田 腾，石茂林，宋学官，马 跃，冯翔宇

(大连理工大学机械工程学院，辽宁大连 116024)

0 引言

随着物联网和检测技术的发展，工程系统中的大量时间序列数据被记录下来，挖掘这类数据对于提升工程系统的设计、分析、运行和维护水平具有重要的意义[1-2]。然而，受制于检测系统的精度和工程系统嘈杂的作业环境，所获得的工程数据往往存在大量噪声或异常数据[3-5]。因此，在进行数据挖掘与分析之前，就有必要进行数据的异常识别与归类。

目前，时间序列的异常值检测方法主要包括基于统计的方法[6-7]、基于时序模型的方法[8]、基于滑动窗口[9]的方法。相比于其他方法，基于滑动窗口的方法能够对时间序列进行分割，实现时间序列数据的降维处理，降低了计算复杂度，同时该方法便于理解规则又计算简单[10]，因此得到了广泛应用。基于滑动窗口的检测方法常用的子序列特征指标有：数据的空间距离、数据的统计分布和数据的斜率。然而基于数据空间距离、数据的统计分布的方式存在数据中心难以有效提取[11-12]、难以描述子序列数据结构特征[13-14]的问题，基于数据斜率的方式能够反映数据的结构变化，进而得到了研究人员更多的关注。文献[15]计算子序列内相邻两点的斜率与设定的斜率范围进行比较，以此判断异常值，实现了电流信号的异常检测。文献[16]分别计算目标点与前、后数据的斜率进行异常判断，实现了电网异常数据的检测。文献[17]计算子序列内的最后一点与第一点的斜率变化作为子序列的特征信息，借助K-Mean实现异常检测。……