CN115310517A - 一种基于改进分段线性表示的航空发动机在线异常检测方法 - Google Patents

Abstract

本发明公开了一种基于改进分段线性表示的航空发动机在线异常检测方法，包括：积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；基于改进的SWAB分段方法分别对离线历史数据和实时在线数据进行分段线性表示；对离线历史数据和在线实时数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD，训练得到正常样本的超球面边界；将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。本发明具备在线异常检测能力，在极度缺乏异常样本的条件下，能够实现对航空发动机准确且高效的异常检测。

Description

一种基于改进分段线性表示的航空发动机在线异常检测方法

技术领域

本发明涉及飞机异常检测技术领域，尤其涉及一种航空发动机的在线异常检测方法。

背景技术

航空发动机作为飞机的核心，一旦出现故障将会造成不可接受的损失。如果能够及时发现发动机的异常，并采取早期干预措施，则可以最大限度地保障飞机的可靠性和安全性。据不完全统计，在航空发动机出现的异常中，气路异常占比超过90％。因此，准确而高效的气路系统在线异常检测方法至关重要。

监测数据的在线异常检测可以分为点异常检测和子序列异常检测。其中，人们更关心的是持续的异常，即子序列异常。现有的解决这类问题的在线异常检测方法是基于滑动窗的方法，此类方法的滑动窗的窗宽和步长难以设置，窗宽或步长过大容易导致微小异常难以发现，造成漏检；窗宽过小，便类似于逐点检测，依赖于阈值，不能有效利用监测数据的时序特征，导致异常检测的准确性不足。此外，极度缺乏异常样本也是航空发动机异常检测面临的难题，传统的监督学习和无监督学习方法都无法有效发挥作用。

因此，如何提出一种航空发动机的在线异常检测方法，具备在线异常检测能力，并弥补传统滑动窗的不足，同时克服极度缺乏异常样本的难题是本领域技术人员亟需解决的问题。

发明内容

本发明目的是提供了一种基于改进分段线性表示的航空发动机在线异常检测方法，以解决上述问题。

本发明解决技术问题采用如下技术方案：

一种基于改进分段线性表示的航空发动机在线异常检测方法，包括如下步骤：

S1、积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；

S2、基于改进的SWAB分段方法分别对离线历史数据和实时在线数据进行分段线性表示；

S3、对离线历史数据和在实时线数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；

S4、利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD，训练得到正常样本的超球面边界；

S5、将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。

进一步的，对离线历史数据和实时在线数据进行分段线性表示的方法为：根据时序数据变化特征，自适应地确定窗宽的方法，使得窗内的数据具有相似的变化趋势，而将转折点、突变点分离出来；最终将离线数据和在线数据划分为多个分段，用直线段逼近每个分段。

