[发明专利]基于时间卷积网络的飞行器遥测数据异常检测方法及系统

说明书

本发明提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法及系统，包括：对遥测数据进行数据预处理；将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；向卷积核中插入数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建；将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断数据是否存在异常。应用本发明的技术方案，以解决现有技术中在进行异常检测的过程中往往难以对高维大量的遥测数据进行异常检测的技术问题。

技术领域

本发明涉及工程应用与信息科学的交叉技术领域，尤其涉及一种基于时间卷积网络的飞行器遥测数据异常检测方法及系统。

背景技术

飞行器故障主要有以下的几大特点：

1)故障多发性。在航天器试验中地面试验时故障多发，正给与机器学习训练数据集的机会。因为模型需要较多的数据集进行训练才能得到较为理想的算法出口。针对训练数据不具有代表性和收集到质量差的数据的问题需要采用在源头处进行筛选评估和特征提取法进行处理。在源头处筛选的处理方法是人为的将由于非典型因素排除在数据库之外，不作为训练的数据集；而特征提取法是从大量现有特征中选择最有用的特征进行训练，或者将特征进行拟合，降维处理，常用的降维方法是主成分分析法(PCA)，但具体选用哪种降维方法需要根据实际情况而定。

2)多故障并发性。因为航天飞行器系统是一个涉及多人、多机、多环境的、结构十分复杂的巨型系统，从硬件构成可分为运载系统、发射系统和测控系统等；从功能上可分为动力系统、通讯系统、遥测系统、遥控系统和各种功能系统等，每一功能系统又是由若干个子系统构成的。因此，成分的复杂性决定了事故的多发性。事故多发性对于机器学习算法而言，也是一个重大的挑战，这意味着需要将更多的数据入库、筛选、清洗，进而为下一步算法处理提供“原动力”。

3)故障模式多样性。到目前为止，在国际过程可靠性和安全技术领域，已经探索了传统动力学；在过程控制系统和机械系统的故障检测和诊断中，大多数集中在三种经典故障模式：步进故障、渐进式故障等。但是在航空航天领域，很难简单地将大多数故障归类处理，因为“故障本身就构成一个动态过程”，所以将会有较多的因素影响着算法的进行。影响因素越多，数据维度越高，对硬件处理平台的运算能力要求就越高，故在进行数据清洗的时候要运用主成分分析法进行降维处理。主成分分析法是把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时可以得到更加科学有效的数据信息，也可以节约宝贵的机载硬件资源。

K近邻回归算法、贝叶斯算法、分类与回归树等常用的、较为成熟的监督学习算法都被广泛运用在实时故障分析领域。然而传统方法在进行异常检测的过程中往往难以对高维大量的遥测数据进行异常检测。

发明内容

本发明提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法及系统，能够解决现有技术中在进行异常检测的过程中往往难以对高维大量的遥测数据进行异常检测的技术问题。

根据本发明的一方面，提供了一种基于时间卷积网络的飞行器遥测数据异常检测方法，基于时间卷积网络的飞行器遥测数据异常检测方法包括：对遥测数据进行数据预处理；将预处理后的遥测数据输入改进的时间卷积网络，通过因果卷积以及膨胀卷积的方式捕捉序列间的因果性；向卷积核中插入数值为0的权重构成空洞卷积核作为改进的时间卷积网络的基础计算单元；基于基础计算单元进行神经网络训练，在训练的过程中，引入残差连接的方式，将残差块代替设定卷积层，重复上述过程，直至完成数据模型的构建；将测试数据输入到训练好的数据模型中，通过数据标注的损失函数判断飞行器遥测数据是否存在异常。