基于慢特征密度聚类的气路异常检测方法

孙昊; 付旭云; 钟诗胜

doi:10.13224/j.cnki.jasp.20200382

Chinese

您当前的位置：

首页 >

文章列表页 >

基于慢特征密度聚类的气路异常检测方法

自动控制 | 更新时间：2025-04-07

- 基于慢特征密度聚类的气路异常检测方法
- Slow feature density clustering⁃based gas path anomaly detection method
- 航空动力学报 2021年36卷第10期页码：2218-2229
- 作者机构：
  
  哈尔滨工业大学（威海）海洋工程学院，山东威海 264209
- 作者简介：
  
  孙昊（1996-），男，硕士生，主要从事民航发动机气路异常检测。
  付旭云（1981-），男，副教授，博士，主要从事智能运维，预测与健康管理研究。E⁃mail：fuxuyun@hit.edu.cn
- 基金信息：
  
  山东省自然科学基金(ZR2019MEE096);中央高校基本科研专项资金(HIT.NSRIF.201704);国家自然科学基金民航联合基金(U1733201)
- DOI：10.13224/j.cnki.jasp.20200382
  中图分类号：
- 稿件说明：
移动端阅览
孙昊, 付旭云, 钟诗胜. 基于慢特征密度聚类的气路异常检测方法[J]. 航空动力学报, 2021,36(10):2218-2229.

Hao SUN, Xuyun FU, Shisheng ZHONG. Slow feature density clustering⁃based gas path anomaly detection method[J]. Journal of Aerospace Power, 2021, 36(10): 2218-2229.
孙昊, 付旭云, 钟诗胜. 基于慢特征密度聚类的气路异常检测方法[J]. 航空动力学报, 2021,36(10):2218-2229. DOI： 10.13224/j.cnki.jasp.20200382.

Hao SUN, Xuyun FU, Shisheng ZHONG. Slow feature density clustering⁃based gas path anomaly detection method[J]. Journal of Aerospace Power, 2021, 36(10): 2218-2229. DOI： 10.13224/j.cnki.jasp.20200382.

摘要

在结合核技巧、慢特征分析算法与密度聚类方法的基础上，提出了基于混合核慢特征分析和密度聚类的慢特征密度聚类算法，实现了基于民航发动机气路参数原始值的异常检测。核技巧的引入克服了慢特征分析法处理复杂数据时可能存在的维度爆炸问题，充分利用不同核函数的特点和慢特征分析的优势从气路参数原始值中提取出随时间变化最缓慢的特征作为密度聚类算法的输入，最终筛选出异常值。经实验对比发现，该方法针对某些异常拥有最好的聚类效果和最低的虚警率，尤其是检测可调放气活门系统异常时虚警数量不到样本总数量的0.5%，是一种有效的方法。

Abstract

Based on the kernel method，slow feature analysis algorithm and density clustering method，a mixed⁃kernel slow feature density clustering algorithm was proposed to detect the original gas path parameters of civil aero⁃engine.The introduction of the kernel method overcame the possible dimensional explosion when the slow feature analysis dealt with complex data，and it took full use of the characteristics of different kernel functions and advantages of slow feature analysis.This algorism can extract the feature with the slowest time⁃dependent change from the original gas path parameters and use it as the input of the density clustering algorithm.Then the anomalies were found out.Through experimental validation，this method had the best clustering results and the lowest false alarm rate on certain anomalies.Especially，the number of false alarms was less than 0.5% of the total number of samples when detecting the anomaly of the variable bleed valve system，proving it is an efficient method.

关键词

Keywords

references

钟诗胜 , 李旭 , 张永健 . 基于DBN的不均衡样本驱动民航发动机故障诊断 [J]. 航空动力学报 , 2019 ， 34 （ 3 ）: 708 ⁃ 716 .

ZHONG Shisheng , LI Xu , ZHANG Yongjian . Fault diagnosis of civil aero⁃engine driven by unbalance samples based on DBN [J]. Journal of Aerospace Power , 2019 ， 34 （ 3 ）: 708 ⁃ 716 . （in Chinese）

QU J F , JIANG S Q , YUAN S H , et al . Analysis of an aero⁃engine gas path fault monitoring sensor model [J]. Advanced Materials Research , 2014 , 1016 : 516 ⁃ 520 .

