基于大数据统计的智能工厂数据分类方法

阅读：评论：0

1.本技术涉及数据处理领域，具体涉及基于大数据统计的智能工厂数据分类方法。

背景技术：

2.随着智能化技术的不断发展，对于各种行业对大力发展智能化监测与智能化管理，比如在各种大型的工厂，对于工厂的运行监测实现数字化的智能监测，即利用监测数据的异常体现工厂运行异常。但是由于工厂的长期运行，所涉及的运行数据不断增加，此时在运行监测的数据分析中，需要进行大量的数据分析，所以为了便于工厂运行监测中对异常数据的快速获取，需要根据原始数据的异常进行数据分类，即将异常数据与正常数据进行分类存储，所以首先需要对数据进行异常分析。
3.在数据的异常分析中，主要利用数据之间的差异性以及数据的分布密度，比如现有的聚类算法，但是聚类只针对数据本身的大小差异，不能很好的反映出具有变化趋势的数据的异常，所以无法准确判断工厂运行数据的异常。所以本发明分别数据整体分布关系以及数据在时间序列上的差异性，确定数据的异常程度，其中运用到cblof算法分析数据整体的异常分数，但是常规的cblof算法聚簇过度依赖于大小簇的区分，忽视聚簇本身的特点，造成数据的异常分数依据单一，可靠性不高，所以本发明结合聚簇本身大小以及簇内数据时间跨度，确定最终的异常分数。

技术实现要素：

4.为了解决上述技术问题，本发明提供基于大数据统计的智能工厂数据分类方法，所述方法包括：获取由智慧工厂数据构成的智慧工厂数据序列，根据智慧工厂数据序列得到多个聚簇；根据每个聚簇得到每个智慧工厂数据所属聚簇的时间跨度，根据多个聚簇、所述时间跨度以及聚簇所包含数据个数得到每个智慧工厂数据的异常分数；根据智慧工厂数据序列得到多个时间窗口；根据时间窗口中邻近数据的差异以及所述异常分数得到每个智慧工厂数据相对于时间窗口的差异性；根据每个智慧工厂数据相对于各时间窗口的差异性得到每个智慧工厂数据的第一异常程度；根据智慧工厂数据的第一异常程度和异常分数得到每个智慧工厂数据的第二异常程度；根据智慧工厂数据序列和每个智慧工厂数据的第二异常程度得到异常数据集合和正常数据集合，将异常数据集合和正常数据集合进行分布式存储。
5.优选的，所述根据多个聚簇、所述时间跨度以及聚簇所包含数据个数得到每个智慧工厂数据的异常分数的方法，包括：获取每个智慧工厂数据的所属聚簇包含的数据个数记为每个智慧工厂数据所属聚簇的第一个数；获取每个聚簇中包含数据的个数记为第二个数，获取所有聚簇第二个数的最大值记为最大个数；获取每个聚簇中各智慧工厂数据与所属聚簇中心的距离记为第一
距离；根据每个智慧工厂数据所属聚簇的时间跨度、第一个数、最大个数和第一距离得到每个智慧工厂数据的异常分数。
6.优选的，所述根据每个智慧工厂数据所属聚簇的时间跨度、第一个数、最大个数和第一距离得到每个智慧工厂数据的异常分数的公式为：其中，表示最大个数，表示第个智慧工厂数据所属聚簇的第一个数，表示第个智慧工厂数据所属聚簇的时间跨度，表示第个智慧工厂数据的第一距离，表示第个智慧工厂数据的异常分数。
7.优选的，所述根据时间窗口中邻近数据的差异以及所述异常分数得到每个智慧工厂数据相对于时间窗口的差异性的方法，包括：获取每个智慧工厂数据的多个所属时间窗口，计算每个智慧工厂数据与每个所属时间窗口内各数据之间时间差值，根据时间差值得到每个智慧工厂数据的所属时间窗口的多个邻近数据，利用每个智慧工厂数据的每个所属时间窗口内数据得到每个智慧工厂数据的每个所属时间窗口的标准差，根据每个智慧工厂数据的每个所属时间窗口的各邻近数据、各邻近数据的异常分数和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据相对于每个所属时间窗口的差异性，即每个智慧工厂数据相对于每个时间窗口的差异性。
