CN111598438A - 基于分段拟合分析及评估的民航发动机气路异常检测方法 - Google Patents

基于分段拟合分析及评估的民航发动机气路异常检测方法 Download PDF

Info

Publication number
CN111598438A
CN111598438A CN202010407179.8A CN202010407179A CN111598438A CN 111598438 A CN111598438 A CN 111598438A CN 202010407179 A CN202010407179 A CN 202010407179A CN 111598438 A CN111598438 A CN 111598438A
Authority
CN
China
Prior art keywords
characteristic
gas circuit
subsequence
index
deviation value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010407179.8A
Other languages
English (en)
Other versions
CN111598438B (zh
Inventor
付旭云
周星杰
钟诗胜
张永健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202010407179.8A priority Critical patent/CN111598438B/zh
Publication of CN111598438A publication Critical patent/CN111598438A/zh
Application granted granted Critical
Publication of CN111598438B publication Critical patent/CN111598438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Educational Administration (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种民航发动机气路异常检测方法，属于航空发动机检测技术领域。本发明解决现有技术中采用单一特征参数对发动机进行异常检测存在片面性的问题，以及CNR报告中信息反馈存在滞后性无法满足早期预警需求的问题。本发明采取的技术方案包括将多维气路参数偏差值时间序列划分为子序列、子序列二次划分、筛选显著性特征参数，利用熵值评价法对末端特征进行评价及优选排序，确定异常检测特征矩阵以及采用孤立森林异常检测算法实现气路异常检测和早期预警的步骤。实验证明本发明能够较好地实现气路异常检测，对工程实际应用有深远的指导意义。

Description

基于分段拟合分析及评估的民航发动机气路异常检测方法
技术领域
本发明涉及航空发动机检测领域，涉及一种民航发动机气路异常检测方法。
背景技术
民航发动机是为飞机提供动力所需的重大产品，其一旦发生异常，必会引起不可估量的损失。因此，在每次飞行任务前对民航发动机气路部件及单元体进行性能检测，对维持发动机健康状态有着极为重要的作用。民航飞机在实际飞行过程中，由于民航发动机长时间工作于高温高压环境中，极易导致叶片侵蚀、异物破坏、燃料喷嘴堵塞、腐蚀、涡轮叶片间隙过大等问题，这使得发动机气路部件及单元体产生磨损与恶化，并使其性能随着工作时间产生衰退，主要反映在气路参数偏差值，其变化趋势充分反映了发动机性能健康状态，属于典型的时间序列数据。针对关键气路参数偏差值数据而言，其一旦出现异常极有可能表征发动机关键气路部件的故障以及飞行人员违规或误操作等问题。
民航发动机气路参数偏差值属于典型的多维时间序列数据，其非平稳、非线性、相关性、高维度等特征致使直接采用特征挖掘工具的效率变低且较难得到能够反映发动机气路性能状态的显著特征。考虑到发动机气路部件及单元体性能衰退是一个复杂机械系统退化过程，采用单一特征参数对发动机进行异常检测不可避免地存在片面性。考虑到部分特征参数存在求解难度大，计算成本高，不适用于在线数据分析的问题，选择合适的特征参数对于异常检测问题尤为关键。由于各时域特征参数在不同应用场景中表现出的适用性以及敏感性会有所不同，而理想的特征参数应当具备抗干扰鲁棒性、失效共驱性、个体普适性以及性能退化一致性等特点，仅通过考虑单一指标对特征参数的影响，进而评价优选的方法难免存在片面性。目前针对民航发动机状态特征参数评价方法研究较少，且无法克服片面性的缺陷。
工程实际中，各民航公司主要通过国外发动机制造商给出的CNR报告(CustomerNotification Report，CNR)中获取发动机发生异常的原因、诊断依据、故障类型、发生时刻以及表征发动机发生异常的各项气路性能参数变化情况。即异常发动机信息均来自于CNR报告，报告中所列异常点均为发动机制造商的性能监控系统分析所得，仅当制造商判定发动机出现异常时，才会进行异常记录，并以CNR报告形式反馈给航空公司，提供技术支持。然而，发动机出现异常不是一蹴而就的，有时极有可能在制造商判定为异常点的前几个飞行巡航就有明显异常征兆。其次，由于制造商与航空公司之间的信息反馈存在滞后性，极有可能导致民航公司未及时检修，以至于后几个连续飞行巡航点仍存在异常。虽然CNR报告中也能给出异常点，但是该点前后多个连续飞行巡航点的异常类别标签是模糊的。由此可见，航空发动机制造商与航空公司之间的信息反馈存在滞后性的问题。
因此，现有技术中还没有实现民航发动机气路异常检测及早期预警的解决方案。
发明内容
针对以上问题，本发明的目的是提供一种民航发动机气路异常检测方法，解决现有技术中采用单一特征参数对发动机进行异常检测存在片面性的问题，以及CNR报告中信息反馈存在滞后性无法满足早期预警需求的问题。本发明在分析气路异常模式在多维气路参数偏差值时间序列中表现规律的基础之上，确定时间序列子序列划分方法，通过分析趋势特征，提取多种气路状态的末端特征参数，计算各特征参数的性能指标，然后利用熵值评价法对气路形态特征进行评价及优选排序，进而确定气路异常检测特征矩阵，最后根据所提取的多维气路参数偏差值特征参数矩阵，通过构建孤立森林模型，挖掘气路通道的潜在异常模式，实现气路通道的早期故障预警。
为实现上述发明目的，本发明具体通过以下技术方案实现。
一种民航发动机气路异常检测方法，包括：
步骤1、将采集到的多维气路参数偏差值时间序列划分为子序列；多维气路参数偏差值时间序列包括排气温度偏差值时间序列、燃油流量偏差值时间序列和高压转子转速偏差值时间序列；
步骤2、将多维气路参数偏差值时间序列划分得到的子序列二次划分，采用双段直线拟合子序列，得到第一段直线和第二段直线，获取每段直线的斜率特征；
步骤3、在备选特征参数中筛选显著性特征参数，确定异常检测特征矩阵；相对于没有被筛选出的其他备选特征参数，显著性特征参数影响排气温度偏差值、燃油流量偏差值、高压转子转速偏差值的显著性程度更高；所述筛选通过计算各备选特征参数的性能指标，然后采用熵值法对备选特征参数进行评价及优选排序实现；
步骤4、采用孤立森林异常检测算法实现气路异常检测和早期预警。
优选地，步骤1中，采用等长有重叠滑动窗口划分方法，将原始多维气路参数偏差值时间序列划分为子序列，以固定长度的窗口段表示；具体包括以下步骤：
步骤1.1将多维气路参数偏差值时间序列样本集合记作X＝{XDEGT,XDFF,XDN2}，其中XDEGT,XDFF及XDN2分别是单个长度为T的排气温度偏差值时间序列、燃油流量偏差值时间序列、高压转子转速偏差值时间序列；
XDEGT可表示为
Figure BDA0002491745420000041
表示DEGT在第i时刻的数值，R表示实数域；
步骤1.2通过等长有重叠滑动窗口划分方法对XDEGT进行分段，具体划分表示如公式(1)所示；
Figure BDA0002491745420000042
式中：
Figure BDA0002491745420000043
——代表划分后第i个时间序列片段；
w——代表滑动窗口长度；
s——代表滑动步长；
d——代表划分后时间序列的片段总数，d＝(T-w)/s+1。
优选地，步骤2具体包括：
假设时间序列
Figure BDA0002491745420000051
是时间序列
Figure BDA0002491745420000052
的第i个子序列；
获取子序列模式斜率特征，即利用最小二乘法拟合当前子序列，获取该段子序列的趋势特征，计算方法如公式(2)：
Figure BDA0002491745420000053
式中：
Figure BDA0002491745420000054
——代表第i个子序列拟合直线的斜率；
Figure BDA0002491745420000055
——代表第i个子序列拟合直线的截距；
N——代表监测点数；
采用双段直线拟合当前子序列，进而获取更能表征发动机气路异常模式的末端斜率特征，采用基于分段最优化的子序列二次划分方法。
优选地，所述基于分段最优化的子序列二次划分方法如下：
设置拟合优度初值R0及初始节点i0，采用循环遍历的方法，利用最小二乘拟合并求取第一段子序列区间拟合回归平方和SSR1与残差平方和SSE1，第二段子序列区间拟合回归平方和SSR2与残差平方和SSE2，获取总体拟合优度R，并判断其是否是全局最大，若满足条件则输出拟合节点i，将子序列进一步划分为X[0:i]与X[i:n]，循环结束，式中SSR，SSE和R的计算方法如公式(3)～公式(5)所示。
Figure BDA0002491745420000056
式中：m——代表两段区间的划分点；
n——代表拟合样本总数；
Figure BDA0002491745420000061
——分别第i段区间的样本均值；
Figure BDA0002491745420000062
式中：
Figure BDA0002491745420000063
——代表样本拟合值；
Figure BDA0002491745420000064
优选地，步骤3中，采用相关性指标、单调性指标、离散性指标、鲁棒性指标作为各特征参数的评价指标，各评价指标的计算方法如公式(6)～(9)：
相关性指标Corr：
Figure BDA0002491745420000065
式中：X＝(x1,x2,...,xN)——代表某一时域特征参数序列；
T＝(t1,t2,...,tN)——代表特征参数序列对应时刻的时间序列；
N——代表监测点数；
单调性指标Mon：
Figure BDA0002491745420000066
式中：δ(x)——代表单位阶跃函数；
离散性指标D：
Figure BDA0002491745420000071
式中：xmax——代表特征参数序列的最大值；
xmin——代表特征参数序列的最小值；
σ(x)——代表特征参数序列的标准差；
Figure BDA0002491745420000072
——代表特征参数序列的均值；
鲁棒性指标Rob：
Figure BDA0002491745420000073
式中：
Figure BDA0002491745420000074
——代表特征参数序列的趋势序列；
获取子序列各末端特征，并利用评价指标计算公式(6)～(9)，分别对提取的末端特征参数进行评价。
优选地，在评价结果的基础上，分别对提取的末端特征参数进行评价根据以下公式(10)～(12)，得到各指标权重w＝{wCorr,wMon,wD,wRob}，从而对各特征参数进行评价及优选排序；
首先，计算第j项指标下第i个特征参数占该指标的比重：
Figure BDA0002491745420000075
其次，计算第j项指标的输出熵：
Figure BDA0002491745420000076
然后，根据输出熵Hj，计算相应的权值：
Figure BDA0002491745420000077
优选地，异常检测特征矩阵采用末端特征来代替全局特征，多维气路参数偏差值时间序列子序列Xi的特征参数矩阵表示为式(13)，
Figure BDA0002491745420000081
式中：
Figure BDA0002491745420000082
——代表子序列末端斜率特征；
Figure BDA0002491745420000083
——代表子序列末端峭度特征；
Figure BDA0002491745420000084
——代表子序列末端方根幅值特征；
Figure BDA0002491745420000085
——代表子序列末端均值特征。
优选地，步骤4包括：
定义气路参数偏差值特征参数集合F，存在一棵具有N个节点的二叉树iTree，每个节点Nijr或Nijl代表F的子集，其中i代表二叉树iTree的层数，j代表上一层从左至右的第j个节点，l与r分别是同层的左右节点；针对某层所包含的特征参数子集Xij，随机选择样本属性q及其值域的空间取值p划分X(i+1)j*l与X(i+1)(j*+1)r，对应节点集N(i+1)j*l与N(i+1)(j*+1)r，小于等于p的数据划分至N(i+1)j*l，相反划分至N(i+1)(j*+1)r，其中j*代表第i+1层从左至右的第j*个节点；当树的深度达到事先预设的最大值或者Nij包含仅且包含一个特征点或所包含的特征点相同时，隔离气路异常点，实现早期预警；
针对样本x，遍历每一个iTree并计算x的平均高度，平均高度越小，则表示异常程度越高，越易被检测出来；
针对气路参数偏差值特征集合F，构建孤立森林并对其进行异常检测，对每一个特征点x重复上述步骤。
优选地，所述备选特征参数包括：均值、平均幅值、方根幅值、峭度、峭度指标、峰值、峰值指标、峰峰值、裕度指标、脉冲指标、波形指标、均方根值、斜率。
优选地，所述多维气路参数偏差值时间序列采集自发动机制造商给出的CNR报告；所述异常包括EGT指示异常、VBV系统异常以及低压涡轮间隙控制系统异常。
相较于现有技术，本发明取得以下显著的有益效果：
本发明通过等长有重叠滑动窗口划分方法实现子序列方法，在保留原有时间序列更丰富的形态特征的同时，保持时间序列在时间上的依赖性；通过采取基于分段最优拟合的子序列二次划分方法，实现时间序列末端特征提取与其相应性能指标计算，利用熵值评价法对末端特征进行评价及优选排序，为气路异常检测提供基础；针对飞行数据类别标签难获取的问题，本发明采用基于孤立森林的无监督异常检测方法捕获气路异常状态独有的数据模式，进而实现民航发动机气路异常检测及早期预警，提高性能监控稳定性和可靠性。本发明能够较好地实现气路异常检测，对工程实际应用有深远的指导意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是气路演化异常模式示意图；
图2是气路突变异常模式示意图；
图3是#699833民航发动机气路演化异常斜率特征提取结果；
图4是#699640民航发动机气路突变异常斜率特征提取结果；
图5是基于分段最优化的子序列二次划分方法流程图；
图6是孤立森林算法流程图；
图7是基于孤立森林的民航发动机气路异常检测方法；
图8是实施例二八组对比实验对应的混淆矩阵；
图9是实施例二五台发动机四种对比实验对应的混淆矩阵；
图10是实施例二各台发动机发生异常的前后10个连续飞行巡航点的预测类别结果。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
实施例一
民航发动机气路参数偏差值属于典型的多维时间序列数据且无标签信息，参数之间具有耦合效应，为精准挖掘表征民航发动机异常状态的数据模式，必须综合考虑多维时间序列的时间相关性和空间相关性，才能提高气路异常检测的准确性和稳定性。
时间序列中的异常形式可定义为两类异常，分别是序列形式异常与点形式异常。在发动机气路异常检测中，上述两类异常又可分别称为气路演化异常与气路突变异常。
气路演化异常是指发动机气路部件性能随工作年限逐渐衰退，并表现为多个气路参数偏差值的衰退速率逐渐偏离了正常的衰退速率的异常模式，如图1所示。通过图1可看出，当民航发动机出现气路演化异常时前100个飞行循环点的各个关键气路参数偏差值的变化趋势。在前段部分，各项气路参数偏差值指标均呈稳定状态，但随着工作时间的累积，DEGT(涡轮后燃气温度偏差)逐渐增大，而DN2(高压转子转速偏差，Delta N2)以及DFF(Delta Fuel Flow，燃油流量偏差值)则保持平稳，并最终在第100个飞行循环点时发生异常。综合来看，该台发动机出现的异常模式属于典型的气路演化异常。
