CN117872900B - 基于物联网技术的无纺布生产设备远程监控系统 - Google Patents

Abstract

本发明涉及数据异常监测技术领域，具体涉及一种基于物联网技术的无纺布生产设备远程监控系统。该系统包括数据获取模块，用于获取温度时序数据和功率时序数据；数据分段模块，用于根据温度数值的变化情况划分温度数据段和功率数据段；数据去噪模块，用于根据正常数据和噪声数据对整体数据变化趋势的影响情况的差异，获得温度数值为正常数据的可靠性，分析功率数值的变化情况作为置信度，然后与可靠性相结合，得到噪声程度值并获取温度均值对温度数据值进行去噪；异常监测模块，用于对去噪数据进行异常监测，获得监测结果。由于在温度均值是根据温度数值的噪声程度值获取的，能够更加准确的识别噪声数据，进而提高了最终的异常监测准确度。

Description

基于物联网技术的无纺布生产设备远程监控系统

技术领域

本发明涉及数据异常监测技术领域，具体涉及一种基于物联网技术的无纺布生产设备远程监控系统。

背景技术

无纺布的烘干过程是无纺布生产中的关键环节之一，监测烘干区域的温度能够帮助实时掌握生产环境，确保产品符合规格要求，并且温度的变化也会影响最终产品的质量，因此通过远程监测温度数据，便于及时调整各项参数，提高生产效率和产品质量。

在对无纺布的烘干过程中的温度变化情况进行远程监控时，由于生产环境、生产设备等因素的影响，会导致温度数据中包含噪声数据，Z-score算法可以对标准化后的数据设置阈值来进行离群值的判断从而识别噪声数据，在进行标准化时，需计算数据的均值，但是由于烘干温度是动态变化且噪声的影响程度会有所不同的，若使用整体数据的均值进行标准化，会导致正常的温度数据被误判为噪声数据，影响到去噪效果，进而降低了最终异常监测结果的准确性。

发明内容

为了解决由于烘干温度是动态变化且噪声的影响程度会有所不同的，若使用整体数据的均值进行标准化，会导致正常的温度数据被误判为噪声数据，影响到去噪效果，进而降低了最终异常监测结果的准确性的技术问题，本发明的目的在于提供一种基于物联网技术的无纺布生产设备远程监控系统，所采用的技术方案具体如下：

本发明提出了一种基于物联网技术的无纺布生产设备远程监控系统，所述系统包括：

数据获取模块，用于基于预设采样时段获取无纺布烘干区域的温度时序数据和烘干设备的功率时序数据；

数据分段模块，用于根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段；基于所述温度数据段的采样时刻对所述功率时序数据继续宁划分，得到功率数据段；

数据去噪模块，用于分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性；在每个温度数据段中，根据所有采样时刻的温度数值对应的可靠性以及所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值；根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值；根据温度均值对温度数值进行筛选，得到温度数据段对应的去噪数据；

异常监测模块，用于对每个温度数据段对应的去噪数据进行异常监测，获得监测结果。

进一步地，所述根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段，包括：

在所述温度时序数据中，将前预设数量个采样时刻的温度数值作为初始序列，将与初始序列相邻的下一个采样时刻的温度数值作为待判断数值；

将所述待判断数值合并到初始序列中，得到更新序列，根据初始序列和更新序列中所有温度数值的变化趋势的差异，得到待判断数值的序列隶属度，若待判断数值的序列隶属度满足预设判断条件，则将所述更新序列作为新的初始序列并对剩余温度数值进行合并判断；

若待判断数据的序列隶属度不满足预设判断条件，则将待判断数值之前的所有温度数值作为一个温度数据段，将待判断数值与后续预设数量个温度数值作为新的初始序列并对剩余温度数值进行合并判断，直至对所有温度数值都进行合并判断后，得到所有的温度数据段；

所述预设判断条件为：待判断数据的序列隶属度大于预设隶属阈值。

进一步地，所述将所述待判断数值合并到初始序列中，得到更新序列，根据初始序列和更新序列中所有温度数值的变化趋势的差异，得到待判断数值的序列隶属度，包括：

将初始序列中最大温度数值和最小温度数值的差值作为初始温度极差，将更新序列中最大温度数值和最小温度数值的差值作为更新温度极差，将初始温度极差和更新温度极差的差异作为第一隶属因子；

将初始序列中所有采样时刻的温度数值的斜率累加和作为初始数据变化率，将更新序列中所有采样时刻的温度数值的斜率累加和作为更新数据变化率，将初始数据变化率和更新数据变化率的差异作为第二隶属因子；

根据第一隶属因子和第二隶属因子获得待判断数值的序列隶属度，所述第一隶属因子和第二隶属因子均与所述序列隶属度呈负相关。

进一步地，所述分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性，包括：

任选一个温度数据段作为目标数据段；基于最小二乘法对目标数据段中所有温度数值按照时序进行直线拟合，得到初始直线及其拟合优度，将目标数据段中所有采样时刻的温度数值和初始直线对应的数值的差异进行累加，得到初始拟合残差；

依次将目标数据段中每个采样时刻的温度数值去除，基于最小二乘法将剩余温度数值按照时序进行直线拟合，得到每个采样时刻的温度数值对应的对比直线及其拟合优度，将目标数据段中所有采样时刻的温度数值和对比直线对应的数值的差异进行累加，得到每个采样时刻的温度数值对应的对比拟合残差；

在所述目标数据段中，将初始拟合残差和每个温度数值对应的对比拟合残差的差异作为残差差异；任选一个采样时刻的温度数值作为目标数值，并以目标数值为中心构建预设邻域；根据初始直线的拟合优度、目标数值对应的残差差异、目标数值对应的对比直线的拟合优度以及目标数值的预设邻域内的邻域温度数值的残差差异，获得目标数值为正常数据的可靠性。

