[发明专利]基于隔离的飞机铅酸蓄电池异常检测半监督方法

说明书

本发明公开了一种基于隔离的飞机铅酸蓄电池异常检测半监督方法，包括：获取飞机铅酸蓄电池的电压、电阻等数据并进行重采样减小冗余性；将处理后的数据分别进行t‑SNE降维至2维并可视化，对不同簇类的电池进行划分；将不同簇类的电池数据最大最小归一化到0与1之间，然后将带标签的数据作为基于隔离的异常检测算法iForest或iNNE的输入，计算得到每组电池的异常值，并调节参数，使得效果衡量标准AUC值达到最大；将得到的异常值排序后，取灵敏度达到0.9以上时对应的异常值作为划分异常的阈值；根据上述确定的某种簇类的某个特征对应的最佳算法参数和阈值，计算剩余无标签数据的异常值，若异常值高于该阈值则判定为异常电池，否则判定为正常电池。

技术领域

本发明涉及一种基于隔离的飞机铅酸蓄电池异常检测半监督方法，属于异常检测以及数据挖掘技术领域。

背景技术

近年来，铅酸蓄电池已成功应用于电瓶车、汽车、叉车等多种交通工具上，并逐步扩展到军事通信、导航、航空航天等领域。随着充放电循环次数的增加，铅酸蓄电池的有效容量将逐渐减小。当电池容量低于阈值时，铅酸蓄电池可能会发生故障。而随着航空工业的快速发展，航空任务日益繁忙，对电力系统安全可靠性的要求也越来越高。铅酸蓄电池作为备用电力起到了不可忽视的作用。然而，目前由传统的人工检查飞机电池组的使用状态成本高昂，无法满足日益增多的飞机航班，检查效率较低。因此，迫切需要实现一个智能化的铅酸蓄电池故障预警系统，尽早发现和消除隐患，防止出现不可预估的危险。然而，由于现有的飞机电池管理系统所能采集到的数据信息有限，因此，对电池异常状态的检测是一项具有挑战性的任务。随着人工智能、机器学习的发展，异常检测在数据挖掘领域中逐渐成为一项十分重要的任务，也是近年来各个领域的研究热点，它在信用卡欺诈检测、网络安全入侵检测、工业故障诊断等领域有着广泛的应用。

近年来，在航空领域许多异常检测方法被提出。基于统计的方法就是其中之一，例如基于高斯混合模型的异常检测。这类方法通常是基于数据存在某种统计特性，符合一定的分布规律。然而航空数据大多存在噪声，严重影响了数据的统计特性。因此，很难了解这些数据的分布特征。

另一种基于监督的机器学习方法被大量提出，尤其是利用神经网络为载体的深度学习方法，例如采用RNN、CNN、GAN等结构的深度网络模型。然而，大部分这些监督型的神经网络具有复杂的网络结构和凭经验设定的大量参数。这些都使得网络的训练时间变得十分冗长以及它们的可解释性大大降低。最重要的是，这些监督型的方法需要大量的带标签数据用于训练模型，这对于航空领域是极其奢侈的，因为对于一个异常阳性样本就意味着异常故障的一次发生，一旦这些样本未被及时检出修理的话，将会导致巨大的损失。且异常检测和一般的分类任务不同，异常和正常的比例往往不是成正比的，这就导致正常样本的数量远远大于异常样本。所以这些监督型的算法面对这种极其不平衡的分类任务往往会遇到过拟合等问题。

当然研究者们也探索了许多非监督的异常检测算法，如基于距离的kNN(kNearest Neighbor)算法，基于密度的LOF(Local Outlier Factor)算法，这些无监督算法可以解决标签数据少和正负样本不平衡的问题。然而这些算法仍然存在一些缺点，例如计算最近邻的潜在代价和邻域大小选择的敏感性高。此外，由于非监督型算法的特点，即完全摆脱对数据标签的依赖，没有了部分标签对其检测效果进行衡量，故这些异常检测算法往往存在最优参数调整问题。

发明内容

本发明为解决上述问题，即摆脱飞机铅酸蓄电池数据的统计分布特性和大量标签需求的约束，另外还需优化算法执行效率和便于参数调整问题，提供了一种基于隔离的飞机铅酸蓄电池异常检测半监督方法。本发明结合基于隔离的异常检测算法iForest或iNNE，以半监督为核心思想，从带标签数据中学习模型，用以无标签数据判定异常。

本发明为解决上述技术问题采用以下技术方案：

基于隔离的飞机铅酸蓄电池异常检测半监督方法，包括以下步骤：