CN117454096A - 一种电机生产质量检测方法及系统 - Google Patents

一种电机生产质量检测方法及系统 Download PDF

Info

Publication number
CN117454096A
CN117454096A CN202311785516.7A CN202311785516A CN117454096A CN 117454096 A CN117454096 A CN 117454096A CN 202311785516 A CN202311785516 A CN 202311785516A CN 117454096 A CN117454096 A CN 117454096A
Authority
CN
China
Prior art keywords
monitoring
extremum
data
sequence
sub
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
Application number
CN202311785516.7A
Other languages
English (en)
Other versions
CN117454096B (zh
Inventor
窦晓牧
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xi'an High Intelligent Technology Co ltd
Original Assignee
Xi'an High Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xi'an High Intelligent Technology Co ltd filed Critical Xi'an High Intelligent Technology Co ltd
Priority to CN202311785516.7A priority Critical patent/CN117454096B/zh
Publication of CN117454096A publication Critical patent/CN117454096A/zh
Application granted granted Critical
Publication of CN117454096B publication Critical patent/CN117454096B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及电数字数据处理技术领域，具体涉及一种电机生产质量检测方法及系统，该方法包括：获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列；对目标监测数据序列和参考影响数据序列进行分割；对目标监测数据序列和参考影响数据序列进行自适应分割；对子监测数据段和其对应的子影响数据段进行变化相似性分析处理；对每个子监测数据段进行数据清洗；通过孤立森林算法，对每个目标数据段进行异常检测；根据异常检测结果，对待检测电机进行质量检测。本发明通过对目标监测数据序列和参考影响数据序列进行数据处理，实现了电机质量检测，提高了电机生产质量检测的准确度。

