CN117407827A - 一种净化工程废气净化设备异常运行数据检测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种净化工程废气净化设备异常运行数据检测方法，该方法包括：采集净化设备废气排放时流量、温度及压力数据序列，计算关联度及综合影响系数，构建各自相关特征值序列；获取各数据序列的趋势同步异常系数及趋势关联强度，进而得到各数据的短程趋势无序强度；计算各数据的趋势距离差异系数及分布特征值，进而得到各数据的相似趋势密集指数；构建各数据的短程有序趋势偏离度，计算短程流量、温度及压力趋势异常指数；分析各数据采集时刻的数据短程多序列趋势异常指数；计算相似短程趋势加权距离；采用SOS算法对各数据进行异常检测。本发明可实现废气净化设备运行异常数据精确检测。

Description

一种净化工程废气净化设备异常运行数据检测方法

技术领域

本申请涉及数据处理技术领域，具体涉及一种净化工程废气净化设备异常运行数据检测方法。

背景技术

净化工程废气净化设备是一种用于处理工业废气的设备，通过物理、化学或生物的方式，将工业废气中的有害物质转化为无害物质，以达到净化空气、保护环境的目的。在废气净化设备的运行过程中，由于废气净化设备的传感器故障、设备机械部件故障、操作参数的设置不当等原因，会造成废气净化设备出现净化效果下降、能耗增加甚至安全事故的发生，因此需要对废气净化设备的运行数据进行监控，检测出其中的异常运行数据，以及时发现潜在的问题和采取相应的措施进行处理，确保设备的正常运行和降低环境污染的风险。

SOS算法（stochastic outlier selection）是一种常用的无监督异常检测算法，通过建立数据的分布模型实现异常数据的检测，能够从大规模的高纬度数据中识别出异常数据，具有较好的异常数据检测效果。但是废气净化设备的运行数据会受到多种因素的影响，使得其异常运行数据的分布具有不确定性的特点，造成异常运行数据与正常数据之间的欧式距离较为接近，使得SOS算法在计算异常数据的离群概率时出现偏小的情况，导致将异常数据误检为正常数据，进而影响最终异常数据的检测效果。

发明内容

为了解决上述技术问题，本发明提供一种净化工程废气净化设备异常运行数据检测方法，以解决现有的问题。

本发明的一种净化工程废气净化设备异常运行数据检测方法采用如下技术方案：

本发明一个实施例提供了一种净化工程废气净化设备异常运行数据检测方法，该方法包括以下步骤：

采集净化设备废气排放时的流量、温度、压力组成流量、温度以及压力数据序列，均记为数据序列；将各时刻采集的流量、温度、压力组成各数据向量；

根据各数据序列获取流量、温度及压力关联度；根据流量、温度及压力关联度获取综合影响系数，根据各数据序列的自相关矩阵构建各自相关特征值序列；根据各自相关特征值序列与其他自相关特征值序列的关系得到各数据序列的趋势同步异常系数；将自相关矩阵中各行元素的均值作为各行对应数据的趋势关联强度，设定各数据的时间区间，根据趋势同步异常系数、各数据及时间区间内所有数据的趋势关联强度得到各数据的短程趋势无序强度；根据各数据与其时间区间内的数据构建各数据的趋势距离差异系数及分布特征值，进而计算各数据的相似趋势密集指数；根据趋势距离差异系数及相似趋势密集指数得到各数据的短程有序趋势偏离度；将各流量数据的短程趋势无序强度与短程有序趋势偏离度的乘积作为各流量数据的短程流量趋势异常指数；

采用各流量数据的短程流量趋势异常指数的计算方法获取各温度数据的短程温度趋势异常指数、各压力数据的短程压力趋势异常指数；

根据综合影响系数以及短程流量、温度、压力趋势异常指数得到各数据采集时刻的数据短程多序列趋势异常指数；将不同数据向量的欧式距离与对应数据采集时刻的数据短程多序列趋势异常指数的差值绝对值的乘积作为不同数据向量之间的相似短程趋势加权距离；结合相似短程趋势加权距离采用SOS算法对各数据向量进行异常检测，完成废气净化设备运行数据的检测。

