CN112597704A - 一种发动机异常原因分析方法、系统、设备及介质 - Google Patents
一种发动机异常原因分析方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112597704A CN112597704A CN202011554072.2A CN202011554072A CN112597704A CN 112597704 A CN112597704 A CN 112597704A CN 202011554072 A CN202011554072 A CN 202011554072A CN 112597704 A CN112597704 A CN 112597704A
- Authority
- CN
- China
- Prior art keywords
- engine
- input
- sequence
- output
- encoder
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 230000005856 abnormality Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种发动机异常原因分析方法、系统、设备及介质,其方法包括:首先,确定输入序列与输出序列;其次,根据输入序列与输出序列,构建基于神经网络的编码器‑解码器模型;接着,在编码器‑解码器模型中,构建注意力机制;最后,使用输入序列训练编码器‑解码器模型,在训练完成之后,获得注意力机制中为输入序列生成的一组权重向量;通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于相关性确定发动机的异常原因。本发明提供的方法能够通过训练得到异常类型与监测到的各项数据之间的相关性,确定发动机产生异常类型的时间、位置以及起因,进而在发动机的改进与优化方面提供指示与帮助。
Description
技术领域
本发明涉及发动机状态预测技术领域,尤其涉及一种发动机异常原因分析方法、系统、设备及介质。
背景技术
航空发动机的运行过程是一个十分复杂的系统,当前还没有科学的方法描述其整个过程运行的机制。现代航空发动机内已经能够铺设大量传感器检测其运行状态,基于这些传感数据,已经有很多方法能够对发动机状态进行一定程度的预测,但是,当发动机产生异常状态时,我们经常无法确定它时什么时候、什么位置产生的,是什么因素导致的。发动机的改进与优化,与该问题紧密相关,相关行业急需一种方式能够确定采集到的各项数据与异常类型的因果关系或相关性。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种发动机异常原因分析方法、系统、设备及介质,其解决了现有技术无法确定采集到的各项数据与异常类型的因果关系或相关性的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种发动机异常原因分析方法,其包括:
S1、确定输入序列与输出序列,所述输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,所述输出序列中各项输出元素均表示发动机的一种异常类型;
S2、根据所述输入序列与所述输出序列,构建基于神经网络的编码器-解码器模型;
S3、在所述编码器-解码器模型中,构建注意力机制;
S4、使用所述输入序列训练所述编码器-解码器模型,在训练完成之后,获得所述注意力机制中为所述输入序列生成的一组权重向量;权重向量的数量与异常类型的数量相同,单一权重向量的长度与对应输入元素的长度相同;
S5、通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于所述相关性确定发动机的异常原因。
可选地,所述确定输入序列包括:针对在固定时间段L内不同传感器或发动机位置获取的数据,以周期T进行截取,获得各项输入元素,其中L>T。
可选地,
所述输入序列表示为:
X={X1,X2,...,Xi,...Xn},
其中,X为输入序列,Xi表示传感器i或发动机位置i产生的数据,n表示传感器数量,也即是输入序列长度;
所述输出序列表示为:
Y={Y1,Y2,...,Yi,...Ym},
其中,Y为输出序列,Yi表示发动机运行过程中产生的第i类异常类型,m表示异常状态数量,也即是输出序列长度。
可选地,所述编码器-解码器模型是采用长短时记忆神经网络结构,为一条循环神经网络链。
可选地,所述注意力机制中为所述输入序列生成的一组权重向量的步骤包括:
S41、通过所述编码器为所述输入序列中的各输入元素均计算一个编码;
S42、根据所述编码,通过所述注意力机制为各输入元素对应的神经元提供对应的权重向量;
S43、在编码器-解码器模型的训练过程中,进行权重向量参数的调整,之后得到一组权重向量。
可选地,所述编码表示为:
其中,C<t>表示异常类型t生成的编码,a<t>表示编码器中第i项输入元素相对应神经元的输出,α<t,i>表示第i项对应异常类型的权重向量。
可选地,一组权重向量表示为:
A={A1,A2,...,At,...Am},
其中,At={α<1,i>,α<2,i>,...,α<t,i>,...,α<m,i>}表示第t个异常类型的权重向量,m表示异常类型数量,即输出结果数量,使用At表示异常类型t与各输入元素之间的相关性。
第二方面,本发明实施例提供一种发动机异常原因分析系统,其包括:
输入输出序列配置模块,用于确定输入序列与输出序列,所述输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,所述输出序列中各项输出元素均表示发动机的一种异常类型;
编码器-解码器模型构建模块,用于构建基于神经网络的编码器-解码器模型;
注意力机制构建模块,用于在所述编码器-解码器模型中,构建注意力机制;
训练模块,用于使用所述输入序列训练所述编码器-解码器模型;
权重向量生成模块,用于在训练完成之后,获得所述注意力机制中为所述输入序列生成的一组权重向量;
异常原因生成模块,用于通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于所述相关性确定发动机的异常原因。
