CN112200244B - 一种基于递阶对抗训练的航天发动机异常智能检测方法 - Google Patents

Abstract

本发明公开了一种基于递阶对抗训练的航天发动机异常智能检测方法，使用多个传感器采集航天发动机运行状态下的原始信号作为多源数据，以固定长度截取时间序列得到多通道数据样本集，并将一维序列转换为二维图像；将二维图像样本划分为训练集和测试集；构建相对生成对抗网络作为异常检测模型，使用训练集进行递阶对抗训练；使用训练模型对训练集样本进行状态评估，对得到的评估分数分布建模，计算正常样本的分数阈值；将模型用于测试集状态评估，测试时聚合邻域信息，根据分数阈值进行异常检测。本发明通过递阶对抗训练提升模型检测能力，融合多源信息、聚合邻域信息以提高结果可靠性，最终可实现对航天发动机运行异常的智能检测。

Description

一种基于递阶对抗训练的航天发动机异常智能检测方法

技术领域

本发明涉及航天发动机故障诊断技术领域，具体涉及一种基于递阶对抗训练的航天发动机异常智能检测方法。

背景技术

发动机是航天飞行器动力系统的核心，大多处于高温、高压、强振动等极端工况中，大推力航天发动机更是一个机械运转—液体流动—化学燃烧等过程强耦合的复杂非线性系统，致使发动机任何部位萌生的小故障都可能传导至整个系统，造成巨大的经济损失甚至是人员伤亡。因此，对航天发动机进行精确而及时的运行异常检测对于提高其可靠性和安全性至关重要。

针对航天发动机的运行异常检测方法大体可分为基于模型驱动、基于信号处理以及基于人工智能等三类方法。基于模型驱动的方法需要根据发动机的机械结构及运行规律建立动态模型，而对于航天发动机复杂的结构及工况，该方法建模困难且检测准确率低；基于信号处理的方法主要对发动机运行过程产生的信号进行统计分析，无需依靠发动机结构等先验知识，但依靠专家经验且无法提取信号中深层的特征用于诊断。基于人工智能，尤其是近年来发展迅速的深度学习，异常检测方法得以摆脱人工经验，构建深层网络自适应学习数据内在的深层非线性特征，在机械故障诊断领域得到了广泛的应用。

在实际的异常检测中，发动机故障模式的多样性导致故障模拟困难，因而难以收集足够的异常数据，为基于信号处理及深度学习等数据驱动方法的检测手段带来阻碍。此外，航天发动机健康状态通过多传感器进行监测，但传统方法通常独立地分析各数据源，难以全面地评估发动机真实的健康状态，异常检测准确率不高。因此，研究无故障样本下的多源数据智能融合算法，对于解决航天发动机运行异常检测中的上述实际问题具有重要价值。

发明内容

本发明的目的在于提供一种基于递阶对抗训练的航天发动机异常智能检测方法，以解决现有技术存在的问题，本发明利用多源数据，在无故障样本条件下，通过递阶对抗训练方法训练深层神经网络以自动提取数据特征、自适应融合多源信息，通过邻域信息聚合以提高检测结果可靠性，最终实现对航天发动机运行异常的智能检测。

为达到上述目的，本发明采用如下技术方案：

一种基于递阶对抗训练的航天发动机异常智能检测方法，包括以下步骤：

步骤1：使用多个传感器采集的航天发动机运行状态下的多通道一维信号作为多源数据，以固定长度从多源数据中截取时间序列得到多通道数据样本集，并对其中样本逐一进行时序预处理，将一维多通道数据转换为二维多通道图像；

步骤2：将获取的二维多通道图像分类标签化，划分标签化后的二维多通道图像样本为训练集和测试集；

步骤3：构建相对生成对抗网络作为异常检测模型，使用步骤2得到的训练集进行递阶对抗训练，得到多个对航天发动机健康状态具有良好识别能力的网络；

步骤4：使用步骤3中训练的异常检测模型对步骤2中的训练集进行状态评估，对得到的训练集评估分数分布建模，计算航天发动机正常样本的分数阈值；

步骤5：使用步骤3中训练的异常检测模型对步骤2中的测试集进行状态评估，得到测试集评估分数，对测试集中每个样本的评估分数进行邻域信息聚合，根据步骤4中得到的分数阈值进行异常检测。

