【技術實現步驟摘要】
本專利技術涉及一種裝備故障檢測模型生成方法，具體說是一種基于狀態數據分析的裝備故障檢測模型生成方法，屬于飛行器故障診斷。
技術介紹
1、早期維修保障通常采用定時保障，容易導致過度維修，維護成本增加和系統運行效率下降。如今，在數據驅動下可基于智能化的故障預警監測方法如基于深度學習的模型開展視情維修、預測性維修等，基于狀態監測數據進行裝備故障檢測就是數據積累到一定程度的深化應用，從多樣、海量系統監測數據中獲取有用信息，發掘復雜時序關系，揭示數據中的規律性和關聯性，發現故障，為故障檢測和狀態評估提供了有效技術手段，對于保證安全和避免經濟損失具有重要意義。
2、裝備狀態監測數據是指利用多種類型傳感器，對裝備運行過程中部件如發動機的性能監控數據，屬于典型的多維時間序列，參數之間存在復雜的耦合關系，監控數據中時序關系復雜。飛機的飛參記錄數據就是一個典型例子。
3、無監督時間序列異常檢測的關鍵是學習信息表示和找到可區分的標準，基于深度學習的方法能夠從原始信號中自主提取有效特征，而無需依賴人工進行特征提取，但常規的神經網絡很難做到這一點。
4、目前常用的主要包括基于重構的方法、基于自回歸的方法、基于聚類的方法和密度估計方法?；谥貥嫷姆椒?，如lstm-vae和interfusion，通過重構誤差進行異常檢測。這些模型使用循環神經網絡如lstm進行時間建模，并使用變分自動編碼器vae進行重建?；谧曰貧w的模型如var通過預測誤差來檢測異常?；诰垲惖姆椒▽惓７謹敌问交癁榈骄垲愔行牡木嚯x。這些模型將正常數據的表
5、目前現有技術仍存在以下技術問題：
6、（1）由于異常的罕見性，逐點表示對于復雜的時間模式來說信息量較少，并且可能以正常時間點為主，使得異常難以區分；
7、（2）傳統的方法如圖神經網絡（gnn）和基于子序列的方法，雖然能夠捕獲一定的時間關聯，但是它們往往只能捕獲到單個時間點或者局部時間點之間的關聯，對于整個時間序列中每個時間點與其他所有時間點之間的細粒度時間關聯，這些方法往往無法有效地捕獲；
8、（3）在處理時間序列異常檢測任務時，由于異?，F象的稀有性和被大量正常點掩蓋的特性，模型需要具有較強的魯棒性和預測不確定性的估計能力，能夠對預測結果的不確定性進行有效的估計，以便在存在噪聲和異常值的情況下做出更加可靠的異常判定。
技術實現思路
1、本專利技術的目的在于解決現有技術中存在的上述問題，提供一種基于狀態數據分析的裝備故障檢測模型生成方法，該方法生成的模型具有更高的故障檢測準確率和更快的檢測速度，模型的魯棒性得到增強，具有較強的泛化能力。
2、為了解決上述問題，本申請的基于狀態數據分析的裝備故障檢測模型生成方法是通過以下技術方案實現的：
3、一種基于狀態數據分析的裝備故障檢測模型生成方法，其特殊之處在于：該方法包括以下步驟：
4、步驟s1、數據采集：
5、從裝備狀態監測系統和質量控制類系統篩選出與故障有潛在關聯的狀態數據記錄，梳理形成典型故障模式；正常模式下的狀態監測系統參數記錄，構造狀態數據集；
6、裝備狀態監測系統記錄的參數涉及多個子系統，參數數量有上百個，結合故障診斷需求選擇其中相關的參數；質量控制類系統中記錄了裝備服役過程中的維修保障記錄；
7、步驟s2、數據預處理：
8、對步驟s1狀態數據集中的非角度型數據做高斯歸一化處理，將數據轉換為均值為0、標準差為1的標準正態分布；
9、進一步的，所述非角度型數據的具體處理步驟為：
10、對于原始數據點x，即單個時間節點上裝備的狀態信息，計算數據集的均值μ，計算數據集的標準差σ，對每個數據點進行歸一化變換如下：x'=(x-μ)/σ，處理后的數值范圍理論上是從負無窮到正無窮，因為標準正態分布的范圍是無限的；實際數據通常會集中在一個較小的范圍內，大約在?-3?到?3?之間，但并不排除有極端值存在；保證數據具有相同的尺度；
11、對步驟s1狀態數據集中的角度型數據分別取sin、cos操作，變成兩個三角函數參數，比如角度類的參數a，分別取sin(a)、cos(a)操作；
12、經過處理后，數據將被保存為多個csv文件，每個文件都帶有標注標簽，如“正?！焙途唧w的“故障類型”?，帶有“正?！睒撕灥臄祿c在設備正常運行時記錄的參數值，帶有“故障類型”標簽的數據點在設備正常運行時記錄的參數值；
13、步驟s3、數據集劃分：
14、加載csv數據文件，將步驟s2預處理過的數據切分為訓練集和測試集；訓練樣本比例為80%，驗證樣本比例10%，測試樣本比例10%，確保在訓練集和測試集中，“正?！睌祿c每種“故障類型”數據的文件數量都保持3:1的比例；
15、具體來說，在訓練集和測試集中，正常數據的數量是故障類型數據數量的三倍，這樣的分配有助于模型更好地學習和區分不同類型的數據；另外構造測試集的標簽以在測試時進行效果評估；
16、步驟s4、建立基于transformer的裝備故障檢測模型：
