CN115186762A - 一种基于dtw-knn算法的发动机异常检测方法及系统 - Google Patents
一种基于dtw-knn算法的发动机异常检测方法及系统 Download PDFInfo
- Publication number
- CN115186762A CN115186762A CN202210908005.9A CN202210908005A CN115186762A CN 115186762 A CN115186762 A CN 115186762A CN 202210908005 A CN202210908005 A CN 202210908005A CN 115186762 A CN115186762 A CN 115186762A
- Authority
- CN
- China
- Prior art keywords
- signal
- engine
- time subsequence
- sample
- subsequence
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于DTW‑KNN算法的发动机异常检测方法及系统,方法包括以下步骤:获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;构建聚类模型并训练,所述聚类模型用于对待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列;获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果。本发明有着计算复杂度较低和易于部署实现等优点。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种基于DTW-KNN算法的发动机异常检测方法及系统。
背景技术
异常检测一直是研究者和工程人员的感兴趣的一类任务。研究人员探索了异常检测在诸多领域中的应用,如信用卡诈骗检测、网络入侵检测以及工业设备异常检测。时间序列的异常检测关注某一时间序列在一段时间内的异常行为。在对时间序列异常检测的最早的研究中,单变量时间序列的异常被分类为两种:单次观测异常和连续观测异常。而对于时间序列子序异常检测问题,通常作法是用滑动窗口法将原时间序列切割为一系列定长子序,并建立判别这些子序为异常和非异常的分类器。因而,该异常检测问题可以自然的转化为时间序列分类问题。其中最流行的一种就是用最近邻方法(Nearest Neighbers)同一种距离函数结合,考察一个未分类子序最近的一个或多个子序是异常还是非异常,并对该为分类子序给出相应的分类。
研究者们在将机器学习特别是深度学习应用于时间序列分类上,也做出了很多尝试。基于深度学习的时间序列分类算法可以分为生成模型算法(Generative Models)和判别模型算法(Discriminative Models)。生成模型的目标是在对时间序列分类前,将其进行某种变换,该变化可以使得分类器更容易区不同类别的时间序列。如自预测模型,并将时间序列在自预测模型中的储(Reservoir Computing)表达用于分类;而判别模型算法的输入为时间序列的原始输入,输出为时间序列分类的概率分布。有多层感知网络(MultipleLayer Per-ceptron,MLP)构建了端到端的时间序列分类器。但是基于深度学习的时间序列分类方法,无论是生成模型算法还是判别模型方法,都需要大量的数据进行训练,在小样本应用场景中,只能通过提高模型拓扑结构的复杂度来提升精度,容易产生过拟合。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供基于DTW-KNN算法的发动机异常检测方法及系统,有着计算复杂度较低和易于部署实现等优点。
为解决上述技术问题,本发明提出的技术方案为:
一种基于DTW-KNN算法的发动机异常检测方法,包括以下步骤:
获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;
构建聚类模型并训练,所述聚类模型用于对待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列;
获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果。
进一步的,将所述发动机运行样本信号的时间子序列分类为正常或异常的步骤具体包括:在所述发动机运行样本信号标注正常信号区间和异常信号区间,分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
进一步的,计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离具体包括:
分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m;
根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离,构造p×m的矩阵M;
根据矩阵M中的元素以及预设的约束构建曲率路径,计算最短的曲率路径Wm所有元素之和,得到当前时间子序列与当前样本时间子序列的DTW距离。
进一步的,预设的约束包括:
1)边界约束,w1=(1,1),wK=(m,p),w1为所述曲率路径的第一个元素,wK为所述曲率路径的最后一个元素,m、p分别为矩阵M中的元素坐标;