Description

一种电机生产质量检测方法及系统
技术领域
本发明涉及电数字数据处理技术领域，具体涉及一种电机生产质量检测方法及系统。
背景技术
为了确保电机符合标准，避免次品进入市场，在电机生产中往往需要进行质量检测。在对产品进行质量检测时，通常采用的方法为：通过检测与产品质量相关的监测数据是否发生异常，判断产品质量是否合格。孤立森林算法是比较常见的用于异常检测的算法。
然而，当采用孤立森林算法，对采集的与电机质量相关的监测数据进行异常检测时，经常会存在如下技术问题：
由于数据采集环境噪声等因素的影响可能导致某些时刻采集的监测数据并不能表示电机的实际情况，即某些时刻采集的监测数据可能是读取或显示有误的数据，因此，直接采用孤立森林算法，对采集的监测数据进行异常检测时，可能会将读取或显示有误的监测数据误判为电机发生故障时的异常数据，从而导致电机生产质量检测的准确度较差。
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。
为了解决电机生产质量检测的准确度较差的技术问题，本发明提出了一种电机生产质量检测方法及系统。
第一方面，本发明提供了一种电机生产质量检测方法，该方法包括：
获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列，其中，目标检测参数和目标影响参数呈正相关；
以所述目标监测数据序列和所述参考影响数据序列中的极值数据为切割点，分别对所述目标监测数据序列和所述参考影响数据序列进行分割，得到监测极值区间和影响极值区间，其中，数据序列中的极值数据是其对应的拟合曲线中的极值；
根据所有监测极值区间和所有影响极值区间，分别对所述目标监测数据序列和所述参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段；
根据每个子监测数据段和其对应的子影响数据段中的极值数据，对所述子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到所述子监测数据段对应的变化相似指标；
根据每个子监测数据段对应的变化相似指标，对所述子监测数据段进行数据清洗，得到所述子监测数据段对应的目标数据段；
通过孤立森林算法，对每个目标数据段进行异常检测；
根据异常检测结果，对所述待检测电机进行质量检测。
可选地，所述根据所有监测极值区间和所有影响极值区间，分别对所述目标监测数据序列和所述参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段，包括：
对所有监测极值区间和所有影响极值区间进行自适应调整排序，得到监测极值区间序列和影响极值区间序列；
根据监测极值区间序列中的每个监测极值区间和影响极值区间序列，确定每个监测极值区间对应的趋势一致性指标；
从监测极值区间序列中筛选出趋势一致性指标大于或等于预设一致阈值的监测极值区间，作为候选极值区间，并将序号最小的候选极值区间，确定为目标极值区间；
将影响极值区间序列中与目标极值区间位置相同的影响极值区间，确定为目标影响区间；
将目标极值区间以及监测极值区间序列中目标极值区间之前的监测极值区间所构成的子序列，确定为一个子监测数据段，并从影响极值区间序列中筛选出位置与该子监测数据段在监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段；
将监测极值区间序列更新为目标极值区间之后的监测极值区间构成的子序列，并将影响极值区间序列更新为目标影响区间之后的影响极值区间构成的子序列，并根据最新更新得到的监测极值区间序列和影响极值区间序列，重复上述子监测数据段获取步骤，直至最新更新得到的监测极值区间序列中的监测极值区间对应的最新的趋势一致性指标均小于预设一致阈值，或者最新更新得到的监测极值区间序列为空；若最新更新得到的监测极值区间序列中的监测极值区间对应的最新的趋势一致性指标均小于预设一致阈值，则将最新更新得到的监测极值区间序列，作为一个子监测数据段，并从最新更新得到的影响极值区间序列中筛选出位置与该子监测数据段在最新更新得到的监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段。
可选地，所述对所有监测极值区间和所有影响极值区间进行自适应调整排序，得到监测极值区间序列和影响极值区间序列，包括：
根据采集时间，按照从早到晚的顺序，分别对所有监测极值区间和所有影响极值区间进行排序，并将所有监测极值区间排序得到的序列，作为第一序列，将所有影响极值区间排序得到的序列，作为第二序列；
若第一序列中监测极值区间的数量小于或等于第二序列中影响极值区间的数量，则将第一序列作为监测极值区间序列，并将第二序列作为影响极值区间序列；
若第一序列中监测极值区间的数量大于第二序列中影响极值区间的数量，则将第一序列中监测极值区间数量与第二序列中影响极值区间数量的差值，确定为目标数量，从第二序列中筛选出序号最小的目标数量个影响极值区间，并将筛选出的目标数量个影响极值区间构成的子序列，确定为候选子序列，将候选子序列添加至第二序列的末端，并将添加了候选子序列的第二序列，确定为影响极值区间序列，将第一序列作为监测极值区间序列。
可选地，所述根据监测极值区间序列中的每个监测极值区间和影响极值区间序列，确定每个监测极值区间对应的趋势一致性指标，包括：
记任意一个监测极值区间为标记极值区间，将标记极值区间以及监测极值区间序列中标记极值区间之前的监测极值区间所构成的子序列，记为所述标记极值区间对应的监测子序列；
将影响极值区间序列中与标记极值区间位置相同的影响极值区间，确定为标记影响区间；
将标记影响区间以及影响极值区间序列中标记影响区间之前的影响极值区间所构成的子序列，记为所述标记极值区间对应的影响子序列；
根据所述标记极值区间对应的监测子序列和影响子序列，确定所述标记极值区间对应的趋势一致性指标。
可选地，监测极值区间对应的趋势一致性指标对应的公式为：
；其中，/>是监测极值区间序列中第i个监测极值区间对应的趋势一致性指标；i是监测极值区间序列中监测极值区间的序号；/>是以自然常数为底的指数函数；/>是监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的数量；j是监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的序号；/>是取绝对值函数；/>是监测极值区间序列中第i个监测极值区间对应的监测子序列中，第j个监测极值区间内所有目标监测数据对应的目标斜率的均值；目标监测数据对应的目标斜率是该目标监测数据在目标监测数据序列对应的拟合曲线上的斜率；/>是监测极值区间序列中第i个监测极值区间对应的影响子序列中，第j个影响极值区间内所有参考影响数据对应的目标斜率的均值；参考影响数据对应的目标斜率是该参考影响数据在参考影响数据序列对应的拟合曲线上的斜率。
可选地，所述根据每个子监测数据段和其对应的子影响数据段中的极值数据，对所述子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到所述子监测数据段对应的变化相似指标，包括：
根据所述子监测数据段和其对应的子影响数据段中的所有极值数据、所述子监测数据段中所有目标监测数据对应的目标斜率、以及所述子监测数据段对应的子影响数据段中所有参考影响数据对应的目标斜率，确定所述子监测数据段对应的变化相似指标，其中，目标监测数据对应的目标斜率是该目标监测数据在目标监测数据序列对应的拟合曲线上的斜率，参考影响数据对应的目标斜率是该参考影响数据在参考影响数据序列对应的拟合曲线上的斜率。
可选地，子监测数据段对应的变化相似指标对应的公式为：
；
；
；其中，/>是第m个子监测数据段对应的变化相似指标；m是子监测数据段的序号；/>是以自然常数为底的指数函数；/>是取绝对值函数；/>是第m个子监测数据段对应的变化趋势特征；/>是第m个子监测数据段对应的子影响数据段对应的变化趋势特征；/>是第m个子监测数据段或其对应的子影响数据段内区间的数量；t是第m个子监测数据段或其对应的子影响数据段内区间的序号；/>是第m个子监测数据段内第t个监测极值区间内所有目标监测数据对应的目标斜率的均值；/>是第m个子监测数据段内第t-1个监测极值区间内所有目标监测数据对应的目标斜率的均值；/>是第m个子监测数据段对应的子影响数据段内第t个影响极值区间内所有参考影响数据对应的目标斜率的均值；/>是第m个子监测数据段对应的子影响数据段内第t-1个影响极值区间内所有参考影响数据对应的目标斜率的均值；/>是第m个子监测数据段内第t个监测极值区间内所有极值数据的均值对应的归一化值；/>是第m个子监测数据段内第t-1个监测极值区间内所有极值数据的均值对应的归一化值；/>是第m个子监测数据段对应的子影响数据段内第t个影响极值区间内所有极值数据的均值对应的归一化值；/>是第m个子监测数据段对应的子影响数据段内第t-1个影响极值区间内所有极值数据的均值对应的归一化值。
可选地，所述根据每个子监测数据段对应的变化相似指标，对所述子监测数据段进行数据清洗，得到所述子监测数据段对应的目标数据段，包括：