17、進一步的，所述基于transformer的裝備故障檢測模型依次包括數據嵌入層、雙分支多頭注意力層、雙重殘差層和貝葉斯線性層；
18、所述雙分支多頭注意力層與雙重殘差層分別設有三層，兩者交替疊加，所述兩者交替疊加具體是指第一層雙分支多頭注意力層的輸出端為第一層雙重殘差層，第一層雙重殘差層的輸出端為第二雙分支多頭注意力層，第二層雙分支多頭注意力層的輸出端為第二層雙重殘差層，第二層雙重殘差層的輸出端是第三層雙分支多頭注意力層，第三層雙分支多頭注意力層的輸出端為第三層雙重殘差層；
19、其中，所述數據嵌入層將輸入時間序列數據?x?嵌入到一個更高維度的空間中，
20、為序列x增加位置信息，即該時間序列數據所處的時間點；通過對嵌入后的向量進行標準化處理，幫助模型訓練，數據嵌入層的特征映射維度為（,?,）；
21、所述雙分支多頭注意力層通過兩個不同的分支同時關注序列的先驗關聯和序列關聯；雙分支多頭注意力層輸出特征維度為（,?,?）；
22、所述雙重殘差層使用殘差連接將輸入x直接加到經過雙分支多頭注意層處理的輸出上，使得梯度在網絡中流動，避免了深層網絡訓練中的梯度消失問題；雙重殘差層利用前饋神經網絡處理多頭注意力的輸出，其輸出維度為（,?,?）；
23、所述貝葉斯線性層在傳統的線性層的基礎上引入權重和偏差的不確定性，在前向傳播中，權重和偏差從它們的后驗分布中采樣，模型在訓練過程中學習這些參數的不確定性以提高模型預測的不確定性估計，其輸出維度為（,?,?）；<本文檔來自技高網...
【技術保護點】
1.一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟S1中所述非角度型數據的具體處理步驟為：
3.根據權利要求1或2所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟S3中訓練樣本比例為80%，驗證樣本比例10%，測試樣本比例10%，確保在訓練集和測試集中。
4.根據權利要求1或2所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟S4中所述基于transformer的裝備故障檢測模型依次包括數據嵌入層、雙分支多頭注意力層、雙重殘差層和貝葉斯線性層，所述雙分支多頭注意力層與雙重殘差層分別設有三層，兩者交替疊加；
5.根據權利要求4所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述數據嵌入層的輸入是經過步驟S3處理過的時間序列數據，通過滑動窗口方法進行切片處理，選取一段時間內的序列數據嵌入到統一維度的向量空間中，操作如下：
6.根據權
7.根據權利要求4所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述雙重殘差層中第層的第一重殘差形式化為:
8.根據權利要求4所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述貝葉斯線性層中，權重和偏差的先驗均值和被均勻分布隨機初始化，而權重和偏差的對數方差和?被初始化為零；
9.根據權利要求1或2所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟S5中，模型訓練包括以下步驟：
...【技術特征摘要】
1.一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：該方法包括以下步驟：
2.根據權利要求1所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟s1中所述非角度型數據的具體處理步驟為：
3.根據權利要求1或2所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟s3中訓練樣本比例為80%，驗證樣本比例10%，測試樣本比例10%，確保在訓練集和測試集中。
4.根據權利要求1或2所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述步驟s4中所述基于transformer的裝備故障檢測模型依次包括數據嵌入層、雙分支多頭注意力層、雙重殘差層和貝葉斯線性層，所述雙分支多頭注意力層與雙重殘差層分別設有三層，兩者交替疊加；
5.根據權利要求4所述的一種基于狀態數據分析的裝備故障檢測模型生成方法，其特征在于：所述數據嵌入...
【專利技術屬性】
技術研發人員：顧佼佼，高萍，張鑫，洪貝，謝淼斯，蔣毅豪，
申請(專利權)人：中國人民解放軍海軍航空大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。