用于数据异常监测的传感器选择方法的评价方法技术

用于数据异常监测的传感器选择方法的评价方法，涉及传感器异常检测，目的是为了解决现有技术中缺少对传感器选择方法的性能评价方的问题。本发明专利技术采用观察法和待评价方法分别选取两组传感器进行异常数据监测，从两组中选取编号相同的作为待测传感器，再从每组选取一个与另一组编号不同的作为训练传感器，利用两个训练传感器分别构建两个核主成分分析模型并得到两个门限阈值，待测传感器的监测数据超过门限阈值的作为误检数据，低于或等于门限阈值的作为正确数据，计算两种传感器选择方法的误检率，以此对待评价的传感器选择方法进行评价。本发明专利技术能够反映出传感器选择方法对数据异常检测的影，特别适用于飞机发动机的状态检测。

【技术实现步骤摘要】

本专利技术涉及系统状态监测过程中，用于数据异常监测的传感器异常的选择技术。
技术介绍
复杂系统(例如飞机发动机)的状态监测能够提供有效的故障诊断和失效预测，同时能够提供有效的维修策略，节省大量的人力与物力。随着科学技术的发展，出现了众多的故障诊断与失效预测试法、状态监测数据异常监测方法。这些方法是建立在获取系统正确状态的前提条件下，布置于系统中的大量传感器对于不同的方法并不是所有的传感器都能提供有效信息，为提高传感器感知系统状态可靠性，研究人员也提出了很多的传感器故障与异常监测方法，然而已有的研究忽略了用于系统状态监测的传感器选择与数据异常监测之间的关系，导致无法判断该传感器选择方法对数据异常监测的影响。
技术实现思路
本专利技术的目的是为了解决现有技术中缺少对传感器选择方法的性能评价方法的问题，提供一种用于数据异常监测的传感器选择方法的评价方法。本专利技术所述的用于数据异常监测的传感器选择方法的评价方法，包括以下步骤：步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异常监测，得到由所有待选择的传感器的监测数据构成的数据集；步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传感器为第二组传感器；其中方法A是指待评价的传感器选择方法，方法B是指观察法；步骤三、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器中选取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选取与第一组传感器编号不同的传感器作为方法B的训练传感器；步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主成分分析模型得到方法A的训练数据集残差，即方法A的门限阈值；利用方法B的训练传感器构建方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的门限阈值；步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将该所有监测数据中的每个监测数据转化成测试数据残差，对于方法A：将每个测试数据残差分别与方法A的门限阈值进行对比，超过方法A的门限阈值的测试数据残差作为误检数据，低于或等于方法A的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率；对于方法B：将每个测试数据残差分别与方法B的门限阈值进行对比，超过方法B的门限阈值的测试数据残差作为误检数据，低于或等于方法B的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率；步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。本专利技术提出的传感器选择方法的评价方法能够反映出传感器选择方法对数据异常监测的影响，尤其适用于飞机发动机状态的监测，在该评价方法的基础上，作适当修改即可以用于各种系统，用来改善系统大状态监测方面的性能。附图说明图1为熵与概率的关系图；图2为实施方式三中的评价过程的框架；图3为发动机结构示意图，其中1表示风扇，2表示燃烧室，3表示低压涡轮，4表示喷嘴，5表示高压涡轮，6表示低压压缩机，7表示高压压缩机；图4为数据集1中的基于熵和排列熵的传感器选择方法的异常监测结果；图5为数据集1中的观察法的异常监测结果；图6为数据集2中的基于熵和排列熵的传感器选择方法的异常监测结果；图7为数据集2中的观察法的异常监测结果。具体实施方式具体实施方式一：结合图1说明本实施方式，本实施方式所述的用于数据异常监测的传感器选择方法的评价方法，包括以下步骤：步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异常监测，得到由所有待选择的传感器的监测数据构成的数据集；步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传感器为第二组传感器；其中方法A是指待评价的传感器选择方法，方法B是指观察法；步骤三、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器中选取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选取与第一组传感器编号不同的传感器作为方法B的训练传感器；步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主成分分析模型得到方法A的训练数据集残差，即方法A的门限阈值；利用方法B的训练传感器构建方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的门限阈值；步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将该所有监测数据中的每个监测数据转化成测试数据残差，对于方法A：将每个测试数据残差分别与方法A的门限阈值进行对比，超过方法A的门限阈值的测试数据残差作为误检数据，低于或等于方法A的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率；对于方法B：将每个测试数据残差分别与方法B的门限阈值进行对比，超过方法B的门限阈值的测试数据残差作为误检数据，低于或等于方法B的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率；步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。本实施方式采用传统的观察法作为评价基准，利用公知的核主成分分析模型来获取关键参数门限阈值，利用误检率作为衡量异常监测性能的指标。具体实施方式二：结合图1说明本实施方式，本实施方式是对实施方式一所述的用于数据异常监测的传感器选择方法的评价方法进一步限定，本实施方式中，步骤四中核主成分分析模型的构建方法为：首先，通过非线性变换将训练数据映射到高维空间；然后，通过线性主成分分析法实现特征空间，训练数据矩阵使用表示，训练数据向量使用向量表示；然后将训练数据通过非线线映射映射到高维特征空间；然后通过线性主成分分析得到投影向量f(projection vector)，使公式(7)对于训练数据有最大的方差值，t＝(φ(x))Tf (7)最优化问题用式(8)表示： max J K P C A ( f ) = m a x 1 n - 1 Σ i = 1 n t i 2 = m a x 1 n - 1 Σ i = 1 n ( ( φ ( 本文档来自技高网...

