• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于深度學(xué)習(xí)的風(fēng)洞天平測力試驗數(shù)據(jù)異常檢測方法研究

      2022-02-06 03:14:30張靖孫文舉尼文斌魏巍張江楊武兵李清勇
      實驗流體力學(xué) 2022年6期
      關(guān)鍵詞:車次風(fēng)洞試驗迎角

      張靖,孫文舉,尼文斌,魏巍,張江,楊武兵,李清勇, *

      1.北京交通大學(xué) 智慧高鐵系統(tǒng)前沿科學(xué)中心,北京 100044 2.中國航天空氣動力技術(shù)研究院,北京 100074

      0 引 言

      飛行器的氣動外形是決定飛行器氣動性能的重要因素。目前,國內(nèi)外進(jìn)行空氣動力試驗的方法主要有數(shù)值模擬、風(fēng)洞試驗和飛行試驗等。其中,風(fēng)洞試驗作為一種操作便捷、準(zhǔn)確率較高且成本可接受的試驗方式,廣泛應(yīng)用于航空航天、機(jī)械制造等諸多領(lǐng)域。然而,作為一種實物試驗,風(fēng)洞試驗會受風(fēng)洞設(shè)備故障、試驗人員操作失誤等諸多因素影響產(chǎn)生異常數(shù)據(jù)。其中,風(fēng)洞設(shè)備故障和人員操作失誤是導(dǎo)致風(fēng)洞異常數(shù)據(jù)的主要原因,據(jù)統(tǒng)計,二者導(dǎo)致的風(fēng)洞異常數(shù)據(jù)分別占異常數(shù)據(jù)總數(shù)的70%和25%。針對風(fēng)洞天平測力試驗異常數(shù)據(jù),目前皆采用人工檢測的方式。這種方式雖然具有較高的準(zhǔn)確率和可靠性,但十分依賴分析人員的專業(yè)知識和處理經(jīng)驗,且時間成本較高。為了彌補(bǔ)人工檢測方式的不足,本文提出將人工智能技術(shù)用于風(fēng)洞試驗天平測力數(shù)據(jù)監(jiān)測,實現(xiàn)自動化異常識別,提高風(fēng)洞試驗的整體效率。

      國內(nèi)外已有很多將人工智能技術(shù)引入風(fēng)洞試驗領(lǐng)域的研究。謝艷等[1]嘗試在風(fēng)洞常規(guī)試驗中構(gòu)建起大數(shù)據(jù)采集、收集和分析處理平臺,并利用大數(shù)據(jù)較強(qiáng)的洞察能力,助力風(fēng)洞試驗中的疑難問題分析。Belmahdi等[2]借助人工智能中的模糊邏輯推理系統(tǒng),對風(fēng)洞試驗中的高斯山峰前、中、后的風(fēng)散速度進(jìn)行建模,預(yù)測風(fēng)洞中的風(fēng)速。美國NASA Lanley研究中心在亞聲速風(fēng)洞中安裝了神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析系統(tǒng),該系統(tǒng)可以高效地執(zhí)行模型結(jié)構(gòu)優(yōu)化、流動參數(shù)研究等諸多任務(wù)[3]。Vlachas等[4]借助深度學(xué)習(xí)中的長短時記憶模型(LSTM)來預(yù)測高維混沌系統(tǒng)的演變,并取得了比高斯過程模型更優(yōu)的效果。Mifsud等[5]利用不連續(xù)本征正交分解(POD)和受限最小二乘法來融合CFD模擬數(shù)據(jù)和稀疏的風(fēng)洞試驗數(shù)據(jù)。這些工作證明了人工智能與風(fēng)洞試驗相結(jié)合的可行性,但根據(jù)調(diào)研,目前還沒有利用人工智能技術(shù)對風(fēng)洞天平測力試驗數(shù)據(jù)進(jìn)行異常檢測的先例。

