CN116304958A - 一种井下水处理异常智能监测系统及方法 - Google Patents
一种井下水处理异常智能监测系统及方法 Download PDFInfo
- Publication number
- CN116304958A CN116304958A CN202310572135.4A CN202310572135A CN116304958A CN 116304958 A CN116304958 A CN 116304958A CN 202310572135 A CN202310572135 A CN 202310572135A CN 116304958 A CN116304958 A CN 116304958A
- Authority
- CN
- China
- Prior art keywords
- target
- dimension
- index
- preset time
- abnormality
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 212
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 213
- 230000000875 corresponding effect Effects 0.000 claims description 472
- 230000002159 abnormal effect Effects 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010606 normalization Methods 0.000 description 7
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
Abstract
本发明涉及电数字数据处理技术领域,具体涉及一种井下水处理异常智能监测系统及方法,该方法包括:通过对应的传感器,获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列;确定预设时刻下的每个目标维度对应的目标偏差指标序列和目标变化指标序列;确定预设时刻下的每个目标维度对应的变化异常指标、偏差异常指标和维度异常指标;确定当前时刻对应的目标异常指标;根据目标异常指标,对当前时刻下的待检测井下水进行异常监测。本发明通过对目标检测数据序列进行数据处理,实现了对井下水的实时异常监测,提高了对井下水进行异常监测的准确度,应用于对井下水进行异常监测。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种井下水处理异常智能监测系统及方法。
背景技术
井下水的安全问题与人类生活息息相关,因此对井下水进行异常监测至关重要。目前,对井下水进行异常监测时,通常采用的方式为:通过人工的方式,对井下水进行异常监测。
然而,当采用上述方式时,经常会存在如下技术问题:
当采用人工的方式,对井下水进行异常监测时,往往是凭借检验者的主观观察对井下水是否异常进行判断,作出的判断结果往往不准确,因此,当采用人工的方式对井下水进行异常监测时,往往导致对井下水进行异常监测的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对井下水进行异常监测的准确度低下的技术问题,本发明提出了一种井下水处理异常智能监测系统及方法。
第一方面,本发明提供了一种井下水处理异常智能监测方法,该方法包括:
获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列,其中,预设时间段的结束时间是当前时刻;
根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的所述目标维度对应的参考数据,确定所述预设时刻下的所述目标维度对应的目标偏差指标序列;
根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定所述预设时刻下的所述目标维度对应的目标变化指标序列;
根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定所述预设时刻下的所述目标维度对应的变化异常指标;
根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定所述预设时刻下的所述目标维度对应的偏差异常指标;
根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,确定所述预设时刻下的所述目标维度对应的维度异常指标;
根据所述预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定所述当前时刻对应的目标异常指标;
根据所述目标异常指标,对所述当前时刻下的所述待检测井下水进行异常监测。
进一步地,所述根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的所述目标维度对应的参考数据,确定所述预设时刻下的所述目标维度对应的目标偏差指标序列,包括:
对于所述预设时刻下的所述目标维度对应的目标检测数据序列中的每个目标检测数据,将所述目标检测数据与所述目标维度对应的参考数据的差值的绝对值,确定为所述目标检测数据对应的第一偏差;
根据目标检测数据对应的第一偏差,对所述预设时刻下的所述目标维度对应的目标检测数据序列中的每个目标检测数据进行偏差级别划分,得到所述目标检测数据对应的目标偏差级别;
根据所述预设时刻下的所述目标维度对应的目标检测数据序列中的每个目标检测数据对应的目标偏差级别,确定所述目标检测数据对应的目标偏差指标,得到所述预设时刻下的所述目标维度对应的目标偏差指标序列。
进一步地,所述根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定所述预设时刻下的所述目标维度对应的目标变化指标序列,包括:
将第一预设指标,确定为所述预设时刻下的所述目标维度对应的目标检测数据序列中的第一个目标检测数据对应的目标变化指标;
对于所述预设时刻下的所述目标维度对应的目标检测数据序列中除了第一个目标检测数据之外的每个目标检测数据,将该目标检测数据与该目标检测数据的前一个目标检测数据的差值,确定为该目标检测数据对应的第一差异,并将该目标检测数据对应的第一差异的符号函数值,确定为该目标检测数据对应的目标变化指标;
将所述预设时刻下的所述目标维度对应的目标检测数据序列中的各个目标检测数据对应的目标变化指标,组合为所述预设时刻下的所述目标维度对应的目标变化指标序列。
进一步地,所述根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定所述预设时刻下的所述目标维度对应的变化异常指标,包括:
截取所述预设时刻下的所述目标维度对应的目标变化指标序列中连续出现的相同的目标变化指标,作为符号段,得到所述预设时刻下的所述目标维度对应的符号段集合;
对于所述预设时刻下的所述目标维度对应的符号段集合中的每个符号段,确定所述符号段中的预设位置对应的时刻与所述预设时刻之间的距离,作为所述符号段对应的目标距离;
若符号段中的目标变化指标均为第一预设指标,则将第一预设标记值确定为符号段对应的目标标记;
若符号段中的目标变化指标不为第一预设指标,则将第二预设标记值确定为符号段对应的目标标记;
将符号段集合中长度不同的每种符号段在所属目标变化指标序列中出现的频率,确定为每种符号段对应的目标概率;
根据所述预设时刻下的所述目标维度对应的符号段集合中的各个符号段对应的目标距离、目标标记和目标概率,确定所述预设时刻下的所述目标维度对应的变化异常指标。
进一步地,所述确定所述预设时刻下的所述目标维度对应的变化异常指标对应的公式为:
其中,是所述预设时间段内的第i个预设时刻下的第j个目标维度对应的变
化异常指标,是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m个符号
段对应的目标标记,是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m
个符号段对应的目标距离,是自然常数的次方,是第i个预设时刻下
的第j个目标维度对应的符号段集合中的第m个符号段对应的目标概率,是以自然
常数为底的对数,是第i个预设时刻下的第j个目标维度对应的符号段集合中的
第m个符号段对应的第一特征指标,是第i个预设时刻下的第j个目标维度对应的符号段
集合中符号段的数量,是预先设置的大于0的因子,i是所述预设时间段内预设时刻的序
号,j是目标维度的序号,m是第i个预设时刻下的第j个目标维度对应的符号段集合中符号
段的序号。
进一步地,所述根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定所述预设时刻下的所述目标维度对应的偏差异常指标,包括:
截取所述预设时刻下的所述目标维度对应的目标偏差指标序列中连续出现的相同的目标偏差指标,作为子偏差指标序列,得到所述预设时刻下的所述目标维度对应的子偏差指标序列集合;
将子偏差指标序列集合中的每个子偏差指标序列在所属目标偏差指标序列中出现的次数,确定为所述子偏差指标序列对应的目标次数;
将每个子偏差指标序列中的目标偏差指标,确定为所述子偏差指标序列对应的第二偏差;
将每个子偏差指标序列的长度,确定为所述子偏差指标序列对应的目标长度;
根据所述预设时刻下的所述目标维度对应的子偏差指标序列集合中的各个子偏差指标序列对应的目标次数、第二偏差和目标长度,确定所述预设时刻下的所述目标维度对应的偏差异常指标。
进一步地,所述确定所述预设时刻下的所述目标维度对应的偏差异常指标对应的公式为:
其中,是所述预设时间段内的第i个预设时刻下的第j个目标维度对应的偏
差异常指标,x是预先设置的不为0的预设偏差指标,L是预先设置的不为0的预设长度,
是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序
列对应的第二偏差,是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合
中的第b个子偏差指标序列对应的目标长度,是第i个预设时刻下的第j个目标维度对
应的子偏差指标序列集合中的第b个子偏差指标序列对应的目标次数,是第i个预设
时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序列对应的第
二特征指标,是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中子偏
差指标序列的数量,i是所述预设时间段内预设时刻的序号,j是目标维度的序号,b是第i个
预设时刻下的第j个目标维度对应的子偏差指标序列集合中子偏差指标序列的序号,是的绝对值,是的绝对值。
进一步地,所述根据所述预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定所述当前时刻对应的目标异常指标,包括:
对于每个目标维度,将所述预设时间段内所有预设时刻下的所述目标维度对应的维度异常指标,组合为所述目标维度对应的维度异常指标序列;
根据维度异常指标的大小,对每个目标维度对应的维度异常指标序列中的维度异常指标进行分组,得到所述目标维度对应的维度异常指标组集合;
将所述当前时刻下的每个目标维度对应的维度异常指标所属维度异常指标组中维度异常指标的数量,确定为所述当前时刻下的所述目标维度对应的第一数量;
将每个目标维度对应的维度异常指标组集合中的维度异常指标的数量,确定为所述目标维度对应的第二数量;
将所述当前时刻下的每个目标维度对应的第一数量,在所述目标维度对应的第二数量中的占比,确定为所述当前时刻下的所述目标维度对应的参考概率;
根据所述当前时刻下的每个目标维度对应的参考概率和维度异常指标,确定为所述当前时刻下的所述目标维度对应的第一异常指标,其中,参考概率与第一异常指标呈负相关,维度异常指标与第一异常指标呈正相关;
根据所述当前时刻下的各个目标维度对应的第一异常指标,确定所述当前时刻对应的目标异常指标,其中,第一异常指标与目标异常指标呈正相关。
进一步地,所述根据所述目标异常指标,对所述当前时刻下的所述待检测井下水进行异常监测,包括:
当所述目标异常指标小于第一预设异常阈值时,判定所述当前时刻下的所述待检测井下水正常;
当所述目标异常指标大于或等于第一预设异常阈值,并且小于第二预设异常阈值时,判定所述当前时刻下的所述待检测井下水轻微异常;
当所述目标异常指标大于或等于第二预设异常阈值,并且小于第三预设异常阈值时,判定所述当前时刻下的所述待检测井下水中度异常;
当所述目标异常指标大于或等于第三预设异常阈值时,判定所述当前时刻下的所述待检测井下水重度异常。
第二方面,本发明提供了一种井下水处理异常智能监测系统,包括处理器和存储器,上述处理器用于处理存储在上述存储器中的指令以实现上述的一种井下水处理异常智能监测方法。
本发明具有如下有益效果:
本发明的一种井下水处理异常智能监测方法,通过对目标检测数据序列进行数据处理,实现了对井下水的实时异常监测,解决了对井下水进行异常监测的准确度低下的技术问题,提高了对井下水进行异常监测的准确度。首先,获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列,可以便于后续判断待检测井下水是否异常。接着,基于目标检测数据序列和每个目标维度对应的参考数据,确定每个预设时刻下的该目标维度对应的目标偏差指标序列,可以便于判断该预设时刻下的该目标维度是否异常,从而可以便于后续判断当前时刻下的待检测井下水是否异常。然后,由于待检测井下水发生异常时,往往会改变目标检测数据序列的变化,因此确定每个预设时刻下的每个目标维度对应的目标变化指标序列,可以便于后续分析该预设时刻下的该目标维度是否异常。继续,根据每个预设时刻下的每个目标维度对应的目标变化指标序列,可以提高该预设时刻下的该目标维度对应的变化异常指标确定的准确度。再者,根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,可以提高该预设时刻下的该目标维度对应的偏差异常指标确定的准确度。之后,综合考虑根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,可以提高该预设时刻下的该目标维度对应的维度异常指标确定的准确度。而后,综合考虑预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,可以提高当前时刻对应的目标异常指标确定的准确度。最后,基于目标异常指标,对当前时刻下的待检测井下水进行异常监测,可以实现对待检测井下水的实时异常监测,并且实现了对用于判断待检测井下水是否异常的目标异常指标的量化,使后续可以根据目标异常指标,比较客观的对待检测井下水是否异常进行判断。因此,相较于通过人工的方式,对待检测井下水进行异常监测,本发明量化了多种与待检测井下水是否异常相关的指标,从而在一定程度上降低了人为的主观影响,进而提高了对待检测井下水进行异常监测的准确度。
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为本发明的一种井下水处理异常智能监测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明提供了一种井下水处理异常智能监测方法,该方法包括以下步骤:
获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列;
根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的目标维度对应的参考数据,确定预设时刻下的目标维度对应的目标偏差指标序列;
根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定预设时刻下的目标维度对应的目标变化指标序列;
根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定预设时刻下的目标维度对应的变化异常指标;
根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定预设时刻下的目标维度对应的偏差异常指标;
根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,确定预设时刻下的目标维度对应的维度异常指标;
根据预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定当前时刻对应的目标异常指标;
根据目标异常指标,对当前时刻下的待检测井下水进行异常监测。
下面对上述各个步骤进行详细展开:
参考图1,示出了本发明的一种井下水处理异常智能监测方法的一些实施例的流程。该井下水处理异常智能监测方法,包括以下步骤:
步骤S1,获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列。
在一些实施例中,可以获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列。
