CN117494030B - 基于分布式光纤声波传感的异常事件识别方法及相关装置 - Google Patents
基于分布式光纤声波传感的异常事件识别方法及相关装置 Download PDFInfo
- Publication number
- CN117494030B CN117494030B CN202410001177.7A CN202410001177A CN117494030B CN 117494030 B CN117494030 B CN 117494030B CN 202410001177 A CN202410001177 A CN 202410001177A CN 117494030 B CN117494030 B CN 117494030B
- Authority
- CN
- China
- Prior art keywords
- data
- fitting
- abnormal
- initial
- result
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000013307 optical fiber Substances 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/001—Acoustic presence detection
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Acoustics & Sound (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供基于分布式光纤声波传感的异常事件识别方法及相关装置,属于数据处理技术领域。该方法包括:获得分布式光纤声波传感在监控位置所采集得到的传感数据;对传感数据进行异常检测获得初始异常数据;对初始异常数据进行梯度计算获得第一梯度结果,并根据第一梯度结果获得初始异常数据对应的第一拟合结果;获得初始异常数据对应的第一相邻数据,并对第一相邻数据进行梯度计算获得第二梯度结果,并根据第二梯度结果获得第一相邻数据对应的第二拟合结果;根据第一拟合结果和第二拟合结果确定初始异常数据和第一相邻数据之间的相关值;根据相关值确定初始异常数据对应的第一异常方向,并根据第一异常方向确定监控位置对应的异常事件。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及基于分布式光纤声波传感的异常事件识别方法及相关装置。
背景技术
在传统安防监控预警系统中,特别是针对管道油田、围墙等目标区域的安防监控预警,一般采用传感器设在目标区域的周边,可以感知目标区域的各种物理参数变化,进而将物理参数变化发送给远程监控人员对应的监控装置中,进而远程监控人员只能根据自身经验结合物理参数变化进行异常事件识别,但是在面对复杂的场景时,对目标区域发生的异常事件进行识别的准确性较差。
发明内容
本发明实施例的主要目的在于提供基于分布式光纤声波传感的异常事件识别方法及相关装置,旨在解决相关技术中远程监控人员只能根据自身经验结合物理参数变化进行异常事件识别,但是在面对复杂的场景时,对目标区域发生的异常事件进行识别的准确性较差的问题。
第一方面,本发明实施例提供基于分布式光纤声波传感的异常事件识别方法,包括:
获得所述分布式光纤声波传感在监控位置所采集得到的传感数据;
对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据;
对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果;
获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果;
根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值;
根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件。
第二方面,本发明实施例提供一种基于分布式光纤声波传感的异常事件识别装置,包括:
数据获取模块,用于获得所述分布式光纤声波传感在监控位置所采集得到的传感数据;
数据检测模块,用于对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据;
第一拟合模块,用于对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果;
第二拟合模块,用于获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果;
数值确定模块,用于根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值;
事件确定模块,用于根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件。
第三方面,本发明实施例还提供一种终端设备,所述终端设备包括处理器、存储器、存储在所述存储器上并可被所述处理器执行的计算机程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,其中所述计算机程序被所述处理器执行时,实现如本发明说明书提供的任一项基于分布式光纤声波传感的异常事件识别方法的步骤。
第四方面,本发明实施例还提供一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明说明书提供的任一项基于分布式光纤声波传感的异常事件识别方法的步骤。
