基于K-均值聚类的工业异常数据检测-计算机应用研究.PDFVIP

基于K-均值聚类的工业异常数据检测 作者 张仁斌, 许辅昊, 刘飞, 李思娴 机构 合肥工业大学 计算机与信息学院 发表期刊 《计算机应用研究》 预排期卷 2018 年第35 卷第6 期 访问地址 /article/02-2018-06-008.html 发布日期 2017-06-14 11:53:04 引用格式 张仁斌, 许辅昊, 刘飞, 李思娴. 基于K-均值聚类的工业异常数据检测[J/OL]. [2017-06-14]. htt p:///article/02-2018-06-008.html. 摘要 针对当前工业异常数据检测技术未充分考虑数据的时序特征以及训练样本中可能含有异常样本 的问题，提出一种检测异常数据的方法：基于时序特征将遥测量与遥信量分为离散量与连续变化 量，并分别通过改进后的K-均值算法与传统自回归模型检测离散量与连续变化量的异常数据，在 训练聚类模型的过程中，通过计算异常因子来剔除含有异常样本的聚类簇，在训练自回归模型过 程中，将不属于正常取值区间的异常样本剔除。最后在OMNeT++平台下搭建仿真小型储水加热 工业系统并进行验证，实验结果表明：该方法可以有效地检测出现场设备中的异常数据… 关键词 遥测与遥信数据, 异常检测, 时序特征, 聚类 中图分类号 TP391 基金项目 35 优先出版 计 算 机 应 用 研 究 第 卷 K- 基于 均值聚类的工业异常数据检测 张仁斌，许辅昊，刘 飞，李思娴 (合肥工业大学 计算机与信息学院，合肥 230009) 摘 要：针对当前工业异常数据检测技术未充分考虑数据的时序特征以及训练样本中可能含有异常样本的问题，提出一 K- 种检测异常数据的方法：基于时序特征将遥测量与遥信量分为离散量与连续变化量，并分别通过改进后的 均值算法 与传统自回归模型检测离散量与连续变化量的异常数据，在训练聚类模型的过程中，通过计算异常因子来剔除含有异常 样本的聚类簇，在训练自回归模型过程中，将不属于正常取值区间的异常样本剔除。最后在OMNeT++平台下搭建仿真 小型储水加热工业系统并进行验证，实验结果表明：该方法可以有效地检测出现场设备中的异常数据，相比于其他同类 基于聚类的异常检测模型，采用该方法检测异常数据的漏报率更低。 关键词：遥测与遥信数据；异常检测；时序特征；聚类 中图分类号：TP391 Industry anomaly data detection based on K–means clustering Zhang Renbin, Xu Fuhao, Liu Fei, Li Sixian (School of Computer Information, Hefei University of Technology, Hefei 230009, China) Abstract: Considering of current industrial abnormal data detection technology lacking considera