进一步的，所述步骤S2具体包括：

保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n-1段；

报告段对应的数据从缓冲区中删除，并读入更多的数据点，这些点被合并到缓冲区中，并再次应用自底向上；

只要数据到达，就会重复这个过程：对缓冲区应用自底向上、报告最左边的n-1段和读取下一个子序列。

进一步的，自底向上分段方法，具体步骤包括：

首先创建n-1段，实现对长度为n的时间序列的最佳逼近；

计算合并每一对相邻线段的代价；

迭代合并代价最低的线段，直到满足停止条件。

进一步的，合并方法采用最小二乘拟合，合并代价为最小二乘拟合的拟合误差：

其中，T为待拟合的序列段，n为序列段长度，y_i为真实值，

为拟合值，α+βx_i为拟合直线，α,β为直线参数，x_i为时间。

进一步的，所述停止条件，设置为merge_cost_min＞α；其中，α是误差阈值，根据序列的峰峰值设置，如下：

x₁,x₂,...,x_n＝rank{a₁,a₂,...,a_n}

α＝x_0.99n-x_0.01n

其中，a₁,a₂,...,a_n是离线的由正常数据构成的时间序列，x₁,x₂,...,x_n是对a₁,a₂,...,a_n由小到大排序的结果。

进一步的，步骤S3提取的特征采用每个直线段的均值和方差，这二者分别体现数据的大小和变化趋势，将这两个特征归一化得到离线训练样本和在线待检测样本。

进一步的，SVDD模型训练的流程如下：

步骤S4.1、给定训练样本X＝{x_i},i＝1,2,…,N，支持向量数据描述方法最小化如下目标函数：

并且约束：||x_i-a||²≤R²+ξ_i，ξ_i≥0,

其中，R是超球面半径，a是超球面中心，C是惩罚因子，ξ_i是松弛因子；

步骤S4.2、根据Lagrange乘数法，引入Lagrange乘子α_i≥0，μ_i≥0，约束可以被合并入F(R,a)式：

根据拉格朗日对偶性及KKT条件，将上述问题转换为如下二次规划问题：

步骤S4.3、计算超球面中心：

计算超球面半径：

其中，需满足0＜α_l＜C。

进一步的，SVDD模型异常判别的流程如下：

步骤S5.1、对于待测试样本z，计算f(z)：

步骤S5.2、根据f(z)，判断待检测样本是否异常：

其中，w_normal表示正常区域，w_outlier表示异常区域。

有益效果：

本发明提供了一种基于改进分段线性表示的航空发动机在线异常检测方法，对发动机气路监测数据进行分段线性表示，自适应地确定窗宽，弥补了固定滑动窗的缺陷；针对航空发动机异常样本非常少的问题，采用单分类模型SVDD，以离线的正常样本训练，实现对在线样本的异常检测。

附图说明

图1附图为本发明提供的航空发动机的在线异常检测方法的流程图。

图2附图为本发明所述在线分段线性表示方法流程图。

图3附图为本发明所述单分类异常检测模型的训练样本和超球面边界。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明公开了一种基于改进分段线性表示的航空发动机在线异常检测方法，包括如下步骤：

S1、积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；

S2、基于改进的SWAB(滑动窗自底向上)分段方法分别对离线历史数据和实时在线数据进行分段线性表示；根据时序数据变化特征，自适应地确定窗宽的方法，使得窗内的数据具有相似的变化趋势，而将转折点、突变点分离出来；最终将离线数据和在线数据划分为多个分段，用直线段逼近每个分段。

S3、对离线历史数据和在实时线数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；由于每一段都是一个直线段，其最主要特征就是均值和斜率，这二者分别体现数据的大小和变化趋势，将这两个特征归一化得到离线训练样本和在线待检测样本。

S4、利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD(支持向量数据描述)，训练得到正常样本的超球面边界；

S5、将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。

所述步骤S2具体包括：

保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n-1段；

报告段对应的数据从缓冲区中删除，并读入更多的数据点，这些点被合并到缓冲区中，并再次应用自底向上；

只要数据到达，就会重复这个过程：对缓冲区应用自底向上、报告最左边的n-1段和读取下一个子序列。其中，自底向上算法首先创建n-1段，实现对长度为n的时间序列的最佳逼近。然后，计算合并每一对相邻线段的代价，算法开始迭代合并代价最低的线段，直到满足停止条件。

本实施例中，自底向上分段方法，具体步骤包括：

首先创建n-1段，实现对长度为n的时间序列的最佳逼近；

计算合并每一对相邻线段的代价；

迭代合并代价最低的线段，直到满足停止条件。

本实施例中，合并方法采用最小二乘拟合，合并代价为最小二乘拟合的拟合误差：

其中，T为待拟合的序列段，n为序列段长度，y_i为真实值，

为拟合值，α+βx_i为拟合直线，α,β为直线参数，x_i为时间。

本实施例中，所述停止条件，设置为merge_cost_min＞α；其中，α是误差阈值，根据序列的峰峰值设置，如下：

x₁,x₂,...,x_n＝rank{a₁,a₂,...,a_n}

α＝x_0.99n-x_0.01n

其中，a₁,a₂,...,a_n是离线的由正常数据构成的时间序列，x₁,x₂,...,x_n是对a₁,a₂,...,a_n由小到大排序的结果。

本实施例中，SVDD模型训练的流程如下：

步骤S4.1、给定训练样本X＝{x_i},i＝1,2,…,N，支持向量数据描述方法最小化如下目标函数：

并且约束：||x_i-a||²≤R²+ξ_i，

其中，R是超球面半径，a是超球面中心，C是惩罚因子，ξ_i是松弛因子；

步骤S4.2、根据Lagrange乘数法，引入Lagrange乘子α_i≥0，μ_i≥0，约束可以被合并入F(R,a)式：

根据拉格朗日对偶性及KKT条件，将上述问题转换为如下二次规划问题：

步骤S4.3、计算超球面中心：

计算超球面半径：

其中，需满足0＜α_l＜C。

本实施例中，SVDD模型异常判别的流程如下：

步骤S5.1、对于待测试样本z，计算f(z)：

步骤S5.2、根据f(z)，判断待检测样本是否异常：

其中，w_normal表示正常区域，w_outlier表示异常区域。

实施例2

如图1所示，本发明提出了一种基于改进分段线性表示的航空发动机在线异常检测方法，包括如下步骤：

步骤S1、积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据。航空发动机功能主要包括压力调节、温度控制、中压转高压(发动机气源)和监控。在飞行阶段，发动机的关键监测参数包括预冷器温度、发动机N1转速、发动机N2转速以及预冷器压力等。