8.优选的，所述根据每个智慧工厂数据的每个所属时间窗口的各邻近数据、各邻近数据的异常分数和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据相对于每个所属时间窗口的差异性的公式为：其中，表示第个智慧工厂数据，表示第个智慧工厂数据的第个所属时间窗口的第个邻近数据，表示第个智慧工厂数据的第个所属时间窗口的第个邻近数据的异常分数的归一化值，表示第个智慧工厂数据的第个时间窗口内包含邻近数据个数，表示第个智慧工厂数据的第个所属时间窗口的标准差，表示第个智慧工厂数据相对于第个所属时间窗口的差异性。
9.优选的，所述根据每个智慧工厂数据相对于各时间窗口的差异性得到每个智慧工厂数据的第一异常程度的方法,包括：获取每个智慧工厂数据的多个时间所属时间窗口，利用每个智慧工厂数据的每个所属时间窗口内数据得到每个智慧工厂数据的每个所属时间窗口的标准差，根据每个智慧
工厂数据相对于各时间窗口的差异性和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据的第一异常程度。
10.优选的，所述根据每个智慧工厂数据相对于各时间窗口的差异性和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据的第一异常程度的公式为：其中，表示第个智慧工厂数据相对于第个所属时间窗口的差异性，表示第个智慧工厂数据的所属时间窗口的个数，表示第个智慧工厂数据对所有时间窗口差异性的标准差，表示第个智慧工厂数据的第一异常程度。
11.优选的，所述根据每个聚簇得到每个智慧工厂数据所属聚簇的时间跨度的方法,包括：将智慧工厂数据所属聚簇中任意两个智慧工厂数据构成一个数据对，计算每个数据对中两个智慧工厂数据的时间差值，根据智慧工厂数据所属聚簇中所有数据对的时间差值得到每个智慧工厂数据所属聚簇的时间跨度。
12.本发明实施例至少具有如下有益效果：首先，针对聚簇的大小反映出聚簇本身存在异常的可能性，突出聚簇大小对数据异常的影响；然后针对聚簇包含数据的时序跨度，判断同一聚簇数据之间的影响关系，即考虑到数据时序关系对数据异常判断的影响，进行更加准确的数据异常判断。
13.然后，在时间序列上的计算窗口中以时序数据的差异性和窗口数据的相对关系确定数据的相对差异性，避免趋势变化数据之间较大差异引起数据差异异常，并且在窗口运算时考虑其他数据的异常分数对窗口计算的影响，避免窗口内异常数据对其他数据异常判断的影响。
14.并且，在数据时间序列异常程度中，引入数据异常分数对数据时间序列异常判断的影响，强化二者对数据异常的共同影响，获得数据最终的异常程度，作为数据异常分类的依据，即对数据进行更加准确的分类。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
16.图1为本发明提供的基于大数据统计的智能工厂数据分类方法的流程图。
具体实施方式
17.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于大数据统计的智能工厂数据分类方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
18.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
19.下面结合附图具体的说明本发明所提供的基于大数据统计的智能工厂数据分类方法的具体方案。
20.请参阅图1，其示出了本发明一个实施例提供的基于大数据统计的智能工厂数据分类方法的步骤流程图，该方法包括以下步骤：步骤s001，采集数据得到智慧工厂数据序列，根据智慧工厂数据序列得到多个聚簇。
