張晨曦，唐 曙，唐 珂

（1.中國(guó)科學(xué)技術(shù)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，合肥 230000；2.中國(guó)文昌航天發(fā)射場(chǎng)指揮控制中心，海南文昌 571300；3.南方科技大學(xué)計(jì)算機(jī)科學(xué)與工程系，廣東深圳 518000）

0 引言

火箭發(fā)動(dòng)機(jī)是運(yùn)載火箭的飛行動(dòng)力核心，其組成復(fù)雜，工作環(huán)境惡劣，高頻振蕩、高溫低溫共存［1］，因此任何細(xì)小的異常在這樣的條件下都易快速發(fā)展，極具破壞性，導(dǎo)致發(fā)射失敗，帶來(lái)巨大損失。在航天飛行史上，因發(fā)動(dòng)機(jī)故障導(dǎo)致的失敗次數(shù)超過(guò)總失敗次數(shù)的50%［2］。因此，對(duì)發(fā)動(dòng)機(jī)的異常檢測(cè)可以幫助人們：1）在研制階段發(fā)現(xiàn)設(shè)計(jì)或工藝的缺陷等潛在隱患；2）在測(cè)試階段防止火箭帶故障飛行，最大限度地規(guī)避發(fā)射風(fēng)險(xiǎn)；3）在飛行階段挖掘發(fā)動(dòng)機(jī)運(yùn)行的異常和不足，為發(fā)動(dòng)機(jī)性能優(yōu)化改進(jìn)提供反饋，提高航天裝備試驗(yàn)鑒定能力。

目前工程應(yīng)用中，常用的檢測(cè)方法以紅線法、專家系統(tǒng)法為主［3］，但隨著大推力火箭、可回收等新技術(shù)的應(yīng)用，火箭信息化和復(fù)雜度大幅提升，這些方法顯露出了檢測(cè)誤差偏大、規(guī)則維護(hù)成本急劇增加、檢測(cè)時(shí)效滯后等局限性。近幾年來(lái)，得益于積累的海量數(shù)據(jù)，深度學(xué)習(xí)等新技術(shù)在不依賴專家知識(shí)的前提下將機(jī)器視覺、自然語(yǔ)言處理推向了工程化應(yīng)用［4-6］。反觀航天領(lǐng)域，火箭型號(hào)種類多，單型號(hào)尤其是新火箭樣本有限，數(shù)據(jù)積累及共享困難，嚴(yán)重制約了目前主流機(jī)器學(xué)習(xí)技術(shù)在航天領(lǐng)域的應(yīng)用。

對(duì)于航天領(lǐng)域這樣的小樣本領(lǐng)域，只依靠領(lǐng)域?qū)＜?，難以快速形成評(píng)估能力，只依靠數(shù)據(jù)又缺乏大規(guī)模用于表征學(xué)習(xí)的數(shù)據(jù)集。因此本文的研究動(dòng)機(jī)就是結(jié)合專家知識(shí)和數(shù)據(jù)驅(qū)動(dòng)來(lái)解決傳統(tǒng)方法的不足，具體是以發(fā)動(dòng)機(jī)為研究對(duì)象，通過(guò)領(lǐng)域知識(shí)構(gòu)建特征空間，利用遷移學(xué)習(xí)來(lái)處理樣本規(guī)模有限導(dǎo)致的評(píng)估模型性能低問(wèn)題。本文針對(duì)YF-75 和YF-77 液體發(fā)動(dòng)機(jī)飛行任務(wù)數(shù)據(jù)，進(jìn)行預(yù)處理后構(gòu)建特征空間，選擇k最近鄰（k-Nearest Neighbors，kNN）與支持向量機(jī)（Support Vector Machine，SVM）兩種分類模型驗(yàn)證了實(shí)例遷移、模型遷移方法對(duì)YF-77發(fā)動(dòng)機(jī)參數(shù)異常檢測(cè)模型訓(xùn)練和優(yōu)化的有效性。

1 背景及現(xiàn)狀

1.1 火箭發(fā)動(dòng)機(jī)參數(shù)評(píng)估內(nèi)容

火箭發(fā)動(dòng)機(jī)包括渦輪泵、燃燒室等部件，每個(gè)部件上安裝有不同傳感器，分別測(cè)量不同的指標(biāo)（如溫度、壓力、流量），業(yè)內(nèi)通常稱為遙測(cè)參數(shù)（或參數(shù)），通常一次飛行任務(wù)中與發(fā)動(dòng)機(jī)有關(guān)的參數(shù)個(gè)數(shù)在2 000～2 500。

