[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113204914A - 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 - Google Patents

一种基于多架次飞行数据表征建模的飞行数据异常判读方法 Download PDF

Info

Publication number
CN113204914A
CN113204914A CN202110392092.2A CN202110392092A CN113204914A CN 113204914 A CN113204914 A CN 113204914A CN 202110392092 A CN202110392092 A CN 202110392092A CN 113204914 A CN113204914 A CN 113204914A
Authority
CN
China
Prior art keywords
data
time
flight data
time sequence
flight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110392092.2A
Other languages
English (en)
Other versions
CN113204914B (zh
Inventor
彭宇
陈波
孟升卫
游婧婷
刘大同
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110392092.2A priority Critical patent/CN113204914B/zh
Publication of CN113204914A publication Critical patent/CN113204914A/zh
Application granted granted Critical
Publication of CN113204914B publication Critical patent/CN113204914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出一种基于多架次飞行数据表征建模的飞行数据异常判读方法,采集飞行器相同系统或部件的多架次运行所生成的飞行数据,进行数据表征建模,首先将所述飞行数据中各时间序列对齐;对于时间序列,采用基于K‑Means的时间序列聚类方法,进行表征建模;通过基于阈值或者偏差的异常检测方法,实现飞行数据异常判读,对于超出阈值或者偏差过大的数据,判读为异常数据,并给出告警信息;本发明可以在缺少飞行器异常数据样本的情况下,依赖正常多架次飞行数据建立异常监测模型,可在极低的虚警率的前提下,对测试数据的正常与否进行判读。