对所述子监测数据段与其对应的子影响数据段中的数据进行匹配，并将互相匹配的每两个数据段，构成匹配数据段组；
根据每个匹配数据段组中所有的目标监测数据和参考影响数据，确定每个匹配数据段组对应的变化相似指标；
将所述子监测数据段对应的变化相似指标与每个匹配数据段组对应的变化相似指标的差值的绝对值，确定为每个匹配数据段组对应的目标异常指标；
将目标异常指标小于或等于预设异常阈值的匹配数据段组，确定为候选数据段组；
将所有候选数据段组与所述子监测数据段的交集，确定为所述子监测数据段对应的目标数据段。
可选地，匹配数据段组对应的变化相似指标对应的公式为：
；
；
；其中，/>是第a个匹配数据段组对应的变化相似指标；a是匹配数据段组的序号；/>是以自然常数为底的指数函数；/>是取绝对值函数；/>是第a个匹配数据段组中所有目标监测数据的变化趋势特征；/>是第a个匹配数据段组中所有参考影响数据的变化趋势特征；/>是第a个匹配数据段组中目标监测数据的数量；b是第a个匹配数据段组中目标监测数据的序号；/>是第a个匹配数据段组中参考影响数据的数量；c是第a个匹配数据段组中参考影响数据的序号；/>是第a个匹配数据段组中第b个目标监测数据与第b个目标监测数据的前一个目标监测数据的差值的绝对值；/>是第a个匹配数据段组中第b-1个目标监测数据与第b-1个目标监测数据的前一个目标监测数据的差值的绝对值；是第a个匹配数据段组中第c个参考影响数据与第c个参考影响数据的前一个参考影响数据的差值的绝对值；/>是第a个匹配数据段组中第c-1个参考影响数据与第c-1个参考影响数据的前一个参考影响数据的差值的绝对值；/>是第a个匹配数据段组中第b个目标监测数据所在的监测极值区间内所有极值数据的均值对应的归一化值；/>是第a个匹配数据段组中第b-1个目标监测数据所在的监测极值区间内所有极值数据的均值对应的归一化值；/>是第a个匹配数据段组中第c个参考影响数据所在的影响极值区间内所有极值数据的均值对应的归一化值；/>是第a个匹配数据段组中第c-1个参考影响数据所在的影响极值区间内所有极值数据的均值对应的归一化值。
第二方面，本发明提供了一种电机生产质量检测系统，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电机生产质量检测方法。
本发明具有如下有益效果：
本发明的一种电机生产质量检测方法，通过对目标监测数据序列和参考影响数据序列进行数据处理，实现了电机质量检测，解决了电机生产质量检测的准确度较差的技术问题，提高了电机生产质量检测的准确度。首先，由于目标检测参数和目标影响参数呈正相关，所以在数据没有读取或显示有误的情况下，采集的目标检测参数和目标影响参数下的数据随时间的变化趋势往往相同，因此获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列，可以便于后续基于参考影响数据序列，从目标监测数据序列中筛选出读取或显示有误的数据，以减少对后续进行电机质量检测的干扰。接着，由于极值数据在一定程度上可以表征数据变化程度，因此，基于极值数据，对目标监测数据序列和参考影响数据序列进行分割，可以将变化趋势相近的数据划分至同一个区间，即同一个监测极值区间内的目标监测数据的变化趋势往往相同，同一个影响极值区间内的参考影响数据的变化趋势往往相同。然后，综合考虑所有监测极值区间和所有影响极值区间，对目标监测数据序列和参考影响数据序列进行自适应分割，可以提高子监测数据段和其对应的子影响数据段确定的准确度。其次，通过孤立森林算法进行异常检测时，需要进行检测的数据越多，需要的树的深度往往越大，其异常检测性能往往就会越低，因此，对目标监测数据序列和参考影响数据序列进行自适应分割，可以在一定程度上减少后续每次通过孤立森林算法进行异常检测时的数据，从而可以提高数据异常检测的准确度。之后，量化的子监测数据段对应的变化相似指标越大，往往说明该子监测数据段与其对应的子影响数据段之间的变化情况越相似。而后，由于子监测数据段与其对应的子影响数据段之间的变化情况，往往与子监测数据段内是否存在读取或显示有误的目标监测数据有关，因此基于每个子监测数据段对应的变化相似指标，对每个子监测数据段进行数据清洗，可以相对比较精确地清洗出读取或显示有误的目标监测数据。最后，通过孤立森林算法，对每个目标数据段进行异常检测，并根据异常检测结果，对待检测电机进行质量检测，实现了对待检测电机的质量检测，并且相较于直接采用孤立森林算法，对目标监测数据序列进行异常检测，本发明综合考虑了目标监测数据和参考影响数据之间的数据变化情况，实现了对目标监测数据序列中读取或显示有误数据的清洗，在一定程度上减少了读取或显示有误数据对后续异常检测的干扰，比如可以减少后续进行异常检测时对左右子树构建的干扰，从而提高了电机生产质量检测的准确度。
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为本发明的一种电机生产质量检测方法的流程图。
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。
一种电机生产质量检测方法及系统实施例：
本发明提供了一种电机生产质量检测方法，该方法包括以下步骤：
获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列，其中，目标检测参数和目标影响参数呈正相关；
以目标监测数据序列和参考影响数据序列中的极值数据为切割点，分别对目标监测数据序列和参考影响数据序列进行分割，得到监测极值区间和影响极值区间，其中，数据序列中的极值数据是其对应的拟合曲线中的极值；
根据所有监测极值区间和所有影响极值区间，分别对目标监测数据序列和参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段；
根据每个子监测数据段和其对应的子影响数据段中的极值数据，对子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到子监测数据段对应的变化相似指标；
根据每个子监测数据段对应的变化相似指标，对子监测数据段进行数据清洗，得到子监测数据段对应的目标数据段；
通过孤立森林算法，对每个目标数据段进行异常检测；
根据异常检测结果，对待检测电机进行质量检测。
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电机生产质量检测方法的一些实施例的流程。该电机生产质量检测方法，包括以下步骤：
步骤S1，获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列。
在一些实施例中，可以获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列。
其中，待检测电机可以是待进行质量检测的电机。目标检测参数可以是与待检测电机质量相关的参数。例如，由于温度异常时往往导致电机发生故障，所以目标检测参数可以是温度。目标监测数据序列中的目标监测数据可以是待检测电机在对应时刻下的目标检测参数值。目标监测数据序列对应的时长可以是1小时。相邻目标监测数据之间的时长可以相同。例如，相邻目标监测数据之间的时长可以是1秒。目标检测参数和目标影响参数可以呈正相关。目标影响参数的趋势变化可以与目标检测参数的趋势变化相近，即目标影响参数和目标检测参数呈一定的因果关系。例如，由于振动异常时往往导致温度异常，即振动过快时往往导致温度过高，所以当目标检测参数是温度时，目标影响参数可以为振动。参考影响数据序列中的参考影响数据可以是待检测电机在对应时刻下的目标影响参数值。参考影响数据序列对应的时间段可以与目标监测数据序列对应的时间段相同。相邻参考影响数据之间的时长可以等于相邻目标监测数据之间的时长。参考影响数据序列和目标监测数据序列中相同位置处的元素对应的采集时刻可以相同。例如，参考影响数据序列中的第一个参考影响数据和目标监测数据序列中的第一个目标监测数据对应的采集时刻可以相同。目标监测数据序列和参考影响数据序列可以是时序数据。
需要说明的是，由于目标检测参数和目标影响参数呈正相关，所以在数据没有读取或显示有误的情况下，采集的目标检测参数和目标影响参数下的数据随时间的变化趋势往往相同，因此获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列，可以便于后续基于参考影响数据序列，从目标监测数据序列中筛选出读取或显示有误的数据，以减少对后续进行电机质量检测的干扰。
作为示例，若目标检测参数是温度，目标影响参数为振动，则获取待检测电机在温度下的目标监测数据序列，以及其在振动下的参考影响数据序列可以包括以下步骤：
第一步，获取待检测电机在温度下的目标监测数据序列。
例如，可以通过温度传感器，在预设时间段内，每隔1秒采集一次待检测电机的温度值，作为初始温度，并通过指数平滑法，对采集的所有初始温度进行较小程度的平滑，以减少噪声影响，并将进行平滑后的初始温度，作为目标监测数据，得到待检测电机在温度下的目标监测数据序列。其中，预设时间段可以是预先设置的时间段。预设时间段的开始时间可以是待检测电机的启动时间。
第二步，获取待检测电机在振动下的参考影响数据序列。
