一种基于DTW-KNN算法的发动机异常检测方法及系统技术方案

本发明专利技术公开了一种基于DTW

【技术实现步骤摘要】
一种基于DTW
‑
KNN算法的发动机异常检测方法及系统


[0001]本专利技术涉及数据分析领域，尤其涉及一种基于DTW
‑
KNN算法的发动机异常检测方法及系统。

技术介绍

[0002]异常检测一直是研究者和工程人员的感兴趣的一类任务。研究人员探索了异常检测在诸多领域中的应用，如信用卡诈骗检测、网络入侵检测以及工业设备异常检测。时间序列的异常检测关注某一时间序列在一段时间内的异常行为。在对时间序列异常检测的最早的研究中，单变量时间序列的异常被分类为两种：单次观测异常和连续观测异常。而对于时间序列子序异常检测问题，通常作法是用滑动窗口法将原时间序列切割为一系列定长子序，并建立判别这些子序为异常和非异常的分类器。因而，该异常检测问题可以自然的转化为时间序列分类问题。其中最流行的一种就是用最近邻方法(Nearest Neighbers)同一种距离函数结合，考察一个未分类子序最近的一个或多个子序是异常还是非异常，并对该为分类子序给出相应的分类。
[0003]研究者们在将机器学习特别是深度学习应用于时间序列分类上，也做出了很多尝试。基于深度学习的时间序列分类算法可以分为生成模型算法(Generative Models)和判别模型算法(Discriminative Models)。生成模型的目标是在对时间序列分类前，将其进行某种变换，该变化可以使得分类器更容易区不同类别的时间序列。如自预测模型，并将时间序列在自预测模型中的储(Reservoir Computing)表达用于分类；而判别模型算法的输入为时间序列的原始输入，输出为时间序列分类的概率分布。有多层感知网络(Multiple Layer Per
‑
ceptron，MLP)构建了端到端的时间序列分类器。但是基于深度学习的时间序列分类方法，无论是生成模型算法还是判别模型方法，都需要大量的数据进行训练，在小样本应用场景中，只能通过提高模型拓扑结构的复杂度来提升精度，容易产生过拟合。

