一種基於編碼時域卷積的航空發動機異常檢測方法
2024-04-13 00:01:05
1.本公開屬於航空發動機故障診斷技術領域，特別涉及一種基於編碼時域卷積的多傳感器時序異常檢測方法。
背景技術：
2.航空發動機是國家綜合國力、工業基礎和科技水平的集中體現。航空發動機是十分複雜的熱力機械，需要在高溫、高壓、高轉速和交變負荷的極端惡劣條件下可靠地工作，是國防安全和強國地位的重要戰略保障，發動機任何部位發生的故障都可能傳到至整個系統，造成巨大的經濟損失和人員傷亡。因此，在線監控航空發動機的運行狀態並實時運行異常檢測手段對提高發動機的運行安全至關重要。
3.通常來講，針對航空發動機異常檢測的方法分為基於物理模型驅動和基於數據驅動兩大類。物理模型方法利用失效機制模型的知識或者其它系統現象描述方法確定部件或系統可能的運行狀態，這樣能夠利用較少的數據精確判斷發動機所處的運行狀態。然而此時需要使用關於失效模式的足夠信息，而航空發動機構造十分複雜，物理模型不可能完全復現航空發動機的內部結構，因此，基於物理模型驅動的方法建模困難且準確率低。數據驅動方法利用傳感器的觀測數據確定退化過程的特徵進而預測將來的狀態，該過程中幾乎不需要物理失效模型知識。數據驅動方法又分為信號處理方法和基於深度學習的時間序列異常值檢測方法，由於在航空發動機上可安裝傳感器的位置比較受限，如果傳感器的安裝位置和選擇不合適，信號處理方法異常值檢測的結果準確性則會越低。而基於深度學習的時序異常檢測方法則可以擺脫專家經驗，學習航空發動機的深層非線性特徵，提高異常檢測的準確性。傳統時間序列異常值檢測方法如支持向量機、k鄰近算法、孤立森林等基於分類的思想並通過正常數據的分布設定決策邊界。這樣的方法處理高維非線性數據效率低下、準確度不高且難以綜合利用多傳感器信息。近年來，許多具有特徵自動提取能力的深度學習算法被應用於時間序列的異常值檢測，如長短時記憶網絡、自編碼器、循環神經網絡等，由於航空發動機的工作工況複雜多變，自動特徵提取的方法往往不能學習到時間序列信號的複雜瞬變模式。此外，由於這些深度學習算法可解釋性差和並行計算能力差，且在處理長時間序列數據時會發生梯度消失從而導致算法失效的現象。因此，研究具有工況自適應性的多傳感器時序異常檢測方法對於解決航空發動機運行異常檢測中的上述實際問題具有十分重要的意義。
技術實現要素：
4.針對現有技術中的不足，本公開的目的在於提供一種基於編碼時域卷積的多傳感器時序異常檢測方法，該方法能在無故障樣本的條件下實現精確的異常檢測，大大提升了檢測方法在實際應用中的魯棒性，有效解決了因發動機複雜工況變化導致的數據驅動方法檢測效率低下的問題。
5.為實現上述目的，本公開提供以下技術方案：
6.一種基於編碼時域卷積的航空發動機異常檢測方法，包括如下步驟：
7.s100；採集航空發動機的多傳感器時域數據並進行預處理；
8.s200：對預處理後的多傳感器時域數據進行編碼重構，以獲得重構後的多傳感器時域數據；
9.s300：利用時域卷積網絡對重構後的多傳感器時域數據進行預測，以獲得預測數據；
10.s400：計算重構後的多傳感器時域數據與預測數據的動態累積誤差；
11.s500：將所述動態累積誤差與檢測閾值進行比對，根據比對結果對航空發動機進行異常檢測。
12.優選的，步驟s 100中，對多傳感器時域數據進行預處理包括如下步驟：
13.s101：對多傳感器時域數據執行滑動時窗操作，以獲得多源訓練數據集；
14.s102：對多源訓練數據集進行歸一化，以獲得歸一化後的多源訓練數據集。
15.優選的，步驟s200中，通過自編碼器對多傳感器時域數據進行編碼重構，自編碼器包括編碼層、中間層和解碼層。
16.優選的，步驟s300中，時域卷積網絡包括膨脹空洞卷積模塊，隨機失活模塊，權重歸一化模塊，殘差連接模塊和relu激活函數模塊。
17.優選的，步驟s300中，所述時域卷積網絡的訓練步驟如下：
18.s301：將重構後的多傳感器時域數據劃分為訓練集和測試集；
19.s302：通過訓練集對時域卷積網絡進行訓練，當時域卷積網絡的損失函數loss值收斂時，訓練完成，獲得最優時域卷積網絡；若損失函數loss值不收斂，則調參後再次進行訓練，直至收斂；
20.s303：利用最優時域卷積網絡對測試集進行預測。
21.本公開還提供一種基於編碼時域卷積的航空發動機異常檢測裝置，包括：
22.採集模塊，用於採集航空發動機的多傳感器時域數據；
23.重構模塊，用於對多傳感器時域數據進行編碼重構，以獲得重構後的多傳感器時域數據；
24.預測模塊，用於利用時域卷積網絡對編碼重構後的多傳感器時域數據進行預測，以獲得預測數據；
25.計算模塊，用於計算所述多傳感器時域數據和預測數據的動態累積誤差；
26.檢測模塊，用於將所述動態累積誤差與檢測閾值進行比對，根據比對結果對航空發動機的異常進行檢測。
27.優選的，所述裝置還包括預處理模塊，用於對多傳感器時域數據進行預處理。
28.優選的，所述裝置還包括閾值獲取模塊，用於獲取檢測閾值。
29.與現有技術相比，本公開帶來的有益效果為：
30.1、採用自編碼器處理多傳感器時序數據，將原始多傳感器時序數據輸入到自編碼器中重構，將多工況的時序數據映射為長度可變的序列，便於儲存航空發動機的大型時間序列數據，更能學習航空發動機多工況正常運行地狀態，在多個層次捕獲正常樣本的特徵，得到多個對正常樣本具有良好重構能力和識別能力的模型。
31.2、利用時域卷積網絡進行時間序列樣本預測，膨脹空洞卷積運行網絡進行並行計
算並根據傳感器地數目決定膨脹程度的大小，更能解決航空發動機長時間序列預測時候梯度爆炸的問題。
32.3、提出利用重構誤差設計閾值和誤差分布的動態變化進行異常檢測，減小了因工況變化而導致異常檢測時候漏報或者誤報的情況，提高了異常檢測的魯棒性，這是因為在工況變化時，採樣數據的分布會短暫的發生改變，但在工況變化以後，仍然和工況變化前的分布一致，但一旦機械設備發生故障，其分布則會發生不可逆的變化，因此，基於誤差分布的動態變化可以提升異常檢測的魯棒性。
附圖說明
33.圖1是本公開一個實施例提供的一種基於編碼時域卷積的多傳感器時序異常檢測方法流程圖；
34.圖2為本公開另一個實施例提供的自編碼器的結構示意圖；
35.圖3為本公開另一個實施例提供的時域卷積網絡的結構示意圖；
36.圖4是本公開另一個實施例提供的損失函數loss值與重構後的值的頻率分布圖；
37.圖5(a)至圖5(c)為圖1所示方法應用於實施例的異常檢測結果統計圖，其中，圖5(a)為在同一設備，單一傳感器時的原始振動信號；圖5(b)為同一設備，單一傳感器振動信號編碼重構後的數據；圖5(c)為原始振動信號的預測信號；
38.圖6(a)為單一傳感器的異常檢測結果；
39.圖6(b)為同一設備，多個傳感器的異常檢測結果。
具體實施方式
40.下面將參照附圖1至圖6(b)詳細地描述本公開的具體實施例。雖然附圖中顯示了本公開的具體實施例，然而應當理解，可以通過各種形式實現本公開而不應被這裡闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，並且能夠將本公開的範圍完整的傳達給本領域的技術人員。
41.需要說明的是，在說明書及權利要求當中使用了某些詞彙來指稱特定組件。本領域技術人員應可以理解，技術人員可能會用不同名詞來稱呼同一個組件。本說明書及權利要求並不以名詞的差異作為區分組件的方式，而是以組件在功能上的差異作為區分的準則。如在通篇說明書及權利要求當中所提及的「包含」或「包括」為一開放式用語，故應解釋成「包含但不限定於」。說明書後續描述為實施本公開的較佳實施方式，然所述描述乃以說明書的一般原則為目的，並非用以限定本公開的範圍4本公開的保護範圍當視所附權利要求所界定者為準。
42.為便於對本公開實施例的理解，下面將結合附圖以具體實施例為例做進一步的解釋說明，且各個附圖並不構成對本公開實施例的限定。
43.一個實施例中，如圖1所示，本公開提出一種基於編碼時域卷積的多傳感器時序異常檢測方法，包括如下步驟：
44.s100；採集航空發動機的多傳感器時域數據並進行預處理；
45.s200：對預處理後的多傳感器時域數據進行編碼重構，以獲得重構後的多傳感器時域數據；
46.s300：利用時域卷積網絡對重構後的多傳感器時域數據進行預測，以獲得預測數據；
47.s400：計算重構後的多傳感器時域數據與預測數據的動態累積誤差；
48.s500：將所述動態累積誤差與檢測閾值進行比對，根據比對結果對航空發動機進行異常檢測。
49.上述實施例構成了本公開的完整技術方案。本實施例通過對多傳感器時序數據進行編碼重構，能夠將多工況的時序數據映射為長度可變的序列，便於儲存航空發動機的大型時間序列數據，更能學習航空發動機多工況正常運行地狀態，在多個層次捕獲正常樣本的特徵，得到多個對正常樣本具有良好重構能力和識別能力的模型。總而言之，本實施例利用處於運行健康狀態的航空發動機的數據來建立無監督航空發動機智能異常檢測模型，能夠很好的應對航空發動機因故障數據難以採集而導致無法檢測的問題，很大程度上可以推廣到其他場景缺乏故障數據的情況。
50.另一個實施例中，步驟s100中，對多傳感器時域數據進行預處理包括如下步驟：
51.s101：對多傳感器時域數據執行滑動時窗操作，以獲得多源訓練數據集；
52.該步驟中，以固定長度的窗格從多傳感器時域數據中滑動時窗截取l段數據，將l段數據拼接在一起作為多源訓練數據集，用於截取數據的窗格應當不小於每段時序數據所對應傳感器下採樣頻率的1/10，且窗格以固定間距滑動，每個窗格之間沒有重疊部分，以保證截取的數據包含航空發動機完整運行周期的信息。例如，某傳感器採樣頻率為20000，採樣間隔10分鐘，共採樣984個數據段，則每次截取數據時從每個數據段中截取20480個數據點，將這984
×
20480的數據點進行拼接，由於每個傳感器採樣頻率不一樣，相同時間採集的時序數據長度不一致，所以每段訓練數據集的時序長度可以不一致。
53.s102：對多源訓練數據集進行歸一化，獲得歸一化後的多源訓練數據集。
54.該步驟中，通過下式對多源訓練數據集進行歸一化處理：
[0055][0056]
其中，xi表示歸一化前多源訓練數據集內第i個傳感器的所有採樣樣本，xi(1)表示該傳感器採樣樣本的第一個採樣點，min和max分別表示採樣值最小和最大的採樣點，xi′
表示歸一化以後第i個傳感器的採樣數據樣本。
[0057]
歸一化後，該多源訓練數據集中每個原始採樣點的值都落在[-1，1]內，例如，某採樣數據為[1 2 3 4 5 4 3 2 1]，經過歸一化後的結果為：[-1.0000
ꢀ‑
0.500000.50001.00000.50000
ꢀ‑
0.5000
ꢀ‑
1.oo00]。
[0058]
通過歸一化，可以避免同一傳感器內因目標監測設備發生異常而導致的前後數據差異過大，導致後續模型推理誤差；也可以避免不同傳感器間因量程不同而導致傳感器組間數據差異過大進而導致網絡同步運算。
[0059]
另一個實施例中，步驟s200中，通過自編碼器對預處理後的多傳感器時域數據進行編碼重構，自編碼器包括編碼層、中間層和解碼層。
[0060]
該步驟中，編碼重構主要通過自編碼器完成，自編碼器包括編碼層、中間層和解碼層，對應的編碼公式如下：
[0061][0062]
式中，編碼器將長度可變的輸入序列轉換成形狀固定的上下文變量c，並且將輸入序列的信息在該上下文變量中進行編碼。在時間步t，循環神經網絡將詞元xt的輸入特徵向量x
t
和h
t-1
(即上-時間步的隱藏狀態)轉換為h
t
(即當前隱藏狀態)。編碼器通過選定的函數q將所有時間步的隱藏狀態轉換為上下文變量。在輸出序列上的任意時間步t
′
，循環神經網絡將來自上-時間步的輸出y
t
′‑1和上下文變量c作為其輸入，然後在當前時間步將它們和上一隱藏狀態s
t
′‑1轉換為隱藏狀態s
t
。
[0063]
自編碼器的層數越多，則網絡越複雜，可能導致梯度爆炸等現象；而層數越少，模型的學習能力則越弱，因此，在經過實驗後，本實施例的自編碼器結構被設置為含有16
×
8個神經元的編碼層、含有3個神經元的中間層以及含有16
×
8個神經元的解碼層。
[0064]
在獲得解碼器的隱藏狀態之後，可以使用輸出層和softmax操作來計算在時間步t
′
時輸出y
t
′
的條件概率分布p(y
t
′
|y1，...，y
t
′‑1，c)，softmax公式如下：
[0065][0066]
其中，表示softmax變換計算後對應的輸出，e表示自然對數函數的底數，ei表示對第i個重構後的值進行變換，表示著對一組編碼後的數據進行變換後的總和值。
[0067]
通過softmax操作，能夠讓編碼後的所有值被映射到[0，1]區間裡。
[0068]
另一個實施例中，步驟s300中，如圖3所示，時域卷積網絡包括膨脹空洞卷積模塊，隨機失活模塊，權重歸一化模塊，殘差連接模塊和relu激活函數模塊。
[0069]
本實施例中，膨脹空洞卷積是在標準卷積的基礎上注入空洞，通過擴大卷積核尺寸的方式來增大感受野，對於航空發動機採樣信號來說，增大感受野也即包含了更多的信號片段信息，使網絡更能學習到數據正常時候的分布；隨機失活模塊是一種可以用於減少神經網絡過擬合的結構，即每次訓練時，根據相應設定的概率拿掉一部分神經元，然後繼續訓練，該操作的目的在於防止訓練過擬合；權重歸一化模塊是一種重新參數化，可將權重張量的大小與其方向解耦，其目的是獲得更快的收斂速度與更強的學習率魯棒性；殘差連結模塊主要是為了避免網絡訓練過程中梯度爆炸。各個模塊的計算方式如下：
[0070][0071]
[0072][0073]
其中，f(s)表示膨脹空洞卷積函數運算，k和d分別表示卷積核大小和膨脹係數，表示編碼後的數據，s-d
·
i表示當前層選擇的權重數量，表示每一層時域卷積網絡的輸出和下一層的輸入，activation表示relu激活函數模塊，o代表激活函數運算結果，y代表relu激活函數運算後的結果，權重歸一化在每一層時域卷積網絡中都會使用，在時域卷積過程中，將每一段截取數據後的編碼數據同時輸入時域卷積網絡中進行訓練。
[0074]
進一步的，時域卷積網絡的訓練過程如下：
[0075]
1、將編碼後的多傳感器時域數據按照6：4的比例劃分訓練集和測試集；
[0076]
2、利用訓練集對時域卷積網絡進行訓練，其中，損失函數loss採用交叉熵損失函數，將時域卷積核的大小設置為1*7*25，時間步長設置為30，隨機失活模塊的值為0.5，訓練次數設置為50次，批量大小設置為16，當損失函數loss值收斂時，訓練完成，得到最優時域卷積網絡，如果損失函數loss值不收斂，則對相關參數進行調整並再次進行訓練；
[0077]
3、利用測試集對訓練好的時域卷積網絡進行部署。
[0078]
另一個實施例中，將編碼重構後的多傳感器時域數據與時域卷積網絡輸出的預測值進行比較差值diff計算，即diff＝y
true-y
pred
，將每一次比較的差值記錄為誤差值e，此後，每比較一次時間步t，都會得到新的誤差值e
t
，在得到每一段截取數據的誤差值e
t
的時候，若前一時刻的誤差值e
t
大於後一時刻的誤差值e
t+1
，則et和e
t+1
的值都不變；若前一時刻的誤差值e
t
小於後一時刻e
t+1
的誤差值，則e
t
的值不變，將e
t+1
的值設為-1*
et+1
，與此同時，計算所有時刻的累計誤差和cutmsum(et)。示例性的，某時間段的差值diff＝[0.2，0.1，0.05，0.1]，則根據本公開所述方法，該時間段的差值被設置為diff＝[0.2，-0.1，-0.05，0.1]。
[0079]
另一個實施例中，步驟s500中，所述檢測閾值通過以下方式確定：計算多傳感器時域數據和重構後的多傳感器時域數據的誤差分布，以誤差分布的極值作為檢測閾值。
[0080]
本實施例中，在每個時間步，解碼器預測了輸出採樣數據的概率分布，通過使用softmax變換來獲得分布，並通過計算如下所示的交叉熵損失函數來進行優化：
[0081][0082]
其中，表示編碼後和softmax變換後的值，yi表示第i個多傳感器採樣數據歸一化編碼的值，n表示多傳感器採樣數據的個數。
[0083]
然後，將自編碼器的曆元設置為100，批量大小設置為20，訓練自編碼器網絡，使交叉熵損失函數的值最小，保存該模型，將損失函數值和編碼後的值進行統計並計算兩者的頻率分布圖，將頻率分布圖中誤差的最大值作為異常檢測的閾值γ。
[0084]
確定好閾值γ後，每計算一個時間步，則將累計動態誤差和cumsum(e
t
)與閾值γ進行比對，若累計動態誤差和大於閾值γ，則認為該航空發動機發生異常。例如，在接下來進行的驗證中，損失函數和編碼後的值的頻率分布圖如圖4所示，可以發現，誤差主要分布在0～0.1的範圍內，因此，檢測閾值被設置為0.1，若累計動態誤差的計算值大於0.1，如圖6
(a)的黑色曲線所示，則認為發動機存在異常。
[0085]
本實施例利用重構誤差設計閾值和誤差分布的動態變化進行異常檢測。在實際情況中，由於航空發動機的運行工況十分複雜多變，尋常的異常檢測方法經常會發生對異常情況的誤報和漏報現象。本實施例通過自編碼器對多傳感器時域數據進行重構，可以學習數據本身的運行模式，且最後的學習結果可以保障不同工況下數據重構的誤差範圍都小於最小化誤差值(即閾值)。在實際部署過程中，由於每一次航空發動機運行的情況都不盡相同，若航空發動機發生故障，則數據分布的誤差會逐漸增大，反之則不會，基於此情況，本實施例通過將動態累計誤差和閾值進行對比以對航空發動進行異常檢測，減小了因工況變化而導致異常檢測時候漏報或者誤報的情況，提高了異常檢測的魯棒性。
[0086]
為了更好的說明本公開的技術效果，在本實施例中採樣兩個異常檢測場景進行試驗驗證：1)同一設備的單傳感器數據；2)同一設備的多傳感器數據。場景1)由984個截取數據段構成，每個數據段包含20480個傳感器採集的採樣點。場景2)由兩個傳感器構成，由491個截取數據段構成，每個數據段包含32768個傳感器採集的採樣點。按照本公開提供的方法對樣本進行預處理、時域卷積網絡預測、動態閾值計算，分別在兩個場景下進行訓練測試，場景1)中的原始數據和編碼重構後的數據如圖5(a)和圖5(b)所示，預測數據如圖5(c)所示。兩個場景得到的異常檢測結果如表1以及圖6(a)和圖6(b)所示。
[0087]
表1編碼時域卷積多傳感器時序異常檢測結果
[0088][0089]
圖6(a)是nsas-ims的軸承壽命數據集，已經被證實在533號數據收集文件時，軸承發生初始故障；圖6(b)是xjtu-sy的軸承壽命數據集，已經被證實在479號文件發生初始故障；圖中固定曲線代表確定的閾值，一直變化的曲線則代表動態誤差值。一旦動態誤差值超過閾值，則說明軸承發生了初始故障。
[0090]
可以看到，本公開提供的方法能在兩種不同場景下實現準確的異常檢測，誤報率均不超過5％，異常檢測率可達99％以上。表明本公開所述方法對於異常數據具有高度敏感性。此外，還與常用的異常值檢測網絡gan網絡的檢測結果進行對比，對比結果如表2所示：
[0091]
表2gan網絡多傳感器時序異常檢測結果
[0092][0093]
由表2可知，無論是在準確率還是在綜合指標f1-分數上，本公開提出的方法都優於常用的異常檢測gan網絡。
[0094]
上述對本技術中涉及的發明的一般性描述和對其具體實施方式的描述不應理解為是對該發明技術方案構成的限制。本領域所屬技術人員根據本技術的公開，可以在不違背所涉及的發明構成要素的前提下，對上述一般性描述或/和具體實施方式(包括實施例)
中的公開技術特徵進行增加、減少或組合，形成屬於本技術保護範圍之內的其它的技術方案。