一种基于改进分段线性表示的航空发动机在线异常检测方法技术

本发明专利技术公开了一种基于改进分段线性表示的航空发动机在线异常检测方法，包括：积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；基于改进的SWAB分段方法分别对离线历史数据和实时在线数据进行分段线性表示；对离线历史数据和在线实时数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD，训练得到正常样本的超球面边界；将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。本发明专利技术具备在线异常检测能力，在极度缺乏异常样本的条件下，能够实现对航空发动机准确且高效的异常检测。异常检测。异常检测。

【技术实现步骤摘要】
一种基于改进分段线性表示的航空发动机在线异常检测方法


[0001]本专利技术涉及飞机异常检测
，尤其涉及一种航空发动机的在线异常检测方法。

技术介绍

[0002]航空发动机作为飞机的核心，一旦出现故障将会造成不可接受的损失。如果能够及时发现发动机的异常，并采取早期干预措施，则可以最大限度地保障飞机的可靠性和安全性。据不完全统计，在航空发动机出现的异常中，气路异常占比超过90％。因此，准确而高效的气路系统在线异常检测方法至关重要。
[0003]监测数据的在线异常检测可以分为点异常检测和子序列异常检测。其中，人们更关心的是持续的异常，即子序列异常。现有的解决这类问题的在线异常检测方法是基于滑动窗的方法，此类方法的滑动窗的窗宽和步长难以设置，窗宽或步长过大容易导致微小异常难以发现，造成漏检；窗宽过小，便类似于逐点检测，依赖于阈值，不能有效利用监测数据的时序特征，导致异常检测的准确性不足。此外，极度缺乏异常样本也是航空发动机异常检测面临的难题，传统的监督学习和无监督学习方法都无法有效发挥作用。
[0004]因此，如何提出一种航空发动机的在线异常检测方法，具备在线异常检测能力，并弥补传统滑动窗的不足，同时克服极度缺乏异常样本的难题是本领域技术人员亟需解决的问题。