进一步地，步骤1中对多通道数据样本进行的预处理包括以下步骤：归一化，重编码，三角变换和降维处理。

进一步地，归一化具体为：对多通道数据样本每个通道内的时间序列进行归一化如下：

式中，

为归一化后的数据点，x为某时间序列，x_i为时间序列x中第i个数据点，min(x)取x中的最小值，max(x)取x中的最大值；

对归一化后的数据重编码到极坐标系，坐标变换如下：

式中，φ_i与ρ_i为极角与极径，

为归一化的某时间序列，t_i为时间序列中第i个时间戳，

代表正整数，N为预设的常数。

进一步地，对极坐标数据进行三角变换如下：

式中，

为变换后的多源数据样本，C代表通道数目，n是数据维度；

对三角变换后的样本进行降维处理，公式如下：

式中，

是降维后样本通道c中第(k,i)个点，

是降维前样本通道c中第(k,j)个点，m是处理后的数据维度，且1≤m≤n。

进一步地，步骤2中对二维图像根据原始信号采集来源进行数据集划分：从来源于无故障发动机的正常数据中抽取部分作为训练集，剩余正常数据及来源于带故障发动机的异常数据全体作为测试集。

进一步地，步骤3中所构建的异常检测模型的基本组件包含编码器、生成器、鉴别器三部分，其中：编码器包括卷积层、批归一化层、激活函数，生成器包括转置卷积层、批归一化层、激活函数，鉴别器包括卷积层、层归一化层、激活函数。

进一步地，步骤3中对异常检测模型进行的递阶对抗训练包含以下三个阶段：基本对抗训练，单类鉴别器训练以及差别编码器训练。

进一步地，基本对抗训练阶段使用正态分布的随机噪声和训练集样本作为输入，生成器和鉴别器参与训练，训练损失函数如下：

式中，x为输入样本，

为生成样本；D_R(x)、

分别为输入样本相对损失、生成样本相对损失；z是随机噪声，

ε∈[0,1]，λ为梯度惩罚因子；P_r，P_g，

分别表示x，

对应的分布；f_s(x)＝1/(1+e^-x)为S型激活函数；

与

分别为第一阶段训练中鉴别器和生成器对应的损失函数；

为均值函数；

单类鉴别器训练阶段使用训练集样本作为输入，编码器所有参数和鉴别器部分参数参与训练，该阶段训练完成后得到编码器E₁，生成器G₁以及鉴别器D₁，该阶段训练损失函数分别为：

其中E为编码器，

与

中的生成样本为

E(x)为编码器输出，该阶段训练完成后得到编码器E₁，生成器G₁以及鉴别器D₁；

差别编码器训练阶段使用训练集样本作为输入，编码器和生成器参与训练，该阶段训练完成得到编码器E₂和生成器G₂，该阶段训练损失函数如下：

式中，

为生成样本,y∈[0.9,1]为赋给训练样本的特殊标签，γ为一预设因子。

进一步地，步骤4和步骤5中的状态评估由通过递阶对抗训练得到的多个异常检测模型共同完成，得到综合评估分数如下：

式中，λ₁、λ₂、λ₃均为不同分数的权重系数，c₀为一正常数，S(x)为样本x的状态评估分数。

进一步地，步骤4中使用核密度估计法对训练集评估分数的分布建模，根据置信度α与标准正态分布表得到系数z_α/2，进而计算正常样本的分数阈值τ＝μ-z_α/2σ，其中均值μ和标准差σ由核密度估计法估计概率分布得到，核密度估计公式如下：

式中，

为某样本的评估分数，n_s为输入数据s的维度；p_H(s₀)表示在带宽H下样本分数为s₀的概率密度，K(·)为核函数；

步骤5中根据测试集状态评估分数以及步骤4中得到的阈值τ进行异常检测，描述如下：

式中，AD(x)表示检测结果，1为正常，0为异常；

为t时刻聚合邻域信息得到的评估分数；n_e为聚合的邻域信息数目。

与现有技术相比，本发明具有以下有益的技术效果：

1)本发明基于时序预处理，将原始的一维信号转换成二维图像数据，将多源信号转换为多通道图像，在保留原始数据时序性的同时扩展了特征维度，便于在检测模型中应用卷积模块进行多源特征自适应融合。

2)本发明构建的相对生成对抗网络，可通过递阶对抗训练，在编码器、生成器、鉴别器等多个层次捕获正常样本的特征，得到多个对正常样本具有良好重构能力和识别能力的模型，通过多模型综合评估，实现对航天发动机运行异常的检测。

3)本发明提出利用核密度估计重建训练集正常样本评估分数的概率分布，减小了因训练数据不足导致的阈值估计偏差，同时在异常检测中聚合邻域信息进一步提高了检测方法的鲁棒性及有效性。