本发明实施例提供一种基于分布式光纤声波传感的异常事件识别方法及相关装置,该方法包括获得分布式光纤声波传感在监控位置所采集得到的传感数据;对传感数据进行异常检测,获得传感数据对应的初始异常数据;对初始异常数据进行梯度计算,获得第一梯度结果,并根据第一梯度结果获得初始异常数据对应的第一拟合结果;获得初始异常数据对应的第一相邻数据,并对第一相邻数据进行梯度计算,获得第二梯度结果,并根据第二梯度结果获得第一相邻数据对应的第二拟合结果;根据第一拟合结果和第二拟合结果确定初始异常数据和第一相邻数据之间的相关值;根据相关值确定初始异常数据对应的第一异常方向,并根据第一异常方向确定监控位置对应的异常事件。本申请中根据初始异常数据的梯度信息以及相邻数据的梯度信息确定初始异常数据对应的异常方向,不仅能够获得传感数据中的异常信息,而且能够有效增强隐藏在初始异常数据中的异常方向信息,从而为后续判定监控位置对应的异常事件提供了强有力的支撑。解决了相关技术中远程监控人员只能根据自身经验结合物理参数变化进行异常事件识别,但是在面对复杂的场景时,对目标区域发生的异常事件进行识别的准确性较差的问题。并且有效的提高了在目标区域进行异常事件识别的准确性。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本发明实施例提供的基于分布式光纤声波传感的异常事件识别方法的流程示意图;
图2为本发明实施例提供的一种基于分布式光纤声波传感的异常事件识别装置的模块结构示意图;
图3为本发明实施例提供的一种终端设备的结构示意框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
本发明实施例提供一种基于分布式光纤声波传感的异常事件识别方法及相关装置。其中,该基于分布式光纤声波传感的异常事件识别方法可应用于终端设备中,该终端设备可以平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。该终端设备可以为服务器,也可以为服务器集群。
下面结合附图,对本发明的一些实施例作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参照图1,图1为本发明实施例提供的一种基于分布式光纤声波传感的异常事件识别方法的流程示意图。
如图1所示,该基于分布式光纤声波传感的异常事件识别方法包括步骤S101至步骤S106。
步骤S101、获得所述分布式光纤声波传感在监控位置所采集得到的传感数据。
示例性地,在监控位置对应的监测区域设置光纤传感器(例如分布式光纤声波传感),进而利用分布式光纤声波传感采集监控区域对应的传感数据,进而获得分布式光纤声波传感采集到的传感数据。
步骤S102、对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据。
示例性地,对传感数据进行预处理,至少包括数据清洗、去噪和归一化等操作,进而减少传感数据中的噪声降低对后续异常数据检测的干扰。从传感数据中提取适用于异常检测的特征。如平均值、标准差等、频域特征(如功率谱密度、频率变化率等或其他领域相关的特征。进而根据基于机器学习的方法或基于深度学习的方法来检测传感数据中的异常数据点,进而获得初始异常数据。
可选地,本申请对于从传感数据中获得初始异常数据的方法不做具体限制,用户可根据实际需求自行选择。
步骤S103、对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果。
示例性地,对初始异常数据进行处理,包括去除或插补缺失值、去除异常值或去噪等操作,以便进行后续计算。针对处理后的初始异常数据,使用一阶中心差分的方式计算其相邻两个数据点之间的梯度,得到第一梯度结果。
示例性地,根据第一梯度结果确定初始异常数据之间地变化关系,进而根据该变化关系确定对应地数学模型,进而对初始异常数据进行拟合,得到第一拟合结果。
例如,如果第一梯度结果呈现出线性关系,则可以采用线性回归模型对初始异常数据进行拟合。如果第一梯度结果呈现出其他的函数关系,则可以尝试使用多项式回归、指数回归或其他拟合模型对初始异常数据进行拟合,以获得更好的拟合结果。
此外,在获得的第一拟合结果后,还可对第一拟合结果进行评估以确定拟合的准确性和可信度。可采用拟合误差、残差以及统计指标等方法来评估拟合结果,以选择最优的第一拟合结果,从而为后续的异常分析提供较好地支撑。
在一些实施方式中,所述根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果,包括:确定第一拟合函数,根据所述第一梯度结果和所述第一梯度函数对所述初始异常数据进行拟合,获得所述初始异常数据对应的第一拟合参数;根据所述第一拟合参数确定所述第一拟合函数对所述初始异常数据进行拟合对应的第一拟合误差;根据所述第一拟合误差调整所述第一拟合参数,并根据调整后的所述第一拟合参数确定所述初始异常数据对应的第一拟合结果。
示例性地,为后续更好地确定初始异常数据对应地第一异常方向,采用二元一次函数地方式,对初始异常数据进行拟合,从而可以很好地拟合出初始异常数据在任意方向上地发展。
示例性地,确定第一拟合函数可形如L=ax+by+c,则将初始异常数据对应地位置信息和第一梯度信息根据第一拟合函数地样式进行数据拟合,获得初始异常数据对应的第一拟合参数,进而根据第一拟合参数确定第一拟合函数对初始异常数据进行拟合对应的第一拟合误差,当第一拟合误差大于预设误差时则调整第一拟合参数,并重新根据调整后的第一拟合参数进行第一拟合误差地计算,直至第一拟合误差小于或者等于预设误差,获得初始异常数据对应的调整后地第一拟合参数,并根据调整后地第一拟合参数确定第一拟合结果。
例如,传感数据中包括测量位置和测量参数,则测量位置根据监控位置对应的监控区域设置的坐标系进行描述,进而初始异常数据中对应的位置信息也是在监控位置对应的监控区域设置的坐标系进行描述,此时为保证后续判断异常时间的准确性在此不做坐标系转换。则可获得第一拟合结果的描述形如下列公式:
;
其中,表示第i个初始异常数据在监控位置对应的监控区域设置的坐标系下水平坐标为/>和垂直坐标为/>时所对应的位置信息的第一梯度信息,/>表示第i点的水平坐标,/>表示第i点的垂直坐标,i=1,2,...,n,n表示初始异常数据对应的数量,A、B、C为第一拟合结果对应的第一拟合参数。
示例性地,根据A、B、C对应地第一拟合结果可以很好地表示初始异常数据在任意方向地梯度信息,从而为后续判断异常事件所需地异常方向提供良好地支撑。
步骤S104、获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果。
示例性地,获得初始异常数据中第一梯度信息中的梯度最大值,以及初始异常数据对应的数据范围,进而将梯度最大值作为该数据范围的中心点,进而获得梯度最大值对应的初始异常数据在传感数据中的位置,进而将该位置的传感数据作为数据范围的中心数据,从而将该数据范围内的传感数据作为第一相邻数据。
示例性地,在根据第一相邻数据进行梯度计算,获得第二梯度结果,并根据第二梯度结果获得第一相邻数据对应的第二拟合结果的方式中与对初始异常数据进行梯度计算,获得第一梯度结果,并根据第一梯度结果获得初始异常数据对应的第一拟合结果的方式可以相同,本申请在此不再赘述。
在一些实施方式中,所述获得所述初始异常数据对应的第一相邻数据,包括:确定所述初始异常数据和所述第一相邻数据之间对应的水平间隔和垂直间隔;获得所述初始异常数据对应的第一水平范围和第一垂直范围;根据所述水平间隔和所述第一水平范围确定所述第一相邻数据对应的第二水平范围,以及根据所述垂直间隔和所述第一垂直范围确定所述第一相邻数据对应的第二垂直范围;根据所述第二水平范围和所述第二垂直范围确定所述初始异常数据对应的所述第一相邻数据。
示例性地,设置初始异常数据和第一相邻数据之间对应的水平间隔和垂直间隔/>。获得初始异常数据在传感数据中对应的第一水平范围和第一垂直范围,进而将第一水平范围加上或减去水平间隔/>得到第一相邻数据对应的第二水平范围以及将第一垂直范围加上或减去垂直间隔/>得到第一相邻数据对应的第二垂直范围,进而根据第二水平范围和第二垂直范围确定第一相邻数据在传感数据中的目标范围,从而根据目标范围在传感数据中查询从而获得初始异常数据对应的第一相邻数据。
例如,第一水平范围为x1到x2,第一垂直范围为y1到y2,则将第一水平范围减去水平间隔可得到第一相邻数据对应的第二水平范围/>到/>。将第一垂直范围加上垂直间隔/>可得到第一相邻数据对应的第二垂直范围/>到/>,进而根据第二水平范围和第二垂直范围确定初始异常数据对应的第一相邻数据。
在一些实施方式中,所述根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果,包括:根据所述水平间隔和所述垂直间隔结合所述第一拟合结果获得所述第一相邻数据对应的初始拟合结果;根据所述第二梯度结果对所述初始拟合结果进行调参,获得所述第一相邻数据对应的所述第二拟合结果。
示例性地,将水平间隔和垂直间隔带入第一拟合结果获得第一相邻数据对应的初始拟合结果,初始拟合结果如下列公式所示:
;
其中,表示第i个初始异常数据在监控位置对应的监控区域设置的坐标系下水平坐标/>为和垂直坐标为/>时所对应的位置信息的第二梯度信息,/>表示第i个初始异常数据中第i点的水平坐标,/>表示第i个初始异常数据中第i点的垂直坐标,i=1,2,...,n,n表示初始异常数据对应的数量,A、B、C为第一拟合结果对应的第一拟合参数,/>表示水平间隔,/>表示垂直间隔。
示例性地,第一相邻数据对应地初始拟合参数由于第一相邻数据为初始异常数据进行平移筛选得到地,则将第一相邻数据对应地初始拟合参数如上述公式所示,则可将第一相邻数据对应地初始拟合结果可根据初始异常数据对应地第一拟合结果和水平间隔以及垂直间隔进行表示。
示例性地,在获得初始拟合参数后,可根据第二梯度结果对初始拟合结果进行参数调整,以使得第二梯度结果地拟合误差较小,从而获得第一相邻数据对应的第二拟合结果。
步骤S105、根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值。
示例性地,根据第一拟合结果和第二拟合结果,利用相关系数来计算初始异常数据和第一相邻数据之间的相关值。常用的相关系数有皮尔逊相关系数、斯皮尔曼相关系数等。
在一些实施方式中,所述根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值,包括:根据所述第一拟合结果获得所述初始异常数据对应的第一拟合数;根据所述第二拟合结果获得所述第一相邻数据对应的第二拟合数;根据所述第一拟合数和所述第二拟合数确定所述初始异常数据和所述第一相邻数据之间的所述相关值;其中,根据下列公式计算所述相关值:
;
N表示所述初始异常数据对应的第一异常数量和所述第一相邻数据对应的第二异常数量之间的乘积;表示第k个所述第一拟合结果;/>表示第k个所述第二拟合结果;/>表示所述第一异常数量下的所述第一拟合结果的平均值;/>表示所述第二异常数量下的所述第二拟合结果的平均值;T表示所述初始异常数据和所述第一相邻数据之间的所述相关值。
示例性地,将初始异常数据对应的位置信息代入到第一拟合结果中,从而获得初始异常数据对应的第一拟合数;将第一相邻数据对应的位置信息代入第二拟合结果中获得第一相邻数据对应的第二拟合数,进而将第一拟合数和第二拟合数根据下列公式获得初始异常数据和第一相邻数据之间的相关值:
;
N表示所述初始异常数据对应的第一异常数量和所述第一相邻数据对应的第二异常数量之间的乘积;表示第k个所述第一拟合结果;/>表示第k个所述第二拟合结果;/>表示所述第一异常数量下的所述第一拟合结果的平均值;/>表示所述第二异常数量下的所述第二拟合结果的平均值;T表示所述初始异常数据和所述第一相邻数据之间的所述相关值。
示例性地,将初始异常数据和第一相邻数据代入上述公式得到初始异常数据和第一相邻数据之间的相关值,当相关值等于1时,则获得 初始异常数据和第一相邻数据之间的最大相关值,则表明初始异常数据和第一相邻数据对应的拟合结果在一个拟合平面上,则可确定初始异常数据对应的异常方向。但是在实际情况中初始异常数据和第一相邻数据基本不可能完全在拟合在同一平面上,因此,相关值不可能为 1.0,但时可以取得相关值的最大值, 进而将该最大值对应的延展方向就代表了初始异常数据对应的异常方向。进而为后续识别监控对象的异常事件提供良好的支撑。
步骤S106、根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件。
