煤矿传感器数据异常检测方法
杨宇琪1
付翔2
张智星1
闫明1
李浩杰1
刘彬1
牛鹏昊1
黄金宇1
1.太原理工大学矿业工程学院,山西太原 0300242.太原理工大学矿业工程学院,山西太原 030024;智能采矿装备技术全国重点实验室,山西太原 030024;山西焦煤集团有限责任公司博士后工作站,山西太原 030024
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F1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XGBoostK最近邻局部异常因子
分类号：TD67(矿山电工)
资助基金：山西省基础研究计划联合资助项目(202403011241002)国家自然科学基金(52274157)科技兴蒙行动重点专项项目(2022EEDSKJXM010)
论文发表日期：2025-12-31
在线出版日期：2026-01-27（本平台首次上网日期，不代表文献的发表时间）
页数：7( 10-15,26 )
英文信息