[發(fā)明專利]一種基于預(yù)測(cè)的復(fù)雜裝備異常檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210814189.2
• 申請(qǐng)日: 2022-07-11
• 公開(kāi)（公告）號(hào): CN115329219A
• 公開(kāi)（公告）日: 2022-11-11
• 發(fā)明（設(shè)計(jì)）人: 張超祺;崔朗福;張慶振;陳娟;宋子雄;王鈞樂(lè);王明賢;王賀;孫宏波;胡德友;李繼光
• 申請(qǐng)（專利權(quán)）人: 北京航空航天大學(xué);首都航天機(jī)械有限公司
• 主分類號(hào): G06F16/9537
• 分類號(hào): G06F16/9537;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京快易權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11660
• 代理人: 衣秀麗

本發(fā)明公開(kāi)了一種基于預(yù)測(cè)的復(fù)雜裝備異常檢測(cè)方法，包括獲得具有強(qiáng)關(guān)聯(lián)性的參數(shù)組合；建立LSTM網(wǎng)絡(luò)多輸入多輸出預(yù)測(cè)模型；訓(xùn)練LSTM預(yù)測(cè)模型，并獲得模型在訓(xùn)練數(shù)據(jù)上的預(yù)測(cè)誤差；判斷誤差數(shù)據(jù)所服從的統(tǒng)計(jì)學(xué)分布；將復(fù)雜裝備最新的歷史數(shù)據(jù)輸入LSTM預(yù)測(cè)模型，獲得模型的預(yù)測(cè)值，待新數(shù)據(jù)到來(lái)時(shí)，計(jì)算預(yù)測(cè)值與實(shí)際值的偏差；對(duì)預(yù)測(cè)值與實(shí)際值之間的偏差進(jìn)行顯著性檢驗(yàn)，判斷偏差值與步驟S5所得到的統(tǒng)計(jì)學(xué)分布是否一致；對(duì)實(shí)際數(shù)據(jù)進(jìn)行異常判別，檢測(cè)結(jié)果為正常，則將該實(shí)際數(shù)據(jù)加入歷史數(shù)據(jù)，輸入LSTM預(yù)測(cè)模型進(jìn)行下一步預(yù)測(cè)。本發(fā)明提高了復(fù)雜裝備異常檢測(cè)的準(zhǔn)確率和快速性，為復(fù)雜裝備穩(wěn)定高效的運(yùn)行提供了有力保障。

技術(shù)領(lǐng)域

本發(fā)明涉及復(fù)雜裝備異常檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于預(yù)測(cè)的復(fù)雜裝備異常檢測(cè)方法。

背景技術(shù)

復(fù)雜裝備測(cè)試參數(shù)眾多，參數(shù)之間相互影響，相互制約，它是一個(gè)高度融合機(jī)、液、電、磁、熱的軟硬件集成系統(tǒng)，工作信息數(shù)據(jù)豐富、龐雜。因此，準(zhǔn)確而及時(shí)的異常檢測(cè)能夠最大限度地保障復(fù)雜裝備的運(yùn)行效率。

復(fù)雜裝備的異常檢測(cè)長(zhǎng)期以來(lái)使用人工判讀、簡(jiǎn)單閾值檢測(cè)以及專家經(jīng)驗(yàn)等方法。如今，復(fù)雜裝備產(chǎn)生的數(shù)據(jù)呈現(xiàn)數(shù)據(jù)量大且維度高、不同通道數(shù)據(jù)間關(guān)系復(fù)雜等特點(diǎn)，在此背景下，傳統(tǒng)方法效率低、存在專家知識(shí)瓶頸、海量數(shù)據(jù)得不到有效利用，而且對(duì)未超出閾值的異常數(shù)據(jù)無(wú)能為力，也不能發(fā)現(xiàn)未被認(rèn)知的其他異常。

因此如何提供一種提高復(fù)雜裝備異常檢測(cè)的準(zhǔn)確率和快速性的復(fù)雜裝備異常檢測(cè)方法，成為了本領(lǐng)域技術(shù)人員急需解決的技術(shù)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明目的是提供了一種基于預(yù)測(cè)的復(fù)雜裝備異常檢測(cè)方法，以解決上述問(wèn)題。

本發(fā)明解決技術(shù)問(wèn)題采用如下技術(shù)方案：

一種基于預(yù)測(cè)的復(fù)雜裝備異常檢測(cè)方法，包括如下步驟：

步驟S1、積累復(fù)雜裝備歷史運(yùn)行過(guò)程中的正常狀態(tài)的時(shí)序數(shù)據(jù)；

步驟S2、對(duì)復(fù)雜裝備多維參數(shù)進(jìn)行相關(guān)性關(guān)聯(lián)分析，獲得具有強(qiáng)關(guān)聯(lián)性的參數(shù)組合；

步驟S3、建立LSTM網(wǎng)絡(luò)多輸入多輸出預(yù)測(cè)模型，輸入變量和輸出變量為步驟S2分析得到的具有強(qiáng)關(guān)聯(lián)性的參數(shù)組合，預(yù)測(cè)模型采用單步預(yù)測(cè)方式；

步驟S4、基于積累的復(fù)雜裝備歷史數(shù)據(jù)，訓(xùn)練LSTM預(yù)測(cè)模型，并獲得模型在訓(xùn)練數(shù)據(jù)上的預(yù)測(cè)誤差；

步驟S5、對(duì)訓(xùn)練數(shù)據(jù)的預(yù)測(cè)誤差的分布進(jìn)行KS假設(shè)檢驗(yàn)，判斷誤差數(shù)據(jù)所服從的統(tǒng)計(jì)學(xué)分布；

步驟S6、將復(fù)雜裝備最新的歷史數(shù)據(jù)輸入LSTM預(yù)測(cè)模型，獲得模型的預(yù)測(cè)值，待新數(shù)據(jù)到來(lái)時(shí)，計(jì)算預(yù)測(cè)值與實(shí)際值的偏差；

步驟S7、對(duì)預(yù)測(cè)值與實(shí)際值之間的偏差進(jìn)行顯著性檢驗(yàn)，判斷偏差值與步驟S5所得到的統(tǒng)計(jì)學(xué)分布是否一致；

步驟S8、根據(jù)步驟S7的檢驗(yàn)結(jié)果，對(duì)實(shí)際數(shù)據(jù)進(jìn)行異常判別，若計(jì)算的偏差與步驟S5的統(tǒng)計(jì)分布存在顯著差異，則認(rèn)為該數(shù)據(jù)是異常數(shù)據(jù)，否則認(rèn)為該數(shù)據(jù)是正常數(shù)據(jù)；

步驟S9、若步驟S8的檢測(cè)結(jié)果為正常，則將該實(shí)際數(shù)據(jù)加入歷史數(shù)據(jù)，輸入LSTM預(yù)測(cè)模型進(jìn)行下一步預(yù)測(cè)；若步驟S8的檢測(cè)結(jié)果為異常，則將該預(yù)測(cè)值加入歷史數(shù)據(jù)，輸入LSTM預(yù)測(cè)模型進(jìn)行滾動(dòng)向前預(yù)測(cè)；當(dāng)新數(shù)據(jù)到達(dá)，迭代執(zhí)行步驟S6、S7、S8。

進(jìn)一步的，所述步驟S2具體包括：

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，包括缺失值填充和歸一化處理；

選擇一個(gè)目標(biāo)變量，依次計(jì)算目標(biāo)變量與其他變量之間的互信息；對(duì)于兩條時(shí)間序列X和Y，互信息的計(jì)算公式為：其中，p(x,y)為X和Y的聯(lián)合概率分布函數(shù)，p(x)和p(y)分別為X和Y的邊緣概率分布函數(shù)；