CN117275195B - 一种基于异常检测的设备动态预警阈值确定系统及方法 - Google Patents

Abstract

本发明提供了一种基于异常检测的设备动态预警阈值确定系统及方法，涉及设备动态预警数据处理领域，所述系统包括：数据采集单元，采集原始数据，判断原始数据是否满足数据异常检测条件，若满足条件则将原始数据发送至数据异常检测单元；数据异常检测单元，对原始数据处理，获取异常数据；检测最优化单元，设定参数寻优范围，将参数代入数据异常检测单元，计算异常检测最优化函数，获取异常数据判定条件；逻辑修正单元，修正突增数据下计算出的阈值；阈值设定单元，设定预警阈值；设备预警单元，监控实时数据，在设备发生异常时预警。本发明利用最优化异常检测手段，实现设备预警阈值的动态计算，保证阈值能准确反映设备运行状态。

Description

一种基于异常检测的设备动态预警阈值确定系统及方法

技术领域

本发明涉及设备动态预警数据处理领域，尤其是涉及一种基于异常检测的设备动态预警阈值确定系统及方法。

背景技术

振动幅值上升、温度增高等状态是工业设备运行过程中的常见问题，同时也是设备故障发生的前兆。为实现这类故障状态的预知预警，就需要设置合适的阈值去检测设备的运行状态，从而及时发现设备状态的异常变化，以制定恰当的策略去维护设备，规避设备异常停机的风险。为保障设备良好运行，现有的阈值确定方式可以分为以下几种：

一是参照国内外标准设定设备预警阈值，但此种方式有时会脱离实际工业状况，往往不能很好的对设备状态进行评估。

二是凭借人为经验设定阈值，此种方式虽然实现较为简单，但面对检测设备众多、计算指标过量时，人工方式耗时耗力。

三是采取智能化阈值设定手段，如专利CN 110415494A公开了一种基于历史运行数据的设备报警阈值计算方法，该方法通过对历史数据进行预处理后，计算出预处理后数据的平均值和标准差，从而得到了设备的预警阈值并进行自动化预警。专利CN 114548476A公开了一种基于WiFi无线振动传感器的设备故障预测的方法，该方法中对数据进行去均值、降采样和数据剔除等操作后，得到最终阈值实现预警。以上两种方法中都应用了按百分比剔除数据的方法，这可能会对数据分析中的干扰因素考虑不足，且因设备运行规律的不同，导致数据多样，从而此种方式计算出阈值的可靠性会不稳定。

发明内容

针对现有技术中存在的问题，本发明提供了一种基于异常检测的设备动态自适应预警阈值确定方法，该方法主要针对现有技术中按国内外标准设定阈值、人为经验设定阈值及百分比剔除数据等方式方法的不足，利用最优化异常检测手段，实现设备预警阈值的动态自适应计算，从而保证阈值能准确反映设备运行状态。

本发明采用的技术方案如下：

一种基于异常检测的设备动态预警阈值确定系统，包括：

数据采集单元，采集原始数据，判断原始数据是否满足数据异常检测的条件，若满足条件则将原始数据发送至数据异常检测单元；

数据异常检测单元，通过对数据采集单元发送的原始数据进行处理，获取异常数据；

检测最优化单元，设定参数，将参数循环代入数据异常检测单元，计算异常检测最优化函数，获取异常数据的判定条件；

逻辑修正单元，用于修正异常数据下计算出的阈值，此处所述异常数据具体指设备频繁启停时的突增数据；

阈值设定单元，与数据异常检测单元、逻辑修正单元通信连接，根据异常数据、原始数据、频繁启停数据设定预警阈值；

设备预警单元，根据阈值设定单元设定的预警阈值，对设备状态实时数据进行监控，在设备发生异常时进行预警。

一种基于异常检测的设备动态预警阈值确定方法，包括如下步骤：

S1、数据采集单元采集原始数据；

S2、数据采集单元判断原始数据是否满足数据异常检测前提，如果是，则执行步骤S3；如果否，继续采集，直至原始数据满足数据异常检测前提；

S3、将原始数据传输至数据异常检测单元进行异常检测处理，检测原始数据中的异常数据；

S4、逻辑修正单元对异常数据的个数进行检测，若异常数据的个数大于设定的数值，则逻辑修正单元对异常数据下计算出的阈值进行修正，并提取频繁启停数据，反之，则不使用逻辑修正单元对异常数据下计算出的阈值进行修正；

S5、阈值设定单元根据异常数据、原始数据、频繁启停数据设定预警阈值；

S6、设备预警单元监控数据采集单元实时采集的原始数据，若原始数据超过设定的预警阈值，则发出预警信号。

进一步的，所述方法还包括：检测最优化单元设定参数，将参数循环代入数据异常检测单元，计算异常检测最优化函数，获取异常数据的判定条件，具体包括：

步骤一、检测最优化单元设置参数的寻优范围，所述设置参数包括：滑动窗口的长度以及四分位距浮动因子，数据异常检测单元对原始数据进行局部搜索，用于快速突增数据的异常检测；

步骤二、定义检测最优化单元的异常检测最优化函数，异常检测最优化函数的异常检测条件为：数据异常检测单元检测出异常数据中的最小值大于ε倍的滤波数据的最大值，且在此条件下检测出的异常数据的个数最多；

步骤三、将设置好的参数循环代入数据异常检测单元，通过异常检测最优化函数，获取最优滑动窗口长度和最优四分位距浮动因子；

步骤四、判断步骤三所述的最优滑动窗口长度和最优四分位距浮动因子是否满足异常检测条件，如果是，则执行步骤五；如果否，则执行步骤六；所述滤波数据为原始数据滤除掉异常数据剩余的数据；

步骤五、检测最优化单元寻找到最优滑动窗口长度和最优四分位距浮动因子，将最优滑动窗口长度和最优四分位距浮动因子代入数据异常检测单元；

步骤六、检测最优化单元未寻找到最优滑动窗口长度和最优四分位距浮动因子，则通过步骤一至步骤四进行全局搜索，若全局搜索后依旧未寻找到最优滑动窗口长度和最优四分位距浮动因子，则原始数据不存在异常，该原始数据为正常数据。

本发明的有益效果为：本系统通过设定的数据异常监测单元、检测最优化单元、逻辑修正单元等可以更有效地过滤掉采集数据中的异常干扰，本方法通过阈值设定单元根据异常数据、原始数据、频繁启停数据动态设定不同的预警阈值，设定设备预警单元实时监控原始数据，可以及早发现设备潜在风险，为设备的良好运行提供保障。

附图说明

图1 为本发明一种基于异常检测的设备动态预警阈值确定系统结构示意图；

图2 为本发明一种基于异常检测的设备动态预警阈值确定方法流程图；

图3 为本发明实施例一浮选电机运行数据示意图；

图4 为本发明实施例二水泵离心泵运行数据示意图；

图5 为本发明实施例三水泵离心泵运行数据示意图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，为本发明一种基于异常检测的设备动态预警阈值确定系统结构示意图，包括：数据采集单元、数据异常检测单元、检测最优化单元、逻辑修正单元、阈值设定单元和设备预警单元。

数据采集单元：所述系统包括温度传感器、模拟压电加速度传感器、数字式加速度传感器和无线温振传感器等，通过胶装、磁吸、螺栓等方式安装于被检测物体关键部位附近（如浮选电机、离心泵等旋转机械设备的轴承盖、轴心、中心或支撑结构上，汽车行业悬挂系统、传动系统、发动机底座等位置），从而获取设备产生的温度、单轴加速度或三轴加速度、单轴速度或三轴速度等表征设备健康状态的关键信息，并记录下传感器实时采集时间信息，所述数据采集单元还用于实时采集传感器的原始数据。本发明的数据采集单元设置如下：

1.1 新建一个数组Device_sensor_data，将实时采集的传感器的原始数据保存其中，以记录保存各种传感器采集的原始数据。

1.2 判断数组Device_sensor_data中的原始数据是否满足数据异常检测前提，如果满足，则将数组Device_sensor_data中的原始数据传递至数据异常检测单元进行异常检测；否则，继续采集，直至满足数据异常检测前提。

数据异常检测前提为：原始数据需满足要求的采集时间长度，采集时间长度需大于等于半个月，从而获得可以准确描述设备当前状态的原始数据。原始数据采集时间长度越长，后续预警阈值将会更理想有效，但原始数据采集时间长度不应超过1个月，不然将会因为设备长时间没有合理预警阈值，增加无法预警的风险。

数据异常检测单元对数据采集单元采集的表征设备状态的原始数据进行处理，检测数据中的异常突增信息，获取异常数据。本发明方法异常检测具体逻辑设置如下：

2.1 设置两个滑动窗口window_1和window_2，滑动窗口window_1和window_2长度均为window_length。

2.2 用滑动窗口window_1和滑动窗口window_2并排遍历采集的原始数据数组Device_sensor_data，并计算两个滑动窗口内数据的中位数Device_sensor_data_median_1和Device_sensor_data_median_2，然后将Device_sensor_data_median_1和Device_sensor_data_median_2相减做差（具体为Device_sensor_data_median_2减去Device_sensor_data_median_1），所有数据遍历结束后将得到一个差值组成的新序列Data_after_rolling。

2.3 计算新序列Data_after_rolling的四分位数，得到第一四分位数Q1、第三四分位数Q3以及四分位距IQR，构建序列正常范围上限Normal_data_up和正常范围下限Normal_data_low，计算原理如下：

Normal_data_up = Q3 + float_f * IQR

Normal_data_low = Q1 – float_f * IQR

其中，float_f为设置的四分位距浮动因子，以浮动设置阈值上下限范围，所述float_f的取值范围为1-15。

2.4 遍历结束后得到的新序列Data_after_rolling中的每个数据Data_after_rolling[i]，如果新序列中的数据高于新序列正常范围上限或低于新序列正常范围下限，则判定新序列中的该数据为异常数据。

在本发明的实施例中，本方法只用来检测采集数据中的异常突增信息，故只需要计算Normal_data_up，并判断大于Normal_data_up的异常数据即可。

检测最优化单元：划分正常、异常数据的新序列正常范围上下限Normal_data_up和Normal_data_low主要受滑动窗口长度window_length以及四分位距浮动因子float_f影响。滑动窗口window_length越小，异常检测单元越敏感，越容易受干扰影响，相反，窗口越大则越不敏感。四分位距浮动因子float_f越小，则异常数据上下限越小，越容易出现数据误判断、划分错误的情况，四分位距浮动因子float_f越大，则越有可能出现漏检异常数据的情况。另外，因受设备停机影响，设备停机重启后的振动幅值也是突增的，然而这部分数据可能为正常振动，因此可能产生异常误判。因此，为提高异常检测的准确性，本发明提供了一种方法对滑动窗口长度window_length以及四分位距浮动因子float_f进行最优化选择，并通过设立合适的逻辑条件来判断异常。本发明方法中检测最优化单元逻辑设置如下：

3.1 设置参数滑动窗口长度window_length以及四分位距浮动因子float_f的寻优范围，对原始数据进行局部搜索；局部搜索滑动窗口长度window_length一般设置为[5，30]，灵活地，可以在[5，30]中进行等间隔选取，以提高寻优计算效率。四分位距浮动因子float_f设置的寻优范围为[1，15]。

3.2 定义该单元异常检测最优化函数，异常检测需满足：假设数据异常检测单元为F（），数据异常检测单元F（float_f_i, window_length_ j）检测出异常数据Abnormal_data_m中的最小值需大于ε倍的滤波数据Filtered_data_m（数组Device_sensor_data滤除掉异常数据Abnormal_data_m）的最大值，且在此条件下检测出的异常数据最多，ε为倍数浮动因子，且ε∈[0.9，1.1]，一般设置为1.05；其中，float_f_i为float_f寻优范围内第i个值，window_length_j为window_length寻优范围内第j个值。

3.3 将设置好的参数循环代入数据异常检测单元，计算该单元异常检测最优化函数，得到最优滑动窗口长度Best_window_length以及最优四分位距浮动因子Best_float_f；

3.4 如若寻找到最优滑动窗口长度Best_window_length以及最优四分位距浮动因子Best_float_f，则将最优滑动窗口长度Best_window_length以及最优四分位距浮动因子Best_float_f代入数据异常检测单元，输出检测异常数据。

3.5 如若未寻找到最优滑动窗口长度Best_window_length以及最优四分位距浮动因子Best_float_f，则再次进行重复步骤3.1-3.4进行全局搜索，全局搜索滑动窗口长度window_length设置为[100，400]，四分位距浮动因子float_f寻优范围不变。同样的，滑动窗口长度可以在[100，400]中进行等间隔选取，以提高寻优计算效率。

3.6 如果全局搜索结束后，仍未寻找到最优滑动窗口长度Best_window_length以及最优四分位距浮动因子Best_float_f，则说明原始数据幅值不存在异常，此数据为正常数据。

逻辑修正单元：该单元主要针对频繁启停设备。对于该类设备，设备停机时振动幅值低，设备启动时振动幅值突增，频繁的启停，造成振动数据以垂直突增线为主，如图4所示。因此如若使用数据异常检测单元进行检测，则可能设备启动时突增的数据都会被当成异常数据，为此建立逻辑修正单元进行检测修正。该单元逻辑设置如下：

4.1 计算由检测最优化单元优化后的数据异常检测单元检测出的异常数据个数len_Abnormal_data_m。

4.2 判断len_Abnormal_data_m的大小，如果len_Abnormal_data_m大于预先设定的数值Logical_threshold（Logical_threshold一般取[20，40]），则使用逻辑修正单元4.3-4.4进行修正。否则，不使用逻辑修正单元4.3-4.4进行修正。

4.3 使用Kmeans或Kmeans++对Abnormal_data_m进行聚类，针对该类频繁启停数据得到的Abnormal_data_m中，一般由低幅值数据、高幅值数据和异常数据融合，所以将聚类簇数k设置为3，计算各类所在的聚类中心cluster_center以及聚类范围cluster_range。

4.4 移除属于异常数据的一类别，即聚类范围中幅值最大的一类，其余异常数据归类为正常数据。

阈值设定单元：由以上可知，传感器采集原始数据的数组Device_sensor_data经以上三个单元处理后可以分为三类数据，即检测出异常的数据、未检测出异常的数据（原始数据）和频繁启停数据。针对各类数据环境和变化特点建立合适的预警阈值Alarm_threshold设定，以实现设备故障的预知预警和准确预警，预警阈值Alarm_threshold设定逻辑规则如下：

5.1 预警阈值Alarm_threshold理论上设置为滤波后正常数据最大值的1.5倍，但为实现最佳的预知预警效果，根据检测数据情况的不同，可按步骤5.2-5.3进行设置。

5.2 三类数据相同数量级下因数据浮动的特点设置阈值规则为：频繁启停数据阈值≥检测出异常的数据＞未检测出异常的数据（原始数据）。当启停数据、原始数据、异常数据最大值的振幅的取值范围为[3 ，50]时，将频繁启停数据的预警阈值设置为频繁启停数据最大值的A1倍，将异常数据的预警阈值设置为异常数据最大值的A2倍，将原始数据的预警阈值设置为原始数据最大值的A3倍，A1和A2的取值范围均为[1.5 ，1.6]，A3的取值范围为[1.3 ，1.4]。

5.3 三类数据在遵循5.2的基础上，还应符合随数量级随机浮动的特点。如振动幅值都较小时（＜3），那么倍数A1、A2和A3应扩大至[1.6 ，2]。如振动幅值都较大时（＞50），那么倍数A1、A2和A3应缩小至[1.2，1.4]。

设备预警单元由上述单元计算得到预警阈值Alarm_threshold后，对后续设备状态实时数据进行在线监控，判断设备状态是否异常，若设备状态异常则进行预警。

预警规则由各传感器采集方式确定，如无线温振传感器周期采集频率为30分钟一次，那么当采集数据连续3个点大于Alarm_threshold时，可认为设备振动出现异常，进行预知预警报告。

相应的，每隔一个月，传感器预警阈值Alarm_threshold将重新启动计算，以定期更新预警阈值，实现准确预警。

如图2所示，为本发明一种基于异常检测的设备动态预警阈值确定方法流程图，所述方法具体包括如下步骤：

一种基于异常检测的设备动态预警阈值确定方法，包括如下步骤：

S1、数据采集单元采集原始数据；

S2、数据采集单元判断原始数据是否满足数据异常检测前提，如果是，则执行步骤S3；如果否，继续采集，直至原始数据满足数据异常检测前提；

S3、将原始数据传输至数据异常检测单元进行异常检测处理，检测原始数据中的异常数据；

S4、逻辑修正单元对异常数据的个数进行检测，若异常数据的个数大于设定的数值，则逻辑修正单元对异常数据进行修正，并提取频繁启停数据，反之则不使用逻辑修正单元对异常数据进行修正；

S5、阈值设定单元根据异常数据、原始数据、频繁启停数据设定预警阈值；

S6、设备预警单元监控数据采集单元实时采集的原始数据，若数据超过设定的预警阈值，则发出预警信号。

进一步的，所述方法还包括：检测最优化单元设定参数，将参数循环代入数据异常检测单元，计算异常检测最优化函数，获取异常数据的判定条件，具体包括：

步骤一、检测最优化单元设置参数的寻优范围，所述设置参数包括：滑动窗口的长度以及四分位距浮动因子，数据异常检测单元对原始数据进行局部搜索，用于快速突增数据的异常检测；本发明所提及的局部搜索即通过小的窗口大小，对原始数据进行异常检测，有利于对非正常（快速）突增数据的异常检测。如果局部搜索寻找不到，则说明数据中没有明显快速突增数据，则再用全局搜索遍历一遍数据，全局搜索即通过大的窗口大小，对原始数据进行检测，有利于对（缓慢）突增数据的异常检测；

步骤二、定义检测最优化单元的异常检测最优化函数，异常检测最优化函数的异常检测条件为：数据异常检测单元检测出异常数据中的最小值大于ε倍的滤波数据的最大值，且在此条件下检测出的异常数据的个数最多；

步骤三、将设置好的参数循环代入数据异常检测单元，通过异常检测最优化函数，获取最优滑动窗口长度和最优四分位距浮动因子；

步骤四、判断步骤三所述的最优滑动窗口长度和最优四分位距浮动因子是否满足异常检测条件，如果是，则执行步骤五；如果否，则执行步骤六；所述滤波数据为原始数据滤除掉异常数据剩余的数据；

步骤五、检测最优化单元寻找到最优滑动窗口长度和最优四分位距浮动因子，将最优滑动窗口长度和最优四分位距浮动因子代入数据异常检测单元；

步骤六、检测最优化单元未寻找到最优滑动窗口长度和最优四分位距浮动因子，则通过步骤一至步骤四进行全局搜索，若全局搜索后依旧未寻找到最优滑动窗口长度和最优四分位距浮动因子，则原始数据不存在异常，该原始数据为正常数据。

本发明实施例一通过无线温振传感器采集某矿浮选电机自23年9月21日至23年10月25日运行振动数据，无线温振传感器每隔30分钟上传一次振动数据，当采集时间长度满足半个月时，本发明方法计算得到最优浮动因子和最优滑动窗口大小分别为3和395，通过过滤异常数据得到最优阈值4.94，阈值和运行曲线如图3所示，通过阈值设置可实时检测设备振动数据并识别异常。

如图4所示，本发明实施例二通过无线温振传感器采集某矿某水泵房2号水泵离心泵自23年9月21日至23年10月25日运行振动数据，无线温振传感器每隔30分钟上传一次振动数据，观察该图可以发现该设备存在频繁启停现象，当采集时间长度满足半个月时，本发明方法计算得到最优浮动因子和最优滑动窗口大小分别为10和5，检测异常数据个数超过设定逻辑阈值20，故对异常数据进行逻辑修正单元聚类，最终通过过滤异常数据得到最优阈值10.45。

本发明实施例三通过无线温振传感器采集某矿某水泵房1号水泵离心泵自23年9月21日至23年10月25日运行振动数据，无线温振传感器每隔30分钟上传一次振动数据，当采集时间长度满足半个月时，本发明方法通过计算没有得到最优浮动因子和最优滑动窗口大小，故识别该数据为正常数据，如图5所示，观察数据曲线也可以看出数据较为平稳，最终通过阈值设定单元计算得到阈值为26.04。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种基于异常检测的设备动态预警阈值确定系统，其特征在于，包括：

数据采集单元，采集原始数据，判断原始数据是否满足数据异常检测的条件，若满足条件则将原始数据发送至数据异常检测单元；

数据异常检测单元，通过对数据采集单元发送的原始数据进行处理，获取异常数据；

将原始数据传输至数据异常检测单元进行异常检测处理，检测原始数据中的异常数据，具体为：

采用滑动窗口1和滑动窗口2并排遍历原始数据，分别计算两个滑动窗口内原始数据的中位数1、中位数2；

将中位数2减去中位数1，获得差值，将所有差值组成新序列；

计算新序列的四分位数，得到第一四分位数Q1、第三四分位数Q3以及四分位距IQR；

定义新序列正常范围上限；

若新序列中的数据高于新序列正常范围上限，则判定该数据为异常数据；

检测最优化单元，设定参数的寻优范围，将参数循环代入数据异常检测单元，计算异常检测最优化函数，获取异常数据的判定条件；

逻辑修正单元，用于修正异常数据下计算出的阈值；

阈值设定单元，与数据异常检测单元、逻辑修正单元通信连接，根据异常数据、未检测出异常数据、频繁启停数据设定预警阈值；

设备预警单元，根据阈值设定单元设定的预警阈值，对设备状态实时数据进行监控，在设备发生异常时进行预警。

2.如权利要求1所述的基于异常检测的设备动态预警阈值确定系统，其特征在于，阈值设定单元根据异常数据、未检测出异常数据、频繁启停数据设定设备的预警阈值具体为：获取频繁启停数据、未检测出异常数据、异常数据最大值，当频繁启停数据、未检测出异常数据、异常数据最大值的振幅的取值范围为[3 ，50]时，将频繁启停数据的预警阈值设置为频繁启停数据最大值的A1倍，将异常数据的预警阈值设置为异常数据最大值的A2倍，将未检测出异常数据的预警阈值设置为原始数据最大值的A3倍，A1和A2的取值范围均为[1.5 ，1.6]，A3的取值范围为[1.3 ，1.4]。

3.如权利要求2所述的基于异常检测的设备动态预警阈值确定系统，其特征在于，若异常数据、未检测出异常数据、频繁启停数据的振幅都小于3，则A1、A2、A3的取值范围为[1.6，2]；若异常数据、未检测出异常数据、频繁启停数据的振幅都大于50，则A1、A2、A3的取值范围为[1.2 ，1.4]。

4.如权利要求1所述的基于异常检测的设备动态预警阈值确定系统，其特征在于，数据采集单元包括：温度传感器、模拟压电加速度传感器、数字式加速度传感器和无线温振传感器，用于获取设备产生的温度、单轴加速度或三轴加速度、单轴速度或三轴速度信息。

5.一种基于异常检测的设备动态预警阈值确定方法，其特征在于，包括如下步骤：

S1、数据采集单元采集原始数据；

S2、数据采集单元判断原始数据是否满足数据异常检测前提，如果是，则执行步骤S3；如果否，继续采集，直至原始数据满足数据异常检测前提；

S3、将原始数据传输至数据异常检测单元进行异常检测处理，检测原始数据中的异常数据；

将原始数据传输至数据异常检测单元进行异常检测处理，检测原始数据中的异常数据，具体为：

采用滑动窗口1和滑动窗口2并排遍历原始数据，分别计算两个滑动窗口内原始数据的中位数1、中位数2；

将中位数2减去中位数1，获得差值，将所有差值组成新序列；

计算新序列的四分位数，得到第一四分位数Q1、第三四分位数Q3以及四分位距IQR；

定义新序列正常范围上限；

若新序列中的数据高于新序列正常范围上限，则判定该数据为异常数据；

S4、逻辑修正单元对异常数据的个数进行检测，若异常数据的个数大于设定的数值，则逻辑修正单元对异常数据下计算的阈值进行修正，并提取频繁启停数据，反之，则不使用逻辑修正单元对异常数据下计算的阈值进行修正；

S5、阈值设定单元根据异常数据、未检测出异常数据、频繁启停数据设定预警阈值；

S6、设备预警单元监控数据采集单元实时采集的原始数据，若原始数据超过设定的预警阈值，则发出预警信号。

6.如权利要求5所述的基于异常检测的设备动态预警阈值确定方法，其特征在于，所述方法还包括：检测最优化单元设定参数的寻优范围，将参数循环代入数据异常检测单元，计算异常检测最优化函数，获取异常数据的判定条件，具体包括：

步骤一、检测最优化单元设置参数的寻优范围，所述设置参数包括：滑动窗口的长度以及四分位距浮动因子，数据异常检测单元对原始数据进行局部搜索，用于快速突增数据的异常检测；

步骤二、定义检测最优化单元的异常检测最优化函数，异常检测最优化函数的异常检测条件为：数据异常检测单元检测出异常数据中的最小值大于ε倍的滤波数据的最大值，且在此条件下检测出的异常数据的个数最多；ε为倍数浮动因子，且ε∈[0.9，1.1]；

步骤三、将设置好的参数循环代入数据异常检测单元，通过异常检测最优化函数，获取最优滑动窗口长度和最优四分位距浮动因子；

步骤四、判断步骤三所述的最优滑动窗口长度和最优四分位距浮动因子是否满足异常检测条件，如果是，则执行步骤五；如果否，则执行步骤六；所述滤波数据为原始数据滤除掉异常数据剩余的数据；

步骤五、检测最优化单元寻找到最优滑动窗口长度和最优四分位距浮动因子，将最优滑动窗口长度和最优四分位距浮动因子代入数据异常检测单元；

步骤六、检测最优化单元未寻找到最优滑动窗口长度和最优四分位距浮动因子，则通过步骤一至步骤四进行全局搜索，若全局搜索后依旧未寻找到最优滑动窗口长度和最优四分位距浮动因子，则原始数据不存在异常，该原始数据为正常数据。

7.如权利要求5所述的基于异常检测的设备动态预警阈值确定方法，其特征在于，逻辑修正单元对异常数据下计算的阈值进行修正具体为：

使用Kmeans或Kmeans++对异常数据进行聚类，计算聚类中心及聚类范围；

移除聚类范围中幅值最大的一类，将剩余的异常数据归类为正常数据。

8.如权利要求5所述的基于异常检测的设备动态预警阈值确定方法，其特征在于，阈值设定单元根据异常数据、未检测出异常数据、频繁启停数据设定预警阈值具体为：

获取频繁启停数据、未检测出异常数据、异常数据最大值；

当启停数据、未检测出异常数据、异常数据最大值的振幅的取值范围为[3 ，50]时，将频繁启停数据的预警阈值设置为频繁启停数据最大值的A1倍，将异常数据的预警阈值设置为异常数据最大值的A2倍，将未检测出异常数据的预警阈值设置为未检测出异常数据最大值的A3倍，A1和A2的取值范围均为[1.5 ，1.6]，A3的取值范围为[1.3 ，1.4]；

若异常数据、未检测出异常数据、频繁启停数据的振幅都小于3时，则A1、A2、A3的取值范围为[1.6 ，2]；

若异常数据、未检测出异常数据、频繁启停数据的振幅都大于50时，则A1、A2、A3的取值范围为[1.2 ，1.4]。

9.如权利要求5所述的基于异常检测的设备动态预警阈值确定方法，其特征在于，数据异常检测前提具体为：原始数据采集时间的长度大于等于半个月，但原始数据采集的时间长度不超过一个月。