發(fā)動(dòng)機(jī)工作主要有三種過(guò)程（或狀態(tài)），分別為啟動(dòng)、額定工作（或滿工況）和關(guān)機(jī)過(guò)程。圖1 展示了三種過(guò)程的異常檢測(cè)步驟。

圖1 在各個(gè)過(guò)程檢測(cè)發(fā)動(dòng)機(jī)參數(shù)狀態(tài)Fig.1 Checking engine parameter status in different processes

其中啟動(dòng)、關(guān)機(jī)過(guò)程是十分復(fù)雜的瞬變過(guò)程，短時(shí)間內(nèi)大量參數(shù)會(huì)發(fā)生劇烈變化，實(shí)踐表明發(fā)動(dòng)機(jī)的大部分故障都發(fā)生在這樣的瞬變過(guò)程［7］。三類過(guò)程都有固有的關(guān)鍵指標(biāo)來(lái)描述其狀態(tài)，以氧泵轉(zhuǎn)速的啟動(dòng)過(guò)程為例，表1 展示了其關(guān)鍵指標(biāo)、物理意義及指標(biāo)異常的潛在典型故障模式。

表1 氧泵轉(zhuǎn)速啟動(dòng)過(guò)程的關(guān)鍵指標(biāo)Tab.1 Key indicators of oxygen pump speed in startup

1.2 參數(shù)異常檢測(cè)方法現(xiàn)狀

紅線法、專家系統(tǒng)和機(jī)器學(xué)習(xí)是火箭參數(shù)異常檢測(cè)中常用的三類方法：

1）紅線法包括閾值法和包絡(luò)法，前者是不帶時(shí)間維的理論常量區(qū)間；后者根據(jù)歷史正常數(shù)據(jù)生成帶時(shí)間維度的包絡(luò)上下限。

2）專家系統(tǒng)，是由火箭領(lǐng)域?qū)＜彝ㄟ^(guò)領(lǐng)域知識(shí)和經(jīng)驗(yàn)得到的狀態(tài)判決規(guī)則［8］。

3）國(guó)內(nèi)從20 世紀(jì)90 年代開始至今，先后應(yīng)用SVM、神經(jīng)網(wǎng)絡(luò)和時(shí)間序列分析等方法開展對(duì)發(fā)動(dòng)機(jī)故障檢測(cè)與診斷的研究［9-10］。

以上方法都有著各自的特點(diǎn)和適用情況。閾值法丟失了時(shí)間維，常用于檢測(cè)當(dāng)前時(shí)刻的狀態(tài)，且精度不高［11］；包絡(luò)法則受樣本規(guī)模和方法本身的制約，假陽(yáng)性和假陰性現(xiàn)象嚴(yán)重。紅線法還對(duì)噪聲敏感，難以適用于參數(shù)規(guī)模大或者樣本少等情況，檢測(cè)誤差一般較大：如果誤判會(huì)加重人工篩選的負(fù)擔(dān)，提高了人力成本；如果漏判則降低了方法可信度，增加了飛行風(fēng)險(xiǎn)。

專家系統(tǒng)則受制于專家知識(shí)，發(fā)動(dòng)機(jī)系統(tǒng)覆蓋學(xué)科領(lǐng)域廣泛，知識(shí)表述困難。規(guī)則建立過(guò)程復(fù)雜耗時(shí)，規(guī)則質(zhì)量受專家能力和經(jīng)驗(yàn)制約；規(guī)則對(duì)技術(shù)狀態(tài)變化敏感，導(dǎo)致了專家規(guī)則更新維護(hù)代價(jià)高昂。

機(jī)器學(xué)習(xí)方法則主要受制于樣本規(guī)模和質(zhì)量［11］，航天領(lǐng)域單型號(hào)尤其新型發(fā)動(dòng)機(jī)的樣本較少，而且數(shù)據(jù)的采集、分類和處理標(biāo)準(zhǔn)也不夠規(guī)范統(tǒng)一，導(dǎo)致預(yù)處理難度大，這些都嚴(yán)重阻礙了大規(guī)模的表征學(xué)習(xí)和模型訓(xùn)練［2］。

2 基于遷移學(xué)習(xí)的參數(shù)異常檢測(cè)

