基于增量式孤立森林的液体火箭发动机异常检测方法

张万旋; 薛薇; 张楠

doi:10.13224/j.cnki.jasp.20220119

Chinese

您当前的位置：

首页 >

文章列表页 >

基于增量式孤立森林的液体火箭发动机异常检测方法

火箭发动机 | 更新时间：2025-03-14

- 基于增量式孤立森林的液体火箭发动机异常检测方法
- Anomaly detection method of liquid rocket engine based on incremental isolation forest
- 航空动力学报 2022年37卷第8期页码：1674-1682
- 作者机构：
  
  中国航天科技集团有限公司北京航天动力研究所，北京 100076
- 作者简介：
  
  张万旋（1994-），男，博士生，主要研究方向为液体火箭发动机系统设计与故障诊断。
- 基金信息：
- DOI：10.13224/j.cnki.jasp.20220119
  中图分类号：
- 稿件说明：
移动端阅览
张万旋, 薛薇, 张楠. 基于增量式孤立森林的液体火箭发动机异常检测方法[J]. 航空动力学报, 2022,37(8):1674-1682.

Wanxuan ZHANG, Wei XUE, Nan ZHANG. Anomaly detection method of liquid rocket engine based on incremental isolation forest[J]. Journal of Aerospace Power, 2022, 37(8): 1674-1682.
张万旋, 薛薇, 张楠. 基于增量式孤立森林的液体火箭发动机异常检测方法[J]. 航空动力学报, 2022,37(8):1674-1682. DOI： 10.13224/j.cnki.jasp.20220119.

Wanxuan ZHANG, Wei XUE, Nan ZHANG. Anomaly detection method of liquid rocket engine based on incremental isolation forest[J]. Journal of Aerospace Power, 2022, 37(8): 1674-1682. DOI： 10.13224/j.cnki.jasp.20220119.

摘要

为解决液体火箭发动机故障标签缺失条件下流数据无监督检测问题，以及满足不同发动机台次和不同工况的自适应检测需求，基于增量学习思想，提出了基于增量式孤立森林的异常检测算法。设计了多工况流数据检测条件下的在线更新策略、异常分数表达式，并通过更新停止策略避免故障数据对模型的污染。利用多台次试车数据对该模型进行验证，并与传统方法进行比较，结果表明，该算法能够对样本异常程度进行量化评价，能够有效检测早期缓变故障，其

指标较原始孤立森林算法提高了43%，检测及时性优于红线算法和自适应阈值算法。

Abstract

In order to solve the problem of streaming data unsupervised detection of liquid rocket engine with the absence of fault label，and to enable adaptive detection of various engines and multiple working conditions，an anomaly detection algorithm of liquid rocket engine based on incremental isolation forest was proposed based on incremental learning.The online updating strategy and anomaly score expression for streaming data under various working condition were designed.And the update stop strategy was applied to avoid the pollution of fault on the model.Using a number of test data for analysis and comparison with traditional methods，the result showed that the algorithm can evaluate the anomaly degree of sample quantitatively，and detect the degree of fault effectively.The algorithm had 43% improvement on

score over original isolation forest algorithm.And its detection timeliness was better than the red line algorithm and adaptive threshold algorithm.

关键词

Keywords

references

李新鹏 , 高欣 , 阎博 , 等 . 基于孤立森林算法的电力调度流数据异常检测方法 [J]. 电网技术 , 2019 , 43 （ 4 ）: 1447 ⁃ 1456 .

LI Xinpeng , GAO Xin , YAN Bo , et al . An approach of data anomaly detection in power dispatching streaming data based on isolation forest algorithm [J]. Power System Technology , 2019 , 43 （ 4 ）: 1447 ⁃ 1456 . （in Chinese）

刘鑫 . 无监督异常检测方法研究及其应用 [D]. 西安 : 电子科技大学 , 2018 .

LIU Xin . Research on unsupervised anomaly detection algorithm and application [D]. Xi'an : University of Electronic Science and Technology of China , 2018 . （in Chinese）

王思齐 . 智能异常检测及其应用 [D]. 长沙 : 国防科技大学 , 2019 .

WANG Siqi . Intellegent anomaly detection and its applications [D]. Changsha : National University of Defense Technology , 2019 . （in Chinese）

RAMASWAMY S , RASTOGI R , SHIM K . Efficient algorithms for mining outliers from large data [J]. ACM Sigmod Record , 2000 , 29 （ 2 ）: 427 ⁃ 438 .

ESTER M , KRIEGEL J , SANDER J , et al . A density⁃based algorithm for discovering clusters in large spatial databases with noise [C]∥ Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining . Menlo Park,US : AAAI Press , 1996 : 226 ⁃ 231 .

SCHÖLKOPF B , WILLIANMSON R , SMOLA A , et al . Support vector method for novelty detection [C]∥ Advances in Neural Information Processing Systems 12:Proceedings of the 1999 Conference . Cambrtge,US : MIT Press , 2000 : 582 ⁃ 588 .

KRIEGEL H P , SCHUBERT M , ZIMEK A . Angle⁃based outlier detection in high⁃dimensional data [C]∥ Proceedings of the 14th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining . Las Vegas,US : ACM , 2008 : 444 ⁃ 452 .

BREUNIG M M , KRIEGEL H P , SANDER N J , et al . LOF:identifying density⁃based local outliers [C]∥ Proceedings of the 2000 ACM SIGMOD international conference on Management of data . New York : ACM , 2000 : 1 ⁃ 12 .