例如，可以通过振动传感器，在预设时间段内，每隔1秒采集一次待检测电机的振动值，作为初始振动，并通过指数平滑法，对采集的所有初始振动进行较小程度的平滑，以减少噪声影响，并将进行平滑后的初始振动，作为参考影响数据，得到待检测电机在振动下的参考影响数据序列。
步骤S2，以目标监测数据序列和参考影响数据序列中的极值数据为切割点，分别对目标监测数据序列和参考影响数据序列进行分割，得到监测极值区间和影响极值区间。
在一些实施例中，以上述目标监测数据序列和上述参考影响数据序列中的极值数据为切割点，可以分别对上述目标监测数据序列和上述参考影响数据序列进行分割，得到监测极值区间和影响极值区间。
其中，数据序列中的极值数据可以是其对应的拟合曲线中的极值。例如，目标监测数据序列中的极值数据可以是目标监测数据序列对应的拟合曲线中的极值。目标监测数据序列对应的拟合曲线可以是以采集时刻为横坐标，以目标监测数据为纵坐标，拟合得到的曲线。参考影响数据序列中的极值数据可以是参考影响数据序列对应的拟合曲线中的极值。参考影响数据序列对应的拟合曲线可以是以采集时刻为横坐标，以参考影响数据为纵坐标，拟合得到的曲线。
需要说明的是，由于极值数据在一定程度上可以表征数据变化程度，因此，基于极值数据，对目标监测数据序列和参考影响数据序列进行分割，可以将变化趋势相近的数据划分至同一个区间，即同一个监测极值区间内的目标监测数据的变化趋势往往相同，同一个影响极值区间内的参考影响数据的变化趋势往往相同。
作为示例，本步骤可以包括以下步骤：
第一步，以目标监测数据序列中的极值数据为切割点，对目标监测数据序列进行分割，得到监测极值区间。
其中，目标监测数据序列中的极值数据可以是监测极值区间的端点。
例如，若目标监测数据序列为{第一监测数据，第二监测数据，第三监测数据，第四监测数据，第五监测数据，第六监测数据，第七监测数据，第八监测数据，第九监测数据}，并且第三监测数据和第七监测数据是极值数据，则对该目标监测数据序列进行分割，可以得到3个监测极值区间，分别为：{第一监测数据，第二监测数据，第三监测数据}、{第三监测数据，第四监测数据，第五监测数据，第六监测数据，第七监测数据}和{第七监测数据，第八监测数据，第九监测数据}。
第二步，以参考影响数据序列中的极值数据为切割点，对参考影响数据序列进行分割，得到影响极值区间。
其中，参考影响数据序列中的极值数据可以是影响极值区间的端点。
步骤S3，根据所有监测极值区间和所有影响极值区间，分别对目标监测数据序列和参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段。
在一些实施例中，可以根据所有监测极值区间和所有影响极值区间，分别对上述目标监测数据序列和上述参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段。
需要说明的是，综合考虑所有监测极值区间和所有影响极值区间，对目标监测数据序列和参考影响数据序列进行自适应分割，可以提高子监测数据段和其对应的子影响数据段确定的准确度。其次，通过孤立森林算法进行异常检测时，需要进行检测的数据越多，需要的树的深度往往越大，其异常检测性能往往就会越低，因此，对目标监测数据序列和参考影响数据序列进行自适应分割，可以在一定程度上减少后续每次通过孤立森林算法进行异常检测时的数据，从而可以提高数据异常检测的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，对所有监测极值区间和所有影响极值区间进行自适应调整排序，得到监测极值区间序列和影响极值区间序列可以包括以下子步骤：
第一子步骤，根据采集时间，按照从早到晚的顺序，分别对所有监测极值区间和所有影响极值区间进行排序，并将所有监测极值区间排序得到的序列，作为第一序列，将所有影响极值区间排序得到的序列，作为第二序列。
比如，首先可以根据监测极值区间对应的时间段，按照从早到晚的顺序，对所有监测极值区间进行排序，并将所有监测极值区间排序得到的序列，作为第一序列。接着，可以根据影响极值区间对应的时间段，按照从早到晚的顺序，对所有影响极值区间进行排序，并将所有影响极值区间排序得到的序列，作为第二序列。
第二子步骤，若第一序列中监测极值区间的数量小于或等于第二序列中影响极值区间的数量，则将第一序列作为监测极值区间序列，并将第二序列作为影响极值区间序列。
第三子步骤，若第一序列中监测极值区间的数量大于第二序列中影响极值区间的数量，则将第一序列中监测极值区间数量与第二序列中影响极值区间数量的差值，确定为目标数量，从第二序列中筛选出序号最小的目标数量个影响极值区间，并将筛选出的目标数量个影响极值区间构成的子序列，确定为候选子序列，将候选子序列添加至第二序列的末端，并将添加了候选子序列的第二序列，确定为影响极值区间序列，将第一序列作为监测极值区间序列，此时影响极值区间序列和监测极值区间序列中区间的数量相同。
需要说明的是，在数据没有读取或显示有误的情况下，采集的目标检测参数和目标影响参数下的数据随时间的变化趋势往往相同，虽然两者之间的每次数据变化不是严格的同时进行的，但是时间间隔往往也不会差别太大，比如，参考影响数据在10分2秒到10分8秒呈上升趋势，目标监测数据可能在10分4秒到11分1秒呈上升趋势，两者之间的时间间隔往往不会相差太大，所以当监测极值区间的数量与影响极值区间的数量不同时，往往也不会差别太多，大多数是相差一个，并且相同位置处的监测极值区间和影响极值区间中数据的变化趋势往往相同。其次，由于电机运行过程中的运行状态往往存在一定的周期性，所以目标监测数据和参考影响数据的变化往往也存在一定的周期性，因此当监测极值区间的数量多于影响极值区间的数量时，考虑到周期性，可以将候选子序列添加至第二序列的末端，将影响极值区间的数量补充至与监测极值区间的数量相同。
可选地，当第一序列中监测极值区间的数量大于第二序列中影响极值区间的数量时，还可以将第一序列中监测极值区间数量与第二序列中影响极值区间数量的差值，确定为目标数量，并将第一序列中最后目标数量个监测极值区间所构成的子序列，作为目标数据段，此时第一序列中最后目标数量个监测极值区间可以不参与后续的数据清洗；将第一序列中除了最后目标数量个监测极值区间之前的子序列，作为监测极值区间序列，并将第二序列，确定为影响极值区间序列。
第二步，根据监测极值区间序列中的每个监测极值区间和影响极值区间序列，确定每个监测极值区间对应的趋势一致性指标可以包括以下子步骤：
第一子步骤，记任意一个监测极值区间为标记极值区间，将标记极值区间以及监测极值区间序列中标记极值区间之前的监测极值区间所构成的子序列，记为上述标记极值区间对应的监测子序列。
比如，监测极值区间序列中第六个监测极值区间对应的监测子序列可以包括：监测极值区间序列中前六个监测极值区间。
第二子步骤，将影响极值区间序列中与标记极值区间位置相同的影响极值区间，确定为标记影响区间。
其中，影响极值区间序列中与标记极值区间位置相同的影响极值区间可以是与标记极值区间序号相同的影响极值区间。比如，影响极值区间序列中的第一个影响极值区间可以是与监测极值区间序列中的第一个监测极值区间位置相同的影响极值区间。
第三子步骤，将标记影响区间以及影响极值区间序列中标记影响区间之前的影响极值区间所构成的子序列，记为上述标记极值区间对应的影响子序列。
第四子步骤，根据上述标记极值区间对应的监测子序列和影响子序列，确定上述标记极值区间对应的趋势一致性指标。
其中，标记极值区间对应的监测子序列和影响子序列中区间的数量可以相等。
例如，确定监测极值区间对应的趋势一致性指标对应的公式可以为：
；其中，/>是监测极值区间序列中第i个监测极值区间对应的趋势一致性指标。i是监测极值区间序列中监测极值区间的序号。/>是以自然常数为底的指数函数。/>是监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的数量。j是监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的序号。由于第i个监测极值区间对应的监测子序列中监测极值区间的数量等于其对应的影响子序列中影响极值区间的数量，所以/>可以表征监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的数量，j可以表征监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的序号。/>是取绝对值函数。/>是监测极值区间序列中第i个监测极值区间对应的监测子序列中，第j个监测极值区间内所有目标监测数据对应的目标斜率的均值。目标监测数据对应的目标斜率是该目标监测数据在目标监测数据序列对应的拟合曲线上的斜率。/>是监测极值区间序列中第i个监测极值区间对应的影响子序列中，第j个影响极值区间内所有参考影响数据对应的目标斜率的均值。参考影响数据对应的目标斜率是该参考影响数据在参考影响数据序列对应的拟合曲线上的斜率。
需要说明的是，当越小时，往往说明第j个监测极值区间内目标监测数据的趋势变化与第j个影响极值区间内参考影响数据的趋势变化越相近，往往说明第j个监测极值区间与第j个影响极值区间内的数据变化越相近。因此当/>越大时，往往说明第i个监测极值区间对应的监测子序列与其对应的影响子序列之间的数据变化情况越相近，往往说明越可以将第i个监测极值区间对应的监测子序列分割出来作为后续进行精确异常分析的一个数据段。