4)本发明提出一种基于递阶对抗训练的航天发动机异常智能检测方法，该方法能在无故障样本的条件下实现精确的异常检测，大大提升了检测方法在实际应用中的鲁棒性，有效解决了因发动机数据收集困难导致的数据驱动方法检测效率低下的问题，具有一定的实际应用潜力。

附图说明

图1为本发明方法的流程图；

图2为本发明检测模型的结构示意图；

图3为本发明检测模型的评估过程示意图；

图4为本发明方法应用于实施例的检测结果图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明，以便本领域的技术人员更好地理解本发明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。为了便于描述，附图中仅示出了与有关发明相关的部分。还需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

一种基于递阶对抗训练的航天发动机异常智能检测方法，参见图1，包括以下步骤：

步骤1：使用多个传感器采集的航天发动机运行状态下的多通道原始信号作为多源数据，以固定长度从多源数据中截取时间序列得到多通道数据样本集，并对样本逐一进行时序预处理，将一维多通道数据转换为二维多通道图像。该时序预处理过程包括：归一化，重编码，三角变换和降维处理。

首先，对每个通道采集的每个时间序列样本进行归一化，公式如下：

式中，

为归一化后的数据点，x为某时间序列，x_i为时间序列中第i个数据点，min(x)取x中的最小值，max(x)取x中的最大值。

归一化后，每个原始数据点的值都落在[-1,1]区间，与三角函数取值范围相同，因此可以将样本数据映射到极坐标系中，重编码的公式如下：

式中，φ_i与ρ_i为极角与极径，

为归一化的某时间序列，t_i为时间序列中第i个时间戳，

代表正整数，N为预设的常数。

将时间序列转换至极坐标系之后，可以根据各点之间的三角函数和，从角度方面揭示不同时间间隔内的时间相关性，从而将一维信号转换为二维图像，公式如下：

式中，

为变换后的多通道数据样本，C代表通道数目，n是数据维度。

通过三角变换之后，一维信号

变为二维数据

虽然将一维特征扩展至二维，但是数据维度急剧增大，为后续处理带来困难，因此数据预处理最后一阶段是使用分段聚合近似法进行降维处理，公式如下：

式中，

是降维后样本通道c中第(k,i)个点，

是降维前样本通道c中第(k,j)个点，m是处理后的数据维度，且1≤m≤n。

通过降维处理，样本矩阵维度从n×n降为m×m，在最大限度保留原有样本的时序关系的同时，降低了对运算系统的算力要求。

时序预处理将数据从一维信号转换为二维图像，将时间序列内部的关系用二维信息表征出来，方便在构建的检测模型中运用图像卷积技术进行深层特征提取。

步骤2：将获取的二维多通道图像分类标签化，划分标签化后的二维多通道图像样本为训练集和测试集。

根据数据来源进行标注：源于带故障发动机的异常运行数据被标记为0，源于无故障发动机的正常运行数据被标记为1。同时，此处的标签也可代表数据所表征的发动机运行状态为正常的概率。

数据集划分规则：从标签为1的样本中抽取部分作为训练集，剩下的标签为1和0的样本全体作为测试集。训练阶段只使用正常样本，测试环节中两类样本均参与其中，该划分方式能够验证本发明所提出检测方法的有效性。

步骤3：构建相对生成对抗网络作为异常检测模型，结构如图2所示，其基本组件包含编码器E、生成器G、鉴别器D三部分，其中：编码器E包括卷积层、批归一化层、激活函数，生成器G包括转置卷积层、批归一化层、激活函数，鉴别器D包括卷积层、层归一化层、激活函数。

使用步骤2中划分的训练集对检测模型进行递阶对抗的训练：基本对抗训练、单类鉴别器训练以及差别编码器训练。

第一阶段进行基本对抗训练，该阶段使用正态分布的随机噪声和训练集样本作为输入，通过对抗训练，使判别器与生成器之间的损失达到纳什均衡状态，生成器能将值在[-1,1]间的噪声构造为类似于正样本的图像，而鉴别器对直接输入的正样本和生成的正样本给予相近的输出概率，训练目标如下：

式中，x为输入样本，

为生成样本；D_R(x)、

分别为输入样本相对损失、生成样本相对损失；z是随机噪声，

ε∈[0,1]，λ为梯度惩罚因子；P_r，P_g，

分别表示x，

对应的分布；f_s(x)＝1/(1+e^-x)为S型激活函数；

与

分别为第一阶段训练中鉴别器和生成器对应的损失函数；

为均值函数。

第二阶段进行单类鉴别器训练阶段，该阶段将会固定生成器的结构参数，如图1中虚线框所示。通过该阶段的学习，模型对输入的正样本的辨识能力进一步提高，同时对编码器-生成器网络重构的正样本将有一定辨识能力，而异常样本并未参与训练，具有较高的辨识误差。该阶段训练损失函数为：

