[go: up one dir, main page]

CN114648227B - 航空液压泵站时序异常检测方法、装置、设备及存储介质 - Google Patents

航空液压泵站时序异常检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114648227B
CN114648227B CN202210294001.6A CN202210294001A CN114648227B CN 114648227 B CN114648227 B CN 114648227B CN 202210294001 A CN202210294001 A CN 202210294001A CN 114648227 B CN114648227 B CN 114648227B
Authority
CN
China
Prior art keywords
data
detection
abnormal
hydraulic pump
pump station
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210294001.6A
Other languages
English (en)
Other versions
CN114648227A (zh
Inventor
张昊龙
金筑云
石芹芹
唐健钧
周佳
钟学敏
叶波
况林
贾定智
李明明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202210294001.6A priority Critical patent/CN114648227B/zh
Publication of CN114648227A publication Critical patent/CN114648227A/zh
Application granted granted Critical
Publication of CN114648227B publication Critical patent/CN114648227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了一种航空液压泵站时序异常检测方法，通过对航空液压泵站的时序数据进行预处理，筛除无意义数据和不符合工业标准的明显异常数据，通过对预处理后的时序数据按工作状况进行分类分割，在同一类数据中进行异常检测，同时对检测过程进行剪枝处理，能够缩短检测时间并提升检测效率，经过上述两次检测筛除异常数据后，待测数据量大大减少，再进行局部离群因子检测，既保留了局部离群因子检测方法的精准度，又减少了该检测方法的时间复杂度，进一步提升了检测速度，快速的输出异常检测结果，帮助技术人员精确、及时地掌握设备运行过程中的异常情况，提高航空液压泵站设备使用效能，保障飞机总装作业安全顺利进行。

Description

航空液压泵站时序异常检测方法、装置、设备及存储介质
技术领域
本申请涉及工业设备数据异常检测领域，尤其涉及一种航空液压泵站时序异常检测方法、装置、设备及存储介质。
背景技术
飞机总装需要液压泵站进行飞机液压系统的安装、调试、检测等，由于航空液压泵站系统具有压力高、流量大等特性，其使用过程中对周边环境有着较高要求，使用过程易产生大量热，需及时散热，同时也要求油液污染度较小，以便防止滤网出现堵塞、压力波动异常等情况。液压泵站运行过程一旦出现异常，轻则导致任务暂停，计划延期等情况，重则导致产品损坏，甚至出现作业安全事故。针对液压泵站使用过程出现温度过高、油液污染严重、压力波动异常、液位低于工作值等异常问题，对设备运行时序数据进行异常检测是保障设备稳定运行与提高设备使用效能的有效手段。
航空液压泵站的时序数据异常检测主要是通过采集传感器的数据，并在一段时间范围统计数据数量、计算数据间距离和数据的密度等方法检测数据中是否存在异常情况，但存在有检测误差的问题。
发明内容
本申请的主要目的在于提供一种航空液压泵站时序异常检测方法、装置、设备及存储介质，旨在解决航空液压泵站时序数据异常检测准确性低、时间长的技术问题。
为实现上述目的，本申请提供一种航空液压泵站时序异常检测方法，包括：
获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；
根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；
根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；
对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；
输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
可选地，所述获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据的步骤，包括：
使用局部均值插补法对所述时序数据进行数据缺失值处理，获得第一预处理数据；
判断所述第一预处理数据中连续零值的序列数量是否大于预设的数量阈值，若是，则去除大于所述数量阈值的所述连续零值序列，获得第二预处理数据；
判断所述第二预处理数据中各个所述数据对象与所述第一阈值的大小关系，若所述数据对象大于所述第一阈值，则输出为所述第一异常数据，若所述数据对象小于或等于所述第一阈值，则输出为所述第一检测数据。
可选地，所述根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组的步骤，包括：
