用于数据异常监测的传感器选择方法的评价方法
【专利摘要】用于数据异常监测的传感器选择方法的评价方法，涉及传感器异常检测，目的是为了解决现有技术中缺少对传感器选择方法的性能评价方的问题。本发明采用观察法和待评价方法分别选取两组传感器进行异常数据监测，从两组中选取编号相同的作为待测传感器，再从每组选取一个与另一组编号不同的作为训练传感器，利用两个训练传感器分别构建两个核主成分分析模型并得到两个门限阈值，待测传感器的监测数据超过门限阈值的作为误检数据，低于或等于门限阈值的作为正确数据，计算两种传感器选择方法的误检率，以此对待评价的传感器选择方法进行评价。本发明能够反映出传感器选择方法对数据异常检测的影，特别适用于飞机发动机的状态检测。
【专利说明】
用于数据异常监测的传感器选择方法的评价方法
技术领域
[0001] 本发明设及系统状态监测过程中，用于数据异常监测的传感器异常的选择技术。
【背景技术】
[0002] 复杂系统(例如飞机发动机)的状态监测能够提供有效的故障诊断和失效预测，同 时能够提供有效的维修策略，节省大量的人力与物力。随着科学技术的发展，出现了众多的 故障诊断与失效预测试法、状态监测数据异常监测方法。运些方法是建立在获取系统正确 状态的前提条件下，布置于系统中的大量传感器对于不同的方法并不是所有的传感器都能 提供有效信息，为提高传感器感知系统状态可靠性，研究人员也提出了很多的传感器故障 与异常监测方法，然而已有的研究忽略了用于系统状态监测的传感器选择与数据异常监测 之间的关系，导致无法判断该传感器选择方法对数据异常监测的影响。
【发明内容】
[0003] 本发明的目的是为了解决现有技术中缺少对传感器选择方法的性能评价方法的 问题，提供一种用于数据异常监测的传感器选择方法的评价方法。
[0004] 本发明所述的用于数据异常监测的传感器选择方法的评价方法，包括W下步骤：
[0005] 步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异 常监测，得到由所有待选择的传感器的监测数据构成的数据集；
[0006] 步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传 感器为第二组传感器;其中方法A是指待评价的传感器选择方法，方法B是指观察法；
[0007] 步骤Ξ、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器 中选取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选 取与第一组传感器编号不同的传感器作为方法B的训练传感器；
[000引步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主 成分分析模型得到方法A的训练数据集残差，即方法A的口限阔值;利用方法B的训练传感器 构建方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的口限阔值；
[0009] 步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将 该所有监测数据中的每个监测数据转化成测试数据残差，
[0010] 对于方法A:将每个测试数据残差分别与方法A的口限阔值进行对比，超过方法A的 口限阔值的测试数据残差作为误检数据，低于或等于方法A的口限阔值的测试数据残差作 为正确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率；
[001。 对于方法B:将每个测试数据残差分别与方法B的口限阔值进行对比，超过方法B的 口限阔值的测试数据残差作为误检数据，低于或等于方法B的口限阔值的测试数据残差作 为正确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率；
[0012] 步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。
[0013] 本发明提出的传感器选择方法的评价方法能够反映出传感器选择方法对数据异 常监测的影响，尤其适用于飞机发动机状态的监测，在该评价方法的基础上，作适当修改即 可W用于各种系统，用来改善系统大状态监测方面的性能。
【附图说明】
[0014] 图1为赌与概率的关系图；
[0015] 图2为实施方式Ξ中的评价过程的框架；
[0016] 图3为发动机结构示意图，其中1表示风扇，2表示燃烧室，3表示低压满轮，4表示喷 嘴，5表示高压满轮，6表示低压压缩机，7表示高压压缩机；
[0017] 图4为数据集1中的基于赌和排列赌的传感器选择方法的异常监测结果；
[0018] 图5为数据集1中的观察法的异常监测结果；
[0019] 图6为数据集2中的基于赌和排列赌的传感器选择方法的异常监测结果；
[0020] 图7为数据集2中的观察法的异常监测结果。
【具体实施方式】
【具体实施方式】 [0021] 一:结合图1说明本实施方式，本实施方式所述的用于数据异常监测 的传感器选择方法的评价方法，包括W下步骤：
[0022] 步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异 常监测，得到由所有待选择的传感器的监测数据构成的数据集；
[0023] 步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传 感器为第二组传感器;其中方法A是指待评价的传感器选择方法，方法B是指观察法；
[0024] 步骤Ξ、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器 中选取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选 取与第一组传感器编号不同的传感器作为方法B的训练传感器；
[0025] 步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主 成分分析模型得到方法A的训练数据集残差，即方法A的口限阔值;利用方法B的训练传感器 构建方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的口限阔值；
[0026] 步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将 该所有监测数据中的每个监测数据转化成测试数据残差，
[0027] 对于方法A:将每个测试数据残差分别与方法A的口限阔值进行对比，超过方法A的 口限阔值的测试数据残差作为误检数据，低于或等于方法A的口限阔值的测试数据残差作 为正确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率；
[0028] 对于方法B:将每个测试数据残差分别与方法B的口限阔值进行对比，超过方法B的 口限阔值的测试数据残差作为误检数据，低于或等于方法B的口限阔值的测试数据残差作 为正确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率；
[0029] 步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。
[0030] 本实施方式采用传统的观察法作为评价基准，利用公知的核主成分分析模型来获 取关键参数口限阔值，利用误检率作为衡量异常监测性能的指标。
[0031]
【具体实施方式】二:结合图1说明本实施方式，本实施方式是对实施方式一所述的用 于数据异常监测的传感器选择方法的评价方法进一步限定，本实施方式中，步骤四中核主 成分分析模型的构建方法为：
[0032] 首先，通过非线性变换将训练数据映射到高维空间；
[0033] 然后，通过线性主成分分析法实现特征空间，训练数据矩阵使用 义。=[^0;0...;0/居肢蜘表示，训练数据向量使用向量无,巨阪|，11(1空/<11)表示；然后将训练 数据通过非线线映射#:xe阪1" 妍映射到高维特征空间；然后通过线性主成分分 析得到投影向量f (projection vector)，使公式(7)对于训练数据有最大的方差值，
[0034] t = ( Φ (x))^f (7)
[0035] 最优化问题用式(8)表示：
[0038] Jkpca()为形成的目标优化函数，
[0039] t = [ti t2…tn]T称作得分向量（score vector),由利用训练数据通过线性主成 分分析得到，
[0040]
(9)
[0041] α为相关系数，投影向量f与非线性映射Φ之间存在公式(9)所示的关系。
[0042] 通过式(8)与式(9)，得到式(10)。
[0045] 通过满足公式（10)的优化问题，利用训练数据映射到高维空间后的数据得到核主 成分分析模型所采用的训练数据集残差，所述训练数据集残差为口限阔值，并利用核主成 分分析模型得到测试数据残差。
[0046] 其中，JkpcaO是通过上述公式之前的关系得到的最终优化目标函数。
[0047] 本实施试方式采用了常规的核主成分分析模型构建方法，其中的每一个步骤均为 本领域公知的方法。测试数据残差大于训练数据集残差值，说明该测试数据被误检为异常 数据;测试数据残差小于训练数据集残差，说明该测试数据无误。
[004引【具体实施方式】结合图1至图7说明本实施方式，本实施方式采用实施方式一所 述的评价方法对基于赌和排列赌的传感器选择方法进行评价，整个过程的框架如图2所示。
[0049] 如图3所示，飞机发动机由风扇、燃烧室、高压压缩机、低压压缩机、高压满轮、低压 满轮、喷嘴等组成。在对发动机状态监测过程中，共有21个传感器获取其工作的气压、溫度、 转速等信息。其工作包含了一种失效模式、两种失效模式、一种操作方式、六种操作方式等。
[0050] 步骤一、21个传感器获取的具体状态监测数据如表1所示。
[0051 ]表1发动机工作与失效数据集
[0化2]
[0化3]
[0054] 步骤二、采用基于赌和排列赌的传感器选择方法从21个传感器中选取7个传感器 组成第一组传感器。用基于赌和排列赌的传感器选择方法为：
[0055] 传感器输出的每一个状态监测数据可W作为随机变量，每一种数据都W-定的概 率出现，该随机变量的赌可W通过下式进行计算。
[0056]
(1)
[0057] 其中，p(xi)代表第i类数据出现的概率，N表示数据的所有种类，得到的赌单位为 b i t。为便于理解赌，此处给出一个取值只有1或0的随机变量的赌，随机变量的表示如式(2) 所示。
[0化引
倭)
[0059] 其赌通过式(3)来计算得到。
[0060] H=-qlog2q-(l-q)log2(l-q) (3)
[0061] 实际赌值曲线如图1所示。赌用于衡量传感器数据所含有的信息多少，信息量越大 的代表传感器数据越有价值;根据赌的值选择信息量多的传感器，对运些信息量多的传感 器进行排列赌计算。
[0062] 排列赌用于表示连续η个数据所有的排列种类π，其定义如式(4)所示。 W 创
（4)
[0064] 排列赌的定义考虑了所有排列的情况，并不适用于有退化特征的对象状态监测。 本实施方式将排列赌改进成只考虑两个连续数据的情况，用于描述数据的上升或下降趋 势，该趋势是系统状态监测后续处理所需要的一种典型特征。通过排列赌分析传感器数据 的上升与下降趋势，在实际应用中，具有上升趋势与下降趋势的数据能够对系统状态监测 提供有价值的信息。根据排列赌的计算结果再选出监测数据具有上升或下降数据趋势的传 感器。
[0065] 在W往的方法中，应用较多的是观察法，即主观去判断传感器数据的上升与下降 趋势，通过此方法选择7个传感器的编号为2、4、7、8、11、12、15。
[0066] 步骤Ξ、为比较两种方法的性能，测试传感器应为同一个传感器，训练传感器为不 同的传感器，因此，本实施方式选取15号传感器作为测试传感器，选取3号传感器作为基于 赌和排列赌的传感器选择方法的训练传感器，选取2号传感器作为观察法的训练传感器；
[0067] 步骤四、利用步骤Ξ选取的两个训练传感器分别构建两个核主成分分析模型，并 利用两个核主成分分析模型分别得到基于赌和排列赌的传感器选择方法的口限阔值接近 0.3(图4中的横线），观察法的口限阔值接近0.25(图5中的横线）；
[0068] 步骤五、从数据集1中选取15号传感器的所有监测数据，衡量传感器异常监测性能 的指标为误检率，由公式(11)所示：
[0069]
(。）
[0070] 其中FH?代表误检率，FN代表正确数据中被误检的个数，TP代表正确的数据被监测 为正确数据的个数。
[0071] 将数据集1中的每个监测数据分别与基于赌和排列赌的传感器选择方法的口限阔 值进行对比，如图4所示，超过该口限阔值的监测数据作为误检数据，低于或等于该口限阔 值的监测数据作为正确数据，根据该误检数据的个数和该正确数据的个数计算的误检率为 10.42%，采用同样的方法计算观察法的误检率为32.81 %。
[0072] 采用数据集2中的监测数据得到的异常监测结果如图6和图7所示，得到的基于赌 和排列赌的传感器选择方法的误检率为1.12%，得到的观察法的误检率为34.64%，二者相 差 33.52%。
[0073] 步骤六、通过对两组误检率的值进行分析可知，采用数据集1得到的两个误检率相 差22.39%，采用数据集2得到的两个误检率相差22.39%，基于赌和排列赌的传感器选择方 法在数据异常监测方面比传统的观察法更具有优势。
【主权项】
1. 用于数据异常监测的传感器选择方法的评价方法，其特征在于，该方法包括以下步 骤： 步骤一、对所有待选择的传感器进行编号，采用所有待选择的传感器进行数据异常监 测，得到由所有待选择的传感器的监测数据构成的数据集； 步骤二、通过方法A选出一组传感器作为第一组传感器，通过方法B选出另一组传感器 为第二组传感器;其中方法A是指待评价的传感器选择方法，方法B是指观察法； 步骤三、选取两组传感器中编号相同的传感器作为测试传感器，从第一组传感器中选 取与第二组传感器编号不同的传感器作为方法A的训练传感器，从第二组传感器中选取与 第一组传感器编号不同的传感器作为方法B的训练传感器； 步骤四、利用方法A的训练传感器构建方法A的核主成分分析模型，并利用该核主成分 分析模型得到方法A的训练数据集残差，即方法A的门限阈值;利用方法B的训练传感器构建 方法B的核主成分分析模型，并利用该核主成分分析模型得到方法B的门限阈值； 步骤五、从数据集中选取测试传感器的所有监测数据，利用核主成分分析模型将该所 有监测数据中的每个监测数据转化成测试数据残差， 对于方法A:将每个测试数据残差分别与方法A的门限阈值进行对比，超过方法A的门限 阈值的测试数据残差作为误检数据，低于或等于方法A的门限阈值的测试数据残差作为正 确数据，根据该误检数据的个数和该正确数据的个数计算方法A的误检率； 对于方法B:将每个测试数据残差分别与方法B的门限阈值进行对比，超过方法B的门限 阈值的测试数据残差作为误检数据，低于或等于方法B的门限阈值的测试数据残差作为正 确数据，根据该误检数据的个数和该正确数据的个数计算方法B的误检率； 步骤六、将方法B的误检率与方法A的误检率的差值作为方法A的评价结果。2. 根据权利要求1所述的用于数据异常监测的传感器选择方法的评价方法，其特征在 于，步骤四中核主成分分析模型的构建方法为： 首先，通过非线性变换将训练数据映射到高维空间； 然后，通过线性主成分分析法实现特征空间，训练数据矩阵使用為=比赶... e 表示，训练数据向量使用向量sn)表示;然后将训练数据通过非线线映射參：* k 映射到高维特征空间；然后通过线性主成分分析得到投影向量f，使公式 (7)对于训练数据有最大的方差值， t=((Hx))Tf (7) 最优化问题用式(8)表示：s. t. f Tf = 1 (8) Jkpca()为形成的目标优化函数， t=[姑2…tn]T称作得分向量，由利用训练数据通过线性主成分分析得到， (9) α为相关系数，投影向量f与非线性映射Φ之间存在公式(9)所示的关系； 通过式(8)与式(9)，得到式(10);通过满足公式（10)的优化问题，利用训练数据映射到高维空间后的数据得到核主成分 分析模型所采用的训练数据集残差，所述训练数据集残差为门限阈值，并利用核主成分分 析模型得到测试数据残差。
【文档编号】G06K9/62GK106067032SQ201610362743
【公开日】2016年11月2日
【申请日】2016年5月26日 公开号201610362743.2, CN 106067032 A, CN 106067032A, CN 201610362743, CN-A-106067032, CN106067032 A, CN106067032A, CN201610362743, CN201610362743.2
【发明人】刘连胜, 彭宇, 王本宽, 刘大同, 彭喜元
【申请人】哈尔滨工业大学