CN117828516B - 一种数字化压力罐生产车间现场数据优化采集系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种数字化压力罐生产车间现场数据优化采集系统，包括：数据采集模块，用于采集压力罐的压力数据序列和温度数据序列；修正局部可达距离获取模块，用于根据压力数据序列和温度数据序列获取每个压力数据的修正局部可达距离；最终参考权重获取模块，用于获取每个压力数据的邻域数据，获取每个压力数据的每个邻域数据的最终参考权重；异常检测模块，用于根据修正局部可达距离以及最终参考权重得到每个压力数据的修正局部可达密度；根据修正局部可达密度进行异常检测得到异常压力数据和正常压力数据。从而通过排除温度变动对压力异常检测的干扰，实现压力数据的准确异常检测。

Description

一种数字化压力罐生产车间现场数据优化采集系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种数字化压力罐生产车间现场数据优化采集系统。

背景技术

在对数字化压力罐生产车间现场数据优化采集过程中，当压力罐的压力数据存在异常变动时，说明压力罐存在异常，例如压力罐泄露导致的压力异常泄露、压力罐过载导致的压力罐的压力超出额定压力或者是传感器故障导致采集到的压力数据不准确问题。

一般会采用局部离群因子算法（Local Outlier Factor），简称LOF算法，来实现压力罐的异常压力数据检测。LOF算法一般通过分析压力数据的密度差异来提取压力罐的异常压力数据，其中当压力数据的密度较低时，被压力数据判定为异常压力数据，当压力数据的密度较高时，则压力数据判定为正常压力数据。而在给压力罐调整温度的过程中也会造成压力罐的压力变动，这时采集到的压力数据也会存在较大变动，而这种变动的压力数据为正常压力数据。而通过LOF检测时，很容易将这种压力数据判定为异常数据。从而造成压力数据异常误判。

发明内容

本发明提供一种数字化压力罐生产车间现场数据优化采集系统，以解决现有的问题：如何排除温度对压力数据异常检测的干扰，准确的提取出异常压力数据。

本发明的一种数字化压力罐生产车间现场数据优化采集系统采用如下技术方案：

本发明一个实施例提供了一种数字化压力罐生产车间现场数据优化采集系统包括以下模块：

数据采集模块，用于采集压力罐的压力数据序列和温度数据序列，压力数据序列包含若干压力数据，温度数据序列包含若干温度数据；

修正局部可达距离获取模块，用于根据每个压力数据偏离压力数据序列与温度数据序列的关联规律的情况得到每个压力数据的修正系数，根据每个压力数据的修正系数得到每个压力数据的修正局部可达距离；

最终参考权重获取模块，用于获取每个压力数据的邻域数据，根据每个压力数据的每个邻域数据与其他压力数据的差异以及每个压力数据的修正局部可达距离得到每个压力数据的每个邻域数据的初始参考权重，根据每个压力数据的每个邻域数据的初始参考权重以及邻域数据偏离压力数据序列与温度数据序列的关联规律情况得到每个压力数据的每个邻域数据的最终参考权重；

异常检测模块，用于根据每个压力数据的修正局部可达距离以及每个压力数据的每个邻域数据的最终参考权重得到每个压力数据的修正局部可达密度；根据每个压力数据的修正局部可达密度进行异常检测得到异常压力数据和正常压力数据。

优选的，所述根据每个压力数据偏离压力数据序列与温度数据序列的关联规律的情况得到每个压力数据的修正系数，包括的具体方法为：

获取压力数据序列中每个压力数据的变化率和温度数据序列中每个温度数据的变化率；

每个压力数据的修正系数的计算方法为：

其中，表示第/>压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示第/>个压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示压力数据序列中压力数据的个数，/>表示以自然常数为底的指数函数，/>表示第/>个压力数据的修正系数，||表示绝对值符号。