使用单变量线性回归算法，对所述第一检测数据进行分段拟合，获得拟合后数据；
对所述拟合后数据进行断点检测，获得数据断点；
根据所述数据断点及所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行K-means分类，获得多个所述数据类别组。
可选地，根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据的步骤，包括：
若所述数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值小于或等于预设第二阈值，则对所述第一检测数据进行剪枝处理，标记为所述第二异常数据；
若所述数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值大于预设第二阈值，则标记为所述第二检测数据。
可选地，根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据的步骤，包括：
通过如下关系式，获得所述数据类别组的平均k距离：
其中，k–dist(c)表示数据类别组c的平均k距离，k–dist(i)表示数据对象i的k距离，i为数据类别组c中的数据对象。
可选地，所述对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据的步骤，包括：
判断所述数据对象的局部离群因子与1之差的绝对值是否大于预设第三阈值；
若是，则输出为所述第三异常数据。
可选地，所述对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据的步骤，包括：
通过如下关系式，获得所述局部离群因子：
其中，为数据对象i与o之间的可达距离，/>为数据对象i的局部可达密度，/>为数据对象i的局部离群因子。
此外，为实现上述目的，本申请还提供一种航空液压泵站时序异常检测装置，包括：
第一异常数据获取模块，用于获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；
数据类别获取模块，用于根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；
第二异常数据获取模块，用于根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；
第三异常数据获取模块，用于对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；
异常数据输出模块，用于输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
此外，为实现上述目的，本申请还提供一种生产设备，该生产设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现上述的方法。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现上述的方法。
本申请所能实现的有益效果。
本申请实施例提出的一种航空液压泵站时序异常检测方法、装置、设备及存储介质，通过获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；输出所述第一异常数据、所述第二异常数据和所述第三异常数据。即对航空液压泵站的时序数据进行预处理，筛除无意义数据和不符合工业标准的明显异常数据，通过对预处理后的时序数据按工作状况进行分类分割，在同一类数据中进行异常检测，同时对检测过程进行剪枝处理，能够缩短检测时间、提升检测效率，经过上述两次检测筛除异常数据后，待测数据量大大减少，再进行局部离群因子检测，既保留了局部离群因子检测方法的精准度，又减少了该检测方法的时间复杂度，进一步提升了检测速度，快速的输出异常检测结果，帮助技术人员精确、及时地掌握设备运行过程中的异常情况，提高航空液压泵站设备使用效能，保障飞机总装作业安全顺利进行。
附图说明
图1为本申请实施例涉及的硬件运行环境的生产设备结构示意图；
图2为本申请实施例提供的一种航空液压泵站时序异常检测方法的流程示意图；
图3为本申请实施例提供的一种航空液压泵站时序异常检测装置的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：提出的一种航空液压泵站时序异常检测方法、装置、设备及存储介质，通过获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
现有技术中，飞机总装需要液压泵站进行飞机液压系统的安装、调试、检测等，由于航空液压泵站系统具有压力高、流量大等特性，其使用过程中对周边环境有着较高要求，使用过程易产生大量热，需及时散热，同时也要求油液污染度较小，以便防止滤网出现堵塞、压力波动异常等情况。液压泵站运行过程一旦出现异常，轻则导致任务暂停，计划延期等情况，重则导致产品损坏，甚至出现作业安全事故。针对液压泵站使用过程出现温度过高、油液污染严重、压力波动异常、液位低于工作值等异常问题，对设备运行时序数据进行异常检测是保障设备稳定运行与提高设备使用效能的有效手段。
航空液压泵站的时序数据异常检测主要是通过采集传感器的数据，并在一段时间范围统计数据数量、计算数据间距离和数据的密度等方法检测数据中是否存在异常情况，但存在有检测误差和检测时间过长的问题。
