[發(fā)明專利]一種基于LS?SVM的傳感器檢測數(shù)據(jù)異常片段檢測方法

有效

• 申請?zhí)枺?/td>: 201410422006.8
• 申請日: 2014-08-25
• 公開（公告）號: CN104156473B
• 公開（公告）日: 2017-05-03
• 發(fā)明（設(shè)計）人: 劉大同;彭宇;宋歌;龐景月;彭喜元
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 哈爾濱市松花江專利商標(biāo)事務(wù)所23109
• 代理人: 張宏威

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于LS-SVM的傳感器檢測數(shù)據(jù)異常片段檢測方法。屬于航天器監(jiān)測數(shù)據(jù)異常檢測領(lǐng)域。

背景技術(shù)

隨著國防現(xiàn)代化建設(shè)的快速發(fā)展和國家安全的迫切需要，我國對各類航天器的需求不斷增長，并且對航天器功能的完備性和可靠性提出了更高的要求。為了確保此類航天設(shè)備的高可靠和長壽命，在設(shè)計、研制、生產(chǎn)、使用、維護(hù)的過程中，始終離不開大量的測試工作。以衛(wèi)星為例，作為一類大型多功能復(fù)雜系統(tǒng)，在一顆衛(wèi)星誕生、發(fā)射、在軌維護(hù)的全壽命周期中，將會有大量的測試數(shù)據(jù)被記錄下來，這些數(shù)據(jù)往往是以時間序列，特別是多維時間序列的形式存在。如果能對這些時間序列數(shù)據(jù)進(jìn)行科學(xué)、有效的分析和處理，發(fā)現(xiàn)數(shù)據(jù)中的異常，就能為衛(wèi)星的狀態(tài)實時監(jiān)測和健康維護(hù)提供依據(jù)。隨著航天器數(shù)量的增加以及設(shè)計復(fù)雜度的逐漸提高，故障事件的數(shù)量以及故障率也有明顯增幅。測試所得的時間序列數(shù)據(jù)中的異常與航天器工作模式的變化是否隱含故障演化或潛在故障發(fā)生有著密切聯(lián)系，僅僅通過傳統(tǒng)可靠性工程方法手段，依托專家個人經(jīng)驗的人工分析方法已經(jīng)難以對數(shù)據(jù)進(jìn)行充分處理，這不僅是信息的浪費，同時也難以滿足航天器安全可靠運行對數(shù)據(jù)挖掘和分析處理的需求。因此，如何實時、有效的對時間序列數(shù)據(jù)進(jìn)行異常檢測分析，對航天器工作模式、運行狀況以及健康程度的判斷有至關(guān)重要的作用。本課題從以衛(wèi)星為代表的各類航天器測試數(shù)據(jù)的異常檢測的應(yīng)用需求出發(fā)，針對諸多領(lǐng)域出現(xiàn)的時間序列的異常檢測問題展開研究。

最小二乘支持向量機(Least Square Support Vector Machine,LS-SVM)作為支持向量機的一種改進(jìn)算法，具有模型訓(xùn)練效率高、學(xué)習(xí)性能良好等優(yōu)點，被廣泛應(yīng)用于解決分類和回歸問題。LS-SVM是一種采用結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則的機器學(xué)習(xí)算法，在小樣本的條件下就可以完成訓(xùn)練，泛化能力強、訓(xùn)練效率高。不僅如此，LS-SVM模型結(jié)構(gòu)簡單、采用等式約束條件優(yōu)化求解，易于在嵌入式應(yīng)用條件下實現(xiàn)，可以開發(fā)基于LS-SVM的硬件平臺?；贚S-SVM算法的以上優(yōu)點以及實驗室對此算法的前期積累，決定采用這種算法進(jìn)行對時間序列異常檢測方法的研究。

綜上，基于LS-SVM的時間序列異常檢測方法研究對航天器等復(fù)雜系統(tǒng)的狀態(tài)監(jiān)測和異常檢測應(yīng)用具有重要的參考價值和實際意義。

發(fā)明內(nèi)容

本發(fā)明是為了解決現(xiàn)有的單個測試點的異常檢測方式難以判斷時間序列中出現(xiàn)的短期趨勢或模式出現(xiàn)的變化或異常的問題。現(xiàn)提供一種基于LS-SVM的傳感器檢測數(shù)據(jù)異常片段檢測方法。

一種基于LS-SVM的傳感器檢測數(shù)據(jù)異常片段檢測方法，它包括如下步驟：

步驟一、設(shè)定所需檢測的置信度c，時間序列長度n和最小異常點出現(xiàn)個數(shù)m，并且n和m的設(shè)定滿足置信度c的限制，n和m均為正整數(shù)；

步驟二、從t₀時刻起對時間序列長度n內(nèi)的數(shù)據(jù)進(jìn)行點異常檢測置信概率為p的LS-SVM點異常檢測，獲得時間序列長度n內(nèi)的預(yù)測殘差和數(shù)據(jù)的異常點的個數(shù)；

步驟三、判斷步驟二中長度為n的時間序列中異常點的個數(shù)是否為至少m個異常點，即|E_n(t₀)|≥m，m為正整數(shù)，|E_n(t₀)|表示時間序列片段，如果是，則該時間序列長度為n的時間序列中存在異常數(shù)據(jù)，執(zhí)行步驟四，如果否，則對t₀+1時刻的數(shù)據(jù)執(zhí)行步驟二；

步驟四、異常數(shù)據(jù)存在的時間范圍為[t₀-n+1,t₀]；

步驟五、判斷步驟二中是否有從t₀時刻起以及相連的至少前六時刻的預(yù)測殘差出現(xiàn)持續(xù)上升或者持續(xù)下降，如果是，則時間序列長度n內(nèi)存在異常數(shù)據(jù)，執(zhí)行步驟六，如果否，則對t₀+1時刻的數(shù)據(jù)執(zhí)行步驟二；

步驟六、異常數(shù)據(jù)存在的時間范圍為[t₀-h,t₀]，其中h>＝6；

步驟七、將步驟四和步驟六獲得異常數(shù)據(jù)存在的時間范圍取并集，確定數(shù)據(jù)異常片段存在的時間范圍為[t₀-n+1,t₀]∪[t₀-h,t₀]，判斷是否全部檢測結(jié)束，如果是，執(zhí)行步驟八，如果否，則對t₀+1時刻的數(shù)據(jù)執(zhí)行步驟二；

步驟八、結(jié)束。