气路突变异常是指气路参数偏差值中偏离期望的异常模式，如图2所示。通常，相邻飞行巡航数据点之间具有前后依赖关系(时空性)，若其依赖关系受到外界干扰破裂，继而发生突变异常，经常表现为1个或多个气路参数偏差值出现较大的突变。从图2中可看出，当民航发动机出现VBV系统(Variable Bleed Valve，可变放气活门系统)异常时前100个飞行循环点的各个关键气路参数偏差值的变化趋势。在第98个飞行循环点之前各项气路参数偏差值指标均呈稳定状态，但在第98个飞行循环点开始时，DEGT、DFF以及DN2瞬间增大，并最终在第100个飞行循环点时发生异常。综合来看，该台发动机出现的异常模式属于典型的气路突变异常。
图1和图2选自两台型号为CFM56-5B2/3的民航发动机出现异常前的100个飞行巡航点，其表征的异常分别为排气温度指示异常(Exhaust Gas Temperature，EGT)以及可变放气活门系统异常(Variable Bleed Valve，VBV)。结合图1和图2可知，对民航发动机气路进行异常检测时，不仅需要考虑关键气路参数偏差值之间的空间聚合特征，还需考虑各参数不同采样点之间关系的时变特征。由于非平稳、非线性、相关性、高维度等特征致使直接采用特征挖掘工具分析多维气路参数偏差值时间序列数据之间的关联关系，进而挖掘异常模式的效率变低且较难得到能够表征发动机异常模式的显著特征。因此，为了提高民航发动机气路异常检测的准确率以及诊断模型的泛化性，需要通过融合发动机气路异常检测先验知识提取各维度时间序列的连续变化趋势特征，实现多维气路参数偏差值特征表示。
本实施例通过筛选所有CNR报告，从CFM56-5B2/3型号发动机中选取至少发生过一次气路异常的发动机，按照CNR报告中提供的异常时间以及异常模式，筛选数据样本并将其划分为正常样本与异常样本。如上所述，共收集到5台出现异常的民航发动机，发生的异常模式分别是EGT指示异常、VBV系统异常以及低压涡轮间隙控制系统异常(Low PressureTurbine Active Clearance Control，LPTACC)，上述5台发动机的数据样本分布统计如表1所示。
表1数据样本分布统计
Figure BDA0002491745420000121
本实施的民航发动机气路异常检测方法具体包括时间序列子序列划分、时间序列子序列二次划分、时间序列特征参数提取、基于孤立森林的气路异常检测步骤。以下结合数据和附图进行详细说明。
步骤一、时间序列子序列划分。
本实施例采用等长有重叠滑动窗口划分方法，将原始时间序列以固定长度的窗口段表示，分段分析隐含在子序列中的显著特征参数，不仅能够保留原有时序数列更丰富的特征参数的同时，又可以保持时序数据在时间上的依赖性。
首先，将多维气路参数偏差值序列样本集合记作
X＝{XDEGT,XDFF,XDN2}，其中XDEGT,XDFF及XDN2分别是单个长度为T的时间序列。
以下针对XDEGT为例进行说明，XDEGT可表示为
Figure BDA0002491745420000131
表示DEGT在第i时刻的数值，R表示实数域。
然后，通过等长有重叠滑动窗口划分方法对XDEGT进行分段，具体划分表示如公式(1)所示。
XDEGT可表示为：
Figure BDA0002491745420000132
式中：
Figure BDA0002491745420000133
——代表划分后第i个时间序列片段；
w——代表滑动窗口长度；
s——代表滑动步长；
d——代表划分后时间序列的片段总数，d＝(T-w)/s+1。
步骤二、时间序列子序列二次划分。
通过分析民航发动机气路性能衰退影响因素，考虑到发动机气路部件性能衰退是一个复杂机械系统退化过程，其性能随工作年限逐渐产生衰退，而气路异常模式往往表征在其衰退趋势上，因此趋势中隐含着大量代表性信息，为此本实施例将如下进一步分析模式斜率特征。
假设时间序列
Figure BDA0002491745420000141
是时间序列
Figure BDA0002491745420000142
的第i个子序列。
模式斜率：利用最小二乘法拟合当前子序列，获取该段子序列的趋势特征，其计算方法如公式(2)所示。
Figure BDA0002491745420000143
式中：
Figure BDA0002491745420000144
——代表第i个子序列拟合直线的斜率；
Figure BDA0002491745420000145
——代表第i个子序列拟合直线的截距；
N——代表监测点数。
子序列模式斜率特征可通过公式(2)获取，为直观展示子序列斜率特征在异常模式下的表现形式，以下分别选取发生过气路演化异常与气路突变异常的民航发动机进行说明，如图3(a)及图4(a)所示。
从图3(a)以及图4(a)可见，当采用单段直线拟合当前子序列时，由于其斜率特征受到异常点影响较大，只能表现出时间序列的全局性特征，故无法精准表征其性能衰退趋势。考虑到需要实时监测并分析发动机气路参数偏差值时间序列数据，因此异常模式往往出现于子序列后半段，为此本实施例采用双段直线拟合当前子序列，进而获取更能表征发动机气路异常模式的末端斜率特征，基于分段最优化的子序列二次划分方法的结果分别如图3(b)及图4(b)所示，具体计算流程图如图5所示：
首先设置拟合优度初值R0及初始节点i0，采用循环遍历的方法，利用最小二乘拟合并求取第一段子序列区间拟合回归平方和SSR1与残差平方和SSE1，第二段子序列区间拟合回归平方和SSR2与残差平方和SSE2，获取总体拟合优度R，并判断其是否是全局最大，若满足条件则输出拟合节点i，将子序列进一步划分为X[0:i]与X[i:n]，循环结束，式中SSR，SSE和R的计算方法如公式(3)～公式(5)所示。
Figure BDA0002491745420000151
式中：m——代表两段区间的划分点；
n——代表拟合样本总数；
Figure BDA0002491745420000152
——分别第i段区间的样本均值；
Figure BDA0002491745420000153
式中：
Figure BDA0002491745420000154
——代表样本拟合值；
Figure BDA0002491745420000155
步骤三、时间序列特征参数提取。
为避免采用单一特征参数对发动机进行异常检测存在片面性，本实施例基于气路演化异常以及突变异常的知识引导下，在时间序列分段表示的基础之上，通过提取各分段后子序列的特征参数，将多维气路参数偏差值时间序列映射到多维特征空间中，并将提取后的特征参数组合为特征矩阵。考虑到部分特征参数存在求解难度大，计算成本高，不适用于在线数据分析的问题，选择合适的特征参数对于异常检测问题尤为关键。
表2给出了常见时域特征参数以及其相应计算公式。
为克服目前针对民航发动机状态特征参数评价方法仅通过考虑单一指标对特征参数的影响进而存在片面性的缺陷，本实施例提出以下指标建立各特征参数的评价体系，各评价指标的计算方法如公式(6)～(9)所示。
相关性指标(Corr)：
Figure BDA0002491745420000161
式中：X＝(x1,x2,...,xN)——代表某一时域特征参数序列；
T＝(t1,t2,...,tN)——代表特征参数序列对应时刻的时间序列；
N——代表监测点数。
表2常用时域特征参数
Figure BDA0002491745420000162
Figure BDA0002491745420000171
单调性指标(Mon)：
Figure BDA0002491745420000172
式中：δ(x)——代表单位阶跃函数。
离散性指标(D)：
Figure BDA0002491745420000173
式中：xmax——代表特征参数序列的最大值；
xmin——代表特征参数序列的最小值；
σ(x)——代表特征参数序列的标准差；