为此，本申请提供一种解决方案，通过对航空液压泵站的时序数据进行预处理，筛除无意义数据和不符合工业标准的明显异常数据，通过对预处理后的时序数据按工作状况进行分类分割，在同一类数据中进行异常检测，同时对检测过程进行剪枝处理，能够缩短检测时间并提升检测效率，经过上述两次检测筛除异常数据后，待测数据量大大减少，再进行局部离群因子检测，既保留了局部离群因子检测方法的精准度，又减少了该检测方法的时间复杂度，进一步提升了检测速度，快速的输出异常检测结果，帮助技术人员精确、及时地掌握设备运行过程中的异常情况，提高航空液压泵站设备使用效能，保障飞机总装作业安全顺利进行。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的生产设备结构示意图。
如图1所示，该生产设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对生产设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的生产设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明生产设备中的处理器1001、存储器1005可以设置在生产设备中，所述生产设备通过处理器1001调用存储器1005中存储的航空液压泵站时序异常检测装置，并执行本申请实施例提供的航空液压泵站时序异常检测方法。
参照图2，基于前述实施例的硬件设备，本申请的实施例提供一种航空液压泵站时序异常检测方法，包括：
S10：获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；
在具体实施过程中，时序数据是指航空液压泵站PLC的关键数据，包括供油压力、油箱温度、油箱液位、回油压力、系统流量和时间。
将上述关键数据存入时序数据库，检测时从时序数据库中获取目标航空液压泵站运行的时序数据。将时间等日期格式数据转换为长整型格式类数据，并与其他时序数据以TXT格式保存在本地磁盘文件系统中。
将TXT数据读入二维数组中，其中，数组的行表示某个时刻液压泵站压力的状态，数组的列表示一个压力在所有时刻的观测值。
作为一种可选的实施方式，所述获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据的步骤，包括：使用局部均值插补法对所述时序数据进行数据缺失值处理，获得第一预处理数据；判断所述第一预处理数据中连续零值的序列数量是否大于预设的数量阈值，若是，则去除大于所述数量阈值的所述连续零值序列，获得第二预处理数据；判断所述第二预处理数据中各个所述数据对象与所述第一阈值的大小关系，若所述数据对象大于所述第一阈值，则输出为所述第一异常数据，若所述数据对象小于或等于所述第一阈值，则输出为所述第一检测数据。
在具体实施过程中，使用局部均值插补法对时序数据进行数据缺失值处理：，其中，/>表示t时刻的预估值，n表示向后看t个时刻，/>表示第i时刻的观测值；遍历数组中的每一个元素，对缺失值采用当前时刻的前10个数据的平均值填充缺数元素；以数组的行为单元按时间从小到大排序，并时间转为时间戳数字；经过缺失值处理后的时序数据为第一预处理数据。
统计第一预处理数据中连续为零值的时序数据个数及位置，连续零值序列过长则无检测必要，为无意义数据需要剔除，以增加检测效率，根据实际使用情况确定需要剔除的序列长度。本实施例以供油压力数据为例，设置数量阈值为120，去除连续零值超过120个的序列，保留剩余时序数据为第二预处理数据。
对第二预处理数据进行初步异常检测，若时序数据大于根据指导工艺文件设定的第一阈值，本实施例中第一阈值设置为54Mpa，则为异常数据，加入第一异常数据；小于或等于则暂不做处理，输出为第一检测数据，初步减少待测数据数量。
S20：根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；
在具体实施过程中，目标航空液压泵站的工作状态是指液压油车工作状况，包括：准备状态、加油状态、稳压状态、泄压状态。数据对象即为前文中的时序数据，通过对数据对象进行分类分割，后续均在同一类数据中进行异常检测，能够缩短检测时间、提升检测效率，也提高了后续检测处理的精准度。
作为一种可选的实施方式，所述根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组的步骤，包括：使用单变量线性回归算法，对所述第一检测数据进行分段拟合，获得拟合后数据；对所述拟合后数据进行断点检测，获得数据断点；根据所述数据断点及所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行K-means分类，获得多个所述数据类别组。
在具体实施过程中，采用单变量线性回归算法，对第一检测数据进行分段线性拟合；对拟合后数据进行断点检测，找到所有数据断点，使用数据断点对数据对象进行分割；根据目标航空液压泵站的工作状态，采用K-means将分割数据划分为四类：准备状态、加油状态、稳压状态、泄压状态，使得第一检测数据中的每一个数据对象都有对应的所属类别。
S30：根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；
在具体实施过程中，按类别计算每个数据对象的k距离，根据每个数据对象的k距离计算对应数据类别组的平均k距离，利用每个数据类别组的平均k距离判断是否进行剪枝处理，降低异常数据的检测时间。