HAWMAN M W . Health monitoring system for the SSME⁃program overview [R]. AIAA 90 ⁃ 1987 ,1990.

IVERSON D L . Inductive system health monitoring [C]∥ Proceedings of the International Conference on Artificial Intelligence . Las Vegas,US : ICAI , 2004 ： 605 ⁃ 611 .

胡雷 . 面向飞行器健康管理的新异常检测方法研究 [D]. 长沙 : 国防科技大学 , 2010 .

HU Lei . Research on novelty detection methods oriented to flight vehicle health management [D]. Changsha : National University of Defense Technology , 2010 . （in Chinese）

SCHWABACHER M , NIKUNJ C O , MATTHEWS B , et al . Unsupervised anomaly detection for liquid⁃fueled rocket propulsion health monitoring [J]. Journal of Aerospace Computing Information and Communication , 2009 , 6 : 464 ⁃ 482 .

PEVNY T . Loda:lightweight on⁃line detector of anomalies [J]. Machine Learning , 2016 , 102 : 275 ⁃ 304 .

LIU F T , TING K M , ZHOU Z H . Isolation forest [C]∥ 2008 Eighth IEEE International Conference on Data Mining . Pisa,Italy : IEEE Press , 2008 : 413 ⁃ 422 .

王诚 , 狄萱 . 孤立森林算法研究及并行化实现 [J]. 计算机技术与发展 , 2021 , 31 （ 6 ）: 13 ⁃ 18 .

WANG Cheng , DI Xuan . Research and parallelization of isolation forest algorithm [J]. Computer Technology and Development , 2021 , 31 （ 6 ）: 13 ⁃ 18 . （in Chinese）

朱恒伟 , 王克昌 , 陈启智 . 液体火箭发动机地面试车故障检测的自适应阈值算法 [J]. 推进技术 , 2000 , 21 （ 1 ）: 1 ⁃ 4 .

ZHU Hengwei , WANG Kechang , CHEN Qizhi . Adaptive thresholds algorithm for fault detection of liquid rocket engine in ground test [J]. Journal of Propulsion Technology , 2000 , 21 （ 1 ）: 1 ⁃ 4 . （in Chinese）

LI Z , ZHAO Y , BOTTANICOLA , et al . COPOD:copula⁃based outlier detection [C]∥ 2020 IEEE International Conference on Data Mining . Sorrento,Italy : ICDM , 2020 : 1118 ⁃ 1123 .

丁智国 . 流数据在线异常检测方法研究 [D]. 上海 : 上海大学 , 2015 .

DING Zhiguo . Research on online anomaly detection for streaming data [D]. Shanghai : Shanghai University , 2015 . （in Chinese）

琚安康 . 基于多源异构数据的定向网络攻击检测关键技术研究 [D]. 郑州 : 战略支援部队信息工程大学 , 2020 .

JU Ankang . Research on key technologies of targeted cyber attacks detection based on multi⁃source heterogeneous data [D]. Zhengzhou : Information Engineering University , 2020 . （in Chinese）

贾庆轩 . 基于机器学习的电力调度自动化系统业务异常检测方法研究 [D]. 北京 : 北京邮电大学 , 2020 .

JIA Qingxuan . Research on business anomaly detection method of power dispatching automation system based on machine learning [D]. Beijing : Beijing University of Posts and Telecommunications , 2020 . （in Chinese）

GUHA S , MISHRA N , ROY G , et al . Robust random cut forest based anomaly detection on streams [C]∥ Proceedings of the 33rd International Conference on Machine Learning . New York : Proceedings of Machine Learning Research , 2016 : 2712 ⁃ 2721 .

李国成 , 陆俊 , 王赟 , 等 . 基于Bagging二次加权集成的孤立森林窃电检测算法 [J]. 电力系统自动化 , 2022 , 46 （ 2 ）: 92 ‑ 100 .

LI Guocheng , LU Jun , WANG Yun , et al . Isolated⁃forest electricity theft detection algorithm based on bagging secondary weighted ensemble [J]. Automation of Electric Power Systems , 2022 , 46 （ 2 ）: 92 ⁃ 100 . （in Chinese）

谢炎昆 . 基于孤立森林算法的用水异常监测研究 [D]. 北京 : 北京邮电大学 , 2018 .

XIE Yankun . Research on water use anomaly monitoring based on isolated forest algorithm [D]. Beijing : Beijing University of Posts and Telecommunications , 2018 . （in Chinese）

陈春旭 . 基子机器学习的电力调度自动化系统业务异常检测方法研究 [D]. 北京 : 北京邮电大学 , 2020 .

CHEN Chunxu . Research on business anomaly detection method of power dispatching automation systems based on machine learning [D]. Beijing : Beijing University of Posts and Telecommunications , 2018 . （in Chinese）

周志华 . 机器学习 [M]. 北京 : 清华大学出版社 , 2016 : 403 ‑ 408 .

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

基于慢特征密度聚类的气路异常检测方法

考虑多源不确定性的复合材料风扇叶片高周疲劳失效概率评估

组合式弹性金属密封泄漏特性实验研究与结构优化

与发动机匹配的旁路式双喉道气动矢量喷管数值模拟研究

基于三维接触摩擦单元的套齿连接解析建模研究