[发明专利]一种基于深度学习的复杂装备点异常检测方法及系统有效
申请号: | 201810131253.0 | 申请日: | 2018-02-09 |
公开(公告)号: | CN108334907B | 公开(公告)日: | 2019-05-17 |
发明(设计)人: | 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) |
主分类号: | G06K9/62 | 分类号: | G06K9/62 |
代理公司: | 北京格允知识产权代理有限公司 11609 | 代理人: | 张沫;周娇娇 |
地址: | 264209*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 复杂装备 异常检测 特征提取模型 异常检测模型 训练样本集 监控性能 模型训练 航空发动机 特征提取步骤 异常检测步骤 待测样本 特征标准 特征构建 特征输入 训练样本 正常样本 构建 样本 学习 检测 | ||
本发明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。
技术领域
本发明涉及航空发动机技术领域,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。
背景技术
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。
发明内容
本发明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,本发明第一方面,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。
在根据本发明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。
在根据本发明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。
在根据本发明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:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨工业大学(威海),未经哈尔滨工业大学(威海)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810131253.0/2.html,转载请声明来源钻瓜专利网。