作为一种可选的实施方式，根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据的步骤，包括：若所述数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值小于或等于预设第二阈值，则对所述第一检测数据进行剪枝处理，标记为所述第二异常数据；若所述数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值大于预设第二阈值，则标记为所述第二检测数据。
在具体实施过程中，本实施例根据实际工艺和历史试验结论设置第二阈值为0.3，若数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值小于或等于0.3，则为异常数据需要进行剪枝处理，并加入第二异常数据；大于0.3则加入第二检测数据进行下一步检测。
作为另一种可选的实施方式，根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据的步骤，包括：通过如下关系式，获得所述数据类别组的平均k距离：
其中，k–dist(c)表示数据类别组c的平均k距离，k–dist(i)表示数据对象i的k距离，i为数据类别组c中的数据对象。
在具体实施过程中，数据对象i的k距离记作k–dist(i)＝dist(i,o)，因在一个数据集合内，任意一个数据对象的k距离都是唯一值，故需同时满足如下两个条件：
在集合S中至少有k个对象q∈S\{i}有dist(i,q)≤dist(i,o)；
在集合S中最多有k-1个对象q∈S\{ i }有dist(i,q)<dist(i,o)；
其中，集合S是指数据类别组的数据集合，q是该数据集合中i之外的其他数据对象，o是该数据集合中等于i的k距离的数据对象。
S40：对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；
在具体实施过程中，局部离群因子检测方法（Local Outlier Factor，LOF算法），是一种无监督的离群检测方法，是基于密度的离群点检测方法中一个比较有代表性的算法，离群因子为一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度，当该样本点的离群因子越大于1，则该点所在位置的密度越小于其周围样本所在位置的密度，这个点就越有可能是异常点。该算法的检测精准度较高，但在工业实际应用中，待测数据量非常多，耗费时间较多，复杂度很高。本申请方法的第二检测数据通过了两次异常数据检测筛除异常数据后，待测数据量大大减少，再进行局部离群因子检测，既保证了精准度，又减少了时间复杂度。
作为一种可选的实施方式，所述对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据的步骤，包括：判断所述数据对象的局部离群因子与1之差的绝对值是否大于预设第三阈值；若是，则输出为所述第三异常数据。
在具体实施过程中，根据实际工艺和历史试验结论设置第三阈值为0.2，数据对象的局部离群因子与1之差的绝对值是否大于0.2，则为异常数据，加入第三异常数据。
作为另一种可选的实施方式，所述对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据的步骤，包括：通过如下关系式，获得所述局部离群因子：
其中，为数据对象i与o之间的可达距离，/>为数据对象i的局部可达密度，/>为数据对象i的局部离群因子。
在具体实施过程中，如果数据对象i远离数据对象o，则两者之间的可达距离就是它们之间的实际距离，当它们足够近时，则其实际距离为数据对象o的k距离，即：。
数据对象i的局部可达密度为数据对象i的k最近邻点的平均可达密度的倒数，即为数据对象i的第k邻域内点到数据对象i的平均可达距离的倒数，即：。
数据对象i的局部离群因子为数据对象i的邻域点的局部可达密度与数据对象i的局部可达密度之比的平均数，即。
S50：输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
在具体实施过程中，合并经过初步异常检测得到的第一异常数据、经过剪枝处理得到的第二异常数据和经过局部离群因子检测得到的第三异常数据，输出以上异常数据的数据值及其对应的时间等相关属性信息，即为该目标航空液压泵站时序异常检测结果。
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，本实施例是通过对航空液压泵站的时序数据进行预处理，筛除无意义数据和不符合工业标准的明显异常数据，通过对预处理后的时序数据按工作状况进行分类分割，在同一类数据中进行异常检测，同时对检测过程进行剪枝处理，能够缩短检测时间并提升检测效率，经过上述两次检测筛除异常数据后，待测数据量大大减少，再进行局部离群因子检测，既保留了局部离群因子检测方法的精准度，又减少了该检测方法的时间复杂度，进一步提升了检测速度，快速的输出异常检测结果，帮助技术人员精确、及时地掌握设备运行过程中的异常情况，提高航空液压泵站设备使用效能，保障飞机总装作业安全顺利进行。
参照图3，基于相同的发明思路，本申请的实施例还提供一种航空液压泵站时序异常检测装置，包括：
第一异常数据获取模块，用于获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；
数据类别获取模块，用于根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；
第二异常数据获取模块，用于根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；
第三异常数据获取模块，用于对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；