Figure BDA0002491745420000174
——代表特征参数序列的均值；
鲁棒性指标(Rob)：
Figure BDA0002491745420000175
式中：
Figure BDA0002491745420000176
——代表特征参数序列的趋势序列。
以下针对#699833民航发动机的XDEGT的特征参数提取方法为例进行说明：
根据对时间序列趋势特征提取分析发现，子序列末端特征能更好地表征发动机气路异常模式，因此本实施例通过表2中所列的各项特征参数计算公式，获取XDEGT子序列各末端特征，并利用评价指标计算公式(6)～(9)，分别对提取的13种末端特征参数进行评价，评价结果如表3所示。
表3#699833民航发动机DEGT的特征参数评价指标
Figure BDA0002491745420000181
由于各指标的评价优选权重缺乏统一的标准，本实施例从信息论的角度，利用熵值评价法实现多度量的气路参数偏差值特征参数综合评价方法。通常在决策中，评价指标所提供的的信息量越大，则表现出不同特征参数之间所体现的差异度越大，该指标也就能更好地区分特征参数之间的优劣。因此，指标权重越大，则其在优选排序中的作用也就更大。具体实现过程如下：
首先，计算第j项指标下第i个特征参数占该指标的比重：
Figure BDA0002491745420000182
其次，计算第j项指标的输出熵：
Figure BDA0002491745420000183
然后，根据输出熵Hj，计算相应的权值：
Figure BDA0002491745420000191
根据公式(10)～(12)及表3中特征参数评价指标，可得到各指标权重w＝{wCorr,wMon,wD,wRob}＝{0.248,0.251,0.249,0.252}，从而对XDEGT各特征参数进行评价及优选排序，结果如表4所示。
表4#699833民航发动机DEGT各特征参数评价及优选排序
Figure BDA0002491745420000192
通过表4中XDEGT的各综合指标的排序结果来看，排在前列的特征参数可认定为显著性参数，而排在后列的参数则极有可能为冗余特征。由于冗余特征会影响异常检测模型的诊断精度及计算成本，因此需要根据各特征的显著性程度对其进行筛选。其次，考虑到不仅单台发动机各关键参数偏差值的各项显著性特征会有所差异，且上述特征在不同发动机之间，其显著性同样会有所差异。在工程实际应用中，针对不同发动机采用不同异常检测特征矩阵，这无疑会对其实际应用带来不便。为此，首先需要根据如上步骤，选取某几台发动机并获取相应特征参数评价及优选排序结果，进而对上述各台发动机之间各关键气路参数偏差值显著性特征的综合指标进行加权求和，获取综合评价指数，进而避免上述情况发生，使不同发动机之间采用相同的特征矩阵进行异常检测，综合评价指数结果如表5所示。
表5气路参数偏差值时间序列特征参数的综合评价指数
Figure BDA0002491745420000201
通过表5中气路参数偏差值时间序列特征参数的综合评价指数来看，均值、方根幅值、峭度以及斜率均为影响DEGT、DFF以及DN2的显著性特征。综上，异常检测特征矩阵均采用末端特征来代替全局特征，多维气路参数偏差值子序列Xi的特征参数矩阵最终可表示为式(13)。
Figure BDA0002491745420000202
式中：
Figure BDA0002491745420000211
——代表子序列末端斜率特征；
Figure BDA0002491745420000212
——代表子序列末端峭度特征；
Figure BDA0002491745420000213
——代表子序列末端方根幅值特征；
Figure BDA0002491745420000214
——代表子序列末端均值特征；
步骤四、基于孤立森林的气路异常检测。
孤立森林是一种基于随机二叉树的无监督异常检测方法，适用于连续型数据。孤立森林算法不同于其他异常检测算法通过距离或密度刻画样本稀疏程度，而是对样本点的孤立来检测异常值，下面将对孤立森林的算法流程和训练方式进行详细说明。
孤立森林(Isolation Forest，iForest)由n棵孤立树组成，每棵树均是一个名为iTree的二叉搜索树结构，算法流程图如图6所示。定义气路特征参数集合F，存在一棵具有N个节点的二叉树iTree，每个节点Nijr或Nijl代表F的子集，其中i代表二叉树iTree的层数，j代表上一层从左至右的第j个节点，l与r分别是同层的左右节点。针对某层所包含的特征参数子集Xij，随机选择样本属性q及其值域的空间取值p划分X(i+1)j*l与X(i+1)(j*+1)r，对应节点集N(i+1)j*l与N(i+1)(j*+1)r，小于等于p的数据划分至N(i+1)j*l，相反划分至N(i+1)(j*+1)r，其中j*代表第i+1层从左至右的第j*个节点。当树的深度达到事先预设的最大值或者Nij包含仅且包含一个特征点或所包含的特征点相同时，隔离气路异常点，实现早期预警。针对测试样本x，遍历每一个iTree并计算x的平均高度，平均高度越小，则表示异常程度越高，越易被检测出来。
针对气路参数偏差值特征集合F，构建孤立森林并对其进行异常检测，对每一个特征点x重复上述步骤。由于民航发动机的设计与制造过程中，其稳定性与精密性受到严格把控，从而保障发动机在运行过程中发生故障的几率降低至极限，因此极难获得民航发动机异常样本，兼之其自身数据量巨大，往往无法为已有样本打上足量且准确的异常或正常标签，从而导致正常样本与异常样本间存在模式极端不平衡的情况，因此异常点是极其稀疏的。然而，通过孤立森林算法，可以快而准地将异常点检测出来。
基于孤立森林的民航发动机气路异常检测方法如图7所示。首先需要查找资料分析气路异常在多维气路参数偏差值时间序列中的表现规律，其次确定时间序列子序列划分方法，然后在异常表现规律知识的基础之上，初步筛选特征参数，计算各特征参数的性能指标，最后采用熵值法对所选的初筛特征参数进行评价及优选排序，进而确定异常检测特征矩阵，以实现多维气路参数偏差值时间序列特征表示方法，最后利用孤立森林异常检测算法实现气路异常早期预警。
实施例二
本实施例二通过实验对实施例一所提出的检测方法进行验证。实验中用到的数据集如实施例一中表1所示，均选自型号为CFM56-5B2/3且出现过异常模式的5台民航发动机，异常模式分别为EGT指示异常、LPTACC异常以及VBV系统异常。由于三种不同异常模式的检测方法类似，因此本实验选取其中一台出现过EGT指示异常的民航发动机为例进行实验说明，该台发动机序列号为#697950，根据CNR报告，本实验共收集到5880个样本，其中正常样本5879个，异常样本1个，样本的部分数据以及其分布情况分别如表6与表7所示。
表6#697950民航发动机部分数据
Figure BDA0002491745420000231
表7样本分布情况
Figure BDA0002491745420000232
如表6所示，本实施例所用型号为CFM56-5B2/3的民航发动机历史巡航数据同样需要消除参数之间的量纲影响，采用Z-score标准化预处理方法，以便样本参数之间具有可比性，并且能够提高网络训练速率。
由于过短的子序列滑动窗口大小无法真实反映气路性能衰退趋势，但滑动窗口大小过长则会增加模型计算成本。综合考虑，子序列划分方法中的滑动窗口大小w设置为50。同时为实时监测发动机性能状态，监控系统便会在每个飞行循环中分析一次气路性能状态，将滑动步长s设置为1。
孤立森林异常检测算法的精度会随采样大小的增多而提高，但当其数量大于特定阈值时，精度会趋于收敛，异常检测模型的时间复杂度则会显著提高，因此本实验将采样大小
Figure BDA0002491745420000233
设置为256；iTree的棵树设置为100；最大树高I设置为
Figure BDA0002491745420000234
根据所使用的发动机数据集，将污染量α设置为0.01，用于定义决策函数的阈值。
