tq算法优化（v1）

当前测试集：[1051501, 1051502, 1051508, 1051509, 1051525, 1051571, 1051580, 1051662, 1051684, 1051764]

测试效果：均能正常检测出tq。其中大部分可以在ip尖峰处检测出来，少数在ip尖峰处检测出来。

算法框架

与v0版本相比，修改点如下所示：

• 先中值滤波去孤立毛刺，再滑动平均降噪

  def robust_filter(signal, median_len=1, mean_len=1):
  
      signal = np.asarray(signal, dtype=float)
      y = median_filter(signal, median_len)
      y = moving_average(y, mean_len)
      return y
  

  滤波效果如下所示：

• ECE/SXR 特征从单点差分改成短窗整体跌落量。修改后，不再想单点差分一样对噪声那么敏感，但是异常值会稍微滞后一点。

  def window_drop(signal, window_len):
      signal = np.asarray(signal, dtype=float)
      if window_len <= 1:
          return np.zeros_like(signal)
  
      mean_now = trailing_mean(signal, window_len)
      mean_prev = np.empty_like(mean_now)
      mean_prev[:window_len] = mean_now[0]
      mean_prev[window_len:] = mean_now[:-window_len]
      return mean_prev - mean_now
  

• 增加了有效时间限制，避免ip爬升阶段诊断信号的不稳定造成误报。

  valid_time = (time_axis >= 0.2) & (time_axis <= 0.6)
  

• 将v0版本综合判断条件放宽。原本是同一时刻至少有两个异常才会报警，现在是在一个短时间窗内至少有两个异常即可报警。

运行结果

• 典型炮1051501： 在调阈值的时候参考右侧特征值曲线来确定一个合理的阈值。

• 在尖峰判断出来的（1051684）： 该炮由于ece下降的时候，sxr上升，且磁探针信号扰动不剧烈，因此无法满足综合判断条件，最终到ip尖峰的时候，ece和sxr剧烈下降、磁探针信号扰动变得剧烈，因此此时才能检测出热猝灭。

---

本文章使用limfx的vscode插件快速发布