优选的，所述根据各数据序列获取流量、温度及压力关联度，包括：

对于流量数据序列，分别计算流量数据序列与温度数据序列、压力数据序列的皮尔逊相关系数，将两个皮尔逊相关系数的和值的二分之一作为流量关联度；

针对温度、压力数据序列，采用流量关联度的计算方法分别获取温度、压力关联度。

优选的，所述根据流量、温度及压力关联度获取综合影响系数，包括：

计算流量、温度及压力关联度的和值；

将流量关联度与所述和值的比值作为流量数据对温度、压力数据的综合影响系数；

采用流量数据对温度、压力数据的综合影响系数的计算方法获取温度数据对流量、压力数据的综合影响系数以及压力数据对流量、温度数据的综合影响系数。

优选的，所述根据各数据序列的自相关矩阵构建各自相关特征值序列，包括：

分别获取各数据序列的自相关矩阵，计算各自相关矩阵的特征值，将各自相关矩阵的特征值按照升序排序组成各自相关特征值序列，其中，所述各自相关特征值序列包括流量、温度及压力自相关特征值序列。

优选的，所述根据各自相关特征值序列与其他自相关特征值序列的关系得到各数据序列的趋势同步异常系数，包括：

分别获取流量自相关特征值序列与温度、压力自相关特征值序列的dtw距离，将两个dtw距离的乘积作为流量数据序列的趋势同步异常系数；

针对温度、压力自相关特征值序列，采用流量数据序列的趋势同步异常系数的计算方法分别获取温度、压力数据序列的趋势同步异常系数。

优选的，所述根据趋势同步异常系数、各数据及时间区间内所有数据的趋势关联强度得到各数据的短程趋势无序强度，包括：

对于各数据，计算时间区间内所有数据的趋势关联强度均值，计算时间区间内各数据的趋势关联强度与所述均值的差值平方，获取时间区间内所有数据的所述差值平方的均值，记为第一均值；

获取各数据的趋势关联强度的倒数与所述第一均值的乘积，将所述乘积与趋势同步异常系数相乘的结果作为数据序列中各数据的短程趋势无序强度。

优选的，所述构建各数据的趋势距离差异系数及分布特征值，进而计算各数据的相似趋势密集指数，包括：

对各数据序列采用最小二乘法进行拟合得到各数据序列对应的拟合趋势曲线；

对于每个数据序列的各数据；分别计算数据到拟合趋势曲线的欧式距离与其时间区间内各数据到拟合趋势曲线的欧式距离的差值平方，将所述时间区间内所有差值平方的均值作为各数据的趋势距离差异系数；其中，数据到拟合趋势曲线的欧式距离记为趋势拟合距离；

分别获取各数据的时间区间内所有数据的趋势拟合距离、趋势距离差异系数的标准差，将两个标准差乘积的倒数作为各数据的分布特征值；

计算各数据的分布特征值与对应时间区间内所有数据的分布特征值的差值平方的均值，将所述分布特征值与所述均值的比值作为各数据的相似趋势密集指数。

优选的，所述各数据的短程有序趋势偏离度为各数据的趋势距离差异系数与相似趋势密集指数的乘积。

优选的，所述根据综合影响系数以及短程流量、温度、压力趋势异常指数得到各数据采集时刻的数据短程多序列趋势异常指数，包括：

计算短程流量趋势异常指数与流量数据对温度、压力数据的综合影响系数的乘积；

计算短程温度趋势异常指数与温度数据对流量、压力数据的综合影响系数的乘积；

计算短程压力趋势异常指数与压力数据对流量、温度数据的综合影响系数的乘积；

将三个乘积的和值的归一化值作为各数据对应采集时刻的数据短程多序列趋势异常指数。

优选的，所述结合相似短程趋势加权距离采用SOS算法对各数据向量进行异常检测，包括：

将相似短程趋势加权距离作为SOS算法分析数据向量过程中的距离度量方式，SOS算法输出各数据向量的离群值概率，将离群值概率高于预设异常概率阈值的数据向量作为异常数据向量，反之为正常数据向量。

