CN115526227A - 一种直升机飞行数据瞬时异常检测方法 - Google Patents
一种直升机飞行数据瞬时异常检测方法 Download PDFInfo
- Publication number
- CN115526227A CN115526227A CN202210972306.8A CN202210972306A CN115526227A CN 115526227 A CN115526227 A CN 115526227A CN 202210972306 A CN202210972306 A CN 202210972306A CN 115526227 A CN115526227 A CN 115526227A
- Authority
- CN
- China
- Prior art keywords
- data
- anomaly detection
- score
- anomaly
- abnormal
- 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
-
- 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
-
- 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
Abstract
本发明公开了一种直升机飞行数据瞬时异常检测方法,首先针对直升机飞行数据进行数据去噪和特征分析得到待异常检测飞行数据;然后选择多种异常检测算法,使用有标签的数据将多种异常检测算法的异常分数输入全连接层,学习参数,得到最终异常检测分数;最后将待检测飞行数据使用多种异常检测算法检测并将异常分数输入训练好的全连接层,得到最终的异常检测结果。本发明能有效且有一定可解释性地检测到直升机飞行中的瞬时异常。
Description
技术领域
本发明属于信息技术领域,具体设计一种直升机飞行数据瞬时异常检测方法。
背景技术
由于直升机结构复杂,在检查时难以做到面面俱到,飞行时可能遇见从未发生的情况,事故发生后的查找分析也十分困难。因此如何才能做到有效确保直升机飞行安全,是研究者们需要深入研究的一项重要课题。
直升机飞行数据具有数据量大、维度高以及没有标签的特征,目前已有的各种超限检测仅仅是规定使用固定的阈值进行逻辑判断,而忽略了大量其余飞行数据所提供的信息,产生数据利用率低的结果。同时,飞行数据中也可能存在多维数据异常,比如某两个参数单独检测都是正常范围内,但组合检测会变为异常的情况。如果仅仅考虑专家经验,这种组合异常很难被检测到。
发明内容
针对现有飞行数据异常检测方法以及飞行数据无标签的特征,本发明提供了一种直升机数据瞬时异常检测的方法,可以进行异常检测并有可解释性。
为了达到上述发明目的,本发明采用的技术方案为:一种直升机飞行数据瞬时异常检测方法,其特征在于,包括以下步骤:
S1、对直升机飞行数据进行数据去噪和特征分析得到待检测的飞行数据;
S2、选择多种异常检测算法,利用有标签的数据进行异常检测,得到异常分数;再将异常分数输入全连接层,对神经网络参数进行训练,得到基于异常检测分数训练的全连接神经网络;
S3、将待检测飞行数据输入训练后的全连接神经网络,得到最终的异常检测结果。
其中,所述步骤S1具体为:
S1.1、针对直升机飞行数据每一维度进行数据去噪,筛选出明显异常的数据并去除该条数据,得到初始数据集D;
S1.2、对步骤S1.1处理后的数据进行分析,提取出对其安全状态有较大影响的物理数据特征作为待异常检测的特征,根据筛选特征得到待异常检测数据集D'。
其中,所述步骤S2具体为:
S2.1、根据不同的分类选取k个无监督异常检测算法;
S2.2、选取m个有标签的数据集,分别使用所选无监督异常检测算法进行异常检测并得到每个方法对每条数据的异常打分并对于每一方法的分数进行归一化,得到初始打分矩阵 Srt,(r=1,2,3,…,k,t=1,2,3,…,m),Srt为使用第r种异常检测算法对第t个数据集异常检测的异常分数;
S2.3、构建损失函数为均方误差,以损失函数最小为目标,采用随机梯度下降法分别以m 个数据集作为训练集进行权重训练,并得到权重wt,(t=1,2,3,…,m);
S2.4、将每一组权重wt应用在全部数据集中进行异常检测,并计算该组权重平均auc,选取平均auc最高的权重作为最终异常检测分数的全连接神经网络。
进一步地,所述步骤S2.3中损失函数具体为:
其中,n为所选训练数据集的数据条数,xi为神经网络计算第i个点为异常点的概率,yi为第i个点的标签,
进一步地,所述步骤S2.3中所构建的神经网络中前馈函数为:
y=xAT+b
其中,y为该层输出,x为该层输入,A为该层权重矩阵,b为偏置参数。
其中,所述步骤S3具体为:
S3.1、定义异常比例θ,使用S2.1中选择的k个异常检测算法对待异常检测数据集D'进行异常检测并得到异常分数S'rt;
S3.2、将异常分数输入S2.4选择好的全连接神经网络中,得到最终的异常分数S't;
S3.3、将异常分数S't由高到底排序,并选取得分最高的前θ比例的点作为异常点。
本发明的有益效果为:
(1)本发明的复杂度较低,取决于所选用的基准无监督异常检测算法,并且识别精度相对于单一方法有auc的提升,可以实现更可靠的异常检测。
(2)本发明针对直升机飞行数据进行特征选择并使用全连接层将多种异常检测模型的异常检测结果加权,使得对于无标签的飞行数据的异常检测有更高的可解释性。
(3)本发明使用有标签的数据进行神经网络的训练并应用在无标签的数据上,有一定的可迁移性,网络权重训练好后在异常检测时可以减少计算开销。
附图说明
图1为本发明提出的一种直升机飞行数据瞬时异常检测方法的流程图。
图2为本发明的实施例中异常检测实验结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,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。
下面将结合附图详细说明本发明的实施例。