异常数据输出模块，用于输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
需要说明的是，本实施例中航空液压泵站时序异常检测装置中各模块是与前述实施例中航空液压泵站时序异常检测方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述航空液压泵站时序异常检测方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请的实施例还提供一种生产设备，所述设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外，在一种实施例中，本申请的实施例还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体 现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备（可以是手机，计算机，电视接收机，或者网络设备等）执行本申请各个实施例所述的方法
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种航空液压泵站时序异常检测方法，其特征在于，包括以下步骤：
获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；其中，所述获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据的步骤，包括：使用局部均值插补法对所述时序数据进行数据缺失值处理，获得第一预处理数据；判断所述第一预处理数据中连续零值的序列数量是否大于预设的数量阈值，若是，则去除大于所述数量阈值的所述连续零值的序列，获得第二预处理数据；判断所述第二预处理数据中各个数据对象与第一阈值的大小关系，若所述数据对象大于所述第一阈值，则输出为所述第一异常数据，若所述数据对象小于或等于所述第一阈值，则输出为所述第一检测数据；
根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；其中，所述根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组的步骤，包括：使用单变量线性回归算法，对所述第一检测数据进行分段拟合，获得拟合后数据；对所述拟合后数据进行断点检测，获得数据断点；根据所述数据断点及所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行K-means分类，获得多个所述数据类别组；
根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；
对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；
输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
2.如权利要求1所述的航空液压泵站时序异常检测方法，其特征在于，根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据的步骤，包括：
若所述数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值小于或等于预设第二阈值，则对所述第一检测数据进行剪枝处理，标记为所述第二异常数据；
若所述数据对象的k距离与其所属的数据类别组的平均k距离之差的绝对值大于预设第二阈值，则标记为所述第二检测数据。
3.如权利要求1所述的航空液压泵站时序异常检测方法，其特征在于，根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据的步骤，包括：
通过如下关系式，获得所述数据类别组的平均k距离：
其中， k–dist(c)表示数据类别组c的平均k距离，k–dist(i)表示数据对象i的k距离，i为数据类别组c中的数据对象。
4.如权利要求1所述的航空液压泵站时序异常检测方法，其特征在于，所述对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据的步骤，包括：
判断所述数据对象的局部离群因子与1之差的绝对值是否大于预设第三阈值；
若是，则输出为所述第三异常数据。
5.如权利要求1所述的航空液压泵站时序异常检测方法，其特征在于，所述对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据的步骤，包括：
通过如下关系式，获得所述局部离群因子：
其中，为数据对象i与o之间的可达距离，/>为数据对象i的局部可达密度，/>为数据对象i的局部离群因子。
6.一种航空液压泵站时序异常检测装置，其特征在于，包括：
第一异常数据获取模块，用于获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据；其中，所述获取目标航空液压泵站运行的时序数据，并对所述时序数据进行预处理，获得第一检测数据和第一异常数据的步骤，包括：使用局部均值插补法对所述时序数据进行数据缺失值处理，获得第一预处理数据；判断所述第一预处理数据中连续零值的序列数量是否大于预设的数量阈值，若是，则去除大于所述数量阈值的所述连续零值的序列，获得第二预处理数据；判断所述第二预处理数据中各个数据对象与第一阈值的大小关系，若所述数据对象大于所述第一阈值，则输出为所述第一异常数据，若所述数据对象小于或等于所述第一阈值，则输出为所述第一检测数据；
