来源：期刊VIP网 时间：
作者：杨宇琪;付翔;张智星;闫明;李浩杰;刘彬;牛鹏昊;黄金宇;
单位：太原理工大学矿业工程学院;智能采矿装备技术全国重点实验室;山西焦煤集团有限责任公司博士后工作站;
摘要：面对煤矿井下复杂环境引起的传感器数据持续性密集噪声异常、瞬时脉冲异常、缺失异常现象，现有数据异常检测方法难以适应非线性时序波动、处理高频数据时误报率较高及依赖大量标注样本。针对上述问题，提出了一种煤矿传感器数据异常检测方法。首先，通过Z-score标准化消除传感器数据量纲差异。其次，利用基于邻近性的异常检测方法——基于距离的K最近邻（KNN）算法与基于密度的局部异常因子（LOF）算法对数据进行异常值初筛，并标注异常标签；同时通过双尺度滑动窗口提取数据的滞后特征、统计特征、差分特征、快速傅里叶变换（FFT）特征和时间编码特征等时序特征，并拼接生成特征矩阵。然后，将特征矩阵与对应的异常标签构成极限梯度提升（XGBoost）模型所需的样本集，按数据的时间顺序将样本集划分为训练集、验证集与测试集，并用经过负样本欠采样处理的训练集对XGBoost模型进行训练。最后，利用训练后的XGBoost模型计算验证集每个样本点的异常概率，并绘制精确率-召回率（PR）曲线，选取使F_1分数达到最大值的异常概率作为异常判别阈值，将异常概率大于等于阈值的样本点标记为异常点，从而输出传感器异常数据。实验结果表明，所提方法具有较高的异常数据检测精度，且在不同数据分布与噪声环境下均能保持稳定的检测性能，具有良好的泛化能力。
关键词：传感器数据异常检测;;基于邻近性的异常检测;;时序特征;;XGBoost;;K最近邻;;局部异常因子
基金资助：山西省基础研究计划联合资助项目(202403011241002);; 国家自然科学基金项目(52274157);; “科技兴蒙”行动重点专项项目(2022EEDSKJXM010)