步骤S2、分别对离线历史数据和实时在线数据进行分段线性表示。改进的SWAB在线分段线性表示方法流程图如图2所示：保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n-1段；报告段对应的数据从缓冲区中删除，并读入更多的数据点。这些点被合并到缓冲区中，并再次应用自底向上；只要数据到达，就会重复这个过程：对缓冲区应用自底向上、报告最左边的n-1段和读取下一个子序列。

具体地，在线分段线性表示各步骤详细说明如下：

步骤S2.1、保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n-1段。其中，自底向上分段的过程如下：

(1)创建n-1段，实现对长度为n的时间序列的最佳逼近；

(2)计算合并每一对相邻线段的代价：

merge_cost(i)＝calculate_error([merge(Seg_TS(i),Seg_TS(i+1))])

其中，i＝1,2,...,n-1，Seg_TS(i)表示第i段，[merge(Seg_TS(i),Seg_TS(i+1))]表示合并Seg_TS(i)和Seg_TS(i+1)组成的序列段。

本方法采用的合并方式为最小二乘线性拟合，代价计算公式为：

其中，T为待拟合的序列段，n为序列段长度，y_i为真实值，

为拟合值，α+βx_i为拟合直线，α,β为直线参数，x_i为时间。

(3)迭代合并代价最低的线段，直到满足停止条件：

merge_cost_min＞α

其中，merge_cost_min表示最低的合并代价，α是误差阈值，本方法中提出根据序列的峰峰值设置误差阈值，如下式所示，

x₁,x₂,...,x_n＝rank{a₁,a₂,...,a_n}

α＝x_0.99n-x_0.01n

其中，a₁,a₂,...,a_n是离线的由正常数据构成的时间序列，x₁,x₂,...,x_n是对a₁,a₂,...,a_n由小到大排序的结果。

步骤S2.2、报告段对应的数据从缓冲区中删除，并读入更多的数据点。这些点被合并到缓冲区中，并再次应用自底向上。

步骤S3、历史数据和在线数据分段后，对每一个直线段进行特征提取。对于直线段来说，最主要特征就是均值和斜率，这二者分别体现数据的大小和变化趋势。因此，在本方法中提取每个直线段的均值和斜率，归一化后构造得到二维样本。

具体地，直线段特征提取的详细流程如下：

步骤S3.1、计算每个直线段的均值和斜率，得到二维数据。

步骤S3.2、数据归一化处理：

T为一条时间序列，T_i为T中第i条数据，min(T)为T中最小值，max(T)为T中最大值。

其中，历史数据得到训练样本和在线数据得到待检测样本。

步骤S4、训练异常检测模型。将步骤3得到的离线训练样本输入SVDD模型，训练得到正常样本的超球面边界。

具体地，SVDD模型训练的详细流程如下：

步骤S4.1、给定训练样本X＝{x_i},i＝1,2,…,N，支持向量数据描述方法最小化如下目标函数：

并且约束：||x_i-a||²≤R²+ξ_i，ξ_i≥0,

其中，R是超球面半径，a是超球面中心，C是惩罚因子，ξ_i是松弛因子。

步骤S4.2、根据Lagrange乘数法，引入Lagrange乘子α_i≥0，μ_i≥0，约束可以被合并入F(R,a)式：

根据拉格朗日对偶性及KKT(Karush-Kuhn-Tucher)条件，将上述问题转换为如下二次规划问题：

步骤S4.3、计算超球面中心：

计算超球面半径：

其中，需满足0＜α_l＜C。

步骤S5、将在线待检测样本输入训练好的SVDD模型，实现异常判别。

具体地，SVDD模型异常判别的详细流程如下：

步骤S5.1、对于待测试样本z，计算f(z)：

步骤S5.2、根据f(z)，判断待检测样本是否异常：

本发明提供了一种基于改进分段线性表示的航空发动机在线异常检测方法，对发动机气路监测数据进行分段线性表示，自适应地确定窗宽，弥补了固定滑动窗的缺陷；针对航空发动机异常样本非常少的问题，采用单分类模型SVDD，以离线的正常样本训练，实现对在线样本的异常检测。

