基于K-均值聚类的工业异常数据检测

• 作者: 刘飞 张仁斌 李思娴 许辅昊
• 来源期刊: 计算机应用研究
• 关键词: 遥测与遥信数据 异常检测 时序特征 聚类
• 年，卷（期）: 2018,（7）
• 所属期刊栏目: 信息安全技术
• 页码范围: 2180-2184
• 页数: 5页
• 分类号: TP393.08
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2018.07.063

摘要

针对当前工业异常数据检测技术未充分考虑数据的时序特征以及训练样本中可能含有异常样本的问题,提出一种检测异常数据的方法:基于时序特征将遥测量与遥信量分为离散量与连续变化量,并分别通过改进后的K-均值算法与传统自回归模型检测离散量与连续变化量的异常数据,在训练聚类模型的过程中,通过计算异常因子来剔除含有异常样本的聚类簇,在训练自回归模型过程中,将不属于正常取值区间的异常样本剔除.最后在OMNeT++平台下搭建仿真小型储水加热工业系统并进行验证,实验结果表明:该方法可以有效地检测出现场设备中的异常数据,相比于其他同类基于聚类的异常检测模型,采用该方法检测异常数据的漏报率更低.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张仁斌	合肥工业大学计算机与信息学院	37	235	9.0	12.0
2	刘飞	合肥工业大学计算机与信息学院	17	161	7.0	12.0
3	李思娴	合肥工业大学计算机与信息学院	3	20	3.0	3.0
4	许辅昊	合肥工业大学计算机与信息学院	3	20	3.0	3.0