数据类别获取模块，用于根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组；其中，所述根据所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行分类，获得多个数据类别组的步骤，包括：使用单变量线性回归算法，对所述第一检测数据进行分段拟合，获得拟合后数据；对所述拟合后数据进行断点检测，获得数据断点；根据所述数据断点及所述目标航空液压泵站的工作状态，对所述第一检测数据中的数据对象进行K-means分类，获得多个所述数据类别组；
第二异常数据获取模块，用于根据所述数据对象的k距离和所述数据类别组的平均k距离，对所述第一检测数据进行剪枝处理，获得第二检测数据和第二异常数据；
第三异常数据获取模块，用于对所述第二检测数据进行局部离群因子异常检测，获得第三异常数据；
异常数据输出模块，用于输出所述第一异常数据、所述第二异常数据和所述第三异常数据。
7.一种生产设备，其特征在于，该生产设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-5中任一项所述的方法。
CN202210294001.6A 2022-03-23 2022-03-23 航空液压泵站时序异常检测方法、装置、设备及存储介质 Active CN114648227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210294001.6A CN114648227B (zh) 2022-03-23 2022-03-23 航空液压泵站时序异常检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210294001.6A CN114648227B (zh) 2022-03-23 2022-03-23 航空液压泵站时序异常检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114648227A CN114648227A (zh) 2022-06-21
CN114648227B true CN114648227B (zh) 2024-03-15

Family

ID=81996146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210294001.6A Active CN114648227B (zh) 2022-03-23 2022-03-23 航空液压泵站时序异常检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114648227B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115526241B (zh) * 2022-09-13 2024-09-13 成都飞机工业（集团）有限责任公司 一种航空液压泵站实时异常检测方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005195081A (ja) * 2004-01-06 2005-07-21 Daikin Ind Ltd 油圧ユニット
CN102216534A (zh) * 2008-12-26 2011-10-12 日立建机株式会社 工程机械的诊断信息提供装置
JP2012230703A (ja) * 2012-07-19 2012-11-22 Hitachi Ltd 異常検知方法及びシステム
CN106575117A (zh) * 2014-12-15 2017-04-19 日立建机株式会社 作业机械的油特性的诊断系统
CN107848747A (zh) * 2015-07-17 2018-03-27 三菱电机株式会社 液压式电梯的安全装置以及液压式电梯的开门行进异常检测方法
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
WO2020019403A1 (zh) * 2018-07-26 2020-01-30 平安科技（深圳）有限公司 用电量异常检测方法、装置、设备及可读存储介质
CN112182056A (zh) * 2019-07-02 2021-01-05 中移(苏州)软件技术有限公司 一种数据检测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3217335A1 (en) * 2016-03-11 2017-09-13 Deutsche Telekom AG Method and system for generating a training model for fabricating synthetic data and for fabricating synthetic data
JP7087530B2 (ja) * 2018-03-23 2022-06-21 コベルコ建機株式会社 排ガス異常検出装置
FR3106907B1 (fr) * 2020-01-31 2022-02-11 Thales Sa Dispositif electronique de calcul de diffusion centralises d'etat(s) d'un aeronef, ensemble avionique, procede, et programme d'ordinateur associes

