数量庞大的量测数据进行分析与后处理时,因为噪声、外在环境干扰、设备问题等等,经常包含许多错误数据,工程师必须正确且有效率的去除错误数据,并分析传感器是否失效;一套创新的运算技术能协助解决上述问题。
美国National Center for Atmospheric Research (NCAR) 与University of Colorado at Boulder (CU)研究人员研发了上述称之为智能型异常侦测运算法(Intelligent Outlier Detection Algorithm. IODA) 的专利技术,论文发表于二月份的Journal of Atmospheric and Oceanic Technology。
IODA系依据统计学、图形理论、图像处理与判定树发展,并以MATLAB程序撰写而成;此专家系统可使用于敏感的复杂技术系统,例如人造卫星、气象设备、发电厂、雷达、太空探测或各式监测量测系统等。基本上,只要是藉由传感器量测所得之时域(time domain)物理量,数量过于庞大,无法以人工方式检视筛选(译者的旧经验是先把量测物理量时域图画出,分析数据不合理的地方,再进入数据数据库删除不正常的数据,或写个小程序分析数据变化率是否合理,很不科学吧!),或者传感器故障的后果很严重时,都适用IODA处理。
在量测数据发生错误读数或其他由失效传感器所引起的问题时,IODA能协助警告仪具设备操作者;仪具传感器一旦故障,并开始传递谬误的数据时,IODA即能辨识问题并且将谬误数据隔离。
一般而言,系统需要辨识出坏数据时,需要佐以多重传感器(利用其他正常传感器读数辨识出坏的传感器读数;所以在做物理量监测时,一定要有备份传感器),或以能表现所量测物理量特性的运算逻辑,在数据突然变化时,依据运算结果辨识出问题(例如你在监测高铁桥梁结构,以应变计长期量测桥梁结构的应变量时,依据工程经验,所计算出的应力值不应超过待量测材料的降服强度);所以应用工程师所写的运算逻辑只适用于某种型态的时域物理量,无法遍及其他的物理量。而IODA能将进来的读数与通用失效模式进行比较,以图像处理方式进行运算,因此能广泛的应用于各种物理量监测。
论文详见“An Algorithm for Classification and Outlier Detection of Time-Series Data”, Journal of Atmospheric and Oceanic Technology,Volume 27, Issue 1 (January 2010)

参考来源:Innovative technique can spot errors in key technological systems

相关连接:An Algorithm for Classification and Outlier Detection of Time-Series Data

Advertisements