[發明專利]一種基于預測的復雜裝備異常檢測方法

在審

• 申請號: 202210814189.2
• 申請日: 2022-07-11
• 公開（公告）號: CN115329219A
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 張超祺;崔朗福;張慶振;陳娟;宋子雄;王鈞樂;王明賢;王賀;孫宏波;胡德友;李繼光
• 申請（專利權）人: 北京航空航天大學;首都航天機械有限公司
• 主分類號: G06F16/9537
• 分類號: G06F16/9537;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京快易權知識產權代理有限公司 11660
• 代理人: 衣秀麗

1.一種基于預測的復雜裝備異常檢測方法，其特征在于，包括如下步驟：

步驟S1、積累復雜裝備歷史運行過程中的正常狀態的時序數據；

步驟S2、對復雜裝備多維參數進行相關性關聯分析，獲得具有強關聯性的參數組合；

步驟S3、建立LSTM網絡多輸入多輸出預測模型，輸入變量和輸出變量為步驟S2分析得到的具有強關聯性的參數組合，預測模型采用單步預測方式；

步驟S4、基于積累的復雜裝備歷史數據，訓練LSTM預測模型，并獲得模型在訓練數據上的預測誤差；

步驟S5、對訓練數據的預測誤差的分布進行KS假設檢驗，判斷誤差數據所服從的統計學分布；

步驟S6、將復雜裝備最新的歷史數據輸入LSTM預測模型，獲得模型的預測值，待新數據到來時，計算預測值與實際值的偏差；

步驟S7、對預測值與實際值之間的偏差進行顯著性檢驗，判斷偏差值與步驟S5所得到的統計學分布是否一致；

步驟S8、根據步驟S7的檢驗結果，對實際數據進行異常判別，若計算的偏差與步驟S5的統計分布存在顯著差異，則認為該數據是異常數據，否則認為該數據是正常數據；

S9、若步驟S8的檢測結果為正常，則將該實際數據加入歷史數據，輸入LSTM預測模型進行下一步預測；若步驟S8的檢測結果為異常，則將該預測值加入歷史數據，輸入LSTM預測模型進行滾動向前預測；當新數據到達，迭代執行步驟S6、S7、S8。

2.根據權利要求1所述的一種基于預測的復雜裝備異常檢測方法，其特征在于，所述步驟S2具體包括：

對數據進行預處理，包括缺失值填充和歸一化處理；

選擇一個目標變量，依次計算目標變量與其他變量之間的互信息；對于兩條時間序列X和Y，互信息的計算公式為：其中，p(x,y)為X和Y的聯合概率分布函數，p(x)和p(y)分別為X和Y的邊緣概率分布函數；

設置關聯性評價閾值，當兩個變量之間的互信息大于該閾值，則認為這兩個變量具有強相關性，得到與該目標變量具有強相關性變量組；

迭代執行以上步驟，得到復雜裝備全部參數之間具有強相關性的參數組合。

3.根據權利要求2所述的一種基于預測的復雜裝備異常檢測方法，其特征在于，所述步驟S3具體包括：

網絡的輸入和輸出都包括參數組合，這些參數具有強關聯性；

輸入的時間步長為m，輸出的時間步長為1，利用前m步的監測數據預測未來1步的數據；

網絡的隱含層由LSTM層和dropout層交替連接。

4.根據權利要求3所述的一種基于預測的復雜裝備異常檢測方法，其特征在于，所述步驟S5具體包括：

繪制誤差數據的統計圖，初步判斷可能符合的統計學分布；

提出原假設H0：預測誤差數據的分布F_n(x)符合某種統計學分布F(x)；

計算樣本累計頻率與理論分布累計概率的絕對差，令最大的絕對差為D_n：

D_n＝max|F_n(x)-F(x)|

用樣本容量n和顯著水平α查出臨界值D_n(α)；

如果D_n＜D_n(α)，則認為誤差數據符合該分布，接受原假設，否則拒絕原假設。

5.根據權利要求4所述的一種基于預測的復雜裝備異常檢測方法，其特征在于，所述步驟S7，具體步驟包括：

提出原假設H0：預測偏差值與步驟S5確定的統計學分布一致；

構造檢驗統計量：若原假設的分布為正態分布，則檢驗統計量為若原假設的分布為t分布，則檢驗統計量為其中E為預測偏差值，σ為正態分布的標準差，S為訓練誤差數據的標準差，μ₀為訓練誤差數據的均值；

設置顯著性水平α，查對應的分布表得到雙側檢驗的臨界值；

將檢驗統計量的值與α水平的臨界值進行比較，進而做出決策，若滿足原假設的拒絕域：∣統計量∣臨界值，則拒絕原假設，否則接受原假設。