2)连续性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≤1,b-b′≤1,wk、wk-1分别为所述曲率路径中相邻的元素;
3)单调性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≥0,b-b′≥0,wk、wk-1分别为所述曲率路径中相邻的元素。
进一步的,获取发动机运行样本信号之后还包括,若发动机运行样本信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的发动机样本信号;
获取待检测发动机信号之后还包括,若所述待检测发动机信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的待检测发动机信号。
本发明还提出一种基于DTW-KNN算法的发动机异常检测系统,包括:
数据获取单元,用于获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;还用于获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果;
模型构建单元,用于构建聚类模型并训练,所述聚类模型用于对所述待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列。
进一步的,所述数据获取单元将所述发动机运行样本信号的时间子序列分类为正常或异常时被配置以执行:在所述发动机运行样本信号标注正常信号区间和异常信号区间,分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
进一步的,所述模型构建单元计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离时被配置以执行:
分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m;
根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离,构造p×m的矩阵M;
根据矩阵M中的元素以及预设的约束构建曲率路径,计算最短的曲率路径Wm所有元素之和,得到当前时间子序列与当前样本时间子序列的DTW距离。
进一步的,所述模型构建单元执行的预设的约束包括:
1)边界约束,w1=(1,1),wK=(m,p),w1为所述曲率路径的第一个元素,wK为所述曲率路径的最后一个元素,m、p分别为矩阵M中的元素坐标;
2)连续性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≤1,b-b′≤1,wk、wk-1分别为所述曲率路径中相邻的元素;
3)单调性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≥0,b-b′≥0,wk、wk-1分别为所述曲率路径中相邻的元素。
进一步的,所述数据获取单元还被配置以执行:
获取发动机运行样本信号之后,若发动机运行样本信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的发动机样本信号;
获取待检测发动机信号之后,若所述待检测发动机信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的待检测发动机信号。
与现有技术相比,本发明的优点在于:
本发明实现了发动机异常检测需求,获取待检测发动机信号并采用可变长度滑窗法切割为不同长度的时间子序列,避免丢失重要特征点,随后计算各时间子序列与样本中的样本时间子序列的DTW距离,并以K近邻算法聚类并区分正常和异常子序,最终将异常子序列在原始信号上标注出来,直观的反映出发动机异常情况,并在算法复杂度和时间序列信息损失之间取得了平衡。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的聚类模型工作流程图。
图3为待检测发动机信号为单通道信号时原始信号序列和检测结果的对比图。
图4为待检测发动机信号为双通道信号时原始信号序列和检测结果的对比图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
在发动机运行参数异常检测应用场景中,具体应对两类问题:一类是单通道信号存在周期性异常;另一类是双通道信号存在异常,其中一路采集信号较另一路采集信号存在明显偏移。这两类异常检测问题都可以规约为时间序列分类问题,并用DTW-KNN(基于动态时间曲率的k近邻算法)求解。
基于动态时间曲率的k近邻算法是一种轻量级的时间序列分类法方法,也可以自然的应用于时间序列异常检测之中。尽管研究人员已经为时间序列的异常检测问题提出了多种基于模型融合或深度学习的更为成熟的解决方法,但是这些方法往往计算复杂度高、部署难度大、在应对小样本应用场景是时容易过拟合。更重要的是,这些方法的表现往往并不优于基于动态时间曲率的k近邻算法。我们尝试将基于动态时间曲率的k近邻算法应用到了发动机运行参数异常检测中,得到了较为满意的结果。事实证明,对于一个全新的时间序列分类或异常检测场景,基于动态时间曲率的k近邻算法是一种值得优先考虑的快速部署方案。
如图1所示,本实施例提出一种基于DTW-KNN算法的发动机异常检测方法,包括以下步骤:
获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;
构建聚类模型并训练,如图2所示,所述聚类模型用于对待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列;