优选的，所述获取压力数据序列中每个压力数据的变化率和温度数据序列中每个温度数据的变化率，包括的具体方法为：

将压力数据序列中每个压力数据与前一个压力数据相减之后除以n得到压力数据序列中每个压力数据的变化率，n表示预设采集间隔；

获取温度数据序列中每个温度数据的变化率。

优选的，所述根据每个压力数据的修正系数得到每个压力数据的修正局部可达距离，包括的具体方法为：

利用LOF算法对压力数据序列中所有压力数据进行分析得到每个压力数据的局部可达距离；

将每个压力数据的局部可达距离与修正系数的乘积作为每个压力数据的修正局部可达距离。

优选的，所述获取每个压力数据的邻域数据，包括的具体方法为：

利用LOF算法对压力数据序列中所有压力数据进行分析得到每个压力数据的K邻域；将每个压力数据的K邻域内的压力数据称为每个压力数据的邻域数据。

优选的，所述根据每个压力数据的每个邻域数据与其他压力数据的差异以及每个压力数据的修正局部可达距离得到每个压力数据的每个邻域数据的初始参考权重，包括的具体方法为：

将每个压力数据的每个邻域数据的K邻域内的压力数据称为每个压力数据的每个邻域数据的参考数据；获取每个压力数据的每个邻域数据的修正局部可达距离；

每个压力数据的每个邻域数据的初始参考权重的计算方法为：

其中，表示第x个压力数据的第s个邻域数据，/>表示第x个压力数据的第s个邻域数据的第j个参考数据，/>表示第x个压力数据的第s个邻域数据的参考数据数量；表示第x个压力数据的第s个邻域数据的修正局部可达距离；||表示绝对值符号，/>表示以自然常数为底的指数函数，/>表示第/>压力数据的第s个邻域数据的初始参考权重。

优选的，所述根据每个压力数据的每个邻域数据的初始参考权重以及邻域数据偏离压力数据序列与温度数据序列的关联规律情况得到每个压力数据的每个邻域数据的最终参考权重，包括的具体方法为：

获取每个温度数据的邻域数据；

每个压力数据的每个邻域数据的最终参考权重的计算方法为：

其中，表示第/>个压力数据的第/>个邻域数据的变化率，/>表示第/>个温度数据的第/>个邻域数据的变化率，/>表示第/>个压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示压力数据序列中所有压力数据的变化率的均值，/>表示温度数据序列中所有温度数据的变化率的均值；/>表示线性归一化处理，/>表示以自然常数为底的指数函数，/>表示第/>压力数据的第s个邻域数据的初始参考权重，/>表示第/>压力数据的第s个邻域数据的最终参考权重。

优选的，所述获取每个温度数据的邻域数据，包括的具体方法为：

将任意一个压力数据记为目标压力数据，将目标压力数据对应的时刻记为基准时刻，将目标压力数据的邻域数据对应的时刻记为邻域时刻；将基准时刻采集到的温度数据记为目标温度数据，将邻域时刻采集到的温度数据作为目标温度数据的邻域数据；

获取每个温度数据的邻域数据。

优选的，所述根据每个压力数据的修正局部可达距离以及每个压力数据的每个邻域数据的最终参考权重得到每个压力数据的修正局部可达密度，包括的具体方法为：

其中，表示第x个压力数据的第s个邻域数据的修正局部可达距离，/>表示第x个压力数据的第s个邻域数据的最终参考权重，/>表示第/>个压力数据的邻域数据的数量，/>表示第x个压力数据的修正局部可达密度。

优选的，所述根据每个压力数据的修正局部可达密度进行异常检测得到异常压力数据和正常压力数据，包括的具体方法为：

基于每个压力数据的修正局部可达密度，利用LOF算法对所有压力数据进行异常检测得到异常压力数据和正常压力数据。

本发明的技术方案的有益效果是：

LOF算法是根据每个压力数据密度来实现压力数据的异常检测，局部可达密度是用于描述每个压力数据的密度的指标，局部可达密度是根据每个压力数据的邻域数据的局部可达距离计算得到，因而为了实现准确的异常检测需得到每个邻域数据的相对准确的局部可达距离，由于温度的变动会引起压力变动，进而压力的变动会导致每个邻域数据的局部可达距离增大，因而需根据温度数据与压力数据变动规律来计算每个邻域数据的修正系数，进而利用修正系数对每个邻域数据的局部可达距离进行修正得到每个邻域数据的修正局部可达距离，修正局部可达距离能够排除温度变动的干扰，其能够更准确的辅助每个压力数据的异常检测。

