CN115510950A - 基于时间卷积网络的飞行器遥测数据异常检测方法及*** - Google Patents
基于时间卷积网络的飞行器遥测数据异常检测方法及*** Download PDFInfo
- Publication number
- CN115510950A CN115510950A CN202211035316.5A CN202211035316A CN115510950A CN 115510950 A CN115510950 A CN 115510950A CN 202211035316 A CN202211035316 A CN 202211035316A CN 115510950 A CN115510950 A CN 115510950A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- network
- aircraft
- anomaly detection
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法及***，包括：对遥测数据进行数据预处理；将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建；将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断数据是否存在异常。应用本发明的技术方案，以解决现有技术中在进行异常检测的过程中往往难以对高维大量的遥测数据进行异常检测的技术问题。
Description
技术领域
本发明涉及工程应用与信息科学的交叉技术领域，尤其涉及一种基于时间卷积网络的飞行器遥测数据异常检测方法及***。
背景技术
飞行器故障主要有以下的几大特点：
1)故障多发性。在航天器试验中地面试验时故障多发，正给与机器学习训练数据集的机会。因为模型需要较多的数据集进行训练才能得到较为理想的算法出口。针对训练数据不具有代表性和收集到质量差的数据的问题需要采用在源头处进行筛选评估和特征提取法进行处理。在源头处筛选的处理方法是人为的将由于非典型因素排除在数据库之外，不作为训练的数据集；而特征提取法是从大量现有特征中选择最有用的特征进行训练，或者将特征进行拟合，降维处理，常用的降维方法是主成分分析法(PCA)，但具体选用哪种降维方法需要根据实际情况而定。
2)多故障并发性。因为航天飞行器***是一个涉及多人、多机、多环境的、结构十分复杂的巨型***，从硬件构成可分为运载***、发射***和测控***等；从功能上可分为动力***、通讯***、遥测***、遥控***和各种功能***等，每一功能***又是由若干个子***构成的。因此，成分的复杂性决定了事故的多发性。事故多发性对于机器学习算法而言，也是一个重大的挑战，这意味着需要将更多的数据入库、筛选、清洗，进而为下一步算法处理提供“原动力”。
3)故障模式多样性。到目前为止，在国际过程可靠性和安全技术领域，已经探索了传统动力学；在过程控制***和机械***的故障检测和诊断中，大多数集中在三种经典故障模式：步进故障、渐进式故障等。但是在航空航天领域，很难简单地将大多数故障归类处理，因为“故障本身就构成一个动态过程”，所以将会有较多的因素影响着算法的进行。影响因素越多，数据维度越高，对硬件处理平台的运算能力要求就越高，故在进行数据清洗的时候要运用主成分分析法进行降维处理。主成分分析法是把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时可以得到更加科学有效的数据信息，也可以节约宝贵的机载硬件资源。
K近邻回归算法、贝叶斯算法、分类与回归树等常用的、较为成熟的监督学习算法都被广泛运用在实时故障分析领域。然而传统方法在进行异常检测的过程中往往难以对高维大量的遥测数据进行异常检测。
发明内容
本发明提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法及***，能够解决现有技术中在进行异常检测的过程中往往难以对高维大量的遥测数据进行异常检测的技术问题。
根据本发明的一方面，提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法，基于时间卷积网络的飞行器遥测数据异常检测方法包括：对遥测数据进行数据预处理；将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建；将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
进一步地，将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性，向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元具体包括：将预处理后的时序数据放入时间卷积网络，使用因果卷积网络和膨胀卷积网络对输入数据进行处理，计算并提取底层数据的特征信息；向卷积核***数值为0的权重构成空洞卷积核，将空洞卷积核作为改进的时间卷积网络的基础计算单元；在空洞卷积操作之后使用激活函数对卷积核提取到的底层数据的特征信息进行非线性映射。
进一步地，对遥测数据进行数据预处理以剔除野值以及无效数据具体包括：对遥测数据进行数据预处理，通过箱形图的方式剔除数据中的空值和野值，通过数据增强或注意力机制的方法提升时间较短的飞行阶段的权重。
进一步地，将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断***整体是否存在异常具体包括：对训练好的数据模型设置损失函数，将测试数据输入到训练好的数据模型中，根据损失函数计算标签的异常分数；对比异常分数和设定阈值实现飞行器***的异常检测。