获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果。
本实施例中,发动机运行样本信号以及待检测发动机信号均为发动机测点电压的时间序列数据,本实施例对于这些时间序列数据采用可变长度滑窗法,进行了多次的、可变长度的滑窗,用多组不同长度时间序列子序来表征原时间序列(可变长度滑窗法为本领域技术人员熟知的方法,在此不再赘述),并用其进行之后的聚类运算,在算法复杂度和时间序列信息损失之间寻取平衡,能够避免以往在时间序列聚类的研究中采用等长划分的时间序列,导致重要特征点丢失,影响最后的聚类结果的问题。
本实施例中,将发动机运行样本信号的时间子序列分类为正常或异常的步骤具体包括:在所述发动机运行样本信号标注正常信号区间和异常信号区间,然后采用可变长度滑窗法,分别将正常信号区间和异常信号区间分割为时间子序列组,从而能够从正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
本实施例中,计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,即采用动态时间曲率距离算法(DTW)将各时间子序列与各样本时间子序列进行对齐,并计算对齐后的两个时间子序列之间的距离。
DTW是一个简单的衡量两个时间序列相似性的工具。DTW的主要思想是将两个时间序列以不同方式进行对齐,并在实施最优的对齐之后,计算两个时间序列的距离。下面我们形式化的定义DTW距离。
假设我们有两个时间序列Q和C,包含的观察点数目分别为p和m,如下所示:
Q=q1,q2,q3,...,qi,...,qp (1)
C=c1,c2,c3,...,ci,...,cm (2)
上式中,q1,q2,q3,...,qi,...,qp以及c1,c2,c3,...,ci,...,cm分别为时间序列Q和C中的元素。
为了对齐两个时间序列Q和C,我们构造一个p×m的矩阵M。矩阵的第(i,j)个元素存放的是Q中qi点和C中cj点之间的距离d(di,cj)(欧式距离,d(qi,cj)=(qi-cj)2)。一个曲率路径W为包含矩阵M中元素点的连续集,定义W中的一个元素wk=(i,j),W可以表示为:
W=w1,w2,...,wk,...,wK (3)
max(m,p)≤K≤m+p-1 (4)
可以看到,W表示的曲率路径可以用来表示曲线Q到曲线C的一种映射方式,也可看作是对齐方式。
我们还要为曲率路径W增加一组约束:
1)边界约束,曲率路径W的第一个元素w1=(1,1),最后一个元素wK=(m,p),(1,1)表示矩阵M第一行第一列的元素,(m,p)表示矩阵M第m行第p列的元素,保证曲线Q到曲线C是端到端的映射;
2)连续性约束,设曲率路径W的两个相邻元素wk=(a,b),wk-1=(a′,b′),则a–a′≤1,b-b′≤1;
3)单调性约束,设曲率路径W的两个相邻元素wk=(a,b),wk-1=(a′,b′),则a–a′≥0,b-b′≥0。
满足以上约束的曲率路径W即为一个合理的从曲线Q到曲线C的一种映射,从所有的满足以上约束的曲率路径W中,找到一个曲率路径Wm,使得该曲率路径中的每一个点到点的映射距离之和最小,即所有元素wk之和最小,这个距离之和也就是最终的DTW距离。
因此,计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离时,将当前时间子序列与当前样本时间子序列分别作为前述两个时间序列Q和C,以这两个时间序列中的数值作为观察点,并按照前述记载的内容实施最优的对齐之后计算DTW距离。
计算得到所有时间子序列与样本时间子序列的DTW距离之后,采用K近邻算法进行聚类,得到各时间子序列的类别,K近邻算法是一种非参数式的分类方法和回归方法。当K近邻算法作为分类方法时,其思想如下:在空间中给定A类训练样本a1,a2,...,am和B类训练样本b1,b2,...,bn,对于一个未分类样本u,在A类训练样本和B类训练样本中寻找k个距离u最近的样本。如果k个距离u最近的样本中,A类样本占多数,则将样本u分类为A类,反之将其分类为B类。因此按照上述思想,对于当前时间子序列DTW距离最近的k个样本时间子序列,由于已经通过前述步骤知晓其来源于正常信号区间还是异常信号区间,则来源于正常信号区间的样本时间子序列出现频率较高(大于50%)时,当前时间子序列为正常信号,来源于异常信号区间的样本时间子序列出现频率较高(大于50%)时,当前时间子序列为异常信号。
对于发动机信号双通道异常检测,由于双路采集硬件往往在空间上存在距离,因而获得的一路信号往往较另一路信号在时间上会存在滞后,因此需要对于双通道数据进行对齐操作,利用双通道数据的残差进行分类。
因此,获取发动机运行样本信号之后还包括,若发动机运行样本信号为双通道信号,获取所述双通道信号的规整曲线,即将双通道信号作为分别作为前述两个时间序列Q和C,以这两个时间序列中的数值作为观察点,并按照前述记载的内容实施最优的对齐,得到对应的曲率路径Wm作为规整曲线,计算所述规整曲线的残差作为新的发动机样本信号;
获取待检测发动机信号之后还包括,若所述待检测发动机信号为双通道信号,获取所述双通道信号的规整曲线,即将双通道信号作为分别作为前述两个时间序列Q和C,以这两个时间序列中的数值作为观察点,并按照前述记载的内容实施最优的对齐,得到对应的曲率路径Wm作为规整曲线,计算所述规整曲线的残差作为新的待检测发动机信号。