其中,待检测井下水可以是待进行异常检测的井下水。预设时间段的结束时间可以是当前时刻。预设时间段可以是预先设置的时间段。例如,预设时间段对应的时长可以是10秒。预设时间段可以是2023年04月26日10时18分20秒至2023年04月26日10时18分30秒。预设时刻可以是预先设置的时刻。例如,预设时间段内每相邻的两个预设时刻之间的时长可以为1秒。预设时刻可以是2023年04月26日10时18分22秒。目标维度可以是预先设置的与待检测井下水是否异常相关的数据维度。例如,目标维度可以是但不限于:水位维度、温度维度或流量维度。目标检测数据可以是进行归一化后、与待检测井下水是否异常相关的检测数据。目标检测数据序列对应的采集时长可以等于预设时间段对应的时长。预设时刻下的每个目标维度对应的目标检测数据序列对应的采集时间段的结束时间可以为该预设时刻。目标检测数据序列中每两个目标检测数据对应的采集时刻之间的时长可以为1秒。目标维度对应的目标检测数据序列可以是该目标维度下的序列。例如,若目标维度为温度维度,则该目标维度对应的目标检测数据序列中的目标检测数据可以是待检测井下水的温度或待检测井下水所属井中管道内的温度。管道可以是用于供水或排水的管道。若目标维度为水位维度,则该目标维度对应的目标检测数据序列中的目标检测数据可以是待检测井下水的水位或待检测井下水所属井中管道内的水位。若目标维度为流量维度,则该目标维度对应的目标检测数据序列中的目标检测数据可以是待检测井下水的流量或待检测井下水所属井中管道内水的流量。
需要说明的是,由于目标检测数据是与待检测井下水是否异常相关的检测数据。因此获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列,可以便于后续判断待检测井下水是否异常。其次,由于目标检测数据是进行归一化后的数据,因此可以消除不同目标维度下目标检测数据之间量纲的影响,可以便于后续的处理。
作为示例,若目标维度为水位维度,预设时刻为2023年04月26日10时18分26秒,目标检测数据序列对应的采集时长可以是3秒,则可以通过水位传感器,获取2023年04月26日10时18分26秒下的水位维度对应的目标检测数据序列,获取的目标检测数据序列可以包括:待检测井下水在2023年04月26日10时18分24秒时的水位、待检测井下水在2023年04月26日10时18分25秒时的水位和待检测井下水在2023年04月26日10时18分26秒时的水位。
若目标维度为温度维度,预设时刻为2023年04月26日10时18分26秒,目标检测数据序列对应的采集时长可以是3秒,则可以通过温度传感器,获取2023年04月26日10时18分26秒下的温度维度对应的目标检测数据序列,获取的目标检测数据序列可以包括:待检测井下水在2023年04月26日10时18分24秒时的温度、待检测井下水在2023年04月26日10时18分25秒时的温度和待检测井下水在2023年04月26日10时18分26秒时的温度。
若目标维度为流量维度,预设时刻为2023年04月26日10时18分26秒,目标检测数据序列对应的采集时长可以是3秒,则可以通过流量传感器,获取2023年04月26日10时18分26秒下的流量维度对应的目标检测数据序列,获取的目标检测数据序列可以包括:待检测井下水在2023年04月26日10时18分24秒时的流量、待检测井下水在2023年04月26日10时18分25秒时的流量和待检测井下水在2023年04月26日10时18分26秒时的流量。
步骤S2,根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的目标维度对应的参考数据,确定预设时刻下的目标维度对应的目标偏差指标序列。
在一些实施例中,可以根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的上述目标维度对应的参考数据,确定上述预设时刻下的上述目标维度对应的目标偏差指标序列。
其中,参考数据可以是进行归一化后、表征正常的检测数据。目标维度对应的参考数据的数据类型可以与该目标维度下的目标检测数据的数据类型相同。例如,若目标维度是温度维度,该目标维度下的目标检测数据是待检测井下水的温度,则该目标维度对应的参考数据可以是预先获取的待检测井下水正常时的温度归一化后的值,该目标维度对应的参考数据还可以是预先获取的待检测井下水正常时的多个温度的均值归一化后的值。
需要说明的是,由于参考数据是表征正常的检测数据,因此基于目标检测数据序列和每个目标维度对应的参考数据,确定每个预设时刻下的该目标维度对应的目标偏差指标序列,可以便于判断该预设时刻下的该目标维度是否异常,从而可以便于后续判断当前时刻下的待检测井下水是否异常。
作为示例,本步骤可以包括以下步骤:
第一步,对于上述预设时刻下的上述目标维度对应的目标检测数据序列中的每个目标检测数据,将上述目标检测数据与上述目标维度对应的参考数据的差值的绝对值,确定为上述目标检测数据对应的第一偏差。
第二步,根据目标检测数据对应的第一偏差,对上述预设时刻下的上述目标维度对应的目标检测数据序列中的每个目标检测数据进行偏差级别划分,得到上述目标检测数据对应的目标偏差级别。
其中,目标检测数据对应的目标偏差级别可以表征该目标检测数据对应的异常情况。
例如,确定目标检测数据对应的目标偏差级别可以包括以下子步骤:
第一子步骤,若目标检测数据对应的第一偏差小于预先设置的第一分级阈值,则判定目标检测数据对应的目标偏差级别为正常级别,表示目标检测数据正常。
其中,第一分级阈值可以是预先设置的认为目标检测数据轻度异常时,所设置的最小第一偏差。比如,第一分级阈值可以是0.05。
第二子步骤,若目标检测数据对应的第一偏差大于或等于第一分级阈值,并且小于预先设置的第二分级阈值,则判定目标检测数据对应的目标偏差级别为轻度异常级别,表示目标检测数据轻度异常。
其中,第二分级阈值可以大于第一分级阈值。第二分级阈值可以是预先设置的认为目标检测数据中度异常时,所设置的最小第一偏差。比如,第二分级阈值可以是0.1。
第三子步骤,若目标检测数据对应的第一偏差大于或等于第二分级阈值,并且小于预先设置的第三分级阈值,则判定目标检测数据对应的目标偏差级别为中度异常级别,表示目标检测数据中度异常。
其中,第三分级阈值可以大于第二分级阈值。第三分级阈值可以是预先设置的认为目标检测数据重度异常时,所设置的最小第一偏差。比如,第三分级阈值可以是0.2。
第四子步骤,若目标检测数据对应的第一偏差大于或等于第三分级阈值,则判定目标检测数据对应的目标偏差级别为重度异常级别,表示目标检测数据重度异常。
第三步,根据上述预设时刻下的上述目标维度对应的目标检测数据序列中的每个目标检测数据对应的目标偏差级别,确定上述目标检测数据对应的目标偏差指标,得到上述预设时刻下的上述目标维度对应的目标偏差指标序列。
例如,确定目标检测数据对应的目标偏差指标可以包括以下子步骤:
第一子步骤,若目标检测数据对应的目标偏差级别为正常级别,则将第一预设数值确定为目标检测数据对应的目标偏差指标。
其中,第一预设数值可以是预先设置的大于0的数值。例如,第一预设数值可以是1。
第二子步骤,若目标检测数据对应的目标偏差级别为轻度异常级别,则将第二预设数值确定为目标检测数据对应的目标偏差指标。
其中,第二预设数值可以是预先设置的大于0的数值。第二预设数值可以大于第一预设数值。例如,第二预设数值可以是2。
第三子步骤,若目标检测数据对应的目标偏差级别为中度异常级别,则将第三预设数值确定为目标检测数据对应的目标偏差指标。
其中,第三预设数值可以是预先设置的大于0的数值。第三预设数值可以大于第二预设数值。例如,第三预设数值可以是3。
第四子步骤,若目标检测数据对应的目标偏差级别为重度异常,则将第四预设数值确定为目标检测数据对应的目标偏差指标。
其中,第四预设数值可以是预先设置的大于0的数值。第四预设数值可以大于第三预设数值。例如,第四预设数值可以是4。
需要说明的是,当目标检测数据对应的第一偏差越大时,往往说明目标检测数据与表征正常的参考数据之间的差异越大,往往说明目标检测数据越异常。目标检测数据对应的目标偏差指标可以表征目标检测数据的异常程度,当目标检测数据对应的目标偏差指标越大时,往往说明目标检测数据与表征正常的参考数据之间的差异越大,往往说明目标检测数据越异常。
步骤S3,根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定预设时刻下的目标维度对应的目标变化指标序列。
在一些实施例中,可以根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定上述预设时刻下的上述目标维度对应的目标变化指标序列。
需要说明的是,由于待检测井下水发生异常时,往往会改变目标检测数据序列的变化,因此确定每个预设时刻下的每个目标维度对应的目标变化指标序列,可以便于后续分析该预设时刻下的该目标维度是否异常。
作为示例,本步骤可以包括以下步骤:
第一步,将第一预设指标,确定为上述预设时刻下的上述目标维度对应的目标检测数据序列中的第一个目标检测数据对应的目标变化指标。