每个压力数据的有些邻域数据的较为异常，压力数据在进行异常分析时，会较少的参考异常的邻域数据，因而通过分析每个邻域数据的离散情况得到每个邻域数据的初始参考权重，同时温度变动也有可能会导致邻域数据分布较为离散，因而需根据温度与压力的变动规律来对每个邻域数据的初始参考权重进行修正得到每个邻域数据的最终参考权重。根据每个压力数据的邻域数据的最终参考权重和修正局部可达距离得到每个压力数据的修正局部可达密度，修正局部可达密度能够更为准确的描述每个压力数据的密度。因而基于每个压力数据的修正局部可达密度进行的异常检测，其得到的异常压力更为准确。

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为本发明一种数字化压力罐生产车间现场数据优化采集系统的结构框图。

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数字化压力罐生产车间现场数据优化采集系统，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数字化压力罐生产车间现场数据优化采集系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种数字化压力罐生产车间现场数据优化采集系统的结构框图，该系统包括以下模块：

数据采集模块101，用于采集压力数据序列和温度数据序列。

需要说明的是，在对数字化压力罐生产车间现场数据优化采集过程中，压力罐内可能会出现高压现象，当压力罐内部的压力超过其承受能力时，会给压力罐的结构和密封件带来巨大的压力负荷，可能导致罐体变形、裂纹、破裂等问题，甚至引起气体或液体泄漏。这不仅会影响设备的正常运行，还有可能造成周围设备和设施的损坏。因而需要对压力数据进行异常检测提取出异常压力数据。

为了实现本实施例提出的一种数字化压力罐生产车间现场数据优化采集系统，首先需要采集压力数据序列和温度数据序列。

获取压力数据序列和温度数据序列的具体过程为：每间隔n秒，利用压力传感器和温度传感器分别采集一次压力数据和一次温度数据，采集N次压力数据和采集N次温度数据，将压力数据按时序排列得到压力数据序列；将温度数据按时序排列得到温度数据序列。n表示预设采集间隔，N表示预设采集次数，本实施例以n取0.5、N取7200为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。

修正局部可达距离获取模块102，用于根据压力数据序列和温度数据序列得到每个压力数据的修正系数，根据每个压力数据的修正系数得到每个压力数据的修正局部可达距离。

需要说明的是，由于压力罐内部的温度变动会引起压力罐内部的压力变动，温度变动引起的压力变动属于正常的现象。而在利用LOF算法对压力数据进行异常检测时，很容易将温度变动引起较大变动的压力数据判定为异常压力数据，因而需要排除温度变动对压力数据异常分析的干扰。同时温度数据与压力数据存在较强的相关关系，其中当某时刻的压力数据和温度数据符合这种相关关系时，说明压力数据的波动是由温度变动引起，此时需要对其进行更多的修正。而某时刻的压力数据与温度数据的变动不符合这种相关关系时，说明压力数据的波动不是由温度变动引起的，其是自身异常导致的，此时无需对其进行更多的修正。

需要进一步说明的是，LOF算法中的每个压力数据的局部可达密度是用于反映了每个压力数据的密度的指标，而每个压力数据的局部可达密度是通过每个压力数据的局部可达距离来计算得到，为了排除温度变动对压力数据异常检测的干扰，需利用温度数据与压力数据的关联关系来对每个压力数据进行局部可达距离进行修正。

具体的，将压力数据序列中每个压力数据与前一个压力数据相减之后除以n得到压力数据序列中每个压力数据的变化率；同理获取温度数据序列中每个温度数据的变化率。

每个压力数据的修正系数的计算方法为：

其中，表示第/>压力数据的变化率，/>表示第/>个温度数据的变化率，/>反映了第/>个压力数据处的压力数据与温度数据的关联规律，/>表示第/>个压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示压力数据序列中压力数据的个数，也表示温度数据序列中温度数据的个数，/>表示压力数据序列与温度数据序列的关联规律，该值反映了正常情况下压力数据与温度数据的关联规律，/>反映了第/>个压力数据处的压力数据与温度数据的关联规律，与正常情况下关联规律之间的差异，该值越大说明第/>压力数据的异常不是由温度变动引起的，而是自身异常导致的，该压力数据的可达距离越不需要修正，因而其修正系数越小。/>表示以自然常数为底的指数函数。/>表示第/>个压力数据的修正系数，||表示绝对值符号。

