基于统计方法的异常数据检测及其修复-仪器仪表工程专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名：_ 日期： _ 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名：_ 导师签名： _ 日期：_ 摘要 随着工业过程的复杂化，工业企业需求的增加以及控制理论和计算机技术的发展，软测 量技术作为一种成本低廉，效果明显的方法，已成为现代工业控制领域的研究热点之一。而 软测量的建模精度受到建模数据的影响，软测量模型的输入数据都来自工业现场。可是,工业 生产过程中有很多影响因子,如噪声,传感器故障或者工作人员疏忽等都会使得所采集的某些 数据出现异常,所以对建模数据的检测和修复就变得十分重要。 论文主要从以下几个方面进行了研究。针对单个变量的数据（一维数据），采用小波变换 的方法进行检测，通过伸缩和平移等运算功能对数据细致化的分析，因为小波变换的时频特 性，能准确定位异常数据点位置；对于高维数据，采用主元分析法对数据进行处理，分别建 立 T2 统计图和 Q 统计图。然后根据每个变量对 T2 统计图的贡献，对 Q 统计图进行更为细致的 划分，选取其中和 T2 统计图显著相关的变量所构成的统计图联合检测，使得检查幅值较小的 粗大误差能力加强。针对以前工业数据填补修复的一些缺点，本论文把深度学习方法运用到 异常数据的修复，先对单变量时间序列数据进行多层次的特征提取，然后采用 BP 神经网络对 特征变量进行训练，从非线性的角度对异常数据进行修复。以 PTA 工业过程采集的现场数据 为例，采用小波分析和主元分析法分别对时间点异常和时间段异常的数据进行检测，并用深 度学习方法对异常数据进行填补修复，仿真结果表明检测和修复效果都很好。 关键词: 软测量数据预处理，小波变换，主元分析法，深度学习预测. I Abstract As the complicated industry process,the growing demand for the industrial enterprises and the development of control theory and computer technology,soft measurement technology as a kind of low cost, obvious effects of method,has become one of research hotspots in the field of modern industrial control.The soft measurement modeling accuracy is affected by the modeling data,the input data of the soft sensing model are from the industrial field.But it is well known there are many factors in the process of industrial production,such as noise, sensor fault or negligence of the staff,both of these will make some of the data collected abnormal,so the detection and recovery of modeling data becomes very important. Theses mainly from the following aspects were studied.For single variable data (one dimensional data),adopt the method of wavelet transform for testi