一种基于飞机参数数据的状态检测方法与流程

本发明属于飞机异常状态检测技术领域，具体涉及一种基于支持向量域数据描述(supportvectordomaindescription；svdd)和核函数(kernelfunction；ka)的飞机异常状态划分的异常检测方法。

背景技术

飞机的工作机理非常复杂，而且其工作环境千变万化，在飞机设计过程中难以全面地分析故障模式，造成其在使用过程中未知故障(或称为异常状态)难以检测和隔离，为飞机在使用过程中的安全性和经济性造成潜在隐患。

由于飞机在飞行过程中各关键系统的监测参数数据尚未得到充分的挖掘，对于当前数据所处的状态未能完全掌握，一些潜在的异常状态未能得到挖掘和分析，且异常状态的程度等级不能确定，为飞机的正常飞行造成一定的安全隐患。

以往的状态检测方法采用物理模型的方法，对于先验知识的依赖程度高，建立在先验知识积累的基础上，在出现异常时，不能及时检测，故难以掌握飞机当前的状态，无法为后续故障诊断提供支撑信息。

技术实现要素：

本发明的目的：针对上述问题，提出一种基于数据驱动，在不依赖先验知识的前提下，能够准确检测出飞机异常状态的方法。

本发明的技术方案是：一种基于飞机参数数据的状态检测方法，其具体步骤如下：

步骤1数据获取：获取飞机参数数据；

步骤2构建超球体：通过边界划分，获取飞机参数数据最小边界数据包，构建正常状态数据超球体和已知故障状态数据超球体；

步骤3确定异常梯度等级：对球体飞机参数数据进行低维到高维的映射，并在高维空间中进行数据的分类处理，并确定异常梯度等级，形成状态检测模型；

步骤4状态检测：将飞机参数数据放在状态检测模型中，输出相应状态结果，并进行状态确认。

所述基于飞机参数数据的状态包括正常状态、异常状态、故障状态，其中，故障状态为已知故障状态，异常状态为处于正常状态和故障状态之间的非确定状态。

所述步骤2构建正常状态数据超球体和已知故障状态数据的超球体过程如下：

运用获取的飞机参数数据，采用支持向量域数据描述的方法，通过训练，建立能够包含全部或绝大多数目标样本的正常状态数据超球体和已知故障状态数据的超球体，被包含在球体内部或落在边界值上的样本或绝大多数样本为目标样本，其余落在边界球外的样本或绝大多数样本为奇异值点，正常状态数据占到总数据量的绝大多数，由于飞机的已知故障模式有限，因此已知故障状态数据量较少。

所述步骤3中状态检测模型形成过程如下：

通过一个非线性函数将原始输入空间的训练数据从低维空间映射到高维空间中，并在高维空间中进行数据的分类处理，由此方法确定正常状态数据超球体和已知故障状态数据超球体的球心、半径和数据样本中任意样本点z相对于超球体的距离。

所述步骤3确定异常梯度等级，异常梯度是指将异常数据状态划分为四个等级{0、1、2、3}，0、1、2、3即为异常梯度等级，其中，0代表接近故障状态，1代表严重异常状态，2代表一般异常状态，3代表轻微异常状态，异常状态的四个等级代表了异常状态可能演化的故障程度或方向。

所述步骤3确定异常梯度等级，异常梯度具体计算过程如下：

计算正常状态数据样本点到球体的距离，找到一个样本点y1，并且同时满足条件：①与正常状态数据超球体的距离为0；②与已知故障状态数据超球体的距离最小；③在正常状态数据超球体和已知故障状态数据超球体的球心连线上；

计算已知故障状态数据样本点到球体的距离，找到一个样本点y2，并且同时满足条件：①与已知故障状态数据超球体的距离为0；②与正常状态数据超球体的距离最小；③在正常状态数据超球体和已知故障状态数据超球体的球心连线上；

y2和y1在多维度空间下的距离记为dis，超球体球心坐标记为a，超球体半径记为r，超球体的松弛变量记为ξ，记为任意点i，则异常梯度四个等级{0，1，2，3}样本点xi目标函数的约束条件分别为公式(1)、(2)、(3)、(4)。

所述步骤4，将飞机参数数据放在状态检测模型中，最终计算出的异常梯度等级可表征参数数据当前的状态，通过实时监测参数数据的变化，获得异常梯度等级的变化趋势，由此掌握数据状态的演变。

所述步骤4，数据状态输出，通过计算数据落入范围，输出当前数据状态，数据状态共分为四种：正常状态数据、已知故障状态数据、异常状态数据和奇特状态数据，其中异常状态数据又可根据异常梯度划分为四个等级：0接近故障状态数据；1严重异常状态数据；2一般异常状态数据；3轻微异常状态数据，奇特状态数据由于出现的概率很低，可视为小概率事件，即可忽略不计。

