基于深度学习的AI 异常数据检测方法及实践验证_第九期_2026_现代科技研究

1.成都川油瑞飞科技有限责任公司，四川成都 610095 2.苏州驰声信息科技有限公司，江苏苏州 215100 3.湖南奕海工程有限责任公司，湖南长沙 410008

摘要：针对工业传感器高维时序数据中异常模式复杂、标签样本稀缺以及传统方法适应性不足等问题，本文设计了一种基于AutoEncoder 的异常数据检测方法。研究首先构建包含缺失值修复、小波降噪、互信息特征筛选和Z-score 标准化的预处理流程，再以10 维关键传感器特征为输入建立轻量化 AutoEncoder 模型，并结合训练集正常样本重构误差的 95%分位数与滑动窗口机制实现动态阈值优化。基于江苏南通化工园区反应釜传感器数据开展实验验证，结果表明，本文方法精确率达到92%，召回率达到88%，F1-score 达到90%，整体性能优于 Isolation Forest方法，说明该方法能够较有效识别多变量耦合工况下的异常数据。

关键词：深度学习；异常数据检测；AutoEncoder；工业传感器；动态阈值

参考文献

[1]周煊令.基于深度学习的晶圆表面缺陷检测AI识别模型研究[D].导师：李万清.杭州电子科技大学,2024.

[2]Marios Impraimakis,Evangelia Nektaria Palkanog lou.A generative adversarial network optimization method for damage detection and digital twinning by deep AI fault learning: Z24 Bridge structural health monitoring benchmark validation[J].Structural and Multidisciplinary Optimization,2025,68 (11):

[3]Shuvo Biswas,Rafid Mostafiz,Mohammad Shorif Uddin,Muhammad Shahin Uddin.FLPneXAINet: Federated deep learning and explainable AI for improved pneumonia prediction utilizing GAN-augmented chest X-ray data. [J].PloS one,2025,20 (7):

[4]李炫雷.基于深度学习的麻将AI模型及其评估方法[D].导师：冯欣.吉林化工学院,2024.

[5] 肖伟 , 刘尚 , 黄禧艳 , 周宇权 , 李顺 , 戴振华 . 基于 AI 深度学习的早期肺癌辅助诊断系统设计 [J]. 电脑编程技巧与维护,2025, (06):101-103+113.

[6]王东.基于 AI 的网络流量监控与异常检测系统研究[J].信息记录材料,2024,25(06):152-154+157.

[7]杨磊,王禹,李丹桐.基于AI 增强型机器学习的车险欺诈识别模型[J].大众标准化,2025, (11):106-112.

[8]Mukesh Prasanna,M. Abirami,R. Nithya,B. Santhi,G. R. Brindha,Muthu Thiruvengadam.Enhanced Breast Cancer Detection From Thermal Images Using DNN and Explainable AI[J].International Journal of Imaging Systems and Technology,2025,35 (6):

[9]陈雪娇,付梦艺,王攀.AI 大模型赋能网络流量分类概述[J].邮电设计技术,2024, (09):13-19.

[10]Tingting Li,Kevin Haudek,Joseph Krajcik.Utilizing Deep Learning AI to Analyze Scientific Models: Overcoming Challenges[J].Journal of Science Education and Technology,2025,34 (4):

作者简介：田采丹（1981—），男，汉族，本科，研究方向为人工智能。