其中E为编码器，

与

中的生成样本为

E(x)为编码器输出，训练后得到E₁-G₁-D₁模型。

第三阶段进行差别编码器训练。该阶段依旧使用训练集样本作为输入，编码器E和生成器G参与训练；鉴别器来自于基本对抗训练，该阶段中不参与训练，如图1中虚线框所示。通过该阶段的学习，鉴别器指导编码器-生成器模块获得良好的重构能力，训练后得到E₂-G₂模型。该阶段训练损失函数如下：

式中，

为生成样本,y∈[0.9,1]为赋给训练样本的特殊标签，γ为一预设因子。

通过递阶对抗训练，得到两个用于航天发动机运行状态评估的模型：E₁-G₁-D₁和E₂-G₂。前者可以对生成样本和真实样本进行高度辨认，后者可以对正常样本进行高度重构，因为训练集中不包含异常样本，所以上述训练模型均不能对异常样本进行良好辨认或重构。基于此，二者均可以用于发动机运行状态异常检测中。

步骤4：使用步骤3中训练的模型对步骤2中的训练集样本进行状态评估，对得到的评估分数分布建模，计算航天发动机正常样本的分数阈值。

状态评估过程如图3所示，将样本输入训练好的模型：E₁-G₁-D₁和E₂-G₂，经过三路前向传播，得到综合分数如下：

式中，分数权重系数分别取值为：λ₁＝-λ₃＝1，λ₂＝0.2；c₀为正的常数；S(x)为样本x的状态评估分数。S(x)中第一项为高分数，第二项为低分数，第三项为重构距离。

将训练集全体样本输入模型，得到正常样本的评估分数，但是因为样本量是有限的，所以在此范围内选择阈值会带来偏差，为了减小这种偏差，本发明采用核密度估计进行正常分数分布的预测，在该分布基础上根据置信度求得置信下限。核密度估计公式为：

式中，

为某样本的评估分数，n_s为输入数据s的维度；p_H(s₀)表示在带宽H下样本分数为s₀的概率密度；K(·)为高斯核函数。

根据置信度α与标准正态分布表得到系数z_α/2，进而计算正常样本的分数阈值τ＝μ-z_α/2σ。一般地，置信度选择95％左右可认为是对正常样本的合适阈值抉择。

步骤5：使用步骤3中训练的模型对步骤2中的测试集样本进行状态评估，对每个样本进行邻域信息聚合，根据步骤4中的分数阈值进行异常检测，方法如下：

式中，AD(x)表示检测结果，1为正常，0为异常；

为t时刻聚合邻域信息得到的评估分数；n_e为聚合的邻域信息数目。

聚合邻域信息的检测，也是利用历史状态信息进行综合判断，该方法不会因为某一时刻某些通道数据异常而得到过低的评估分数并最终导致误判现象的出现，同时会使得检测模型输出结果更加可靠。

下面结合具体实施例对本发明做进一步详细描述：

为了更好地说明本发明的技术效果，采用一个具体实施例对本发明进行试验验证。本实验采用10个传感器在航天发动机不同位置采集多源数据作为数据集，包括来自于发动机正常运行状态下的1500条一维信号，来自于发动机异常运行状态下的1000条一维信号。对2500条时间序列进行预处理，得到2500个二维样本，选取500个正常样本作为训练集，其余2000个样本作为测试集。应用本发明所提出的检测方法，最终在测试集上的检测准确率可达94.3％，若聚合邻域信息进行检测可达100％，结果如图4所示。测试结果充分表明了所提出的基于递阶对抗训练的航天发动机异常智能检测方法的有效性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (10)

1.一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，包括以下步骤：

步骤1：使用多个传感器采集的航天发动机运行状态下的多通道一维信号作为多源数据，以固定长度从多源数据中截取时间序列得到多通道数据样本集，并对其中样本逐一进行时序预处理，将一维多通道数据转换为二维多通道图像；