其中,第一预设指标可以是预先设置的指标。例如,第一预设指标可以是0。
第二步,对于上述预设时刻下的上述目标维度对应的目标检测数据序列中除了第一个目标检测数据之外的每个目标检测数据,将该目标检测数据与该目标检测数据的前一个目标检测数据的差值,确定为该目标检测数据对应的第一差异,并将该目标检测数据对应的第一差异的符号函数值,确定为该目标检测数据对应的目标变化指标。
例如,若目标检测数据对应的第一差异等于0,则该目标检测数据对应的第一差异的符号函数值可以为第一预设指标,比如,第一预设指标可以为0。若目标检测数据对应的第一差异大于0,则该目标检测数据对应的第一差异的符号函数值可以为第二预设指标,比如,第二预设指标可以为1。若目标检测数据对应的第一差异小于0,则该目标检测数据对应的第一差异的符号函数值可以为第三预设指标,比如,第三预设指标可以为-1。第一预设指标、第二预设指标和第三预设指标可以不相等。
第三步,将上述预设时刻下的上述目标维度对应的目标检测数据序列中的各个目标检测数据对应的目标变化指标,组合为上述预设时刻下的上述目标维度对应的目标变化指标序列。
其中,预设时刻下的目标维度对应的目标变化指标序列可以包括:该预设时刻下的该目标维度对应的目标检测数据序列中的各个目标检测数据对应的目标变化指标。
例如,若某个预设时刻下的某个目标维度对应的目标检测数据序列中的各个目标检测数据对应的目标变化指标分别为:0、-1、-1、1、1、0、0和1,则该预设时刻下的该目标维度对应的目标变化指标序列可以为{0,-1,-1,1,1,0,0,1}。
需要说明的是,目标变化指标序列可以表征目标检测数据序列中目标检测数据的升降变化情况,比如若目标变化指标为第一预设指标,则可以表示目标检测数据平稳。若目标变化指标为第三预设指标,则可以表示目标检测数据呈下降趋势。若目标变化指标为第二预设指标,则可以表示目标检测数据呈上升趋势。
步骤S4,根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定预设时刻下的目标维度对应的变化异常指标。
在一些实施例中,可以根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定上述预设时刻下的上述目标维度对应的变化异常指标。
需要说明的是,由于目标变化指标序列可以表征目标检测数据序列中目标检测数据的升降变化情况,因此根据每个预设时刻下的每个目标维度对应的目标变化指标序列,可以提高该预设时刻下的该目标维度对应的变化异常指标确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,截取上述预设时刻下的上述目标维度对应的目标变化指标序列中连续出现的相同的目标变化指标,作为符号段,得到上述预设时刻下的上述目标维度对应的符号段集合。
例如,若某个预设时刻下的某个目标维度对应的目标变化指标序列可以为{0,0,0,1,1,1,1,-1},则该预设时刻下的该目标维度对应的符号段集合可以包括:{0,0,0}、{1,1,1,1}和{-1}。其中,{0,0,0}、{1,1,1,1}和{-1}可以是符号段。
第二步,对于上述预设时刻下的上述目标维度对应的符号段集合中的每个符号段,确定上述符号段中的预设位置对应的时刻与上述预设时刻之间的距离,作为上述符号段对应的目标距离。
其中,预设位置可以是预先设置的位置。比如,预设位置可以是符号段的中心位置。当符号段中目标变化指标的数量为偶数时,符号段的中心位置可以是符号段的最中间两个目标变化指标中的任意一个目标变化指标所在的位置。当符号段中目标变化指标的数量为奇数时,符号段的中心位置可以是符号段中心的目标变化指标所在的位置。当符号段中目标变化指标的数量为1时,符号段的中心位置可以是符号段中的这一个目标变化指标所在的位置。符号段中的预设位置对应的时刻可以是该预设位置处的目标变化指标对应的采集时间。目标变化指标对应的采集时间可以是该目标变化指标对应的目标检测数据的采集时间。两个时刻之间的距离可以用这两个时刻之间的时长表示。两个时刻之间的距离还可以用这两个时刻之间采集的目标检测数据的数量表示。
第三步,若符号段中的目标变化指标均为第一预设指标,则将第一预设标记值确定为符号段对应的目标标记。
其中,第一预设标记值可以是预先设置大于0的值。例如,第一预设标记值可以是1。
第四步,若符号段中的目标变化指标不为第一预设指标,则将第二预设标记值确定为符号段对应的目标标记。
其中,第二预设标记值可以是预先设置大于0的值。第二预设标记值可以小于第一预设标记值。例如,第二预设标记值可以是0.5。
第五步,将符号段集合中长度不同的每种符号段在所属目标变化指标序列中出现的频率,确定为每种符号段对应的目标概率。
其中,符号段的长度可以用该符号段中目标变化指标的数量表示。
例如,目标变化指标序列可以为{0,0,0,1,1,1,-1,-1},则该预设时刻下的该目标
维度对应的符号段集合可以包括:{0,0,0}、{1,1,1}和{-1,-1}。{0,0,0}和{1,1,1}可以是
长度相同的两个符号段,为同一种符号段,对应的目标概率可以为。{-1,-1}是另一种符号
段,对应的目标概率可以为。故符号段{0,0,0}和{1,1,1}对应的目标概率可以为,符号段
{-1,-1}对应的目标概率可以为。
第六步,根据上述预设时刻下的上述目标维度对应的符号段集合中的各个符号段对应的目标距离、目标标记和目标概率,确定上述预设时刻下的上述目标维度对应的变化异常指标。
例如,确定上述预设时刻下的上述目标维度对应的变化异常指标对应的公式可以为:
其中,是上述预设时间段内的第i个预设时刻下的第j个目标维度对应的变
化异常指标。是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m个符号
段对应的目标标记。是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m
个符号段对应的目标距离。是自然常数的次方。是第i个预设时刻下
的第j个目标维度对应的符号段集合中的第m个符号段对应的目标概率。是以自然
常数为底的对数。是第i个预设时刻下的第j个目标维度对应的符号段集合中的
第m个符号段对应的第一特征指标。是第i个预设时刻下的第j个目标维度对应的符号段
集合中符号段的数量。是预先设置的大于0的因子,比如,可以为0.01。i是上述预设时
间段内预设时刻的序号。j是目标维度的序号。m是第i个预设时刻下的第j个目标维度对应
的符号段集合中符号段的序号。
需要说明的是,由于第二预设标记值小于第一预设标记值,因此当越小时,往
往说明越可能为第二预设标记值,往往说明第m个符号段对应的目标检测数据呈上升
或下降趋势,往往说明第m个符号段对应的目标检测数据越可能不平稳,往往说明第m个符
号段对应的目标检测数据越可能是异常数据。当越小时,往往说明第m个符号段对应的
目标距离越小,往往说明第m个符号段对应的目标检测数据的采集时间越接近第i个预设时
刻,往往说明第m个符号段对应的目标检测数据对第i个预设时刻的影响程度越大,往往说
明第m个符号段对应的指标对第i个预设时刻的影响程度越大。因此可以表征第
m个符号段对应的指标对第i个预设时刻的影响程度。由于是第i个预设时刻下的第j个
目标维度对应的符号段集合中的第m个符号段对应的目标概率,所以当熵值
越大时,往往说明目标变化指标序列中符号分布越混乱,往往说明目标检测数据上升、下降
或稳定的情况越可能交替出现,往往说明目标检测数据持续上升或持续下降的异常情况出
现的可能性越小。其中,目标检测数据上升、下降或稳定的情况越交替出现,目标检测数据
往往越可能是正常数据。其次,由于目标检测数据持续稳定时,目标检测数据也可能是正常
数据,因此设置,可以避免将稳定的数据误判为持续上升或持续下降的异常数据。由于可以表征第m个符号段对应的指标对第i个预设时刻的影响程度。所以当越大时,往往说明第m个符号段对应的指标对第i个预设时刻的影响程度越大。
因此,当越大时,往往说明第i个预设时刻下的第j个目标维度的异常程度越
大。
步骤S5,根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定预设时刻下的目标维度对应的偏差异常指标。
在一些实施例中,可以根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定上述预设时刻下的上述目标维度对应的偏差异常指标。
需要说明的是,由于目标偏差指标序列可以表征目标检测数据序列中目标检测数据的异常情况,因此根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,可以提高该预设时刻下的该目标维度对应的偏差异常指标确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,截取上述预设时刻下的上述目标维度对应的目标偏差指标序列中连续出现的相同的目标偏差指标,作为子偏差指标序列,得到上述预设时刻下的上述目标维度对应的子偏差指标序列集合。