进一步地，使用因果卷积网络和膨胀卷积网络对输入数据进行处理，处理后的数据为yt＝w1·xt-2+w2·xt-1+w1·xt，其中，xt-2,xt-1,xt为输入变量，w1为输入变量xt-2和xt对应的权重，w2为输入变量xt-1对应的权重，yt为输出数据。
进一步地，激活函数为ReLU(x)＝max{ax,x}(0＜a＜1)。
进一步地，引入残差连接的方式，将残差块代替设定卷积层具体包括：使用残差连接实现卷积的跨层连接，在残差块内设置两层膨胀卷积和ReLU非线性函数，对卷积核的权重进行权重归一化。
根据本发明的又一方面，提供了一种基于时间卷积网络的飞行器遥测数据异常检测***，基于时间卷积网络的飞行器遥测数据异常检测***使用如上所述的基于时间卷积网络的飞行器遥测数据异常检测方法进行遥测数据异常检测。
进一步地，飞行器遥测数据异常检测***包括：数据预处理模块，数据预处理模块用于对遥测数据进行数据预处理；因果卷积及膨胀卷积模块，因果卷积及膨胀卷积模块用于将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；空洞卷积核模块，空洞卷积核模块用于向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；数据模型构建模块，数据模型构建模块用于基于基础计算单元进行神经网络训练以完成数据模型的构建；异常判定模块，异常判定模块用于将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
应用本发明的技术方案，提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法，该方法通过对遥测数据进行数据预处理，剔除野值以及无效数据。通过前馈计算提取输入数据的特征信息，反馈计算用于纠正网络的错误，使输出尽可能接近真实值。前馈计算使用了因果卷积以及膨胀卷积捕捉序列的因果性，通过残差连接的方式训练深层模型，将测试数据输入到训练好的模型中进行异常检测。本发明所提供的飞行器遥测数据异常检测方法与现有技术相比，该方法利用了飞行器的遥测数据，对飞行器***进行整体评估，是一种数据驱动的异常检测方法。该方法解决了传统方法难以对飞行器***进行整体评估以及高维数据异常检测效果不佳的问题。充分利用了飞行器***各个参数的遥测数据，并结合时序信息进行异常检测。通过该方法，可以及时有效地发现飞行器***出现的异常，从而可以快速采取相关措施进行修复，防止出现不可逆的重大影响。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明的具体实施例提供的基于时间卷积网络的飞行器遥测数据异常检测方法的流程图；
图2示出了根据本发明的具体实施例提供的时间卷积的网络结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1和图2所示，根据本发明的具体实施例提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法，该基于时间卷积网络的飞行器遥测数据异常检测方法包括：对遥测数据进行数据预处理；将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建；将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
应用此种配置方式，提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法，该方法通过对遥测数据进行数据预处理，剔除野值以及无效数据。通过前馈计算提取输入数据的特征信息，反馈计算用于纠正网络的错误，使输出尽可能接近真实值。前馈计算使用了因果卷积以及膨胀卷积捕捉序列的因果性，通过残差连接的方式训练深层模型，将测试数据输入到训练好的模型中进行异常检测。本发明所提供的飞行器遥测数据异常检测方法与现有技术相比，该方法利用了飞行器的遥测数据，对飞行器***进行整体评估，是一种数据驱动的异常检测方法。该方法解决了传统方法难以对飞行器***进行整体评估以及高维数据异常检测效果不佳的问题。充分利用了飞行器***各个参数的遥测数据，并结合时序信息进行异常检测。通过该方法，可以及时有效地发现飞行器***出现的异常，从而可以快速采取相关措施进行修复，防止出现不可逆的重大影响。
具体地，在本发明中，为了实现基于时间卷积网络的飞行器遥测数据异常检测，首先需要对遥测数据进行数据预处理。在本发明中，飞行器遥测数据通常包含空值以及野值，并且在飞行过程中，各个阶段时长不等，可能会影响模型训练，导致模型过拟合。针对上述问题，需要对数据进行预处理。作为本发明的一个具体实施例，对遥测数据进行数据预处理以剔除野值以及无效数据具体包括：对遥测数据进行数据预处理，通过箱形图的方式剔除数据中的空值和野值，通过数据增强或注意力机制的方法提升时间较短的飞行阶段的权重。
进一步地，在对遥测数据进行数据预处理之后，即可将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性。向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元。
