一种用于时序软测量建模的异常点检测方法.doc

一种用于时序软测量建模的异常点检测方法 田慧欣，刘兴军 ( 天津工业大学电气工程与自动化学院，天津300387；天津工业大学电工电能新技术天津重点实验室，天津 300387) 摘要：针对复杂工业过程中时间序列软测量建模的数据异常点的特殊性，提出了一种用于时间序列软测量建模的异常点检测方法。该方法结合了基于密度的聚类算法（DBSCAN）与软测量建模过程，用建模误差作为异常点检测过程的指导，同时不需要聚类过程的人为干预，并且在完成异常点检测的同时建立了软测量模型。实验表明，该方法具有很好的效果。 关键词：软测量建模；复杂工业过程；异常点检测；时间序列；聚类算法 中图分类号：TP301.6 文献标志码：A 文章编号： Outliers detection method of soft sensor modeling for time series TIAN Hui-xin，HAN Mei (School of Electrical Engineering and Automation, Tianjin Polytechnic University. Tianjin 300387; Key Laboratory of Advanced Electrical Engineering and Energy Technology, Tianjin Polytechnic University, Tianjin 300387) Abstract :Aimed at the particularity of data outliers in complex industrial processes soft sensor modeling of time series, the outliers detection method of that is proposed. This new method combines the traditional density-based clustering algorithm (DBSCAN) with soft sensor modeling process. The method, which makes?the?modeling error as?the?guidance?of?outlier detection?process and avoids?the?manual?intervention?of?the?clustering process, completes the outlier detection as well as establish the soft sensor modeling. The?experiment?shows?that?the?method has a good effect on the issue. Key words soft sensor modeling; complex industrial process; outlier detection; time series; clustering algorithm Classification number: TP301.6 literature identification code:A the article code: 引言 introduction 随着人工智能技术的发展，软测量技术在复杂工业过程分析、控制和优化等方面的理论研究和实践取得了良好的效果。在复杂工业过程中，软测量建模技术已经应用在很多方面。 目前，时间序列在复杂工业过程中普遍存在，因此针对时间序列的分析研究受到很多学者的广泛关注。在众多研究课题中，时间序列异常点检测因其直接关系软测量模型的测量精度的高低而成为所有研究中的基础[1]。为了保障软测量模型的测量精度，必须在建立软测量模型之前将真实信号从含异常点的混合信号中分离出来，以确保建模数据的质量。因此，检测异常点对时序软测量建模的影响具有重要的研究意义[2]。 聚类算法是数据挖掘中的一种有效手段。其中基于密度的算法因为其良好的聚类效果，受到人们越来越广泛的关注[3]。DBSCAN算法是广泛应用的密度聚类算法之一，其最突出优点是速度快，并且可以有效检测异常点和挖掘任意形状的聚类。然而，在DBSCAN算法中，我们需要手动输入的Eps和MinPts两个参数，所以聚类过程需要用户干预进行，导致了聚类结果的准确率直接取决于用户对参数的选择[4]。 对于传统DBSCAN 算法的缺陷，学者们已经做出了很多贡献。文献[5]通过对簇连接信息的增加，降低了DBSCAN对输入参数的敏感性。文献[6]根据 K-dist图的思想，计算每一个数据的第k个最近邻的距离并排序。文献[4