(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111665118.2 (22)申请日 2021.12.31 (71)申请人 北京交通大 学 地址 100044 北京市海淀区西直门外上园 村3号 (72)发明人 朱明皓　高勃　荆涛　王光宇　 柴学科　高青鹤　 (74)专利代理 机构 北京风雅颂专利代理有限公 司 11403 专利代理师 李翔 (51)Int.Cl. G06K 9/62(2022.01) (54)发明名称 工业异常数据检测方法及装置 (57)摘要 本申请提供一种工业异常数据检测方法及 装置； 所述方法包括： 将采集的工业数据初始化 为数据空间中的数据点， 设置大于工业数据采集 维度的密度阈值， 初始化每个数据点的邻域半 径； 对于每个数据点， 利用与周围其他数据点在 邻域半径上的差值确定该数据点的稀 疏值， 并利 用与邻域数据点的距离确定该数据点的离群值， 将稀疏值和离群值作为目标解； 对于每个数据 点， 利用目标解初始化个体最优解； 采取群粒子 算法， 对个体最优解进行迭代； 响应于达到预设 的迭代次数， 确定每个数据点在最后一次迭代中 的个体最优解， 利用个体最优解反推出对应的邻 域半径； 对于每个数据点， 响应于邻域半径内的 邻域数据点的个数小于等于密度阈值， 确定该数 据点为异常点。 权利要求书3页 说明书13页 附图2页 CN 114528907 A 2022.05.24 CN 114528907 A 1.一种工业异常数据检测方法， 其特 征在于， 应用于数据库， 包括： 将采集的工业数据初始化为数据空间中的数据点， 设置大于工业数据采集维度的密度 阈值， 初始化每 个所述数据点的邻域半径； 对于每个所述数据点， 利用与周围其他数据点在所述邻域半径上的差值确定该所述数 据点的稀疏值， 并利用与邻域数据点的距离确定该所述数据点的离群值， 将所述稀疏值和 所述离群值作为目标解； 对于每个所述数据点， 利用所述目标解初始化个体最优解； 采取群粒子算法， 对所述个 体最优解进行迭代； 响应于达到预设的迭代次数， 确定每个所述数据点在最后 一次迭代中的所述个体最优 解， 利用所述个 体最优解反推出对应的所述邻域半径； 对于每个所述数据点， 响应于所述邻域半径内的所述邻域数据点的个数小于等于所述 密度阈值， 确定该 所述数据点 为异常点。 2.根据权利要求1所述的方法， 其特 征在于， 所述确定该 所述数据点 为异常点， 包括： 对于每个所述数据点， 遍历该 所述数据点在其所述邻域半径内的第一邻域数据点； 响应于确定所述第 一邻域数据点的个数小于等于所述密度阈值， 将该所述数据点作为 所述异常点， 并放入异常数据集中； 响应于确定所述第 一邻域数据点的个数大于所述密度阈值， 不将该所述数据点作为所 述异常点， 并构建 关于该所述数据点的目标类簇； 对于每个所述第一邻域数据点， 确定在其所述邻域半径内的第二邻域数据点的个数； 响应于确定所述第 二邻域数据点的个数小于等于所述密度阈值， 将该所述第 一邻域数 据点作为所述异常点， 并放入所述异常数据集中； 响应于确定所述第 二邻域数据点的个数大于所述密度阈值， 不将该所述第 一邻域数据 点作为所述异常点， 并将该所述第一邻域数据点放入关于该所述数据点的所述目标类簇 中。 3.根据权利要求1所述的方法， 其特征在于， 所述利用与周围其他数据点在所述邻域半 径上的差值确定该 所述数据点的稀疏值， 包括： 在所述数据点周围， 按照距离从近 到远的顺序确定一定个数的其 他数据点； 所述一定个数与所述密度阈值相等； 响应于该所述数据点与所述周围其他数据点在所述邻域半径上的差值越大， 确定所述 稀疏值越小。 4.