其中,子偏差指标序列可以包括:目标偏差指标序列中连续出现的相同的目标偏差指标。
第二步,将子偏差指标序列集合中的每个子偏差指标序列在所属目标偏差指标序列中出现的次数,确定为上述子偏差指标序列对应的目标次数。
第三步,将每个子偏差指标序列中的目标偏差指标,确定为上述子偏差指标序列对应的第二偏差。
第四步,将每个子偏差指标序列的长度,确定为上述子偏差指标序列对应的目标长度。
其中,子偏差指标序列的长度可以用该子偏差指标序列中目标偏差指标的数量表示。
第五步,根据上述预设时刻下的上述目标维度对应的子偏差指标序列集合中的各个子偏差指标序列对应的目标次数、第二偏差和目标长度,确定上述预设时刻下的上述目标维度对应的偏差异常指标。
例如,确定上述预设时刻下的上述目标维度对应的偏差异常指标对应的公式可以为:
其中,是上述预设时间段内的第i个预设时刻下的第j个目标维度对应的偏
差异常指标。x是预先设置的不为0的预设偏差指标,比如,x可以为1。L是预先设置的不为0
的预设长度,比如,L可以为第i个预设时刻下的第j个目标维度对应的目标偏差指标序列中
目标偏差指标的数量。是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集
合中的第b个子偏差指标序列对应的第二偏差。是第i个预设时刻下的第j个目标维度对
应的子偏差指标序列集合中的第b个子偏差指标序列对应的目标长度。是第i个预设时
刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序列对应的目标
次数。是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个
子偏差指标序列对应的第二特征指标。是第i个预设时刻下的第j个目标维度对应的子
偏差指标序列集合中子偏差指标序列的数量。i是上述预设时间段内预设时刻的序号。j是
目标维度的序号。b是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中子
偏差指标序列的序号。是的绝对值。是的绝对值。
需要说明的是,当越大时,往往说明第b个子偏差指标序列中的目标偏差指
标相对越大,往往说明第b个子偏差指标序列对应的目标检测数据越异常。当越大时,
往往说明第b个子偏差指标序列中的目标偏差指标的数量相对越少。当越大时,往往说
明第b个子偏差指标序列出现的次数越多。所以,当、和越大时,往往说明
第b个子偏差指标序列的异常程度越大,并且该子偏差指标序列中元素的数量以及该子偏
差指标序列出现的次数越多,因此当越大时,往往说明第b个子偏差指标序列对应的
目标检测数据的异常程度越大。由于,因此当越大时,往往说
明第i个预设时刻下的第j个目标维度对应的目标检测数据序列越异常,往往说明第i个预
设时刻下的第j个目标维度的异常程度越大。
步骤S6,根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,确定预设时刻下的目标维度对应的维度异常指标。
在一些实施例中,可以根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,确定上述预设时刻下的上述目标维度对应的维度异常指标。
需要说明的是,综合考虑根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,可以提高该预设时刻下的该目标维度对应的维度异常指标确定的准确度。
作为示例,确定上述预设时刻下的上述目标维度对应的维度异常指标对应的公式可以为:
其中,是上述预设时间段内的第i个预设时刻下的第j个目标维度对应的维度
异常指标。和是预先设置的权重,比如,可以取0.6,可以取0.4。是上述预设
时间段内的第i个预设时刻下的第j个目标维度对应的变化异常指标。是上述预设时
间段内的第i个预设时刻下的第j个目标维度对应的偏差异常指标。是归一化函数。是归一化后的数值。是归一化后的数值。i是上述
预设时间段内预设时刻的序号。j是目标维度的序号。
需要说明的是,由于当和越大时,往往说明第i个预设时刻下的第j个
目标维度的异常程度越大。因此,越大,往往说明第i个预设时刻下的第j个目标维度的
异常程度越大。其次,对和进行归一化,可以消除量纲的影响,可以便于进行数
据处理。并且综合考虑和,可以使的取值范围更加符合实际情况。
步骤S7,根据预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定当前时刻对应的目标异常指标。
在一些实施例中,可以根据上述预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定上述当前时刻对应的目标异常指标。
需要说明的是,综合考虑预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,可以提高当前时刻对应的目标异常指标确定的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,对于每个目标维度,将上述预设时间段内所有预设时刻下的上述目标维度对应的维度异常指标,组合为上述目标维度对应的维度异常指标序列。
其中,目标维度对应的维度异常指标序列可以包括:预设时间段内的各个预设时刻下的该目标维度对应的维度异常指标。
第二步,根据维度异常指标的大小,对每个目标维度对应的维度异常指标序列中的维度异常指标进行分组,得到上述目标维度对应的维度异常指标组集合。
例如,确定目标维度对应的维度异常指标组集合可以包括以下子步骤:
第一子步骤,将目标维度对应的维度异常指标序列中最大和最小的维度异常指标,确定为目标维度对应的参考区间的两个端点。
第二子步骤,将目标维度对应的参考区间等分为预设数目个子区间,得到目标维度对应的子区间集合。
其中,预设数目可以是预先设置的数量。预设数目可以小于预设时间段内预设时刻的数量。比如,若预设时间段内预设时刻的数量为120,则预设数目小于120,可以取70。
比如,若参考区间为[0,1],预设数目为5,则子区间集合可以包括:[0,0.2]、(0.2,0.4]、(0.4,0.6]、(0.6,0.8]和(0.8,1]。
第三子步骤,将目标维度对应的维度异常指标序列中属于同一个子区间的维度异常指标,组合为维度异常指标组,得到目标维度对应的维度异常指标组集合。
比如,若维度异常指标序列为{0.1,0.2,0.6,0.8,0.8,0.6,0.3,0.7,0.5,0.7},子区间集合包括:[0,0.2]、(0.2,0.4]、(0.4,0.6]、(0.6,0.8]和(0.8,1],则维度异常指标组集合可以包括:{0.1,0.2}、{0.3}、{0.5,0.6,0.6}和{0.7,0.7,0.8,0.8}。
第三步,将上述当前时刻下的每个目标维度对应的维度异常指标所属维度异常指标组中维度异常指标的数量,确定为上述当前时刻下的上述目标维度对应的第一数量。
第四步,将每个目标维度对应的维度异常指标组集合中的维度异常指标的数量,确定为上述目标维度对应的第二数量。
第五步,将上述当前时刻下的每个目标维度对应的第一数量,在上述目标维度对应的第二数量中的占比,确定为上述当前时刻下的上述目标维度对应的参考概率。
例如,可以将当前时刻下的某个目标维度对应的第一数量,与该目标维度对应的第二数量的比值,确定为当前时刻下的该目标维度对应的参考概率。
第六步,根据上述当前时刻下的每个目标维度对应的参考概率和维度异常指标,确定为上述当前时刻下的上述目标维度对应的第一异常指标。
其中,参考概率可以与第一异常指标呈负相关。维度异常指标可以与第一异常指标呈正相关。
第七步,根据上述当前时刻下的各个目标维度对应的第一异常指标,确定上述当前时刻对应的目标异常指标。
其中,第一异常指标可以与目标异常指标呈正相关。
例如,确定当前时刻对应的目标异常指标对应的公式可以为:
其中,HB是当前时刻对应的目标异常指标。是当前时刻下的第j个目标维度对应
的参考概率。是当前时刻下的第j个目标维度对应的维度异常指标。是当前时刻下
的第j个目标维度对应的第一异常指标。n是目标维度的数量。是归一化函数。是归一化后的数值。j是目标维度的序号。
需要说明的是,当越大时,往往说明在第j个目标维度下,预设时间段内与当前
时刻异常情况相似的预设时刻越多。越大,往往说明当前时刻下的第j个目标维度的异
常程度越大。所以当越大时,往往说明当前时刻下的第j个目标维度下的异常程度越大。
因此HB越大,往往说明当前时刻下待检测井下水越异常。
步骤S8,根据目标异常指标,对当前时刻下的待检测井下水进行异常监测。
