基于改进DBSCAN算法的航空发动机泵调系统异常检测方法技术方案

本发明专利技术提供一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法。本发明专利技术根据航空发动机泵调系统的工作特性选择特征参数，继而从发参数据中进行特征提取，得到算法的输入特征矩阵。同时根据算法输入数据的特点，提出了一种创新型的动态时间规整与具有噪声的基于密度的聚类算法相结合的异常检测算法。相比于传统的基于正态分布的异常检测算法，本发明专利技术提出的算法异常检测的结果更为精确。本发明专利技术克服了具有噪声的基于密度的聚类算法在处理时间序列问题上无法挖掘各个时间序列之间关系的缺陷，将具有噪声的基于密度的聚类算法与动态时间规整相结合提高了算法处理时间序列问题的能力。题的能力。题的能力。

【技术实现步骤摘要】
基于改进DBSCAN算法的航空发动机泵调系统异常检测方法


[0001]本专利技术针对航空发动机泵调系统，利用基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise，简称DBSCAN)与动态时间规整(Dynamic Time Warping，简称DTW)相结合的方法，对泵调系统起动过程进行异常检测，切实提高泵调系统的健康监测能力。

技术介绍

[0002]航空发动机作为一种复杂的气动热力学系统，监控其工作状态和性能参数变化趋势，及时有效地规避故障，对于保证和提高发动机工作的安全性和可靠性有着重要意义。发动机数据是规避故障的基础，然而随着系统可靠性的逐渐提高，发动机故障数据在较短时间内难以获得，故传统针对故障数据的监测方法不再适用。同时，数据库、传感器技术、数据采集方法等的应用为发动机健康监测提供了大量的发动机状态数据，基于该状态数据对发动机各个部件及其故障进行可靠性分析和监测已成为趋势。
[0003]飞机发动机的泵调系统是数控系统的组成部分之一，也是故障频发的部件之一，其中泵调包括油源部件、电液转换装置、燃油切断模块、保护模块、监控模块等。国内针对发动机泵调系统故障研究相对较少，针对发动机整机及其他部附件的研究较多，这些研究取得的成果对泵调系统的健康监测有一定的参考价值。例如，Tao等针对航空发动机传感器故障检测方法的适用范围缺乏量化数据问题，对基于卡尔曼滤波和基于自适应滑模观测器的故障检测方法适用性进行了对比分析。Wang等对燃油系统典型故障进行了特征分析，并提供了处理这些故障的应急措施。Cui等通过提出的小波包能量比与极限学习机相结合的方法对航空发动机燃油泵进行故障诊断，证明了该方法的有效性。
[0004]由于泵调系统没有实现自动监控，因此在航线上常发生突发故障，目前航空公司关于泵调系统的维修主要是利用可视化工具对泵调系统性能参数可视化，技术人员观并分析参数变化曲线，依据经验确定范围边界或阈值，一旦数据超限则停下来维修。这种事后维修，无法有效地健康监测甚至故障预测。此外，发动机泵调系统在起动过程中的参数变化受到环境因素(如噪声、温度、压力)等的影响较大，使用由经验确定的阈值往往会导致较多的误报或漏报。针对这种现象，提出一种基于机器学习的泵调系统异常检测算法，即基于密度的无监督聚类算法DBSCAN和动态时间规整距离相结合的算法。
[0005]基于聚类的异常检测方法假设聚类结构能通过样本分布的紧密程度确定。聚类后某些簇的数据量会比其他簇要少得多，而且这些簇里的特征值(比如均值、方差等)和其它簇之间的差异也很大，则这些簇里的对象通常被识别为异常对象。DBSCAN是一种著名的聚类算法，通过样本分布的紧密程度自动划分聚类簇，自提出以来被广泛应用于各领域。例如，在2020年，Qi等为探究基于眼动数据的管制雷达目标标定方法，提出基于K-最邻近算法和变密度阈值设定法，从自适应选取邻域值和变密度阈值设计两方面对DBSCAN算法进行改进，验证了算法的适用性。在2015年，Huang等提出了一类具有自适应参数的改进DBSCAN聚类算法，并应用于发现证券市场中关联基金账户所组成的信息群落。针对传统算法中半径
参数ε敏感度高，对于多层密度数据集难以选择全局参数而导致聚类结果差等缺点进行了改进。在2020年，Guo等针对传统DBSCAN算法对高维数据集聚类效果不佳且参数的选取敏感问题，提出一种基于相似性度量的GS-DBSCAN算法。该算法构造了测地距离和共享最近邻的数据点之间的相似度矩阵，克服欧式距离对高维数据的局限性，更好地刻画数据集的真实情况，还可以通过分析数据的分布特征来自适应确定Eps和MinPts参数。在2008年，Luo等人提出一种基于Kmeans-DBSCAN融合聚类的轴承异常升温诊断模型。首先将轴承异常升温的诊断转化为多组关联序列中少数持续离群子序列的检测问题，再根据温度序列特征空间分布位置和局部密度差异性，通过Kmeans-DBSCAN融合聚类分离出离群子序列，并实现了DBSCAN邻域判别阈值参数的自适应选取，验证了该算法的适用性。关于DBSCAN算法的改进主要有三个方面：参数的自适应选取、结合其他算法综合聚类、相似性度量方法替代欧式距离。前两个方面研究较多，在距离度量方面的改进研究相对较少。由于泵调系统起动过程中关系型特征的表现形式为时间序列，因此选用专门处理时间序列问题的动态时间规整方法计算时间序列之间的距离，替代DBSCAN算法中的欧式距离，更能反映泵调系统关系型特征之间的关系。