本发明至少具有如下有益效果：

本发明通过分析净化设备的运行数据中异常数据的分布特征，基于各个数据序列中数据自身的自相关特性，以及各个数据序列之间的相关关系，构建短程趋势无序强度，提高了由传感器故障产生的异常数据与正常数据之间的差异，根据各个数据序列中正常数据的变化趋势以及异常数据的突发变化趋势，构建短程有序趋势偏离度，提高了因设备废气进气量出现异常变化或设备出现故障而产生的异常数据与正常数据之间的差异性，结合短程趋势无序强度和短程有序趋势偏离度得到数据异常指数，并结合各个数据序列之间的相关性构建数据短程多序列趋势异常指数，能够较好地反应净化设备的运行数据中异常数据与正常数据之间的差异性，结合数据向量之间的欧式距离以及数据向量之间数据短程多序列趋势异常指数的差异构建相似短程趋势加权距离，对数据短程多序列趋势异常指数接近的数据向量之间的欧式距离赋予较小的权重，以提高这两个数据向量的相似度，将相似短程趋势加权距离作为SOS算法对数据向量分析的距离度量方式，并使用SOS算法对所有数据向量进行处理，完成对废气净化设备运行数据的异常数据检测。

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为本发明提供的一种净化工程废气净化设备异常运行数据检测方法的流程图。

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一种净化工程废气净化设备异常运行数据检测方法，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净化工程废气净化设备异常运行数据检测方法的具体方案。

本发明一个实施例提供的一种净化工程废气净化设备异常运行数据检测方法，具体的，提供了如下的一种净化工程废气净化设备异常运行数据检测方法，请参阅图1，该方法包括以下步骤：

步骤S001，采集净化设备的运行数据，并对采集的数据进行预处理。

废气净化设备的运行数据包含多种数据，实施者可自行设定所监测的废气净化设备的运行数据，并使用相应的传感器来采集对应的运行数据，监测的运行数据为废气排放时的流量、温度、压力，可使用流量计、温度传感器、压力传感器在废气排放管道处进行数据采集，本实施例中的每个传感器采集的数据量记为，相邻两次采集的时间间隔记为/>，具体每个传感器采集的数据量/>以及时间间隔/>由实施者自行定义，本发明中设置为。

使用归一化方法对采集的各种运行数据分别进行归一化的去量纲处理，其中/>归一化方法为现有公知技术，不再赘述。分别得到流量数据序列、温度数据序列/>、压力数据序列/>，数据序列中的值是按照时间进行升序排列的。

步骤S002：根据各个数据序列中数据自身的自相关特性以及各个数据序列之间的相关关系，构建短程趋势无序强度；并构建短程有序趋势偏离度；并结合各个数据序列之间的相关性构建数据短程多序列趋势异常指数。

根据流量、温度、压力数据序列构建数据向量，具体的，分别将各数据采集时刻的流量、温度、压力组成各数据向量。

在废气净化设备正常运行过程中，废气排放时的流量、温度、压力之间通常是呈正相关关系。这是因为废气排放时的流量是由于气体在管道中的体积或质量流动引起的，而气体的体积或质量流动通常受到温度和压力的影响。具体的，当温度升高时，气体的分子运动速度增加，导致单位时间内通过管道的气体流量增大。类似地，当压力增大时，气体分子之间的碰撞频率增加，也会导致单位时间内通过管道的气体流量增大。

分别计算流量数据序列、温度数据序列/>、压力数据序列/>中两两数据序列之间的皮尔逊相关系数，皮尔逊相关系数的计算过程为公知技术，不再赘述。以流量数据/>为例，得到流量数据对温度、压力数据的综合影响系数/>，其计算方法为：

上式中：、/>、/>分别表示流量关联度、温度关联度、压力关联度；/>、/>、/>分别表示数据序列/>与/>、/>与/>、/>与/>之间的皮尔逊相关系数。

流量数据与温度、压力数据之间的正相关关系越强，即、/>的值越大，表示流量数据与温度、压力数据之间的关联性越强，即/>的值越大，说明流量数据的变化对温度、压力数据的变化的影响越显著，即/>的值越大。