进一步地，所述根据初始直线的拟合优度、目标数值对应的残差差异、目标数值对应的对比直线的拟合优度以及目标数值的预设邻域内的邻域温度数值的残差差异，获得目标数值为正常数据的可靠性，包括：

将所述初始直线的拟合优度与目标数值对应的对比直线的拟合优度的乘积作为优度乘积；

将目标数值的所有邻域温度数值的残差差异进行累加，得到差异累加和，将目标数值对应的残差差异和所述差异累加和的和值作为特征和值；

根据所述优度乘积和所述特征和值获得目标数值为正常数据的可靠性，所述可靠性和所述优度乘积呈正相关，所述可靠性和所述特征和值呈负相关。

进一步地，所述根据所有采样时刻的温度数值对应的可靠性以及对应功率数据段中所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值，包括：

在每个温度数据段对应的功率数据段中，将每个采样时刻的功率数值和所有采样时刻的功率数值累加和的差异进行负相关映射并归一化后的值，作为采样时刻对应的温度数值的噪声置信度；根据每个采样时刻的温度数值的噪声置信度和对应的可靠性获得噪声程度值，所述噪声置信度和所述噪声程度值呈正相关，所述可靠性和所述噪声程度值呈负相关。

进一步地，所述根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值，包括：

在每个温度数据段中，根据所有采样时刻的温度数值对应的噪声程度值的数值分布，获得每个采样时刻的温度数值的调整权重；计算所有采样时刻对应的温度数值与对应的调整权重的乘积的均值，得到温度数据段对应的温度均值。

进一步地，所述在每个温度数据段中，根据所有采样时刻对应的噪声程度值的数值分布，获得每个采样时刻的温度数值的调整权重，包括：

将所有采样时刻的温度数值的噪声程度值和值作为分母，将每个采样时刻的温度数值的噪声程度值作为分子，将得到的比值进行负相关映射后的值作为温度数值的调整权重。

进一步地，所述根据温度均值对温度数据值进行筛选，得到温度数据段对应的去噪数据，包括：

根据每个温度均值对对应温度数据段中的温度数值进行Z-score标准化，得到标准值，将大于预设判断阈值的标准值作为噪声温度值；

将每个温度数据段中的噪声温度值对应的温度数值进行去除，得到温度数据段对应的去噪数据。

进一步地，所述对每个温度数据段对应的去噪数据进行异常监测，获得监测结果，包括：

基于LOF算法与预设K值对每个温度数据段对应的去噪数据进行异常监测，得到每个数据点的局部异常因子；

将大于预设异常阈值的数据点作为异常数据点，将小于或等于预设异常阈值的数据点作为正常数据点。

本发明具有如下有益效果：

本发明首先获取了无纺布烘干区域的温度时序数据和烘干设备的功率时序数据，因为烘干区域的温度处于动态变化的过程中，并且不同时段所需的烘干温度也会有所变化，所以可从数据的局部出发，通过分析温度时序数据中各采样时刻下温度数值的变化情况，将整段温度数据以及功率时序数据划分为多个温度数据段和功率数据段，此时，每个温度数据段中的温度数据在一定程度上具有相似的变化特征，以此初步提高后续分析过程的准确性。进一步地，因为正常数据更具一般性，而噪声数据相较于正常数据而言会有所突出，因此噪声数据对于温度数据段中的整体数据的变化趋势的影响情况会更大，基于此特征，可获得每个采样时刻的温度数值为正常数据的可靠性，可靠性可作为后续评判温度数值是否为噪声数据的指标之一。进一步地，由于温度数值的正常变化往往会引起烘干设备功率的变化，而噪声数值往往是生产环境或生产设备等因素造成的，烘干设备的功率通常不会发生变化，因此，可以分析烘干设备功率数值的变化差异情况作为温度数值是否为噪声数值的置信度，然后与温度数值对应的可靠性相结合，得到温度数值对应的噪声程度值。进一步地，根据温度数据段中各采样时刻对应的温度数值的噪声程度值以及温度数值的分布，可以计算温度数据段对应的温度均值，此时的温度均值由于是对单个温度数据段中的温度数据为正常数据的可靠性以及温度与功率之间的关联情况分析得到的，因而能够更加符合温度数据段中数据的变化特征，故基于每个温度数据段对应的温度均值对温度数据值进行筛选去噪，获得的去噪数据会更加的准确，最后对去噪数据进行异常监测也就能够提高异常监测结果的准确度和可信度。

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是本发明一个实施例所提供的一种基于物联网技术的无纺布生产设备远程监控系统的系统框图。

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建筑吊篮的智能监控系统及监控方法，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。

基于物联网技术的无纺布生产设备远程监控系统实施例：

下面结合附图具体的说明本发明所提供的一种基于物联网技术的无纺布生产设备远程监控系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于物联网技术的无纺布生产设备远程监控系统的系统框图，该系统包括：数据获取模块101，数据分段模块102，数据去噪模块103，异常监测模块104。

数据获取模块101，用于基于预设采样时段获取无纺布烘干区域的温度时序数据和烘干设备的功率时序数据。

随着工业和物联网技术的发展，对生产数据进行远程监控也得到了飞速发展，其可以有效提升生产的智能化和自动化水平。在无纺布的生产过程中，对无纺布的烘干是其中的关键环节之一。由于无纺布的材质、厚度、宽度等因素，都会影响其吸湿性和热传导性，故在工业生产中，无纺布的烘干温度通常是动态变化的，需要实时对烘干温度进行调整。因此监测烘干区域的温度能够帮助实时掌握生产环境，确保产品符合规格要求，保障最终产品的质量。

由于烘干设备的功率数据与温度数据具有一定的关联性，所以在本发明该实施例中，在无纺布烘干区域的某一位置安装温度传感器，基于预设采样时段获取无纺布烘干区域的温度时序数据和烘干设备的功率时序数据，此时，每个采样时刻均对应两个数据值，分别是温度数值和功率数值。需要说明的是，在本发明该实施例中，预设采样时段设置为10分钟，采样时间间隔设置为1秒，数据的采集设备、采样时段以及采样时间间隔均可根据实施场景进行调整，在此不做限定。