示例性地,根据计算得到的相关值,确定初始异常数据和第一相邻数据之间的关系强弱和正负。通常情况下,相关系数为正表示两者之间呈正相关关系,即在一个变量增加时,另一个变量也随之增加;相关系数为负则表示两者之间呈负相关关系,即在一个变量增加时,另一个变量减少。在此基础上,可以确定初始异常数据对应的第一异常方向。
示例性地,根据相关值的正负,可以确定初始异常数据对应的第一异常方向。如果相关系数为正,则第一异常方向为上升趋势;如果相关系数为负,则第一异常方向为下降趋势。同时,可以根据相关系数的大小,判断异常方向的强弱程度。
示例性地,根据第一异常方向,定位监控位置对应的异常事件。具体的,可以计算监控位置的测量值或指标值的变化率,或者比较其与同一时间段内其他监控位置的测量值或指标值的区别,以确定是否存在异常事件。如果测量值或指标值随时间呈现出与第一异常方向正负相符的趋势,即可判定为该监控位置发生了异常事件。
在一些实施方式中,所述第一相邻数据至少包括第一邻域和第二邻域,所述根据所述相关值确定所述初始异常数据对应的第一异常方向,包括:至少获得所述第一邻域与所述初始异常数据之间的第一相关值和获得所述第二邻域与所述初始异常数据之间的第二相关值;至少根据所述第一相关值和所述第二相关值获得所述第一相邻数据与所述初始异常数据之间的最大相关值;根据所述最大相关值从所述第一相邻数据中确定所述初始异常数据对应的目标异常数据;根据所述目标异常数据确定所述初始异常数据对应的所述第一异常方向。
示例性地,对初始异常数据的周围数据多次进行相邻数据获取的步骤,从而使得第一相邻数据中包含多组数据,如第一相邻数据至少包括第一邻域和第二邻域。
例如,初始异常数据对应的第一水平范围为x1到x2,第一垂直范围为y1到y2,水平间隔为以及垂直间隔为/>,则将第一邻域对应的水平范围为第一水平范围减去水平间隔/>后的范围,对应的垂直范围为第一垂直范围;将第二邻域对应的水平范围为第一水平范围,第一垂直范围加上垂直间隔为/>后的范围。若第一相邻数据还包括第三邻域、第四邻域等等时,则将第三邻域对应的水平范围为第一水平范围加上水平间隔/>后的范围,对应的垂直范围为第一垂直范围;将第四邻域对应的水平范围为第一水平范围,第一垂直范围减去垂直间隔为/>后的范围,等等。
示例性地,获得第一邻域后,则对第一邻域进行拟合从而获得对应的拟合结果,进而根据该拟合结果计算第一邻域与初始异常数据之间的第一相关值以及获得第二邻域后,则对第二邻域进行拟合从而获得对应的拟合结果,进而根据该拟合结果确定第二邻域与初始异常数据之间的第二相关值。对于第一邻域和第二邻域的拟合方法以及根据拟合结果确定与初始异常数据之间对应的相关值的方法上述步骤中已经进行详细说明,本申请不再赘述。
示例性地,根据第一相邻数据中包含的邻域个数获得对应数量的相关值。如第一相邻数据中包括第一邻域和第二邻域,则可获得相关值包括第一相关值T1和第二相关值T2,如第一相邻数据中包括第一邻域、第二邻域以及第三邻域,则可获得相关值包括第一相关值T1、第二相关值T2以及第三相关值T3。
示例性地,当相关值包括第一相关值和第二相关值时,则获得第一相关值和第二相关值之间的最大值,作为最大相关值;当相关值包括第一相关值、第二相关值以及第三相关值时,则获得第一相关值、第二相关值以及第三相关值之间的最大值,作为最大相关值。
示例性地,将最大相关值对应的邻域数据确定为初始异常数据对应的目标异常数据。
例如,相关值包括第一相关值和第二相关值时,则确定第一相关值和第二相关值之间的最大值为第一相关值,则将第一相关值对应的第一邻域确定为初始异常数据对应的目标异常数据。
示例性地,目标异常数据为初始异常数据的相邻数据,目标异常数据为初始异常数据通过调整水平间隔和或垂直间隔得到,则可根据将得到目标异常数据的方向确定为初始异常数据对应的第一异常方向。
在一些实施方式中,根据所述第一异常方向确定所述监控位置对应的异常事件,包括:继续获得所述目标异常数据对应的第二相邻数据,并根据所述第二相邻数据确定所述目标异常数据对应的第二异常方向;根据所述第一异常方向和所述第二异常方向确定目标对象在所述监控位置对应的运行轨迹;根据所述运行轨迹确定所述监控位置对应的异常事件。
示例性地,为进一步获得监控位置中的目标对象的运行轨迹,则将目标异常数据作为初始异常数据重新获得在目标异常数据对应的位置信息下时对应的第二相邻数据,获取第二相邻数据的方式与第一相邻数据的获取方式相同,此处不再赘述。
示例性地,根据第二相邻数据确定目标异常数据对应的第二异常方向,获取第二异常方向的方式与第一异常方向的获取方式相同,此处不再赘述。
示例性地,将多个异常方向进行连线,从而获得连线结果,该连线结果表明了目标对象在监控位置对应地监控区域导致分布式光纤声波传感采集到的传感数据异常变化的轨迹,进而将该连线结果作为目标对象在监控位置进行移动的运行轨迹。
示例性地,在获得目标对象在监控位置进行移动的运行轨迹后,根据运行轨迹判断目标对象是靠近还是远离管道油田、围墙等目标,或者判断目标对象是翻越还是未翻越管道油田、围墙等目标。从而根据该判断结果确定监控位置对应的异常事件。
具体地,继续获得目标异常数据对应的第二相邻数据获得第二异常方向,可以能够更全面地了解目标数据在时间和空间上的变化规律,也使得后续对目标对象实际运动轨迹情况的反映更加准确,提高了监测结果的可靠性和精度。为后续更准确地推断目标对象在监控位置对应的监控区域的运动轨迹提供了支撑,也使得根据运动轨迹判断目标对象在监控区域的异常事件的准确性较高。
