数据异常的监测技术综述

在目前大数据的环境下,相对于正常数据,异常类数据更难获取,也显得更加重要。异常检测的目的是检测出异于正常主体的活动数据。异常检测适用于机器故障诊断、数据挖掘以及疾病和入侵检测等多个领域。基于目前大量的异常检测方法,主要从异常类数据的有无来阐述,根据这个框架将主要的异常检测方法进行了分类,并评价了这些方法的优劣;最后重点讨论了基于深度学习的大数据异常检测方法,并分别介绍了不同的方法及相关的应用和未来的研究热点。     

特定车速下轻型卡车驾驶室异常抖动故障诊断方法

常规驾驶室异常抖动故障诊断方法多采用神经网络算法,忽略了故障数据之间的关联性,使得诊断准确率较低。为此,提出特定车速下轻型卡车驾驶室异常抖动故障诊断方法。利用数据采集器采集驾驶室在线信息数据,并采用周期性的方式对数据分类,分析故障数据之间的内部关系,解析收集的信息数据,判断车辆驾驶室运行状态,并采用故障树方法计算底事件的概率重要度,进而实现驾驶室抖动故障诊断。利用对比实验对所提方法的诊断性能进行测试,结果显示,所提方法对于驾驶室异常抖动故障具有较高的诊断准确率。     

基于主题模型的胸部X光片诊断报告异常检测方法

胸部X光片是患者胸部检查的优先选择,对患者的诊断治疗起着重要的作用。医生依据自身的经验和习惯书写胸部X光片诊断报告,由于一些主观或者客观的原因,会开具一些影像描述与诊断结论不相符的异常诊断报告,因此对诊断报告进行异常检测有着重要的研究意义。胸片诊断报告未登录词多、数据高维稀疏,缺乏大量有效标注,传统方法检测异常胸片诊断报告效果不佳,为此,提出了一种基于主题模型的胸部X光片诊断报告异常检测方法。首先用双向LSTM-CRF模型结合诊断报告中的字符级特征,获取特定的医疗术语特征,解决诊断报告中未登录词多,描述自由的问题。然后依据领域知识和模板将诊断报告进行有效的特征扩展,缓解数据稀疏问题。最后用LDA模型判断诊断报告中影像描述与诊断结论特征是否匹配,检测出异常胸片诊断报告。实验结果表明,在阈值为2的情况下,异常检测的准确率为92.82%,召回率为69.54%,检测性能优于传统方法的。     

基于主元分析算法的电费抄核收数据异常诊断方法

由于当前已有方法未能考虑电费抄核收数据去噪问题,导致电费抄核收数据异常诊断准确性下降,诊断延时增加.为此,提出一种基于主元分析算法的电费抄核收数据异常诊断方法.将采集的电费抄核收数据作为研究样本数据,通过小波变换对其进行去噪预处理.以此为基础,采用相关系数矩阵求解数据主成分,确定数据贡献率的主元个数,同时利用主元分析表...     

数据驱动的故障诊断与容错控制:进展与可能的新方向

综述数据驱动的故障诊断与容错控制方法的主要进展. 首先对工业过程故障检测与诊断简短的进行了简短的总结, 然后讨论了广泛应用的数据驱动或基于知识的方法. 本文还给出了一个由控制系统设定值设定不合适而引起的异常工况的诊断与容错控制的工业应用案例. 最好指出了可能的研究新方向.     

桥梁数据异常诊断方法在伸缩缝监测中的应用

针对由桥梁结构损伤和监测系统传感器故障引起的桥梁数据异常诊断问题,提出了一种基于主成分分析和超球面一类支持向量机的桥梁数据异常诊断方法。首先,对原始信号进行预处理和小波阈值去噪,然后,统计信号的时域、频域及自回归模型系数特征,利用主成分分析进行特征提取获得重要特征,最后,利用超球面一类支持向量机进行异常模式识别。通过江阴大桥伸缩缝相关监测数据表明,该方法可以较好识别和伸缩缝相关的数据异常,防止监测系统误报漏报的发生。     

基于SVM的偏瘫患者异常步态识别与临床康复辅助诊断系统

针对脑卒中偏瘫患者的异常步态识别与评估的问题，提出一种基于支持向量机(SVM)的步态分类方法，依据患者下肢行走过程中的连续运动数据对异常步态的细节特征描述，对偏瘫步态进行细分，辅助临床医师对脑卒中患者肢体运动功能异常进行诊断及康复疗效评定。构建穿戴式步态时空参数检测及虚拟现实康复训练系统，提出基于下肢关节角度信息的特征提取方法，建立运动信号与偏瘫步态间的映射关系。基于偏瘫患者在康复治疗中的临床实时步态时空数据，通过对比多种机器学习方法，采用多项式核函数的支持向量机的决策融合模型获得了90%异常步态识别平均准确率，在区分正常与异常步态的基础上，进一步验证了对划圈步态和膝过伸步态的正确诊断。     

基于数据驱动的低压配电台区线损分层统计与异常诊断方法

线损是反映低压配电台区运行状态的指标之一，为实现对线损的有效管理，提出基于数据驱动的低压配电台区线损分层统计与异常诊断方法。根据低压配电台区的连接方式和工作机制，构建低压配电台区结构模型。利用数据驱动技术，分层采集低压配电台区运行数据，统计低压配电台区各层的线损量。提取线损的波动和峰值特征，通过特征匹配确定当前低压配电台区线损异常状态与类型。通过与传统方法的对比得出结论：优化设计方法的线损量统计误差降低了0.73 kW·h,线损异常误诊率得到明显降低。     

基于无监督学习的移动心电信号异常诊断研究

针对心电信号异常诊断,提出了一种基于无监督学习的移动心电信号异常诊断方法。该方法利用层次聚类将心电数据进行分类,同时结合特征量的优先级诊断分析法,有效避免了因移动心电信号的数据量过大而产生爆炸的时间复杂度和空间复杂度的问题。最后,通过心电信号实例验证了所提方法具有良好的可靠性和运行效率。     

基于大数据的配电网运行线损异常诊断模型构建

该文针对当前配电网运行线路损耗异常无法甄选异常候选集且诊断不精准的问题，构建配电网运行线损异常诊断模型。采用了一种新的自适应函数，获取最小碰集的线损电量。通过长短时记忆网络方法预处理线损电量数据，获取日线损序列。结合最小二乘支持向量机将序列转变为优化求解问题，通过求解参数构建线损异常诊断模型。计算测试结果与实际结果之间线损误差，确定线损严重程度。由算例仿真结果可知，该模型线损电量统计结果与实际数据存在最大为0.1 MW的误差，说明使用该模型诊断结果精准。