至此，可以获取到温度时序数据和功率时序数据，可继续进行后续的分析过程。

数据分段模块102，用于根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段；基于所述温度数据段的采样时刻对功率时序数据进行划分，得到功率数据段。

在对无纺布烘干过程中的温度数据进行监测时，由于生产环境等因素的影响，会导致温度数据中包含噪声数据，因此为了提高异常监测的准确度，需首先进行数据去噪。

由于Z-score算法是一种数据标准化的算法，可以对标准化后的数据设置阈值来进行离群值的判断从而识别噪声数据，在进行标准化时，需计算整体数据的均值，但是由于不同时刻所需的烘干温度会发生变化，所以若使用整体数据的均值进行标准化，可能导致正常的温度数据被误判为噪声数据，故在本发明该实施例中，从数据的局部出发，通过分析各采样时刻下温度数值的变化情况，将整段温度数据以及整段功率数据划分为多个温度数据段和功率数据段，用以避免上述的误判情况。

优选地，本发明一个实施例中，根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段，包括：

在对温度时序数据进行划分的过程中，由于最终目的是需保证每个温度数据段中的数据具有较为一致的变化趋势，所以可对每个温度数值进行单独分析。

首先将温度时序数据中前预设数量个采样时刻的温度数值组成初始序列，然后对剩余的每个温度数值进行逐一分析，将与初始序列相邻的下一个采样时刻的温度数值作为待判断数值。

若待判断数值与其之前的温度数值具有相似的变化情况，那么将待判断数值加入到其之前的温度数值组成的初始序列中时，序列中数据的整体变化趋势和待判断数值未加入时的数据的整体变化趋势应该相差不大，基于此特征，将待判断数值合并到初始序列中，得到更新序列，然后根据初始序列和更新序列中所有温度数值的变化趋势的差异，得到待判断数值的序列隶属度，序列隶属度可以反映待判断数值与其之前的温度数值的相似情况，故将序列隶属度作为待判断数值是否可以合并到初始序列中的判断指标。

序列隶属度的具体计算过程为：因为一组数据中的最大值和最小值可以表征该组数据中的两个极端值，在一定程度上可以反映出数据的变化趋势，所以计算初始序列中最大温度数值和最小温度数值的差值作为初始温度极差，计算更新序列中最大温度数值和最小温度数值的差值作为更新温度极差，并将初始温度极差和更新温度极差的差异作为第一隶属因子。

同样的，一组数据中各个数据的斜率也可表征出该组数据的变化趋势，所以计算初始序列中所有采样时刻的温度数值的斜率累加和作为初始数据变化率，计算更新序列中所有采样时刻的温度数值的斜率累加和作为更新数据变化率，并将初始数据变化率和更新数据变化率的差异作为第二隶属因子。

然后根据第一隶属因子和第二隶属因子获得待判断数值的序列隶属度，并且第一隶属因子和第二隶属因子均与序列隶属度呈负相关。待判断数值以数值为例，序列隶属度的公式模型具体可以例如为：

其中，表示待判断数值的序列隶属度，表示待判断数值对应的初始温度极差，表示待判断数值对应的更新温度极差，表示待判断数值对应的初始数据变化率，表示待判断数值对应的更新数据变化率，表示预设第一参数，表示归一化函数。

在序列隶属度的公式模型中，计算待判断数值未加入时的初始序列中最大温度值和最小温度值的差异，即初始温度极差，以及待判断数值加入初始序列后组成的更新序列中最大温度值和最小温度值的差异，即更新温度极差，因此初始温度极差和更新温度极差之间的差异，即第一隶属因子可表征出待判断数值加入初始序列后对整体数据的变化趋势的影响情况，该值越小，说明影响程度越小，那么待判断数值就与初始序列中的数值越相似，表明待判断数值可以合并到初始序列中；同样的，计算待判断数值未加入时的初始序列中所有采样时刻的温度数值的斜率的累加和，即初始数据变化率，以及待判断数值加入初始序列后组成的更新序列中所有采样时刻的温度数值的斜率的累加和，即更新数据变化率，此时初始数据变化率和更新数据变化率的差异，即第二隶属因子也可表征出待判断数值加入初始序列后对整体数据的变化趋势的影响情况，该值越小，说明影响程度越小，那么待判断数值就与初始序列中的数值越相似，也就是待判断数值可以合并到初始序列中。最后将第一隶属因子和第二隶属因子进行结合，得到待判断数值的序列隶属度，并且，第一隶属因子和第二隶属因子越小，序列隶属度越大。

基于上述分析可知，待判断数值的序列隶属度越大，说明待判断数值与其对应的初始序列中的所有数值的相似程度越高，也就是当待判断数值加入到对应的初始序列中后，不会对数据的整体变化趋势造成较大的影响，因此设置预设判断条件：待判断数据的序列隶属度大于预设隶属阈值。

此时若待判断数值的序列隶属度满足预设判断条件，说明待判断数值可以加入到初始序列中，那么则将更新序列作为新的初始序列并对剩余温度数值继续进行合并判断。

反之，若待判断数据的序列隶属度不满足预设判断条件，说明待判断数值不可以加入到初始序列中，那么则将待判断数值之前的所有温度数值作为一个温度数据段，同时将待判断数值与其后续预设数量个温度数值作为新的初始序列并对剩余温度数值继续进行合并判断，直至对所有温度数值完成合并判断，即可得到所有的温度数据段。

