王 静, 李晓林

(太原理工大学 信息工程学院，山西 太原 030024)

0 引 言

异常数据是指在某些特征上明显偏离自身所在集合其他数据的数据,异常数据检测就是辨识这些数据的过程[1]。异常值检测的传统方法是借助图形化工具进行人工检查，但这样的方式不适用于长时间不间断生产的过程工业。近年来，在这一领域发展出一些基于统计理论或机器学习的异常检测方法，如最小体积椭圆法[2]、最小协方差似然估计器[3]、最近邻聚类法、支持向量机分类器等[4,5]。

这些方法各有优缺点：最小体积椭圆法在收集样本后进行异常检测, 适合离线分析; 最小协方差似然估计器应用于非稳态过程的异常检测, 仍是一种离线分析方法; 最近邻聚类法运算复杂度高, 但及时性不足;支持向量机需要对未知情况进行预分类。针对传感器数据连续积累、实时更新的特点，本文提出基于径向基函数神经网络(radial basis function neural network,RBFNN)的异常值滤除。利用前时刻的数据进行神经网络训练,预估下一时刻的传感器测量值,并根据实际测量值是否落入置信区间判断数据是否异常。这种方法的优势在于由数据驱动,无须事先建立过程的机理模型; 同时,该方法仅利用最近的局部数据, 运算量较小, 具有在线应用的潜力[6]。

1 异常数据识别

速度的延滞特性，为基于RBFNN预估数据提供了基础。由前n时刻的值去预估下一时刻的值，与实测值进行比较并判断是否落入由网络训练误差决定的置信区间，以达到异常数据判别。……