21.1、采集数据：在智慧工厂中为了及时掌控工厂运行状态，需要进行实时的运行监测，然后为了便于数据的分析，所产生的数据需要传输到统一的数据管理平台进行分析管理。本方案采集的数据为工厂统一的数据管理平台所涉及的数据均为智慧工厂运行监测数据。
22.将采集的智慧工厂运行监测按时间先后顺序排列得到智慧工厂数据序列，将智慧工厂数据序列中每个数据称为智慧工厂数据，例如设备发动机的振动数据、设备的温度数据等2、根据智慧工厂数据序列得到多个聚簇：利用k-means聚类算法对于智慧工厂数据序列中各数据进行聚类处理得到个聚簇，本方案中取10，将每个聚簇中所有数据的均值作为每个聚簇的中心数据。
23.步骤s002，根据多个聚簇得到每个智慧工厂数据的异常分数。
24.对于智慧工厂运行数据主要用于智慧工厂运行异常监测与分析，智慧工厂的运行异常主要表现在数据的异常，在工厂异常监测分析中，需要经常性的调取异常数据，所以为了便于异常分析对异常数据的调取需求，本发明针对数据整体分布以及时间序列差异对异常数据进行识别，然后对异常数据与正常数据进行分类存储管理。
25.首先获取所有聚簇包含的智慧工厂数据数量为，其中k表示聚簇的数量，然后对当前聚簇数量按照从小到大的顺序排列，此时选择聚簇序列中前w个聚簇为小聚簇，本发明中设置w=3，其余聚簇为大聚簇。
26.将所获得的小聚簇分别表示为，大聚簇分别表示为，其中n表示小聚簇数量，表示大聚簇的数量。
27.将智慧工厂数据序列中第个智慧工厂数据所属聚簇中任意两个智慧工厂数据构成一个数据对，计算每个数据对中两个智慧工厂数据的时间差值，将第个智慧工厂数据所属聚簇中所有数据对的时间差值最大值作为第个智慧工厂数据所属聚簇的时间跨度。
28.获取第个智慧工厂数据的所属聚簇包含的数据个数记为第个智慧工厂数据所属聚簇的第一个数；获取每个聚簇中包含数据的个数记为第二个数，获取所有聚簇第二
个数的最大值记为最大个数；当第个智慧工厂数据的所属聚簇为大聚簇时，将第个智慧工厂数据与所属聚簇中心数据的欧氏距离记为第个智慧工厂数据的第一距离；当第个智慧工厂数据的所属聚簇为小聚簇时，获取第个智慧工厂数据与各大聚簇中心数据的欧氏距离，将欧氏距离最小值记为第个智慧工厂数据的第一距离。
29.根据第个智慧工厂数据所属聚簇的时间跨度、第一个数、最大个数和第个智慧工厂数据的第一距离得到第个智慧工厂数据的异常分数：其中，表示最大个数，表示第个智慧工厂数据所属聚簇的第一个数，表示第个智慧工厂数据所属聚簇数据个数的相对大小，该值越大表示第个智慧工厂数据所属聚簇数据个数相对越小，从而反映该数据所属聚簇本身存在异常的可能性越大，所以第个智慧工厂数据的异常分数越大，表示第个智慧工厂数据所属聚簇的时间跨度，该值越大说明该数据所属聚簇中数据的时序跨度越大，数据之间的影响关系越小，该数据所属聚簇中数据存在异常的可能性越大，即该数据的异常分数越大，表示第个智慧工厂数据的第一距离，该值越大说明第个智慧工厂数据距离类簇中心的距离越大，即第个智慧工厂数据与大多数数据存在差异，因而个智慧工厂数据的异常分数越大，表示第个智慧工厂数据的异常分数。
30.至此，得到每个智慧工厂数据的异常分数，在分析各智慧工厂数据的异常分数时，首先针对异常分数根据聚簇的大小反映出聚簇本身存在异常的可能性，突出聚簇大小对数据异常的影响；然后针对聚簇包含数据的时序跨度，判断同一聚簇数据之间的影响关系，即考虑到数据时序关系对数据异常判断的影响，进行更加准确的数据异常判断，即获得更加准确的数据异常分数，从而对工厂数据进行更准确的分类。
31.步骤s003，根据多个聚簇和每个智慧工厂数据的异常分数得到每个智慧工厂数据的第二异常程度。