Description

一种基于多架次飞行数据表征建模的飞行数据异常判读方法
技术领域
本发明属于飞行器运行状态监测与评估领域,具体地,涉及一种基于多架次飞行数据表 征建模的飞行数据异常判读方法。
背景技术
面向飞行器的状态监测与评估技术可以有效地判断飞行器是否处于正常的工作状态,及 时发现异常,保障飞行器的正常运行和飞行安全,提高其任务效率和维修保障效率,降低全 寿命周期的运营成本。飞行数据记录了飞行器整个飞行过程的运行状态,飞行数据判读为飞 行器状态评估提供了一种有效的途径。
目前,典型的飞行数据判读方法主要包括基于知识的方法和数据驱动的方法。基于知识 的方法主要是利用专家知识,对预设定的参数进行关联分析判读,包括人工判读、基于阈值 的判读和基于专家规则的判读等方法。该类方法使用相对简单,但对于数据判断的基准和阈 值设置较为宽松,难以对未超出阈值的故障进行有效判读,且依赖于经验知识,无法较为广 泛地应用。相比于基于知识的判读方法,数据驱动的方法则是通过飞行数据自动挖掘正常飞 行状态下数据存在的规律,然后对于偏离正常的状态进行异常或者故障判读,该类方法包括 基于相似性的方法、基于偏差的方法和基于概率的方法等。
虽然,上述方法在飞行数据相似性较高情况下表现出了较好的性能,但是,该类数据驱 动的方法多采用单架次数据进行建模,在飞行器受到外部环境变化和人员操作差异的影响 时,多架次飞行数据存在一定的差异,此时,采用单架次飞行数据建立的数据驱动数据判读 方法已经无法适应飞行器各架次数据的稳定判读。因此,针对数据驱动的飞行器运行状态监 测与评估问题,需要采用一种可以自动提取多架次飞行数据中表征整个飞行器运行状态规律 信息的方法,实现对飞行器多架次飞行数据的表征建模,进而基于该基准模型实现各架次飞 行数据的自动判读。
发明内容
本发明的目的是面向飞行器的运行状态评估,解决多架次飞行数据表征建模的问题,提 出了一种基于多架次飞行数据表征建模的飞行数据异常判读方法,基于此基准模型实现飞行 器飞行数据的自动判读,并给出飞行数据异常告警。
本发明是通过以下方案实现的:
一种基于多架次飞行数据表征建模的飞行数据异常判读方法,
采集飞行器相同系统或部件的多架次运行所生成的飞行数据,进行数据表征建模,
步骤一:将所述飞行数据中各时间序列对齐;
步骤二:对步骤一中所述的时间序列,采用基于K-Means的时间序列聚类方法,进行表 征建模;
步骤三:通过基于阈值或者偏差的异常检测方法,实现飞行数据异常判读,对于超出阈 值或者偏差过大的数据,判读为异常数据,并给出告警信息。
进一步地,在步骤一中:采用动态时间规整Dynamic Time Warping,DTW算法,对所述飞行数据中不同长度的时间序列进行对齐,所述对齐标准为长度标准化,即构造一条基准 的时间序列,并将每对时间序列拉伸到基准的时间序列的长度;
对于两组不同长度飞行器作动部件的时间序列数据A和B,设时间序列数据A和B的长度 分别是m和n,则有:
A=a1,a2,…,ai,…,am; (1)
B=b1,b2,…,bj,…,bn; (2)
通过构建一个m*n的矩阵网络来对齐这两个序列,矩阵中的元素(i,j)表示ai和bj两个点 间的距离d(ai,bj),使用欧氏距离计算距离d(ai,bj),即d(ai,bj)=(ai-bj)2
基于所述m*n矩阵,DTW算法在网格中按照一条包含若干个点的路径,所述路径所通 过的所有格点所对应的ai组成了对齐后的时间序列A′,bj组成了对齐后的时间序列B′;
将该路径定义为规整路径W,W的第k个元素定义为wk=(i,j)k,则有:
W=w1,w2,…,wk,…,wK
max(m,n)≤K≤m+n-1 (3)
其中wk所对应的ai和bj能够组成对齐后的时间序列A′和B′。
进一步地,在步骤一中:针对路径的选择,需要满足如下条件:
(1)边界条件:w1=(1,1)和wK=(m,n),即所有的路径都是从左上角出发,并最终到达右下角;
(2)连续性:如果wk-1=(a′,b′),则对于路径的下一个点wk=(a,b)需要满足 (a-a′)≤1和(b-b′)≤1,即不能跨过某个点去匹配,只能和自己相邻的点对齐;
(3)单调性:如果wk-1=(a′,b′),那么对于路径的下一个点wk=(a,b)需要满足 0≤(a-a′)和0≤(b-b′),即限制W上面的点必须是随着时间单调进行的;
结合连续性和单调性约束,则每一个格点的路径为三个方向;
即当路径通过了格点(i,j),则下一个通过的格点为是下列三种情况之一:(i+1,j), (i,j+1)或者(i+1,j+1)。
进一步地,在步骤二中:
采用基于K-Means的时间序列聚类方法,得到飞行数据中不能通过机理建模得到的数据 的分布规律,并对所述数据的分布规律进行表征建模,建立该部件工作数据的基准线,或称 为中心线;