第三步，从监测极值区间序列中筛选出趋势一致性指标大于或等于预设一致阈值的监测极值区间，作为候选极值区间，并将序号最小的候选极值区间，确定为目标极值区间。
其中，预设一致阈值可以是预先设置的阈值。例如，预设一致阈值可以是0.8。序号最小的候选极值区间也就是对应的时间段最早的候选极值区间。
第四步，将影响极值区间序列中与目标极值区间位置相同的影响极值区间，确定为目标影响区间。
第五步，将目标极值区间以及监测极值区间序列中目标极值区间之前的监测极值区间所构成的子序列，确定为一个子监测数据段，并从影响极值区间序列中筛选出位置与该子监测数据段在监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段。
第六步，将监测极值区间序列更新为目标极值区间之后的监测极值区间构成的子序列，并将影响极值区间序列更新为目标影响区间之后的影响极值区间构成的子序列，并根据最新更新得到的监测极值区间序列和影响极值区间序列，重复上述子监测数据段获取步骤，直至最新更新得到的监测极值区间序列中的监测极值区间对应的最新的趋势一致性指标均小于预设一致阈值，或者最新更新得到的监测极值区间序列为空；若最新更新得到的监测极值区间序列中的监测极值区间对应的最新的趋势一致性指标均小于预设一致阈值，则将最新更新得到的监测极值区间序列，作为一个子监测数据段，并从最新更新得到的影响极值区间序列中筛选出位置与该子监测数据段在最新更新得到的监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段。
其中，重复的子监测数据段获取步骤可以包括以下子步骤：
第一子步骤，根据最新更新得到的监测极值区间序列中的每个监测极值区间和最新更新得到的影响极值区间序列，对最新更新得到的监测极值区间序列中的每个监测极值区间对应的趋势一致性指标进行更新。
比如，可以参考步骤S3包括的作为示例包括的第二步，对最新更新得到的监测极值区间序列中的每个监测极值区间对应的趋势一致性指标进行更新，具体可以为：将最新更新得到的监测极值区间序列作为监测极值区间序列，并将最新更新得到的影响极值区间序列作为影响极值区间序列，执行步骤S3包括的作为示例包括的第二步，得到的趋势一致性指标即为更新后的趋势一致性指标。
第二子步骤，从最新更新得到的监测极值区间序列中筛选出最新更新后的趋势一致性指标大于或等于预设一致阈值的监测极值区间，作为候选极值区间，并将序号最小的候选极值区间，确定为最新的目标极值区间。
第三子步骤，将最新更新得到的影响极值区间序列中与最新的目标极值区间位置相同的影响极值区间，确定为最新的目标影响区间。
其中，最新的目标影响区间在最新更新得到的影响极值区间序列中的位置可以与目标极值区间在最新更新得到的监测极值区间序列中的位置相同。
第四子步骤，将最新的目标极值区间以及最新更新得到的监测极值区间序列中最新的目标极值区间之前的监测极值区间所构成的子序列，确定为一个子监测数据段，并从最新更新得到的影响极值区间序列中筛选出位置与该子监测数据段在最新更新得到的监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段。
需要说明的是，对目标监测数据序列和参考影响数据序列进行自适应分割是一个动态分割过程，具体可以为：首先根据第一个监测极值区间与第一个影响极值区间，计算第一个监测极值区间对应的趋势一致性指标，若该趋势一致性指标小于预设一致阈值，则根据第一个监测极值区间、第二个监测极值区间、第一个影响极值区间与第二个影响极值区间，计算第二个监测极值区间对应的趋势一致性指标，若最新计算得到的趋势一致性指标小于预设一致阈值，则根据第一个监测极值区间、第二个监测极值区间、第三个监测极值区间、第一个影响极值区间、第二个影响极值区间与第三个影响极值区间，计算第三个监测极值区间对应的趋势一致性指标，依次类推，直至最新计算得到的趋势一致性指标大于或等于预设一致阈值，则将参与最新计算得到的趋势一致性指标计算的所有监测极值区间组合为子监测数据段，并将参与最新计算得到的趋势一致性指标计算的所有影响极值区间组合为该子监测数据段对应的子影响数据段，此时，第一轮子监测数据段与其对应的子影响数据段的获取过程结束。将目标监测数据序列和参考影响数据序列分别更新为去除已确定为子监测数据段和子影响数据段的序列，重复该获取过程，直至将所有的监测极值区间和影响极值区间分割结束，最后若剩余部分监测极值区间对应的趋势一致性指标均小于预设一致阈值，可以直接将这些监测极值区间作为一个子监测数据段，并将相同位置处的影响极值区间所构成的数据段作为该子监测数据段对应的子影响数据段。
步骤S4，根据每个子监测数据段和其对应的子影响数据段中的极值数据，对子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到子监测数据段对应的变化相似指标。
在一些实施例中，可以根据每个子监测数据段和其对应的子影响数据段中的极值数据，对上述子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到上述子监测数据段对应的变化相似指标。
需要说明的是，量化的子监测数据段对应的变化相似指标越大，往往说明该子监测数据段与其对应的子影响数据段之间的变化情况越相似。
作为示例，可以根据上述子监测数据段和其对应的子影响数据段中的所有极值数据、上述子监测数据段中所有目标监测数据对应的目标斜率、以及上述子监测数据段对应的子影响数据段中所有参考影响数据对应的目标斜率，确定上述子监测数据段对应的变化相似指标。
其中，目标监测数据对应的目标斜率可以是该目标监测数据在目标监测数据序列对应的拟合曲线上的斜率。参考影响数据对应的目标斜率可以是该参考影响数据在参考影响数据序列对应的拟合曲线上的斜率。
例如，确定子监测数据段对应的变化相似指标对应的公式可以为：
；
；
；其中，/>是第m个子监测数据段对应的变化相似指标。m是子监测数据段的序号。/>是以自然常数为底的指数函数。/>是取绝对值函数。/>是第m个子监测数据段对应的变化趋势特征。/>是第m个子监测数据段对应的子影响数据段对应的变化趋势特征。/>是第m个子监测数据段或其对应的子影响数据段内区间的数量。t是第m个子监测数据段或其对应的子影响数据段内区间的序号。由于第m个子监测数据段中监测极值区间的数量等于其对应的子影响数据段中影响极值区间的数量，所以/>可以表征第m个子监测数据段或其对应的子影响数据段内区间的数量，t可以表征第m个子监测数据段或其对应的子影响数据段内区间的序号。/>是第m个子监测数据段内第t个监测极值区间内所有目标监测数据对应的目标斜率的均值。/>是第m个子监测数据段内第t-1个监测极值区间内所有目标监测数据对应的目标斜率的均值。/>是第m个子监测数据段对应的子影响数据段内第t个影响极值区间内所有参考影响数据对应的目标斜率的均值。/>是第m个子监测数据段对应的子影响数据段内第t-1个影响极值区间内所有参考影响数据对应的目标斜率的均值。/>是第m个子监测数据段内第t个监测极值区间内所有极值数据的均值对应的归一化值。/>是第m个子监测数据段内第t-1个监测极值区间内所有极值数据的均值对应的归一化值。/>是第m个子监测数据段对应的子影响数据段内第t个影响极值区间内所有极值数据的均值对应的归一化值。/>是第m个子监测数据段对应的子影响数据段内第t-1个影响极值区间内所有极值数据的均值对应的归一化值。
需要说明的是，可以表征第m个子监测数据段内目标监测数据的趋势变化情况。/>可以表征第m个子监测数据段对应的子影响数据段内参考影响数据的趋势变化情况。当越小时，往往说明第m个子监测数据段与其对应的子影响数据段内的数据趋势变化越相近，往往说明第m个子监测数据段与其对应的子影响数据段内的数据相对越稳定。
步骤S5，根据每个子监测数据段对应的变化相似指标，对子监测数据段进行数据清洗，得到子监测数据段对应的目标数据段。
在一些实施例中，可以根据每个子监测数据段对应的变化相似指标，对上述子监测数据段进行数据清洗，得到上述子监测数据段对应的目标数据段。
需要说明的是，由于子监测数据段与其对应的子影响数据段之间的变化情况，往往与子监测数据段内是否存在读取或显示有误的目标监测数据有关，因此基于每个子监测数据段对应的变化相似指标，对每个子监测数据段进行数据清洗，可以相对比较精确地清洗出读取或显示有误的目标监测数据。
作为示例，本步骤可以包括以下步骤：
第一步，对上述子监测数据段与其对应的子影响数据段中的数据进行匹配，并将互相匹配的每两个数据段，构成匹配数据段组。
例如，若子监测数据段与其对应的子影响数据段中的数据相等，则可以将子监测数据段与其对应的子影响数据段中相同位置处的数据，构建为匹配数据段组，比如，此时子监测数据段中的第一个目标监测数据与该子监测数据段对应的子影响数据段中的第一个参考影响数据可以组成一个匹配数据段组。若子监测数据段与其对应的子影响数据段中的数据不相等，则可以将该子监测数据段与其对应的子影响数据段中的数据等分为相同的份数，并将每份作为一个匹配数据段组。比如，若子监测数据段中目标监测数据的数量是其对应的子影响数据段中参考影响数据数量的两倍，则此时可以将相邻的两个目标监测数据与一个参考影响数据，组合为一个匹配数据段组。
