基于统计方法的异常数据检测及其修复

摘要

随着工业过程的复杂化，工业企业需求的增加以及控制理论和计算机技术的发展，软测量技术作为一种成本低廉，效果明显的方法，已成为现代工业控制领域的研究热点之一。而软测量的建模精度受到建模数据的影响，软测量模型的输入数据都来自工业现场。可是,工业生产过程中有很多影响因子,如噪声,传感器故障或者工作人员疏忽等都会使得所采集的某些数据出现异常,所以对建模数据的检测和修复就变得十分重要。
　　论文主要从以下几个方面进行了研究。针对单个变量的数据（一维数据），采用小波变换的方法进行检测，通过伸缩和平移等运算功能对数据细致化的分析，因为小波变换的时频特性，能准确定位异常数据点位置；对于高维数据，采用主元分析法对数据进行处理，分别建立T2统计图和Q统计图。然后根据每个变量对T2统计图的贡献，对Q统计图进行更为细致的划分，选取其中和T2统计图显著相关的变量所构成的统计图联合检测，使得检查幅值较小的粗大误差能力加强。针对以前工业数据填补修复的一些缺点，本论文把深度学习方法运用到异常数据的修复，先对单变量时间序列数据进行多层次的特征提取，然后采用BP神经网络对特征变量进行训练，从非线性的角度对异常数据进行修复。以PTA工业过程采集的现场数据为例，采用小波分析和主元分析法分别对时间点异常和时间段异常的数据进行检测，并用深度学习方法对异常数据进行填补修复，仿真结果表明检测和修复效果都很好。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1 .1异常数据概述

1 .2研究意义

1 .3研究现状

1 .4全文的主要内容和安排

第二章 基于小波分析的异常数据检测算法

2 .1小波变换的发展背景

2 .2基于小波变换的异常数据检测算法

2 .3仿真分析

2 .4本章小结

第三章 基于主元分析法的异常数据检测

3 .1主元分析法的原理

3.2基于PCA的异常数据检测算法建模

3.3传统的基于PCA的异常数据检测

3 .4基于Q统计量分离的改进算法的步骤

第四章 传统的异常数据修复方法

4 .1平均值法

4.2 EM算法

4.3 BP神经算法

4 .4传统填补修复方法的仿真结果分析

4 .5本章小结

第五章 基于深度学习的异常数据预测修复方法

5 .1深度学习的基本概念

5 .2玻尔兹曼机

5 .3深度置信网络

5.4基于DBN的异常数据的预测修复方法

5 .5基于时间序列的数据预测模型

5 .6仿真分析

5 .7本章小结

第六章 总结与展望

6 .1总结

6 .2展望

参考文献

致谢