需要说明的是，在本发明该实施例中，预设第一参数的作用为防止分母为0，在此可取值为0.001，预设数量设置为4，预设隶属阈值设置为0.3，具体数值均可根据实施场景进行调整，在此不做限定；斜率的计算方法为本领域技术人员熟知的过程，在此不做赘述，并且将序列中最后一个数值的斜率设置为与相邻的前一个数值的斜率相等。以预设数量为4，预设隶属于值为0.5，对温度数据段的划分过程进行举例说明：将温度时序数据中各个采样时刻对应的温度数值按照时序记作1、2、3、4、5、6、7、8、9、10、11…，在初期，将温度数值1、2、3、4组成初始序列，此时温度数值5就是待判断数值，那么温度数值1、2、3、4、5就组成了更新序列，通过对初始序列（1，2，3，4）和更新序列（1，2，3，4，5）进行计算，可以得到待判断数值5对应的序列隶属度，若待判断数值5的序列隶属度大于0.5，那么就将更新序列（1，2，3，4，5）最为新的初始序列，此时温度数值6就为待判断数值，那么更新序列就为（1，2，3，4，5，6），通过对初始序列（1，2，3，4，5）和更新序列（1，2，3，4，5，6）进行计算，可以得到待判断数值6对应的序列隶属度，若待判断数值6的序列隶属度小于或等于0.5，那么此时的初始序列（1，2，3，4，5）就作为一个温度数据段，然后将温度数值6、7、8、9、10组成新的初始序列，此时的待判断数值就为温度数值11，继续进行上述同样的合并判断过程，直至完成对所有温度数值的合并判断，就可以得到所有的温度数据段。

由于每个采样时刻均对应两个数据值，分别是温度数值和功率数值，所以为了后续便于分析功率数据对温度数据的影响情况，可以依据温度数据段对应的采样时刻对功率时序数据进行划分，得到功率数据段，此时，每个温度数据段都有对应的功率数据段。

至此，通过分析各个采样时刻对应的温度数值的变化情况，可以将温度时序数据和功率时序数据进行划分，此时，每个温度数据段中的温度数据在一定程度上具有相似的变化特征，以此初步提高后续分析过程的准确性。

数据去噪模块103，用于分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性；在每个温度数据段中，根据所有采样时刻的温度数值对应的可靠性以及对应功率数据段中所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值；根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值；根据温度均值对温度数值进行筛选，得到温度数据段对应的去噪数据。

基于上述过程获取到的温度数据段可以初步减小数据趋势对于整体数据均值的影响，因为在进行温度数据段划分的过程中，可能噪声数据被作为初期的初始序列中的数据，或者被作为一个温度数据段划分之后重新获取的初始序列中的数据，因此需对每个温度数据段进行进一步的分析。因为正常数据更具一般性，也就是说正常数据对于所属温度数据段中的数据的整体变化趋势的影响会较小，反之对于噪声数据而言，其相对于正常数据会更加突出，也就是噪声数据对于其所属的温度数据段中的整体数据变化趋势的影响情况会更大，基于此特征，可以获取到每个采样时刻的温度数值为正常数据的可靠性，可初步表征出每个温度数值为噪声数值的可能性。

优选地，本发明一个实施例中，分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性，包括：

为了便于解释和说明，在此任选一个温度数据段作为目标数据段。通过对目标数据段中的温度数值进行分析用以解释可靠性的获取方法。

由于某个数据参与拟合和不参与拟合时所得到的拟合函数会有所差异，该差异可以表征某个数据对于数据段中的整体数据变化趋势的影响情况，同时，由于拟合成直线更容易也更直观的可以表现出数据的变化趋势，故本发明该实施例中拟合函数选择为直线。

基于最小二乘法对目标数据段中所有温度数值按照时序进行直线拟合，得到初始直线及其拟合优度，将目标数据段中所有采样时刻的温度数值和初始直线对应的数值的差异进行累加，得到初始拟合残差；初始拟合残差表征目标数据段中所有数值均参与拟合时，拟合数据与实际数据之间的差异。

接着依次将目标数据段中每个采样时刻的温度数值去除，基于最小二乘法将剩余温度数值按照时序进行直线拟合，可以得到每个采样时刻的温度数值对应的对比直线及其拟合优度，该对比直线也就是被去除的温度数值对应的拟合直线；将目标数据段中所有采样时刻的温度数值和对比直线对应的数值的差异进行累加，可以得到每个采样时刻的温度数值对应的对比拟合残差；对比拟合残差表征目标数据段中去除某个温度数值后，剩余温度数值参与拟合时，拟合数据与实际数据之间的差异；此时通过计算，目标数据段中每个采样时刻的温度数值都会对应一个对比拟合残差。由于对比直线是目标数据段中去除一个温度数值后拟合得到的直线，所以对比直线中的采样时刻会比初始直线中少一个，但是由于拟合函数为直线，因此即使去除一个温度数值，只要知道被去除的温度数值在时序上的位置，也可以通过简单计算得到其在对比直线中对应的数据值，这也是选择直线作为拟合函数的另一个原因。

然后在目标数据段中，将初始拟合残差和每个温度数值对应的对比拟合残差的差异作为残差差异并任选一个采样时刻的温度数值作为目标数值；由于拟合优度可以用于评价拟合效果，所以可将拟合优度也作为计算可靠性的一个参数，并且，为了消除仅对单独一个数值进行分析会导致可信度较差的问题，本发明该实施例中，在计算每个温度数值的可靠性时，通过以每个温度数值为中心构建预设邻域，将邻域温度数值也加入到计算过程中，可以进一步提高准确性，消除片面性。因此根据初始直线的拟合优度、目标数值对应的残差差异、目标数值对应的对比直线的拟合优度以及目标数值的预设邻域内的邻域温度数值的残差差异，获得目标数值为正常数据的可靠性，其中，邻域温度数值为预设邻域内除中心温度数值外的其他温度数值。