第三方面,本发明实施例提供一种电子设备,其包括:
处理器;
存储器,存储用于所述处理器控制如上所述的一种发动机异常原因分析方法步骤。
第四方面,本发明实施例提供一种计算机可读介质,其上存储有计算机可执行指令,所述可执行指令被处理器执行时实现如上所述的一种发动机异常原因分析方法步骤。
(三)有益效果
本发明的有益效果是:本发明针对运行过程复杂的航空发动机系统,提供一种基于注意力机制的神经网络模型,但该模型不用于状态预测,而是提取注意力机制中为每一个异常类型生成的权重向量,权重向量描述了各个输入参数与异常类型的相关性。因此,本发明提供的方法,能够通过训练得到异常类型与监测到的各项数据之间的相关性,确定发动机产生异常类型的时间、位置以及起因,进而在发动机的改进与优化方面提供指示与帮助。
附图说明
图1为本发明提供的一种发动机异常原因分析方法的流程示意图;
图2为本发明提供的一种发动机异常原因分析方法中所针对的输入序列结构示意图;
图3为本发明提供的一种发动机异常原因分析方法的步骤S41的具体流程示意图;
图4为本发明提供的一种发动机异常原因分析方法的编码器解码器模型结构示意图;
图5为本发明提供的一种发动机异常原因分析系统的组成示意图;
图6为本发明提供的一种电子设备的计算机系统的结构示意图。
【附图标记说明】
300:发动机异常原因分析系统;301:输入输出序列配置模块;302:编码器-解码器模型构建模块;303:注意力机制构建模块;304:训练模块;305:权重向量生成模块;306:异常原因生成模块;
400:计算机系统;401:CPU;402:ROM;403:RAM;404:总线;405:I/O接口;406:输入部分;407:输出部分;408:存储部分;409:通信部分;410:驱动器;411:可拆卸介质。
具体实施方式
为了更好地解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
图1为本发明提供的一种基于注意力机制的分析航空发动机异常原因的流程示意图,如图1所示,本发明提供本发明实施例提出的一种发动机异常原因分析方法,其包括:首先,确定输入序列与输出序列,输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,输出序列中各项输出元素均表示发动机的一种异常类型;其次,根据输入序列与输出序列,构建基于神经网络的编码器-解码器模型;再者,在编码器-解码器模型中,构建注意力机制;最后,使用输入序列训练编码器-解码器模型,在训练完成之后,获得注意力机制中为输入序列生成的一组权重向量;权重向量的数量与异常类型的数量相同,单一权重向量的长度与对应输入元素的长度相同,通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于相关性确定发动机的异常原因。
本发明针对运行过程复杂的航空发动机系统,提供一种基于注意力机制的神经网络模型,但该模型不用于状态预测,而是提取注意力机制中为每一个异常类型生成的权重向量,权重向量描述了各个输入参数与异常类型的相关性。因此,本发明提供的方法,能够通过训练得到异常类型与监测到的各项数据之间的相关性,确定发动机产生异常类型的时间、位置以及起因,进而在发动机的改进与优化方面提供指示与帮助。
为了更好地理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
具体地,本发明提供的一种发动机异常原因分析方法,包括:
S1、确定输入序列与输出序列,输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,输出序列中各项输出元素均表示发动机的一种异常类型。
图2为本发明提供的一种发动机异常原因分析方法中所针对的输入序列结构示意图,如图2所示。
输入序列为X,可表示为:
X={X1,X2,...,Xi,...Xn},
Xi表示传感器i或发动机位置i产生的数据。神经网络以固定频率启动,若其在时间Ti时刻启动,则Xi表示相应位置传感器在时刻Ti之前L长度时间内获取的所有数据,n表示传感器数量,也即是输入序列长度。
其中,确定输入序列的步骤包括:针对在固定时间段L内不同传感器或发动机位置获取的数据,以周期T进行截取,获得各项输入元素,其中L>T。本实施例中是按照传感器、数据类型排列作为输入序列,而非时间序列。这样,输入序列中,每一个输入元素代表的就是某种可能导致异常的一种因素。
而输出序列则表示为:
Y={Y1,Y2,...,Yi,...Ym},
其中,Y为输出序列,Yi表示发动机运行过程中产生的第i类异常类型,m表示异常状态数量,也即是输出序列长度。
S2、根据输入序列与输出序列,构建基于神经网络的编码器-解码器模型;进一步地,编码器-解码器模型是采用长短时记忆神经网络结构(LSTM)。
S3、在编码器-解码器模型中,构建注意力机制。其中,编码器的输出作为注意力机制的输入,注意力机制的输出作为解码器的输入。
S4、使用输入序列训练编码器-解码器模型,在训练完成之后,获得注意力机制中为输入序列生成的一组权重向量;权重向量的数量与异常类型的数量相同,单一权重向量的长度与对应输入元素的长度相同,通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于相关性确定发动机的异常原因。图3为本发明提供的一种发动机异常原因分析方法的步骤S4的具体流程图,如图3所示,步骤S4包括:
S41、通过编码器为输入序列中的各输入元素均计算一个编码。
图4为本发明提供的一种发动机异常原因分析方法的编码器解码器模型结构示意图,如图4所示,编码器-解码器模型内部是一条循环神经网络链,a0为初始化输入,可以设置为随机数。在编码器中,长短时记忆神经网络包括如下关键计算过程与参数:
神经元的输出为:
其中,aj表示分支节点j的输出矩阵,gj表示激活函数,a(j-1)表示节点j之前的节点j-1的输出矩阵,w(aa)表示节点j之前的节点j-1的权重矩阵,Xj表示节点j的输入矩阵,W(xa)表示节点j的权重矩阵,b表示偏置矩阵。
神经元内的三个逻辑门的计算方式为:
其中,σ为激活函数,Γf为遗忘门,Γu为更新门,Γo为输出门,为遗忘门Γf的权重矩阵,为更新门Γu的权重矩阵,为输出门Γo的权重矩阵,遗忘门Γf的偏置矩阵,为更新门Γu的偏置矩阵,为输出门Γo的偏置矩阵。
