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
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:
极值分析
往往只对单独纬度进行研究,使用上有很大的局限性【1】
对数据分布进行假设
对异常数据和正常数据进行不同的分布假设,并用EM算法拟合数据。局限性在于假设往往和实际有较大出入,效果一般
基于线性分析
在低纬度上分析数据间的相关性。比如PCA,Factor Analysis等。但是压缩或找到低维嵌入后,数据的可解释性下降。
空间关系造成的异常
O点单独看来的情况下是正常点,但是考虑到临近点后是异常点
时间序列上的异常
建立在距离度量上的异常检测
如K近邻为原型的
建立在密度分析上的异常检测
如Local outlier factor(LOF)
基于聚类的异常检测
先把人分群,然后把明显跟大伙儿不同的小群体去掉,那这部分小群体就是异常点。利用聚类检测异常点的方法是丢弃远离其他簇的小簇[3]
这种方法的思想是考虑到异常值跟整个数据集通常的特性(general characteristics)不一致,认为异常值是离中心最远的点,当移除这些点时,整个数据集某个特征的方差就会减小。比如一种模型的方法是定义一个smooth factor,它表示的就是当某条数据从整体里移除时,方差(variance)降低多少,一般来说,异常值降低的值会大于正常值。[2]
针对以上的问题,解决方案如下:
基于角度的方法往往在高维空间里会很有效。通常来说如果点o是异常点的话,那么它与其它点的角度都差不多,如果不是异常点,它与其它点的角度就多种多样。[2]
集成异常检测
isolation forest
feature bagging
监督异常检测,半监督异常检测,主动学习
图中的异常检测、网络中的异常检测
参考资料:
[1] https://www.zhihu.com/question/57072166/answer/280824223
[2]https://www.zhihu.com/question/280696035/answer/416508926
[3]https://www.zhihu.com/question/280696035/answer/417065342)
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/102520429
2021-12-19 14:20:42
互联网
526
分类:算法开发
专栏:工业异常检测
2021-12-19 14:40:05
互联网
458
分类:算法开发
专栏:工业异常检测
2021-12-19 15:00:11
互联网
444
分类:算法开发
专栏:工业异常检测
关注公众号进群
让志同道合读者学习交流
本篇文本分类实战训练是以完整的文本分类项目流程来写的,比较适合进阶和提高 《获取数据》——《数据分析和处理》——《特征工程与选择》——《算法模型》——《性能评估/参数调优》,让读者全貌了解文本分类流程,建议阅读收藏~
2021-12-04 12:13:55
博客笔记
2245
分类:算法开发
专栏:未分组
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
写在前面文中使用了其他博主的图,具体链接已不好追踪,如果不妥,还请谅解(私信我加备注哦)~异常检测主要检测数据中的离群点,异常数据的特征值与正常数据的特征值距离较远。异常检测具有以下难点:标签数据较少,从较少的标签数据中很难学习到哪些是正常数据,哪些是异常数据。难以划分异常和正常的边界。数据本身存在噪声,导致噪声和异常难以区分。处理异常检测的模型包括监督模型、半监督学习和无监督学习模型,具体如下:一、监督模型常见分类模型都可使用。若有标签数据,则优先使用有监督学习方法解决问题。在基于监
2021-12-13 23:52:54
互联网
1550
分类:算法开发
专栏:工业异常检测
包络分析对于各个行业,尤其是水泥行业,存在很多低转速设备。低转速部件引起的振动集中在低频部分,且往往较为微弱,容易淹没在其他信号中,在频谱中不容易分辨出故障信号与噪声信号。但这种故障引起的冲击信号往往会激起高频固有频率,在频谱上表现为出现共振带,即低频故障信号作为某高频载波的边频出现。因此,对于这种出现调制现象的故障信号,往往需要通过包络进行分析诊断。图1 包络解调机理解调前需要对信号进行滤波处理...
2021-12-14 23:01:12
互联网
1229
分类:算法开发
专栏:振动信号预处理
论文:Angle-Based Outlier Detection in High-dimensional Data,kdd2008问题高维度情况下,距离同质化。基础:1、在高维空间中角度比距离更稳定[1]2、如果其他大部分的点都在相似的方向上,那么点O是个离群点3、如果许多其他的点在不同的方向上,那么点O不是离群点。方法对于一个给定的点P,它与任意其他点x,y之间的角度构成一个...
2021-12-19 14:55:27
互联网
1050
分类:论文速递
专栏:工业异常检测
本文主要翻译LPS论文的主体部分,由于水平有限,可能翻译的不够准确。算法原文连接为基于局部自动模式的时间序列表示与相似度摘要:随着从医学、金融、多媒体等不同领域的时间序列数据集的增加,时间序列数据挖掘受到更多人的关注。对于减少维数和产生有用的相似性度量来说,时间序列表示是很重要的。高阶表示,如傅立叶变换,小波,分段多项式模型等,是以前所提出来的。最近,自回归核被用来反映时间序列的相似性。我...
2021-12-21 15:50:53
互联网
557
分类:论文速递
专栏:时间序列预测
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
统计学(第6版) 贾俊平 读书笔记第13章 时间序列分析和预测时间序列是同一现象在不同时间上的相继观测值排列而成的序列。本书中用t表示所观察的时间,Y表示观察值,则Yi( i =1, 2, …, n)为时间ti上的观察值。时间序列可以分为平稳序列和非平稳序列两大类。非平稳序列是包含趋势、季节性或周期性的序列,又可以分为有趋势的序列、有趋势和季节性的序列、几种成分混合而成的复合型序列。趋势是...
2021-12-25 19:49:30
互联网
555
分类:算法开发
专栏:时间序列预测
倒谱分析可检测频谱中的重复模式,使其对区分多个故障非常有用,该故障在不同的主要频谱(即FFT、阶次、包络和增强频谱)中很难看到。 最重要的行业应用与机械诊断相关,如齿轮箱分析,以及其他应用,如:1 回声检测和去除2 以及语音分析 在以下网站中:http://www.bksv.cn/Products/analysis-software/signal-a
2021-12-26 13:31:12
互联网
1097
分类:算法开发
专栏:振动信号预处理
电机状态.txt数据集中最后一列是`电机状态`标签,其余列是特征。本数据集可以作为学习工业数据的分类算法使用,(1)分析不同电机状态的特征分布情况;(2)建立分类模型体验分类算法的应用。
2022-04-20 15:00:51
博客笔记
3569
分类:算法开发
专栏:故障预测与健康管理
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。