如图1所示,一种直升机数据瞬时异常检测方法,包括以下步骤:
S1、对直升机飞行数据进行数据去噪和特征分析得到待检测的飞行数据;
所述步骤S1具体为:
S1.1、由于直升机数据是传感器实时采集到的,传感器有可能不是同步开启,因此会存在噪声数据,针对每一维度进行数据去噪,筛选出明显异常的数据并去除该条数据,得到初始数据集D;
S1.2、直升机数据有多维数据特征,而在飞行中出现异常情况是通常反映在其姿态角(航向角、横滚角、俯仰角)以及其速度和加速度等物理参数中。因此,首先根据获取到的数据进行分析提取出对其安全状态影响较大的物理数据特征作为待异常检测的特征,根据筛选特征得到待异常检测数据集D'。
在本例中,使用的为某直升机飞行数据集,数据集中所包含的特征如表1所示:
表1直升机数据集特征类型表
根据S1.1,将明显不符合经纬度范围的噪声数据直接去除。
根据S1.2,所选择的异常检测特征为俯仰角和横滚角。
S2、选择多种异常检测算法,利用有标签的数据进行异常检测,得到异常分数;再将异常分数输入全连接层,对神经网络参数进行训练,得到基于异常检测分数训练的全连接神经网络;
所述步骤S2具体为:
S2.1、根据不同的分类选取k个无监督异常检测算法;
S2.2、选取m个有标签的数据集,分别使用所选无监督异常检测算法进行异常检测并得到每个方法对每条数据的异常打分并对于每一方法的分数进行归一化,得到初始打分矩阵 Srt,(r=1,2,3,…,k,t=1,2,3,…,m),Srt为使用第r种异常检测算法对第t个数据集异常检测的检测分数;
S2.3、构建损失函数为均方误差,以损失函数最小为目标,采用随机梯度下降法分别以m 个数据集作为训练集进行权重训练,并得到权重wt,(t=1,2,3,…,m);
S2.4、将每一组权重wt应用在全部数据集中进行异常检测,并计算该组权重平均auc,选取平均auc最高的权重作为最终网络参数训练结果。
本例所选用的异常检测算法如表2所示:
表2选用的无监督异常检测算法
所使用的数据集为ODDS Library网站中所公布的公开数据集,具体数据集信息如表3所示:
表3带标签数据集信息表
根据S2.2、S2.3和S2.4,其中,异常检测算法均使用PyOd库中模型默认参数,异常比例设置为表3中相应数据集所对应的异常比例;全连接层设置两个隐含层,隐藏神经元个数均为20,输出层仅为1个神经元,设置训练1000个epoch,得到表4计算出来的auc得分结果,从图中可以看出,使用satellite数据集训练出来的权重有最高的auc,因此选择该训练集训练的权重作为S2.4选择的权重结果。
其中,激活第一个隐含层激活函数使用ReLU函数,第二个隐含层激活函数使用Sigmoid 函数,计算公式如下所示:
xi=Sigmoid(ReLU(Srti·W1+d1)·W2+d2)·W3+d3
表4训练网络参数auc得分
从表5中可以看出,使用本例集成方法相比单一的异常检测算法以及投票取均值的方法有更高的平均auc,证明该方法不仅从直观上讲有可解释性,从检测效果来看也有一定的提升。同时证明使用有标签数据集进行权重训练并应用于其他数据集有一定的可靠性,具有一定的迁移性,因此可以用于无标签的直升机飞行数据中。
表5不同方法auc得分
S3、将待检测飞行数据输入训练后的全连接神经网络,得到最终的异常检测结果。
所述步骤S3具体为:
S3.1、定义异常比例θ,使用S2.1中选择的k个异常检测算法对待异常检测数据集D'进行异常检测并得到异常分数S'rt;
S3.2、将异常分数输入S2.4选择好的全连接层中,得到最终的异常分数S't;
S3.3、将异常分数S't由高到底排序,并选取得分最高的前θ比例的点作为异常点。
本例所设置的异常比例为0.01,异常检测算法参数为PyOd库模型接口默认参数。将S3.3 异常检测结果进行可视化,如图2所示,图中红色星形点为异常点,蓝色圆点为正常点,检测出来的异常点均分布在正常点边缘,符合直观对异常的感受。
综上所述,本发明具有简单、可解释性强的优点。在实际异常检测过程中,给定飞行数据,可以根据历史训练的网络参数进行异常检测,且使用不同异常检测标准的方法进行投票判定异常对于无标签数据来说更有说服力。
Claims (4)
1.一种直升机飞行数据瞬时异常检测方法,其特征在于,包括以下步骤:
S1、对直升机飞行数据进行数据去噪和特征分析得到待检测的飞行数据;
S2、选择多种异常检测算法,利用有标签的数据进行异常检测,得到异常分数;再将异常分数输入全连接层,对神经网络参数进行训练,得到基于异常检测分数训练的全连接神经网络;
S3、将待检测飞行数据输入训练后的全连接神经网络,得到最终的异常检测结果。
2.根据权利要求1所述的直升机飞行数据瞬时异常检测方法,其特征在于,所述步骤S1具体为:
S1.1、针对直升机飞行数据每一维度进行数据去噪,筛选出明显异常的数据并去除该条数据,得到初始数据集D;
S1.2、对步骤S1.1处理后的数据进行分析,提取出对其安全状态有较大影响的物理数据特征作为待异常检测的特征,根据筛选特征得到待异常检测数据集D'。
3.根据权利要求1所述的直升机飞行数据瞬时异常检测方法,其特征在于,所述步骤S2具体为:
S2.1、根据不同的分类选取k个无监督异常检测算法;
S2.2、选取m个有标签的数据集,分别使用所选无监督异常检测算法进行异常检测并得到每个方法对每条数据的异常打分并对于每一方法的分数进行归一化,得到初始打分矩阵Srt,(r=1,2,3,···,k,t=1,2,3,···,m),Srt为使用第r种异常检测算法对第t个数据集异常检测的异常分数;
S2.3、构建损失函数为均方误差,以损失函数最小为目标,采用随机梯度下降法分别以m个数据集作为训练集进行权重训练,并得到权重wt,(t=1,2,3,···,m);
S2.4、将每一组权重wt应用在全部数据集中进行异常检测,并计算该组权重平均auc,选取平均auc最高的权重作为最终异常检测分数的全连接神经网络。
进一步地,所述步骤S2.3中损失函数具体为:
其中,n为所选训练数据集的数据条数,xi为神经网络计算第i个点为异常点的概率,yi为第i个点的标签,