可选地，可以通过匹配算法，对子监测数据段与其对应的子影响数据段中的数据进行匹配，并将互相匹配的任意两个数据段，构成一个匹配数据段组。
第二步，根据每个匹配数据段组中所有的目标监测数据和参考影响数据，确定每个匹配数据段组对应的变化相似指标。
例如，确定匹配数据段组对应的变化相似指标对应的公式可以为：
；
；
；其中，/>是第a个匹配数据段组对应的变化相似指标。a是匹配数据段组的序号。/>是以自然常数为底的指数函数。/>是取绝对值函数。/>是第a个匹配数据段组中所有目标监测数据的变化趋势特征。/>是第a个匹配数据段组中所有参考影响数据的变化趋势特征。/>是第a个匹配数据段组中目标监测数据的数量。b是第a个匹配数据段组中目标监测数据的序号，匹配数据段组中目标监测数据的序号可以是按照时间顺序排列得到的序号。/>是第a个匹配数据段组中参考影响数据的数量。c是第a个匹配数据段组中参考影响数据的序号，匹配数据段组中参考影响数据的序号可以是按照时间顺序排列得到的序号。/>是第a个匹配数据段组中第b个目标监测数据与第b个目标监测数据的前一个目标监测数据的差值的绝对值。/>是第a个匹配数据段组中第b-1个目标监测数据与第b-1个目标监测数据的前一个目标监测数据的差值的绝对值。/>是第a个匹配数据段组中第c个参考影响数据与第c个参考影响数据的前一个参考影响数据的差值的绝对值。/>是第a个匹配数据段组中第c-1个参考影响数据与第c-1个参考影响数据的前一个参考影响数据的差值的绝对值。/>是第a个匹配数据段组中第b个目标监测数据所在的监测极值区间内所有极值数据的均值对应的归一化值。/>是第a个匹配数据段组中第b-1个目标监测数据所在的监测极值区间内所有极值数据的均值对应的归一化值。/>是第a个匹配数据段组中第c个参考影响数据所在的影响极值区间内所有极值数据的均值对应的归一化值。/>是第a个匹配数据段组中第c-1个参考影响数据所在的影响极值区间内所有极值数据的均值对应的归一化值。
需要说明的是，可以表征第a个匹配数据段组中目标监测数据的趋势变化情况。可以表征第a个匹配数据段组中参考影响数据的趋势变化情况。当/>越大时，往往说明第a个匹配数据段组中目标监测数据和参考影响数据之间的趋势变化越相近。
第三步，将上述子监测数据段对应的变化相似指标与每个匹配数据段组对应的变化相似指标的差值的绝对值，确定为每个匹配数据段组对应的目标异常指标。
例如，可以记任意一个匹配数据段组为标记组，记标记组中目标监测数据所在的子监测数据段为第一数据段，将第一数据段对应的变化相似指标与标记组对应的变化相似指标的差值的绝对值，确定为标记组对应的目标异常指标。
第四步，将目标异常指标小于或等于预设异常阈值的匹配数据段组，确定为候选数据段组。
其中，预设异常阈值可以是预先设置的阈值。例如，预设异常阈值可以是0.2。
需要说明的是，当目标异常指标越大时，往往说明匹配数据段组中目标监测数据和参考影响数据之间的趋势变化情况，越不符合该匹配数据段组所属的子监测数据段与其对应的子影响数据段之间的趋势变化规律；往往说明该匹配数据段组中的目标监测数据越可能是读取或显示有误的数据。
第五步，将所有候选数据段组与上述子监测数据段的交集，确定为上述子监测数据段对应的目标数据段。
步骤S6，通过孤立森林算法，对每个目标数据段进行异常检测。
在一些实施例中，可以通过孤立森林算法，对每个目标数据段进行异常检测。
作为示例，可以根据每个目标数据段中的所有目标监测数据，通过孤立森林算法进行异常检测，若存在异常得分大于预设得分阈值，则可以判断存在异常。其中，预设得分阈值可以是预先设置的阈值。例如，预设得分阈值可以是通过交叉验证的方法确定的阈值。
步骤S7，根据异常检测结果，对待检测电机进行质量检测。
在一些实施例中，可以根据异常检测结果，对上述待检测电机进行质量检测，实现了对待检测电机的质量检测。
作为示例，若异常检测结果中存在异常，则可以判定待检测电机存在异常，并进行异常报警处理，此时待检测电机可能存在质量问题。
基于与上述方法实施例相同的发明构思，本发明提供了一种电机生产质量检测系统，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电机生产质量检测方法的步骤。
综上，相较于直接采用孤立森林算法，对目标监测数据序列进行异常检测，本发明综合考虑了目标监测数据和参考影响数据之间的数据变化情况，实现了对目标监测数据序列中读取或显示有误数据的清洗，在一定程度上减少了读取或显示有误数据对后续异常检测的干扰，比如可以减少后续进行异常检测时对左右子树构建的干扰，从而提高了电机生产质量检测的准确度。
至此，本发明完成。
一种用于电机生产质量检测的数据异常检测方法实施例：
对数据进行异常检测时，通常采用的方法为：通过孤立森林算法进行数据异常检测。然而，当采用孤立森林算法，对采集的与电机质量相关的监测数据进行异常检测时，经常会存在如下技术问题：
由于数据采集环境噪声等因素的影响可能导致某些时刻采集的监测数据并不能表示电机的实际情况，即某些时刻采集的监测数据可能是读取或显示有误的数据，因此，直接采用孤立森林算法，对采集的监测数据进行异常检测时，可能会将读取或显示有误的监测数据误判为电机发生故障时的异常数据，从而导致数据异常检测的准确度较差。
为了解决数据异常检测的准确度较差的技术问题，本发明的目的在于提供一种用于电机生产质量检测的数据异常检测方法，所采用的技术方案具体如下：
步骤S1，获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列。
步骤S2，以目标监测数据序列和参考影响数据序列中的极值数据为切割点，分别对目标监测数据序列和参考影响数据序列进行分割，得到监测极值区间和影响极值区间。
步骤S3，根据所有监测极值区间和所有影响极值区间，分别对目标监测数据序列和参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段。
步骤S4，根据每个子监测数据段和其对应的子影响数据段中的极值数据，对子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到子监测数据段对应的变化相似指标。
步骤S5，根据每个子监测数据段对应的变化相似指标，对子监测数据段进行数据清洗，得到子监测数据段对应的目标数据段。
步骤S6，通过孤立森林算法，对每个目标数据段进行异常检测。
本发明实施例提供的一种用于电机生产质量检测的数据异常检测方法具有如下技术效果：
通过对目标监测数据序列和参考影响数据序列进行数据处理，实现了数据异常检测，解决了数据异常检测的准确度较差的技术问题，提高了数据异常检测的准确度。首先，由于目标检测参数和目标影响参数呈正相关，所以在数据没有读取或显示有误的情况下，采集的目标检测参数和目标影响参数下的数据随时间的变化趋势往往相同，因此获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列，可以便于后续基于参考影响数据序列，从目标监测数据序列中筛选出读取或显示有误的数据，以减少对后续进行数据异常检测的干扰。接着，由于极值数据在一定程度上可以表征数据变化程度，因此，基于极值数据，对目标监测数据序列和参考影响数据序列进行分割，可以将变化趋势相近的数据划分至同一个区间，即同一个监测极值区间内的目标监测数据的变化趋势往往相同，同一个影响极值区间内的参考影响数据的变化趋势往往相同。然后，综合考虑所有监测极值区间和所有影响极值区间，对目标监测数据序列和参考影响数据序列进行自适应分割，可以提高子监测数据段和其对应的子影响数据段确定的准确度。其次，通过孤立森林算法进行异常检测时，需要进行检测的数据越多，需要的树的深度往往越大，其异常检测性能往往就会越低，因此，对目标监测数据序列和参考影响数据序列进行自适应分割，可以在一定程度上减少后续每次通过孤立森林算法进行异常检测时的数据，从而可以提高数据异常检测的准确度。之后，量化的子监测数据段对应的变化相似指标越大，往往说明该子监测数据段与其对应的子影响数据段之间的变化情况越相似。而后，由于子监测数据段与其对应的子影响数据段之间的变化情况，往往与子监测数据段内是否存在读取或显示有误的目标监测数据有关，因此基于每个子监测数据段对应的变化相似指标，对每个子监测数据段进行数据清洗，可以相对比较精确地清洗出读取或显示有误的目标监测数据。最后，通过孤立森林算法，对每个目标数据段进行异常检测，实现了数据异常检测，并且相较于直接采用孤立森林算法，对目标监测数据序列进行异常检测，本发明综合考虑了目标监测数据和参考影响数据之间的数据变化情况，实现了对目标监测数据序列中读取或显示有误数据的清洗，在一定程度上减少了读取或显示有误数据对后续异常检测的干扰，比如可以减少后续进行异常检测时对左右子树构建的干扰，从而提高了数据异常检测的准确度。
其中，步骤S1-S6在上述一种电机生产质量检测方法及系统实施例中已给出了详细说明，不再赘述。
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)

