论文部分内容阅读
复杂结构动态系统在长时间运行过程中将会产生一系列测量数据,这些随时间变化的测量数据称为时间序列。然而,在系统实际运行过程中,由于外界干扰或自身故障等因素,系统的运行状态可能会发生异常变化,从而影响系统运行的稳定性和安全可靠性。为了能及时发现系统状态的异常变化并做出有效预防措施,因此,研究时间序列异常检测是一项具有实际意义的工作。论文总结时间序列的三种常见异常情况,分别为点异常、模式异常以及序列异常。本文主要研究时间序列的模式异常检测,包括一维以及多维时间序列模式异常检测。在一维模式异常检测中,从时间序列相似性度量以及分类的角度入手进行基于形态变化的模式表示方法的改进。在一维时序数据模式异常检测中,改进了 DTW算法利用相似性系数体现模式异常情况以及基于模式特征的k-近邻的异常检测算法,采用异常因子来度量模式异常情况。在多维时间序列模式异常检测中,建立了基于Q滤波的检测算法和基于LSTM神经网络的检测算法,分别从滤波及预测角度入手进行异常检测。自主研制一套动态系统测量时序数据异常检测系统,在该系统中采用实际飞行器动量轮转速数据进行算法验证,结果表明该算法在异常检测中具有良好的可行性和适用性,并能提高异常检测精度。本文的主要创新点包括采用组合剔野方法进行时序数据预处理、改进模式表示方法实现时序数据的形态表示、建立MW-DTW算法与模式特征的k-近邻算法实现一维时序数据的异常检测、优化Q滤波检测算法和LSTM神经网络算法实现多维时序数据的异常检测。动态系统测量时序数据的异常变化检测是具有故障应用的实时监控系统的核心部分,例如设备监测,欺诈检测,网络入侵检测等领域。该研究为动态系统测量时序数据的异常变化检测工作提供实用方法和技术工具。本文工作受国家自然科学基金面上项目(编号:61473222,91646108)的资助。