本实施例中,构建好聚类模型之后,则使用训练集训练聚类模型并使用测试集测试训练好的聚类模型,直到聚类模型的准确率能够满足要求,训练集和测试集可以是来自于发动机运行样本信号的样本时间子序列,也可以是新的发动机测点电压时间序列数据。模型的训练和测试均为本领域技术人员已知的成熟技术,在此不再赘述。
如图3和图4所示,图中深色区域为检测到的异常信号,单通道信号的异常检测中,本实施例将待检测发动机信号采用可变长度滑窗法划分为878个时间子序列后进行了分类,成功判别了618个正常时间子序列和229个异常时间子序列,错误判别的正常时间子序列为31个,没有错误判别的异常时间序列。双通道信号的异常检测中,本实施例将待检测发动机信号对齐并求取残差后,采用可变长度滑窗法划分为3441个时间子序列并进行了分类,成功判别了3370个正常子时间序列和42个异常时间子序列,错误判别的正常时间子序列为5个,错误判别的异常时间子序列为24个。从统计结果上来看,单通道信号时间序列的分类准确率在96.4%,精度为95.2%;双通道信号情况下,由于正常时间序列占比较高并且判别较为准确,整体精度和准确率达到了99%以上。综合来看,本实施例的发动机运行参数的异常检测已经可以达到一个较为理想表现水平。
时间序列异常检测问题一直以来都受到了研究人员和工程人员关注。研究人员利用模型融合、深度学习等手段,开发出了如HIVE-COTE表现优异的时间序列分类器。但是他们计算复杂度高、部署难度大、在应对小样本应用场景是时容易过拟合。DTW-KNN作为一种轻量级时间序列分类器,在以往的诸多研究中,被证明其表现往往优于复杂度更高的模型。我们将这DTW-KNN应用到了发动机运行参数异常检测中,也得到了较为满意的结果。事实证明,DTW-KNN对于一个全新的时间序列分类或异常检测场景,是一种值得首先考虑的快速部署方案,也可以用来旁证其他方案的有效性。
实施例二
本实施例根据实施例一提出一种基于DTW-KNN算法的发动机异常检测系统,包括:
数据获取单元,用于获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;还用于获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果;
模型构建单元,用于构建聚类模型并训练,所述聚类模型用于对所述待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列。
本实施例中,数据获取单元将所述发动机运行样本信号的时间子序列分类为正常或异常时被配置以执行:在所述发动机运行样本信号标注正常信号区间和异常信号区间,采用可变长度滑窗法,分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
本实施例中,模型构建单元计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离时被配置以执行:
分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m;
根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离,构造p×m的矩阵M;
根据矩阵M中的元素以及预设的约束构建曲率路径,计算最短的曲率路径Wm所有元素之和,得到当前时间子序列与当前样本时间子序列的DTW距离。
本实施例中,模型构建单元执行的预设的约束包括:
1)边界约束,w1=(1,1),wK=(m,p),w1为所述曲率路径的第一个元素,wK为所述曲率路径的最后一个元素,m、p分别为矩阵M中的元素坐标;
2)连续性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≤1,b-b′≤1,wk、wk-1分别为所述曲率路径中相邻的元素;
3)单调性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≥0,b-b′≥0,wk、wk-1分别为所述曲率路径中相邻的元素。
本实施例中,数据获取单元还被配置以执行:
获取发动机运行样本信号之后,若发动机运行样本信号为双通道信号,获取所述双通道信号的规整曲线,即将双通道信号作为分别作为实施例一中两个时间序列Q和C,并按照对应的内容实施最优的对齐,得到对应的曲率路径Wm,计算所述规整曲线的残差作为新的发动机样本信号;
获取待检测发动机信号之后,若所述待检测发动机信号为双通道信号,获取所述双通道信号的规整曲线,即将双通道信号作为分别作为实施例一中两个时间序列Q和C,并按照对应的内容实施最优的对齐,得到对应的曲率路径Wm,计算所述规整曲线的残差作为新的待检测发动机信号。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于DTW-KNN算法的发动机异常检测方法,其特征在于,包括以下步骤:
获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;
构建聚类模型并训练,所述聚类模型用于对待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列;
获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果。
2.根据权利要求1所述的基于DTW-KNN算法的发动机异常检测方法,其特征在于,将所述发动机运行样本信号的时间子序列分类为正常或异常的步骤具体包括:在所述发动机运行样本信号标注正常信号区间和异常信号区间,分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
3.根据权利要求1所述的基于DTW-KNN算法的发动机异常检测方法,其特征在于,计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离具体包括:
分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m;
根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离,构造p×m的矩阵M;
根据矩阵M中的元素以及预设的约束构建曲率路径,计算最短的曲率路径Wm所有元素之和,得到当前时间子序列与当前样本时间子序列的DTW距离。
4.根据权利要求3所述的基于DTW-KNN算法的发动机异常检测方法,其特征在于,预设的约束包括:
1)边界约束,w1=(1,1),wK=(m,p),w1为所述曲率路径的第一个元素,wK为所述曲率路径的最后一个元素,m、p分别为矩阵M中的元素坐标;
2)连续性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≤1,b-b′≤1,wk、wk-1分别为所述曲率路径中相邻的元素;
3)单调性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≥0,b-b′≥0,wk、wk-1分别为所述曲率路径中相邻的元素。
5.根据权利要求1所述的基于DTW-KNN算法的发动机异常检测方法,其特征在于,获取发动机运行样本信号之后还包括,若发动机运行样本信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的发动机样本信号;
获取待检测发动机信号之后还包括,若所述待检测发动机信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的待检测发动机信号。
6.一种基于DTW-KNN算法的发动机异常检测系统,其特征在于,包括:
数据获取单元,用于获取发动机运行样本信号,并将所述发动机运行样本信号的样本时间子序列分类为正常或异常;还用于获取待检测发动机信号,并输入训练好的聚类模型,得到对应的检测结果;
模型构建单元,用于构建聚类模型并训练,所述聚类模型用于对所述待检测发动机信号采用可变长度滑窗法划分得到时间子序列组,然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离,对于每个时间子序列,在与其距离最近的k个样本时间子序列中,将出现频率最高的类别作为该时间子序列的状态,最后在待检测发动机信号中标记状态为异常的时间子序列。
7.根据权利要求6所述的基于DTW-KNN算法的发动机异常检测系统,其特征在于,所述数据获取单元将所述发动机运行样本信号的时间子序列分类为正常或异常时被配置以执行:在所述发动机运行样本信号标注正常信号区间和异常信号区间,分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
8.根据权利要求6所述的基于DTW-KNN算法的发动机异常检测系统,其特征在于,所述模型构建单元计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离时被配置以执行:
分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m;
根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离,构造p×m的矩阵M;
根据矩阵M中的元素以及预设的约束构建曲率路径,计算最短的曲率路径Wm所有元素之和,得到当前时间子序列与当前样本时间子序列的DTW距离。
9.根据权利要求8所述的基于DTW-KNN算法的发动机异常检测系统,其特征在于,所述模型构建单元执行的预设的约束包括:
1)边界约束,w1=(1,1),wK=(m,p),w1为所述曲率路径的第一个元素,wK为所述曲率路径的最后一个元素,m、p分别为矩阵M中的元素坐标;
2)连续性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≤1,b-b′≤1,wk、wk-1分别为所述曲率路径中相邻的元素;
3)单调性约束,设wk=(a,b),wk-1=(a′,b′),则a–a′≥0,b-b′≥0,wk、wk-1分别为所述曲率路径中相邻的元素。
10.根据权利要求6所述的基于DTW-KNN算法的发动机异常检测系统,其特征在于,所述数据获取单元还被配置以执行:
获取发动机运行样本信号之后,若发动机运行样本信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的发动机样本信号;
获取待检测发动机信号之后,若所述待检测发动机信号为双通道信号,获取所述双通道信号的规整曲线,计算所述规整曲线的残差作为新的待检测发动机信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908005.9A CN115186762A (zh) | 2022-07-29 | 2022-07-29 | 一种基于dtw-knn算法的发动机异常检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210908005.9A CN115186762A (zh) | 2022-07-29 | 2022-07-29 | 一种基于dtw-knn算法的发动机异常检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115186762A true CN115186762A (zh) | 2022-10-14 |