在一些实施例中,可以根据上述目标异常指标,对上述当前时刻下的上述待检测井下水进行异常监测。
需要说明的是,基于目标异常指标,对当前时刻下的待检测井下水进行异常监测,可以实现对待检测井下水的实时异常监测,并且实现了对用于判断待检测井下水是否异常的目标异常指标的量化,使后续可以根据目标异常指标,比较客观的对待检测井下水是否异常进行判断。因此,相较于通过人工的方式,对待检测井下水进行异常监测,本发明量化了多种与待检测井下水是否异常相关的指标,从而在一定程度上降低了人为的主观影响,进而提高了对待检测井下水进行异常监测的准确度。
作为示例,本步骤可以包括以下步骤:
第一步,当上述目标异常指标小于第一预设异常阈值时,判定上述当前时刻下的上述待检测井下水正常。
其中,第一预设异常阈值可以是预先设置的认为待检测井下水轻微异常时,所设置的最小目标异常指标。例如,第一预设异常阈值可以是0.6。
第二步,当上述目标异常指标大于或等于第一预设异常阈值,并且小于第二预设异常阈值时,判定上述当前时刻下的上述待检测井下水轻微异常。
其中,第二预设异常阈值可以大于第一预设异常阈值。第二预设异常阈值可以是预先设置的认为待检测井下水中度异常时,所设置的最小目标异常指标。例如,第二预设异常阈值可以是0.8。
第三步,当上述目标异常指标大于或等于第二预设异常阈值,并且小于第三预设异常阈值时,判定上述当前时刻下的上述待检测井下水中度异常。
其中,第三预设异常阈值可以大于第二预设异常阈值。第三预设异常阈值可以是预先设置的认为待检测井下水重度异常时,所设置的最小目标异常指标。例如,第三预设异常阈值可以是0.95。
第四步,当上述目标异常指标大于或等于第三预设异常阈值时,判定上述当前时刻下的上述待检测井下水重度异常。
基于与上述方法实施例相同的发明构思,本发明提供了一种井下水处理异常智能监测系统,该系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,上述计算机程序被处理器执行时实现一种井下水处理异常智能监测方法的步骤。
综上,首先由于目标检测数据是与待检测井下水是否异常相关的检测数据。因此获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列,可以便于后续判断待检测井下水是否异常。其次,由于目标检测数据是进行归一化后的数据,因此可以消除不同目标维度下目标检测数据之间量纲的影响,可以便于后续的处理。接着,由于参考数据是表征正常的检测数据,因此基于目标检测数据序列和每个目标维度对应的参考数据,确定每个预设时刻下的该目标维度对应的目标偏差指标序列,可以便于判断该预设时刻下的该目标维度是否异常,从而可以便于后续判断当前时刻下的待检测井下水是否异常。然后,由于待检测井下水发生异常时,往往会改变目标检测数据序列的变化,因此确定每个预设时刻下的每个目标维度对应的目标变化指标序列,可以便于后续分析该预设时刻下的该目标维度是否异常。继续,由于目标变化指标序列可以表征目标检测数据序列中目标检测数据的升降变化情况,因此根据每个预设时刻下的每个目标维度对应的目标变化指标序列,可以提高该预设时刻下的该目标维度对应的变化异常指标确定的准确度。再者,由于目标偏差指标序列可以表征目标检测数据序列中目标检测数据的异常情况,因此根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,可以提高该预设时刻下的该目标维度对应的偏差异常指标确定的准确度。之后,综合考虑根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,可以提高该预设时刻下的该目标维度对应的维度异常指标确定的准确度。而后,综合考虑预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,可以提高当前时刻对应的目标异常指标确定的准确度。最后,基于目标异常指标,对当前时刻下的待检测井下水进行异常监测,可以实现对待检测井下水的实时异常监测,并且实现了对用于判断待检测井下水是否异常的目标异常指标的量化,使后续可以根据目标异常指标,比较客观的对待检测井下水是否异常进行判断。因此,相较于通过人工的方式,对待检测井下水进行异常监测,本发明量化了多种与待检测井下水是否异常相关的指标,从而在一定程度上降低了人为的主观影响,进而提高了对待检测井下水进行异常监测的准确度。
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范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种井下水处理异常智能监测方法,其特征在于,包括以下步骤:
获取待检测井下水在预设时间段内的每个预设时刻下的每个目标维度对应的目标检测数据序列,其中,预设时间段的结束时间是当前时刻;
根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的所述目标维度对应的参考数据,确定所述预设时刻下的所述目标维度对应的目标偏差指标序列;
根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定所述预设时刻下的所述目标维度对应的目标变化指标序列;
根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定所述预设时刻下的所述目标维度对应的变化异常指标;
根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定所述预设时刻下的所述目标维度对应的偏差异常指标;
根据每个预设时刻下的每个目标维度对应的变化异常指标和偏差异常指标,确定所述预设时刻下的所述目标维度对应的维度异常指标;
根据所述预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定所述当前时刻对应的目标异常指标;
根据所述目标异常指标,对所述当前时刻下的所述待检测井下水进行异常监测。
2.根据权利要求1所述的一种井下水处理异常智能监测方法,其特征在于,所述根据每个预设时刻下的每个目标维度对应的目标检测数据序列和预先获取的所述目标维度对应的参考数据,确定所述预设时刻下的所述目标维度对应的目标偏差指标序列,包括:
对于所述预设时刻下的所述目标维度对应的目标检测数据序列中的每个目标检测数据,将所述目标检测数据与所述目标维度对应的参考数据的差值的绝对值,确定为所述目标检测数据对应的第一偏差;
根据目标检测数据对应的第一偏差,对所述预设时刻下的所述目标维度对应的目标检测数据序列中的每个目标检测数据进行偏差级别划分,得到所述目标检测数据对应的目标偏差级别;
根据所述预设时刻下的所述目标维度对应的目标检测数据序列中的每个目标检测数据对应的目标偏差级别,确定所述目标检测数据对应的目标偏差指标,得到所述预设时刻下的所述目标维度对应的目标偏差指标序列。
3.根据权利要求1所述的一种井下水处理异常智能监测方法,其特征在于,所述根据每个预设时刻下的每个目标维度对应的目标检测数据序列,确定所述预设时刻下的所述目标维度对应的目标变化指标序列,包括:
将第一预设指标,确定为所述预设时刻下的所述目标维度对应的目标检测数据序列中的第一个目标检测数据对应的目标变化指标;
对于所述预设时刻下的所述目标维度对应的目标检测数据序列中除了第一个目标检测数据之外的每个目标检测数据,将该目标检测数据与该目标检测数据的前一个目标检测数据的差值,确定为该目标检测数据对应的第一差异,并将该目标检测数据对应的第一差异的符号函数值,确定为该目标检测数据对应的目标变化指标;
将所述预设时刻下的所述目标维度对应的目标检测数据序列中的各个目标检测数据对应的目标变化指标,组合为所述预设时刻下的所述目标维度对应的目标变化指标序列。
4.根据权利要求1所述的一种井下水处理异常智能监测方法,其特征在于,所述根据每个预设时刻下的每个目标维度对应的目标变化指标序列,确定所述预设时刻下的所述目标维度对应的变化异常指标,包括:
截取所述预设时刻下的所述目标维度对应的目标变化指标序列中连续出现的相同的目标变化指标,作为符号段,得到所述预设时刻下的所述目标维度对应的符号段集合;
对于所述预设时刻下的所述目标维度对应的符号段集合中的每个符号段,确定所述符号段中的预设位置对应的时刻与所述预设时刻之间的距离,作为所述符号段对应的目标距离;
若符号段中的目标变化指标均为第一预设指标,则将第一预设标记值确定为符号段对应的目标标记;
若符号段中的目标变化指标不为第一预设指标,则将第二预设标记值确定为符号段对应的目标标记;
将符号段集合中长度不同的每种符号段在所属目标变化指标序列中出现的频率,确定为每种符号段对应的目标概率;