请参阅图2,图2为本申请实施例提供的一种基于分布式光纤声波传感的异常事件识别装置200,该基于分布式光纤声波传感的异常事件识别装置200包括数据获取模块201、数据检测模块202、第一拟合模块203、第二拟合模块204、数值确定模块205、事件确定模块206,其中,数据获取模块201,用于获得所述分布式光纤声波传感在监控位置所采集得到的传感数据;数据检测模块202,用于对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据;第一拟合模块203,用于对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果;第二拟合模块204,用于获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果;数值确定模块205,用于根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值;事件确定模块206,用于根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件。
在一些实施方式中,第一拟合模块203在所述根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果过程中,执行:
确定第一拟合函数,根据所述第一梯度结果和所述第一梯度函数对所述初始异常数据进行拟合,获得所述初始异常数据对应的第一拟合参数;
根据所述第一拟合参数确定所述第一拟合函数对所述初始异常数据进行拟合对应的第一拟合误差;
根据所述第一拟合误差调整所述第一拟合参数,并根据调整后的所述第一拟合参数确定所述初始异常数据对应的第一拟合结果。
在一些实施方式中,第二拟合模块204在所述获得所述初始异常数据对应的第一相邻数据过程中,执行:
确定所述初始异常数据和所述第一相邻数据之间对应的水平间隔和垂直间隔;
获得所述初始异常数据对应的第一水平范围和第一垂直范围;
根据所述水平间隔和所述第一水平范围确定所述第一相邻数据对应的第二水平范围,以及根据所述垂直间隔和所述第一垂直范围确定所述第一相邻数据对应的第二垂直范围;
根据所述第二水平范围和所述第二垂直范围确定所述初始异常数据对应的所述第一相邻数据。
在一些实施方式中,第二拟合模块204在所述根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果过程中,执行:
根据所述水平间隔和所述垂直间隔结合所述第一拟合结果获得所述第一相邻数据对应的初始拟合结果;
根据所述第二梯度结果对所述初始拟合结果进行调参,获得所述第一相邻数据对应的所述第二拟合结果。
在一些实施方式中,数值确定模块205在所述根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值过程中,执行:
根据所述第一拟合结果获得所述初始异常数据对应的第一拟合数;
根据所述第二拟合结果获得所述第一相邻数据对应的第二拟合数;
根据所述第一拟合数和所述第二拟合数确定所述初始异常数据和所述第一相邻数据之间的所述相关值;
其中,根据下列公式计算所述相关值:
;
N表示所述初始异常数据对应的第一异常数量和所述第一相邻数据对应的第二异常数量之间的乘积;表示第k个所述第一拟合结果;/>表示第k个所述第二拟合结果;/>表示所述第一异常数量下的所述第一拟合结果的平均值;/>表示所述第二异常数量下的所述第二拟合结果的平均值;T表示所述初始异常数据和所述第一相邻数据之间的所述相关值。
在一些实施方式中,事件确定模块206在所述第一相邻数据至少包括第一邻域和第二邻域,所述根据所述相关值确定所述初始异常数据对应的第一异常方向过程中,执行:
至少获得所述第一邻域与所述初始异常数据之间的第一相关值和获得所述第二邻域与所述初始异常数据之间的第二相关值;
至少根据所述第一相关值和所述第二相关值获得所述第一相邻数据与所述初始异常数据之间的最大相关值;
根据所述最大相关值从所述第一相邻数据中确定所述初始异常数据对应的目标异常数据;
根据所述目标异常数据确定所述初始异常数据对应的所述第一异常方向。
在一些实施方式中,事件确定模块206在根据所述第一异常方向确定所述监控位置对应的异常事件过程中,执行:
继续获得所述目标异常数据对应的第二相邻数据,并根据所述第二相邻数据确定所述目标异常数据对应的第二异常方向;
根据所述第一异常方向和所述第二异常方向确定目标对象在所述监控位置对应的运行轨迹;
根据所述运行轨迹确定所述监控位置对应的异常事件。
在一些实施方式中,基于分布式光纤声波传感的异常事件识别装置200可应用于终端设备。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的基于分布式光纤声波传感的异常事件识别装置200的具体工作过程,可以参考前述基于分布式光纤声波传感的异常事件识别方法实施例中的对应过程,在此不再赘述。
请参阅图3,图3为本发明实施例提供的一种终端设备的结构示意性框图。
如图3所示,终端设备300包括处理器301和存储器302,处理器301和存储器302通过总线303连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器301用于提供计算和控制能力,支撑整个终端设备的运行。处理器301可以是中央处理单元 (Central Processing Unit,CPU),该处理器301还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
具体地,存储器302可以是Flash芯片、只读存储器 (ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明实施例方案相关的部分结构的框图,并不构成对本发明实施例方案所应用于其上的终端设备的限定,具体的服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本发明实施例提供的任意一种所述的基于分布式光纤声波传感的异常事件识别方法。
在一实施例中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获得所述分布式光纤声波传感在监控位置所采集得到的传感数据;
对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据;
对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果;