根据权利要求1所述的方法， 其特征在于， 所述利用与邻域数据点的距离确定该所述 数据点的离群值， 包括： 利用所述邻域半径， 确定该 所述数据点在所述邻域半径内的全部所述邻域数据点； 取得该所述数据点与全部其他所述邻域数据点的距离之和， 响应于该取和结果越大， 确定所述离群值越小。 5.根据权利要求1所述的方法， 其特 征在于， 所述对所述个 体最优解进行迭代， 包括： 在每次迭代中， 在所述目标解中确定全局最优解； 根据帕累托支配原则， 采取越小越优的支配方式， 得到所述目标解中的非支配解， 并在 迭代中一 直保留， 在历史迭代的全部所述非支配解中确定 本次迭代的全局最优解；权　利　要　求　书 1/3 页 2 CN 114528907 A 2初始化每 个所述目标解在首次迭代的速度； 利用上次迭代 的所述速度、 所述邻域半径、 所述个体最优解和所述全局最优解计算本 次迭代的所述速度， 利用本次迭代的所述速度和上次迭代的所述邻域半径计算本次迭代的 所述邻域半径， 并更新每 个所述目标解； 根据帕累托支配原则， 采取越小越优的支配方式， 在每个所述数据点当前迭代的所述 目标解和历史迭代的所述个体最优解中确定本次迭代的所述个体最优解， 并执行下一次迭 代。 6.根据权利要求5所述的方法， 其特征在于， 所述在每次迭代中， 在所述目标解中确定 全局最优解， 包括： 根据帕累托支配原则， 采取越小越优的支配方式， 在每次迭代的所述目标解中确定本 次迭代的非支配解， 并将每次迭代的所述非支配解放入非支配解集合中， 所述非支配解集 合包括历次迭代的全部非支配解； 将所述稀疏值和所述离群值作为坐标轴， 建立目标空间， 并将所述目标空间等分为多 个子区域； 确定每个所述目标解在所述目标空间中的位置， 并确定每个所述子区域所包含的所述 目标解的数目； 响应于确定包含所述目标解数目最少的所述子区域， 将该所述子区域中的目标解作为 所述全局最优解。 7.根据权利要求6所述的方法， 其特征在于， 所述在每个所述数据点当前迭代的所述目 标解和历史迭代的所述个 体最优解中确定 本次迭代的所述个 体最优解， 包括： 对于每个所述数据点， 根据所述帕累托支配原则， 在该所述数据点历史迭代的所述个 体最优解和本次迭代的所述 目标解中， 响应于存在一个所述非支配解， 确定该所述非支配 解作为本次迭代的所述个 体最优解， 并放入所述非支配解 集合中； 响应于确定存在多个所述非支配解， 在所有所述非支配解中随机挑选一个作为本次迭 代的所述个 体最优解， 并放入所述非支配解 集合中。 8.根据权利要求6所述的方法， 其特征在于， 所述在每次迭代的所述目标解中确定本次 迭代的非支配解， 包括： 在每次迭代的全部所述目标解中， 响应于存在一个所述目标解的所述稀疏值和所述离 群值均最小， 确定该 所述目标解支配其 他所有所述目标解， 并作为唯一的非支配解； 在每次迭代的全部所述目标解中， 响应于不存在一个所述目标解的所述稀疏值和所述 离群值均最小， 并存在多个所述目标解， 且均有 所述稀疏值和所述离群值中任一项最小， 确 定该多个所述目标解均无法支配其他任意所述目标解， 也均不被其他任意所述目标解所支 配， 并将该多个所述目标解作为非支配解。 9.根据权利要求5所述的方法， 其特征在于， 所述利用上次迭代的所述速度、 所述个体 最优解和所述全局最优解计算本次迭代的所述速度， 利用所述速度和上次迭代的所述邻域 半径计算本次迭代的所述邻域半径， 包括： 利用如下公式计算所述速度： Vi+1＝ω×Vi+C1×rand()×(pbesti‑Epsi)+C2×rand()×(gbesti‑Epsi) 其中， ω表示惯性因子， C1和C2表示学习因子， Vi+1表示本次迭代的所述速度， Vi表示上权　利　要　求　书 2/3 页 3 CN 114528907 A 3