以上述相同的方法计算温度数据对流量、压力数据的综合影响系数，压力数据对流量、温度数据的综合影响系数/>。

在废气净化设备的正常运行过程中，由于废气排放的流量、温度和压力受到设备操作、设备的废气进气量等因素的影响，使得流量、温度和压力数据在时间上会存在某种变化趋势，从而表现出一定的自相关性。并且由于流量、温度、压力数据之间呈正相关关系，使得它们在时间上表现出相似的变化趋势，即具有相似的自相关性，例如废气排放流量的增加，会导致废气排放温度和压力的增加。由传感器的故障而产生的异常数据以及数据序列中的噪声数据通常是一种随机、无规律的信号，使得这些数据在时间上不具有明显的自相关性。

基于上述分析，以流量数据序列为例，获取流量数据序列/>的自相关矩阵/>，自相关矩阵的获取为公知技术，具体过程不再赘述。其中自相关矩阵/>为/>大小的矩阵，/>表示流量数据序列/>中数据的个数。以流量数据序列/>中第/>个数据为例，以该数据为中心，设置时间区间/>，其中/>取经验值为10，得到流量数据序列/>中第/>个数据的短程趋势无序强度/>，其计算方法为：

上式中：表示流量数据序列/>趋势同步异常系数；/>、/>、/>分别表示流量、温度、压力的自相关特征值序列，以/>为例，/>是指由自相关矩阵/>的特征值按照升序排列组成的序列，其中自相关矩阵的特征值的计算方法为公知技术，不再赘述；/>为/>距离函数，/>表示计算序列/>、/>之间的/>距离，/>距离的计算方法为公知技术，不再赘述，/>表示计算序列/>、/>之间的/>距离。

表示流量数据序列/>中第/>个数据的趋势关联强度；/>表示自相关矩阵/>中第行、第/>列元素对应的值，即流量数据序列/>中第/>个、第/>个数据之间的自相关系数；/>表示自相关矩阵/>的列数。

表示调参常数，为了防止分母为0，其中/>取经验值为1；/>表示流量数据序列/>中第/>个数据的时间区间中数据的个数；/>表示所述时间区间中第/>个数据的趋势关联强度；/>表示所述时间区间中所有数据的趋势关联强度的均值。

以为例，/>的值越大，表示流量、温度数据序列之间的自相关矩阵的差异越大，说明流量数据序列和温度数据序列之间的数据变化趋势具有较低的同步性，而流量、温度数据之间具有正相关性，则/>的值越大，说明流量或温度数据序列中出现了异常数据，比如流量或温度传感器出现故障导致采集的数据出现了较大的误差；/>的值越大，说明流量数据序列和压力数据序列之间的数据变化趋势具有较低的同步性，即流量或压力数据序列中出现了异常数据；则的值越大，表示流量数据序列与温度、压力数据序列之间的数据变化趋势均具有较低的同步性，即/>的值越大，说明流量数据序列/>中越可能出现不规则趋势变化的数据。

流量数据序列中第/>个数据与其余数据之间的自相关系数的绝对值越大，即的值越小，表示第/>个时刻的流量数据与其余时刻的流量数据之间的自相关系数的绝对值越小，说明第/>个时刻的流量数据与其余时刻的流量数据之间的数据变化趋势的相关性越弱，即/>的值越小，则/>的值越大，说明第/>个时刻的流量数据越可能出现异常的变化趋势，即在该时刻附近越可能发生了突发事件，比如废气排放管道堵塞或该时刻采集的数据为噪声数据；流量数据序列/>中第/>个数据的时间区间中数据之间的流量趋势关联强度的差异越大，即/>的值越大，说明第/>个时刻附近的流量数据越不具有相同的变化趋势；则/>的值越大，表示流量数据序列中第/>个数据与温度、压力数据序列中第/>个数据在短时间内的变化趋势之间的差异越大，并且第/>个时刻附近的流量数据的变化趋势越不具有规律性，即/>的值越大，说明流量传感器越可能在第/>个时刻出现了故障，导致该时刻附近的流量数据出现了不规律的异常变化。