获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果;
根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值;
根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件。
在一些实施方式中,处理器301在所述根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果过程中,执行:
确定第一拟合函数,根据所述第一梯度结果和所述第一梯度函数对所述初始异常数据进行拟合,获得所述初始异常数据对应的第一拟合参数;
根据所述第一拟合参数确定所述第一拟合函数对所述初始异常数据进行拟合对应的第一拟合误差;
根据所述第一拟合误差调整所述第一拟合参数,并根据调整后的所述第一拟合参数确定所述初始异常数据对应的第一拟合结果。
在一些实施方式中,处理器301在所述获得所述初始异常数据对应的第一相邻数据过程中,执行:
确定所述初始异常数据和所述第一相邻数据之间对应的水平间隔和垂直间隔;
获得所述初始异常数据对应的第一水平范围和第一垂直范围;
根据所述水平间隔和所述第一水平范围确定所述第一相邻数据对应的第二水平范围,以及根据所述垂直间隔和所述第一垂直范围确定所述第一相邻数据对应的第二垂直范围;
根据所述第二水平范围和所述第二垂直范围确定所述初始异常数据对应的所述第一相邻数据。
在一些实施方式中,处理器301在所述根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果过程中,执行:
根据所述水平间隔和所述垂直间隔结合所述第一拟合结果获得所述第一相邻数据对应的初始拟合结果;
根据所述第二梯度结果对所述初始拟合结果进行调参,获得所述第一相邻数据对应的所述第二拟合结果。
在一些实施方式中,处理器301在根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值过程中,执行:
根据所述第一拟合结果获得所述初始异常数据对应的第一拟合数;
根据所述第二拟合结果获得所述第一相邻数据对应的第二拟合数;
根据所述第一拟合数和所述第二拟合数确定所述初始异常数据和所述第一相邻数据之间的所述相关值;
其中,根据下列公式计算所述相关值:
;
N表示所述初始异常数据对应的第一异常数量和所述第一相邻数据对应的第二异常数量之间的乘积;表示第k个所述第一拟合结果;/>表示第k个所述第二拟合结果;/>表示所述第一异常数量下的所述第一拟合结果的平均值;/>表示所述第二异常数量下的所述第二拟合结果的平均值;T表示所述初始异常数据和所述第一相邻数据之间的所述相关值。
在一些实施方式中,第一相邻数据至少包括第一邻域和第二邻域,处理器301在所述根据所述相关值确定所述初始异常数据对应的第一异常方向过程中,执行:
至少获得所述第一邻域与所述初始异常数据之间的第一相关值和获得所述第二邻域与所述初始异常数据之间的第二相关值;
至少根据所述第一相关值和所述第二相关值获得所述第一相邻数据与所述初始异常数据之间的最大相关值;
根据所述最大相关值从所述第一相邻数据中确定所述初始异常数据对应的目标异常数据;
根据所述目标异常数据确定所述初始异常数据对应的所述第一异常方向。
在一些实施方式中,处理器301在根据所述第一异常方向确定所述监控位置对应的异常事件过程中,执行:
继续获得所述目标异常数据对应的第二相邻数据,并根据所述第二相邻数据确定所述目标异常数据对应的第二异常方向;
根据所述第一异常方向和所述第二异常方向确定目标对象在所述监控位置对应的运行轨迹;
根据所述运行轨迹确定所述监控位置对应的异常事件。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端设备的具体工作过程,可以参考前述基于分布式光纤声波传感的异常事件识别方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供一种存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如本发明实施例说明书提供的任一项基于分布式光纤声波传感的异常事件识别方法的步骤。
其中,所述存储介质可以是前述实施例所述的终端设备的内部存储单元,例如所述终端设备的硬盘或内存。所述存储介质也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
应当理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本发明的具体实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于分布式光纤声波传感的异常事件识别方法,其特征在于,所述方法包括:
获得所述分布式光纤声波传感在监控位置所采集得到的传感数据;
对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据;
对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果;
获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果;
根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值;
根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件;
所述根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值,包括:
根据所述第一拟合结果获得所述初始异常数据对应的第一拟合数;
根据所述第二拟合结果获得所述第一相邻数据对应的第二拟合数;
根据所述第一拟合数和所述第二拟合数确定所述初始异常数据和所述第一相邻数据之间的所述相关值;
其中,根据下列公式计算所述相关值:
;
