INDUSTRIAL PI RESEARCH LAB
本地独立版PI异常检测论文实验平台
仅研究PI时间序列、异常检测、规则对比与实验评价，不包含巡检和取样。
实验案例0
正样本0
负样本0
本方法F10.00%
误报率0.00%
一、生成可重复的模拟实验
每条规则同时生成异常正样本、正常样本、单点尖峰、坏质量点和缺失点。基线方法与本文方法使用完全相同的数据。
尚未执行新实验。
二、导入真实PI历史数据
CSV必需字段：timestamp,tag,value,ground_truth；推荐增加 case_id,rule_id,quality。同一case_id的连续数据组成一个实验案例，ground_truth中1表示真实异常，0表示正常。
三、论文核心指标
以下结果由实验记录自动计算，可直接用于论文对比表。正式投稿时应以真实数据结果为主、模拟数据为辅。
| 方法 | 样本数 | TP | FP | TN | FN | 准确率 | 精确率 | 召回率 | F1 | 误报率 | 平均延迟(s) |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 传统末值阈值法 | 0 | 0 | 0 | 0 | 0 | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.0 |
| 本文质量过滤＋窗口持续性方法 | 0 | 0 | 0 | 0 | 0 | 0.00% | 0.00% | 0.00% | 0.00% | 0.00% | 0.0 |
四、论文填数指南
表1 数据集说明填写正负案例数、点位数、时间范围与采样周期。
表2 方法对比使用上方准确率、精确率、召回率、F1和误报率。
表3 鲁棒性实验分别筛选spike、bad_quality、missing场景统计。
图6 检测趋势从实验明细CSV读取values绘制原始趋势与触发点。