付松 . 基于深度特征挖掘的民航发动机气路故障诊断技术研究 [D]. 哈尔滨：哈尔滨工业大学 , 2018 .

FU Song . Research on gas path fault diagnosis technology for civil aero⁃engine based on deep feature mining [D]. Harbin : Harbin Institute of Technology , 2018 . （in Chinese）

杨洪富 , 贾晓亮 , 任寿伟 . 基于数据驱动的航空发动机故障诊断与预测方法综述 [J]. 航空精密制造技术 , 2016 , 52 （ 5 ）: 6 ⁃ 9 .

YANG Hongfu , JIA Xiaoliang , REN Shouwei . Review of data⁃driven aeroengine fault diagnosis and prognosis methods [J]. Aviation Precision Manufacturing Technology , 2016 , 52 （ 5 ）: 6 ⁃ 9 . （in Chinese）

王奕首 , 余映红 , 卿新林 , 等 . 基于KPCA和DBN的航空发动机排气温度基线模型 [J]. 航空发动机 , 2020 , 46 （ 1 ）: 54 ⁃ 60 .

WANG Yishou , YU Yinghong , QING Xinlin , et al . Exhaust gas temperature baseline model of aeroengine based on kernel principal component analysis and deep belief network [J]. Aeroengine , 2020 , 46 （ 1 ）: 54 ⁃ 60 . （in Chinese）

瞿红春 , 林文斌 , 许旺山 , 等 . 基于混沌PSO_Elman网络的航空发动机基线挖掘 [J]. 中国民航大学学报 , 2020 , 38 （ 1 ）: 19 ⁃ 23,53 .

QU Hongchun , LIN Wenbin , XU Wangshan , et al . Aero⁃engine baseline mining based on chaotic PSO_Elman network [J]. Journal of Civil Aviation University of China , 2020 , 38 （ 1 ）: 19 ⁃ 23,53 . （in Chinese）

林文斌 . 基于数据和知识驱动的发动机监控技术的研究 [D]. 天津：中国民航大学 , 2019 .

LIN Wenbin . Research on engine monitoring technology driven by data and knowledge [D]. Tianjin : Civil Aviation University of China , 2019 . （in Chinese）

崔智全 . 民航发动机气路参数偏差值挖掘方法及其应用研究 [D]. 哈尔滨 : 哈尔滨工业大学 , 2013 .

CUI Zhiquan . Civil aeroengine gas path parameter deviation mining method with application [D]. Harbin : Harbin Institute of Technology , 2013 . （in Chinese）

ZHOU Xingjie , FU Xuyun , ZHAO Minghang , et al . Regression model for civil aero⁃engine gas path parameter deviation based on deep domain⁃adaptation with Res⁃BP neural network [J]. Chinese Journal of Aeronautics , 2021 , 34 （ 1 ）: 79 ⁃ 90 .

刘翠芳 , 冯学晓 . 小型多旋翼无人机发动机气路故障残差参数偏差值挖掘 [J]. 科技通报 , 2016 , 32 （ 10 ）: 184 ⁃ 187 .

LIU Cuifang , FENG Xuexiao . Mining of gas path fault residuals parameter deviation for small uav rotorcraft engine [J]. Bulletin of Science and Technology , 2016 , 32 （ 10 ）: 184 ⁃ 187 . （in Chinese）

LUO H , ZHONG S . Gas turbine engine gas path anomaly detection using deep learning with Gaussian distribution [C]∥ Proceedings of the 2017 Prognostics and System Health Management Conference （PHM⁃Harbin） . New York : Institute of Electrical and Electronics Engineers , 2017 : 1 ⁃ 6 .

FU Xuyun , CHEN Haibo , ZHANG Guangyao , et al . A new point anomaly detection method about aero engine based on deep learning [C]∥2018 International Conference on Sensing,Diagnostics,Prognostics,and Control. New York : Institute of Electrical and Electronics Engineers , 2018 : 176 ⁃ 181 .

龚钊宇 . 基于人工神经网络的民航发动机故障诊断技术 [D]. 成都 : 电子科技大学 , 2017 .