1.一种电机生产质量检测方法，其特征在于，包括以下步骤：
获取待检测电机在目标检测参数下的目标监测数据序列，以及其在目标影响参数下的参考影响数据序列，其中，目标检测参数和目标影响参数呈正相关；
以所述目标监测数据序列和所述参考影响数据序列中的极值数据为切割点，分别对所述目标监测数据序列和所述参考影响数据序列进行分割，得到监测极值区间和影响极值区间，其中，数据序列中的极值数据是其对应的拟合曲线中的极值；
根据所有监测极值区间和所有影响极值区间，分别对所述目标监测数据序列和所述参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段；
根据每个子监测数据段和其对应的子影响数据段中的极值数据，对所述子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到所述子监测数据段对应的变化相似指标；
根据每个子监测数据段对应的变化相似指标，对所述子监测数据段进行数据清洗，得到所述子监测数据段对应的目标数据段；
通过孤立森林算法，对每个目标数据段进行异常检测；
根据异常检测结果，对所述待检测电机进行质量检测。
2.根据权利要求1所述的一种电机生产质量检测方法，其特征在于，所述根据所有监测极值区间和所有影响极值区间，分别对所述目标监测数据序列和所述参考影响数据序列进行自适应分割，得到子监测数据段和其对应的子影响数据段，包括：
对所有监测极值区间和所有影响极值区间进行自适应调整排序，得到监测极值区间序列和影响极值区间序列；
根据监测极值区间序列中的每个监测极值区间和影响极值区间序列，确定每个监测极值区间对应的趋势一致性指标；
从监测极值区间序列中筛选出趋势一致性指标大于或等于预设一致阈值的监测极值区间，作为候选极值区间，并将序号最小的候选极值区间，确定为目标极值区间；
将影响极值区间序列中与目标极值区间位置相同的影响极值区间，确定为目标影响区间；
将目标极值区间以及监测极值区间序列中目标极值区间之前的监测极值区间所构成的子序列，确定为一个子监测数据段，并从影响极值区间序列中筛选出位置与该子监测数据段在监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段；
将监测极值区间序列更新为目标极值区间之后的监测极值区间构成的子序列，并将影响极值区间序列更新为目标影响区间之后的影响极值区间构成的子序列，并根据最新更新得到的监测极值区间序列和影响极值区间序列，重复上述子监测数据段获取步骤，直至最新更新得到的监测极值区间序列中的监测极值区间对应的最新的趋势一致性指标均小于预设一致阈值，或者最新更新得到的监测极值区间序列为空；若最新更新得到的监测极值区间序列中的监测极值区间对应的最新的趋势一致性指标均小于预设一致阈值，则将最新更新得到的监测极值区间序列，作为一个子监测数据段，并从最新更新得到的影响极值区间序列中筛选出位置与该子监测数据段在最新更新得到的监测极值区间序列中位置相同的数据段，作为该子监测数据段对应的子影响数据段。
3.根据权利要求2所述的一种电机生产质量检测方法，其特征在于，所述对所有监测极值区间和所有影响极值区间进行自适应调整排序，得到监测极值区间序列和影响极值区间序列，包括：
根据采集时间，按照从早到晚的顺序，分别对所有监测极值区间和所有影响极值区间进行排序，并将所有监测极值区间排序得到的序列，作为第一序列，将所有影响极值区间排序得到的序列，作为第二序列；
若第一序列中监测极值区间的数量小于或等于第二序列中影响极值区间的数量，则将第一序列作为监测极值区间序列，并将第二序列作为影响极值区间序列；
若第一序列中监测极值区间的数量大于第二序列中影响极值区间的数量，则将第一序列中监测极值区间数量与第二序列中影响极值区间数量的差值，确定为目标数量，从第二序列中筛选出序号最小的目标数量个影响极值区间，并将筛选出的目标数量个影响极值区间构成的子序列，确定为候选子序列，将候选子序列添加至第二序列的末端，并将添加了候选子序列的第二序列，确定为影响极值区间序列，将第一序列作为监测极值区间序列。
4.根据权利要求2所述的一种电机生产质量检测方法，其特征在于，所述根据监测极值区间序列中的每个监测极值区间和影响极值区间序列，确定每个监测极值区间对应的趋势一致性指标，包括：
记任意一个监测极值区间为标记极值区间，将标记极值区间以及监测极值区间序列中标记极值区间之前的监测极值区间所构成的子序列，记为所述标记极值区间对应的监测子序列；
将影响极值区间序列中与标记极值区间位置相同的影响极值区间，确定为标记影响区间；
将标记影响区间以及影响极值区间序列中标记影响区间之前的影响极值区间所构成的子序列，记为所述标记极值区间对应的影响子序列；
根据所述标记极值区间对应的监测子序列和影响子序列，确定所述标记极值区间对应的趋势一致性指标。
5.根据权利要求4所述的一种电机生产质量检测方法，其特征在于，监测极值区间对应的趋势一致性指标对应的公式为：
；其中，/>是监测极值区间序列中第i个监测极值区间对应的趋势一致性指标；i是监测极值区间序列中监测极值区间的序号；/>是以自然常数为底的指数函数；/>是监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的数量；j是监测极值区间序列中第i个监测极值区间对应的监测子序列或影响子序列中区间的序号；/>是取绝对值函数；/>是监测极值区间序列中第i个监测极值区间对应的监测子序列中，第j个监测极值区间内所有目标监测数据对应的目标斜率的均值；目标监测数据对应的目标斜率是该目标监测数据在目标监测数据序列对应的拟合曲线上的斜率；是监测极值区间序列中第i个监测极值区间对应的影响子序列中，第j个影响极值区间内所有参考影响数据对应的目标斜率的均值；参考影响数据对应的目标斜率是该参考影响数据在参考影响数据序列对应的拟合曲线上的斜率。
6.根据权利要求1所述的一种电机生产质量检测方法，其特征在于，所述根据每个子监测数据段和其对应的子影响数据段中的极值数据，对所述子监测数据段和其对应的子影响数据段进行变化相似性分析处理，得到所述子监测数据段对应的变化相似指标，包括：
根据所述子监测数据段和其对应的子影响数据段中的所有极值数据、所述子监测数据段中所有目标监测数据对应的目标斜率、以及所述子监测数据段对应的子影响数据段中所有参考影响数据对应的目标斜率，确定所述子监测数据段对应的变化相似指标，其中，目标监测数据对应的目标斜率是该目标监测数据在目标监测数据序列对应的拟合曲线上的斜率，参考影响数据对应的目标斜率是该参考影响数据在参考影响数据序列对应的拟合曲线上的斜率。
7.根据权利要求6所述的一种电机生产质量检测方法，其特征在于，子监测数据段对应的变化相似指标对应的公式为：
；
；
；其中，/>是第m个子监测数据段对应的变化相似指标；m是子监测数据段的序号；/>是以自然常数为底的指数函数；/>是取绝对值函数；/>是第m个子监测数据段对应的变化趋势特征；/>是第m个子监测数据段对应的子影响数据段对应的变化趋势特征；/>是第m个子监测数据段或其对应的子影响数据段内区间的数量；t是第m个子监测数据段或其对应的子影响数据段内区间的序号；/>是第m个子监测数据段内第t个监测极值区间内所有目标监测数据对应的目标斜率的均值；/>是第m个子监测数据段内第t-1个监测极值区间内所有目标监测数据对应的目标斜率的均值；/>是第m个子监测数据段对应的子影响数据段内第t个影响极值区间内所有参考影响数据对应的目标斜率的均值；是第m个子监测数据段对应的子影响数据段内第t-1个影响极值区间内所有参考影响数据对应的目标斜率的均值；/>是第m个子监测数据段内第t个监测极值区间内所有极值数据的均值对应的归一化值；/>是第m个子监测数据段内第t-1个监测极值区间内所有极值数据的均值对应的归一化值；/>是第m个子监测数据段对应的子影响数据段内第t个影响极值区间内所有极值数据的均值对应的归一化值；/>是第m个子监测数据段对应的子影响数据段内第t-1个影响极值区间内所有极值数据的均值对应的归一化值。
8.根据权利要求1所述的一种电机生产质量检测方法，其特征在于，所述根据每个子监测数据段对应的变化相似指标，对所述子监测数据段进行数据清洗，得到所述子监测数据段对应的目标数据段，包括：
对所述子监测数据段与其对应的子影响数据段中的数据进行匹配，并将互相匹配的每两个数据段，构成匹配数据段组；
根据每个匹配数据段组中所有的目标监测数据和参考影响数据，确定每个匹配数据段组对应的变化相似指标；
将所述子监测数据段对应的变化相似指标与每个匹配数据段组对应的变化相似指标的差值的绝对值，确定为每个匹配数据段组对应的目标异常指标；
将目标异常指标小于或等于预设异常阈值的匹配数据段组，确定为候选数据段组；
将所有候选数据段组与所述子监测数据段的交集，确定为所述子监测数据段对应的目标数据段。
9.根据权利要求8所述的一种电机生产质量检测方法，其特征在于，匹配数据段组对应的变化相似指标对应的公式为：
；
；
；其中，/>是第a个匹配数据段组对应的变化相似指标；a是匹配数据段组的序号；/>是以自然常数为底的指数函数；/>是取绝对值函数；/>是第a个匹配数据段组中所有目标监测数据的变化趋势特征；/>是第a个匹配数据段组中所有参考影响数据的变化趋势特征；/>是第a个匹配数据段组中目标监测数据的数量；b是第a个匹配数据段组中目标监测数据的序号；/>是第a个匹配数据段组中参考影响数据的数量；c是第a个匹配数据段组中参考影响数据的序号；/>是第a个匹配数据段组中第b个目标监测数据与第b个目标监测数据的前一个目标监测数据的差值的绝对值；/>是第a个匹配数据段组中第b-1个目标监测数据与第b-1个目标监测数据的前一个目标监测数据的差值的绝对值；/>是第a个匹配数据段组中第c个参考影响数据与第c个参考影响数据的前一个参考影响数据的差值的绝对值；/>是第a个匹配数据段组中第c-1个参考影响数据与第c-1个参考影响数据的前一个参考影响数据的差值的绝对值；/>是第a个匹配数据段组中第b个目标监测数据所在的监测极值区间内所有极值数据的均值对应的归一化值；/>是第a个匹配数据段组中第b-1个目标监测数据所在的监测极值区间内所有极值数据的均值对应的归一化值；/>是第a个匹配数据段组中第c个参考影响数据所在的影响极值区间内所有极值数据的均值对应的归一化值；/>是第a个匹配数据段组中第c-1个参考影响数据所在的影响极值区间内所有极值数据的均值对应的归一化值。
10.一种电机生产质量检测系统，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电机生产质量检测方法。
CN202311785516.7A 2023-12-25 2023-12-25 一种电机生产质量检测方法及系统 Active CN117454096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311785516.7A CN117454096B (zh) 2023-12-25 2023-12-25 一种电机生产质量检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311785516.7A CN117454096B (zh) 2023-12-25 2023-12-25 一种电机生产质量检测方法及系统