本发明针对滑动窗方法存在的不足，提出了一种改进的在线序列分段方法，对发动机气路监测数据进行分段线性表示，自适应地确定窗宽，使得窗内的数据具有相似的变化趋势，而将转折点、突变点等分离出来。改进的在线分段方法，提高了现有分段算法的效率。针对航空发动机样本分布极不均衡，异常样本非常少的难题，采用只需要正常样本的单分类异常检测模型，以离线的正常样本训练，对在线样本进行异常检测。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，包括如下步骤：

S1、积累历史飞行过程中航空发动机的正常状态数据，并采集飞机飞行过程中发动机的实时状态数据；

S2、基于改进的SWAB分段方法分别对离线历史数据和实时在线数据进行分段线性表示；

S3、对离线历史数据和在实时线数据分段后的每一个直线段进行特征提取，得到离线训练样本和在线待检测样本；

S4、利用离线训练样本，训练异常检测模型，模型采用只需要正常样本的单分类模型SVDD，训练得到正常样本的超球面边界；

S5、将在线待检测样本输入训练好的单分类模型SVDD，实现异常判别。

2.根据权利要求1所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，对离线历史数据和实时在线数据进行分段线性表示的方法为：根据时序数据变化特征，自适应地确定窗宽的方法，使得窗内的数据具有相似的变化趋势，而将转折点、突变点分离出来；最终将离线数据和在线数据划分为多个分段，用直线段逼近每个分段。

3.根据权利要求2所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，所述步骤S2具体包括：

保持一个大小为w的缓冲区，自底向上方法应用于缓冲区中的数据，得到n条直线段，并报告最左边的n-1段；

报告段对应的数据从缓冲区中删除，并读入更多的数据点，这些点被合并到缓冲区中，并再次应用自底向上；

只要数据到达，就会重复这个过程：对缓冲区应用自底向上、报告最左边的n-1段和读取下一个子序列。

4.根据权利要求3所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，自底向上分段方法，具体步骤包括：

首先创建n-1段，实现对长度为n的时间序列的最佳逼近；

计算合并每一对相邻线段的代价；

迭代合并代价最低的线段，直到满足停止条件。

5.根据权利要求4所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，合并方法采用最小二乘拟合，合并代价为最小二乘拟合的拟合误差：

其中，T为待拟合的序列段，n为序列段长度，y_i为真实值，

为拟合值，α+βx_i为拟合直线，α,β为直线参数，x_i为时间。

6.根据权利要求5所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，所述停止条件，设置为merge_cost_min＞α；其中，α是误差阈值，根据序列的峰峰值设置，如下：

x₁,x₂,...,x_n＝rank{a₁,a₂,...,a_n}

α＝x_0.99n-x_0.01n

其中，a₁,a₂,...,a_n是离线的由正常数据构成的时间序列，x₁,x₂,...,x_n是对a₁,a₂,...,a_n由小到大排序的结果。

7.根据权利要求1所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，步骤S3提取的特征采用每个直线段的均值和方差，这二者分别体现数据的大小和变化趋势，将这两个特征归一化得到离线训练样本和在线待检测样本。

8.根据权利要求1所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，SVDD模型训练的流程如下：

步骤S4.1、给定训练样本X＝{x_i},i＝1,2,…,N，支持向量数据描述方法最小化如下目标函数：

并且约束：

其中，R是超球面半径，a是超球面中心，C是惩罚因子，ξ_i是松弛因子；

步骤S4.2、根据Lagrange乘数法，引入Lagrange乘子α_i≥0，μ_i≥0，约束可以被合并入F(R,a)式：

根据拉格朗日对偶性及KKT条件，将上述问题转换为如下二次规划问题：

步骤S4.3、计算超球面中心：

计算超球面半径：

其中，需满足0＜α_l＜C。

9.根据权利要求8所述的一种基于改进分段线性表示的航空发动机在线异常检测方法，其特征在于，SVDD模型异常判别的流程如下：

步骤S5.1、对于待测试样本z，计算f(z)：

步骤S5.2、根据f(z)，判断待检测样本是否异常：

其中，w_normal表示正常区域，w_outlier表示异常区域。

Images