遷移學(xué)習(xí)的目的就是設(shè)法將相近或相似領(lǐng)域的數(shù)據(jù)、知識(shí)等信息實(shí)現(xiàn)共用，一般將遷移信息的來(lái)源稱為遷移領(lǐng)域，將遷移信息的去向稱為目標(biāo)領(lǐng)域，來(lái)解決目標(biāo)領(lǐng)域樣本規(guī)模不足給模型訓(xùn)練帶來(lái)的制約，從而有效解決小樣本領(lǐng)域應(yīng)用機(jī)器學(xué)習(xí)的困境［11-14］。按照遷移的信息內(nèi)容可以分為實(shí)例遷移、特征遷移、模型遷移、關(guān)系遷移［11］。目前遷移學(xué)習(xí)的有效性已經(jīng)在圖像檢索、語(yǔ)音識(shí)別、文本分類和語(yǔ)義分析等領(lǐng)域得到充分的驗(yàn)證［15-17］，在航天領(lǐng)域應(yīng)用還處于起步階段。

YF-77 液體火箭發(fā)動(dòng)機(jī)作為新型發(fā)動(dòng)機(jī)，樣本規(guī)模太少，異常檢測(cè)分類模型無(wú)法進(jìn)行有效的訓(xùn)練，因此本文引入成熟型號(hào)YF-75發(fā)動(dòng)機(jī)的樣本數(shù)據(jù)和其異常檢測(cè)模型等信息遷移到Y(jié)F-77領(lǐng)域，實(shí)現(xiàn)發(fā)動(dòng)機(jī)參數(shù)異常檢測(cè)，以完成火箭飛行階段的狀態(tài)監(jiān)測(cè)，為指揮決策和故障診斷提供輔助的支撐信息。

在具體遷移的實(shí)踐中，將面臨如下問(wèn)題：

1）YF-75與YF-77兩型發(fā)動(dòng)機(jī)的相似性；

2）如何處理兩個(gè)領(lǐng)域之間的差異；

3）如何構(gòu)建有效的特征向量；

4）選擇恰當(dāng)?shù)臋C(jī)器學(xué)習(xí)分類模型；

5）使用何種遷移方法。

本文將分別在2.1、2.2、2.3、2.4、3.1 節(jié)詳細(xì)論述以上問(wèn)題。

2.1 兩型發(fā)動(dòng)機(jī)的相似性分析

為面向現(xiàn)實(shí)應(yīng)用需求，本文以YF-75 和YF-77 型液體發(fā)動(dòng)機(jī)分別作為遷移領(lǐng)域和目標(biāo)領(lǐng)域，其中YF-75 型發(fā)動(dòng)機(jī)執(zhí)行任務(wù)次數(shù)較多，共有352 個(gè)樣本；而YF-77 是近年研制成熟的新型發(fā)動(dòng)機(jī)，目前僅有24個(gè)樣本。

根據(jù)這兩型發(fā)動(dòng)機(jī)的設(shè)計(jì)原理，它們都屬于氫氧發(fā)動(dòng)機(jī)，燃燒方式都是燃?xì)獍l(fā)生器循環(huán)，并且具有相同的分系統(tǒng)構(gòu)造，主要性能如比沖、推進(jìn)劑混合比等相近，二者的共有參數(shù)占YF-77 所有參數(shù)的58%，其中關(guān)鍵參數(shù)更是高達(dá)73%，且這些參數(shù)在啟動(dòng)、額定工作和關(guān)機(jī)三個(gè)過(guò)程中具有相同的變化趨勢(shì)，只是在具體數(shù)值上有差別。

以氧泵轉(zhuǎn)速為例，它是專家評(píng)估發(fā)動(dòng)機(jī)狀態(tài)時(shí)首要關(guān)注的參數(shù)之一，并常使用｛啟動(dòng)時(shí)長(zhǎng)，最終穩(wěn)定值，（最終穩(wěn)定值-起始數(shù)據(jù)值）/相應(yīng)時(shí)間差，相鄰數(shù)據(jù)點(diǎn)斜率之平均值，相鄰數(shù)據(jù)點(diǎn)斜率之標(biāo)準(zhǔn)差｝五個(gè)特征值作為評(píng)價(jià)泵轉(zhuǎn)速的主要依據(jù)，記為｛T，R，d（R），E（d），S（d）｝。其樣本已經(jīng)基于專家系統(tǒng)對(duì)其進(jìn)行正常與異常的二分類標(biāo)注，表2展示了兩型發(fā)動(dòng)機(jī)五個(gè)特征值在正常和異常下的區(qū)間變化情況（數(shù)據(jù)經(jīng)變換已脫密）。