所述数据状态的演变时，异常状态数据指以已知故障球体球心为中心，从已知故障状态数据超球体的边界扩展到正常状态数据超球体相切的这一部分的范围内出现的数据即为异常状态数据，异常状态数据组成的数据集合范围即为异常状态。

所述数据状态的演变时，奇特状态数据指异常状态数据组成的封闭整体外边界向外再扩展，并且除去落在正常状态超球体内的数据之外得数据是奇特状态数据，奇特状态数据组成的数据集合范围是奇特状态。

本发明具有的优点和有益效果是：

1、针对飞机及关键系统采集的参数种类多、状态数据难以划分的特点，采用支持向量域数据描述(svdd)的方法，构建飞机正常状态和已知故障状态数据超球体，该方法具有边界划分精度高、错误率低的优点。

2、飞机是属于动态的、不确定的复杂系统，其参数数据也具有难以准确检测的问题，基于核函数的异常状态检测方法可准确计算状态数据超球体的球心、半径和样本点距离球体的距离，该方法具有适应范围广、收敛域宽以及检测率高等特点。

3、本发明建立的状态检测模型，可对飞机及其它装备的状态进行准确检测，能够掌握异常状态演变成故障的相关规律，进一步提升飞机及其它装备故障隐患的预警能力。

4、本发明方法不仅可以用于航空领域，同样可转化为其他适用于异常状态检测、自动化较高并且便于信息采集的工业领域。

附图说明

图1本发明基于飞机参数数据的状态检测方法流程图；

图2支持向量域数据描述(svdd)方法原理图；

图3正常状态数据超球体和已知故障状态数据超球体；

图4异常数据状态示意图；

图5奇特数据状态示意图；

图6异常梯度示意图；

图7目标样本点y1、y2及距离dis。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本发明基于飞机参数数据的状态检测方法具体包括以下步骤：

第一步获取飞机关键系统的数据，为异常检测算法作为输入基础。第二步，通过边界划分，获取飞机参数数据最小边界数据包，构建正常状态数据超球体和已知故障状态数据超球体。第三步，对球体飞机参数数据进行低维到高维的映射，并在高维空间中进行数据的分类处理，并确定异常梯度等级，形成状态检测模型。第四步，将飞机参数数据放在状态检测模型中，输出相应状态结果，并进行状态确认。本发明在不依赖先验知识的前提下，能够准确检测出飞机异常状态的方法。

进一步，所述第一步数据获取的具体步骤如下：

根据实际飞行需要，获取飞机参数数据，包括机电、航电、机身机构等关键系统的参数数据，通过飞行及地面试验、仿真模拟等方式，产生所需的数据。

进一步，所述第二步构建超球体包括以下内容：

对于飞机而言，异常状态出现的时间是随机的、难以预测的，异常的表征和类型也是不断变化发展的。因此关于异常的研究是复杂的，为量化异常状态，构建正常状态数据超球体和已知故障状态数据超球体。

step2.1支持向量域数据描述(svdd)的方法。

如图2的svdd原理图所示，对飞机正常状态和已知故障状态进行描述。飞机在运行过程中获得的大量样本数据均为正常状态数据，正常样本数据是构建异常检测的基础。

超球体的最小边界由球体的半径r和球心a进行描述。根据超球体边界定义目标函数为：

minf(r,a)＝r²(1)

测试样本集中任意一点xi到超球体中心a的距离为：||xi-a||²，由此可得对于目标函数的约束条件为：

||xi-a||²≤r²(2)

但实际对样本进行训练时，训练数据集中可能会有另类点。为了减小另类点测试的影响，提高测试可靠性，在目标函数中引入松弛量ξi≥0和惩罚参数c(控制超球体的大小和错误率的折中)，则目标函数转化为：

同样的，对于目标函数的约束条件就变为：

将式(3)转化为求拉格朗日极值，则将式(3)与式(4)利用拉格朗日乘子法合并计算得：

式中，ai和βi为拉格朗日乘子，且αi≥0，βi≥0。若想minf(r,α,ξ)取得最小值，则需要满足以下条件：

由式(8)可得：αi＝c-βi。同时应满足αi≥0，βi≥0，则：

0≤αi≤c(11)

将式(6)至式(11)代入式(5)，可得到目标函数的拉格朗日极值形式：

式中，ai和βi为拉格朗日乘子，0≤αi≤c，βi≥0，且

step2.2构建正常状态数据超球体和已知故障状态数据超球体。

如图3所示是采用上述支持向量域数据描述(svdd)的方法，构建正常状态数据超球体和已知故障状态数据超球体，并具有边界划分精度高、错误率低的优点。球心、半径和松弛变量分别为a1，a2、r1，r2和ξ1、ξ2。对于飞机采集的状态数据，正常状态数据占到总数据量的绝大多数，由于飞机的已知故障模式非常有限，因此已知故障状态数据量较小。另外，本发明除了采用支持向量域数据描述(svdd)法外，还可以用单类支持向量机的方法，进行数据超球体的构建。