Publications (2)

Publication Number Publication Date
CN117454096A true CN117454096A (zh) 2024-01-26
CN117454096B CN117454096B (zh) 2024-03-01

Family

ID=89585994

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311785516.7A Active CN117454096B (zh) 2023-12-25 2023-12-25 一种电机生产质量检测方法及系统

Country Status (1)

Country Link
CN (1) CN117454096B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117929903A (zh) * 2024-03-18 2024-04-26 深圳市南海核电技术有限公司 一种对电动阀阀位反馈器件性能测试方法
CN118277943A (zh) * 2024-06-03 2024-07-02 西安高商智能科技有限责任公司 一种电机运行状态的快速检测方法
CN118314673A (zh) * 2024-04-07 2024-07-09 河南唐都科技有限公司 基于互联网数据的智能火灾预警方法及系统
CN118362888A (zh) * 2024-06-20 2024-07-19 锦州汉拿航空科技有限公司 用于起动电机的电性能测试方法及系统

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11184959A (ja) * 1997-12-22 1999-07-09 Toshiba Tec Corp バーコード領域の検出方法
WO2020010701A1 (zh) * 2018-07-11 2020-01-16 平安科技（深圳）有限公司 污染物异常监测方法、系统、计算机设备和存储介质
WO2020052147A1 (zh) * 2018-09-11 2020-03-19 清华大学合肥公共安全研究院 监测设备故障检测方法及装置
CN111145138A (zh) * 2019-07-30 2020-05-12 Tcl王牌电器(惠州)有限公司 Led灯板的检测方法、装置、设备及存储介质
WO2020133735A1 (zh) * 2018-12-27 2020-07-02 上海交通大学 基于类人概念学习的配电网早期故障检测方法
CN111598438A (zh) * 2020-05-14 2020-08-28 哈尔滨工业大学（威海） 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN113392914A (zh) * 2021-06-22 2021-09-14 北京邮电大学 一种基于数据特征的权重来构建孤立森林的异常检测算法
WO2021179572A1 (zh) * 2020-03-12 2021-09-16 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN113420073A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于改进的孤立森林的异常样本检测方法及相关设备
CN113538503A (zh) * 2021-08-21 2021-10-22 西北工业大学 一种基于红外图像的太阳能板缺陷检测方法
CN114816901A (zh) * 2022-02-28 2022-07-29 南开大学 通过ai的方式对软件变更后的健康状态进行评估的方法
WO2023000482A1 (zh) * 2021-07-23 2023-01-26 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
CN115760484A (zh) * 2022-12-07 2023-03-07 湖北华中电力科技开发有限责任公司 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
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
WO2023050620A1 (zh) * 2021-09-29 2023-04-06 西安交通大学 一种分布式区块链系统用户异常行为监测方法及系统
CN116257806A (zh) * 2022-09-09 2023-06-13 西安电子科技大学广州研究院 基于半监督与孤立森林的大比例异常数据检测方法及系统
US11798263B1 (en) * 2022-09-22 2023-10-24 Sas Institute Inc. Manufacturing defective object detection system
CN116975771A (zh) * 2023-09-25 2023-10-31 苏州保邦电气有限公司 一种用于电机生产的异常自动识别方法及系统
CN117077044A (zh) * 2023-10-18 2023-11-17 深圳市大易电气实业有限公司 一种发电机用真空断路器故障判别方法及装置
CN117076899A (zh) * 2023-10-08 2023-11-17 江苏华一机械有限公司 一种磨毛机运行故障监测识别方法及系统
CN117193164A (zh) * 2023-11-08 2023-12-08 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11184959A (ja) * 1997-12-22 1999-07-09 Toshiba Tec Corp バーコード領域の検出方法
WO2020010701A1 (zh) * 2018-07-11 2020-01-16 平安科技（深圳）有限公司 污染物异常监测方法、系统、计算机设备和存储介质
WO2020052147A1 (zh) * 2018-09-11 2020-03-19 清华大学合肥公共安全研究院 监测设备故障检测方法及装置
WO2020133735A1 (zh) * 2018-12-27 2020-07-02 上海交通大学 基于类人概念学习的配电网早期故障检测方法
CN111145138A (zh) * 2019-07-30 2020-05-12 Tcl王牌电器(惠州)有限公司 Led灯板的检测方法、装置、设备及存储介质
WO2021179572A1 (zh) * 2020-03-12 2021-09-16 平安科技（深圳）有限公司 运维系统异常指标检测模型优化方法、装置及存储介质
CN111598438A (zh) * 2020-05-14 2020-08-28 哈尔滨工业大学（威海） 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN113392914A (zh) * 2021-06-22 2021-09-14 北京邮电大学 一种基于数据特征的权重来构建孤立森林的异常检测算法
WO2023000482A1 (zh) * 2021-07-23 2023-01-26 广州新科佳都科技有限公司 一种基于机理分析的站台门异常检测方法及装置
CN113538503A (zh) * 2021-08-21 2021-10-22 西北工业大学 一种基于红外图像的太阳能板缺陷检测方法
CN113420073A (zh) * 2021-08-23 2021-09-21 平安科技（深圳）有限公司 基于改进的孤立森林的异常样本检测方法及相关设备
WO2023050620A1 (zh) * 2021-09-29 2023-04-06 西安交通大学 一种分布式区块链系统用户异常行为监测方法及系统
CN114816901A (zh) * 2022-02-28 2022-07-29 南开大学 通过ai的方式对软件变更后的健康状态进行评估的方法
CN116257806A (zh) * 2022-09-09 2023-06-13 西安电子科技大学广州研究院 基于半监督与孤立森林的大比例异常数据检测方法及系统
US11798263B1 (en) * 2022-09-22 2023-10-24 Sas Institute Inc. Manufacturing defective object detection system
CN115760484A (zh) * 2022-12-07 2023-03-07 湖北华中电力科技开发有限责任公司 一种配电台区隐患辨识能力提升方法、装置、系统及存储介质
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
CN116975771A (zh) * 2023-09-25 2023-10-31 苏州保邦电气有限公司 一种用于电机生产的异常自动识别方法及系统
CN117076899A (zh) * 2023-10-08 2023-11-17 江苏华一机械有限公司 一种磨毛机运行故障监测识别方法及系统
CN117077044A (zh) * 2023-10-18 2023-11-17 深圳市大易电气实业有限公司 一种发电机用真空断路器故障判别方法及装置
CN117193164A (zh) * 2023-11-08 2023-12-08 东莞市博思特数控机械有限公司 一种数控机床的故障监测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张海龙;范振东;陈敏;: "孤立森林算法在大坝监测数据异常识别中的应用", 人民黄河, no. 08, 10 August 2020 (2020-08-10) *
李星南;施展;亢中苗;苏卓;: "基于孤立森林算法和BP神经网络算法的电力运维数据清洗方法", 电气应用, no. 16, 20 August 2018 (2018-08-20) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117688311B (zh) * 2024-02-04 2024-05-31 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
CN117929903A (zh) * 2024-03-18 2024-04-26 深圳市南海核电技术有限公司 一种对电动阀阀位反馈器件性能测试方法
CN118314673A (zh) * 2024-04-07 2024-07-09 河南唐都科技有限公司 基于互联网数据的智能火灾预警方法及系统
CN118277943A (zh) * 2024-06-03 2024-07-02 西安高商智能科技有限责任公司 一种电机运行状态的快速检测方法
CN118362888A (zh) * 2024-06-20 2024-07-19 锦州汉拿航空科技有限公司 用于起动电机的电性能测试方法及系统
CN118362888B (zh) * 2024-06-20 2024-08-27 锦州汉拿航空科技有限公司 用于起动电机的电性能测试方法及系统

Also Published As

Publication number Publication date
CN117454096B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN117454096B (zh) 一种电机生产质量检测方法及系统
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
CN111459778B (zh) 运维系统异常指标检测模型优化方法、装置及存储介质
CN108763346B (zh) 一种滑窗箱型图中值滤波的异常点处理方法
CN111178548B (zh) 集成学习预测方法与系统
CN113671917B (zh) 针对多模态工业过程异常状态的检测方法、系统、设备
CA2865761C (en) Time series analytics
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
JP2020009407A (ja) 欠陥率を分析するシステム
CN116718218B (zh) 一种光电集成式传感芯片测试数据处理方法
CN118013230B (zh) 一种畜禽水质异常监测数据处理方法及系统
CN117251749A (zh) 一种基于增量分析的物联网数据处理方法
CN117556386B (zh) 一种炉内精炼过程中的温度数据监测方法
CN115274004A (zh) 一种基于知识复用的发酵过程菌体浓度预测方法及系统
CN110781781A (zh) 一种时间序列概念漂移检测方法、系统、介质及设备
CN114297264A (zh) 一种时序信号异常片段检测方法及系统
CN117591860A (zh) 一种数据异常检测方法及装置
CN107437112B (zh) 一种基于改进多尺度核函数的混合rvm模型预测方法
CN116974268A (zh) 一种控制系统电路智能化监测预警方法
CN114680879B (zh) 体动伪迹信号的检测方法以及装置
CN115080909B (zh) 影响物联感知设备数据的分析方法、电子设备及存储介质
KR20150082976A (ko) 반도체 생산 공정에서 센서 데이터들을 이용하여 웨이퍼의 수율을 분석하는 방법
CN112149833B (zh) 基于机器学习的预测方法、装置、设备和存储介质
CN118248169B (zh) 一种基于音频数据的燃气泄漏识别方法以及相关装置
CN116955737B (zh) 一种用于明胶生产过程中异常特征检索方法

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