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005195081A (ja) * 2004-01-06 2005-07-21 Daikin Ind Ltd 油圧ユニット
CN102216534A (zh) * 2008-12-26 2011-10-12 日立建机株式会社 工程机械的诊断信息提供装置
JP2012230703A (ja) * 2012-07-19 2012-11-22 Hitachi Ltd 異常検知方法及びシステム
CN106575117A (zh) * 2014-12-15 2017-04-19 日立建机株式会社 作业机械的油特性的诊断系统
CN107848747A (zh) * 2015-07-17 2018-03-27 三菱电机株式会社 液压式电梯的安全装置以及液压式电梯的开门行进异常检测方法
WO2020019403A1 (zh) * 2018-07-26 2020-01-30 平安科技（深圳）有限公司 用电量异常检测方法、装置、设备及可读存储介质
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN112182056A (zh) * 2019-07-02 2021-01-05 中移(苏州)软件技术有限公司 一种数据检测方法、装置、设备及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Anomaly detection based on multivariate data for the aircraft hydraulic system;Hongsheng Yan etc.;SageJournals;第235卷(第05期);全文 *
Research on Anomaly Detection of Civil Aircraft Hydraulic System Based on Multivariate Monitoring Data;HongSheng Yan etc.;2019 IEEE AUTOTESTCON;全文 *
一种改进的局部离群数据检测算法;段培永等;黑龙江大学自然科学学报(第04期);全文 *
三峡水电厂700MW发电机组内冷水系统渗漏监测研究;陈勇强等;大电机技术(第02期);全文 *
基于密度的异常数据检测算法GSWCLOF;李少波等;计算机工程与应用(第19期);全文 *
基于重要点的飞机发动机数据异常子序列检测;杨慧等;计算机工程与设计(第09期);全文 *
工业过程数据异常检测的改进局部离群因子法;何九虎等;计算机与应用化学(第01期);全文 *

Also Published As

Publication number Publication date
CN114648227A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN111641519B (zh) 异常根因定位方法、装置及存储介质
CN114548832B (zh) 一种基于大数据的风电设备状态评估方法及系统
CN111309539A (zh) 一种异常监测方法、装置和电子设备
CN112001520B (zh) 天气预报方法、装置、计算机设备及存储介质
CN115526241B (zh) 一种航空液压泵站实时异常检测方法、装置、设备及介质
CN114648227B (zh) 航空液压泵站时序异常检测方法、装置、设备及存储介质
CN117394337A (zh) 一种电网负荷预警方法及其系统
CN115392037A (zh) 设备故障预测方法、装置、设备及存储介质
CN110647913B (zh) 基于聚类算法的异常数据检测方法及装置
CN112183827A (zh) 快递月揽件量的预测方法、装置、设备和存储介质
CN115600891A (zh) 应用于水性丙烯酸树脂生产监测的大数据分析方法及系统
CN114119518A (zh) 一种电流互感器的红外图像中温度异常点检测方法及系统
EP4071570A1 (en) Prediction system, information processing device, and information processing program
CN112417734A (zh) 一种基于风电场地理信息的风速订正方法及装置
CN115878958A (zh) 一种变压器油温预测方法、装置、设备及存储介质
CN110232130B (zh) 元数据管理谱系生成方法、装置、计算机设备和存储介质
CN115062879B (zh) 一种风电机组指标参数的获取方法、装置及设备
CN112434750B (zh) 基于卷积神经网络的大坝监测数据发展模式识别方法
CN112148566A (zh) 计算引擎的监控方法、装置、电子设备及存储介质
CN118378113A (zh) 一种基于时空关联的amc监测数据聚类方法
CN114987773B (zh) 飞机液压系统性能异常识别方法、装置、设备及介质
CN115600695B (zh) 一种计量设备的故障诊断方法
CN113343479A (zh) 设备使用寿命的计算方法和装置
CN114996519B (zh) 数据处理方法、装置、电子设备、存储介质及产品
CN114136473B (zh) 电源壳温方差的获取方法、电子设备及计算机存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant