基于卷积神经网络的飞行中新颖性检测
机器学习
2024-08-20 v1
摘要
燃气涡轮发动机是复杂机械，通常产生海量数据，并需要细致监控以实现高性价比的预防性维护。在航空航天应用中，将所有测量数据传回地面成本高昂，常导致有用、高价值的数据被丢弃。因此，实时检测、优先处理并返回有用数据至关重要。本文提出，由 normality（常态）的卷积神经网络模型所描述的系统输出测量值，被实时优先化处理以供预防性维护决策者关注。由于燃气涡轮发动机时变行为复杂，推导精确的物理模型十分困难，且常导致预测精度低、与实时执行不兼容的模型。数据驱动建模是一种理想的替代方案，可在无需从第一性原理推导的情况下产生高精度、针对特定资产的模型。我们提出了一种用于异常数据在线检测与优先化的数据驱动系统。通过集成于深度神经预测模型中的不确定性管理，避免了由新颖运行条件引起的有偏数据评估。测试在真实与合成数据上进行，显示出对真实与合成故障的敏感性。该系统能够在低功耗嵌入式硬件上实时运行，目前已在 Rolls-Royce Pearl 15 发动机飞行试验中部署。
引用
@article{arxiv.2112.03765,
title = {In-flight Novelty Detection with Convolutional Neural Networks},
author = {Adam Hartwell and Felipe Montana and Will Jacobs and Visakan Kadirkamanathan and Andrew R Mills and Tom Clark},
journal= {arXiv preprint arXiv:2112.03765},
year = {2024}
}