为比较不同异常检测方法的诊断效果，本实施例的实验采用准确率与G-mean作为异常检测模型的评价指标。准确率(Accuracy)代表正确分类的样本数目占总样本数的比例，而G-mean通常作为不平衡数据分类的评价指标，由召回率(Recall)以及特异度(Specificity)综合评价，各评价指标的计算公式如式(14)～式(17)所示，其中TP代表预正实正，FP代表预正实负，FN代表预负实正，TN代表预负实负。
Figure BDA0002491745420000241
Figure BDA0002491745420000242
Figure BDA0002491745420000243
Figure BDA0002491745420000244
为了验证本发明所提出的异常检测模型对民航发动机气路异常具有良好的识别能力，本实施例进行两组实验：
第一组实验验证本发明所提特征参数矩阵的准确性，以#697950发动机为例进行说明，其中共八组对比实验，首先考虑末端均值特征独立影响下的实验结果，并以相同方法考虑末端方根幅值特征及末端峭度特征，其次考虑末端均值特征与末端方根幅值特征耦合影响下的实验结果，并以相同方法考虑其余俩俩耦合下的实验结果，然后考虑三者耦合影响下的实验结果，最后考虑在三者耦合影响下，引入末端斜率特征的实验结果。依次完成第一组实验的各对比实验，实验结果如表8所示，同时将各个对比实验具体的分类结果以混淆矩阵的形式进行表示，如图8所示。
表8第一组实验结果
Figure BDA0002491745420000245
通过表8中准确率及G-mean等评价指标，可以综合看出第八组对比实验所得效果更优异，其可准确地检测出该台发动机所出现的气路异常情况。而前七组对比实验均未能检测出，原因在于该台发动机所出现的异常为气路演化异常，发动机性能会随工作年限逐渐衰退，为此需要重点考虑其衰退趋势。因此当引入末端趋势特征并结合三个优选末端特征参数时，能较好地挖掘气路演化异常模式，实现气路异常检测。
第二组实验验证本发明所提异常检测方法的优越性，其中共四组对比实验，第一组对比实验直接利用孤立森林算法对原始气路参数偏差值进行气路异常检测，第二组对比实验利用卷积自编码器对多维气路参数偏差值时间序列进行特征提取，再结合孤立森林算法进行异常检测，第三组对比实验利用未进行二次分段获取的特征矩阵，结合孤立森林算法进行异常检测，第四组对比实验利用末端特征矩阵，结合孤立森林算法进行异常检测，即本发明所提出的多维气路参数偏差值特征表示及异常检测方法。依次完成五台发动机的对比实验，各对比实验结果如表9所示，并将各对比实验的具体分类结果以混淆矩阵的形式进行表示，如图9所示
表9第二组实验结果
Figure BDA0002491745420000251
Figure BDA0002491745420000261
通过表9中准确率及G-mean等评价指标，可以看出本发明所提出的检测方法(实验四)所得效果更优异，其可准确地检测出五台民航发动机所出现的三类气路异常情况。而第一组对比实验只能检测出VBV系统异常以及LPACC异常，原因在于这两类异常模式属于典型的气路突变异常，往往通过分析三个关键气路参数偏值之间的数据关系，就能被较好地检测出来。然而，其无法检测出EGT指示异常，其根本原因在于EGT指示异常表征出的异常模式属于典型的气路演化异常，民航发动机性能会随时间逐渐衰退，因此需要重点考虑各关键参数在时序上的依赖性。第二组对比实验能够检测出四台发动机异常情况，未能识别#697950发动机异常模式，进一步说明卷积自编码器虽然可以实现自动提取多维时序数列特征，但是其无法精准捕捉特征之间的主次程度。实验三的结果表明未进行二次分段获取的特征矩阵无法精准表征发动机气路性能衰退趋势，因此导致异常检测结果较差。
而本发明所提出的方法首先通过结合气路演化异常与突变异常的先验知识，有目标地对分割后子序列的显著特征进行提取。其次，考虑到气路演化异常与其衰退趋势有着密不可分的关系，进而发现采用双段直线拟合子序列获取的末端斜率特征相较于单段直线拟合获取的斜率特征更能表征发动机气路异常模式。在此基础之上，通过初步筛选末端特征参数，并计算各参数的性能指标，利用熵值评价法对其进行评价及优选排序，最终获取异常检测特征矩阵，实现气路异常检测及早期预警，上述显著特征决定了异常检测的诊断精度，因此可以较好地实现气路演化异常的识别。
由于筛选的异常发动机信息均来自于CNR报告，报告中所列异常点均为发动机制造商的性能监控系统分析所得，仅当制造商判定发动机出现异常时，才会进行异常记录，并以CNR报告形式反馈给航空公司，提供技术支持。然而，发动机出现异常不是一蹴而就的，有时极有可能在制造商判定为异常点的前几个飞行巡航就有明显异常征兆。其次，由于制造商与航空公司之间的信息反馈存在滞后性，极有可能导致民航公司未及时检修，以至于后几个连续飞行巡航点仍存在异常。因此，虽然CNR报告中给出了异常点，但是该点前后多个连续飞行巡航点的异常类别标签是模糊的。
为验证上述情况，将实验二所获得的五台发动机四个对比实验的结果作进一步筛选，分别绘制各台发动机发生异常的前后10个连续飞行巡航点的预测类别，如图10所示。
通过图10可以明显看到五台发动机发生异常前后10个连续飞行巡航点的预测类别结果。针对气路异常检测是否存在提前征兆的问题，本发明提出的异常检测方法在对#699833发动机以及#699640发动机进行异常检测时，相比于CNR报告中给出的异常时刻提前了一个飞行巡航点。而针对制造商与航空公司之间的信息反馈存在滞后性的问题，本发明相比于其他异常检测方法，能够较好地实现异常点过后多个连续巡航点的异常检测。综上，本发明能够较好地实现气路异常检测，对工程实际中具有应用价值。
以上两个具体实施例对本发明的技术方案及验证实验进行了详细说明。民航发动机气路参数偏差值属于典型的多维时间序列数据且无标签信息，为精准挖掘表征民航发动机异常状态的数据模式，本发明通过分析气路突发异常与演化异常案例，获取气路突发异常与演化异常在多维气路参数偏差值时间序列中的表现规律。在此基础之上，通过等长有重叠滑动窗口划分方法实现子序列方法，在保留原有时间序列更丰富的形态特征的同时，保持时间序列在时间上的依赖性。基于分段最优拟合的子序列二次划分方法，实现时间序列末端特征提取与其相应性能指标计算，利用熵值评价法对末端特征进行评价及优选排序，为气路异常检测提供基础。考虑到飞行数据类别标签难获取，本章采用基于孤立森林的无监督异常检测方法捕获气路异常状态独有的数据模式，进而实现民航发动机气路异常检测及早期预警，提高性能监控稳定性和可靠性。
需要说明的是，本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种民航发动机气路异常检测方法，其特征在于所述方法包括：
步骤1、将采集到的多维气路参数偏差值时间序列划分为子序列；多维气路参数偏差值时间序列包括排气温度偏差值时间序列、燃油流量偏差值时间序列和高压转子转速偏差值时间序列；
步骤2、将多维气路参数偏差值时间序列划分得到的子序列二次划分，采用双段直线拟合子序列，得到第一段直线和第二段直线，获取每段直线的斜率特征；
步骤3、在备选特征参数中筛选显著性特征参数，确定异常检测特征矩阵；相对于没有被筛选出的其他备选特征参数，显著性特征参数影响排气温度偏差值、燃油流量偏差值、高压转子转速偏差值的显著性程度更高；所述筛选通过计算各备选特征参数的性能指标，然后采用熵值法对备选特征参数进行评价及优选排序实现；
步骤4、采用孤立森林异常检测算法实现气路异常检测和早期预警。
2.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
步骤1中，采用等长有重叠滑动窗口划分方法，将原始多维气路参数偏差值时间序列划分为子序列，以固定长度的窗口段表示；具体包括以下步骤：
步骤1.1将多维气路参数偏差值时间序列样本集合记作X＝{XDEGT,XDFF,XDN2}，其中XDEGT,XDFF及XDN2分别是单个长度为T的排气温度偏差值时间序列、燃油流量偏差值时间序列、高压转子转速偏差值时间序列；
XDEGT可表示为
Figure FDA0002491745410000021
Figure FDA0002491745410000022
表示DEGT在第i时刻的数值，R表示实数域；
步骤1.2通过等长有重叠滑动窗口划分方法对XDEGT进行分段，具体划分表示如公式(1)所示；