设飞行器作动部件在多次飞行过程中生成N个架次的数据,经过步骤一中的DTW算法 对齐后,这些飞行数据时间序列长度均为L,设所求出的中心线M=μ1,μ2,…μI,…μL,则有:
Figure RE-GDA0003094513660000031
其中xl表示l时刻时间序列Si上点的值,i表示第i条时间序列,时间序列总数为I个,μl表 示l时刻的新的中心线的值。
进一步地,在结合DTW算法使用步骤为:
(1)首先创建一个等于最长时间序列的随机时间序列作为初始中心线,使用DTW算法将所有时间序列与中心线对齐后,计算每一条时间序列与它的距离;
(2)计算完所有距离后,使用K-Means算法优化中心线,并重复对齐和优化的步骤,直到中心线符合构建模型与原始数据的距离限制或者达到指定迭代次数;得到的中心线就是 新的该分类的中心线。
进一步地,在步骤三中:
对于多架次运行所生成的飞行数据判读,在获取正常工作模型之后,用该中心线对未知 数据进行分析;
当异常数据与正常数据中心线的距离明显大于正常数据时,使用基于偏差的方法对测试 数据进行分类;其余情况使用基于阈值的方法对测试数据进行分类;
使用基于阈值的方法时,设所有n个飞行数据时间序列与中心线的距离分别是 D=d1,d2,…,dn,则距离的平均值为μ,标准差为σ,则当异常的判读阈值为μ+3σ,相应 的检测公式如下:
Figure BDA0003015839820000032
其中,Error=1表示时间序列含有异常,Error=0而则不含有异常。
本发明有益效果
(1)本发明首先创建随机中心线并使用DTW算法将不同长度的飞行数据与中心线分 别对齐,再通过聚类算法优化中心线,然后使用基于偏差的方法计算数据与中心线的距离实 现异常检测;
(2)本发明可以在缺少飞行器异常数据样本的情况下,依赖正常多架次飞行数据建立 异常监测模型,可在极低的虚警率的前提下,对测试数据的正常与否进行判读。
附图说明
图1为本发明的算法总体结构框图;
图2为本发明的作动部件原始数据,其中(1)为A状态、(2)为B状态;
图3为本发明的飞行器作动部件正常数据对齐聚类后得到的中心线,其中(1)为A状 态、(2)为B状态;
图4为本发明的飞行器作动部件正常数据与异常数据各曲线与中心线间的距离,其中(1) 为A状态、(2)为B状态。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描 述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明 中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例, 都属于本发明保护的范围。
一种基于多架次飞行数据表征建模的飞行数据异常判读方法:
采集飞行器相同系统或部件的多架次运行所生成的飞行数据,因为飞行数据集中包含的 时间序列长度不一致,所以在进行数据表征建模时,需要以下步骤:
步骤一:将所述飞行数据中各时间序列对齐,相同长度的时间序列可以方便地进行比较;
步骤二:对步骤一中所述的时间序列,采用基于K-Means的时间序列聚类方法,进行表 征建模;由于飞行器的异常样本稀缺,因此,本方法采用正常的飞行数据进行表征建模;
步骤三:通过基于阈值或者偏差的异常检测方法,实现飞行数据异常判读,对于超出阈 值或者偏差过大的数据,判读为异常数据,并给出告警信息。
在步骤一中:采用动态时间规整Dynamic Time Warping,DTW算法,对所述飞行数据 中不同长度的时间序列进行对齐,所述对齐标准为长度标准化,即构造一条基准的时间序列, 并将每对时间序列拉伸到基准的时间序列的长度;
对于两组不同长度飞行器作动部件的时间序列数据A和B,设时间序列数据A和B的长度 分别是m和n,则有:
A=a1,a2,…,ai,…,am; (1)
B=b1,b2,…,bj,…,bn; (2)
通过构建一个m*n的矩阵网络来对齐这两个序列,矩阵中的元素(i,j)表示ai和bj两个点 间的距离d(ai,bj),使用欧氏距离计算距离d(ai,bj),即d(ai,bj)=(ai-bj)2
基于所述m*n矩阵,DTW算法在网格中按照一条包含若干个点的路径,所述路径所通 过的所有格点所对应的ai组成了对齐后的时间序列A′,bj组成了对齐后的时间序列B′;
将该路径定义为规整路径W,W的第k个元素定义为wk=(i,j)k,则有:
W=w1,w2,…,wk,…,wK
max(m,n)≤K≤m+n-1 (3)
其中wk所对应的ai和bj能够组成对齐后的时间序列A′和B′。
在步骤一中:针对路径的选择,需要满足如下条件:
(1)边界条件:w1=(1,1)和wK=(m,n),即所有的路径都是从左上角出发,并最终到达右下角;
(2)连续性:如果wk-1=(a′,b′),则对于路径的下一个点wk=(a,b)需要满足 (a-a′)≤1和(b-b′)≤1,即不能跨过某个点去匹配,只能和自己相邻的点对齐;
(3)单调性:如果wk-1=(a′,b′),那么对于路径的下一个点wk=(a,b)需要满足 0≤(a-a′)和0≤(b-b′),即限制W上面的点必须是随着时间单调进行的;
结合连续性和单调性约束,则每一个格点的路径为三个方向;
即当路径通过了格点(i,j),则下一个通过的格点为是下列三种情况之一:(i+1,j), (i,j+1)或者(i+1,j+1)。
在步骤二中:
采用基于K-Means的时间序列聚类方法,挖掘在飞行数据中难以通过机理建模得到的数 据的分布规律,并对所述数据的分布规律进行表征建模,建立该部件工作数据的基准线,或 称为中心线;
设飞行器作动部件在多次飞行过程中生成N个架次的数据,经过步骤一中的DTW算法 对齐后,这些飞行数据时间序列长度均为L,设所求出的中心线M=μ1,μ2,…μI,…μL,则有:
Figure RE-GDA0003094513660000061
其中xi表示l时刻时间序列Si上点的值,i表示第i条时间序列,时间序列总数为I个,μl表 示l时刻的新的中心线的值。
在结合DTW算法使用步骤为:
(1)首先创建一个等于最长时间序列的随机时间序列作为初始中心线,使用DTW算法将所有时间序列与中心线对齐后,计算每一条时间序列与它的距离;
(2)计算完所有距离后,使用K-Means算法优化中心线,并重复对齐和优化的步骤,直到中心线符合构建模型与原始数据的距离限制或者达到指定迭代次数;得到的中心线就是 新的该分类的中心线。
在步骤三中:
对于多架次运行所生成的飞行数据判读,在获取正常工作模型之后,用该中心线对未知 数据进行分析,可以甄别数据是否包含异常,使用基于偏差的方法对测试数据进行分类;由 于异常数据与正常数据中心线的距离明显大于正常数据,因此使用基于偏差的方法可以更准 确地区分异常数据;其余情况使用基于阈值的方法对测试数据进行分类;
使用基于阈值的方法时,设所有n个飞行数据时间序列与中心线的距离分别是 D=d1,d2,…,dn,则距离的平均值为μ,标准差为σ,则当异常的判读阈值为μ+3σ,可以 在保持低虚警率的同时,保持较好的故障检出率,相应的检测公式如下:
Figure BDA0003015839820000061
其中,Error=1表示时间序列含有异常,Error=0而则不含有异常。
实施例
本具体实施例主要针对飞行器作动部件的多架次飞行监测问题。
在飞行数据时间序列对齐方面,本实例使用了DTW算法,该算法是一种领域无关的时 间序列对齐算法,针对不同飞行器不同部件使用时,不需要掌握相关领域知识,扩大了算法 的适用度;在基于数据驱动的飞行器部件建模方面,本实例使用了K-Means算法对数据进行 聚类,寻找数据的中心线,实现基于相似性的时间序列分类;在基于偏差的数据自动判读方 面,为保证结果的可信度,将阈值设定为平均值加三倍的标准差,即阈值外的数据是异常数 据的置信度达到99.7%,这样极大地降低虚警率,保证不会因为较小的波动而导致系统报警。
对于飞行器中作动部件,如图2所示,是该部件多架次飞行过程中A状态和B状态的监 测数据;图3是所有正常数据经过时间序列对齐后聚类得到的中心线。
如下表二和表三所示是正常数据与异常数据各曲线与中心线间的距离。(仅列举12组数 据,每组数据中包含两个异常数据)
表二飞行器作动部件A状态时部分曲线与中心线间的距离
Figure BDA0003015839820000071
从表中可以看出,4、8号为异常数据,其余为正常数据。
表三飞行器作动部件B状态时正常数据与异常数据各曲线与中心线间的距离
Figure BDA0003015839820000072
从表中可以看出,3、8号为异常数据,其余为正常数据。
在本发明检测的某飞行器作动部件A状态中,所有正常数据的均值为0.3220,标准差为 0.0790,故确定阈值为0.5590;在B状态中,所有正常数据的均值为0.1678,标准差为0.0542, 故确定阈值为0.3304,实验结果如图4所示。
以上对本发明所提出的一种基于多架次飞行数据表征建模的飞行数据异常判读方法,进 行了详细介绍,对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理 解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在 具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明 的限制。