进一步地,编码表示为:
其中,c<t>表示异常类型t生成的编码,a<t>表示编码器中第i项输入元素相对应神经元的输出,α<t,i>表示第i项对应异常类型的权重。
S42、根据编码,通过注意力机制为各输入元素对应的神经元提供对应的权重向量。
S43、在编码器-解码器模型的训练过程中,进行权重向量参数的调整,之后得到一组权重向量。一组权重向量能够反应异常类型与各个输入元素之间的相关性。对于深度学习来说,训练过程即是调整权重向量参数的过程。
一组权重向量表示为:
A={A1,A2,...,At,...Am},
其中,At={α<1,i>,α<2,i>,...,α<t,i>,...,α<m,i>}表示第t个异常类型的权重向量,m表示异常类型数量,即输出结果数量,使用At表示异常类型t与各输入元素之间的相关性。
图5为本发明提供的一种发动机异常原因分析系统的组成示意图,如图5所示,本发明实施例还提供一种发动机异常原因分析系统,其包括:
输入输出序列配置模块301,用于确定输入序列与输出序列,输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,输出序列中各项输出元素均表示发动机的一种异常类型。
编码器-解码器模型构建模块302,用于构建基于神经网络的编码器-解码器模型。
注意力机制构建模块303,用于在编码器-解码器模型中,构建注意力机制。
训练模块304,用于使用输入序列训练编码器-解码器模型。
权重向量生成模块305,用于在训练完成之后,获得注意力机制中为输入序列生成的一组权重向量。
异常原因生成模块306,用于通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于相关性确定发动机的异常原因。
该系统中各个模块的功能参见上述方法实施例中的相关描述,此处不再赘述。
另一方面,本发明还提供了一种电子设备,包括处理器和存储器,存储器存储用于上述处理器控制如上述的一种发动机异常原因分析方法步骤。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备的计算机系统400的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分407加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括以下方法步骤:
S1、确定输入序列与输出序列,输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,输出序列中各项输出元素均表示发动机的一种异常类型。
S2、根据输入序列与输出序列,构建基于神经网络的编码器-解码器模型。
S3、在编码器-解码器模型中,构建注意力机制。
S4、使用输入序列训练编码器-解码器模型,在训练完成之后,获得注意力机制中为输入序列生成的一组权重向量;权重向量的数量与异常类型的数量相同,单一权重向量的长度与对应输入元素的长度相同。
S5、通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于相关性确定发动机的异常原因。
综上所述,本发明提供一种发动机异常原因分析方法、系统、设备及介质,该方法基于编码器-解码器结构,而非时将采集到的数据,按照传感器、数据类型排列作为输入序列。这样,输入序列中,每一个元素代表的就是某种可能导致异常的一种因素;输出序列为不同异常类型的序列,序列中每一个元素表示一种异常类型。接着,将注意力机制加入编码器-解码器模型中,为此,输入神经元序列,会为每一个输出元素(异常类型)生成一个权重向量。特别地,在编码器-解码器模型的训练过程,也是训练权重向量参数的过程。模型训练完成后,权重向量可以反应出每一个输出项(异常类型)与各个输出参数之间的相关性,进而为发动机的改进方向提供参考。
本发明提供的异常原因检测方法,主要针对发动机运行发生异常时,无法确定原因的情况,本发明能够提供各个异常类型与输入数据之间的相关性,进而确定导致异常的元素。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (10)
1.一种发动机异常原因分析方法,其特征在于,包括:
S1、确定输入序列与输出序列,所述输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,所述输出序列中各项输出元素均表示发动机的一种异常类型;
S2、根据所述输入序列与所述输出序列,构建基于神经网络的编码器-解码器模型;
S3、在所述编码器-解码器模型中,构建注意力机制;
S4、使用所述输入序列训练所述编码器-解码器模型,在训练完成之后,获得所述注意力机制中为所述输入序列生成的一组权重向量;权重向量的数量与异常类型的数量相同,单一权重向量的长度与对应输入元素的长度相同;
S5、通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于所述相关性确定发动机的异常原因。
2.如权利要求1所述的一种发动机异常原因分析方法,其特征在于,所述确定输入序列包括:针对在固定时间段L内不同传感器或发动机位置获取的数据,以周期T进行截取,获得各项输入元素,其中L>T。
3.如权利要求1或2所述的一种发动机异常原因分析方法,其特征在于,
所述输入序列表示为:
X={X1,X2,...,Xi,...Xn},
其中,X为输入序列,Xi表示传感器i或发动机位置i产生的数据,n表示传感器数量,也即是输入序列长度;
所述输出序列表示为:
Y={Y1,Y2,...,Yi,...Ym},
其中,Y为输出序列,Yi表示发动机运行过程中产生的第i类异常类型,m表示异常状态数量,也即是输出序列长度。
4.如权利要求3所述的一种发动机异常原因分析方法,其特征在于,所述编码器-解码器模型是采用长短时记忆神经网络结构,为一条循环神经网络链。
5.如权利要求4所述的一种发动机异常原因分析方法,其特征在于,步骤S4中,所述注意力机制中为所述输入序列生成的一组权重向量的步骤包括:
S41、通过所述编码器为所述输入序列中的各输入元素均计算一个编码;
S42、根据所述编码,通过所述注意力机制为各输入元素对应的神经元提供对应的权重向量;
