081B (zh) * | 2023-08-07 | 2023-10-24 | 西安格蒂电力有限公司 | 基于人工智能的配电设备智能巡检方法 |
CN116881646B (zh) * | 2023-09-06 | 2023-11-21 | 山东奥晶生物科技有限公司 | 一种甜菊糖苷生产监测数据管理系统 |
CN117195008B (zh) * | 2023-11-08 | 2024-03-12 | 山东神光航天科技有限公司 | 一种用于空气质量监测的异常数据处理方法 |
CN117889121A (zh) * | 2024-03-15 | 2024-04-16 | 徐州金鼎恒立液压件有限公司 | 一种液压油缸辅助锁紧装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
CN110851338A (zh) * | 2019-09-23 | 2020-02-28 | 平安科技(深圳)有限公司 | 异常检测方法、电子设备及存储介质 |
CN111814848A (zh) * | 2020-06-22 | 2020-10-23 | 浙江大学 | 一种风电机组温度故障的自适应预警策略设计方法 |
CN112333751A (zh) * | 2020-11-23 | 2021-02-05 | 广州瀚信通信科技股份有限公司 | 基于5g核心网的智能运维数据异常检测方法及装置 |
WO2022142494A1 (zh) * | 2020-12-30 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 时序数据的异常监测方法、装置、电子设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11146445B2 (en) * | 2019-12-02 | 2021-10-12 | Alibaba Group Holding Limited | Time series decomposition |
CN111176953B (zh) * | 2020-01-02 | 2023-06-20 | 广州虎牙科技有限公司 | 一种异常检测及其模型训练方法、计算机设备和存储介质 |
CN111179595A (zh) * | 2020-01-06 | 2020-05-19 | 东南大学 | 一种交通流时间序列分解方法 |
CN111338878A (zh) * | 2020-02-21 | 2020-06-26 | 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 |
CN112966222A (zh) * | 2021-03-10 | 2021-06-15 | 中国民航信息网络股份有限公司 | 一种时间序列异常数据检测方法及相关设备 |
CN115185761A (zh) * | 2021-04-02 | 2022-10-14 | 华为技术有限公司 | 异常检测方法及装置 |
CN113518011B (zh) * | 2021-09-10 | 2022-03-01 | 阿里云计算有限公司 | 异常检测方法和装置、电子设备及计算机可读存储介质 |
-
2023
- 2023-03-24 CN CN202310293520.5A patent/CN115994248B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
CN110851338A (zh) * | 2019-09-23 | 2020-02-28 | 平安科技(深圳)有限公司 | 异常检测方法、电子设备及存储介质 |
CN111814848A (zh) * | 2020-06-22 | 2020-10-23 | 浙江大学 | 一种风电机组温度故障的自适应预警策略设计方法 |
CN112333751A (zh) * | 2020-11-23 | 2021-02-05 | 广州瀚信通信科技股份有限公司 | 基于5g核心网的智能运维数据异常检测方法及装置 |
WO2022142494A1 (zh) * | 2020-12-30 | 2022-07-07 | 京东城市(北京)数字科技有限公司 | 时序数据的异常监测方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
一种基于Attention-GRU和iForest的周期性时间序列异常检测算法;王腾;焦学伟;高阳;;计算机工程与科学(第12期);第2217-2222页 * |
基于STL-1DDCAE的轴承故障诊断研究;王雷 等;机电工程;第578-586+661页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994248A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115994248B (zh) | 阀门故障的数据检测方法及系统 | |
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
Baraldi et al. | Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method | |
CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
US20160109526A1 (en) | System and method for ups battery monitoring and data analysis | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
EP3002651B1 (en) | Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site | |
Li et al. | False alarm reducing in PCA method for sensor fault detection in a nuclear power plant | |
CN111780800A (zh) | 一种传感器故障的监测、隔离以及重构方法和系统 | |
CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN111104736A (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
CN107562202A (zh) | 基于视线追踪的工艺操作人员人为失误识别方法及装置 | |
Haridy et al. | Optimal average sample number of the SPRT chart for monitoring fraction nonconforming | |
CN110245395A (zh) | 具有空间相关性的圆柱形状误差的监控方法、系统及介质 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
CN111222095B (zh) | 一种大坝变形监测中的粗差判别方法、装置及系统 | |
Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
CN114553681A (zh) | 设备状态异常检测方法、装置和计算机设备 | |
GB2586659A (en) | Inspection related systems and methods | |
CN116258087B (zh) | 冰铜品位软测量方法、装置、电子设备及存储介质 | |
US7366639B2 (en) | Methods for establishing alerts and/or alert limits for monitoring mechanical devices | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 |
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 |