      在人工智能領(lǐng)域中,異常檢測問題是一個經(jīng)典問題,相關(guān)技術(shù)廣泛應(yīng)用于欺詐檢測[6]、故障診斷[7]、醫(yī)療輔助[8]等領(lǐng)域。傳統(tǒng)的異常檢測算法包括基于統(tǒng)計特征的方法、基于近鄰的方法、基于聚類的方法和基于分類的方法等。例如Barnett等[9]提出將符合某個特定分布或概率模型的數(shù)據(jù)視為正常數(shù)據(jù),否則視為異常數(shù)據(jù)。Sch?lkopf等[10]利用單類支持向量機(jī)學(xué)習(xí)正常樣本與異常樣本之間的最佳超平面,提出了單類支持向量機(jī)算法(One–Class Support Vector Machine,OC–SVM)。Liu等[11]利用異常樣本相對密度低、易被分割孤立的特點(diǎn)提出了基于規(guī)則樹結(jié)構(gòu)的孤立森林算法(Isolation Forest,IF)。傳統(tǒng)方法的優(yōu)點(diǎn)是運(yùn)行時間快、可解釋性高,但大部分方法依賴于數(shù)據(jù)的特征設(shè)計,無法進(jìn)行自主學(xué)習(xí)。深度學(xué)習(xí)方法引入了神經(jīng)網(wǎng)絡(luò)。Akcay等[12]利用正常數(shù)據(jù)訓(xùn)練自編碼重構(gòu)模型,將測試時重構(gòu)誤差較大的樣本視為異常樣本。Ruff等[13]提出深度支持向量數(shù)據(jù)描述算法(Deep Support Vector Data Description,Deep SVDD),引入神經(jīng)網(wǎng)絡(luò)完成特征學(xué)習(xí)和映射,并用軟邊界損失約束訓(xùn)練過程。深度學(xué)習(xí)方法的優(yōu)點(diǎn)是準(zhǔn)確率高、特征自學(xué)習(xí),缺點(diǎn)則是可解釋性和魯棒性較差。

      不同于普通的異常檢測任務(wù),本文要解決的風(fēng)洞天平測力試驗數(shù)據(jù)異常檢測有兩大難點(diǎn):1)無真實異常數(shù)據(jù);2)不同車次的迎角個數(shù)不同導(dǎo)致數(shù)據(jù)維度不同。為解決這2個難點(diǎn),本文提出一種基于深度學(xué)習(xí)的異常檢測框架,通過針對風(fēng)洞異常數(shù)據(jù)的仿真策略來解決異常零樣本問題。首先,設(shè)計了基于統(tǒng)計特征的標(biāo)準(zhǔn)化特征表示,將數(shù)據(jù)處理為統(tǒng)一尺度;然后,利用神經(jīng)網(wǎng)絡(luò)提取深度特征,增強(qiáng)對數(shù)據(jù)的判斷能力。以此為基礎(chǔ)的檢測系統(tǒng)已部署于實際生產(chǎn)環(huán)境,為現(xiàn)場分析人員進(jìn)行異常檢測提供幫助。

      1 風(fēng)洞天平測力試驗異常數(shù)據(jù)仿真

      對風(fēng)洞異常數(shù)據(jù)進(jìn)行分析有利于及時發(fā)現(xiàn)異常原因、排查設(shè)備問題、改進(jìn)試驗方案。但在實際的生產(chǎn)環(huán)境中,異常數(shù)據(jù)產(chǎn)生頻率極低,且通常被視為垃圾數(shù)據(jù)而丟棄,這給異常檢測模型的訓(xùn)練和驗證帶來了挑戰(zhàn)。為解決異常數(shù)據(jù)零樣本的問題,歸納了常見的風(fēng)洞數(shù)據(jù)異常類型,并根據(jù)專家知識形成了異常數(shù)據(jù)規(guī)則,以此來生成異常數(shù)據(jù)。具體而言,根據(jù)異常的主要特征,將異常類型分為3類:孤立跳點(diǎn)異常、多點(diǎn)異常和整組試驗異常。

