登录

首页

系统

博客

搜索

关于

52phm简介

专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。 网站正在不断建设和完善过程中，欢迎大家给予建议和参与社区建设

联系我们

投稿说明

52phm，专注于预测性维护知识学习和交流，欢迎广大从事预测性维护行业人员投稿，投稿请联系管理员(wx: www52phmcn)，投稿内容可以是：

  • 学习笔记
  • 技术理论
  • 工程案例
  • 行业资讯

加入我们

官方公众号：52phm，专注预测性维护的学习平台

2021-12-19 14:20:42    互联网    526    当前专栏：工业异常检测    分类：算法开发    本站官网：www.52phm.cn   

公众号 ...

异常检测方法综述

[定义]
[概念辨析]
[常用做法]
[应用]
基于正态分布的一元离群点检测方法
[3倍标准差法则]
[Grubb‘s test]
[x2]
[高斯分布]
[基于角度的outlier detection]
[基于最近邻的异常检测]
[LOF]
[COF]
[PCA]

1、定义


异常点检测（又称为离群点检测）是找出其行为很不同于预期对象的一个检测过程。这些对象被称为异常点或者离群点。[1]

在这里插入图片描述

2、概念辨析

imbalanced classification：anomalies and normal data available
novelty detection:only normal data available, fit on normal data, predict on unlabeled data
outlier detection:unlabeled data only, fit and predict on unlabeled data
Outliers are rare events located in the low density regions.[2]

3、常用做法

学习分数

在这里插入图片描述

学习threshold

在这里插入图片描述

学习标签

用标签来表示是否是离群点，也可以将分数转化为label

4、应用

信用卡欺诈，入侵检测，图像检测等

5、基于统计的模型

基于正态分布的一元离群点检测方法[3]

3倍标准差法则



在这里插入图片描述

Grubb‘s test



在这里插入图片描述

在这里插入图片描述

多元离群点的检测方法

x2



在这里插入图片描述

高斯分布



在这里插入图片描述

多元高斯分布



在这里插入图片描述

6、基于距离的模型

基于角度的outlier detection



在这里插入图片描述

在这里插入图片描述

基于最近邻的异常检测


在这里插入图片描述

不适合低密度的数据使用

LOF



在这里插入图片描述

COF



在这里插入图片描述

7、线性模型

PCA

方法1



在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

方法2[4]


在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

8、非线性模型

Replicator Neural Networks(RNNs)


在这里插入图片描述
在这里插入图片描述

9、总结


在这里插入图片描述
在这里插入图片描述

[1] 异常点检测算法综述：https://zhuanlan.zhihu.com/p/30169110
[2] anomaly-detection-in-scikit-learn-ongoing-work-and-future-developments：https://speakerdeck.com/albertcthomas/anomaly-detection-in-scikit-learn-ongoing-work-and-future-developments
[3] 异常点检测算法（一）：https://mp.weixin.qq.com/s?__biz=MzIzODExMDE5MA==&mid=2694182460&idx=1&sn=a4842775394946bb643006e2e7c67be9&scene=21#wechat_redirect
[4][异常值检测算法（二）：https://mp.weixin.qq.com/s?__biz=MzIzODExMDE5MA==&mid=2694182465&idx=1&sn=c644809b757bb1c3f0439eae4bb2f78c&scene=21#wechat_redirect
[5][异常点检测算法（三）：https://mp.weixin.qq.com/s?__biz=MzIzODExMDE5MA==&mid=2694182516&idx=1&sn=057cdf801d322da4d83dbf96376e7eee&scene=21#wechat_redirect



版权声明：遵循 CC 4.0 BY-SA 版权协议
原文链接：https://blog.csdn.net/shaoyue1234/article/details/101782912

免责声明


[推荐] 异常检测模型整理

2021-12-13 23:52:54    互联网    1550    分类：算法开发    专栏：工业异常检测   

[推荐] 异常检测——常见方法分类

2021-12-19 14:43:14    互联网    1576    分类：算法开发    专栏：工业异常检测   

[推荐] 异常检测——孤立森林

2021-12-19 15:00:11    互联网    444    分类：算法开发    专栏：工业异常检测   


转发此文章到社区

关注公众号进群

让志同道合读者学习交流

  • 0
    •    
  • 0
    •    

    • 分享到

      微信/QQ好友/朋友圈

      点击手机浏览器右上角，选择分享




    •




    智能故障诊断方法总结

    1.故障诊断方法可分为三个步骤：信号处理、特征提取、模式分类。2.信号处理方法通常包括：时域处理（提取振动信号的相关指标）；频域处理（包络谱分析，频谱分析）；时频域分析（小波分析，傅里叶变换）3.故障诊断方法：专家系统故障诊断法，模糊故障诊断、灰色关联度故障诊断、神经网络故障诊断、数据融合故障诊断。...

    2021-12-09 11:32:32    互联网    1994    分类：算法开发    专栏：故障诊断   

    一种基于CNN的故障预测方法(含代码数据集)

    本文以CWRU轴承故障的振动信号数据库作为模型的训练集和测试集并根据现有论文的思路和模型框架，用pytorch复现了论文的模型结构和性能，在二分类问题中准确率高达100%本文在理论方便不再过多赘述，详细可看博主之前的博客或观看论文原文数据连接：https://csegroups.case.edu/bearingdatacenter/pages/download-data-file论文链接：https://www.sci-hub.ren/10.1109/tie.2017.2774777代码

    2021-12-09 15:29:35    互联网    2441    分类：算法开发    专栏：故障诊断   

    一篇关于轴承故障诊断的综述

    在设备的故障检测中，有约30%-40%的设备故障是由轴承故障引起的，因此本文将列举有关检测轴承故障使用到的相关数据集，模型和算法。数据集现有的数据集，普遍由固定在电机马达上的两个震动检测器获得，并根据需要，分离震动数据在时域和频域上的特征以供网络模型学习。不同的数据集，区别在于，检测的马达转速不同，环境不同，取样频率不同，一段样本的时长不同等等（1）Case Western Reserve University (CWRU) Dataset该数据集拥有多种数据，测量的时候，通过改变轴承.