进一步的，利用LOF算法对压力数据序列中所有压力数据进行分析得到每个压力数据的局部可达距离以及每个压力数据的K邻域；将每个压力数据的K邻域内的压力数据称为每个压力数据的邻域数据。

进一步的，将每个压力数据的局部可达距离与修正系数的乘积作为每个压力数据的修正局部可达距离。

至此，完成对每个压力数据的局部可达距离的修正得到每个压力数据的修正局部可达距离，修正局部可达距离能够排除温度变动对压力数据异常检测的干扰。

最终参考权重获取模块103，用于根据每个压力数据的每个邻域数据的修正可达距离获取每个压力数据的每个邻域数据的初始参考权重，根据每个压力数据的每个邻域数据的初始参考权重得到每个压力数据的每个邻域数据的最终参考权重。

需要说明的是，LOF算法是根据每个压力数据的邻域数据的局部可达距离来计算每个压力数据的局部可达密度。LOF算法中，在计算每个压力数据的局部可达密度时，对每个邻域数据的局部可达距离的参考权重是相同的，但是邻域数据中可能存在一些邻域数据为异常压力数据，以这些异常压力数据作为基准进行的异常检测不够准确。因而在计算每个压力数据的局部可达密度时，应较少的参考这些邻域数据。因而需根据每个邻域数据的异常情况来确定一个参考权重。

需要说明的是，正常情况下，一个数据与其他数据的差距越大时，其越异常，因而可以通过分析每个邻域数据与其他压力数据的差异来确定每个邻域数据的初始参考权重。

具体的，将每个压力数据的每个邻域数据的K邻域内的压力数据称为每个压力数据的每个邻域数据的参考数据。按照获取每个压力数据的修正局部可达距离的方法获取每个压力数据的每个邻域数据的修正局部可达距离。

每个压力数据的每个邻域数据的初始参考权重的计算方法为：

其中，表示第x个压力数据的第s个邻域数据，/>表示第x个压力数据的第s个邻域数据的第j个参考数据，/>表示第x个压力数据的第s个邻域数据的参考数据数量。反映了第x个压力数据的第s个邻域数据与参考数据的差异，该值越大说明该邻域数据与参考数据的差异越大，因而该邻域数据越异常，因而在对第x个压力数据进行异常判定时，应该较少的参考该邻域数据，因而该邻域数据的初始参考权重应该越小。/>表示第x个压力数据的第s个邻域数据的修正局部可达距离。该值越大也说明该邻域数据越异常，因而在对第x个压力数据进行判定时，应该越少的参考该邻域数据，因而该邻域数据的初始参考权重应该越小；||表示绝对值符号。/>表示以自然常数为底的指数函数。/>表示第/>压力数据的第s个邻域数据的初始参考权重。

需要说明的是，每个邻域数据与参考数据的差异较大不能说明该邻域数据一定异常，还有可能是由于该邻域数据受温度变动影响。因而需在分析每个邻域数据的参考权重时，需排除温度变动影响引起的邻域数据异常。

需要进一步说明的是，对于两个相似取值的压力数据，这两个压力数据处的压力数据与温度数据的变动规律应该相似，当这两个压力数据处的压力数据与温度数据的变动规律差异较大时，说明存在一个压力数据的较为异常。每个压力数据的每个邻域数据与该压力数据的差异一般较小，因而每个邻域数据与压力数据处的压力数据与温度数据的变动规律应该相似，因而可以通过分析每个邻域数据与压力数据的变动规律差异来进一步确定每个邻域数据的最终参考权重。

进一步的，将任意一个压力数据记为目标压力数据，将目标压力数据对应的时刻记为基准时刻，将目标压力数据的邻域数据对应的时刻记为邻域时刻。将基准时刻采集到的温度数据记为目标温度数据，将邻域时刻采集到的温度数据作为目标温度数据的邻域数据。同理获取每个温度数据的邻域数据。

