基于机器学习的尾矿库监测数据异常识别研究

作者：楚一帆; 王伟象; 王莎; 梅国栋^*

来源：中国矿业, 2023, 32(08): 72-79.

• 尾矿库在线监测
• 数据异常识别
• 单类支持向量机
• 局部离群因子
• 机器学习

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。