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 15:00:11 互联网 445 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——孤立森林

1、基础

1）异常数据只占少量；（2）异常数据特征值和正常数据差别很大。

2、思想

基于随机森林思想，但是更为简单
假设数据集有N条数据，构建一颗iTree时，从N条数据中均匀抽样(一般是无放回抽样)出ψ个样本出来，作为这颗树的训练样本。在样本中，随机选一个特征，并在这个特征的所有值范围内(最小值与最大值之间)随机选一个值，对样本进行二叉划分，将样本中小于该值的划分到节点的左边，大于等于该值的划分到节点的右边。由此得到一个分裂条件和左、右两边的数据集，然后分别在左右两边的数据集上重复上面的过程，直到数据集只有一条记录或者达到了树的限定高度。

图1 iForest构建iTree示例，异常数据点（17,17）通常离根节点很近

由于异常数据较小且特征值和正常数据差别很大。因此，构建iTree的时候，异常数据离根更近，而正常数据离根更远。一棵iTree的结果往往不可信，iForest算法通过多次抽取样本，构建多棵二叉树。最后整合所有树的结果，并取平均深度作为最终的输出深度，由此计算数据点的异常分值。

3、算法

3.1、训练阶段

在训练阶段，iTree的建立是通过对训练集的递归分隔来建立的，直到所有的样本被孤立，或者树达到了指定的高度。树的高度限制ll与子样本数量ψψ的关系为l=ceiling(log2(ψ))l=ceiling(log2⁡(ψ))，它近似等于树的平均高度。树只生长到平均高度，而不继续生长的原因是，我们只关心路径长度较小的那些点，它们更有可能是异常点，而并不关系路径很长的正常点。详细的训练过程如算法1和算法2所示。

在这里插入图片描述

3.2、评估阶段

在这里插入图片描述

4参考

Isolation Forest原理总结：https://www.cnblogs.com/bonelee/p/9368017.html
孤立森林(Isolation Forest)：https://blog.csdn.net/extremebingo/article/details/80108247
孤立森林（Isolation Forest）算法简介：https://www.jianshu.com/p/d9fb673301a3

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/102772883

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] 异常检测方法综述

2021-12-19 14:20:42 互联网 526 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 1577 分类：算法开发专栏：工业异常检测

转发此文章到社区

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

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

频谱分析幅值单位_知否知否？常用振动诊断方法——包络分析和阶次分析

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

数据挖掘--风电机组异常数据识别与清洗

一、赛题背景（一）背景风能是一种环境友好且经济实用的可再生能源。中国是世界排名第一的风力发电国家、新装风力发电设备装机容量最大的国家，并且保持快速增长。由于风力发电正处于飞速发展阶段，风电场数量和规模不断扩大，然而受地理条件和环境因素限制，风电场多位于偏僻遥远的平原、山区或海上，因此为风电公司引入SCADA系统（数据采集与监视控制系统）对风电场群的日常运行进行集中监控、调度和管理，但风电机组受设备、环境、运行状态等因素影响，SCADA系统实时采集的风机运行数据会存在有大量异常值和缺失值，这些“脏数据”的

2021-12-19 01:00:15 互联网 2186 分类：算法开发专栏：风电机组

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

异常检测——ABOD（angle-based outlier detection）

异常检测——孤立森林

气象数据分析之突变检验及python的实现：MK突变、Pettitt方法、滑动T检验

突变点检测：时序平稳性检验之ADF检验（python）

异常分析介绍-《Outlier Analysis 2nd Edition》

异常分析-数据模型就是一切《Outlier Analysis 2nd Edition》

突变点检测：Magnitude of trend之Sen's slope（python）

Python趋势分析自动化检测描述最终（最新）

突变点检测：Buishand U test突变点检测（python）

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简介

联系我们

投稿说明

加入我们

官方公众号：52phm，专注预测性维护的学习平台

异常检测——孤立森林

1、基础

2、思想

3、算法

3.1、训练阶段

3.2、评估阶段

4参考

[推荐] 异常检测模型整理

[推荐] 异常检测方法综述

[推荐] 异常检测——常见方法分类

阅读论文：电网的故障检测

光谱信息在癌症检测上的应用

频谱分析幅值单位_知否知否？常用振动诊断方法——包络分析和阶次分析

数据挖掘--风电机组异常数据识别与清洗

异常检测——拓扑异常检测（TAD）

异常检测——ABOD（angle-based outlier detection）

时间序列预测的8种常用方法简介

统计学——时间序列预测

keras实现LSTM单变量时间序列预测——国际航班乘客预测

python 时间序列预测 —— XGBoost

52phm公告

关于站长