在本发明中，将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性，向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元具体包括：将预处理后的时序数据放入时间卷积网络，使用因果卷积网络和膨胀卷积网络对输入数据进行处理，计算并提取底层数据的特征信息；向卷积核***数值为0的权重构成空洞卷积核，将空洞卷积核作为改进的时间卷积网络的基础计算单元；在空洞卷积操作之后使用激活函数对卷积核提取到的底层数据的特征信息进行非线性映射。
在此种配置方式下，通过将预处理后的时序数据放入时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性，借鉴图像处理领域中空洞卷积的概念，向因果卷积及膨胀卷积后的卷积核***数值为0的权重构成空洞卷积核，并以此替代常规卷积核作为此改进的时间卷积网络的基础计算单元，从而能够提高网络效率，加快网络模型的训练速度。
作为本发明的一个具体实施例，本发明利用飞行器***遥测数据进行异常检测，通过改进的时间卷积网络提取数据特征，构建数据模型，再对训练好的模型设置对应的损失函数，通过数据标注的损失函数判断***整体是否存在异常，进而达到检测飞行器***异常的目的。在本发明中，针对时间卷积网络对于输入层的局限性，结合本发明中所需要的工作，提出改进的时间卷积网络。通过引入空洞卷积的方式避免卷积核层层堆叠，优化网络结构，改进后的时间卷积网络结构如下：
1)卷积操作的输出为各输入变量与对应卷积权重乘积的和，以卷积核大小为3单次卷积操作为例，在任意时刻t,卷积操作的输出为yt，为：
yt＝w1·xt-1+w2·xt+w1·xt+1
其中，xt-1,xt,xt+1为输入变量，w1为输入变量xt-1和xt+1对应的权重，w2为输入变量xt对应的权重，yt为输出数据。
在时序数据的处理过程中，理论上输入数据进行处理，用以计算并提取底层数据的特征信息。任意时刻t的输出y，实际上仅与当前时刻t以及之前输入有关，使用因果卷积网络对输入数据进行处理，用以计算并提取底层数据的特征信息。
yt＝w1·xt-2+w2·xt-1+w1·xt
其中，xt-2,xt-1,xt为输入变量，w1为输入变量xt-2和xt对应的权重，w2为输入变量xt-1对应的权重，yt为输出数据。
向卷积核***数值为0的权重构成空洞卷积核，并以此替代常规卷积核作为此改进的TCN(Temporal Convolutional Network，时间卷积网络)的基础计算单元，从而提高网络效率，加快网络模型的训练速度，加速收敛。
在卷积操作之后需要使用激活函数对卷积核提取到的特征进行非线性映射。其主要功能是对线性的数据及特征信息进行非线性映射，从而拟合现实情况，防止过拟合。在本发明中，激活函数为ReLU(x)＝max{ax,x}(0＜a＜1)。
进一步地，在获取了基础计算单元之后，即可基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建。
作为本发明的一个具体实施例，使用残差连接实现卷积的跨层连接，引入残差连接的方式，将残差块代替设定卷积层具体包括：使用残差连接实现卷积的跨层连接，在残差块内设置两层膨胀卷积和ReLU非线性函数，对卷积核的权重进行权重归一化。
进一步地，在完成数据模型的构建之后，即可将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。在本发明中，将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断***整体是否存在异常具体包括：对训练好的数据模型设置损失函数，将测试数据输入到训练好的数据模型中，根据损失函数计算标签的异常分数；对比异常分数和设定阈值实现飞行器***的异常检测。
根据本发明的另一方面，提供了一种基于时间卷积网络的飞行器遥测数据异常检测***，该基于时间卷积网络的飞行器遥测数据异常检测***使用如上所述的基于时间卷积网络的飞行器遥测数据异常检测方法进行遥测数据异常检测。
应用此种配置方式，提供了一种基于时间卷积网络的飞行器遥测数据异常检测***，该***通过对遥测数据进行数据预处理，剔除野值以及无效数据。通过前馈计算提取输入数据的特征信息，反馈计算用于纠正网络的错误，使输出尽可能接近真实值。前馈计算使用了因果卷积以及膨胀卷积捕捉序列的因果性，通过残差连接的方式训练深层模型，将测试数据输入到训练好的模型中进行异常检测。本发明所提供的飞行器遥测数据异常检测***与现有技术相比，该***利用了飞行器的遥测数据，对飞行器***进行整体评估，是一种数据驱动的异常检测方法。该***解决了传统方法难以对飞行器***进行整体评估以及高维数据异常检测效果不佳的问题。充分利用了飞行器***各个参数的遥测数据，并结合时序信息进行异常检测。通过该***，可以及时有效地发现飞行器***出现的异常，从而可以快速采取相关措施进行修复，防止出现不可逆的重大影响。
进一步地，在本发明中，为了实现飞行器遥测数据异常的检测，可将飞行器遥测数据异常检测***配置为包括数据预处理模块、因果卷积及膨胀卷积模块、空洞卷积核模块、数据模型构建模块和异常判定模块，数据预处理模块用于对遥测数据进行数据预处理，因果卷积及膨胀卷积模块用于将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性，空洞卷积核模块用于向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元，数据模型构建模块用于基于基础计算单元进行神经网络训练以完成数据模型的构建，异常判定模块用于将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
为了对本发明有进一步地了解，下面结合图1和图2对本发明所提供的基于时间卷积网络的飞行器遥测数据异常检测方法进行详细说明。
如图1和图2所示，根据本发明的具体实施例提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法，该方法结合最近研究热点的深度学习领域，对比多种深度学习方法，提出了一种基于时间卷积网络的飞行器遥测数据异常检测方法，并对该方法进行验证，取得了较好的效果，并为深度学习应用在遥测数据异常检测领域开拓了思路。
本发明的目的是提供一种基于机器学习的飞行器遥测数据自动判读模型构建方法。该方法利用了飞行器分***的遥测数据，对不同***进行异常检测，是一种分***多参数异常检测方法。该方法能够识别传统方法难以发现的异常，实现了空间飞行器分***多参数异常检测，具有较好推广和应用前景。
为实现上述目的，本发明提出一种基于时间卷积网络的异常检测方法。时间卷积网络是一种解决序列问题的网络结构。对比传统处理时间序列模型的循环神经网络，时间卷积网络引入卷积的概念，实现并行计算，同时可以捕捉局部信息和灵活调整感受野大小。该方法通过对遥测数据进行数据预处理，剔除野值以及无效数据。通过前馈计算提取输入数据的特征信息，反馈计算用于纠正网络的错误，使输出尽可能接近真实值。前馈计算使用了因果卷积以及膨胀卷积捕捉序列的因果性，通过残差连接的方式训练深层模型，将测试数据输入到训练好的模型中进行异常检测。其具体方案包括如下几个步骤：
步骤一：对遥测数据进行数据预处理。在本实施例中，飞行器遥测数据通常包含空值以及野值，并且在飞行过程中，各个阶段时长不等，可能会影响模型训练，导致模型过拟合。针对上述问题，需要对数据进行预处理，通过箱形图的方式剔除数据中的空值和野值，再通过数据增强或注意力机制的方法提升时间较短的飞行阶段的权重。
步骤二：将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元。基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建。
在本实施例中，通过将预处理后的时序数据放入时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性，借鉴图像处理领域中空洞卷积的概念，向因果卷积及膨胀卷积后的积核***数值为0的权重构成空洞卷积核，并以此替代常规卷积核作为此改进的时间卷积网络的基础计算单元，从而提高网络效率，加快网络模型的训练速度。将飞行器的遥测数据通过步骤一进行预处理之后输入到步骤二的深度模型中，在训练过程中，通过引入残差连接的方式，将残差块代替某一个卷积层，使得网络可以跨层传递信息，很好地解决了深度神经网络的退化问题，提升了模型的收敛速度。
步骤三，将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
在本实施例中，飞行器遥测数据通常包含空值和野值，并且在飞行过程中各个阶段数据不等长。针对该问题，在输入数据训练模型前需要对数据进行预处理。通过箱型图的方式处理数据中包含的空值和野值，再使用数据增强或者注意力机制的方式平衡遥测数据不同阶段的权重。数据预处理完成后输入到时间卷积网络模型中进行训练，并将训练好的模型保存到本地。当需要对数据进行异常检测时，将测试数据输入到训练好的模型中，通过计算异常分数以及阈值范围可以实现异常检测。
飞行器***产生的是周期性高维时序数据，需要对不同维度的参数进行野值剔除以及数据归一化处理。并针对飞行各个阶段时间不同的问题，对数据进行注意力加权的方式平衡数据。对预处理后的模型进行划分，输入到改进的时间卷积网络中进行训练，时间卷积网络可以实现并行计算，将训练好的模型保存。将测试数据输入到训练好的模型中，计算标签的异常分数。根据实际情况设置阈值，计算异常分数和阈值实现飞行器***的异常检测。在本实施例中，假设计算获取的异常分数超出阈值范围，认为飞行器***出现异常，假设计算获取的异常分束处于设定阈值范围内，认为飞行器***正常。
综上所述，本发明是从数据驱动角度，提出了一种飞行器遥测数据的异常检测方法，该方法基于时间卷积网络，通过因果卷积以及膨胀卷积提取数据的因果性，并加入了空洞卷积以及残差连接等方法，提升了模型训练的效率。该算法能够捕捉遥测数据的时效性，并且可以多通道并行计算，解决了遥测数据维属高可能导致的检测效果不佳的问题，具有较高的检测准确率。地面测控人员可以根据历次飞行数据，对飞行器***进行整体建模，并设置评估标准，及时发现***中可能存在的异常情况，并及时做出修复，避免造成飞行器损毁的严重影响。该发明经过拓展和改进后还可以用于其余高维度时序***的异常检测。因此，本发明所提供的飞行器遥测数据异常检测方法与现有技术相比，该方法利用了飞行器的遥测数据，对飞行器***进行整体评估，是一种数据驱动的异常检测方法。该方法解决了传统方法难以对飞行器***进行整体评估以及高维数据异常检测效果不佳的问题。充分利用了飞行器***各个参数的遥测数据，并结合时序信息进行异常检测。通过该方法，可以及时有效地发现飞行器***出现的异常，从而可以快速采取相关措施进行修复，防止出现不可逆的重大影响。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，所述基于时间卷积网络的飞行器遥测数据异常检测方法包括：
对遥测数据进行数据预处理；
将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；
向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；