步骤2：将获取的二维多通道图像分类标签化，划分标签化后的二维多通道图像样本为训练集和测试集；

步骤3：构建相对生成对抗网络作为异常检测模型，使用步骤2得到的训练集进行递阶对抗训练，得到多个对航天发动机健康状态具有良好识别能力的网络；

步骤4：使用步骤3中训练的异常检测模型对步骤2中的训练集进行状态评估，对得到的训练集评估分数分布建模，计算航天发动机正常样本的分数阈值；

步骤5：使用步骤3中训练的异常检测模型对步骤2中的测试集进行状态评估，得到测试集评估分数，对测试集中每个样本的评估分数进行邻域信息聚合，根据步骤4中得到的分数阈值进行异常检测。

2.根据权利要求1所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，步骤1中对多通道数据样本进行的预处理包括以下步骤：归一化，重编码，三角变换和降维处理。

3.根据权利要求2所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，归一化具体为：对多通道数据样本每个通道内的时间序列进行归一化如下：

式中，

为归一化后的数据点，x为某时间序列，x_i为时间序列x中第i个数据点，min(x)取x中的最小值，max(x)取x中的最大值；

对归一化后的数据重编码到极坐标系，坐标变换如下：

式中，φ_i与ρ_i为极角与极径，

为归一化的某时间序列，t_i为时间序列中第i个时间戳，

代表正整数，N为预设的常数。

4.根据权利要求3所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，对极坐标数据进行三角变换如下：

式中，

为变换后的多源数据样本，C代表通道数目，n是数据维度；

对三角变换后的样本进行降维处理，公式如下：

式中，

是降维后样本通道c中第(k,i)个点，

是降维前样本通道c中第(k,j)个点，m是处理后的数据维度，且1≤m≤n。

5.根据权利要求1所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，步骤2中对二维图像根据原始信号采集来源进行数据集划分：从来源于无故障发动机的正常数据中抽取部分作为训练集，剩余正常数据及来源于带故障发动机的异常数据全体作为测试集。

6.根据权利要求1所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，步骤3中所构建的异常检测模型的基本组件包含编码器、生成器、鉴别器三部分，其中：编码器包括卷积层、批归一化层、激活函数，生成器包括转置卷积层、批归一化层、激活函数，鉴别器包括卷积层、层归一化层、激活函数。

7.根据权利要求6所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，步骤3中对异常检测模型进行的递阶对抗训练包含以下三个阶段：基本对抗训练，单类鉴别器训练以及差别编码器训练。

8.根据权利要求7所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，基本对抗训练阶段使用正态分布的随机噪声和训练集样本作为输入，生成器和鉴别器参与训练，训练损失函数如下：

式中，x为输入样本，

为生成样本；D_R(x)、

分别为输入样本相对损失、生成样本相对损失；z是随机噪声，

λ为梯度惩罚因子；P_r，P_g，

分别表示x，

对应的分布；f_s(x)＝1/(1+e^-x)为S型激活函数；

与

分别为第一阶段训练中鉴别器和生成器对应的损失函数；

为均值函数；

单类鉴别器训练阶段使用训练集样本作为输入，编码器所有参数和鉴别器部分参数参与训练，该阶段训练完成后得到编码器E₁，生成器G₁以及鉴别器D₁，该阶段训练损失函数分别为：

其中E为编码器，

与

中的生成样本为

E(x)为编码器输出，该阶段训练完成后得到编码器E₁，生成器G₁以及鉴别器D₁；

差别编码器训练阶段使用训练集样本作为输入，编码器和生成器参与训练，该阶段训练完成得到编码器E₂和生成器G₂，该阶段训练损失函数如下：

式中，

为生成样本,y∈[0.9,1]为赋给训练样本的特殊标签，γ为一预设因子。

9.根据权利要求8所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，步骤4和步骤5中的状态评估由通过递阶对抗训练得到的多个异常检测模型共同完成，得到综合评估分数如下：

式中，λ₁、λ₂、λ₃均为不同分数的权重系数，c₀为一正常数，S(x)为样本x的状态评估分数。

10.根据权利要求1所述的一种基于递阶对抗训练的航天发动机异常智能检测方法，其特征在于，步骤4中使用核密度估计法对训练集评估分数的分布建模，根据置信度α与标准正态分布表得到系数z_α/2，进而计算正常样本的分数阈值τ＝μ-z_α/2σ，其中均值μ和标准差σ由核密度估计法估计概率分布得到，核密度估计公式如下：

式中，

为某样本的评估分数，n_s为输入数据s的维度；p_H(s₀)表示在带宽H下样本分数为s₀的概率密度，K(·)为核函数；

步骤5中根据测试集状态评估分数以及步骤4中得到的阈值τ进行异常检测，描述如下：

式中，AD(x)表示检测结果，1为正常，0为异常；

为t时刻聚合邻域信息得到的评估分数；n_e为聚合的邻域信息数目。

Images