技术实现思路

[0004]本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供基于DTW
‑
KNN算法的发动机异常检测方法及系统，有着计算复杂度较低和易于部署实现等优点。
[0005]为解决上述技术问题，本专利技术提出的技术方案为：
[0006]一种基于DTW
‑
KNN算法的发动机异常检测方法，包括以下步骤：
[0007]获取发动机运行样本信号，并将所述发动机运行样本信号的样本时间子序列分类为正常或异常；
[0008]构建聚类模型并训练，所述聚类模型用于对待检测发动机信号采用可变长度滑窗法划分得到时间子序列组，然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离，对于每个时间子序列，在与其距离最近的k个样本时间子序列中，将出现频率最高的类别作为该时间子序列的状态，最后在待检测发动机信号中标记状态为异常的时间子
序列；
[0009]获取待检测发动机信号，并输入训练好的聚类模型，得到对应的检测结果。
[0010]进一步的，将所述发动机运行样本信号的时间子序列分类为正常或异常的步骤具体包括：在所述发动机运行样本信号标注正常信号区间和异常信号区间，分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
[0011]进一步的，计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离具体包括：
[0012]分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m；
[0013]根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离，构造p
×
m的矩阵M；
[0014]根据矩阵M中的元素以及预设的约束构建曲率路径，计算最短的曲率路径Wm所有元素之和，得到当前时间子序列与当前样本时间子序列的DTW距离。
[0015]进一步的，预设的约束包括：
[0016]1)边界约束，w1＝(1,1)，wK＝(m,p)，w1为所述曲率路径的第一个元素，wK为所述曲率路径的最后一个元素，m、p分别为矩阵M中的元素坐标；
[0017]2)连续性约束，设wk＝(a,b)，wk
‑
1＝(a
′
,b
′
)，则a
–
a
′
≤1，b
‑
b
′
≤1，wk、wk
‑
1分别为所述曲率路径中相邻的元素；
[0018]3)单调性约束，设wk＝(a,b)，wk
‑
1＝(a
′
,b
′
)，则a
–
a
′
≥0，b
‑
b
′
≥0，wk、wk
‑
1分别为所述曲率路径中相邻的元素。
[0019]进一步的，获取发动机运行样本信号之后还包括，若发动机运行样本信号为双通道信号，获取所述双通道信号的规整曲线，计算所述规整曲线的残差作为新的发动机样本信号；
[0020]获取待检测发动机信号之后还包括，若所述待检测发动机信号为双通道信号，获取所述双通道信号的规整曲线，计算所述规整曲线的残差作为新的待检测发动机信号。
[0021]本专利技术还提出一种基于DTW
‑
KNN算法的发动机异常检测系统，包括：
[0022]数据获取单元，用于获取发动机运行样本信号，并将所述发动机运行样本信号的样本时间子序列分类为正常或异常；还用于获取待检测发动机信号，并输入训练好的聚类模型，得到对应的检测结果；
[0023]模型构建单元，用于构建聚类模型并训练，所述聚类模型用于对所述待检测发动机信号采用可变长度滑窗法划分得到时间子序列组，然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离，对于每个时间子序列，在与其距离最近的k个样本时间子序列中，将出现频率最高的类别作为该时间子序列的状态，最后在待检测发动机信号中标记状态为异常的时间子序列。
[0024]进一步的，所述数据获取单元将所述发动机运行样本信号的时间子序列分类为正常或异常时被配置以执行：在所述发动机运行样本信号标注正常信号区间和异常信号区间，分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。
[0025]进一步的，所述模型构建单元计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离时被配置以执行：
[0026]分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m；
[0027]根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离，构造p
×
m的矩阵M；
[0028]根据矩阵M中的元素以及预设的约束构建曲率路径，计算最短的曲率路径Wm所有元素之和，得到当前时间子序列与当前样本时间子序列的DTW距离。
[0029]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DTW
‑
KNN算法的发动机异常检测方法，其特征在于，包括以下步骤：获取发动机运行样本信号，并将所述发动机运行样本信号的样本时间子序列分类为正常或异常；构建聚类模型并训练，所述聚类模型用于对待检测发动机信号采用可变长度滑窗法划分得到时间子序列组，然后计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离，对于每个时间子序列，在与其距离最近的k个样本时间子序列中，将出现频率最高的类别作为该时间子序列的状态，最后在待检测发动机信号中标记状态为异常的时间子序列；获取待检测发动机信号，并输入训练好的聚类模型，得到对应的检测结果。2.根据权利要求1所述的基于DTW
‑
KNN算法的发动机异常检测方法，其特征在于，将所述发动机运行样本信号的时间子序列分类为正常或异常的步骤具体包括：在所述发动机运行样本信号标注正常信号区间和异常信号区间，分别从所述正常信号区间和异常信号区间获取时间子序列作为样本时间子序列。3.根据权利要求1所述的基于DTW
‑
KNN算法的发动机异常检测方法，其特征在于，计算所述时间子序列组中各时间子序列与样本时间子序列的DTW距离具体包括：分别获取当前时间子序列与当前样本时间子序列的观察点数目p和m；根据当前时间子序列与当前样本时间子序列中各观察点之间的欧式距离，构造p
×
m的矩阵M；根据矩阵M中的元素以及预设的约束构建曲率路径，计算最短的曲率路径Wm所有元素之和，得到当前时间子序列与当前样本时间子序列的DTW距离。4.根据权利要求3所述的基于DTW
‑
KNN算法的发动机异常检测方法，其特征在于，预设的约束包括：1)边界约束，w1＝(1,1)，wK＝(m,p)，w1为所述曲率路径的第一个元素，wK为所述曲率路径的最后一个元素，m、p分别为矩阵M中的元素坐标；2)连续性约束，设wk＝(a,b)，wk
‑
1＝(a
′
,b
′
)，则a
–
a
′
≤1，b
‑
b
′
≤1，wk、wk
‑
1分别为所述曲率路径中相邻的元素；3)单调性约束，设wk＝(a,b)，wk
‑
1＝(a
′
,b
′
)，则a
–
a
′
≥0，b
‑
b
′
≥0，wk、wk
‑
1分别为所述曲率路径中相邻的元素。5.根据权利要求1所述的基于DTW
‑
KNN算法的发动机异常检测方法，其特征在于，获取发动机运行样本信号之后还包括，若发动机运行样本信号为双通道信号，获取所述双通道信号的规整曲线，计算所述规整曲线的残差作为新的发动机样本信号；获取待检测发动机信号之后还包括，若所述待检测发动机信号为双通道信号，获取所述双通道信号的规整曲线，计算所述规整曲线的残差作为新的待检测发动机信号。6.一种基于DTW
‑
KNN算法的发动机异常检测...

【专利技术属性】
技术研发人员：邓仰东，刘涛，刘春峰，肖罡，姜友友，刘小兰，杨钦文，万可谦，
申请(专利权)人：江西科骏实业有限公司，
类型：发明
国别省市：