CN117009910A - 一种环境温度异常变化智能监测方法 - Google Patents
一种环境温度异常变化智能监测方法 Download PDFInfo
- Publication number
- CN117009910A CN117009910A CN202311287248.6A CN202311287248A CN117009910A CN 117009910 A CN117009910 A CN 117009910A CN 202311287248 A CN202311287248 A CN 202311287248A CN 117009910 A CN117009910 A CN 117009910A
- Authority
- CN
- China
- Prior art keywords
- sequence
- temperature
- sequences
- value
- lof
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000000737 periodic effect Effects 0.000 claims abstract description 99
- 230000007613 environmental effect Effects 0.000 claims abstract description 56
- 230000000087 stabilizing effect Effects 0.000 claims description 17
- 230000000739 chaotic effect Effects 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种环境温度异常变化智能监测方法,包括:采集环境温度数据获取每日温度序列,根据每日温度序列获取历史温度序列;根据历史温度序列中的数据获取所有周期序列;根据周期序列获取稳定序列;根据所有稳定序列获取目标序列;根据所有目标序列获取各个值下的所有目标序列的LOF值序列,根据各个值下的所有目标序列的LOF值序列获取各个值下的历史温度序列的稳定程度;根据各个值下的历史温度序列的稳定程度获取LOF算法的最佳值并根据LOF算法的最佳值实现环境温度异常变化的智能监测。本发明通过分析各个时段的历史温度数据,实现对环境温度异常变化的准确监测。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种环境温度异常变化智能监测方法。
背景技术
随着社会的发展科技水平的提高,环境温度监测愈发重要,诸如在:工业生产领域、农业生产领域、建筑领域以及能源管理领域中等诸多领域中,环境温度的变化均对最终产品质量有着重要影响,因此准确的对环境温度异常变化的智能监测是十分重要的。
但传统的LOF算法对环境温度进行异常监测时,会由于局部离群因子(LocalOutlier Factor,LOF)算法中的值的取值不佳导致环境温度异常监测的精度不佳,且LOF算法中的/>值通常是预设的固定值,当环境发生变化时环境变化前的/>值并不能精准的对变化后的环境温度异常变化进行监测。
发明内容
本发明提供一种环境温度异常变化智能监测方法,以解决现有的问题。
本发明的一种环境温度异常变化智能监测方法采用如下技术方案:
本发明一个实施例提供了一种环境温度异常变化智能监测方法,该方法包括以下步骤:
采集环境温度数据获取每日温度序列,在所有每日温度序列中选取若干每日温度序列作为历史温度序列;
根据历史温度序列中的数据获取所有周期序列;根据所有周期序列获取所有周期序列的稳定程度参数;根据所有周期序列的稳定程度参数获取所有周期序列中的稳定序列;根据所有稳定序列获取所有稳定序列的混乱程度;根据所有稳定序列的混乱程度获取所有稳定序列中的目标序列;
根据所有目标序列获取各个值下的所有目标序列的LOF值序列,根据各个/>值下的所有目标序列的LOF值序列获取各个/>值下的历史温度序列的稳定程度;
根据各个值下的历史温度序列的稳定程度获取LOF算法的最佳/>值,并根据LOF算法的最佳/>值实现环境温度异常变化的智能监测。
优选的,所述采集环境温度数据获取每日温度序列,在所有每日温度序列中选取若干每日温度序列作为历史温度序列,包括的具体步骤如下:
通过环境的温度传感器采集一天的环境温度数据,将一天的环境温度数据按照时序进行排列获取一天的环境温度数据序列,并将一天的环境温度数据序列记为每日温度序列;预设数量T,将距当前时刻最近的T个每日温度序列记为历史温度序列。
优选的,所述获取所有周期序列,包括的具体步骤如下:
将所有的每日温度序列中的第一个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第一个温度数据组成的温度序列记为第一周期序列,/>为第一周期序列中的第/>个温度数据,/>为第一周期序列中的第/>个温度数据,/>为第一周期序列中温度数据的数量;
将所有每日温度序列中的第二个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第二个温度数据组成的温度序列记为第二周期序列,/>为第二周期序列中的第/>个温度数据,/>为第二周期序列中的第/>个温度数据,/>为第二周期序列中温度数据的数量;
将所有每日温度序列中的第三个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第三个温度数据组成的温度序列记为第三周期序列,/>为第三周期序列中的第/>个温度数据,/>为第三周期序列中的第/>个温度数据,/>为第三周期序列中温度数据的数量;
以此类推,获取所有周期序列。
优选的,所述获取所有周期序列的稳定程度参数,包括的具体步骤如下:
预设一个温度参考序列,计算周期序列与温度参考序列/>之间的皮尔逊相关系数,将得到的每日温度序列中的周期序列与温度参考序列/>之间的皮尔逊相关系数作为周期序列的稳定程度参数。
优选的,所述获取所有周期序列中的稳定序列,包括的具体步骤如下:
预设一个皮尔逊系数阈值,当周期序列的稳定程度参数的绝对值大于/>时,则周期序列中的温度数据不稳定;反之当周期序列的稳定程度参数的绝对值小于或等于/>时,则周期序列中的温度数据稳定;将温度数据稳定的周期序列记为稳定序列,得到所有周期序列中所有稳定序列。
优选的,所述获取所有稳定序列的混乱程度,包括的具体计算公式如下:
式中,表示第/>个稳定序列中数据的混乱程度;/>表示第/>个稳定序列与温度参考序列/>之间的皮尔逊系数;/>表示稳定序列中数据的数量;/>表示第/>个稳定序列中的第/>个温度数据,/>表示第/>个稳定序列中温度数据的均值。
优选的,所述获取所有稳定序列中的目标序列,包括的具体步骤如下:
将所有稳定序列中所有序列的混乱程度进行最大值最小值归一化并将最大值最小值归一化后的结果记为混沌程度;然后预设一个混沌程度阈值,若稳定序列的混沌程度小于等于/>,则稳定序列的稳定性高;若稳定序列的混沌程度大于/>,则稳定序列的稳定性低;将得到的稳定性高的稳定序列记为目标序列。
优选的,所述获取各个值下的所有目标序列的LOF值序列,包括的具体步骤如下:
设置LOF算法的值,使/>值的取值范围为/>,且/>为整数;其中/>为周期序列中的数据数量;将目标序列中的所有数据标记到历史温度序列中,对历史温度序列中所有被标记的数据进行LOF运算,得到各个/>值下每个被标记数据的LOF值,得到各个/>值下所有被标记数据的LOF值构成的LOF值序列。
优选的,所述获取各个值下的历史温度序列的稳定程度,包括的具体步骤如下:
预设一个LOF值参考序列,计算所有/>值不同的情况下每个LOF值参考序列与LOF值序列之间的皮尔逊相关系数;
然后再预设一个LOF相关系数阈值,当LOF值参考序列与LOF值序列之间的皮尔逊相关系数小于/>时,则LOF值参考序列与LOF值序列弱相关;当LOF值参考序列与LOF值序列之间的皮尔逊相关系数大于等于/>时,则LOF值参考序列与LOF值序列强相关,统计与LOF值参考序列强相关的LOF值序列的数量记为/>,并计算每个LOF值序列的方差记为/>;
最后根据历史温度序列中周期序列的数量、与LOF值参考序列强相关的LOF值序列的数量以及每个LOF值序列的方差,计算历史温度序列的稳定程度,其具体的计算公式如下:
式中,表示当/>时的历史温度序列的稳定程度;/>表示/>时的与LOF值参考序列强相关的LOF值序列的数量;/>表示周期序列的数量;/>表示/>时的第/>个LOF值序列的方差,/>表示当/>时的LOF值序列的数量;所述/>为LOF算法中的/>值。
优选的,所述获取LOF算法的最佳值,并根据LOF算法的最佳/>值实现环境温度异常变化的智能监测,包括的具体步骤如下:
选取各个值下的历史温度序列中稳定程度最大的/>值作为LOF算法的最佳/>值;通过LOF算法的最佳/>值,对实时采集的温度序列进行LOF算法运算,得到实时采集的温度序列中每个数据的LOF值,再预设一个LOF值阈值/>,当实时采集的温度序列中数据的LOF值小于/>,则实时采集的温度数据正常;当实时采集的温度序列中数据的LOF值大于等于/>,则实时采集的温度数据异常。
本发明的技术方案的有益效果是:由于传统的LOF算法对环境温度进行异常监测时,会由于LOF算法中的值的取值不佳导致环境温度异常监测的精度不佳,且LOF算法中的值通常是预设的固定值,当环境发生变化时环境变化前的/>值并不能精准的对变化后的环境温度异常变化进行监测;而本发明通过对最近一段时间的历史数据进行分析,得到最近一段时间内历史数据在各个时间段下的温度数据,再根据各个时间段下的温度数据的稳定性,生成最佳的LOF算法的最佳/>值,通过LOF算法的最佳/>值,对历史温度序列进行LOF算法运算,得到历史温度序列中每个数据的LOF值,通过历史温度序列中每个数据的LOF值,实现对环境温度异常变化进行智能监测,达到提高环境温度异常变化智能监测准确的目的。
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,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地介绍,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他的附图。
图1为本发明一种环境温度异常变化智能监测方法的步骤流程图。
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一种环境温度异常变化智能监测方法,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环境温度异常变化智能监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种环境温度异常变化智能监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集环境温度数据获取每日温度序列,在所有每日温度序列中选取若干每日温度序列作为历史温度序列。
需要说明的是,本实施例的目的是对环境温度异常变化的检测,所以需要根据历史环境温度数据,判断环境温度是否发生异常变化。
具体的,通过环境的温度传感器不断地采集一天的环境温度数据,将一天的环境温度数据按照时序进行排列获取一天的环境温度数据序列,并将一天的环境温度数据序列记为每日温度序列;
记录距实时采集最近的T个每日温度序列,其中T为本实施例所预设的数量,T的取值可结合具体情况设置,本实施例不做硬性要求,在本实施例中以T=30进行叙述;将距当前时刻最近的T个每日温度序列记为历史温度序列。
至此,获得历史温度序列。
步骤S002:根据历史温度序列中的数据获取所有周期序列;根据所有周期序列获取所有周期序列的稳定程度参数;根据所有周期序列的稳定程度参数获取所有周期序列中的稳定序列;根据所有稳定序列获取所有稳定序列的混乱程度;根据所有稳定序列的混乱程度获取所有稳定序列中的目标序列。
需要说明的是,由于在一天的时间内环境温度会随着时间的变化而变化,即在一天内环境温度是不稳定的,而在通常情况下每天的环境温度与每天的环境温度是相似的;所以可以将环境温度数据具有一定的周期性,且环境温度数据的周期为一天,所以可以根据环境温度数据的周期性,获取各个时刻下数据的稳定性。
首先,将所有的每日温度序列中的第一个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第一个温度数据组成的温度序列记为第一周期序列,/>为第一周期序列中的第/>个温度数据,/>为第一周期序列中的第/>个温度数据,/>为第一周期序列中温度数据的数量;
将所有的每日温度序列中的第二个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第二个温度数据组成的温度序列记为第二周期序列,/>为第二周期序列中的第/>个温度数据,/>为第二周期序列中的第/>个温度数据,/>为第二周期序列中温度数据的数量;
将所有的每日温度序列中的第三个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第三个温度数据组成的温度序列记为第三周期序列,/>为第三周期序列中的第/>个温度数据,/>为第三周期序列中的第/>个温度数据,/>为第三周期序列中温度数据的数量。
以此类推,获取所有周期序列。
然后,预设一个温度参考序列,可结合实际情况设置温度参考序列/>,本实施例不做硬性要求,/>为每个周期序列中温度数据的数量,在本实施例中以温度参考序列/>进行叙述。
计算周期序列与温度参考序列之间的皮尔逊相关系数,将得到的每日温度序列中的周期序列与温度参考序列/>之间的皮尔逊相关系数作为周期序列的稳定程度参数,其中皮尔逊相关系数的计算作为一种公知的技术,故在本实施例中不再赘述。
需要进一步说明的是,皮尔逊相关系数作为一种表征两个序列之间相似程度的系数,可以使用皮尔逊相关系数表征周期序列与温度参考序列的相似程度,同时由于通常情况下同一周期序列中的所有温度数据是相似的,即同一周期序列中所有温度数据是稳定的,而在本实施中温度参考序列是单调递增的,所以当周期序列与温度参考序列的皮尔逊相关系数的绝对值越小,周期序列中的温度数据就越稳定。
接着通过预设一个皮尔逊系数阈值,可结合实际情况设置/>的取值,在本实施例中以/>进行叙述,当周期序列的稳定程度参数的绝对值大于/>时,则周期序列中的温度数据不稳定;反之当周期序列的稳定程度参数的绝对值小于或等于/>时,则周期序列中的温度数据稳定。将温度数据稳定的周期序列记为稳定序列,得到所有稳定序列,并将稳定序列记为/>,其中/>表示第/>个稳定序列;再通过稳定序列中的温度数据以及稳定序列与温度参考序列的皮尔逊相关系数获取稳定序列的混乱程度,其具体的计算公式为:
式中,表示第/>个稳定序列中数据的混乱程度;/>表示第/>个稳定序列与温度参考序列/>之间的皮尔逊系数;/>表示稳定序列中数据的数量;/>表示第/>个稳定序列中的第/>个温度数据,/>表示第/>个稳定序列中温度数据的均值。
需要说明的是,当稳定序列中数据的混乱程度越大,则说明数据的稳定性越低,故可以通过稳定序列中数据的混乱程度获取稳定序列中稳定性高的数据序列。
具体的,将所有稳定序列中所有序列的混乱程度进行最大值最小值归一化并将最大值最小值归一化后的结果记为混沌程度;然后预设一个混沌程度阈值,/>的取值可结合实际情况设置,本实施例不做硬性要求,在本实施例中以/>进行叙述,若稳定序列的混沌程度小于等于/>,则稳定序列的稳定性高;若稳定序列的混沌程度大于/>,则稳定序列的稳定性低。
至此,得到稳定性高的稳定序列并将稳定性高的稳定序列记为目标序列。
步骤S003:根据所有目标序列获取各个值下的所有目标序列的LOF值序列,根据各个/>值下的所有目标序列的LOF值序列获取各个/>值下的历史温度序列的稳定程度。
需要说明的是,由于本实施例是基于局部离群因子(Local Outlier Factor,LOF)算法实现对环境温度异常变化进行智能监测的,而在本实施例中,在正常情况下同一周期序列内的数据之间差异小,故正常情况下同一周期序列内的数据的LOF值之间的差异小,即正常情况下由周期序列内每个数据生成的LOF值组成的LOF值序列稳定,而异常情况下由周期序列内每个数据生成的LOF值组成的LOF值序列则不稳定,即可以通过目标序列,获取历史温度序列LOF算法的最佳值。
具体的,设置LOF算法的值,使/>值的取值范围为/>,且/>为整数;其中/>为周期序列中的数据数量;将目标序列中的所有数据标记到历史温度序列中,对历史温度序列中所有被标记的数据进行LOF运算,得到/>值不同的情况下每个被标记数据的LOF值,得到/>值不同的情况下所有目标序列的LOF值序列;其中LOF值就是局部离群因子,而局部离群因子的具体计算过程为:
对于历史温度序列中第一个被标记的数据,选择距离历史温度序列中第一个被标记的数据最近的个数据记为最邻近数据;计算历史温度序列中第一个被标记的数据与所有最邻近数据的距离均值;以历史温度序列中第一个被标记的数据与所有最邻近数据的距离均值的倒数,作为历史温度序列中第一个被标记的数据的局部密度;
同理计算所有最邻近数据的局部密度,而历史温度序列中第一个被标记的数据的局部密度与所有最邻近数据的局部密度均值的比值就是LOF值;
而LOF算法作为一种公知的技术,故在本实施例中仅进行简单的叙述,不再进行详细赘述。
接着,预设一个LOF值参考序列,可结合实际情况设置/>,本实施例不做硬性要求,在本实施例中以/>且LOF值参考序列中共有/>个数据,计算所有/>值不同的情况下每个LOF值参考序列与LOF值序列之间的皮尔逊相关系数。
然后再预设一个LOF相关系数阈值,可结合实际情况设置/>,本实施例不做硬性要求,在本实施例中以/>进行叙述,当LOF值参考序列与LOF值序列之间的皮尔逊相关系数小于/>时,则LOF值参考序列与LOF值序列弱相关;当LOF值参考序列与LOF值序列之间的皮尔逊相关系数大于等于/>时,则LOF值参考序列与LOF值序列强相关,统计与LOF值参考序列强相关的LOF值序列的数量记为/>,并计算每个LOF值序列的方差记为/>。
最后根据历史温度序列中周期序列的数量、与LOF值参考序列强相关的LOF值序列的数量以及每个LOF值序列的方差,计算历史温度序列的稳定程度,其具体的计算公式如下:
式中,表示当/>时的历史温度序列的稳定程度;/>表示/>时的与LOF值参考序列强相关的LOF值序列的数量;/>表示周期序列的数量;/>表示/>时的第/>个LOF值序列的方差,/>表示当/>时的LOF值序列的数量;所述/>为LOF算法中的/>值。
需要说明的是,由于表示当/>时的与LOF值参考序列强相关的LOF值序列的数量和周期序列的数量之间的比值,则/>越大则代表在/>时与LOF值参考序列强相关的LOF值序列在周期序列中的占比就越高,而与LOF值参考序列强相关的LOF值序列则表示对应的目标序列中的温度数据是稳定的;因此当/>的值越大,说明当/>时历史温度序列中的数据越稳定;
而表示当/>时所有LOF值序列方差均值,/>的值越大则说明在/>时的与LOF序列对应的目标序列的稳定性就越小,因此当/>的值越大,说明当/>时历史温度序列中的数据越稳定;
所以,越大则当/>时历史温度序列的稳定性就越大。
至此,得到时的历史温度序列的稳定程度,同理得到各个/>值下的历史温度序列的稳定程度。
步骤S004: 根据各个值下的历史温度序列的稳定程度获取LOF算法的最佳/>值,并根据LOF算法的最佳/>值实现环境温度异常变化的智能监测。
需要说明的是,由于目标序列在历史温度序列中的稳定性高,所以目标序列的LOF值序列稳定性也高;而LOF算法是通过设置值计算历史温度序列中的数据LOF值,故LOF值受到设置的/>值影响;同时当历史温度序列中的稳定性越高,则所选取的/>值越好;所以选取各个/>值下的历史温度序列的稳定程度内,稳定程度最大的历史温度序列对应的/>值作为LOF算法的最佳/>值。
选取各个值下的历史温度序列中稳定程度最大的/>值作为LOF算法的最佳/>值;通过LOF算法的最佳/>值,对实时采集的温度序列进行LOF算法运算,得到实时采集的温度序列中每个数据的LOF值,再预设一个LOF值阈值/>,其中/>的大小可结合实际情况设置,本实施例不做硬性要求,在本实施例中以/>进行叙述;当实时采集的温度序列中数据的LOF值小于/>,则实时采集的温度数据正常;当实时采集的温度序列中数据的LOF值大于等于/>,则实时采集的温度数据异常。
