一种基于深度学习的复杂装备点异常检测方法及系统技术方案

本发明专利技术涉及一种基于深度学习的复杂装备点异常检测方法及系统，其中方法包括：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。本发明专利技术对于复杂装备尤其是航空发动机出现的点异常检测效果明显。

【技术实现步骤摘要】
一种基于深度学习的复杂装备点异常检测方法及系统
本专利技术涉及航空发动机
，尤其涉及一种基于深度学习的复杂装备点异常检测方法及系统。
技术介绍
一直以来，复杂装备状态难以量化评估、无法实现故障预测等难题是工业界和学术界重点解决的方向之一。设计更加高效的复杂装备异常检测方法是大型复杂装备的健康管理系统中重要的一环。航空发动机作为一种典型的大型复杂装备，是飞机的最重要的核心部件，其运行状态的正常与否至关重要。以航空发动机为例，传统的基于数据驱动的异常检测和故障诊断方法主要是通过对OEM数据中的少数参数，例如起飞排气温度裕度(EGTM)、燃油流量偏差值(ΔFF)等参数进行分析的得到。这种传统的方法有两种明显的缺点，其一是使用的OEM数据中的这些参数不是最开始的原始数据，是经过厂家系统处理过的数据，因此得到的数据不能保证实时性；其二是仅仅根据两到三个参数判断航空发动机正常异常效果有限。此外，目前异常检测主要基于Hawkins对异常的定义：异常是远离其他观测数据而疑为不同机制产生的观测数据。根据数据点相互之间是否独立，异常形式可以大致分为两类：点形式异常和时间序列形式异常。如果一个单独的数据点可以被认为是相对于其余数据的异常，那么该实例被称为点异常。这是最简单的异常类型，也是大多数异常检测研究的重点。如果一个数据点或者一段序列数据点在序列范围内相对于其他段数据是异常的，这样的异常被称为时间序列异常。同样地，航空发动机的异常形式同样可以这样划分为点异常和时间序列异常。依据航空发动机异常数据的不同形式，需要分别设计针对不同形式的异常检测方法。
技术实现思路
本专利技术要解决的技术问题在于，针对现有的复杂装备点异常检测方法的检测效果不佳的缺陷，提出了一种基于深度学习的复杂装备点异常检测方法及系统。为了解决上述技术问题，本专利技术第一方面，提供了一种基于深度学习的复杂装备点异常检测方法，包括以下步骤：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。在根据本专利技术所述的基于深度学习的复杂装备点异常检测方法中，优选地，所述训练样本处理步骤还对训练样本集中的数据进行归一化处理。在根据本专利技术所述的基于深度学习的复杂装备点异常检测方法中，优选地，所述特征提取步骤中SDAE的堆叠层数为两层。在根据本专利技术所述的基于深度学习的复杂装备点异常检测方法中，优选地，所述特征提取步骤中所使用的SDAE的特征提取模型的结构通过以下步骤确定：1)构建200个不同结构的SDAE，其中DAE的输入层-隐层-输出层的结构为a-X-Y，其中1≤X≤20，1≤Y≤10，X，Y分别为隐层和输出层的个数，且均为整数，a为输入层的个数，与所述训练样本处理步骤中选取的复杂装备的监控性能参数的个数一致；2)将训练样本集的原始参数输入到200个不同结构的SDAE中，得到对应的200组特征集；3)针对每个结构的SDAE得到的特征进行分析，通过分析特征之间的相关性，筛选无效特征；4)筛选无效特征之后，根据各个SDAE的特征集相关度，选取各特征之间相关度小SDAE结构，作为异常检测模型中的特征提取模型。5、根据权利要求1～3中任一项所述的基于深度学习的复杂装备点异常检测方法，其特征在于，所述检测模型训练步骤中建立的基于GSM的异常检测模型为多元高斯模型，其条件概率为：其中μ是训练样本的均值，∑为训练样本的协方差矩阵；对于待测样本x，分类器定义如下：其中θ是判断待测样本是否异常的阈值，h(x)为判别函数，1代表正常值，0代表异常值。在根据本专利技术所述的基于深度学习的复杂装备点异常检测方法中，优选地，所述复杂装备为航空发动机，所述训练样本处理步骤选取的复杂装备的监控性能参数包括：海平面温度、飞行高度、风扇指示转速、核心机指示转速、油液压力、进口总温、EGT、油液温度、燃油流量和马赫数。本专利技术第二方面，提供了一种基于深度学习的复杂装备点异常检测系统，包括：训练样本处理模块，用于选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取模块，用于构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练模块，用于根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测模块，用于将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。在根据本专利技术所述的基于深度学习的复杂装备点异常检测系统中，优选地，所述特征提取模块中所使用的SDAE的特征提取模型的结构通过以下步骤确定：1)构建200个不同结构的SDAE，其中DAE的输入层-隐层-输出层的结构为a-X-Y，其中1≤X≤20，1≤Y≤10，X，Y分别为隐层和输出层的个数，且均为整数，a为输入层的个数，与所述训练样本处理步骤中选取的复杂装备的监控性能参数的个数一致；2)将训练样本集的原始参数输入到200个不同结构的SDAE中，得到对应的200组特征集；3)针对每个结构的SDAE得到的特征进行分析，通过分析特征之间的相关性，筛选无效特征；4)筛选无效特征之后，根据各个SDAE的特征集相关度，选取各特征之间相关度小SDAE结构，作为异常检测模型中的特征提取模型。在根据本专利技术所述的基于深度学习的复杂装备点异常检测系统中，优选地，所述检测模型训练模块中建立的基于GSM的异常检测模型为多元高斯模型，其条件概率为：其中μ是训练样本的均值，∑为训练样本的协方差矩阵；对于待测样本x，分类器定义如下：其中θ是判断待测样本是否异常的阈值，h(x)为判别函数，1代表正常值，0代表异常值。在根据本专利技术所述的基于深度学习的复杂装备点异常检测系统中，优选地，所述复杂装备为航空发动机，所述训练样本处理模块选取的复杂装备的监控性能参数包括：海平面温度、飞行高度、风扇指示转速、核心机指示转速、油液压力、进口总温、EGT、油液温度、燃油流量和马赫数。实施本专利技术的基于深度学习的复杂装备点异常检测方法及系统，具有以下有益效果：本专利技术首先构建基于SDAE的特征提取模型，然后根据SDAE提取的特征，通过单高斯模型进行异常检测，对于复杂装备尤其是航空发动机出现的点异常检测效果明显。附图说明图1为根据本专利技术优选实施例的基于深度学习的复杂装备点异常检测方法的流程图；图2为自动编码器结构的示意图；图3为DAE的结构示意图；图4为根据本专利技术的基于深度学习的复杂装备点异常检测方法的整体模型结构。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，为根据本专利技术优选实施例本文档来自技高网...