其次，在废气净化设备正常运行过程中，废气的流量、温度、压力的数据变化通常是相对稳定的，即流量、温度、压力数据序列均具有长期的变化趋势，而设备废气进气量的变化或设备出现故障，将会造成废气排放的流量、温度、压力数据在某一时间段出现突发的异常变化趋势，即会破坏数据序列长期的变化趋势，并且由于流量、温度、压力数据之间一般呈现正相关关系，使得流量、温度、压力数据序列中出现突发的异常变化趋势的时间也是较为接近的，则流量、温度、压力数据序列中在该时间段内的数据对应的短程趋势无序强度具有较小的值。

基于上述分析，使用曲线拟合的最小二乘法对所有流量趋势数据进行曲线拟合，得到流量拟合趋势曲线，曲线拟合的最小二乘法为公知技术，具体过程不再赘述。在流量数据序列中，以第个时刻的流量数据为例，以该流量数据为中心，设置一个时间区间，其中/>取经验值为10，构建流量数据序列/>中第/>个数据的短程有序趋势偏离度/>，计算方法为：

上式中：表示第/>个时刻的流量数据的趋势距离差异系数；/>、/>分别表示第/>、个流量数据的趋势拟合距离，/>、/>的大小分别等于第/>、/>个流量数据到流量拟合趋势曲线的欧式距离，点到曲线之间的欧式距离的计算方法为公知技术，不再赘述；/>表示流量数据的个数。

表示第/>个时刻的流量数据的分布特征值；/>、/>分别表示第/>个时刻的流量数据的时间区间中所有数据的趋势拟合距离的标准差以及所有数据的趋势距离差异系数的标准差；/>表示调参常数，为了防止分母为0，其中/>取经验值为1。

表示第/>个时刻的流量数据的相似趋势密集指数；/>表示在第/>个时刻的流量数据的时间区间中第/>个流量数据的分布特征值；/>表示第/>个时刻的流量数据的时间区间中数据的个数；/>表示调参常数，为了防止分母为0，其中/>取经验值为1。

的值越大，表示流量数据分布图中第/>个时刻的流量数据与其余时刻的流量数据之间的趋势拟合距离的差异越大，即/>的值越大，说明该流量数据越疑似为异常数据；第/>个时刻的流量数据与其时间区间中的其余流量数据之间的趋势拟合距离以及距离差异系数的差异越小，即/>的值越小，表示在流量数据分布图中，第/>个时刻的流量数据与其附近时刻的流量数据越具有相似的分布，即/>的值越大。

第个时刻的流量数据与其时间区间中的其余流量数据之间的分布特征值越接近，即/>的值越小，说明第/>个时刻的流量数据与其时间区间中的其余流量数据越具有相似的变化趋势，并且第/>个时刻的流量数据的分布特征值越大，即/>的值越大，说明在第/>个时刻的流量数据的时间区间中，与第/>个时刻具有相似变化趋势的流量数据越多，即/>的值越大，说明在流量数据序列/>中第/>个数据与其附近时刻的数据与越具有相似的变化趋势。则/>的值越大，表示第/>个时刻的流量数据偏离流量数据序列整体变化趋势的程度越大，并且第/>个时刻的流量数据与其附近时刻的流量数据越具有相似的变化趋势，即/>的值越大，说明流量数据序列在第/>个数据所在时刻附近越可能出现了突发的异常变化趋势。

进一步的，根据流量数据序列中第/>个流量数据的短程趋势无序强度/>和短程有序趋势偏离度/>，得到第/>个数据采集时刻的流量数据的短程流量趋势异常指数/>：

使用与上述第个数据采集时刻的短程流量趋势异常指数/>相同的计算方法，分别计算第/>个数据采集时刻的短程温度趋势异常指数/>、短程压力趋势异常指数/>。进一步的，根据综合影响系数/>、/>、/>，得到第/>个数据采集时刻的数据短程多序列趋势异常指数/>，其计算方法为：

上式中：为归一化函数，表示对括号内的值进行归一化处理。

步骤S003，根据数据短程多序列趋势异常指数，构建相似短程趋势加权距离，并使用SOS算法对废气净化设备的运行数据进行异常数据检测。

根据上个步骤得到的数据短程多序列趋势异常指数，计算各个数据采集时刻的数据短程多序列趋势异常指数。以数据向量和/>为例，得到数据向量/>、/>之间的相似短程趋势加权距离/>,其计算方法为：