根据所述预设时刻下的所述目标维度对应的符号段集合中的各个符号段对应的目标距离、目标标记和目标概率,确定所述预设时刻下的所述目标维度对应的变化异常指标。
5.根据权利要求4所述的一种井下水处理异常智能监测方法,其特征在于,所述确定所述预设时刻下的所述目标维度对应的变化异常指标对应的公式为:
其中,是所述预设时间段内的第i个预设时刻下的第j个目标维度对应的变化异常指标,/>是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m个符号段对应的目标标记,/>是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m个符号段对应的目标距离,/>是自然常数的/>次方,/>是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m个符号段对应的目标概率,/>是以自然常数为底/>的对数,/>是第i个预设时刻下的第j个目标维度对应的符号段集合中的第m个符号段对应的第一特征指标,/>是第i个预设时刻下的第j个目标维度对应的符号段集合中符号段的数量,/>是预先设置的大于0的因子,i是所述预设时间段内预设时刻的序号,j是目标维度的序号,m是第i个预设时刻下的第j个目标维度对应的符号段集合中符号段的序号。
6.根据权利要求1所述的一种井下水处理异常智能监测方法,其特征在于,所述根据每个预设时刻下的每个目标维度对应的目标偏差指标序列,确定所述预设时刻下的所述目标维度对应的偏差异常指标,包括:
截取所述预设时刻下的所述目标维度对应的目标偏差指标序列中连续出现的相同的目标偏差指标,作为子偏差指标序列,得到所述预设时刻下的所述目标维度对应的子偏差指标序列集合;
将子偏差指标序列集合中的每个子偏差指标序列在所属目标偏差指标序列中出现的次数,确定为所述子偏差指标序列对应的目标次数;
将每个子偏差指标序列中的目标偏差指标,确定为所述子偏差指标序列对应的第二偏差;
将每个子偏差指标序列的长度,确定为所述子偏差指标序列对应的目标长度;
根据所述预设时刻下的所述目标维度对应的子偏差指标序列集合中的各个子偏差指标序列对应的目标次数、第二偏差和目标长度,确定所述预设时刻下的所述目标维度对应的偏差异常指标。
7.根据权利要求6所述的一种井下水处理异常智能监测方法,其特征在于,所述确定所述预设时刻下的所述目标维度对应的偏差异常指标对应的公式为:
其中,是所述预设时间段内的第i个预设时刻下的第j个目标维度对应的偏差异常指标,x是预先设置的不为0的预设偏差指标,L是预先设置的不为0的预设长度,/>是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序列对应的第二偏差,/>是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序列对应的目标长度,/>是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序列对应的目标次数,/>是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中的第b个子偏差指标序列对应的第二特征指标,/>是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中子偏差指标序列的数量,i是所述预设时间段内预设时刻的序号,j是目标维度的序号,b是第i个预设时刻下的第j个目标维度对应的子偏差指标序列集合中子偏差指标序列的序号,/>是/>的绝对值,/>是/>的绝对值。
8.根据权利要求1所述的一种井下水处理异常智能监测方法,其特征在于,所述根据所述预设时间段内的各个预设时刻下的各个目标维度对应的维度异常指标,确定所述当前时刻对应的目标异常指标,包括:
对于每个目标维度,将所述预设时间段内所有预设时刻下的所述目标维度对应的维度异常指标,组合为所述目标维度对应的维度异常指标序列;
根据维度异常指标的大小,对每个目标维度对应的维度异常指标序列中的维度异常指标进行分组,得到所述目标维度对应的维度异常指标组集合;
将所述当前时刻下的每个目标维度对应的维度异常指标所属维度异常指标组中维度异常指标的数量,确定为所述当前时刻下的所述目标维度对应的第一数量;
将每个目标维度对应的维度异常指标组集合中的维度异常指标的数量,确定为所述目标维度对应的第二数量;
将所述当前时刻下的每个目标维度对应的第一数量,在所述目标维度对应的第二数量中的占比,确定为所述当前时刻下的所述目标维度对应的参考概率;
根据所述当前时刻下的每个目标维度对应的参考概率和维度异常指标,确定为所述当前时刻下的所述目标维度对应的第一异常指标,其中,参考概率与第一异常指标呈负相关,维度异常指标与第一异常指标呈正相关;
根据所述当前时刻下的各个目标维度对应的第一异常指标,确定所述当前时刻对应的目标异常指标,其中,第一异常指标与目标异常指标呈正相关。
9.根据权利要求1所述的一种井下水处理异常智能监测方法,其特征在于,所述根据所述目标异常指标,对所述当前时刻下的所述待检测井下水进行异常监测,包括:
当所述目标异常指标小于第一预设异常阈值时,判定所述当前时刻下的所述待检测井下水正常;
当所述目标异常指标大于或等于第一预设异常阈值,并且小于第二预设异常阈值时,判定所述当前时刻下的所述待检测井下水轻微异常;
当所述目标异常指标大于或等于第二预设异常阈值,并且小于第三预设异常阈值时,判定所述当前时刻下的所述待检测井下水中度异常;
当所述目标异常指标大于或等于第三预设异常阈值时,判定所述当前时刻下的所述待检测井下水重度异常。
10.一种井下水处理异常智能监测系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令以实现权利要求1-9中任一项所述的一种井下水处理异常智能监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572135.4A CN116304958B (zh) | 2023-05-22 | 2023-05-22 | 一种井下水处理异常智能监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572135.4A CN116304958B (zh) | 2023-05-22 | 2023-05-22 | 一种井下水处理异常智能监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304958A true CN116304958A (zh) | 2023-06-23 |
CN116304958B CN116304958B (zh) | 2023-08-22 |
Family
ID=86791005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572135.4A Active CN116304958B (zh) | 2023-05-22 | 2023-05-22 | 一种井下水处理异常智能监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304958B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878693A (zh) * | 2023-09-05 | 2023-10-13 | 济宁市金桥煤矿 | 一种矿用机电设备监测管理方法及系统 |
CN117195028A (zh) * | 2023-11-07 | 2023-12-08 | 江苏新希望生态科技有限公司 | 一种芽苗菜种子萌发预测方法 |
CN117574270A (zh) * | 2024-01-19 | 2024-02-20 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117572137A (zh) * | 2024-01-17 | 2024-02-20 | 山东海纳智能装备科技股份有限公司 | 一种七电平anpc高压变频器远程监测系统 |
CN117688311A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市纯水一号水处理科技有限公司 | 一种难降解含盐废水深度处理实时监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406819A (zh) * | 2014-10-30 | 2015-03-11 | 侯德义 | 一种微洗井式地下水自动采样系统 |
CN105262647A (zh) * | 2015-11-27 | 2016-01-20 | 广州神马移动信息科技有限公司 | 一种异常指标检测方法及装置 |
US20200331772A1 (en) * | 2017-12-20 | 2020-10-22 | Intellitect Water Ltd. | A water network monitor, monitoring system and method |
CN111984930A (zh) * | 2020-08-19 | 2020-11-24 | 河海大学 | 一种地下水水位监测数据异常值识别方法及系统 |
CN113139743A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 污水排放指标分析方法、装置、电子设备及存储介质 |
CN115795401A (zh) * | 2023-02-08 | 2023-03-14 | 青岛海洋地质研究所 | 海洋牧场全要素监测传感器多数据融合系统 |
CN116066062A (zh) * | 2021-11-03 | 2023-05-05 | 中石化石油工程技术服务有限公司 | 一种基于参数变化趋势异常诊断的卡钻实时预警方法 |
-
2023
- 2023-05-22 CN CN202310572135.4A patent/CN116304958B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104406819A (zh) * | 2014-10-30 | 2015-03-11 | 侯德义 | 一种微洗井式地下水自动采样系统 |
CN105262647A (zh) * | 2015-11-27 | 2016-01-20 | 广州神马移动信息科技有限公司 | 一种异常指标检测方法及装置 |
US20200331772A1 (en) * | 2017-12-20 | 2020-10-22 | Intellitect Water Ltd. | A water network monitor, monitoring system and method |
CN111984930A (zh) * | 2020-08-19 | 2020-11-24 | 河海大学 | 一种地下水水位监测数据异常值识别方法及系统 |
CN113139743A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 污水排放指标分析方法、装置、电子设备及存储介质 |
CN116066062A (zh) * | 2021-11-03 | 2023-05-05 | 中石化石油工程技术服务有限公司 | 一种基于参数变化趋势异常诊断的卡钻实时预警方法 |
CN115795401A (zh) * | 2023-02-08 | 2023-03-14 | 青岛海洋地质研究所 | 海洋牧场全要素监测传感器多数据融合系统 |
Non-Patent Citations (4)
Title |
---|
MOHAMED IMED KHELIL等: "Sensor Anomaly Detection using Self Features Organizing Maps and Hierarchical-Clustring for Water Quality Assessment", 《2022 INTERNATIONAL CONFERENCE OF ADVANCED TECHNOLOGY IN ELECTRONIC AND ELECTRICAL ENGINEERING (ICATEEE)》 * |
刘娜: "面向水下传感器网络监测应用的异常数据检测技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 2 * |
史斌;姜继平;王鹏;: "基于高频在线水质数据异常的突发污染预警", 中国环境科学, no. 11 * |
魏媛;冯天恒;黄平捷;侯迪波;张光新;: "管网水质多指标动态关联异常检测方法", 浙江大学学报(工学版), no. 07 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116878693A (zh) * | 2023-09-05 | 2023-10-13 | 济宁市金桥煤矿 | 一种矿用机电设备监测管理方法及系统 |
CN116878693B (zh) * | 2023-09-05 | 2023-11-21 | 济宁市金桥煤矿 | 一种矿用机电设备监测管理方法及系统 |
CN117195028A (zh) * | 2023-11-07 | 2023-12-08 | 江苏新希望生态科技有限公司 | 一种芽苗菜种子萌发预测方法 |
CN117195028B (zh) * | 2023-11-07 | 2024-01-26 | 江苏新希望生态科技有限公司 | 一种芽苗菜种子萌发预测方法 |
CN117572137A (zh) * | 2024-01-17 | 2024-02-20 | 山东海纳智能装备科技股份有限公司 | 一种七电平anpc高压变频器远程监测系统 |
CN117572137B (zh) * | 2024-01-17 | 2024-03-29 | 山东海纳智能装备科技股份有限公司 | 一种七电平anpc高压变频器远程监测系统 |
CN117574270A (zh) * | 2024-01-19 | 2024-02-20 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117574270B (zh) * | 2024-01-19 | 2024-03-26 | 东营鸿德新能源有限公司 | 一种勘探数据采集及测井数据异常检测方法 |
CN117688311A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市纯水一号水处理科技有限公司 | 一种难降解含盐废水深度处理实时监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116304958B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116304958B (zh) | 一种井下水处理异常智能监测系统及方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
CN115840897A (zh) | 一种温度传感器数据异常处理方法 | |
CN117238058B (zh) | 基于数据分析的汽车用起动机监测方法 | |
CN116089846A (zh) | 一种基于数据聚类的新能源结算数据异常检测与预警方法 | |
CN108920429B (zh) | 一种水位动态监测的异常数据分析方法 | |
CN111080982A (zh) | 一种基于多传感器的大坝安全智能监测与预警系统及方法 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN105306439A (zh) | 一种基于决策树自修复的特征规则检测方法 | |
CN112684401A (zh) | 轻载台区电能表运行误差数据的处理方法及系统 | |
CN116308963B (zh) | 一种政务数据分析方法及系统 | |
CN108241790A (zh) | 基于恒加试验数据的Weibull型产品可靠性估计方法 | |
CN117312997A (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN114861774A (zh) | 一种电网中虚假数据识别方法及系统 | |
CN117421687B (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN117314020A (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
CN109145257A (zh) | 一种基于多测点公共异常时间的大坝安全监测分析方法 | |
CN117109805A (zh) | 一种压力传感设备的异常压力检测与校正方法 | |
CN115713312A (zh) | 一种水利水电工程环境量不利工况组合识别方法及装置 | |
CN110780342A (zh) | 一种岩石边坡变形预警方法 | |
CN116123459A (zh) | 一种供热管网压力波动的判定方法 | |
CN116227674A (zh) | 一种基于在线更新模型的碳排放预测方法 | |
CN110929800B (zh) | 一种基于sax算法的商业体异常用电检测方法 |
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 |