进一步地,所述步骤S2.3中所构建的神经网络中前馈函数为:
y=xAT+b
其中,y为该层输出,x为该层输入,A为该层权重矩阵,b为偏置参数。
4.根据权利要求1所述的直升机飞行数据瞬时异常检测方法,其特征在于,所述步骤S3具体为:
S3.1、定义异常比例θ,使用S2.1中选择的k个异常检测算法对待异常检测数据集D'进行异常检测并得到异常分数S'rt;
S3.2、将异常分数输入S2.4选择好的全连接神经网络中,得到最终的异常分数S't;
S3.3、将异常分数S't由高到底排序,并选取得分最高的前θ比例的点作为异常点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210972306.8A CN115526227A (zh) | 2022-08-15 | 2022-08-15 | 一种直升机飞行数据瞬时异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210972306.8A CN115526227A (zh) | 2022-08-15 | 2022-08-15 | 一种直升机飞行数据瞬时异常检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115526227A true CN115526227A (zh) | 2022-12-27 |
Family
ID=84695748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210972306.8A Pending CN115526227A (zh) | 2022-08-15 | 2022-08-15 | 一种直升机飞行数据瞬时异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526227A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647367A (zh) * | 2024-01-29 | 2024-03-05 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
-
2022
- 2022-08-15 CN CN202210972306.8A patent/CN115526227A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117647367A (zh) * | 2024-01-29 | 2024-03-05 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
CN117647367B (zh) * | 2024-01-29 | 2024-04-16 | 四川航空股份有限公司 | 一种基于机器学习的飞机油箱漏点定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110132598B (zh) | 旋转设备滚动轴承故障噪声诊断算法 | |
US10713563B2 (en) | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering | |
Lee et al. | A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes | |
CN111368885B (zh) | 一种航空发动机气路故障诊断方法 | |
CN106248801B (zh) | 一种基于多声发射事件概率的钢轨裂纹检测方法 | |
CN107273845B (zh) | 一种基于置信区域和多特征加权融合的人脸表情识别方法 | |
CN111476263A (zh) | 基于sdae和改进gwo-svm的轴承缺陷识别方法 | |
CN111353373B (zh) | 一种相关对齐域适应故障诊断方法 | |
CN113203566B (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
CN111222638B (zh) | 一种基于神经网络的网络异常检测方法及装置 | |
CN110097123B (zh) | 一种快件物流过程状态检测多分类系统 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN110455512B (zh) | 基于深度自编码器dae的旋转机械多集成故障诊断方法 | |
CN110647911A (zh) | 一种基于主成分分析和深度信念网络的轴承故障诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN113537284B (zh) | 基于拟态机制的深度学习实现方法及系统 | |
CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
CN115526227A (zh) | 一种直升机飞行数据瞬时异常检测方法 | |
CN109902731B (zh) | 一种基于支持向量机的性能故障的检测方法及装置 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
Al-Akkam et al. | Plants Leaf Diseases Detection Using Deep Learning | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
CN113098862A (zh) | 一种基于混合采样与膨胀卷积相结合的入侵检测方法 | |
CN116881841A (zh) | 一种基于F1-score多级决策分析的混合模型故障诊断方法 |
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 |