Claims (6)

1.一种基于多架次飞行数据表征建模的飞行数据异常判读方法,其特征在于:
采集飞行器相同系统或部件的多架次运行所生成的飞行数据,进行数据表征建模,
步骤一:将所述飞行数据中各时间序列对齐;
步骤二:对步骤一中所述的时间序列,采用基于K-Means的时间序列聚类方法,进行表征建模;
步骤三:通过基于阈值或者偏差的异常检测方法,实现飞行数据异常判读,对于超出阈值或者偏差过大的数据,判读为异常数据,并给出告警信息。
2.根据权利要求1所述方法,其特征在于,在步骤一中:采用动态时间规整DynamicTime Warping,DTW算法,对所述飞行数据中不同长度的时间序列进行对齐,所述对齐标准为长度标准化,即构造一条基准的时间序列,并将每对时间序列拉伸到基准的时间序列的长度;
对于两组不同长度飞行器作动部件的时间序列数据A和B,设时间序列数据A和B的长度分别是m和n,则有:
A=a1,a2,…,ai,…,am; (1)
B=b1,b2,…,bj,…,bn; (2)
通过构建一个m*n的矩阵网络来对齐这两个序列,矩阵中的元素(i,j)表示ai和bj两个点间的距离d(ai,bj),使用欧氏距离计算距离d(ai,bj),即d(ai,bj)=(ai-bj)2
基于所述m*n矩阵,DTW算法在网格中按照一条包含若干个点的路径,所述路径所通过的所有格点所对应的ai组成了对齐后的时间序列A′,bj组成了对齐后的时间序列B′;
将该路径定义为规整路径W,W的第k个元素定义为wk=(i,j)k,则有:
W=w1,w2,…,wk,…,WK
max(m,n)≤K≤m+n-1 (3)
其中wk所对应的ai和bj能够组成对齐后的时间序列A′和B′。
3.根据权利要求2所述方法,其特征在于,在步骤一中:针对路径的选择,需要满足如下条件:
(1)边界条件:w1=(1,1)和wK=(m,n),即所有的路径都是从左上角出发,并最终到达右下角;
(2)连续性:如果wk-1=(a′,b′),则对于路径的下一个点wk=(a,b)需要满足(a-a′)≤1和(b-b′)≤1,即不能跨过某个点去匹配,只能和自己相邻的点对齐;
(3)单调性:如果wk-1=(a′,b′),那么对于路径的下一个点wk=(a,b)需要满足0≤(a-a′)和0≤(b-b′),即限制W上面的点必须是随着时间单调进行的;
结合连续性和单调性约束,则每一个格点的路径为三个方向;
即当路径通过了格点(i,j),则下一个通过的格点为是下列三种情况之一:(i+1,j),(i,j+1)或者(i+1,j+1)。
4.根据权利要求3所述方法,其特征在于,在步骤二中:
采用基于K-Means的时间序列聚类方法,得到飞行数据中不能通过机理建模得到的数据的分布规律,并对所述数据的分布规律进行表征建模,建立该部件工作数据的基准线,或称为中心线;
设飞行器作动部件在多次飞行过程中生成N个架次的数据,经过步骤一中的DTW算法对齐后,这些飞行数据时间序列长度均为L,设所求出的中心线M=μ1,μ2,…μl,…μL,则有:
Figure RE-FDA0003094513650000021
其中xl表示l时刻时间序列Si上点的值,i表示第i条时间序列,时间序列总数为I个,μl表示l时刻的新的中心线的值。
5.根据权利要求4所述方法,其特征在于,在结合DTW算法使用步骤为:
(1)首先创建一个等于最长时间序列的随机时间序列作为初始中心线,使用DTW算法将所有时间序列与中心线对齐后,计算每一条时间序列与它的距离;
(2)计算完所有距离后,使用K-Means算法优化中心线,并重复对齐和优化的步骤,直到中心线符合构建模型与原始数据的距离限制或者达到指定迭代次数;得到的中心线就是新的该分类的中心线。
6.根据权利要求5所述方法,其特征在于,在步骤三中:
对于多架次运行所生成的飞行数据判读,在获取正常工作模型之后,用该中心线对未知数据进行分析;
当异常数据与正常数据中心线的距离明显大于正常数据时,使用基于偏差的方法对测试数据进行分类;其余情况使用基于阈值的方法对测试数据进行分类;
使用基于阈值的方法时,设所有n个飞行数据时间序列与中心线的距离分别是D=d1,d2,…,dn,则距离的平均值为μ,标准差为σ,则当异常的判读阈值为μ+3σ,相应的检测公式如下:
Figure FDA0003015839810000031
其中,Errvr=1表示时间序列含有异常,Error=0而则不含有异常。
CN202110392092.2A 2021-04-12 2021-04-12 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 Active CN113204914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110392092.2A CN113204914B (zh) 2021-04-12 2021-04-12 一种基于多架次飞行数据表征建模的飞行数据异常判读方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110392092.2A CN113204914B (zh) 2021-04-12 2021-04-12 一种基于多架次飞行数据表征建模的飞行数据异常判读方法