N表示所述初始异常数据对应的第一异常数量和所述第一相邻数据对应的第二异常数量之间的乘积;表示第k个所述第一拟合结果;/>表示第k个所述第二拟合结果;/>表示所述第一异常数量下的所述第一拟合结果的平均值;/>表示所述第二异常数量下的所述第二拟合结果的平均值;T表示所述初始异常数据和所述第一相邻数据之间的所述相关值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果,包括:
确定第一拟合函数,根据所述第一梯度结果和第一梯度函数对所述初始异常数据进行拟合,获得所述初始异常数据对应的第一拟合参数;
根据所述第一拟合参数确定所述第一拟合函数对所述初始异常数据进行拟合对应的第一拟合误差;
根据所述第一拟合误差调整所述第一拟合参数,并根据调整后的所述第一拟合参数确定所述初始异常数据对应的第一拟合结果。
3.根据权利要求1所述的方法,其特征在于,所述获得所述初始异常数据对应的第一相邻数据,包括:
确定所述初始异常数据和所述第一相邻数据之间对应的水平间隔和垂直间隔;
获得所述初始异常数据对应的第一水平范围和第一垂直范围;
根据所述水平间隔和所述第一水平范围确定所述第一相邻数据对应的第二水平范围,以及根据所述垂直间隔和所述第一垂直范围确定所述第一相邻数据对应的第二垂直范围;
根据所述第二水平范围和所述第二垂直范围确定所述初始异常数据对应的所述第一相邻数据。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果,包括:
根据所述水平间隔和所述垂直间隔结合所述第一拟合结果获得所述第一相邻数据对应的初始拟合结果;
根据所述第二梯度结果对所述初始拟合结果进行调参,获得所述第一相邻数据对应的所述第二拟合结果。
5.根据权利要求1所述的方法,其特征在于,所述第一相邻数据至少包括第一邻域和第二邻域,所述根据所述相关值确定所述初始异常数据对应的第一异常方向,包括:
至少获得所述第一邻域与所述初始异常数据之间的第一相关值和获得所述第二邻域与所述初始异常数据之间的第二相关值;
至少根据所述第一相关值和所述第二相关值获得所述第一相邻数据与所述初始异常数据之间的最大相关值;
根据所述最大相关值从所述第一相邻数据中确定所述初始异常数据对应的目标异常数据;
根据所述目标异常数据确定所述初始异常数据对应的所述第一异常方向。
6.根据权利要求5中所述的方法,其特征在于,根据所述第一异常方向确定所述监控位置对应的异常事件,包括:
继续获得所述目标异常数据对应的第二相邻数据,并根据所述第二相邻数据确定所述目标异常数据对应的第二异常方向;
根据所述第一异常方向和所述第二异常方向确定目标对象在所述监控位置对应的运行轨迹;
根据所述运行轨迹确定所述监控位置对应的异常事件。
7.一种基于分布式光纤声波传感的异常事件识别装置,其特征在于,包括:
数据获取模块,用于获得所述分布式光纤声波传感在监控位置所采集得到的传感数据;
数据检测模块,用于对所述传感数据进行异常检测,获得所述传感数据对应的初始异常数据;
第一拟合模块,用于对所述初始异常数据进行梯度计算,获得第一梯度结果,并根据所述第一梯度结果获得所述初始异常数据对应的第一拟合结果;
第二拟合模块,用于获得所述初始异常数据对应的第一相邻数据,并对所述第一相邻数据进行梯度计算,获得第二梯度结果,并根据所述第二梯度结果获得所述第一相邻数据对应的第二拟合结果;
数值确定模块,用于根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值;
事件确定模块,用于根据所述相关值确定所述初始异常数据对应的第一异常方向,并根据所述第一异常方向确定所述监控位置对应的异常事件;
所述数值确定模块在所述根据所述第一拟合结果和所述第二拟合结果确定所述初始异常数据和所述第一相邻数据之间的相关值过程中,执行:
根据所述第一拟合结果获得所述初始异常数据对应的第一拟合数;
根据所述第二拟合结果获得所述第一相邻数据对应的第二拟合数;
根据所述第一拟合数和所述第二拟合数确定所述初始异常数据和所述第一相邻数据之间的所述相关值;
其中,根据下列公式计算所述相关值:
;
N表示所述初始异常数据对应的第一异常数量和所述第一相邻数据对应的第二异常数量之间的乘积;表示第k个所述第一拟合结果;/>表示第k个所述第二拟合结果;/>表示所述第一异常数量下的所述第一拟合结果的平均值;/>表示所述第二异常数量下的所述第二拟合结果的平均值;T表示所述初始异常数据和所述第一相邻数据之间的所述相关值。
8.一种终端设备,其特征在于,所述终端设备包括处理器、存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至6中任一项所述的基于分布式光纤声波传感的异常事件识别方法。
9.一种计算机存储介质,用于计算机存储,其特征在于,所述计算机存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至6中任一项所述的基于分布式光纤声波传感的异常事件识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001177.7A CN117494030B (zh) | 2024-01-02 | 2024-01-02 | 基于分布式光纤声波传感的异常事件识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410001177.7A CN117494030B (zh) | 2024-01-02 | 2024-01-02 | 基于分布式光纤声波传感的异常事件识别方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117494030A CN117494030A (zh) | 2024-02-02 |
CN117494030B true CN117494030B (zh) | 2024-03-19 |
Family