    2021-12-13 13:17:35    互联网    3159    分类：算法开发    专栏：故障诊断   

    阅读论文：电网的故障检测

    摘要存在的基于模型的方法无法涵盖时间序列的所有方面先进测量技术的出现带动着新一轮的数据爆炸，推动着数据导向形方法的发展方法包含：运用注意机制的长短期记忆架构，来提取时间序列特征 一维卷积神经网络获取频率信息基于频率的非监督分类信号方法，对于不同的分类，使用多任务学习方法本文提出的技术特别先进，甚至胜过数据网站的冠军术语索引：异常检测，故障检测，卷积神经网络，长短期记忆，多任务学习，高维时间序列1.介绍电网系统升级，把网络和传感技术相...

    2021-12-13 13:36:07    互联网    1695    分类：论文速递    专栏：未分组   

    机械故障诊断方法论

    1. 故障诊断概念故障诊断主要研究如何对系统中出现的故障进行检测、分离和辨识 , 即判断故障是否发生 , 定位故障发生的部位和种类 , 以及确定故障的大小和发生的时间等 。2. 故障诊断方法故障诊断防范可分为定性分析和定量分析两大类 , 如图 1 所示。 其中 , 定量分析方法又分为基于解析模型的方法和数据驱动的方法 , 后者又进一步包括机器学习类方法、多元统计分析类方法、信号处理类方...

    2021-12-13 14:48:01    互联网    2127    分类：算法开发    专栏：故障诊断   

    光谱信息在癌症检测上的应用

    拉曼光谱(Raman) 与傅里叶变换红外光谱(FTIR) 在癌症的检测上具有一定的应用价值。由于检测组织中水的存在常使结果变得复杂，FTIR常用于皮肤层面的检测。在材料的制备与探针选择上，拉曼方法也更适用于组织活检，甚至实时检测。1.拉曼光谱在乳腺癌检测上的应用文章：Application of Raman Spectroscopy and Infrared Spectroscopy in the Identification of Breast Cancer(2016)期刊 Applied

    2021-12-14 15:50:53    互联网    845    分类：算法开发    专栏：数字信号处理   

    异常检测——拓扑异常检测（TAD）

    分类是一种基于密度的outlier detection思想它不使用局部密度，而是利用近邻将数据构造成图。与其他KNN方法不同的是，它不用设定K作为参数，而是设定一个maximal inter-observation distance（被称为图resolution）的参数。在算法中，如果两个点之间的距离小与图resolution，就在他们之间加一个边。当整张图构建完成以后，通过设定一个阈值P...

    2021-12-19 14:40:05    互联网    458    分类：算法开发    专栏：工业异常检测   

    Python趋势分析自动化检测描述最终（最新）

    Python趋势分析自动化检测描述最终（最新）异常检测、def trend_desc(inputdata,conf_level=0.95): overall_num = len(inputdata) # Sen's slope trend_result = sens_slope_trend_detection(inputdata,conf_level) # trend desc # 99% ——> +—2....

    2021-12-21 11:05:25    互联网    648    分类：算法开发    专栏：工业异常检测   

    时间序列预测算法总结

    时间序列算法time series data mining 主要包括decompose（分析数据的各个成分，例如趋势，周期性），prediction（预测未来的值），classification（对有序数据序列的feature提取与分类），clustering（相似数列聚类）等。时间序列的预测常用的思路：1、计算平均值2、exponential smoothing指数衰减...

    2021-12-25 19:42:49    互联网    527    分类：算法开发    专栏：时间序列预测   

    时间序列预测的8种常用方法简介

    时间序列预测8种常用方法简介，包括朴素预测法、简单平均法、移动平均法、简单指数平滑法、霍尔特(Holt)线性趋势法、Holt-Winter方法、AMRIA。

    2021-12-25 19:46:21    互联网    947    分类：算法开发    专栏：时间序列预测   

    • 52phm公告

    • 在这里，可以学习接触到工业互联网技术知识以及落地案例，其中涵盖工业数据集、工业标准库、机理模型、设备知识、机器学习、 深度学习、特征工程、振动分析、工业视觉、边缘硬件及传感器等技术知识！
    工业异常检测   

    • 关于站长

    •         从事设备故障预测与健康管理行业多年的PHM算法工程师（机器医生）、国际振动分析师， 实践、研发和交付的项目涉及“化工、工业机器人、风电机组、钢铁、核电、机床、机器视觉”等领域。专注于工业智能预警系统研发， 通过机理算法和数据驱动算法分析振动信号、音频、DCS、PLC信号、SCADA信号等设备运行状态数据对机器设备进行看病预诊，为机器设备健康运行保驾护航。


    当前文章目录


    52phm社区

    52phm社区，专注预测性维护的学习平台！

    Saas体验

    + 工业demo学习系统

    技术博客

    + 博客首页    + 算法开发    + 边缘感知   

    + 设备机理    + 开发环境

    + 论文速递   

    友情链接

    + 在码圈

    联系我

    Copyright© 2021 52phm社区

    京ICP备2021029973号-1