XDEGT可表示为：
Figure FDA0002491745410000023
式中：
Figure FDA0002491745410000024
——代表划分后第i个时间序列片段；
w——代表滑动窗口长度；
s——代表滑动步长；
d——代表划分后时间序列的片段总数，d＝(T-w)/s+1。
3.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
步骤2具体包括：
假设时间序列
Figure FDA0002491745410000025
是时间序列
Figure FDA0002491745410000026
的第i个子序列；
获取子序列模式斜率特征，即利用最小二乘法拟合当前子序列，获取该段子序列的趋势特征，计算方法如公式(2)：
Figure FDA0002491745410000031
式中：
Figure FDA0002491745410000032
——代表第i个子序列拟合直线的斜率；
Figure FDA0002491745410000033
——代表第i个子序列拟合直线的截距；
N——代表监测点数；
采用双段直线拟合当前子序列，进而获取更能表征发动机气路异常模式的末端斜率特征，采用基于分段最优化的子序列二次划分方法。
4.根据权利要求3所述的一种民航发动机气路异常检测方法，其特征在于：
所述基于分段最优化的子序列二次划分方法如下：
设置拟合优度初值R0及初始节点i0，采用循环遍历的方法，利用最小二乘拟合并求取第一段子序列区间拟合回归平方和SSR1与残差平方和SSE1，第二段子序列区间拟合回归平方和SSR2与残差平方和SSE2，获取总体拟合优度R，并判断其是否是全局最大，若满足条件则输出拟合节点i，将子序列进一步划分为X[0:i]与X[i:n]，循环结束，式中SSR，SSE和R的计算方法如公式(3)～公式(5)所示。
Figure FDA0002491745410000034
式中：m——代表两段区间的划分点；
n——代表拟合样本总数；
Figure FDA0002491745410000041
——分别第i段区间的样本均值；
Figure FDA0002491745410000042
式中：
Figure FDA0002491745410000043
——代表样本拟合值；
Figure FDA0002491745410000044
。
5.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
步骤3中，采用相关性指标、单调性指标、离散性指标、鲁棒性指标作为各特征参数的评价指标，各评价指标的计算方法如公式(6)～(9)：
相关性指标Corr：
Figure FDA0002491745410000045
式中：X＝(x1,x2,...,xN)——代表某一时域特征参数序列；
T＝(t1,t2,...,tN)——代表特征参数序列对应时刻的时间序列；
N——代表监测点数；
单调性指标Mon：
Figure FDA0002491745410000046
式中：δ(x)——代表单位阶跃函数；
离散性指标D：
Figure FDA0002491745410000051
式中：xmax——代表特征参数序列的最大值；
xmin——代表特征参数序列的最小值；
σ(x)——代表特征参数序列的标准差；
Figure FDA0002491745410000052
——代表特征参数序列的均值；
鲁棒性指标Rob：
Figure FDA0002491745410000053
式中：
Figure FDA0002491745410000054
——代表特征参数序列的趋势序列；
获取子序列各末端特征，并利用评价指标计算公式(6)～(9)，分别对提取的末端特征参数进行评价。
6.根据权利要求5所述的一种民航发动机气路异常检测方法，其特征在于：
在评价结果的基础上，分别对提取的末端特征参数进行评价根据以下公式(10)～(12)，得到各指标权重w＝{wCorr,wMon,wD,wRob}，从而对各特征参数进行评价及优选排序；
首先，计算第j项指标下第i个特征参数占该指标的比重：
Figure FDA0002491745410000055
其次，计算第j项指标的输出熵：
Figure FDA0002491745410000056
然后，根据输出熵Hj，计算相应的权值：
Figure FDA0002491745410000061
7.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
异常检测特征矩阵采用末端特征来代替全局特征，多维气路参数偏差值时间序列子序列Xi的特征参数矩阵表示为式(13)，
Figure FDA0002491745410000062
式中：
Figure FDA0002491745410000063
——代表子序列末端斜率特征；
Figure FDA0002491745410000064
——代表子序列末端峭度特征；
Figure FDA0002491745410000065
——代表子序列末端方根幅值特征；
Figure FDA0002491745410000066
——代表子序列末端均值特征。
8.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
步骤4包括：
定义气路参数偏差值特征参数集合F，存在一棵具有N个节点的二叉树iTree，每个节点Nijr或Nijl代表F的子集，其中i代表二叉树iTree的层数，j代表上一层从左至右的第j个节点，l与r分别是同层的左右节点；针对某层所包含的特征参数子集Xij，随机选择样本属性q及其值域的空间取值p划分X(i+1)j*l与X(i+1)(j*+1)r，对应节点集N(i+1)j*l与N(i+1)(j*+1)r，小于等于p的数据划分至N(i+1)j*l，相反划分至N(i+1)(j*+1)r，其中j*代表第i+1层从左至右的第j*个节点；当树的深度达到事先预设的最大值或者Nij包含仅且包含一个特征点或所包含的特征点相同时，隔离气路异常点，实现早期预警；
针对样本x，遍历每一个iTree并计算x的平均高度，平均高度越小，则表示异常程度越高，越易被检测出来；
针对气路参数偏差值特征集合F，构建孤立森林并对其进行异常检测，对每一个特征点x重复上述步骤。
9.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
所述备选特征参数包括：均值、平均幅值、方根幅值、峭度、峭度指标、峰值、峰值指标、峰峰值、裕度指标、脉冲指标、波形指标、均方根值、斜率。
10.根据权利要求1所述的一种民航发动机气路异常检测方法，其特征在于：
所述多维气路参数偏差值时间序列采集自发动机制造商给出的CNR报告；所述异常包括EGT指示异常、VBV系统异常以及低压涡轮间隙控制系统异常。
CN202010407179.8A 2020-05-14 2020-05-14 基于分段拟合分析及评估的民航发动机气路异常检测方法 Active CN111598438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407179.8A CN111598438B (zh) 2020-05-14 2020-05-14 基于分段拟合分析及评估的民航发动机气路异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407179.8A CN111598438B (zh) 2020-05-14 2020-05-14 基于分段拟合分析及评估的民航发动机气路异常检测方法

Publications (2)

Publication Number Publication Date
CN111598438A true CN111598438A (zh) 2020-08-28
CN111598438B CN111598438B (zh) 2023-05-26

Family