ID=89685379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410001177.7A Active CN117494030B (zh) | 2024-01-02 | 2024-01-02 | 基于分布式光纤声波传感的异常事件识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494030B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740212A (zh) * | 2016-02-02 | 2016-07-06 | 天津大学 | 一种基于正则化向量自回归模型的传感器异常检测方法 |
CN112989710A (zh) * | 2021-04-22 | 2021-06-18 | 苏州联电能源发展有限公司 | 工控传感器数值异常检测方法及装置 |
CN116842520A (zh) * | 2023-06-15 | 2023-10-03 | 平安科技(深圳)有限公司 | 基于检测模型的异常感知方法、装置、设备及介质 |
CN116994418A (zh) * | 2023-09-27 | 2023-11-03 | 广东力创信息技术有限公司 | 管道安全预警方法及系统 |
CN117275209A (zh) * | 2023-11-22 | 2023-12-22 | 广东力创信息技术有限公司 | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 |
-
2024
- 2024-01-02 CN CN202410001177.7A patent/CN117494030B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105740212A (zh) * | 2016-02-02 | 2016-07-06 | 天津大学 | 一种基于正则化向量自回归模型的传感器异常检测方法 |
CN112989710A (zh) * | 2021-04-22 | 2021-06-18 | 苏州联电能源发展有限公司 | 工控传感器数值异常检测方法及装置 |
CN116842520A (zh) * | 2023-06-15 | 2023-10-03 | 平安科技(深圳)有限公司 | 基于检测模型的异常感知方法、装置、设备及介质 |
CN116994418A (zh) * | 2023-09-27 | 2023-11-03 | 广东力创信息技术有限公司 | 管道安全预警方法及系统 |
CN117275209A (zh) * | 2023-11-22 | 2023-12-22 | 广东力创信息技术有限公司 | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117494030A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109542740B (zh) | 异常检测方法及装置 | |
CN107636619B (zh) | 信息处理装置、信息处理系统、信息处理方法及记录介质 | |
US9053389B2 (en) | Hough transform for circles | |
WO2012128913A2 (en) | Degrading sensor detection implemented within a transmitter | |
CN110909306B (zh) | 业务异常检测方法、装置、电子设备和存储设备 | |
JP6848546B2 (ja) | 変化点検出装置および変化点検出方法 | |
CN103884435A (zh) | 一种电子设备红外监测系统 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
EP3089108B1 (en) | Image processing device, subject identification method and program | |
CN117056864B (zh) | 一种管道漏损预警方法及系统 | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN108955901A (zh) | 一种红外测温方法、系统及终端设备 | |
CN112213728A (zh) | 一种超声测距方法、装置、计算机可读存储介质及机器人 | |
CN116976684B (zh) | 用于物流输送机的风险模型预测控制方法及系统 | |
US20190064789A1 (en) | System analyzing device, system analyzing method, and computer-readable recording medium | |
CN109976986B (zh) | 异常设备的检测方法及装置 | |
CN115273439A (zh) | 海域赤潮灾害预警方法、计算机设备及存储介质 | |
CN117494030B (zh) | 基于分布式光纤声波传感的异常事件识别方法及相关装置 | |
CN116842410B (zh) | 一种基于动态感知的智能头盔防盗管理方法以及系统 | |
CN116107847B (zh) | 多元时间序列数据异常检测方法、装置、设备及存储介质 | |
CN114140730A (zh) | 目标匹配方法、装置、设备及存储介质 | |
JP2019159786A (ja) | 情報処理装置、情報処理方法、プログラム | |
CN117368879B (zh) | 雷达图的生成方法、装置、终端设备及可读存储介质 | |
CN112988536A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN112665730A (zh) | 震前温度异常检测方法、装置、设备和存储介质 |
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 |