技术实现思路

[0006]专利技术目的：
[0007]为突破当前泵调系统在突发故障检测领域的问题局限，本专利技术明确了基于大量发动机状态数据的泵调系统起动过程异常检测的技术需求，为实现泵调系统健康监测自适应，提出了一种基于DTW距离的DBSCAN算法，在分析泵调系统的关系型特征上有着较大的优势，同时也为泵调系统特征趋势分析提供了解决思路。
[0008]技术方案：
[0009]一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法，包括如下步骤：
[0010]步骤1：对所给泵调系统起动过程中的特征参数进行特征提取，得到时间序列形式的特征矩阵；
[0011]步骤2：对所述特征矩阵进行归一化，作为基于DTW距离的DBSCAN算法的输入，同时给定DBSCAN算法所需的参数；
[0012]步骤3：调用基于DTW距离的DBSCAN算法对归一化后的特征矩阵进行聚类处理，得到聚类结果；
[0013]步骤4：不属于任何一个聚类簇的样本为异常数据，其余为健康数据，给出异常数据的编号，对应得到该异常数据的发生时间，并保存健康数据为历史特征数据；
[0014]步骤5：对于新架次的所述特征参数，重复步骤1到步骤4，若该架次特征参数为健康数据，则给出判断并更新历史特征数据；若该架次为故障数据，则给出故障判断。
[0015]进一步的，步骤1中航空发动机泵调系统在起动过程中的特征参数包括：起动时间、点火时间、起动过程高压涡轮出口温度极大值、转子转速、油针位置、油针控制精度、指令燃油流量。其中转子转速与油针位置的关系，以及转子转速与油针控制精度之间的关系为主要研究对象，该关系型特征数据形式表现为时间序列，故在DBSCAN算法中引入DTW计算时间序列之间的距离。
[0016]进一步的，步骤2中，DBSCAN算法参数的定义如下：
[0017]1)ε-邻域：对归一化后的特征矩阵中的元素x
j
，其ε-邻域包含归一化后的特征矩阵内的元素构成的样本集D中与x
j
的距离不大于所选用度量距离的阈值ε的样本，即：
[0018]N
ε
(x
j
)＝{x
i
∈D|dist(x
i
,x
j
)≤ε}
ꢀꢀ
(1)
[0019]2)核心对象：若x
j
的ε-本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法，其特征在于，包括如下步骤：步骤1：对所给泵调系统起动过程中的特征参数进行特征提取，得到时间序列形式的特征矩阵；步骤2：对所述特征矩阵进行归一化，作为基于DTW距离的DBSCAN算法的输入，同时给定DBSCAN算法所需的参数；步骤3：调用基于DTW距离的DBSCAN算法对归一化后的特征矩阵进行聚类处理，得到聚类结果；步骤4：不属于任何一个聚类簇的样本为异常数据，其余为健康数据，给出异常数据的编号，对应得到该异常数据的发生时间，并保存健康数据为历史特征数据；步骤5：对于新架次的所述特征参数，重复步骤1到步骤4，若该架次特征参数为健康数据，则给出判断并更新历史特征数据；若该架次为故障数据，则给出故障判断。2.根据权利要求1所述的一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法，其特征在于，步骤1中航空发动机泵调系统在起动过程中的特征参数包括：起动时间、点火时间、起动过程高压涡轮出口温度极大值、转子转速、油针位置、油针控制精度、指令燃油流量。3.根据权利要求1所述的一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法，其特征在于，步骤2中，DBSCAN算法参数的定义如下：1)ε-邻域：对归一化后的特征矩阵中的元素x
j
，其ε-邻域包含归一化后的特征矩阵内的元素构成的样本集D中与x
j
的距离不大于所选用度量距离的阈值ε的样本，即：N
ε
(x
j
)＝{x
i
∈D|dist(x
i
,x
j
)≤ε}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)2)核心对象：若x
j
的ε-邻域内至少包含MinPts个样本，即||N
ε
(x
j
)||≥MinPts，则x
j
是一个核心对象。4.根据权利要求1所述的一种基于改进DBSCAN算法的航空发动机泵调系统异常检测方法，其特征在于，步骤3中，动态时间规整的过程如下：从步骤1得到的特征矩阵中任意选取两行作为时间序列s和q：s＝s1,s2,s3,
…
,s
i
,
…
,s
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)q＝q1,q2,q3,
…
,q
j
,
…
,q
l
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，n和l分别是s和q的长度，代价矩阵Dist
n
×
l
是一个n
×
l的矩阵，其中的每个元素Dist(i,j)表示s
i
和q
j
之间的局部距离；D...

【专利技术属性】
技术研发人员：赵永平，杨天林，吴奂，朱烨，徐占艳，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：