技术实现思路

[0005]本专利技术目的是提供了一种基于改进分段线性表示的航空发动机在线异常检测方法，以解决上述问题。
[0006]本专利技术解决技术问题采用如下技术方案：
[0007]一种基于改进分段线性表示的航空发动机在线异常检测方法，包括如下步骤：
[0008]S1、积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；
[0009]S2、基于改进的SWAB分段方法分别对离线历史数据和实时在线数据进行分段线性表示；
[0010]S3、对离线历史数据和在实时线数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；
[0011]S4、利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD，训练得到正常样本的超球面边界；
[0012]S5、将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。
[0013]进一步的，对离线历史数据和实时在线数据进行分段线性表示的方法为：根据时序数据变化特征，自适应地确定窗宽的方法，使得窗内的数据具有相似的变化趋势，而将转折点、突变点分离出来；最终将离线数据和在线数据划分为多个分段，用直线段逼近每个分
段。
[0014]进一步的，所述步骤S2具体包括：
[0015]保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n
‑
1段；
[0016]报告段对应的数据从缓冲区中删除，并读入更多的数据点，这些点被合并到缓冲区中，并再次应用自底向上；
[0017]只要数据到达，就会重复这个过程：对缓冲区应用自底向上、报告最左边的n
‑
1段和读取下一个子序列。
[0018]进一步的，自底向上分段方法，具体步骤包括：
[0019]首先创建n
‑
1段，实现对长度为n的时间序列的最佳逼近；
[0020]计算合并每一对相邻线段的代价；
[0021]迭代合并代价最低的线段，直到满足停止条件。
[0022]进一步的，合并方法采用最小二乘拟合，合并代价为最小二乘拟合的拟合误差：
[0023][0024]其中，T为待拟合的序列段，n为序列段长度，y
i
为真实值，为拟合值，α+βx
i
为拟合直线，α,β为直线参数，x
i
为时间。
[0025]进一步的，所述停止条件，设置为merge_cost
min
＞α；其中，α是误差阈值，根据序列的峰峰值设置，如下：
[0026]x1,x2,...,x
n
＝rank{a1,a2,...,a
n
}
[0027]α＝x
0.99n
‑
x
0.01n
[0028]其中，a1,a2,...,a
n
是离线的由正常数据构成的时间序列，x1,x2,...,x
n
是对a1,a2,...,a
n
由小到大排序的结果。
[0029]进一步的，步骤S3提取的特征采用每个直线段的均值和方差，这二者分别体现数据的大小和变化趋势，将这两个特征归一化得到离线训练样本和在线待检测样本。
[0030]进一步的，SVDD模型训练的流程如下：
[0031]步骤S4.1、给定训练样本X＝{x
i
},i＝1,2,
…
,N，支持向量数据描述方法最小化如下目标函数：
[0032][0033]并且约束：||x
i
‑
a||2≤R2+ξ
i
，ξ
i
≥0,其中，R是超球面半径，a是超球面中心，C是惩罚因子，ξ
i
是松弛因子；
[0034]步骤S4.2、根据Lagrange乘数法，引入Lagrange乘子α
i
≥0，μ
i
≥0，约束可以被合并入F(R,a)式：
[0035][0036]根据拉格朗日对偶性及KKT条件，将上述问题转换为如下二次规划问题：
[0037][0038][0039]步骤S4.3、计算超球面中心：
[0040]计算超球面半径：
[0041]其中，需满足0＜α
l
＜C。
[0042]进一步的，SVDD模型异常判别的流程如下：
[0043]步骤S5.1、对于待测试样本z，计算f(z)：
[0044][0045]步骤S5.2、根据f(z)，判断待检测样本是否异常：
[0046][0047]其中，w
normal
表示正常区域，w
outlier
表示异常区域。
[0048]有益效果：
[0049]本专利技术提供了一种基于改进分段线性表示的航空发动机在线异常检测方法，对发动机气路监测数据进行分段线性表示，自适应地确定窗宽，弥补了固定滑动窗的缺陷；针对航空发动机异常样本非常少的问题，采用单分类模型SVDD，以离线的正常样本训练，实现对在线样本的异常检测。
附图说明
[0050]图1附图为本专利技术提供的航空发动机的在线异常检测方法的流程图。
[0051]图2附图为本专利技术所述在线分段线性表示方法流程图。
[0052]图3附图为本专利技术所述单分类异常检测模型的训练样本和超球面边界。
具体实施方式
[0053]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，对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，包括如下步骤：S1、积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；S2、基于改进的SWAB分段方法分别对离线历史数据和实时在线数据进行分段线性表示；S3、对离线历史数据和在实时线数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；S4、利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD，训练得到正常样本的超球面边界；S5、将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。2.根据权利要求1所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，对离线历史数据和实时在线数据进行分段线性表示的方法为：根据时序数据变化特征，自适应地确定窗宽的方法，使得窗内的数据具有相似的变化趋势，而将转折点、突变点分离出来；最终将离线数据和在线数据划分为多个分段，用直线段逼近每个分段。3.根据权利要求2所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，所述步骤S2具体包括：保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n
‑
1段；报告段对应的数据从缓冲区中删除，并读入更多的数据点，这些点被合并到缓冲区中，并再次应用自底向上；只要数据到达，就会重复这个过程：对缓冲区应用自底向上、报告最左边的n
‑
1段和读取下一个子序列。4.根据权利要求3所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，自底向上分段方法，具体步骤包括：首先创建n
‑
1段，实现对长度为n的时间序列的最佳逼近；计算合并每一对相邻线段的代价；迭代合并代价最低的线段，直到满足停止条件。5.根据权利要求4所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，合并方法采用最小二乘拟合，合并代价为最小二乘拟合的拟合误差：其中，T为待拟合的序列段，n为序列段长度，y
i
为真实值，为拟合值，α+βx
i
为拟合直线，α,β为直线参数，x
i
为时间。6.根据权利要求5所述的一种基于改进分段线性...

【专利技术属性】
技术研发人员：张庆振，张超祺，崔朗福，王钧乐，宋子雄，王明贤，向刚，李操，齐海涛，王津申，陈娟，邓慧超，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：