每个压力数据的每个邻域数据的最终参考权重的计算方法为：

其中，表示第/>个压力数据的第/>个邻域数据的变化率，/>表示第/>个温度数据的第/>个邻域数据的变化率，/>表示第/>个压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示压力数据序列中所有压力数据的变化率的均值，/>表示温度数据序列中所有温度数据的变化率的均值。/>表示线性归一化处理，/>反映了正常情况下压力与温度的关联规律，/>反映了第/>个压力数据的第s个邻域数据偏离正常情况下压力与温度关联规律的情况，该值越大说明该邻域数据处越不符合正常情况下压力与温度的关联规律。/>反映了第/>个压力数据偏离正常情况下压力与温度关联规律的情况，该值越大说明该压力数据处越不符合正常情况下压力与温度关联规律，反映了第/>个邻域数据与第/>个压力数据，偏离正常情况下压力与温度关联规律的差异性，该值越大说明两数据的差异越大，而由于每个压力数据与该压力数据的邻域数据的差异较小，因而当两数据均为正常时，两数据对正常情况下压力与温度规律的偏离情况应该一致。当偏离情况较大时，说明邻域数据异常的可能性较大，因而在对第/>个压力数据进行异常分析时，应该较小的参考第/>个邻域数据，因而第s个邻域数据的参考权重应该越小。/>表示以自然常数为底的指数函数。/>表示第/>压力数据的第s个邻域数据的初始参考权重，/>表示第/>压力数据的第s个邻域数据的最终参考权重。

至此，得到每个压力数据的每个邻域数据的最终参考权重，每个压力数据的每个邻域数据的最终参考权重决定了该压力数据在异常分析时对该邻域数据的参考情况。

异常检测模块104，用于根据每个压力数据的每个邻域数据的最终加权因子和每个压力数据的每个邻域数据的修正可达距离得到每个压力数据的修正局部可达密度，根据每个压力数据的修正局部可达密度得到异常压力数据。

具体的，每个压力数据的修正局部可达密度的计算方法为：

其中，表示第x个压力数据的第s个邻域数据的修正局部可达距离，/>表示第x个压力数据的第s个邻域数据的最终参考权重，/>表示第/>个压力数据的邻域数据的数量，/>表示第x个压力数据的修正局部可达密度。

进一步的，基于每个压力数据的修正局部可达密度，利用LOF算法对所有压力数据进行异常检测得到异常压力数据和正常压力数据。

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 (8)

1.一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，该系统包括以下模块：

数据采集模块，用于采集压力罐的压力数据序列和温度数据序列，压力数据序列包含若干压力数据，温度数据序列包含若干温度数据；

修正局部可达距离获取模块，用于根据每个压力数据偏离压力数据序列与温度数据序列的关联规律的情况得到每个压力数据的修正系数，根据每个压力数据的修正系数得到每个压力数据的修正局部可达距离；

最终参考权重获取模块，用于获取每个压力数据的邻域数据，根据每个压力数据的每个邻域数据与其他压力数据的差异以及每个压力数据的修正局部可达距离得到每个压力数据的每个邻域数据的初始参考权重，根据每个压力数据的每个邻域数据的初始参考权重以及邻域数据偏离压力数据序列与温度数据序列的关联规律情况得到每个压力数据的每个邻域数据的最终参考权重；

异常检测模块，用于根据每个压力数据的修正局部可达距离以及每个压力数据的每个邻域数据的最终参考权重得到每个压力数据的修正局部可达密度；根据每个压力数据的修正局部可达密度进行异常检测得到异常压力数据和正常压力数据；

所述根据每个压力数据偏离压力数据序列与温度数据序列的关联规律的情况得到每个压力数据的修正系数，包括的具体方法为：

获取压力数据序列中每个压力数据的变化率和温度数据序列中每个温度数据的变化率；

每个压力数据的修正系数的计算方法为：

其中，表示第/>压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示第个压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示压力数据序列中压力数据的个数，/>表示以自然常数为底的指数函数，/>表示第/>个压力数据的修正系数，||表示绝对值符号；/>表示第/>个压力数据处的压力数据与温度数据的关联规律；/>表示压力数据序列与温度数据序列的第一关联规律；