32.1、计算每个智慧工厂数据相对于各时间窗口的差异性：对于智慧工厂数据可能存在稳定不变数据，也可能存在具有一定趋势变化数据，所以此时需要根据数据在时间序列上的变化关系，确定最终数据的异常程度，用于最终异常数据分类依据。
33.设置一个大小为的时间窗口，本方案取40，利用时间窗口以1为步长在智慧工厂数据序列中滑动，每滑动一次对应一个时间窗口，滑动过程中得到多个时间窗口。
34.获取包含第个智慧工厂数据的所有时间窗口记为第个智慧工厂数据的多个
所属时间窗口；计算第个智慧工厂数据与第所属时间窗口内各数据之间时间差值，将第个时间窗口内各数据按时间差值从小到大排列，获取时间差值处于前个数据作为第个智慧工厂数据的第个所属时间窗口的多个邻近数据，本方案中取10；利用第个智慧工厂数据与第所属时间窗口内所有数据计算标准差记为第个智慧工厂数据与第所属时间窗口的标准差。
35.根据第个智慧工厂数据的多个所属时间窗口、第个智慧工厂数据的每个所属时间窗口的多个邻近数据和标准差得到第个智慧工厂数据相对于各时间窗口的差异性：其中，表示第个智慧工厂数据，表示第个智慧工厂数据的第个所属时间窗口的第个邻近数据，表示第个智慧工厂数据与第个智慧工厂数据的第个所属时间窗口的第个邻近数据的差值，该值越大说明第个智慧工厂数据与时序邻近的数据数值差异较大，表示第个智慧工厂数据的第个所属时间窗口的第个邻近数据的异常分数的归一化值，该值越大说明该邻近数据的异常分数越大，因而利用该数据对第个智慧工厂数据进行异常分析时，该数据的可参考价值越小，表示第个智慧工厂数据的第个时间窗口内包含邻近数据个数，表示第个智慧工厂数据的第个所属时间窗口的标准差，该值越大说明该窗口内数据差异较大，第个智慧工厂数据相对于该窗口的差异性越小，表示第个智慧工厂数据相对于第个所属时间窗口的差异性。
36.2、计算每个智慧工厂数据的第一异常程度：在时间序列上的数据，各智慧工厂数据可能存在多个所属时间窗口中，即数据具有多个相对于窗口数据的相对差异性，此时针对在多个所属时间窗口中的相对差异性，判断在时间序列上的第一异常程度：其中，表示第个智慧工厂数据相对于第个所属时间窗口的差异性，该值越大，说明第个智慧工厂数据的异常程度越大，表示第个智慧工厂数据的所属时间窗口
的个数，表示在个所属时间窗口相对差异性均值，整体反映在时间序列上的相对差异性，越大，在时间序列上的异常程度越大，表示第个智慧工厂数据对所有时间窗口差异性的标准差，表示第个智慧工厂数据的第一异常程度。
37.至此得到每个智慧工厂数据的第一异常程度，在确定第一异常程度时，首先在时间序列上的时间窗口中以时序数据的差异性和窗口数据的相对关系确定数据的相对差异性，避免趋势变化数据之间较大差异引起数据差异异常，并且在窗口运算时考虑其他数据的异常分数对窗口计算的影响，避免窗口内异常数据对其他数据异常判断的影响；最后通过数据所处的多个计算窗口的相对差异性，获得最后数据在时间序列上的异常程度，其中考虑到多个窗口相对差异性的差异，进一步反映数据的局部异常。
38.3、计算每个智慧工厂数据的第二异常程度：结合第个智慧工厂数据的异常分数以及第个智慧工厂数据的第一异常程度，判断第个智慧工厂数据的第二异常程度为：个智慧工厂数据的第二异常程度为：表示第个智慧工厂数据的异常分数，表示第个智慧工厂数据的第一异常程度，二者的值越大，的第二异常程度越大。
39.至此得到每个智慧工厂数据的第二异常程度，在进行异常程度分析时结合cblof算法与数据时序变化，分别获得数据异常分数和数据在时间序列上的异常程度，从数据整体分布以及数据时间序列中分别判断数据异常。并且在数据时间序列异常程度中，引入数据异常分数对数据时间序列异常判断的影响，强化二者对数据异常的共同影响，获得数据最终的异常程度，作为数据异常分类的依据，即对数据进行更加准确的分类。
40.步骤s004，根据每个智慧工厂数据的第二异常程度得到异常数据集合和正常数据集合，异常数据集合和正常数据集合进行分布式存储。
41.将智慧工厂数据按第二异常程度从大到小排列，将前的智慧工厂数据构成的集合作为异常数据集合，将智慧工厂数据序列中剩余的智慧工厂数据构成的集合作为正常数据集合。
42.将异常数据集合和正常数据集合分布式存储，便于异常数据的快速查询和调取。
43.综上所述，本发明实施例提供了基于大数据统计的智能工厂数据分类方法，针对聚簇的大小反映出聚簇本身存在异常的可能性，突出聚簇大小对数据异常的影响；然后针对聚簇包含数据的时序跨度，判断同一聚簇数据之间的影响关系，即考虑到数据时序关系对数据异常判断的影响，进行更加准确的数据异常判断。然后，在时间序列上的计算窗口中以时序数据的差异性和窗口数据的相对关系确定数据的相对差异性，避免趋势变化数据之间较大差异引起数据差异异常，并且在窗口运算时考虑其他数据的异常分数对窗口计算的影响，避免窗口内异常数据对其他数据异常判断的影响。并且，在数据时间序列异常程度中，引入数据异常分数对数据时间序列异常判断的影响，强化二者对数据异常的共同影响，
获得数据最终的异常程度，作为数据异常分类的依据，即对数据进行更加准确的分类。
44.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
45.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
46.以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.基于大数据统计的智能工厂数据分类方法，其特征在于，所述方法包括：获取由智慧工厂数据构成的智慧工厂数据序列，根据智慧工厂数据序列得到多个聚簇；根据每个聚簇得到每个智慧工厂数据所属聚簇的时间跨度，根据多个聚簇、所述时间跨度以及聚簇所包含数据个数得到每个智慧工厂数据的异常分数；根据智慧工厂数据序列得到多个时间窗口；根据时间窗口中邻近数据的差异以及所述异常分数得到每个智慧工厂数据相对于时间窗口的差异性；根据每个智慧工厂数据相对于各时间窗口的差异性得到每个智慧工厂数据的第一异常程度；根据智慧工厂数据的第一异常程度和异常分数得到每个智慧工厂数据的第二异常程度；根据智慧工厂数据序列和每个智慧工厂数据的第二异常程度得到异常数据集合和正常数据集合，将异常数据集合和正常数据集合进行分布式存储。2.如权利要求1所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据多个聚簇、所述时间跨度以及聚簇所包含数据个数得到每个智慧工厂数据的异常分数的方法，包括：获取每个智慧工厂数据的所属聚簇包含的数据个数记为每个智慧工厂数据所属聚簇的第一个数；获取每个聚簇中包含数据的个数记为第二个数，获取所有聚簇第二个数的最大值记为最大个数；获取每个聚簇中各智慧工厂数据与所属聚簇中心的距离记为第一距离；根据每个智慧工厂数据所属聚簇的时间跨度、第一个数、最大个数和第一距离得到每个智慧工厂数据的异常分数。3.如权利要求2所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据每个智慧工厂数据所属聚簇的时间跨度、第一个数、最大个数和第一距离得到每个智慧工厂数据的异常分数的公式为：其中，表示最大个数，表示第个智慧工厂数据所属聚簇的第一个数，表示第个智慧工厂数据所属聚簇的时间跨度，表示第个智慧工厂数据的第一距离，表示第个智慧工厂数据的异常分数。4.如权利要求1所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据时间窗口中邻近数据的差异以及所述异常分数得到每个智慧工厂数据相对于时间窗口的差异性的方法，包括：获取每个智慧工厂数据的多个所属时间窗口，计算每个智慧工厂数据与每个所属时间窗口内各数据之间时间差值，根据时间差值得到每个智慧工厂数据的所属时间窗口的多个邻近数据，利用每个智慧工厂数据的每个所属时间窗口内数据得到每个智慧工厂数据的每个所属时间窗口的标准差，根据每个智慧工厂数据的每个所属时间窗口的各邻近数据、各邻近数据的异常分数和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据相对于每个所属时间窗口的差异性，即每个智慧工厂数据相对于每个时间窗口的差异性。
5.如权利要求4所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据每个智慧工厂数据的每个所属时间窗口的各邻近数据、各邻近数据的异常分数和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据相对于每个所属时间窗口的差异性的公式为：其中，表示第个智慧工厂数据，表示第个智慧工厂数据的第个所属时间窗口的第个邻近数据，表示第个智慧工厂数据的第个所属时间窗口的第个邻近数据的异常分数的归一化值，表示第个智慧工厂数据的第个时间窗口内包含邻近数据个数，表示第个智慧工厂数据的第个所属时间窗口的标准差，表示第个智慧工厂数据相对于第个所属时间窗口的差异性。6.如权利要求1所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据每个智慧工厂数据相对于各时间窗口的差异性得到每个智慧工厂数据的第一异常程度的方法,包括：获取每个智慧工厂数据的多个时间所属时间窗口，利用每个智慧工厂数据的每个所属时间窗口内数据得到每个智慧工厂数据的每个所属时间窗口的标准差，根据每个智慧工厂数据相对于各时间窗口的差异性和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据的第一异常程度。7.如权利要求6所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据每个智慧工厂数据相对于各时间窗口的差异性和每个智慧工厂数据的每个所属时间窗口的标准差得到每个智慧工厂数据的第一异常程度的公式为：其中，表示第个智慧工厂数据相对于第个所属时间窗口的差异性，表示第个智慧工厂数据的所属时间窗口的个数，表示第个智慧工厂数据对所有时间窗口差异性的标准差，表示第个智慧工厂数据的第一异常程度。8.如权利要求1所述的基于大数据统计的智能工厂数据分类方法，其特征在于，所述根据每个聚簇得到每个智慧工厂数据所属聚簇的时间跨度的方法,包括：将智慧工厂数据所属聚簇中任意两个智慧工厂数据构成一个数据对，计算每个数据对中两个智慧工厂数据的时间差值，根据智慧工厂数据所属聚簇中所有数据对的时间差值得到每个智慧工厂数据所属聚簇的时间跨度。

技术总结

本发明涉及数据处理领域，具体涉及基于大数据统计的智能工厂数据分类方法，该方法采集智慧工厂数据得到智慧工厂数据序列，根据智慧工厂数据序列得到多个聚簇，根据多个聚簇得到每个智慧工厂数据的异常分数，根据每个智慧工厂数据的异常分数的多个聚簇得到每个智慧工厂数据相对于每个聚簇的差异性，根据每个智慧工厂数据相对于每个聚簇的差异性得到每个智慧工厂数据的第一异常程度，根据每个智慧工厂数据的第一异常程度和异常分数得到每个智慧工厂数据的第二异常程度，根据第二异常程度得到异常数据集合和正常数据集合，从而实现对智慧工厂数据序列中异常数据的准确识别。慧工厂数据序列中异常数据的准确识别。慧工厂数据序列中异常数据的准确识别。