异常检测技术是指检测或者找出样本数据中出现的与正常(期望)行为不一致的样本数据。它是数据挖掘研究中十分活跃的课题之一,占据着领先的地位,应用广泛。异常检测技术的应用能够有效防止网络的入侵,保障工业生产的安全,监测设备的故障等。针对工业设备故障检测方面来说,随着信息化的不断提高,这些设备上都安装有检测的传感器设备,对于这些设备运行状况的分析都是基于这些传感器输出的数据。基于广泛的应用需求和实用价值,对于传感器数据的异常检测分析备受重视和关注。异常检测的主要目标是在众多与期望模式相一致的数据集中,找出很少出现的或者是并不十分了解的,与人们期望不符的数据。通常,这两类的观察数据是非常不平衡的:异常的情况要远小于正常的情况,这使得异常检测并不那么简单。并且,随着信息化的加速,设备上安装的传感器种类更多,随着时间的积累,收集到的传感器数据会越来越多,而异常数据的出现非常少。通常,使用的异常检测技术在数据不多,维数不高时,能够有效地发现异常。然而,在实际的应用中,不仅要考虑数据量的规模,同时也要高效准确地检测出异常,这是异常检测技术面临的新的挑战。本文基于实际的应用需求对于异常检测技术进行了研究探索。本文的主要工作包括:1.简要介绍了异常检测的基本知识,面临的挑战和广泛的应用领域。针对目前现有异常检测方法进行综述、分析、讨论,描述了各自的优缺点以及国内外研究的现状。2.阐述了在线最小二乘支持向量机的方法、扩展卡尔曼滤波的方法和正则化稀疏编码方法的基本思想、概念。分析了它们各自的数学理论基础,同时也介绍了它们各自的异常检测基本步骤。3.把这三种方法实际应用到火力发电厂设备传感器数据异常检测上面,通过比较预测值与真实值进行判断,达到对传感器异常检测的目的。利用火力发电厂传感器数据进行试验分析,结果表明这三种方法具有异常检测功能。