S43、在编码器-解码器模型的训练过程中,进行权重向量参数的调整,之后得到一组权重向量。
7.如权利要求6所述的一种发动机异常原因分析方法,其特征在于,一组权重向量表示为:
A={A1,A2,...,At,...Am},
其中,At={α<1,i>,α<2,i>,...,α<t,i>,...,α<m,i>}表示第t个异常类型的权重向量,m表示异常类型数量,即输出结果数量,使用At表示异常类型t与各输入元素之间的相关性。
8.一种发动机异常原因分析系统,其特征在于,包括:
输入输出序列配置模块,用于确定输入序列与输出序列,所述输入序列中各项输入元素均表示固定时间段内发动机上不同传感器或发动机位置获取的数据,所述输出序列中各项输出元素均表示发动机的一种异常类型;
编码器-解码器模型构建模块,用于构建基于神经网络的编码器-解码器模型;
注意力机制构建模块,用于在所述编码器-解码器模型中,构建注意力机制;
训练模块,用于使用所述输入序列训练所述编码器-解码器模型;
权重向量生成模块,用于在训练完成之后,获得所述注意力机制中为所述输入序列生成的一组权重向量;
异常原因生成模块,用于通过每一个权重向量确定各异常类型与各输入元素之间的相关性,进而基于所述相关性确定发动机的异常原因。
9.一种电子设备,其特征在于,包括:
处理器;
存储器,存储用于所述处理器控制如权利要求1-7任一项所述的一种发动机异常原因分析方法步骤。
10.一种计算机可读介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的一种发动机异常原因分析方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554072.2A CN112597704B (zh) | 2020-12-24 | 2020-12-24 | 一种发动机异常原因分析方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554072.2A CN112597704B (zh) | 2020-12-24 | 2020-12-24 | 一种发动机异常原因分析方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597704A true CN112597704A (zh) | 2021-04-02 |
CN112597704B CN112597704B (zh) | 2024-02-06 |
Family
ID=75202373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011554072.2A Active CN112597704B (zh) | 2020-12-24 | 2020-12-24 | 一种发动机异常原因分析方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597704B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060666A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Video system using dual stage attention based recurrent neural network for future event prediction |
CN109714322A (zh) * | 2018-12-14 | 2019-05-03 | 中国科学院声学研究所 | 一种检测网络异常流量的方法及其系统 |
US20200064822A1 (en) * | 2018-08-27 | 2020-02-27 | Nec Laboratories America, Inc. | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data |
CN111209168A (zh) * | 2020-01-14 | 2020-05-29 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于nLSTM-self attention的日志序列异常检测框架 |
US20200210393A1 (en) * | 2018-09-14 | 2020-07-02 | Verint Americas Inc. | Framework and method for the automated determination of classes and anomaly detection methods for time series |
US10814815B1 (en) * | 2019-06-11 | 2020-10-27 | Tangerine Innovation Holding Inc. | System for determining occurrence of an automobile accident and characterizing the accident |
CN111860785A (zh) * | 2020-07-24 | 2020-10-30 | 中山大学 | 基于注意力机制循环神经网络的时间序列预测方法及系统 |
CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
-
2020
- 2020-12-24 CN CN202011554072.2A patent/CN112597704B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060666A1 (en) * | 2016-08-29 | 2018-03-01 | Nec Laboratories America, Inc. | Video system using dual stage attention based recurrent neural network for future event prediction |
