[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

说明书

本发明提供了一种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，利用k‑means聚类算法实现了工况的自动划分，并通过在不同工况下分别构建检测模型，实现了多模型的并行监测，采用半监督的单分类极限学习机算法作为异常检测算法，通过构建复杂数据集的正常域，根据待测样本的输出偏差来计算设备的异常指标。此外，本发明采用移动平均滤波、标准化的方法处理噪声和量纲问题，完成了数据预处理。本发明是一个完整的针对飞机发动机系统的多工况异常检测体系，通过得到的异常指标获取发动机的退化状态，在设备失效之前实现异常预警，保障了飞机运行的安全性和可靠性。

技术领域

本发明涉及设备状态监测领域，尤其是一种基于数据驱动的异常检测方法。

背景技术

设备异常检测的主要目的是通过监测设备的运行状态，及时捕获系统的异常，以便在系统失效之前实现异常预警，避免因设备的故障造成人员伤亡和财产损失。实际设备运行过程中会由于生产条件、环境、需求等的改变而导致设备的操作工况发生变化，实现多工况模式下的异常检测对航空航天、工业系统等安全性和可靠性要求较高的领域具有重要的实际应用意义。

现有的异常检测工作大多是在单工况模式下进行的，通常会建立一个全局模型来分析系统的正常和异常行为。而多工况情形下，不同工况下的正常样本信息并不相同，此时采用单个全局模型来检测系统的异常并不合适，工况模式之间的变换可能会导致模型输出偏差，进而被误认为是系统异常。本发明采用多模型并行监测，可以准确描述设备在不同工况下的行为变化。目前的研究中，主成分分析算法被广泛应用到多工况的过程监测任务中进行监测设备的状态，而主成分分析算法有它的局限性，仅适用于检测符合高斯分布的数据集。本发明将过程监测任务归为单分类问题，利用单分类极限学习机算法很好地解决了实际中数据集非高斯、非线性的问题。此外，现有的多工况异常检测技术多是针对化工过程进行研究的，如Yang等人在《Multimode process monitoring based on robustdictionary learning with application to aluminium electrolysis process》一文中基于多工况的铝电解过程提出了一个鲁棒字典学习方法进行过程监测，Wang等人在《Multiscale neighborhood normalization based multiple dynamic pca monitoringmethod for batch processes with frequent operations》一文中通过建立多个动态主成分分析模型对钢包炉炼钢过程完成了多工况下的监测。在设备状态监测领域中，尚未出现一个完整有效的针对飞机发动机系统的多工况异常检测体系，不能满足实际工程应用的需求。

发明内容

为了克服现有技术的不足，本发明提供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。通过获取飞机发动机的异常指标，及时掌握了发动机退化状态的改变。针对设备的多工况情形，本发明利用k-means聚类算法实现了工况的自动划分，并通过在不同工况下分别构建检测模型，实现了多模型的并行监测。针对异常数据不平衡、异常类型复杂的问题，本发明采用半监督的单分类极限学习机算法作为异常检测算法，通过构建复杂数据集的正常域，根据待测样本的输出偏差来计算设备的异常指标。此外，本发明采用移动平均滤波、标准化的方法处理噪声和量纲问题，完成了数据预处理。本发明是一个完整的针对飞机发动机系统的多工况异常检测体系，通过得到的异常指标获取发动机的退化状态，在设备失效之前实现异常预警，保障了飞机运行的安全性和可靠性。

本发明解决其技术问题所采用的技术方案的实现步骤如下：

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；