ID=72188938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407179.8A Active CN111598438B (zh) 2020-05-14 2020-05-14 基于分段拟合分析及评估的民航发动机气路异常检测方法

Country Status (1)

Country Link
CN (1) CN111598438B (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287776A (zh) * 2020-10-15 2021-01-29 上海明略人工智能(集团)有限公司 轴承性能指标分析方法、系统、可读存储介质及电子设备
CN112445844A (zh) * 2020-11-27 2021-03-05 重庆医药高等专科学校 大数据平台财务数据管理控制系统
CN113392914A (zh) * 2021-06-22 2021-09-14 北京邮电大学 一种基于数据特征的权重来构建孤立森林的异常检测算法
CN113465913A (zh) * 2021-06-11 2021-10-01 电子科技大学 一种核电阀门的故障特征提取及优选方法
CN113822379A (zh) * 2021-11-22 2021-12-21 成都数联云算科技有限公司 工艺制程异常分析方法、装置、电子设备及存储介质
CN114065862A (zh) * 2021-11-18 2022-02-18 南京航空航天大学 一种多维时序数据异常检测方法和系统
CN114997313A (zh) * 2022-06-07 2022-09-02 厦门大学 一种海洋在线监测数据的异常检测方法
CN115081966A (zh) * 2022-08-22 2022-09-20 南通俊朗智能科技有限公司 异常状态监控方法及应用该方法的铝合金挤压工艺控制器
CN115526241A (zh) * 2022-09-13 2022-12-27 成都飞机工业（集团）有限责任公司 一种航空液压泵站实时异常检测方法、装置、设备及介质
CN115664038A (zh) * 2022-12-27 2023-01-31 山东科华电力技术有限公司 一种用于电气安全管理的智能配电运维监控系统
CN116011894A (zh) * 2023-03-28 2023-04-25 河北长发铝业股份有限公司 一种铝合金棒生产数据管理系统
CN116469251A (zh) * 2023-03-31 2023-07-21 东南大学 一种面向轨迹数据的车辆异常数据筛选方法
CN116804412A (zh) * 2023-08-22 2023-09-26 济宁鲁威液压科技股份有限公司 一种液压系统的监测数据处理方法
CN117370906A (zh) * 2023-08-21 2024-01-09 长江生态环保集团有限公司 基于单点和时间序列异常检测的爆管检测及性能评估方法
CN117454096A (zh) * 2023-12-25 2024-01-26 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117928655A (zh) * 2024-03-22 2024-04-26 济宁万生环保材料有限公司 一种物料反应瞬时酸价数据在线监测系统
CN117951616A (zh) * 2024-03-27 2024-04-30 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法
CN118470051A (zh) * 2024-07-12 2024-08-09 国网江西省电力有限公司电力科学研究院 基于实例分割的电力设备绝缘子串红外温度异常检测方法
CN118468199A (zh) * 2024-07-11 2024-08-09 陕西大才科技有限公司 一种航空发动机数据异常检测方法及系统
CN118587514A (zh) * 2024-08-06 2024-09-03 浙江管卫建设有限公司 一种管道cctv检测信息管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985632A (zh) * 2018-07-16 2018-12-11 国网上海市电力公司 一种基于孤立森林算法的用电数据异常检测模型
CN110334105A (zh) * 2019-07-12 2019-10-15 河海大学常州校区 一种基于Storm的流数据异常检测算法
CN110958222A (zh) * 2019-10-31 2020-04-03 苏州浪潮智能科技有限公司 基于孤立森林算法的服务器日志异常检测方法及系统
KR102325629B1 (ko) * 2020-09-18 2021-11-11 국민대학교산학협력단 이상 탐지 방법 및 이상 탐지 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985632A (zh) * 2018-07-16 2018-12-11 国网上海市电力公司 一种基于孤立森林算法的用电数据异常检测模型
CN110334105A (zh) * 2019-07-12 2019-10-15 河海大学常州校区 一种基于Storm的流数据异常检测算法
CN110958222A (zh) * 2019-10-31 2020-04-03 苏州浪潮智能科技有限公司 基于孤立森林算法的服务器日志异常检测方法及系统
KR102325629B1 (ko) * 2020-09-18 2021-11-11 국민대학교산학협력단 이상 탐지 방법 및 이상 탐지 장치

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
SHISHENG ZHONG: "森林异常检A_novel_unsupervised_anomaly_detection_for_gas_turbine_using_Isolation_Forest", 《2019 IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT (ICPHM)》 *
XIANGZHAO XIA: "A Feature Representation Method Based on Dual Segment and Entropy Evaluation for Aeroengine Gas Path Anomaly Detection", 《2022 PROGNOSTICS AND HEALTH MANAGEMENT CONFERENCE (PHM-2022 LONDON)》 *
XINGJIEZHOU: "Regression model for civil aero-engine gas path parameter deviation based on deep domain-adaptation with Res-BP neural network" *
张培林: "发动机气门漏气故障的时间序列和神经网络智能诊断研究" *
李倩;韩斌;汪旭祥;: "基于模糊孤立森林算法的多维数据异常检测方法" *
钟诗胜: "基于分式聚合过程神经网络的发动机气路参数偏差值预测民航发动机气路参数偏差值挖掘及其在异常检测中的应用" *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287776A (zh) * 2020-10-15 2021-01-29 上海明略人工智能(集团)有限公司 轴承性能指标分析方法、系统、可读存储介质及电子设备
CN112445844A (zh) * 2020-11-27 2021-03-05 重庆医药高等专科学校 大数据平台财务数据管理控制系统
CN112445844B (zh) * 2020-11-27 2022-04-01 重庆医药高等专科学校 大数据平台财务数据管理控制系统
CN113465913A (zh) * 2021-06-11 2021-10-01 电子科技大学 一种核电阀门的故障特征提取及优选方法
