空调热交换器性能异常检测技术是快速判断民机空调系统运行状态并合理安排维修任务的关键,传统的异常检测方法难以有效处理高维时序数据,无法实现系统早期故障预警。为此,本文提出了一种基于长短期记忆网络(LSTM,long-short term memory...空调热交换器性能异常检测技术是快速判断民机空调系统运行状态并合理安排维修任务的关键,传统的异常检测方法难以有效处理高维时序数据,无法实现系统早期故障预警。为此,本文提出了一种基于长短期记忆网络(LSTM,long-short term memory)与自编码器(AE,autoencoder)模型的无监督异常检测方法,用以识别民机空调系统异常运行状态。首先,基于民机空调系统原始传感器参数构建表征空调热交换器性能的特征监测参数;其次,构建LSTM-AE模型进行数据特征重构并计算重构误差;最后,使用孤立森林(iForest, isolation forest)进行无监督异常监测。将本文构建的无监督异常检测方法与传统方法对比,并建立模型评估指标,验证结果表明,所构建的模型方法可以对民机空调热交换器性能异常状态进行有效检测。展开更多
火箭地面测发控系统流程复杂,为自动检测系统运行流程中的异常,本文提出一种基于多变量长短时记忆自编码器(LSTM-AE,Long-short Term Memory-Autoencoder)方法的测发控系统运行异常检测方法。首先对正常系统运行数据进行分析,对系统中...火箭地面测发控系统流程复杂,为自动检测系统运行流程中的异常,本文提出一种基于多变量长短时记忆自编码器(LSTM-AE,Long-short Term Memory-Autoencoder)方法的测发控系统运行异常检测方法。首先对正常系统运行数据进行分析,对系统中开关量和数字量数据进行归一化处理,并系统中模拟量信息进行统计特征提取。然后将提取的模拟量特征和其他数字量信息组成系统运行特征向量,并作为LSTM-AE的样本输入,经自编码学习自动识别系统状态,并建立系统状态迁移异常检测模型。通过对某火箭地面测发控流程监测数据的自动建模,实现了对仿真注入故障的高效实时检测。仿真结果表明,本文所提的自编码方法优于传统的BP神经网络方法。展开更多
Anomaly detection for the control rod drive mechanism(CRDM) is key to enhancing the security of nuclear power plant equipment. In CRDM real-time condition-based maintenance, most existing methods cannot deal with long...Anomaly detection for the control rod drive mechanism(CRDM) is key to enhancing the security of nuclear power plant equipment. In CRDM real-time condition-based maintenance, most existing methods cannot deal with long sequences and periodic abnormal events and have poor feature extraction from these data. In this paper,a learning-based anomaly detection method employing a long short-term memory-based autoencoder(LSTM-AE)network and an extreme gradient boosting(XGBoost)algorithm is proposed for the CRDM. The nonlinear and sequential features of the CRDM coil currents can be automatically and efficiently extracted by the LSTM neural units and AE network. The normal behavior LSTM-AE model was established to reconstruct the errors when feeding abnormal coil current signals. The XGBoost algorithm was leveraged to monitor the residuals and identify outliers for the coil currents. The results demonstrate that the proposed anomaly detection method can effectively detect different timing sequence anomalies and provide a more accurate forecasting performance for CRDM coil current signals.展开更多
针对额外提取数据特征的方法需要花费大量时间和人力成本、轴承退化的线性预测精度低等问题,以及时序数据具有时间依赖关系的特点,提出了端到端的结合长短时记忆网络的深度变分自编码器模型(E2E Deep VAE-LSTM)用于轴承退化预测。通过改...针对额外提取数据特征的方法需要花费大量时间和人力成本、轴承退化的线性预测精度低等问题,以及时序数据具有时间依赖关系的特点,提出了端到端的结合长短时记忆网络的深度变分自编码器模型(E2E Deep VAE-LSTM)用于轴承退化预测。通过改进VAE的结构,并结合LSTM,该模型可以在含有异常值的数据集上直接进行训练和预测;使用系统重建误差表征轴承退化趋势,实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明,E2E Deep VAE-LSTM模型可以得到满意的预测结果,预测精度均高于现有的几种AE类模型及其他几种方法,且具有良好的泛化能力和抗过拟合能力。展开更多
文摘空调热交换器性能异常检测技术是快速判断民机空调系统运行状态并合理安排维修任务的关键,传统的异常检测方法难以有效处理高维时序数据,无法实现系统早期故障预警。为此,本文提出了一种基于长短期记忆网络(LSTM,long-short term memory)与自编码器(AE,autoencoder)模型的无监督异常检测方法,用以识别民机空调系统异常运行状态。首先,基于民机空调系统原始传感器参数构建表征空调热交换器性能的特征监测参数;其次,构建LSTM-AE模型进行数据特征重构并计算重构误差;最后,使用孤立森林(iForest, isolation forest)进行无监督异常监测。将本文构建的无监督异常检测方法与传统方法对比,并建立模型评估指标,验证结果表明,所构建的模型方法可以对民机空调热交换器性能异常状态进行有效检测。
文摘火箭地面测发控系统流程复杂,为自动检测系统运行流程中的异常,本文提出一种基于多变量长短时记忆自编码器(LSTM-AE,Long-short Term Memory-Autoencoder)方法的测发控系统运行异常检测方法。首先对正常系统运行数据进行分析,对系统中开关量和数字量数据进行归一化处理,并系统中模拟量信息进行统计特征提取。然后将提取的模拟量特征和其他数字量信息组成系统运行特征向量,并作为LSTM-AE的样本输入,经自编码学习自动识别系统状态,并建立系统状态迁移异常检测模型。通过对某火箭地面测发控流程监测数据的自动建模,实现了对仿真注入故障的高效实时检测。仿真结果表明,本文所提的自编码方法优于传统的BP神经网络方法。
基金supported by the Natural Science Foundation of Fujian Province (No. 2022J01566)。
文摘Anomaly detection for the control rod drive mechanism(CRDM) is key to enhancing the security of nuclear power plant equipment. In CRDM real-time condition-based maintenance, most existing methods cannot deal with long sequences and periodic abnormal events and have poor feature extraction from these data. In this paper,a learning-based anomaly detection method employing a long short-term memory-based autoencoder(LSTM-AE)network and an extreme gradient boosting(XGBoost)algorithm is proposed for the CRDM. The nonlinear and sequential features of the CRDM coil currents can be automatically and efficiently extracted by the LSTM neural units and AE network. The normal behavior LSTM-AE model was established to reconstruct the errors when feeding abnormal coil current signals. The XGBoost algorithm was leveraged to monitor the residuals and identify outliers for the coil currents. The results demonstrate that the proposed anomaly detection method can effectively detect different timing sequence anomalies and provide a more accurate forecasting performance for CRDM coil current signals.
文摘针对额外提取数据特征的方法需要花费大量时间和人力成本、轴承退化的线性预测精度低等问题,以及时序数据具有时间依赖关系的特点,提出了端到端的结合长短时记忆网络的深度变分自编码器模型(E2E Deep VAE-LSTM)用于轴承退化预测。通过改进VAE的结构,并结合LSTM,该模型可以在含有异常值的数据集上直接进行训练和预测;使用系统重建误差表征轴承退化趋势,实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明,E2E Deep VAE-LSTM模型可以得到满意的预测结果,预测精度均高于现有的几种AE类模型及其他几种方法,且具有良好的泛化能力和抗过拟合能力。