      1)孤立跳點(diǎn)異常

      導(dǎo)致風(fēng)洞試驗出現(xiàn)孤立跳點(diǎn)的原因包括天平虛焊、采集系統(tǒng)故障、模型內(nèi)有碎屑等。此類異常表現(xiàn)為在某車次的試驗數(shù)據(jù)中,某個迎角下的力分量值脫離真實值,形成跳點(diǎn)。

      2)多點(diǎn)異常

      天平內(nèi)外引線不絕緣、激波返回、模型碰到支桿、測壓模塊異常、雜質(zhì)沖擊等都可能導(dǎo)致多點(diǎn)異常。此類異常多發(fā)生于法向力數(shù)據(jù),表現(xiàn)形式為:在某車次的試驗數(shù)據(jù)中,連續(xù)或離散的多個(≥2個)迎角下的力分量值產(chǎn)生異常。

      3)整組試驗異常

      導(dǎo)致整組試驗異常的原因有很多,如天平零飄、迎角不準(zhǔn)、總壓管故障、迎角機(jī)構(gòu)異常、模型加工問題、模型抖動、模型安裝、壓力滯后等。此類異常表現(xiàn)為某試驗車次所有數(shù)據(jù)發(fā)生了偏移,特征不明顯,識別難度較高。

      以上3類異常在法向力(N)和軸向力(A)上都有體現(xiàn),本文選擇最常見的6種異常作為檢測目標(biāo)。表1記錄了這些異常的基本信息。其中,Nnormal,αi和Nabnormal,αi分別表示法向力正常或異常曲線在迎角為αi時 的值,Anormal,αi和Nabnormal,αi分別表示軸向力正常或異常曲線在迎角為αi時的值。a為異常變化率,取值在0到1之間隨機(jī)變化。kN,normal和kN,abnormal分別表示法向力正?;虍惓G€的斜率。在生成異常數(shù)據(jù)時,本文將以正常數(shù)據(jù)為基礎(chǔ),按照隨機(jī)的原則選擇表1中的異常類型,并根據(jù)異常規(guī)則對正常數(shù)據(jù)進(jìn)行變化。

      表1 風(fēng)洞天平測力試驗數(shù)據(jù)異常信息Table 1 The information of wind tunnel balance force anomaly data

      2 模型方法

      2.1 問題定義

      在本文中,以X={x1,x2,...,xn}表示風(fēng)洞天平測力試驗數(shù)據(jù)集,其中xi表 示第i個 車次的數(shù)據(jù),n表示車次的總數(shù)量。在每一個車次的風(fēng)洞試驗中,試驗人員通常固定其他參數(shù),僅改變迎角α,獲取氣動模型在不同姿態(tài)時的受力變化情況。因此,每個車次的數(shù)據(jù)xi又可以表示為:

      本模型的任務(wù)目標(biāo)是利用真實的風(fēng)洞試驗數(shù)據(jù)和少量的仿真異常數(shù)據(jù),訓(xùn)練一個異常數(shù)據(jù)判別器f。當(dāng)給定某個車次的試驗數(shù)據(jù)xi時 ,f需要判斷該車次的數(shù)據(jù)是否存在異常,表示為:

      式中:yi∈{-1,1}表示第i個 車次的異常檢測結(jié)果,1表示異常,-1表示正常。

      2.2 總體流程

      圖1展示了本文所使用的異常檢測算法的整體框架。首先,給定真實的正常數(shù)據(jù)和異常規(guī)則,生成部分異常數(shù)據(jù),為后續(xù)模型的訓(xùn)練和驗證提供數(shù)據(jù)基礎(chǔ)。然后,為解決不同車次迎角個數(shù)可能不同而導(dǎo)致的數(shù)據(jù)尺度不同的問題,設(shè)計了針對風(fēng)洞天平測力數(shù)據(jù)的特征表示,從而將所有的車次數(shù)據(jù)轉(zhuǎn)化為等尺度的標(biāo)準(zhǔn)化數(shù)據(jù)。在完成標(biāo)準(zhǔn)化處理之后,所有樣本將通過一個深度神經(jīng)網(wǎng)絡(luò)映射到一個特征空間中。在此空間中,要求真實的正常樣本盡可能靠近中心點(diǎn),而仿真異常樣本盡可能遠(yuǎn)離中心點(diǎn)c,并使用基于距離的損失對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

      圖1 基于深度學(xué)習(xí)的異常檢測算法框架圖Fig.1 The framework of our deep learning-based anomaly detection method

      在測試階段,給定某個車次的數(shù)據(jù),對其同樣進(jìn)行標(biāo)準(zhǔn)化特征處理,并輸入到訓(xùn)練好的模型中。測試數(shù)據(jù)將被映射到特征空間中,其與中心點(diǎn)的距離將作為該測試數(shù)據(jù)的異常分?jǐn)?shù)并與一個異常閾值進(jìn)行比較。若大于該閾值,則判定為異常;否則為正常。

      2.3 標(biāo)準(zhǔn)化特征表示

      不同車次迎角個數(shù)不同,導(dǎo)致無法用相同尺度(長度)的向量表示所有的試驗數(shù)據(jù),也就無法將其輸入到全連接神經(jīng)網(wǎng)絡(luò)中。因此,設(shè)計了標(biāo)準(zhǔn)化特征表示模塊,對尺度不一的車次數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。具體而言,從統(tǒng)計學(xué)角度選取13個特征來描述每個車次數(shù)據(jù)的變化趨勢,其中包括7個法向力特征和6個軸向力特征。具體設(shè)計如下:

      1)法向力特征

      法向力特征包括法向力曲線的均值、方差、突變率、大迎角變化率和曲線分斜率的均值、方差、突變率。均值和方差為常見的統(tǒng)計特征;突變率為曲線所有迎角下突變率的最大值,其中,迎角為αj時的突變率δ為該迎角下的力分量值與期望值的相對偏差:

      曲線分斜率是指曲線中相鄰兩個迎角之間的斜率。若某車次數(shù)據(jù)共有11個迎角,則可以計算得到10個分斜率。以ki表示第i個分斜率,則分斜率的突變率為 m ax|ki-ki+1|,利用此特征可以檢測斜率的突變,對孤立跳點(diǎn)異常檢測非常有效。

      2)軸向力特征

      軸向力特征包括軸向力曲線的均值、方差、突變率和曲線分斜率的均值、方差、突變率。這些特征的計算方式與法向力特征中的同名特征相同。

      給定某個車次的試驗數(shù)據(jù),計算該車次數(shù)據(jù)的上述特征,并按照固定的順序?qū)⑵淦唇映删S度為13的特征向量,這個過程可以表示為:

      式中:T表示特征計算及拼接過程;x?i表示標(biāo)準(zhǔn)化特征向量,維度為13。

      2.4 深度異常檢測方法

      由于異常數(shù)據(jù)的多樣性和復(fù)雜性,簡單利用基于統(tǒng)計的特征表示無法實現(xiàn)理想的異常檢測功能。因此,受深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力啟發(fā),選擇使用一種基于深度學(xué)習(xí)的異常檢測方法來進(jìn)行更深入的特征學(xué)習(xí)。

      具體而言,在訓(xùn)練階段,輸入第i個 車次的標(biāo)準(zhǔn)化特征向量x?i,使用一個3層的全連接神經(jīng)網(wǎng)絡(luò)將其映射到一個特征空間中,并得到該車次的嵌入特征表示。此過程表示為:

      式中:Φ為神經(jīng)網(wǎng)絡(luò)所實現(xiàn)的特征映射函數(shù);W為神經(jīng)網(wǎng)絡(luò)的參數(shù);x?i為x?i通過映射之后在目標(biāo)特征空間中的特征表示。

      將所有的訓(xùn)練數(shù)據(jù)映射到同一個特征空間后,真實的正常數(shù)據(jù)應(yīng)盡可能靠近給定的中心點(diǎn),而仿真異常數(shù)據(jù)應(yīng)盡可能遠(yuǎn)離中心點(diǎn)。為實現(xiàn)這一目標(biāo),可通過下式計算每次迭代的損失:

      式中:c為中心點(diǎn),由隨機(jī)初始化獲得并固定不變;n為 真實風(fēng)洞試驗數(shù)據(jù)個數(shù);m為仿真異常數(shù)據(jù)個數(shù);η為異常數(shù)據(jù)損失權(quán)重;λ為正則化項的權(quán)重。損失函數(shù)第一項為正常樣本懲罰項,要求正常樣本與中心點(diǎn)的歐氏距離要盡可能??;第二項為異常樣本損失項,為異常樣本與中心點(diǎn)距離的倒數(shù),要求異常樣本盡可能遠(yuǎn)離中心點(diǎn);最后一項為正則化項(下標(biāo)F表示Frobenius范數(shù)),約束神經(jīng)網(wǎng)絡(luò)參數(shù)W的復(fù)雜度,避免參數(shù)過于精細(xì)而導(dǎo)致對訓(xùn)練數(shù)據(jù)過擬合。每一次迭代計算得到的損失將通過鏈?zhǔn)椒▌t進(jìn)行反向傳播,通過隨機(jī)梯度下降法[14]對神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行更新,直至模型收斂。

      在測試階段,對于每一個測試樣本x,利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對其進(jìn)行映射,并將該樣本與中心點(diǎn)c的距離作為異常分?jǐn)?shù),表示為:

      式中:s(x)為該測試樣本的異常分?jǐn)?shù);W*為訓(xùn)練完成的模型參數(shù)。若s(x)大于閾值σ,則判定該樣本為異常;否則為正常。異常閾值σ是一個超參數(shù),通過對所有數(shù)據(jù)的異常分?jǐn)?shù)進(jìn)行排序后,再根據(jù)數(shù)據(jù)集的異常比例進(jìn)行確定。

      3 試 驗

      3.1 數(shù)據(jù)集

      試驗使用的數(shù)據(jù)包括真實正常數(shù)據(jù)和仿真異常數(shù)據(jù)。真實正常數(shù)據(jù)取自于某風(fēng)洞在2017—2018年進(jìn)行的真實風(fēng)洞試驗,包含了120多個不同型號氣動模型的共11 675個車次的數(shù)據(jù)。仿真異常數(shù)據(jù)則通過對正常數(shù)據(jù)施加表1中的異常規(guī)則獲得,共生成了3 000個車次的數(shù)據(jù)。正常數(shù)據(jù)與異常數(shù)據(jù)共同組成了試驗數(shù)據(jù)集,并按照3∶1∶1的比例劃分為訓(xùn)練集、驗證集和測試集,分別用于模型訓(xùn)練、超參數(shù)調(diào)優(yōu)和性能測試。為驗證模型對數(shù)據(jù)的依賴性,按隨機(jī)原則制作了5份不同的數(shù)據(jù)集,最后用模型在這些數(shù)據(jù)集上的均值和方差來驗證方法的穩(wěn)定性。

      3.2 參數(shù)設(shè)置

      深度神經(jīng)網(wǎng)絡(luò)共有3層,神經(jīng)元個數(shù)分別為128、256和128,激活函數(shù)選擇ReLU[15]激活函數(shù)。模型訓(xùn)練設(shè)置的迭代次數(shù)為300,學(xué)習(xí)率為0.000 1,正則化權(quán)重λ設(shè)置為0.000 01。

      本文異常檢測方法中共包含2個超參數(shù):異常數(shù)據(jù)損失權(quán)重η和異常閾值σ。前者的取值范圍為[0.1,0.2,…,2.0],通過交叉驗證試驗確定。后者與數(shù)據(jù)集的異常比例有關(guān),按照由高到低對所有數(shù)據(jù)的異常分?jǐn)?shù)進(jìn)行排序,并按照異常比例確定異常閾值。

      3.3 評價指標(biāo)

      在本任務(wù)中,將異常作為正類、正常作為負(fù)類,表2為異常檢測混淆矩陣。其中,TP表示正確地將異常判定異常,F(xiàn)N表示錯誤地將異常判定為正常,F(xiàn)P表示錯誤地將正常判定為異常,TN表示正確地將正常判定為正常。

      表2 異常檢測混淆矩陣Table 2 Anomaly detection confusion matrix

      在本任務(wù)中,選擇準(zhǔn)確率(Pprecision)、召回率(Precall)以及 F1 分?jǐn)?shù)(F1-score)作為評價指標(biāo)。準(zhǔn)確率Pprecision表示預(yù)測為異常的數(shù)據(jù)中實際為異常的比例:

      召回率Precall表示被檢測出的異常數(shù)據(jù)占總異常數(shù)據(jù)的比例:

      F1分?jǐn)?shù)為準(zhǔn)確率和召回率的調(diào)和平均數(shù),表示模型在準(zhǔn)確率和召回率上的整體性能:

      3.4 結(jié)果及分析

      我們選擇了3種經(jīng)典的異常檢測方法作為對比方法,分別是:單類支持向量機(jī)算法(OC–SVM)、孤立森林算法(IF)和深度支持向量數(shù)據(jù)描述算法(Deep SVDD)。其中,單類支持向量機(jī)算法和孤立森林算法為傳統(tǒng)方法,深度支持向量數(shù)據(jù)描述算法為深度學(xué)習(xí)方法,三者的基本原理已在引言部分進(jìn)行了簡要介紹。需要說明的是,由于在測試階段正常數(shù)據(jù)不可知,無法直接利用表1中的異常規(guī)則進(jìn)行異常檢測。在試驗過程中,所有方法使用相同的標(biāo)準(zhǔn)化特征表示。表3展示了不同方法在風(fēng)洞天平測力試驗數(shù)據(jù)集上的異常檢測結(jié)果(5個數(shù)據(jù)集上檢測結(jié)果的均值及標(biāo)準(zhǔn)差)。

      表3 風(fēng)洞天平測力試驗數(shù)據(jù)異常檢測結(jié)果Table 3 The performance of anomaly detection methods for wind tunnel test data

      在準(zhǔn)確率、召回率和F1分?jǐn)?shù)這3個指標(biāo)上,本文方法的性能全面優(yōu)于另外3種方法,比性能次優(yōu)的方法分別高30.6%、4.1%和18.4%。在模型穩(wěn)定性方面,孤立森林算法表現(xiàn)最為穩(wěn)定,對數(shù)據(jù)依賴性較低;本文的方法和單類支持向量機(jī)算法次之;深度支持向量數(shù)據(jù)描述算法方差最大,穩(wěn)定性最差。除此之外,觀察到2種傳統(tǒng)方法的性能優(yōu)于深度支持向量數(shù)據(jù)描述算法,但弱于本文方法。這是因為深度支持向量數(shù)據(jù)描述算法雖然利用了神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)樣本特征,但沒有異常監(jiān)督信息,導(dǎo)致神經(jīng)網(wǎng)絡(luò)無法學(xué)習(xí)到正常數(shù)據(jù)與異常數(shù)據(jù)之間的辨別性特征,因此效果不如直接使用規(guī)則化統(tǒng)計特征表示的傳統(tǒng)方法。與3種對比方法相比,本文方法以基于統(tǒng)計的標(biāo)準(zhǔn)化特征為基礎(chǔ),以仿真異常數(shù)據(jù)作為監(jiān)督信息,充分結(jié)合了基礎(chǔ)統(tǒng)計特征和深度區(qū)分特征,因此檢測效果更好。

      圖2為訓(xùn)練過程中的損失收斂曲線。可以看到:在經(jīng)過約30次迭代后模型基本完成收斂,最后的損失值收斂于0.23左右。

      圖2 訓(xùn)練過程損失收斂曲線Fig.2 Loss convergence curve in the training period

      圖3展示了4種異常檢測方法在風(fēng)洞天平測力試驗數(shù)據(jù)集上的準(zhǔn)確率-召回率曲線。從圖中可以看出:本文的方法在整體性能上最優(yōu),單類支持向量機(jī)算法次之,另外2種方法性能較差。

      圖3 異常檢測方法準(zhǔn)確率-召回率曲線圖Fig.3 The precision-recall curve of anomaly detection methods

      表4展示了表1中各類異常的具體檢測召回率。圖4為本文方法的具體檢測實例,包括正確檢測(異常數(shù)據(jù)被檢測為異常,即TP)、錯誤檢測(正常數(shù)據(jù)被檢測為異常,即FP)以及漏檢(異常數(shù)據(jù)被檢測為正常,即FN)的車次數(shù)據(jù)樣例。

      表4 各種類異常識別率Table 4 The detection results of all anomaly types

      圖4 異常檢測實例Fig.4 Anomaly detection examples

      檢測結(jié)果顯示本文的方法對孤立跳點(diǎn)異常和多點(diǎn)異常識別效果較好,對整組試驗異常識別效果較差。這是因為相較于另外2類異常,整組試驗異常特征不明顯。整組數(shù)據(jù)發(fā)生偏移后,雖然與該車次的正常值差距較大,但可能與其他車次的數(shù)據(jù)分布十分相似,導(dǎo)致模型難以對此類異常進(jìn)行識別。在實際的生產(chǎn)環(huán)境中,整組試驗異常本身就是一種難以檢測的異常。為了識別這一類異常,風(fēng)洞數(shù)據(jù)分析人員通常需要結(jié)合氣動模型具體外形數(shù)據(jù)和同模型不同車次數(shù)據(jù)進(jìn)行分析處理。

      4 結(jié) 論

      1) 針對風(fēng)洞天平測力試驗數(shù)據(jù),基于標(biāo)準(zhǔn)化特征表示和深度學(xué)習(xí)的異常檢測方法性能優(yōu)于單類支持向量機(jī)算法、孤立森林算法和深度支持向量數(shù)據(jù)描述算法。

      2) 深度異常檢測模型能夠快速識別大部分異常類型(孤立跳點(diǎn)異常、多點(diǎn)異常),但對異常特征不明顯的整組試驗異常識別效果較差。在實際生產(chǎn)環(huán)境中,能夠幫助風(fēng)洞數(shù)據(jù)分析人員進(jìn)行數(shù)據(jù)初篩,提高檢測效率。

      下一步將拓展模型可檢測的風(fēng)洞異常類型,從特征學(xué)習(xí)、對比學(xué)習(xí)角度入手,提高模型的精度,進(jìn)一步探索人工智能在風(fēng)洞試驗中的應(yīng)用。

      猜你喜歡
      車次風(fēng)洞試驗迎角
      ATS 車次窗顯示方法的研究
      調(diào)度集中系統(tǒng)車次號技術(shù)的研究
      連續(xù)變迎角試驗數(shù)據(jù)自適應(yīng)分段擬合濾波方法
      動車所車次號處理邏輯存在問題分析與對策
      低風(fēng)壓架空導(dǎo)線的風(fēng)洞試驗
      電線電纜(2017年5期)2017-10-18 00:52:03
      滾轉(zhuǎn)機(jī)動載荷減緩風(fēng)洞試驗
      CTC系統(tǒng)自動變更折返車次號功能的實現(xiàn)
      失速保護(hù)系統(tǒng)迎角零向跳變研究
      科技傳播(2014年4期)2014-12-02 01:59:42
      遮擋條件下超高層建筑風(fēng)洞試驗研究
      重慶建筑(2014年12期)2014-07-24 14:00:32
      高速鐵路接觸線覆冰后氣動力特性的風(fēng)洞試驗研究
      404 Not Found

      404 Not Found


      nginx
      湘阴县| 于都县| 广德县| 铜陵市| 万宁市| 沭阳县| 来凤县| 荣昌县| 张掖市| 保定市| 扬州市| 东港市| 石林| 双桥区| 辽宁省| 高密市| 诸暨市| 通化市| 琼结县| 临桂县| 枣阳市| 浑源县| 广灵县| 元朗区| 房产| 崇左市| 潮州市| 泰来县| 紫金县| 布尔津县| 广安市| 昌平区| 东安县| 平远县| 九寨沟县| 阿合奇县| 北流市| 双辽市| 吉水县| 东乌珠穆沁旗| 玉田县|