上式中：表示数据向量/>、/>之间的欧式距离；/>、/>分别表示数据向量/>、/>所对应的数据采集时刻的数据短程多序列趋势异常指数。

数据向量、/>对应的数据短程多序列趋势异常指数的值越接近，即的值越小，说明这两个数据向量越可能属于同一类，即正常数据向量或异常数据向量，因此对这两个数据向量之间的欧式距离/>赋予较小的权重，以提高这两个数据向量相似度。

使用SOS算法对各数据向量进行处理，并将相似短程趋势加权距离作为SOS算法在数据向量分析过程中的距离度量方式，输出各数据向量的离群值概率，其中SOS算法中的复杂度取经验值为3.5，SOS算法为公知技术，具体过程不再赘述。

设置一个离群值异常概率阈值，将离群值概率/>的所有数据向量标记为异常数据向量，输出被标记的所有数据向量对应时刻的流量、温度、压力数据，完成对废气净化设备运行数据的异常检测，根据异常检测的结果及时提示相关操作人员对废气净化设备进行相应的检修维护。

综上所述，本发明实施例通过分析净化设备的运行数据中异常数据的分布特征，基于各个数据序列中数据自身的自相关特性以及各个数据序列之间的相关关系，构建短程趋势无序强度，提高了由传感器故障产生的异常数据与正常数据之间的差异，根据各个数据序列中正常数据的变化趋势以及异常数据的突发变化趋势构建短程有序趋势偏离度，提高了因设备废气进气量出现异常变化或设备出现故障而产生的异常数据与正常数据之间的差异性，结合短程趋势无序强度和短程有序趋势偏离度得到数据异常指数，并结合各个数据序列之间的相关性构建数据短程多序列趋势异常指数，能够较好地反应净化设备的运行数据中异常数据与正常数据之间的差异性，结合数据向量之间的欧式距离以及数据短程多序列趋势异常指数的差异构建相似短程趋势加权距离，对数据短程多序列趋势异常指数接近的数据向量之间的欧式距离赋予较小的权重，以提高这两个数据向量的相似度，将相似短程趋势加权距离作为SOS算法在数据向量分析过程中的距离度量方式，并使用SOS算法对所有数据向量进行处理，完成对废气净化设备运行数据的异常数据检测。

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。且上述对本说明书特定实施例进行了描述。另外，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或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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种净化工程废气净化设备异常运行数据检测方法，其特征在于，该方法包括以下步骤：

采集净化设备废气排放时的流量、温度、压力组成流量、温度以及压力数据序列，均记为数据序列；将各时刻采集的流量、温度、压力组成各数据向量；

根据各数据序列获取流量、温度及压力关联度；根据流量、温度及压力关联度获取综合影响系数，根据各数据序列的自相关矩阵构建各自相关特征值序列；根据各自相关特征值序列与其他自相关特征值序列的关系得到各数据序列的趋势同步异常系数；将自相关矩阵中各行元素的均值作为各行对应数据的趋势关联强度，设定各数据的时间区间，根据趋势同步异常系数、各数据及时间区间内所有数据的趋势关联强度得到各数据的短程趋势无序强度；根据各数据与其时间区间内的数据构建各数据的趋势距离差异系数及分布特征值，进而计算各数据的相似趋势密集指数；根据趋势距离差异系数及相似趋势密集指数得到各数据的短程有序趋势偏离度；将各流量数据的短程趋势无序强度与短程有序趋势偏离度的乘积作为各流量数据的短程流量趋势异常指数；

采用各流量数据的短程流量趋势异常指数的计算方法获取各温度数据的短程温度趋势异常指数、各压力数据的短程压力趋势异常指数；

根据综合影响系数以及短程流量、温度、压力趋势异常指数得到各数据采集时刻的数据短程多序列趋势异常指数；将不同数据向量的欧式距离与对应数据采集时刻的数据短程多序列趋势异常指数的差值绝对值的乘积作为不同数据向量之间的相似短程趋势加权距离；结合相似短程趋势加权距离采用SOS算法对各数据向量进行异常检测，完成废气净化设备运行数据的检测。

2.如权利要求1所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述根据各数据序列获取流量、温度及压力关联度，包括：