基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建；
将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
2.根据权利要求1所述的基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性，向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元具体包括：
将预处理后的时序数据放入时间卷积网络，使用因果卷积网络和膨胀卷积网络对输入数据进行处理，计算并提取底层数据的特征信息；
向卷积核***数值为0的权重构成空洞卷积核，将空洞卷积核作为改进的时间卷积网络的基础计算单元；
在空洞卷积操作之后使用激活函数对卷积核提取到的底层数据的特征信息进行非线性映射。
3.根据权利要求2所述的基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，对遥测数据进行数据预处理以剔除野值以及无效数据具体包括：对遥测数据进行数据预处理，通过箱形图的方式剔除数据中的空值和野值，通过数据增强或注意力机制的方法提升时间较短的飞行阶段的权重。
4.根据权利要求3所述的基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断***整体是否存在异常具体包括：对训练好的数据模型设置损失函数，将测试数据输入到训练好的数据模型中，根据所述损失函数计算标签的异常分数；对比异常分数和设定阈值实现飞行器***的异常检测。
5.根据权利要求4所述的基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，使用因果卷积网络和膨胀卷积网络对输入数据进行处理，处理后的数据为yt＝w1·xt-2+w2·xt-1+w1·xt，其中，xt-2,xt-1,xt为输入变量，w1为输入变量xt-2和xt对应的权重，w2为输入变量xt-1对应的权重，yt为输出数据。
6.根据权利要求5所述的基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，所述激活函数为ReLU(x)＝max{ax,x}(0＜a＜1)。
7.根据权利要求1至6中任一项所述的基于时间卷积网络的飞行器遥测数据异常检测方法，其特征在于，引入残差连接的方式，将残差块代替设定卷积层具体包括：使用残差连接实现卷积的跨层连接，在残差块内设置两层膨胀卷积和ReLU非线性函数，对卷积核的权重进行权重归一化。
8.一种基于时间卷积网络的飞行器遥测数据异常检测***，其特征在于，所述基于时间卷积网络的飞行器遥测数据异常检测***使用如权利要求1至7所述的基于时间卷积网络的飞行器遥测数据异常检测方法进行遥测数据异常检测。
9.根据权利要求8所述的基于时间卷积网络的飞行器遥测数据异常检测***，其特征在于，所述飞行器遥测数据异常检测***包括：
数据预处理模块，所述数据预处理模块用于对遥测数据进行数据预处理；
因果卷积及膨胀卷积模块，所述因果卷积及膨胀卷积模块用于将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；
空洞卷积核模块，所述空洞卷积核模块用于向卷积核中***数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；
数据模型构建模块，所述数据模型构建模块用于基于基础计算单元进行神经网络训练以完成数据模型的构建；
异常判定模块，所述异常判定模块用于将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211035316.5A CN115510950A (zh) | 2022-08-26 | 2022-08-26 | 基于时间卷积网络的飞行器遥测数据异常检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211035316.5A CN115510950A (zh) | 2022-08-26 | 2022-08-26 | 基于时间卷积网络的飞行器遥测数据异常检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115510950A true CN115510950A (zh) | 2022-12-23 |
Family
ID=84501024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211035316.5A Pending CN115510950A (zh) | 2022-08-26 | 2022-08-26 | 基于时间卷积网络的飞行器遥测数据异常检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115510950A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116304884A (zh) * | 2023-05-11 | 2023-06-23 | 西安衍舆航天科技有限公司 | 航天器遥测数据健康预测方法、***、设备及存储介质 |
| CN116305531A (zh) * | 2023-01-13 | 2023-06-23 | 北京控制工程研究所 | 一种航天器健康演化模型建模方法、装置、设备及介质 |
| CN116361728A (zh) * | 2023-03-14 | 2023-06-30 | 南京航空航天大学 | 基于实时飞行数据的民航飞机***级异常前兆识别方法 |
