[发明专利]一种传感器数据偏差自适应修正方法

说明书

本发明提供了传感器数据分析技术领域的一种传感器数据偏差自适应修正方法，包括如下步骤：步骤S10、获取各传感器的监测数据，并基于所述监测数据的变化趋势对各传感器进行故障的初始判断；步骤S20、基于所述监测数据创建各传感器的数学模型，利用所述数学模型对各传感器偏差的监测数据进行在线分析和自适应修正，实现精准判断；步骤S30、对修正后的所述监测数据进行验证。本发明的优点在于：实现对传感器数据偏差进行实时分析和修正，极大的提高了传感器异常的检出率以及检测效率，极大的降低了传感器的误报率。

技术领域

本发明涉及传感器数据分析技术领域，特别指一种传感器数据偏差自适应修正方法。

背景技术

随着信息技术和传感器技术的发展，信息化、自动化、智能化程度的不断加深，传感器作为现场信息获取和处理的重要支撑，在制造业、环境监测、国防、物流等各领域的应用愈加广泛。传感器采集数据的质量好坏直接影响到自动化、智能化水平。然而，由于传感器长期处于露天等恶劣环境中，环境因素、节点突发故障、网络结构损坏等因素使得传感器出现零点漂移等故障，导致传感器误报或漏报，降低传感器数据可靠性和检测质量。随着使用时间变久，传感器物理配件故障的概率也逐渐升高，对后期通过传感器数据进行传感器性能分析、系统安全分析等带来严重影响。利用传感器采集的现场设备、环境等信息是监测、控制系统的基础，而传感器数据出现异常对监测准确性、系统控制可靠性都会产生重要危害。因此，开展针对传感器数据的可靠性分析和对偏差数据的自适应修正相关研究具有重要的经济意义和工程应用价值，可实现在信息获取后第一时间完成数据质量的评估和处理，为后期数据挖掘、故障诊断、故障定位、故障预警等工作奠定良好的数据基础。

针对传感器数据偏差的修正，传统上存在基于最近邻的方法、基于分类的方法、基于聚类的方法、基于频谱分析的方法：

基于最近邻的方法是使用几个定义良好的距离概念来计算彼此之间的距离(相似性距离)，如果数据与其相邻数据的距离过大，则将其标记为异常值，但对于多模和高维数据集，各数据间距离的计算复杂度会呈现几何倍数增长，代价昂贵。

基于分类的方法是使用一组数据样本来学习分类模型，再根据分类模型将测试样本划分到已学习的分类模型中，但计算复杂性和选择合适的核函数是模型的学习的主要瓶颈。

基于聚类的方法是将相似的样本分到具有相似行为的类别中，如果样本不属于某个类别，或者他们的集群比其他集群小得多，则将他们标记为异常值，该方法可以在增量模型中使用，扩展性比较好，当新样本输入系统时能及时发现异常值，然而需要依赖集群宽度的选择，且在多变量数据中计算样本之间的距离代价很大。

基于频谱分析的方法是利用主成分找到数据中的正常行为模式，需要先构建前几个最主要成分的组合，不符合这种结构的样本则被视为异常值，但是在分析中依赖正常模式的相关矩阵，而准确估计相关矩阵的计算成本非常高昂。

综上所述，传统上的传感器数据偏差修正方法存在计算复杂度高，在大规模数据下容易形成数据灾难，严重影响传感器节点检测效率，无法满足传感器数据实时分析和修正需求的问题。因此，如何提供一种传感器数据偏差自适应修正方法，实现对传感器数据偏差的实时分析和修正，提高传感器异常的检出率以及检测效率，降低传感器的误报率，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种传感器数据偏差自适应修正方法，实现对传感器数据偏差进行实时分析和修正，提高传感器异常的检出率以及检测效率，降低传感器的误报率。

本发明是这样实现的：一种传感器数据偏差自适应修正方法，包括如下步骤：

步骤S10、获取各传感器的监测数据，并基于所述监测数据的变化趋势对各传感器进行故障的初始判断；

步骤S20、基于所述监测数据创建各传感器的数学模型，利用所述数学模型对各传感器偏差的监测数据进行在线分析和自适应修正；