进一步，所述第三步确定异常梯度等级包括以下内容：

step3.1：运用核函数确定球体参数。

核函数方法的原理是通过非线性函数(该处的为常规非线性函数)将原始输入空间的训练数据从低维空间映射到高维空间中，并在高维空间中进行数据的分类处理。在支持向量域数据描述中引入核函数k(xi,xj)，可以利用原始输入空间的核函数k(xi,xj)计算代替高维空间的内积运算即

引入高斯径向基核函数代替式(12)中的内积运算可得：

由式(9)和式(10)得出的结论中可以知道，当0＜αi＜c，β＝0时对应的为超球体的支持向量，决定着超球体球心a的位置和球体半径r的大小，非支持向量在计算球心和半径时将被忽略。

超球体球心为：

超球体半径r可由任一支持向量xk求得：

测试样本集中任意样本点z相对于超球体的距离为：

本发明可准确计算状态数据超球体的球心、半径和样本点距离球体的距离，并具有适应范围广、收敛域宽以及检测率高等特点。

step3.2飞机异常数据状态定义。

以已知故障状态数据超球体的中心为球心，从已知故障超球体的球面边界向外扩充，绘制未知异常数据状态的封闭整体。

绘制之前先给出两个定义：异常状态数据和奇特状态数据。

定义1：异常状态数据指以已知故障球体球心为中心，从已知故障状态数据超球体的边界扩展到正常状态数据超球体相切的这一部分的范围内出现的数据即为异常状态数据。异常状态数据组成的数据集合范围即为异常状态，具体如图4所示。

定义2奇特状态数据指异常状态数据组成的封闭整体外边界向外再扩展，并且除去落在正常状态超球体内的数据之外得数据是奇特状态数据。奇特状态数据组成的数据集合范围是奇特状态，具体如图5所示。

由于奇特状态数据出现的概率较小，属于小概率事件，可忽略不计，因此主要研究异常数据状态。

step3.3绘制异常数据状态的封闭整体。

为进一步检测飞机异常状态的程度，以已知故障状态数据超球体的中心为圆心，从已知故障超球体的球面边界向外扩充，到不交于正常状态数据超球体球面边界的范围停止，绘制异常数据状态的封闭整体。

异常状态有一个演化方向，或向正常状态数据超球体，或向异常数据超球体。这个方向代表了异常状态的程度，为量化这个程度，提出了异常梯度的概念。

如图6所示，异常梯度是指将异常数据状态划分为四个等级{0、1、2、3}，0代表接近故障状态，1代表严重异常状态，2代表一般异常状态，3代表轻微异常状态，异常状态的四个状态代表了异常状态可能演化的故障程度或方向。

利用公式(16)计算正常状态数据样本点到球体的距离(假设样本点充分多)，找到一个样本点y1，并且同时满足条件：①与正常状态数据超球体的距离为0；②与已知故障状态数据超球体的距离最小；③在正常状态数据超球体和已知故障状态数据超球体的球心连线上。

利用公式(16)计算已知故障状态数据样本点到球体的距离(假设样本点充分多)，找到一个样本点y2，并且同时满足条件：①与已知故障状态数据超球体的距离为0；②与正常状态数据超球体的距离最小；③在正常状态数据超球体和已知故障状态数据超球体的球心连线上。

记y1和y2在多维度空间下的距离为dis，如图7所示为目标样本点y1、y2和距离dis。则异常梯度四个等级{0，1，2，3}样本点xi目标函数的约束条件分别为公式(17)、(18)、(19)、(20)。

进一步，所述第四步数据状态结果输出包括以下内容：

通过计算数据落入范围，输出当前数据状态，具体数据状态和相应的标记如下表：

另外，除了本实施例中采用核函数进行异常梯度等级计算外，还可以采用聚类的方法进行异常梯度等级的确认。

step3.4构建状态检测模型。

基于飞机参数数据的状态包括正常状态、异常状态、故障状态，其中，故障状态为已知故障状态，异常状态为处于正常状态和故障状态之间的非确定状态。

状态检测模型形成过程是通过一个非线性函数将原始输入空间的训练数据从低维空间映射到高维空间中，并在高维空间中进行数据的分类处理，由此方法确定正常状态数据超球体和已知故障状态数据超球体的球心、半径和数据样本中任意样本点z相对于超球体的距离。

本发明在建立的状态检测模型，输入飞机参数数据，即可对飞机及其它装备的状态进行准确检测，能够掌握异常状态演变成故障的相关规律，进一步提升飞机及其它装备故障隐患的预警能力，并可在不依赖先验知识的前提下，能够准确检测出飞机异常状态，相对于现有技术具有显著的技术进步。