在您描述的场景中，异常检测的目标是从多个设备上传的数据曲线中识别出那些与当天计算出的标准曲线存在显著差异的设备。这可以通过多种统计学和机器学习的方法来实现。以下是一些常用的技术和步骤：
1. 计算标准曲线
- 收集数据：首先，从所有设备中收集一天的数据，并根据时间点对齐这些数据。
- 计算平均值：对于每个时间点，计算所有设备数据的平均值，从而构建标准曲线。
2. 定义异常度量
选择合适的度量标准来量化每条设备数据曲线与标准曲线之间的差异。常用的度量方法包括：
- 欧氏距离（Euclidean Distance）：适用于数值型数据，直接计算两条曲线在各个时间点上差值的平方和的平方根。
- 曼哈顿距离（Manhattan Distance）：计算两条曲线在各个时间点上差值的绝对值之和。
- 动态时间规整（Dynamic Time Warping, DTW）：如果数据可能存在时间上的偏移，DTW是一个好的选择，它可以在时间维度上对齐两条曲线，然后计算它们之间的距离。
- 皮尔逊相关系数（Pearson Correlation Coefficient）：用于衡量两组数据线性相关性的程度。异常曲线可能会显示出较低的相关性。
- 余弦相似度（Cosine Similarity）：用于衡量两个向量方向上的相似度，适用于高维空间中的比较。
3. 应用阈值或模型
- 基于阈值的方法：设定一个阈值，任何与标准曲线距离超过该阈值的设备都被认为是异常的。
- 基于模型的方法：使用统计模型或机器学习模型（如孤立森林、支持向量机等）来学习正常行为模式，然后将新数据与模型进行对比，以检测异常。
4. 异常排序与筛选
- 计算异常分数：根据选定的度量方法，为每个设备计算一个异常分数。
- 排序：按照异常分数对设备进行排序。
- 筛选：根据业务需求或预设规则，从排序列表中挑选出异常最明显的设备。
5. 结果验证
- 对于标记为异常的设备，建议进行进一步的人工审查或结合其他信息源（例如维护记录、环境因素等）来进行综合判断，以减少误报。
6. 持续优化
- 根据实际运行效果不断调整异常检测模型的参数，比如阈值、度量方法等，以提高检测精度。
通过上述步骤，您可以有效地从多条设备数据曲线中筛选出与标准曲线异常最明显的设备。