CN113392914A (zh) * 2021-06-22 2021-09-14 北京邮电大学 一种基于数据特征的权重来构建孤立森林的异常检测算法
CN114065862A (zh) * 2021-11-18 2022-02-18 南京航空航天大学 一种多维时序数据异常检测方法和系统
CN114065862B (zh) * 2021-11-18 2024-02-13 南京航空航天大学 一种多维时序数据异常检测方法和系统
CN113822379A (zh) * 2021-11-22 2021-12-21 成都数联云算科技有限公司 工艺制程异常分析方法、装置、电子设备及存储介质
CN113822379B (zh) * 2021-11-22 2022-02-22 成都数联云算科技有限公司 工艺制程异常分析方法、装置、电子设备及存储介质
CN114997313A (zh) * 2022-06-07 2022-09-02 厦门大学 一种海洋在线监测数据的异常检测方法
CN114997313B (zh) * 2022-06-07 2024-05-07 厦门大学 一种海洋在线监测数据的异常检测方法
CN115081966A (zh) * 2022-08-22 2022-09-20 南通俊朗智能科技有限公司 异常状态监控方法及应用该方法的铝合金挤压工艺控制器
CN115526241A (zh) * 2022-09-13 2022-12-27 成都飞机工业（集团）有限责任公司 一种航空液压泵站实时异常检测方法、装置、设备及介质
CN115664038A (zh) * 2022-12-27 2023-01-31 山东科华电力技术有限公司 一种用于电气安全管理的智能配电运维监控系统
CN116011894A (zh) * 2023-03-28 2023-04-25 河北长发铝业股份有限公司 一种铝合金棒生产数据管理系统
CN116469251A (zh) * 2023-03-31 2023-07-21 东南大学 一种面向轨迹数据的车辆异常数据筛选方法
CN117370906B (zh) * 2023-08-21 2024-05-10 长江生态环保集团有限公司 基于单点和时间序列异常检测的爆管检测及性能评估方法
CN117370906A (zh) * 2023-08-21 2024-01-09 长江生态环保集团有限公司 基于单点和时间序列异常检测的爆管检测及性能评估方法
CN116804412A (zh) * 2023-08-22 2023-09-26 济宁鲁威液压科技股份有限公司 一种液压系统的监测数据处理方法
CN116804412B (zh) * 2023-08-22 2023-12-01 济宁鲁威液压科技股份有限公司 一种液压系统的监测数据处理方法
CN117454096B (zh) * 2023-12-25 2024-03-01 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117454096A (zh) * 2023-12-25 2024-01-26 西安高商智能科技有限责任公司 一种电机生产质量检测方法及系统
CN117928655A (zh) * 2024-03-22 2024-04-26 济宁万生环保材料有限公司 一种物料反应瞬时酸价数据在线监测系统
CN117951616A (zh) * 2024-03-27 2024-04-30 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法
CN117951616B (zh) * 2024-03-27 2024-05-28 山东海纳智能装备科技股份有限公司 一种局部通风机智能运维分析方法
CN118468199A (zh) * 2024-07-11 2024-08-09 陕西大才科技有限公司 一种航空发动机数据异常检测方法及系统
CN118468199B (zh) * 2024-07-11 2024-10-01 陕西大才科技有限公司 一种航空发动机数据异常检测方法及系统
CN118470051A (zh) * 2024-07-12 2024-08-09 国网江西省电力有限公司电力科学研究院 基于实例分割的电力设备绝缘子串红外温度异常检测方法
CN118587514A (zh) * 2024-08-06 2024-09-03 浙江管卫建设有限公司 一种管道cctv检测信息管理系统
CN118587514B (zh) * 2024-08-06 2024-10-18 浙江管卫建设有限公司 一种管道cctv检测信息管理系统

Also Published As

Publication number Publication date
CN111598438B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN111598438A (zh) 基于分段拟合分析及评估的民航发动机气路异常检测方法
CN110414155B (zh) 一种带有单测点的风机部件温度异常检测和报警方法
CN107561997B (zh) 一种基于大数据决策树的电力设备状态监测方法
CN114282579A (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN112345261B (zh) 基于改进dbscan算法的航空发动机泵调系统异常检测方法
CN109753591A (zh) 业务流程预测性监控方法
GB2522926A (en) Method of identifying anomalies
CN111879349A (zh) 一种传感器数据偏差自适应修正方法
CN115756919B (zh) 一种面向多维数据的根因定位方法及系统
CN115729761B (zh) 一种硬盘故障预测方法、系统、设备及介质
CN116914917A (zh) 一种基于大数据的配电柜运行状态监测管理系统
CN114969645A (zh) 一种基于统计分布模型的航空发动机状态监测评估方法
CN115375026A (zh) 一种多故障模式下的航空发动机寿命预测方法
CN109299201B (zh) 基于两阶段聚类的电厂生产子系统异常监测方法及装置
CN114597886A (zh) 基于区间二型模糊聚类分析的配电网运行状态评估方法
CN110826600B (zh) 基于自适应共振网络在线增量学习的发动机喘振预测方法
CN117077051A (zh) 一种大坝监测异常数据自适应识别方法
Lorenti et al. Cuad-mo: Continuos unsupervised anomaly detection on machining operations
CN115766513A (zh) 一种异常检测方法和装置
Hanachi Gas turbine engine performance estimation and prediction
CN113010981B (zh) 一种飞机发动机低压引气活门的维修决策方法
CN112699609A (zh) 一种基于振动数据的柴油机可靠性模型构建方法
Xia et al. A Feature Representation Method Based on Dual Segment and Entropy Evaluation for Aeroengine Gas Path Anomaly Detection
Li et al. A symbolic reasoning based anomaly detection for gas turbine subsystems
McKinnon et al. Comparison of novel SCADA data cleaning technique for wind turbine electric pitch system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant