[發明專利]一種面向時序異常檢測模型的海量遙測參數關聯劃分方法

在審

• 申請號: 202210835888.5
• 申請日: 2022-07-15
• 公開（公告）號: CN115203314A
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 于勁松;周金浛;梁思遠;唐荻音;周倜;苗毅;陶來發
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F16/26
• 分類號: G06F16/26;G06F17/18
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種面向時序異常檢測模型的海量遙測參數關聯劃分方法，所述的海量遙測參數關聯劃分方法面向涉及海量參數的中大型設備，通過參數分系統信息、關鍵詞信息、統計學特征等不同置信度和細密度的關聯性知識，實現滿足時序異常檢測模型參數規模限制和模型參數關聯信息要求的可解釋性參數關聯組合劃分。所述的海量遙測參數關聯劃分方法為數據驅動模式下多參數時序異常檢測模型初步實現了參數層面的配置，提高了模型初步配置的效率和質量，從而一定程度上夯實了數據驅動方法在實際多參數時序異常檢測任務中的工程基礎。

技術領域

本發明涉及遙測參數關聯劃分方法，尤其是一種面向時序異常檢測模型的海量遙測參數關聯劃分方法。

背景技術

隨著航空航天、船舶領域中大型設備的日益復雜化，傳統基于專家門限、專家規則等專家知識的時序異常檢測模式逐漸需要專家投入巨大的人力成本與時間成本，且愈發難以有效覆蓋所有異常類型，在實際工程中的應用局限性日益顯現。為突破傳統模式的局限性，數據驅動模式被引入時序異常檢測任務中。在該模式下，各參數通過歷史遙測數據自主學習，建立各自的參數檢測模型，以挖掘到的正常數據時序特征來判別設備運行階段該參數的異常與否。對于復雜的時序異常機理，往往涉及多個關聯參數間的聯合時序特征，需要建立多參數檢測模型才能時序有效捕獲。

然而，數據驅動模式雖然有效擴大了可被檢測的異常類型范圍，但常用的數據驅動模型仍對于輸入參數的規模較為敏感。例如，距離聚類方法在面臨高維度數據(即模型所處理的參數數目較高)或弱相關數據(即模型參數間故障層面的關聯性較低)時，一般會出現簇數虛高、虛警頻繁的惡化現象，不能到達實際工程所需要的檢測精度與效率。因此，數據驅動模型的初始配置一方面需要從設備所涉及的海量參數選擇出多個有限參數數目的遙測參數組合以匹配模型的輸入限制，另一方面則需要盡可能將涉及同一時序異常所關聯的多個遙測參數輸入同一個組合中以提高模型的檢測質量。然而，面對中大型航空航天器、船舶等設備上千級別的參數規模，關聯劃分效率和質量的均衡提升成為了實際工程面臨的主要問題。為實現有效數據驅動模型的有效初始配置，必須利用可解釋性的關聯分析方法將設備涉及的海量參數快速而有效的關聯劃分，從而形成若干規模滿足模型限制且參數關聯信息保留程度最高的參數組合。

基于上述時序異常檢測任務中數據驅動模式的實際工程需求分析，針對實際遙測參數特征，本課題提出一種面向時序異常檢測模型的海量遙測參數關聯劃分方法，旨在在最大程度保留時序異常所涉及多參數關聯信息的前提下，將設備所涉及的參數有效劃分為若干有效規模的參數關聯組合，輔助后續的參數檢測模型初始配置功能實現效率和性能上的優勢均衡。

發明內容

本發明為解決數據驅動模式下多參數時序異常檢測初始配置的效率與質量問題，提出一種面向時序異常檢測模型的海量遙測參數關聯劃分方法。本方法可以實現對航空航天、船舶等領域中的中大型設備海量遙測參數的有效關聯劃分，從而支持具有模型參數規模限制和模型參數關聯信息要求的時序檢測檢測模型初始配置功能。

所述的海量遙測參數關聯劃分方法主要面向涉及海量參數的中大型設備。具體而言，該方法通過參數關鍵詞信息、統計學特征等不同置信度和細密度的關聯性知識進行逐步挖掘，實現滿足時序異常檢測模型參數規模限制和模型參數關聯信息要求的可解釋性參數關聯組合較快劃分，從而為后續時序異常檢測模型初始配置提供充分的參數層面信息，提高模型初始配置的效率與質量。具體而言，海量遙測參數先進行參數關鍵詞信息劃分，即通過參數分系統信息和名稱中蘊含的物理信息，初步挖掘參數間的關聯性信息，進而將參數粗略劃分為若干粗糙關聯團，使得粗糙關聯團的規模均控制在一定范圍內；再以統計學關聯指標分析為依據，將粗糙關聯團更深入地劃分為精細關聯團，進一步將關聯團的規模控制在與檢測模型輸入適配的范圍內。

本發明的特點是：

(1)所述的海量遙測參數關聯劃分方法面向時序異常檢測模型進行，能夠更好地契合異常檢測模型參數規模限制、模型參數關聯信息等實際需求，更有效地實現參數關聯劃分；