2021年五一竞赛C题数据驱动的异常检测与预警（一等奖，中国矿业大学）.pdf

简介：
该论文荣获2021年五一竞赛一等奖，由中国矿业大学团队完成。文章提出了一种基于数据驱动的方法，有效实现了异常检测与预警，为相关领域提供了创新性解决方案。 这篇论文主要探讨了数据驱动的异常检测与预警问题，并介绍了几种关键技术：Kσ偏差、加权Topsis模型、指数平滑法以及ARIMA模型。 1. **Kσ偏差**是一种统计方法，用于识别偏离平均值的数据点。如果一个数据点位于平均值的一个标准差之外，则通常认为它是非风险性异常。 2. **加权Topsis模型**是多准则决策分析的一种方法，论文中通过熵权法确定传感器指标的权重，并调整距离计算方式以更准确地反映异常程度。 3. **指数平滑法**是一种时间序列预测技术，利用过去的数据值进行加权平均来预测未来的趋势。这种方法考虑了数据中的短期波动并逐渐减少旧数据的影响，在论文中被用来建立未来一段时间内的数值预测模型。 4. **ARIMA模型**结合自回归、差分和移动平均三个部分，适用于处理具有趋势性和季节性的序列数据。在本研究中，它用于预测未来的数值以识别可能的异常情况。 该论文的主要贡献在于建立了完整的异常检测与预警流程，包括预处理、检测、评估及分析环节，并通过敏感性分析验证了模型的有效性。这些方法有助于发现生产过程中的潜在风险并提高安全性与效率，在工业环境中具有重要的应用价值和参考意义。