US20200064822A1 (en) * | 2018-08-27 | 2020-02-27 | Nec Laboratories America, Inc. | Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data |
US20200210393A1 (en) * | 2018-09-14 | 2020-07-02 | Verint Americas Inc. | Framework and method for the automated determination of classes and anomaly detection methods for time series |
CN109714322A (zh) * | 2018-12-14 | 2019-05-03 | 中国科学院声学研究所 | 一种检测网络异常流量的方法及其系统 |
US10814815B1 (en) * | 2019-06-11 | 2020-10-27 | Tangerine Innovation Holding Inc. | System for determining occurrence of an automobile accident and characterizing the accident |
CN111209168A (zh) * | 2020-01-14 | 2020-05-29 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种基于nLSTM-self attention的日志序列异常检测框架 |
CN111914873A (zh) * | 2020-06-05 | 2020-11-10 | 华南理工大学 | 一种两阶段云服务器无监督异常预测方法 |
CN111860785A (zh) * | 2020-07-24 | 2020-10-30 | 中山大学 | 基于注意力机制循环神经网络的时间序列预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
李清涛 等: "基于人工神经网络全连接层优化的线损异常诊断方法研究", 《电气应用》, pages 1 - 7 * |
Also Published As
Publication number | Publication date |
---|---|
CN112597704B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929869B (zh) | 序列数据处理方法、装置、设备及存储介质 | |
US20190034497A1 (en) | Data2Data: Deep Learning for Time Series Representation and Retrieval | |
CN109902832A (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
JP6661839B1 (ja) | 時系列データ診断装置、追加学習方法およびプログラム | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN110326002A (zh) | 使用在线注意的序列处理 | |
US11288065B2 (en) | Devops driven cognitive cost function for software defect prediction | |
US20200234145A1 (en) | Action selection using interaction history graphs | |
CN113326590B (zh) | 基于深度学习模型的滚动轴承寿命预测方法和装置 | |
CN115903741B (zh) | 一种工业控制系统数据异常检测方法 | |
CN112763967B (zh) | 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 | |
CN116089870A (zh) | 基于元学习的小样本条件下工业设备故障预测方法及装置 | |
US20220011760A1 (en) | Model fidelity monitoring and regeneration for manufacturing process decision support | |
CN113487019A (zh) | 电路故障诊断方法、装置、计算机设备和存储介质 | |
CN112633476B (zh) | 一种发动机状态监测方法、系统、设备及介质 | |
Liu et al. | A variational transformer for predicting turbopump bearing condition under diverse degradation processes | |
Stöcker et al. | A novel self-adversarial training scheme for enhanced robustness of inelastic constitutive descriptions by neural networks | |
CN114694379A (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN117540136A (zh) | 时序信号预测方法、装置、设备及存储介质 | |
CN117273217A (zh) | 一种空间碎片轨道预报方法、系统及电子设备 | |
CN112597704B (zh) | 一种发动机异常原因分析方法、系统、设备及介质 | |
CN114968821A (zh) | 基于强化学习的测试数据生成方法及装置 | |
CN114461499A (zh) | 异常信息检测模型的构建方法和灰度环境异常检测方法 | |
KR20220144707A (ko) | 고도화된 crnn 알고리즘을 적용한 고장 예측 및 사전정비 시스템 | |
CN114730380A (zh) | 神经网络的深度并行训练 |
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 |