張晨曦，唐 曙，唐 珂

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

0 引言

火箭發(fā)動機是運載火箭的飛行動力核心，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，帶來巨大損失。在航天飛行史上，因發(fā)動機故障導(dǎo)致的失敗次數(shù)超過總失敗次數(shù)的50%［2］。因此，對發(fā)動機的異常檢測可以幫助人們：1）在研制階段發(fā)現(xiàn)設(shè)計或工藝的缺陷等潛在隱患；2）在測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；3）在飛行階段挖掘發(fā)動機運行的異常和不足，為發(fā)動機性能優(yōu)化改進(jìn)提供反饋，提高航天裝備試驗鑒定能力。

目前工程應(yīng)用中，常用的檢測方法以紅線法、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誤差偏大、規(guī)則維護(hù)成本急劇增加、檢測時效滯后等局限性。近幾年來，得益于積累的海量數(shù)據(jù)，深度學(xué)習(xí)等新技術(shù)在不依賴專家知識的前提下將機器視覺、自然語言處理推向了工程化應(yīng)用［4-6］。反觀航天領(lǐng)域，火箭型號種類多，單型號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器學(xué)習(xí)技術(shù)在航天領(lǐng)域的應(yīng)用。

對于航天領(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。因此本文的研究動機就是結(jié)合專家知識和數(shù)據(jù)驅(qū)動來解決傳統(tǒng)方法的不足，具體是以發(fā)動機為研究對象，通過領(lǐng)域知識構(gòu)建特征空間，利用遷移學(xué)習(xí)來處理樣本規(guī)模有限導(dǎo)致的評估模型性能低問題。本文針對YF-75 和YF-77 液體發(fā)動機飛行任務(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（Support Vector Machine，SVM）兩種分類模型驗證了實例遷移、模型遷移方法對YF-77發(fā)動機參數(shù)異常檢測模型訓(xùn)練和優(yōu)化的有效性。

1 背景及現(xiàn)狀

1.1 火箭發(fā)動機參數(shù)評估內(nèi)容

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

發(fā)動機工作主要有三種過程（或狀態(tài)），分別為啟動、額定工作（或滿工況）和關(guān)機過程。圖1 展示了三種過程的異常檢測步驟。

圖1 在各個過程檢測發(fā)動機參數(shù)狀態(tài)Fig.1 Checking engine parameter status in different processes

其中啟動、關(guān)機過程是十分復(fù)雜的瞬變過程，短時間內(nèi)大量參數(shù)會發(fā)生劇烈變化，實踐表明發(fā)動機的大部分故障都發(fā)生在這樣的瞬變過程［7］。三類過程都有固有的關(guān)鍵指標(biāo)來描述其狀態(tài)，以氧泵轉(zhuǎn)速的啟動過程為例，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)速啟動過程的關(guān)鍵指標(biāo)Tab.1 Key indicators of oxygen pump speed in startup

1.2 參數(shù)異常檢測方法現(xiàn)狀

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

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^領(lǐng)域知識和經(jīng)驗得到的狀態(tài)判決規(guī)則［8］。

3）國內(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)和時間序列分析等方法開展對發(fā)動機故障檢測與診斷的研究［9-10］。

以上方法都有著各自的特點和適用情況。閾值法丟失了時間維，常用于檢測當(dāng)前時刻的狀態(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，假陽性和假陰性現(xiàn)象嚴(yán)重。紅線法還對噪聲敏感，難以適用于參數(shù)規(guī)模大或者樣本少等情況，檢測誤差一般較大：如果誤判會加重人工篩選的負(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。

專家系統(tǒng)則受制于專家知識，發(fā)動機系統(tǒng)覆蓋學(xué)科領(lǐng)域廣泛，知識表述困難。規(guī)則建立過程復(fù)雜耗時，規(guī)則質(zhì)量受專家能力和經(jīng)驗制約；規(guī)則對技術(shù)狀態(tài)變化敏感，導(dǎo)致了專家規(guī)則更新維護(hù)代價高昂。

機器學(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)域單型號尤其新型發(fā)動機的樣本較少，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

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)、知識等信息實現(xiàn)共用，一般將遷移信息的來源稱為遷移領(lǐng)域，將遷移信息的去向稱為目標(biāo)領(lǐng)域，來解決目標(biāo)領(lǐng)域樣本規(guī)模不足給模型訓(xùn)練帶來的制約，從而有效解決小樣本領(lǐng)域應(yīng)用機器學(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、語音識別、文本分類和語義分析等領(lǐng)域得到充分的驗證［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)動機作為新型發(fā)動機，樣本規(guī)模太少，異常檢測分類模型無法進(jìn)行有效的訓(xùn)練，因此本文引入成熟型號YF-75發(fā)動機的樣本數(shù)據(jù)和其異常檢測模型等信息遷移到Y(jié)F-77領(lǐng)域，實現(xiàn)發(fā)動機參數(shù)異常檢測，以完成火箭飛行階段的狀態(tài)監(jiān)測，為指揮決策和故障診斷提供輔助的支撐信息。

在具體遷移的實踐中，將面臨如下問題：

1）YF-75與YF-77兩型發(fā)動機的相似性；

2）如何處理兩個領(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)論述以上問題。

2.1 兩型發(fā)動機的相似性分析

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

根據(jù)這兩型發(fā)動機的設(shè)計原理，它們都屬于氫氧發(fā)動機，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、額定工作和關(guān)機三個過程中具有相同的變化趨勢，只是在具體數(shù)值上有差別。

以氧泵轉(zhuǎn)速為例，它是專家評估發(fā)動機狀態(tài)時首要關(guān)注的參數(shù)之一，并常使用｛啟動時長，最終穩(wěn)定值，（最終穩(wěn)定值-起始數(shù)據(jù)值）/相應(yīng)時間差，相鄰數(shù)據(jù)點斜率之平均值，相鄰數(shù)據(jù)點斜率之標(biāo)準(zhǔn)差｝五個特征值作為評價泵轉(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)動機五個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）。

計算兩發(fā)動機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)計的角度都說明了兩型發(fā)動機的相似性，本文還將在第3 章的實驗中充分驗證遷移的有效性。

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 針對數(shù)據(jù)差異進(jìn)行預(yù)處理

2.2.1 時間對齊

不同任務(wù)中各發(fā)動機的T0（發(fā)動機點火啟動的時刻）是互不相同的，為了保證各時間序列的開始時刻對齊，需要將啟動過程樣本中所有時間記錄值都減去對應(yīng)的T0，使得每個樣本都以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)動機中，其設(shè)計額定工作值可能存在差異；即使在同型號發(fā)動機的不同飛行任務(wù)中，其實際額定工作值也不完全一致。為了關(guān)注變化趨勢，本研究對每段數(shù)據(jù)樣本進(jìn)行歸一化處理：對同一型號發(fā)動機，首先篩選所有啟動過程正常的參數(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）啟動過程的時間序列值，例如對于任意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)奶卣飨蛄浚饶軈^(qū)分正常與異常樣本的特征，又能同時刻畫出該參數(shù)在不同領(lǐng)域的變化趨勢。

2.3.1 特征對正常與異常的區(qū)分性

國內(nèi)研究人員曾對氫氧發(fā)動機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，同時基于領(lǐng)域知識將異常表征現(xiàn)象與表1 中啟動過程發(fā)動關(guān)鍵指標(biāo)、專家系統(tǒng)的五個特征值做出關(guān)聯(lián)對應(yīng)。

以YF-75 型發(fā)動機氧泵轉(zhuǎn)速為例，針對每一類異常表征取一個異常樣本，同時取一個正常樣本作對比，如圖2所示。

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

為進(jìn)一步驗證專家常用的5 個特征值的有效性，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)時間差，標(biāo)準(zhǔn)差｝這些常見的統(tǒng)計特征，分別記作｛E，Max，Min，d（M），S｝，共組成一個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)動機氧泵轉(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)象及對應(yīng)的啟動關(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，對于氧泵轉(zhuǎn)速而言，｛T，R，d（R），E（d），S（d）｝確實與標(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 刻畫兩個領(lǐng)域的趨勢

目前仍需明確該特征向量是否能夠較好地同時刻畫出該參數(shù)在不同領(lǐng)域的變化趨勢，從而確定這一特征向量在遷移過程中能否有效發(fā)揮作用。首先由表2可以看出，在YF-75和YF-77 發(fā)動機氧泵轉(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)知識和統(tǒng)計信息，本研究通過第3章設(shè)計的遷移實驗來驗證：如果有遷移的機器學(xué)習(xí)方法優(yōu)于無遷移的機器學(xué)習(xí)方法，則可以說明這個特征向量能夠刻畫兩個領(lǐng)域的變化趨勢并有效地用于遷移學(xué)習(xí)中。

2.4 異常檢測分類模型

遷移學(xué)習(xí)的目的是解決傳統(tǒng)機器學(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、測試樣本集；

輸出：測試樣本集的kNN分類結(jié)果正確率。

1）對某測試樣本，計算與各訓(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個訓(xùn)練樣本（本文實驗中取k=3）；

3）確定前k個訓(xùn)練樣本中，兩個類別的出現(xiàn)頻率；

4）將出現(xiàn)頻率最高的類別作為該測試樣本分類結(jié)果；

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

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、測試樣本集；

輸出：測試樣本集的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）對某測試樣本，通過已建立模型計算得到分類值；

4）如果分類值大于0，則判定該測試樣本屬于第1 類，否則屬于第二類；

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

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 實驗及分析

3.1 實驗設(shè)置

待研究對象是YF-77 型發(fā)動機氧泵轉(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)動機氧泵轉(zhuǎn)速樣本集，其規(guī)模較大。首先以傳統(tǒng)的包絡(luò)法為比較對象，驗證kNN和SVM（本文使用的訓(xùn)練集與測試集均為噪聲較大的飛行實戰(zhàn)數(shù)據(jù)，復(fù)現(xiàn)的SVM 實驗精度略低于文獻(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)集中確實有優(yōu)于包絡(luò)法的表現(xiàn)，見對照實驗1 和2；然后觀察這兩個算法在小樣本領(lǐng)域是否優(yōu)于包絡(luò)法，見對照實驗3和4，如果并不優(yōu)于，再使用遷移方法，觀測實驗5和6對比遷移是否有效。

在具體的遷移方法上，本文使用了基于實例、基于模型的遷移，其流程如圖4所示。實例遷移是將YF-75發(fā)動機氧泵轉(zhuǎn)速的樣本實例作為信息，在YF-77 模型建立前作為異常檢測分類模型的數(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；最終都需要通過測試集對比結(jié)果計算性能。

圖4 基于實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 直觀地展示了實驗設(shè)置與流程，表4 和表5 詳細(xì)介紹了各實驗組的內(nèi)容。為了通過對比檢驗遷移策略的有效性，需要設(shè)定能夠合理評價模型異常檢測性能的標(biāo)準(zhǔn)。

圖5 實驗設(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)，希望評估系統(tǒng)首先盡量不遺漏任何可能的異常，同時不應(yīng)隨意提示異常，否則會導(dǎo)致下一步耗費大量人工篩選成本。因此實驗以漏報率（Missing_Alarm）和誤報率（False_Alarm）作為“異常狀態(tài)篩選性能”的評判指標(biāo)。

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

漏報率計算多少異常樣本被模型遺漏，誤報率關(guān)注多少正常樣本被模型誤認(rèn)為異常。理想情況下，這兩個指標(biāo)都等于零，但實際中二者是很難同時降低的，漏報率的降低一般帶來誤報率的增長，誤報率的降低往往導(dǎo)致漏報率的增長。綜上，對于火箭發(fā)動機而言，一個好的參數(shù)異常檢測系統(tǒng)，應(yīng)首先滿足低漏報率，再盡量滿足低誤報率。

表4 包絡(luò)法與無遷移機器學(xué)習(xí)在不同規(guī)模數(shù)據(jù)集上的實驗設(shè)置對比Tab.4 Experimental setting comparison of envelope method and traditional machine learning on different scale datasets

表5 包絡(luò)法、無遷移機器學(xué)習(xí)和遷移學(xué)習(xí)在目標(biāo)領(lǐng)域上的實驗設(shè)置對比Tab.5 Experimental setting comparison of envelope method，traditional machine learning and transfer learning in target domain

3.2 結(jié)果分析

實驗結(jié)果如表6 和表7 所示，通過觀察對比，由表6 可得到：

1）在包絡(luò)法中，當(dāng)數(shù)據(jù)量增多時，誤報率會降低，但漏報率會增長，說明隨著標(biāo)注正常樣本的增多，包絡(luò)上限會升高，包絡(luò)下限會降低，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，無遷移kNN、SVM 方法的漏報率（10.23%、12.50%）、誤報率（9.97%、9.31%），分別低于包絡(luò)法的漏報率（59.09%）、誤報率（26.88%），說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，無遷移kNN、SVM 方法的漏報率（58.33%、41.67%）和誤報率（41.67%、60.83%），都比數(shù)據(jù)規(guī)模較大時相應(yīng)地要高，說明無遷移的kNN、SVM方法受制于數(shù)據(jù)規(guī)模，當(dāng)數(shù)據(jù)集較小時難以發(fā)揮效果。

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

由表7可以得到：

5）觀測實驗5 的漏報率（14.00%、18.00%）和觀測實驗6的漏報率（12.50%、25.00%），都低于對照實驗3、4 漏報率的最小值（33.33%）；觀測實驗5 的誤報率（17.68%、13.53%）和觀測實驗6的誤報率（22.22%、14.29%），都低于對照實驗3、4誤報率的最小值（41.67%）；說明基于實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）兩個遷移學(xué)習(xí)組的漏報率和誤報率都略高于YF-75 的無遷移機器學(xué)習(xí)組，且基于實例的kNN 和SVM 表現(xiàn)略優(yōu)于基于模型的相應(yīng)方法。對于模型遷移而言，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)對模型遷移的影響；對于實例遷移而言，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)重對實例遷移的影響。

7）觀測實驗5和6同樣存在漏報和誤報的樣本，其原因可能包括特征權(quán)重，以及遷移過程中的樣本權(quán)重或者模型參數(shù)。

表6 包絡(luò)法與無遷移機器學(xué)習(xí)在不同規(guī)模數(shù)據(jù)集上的實驗結(jié)果對比Tab.6 Experimental result comparison of envelope method and traditional machine learning on different scale datasets

表7 包絡(luò)法、無遷移機器學(xué)習(xí)和遷移學(xué)習(xí)在目標(biāo)領(lǐng)域上的對比實驗結(jié)果Tab.7 Experimental result comparison of envelope method，traditional machine learning and transfer learning in target domain

3.3 結(jié)論

由實驗結(jié)果分析可以得出結(jié)論：

1）包絡(luò)法在不同量級樣本的領(lǐng)域中都具有局限性；

2）無遷移的機器學(xué)習(xí)方法適合大樣本集的參數(shù)異常檢測，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)動機小樣本領(lǐng)域，經(jīng)過時間對齊、數(shù)據(jù)歸一化得到樣本，經(jīng)過特征空間構(gòu)建得到特征向量后，使用基于實例遷移的kNN、SVM機器學(xué)習(xí)方法對氧泵轉(zhuǎn)速建立分類模型，在測試集的漏報率相比無遷移的kNN、SVM分別降低了44.33 個百分點、23.67 個百分點，平均34.00 個百分點，誤報率分別降低了23.99個百分點、47.30個百分點，平均35.64 個百分點；使用基于模型遷移的kNN、SVM 建立的模型，在測試集的漏報率相比無遷移的kNN、SVM分別降低了45.83 個百分點、16.67 個百分點，平均31.25 個百分點，誤報率分別降低了19.45 個百分點、46.54 個百分點，平均32.99個百分點。圖6 使用直方圖更加直觀展示了實驗結(jié)果，兩種遷移方法都比相應(yīng)無遷移的方法，在漏報率和誤報率上降低了30個以上的百分點，模型性能得到較顯著的提升。

圖6 無遷移、基于遷移的分類模型漏報率和誤報率Fig.6 Missing and false alarm rates of classification models without and based on transfer

4 結(jié)語

本文探索了YF-75 與YF-77 兩型氫氧發(fā)動機之間的共性知識及可遷移性，通過構(gòu)建合適的特征空間，采用實例遷移和模型遷移的方法，以YF-75、YF-77 型發(fā)動機啟動過程氧泵轉(zhuǎn)速數(shù)據(jù)集為例，通過設(shè)置四組實驗有效驗證了相比包絡(luò)法和無遷移對照，遷移對照組的kNN、SVM分類器在異常檢測的精度上得到極大提高。

雖然驗證了遷移的有效性，但仍存在如下問題亟待解決：

1）目前只關(guān)注單個參數(shù)的異常檢測，而沒有對發(fā)動機的狀態(tài)進(jìn)行評估，發(fā)動機狀態(tài)是由多個參數(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)來解決這一問題。

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，下一步試圖通過關(guān)聯(lián)規(guī)則挖掘來獲得參數(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)動機技術(shù)特點。

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)對目標(biāo)領(lǐng)域的建模影響。