Family
ID=83520410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210908005.9A Pending CN115186762A (zh) | 2022-07-29 | 2022-07-29 | 一种基于dtw-knn算法的发动机异常检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115186762A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357646A (zh) * | 2022-10-17 | 2022-11-18 | 南昌工程学院 | 一种桥梁状态监测方法及系统 |
CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
-
2022
- 2022-07-29 CN CN202210908005.9A patent/CN115186762A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115357646A (zh) * | 2022-10-17 | 2022-11-18 | 南昌工程学院 | 一种桥梁状态监测方法及系统 |
CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
CN116258281B (zh) * | 2023-05-12 | 2023-07-25 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694879B (zh) | 一种多元时间序列异常模式预测方法及数据采集监控装置 | |
CN115186762A (zh) | 一种基于dtw-knn算法的发动机异常检测方法及系统 | |
US9779361B2 (en) | Method for learning exemplars for anomaly detection | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN110018670A (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
US20070088550A1 (en) | Method for predictive maintenance of a machine | |
US20150219530A1 (en) | Systems and methods for event detection and diagnosis | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
US10346758B2 (en) | System analysis device and system analysis method | |
JP5148457B2 (ja) | 異常判定装置、方法、及びプログラム | |
US10613960B2 (en) | Information processing apparatus and information processing method | |
US20070239629A1 (en) | Cluster Trending Method for Abnormal Events Detection | |
Shang et al. | Recursive dynamic transformed component statistical analysis for fault detection in dynamic processes | |
CN112911627B (zh) | 无线网络性能检测方法、装置以及存储介质 | |
CN112200104A (zh) | 一种基于增强主成分分析新型贝叶斯框架的化工故障诊断方法 | |
US11782395B2 (en) | Diagnostic device, diagnostic method and program | |
JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
US7483934B1 (en) | Methods involving computing correlation anomaly scores | |
Zhang et al. | Data anomaly detection for structural health monitoring by multi-view representation based on local binary patterns | |
CN112766429A (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
CN102521534A (zh) | 一种基于粗糙熵属性约简的入侵检测方法 | |
KR101505975B1 (ko) | 엔진 고장 진단 방법 및 고장 진단 시스템 | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 |
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 |