基本问题
工业生产过程中会产生大量的数据，比如电压、温度、流量等等，它们随时间推移而不断产生，这些数据在多数情况下是正常的，否则生产无法正常进行；少数情况下，数据是异常的，生产效率会降低甚至发生事故。在重大事件（如事故）发生之前，通常会在运行数据上有所体现，比如电流突然上升，后续很可能断电，造成一些不必要的损失，如果及时发现电流增大这一信号，及时找到原因并处置则可以将损失降到最小。因此及时发现异常数据并报警，提醒操作人员进行相应的操作，可以提高生产效率并避免事故发生。
当前工业界常用的异常发现机制很简单，一般是凭经验设置一个范围，当仪表超过该范围时就认为是异常。这种方式过于简单粗暴了，经常会发生漏报（范围设置过宽）或误报（范围设置过窄）。因为生产过程是动态的，产生的数据也是动态的，简单的设置范围不可能适用于所有的生产状况，如下图：
左侧平稳期和右侧平稳期都是正常状态，如果左侧出现点1，右侧出现点2，它们都应该被判定为异常点，但如果简单的用固定范围来判断，这两个点都在固定范围内（图中的上下限），判断就会出错，所以需要动态的去判断某个点是否异常。
动态的判断异常，容易想到的方法是利用机器学习方法来动态发现异常。但机器学习是有监督方法，需要大量已知的异常数据，而实际场景通常并没有这些现成的数据，还需要人工标记出来。但是工业仪表产生的数据量对于人来说是个天文数字，依靠人工来标记不现实，而且人工标记也很难保证正确性，还要再去校对，工作量无比巨大，结果也就没有可操作性。所以只能使用无监督学习方法完成异常发现任务。
; 算法思路
没有标记好的异常数据，无监督方法怎么定义”异常”呢？
先来看一份数据：
先来看人是怎么发现异常的。
人观察这段数据后，发现的异常如上图，各段原因如下：
① 变化过快；
② 值过小。
异常大致是这几类：值过大或过小和变化过快。它们有个共同的特点，出现的情况比较少。我们不难得出一个抽象的说法：经常出现的情况是正常， 没出现过或者很少出现的情况可以定义为异常。
那么发现异常的任务就转换为发现不常出现的情况，判断数据是否不常出现，就是看当前数据相较于之前一段时间内的数据是否不常出现。利用之前一段时间数据学出一个模型 E，用它来判断当前数据是否异常。比如之前一段时间的数据在110内，那么当前时刻的数据在这个范围内就认为是正常，如果当前时刻的数据不在该范围内（比如等于11或0），则认为是异常。而110这个范围就是通过历史数据学出的模型 E。拿着模型 _E_就能算出当前数据是否异常了，即：
这样数据过大或者过小的异常就可以被发现了。
但是这种方法不一定能发现变化过快的异常数据，如下图：
上述方法可以发现(b)©中的异常，但对于(d)中的异常就无能为力了，那该如何发现呢？
(d)中的情况就是变化过快，我们来看看能否用”变化快慢”这个数学量来发现异常。
上图中曲线 _C_就是”变化快慢”曲线，他是利用原值 _X_衍生得到的，用刚才介绍的方法对 _C_来发现异常即可发现变化过快这类异常。
由此看来， 只要找到合适的数学量来表征这些数据的某些特征，就可以区分出常见和不常见的状态。比如下图：
红框中的异常就是幅度异常，值和变化率都处于正常范围，只是幅度变小了，此时需要一个表征幅度的数学量来发现异常。
仅仅是生成是否异常还不够，异常还应区分异常的程度，比如1~10范围内是正常的，当前时刻是11的异常度就应该小于当前时刻是15的异常度，也就是说超限的幅度越大，异常度越大。这就要改造上面模型 E，让它的判断结果返回一个连续值，使其能表征超限幅度越大，异常度越大。
实践效果
把上面思路写成代码，就可以完成异常发现了。比如动态算出值过大过小的异常度，SPL代码大体如下：
A1=file(C1).import@tc().(tag1)2=A1.(if(#
Original: https://blog.csdn.net/u010634066/article/details/126738031
Author: 石臻臻的杂货铺
Title: SPL工业智能：发现时序数据的异常
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/646396/
转载文章受原作者版权保护。转载请注明原作者出处！