計(jì)算兩發(fā)動(dòng)機(jī)之間各特征值正常樣本區(qū)間的左邊界數(shù)值的差距除以兩個(gè)左邊界數(shù)值的平均值依次是17.74%、1.85%、6.62%、4.41%、17.16%，右邊界依次是2.11%、0.66%、1.07%、3.89%、12.40%；二者異常樣本區(qū)間的分布都明顯異于正常樣本，且各特征值異常樣本區(qū)間的左邊界差距除以兩個(gè)左邊界數(shù)值的平均值依次是9.22%、23.92%、11.35%、5.96%、20.56%，右邊界依次是6.90%、0.40%、5.47%、11.99%、7.92%。從原理、構(gòu)造和數(shù)據(jù)統(tǒng)計(jì)的角度都說(shuō)明了兩型發(fā)動(dòng)機(jī)的相似性，本文還將在第3 章的實(shí)驗(yàn)中充分驗(yàn)證遷移的有效性。

表2 YF-75和YF-77氧泵轉(zhuǎn)速正常、異常樣本數(shù)值區(qū)間Tab.2 Value ranges of normal and abnormal samples of oxygen pump speed in YF-75 and YF-77

2.2 針對(duì)數(shù)據(jù)差異進(jìn)行預(yù)處理

2.2.1 時(shí)間對(duì)齊

不同任務(wù)中各發(fā)動(dòng)機(jī)的T0（發(fā)動(dòng)機(jī)點(diǎn)火啟動(dòng)的時(shí)刻）是互不相同的，為了保證各時(shí)間序列的開始時(shí)刻對(duì)齊，需要將啟動(dòng)過(guò)程樣本中所有時(shí)間記錄值都減去對(duì)應(yīng)的T0，使得每個(gè)樣本都以0 s為開始。

2.2.2 數(shù)據(jù)歸一化

相同類型參數(shù)在不同發(fā)動(dòng)機(jī)中，其設(shè)計(jì)額定工作值可能存在差異；即使在同型號(hào)發(fā)動(dòng)機(jī)的不同飛行任務(wù)中，其實(shí)際額定工作值也不完全一致。為了關(guān)注變化趨勢(shì)，本研究對(duì)每段數(shù)據(jù)樣本進(jìn)行歸一化處理：對(duì)同一型號(hào)發(fā)動(dòng)機(jī)，首先篩選所有啟動(dòng)過(guò)程正常的參數(shù)樣本，去除噪聲后，獲取其中各樣本的最大值和最小值，分別記為MAXrated和MINrated；然后以“MINrated值轉(zhuǎn)換為0，MAXrated值轉(zhuǎn)換為1”作為縮放標(biāo)準(zhǔn)，預(yù)處理所有樣本（包括正常和異常）啟動(dòng)過(guò)程的時(shí)間序列值，例如對(duì)于任意value值，它將被歸一化為：

2.3 特征空間構(gòu)建

本文希望找到恰當(dāng)?shù)奶卣飨蛄?，它既能區(qū)分正常與異常樣本的特征，又能同時(shí)刻畫出該參數(shù)在不同領(lǐng)域的變化趨勢(shì)。

2.3.1 特征對(duì)正常與異常的區(qū)分性

國(guó)內(nèi)研究人員曾對(duì)氫氧發(fā)動(dòng)機(jī)的故障模式做出分類和仿真［1］，從已有故障模式中總結(jié)出與氧泵轉(zhuǎn)速有關(guān)的6種典型異常表征，如表3 所示，同時(shí)基于領(lǐng)域知識(shí)將異常表征現(xiàn)象與表1 中啟動(dòng)過(guò)程發(fā)動(dòng)關(guān)鍵指標(biāo)、專家系統(tǒng)的五個(gè)特征值做出關(guān)聯(lián)對(duì)應(yīng)。

以YF-75 型發(fā)動(dòng)機(jī)氧泵轉(zhuǎn)速為例，針對(duì)每一類異常表征取一個(gè)異常樣本，同時(shí)取一個(gè)正常樣本作對(duì)比，如圖2所示。

圖2 YF-75型啟動(dòng)過(guò)程氧泵轉(zhuǎn)速正常樣本與異常樣本之間的時(shí)間序列數(shù)據(jù)曲線對(duì)比Fig.2 Curve comparison of time series data of normal and abnormal samples of oxygen pump speed during YF-75 startup

為進(jìn)一步驗(yàn)證專家常用的5 個(gè)特征值的有效性，本研究在此基礎(chǔ)上，再添加｛平均值，最大值，最小值，（最大值-最小值）/相應(yīng)時(shí)間差，標(biāo)準(zhǔn)差｝這些常見的統(tǒng)計(jì)特征，分別記作｛E，Max，Min，d（M），S｝，共組成一個(gè)10 維向量，然后進(jìn)行偏最小二乘回歸（Partial Least Squares Regression，PLSR）分析，如圖3所示，得到不同特征與樣本標(biāo)注的相關(guān)性。

圖3 YF-75發(fā)動(dòng)機(jī)氧泵轉(zhuǎn)速的PLSR結(jié)果Fig.3 PLSR results of YF-75 oxygen pump speed

表3 典型的異常表征現(xiàn)象及對(duì)應(yīng)的啟動(dòng)關(guān)鍵指標(biāo)和專家特征值Tab.3 Classic abnormal representation phenomena and corresponding key indicators，expert feature values

可以看出，對(duì)于氧泵轉(zhuǎn)速而言，｛T，R，d（R），E（d），S（d）｝確實(shí)與標(biāo)注結(jié)果的相關(guān)性更大；因此該特征向量滿足了物理意義和統(tǒng)一意義上的解釋，能夠區(qū)分正常與異常樣本的不同。

2.3.2 刻畫兩個(gè)領(lǐng)域的趨勢(shì)

目前仍需明確該特征向量是否能夠較好地同時(shí)刻畫出該參數(shù)在不同領(lǐng)域的變化趨勢(shì)，從而確定這一特征向量在遷移過(guò)程中能否有效發(fā)揮作用。首先由表2可以看出，在YF-75和YF-77 發(fā)動(dòng)機(jī)氧泵轉(zhuǎn)速樣本集之間，用該特征向量表示的正常樣本區(qū)間是相似的，異常樣本區(qū)間也是相似的。

而除了這些領(lǐng)域?qū)I(yè)知識(shí)和統(tǒng)計(jì)信息，本研究通過(guò)第3章設(shè)計(jì)的遷移實(shí)驗(yàn)來(lái)驗(yàn)證：如果有遷移的機(jī)器學(xué)習(xí)方法優(yōu)于無(wú)遷移的機(jī)器學(xué)習(xí)方法，則可以說(shuō)明這個(gè)特征向量能夠刻畫兩個(gè)領(lǐng)域的變化趨勢(shì)并有效地用于遷移學(xué)習(xí)中。

2.4 異常檢測(cè)分類模型

遷移學(xué)習(xí)的目的是解決傳統(tǒng)機(jī)器學(xué)習(xí)在小樣本領(lǐng)域的性能，因此依然需要選擇合適的機(jī)器學(xué)習(xí)算法，基于已有的研究［1，9］，本文選用的是kNN和SVM算法。

2.4.1kNN分類模型

kNN算法的步驟如下所示：

輸入：特征向量表示的氧泵轉(zhuǎn)速訓(xùn)練樣本集、測(cè)試樣本集；

輸出：測(cè)試樣本集的kNN分類結(jié)果正確率。

1）對(duì)某測(cè)試樣本，計(jì)算與各訓(xùn)練樣本的距離，按距離從小到大進(jìn)行排序；

2）選取距離最小的k個(gè)訓(xùn)練樣本（本文實(shí)驗(yàn)中取k=3）；

3）確定前k個(gè)訓(xùn)練樣本中，兩個(gè)類別的出現(xiàn)頻率；

4）將出現(xiàn)頻率最高的類別作為該測(cè)試樣本分類結(jié)果；

5）重復(fù)步驟1）～4），得到測(cè)試集的所有分類結(jié)果，與已有標(biāo)注比對(duì)計(jì)算正確率。

其中kNN 算法里的距離度量使用的是標(biāo)準(zhǔn)化歐氏距離，設(shè)樣本1 的特征向量為A=（a1，a2，a3，a4，a5），樣本2 的特征向量為B=（b1，b2，b3，b4，b5），si是樣本集的第i維特征值的標(biāo)準(zhǔn)差，其二者距離d(A，B)計(jì)算公式如下：

2.4.2 SVM分類模型

SVM算法的步驟如下所示：

輸入：特征向量表示的氧泵轉(zhuǎn)速訓(xùn)練樣本集、測(cè)試樣本集；

輸出：測(cè)試樣本集的SVM分類結(jié)果正確率。

1）構(gòu)建SVM優(yōu)化函數(shù)；

2）使用SMO 算法基于訓(xùn)練集求解SVM 模型的二分類分界面參數(shù)；

3）對(duì)某測(cè)試樣本，通過(guò)已建立模型計(jì)算得到分類值；

4）如果分類值大于0，則判定該測(cè)試樣本屬于第1 類，否則屬于第二類；

5）重復(fù)步驟3）～4），得到測(cè)試集所有分類結(jié)果，與標(biāo)注并比對(duì)計(jì)算正確率。

設(shè)訓(xùn)練樣本數(shù)量為n，特征矩陣為X=（x1，x2，…，xn），標(biāo)簽向量為Y=（y1，y2，…，yn），求解滿足式（2）中優(yōu)化函數(shù)的W和b，即可得到SVM的超分類平面XTW+b=0。

3 實(shí)驗(yàn)及分析

3.1 實(shí)驗(yàn)設(shè)置

待研究對(duì)象是YF-77 型發(fā)動(dòng)機(jī)氧泵轉(zhuǎn)速，其樣本規(guī)模較小，是目標(biāo)領(lǐng)域；遷移領(lǐng)域是YF-75 型發(fā)動(dòng)機(jī)氧泵轉(zhuǎn)速樣本集，其規(guī)模較大。首先以傳統(tǒng)的包絡(luò)法為比較對(duì)象，驗(yàn)證kNN和SVM（本文使用的訓(xùn)練集與測(cè)試集均為噪聲較大的飛行實(shí)戰(zhàn)數(shù)據(jù)，復(fù)現(xiàn)的SVM 實(shí)驗(yàn)精度略低于文獻(xiàn)［9］中采用仿真和試車數(shù)據(jù)的結(jié)果）算法在大樣本數(shù)據(jù)集中確實(shí)有優(yōu)于包絡(luò)法的表現(xiàn)，見對(duì)照實(shí)驗(yàn)1 和2；然后觀察這兩個(gè)算法在小樣本領(lǐng)域是否優(yōu)于包絡(luò)法，見對(duì)照實(shí)驗(yàn)3和4，如果并不優(yōu)于，再使用遷移方法，觀測(cè)實(shí)驗(yàn)5和6對(duì)比遷移是否有效。

在具體的遷移方法上，本文使用了基于實(shí)例、基于模型的遷移，其流程如圖4所示。實(shí)例遷移是將YF-75發(fā)動(dòng)機(jī)氧泵轉(zhuǎn)速的樣本實(shí)例作為信息，在YF-77 模型建立前作為異常檢測(cè)分類模型的數(shù)據(jù)輸入；模型遷移是將YF-75 已經(jīng)建立好的異常檢測(cè)分類模型作為信息，傳遞給YF-77領(lǐng)域使用；最終都需要通過(guò)測(cè)試集對(duì)比結(jié)果計(jì)算性能。

圖4 基于實(shí)例和基于模型的遷移學(xué)習(xí)流程Fig.4 Flowcharts of transfer learning based on instance and transfer learning based on model

圖5 直觀地展示了實(shí)驗(yàn)設(shè)置與流程，表4 和表5 詳細(xì)介紹了各實(shí)驗(yàn)組的內(nèi)容。為了通過(guò)對(duì)比檢驗(yàn)遷移策略的有效性，需要設(shè)定能夠合理評(píng)價(jià)模型異常檢測(cè)性能的標(biāo)準(zhǔn)。

圖5 實(shí)驗(yàn)設(shè)置與流程Fig.5 Experimental setting and process

為了更完備地發(fā)現(xiàn)所有異常狀態(tài)，希望評(píng)估系統(tǒng)首先盡量不遺漏任何可能的異常，同時(shí)不應(yīng)隨意提示異常，否則會(huì)導(dǎo)致下一步耗費(fèi)大量人工篩選成本。因此實(shí)驗(yàn)以漏報(bào)率（Missing_Alarm）和誤報(bào)率（False_Alarm）作為“異常狀態(tài)篩選性能”的評(píng)判指標(biāo)。

假設(shè)有NN個(gè)類別為Normal（正常）的樣本被分類為Normal，有AN個(gè)類別為Normal 的樣本被分類為Abnormal；有AA個(gè)類別為Abnormal（異常）的樣本被分類為Abnormal，有NA個(gè)類別為Abnormal的樣本被分類為Normal，漏報(bào)率和誤報(bào)率的計(jì)算公式分別如下：

漏報(bào)率計(jì)算多少異常樣本被模型遺漏，誤報(bào)率關(guān)注多少正常樣本被模型誤認(rèn)為異常。理想情況下，這兩個(gè)指標(biāo)都等于零，但實(shí)際中二者是很難同時(shí)降低的，漏報(bào)率的降低一般帶來(lái)誤報(bào)率的增長(zhǎng)，誤報(bào)率的降低往往導(dǎo)致漏報(bào)率的增長(zhǎng)。綜上，對(duì)于火箭發(fā)動(dòng)機(jī)而言，一個(gè)好的參數(shù)異常檢測(cè)系統(tǒng)，應(yīng)首先滿足低漏報(bào)率，再盡量滿足低誤報(bào)率。

表4 包絡(luò)法與無(wú)遷移機(jī)器學(xué)習(xí)在不同規(guī)模數(shù)據(jù)集上的實(shí)驗(yàn)設(shè)置對(duì)比Tab.4 Experimental setting comparison of envelope method and traditional machine learning on different scale datasets

表5 包絡(luò)法、無(wú)遷移機(jī)器學(xué)習(xí)和遷移學(xué)習(xí)在目標(biāo)領(lǐng)域上的實(shí)驗(yàn)設(shè)置對(duì)比Tab.5 Experimental setting comparison of envelope method，traditional machine learning and transfer learning in target domain

3.2 結(jié)果分析

實(shí)驗(yàn)結(jié)果如表6 和表7 所示，通過(guò)觀察對(duì)比，由表6 可得到：

1）在包絡(luò)法中，當(dāng)數(shù)據(jù)量增多時(shí)，誤報(bào)率會(huì)降低，但漏報(bào)率會(huì)增長(zhǎng)，說(shuō)明隨著標(biāo)注正常樣本的增多，包絡(luò)上限會(huì)升高，包絡(luò)下限會(huì)降低，導(dǎo)致可能更多的異常樣本被包絡(luò)涵蓋。

2）當(dāng)數(shù)據(jù)規(guī)模較大時(shí)，無(wú)遷移kNN、SVM 方法的漏報(bào)率（10.23%、12.50%）、誤報(bào)率（9.97%、9.31%），分別低于包絡(luò)法的漏報(bào)率（59.09%）、誤報(bào)率（26.88%），說(shuō)明提取的特征向量可以較好體現(xiàn)正常樣本與異常樣本的區(qū)別。

3）當(dāng)數(shù)據(jù)規(guī)模較小時(shí)，無(wú)遷移kNN、SVM 方法的漏報(bào)率（58.33%、41.67%）和誤報(bào)率（41.67%、60.83%），都比數(shù)據(jù)規(guī)模較大時(shí)相應(yīng)地要高，說(shuō)明無(wú)遷移的kNN、SVM方法受制于數(shù)據(jù)規(guī)模，當(dāng)數(shù)據(jù)集較小時(shí)難以發(fā)揮效果。

4）即使表現(xiàn)最好的對(duì)照實(shí)驗(yàn)2，依然存在漏報(bào)和誤報(bào)的樣本，觀察每次kNN、SVM 的漏報(bào)和誤報(bào)樣本，都處在決策邊界附近，說(shuō)明當(dāng)前提取的特征未能完美區(qū)分出一些特殊樣本，后續(xù)實(shí)驗(yàn)可以嘗試通過(guò)修改特征權(quán)重調(diào)整決策邊界。

由表7可以得到：

5）觀測(cè)實(shí)驗(yàn)5 的漏報(bào)率（14.00%、18.00%）和觀測(cè)實(shí)驗(yàn)6的漏報(bào)率（12.50%、25.00%），都低于對(duì)照實(shí)驗(yàn)3、4 漏報(bào)率的最小值（33.33%）；觀測(cè)實(shí)驗(yàn)5 的誤報(bào)率（17.68%、13.53%）和觀測(cè)實(shí)驗(yàn)6的誤報(bào)率（22.22%、14.29%），都低于對(duì)照實(shí)驗(yàn)3、4誤報(bào)率的最小值（41.67%）；說(shuō)明基于實(shí)例和基于模型的遷移策略都能提高kNN、SVM模型的分類性能。

6）兩個(gè)遷移學(xué)習(xí)組的漏報(bào)率和誤報(bào)率都略高于YF-75 的無(wú)遷移機(jī)器學(xué)習(xí)組，且基于實(shí)例的kNN 和SVM 表現(xiàn)略優(yōu)于基于模型的相應(yīng)方法。對(duì)于模型遷移而言，可能是沒有調(diào)整參數(shù)，下一步可以比較調(diào)整不同參數(shù)對(duì)模型遷移的影響；對(duì)于實(shí)例遷移而言，原因可能是目標(biāo)領(lǐng)域和遷移領(lǐng)域樣本使用的是相同權(quán)重，下一步可以比較調(diào)整不同權(quán)重對(duì)實(shí)例遷移的影響。

7）觀測(cè)實(shí)驗(yàn)5和6同樣存在漏報(bào)和誤報(bào)的樣本，其原因可能包括特征權(quán)重，以及遷移過(guò)程中的樣本權(quán)重或者模型參數(shù)。

表6 包絡(luò)法與無(wú)遷移機(jī)器學(xué)習(xí)在不同規(guī)模數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果對(duì)比Tab.6 Experimental result comparison of envelope method and traditional machine learning on different scale datasets

表7 包絡(luò)法、無(wú)遷移機(jī)器學(xué)習(xí)和遷移學(xué)習(xí)在目標(biāo)領(lǐng)域上的對(duì)比實(shí)驗(yàn)結(jié)果Tab.7 Experimental result comparison of envelope method，traditional machine learning and transfer learning in target domain

3.3 結(jié)論

由實(shí)驗(yàn)結(jié)果分析可以得出結(jié)論：

1）包絡(luò)法在不同量級(jí)樣本的領(lǐng)域中都具有局限性；

2）無(wú)遷移的機(jī)器學(xué)習(xí)方法適合大樣本集的參數(shù)異常檢測(cè)，而在小樣本領(lǐng)域具有局限性；

3）在數(shù)據(jù)量較少的YF-77 型發(fā)動(dòng)機(jī)小樣本領(lǐng)域，經(jīng)過(guò)時(shí)間對(duì)齊、數(shù)據(jù)歸一化得到樣本，經(jīng)過(guò)特征空間構(gòu)建得到特征向量后，使用基于實(shí)例遷移的kNN、SVM機(jī)器學(xué)習(xí)方法對(duì)氧泵轉(zhuǎn)速建立分類模型，在測(cè)試集的漏報(bào)率相比無(wú)遷移的kNN、SVM分別降低了44.33 個(gè)百分點(diǎn)、23.67 個(gè)百分點(diǎn)，平均34.00 個(gè)百分點(diǎn)，誤報(bào)率分別降低了23.99個(gè)百分點(diǎn)、47.30個(gè)百分點(diǎn)，平均35.64 個(gè)百分點(diǎn)；使用基于模型遷移的kNN、SVM 建立的模型，在測(cè)試集的漏報(bào)率相比無(wú)遷移的kNN、SVM分別降低了45.83 個(gè)百分點(diǎn)、16.67 個(gè)百分點(diǎn)，平均31.25 個(gè)百分點(diǎn)，誤報(bào)率分別降低了19.45 個(gè)百分點(diǎn)、46.54 個(gè)百分點(diǎn)，平均32.99個(gè)百分點(diǎn)。圖6 使用直方圖更加直觀展示了實(shí)驗(yàn)結(jié)果，兩種遷移方法都比相應(yīng)無(wú)遷移的方法，在漏報(bào)率和誤報(bào)率上降低了30個(gè)以上的百分點(diǎn)，模型性能得到較顯著的提升。

圖6 無(wú)遷移、基于遷移的分類模型漏報(bào)率和誤報(bào)率Fig.6 Missing and false alarm rates of classification models without and based on transfer

4 結(jié)語(yǔ)

本文探索了YF-75 與YF-77 兩型氫氧發(fā)動(dòng)機(jī)之間的共性知識(shí)及可遷移性，通過(guò)構(gòu)建合適的特征空間，采用實(shí)例遷移和模型遷移的方法，以YF-75、YF-77 型發(fā)動(dòng)機(jī)啟動(dòng)過(guò)程氧泵轉(zhuǎn)速數(shù)據(jù)集為例，通過(guò)設(shè)置四組實(shí)驗(yàn)有效驗(yàn)證了相比包絡(luò)法和無(wú)遷移對(duì)照，遷移對(duì)照組的kNN、SVM分類器在異常檢測(cè)的精度上得到極大提高。

雖然驗(yàn)證了遷移的有效性，但仍存在如下問(wèn)題亟待解決：

1）目前只關(guān)注單個(gè)參數(shù)的異常檢測(cè)，而沒有對(duì)發(fā)動(dòng)機(jī)的狀態(tài)進(jìn)行評(píng)估，發(fā)動(dòng)機(jī)狀態(tài)是由多個(gè)參數(shù)聯(lián)合決定的，因此需要采用分層的方式提取特征，下一步將嘗試在遷移的前提下利用神經(jīng)網(wǎng)絡(luò)來(lái)解決這一問(wèn)題。

2）不同參數(shù)之間存在各類關(guān)聯(lián)，例如因果、并發(fā)、冗余關(guān)系，下一步試圖通過(guò)關(guān)聯(lián)規(guī)則挖掘來(lái)獲得參數(shù)間的關(guān)聯(lián)關(guān)系，進(jìn)一步從數(shù)據(jù)的角度去發(fā)掘發(fā)動(dòng)機(jī)技術(shù)特點(diǎn)。

3）遷移的內(nèi)容還包括特征向量、特征權(quán)重、參數(shù)權(quán)重、參數(shù)關(guān)系等，下一步將研究特征、關(guān)系的遷移學(xué)習(xí)對(duì)目標(biāo)領(lǐng)域的建模影響。