(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110392092.2 (22)申请日 2021.04.12 (65)同一申请的已公布的文献号 申请公布号 CN 113204914 A (43)申请公布日 2021.08.0 3 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 彭宇　陈波　孟升卫　游婧婷　 刘大同　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 张宏威 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) (56)对比文件 CN 10746 3161 A,2017.12.12 CN 110427419 A,2019.1 1.08 审查员 段晓云 (54)发明名称 一种基于多架次飞行数据表征建模的飞行 数据异常判读方法 (57)摘要 本发明提出一种基于多架次飞行数据表征 建模的飞行数据异常判读方法， 采集飞行器相同 系统或部件的多架次运行所生 成的飞行数据， 进 行数据表征建模,首先将所述飞行数据中各时间 序列对齐； 对于时间序列， 采用基于 K‑Means的时 间序列聚类方法， 进行表征建模； 通过基于阈值 或者偏差的异常检测方法， 实现飞行数据异常判 读， 对于超出阈值或者偏差过大的数据， 判读为 异常数据， 并给出告警信息； 本发明可 以在缺少 飞行器异常数据样本的情况下， 依赖正常多架次 飞行数据建立异常监测模型， 可在极低的虚警率 的前提下， 对测试 数据的正常与否进行判读。 权利要求书2页 说明书6页 附图2页 CN 113204914 B 2022.06.17 CN 113204914 B 1.一种基于多架次飞行 数据表征建模的飞行 数据异常判读方法， 其特 征在于： 采集飞行器相同系统或部件的多架次运行 所生成的飞行 数据， 进行 数据表征建模， 步骤一： 将所述飞行 数据中各时间序列对齐； 在步骤一中： 采用动态时间规整Dynamic  Time Warping， DTW算法， 对所述飞行数据中 不同长度的时间序列进 行对齐， 对齐标准为长度标准化， 即构 造一条基准的时间序列， 并将 每对时间序列拉伸到基准的时间序列的长度； 对于两组不同长度飞行器作动部件的时间序列数据A和B， 设时间序列数据A和B的长度 分别是m和n， 则有： A＝a1， a2，…， ai，…， am；    (1) B＝b1， b2，…， bj，…， bn；    (2) 通过构建一个m*n的矩阵网络来对齐这两个序列， 矩阵中的元素(i， j)表示ai和bj两个 点间的距离d(ai， bj)， 使用欧氏距离计算距离d(ai， bj)， 即d(ai， bj)＝(ai‑bj)2； 基于所述m*n矩阵， DTW算法在网格中按照一条包含若干个点的路径， 所述路径所通过 的所有格点所对应的ai组成了对齐后的时间序列A ′， bj组成了对齐后的时间序列B ′； 将该路径定义 为规整路径W， W的第k个元 素定义为wk＝(i， j)k， 则有： W＝w1， w2，…， wk，…， wK； max(m， n)≤K≤m+n ‑1    (3) 其中wk所对应的ai和bj能够组成对齐后的时间序列A ′和B′； 针对路径的选择， 需要满足如下 条件： (1)边界条件： w1＝(1， 1)和wK＝(n， n)， 即所有的路径都是从左上角出发， 并最终到达右 下角； (2)连续性： 如果wk‑1＝(a′， b′)， 则对于路径的下一个点wk＝(a， b)需要满足(a ‑a′)≤1 和(b‑br)≤1， 即不能跨过某个点去匹配， 只能和自己相邻的点对齐； (3)单调性： 如果wk‑1＝(a′， b′)， 那么对于路径的下一个点wk＝(a， b)需要满足0≤(a ‑ a′)和0≤(b‑b′)， 即限制W上面的点必须 是随着时间单调进行的； 结合连续 性和单调性约束， 则每一个 格点的路径为 三个方向； 即当路径通过了格点(i， j)， 则下一个通过的格点为是下列三种情况之一： (i+1， j)， (i， j+1)或者(i+1， j+1)； 步骤二： 对步骤一中所述的时间序列， 采用基于K ‑Means的时间序列聚类方法， 进行表 征建模； 在步骤二中： 采用基于K ‑Means的时间序列聚类方法， 得到飞行数据中不能通过机理建模得到的数 据的分布规律， 并对 所述数据的分布 规律进行表征建模， 建立该部件工作数据的基准线， 或 称为中心线； 设飞行器作动部件在多次飞行过程中生成N个架次的数据， 经过步骤一中的DTW算法对 齐后， 这些飞行 数据时间序列长度均为 L， 设所求出的中心线M＝ μ1， μ2， ... μα， ... μβ， 则有： 权　利　要　求　书 1/2 页 2 CN 113204914 B 2其中xα表示α 时刻 时间序列Sh上点的值， h表示第h条时间序列， 时间序列总数为H个， μα 表示α 时刻的新的中心线的值； 在结合DTW 算法使用步骤为： (1)首先创建一个等于最长时间序列的随机时间序列作 为初始中心线， 使用DTW算法将 所有时间序列 与中心线对齐后， 计算每一条时间序列 与它的距离； (2)计算完所有距离后， 使用K ‑Means算法优化中心线， 并重复对齐和优化的步骤， 直到 中心线符合构建模型与 原始数据的距离限制或者达到指定迭代次数； 得到的中心线就是新 的分类的中心线； 步骤三： 通过基于阈值或者偏差的异常检测方法， 实现飞行数据异常判读， 对于超出阈 值或者偏差过 大的数据， 判读为异常数据， 并给 出告警信息 。 2.根据权利要求1所述方法， 其特 征在于， 在步骤三中： 对于多架次运行所生成的飞行数据判读， 在获取正常工作模型之后， 用该中心线对未 知数据进行分析； 当异常数据与正常数据中心线的距离 明显大于正常数据时， 使用基于偏差的方法对测 试数据进行分类； 其 余情况使用基于阈值的方法对测试 数据进行分类； 使用基于阈值的方法时， 设所有n个飞行数据时间序列与中心线的距离分别是D＝d1， d2，…， dn， 则距离的平均值为 μ， 标准差为σ， 则当异常的判读阈值为 μ+3σ， 相应的检测公式如 下： 其中， Error＝1表示时间序列含有异常， Er ror＝0而则不含有异常。权　利　要　求　书 2/2 页 3 CN 113204914 B 3