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。