【技术保护点】
1.一种基于深度学习的复杂装备点异常检测方法，其特征在于，包括以下步骤：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。

【技术特征摘要】
1.一种基于深度学习的复杂装备点异常检测方法，其特征在于，包括以下步骤：训练样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的正常样本和异常样本，构成训练样本集；特征提取步骤、构建基于SDAE的特征提取模型，输入所述训练样本集进行模型训练；检测模型训练步骤、根据经特征提取模型训练得到的特征构建基于GSM的异常检测模型，得到异常检测模型的特征均值和特征标准差；异常检测步骤、将待测样本输入到基于SDAE的特征提取模型，得到的特征输入到基于GSM的异常检测模型中，进行点异常检测。2.根据权利要求1所述的基于深度学习的复杂装备点异常检测方法，其特征在于，所述训练样本处理步骤还对训练样本集中的数据进行归一化处理。3.根据权利要求1所述的基于深度学习的复杂装备点异常检测方法，其特征在于，所述特征提取步骤中SDAE的堆叠层数为两层。4.根据权利要求1～3中任一项所述的基于深度学习的复杂装备点异常检测方法，其特征在于，所述特征提取步骤中所使用的SDAE的特征提取模型的结构通过以下步骤确定：1)构建200个不同结构的SDAE，其中DAE的输入层-隐层-输出层的结构为a-X-Y，其中1≤X≤20，1≤Y≤10，X，Y分别为隐层和输出层的个数，且均为整数，a为输入层的个数，与所述训练样本处理步骤中选取的复杂装备的监控性能参数的个数一致；2)将训练样本集的原始参数输入到200个不同结构的SDAE中，得到对应的200组特征集；3)针对每个结构的SDAE得到的特征进行分析，通过分析特征之间的相关性，筛选无效特征；4)筛选无效特征之后，根据各个SDAE的特征集相关度，选取各特征之间相关度小SDAE结构，作为异常检测模型中的特征提取模型。5.根据权利要求1～3中任一项所述的基于深度学习的复杂装备点异常检测方法，其特征在于，所述检测模型训练步骤中建立的基于GSM的异常检测模型为多元高斯模型，其条件概率为：其中μ是训练样本的均值，∑为训练样本的协方差矩阵；对于待测样本x，分类器定义如下：其中θ是判断待测样本是否异常的阈值，h(x)为判别函数，1代表正常值，0代表异常值。6.根据权利要求1～3中任一项所述的基于深度学习的复杂装备点异常检测方法，其特征在于，所述复杂装备为航空发动机，所述训练样本处理步骤选取的复杂...

【专利技术属性】
技术研发人员：付旭云，钟诗胜，林琳，张光耀，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37