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

发布时间：2021-10-27 19:13

　　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络（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... 

【文章来源】：西安理工大学陕西省

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
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


【参考文献】：
期刊论文
[1]神经网络与深度学习基础[J]. 袁冰清,陆悦斌,张杰.  数字通信世界. 2018(05)
[2]长短时记忆神经网络在卫星轨道预报中的研究[J]. 朱俊鹏,赵洪利,杜鑫,蒋勇.  兵器装备工程学报. 2017(10)
[3]基于簇中心群的时间序列数据分类方法[J]. 李海林,万校基.  电子科技大学学报. 2017(03)
[4]基于时间序列的航天器遥测数据预测算法[J]. 闫谦时,崔广立.  计算机测量与控制. 2017(05)
[5]基于GA-SVM的基坑施工地面沉降时间序列预测研究[J]. 石祥锋,王丽芬,沈阳,刘俊娥,郭章林.  施工技术. 2017(08)
[6]Convolutional neural networks for time series classification[J]. Bendong Zhao,Huanzhang Lu,Shangfeng Chen,Junliang Liu,Dongya Wu.  Journal of Systems Engineering and Electronics. 2017(01)
[7]基于多样化top-k shapelets转换的时间序列分类方法[J]. 孙其法,闫秋艳,闫欣鸣.  计算机应用. 2017(02)
[8]基于马氏距离的分段矢量量化时间序列分类[J]. 陶志伟,张莉.  山东大学学报(工学版). 2016(03)
[9]马尔科夫模型改进的时间序列预测算法研究[J]. 戴曾,廖闻剑,彭艳兵.  计算机与现代化. 2014(11)
[10]航天器在轨故障特征数据生成方法[J]. 赵军,胡绍林,刘兵,刘芳.  飞行器测控学报. 2012(02)

硕士论文
[1]奇异值分解在时间序列分析中的应用[D]. 李慧.北京交通大学 2009



本文编号：3462182