Publications (2)

Publication Number Publication Date
CN113204914A true CN113204914A (zh) 2021-08-03
CN113204914B CN113204914B (zh) 2022-06-17

Family

ID=77026669

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110392092.2A Active CN113204914B (zh) 2021-04-12 2021-04-12 一种基于多架次飞行数据表征建模的飞行数据异常判读方法

Country Status (1)

Country Link
CN (1) CN113204914B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780353A (zh) * 2021-08-10 2021-12-10 北京自动化控制设备研究所 一种基于机器学习的卫星导航自动判读方法
CN115583350A (zh) * 2022-09-19 2023-01-10 成都飞机工业(集团)有限责任公司 一种飞机液压系统性能异常识别方法、装置、设备及介质
CN117571107A (zh) * 2024-01-15 2024-02-20 山西富衡达自动化设备有限公司 一种智能化无人值守地磅异常监测系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104657746A (zh) * 2015-01-29 2015-05-27 电子科技大学 一种基于车辆轨迹相似性的异常检测方法
CN104915568A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 基于dtw的卫星遥测数据异常检测方法
CN107463161A (zh) * 2016-06-02 2017-12-12 空中客车运营简化股份公司 预测飞行器中的故障的方法和系统以及监控系统
KR20180025447A (ko) * 2016-08-31 2018-03-09 고려대학교 산학협력단 Dtwep 기반 제조공정의 이상탐지 방법 및 장치
US10213645B1 (en) * 2011-10-03 2019-02-26 Swingbyte, Inc. Motion attributes recognition system and methods
CN109726427A (zh) * 2018-11-16 2019-05-07 中国西安卫星测控中心 结合运载器飞行特征点的动态时间规整计算方法
CN110427419A (zh) * 2019-07-29 2019-11-08 陕西千山航空电子有限责任公司 一种基于数据挖掘的飞行数据异常识别模型构建方法
CN112329847A (zh) * 2020-11-03 2021-02-05 北京神州泰岳软件股份有限公司 一种异常检测方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10213645B1 (en) * 2011-10-03 2019-02-26 Swingbyte, Inc. Motion attributes recognition system and methods
CN104657746A (zh) * 2015-01-29 2015-05-27 电子科技大学 一种基于车辆轨迹相似性的异常检测方法
CN104915568A (zh) * 2015-06-24 2015-09-16 哈尔滨工业大学 基于dtw的卫星遥测数据异常检测方法
CN107463161A (zh) * 2016-06-02 2017-12-12 空中客车运营简化股份公司 预测飞行器中的故障的方法和系统以及监控系统
KR20180025447A (ko) * 2016-08-31 2018-03-09 고려대학교 산학협력단 Dtwep 기반 제조공정의 이상탐지 방법 및 장치
CN109726427A (zh) * 2018-11-16 2019-05-07 中国西安卫星测控中心 结合运载器飞行特征点的动态时间规整计算方法
CN110427419A (zh) * 2019-07-29 2019-11-08 陕西千山航空电子有限责任公司 一种基于数据挖掘的飞行数据异常识别模型构建方法
CN112329847A (zh) * 2020-11-03 2021-02-05 北京神州泰岳软件股份有限公司 一种异常检测方法、装置、电子设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BENKUAN WANG等: "Multivariate Regression-Based Fault Detection and Recovery of UAV Flight Data", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 *
GAUTAM MANTENA等: "SPEED IMPROVEMENTS TO INFORMATION RETRIEVAL-BASED DYNAMIC TIME WARPING USING HIERARCHICAL K-MEANS CLUSTERING", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING》 *
彭宇等: "飞行数据异常检测技术综述", 《仪器仪表学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780353A (zh) * 2021-08-10 2021-12-10 北京自动化控制设备研究所 一种基于机器学习的卫星导航自动判读方法
CN113780353B (zh) * 2021-08-10 2024-03-19 北京自动化控制设备研究所 一种基于机器学习的卫星导航自动判读方法
CN115583350A (zh) * 2022-09-19 2023-01-10 成都飞机工业(集团)有限责任公司 一种飞机液压系统性能异常识别方法、装置、设备及介质
CN115583350B (zh) * 2022-09-19 2024-05-14 成都飞机工业(集团)有限责任公司 一种飞机液压系统性能异常识别方法、装置、设备及介质
CN117571107A (zh) * 2024-01-15 2024-02-20 山西富衡达自动化设备有限公司 一种智能化无人值守地磅异常监测系统
CN117571107B (zh) * 2024-01-15 2024-03-15 山西富衡达自动化设备有限公司 一种智能化无人值守地磅异常监测系统

