异常检测综述汇报.pptx

异常检测综述;;01;;异常是不可知的，正常状态则相对稳定。那如何确定正常与异常间的分界阈值呢？ 统计量在大样本时渐进服从正态分布，生产与科学实验中很多随机变量的概率分布都可以近似地用正态分布（高斯分布）来描述。 ;检测方法阐述 —— 3σ原理;异常检测的应用领域;扫描活动;异常检测面临的主要问题;异常检测 VS 监督学习;02;异常检测方法 ;异常检测;主要思想 基于已标记的训练数据，对正常事件(和(极少)异常事件)构建一个分类模型，以此对每一个新的未知事件进行分类 分类模型必须能够处理倾斜(不均衡)的类分布 分类 监督分类技术 需要了解正常类和异常类 建立分类，以区分正常事件和已知的异常事件 半监督分类技术 只需要了解正常类 使用改进的分类模型学习正常行为，然后将检测到的偏离正常行为的对象作为异常行为; Classification-Based Techniques;Ⅱ. Clustering-Based Techniques;基本思想 将数据聚类划分为不同密度的簇 选择小簇中的点作为候选离群点 计算非候选点形成的簇和候选点间的距离 如果候选点距离非候选点形成的簇较远，那么他们是离群点;优点 不需要监督 易适应在线/增量模式，适用于时空数据的异常检测 缺点 代价极大 使用索引结构(k-d树，R*树)可能能够减轻该问题 如果正常点不能创建任何簇，那么该方法可能会失败 在高维空间中，数据是稀疏的，任意两个数据记录间的距离可能会非常相似 聚类算法可能不会得到有意义的簇; Ⅲ. NN-Based Techniques 最近邻方法;优点 可以应用于无监督或半监督环境中(对数据分布不作出任何假设) 缺点 如果正常点没有足够数量的邻居，该方法可能会失败 代价极大 在高维空间中，数据是稀疏的，相似度的概念不能起到很大作用 两个数据记录间的距离会由于稀疏而变得十分相似，以至于每个数据记录都可能被视为潜在的离群点; NN-Based Techniques 最近邻方法;（1）基于距离的NN方法;基于距离的异常检测的优缺点;局部离群因子法; Local Outlier Factor(LOF) 基于密度的NN方法; Local Outlier Factor(LOF) 基于密度的NN方法;03;定义 以状态为依据的维护/维修，在机器运行时，对它的主要部位进行定期的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。 四个阶段 预测性维护集装备状态监测、故障诊断、故障（状态）预测、维修决策支持和维修活动于一体。 预测性维护是工业数字化领域潜在爆发点，是“工业4.0”提出的关键创新点之一。 ;传感器：用于监控和收集系统运行的数据。 预测性维护所需要的数据是时间序列数据。数据包括时间戳、在该时间戳所收集的传感器读数以及设备号。预测性维护的目的是，在时间“t”，使用截至到该时间的数据来预测设备在近期是否会发生故障。 两种方法：分类，预测在接下来的n步中是否有可能发生故障；回归，预测在下次故障发生之前的剩余使用寿命（RUL）。;预测性维护优势 对设备的状态定期检测，以一种低成本的方式在设备最佳性能丧失之前，对它进行及时的维护。能够为企业带来可观的效益。 提高设备可靠性； 延长设备使用寿命； 保证花费在维修上的一切总是最有效的，避免对设备的过程维修和欠修，提高工作效率； 降低维修成本； 缩短大修工???。 ;预测性维护技术体系;Thanks