[发明专利]基于单分类极限学习机算法的飞机发动机多工况检测方法

权利要求书

1.一种基于单分类极限学习机算法的飞机发动机多工况检测方法，其特征在于包括下述步骤：

步骤一：训练阶段；

(1)工况分离；

首先对多工况数据集进行工况的分离，采用k-means算法对训练集中的工况操作数据进行聚类，聚类结果中的每个簇分别代表一种工况模式，得到训练数据的工况标签，从而实现工况分离；

将工况标签和数据集中的传感器数据，通过极限学习机分类方法学习不同工况特征，从而得到极限学习机分类模型，以便在测试阶段进行工况分离；

(2)数据预处理；

完成工况划分后，分别得到每个工况下的子数据集，数据预处理内容包括特征缩放、特征选择和平滑滤波三个过程；

①特征缩放

采用Z-score标准化方法，首先计算出每种工况下原始数据x的均值μ和标准差σ，将结果代入如下的Z-score转换公式：

得到标准化的新数据x^*，新数据服从均值为0，标准差为1的正态分布；

②特征选择

在每个工况下依据趋势性进行传感器选择，选择的传感器在所有发动机上斜率变化同递增或同递减。

③平滑滤波

采用的滤波方法是移动平均滤波，每次的结果都是取固定长度窗口中数据的平均值作为新的数据点，完成一次计算后，将窗口进行一次移动进行新的计算，从而实现数据平滑，起到降噪的作用；假设在n时刻的输入x(n)，输出为y(n)，计算公式如下所示：

其中，N为窗口长度；

(3)构建并行异常检测模型

ELM网络的输出函数为：

f(x)＝h(x)^Tβ

其中，β为输出权重，h(x)为关于输入向量x的隐含层输出向量；

单分类器中目标类的期望输出应该是相同的，即满足下面等式：

y_j＝p，j＝1，2，...，N

其中，X表示总的输入样本集，p是一个实数值，所有训练样本的期望输出应该被设置为一个相同的p值学习检测模型的边界；目标数据类的期望输出向量为：

Y＝[y₁，y₂，...，y_N]^T＝[p，p，...，p]^T

训练过程与ELM网络一样，当一个训练样本s到来时，该单类分类器定义一个距离函数d，如下：

d(s|X，λ)＝|h(s)^Tβ-p|

其中，λ是模型参数，d为异常监测指标，表示的是从任意一个样本s点到超平面的距离值，训练样本到目标期望输出的距离计算如下：

d(x_j|X，λ)＝|h(x_j)^Tβ-p|＝|ξ_j|

其中，获得的距离差|ξ_j|为训练误差，然后将所有的训练样本与目标输出的距离值记为：d＝[d₍₁₎，...，d_(N)]，且满足d₍₁₎≥d₍₂₎≥…≥d_(N)，通过设置阈值θ决定距离值d的异常程度，基于训练过程阈值θ通过下式进行获取：

θ＝d_floor(γ×N)

其中，γ代表样本的容错能力，N是训练样本的数量，floor(a)表示返回不超过a的最大整数；

测试样本s的决策函数为：

基于每个工况下的历史健康数据分别训练对应的检测模型，由此完成多工况并行检测模型的构建任务；

步骤二：测试阶段

(1)工况识别

对于待测样例，首先识别该待测样例处于何种工况下，利用训练阶段训练好的极限学习机分类模型，将待测样例带入极限学习机分类模型中实现测试阶段的工况分离；

(2)数据预处理；

采用训练阶段预处理步骤将待测样例进行预处理；

①特征缩放

实现工况分类后，在对应工况下对待测样例进行数据标准化处理；

②特征选择

测试阶段在不同工况下的传感器选择是依据训练阶段在对应工况下已选择好的传感器进行选择；

③平滑滤波

在对应工况下进行滑动平均滤波处理；

(3)实现异常检测

完成待测样例工况识别以及数据预处理后，分别在各工况下利用在训练阶段训练好的单分类极限学习机检测模型进行异常检测，将待测样例与健康样本期望输出的距离作为异常监测指标，由于建立了n个并行的极限学习机分类模型模型，分别得到同一设备在不同工况下n个异常监测指标；

(4)各工况下异常监测指标的重组

在获取n个工况下的异常监测指标后，将n个工况下的异常监测指标按照设备的运行时间顺序进行排列表示，绘制图像，即以发动机运行时间为横轴，异常监测指标为纵轴，绘制图像，观察设备整个运行阶段退化趋势的变化情况，从而得到全局监测指标，全局监测指标反映设备在整个运行期内随时间在不同工况下退化程度的变化情况，将全局监测指标中每个时刻所对应的异常监测指标与异常阈值进行比较，当异常监测指标大于异常阈值，则提示异常警报，否则认为没有异常，从而基于全局监测指标以及相应的阈值设定实现设备异常状态的检测，最终实现待测样例的异常检测。