推動(dòng)生產(chǎn)企業(yè)高質(zhì)量發(fā)展，最根本的底線是保證安全、防范風(fēng)險(xiǎn)，而生產(chǎn)過(guò)程中產(chǎn)生的數(shù)據(jù)能夠?qū)崟r(shí)反映潛在的風(fēng)險(xiǎn)。附件1為某生產(chǎn)企業(yè)某日00:00:00-22:59:59由生產(chǎn)區(qū)域的儀器設(shè)備記錄的時(shí)間序列數(shù)據(jù)（已經(jīng)進(jìn)行數(shù)據(jù)脫敏)，本題未給出數(shù)據(jù)的具體名稱，這些數(shù)據(jù)可能是溫度、濃度、壓力等與安全密切相關(guān)的數(shù)據(jù)。
請(qǐng)依據(jù)附件1數(shù)據(jù)，建立數(shù)學(xué)模型，完成以下問(wèn)題:
?

問(wèn)題1：附件1所給出的數(shù)據(jù)都可能存在波動(dòng)，且所有波動(dòng)都在安全值范圍內(nèi)。有些波動(dòng)可能是正常性波動(dòng)，例如隨著外界溫度或者產(chǎn)量變化的波動(dòng)，或者可能是傳感器誤報(bào)，這些波動(dòng)具有規(guī)律性、獨(dú)立性、偶發(fā)性等特點(diǎn)，并不能產(chǎn)生安全風(fēng)險(xiǎn)，我們視為非風(fēng)險(xiǎn)性異常，不需要人為干預(yù)；有些波動(dòng)具有持續(xù)性、聯(lián)動(dòng)性等特點(diǎn)，這些異常性波動(dòng)的出現(xiàn)是生產(chǎn)過(guò)程中的不穩(wěn)定因素造成的，預(yù)示著可能存在安全隱患，我們視為風(fēng)險(xiǎn)性異常，需要人為干預(yù)、分析和評(píng)定風(fēng)險(xiǎn)等級(jí)。請(qǐng)建立數(shù)學(xué)模型，給出判定非風(fēng)險(xiǎn)性異常數(shù)據(jù)和風(fēng)險(xiǎn)性異常數(shù)據(jù)的方法。

問(wèn)題2：結(jié)合問(wèn)題1的結(jié)果，建立數(shù)學(xué)模型，給出風(fēng)險(xiǎn)性異常數(shù)據(jù)異常程度的量化評(píng)價(jià)方法，要求使用百分制（0-100分）對(duì)每個(gè)時(shí)刻數(shù)據(jù)異常程度進(jìn)行評(píng)價(jià)（分值越高表示異常程度越高）。應(yīng)用所建立的模型和附件1的數(shù)據(jù)，找到數(shù)據(jù)中異常分值最高的5個(gè)時(shí)刻及這5個(gè)時(shí)刻對(duì)應(yīng)的異常傳感器編號(hào)（每個(gè)時(shí)刻只填寫5個(gè)異常程度最高的傳感器編號(hào)，異常傳感器不足5個(gè)則無(wú)需填滿；如果得分為0，可以不用填寫異常傳感器編號(hào)），并給出數(shù)學(xué)模型對(duì)所得結(jié)果進(jìn)行評(píng)價(jià)。

問(wèn)題3：為了提前發(fā)現(xiàn)未來(lái)生產(chǎn)過(guò)程中可能存在的風(fēng)險(xiǎn)隱患，請(qǐng)建立風(fēng)險(xiǎn)性異常預(yù)警模型，預(yù)測(cè)當(dāng)日23:00:00-23:59:59可能產(chǎn)生的風(fēng)險(xiǎn)性異常。結(jié)合問(wèn)題2中給出的風(fēng)險(xiǎn)性異常程度量化評(píng)價(jià)方法，指出23:00:00-23:59:59中四個(gè)時(shí)間段（見(jiàn)表2），每個(gè)時(shí)間段內(nèi)的最高異常分值及對(duì)應(yīng)的異常傳感器編號(hào)（只填寫5個(gè)異常程度最高的傳感器編號(hào)，異常傳感器不足5個(gè)則無(wú)需填滿；如果得分為0，可以不用填寫異常傳感器編號(hào)）。

問(wèn)題4：根據(jù)問(wèn)題2和問(wèn)題3中的結(jié)果，建立數(shù)學(xué)模型對(duì)該生產(chǎn)企業(yè)整個(gè)生產(chǎn)系統(tǒng)的安全性進(jìn)行評(píng)價(jià)，請(qǐng)?jiān)?0:00:00-23:59:59內(nèi)每隔30分鐘，用0-100分進(jìn)行安全性評(píng)分，0分表示安全性最低，100分表示安全性最高（包括00:00:00-23:00:00的得分和23:00:00-23:59:59的預(yù)測(cè)得分），并用適當(dāng)?shù)姆椒▽?duì)所給評(píng)分的結(jié)果進(jìn)行評(píng)價(jià)和敏感性分析。

模型的建立與求解(部分)：
為了按照真實(shí)的比重給各個(gè)波動(dòng)的主成分，需要使用臨近分析法對(duì)主成分進(jìn)行加權(quán)，NCA 是一種基于鄰域分量的特征選擇方法，在有監(jiān)督的機(jī)器學(xué)習(xí)方法中，通過(guò) NCA 多步跌代算法對(duì)用于分類的特征向量進(jìn)行分析，以此獲得不同的特征向量的分類中的權(quán)重大小，可根據(jù)權(quán)重的大小對(duì)原始的特征向量進(jìn)行進(jìn)一步篩選，進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行降維，對(duì)整個(gè)訓(xùn)練網(wǎng)絡(luò)進(jìn)行優(yōu)化。在第一問(wèn)中我們已經(jīng)通過(guò) PCA 降維算法對(duì)傳感器數(shù)據(jù)進(jìn)行了排序和權(quán)重計(jì)算，在本問(wèn)中進(jìn)一步 利用 NCA 對(duì)影響恐怖襲擊等級(jí)的特征向量的排序和權(quán)重進(jìn)行進(jìn)一步的討論，以此來(lái)得出風(fēng)險(xiǎn)性異常數(shù)據(jù)異常程度的量化評(píng)價(jià)方法。
?

文章提取：🍞正在為您運(yùn)送作品詳情

總結(jié)

以上是生活随笔為你收集整理的2021年第十八届五一数学建模竞赛题目 C题 数据驱动的异常检测与预警问题 解题论文完整版的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。