目标数值为正常数据的可靠性的具体计算方法为：将初始直线的拟合优度与目标数值对应的对比直线的拟合优度的乘积作为优度乘积，优度乘积的大小可以表征拟合效果的优劣。

然后将目标数值的所有邻域温度数值的残差差异进行累加，得到差异累加和，差异累加和可用于表征目标数值所在的预设邻域内温度数值的整体情况。接着将目标数值对应的残差差异和所述差异累加和的和值作为特征和值，最后根据优度乘积和特征和值获得目标数值为正常数据的可靠性，并且可靠性和优度乘积呈正相关，可靠性和特征和值呈负相关。目标数值以温度数值为例，目标数值为正常数据的可靠性的公式模型具体可以例如为：

其中，表示目标数值对应的可靠性，表示初始直线的拟合优度，表示目标数值对应的对比直线的拟合优度，表示目标数值对应的残差差异，表示目标数值的第个邻域温度数值的残差差异，表示目标数值的邻域温度数值总数，表示归一化函数，表示预设第二参数。

在可靠性的公式模型中，由于目标数值对应的残差差异代表了目标数值存在时的直线拟合结果和目标数值不存在时的直线拟合结果之间的差异，所以表征了目标数值对温度数据段中数据整体变化趋势的影响情况，且该值越小，说明影响程度越小，也就是目标数值为正常数据的可靠性越大；同样的，目标数值对应的邻域温度数值的残差差异表征了邻域温度数值存在时的直线拟合结果和不存在时的直线拟合结果之间的差异，表征了邻域温度数值对温度数据段中数据整体变化趋势的影响情况，且该值越小，说明影响程度越小，也就是邻域温度数值为正常数据的可靠性越大；那么在目标数值对应的预设邻域内，若所有邻域温度数值的残差差异累加起来得到的差异累加和越小，则可以说明目标数值周围的温度数值越可能是正常数据，所以可视为目标数值为正常数据的可信度就更高，故将与结合得到特征和值，为了实现逻辑关系矫正以及防止特征和值为0，将特征和值与预设第二参数相加后的值作为分母。当拟合直线的拟合优度越大时，说明拟合效果越好，也可表征数据越可能为正常数据，故将初始直线的拟合优度和目标数值对应的对比直线的拟合优度相乘，得到优度乘积，并将优度乘积作为分子。最后将所得比值进行归一化即可得到目标数值为正常数据的可靠性。

需要说明的是，拟合优度的获取方法为本领域技术人员熟知的获取方法，在此不做赘述；预设邻域可以设置为以每个温度数值为中心，左右两侧各三个温度数值的范围，若中心数值某侧的温度数值不够三个时，在另一侧补够总数6个即可，具体邻域大小可根据实施场景进行调整，在此不做限定；预设第二参数的作用为防止分母为0，在此可取值为0.001，具体数值可根据实施场景进行调整，在此不做限定。

至此，通过上述过程可以计算得到每个采样时刻的温度数值对应的可靠性，可继续进行后续分析。

在无纺布的烘干过程中，由于温度需要动态调整，人为操作调整烘干温度时，温度数据发生变化，并且这种变化也会反映在烘干设备的功率数据的变化上；但是若烘干温度的变化并非人为操作而是环境、设备等因素造成的噪声影响导致的，那么烘干设备的功率往往不会发生较大改变，所以基于此特征，可将功率数值作为评价温度数值受噪声影响的情况的指标，也即可根据功率数值的变化情况作为温度数值为正常数据的可靠性的置信度，获得温度数值的噪声程度值。

优选地，本发明一个实施例中，根据所有采样时刻的温度数值对应的可靠性以及对应功率数据段中所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值，包括：

在每个温度数据段对应的功率数据段中，首先计算所有采样时刻的功率数值的累加和，作为功率和值，然后将每个采样时刻的功率数值与功率和值的差异进行负相关映射后的值，作为该采样时刻对应的温度数值的噪声置信度；最后根据每个采样时刻的温度数值的噪声置信度和对应的可靠性获得采样时刻的温度数值的噪声程度值，并且噪声置信度和噪声程度值呈正相关，可靠性和噪声程度值呈负相关。噪声程度值的公式模型具体可以例如为：

其中，表示第个温度数据段中第个采样时刻对应的温度数值的噪声程度值，表示第个温度数据段对应的功率数据段中第个采样时刻对应的功率数值，表示第个温度数据段对应的功率数据段中第个采样时刻对应的功率数值，表示第个温度数据段中采样时刻总数，表示第个温度数据段中第个采样时刻的温度数值对应的可靠性,表示归一化函数,表示预设第三参数。

在噪声程度值的公式模型中，基于上述分析可知，若烘干区域的温度数值发生变化是人为调整，则烘干设备的功率会随之变化，若烘干区域的温度数值发生变化是受噪声影响，那么烘干设备的功率不会发生较大改变，所以计算了温度数据段对应的功率数据段中所有采样时刻对应的功率数值的累加和，用以表征温度数据段中所有采样时刻对应的功率数值变化的整体情况，然后对于每个采样时刻对应的功率数值，计算与所有采样时刻的功率数值累加和的差异，即，当该值越小时，说明在温度数据段对应的时间段内，功率数值的变化程度较小，那么此时若温度数值发生变化，则更可能是受到噪声影响，反之，若该值越大时，说明在温度数据段对应的时间段内，功率数值的变化程度较大，那么此时若温度数值发生了变化，则更可能是人为调整；基于此，将进行负相关映射并归一化，实现逻辑关系矫正，用于表征采样时刻的温度数值为噪声数据的可信度，也就是噪声置信度。由于每个采样时刻的温度数值的可靠性可以反映其为正常数据还是噪声数据，并且，可靠性越大，越可能是正常数据，可靠性越小，越可能是噪声数据，因此将采样时刻的温度数值对应的噪声置信度作为分子，将可靠性作为分母的组成部分，得到温度数值对应的噪声程度值。

需要说明的是，在本发明该实施例中预设第三参数的作用为防止分母为0，在此取值为0.001，具体数值的设置可根据实施场景进行调整，在此不做限定。

至此，通过上述过程可以得到每个温度数据段中每个采样时刻的温度数值对应的噪声程度值，然后可接着进行数据去噪操作。

在本发明该实施例中，采用Z-score算法对数据进行去噪，在进行去噪时，需计算数据的均值，对于噪声数据而言，其在计算数据的均值时占比应该更小，而正常数据的占比应该更大，所以可以基于上述过程得到的每个采样时刻的温度数值对应的噪声程度值对温度数值在计算均值时的权重进行调整，以此得到更加符合正常数据变化情况的温度均值，便于更好的将噪声数据识别出来。

优选地，本发明一个实施例中，根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值，包括：

在每个温度数据段中，根据温度数据段中所有采样时刻的温度数值对应的噪声程度值的数值分布，获得每个采样时刻的温度数值的调整权重；调整权重的具体获取方法为：将所有采样时刻的温度数值的噪声程度值和值作为分母，将每个采样时刻的温度数值的噪声程度值作为分子，然后将得到的比值进行负相关映射后的值作为每个采样时刻的温度数值的调整权重。调整权重的公式模型具体可以例如为：

其中，表示第个温度数据段中第个采样时刻对应的温度数值的调整权重，表示第个温度数据段中第个采样时刻对应的温度数值的噪声程度值，表示第个温度数据段中第个采样时刻对应的温度数值的噪声程度值，表示第个温度数据段中的采样时刻总数。

在调整权重的公式模型中，计算了温度数据段中所有采样时刻的温度数值的噪声程度值的和值，然后计算每个时刻的温度数值的噪声程度值在所得和值中的占比，当某个时刻对应的温度数值的噪声程度值越大，那么占比就越大，说明更可能是噪声数据，那最终该温度数值的调整权重相应的应该越小，反之，当某个时刻对应的温度数值的噪声程度值越小，那么占比就越小，说明更可能是正常数据，那最终调整权重相应的就会越大，所以将占比进行负相关映射，实现逻辑关系矫正，得到调整权重。

在每个温度数据段中，得到每个采样时刻的温度数值对应的调整权重后，可以计算所有采样时刻对应的温度数值与对应的调整权重的乘积的均值，将该均值作为温度数据段对应的温度均值。温度均值的公式模型为：

其中，表示第个温度数据段对应的温度均值，表示第个温度数据段中第个采样时刻对应的温度数值的调整权重，表示第个温度数据段中第个采样时刻对应的温度数值，表示第个温度数据段中的采样时刻总数。

在温度均值的公式模型中，利用各采样时刻的温度数值对应的调整权重对温度数值进行调整，越可能是噪声数据的温度数值调整权重就小，越可能是正常数据的温度数值调整权重就大，然后对温度数值进行加权求和，此时得到的温度均值更能够代表正常情况下温度数据段中温度数值的平均水平。

至此，通过各采样时刻的温度数值的噪声程度值对温度数值的权重进行修正，以此得到更加准确的温度均值，有效提高了后续噪声识别过程的准确度。

在获取到各温度数据段对应的温度均值后，可基于温度均值对段内的温度数值进行筛选，从而得到去噪数据。

优选地，本发明一个实施例中，根据温度均值对温度数据值进行筛选，得到温度数据段对应的去噪数据，包括：

根据每个温度数据段对应的温度均值对数据段中的温度数值进行Z-score标准化，从而得到数据段中各个温度数值对应的标准值，然后将大于预设判断阈值的标准值作为噪声温度值；最后将每个温度数据段中的噪声温度值对应的温度数值进行去除，剩余的温度数值即可组成去噪数据。需要说明的是，利用Z-score算法对数值进行标准化的过程为本领域技术人员熟知的操作过程，具体方法为某个数值减去均值后与所有数值的方差作比值，在此不做赘述；预设判断阈值设置为2，具体数值可根据实施场景进行调整，在此不做限定。

至此，基于上述过程可以完成每个温度数据段的去噪，得到每个温度数据段对应的去噪数据，此时的去噪数据中由于不存在噪声影响，故在进行后续的异常监测时能够更加准确的识别出异常数据，保证了异常监测的准确度和可信度。

异常监测模块104，用于对每个温度数据段对应的去噪数据进行异常监测，获得监测结果。

在获取到去噪数据后可对去噪数据进行异常监测，从而获得监测结果。

优选地，本发明一个实施例中，对每个温度数据段对应的去噪数据进行异常监测，获得监测结果，包括：

由于一般的异常检测算法大多是基于统计方法，或是借用一些聚类算法对异常点进行识别，但是这些方法通常不能量化每个数据点的异常程度，相比较而言，基于密度的局部离群因子算法（Local Outlier Factor，LOF）会更简单、直观，并且不需要对数据的分布做太多要求，还能量化每个数据点的异常程度，在进行异常数据监测时，LOF考虑了数据集的局部属性和全局属性，因而最终的异常检测会更加准确，所以本发明该实施例中基于LOF算法与预设K值对每个温度数据段对应的去噪数据进行异常监测，然后得到每个数据点的局部异常因子。

最后将小于或等于预设异常阈值的数据点作为正常数据点，将大于预设异常阈值的数据点作为异常数据点，对于异常数据点，需要发出警示提醒工作人员，避免温度不正常导致无纺布质量受损。需要说明的是，基于LOF算法对数据进行异常检测的过程为本领域技术人员熟知的操作过程，在此不做赘述，预设K值设置为5，预设异常阈值设置为1，具体熟知均可根据实施场景进行调整，在此不做赘述。