GONG Zhaoyu . Fault diagnose technology of civil aero engine based on artificial neural network [D]. Chengdu : University of Electronic Science and Technology of China , 2017 . （in Chinese）

WISKOTT L , BERKES P , FRANZIUS M , et al .（ 2011 ） Slow feature analysis [EB/OL].[ 2020⁃09⁃05 ]. http:∥scholarpedia.org/article/Slow_feature_analysis http://scholarpedia.org/article/Slow_feature_analysis .

马奎俊 , 韩彦军 , 陶卿 , 等 . 基于核的慢特征分析算法 [J]. 模式识别与人工智能 , 2011 , 24 （ 2 ）: 153 ⁃ 159 .

MA Kuijun , HAN Yanjun , TAO Qing , et al . Kernel⁃based slow feature analysis [J]. Pattern Recognition and Artificial Intelligence , 2011 , 24 （ 2 ）: 153 ⁃ 159 . （in Chinese）

COURANT R , HILBERT D . Methods of mathematical physics:partial differential equations [M]. New Jersey,USA ： John Wiley and Sons , 2008 .

郑慢慢 . 基于支持向量机的混合核函数研究 [D]. 上海：华东师范大学 , 2019 .

ZHENG Manman . Research on mixed kernel function based on support vector machine [D]. Shanghai : East China Normal University , 2019 . （in Chinese）

卢依容 . 基于核慢特征分析算法的故障检测与诊断 [D]. 上海 : 上海交通大学 , 2015 .

LU Yirong . Fault detection and diagnosis based on kernel slow feature analysis [D]. Shanghai : Shanghai Jiao Tong University , 2015 . （in Chinese）

HARRINGTON P . 机器学习实战 [M].李锐,李鹏,曲亚东,译. 北京：人民邮电出版社 , 2013 .

ANKERST M , BREUNIG M M , KRIEGEL H , et al . OPTICS:ordering points to identify the clustering structure [J]. International Conference on Management of Data , 1999 , 28 （ 2 ）: 49 ⁃ 60 .

SCHUBERT E , SANDER J , ESTER M , et al . DBSCAN revisited:why and how you should （still） use DBSCAN [J]. ACM Transactions on Database Systems （TODS） , 2017 , 42 （ 3 ）: 1 ⁃ 21 .

WOLD S , ESBENSEN K , GELADI P . Principal component analysis [J]. Chemometrics and Intelligent Laboratory Systems , 1987 , 2 （ 1/3 ）: 37 ⁃ 52 .

GOODFELLOW I , BENGIO Y , COURVILLE A . Deep learning [M]. Cambridge,US : MIT Press , 2016 .

COMON P . Independent component analysis,a new concept? [J]. Signal Processing , 1994 , 36 （ 3 ）: 287 ⁃ 314 .

ROWEIS S T , SAUL L K . Nonlinear dimensionality reduction by locally linear embedding [J]. Science , 2000 , 290 （ 5500 ）: 2323 ⁃ 2326 .

CALIŃSKI T , HARABASZ J . A dendrite method for cluster analysis [J]. Communications in Statistics⁃theory and Methods , 1974 , 3 （ 1 ）: 1 ⁃ 27 .

ROUSSEEUW P J . Silhouettes:a graphical aid to the interpretation and validation of cluster analysis [J]. Journal of Computational and Applied Mathematics , 1987 , 20 : 53 ⁃ 65 .

DAVIES D L , BOULDIN D W . A cluster separation measure [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence , 1979 （ 2 ）: 224 ⁃ 227 .

DUNN J C . A fuzzy relative of the ISODATA process and its use in detecting compact well⁃separated clusters [J]. Journal of Statistical Computation and Simulation , 1973 , 91 （ 13 ）: 2699 ⁃ 2716 .

RODRIGUEZ A , LAIO A . Clustering by fast search and find of density peaks [J]. Science , 2014 , 344 （ 6191 ）: 1492 ⁃ 1496 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于增量式孤立森林的液体火箭发动机异常检测方法

基于SVM和SNN的航空发动机气路故障诊断

涡喷发动机尾气静电监测及气路故障特征

气路颗粒静电监测技术及实验

粗糙集与神经网络在航空发动机气路故障诊断中的应用