Also Published As

Publication number Publication date
CN113204914B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113204914B (zh) 一种基于多架次飞行数据表征建模的飞行数据异常判读方法
CN106572493B (zh) Lte网络中的异常值检测方法及系统
CN107561997B (zh) 一种基于大数据决策树的电力设备状态监测方法
CN109489977B (zh) 基于KNN-AdaBoost的轴承故障诊断方法
Xu et al. Distributed plant-wide process monitoring based on PCA with minimal redundancy maximal relevance
CN109460574A (zh) 一种航空发动机剩余寿命的预测方法
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
CN111325410B (zh) 基于样本分布的通用故障预警系统及其预警方法
CN110609524A (zh) 一种工业设备剩余寿命预测模型及其构建方法和应用
Jin et al. Accurate anomaly detection using correlation-based time-series analysis in a core router system
CN108446714B (zh) 一种多工况下的非马尔科夫退化系统剩余寿命预测方法
CN105955214A (zh) 基于样本时序和近邻相似性信息的间歇过程故障检测方法
CN116113942A (zh) 依据工艺踪迹预测装备故障模式
CN115269314A (zh) 一种基于日志的事务异常检测方法
CN114328106A (zh) 日志数据处理方法、装置、设备及存储介质
CN112464439A (zh) 基于三层数据挖掘的电力系统故障类型分析方法及装置
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN110059126B (zh) 基于lkj异常值数据的复杂关联网络分析方法及系统
CN107977672A (zh) 基于海量数据并行运算的sf6设备二级故障诊断方法
Jin et al. Toward predictive fault tolerance in a core-router system: Anomaly detection using correlation-based time-series analysis
US20240184678A1 (en) Deep Learning Method Integrating Prior Knowledge for Fault Diagnosis
CN115758908A (zh) 一种基于深度学习的报警泛滥情况下的报警在线预测方法
Jin et al. Changepoint-based anomaly detection for prognostic diagnosis in a core router system
CN114493023A (zh) 一种基于RF-Adaboost模型在异常水情数据中的诊断与插补方法
CN114615018A (zh) 一种金融业交易全链路日志的异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant