基于深度学习的飞行器遥测时间序列数据异常检测与预测方法研究

摘要

随着信息技术的发展,时间序列数据正以惊人的速度产生于各个领域,尤其在航空航天方面,飞行器在运行期间会产生大量的遥测数据,并以时间序列的形式存在,这些数据能够直接展示各部件的工作状态和运行情况,是处理故障的重要依据.本文以飞行器某设备的转速和温度时间序列数据为研究对象,利用深度学习的理论和技术,深入研究基于数据驱动的时间序列数据异常检测和预测方法.主要工作如下: 考虑到工程实测数据呈典型的不平衡形式分布,我们研究了类间分布不平衡的时间序列数据的异常检测问题,提出了一种基于卷积神经网(convolution neural network,CNN)的异常检测方法.在提出的方法中,首先采用抽样法对不平衡时间序列数据进行处理,使得样本不充足的数据集可以有足够多的代表性样本,从而弥补现存的检测技术由于忽略数据分布的偏斜性而造成的少数类检测精度低的缺点;其次,为了提高卷积神经网络的检测性能,利用尺度变换和时间切片技术对原始时间序列数据进行预处理;然后研究了不同隐藏层的卷积神经网络对于时间序列数据检测性能的影响,确定了四层隐藏层的卷积神经网络模型;最后,利用飞行器某设备的转速和温度时间序列数据进行仿真实骏,结果表明了我们的方法的有效性,并通过与基于特征提取和分类器结合的检测方法进行比较,验证了提出的方法具有较高的性能. 提出了一种基于变体长短时记忆循环神经网络的时间序列数据预测方法.在提出的方法中,考虑到故障预测的时效性,我们首先将长短时记(Long Short Term Memory,LSTM)循环神经网络的输入门与遗忘门合并成更新门,提出了一种变体LSTM循环神经网络的结构,简化了学习参数,提高了训练效率;其次考虑到故障预测中长序列数据的预测需求,基于提出的变体LSTM循环神经网络建立了一种时间序列数据预测模型,在预测阶段引入了参数更新机制,使网络模型能够动态调整模型参数从而更适用于长时间序列数据的预测.最后,利用飞行器某设备的转速和温度时间序列数据进行仿真实验,通过与几种典型的预测模型进行比较,结果表明我们的方法具有令人满意的预测效果.本文的研究工作,在理论上为航天测控工程中利用历史数据进行故障检测和预测提供了一定的参考价值,为提高故障诊断的准确度提供了依据.

目录

声明

图形索引

表格索引

1 绪论

1.1 研究背景与意义

1.2 研究现状

1.2.1 时间序列数据分类方法

1.2.2 时间序列数据预测方法

1.2.3 存在问题及挑战

1.3 本文主要研究内容及组织结构

1.3.1 主要研究内容

1.3.2 论文组织结构

2 深度学习基础知识概述

2.1 卷积神经网络

2.2 循环神经网络

2.3 LSTM循环神经网络

2.4 本章小结

3 基于卷积神经网络的时间序列数据异常检测方法

3.1 数据描述与分析

3.2 基于采样法的不平衡时间序列数据处理算法

3.3 基于CNN的时间序列数据异常检测算法

3.3.1 数据预处理

3.3.2 时间序列数据异常检测模型

3.4 实验结果与分析

3.4.1 实验设置

3.4.2 隐藏层层数设置

3.4.3 性能评估

3.5 故障诊断模型设计

3.6 本章小结

4 基于长短时记忆网络的时间序列数据预测方法

4.1 变体LSTM循环神经网络

4.2 时间序列数据预测算法

4.3 实验结果与分析

4.3.1 实验设置

4.3.2 性能评估

4.4 故障预测模型设计

4.5 本章小结

5 总结与展望

致谢

参考文献

攻读硕士学位期间的主要研究成果