对于流量数据序列，分别计算流量数据序列与温度数据序列、压力数据序列的皮尔逊相关系数，将两个皮尔逊相关系数的和值的二分之一作为流量关联度；

针对温度、压力数据序列，采用流量关联度的计算方法分别获取温度、压力关联度。

3.如权利要求1所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述根据流量、温度及压力关联度获取综合影响系数，包括：

计算流量、温度及压力关联度的和值；

将流量关联度与所述和值的比值作为流量数据对温度、压力数据的综合影响系数；

采用流量数据对温度、压力数据的综合影响系数的计算方法获取温度数据对流量、压力数据的综合影响系数以及压力数据对流量、温度数据的综合影响系数。

4.如权利要求1所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述根据各数据序列的自相关矩阵构建各自相关特征值序列，包括：

分别获取各数据序列的自相关矩阵，计算各自相关矩阵的特征值，将各自相关矩阵的特征值按照升序排序组成各自相关特征值序列，其中，所述各自相关特征值序列包括流量、温度及压力自相关特征值序列。

5.如权利要求4所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述根据各自相关特征值序列与其他自相关特征值序列的关系得到各数据序列的趋势同步异常系数，包括：

分别获取流量自相关特征值序列与温度、压力自相关特征值序列的dtw距离，将两个dtw距离的乘积作为流量数据序列的趋势同步异常系数；

针对温度、压力自相关特征值序列，采用流量数据序列的趋势同步异常系数的计算方法分别获取温度、压力数据序列的趋势同步异常系数。

6.如权利要求1所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述根据趋势同步异常系数、各数据及时间区间内所有数据的趋势关联强度得到各数据的短程趋势无序强度，包括：

对于各数据，计算时间区间内所有数据的趋势关联强度均值，计算时间区间内各数据的趋势关联强度与所述均值的差值平方，获取时间区间内所有数据的所述差值平方的均值，记为第一均值；

获取各数据的趋势关联强度的倒数与所述第一均值的乘积，将所述乘积与趋势同步异常系数相乘的结果作为数据序列中各数据的短程趋势无序强度。

7.如权利要求1所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述构建各数据的趋势距离差异系数及分布特征值，进而计算各数据的相似趋势密集指数，包括：

对各数据序列采用最小二乘法进行拟合得到各数据序列对应的拟合趋势曲线；

对于每个数据序列的各数据；分别计算数据到拟合趋势曲线的欧式距离与其时间区间内各数据到拟合趋势曲线的欧式距离的差值平方，将所述时间区间内所有差值平方的均值作为各数据的趋势距离差异系数；其中，数据到拟合趋势曲线的欧式距离记为趋势拟合距离；

分别获取各数据的时间区间内所有数据的趋势拟合距离、趋势距离差异系数的标准差，将两个标准差乘积的倒数作为各数据的分布特征值；

计算各数据的分布特征值与对应时间区间内所有数据的分布特征值的差值平方的均值，将所述分布特征值与所述均值的比值作为各数据的相似趋势密集指数。

8.如权利要求7所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述各数据的短程有序趋势偏离度为各数据的趋势距离差异系数与相似趋势密集指数的乘积。

9.如权利要求3所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述根据综合影响系数以及短程流量、温度、压力趋势异常指数得到各数据采集时刻的数据短程多序列趋势异常指数，包括：

计算短程流量趋势异常指数与流量数据对温度、压力数据的综合影响系数的乘积；

计算短程温度趋势异常指数与温度数据对流量、压力数据的综合影响系数的乘积；

计算短程压力趋势异常指数与压力数据对流量、温度数据的综合影响系数的乘积；

将三个乘积的和值的归一化值作为各数据对应采集时刻的数据短程多序列趋势异常指数。

10.如权利要求9所述的一种净化工程废气净化设备异常运行数据检测方法，其特征在于，所述结合相似短程趋势加权距离采用SOS算法对各数据向量进行异常检测，包括：

将相似短程趋势加权距离作为SOS算法分析数据向量过程中的距离度量方式，SOS算法输出各数据向量的离群值概率，将离群值概率高于预设异常概率阈值的数据向量作为异常数据向量，反之为正常数据向量。