基于机器学习的尾矿库监测数据异常识别研究

• Published in: 中国矿业 Vol. 32; no. 8; pp. 72 - 79
• Main Authors: 楚一帆, 王伟象, 王莎, 梅国栋
• Format: Magazine Article
• Language: Chinese
• Published: 国家金属矿绿色开采国际联合研究中心,北京 102628 2023; 矿冶科技集团有限公司,北京 100160
• Subjects: LOF; 数据异常识别; 机器学习; 尾矿库在线监测; 单类支持向量机; anomaly detection; 局部离群因子; machine learning; tailings dam online monitoring; OCSVM
• ISSN: 1004-4051
• DOI: 10.12075/j.issn.1004-4051.20230469

TD926.4%TD67; 尾矿库在线监测是尾矿库安全预警的重要手段,如何识别监测数据中不符合实际情况的异常值,是提升尾矿库安全预警准确率的关键,也是尾矿库在线监测面临的重要问题.采用单类支持向量机、局部离群因子和 3σ准则三种方法,对三组尾矿库在线监测数据进行异常识别;根据分类评价指标,研究了不同方法对异常数据的识别效能.结果显示,单类支持向量机、局部离群因子和 3σ准则三种方法的平均查准率分别为 0.962、0.934和 0.929,平均查全率分别为 0.960、0.910和 0.256,平均正确率分别为 0.984、0.970和 0.855,平均F1分值分别为0.960、0.921和 0.393,平均计算耗时为 0.023 s、7.549 s和 0.348 s.研究结果表明,单类支持向量机法和局部离群因子法的异常识别效果显著优于 3σ准则法,单类支持向量机法识别效果优于局部离群因子法,计算速度显著优于局部离群因子法,其异常识别正确率高、计算速度快、综合性能较好.研究结果为尾矿库在线监测预警领域异常数据识别提供了有益参考.