-
2022
- 2022-08-26 CN CN202211035316.5A patent/CN115510950A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116305531A (zh) * | 2023-01-13 | 2023-06-23 | 北京控制工程研究所 | 一种航天器健康演化模型建模方法、装置、设备及介质 |
| CN116305531B (zh) * | 2023-01-13 | 2023-09-15 | 北京控制工程研究所 | 一种航天器健康演化模型建模方法、装置、设备及介质 |
| CN116361728A (zh) * | 2023-03-14 | 2023-06-30 | 南京航空航天大学 | 基于实时飞行数据的民航飞机***级异常前兆识别方法 |
| CN116361728B (zh) * | 2023-03-14 | 2024-01-23 | 南京航空航天大学 | 基于实时飞行数据的民航飞机***级异常前兆识别方法 |
| CN116304884A (zh) * | 2023-05-11 | 2023-06-23 | 西安衍舆航天科技有限公司 | 航天器遥测数据健康预测方法、***、设备及存储介质 |
| CN116304884B (zh) * | 2023-05-11 | 2023-07-28 | 西安衍舆航天科技有限公司 | 航天器遥测数据健康预测方法、***、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7012871B2 (ja) | システムを制御する装置及び方法 | |
| Han et al. | An adaptive spatiotemporal feature learning approach for fault diagnosis in complex systems | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及*** | |
| US8306931B1 (en) | Detecting, classifying, and tracking abnormal data in a data stream | |
| CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
| CN111487991B (zh) | 一种面向无人机集群的安全等级预测方法及*** | |
| CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和*** | |
| CN110216680B (zh) | 一种服务机器人云地协同故障诊断***和方法 | |
| Huang et al. | Machine fault detection for intelligent self-driving networks | |
| CN111289250A (zh) | 一种伺服电机滚动轴承剩余使用寿命预测方法 | |
| CN116610092A (zh) | 用于车辆分析的方法和*** | |
| CN115204302A (zh) | 一种无人机小样本故障诊断***及方法 | |
| Titouna et al. | An online anomaly detection approach for unmanned aerial vehicles | |
| Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
| CN116934304A (zh) | 智能配电房设备运行维护管理***及其方法 | |
| Wang et al. | CNN-based hybrid optimization for anomaly detection of rudder system | |
| CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
| CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
| Ding et al. | A zero-shot soft sensor modeling approach using adversarial learning for robustness against sensor fault | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN116560341A (zh) | 工业机器人故障诊断模型及故障诊断方法 | |
| Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
| CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
| Gritsyuk et al. | CONVOLUTIONAL AND LONG SHORT-TERM MEMORY NEURAL NETWORKS BASED MODELS FOR REMAINING USEFUL LIFE PREDICTION. | |
| Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm |
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 |