至此,根据各个值下的历史温度序列的稳定程度,实现环境温度异常变化智能监测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种环境温度异常变化智能监测方法,其特征在于,该方法包括以下步骤:
采集环境温度数据获取每日温度序列,在所有每日温度序列中选取若干每日温度序列作为历史温度序列;
根据历史温度序列中的数据获取所有周期序列;根据所有周期序列获取所有周期序列的稳定程度参数;根据所有周期序列的稳定程度参数获取所有周期序列中的稳定序列;根据所有稳定序列获取所有稳定序列的混乱程度;根据所有稳定序列的混乱程度获取所有稳定序列中的目标序列;
根据所有目标序列获取各个值下的所有目标序列的LOF值序列,根据各个/>值下的所有目标序列的LOF值序列获取各个/>值下的历史温度序列的稳定程度;
根据各个值下的历史温度序列的稳定程度获取LOF算法的最佳/>值,并根据LOF算法的最佳/>值实现环境温度异常变化的智能监测;
所述获取各个值下的历史温度序列的稳定程度,包括的具体步骤如下:
预设一个LOF值参考序列,计算所有/>值不同的情况下每个LOF值参考序列与LOF值序列之间的皮尔逊相关系数;
然后再预设一个LOF相关系数阈值,当LOF值参考序列与LOF值序列之间的皮尔逊相关系数小于/>时,则LOF值参考序列与LOF值序列弱相关;当LOF值参考序列与LOF值序列之间的皮尔逊相关系数大于等于/>时,则LOF值参考序列与LOF值序列强相关,统计与LOF值参考序列强相关的LOF值序列的数量记为/>,并计算每个LOF值序列的方差记为/>;
最后根据历史温度序列中周期序列的数量、与LOF值参考序列强相关的LOF值序列的数量以及每个LOF值序列的方差,计算历史温度序列的稳定程度,其具体的计算公式如下:
式中,表示当/>时的历史温度序列的稳定程度;/>表示/>时的与LOF值参考序列强相关的LOF值序列的数量;/>表示周期序列的数量;/>表示/>时的第/>个LOF值序列的方差,/>表示当/>时的LOF值序列的数量;所述/>为LOF算法中的/>值。
2.根据权利要求1所述一种环境温度异常变化智能监测方法,其特征在于,所述采集环境温度数据获取每日温度序列,在所有每日温度序列中选取若干每日温度序列作为历史温度序列,包括的具体步骤如下:
通过环境的温度传感器采集一天的环境温度数据,将一天的环境温度数据按照时序进行排列获取一天的环境温度数据序列,并将一天的环境温度数据序列记为每日温度序列;预设数量T,将距当前时刻最近的T个每日温度序列记为历史温度序列。
3.根据权利要求1所述一种环境温度异常变化智能监测方法,其特征在于,所述获取所有周期序列,包括的具体步骤如下:
将所有的每日温度序列中的第一个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第一个温度数据组成的温度序列记为第一周期序列,/>为第一周期序列中的第/>个温度数据,/>为第一周期序列中的第/>个温度数据,/>为第一周期序列中温度数据的数量;
将所有每日温度序列中的第二个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第二个温度数据组成的温度序列记为第二周期序列,/>为第二周期序列中的第/>个温度数据,/>为第二周期序列中的第/>个温度数据,/>为第二周期序列中温度数据的数量;
将所有每日温度序列中的第三个温度数据提取出来,并将提取出来的温度数据按照日期顺序排序,获取每日温度序列中的第三个温度数据组成的温度序列记为第三周期序列,/>为第三周期序列中的第/>个温度数据,/>为第三周期序列中的第/>个温度数据,/>为第三周期序列中温度数据的数量;
以此类推,获取所有周期序列。
4.根据权利要求1所述一种环境温度异常变化智能监测方法,其特征在于,所述获取所有周期序列的稳定程度参数,包括的具体步骤如下:
预设一个温度参考序列,计算周期序列与温度参考序列/>之间的皮尔逊相关系数,将得到的每日温度序列中的周期序列与温度参考序列/>之间的皮尔逊相关系数作为周期序列的稳定程度参数。
5.根据权利要求4所述一种环境温度异常变化智能监测方法,其特征在于,所述获取所有周期序列中的稳定序列,包括的具体步骤如下:
预设一个皮尔逊系数阈值,当周期序列的稳定程度参数的绝对值大于/>时,则周期序列中的温度数据不稳定;反之当周期序列的稳定程度参数的绝对值小于或等于/>时,则周期序列中的温度数据稳定;将温度数据稳定的周期序列记为稳定序列,得到所有周期序列中所有稳定序列。
6.根据权利要求4所述一种环境温度异常变化智能监测方法,其特征在于,所述获取所有稳定序列的混乱程度,包括的具体计算公式如下:
式中,表示第/>个稳定序列中数据的混乱程度;/>表示第/>个稳定序列与温度参考序列/>之间的皮尔逊系数;/>表示稳定序列中数据的数量;/>表示第/>个稳定序列中的第/>个温度数据,/>表示第/>个稳定序列中温度数据的均值。
7.根据权利要求1所述一种环境温度异常变化智能监测方法,其特征在于,所述获取所有稳定序列中的目标序列,包括的具体步骤如下:
将所有稳定序列中所有序列的混乱程度进行最大值最小值归一化并将最大值最小值归一化后的结果记为混沌程度;然后预设一个混沌程度阈值,若稳定序列的混沌程度小于等于/>,则稳定序列的稳定性高;若稳定序列的混沌程度大于/>,则稳定序列的稳定性低;将得到的稳定性高的稳定序列记为目标序列。
8.根据权利要求1所述一种环境温度异常变化智能监测方法,其特征在于,所述获取各个值下的所有目标序列的LOF值序列,包括的具体步骤如下:
设置LOF算法的值,使/>值的取值范围为/>,且/>为整数;其中/>为周期序列中的数据数量;将目标序列中的所有数据标记到历史温度序列中,对历史温度序列中所有被标记的数据进行LOF运算,得到各个/>值下每个被标记数据的LOF值,得到各个/>值下所有被标记数据的LOF值构成的LOF值序列。
9.根据权利要求1所述一种环境温度异常变化智能监测方法,其特征在于,所述获取LOF算法的最佳值,并根据LOF算法的最佳/>值实现环境温度异常变化的智能监测,包括的具体步骤如下:
选取各个值下的历史温度序列中稳定程度最大的/>值作为LOF算法的最佳/>值;通过LOF算法的最佳/>值,对实时采集的温度序列进行LOF算法运算,得到实时采集的温度序列中每个数据的LOF值,再预设一个LOF值阈值/>,当实时采集的温度序列中数据的LOF值小于/>,则实时采集的温度数据正常;当实时采集的温度序列中数据的LOF值大于等于/>,则实时采集的温度数据异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287248.6A CN117009910B (zh) | 2023-10-08 | 2023-10-08 | 一种环境温度异常变化智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311287248.6A CN117009910B (zh) | 2023-10-08 | 2023-10-08 | 一种环境温度异常变化智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117009910A true CN117009910A (zh) | 2023-11-07 |
CN117009910B CN117009910B (zh) | 2023-12-15 |
Family
ID=88574748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311287248.6A Active CN117009910B (zh) | 2023-10-08 | 2023-10-08 | 一种环境温度异常变化智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009910B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421538A (zh) * | 2023-12-18 | 2024-01-19 | 中铁建工集团第二建设有限公司 | 一种细节防水数据调控优化方法 |
CN117668734A (zh) * | 2024-01-29 | 2024-03-08 | 深圳欧斯普瑞智能科技有限公司 | 一种智能切割头温度监测方法 |
CN117804639A (zh) * | 2024-02-29 | 2024-04-02 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
CN117892248A (zh) * | 2024-03-15 | 2024-04-16 | 山东鲁新国合节能环保科技有限公司 | 一种烧结烟气内循环过程中异常数据监测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140149806A1 (en) * | 2011-04-13 | 2014-05-29 | BAR-ILAN UNIVERSITY a University | Anomaly detection methods, devices and systems |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN113852629A (zh) * | 2021-09-24 | 2021-12-28 | 重庆大学 | 基于自然邻的自适应加权核密度的网络连接异常识别方法及计算机存储介质 |
US20220298982A1 (en) * | 2021-03-22 | 2022-09-22 | Zhejiang University | Method and device for capturing trip sign of turbine due to high bearing temperature based on correlation |
CN115840897A (zh) * | 2023-02-09 | 2023-03-24 | 广东吉器电子有限公司 | 一种温度传感器数据异常处理方法 |
WO2023057434A1 (en) * | 2021-10-04 | 2023-04-13 | University Of Malta | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft |
CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
CN116224081A (zh) * | 2023-03-13 | 2023-06-06 | 中国矿业大学 | 一种基于LOF-Pearson检测多维特征向量的电池SOH估计方法 |
CN116429220A (zh) * | 2023-06-14 | 2023-07-14 | 济宁安泰矿山设备制造有限公司 | 一种水利工程异常检测方法 |
CN116644284A (zh) * | 2023-05-30 | 2023-08-25 | 电子科技大学 | 一种地层分类特征因子确定方法、系统、电子设备及介质 |
CN116659037A (zh) * | 2023-03-22 | 2023-08-29 | 宇通客车股份有限公司 | 基于局部异常因子算法的车载空调故障预测方法及系统 |
CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
-
2023
- 2023-10-08 CN CN202311287248.6A patent/CN117009910B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140149806A1 (en) * | 2011-04-13 | 2014-05-29 | BAR-ILAN UNIVERSITY a University | Anomaly detection methods, devices and systems |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
US20220298982A1 (en) * | 2021-03-22 | 2022-09-22 | Zhejiang University | Method and device for capturing trip sign of turbine due to high bearing temperature based on correlation |
CN113852629A (zh) * | 2021-09-24 | 2021-12-28 | 重庆大学 | 基于自然邻的自适应加权核密度的网络连接异常识别方法及计算机存储介质 |
WO2023057434A1 (en) * | 2021-10-04 | 2023-04-13 | University Of Malta | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft |
CN115840897A (zh) * | 2023-02-09 | 2023-03-24 | 广东吉器电子有限公司 | 一种温度传感器数据异常处理方法 |
CN116224081A (zh) * | 2023-03-13 | 2023-06-06 | 中国矿业大学 | 一种基于LOF-Pearson检测多维特征向量的电池SOH估计方法 |
CN116659037A (zh) * | 2023-03-22 | 2023-08-29 | 宇通客车股份有限公司 | 基于局部异常因子算法的车载空调故障预测方法及系统 |
CN116011686A (zh) * | 2023-03-28 | 2023-04-25 | 山东创宇环保科技有限公司 | 基于多数据融合的充电棚光伏发电储量预测方法 |
CN116644284A (zh) * | 2023-05-30 | 2023-08-25 | 电子科技大学 | 一种地层分类特征因子确定方法、系统、电子设备及介质 |
CN116429220A (zh) * | 2023-06-14 | 2023-07-14 | 济宁安泰矿山设备制造有限公司 | 一种水利工程异常检测方法 |
CN116821833A (zh) * | 2023-08-29 | 2023-09-29 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
Non-Patent Citations (2)
Title |
---|
KIBAE LEE等: "Semi-Supervised Anomaly Detection Algorithm Using Probabilistic Labeling (SAD-PL)", 《IEEE ACCESS》, vol. 9, pages 142972 - 142981, XP011885348, DOI: 10.1109/ACCESS.2021.3120710 * |
孙毅;李世豪;崔灿;李彬;陈宋宋;崔高颖;: "基于高斯核函数改进的电力用户用电数据离群点检测方法", 电网技术, no. 05, pages 257 - 268 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421538A (zh) * | 2023-12-18 | 2024-01-19 | 中铁建工集团第二建设有限公司 | 一种细节防水数据调控优化方法 |
CN117421538B (zh) * | 2023-12-18 | 2024-03-15 | 中铁建工集团第二建设有限公司 | 一种细节防水数据调控优化方法 |
CN117668734A (zh) * | 2024-01-29 | 2024-03-08 | 深圳欧斯普瑞智能科技有限公司 | 一种智能切割头温度监测方法 |
CN117668734B (zh) * | 2024-01-29 | 2024-04-12 | 深圳欧斯普瑞智能科技有限公司 | 一种智能切割头温度监测方法 |
CN117804639A (zh) * | 2024-02-29 | 2024-04-02 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
CN117804639B (zh) * | 2024-02-29 | 2024-05-17 | 潍坊盛品印刷设备有限公司 | 一种胶装机温控传感器的温度校准方法及系统 |
CN117892248A (zh) * | 2024-03-15 | 2024-04-16 | 山东鲁新国合节能环保科技有限公司 | 一种烧结烟气内循环过程中异常数据监测方法 |
CN117892248B (zh) * | 2024-03-15 | 2024-05-28 | 山东鲁新国合节能环保科技有限公司 | 一种烧结烟气内循环过程中异常数据监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117009910B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117009910B (zh) | 一种环境温度异常变化智能监测方法 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN116307944B (zh) | 基于人工智能与物联网的配电箱远程监测系统 | |
CN108090515B (zh) | 一种基于数据融合的环境等级评估方法 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN111931834B (zh) | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN109493292B (zh) | 基于电力设备红外测温图像的增强处理方法和装置 | |
CN116404186B (zh) | 一种功率型锂锰电池生产系统 | |
CN116760908A (zh) | 基于数字孪生的农业信息优化管理方法及系统 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输系统 | |
CN116933216B (zh) | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 | |
CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
CN117251749A (zh) | 一种基于增量分析的物联网数据处理方法 | |
CN117034177A (zh) | 一种电力负荷异常数据智能监测方法 | |
CN116494493A (zh) | 一种注塑集中供料系统智能监测方法 | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
CN113312587B (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN107305563B (zh) | 一种基于距离的异常数据检测方法及系统 | |
CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN117992808B (zh) | 一种基于大数据的计算机网络管理方法及系统 | |
CN118150915B (zh) | 一种高压导线表面电场强度分析方法及系统 | |
CN116681184B (zh) | 生猪生长指标的预测方法、装置、设备及可读存储介质 | |
CN117591983B (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
CN111080118B (zh) | 一种新能源并网数据的质量评估方法及评估系统 |
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 |