综上所述，本发明首先获取了无纺布烘干区域的温度时序数据和烘干设备的功率时序数据，因为烘干区域的温度处于动态变化的过程中，并且不同时段所需的烘干温度也会有所变化，所以可从数据的局部出发，通过分析各采样时刻下温度数值的变化情况，将整段温度数据划分为多个温度数据段，此时，每个温度数据段中的温度数据在一定程度上具有相似的变化特征，以此初步提高后续分析过程的准确性。进一步地，因为正常数据更具一般性，而噪声数据相较于正常数据而言会有所突出，因此噪声数据对于温度数据段中的整体数据的变化趋势的影响情况会更大，基于此特征，可获得每个采样时刻的温度数值为正常数据的可靠性，可靠性可作为后续评判温度数值是否为噪声数据的指标之一。进一步地，由于温度数值的正常变化往往会引起烘干设备功率的变化，而噪声数值往往是生产环境或生产设备等因素造成的，烘干设备的功率通常不会发生变化，因此，可以分析烘干设备功率数值的变化差异情况作为温度数值是否为噪声数值的置信度，然后与温度数值对应的可靠性相结合，得到温度数值对应的噪声程度值。进一步地，根据温度数据段中各采样时刻对应的温度数值的噪声程度值以及温度数值的分布，可以计算温度数据段对应的温度均值，此时的温度均值由于是对单个温度数据段中的温度数据为正常数据的可靠性以及温度与功率之间的关联情况分析得到的，因而能够更加符合温度数据段中数据的变化特征，故基于每个温度数据段对应的温度均值对温度数据值进行筛选去噪，获得的去噪数据会更加的准确，最后对去噪数据进行异常监测也就能够提高异常监测结果的准确度和可信度。

基于物联网技术的无纺布生产数据去噪系统实施例：

无纺布的烘干过程是无纺布生产中的关键环节之一，监测烘干区域的温度能够帮助实时掌握生产环境，确保产品符合规格要求，所以温度数据的质量对生产过程的优化或者产品质量的监控具有极大的影响。由于生产环境、生产设备等因素的影响，会导致温度数据中包含噪声数据，所以为了提高温度数据的质量，需对温度数据进行去噪，现有技术通常采用Z-score算法对标准化后的数据设置阈值来识别噪声数据，在进行标准化时，需计算数据的均值，但是由于烘干温度是动态变化且噪声的影响程度会有所不同的，若使用整体数据的均值进行标准化，会导致正常的温度数据被误判为噪声数据，影响到去噪效果；本实施例提供了一种基于物联网技术的无纺布生产数据去噪系统，包括：

数据获取模块101，用于基于预设采样时段获取无纺布烘干区域的温度时序数据和烘干设备的功率时序数据；

数据分段模块102，用于根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段；基于所述温度数据段的采样时刻对所述功率时序数据进行划分，得到功率数据段；

数据去噪模块103，用于分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性；在每个温度数据段中，根据所有采样时刻的温度数值对应的可靠性以及对应功率数据段中所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值；根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值；根据温度均值对温度数值进行筛选，得到温度数据段对应的去噪数据。

其中，数据获取模块101、数据分段模块102以及数据去噪模块103在上述基于物联网技术的无纺布生产设备远程监控系统实施例中已给出了详细说明，在此不再赘述。

本实施例带来的有益效果包括：

本实施例首先获取了无纺布烘干区域的温度时序数据和烘干设备的功率时序数据，因为烘干区域的温度处于动态变化的过程中，并且不同时段所需的烘干温度也会有所变化，所以可从数据的局部出发，通过分析各采样时刻下温度数值的变化情况，将整段温度数据划分为多个温度数据段，此时，每个温度数据段中的温度数据在一定程度上具有相似的变化特征，以此初步提高后续分析过程的准确性。进一步地，因为正常数据更具一般性，而噪声数据相较于正常数据而言会有所突出，因此噪声数据对于温度数据段中的整体数据的变化趋势的影响情况会更大，基于此特征，可获得每个采样时刻的温度数值为正常数据的可靠性，可靠性可作为后续评判温度数值是否为噪声数据的指标之一。进一步地，由于温度数值的正常变化往往会引起烘干设备功率的变化，而噪声数值往往是生产环境或生产设备等因素造成的，烘干设备的功率通常不会发生变化，因此，可以分析烘干设备功率数值的变化差异情况作为温度数值是否为噪声数值的置信度，然后与温度数值对应的可靠性相结合，得到温度数值对应的噪声程度值。进一步地，根据温度数据段中各采样时刻对应的温度数值的噪声程度值以及温度数值的分布，可以计算温度数据段对应的温度均值，此时的温度均值由于是对单个温度数据段中的温度数据为正常数据的可靠性以及温度与功率之间的关联情况分析得到的，因而能够更加符合温度数据段中数据的变化特征，故基于每个温度数据段对应的温度均值对温度数据值进行筛选去噪，获得的去噪数据会更加的准确。

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。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。

以上所述仅为本发明的较佳实施例，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 (5)

1.一种基于物联网技术的无纺布生产设备远程监控系统，其特征在于，该系统包括：

数据获取模块，用于基于预设采样时段获取无纺布烘干区域的温度时序数据和烘干设备的功率时序数据；

数据分段模块，用于根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段；基于所述温度数据段的采样时刻对所述功率时序数据进行划分，得到功率数据段；

数据去噪模块，用于分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性；在每个温度数据段中，根据所有采样时刻的温度数值对应的可靠性以及对应功率数据段中所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值；根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值；根据温度均值对温度数值进行筛选，得到温度数据段对应的去噪数据；

异常监测模块，用于对每个温度数据段对应的去噪数据进行异常监测，获得监测结果；

所述根据温度时序数据中各采样时刻的温度数值的变化情况，对温度时序数据进行划分，得到温度数据段，包括：

在所述温度时序数据中，将前预设数量个采样时刻的温度数值作为初始序列，将与初始序列相邻的下一个采样时刻的温度数值作为待判断数值；

将所述待判断数值合并到初始序列中，得到更新序列，根据初始序列和更新序列中所有温度数值的变化趋势的差异，得到待判断数值的序列隶属度，若待判断数值的序列隶属度满足预设判断条件，则将所述更新序列作为新的初始序列并对剩余温度数值进行合并判断；

若待判断数据的序列隶属度不满足预设判断条件，则将待判断数值之前的所有温度数值作为一个温度数据段，将待判断数值与后续预设数量个温度数值作为新的初始序列并对剩余温度数值进行合并判断，直至对所有温度数值都进行合并判断后，得到所有的温度数据段；

所述预设判断条件为：待判断数据的序列隶属度大于预设隶属阈值；

所述分析每个采样时刻的温度数值对所属温度数据段中温度数值整体变化趋势的影响情况，获得每个采样时刻的温度数值为正常数据的可靠性，包括：

任选一个温度数据段作为目标数据段；基于最小二乘法对目标数据段中所有温度数值按照时序进行直线拟合，得到初始直线及其拟合优度，将目标数据段中所有采样时刻的温度数值和初始直线对应的数值的差异进行累加，得到初始拟合残差；

依次将目标数据段中每个采样时刻的温度数值去除，基于最小二乘法将剩余温度数值按照时序进行直线拟合，得到每个采样时刻的温度数值对应的对比直线及其拟合优度，将目标数据段中所有采样时刻的温度数值和对比直线对应的数值的差异进行累加，得到每个采样时刻的温度数值对应的对比拟合残差；

在所述目标数据段中，将初始拟合残差和每个温度数值对应的对比拟合残差的差异作为残差差异；任选一个采样时刻的温度数值作为目标数值，并以目标数值为中心构建预设邻域；根据初始直线的拟合优度、目标数值对应的残差差异、目标数值对应的对比直线的拟合优度以及目标数值的预设邻域内的邻域温度数值的残差差异，获得目标数值为正常数据的可靠性；

所述根据初始直线的拟合优度、目标数值对应的残差差异、目标数值对应的对比直线的拟合优度以及目标数值的预设邻域内的邻域温度数值的残差差异，获得目标数值为正常数据的可靠性，包括：

将所述初始直线的拟合优度与目标数值对应的对比直线的拟合优度的乘积作为优度乘积；

将目标数值的所有邻域温度数值的残差差异进行累加，得到差异累加和，将目标数值对应的残差差异和所述差异累加和的和值作为特征和值；

根据所述优度乘积和所述特征和值获得目标数值为正常数据的可靠性，所述可靠性和所述优度乘积呈正相关，所述可靠性和所述特征和值呈负相关；

所述根据所有采样时刻的温度数值对应的可靠性以及对应功率数据段中所有采样时刻的功率数值之间的差异情况，获得每个采样时刻的温度数值对应的噪声程度值，包括：

在每个温度数据段对应的功率数据段中，将每个采样时刻的功率数值和所有采样时刻的功率数值累加和的差异进行负相关映射并归一化后的值，作为采样时刻对应的温度数值的噪声置信度；根据每个采样时刻的温度数值的噪声置信度和对应的可靠性获得噪声程度值，所述噪声置信度和所述噪声程度值呈正相关，所述可靠性和所述噪声程度值呈负相关；

所述根据所有采样时刻对应的噪声程度值和所有采样时刻对应的温度数值的分布情况，获得温度数据段对应的温度均值，包括：

在每个温度数据段中，根据所有采样时刻的温度数值对应的噪声程度值的数值分布，获得每个采样时刻的温度数值的调整权重；计算所有采样时刻对应的温度数值与对应的调整权重的乘积的均值，得到温度数据段对应的温度均值。

2.根据权利要求1所述的一种基于物联网技术的无纺布生产设备远程监控系统，其特征在于，所述将所述待判断数值合并到初始序列中，得到更新序列，根据初始序列和更新序列中所有温度数值的变化趋势的差异，得到待判断数值的序列隶属度，包括：

将初始序列中最大温度数值和最小温度数值的差值作为初始温度极差，将更新序列中最大温度数值和最小温度数值的差值作为更新温度极差，将初始温度极差和更新温度极差的差异作为第一隶属因子；

将初始序列中所有采样时刻的温度数值的斜率累加和作为初始数据变化率，将更新序列中所有采样时刻的温度数值的斜率累加和作为更新数据变化率，将初始数据变化率和更新数据变化率的差异作为第二隶属因子；

根据第一隶属因子和第二隶属因子获得待判断数值的序列隶属度，所述第一隶属因子和第二隶属因子均与所述序列隶属度呈负相关。

3.根据权利要求1所述的一种基于物联网技术的无纺布生产设备远程监控系统，其特征在于，所述在每个温度数据段中，根据所有采样时刻对应的噪声程度值的数值分布，获得每个采样时刻的温度数值的调整权重，包括：

将所有采样时刻的温度数值的噪声程度值和值作为分母，将每个采样时刻的温度数值的噪声程度值作为分子，将得到的比值进行负相关映射后的值作为温度数值的调整权重。

4.根据权利要求1所述的一种基于物联网技术的无纺布生产设备远程监控系统，其特征在于，所述根据温度均值对温度数据值进行筛选，得到温度数据段对应的去噪数据，包括：

根据每个温度均值对对应温度数据段中的温度数值进行Z-score标准化，得到标准值，将大于预设判断阈值的标准值作为噪声温度值；

将每个温度数据段中的噪声温度值对应的温度数值进行去除，得到温度数据段对应的去噪数据。

5.根据权利要求1所述的一种基于物联网技术的无纺布生产设备远程监控系统，其特征在于，所述对每个温度数据段对应的去噪数据进行异常监测，获得监测结果，包括：

基于LOF算法与预设K值对每个温度数据段对应的去噪数据进行异常监测，得到每个数据点的局部异常因子；

将大于预设异常阈值的数据点作为异常数据点，将小于或等于预设异常阈值的数据点作为正常数据点。