所述根据每个压力数据的每个邻域数据的初始参考权重以及邻域数据偏离压力数据序列与温度数据序列的关联规律情况得到每个压力数据的每个邻域数据的最终参考权重，包括的具体方法为：

获取每个温度数据的邻域数据；

每个压力数据的每个邻域数据的最终参考权重的计算方法为：

其中，表示第/>个压力数据的第/>个邻域数据的变化率，/>表示第/>个温度数据的第/>个邻域数据的变化率，/>表示第/>个压力数据的变化率，/>表示第/>个温度数据的变化率，/>表示压力数据序列中所有压力数据的变化率的均值，/>表示温度数据序列中所有温度数据的变化率的均值；/>表示线性归一化处理，/>表示以自然常数为底的指数函数，/>表示第/>压力数据的第s个邻域数据的初始参考权重，/>表示第/>压力数据的第s个邻域数据的最终参考权重；/>表示第/>个压力数据的第s个邻域数据处的压力数据与温度数据的关联规律；/>表示压力数据序列与温度数据序列的第二关联规律。

2.根据权利要求1所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述获取压力数据序列中每个压力数据的变化率和温度数据序列中每个温度数据的变化率，包括的具体方法为：

将压力数据序列中每个压力数据与前一个压力数据相减之后除以n得到压力数据序列中每个压力数据的变化率，n表示预设采集间隔；

获取温度数据序列中每个温度数据的变化率。

3.根据权利要求1所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述根据每个压力数据的修正系数得到每个压力数据的修正局部可达距离，包括的具体方法为：

利用LOF算法对压力数据序列中所有压力数据进行分析得到每个压力数据的局部可达距离；

将每个压力数据的局部可达距离与修正系数的乘积作为每个压力数据的修正局部可达距离。

4.根据权利要求1所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述获取每个压力数据的邻域数据，包括的具体方法为：

利用LOF算法对压力数据序列中所有压力数据进行分析得到每个压力数据的K邻域；将每个压力数据的K邻域内的压力数据称为每个压力数据的邻域数据。

5.根据权利要求4所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述根据每个压力数据的每个邻域数据与其他压力数据的差异以及每个压力数据的修正局部可达距离得到每个压力数据的每个邻域数据的初始参考权重，包括的具体方法为：

将每个压力数据的每个邻域数据的K邻域内的压力数据称为每个压力数据的每个邻域数据的参考数据；获取每个压力数据的每个邻域数据的修正局部可达距离；

每个压力数据的每个邻域数据的初始参考权重的计算方法为：

其中，表示第x个压力数据的第s个邻域数据，/>表示第x个压力数据的第s个邻域数据的第j个参考数据， />表示第x个压力数据的第s个邻域数据的参考数据数量；/>表示第x个压力数据的第s个邻域数据的修正局部可达距离；||表示绝对值符号，/>表示以自然常数为底的指数函数，/>表示第/>压力数据的第s个邻域数据的初始参考权重。

6.根据权利要求1所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述获取每个温度数据的邻域数据，包括的具体方法为：

将任意一个压力数据记为目标压力数据，将目标压力数据对应的时刻记为基准时刻，将目标压力数据的邻域数据对应的时刻记为邻域时刻；将基准时刻采集到的温度数据记为目标温度数据，将邻域时刻采集到的温度数据作为目标温度数据的邻域数据；

获取每个温度数据的邻域数据。

7.根据权利要求1所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述根据每个压力数据的修正局部可达距离以及每个压力数据的每个邻域数据的最终参考权重得到每个压力数据的修正局部可达密度，包括的具体方法为：

其中，表示第x个压力数据的第s个邻域数据的修正局部可达距离，/>表示第x个压力数据的第s个邻域数据的最终参考权重，/>表示第/>个压力数据的邻域数据的数量，/>表示第x个压力数据的修正局部可达密度。

8.根据权利要求1所述一种数字化压力罐生产车间现场数据优化采集系统，其特征在于，所述根据每个压力数据的修正局部可达密度进行异常检测得到异常压力数据和正常压力数据，包括的具体方法为：

基于每个压力数据的修正局部可达密度，利用LOF算法对所有压力数据进行异常检测得到异常压力数据和正常压力数据。