【技术保护点】
用于数据异常监测的传感器选择方法的评价方法，其特征在于，该方法包括以下步骤：步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异常监测，得到由所有待选择的传感器的监测数据构成的数据集；步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传感器为第二组传感器；其中方法A是指待评价的传感器选择方法，方法B是指观察法；步骤三、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器中选取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选取与第一组传感器编号不同的传感器作为方法B的训练传感器；步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主成分分析模型得到方法A的训练数据集残差，即方法A的门限阈值；利用方法B的训练传感器构建方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的门限阈值；步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将该所有监测数据中的每个监测数据转化成测试数据残差，对于方法A：将每个测试数据残差分别与方法A的门限阈值进行对比，超过方法A的门限阈值的测试数据残差作为误检数据，低于或等于方法A的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率；对于方法B：将每个测试数据残差分别与方法B的门限阈值进行对比，超过方法B的门限阈值的测试数据残差作为误检数据，低于或等于方法B的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率；步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。...

【技术特征摘要】
1.用于数据异常监测的传感器选择方法的评价方法，其特征在于，该方法包括以下步骤：步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异常监测，得到由所有待选择的传感器的监测数据构成的数据集；步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传感器为第二组传感器；其中方法A是指待评价的传感器选择方法，方法B是指观察法；步骤三、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器中选取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选取与第一组传感器编号不同的传感器作为方法B的训练传感器；步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主成分分析模型得到方法A的训练数据集残差，即方法A的门限阈值；利用方法B的训练传感器构建方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的门限阈值；步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将该所有监测数据中的每个监测数据转化成测试数据残差，对于方法A：将每个测试数据残差分别与方法A的门限阈值进行对比，超过方法A的门限阈值的测试数据残差作为误检数据，低于或等于方法A的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率；对于方法B：将每个测试数据残差分别与方法B的门限阈值进行对比，超过方法B的门限阈值的测试数据残差作为误检数据，低于或等于方法B的门限阈值的测试数据残差作为正确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率；步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。2.根据权利要求1所述的用于数据异常监测的传感器选择方法的评价方法，其特征在于，步骤四中核主成分分析模型的构建方法为：首先，通过非线性变换将训练数据映射到高维空间；然后，通过线性主成分分析法实现特征空间，训练数据矩阵使用表示，训练数据向量使用向量表示；然后将训练数据通过非线线映射映射到高维特征空间；然后通过线性主成分分析得到投影向量f，使公式(7)对于训练数据有最大的方差值，t＝(φ(x))Tf (7)最优化问题用式(8)表示： max J K P C A ( f ) = m a x 1 n - 1 Σ i = 1 n t i 2 = m a x 1 n - 1 Σ i = 1 n ( ( φ ( x i ) ) T f ) 2 ]]>s.t.fTf＝1 (8)JKPCA()为形成的目标优化函数，t＝[t1...

【专利技术属性】
技术研发人员：刘连胜，彭宇，王本宽，刘大同，彭喜元，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23