CN104986347B - 一种民机航线飞行员操作差错的实时检测方法 - Google Patents

Abstract

本发明提供了一种民机航线飞行员操作差错的实时检测方法，属于民航领域。S1，获取操作过程检测数据；S2，对异常检测分类器进行训练；S3，异常检测分类器判断未知数据是否正常的阶段；S4，向正常数据库存储正常数据：将所述正常数据存储到正常数据库之中，然后转入S8；S5对六个并行的误用检测器进行训练；S6，误用检测器进行差错分类并报警；S7，向异常数据库中存储异常数据；S8，结束。

Description

一种民机航线飞行员操作差错的实时检测方法

技术领域

本发明属于民航领域，具体涉及一种民机航线飞行员操作差错的实时检测方法。

背景技术

目前，民机驾驶舱中驾驶员的错误操作报警系统只是针对飞行员做了较标准操作程序多的操作量时发出警告，即当出现“操作添加”错误时，飞机上的报警系统会发出相应的报警信号。但是针对飞行员“操作提前”、“操作延迟”、“操作量过大”、“操作量过小”、“操作顺序错误”、“无操作”六大类操作差错时却没有特定的报警系统，也就是说，针对民机驾驶舱中飞行员出现这六类错误时的差错检测技术尚处于空白。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种民机航线飞行员操作差错的实时检测方法，充分发挥神经网络优点来实现民机航线飞行员操作差错的实时检测。

本发明是通过以下技术方案实现的：

一种民机航线飞行员操作差错的实时检测方法，包括：

S1，获取操作过程检测数据：

读取飞行员在观察员的监督指导下完成全程飞行的正常操作数据，并将多次操作的数据作为基准数据存入基准数据库中，以作为基准数据；然后实时读取飞行员自行进行操作的数据，并将飞行员自行进行操作的数据作为未知数据传入异常检测分类器；

S2，对异常检测分类器进行训练：

利用所述基准数据库中的基准数据对异常检测分类器进行训练直至正常工作，将正常工作后的异常检测分类器作为实时检测器；

S3，异常检测分类器判断未知数据是否正常的阶段：

利用异常检测分类器将所述未知数据与基准数据库中的基准数据进行比较，以判断未知数据是否正常，如果未知数据与基准数据库中的基准数据一致则判断为正常，对应的未知数据为正常数据，转入S4，如果不一致，则判断为非正常，转入S5；

S4，向正常数据库存储正常数据：将所述正常数据存储到正常数据库之中，然后转入S8；

S5对六个并行的误用检测器进行训练：

利用由异常检测分类器检测出的异常数据对六个并行的误用检测器进行训练，将正常工作后的误用检测器将作为实时检测器；

S6，误用检测器进行差错分类并报警：

利用六个误用检测器将异常数据分成六类，并根据具体差错类型发出相应的报警信号；

S7，向异常数据库中存储异常数据：

将异常数据存储到异常数据库之中，该异常数据库中的数据会再次用于对误用检测器进行训练；

S8，结束。

所述S2中的利用所述基准数据库中的基准数据对异常检测分类器进行训练直至正常工作是这样实现的：

S10，获取正常操作类型数据：异常检测分类器将读取S1获得的基准数据作为正常操作类型数据；

S11，神经元自分裂过程：

根据输入的正常操作类型数据在高维空间中的分布，随着实际操作量的增加而适应和模拟训练数据的分布情况，初始程序的神经元数目为1，在神经元竞争过程中，当获胜神经元权值和输入之间的距离大于设定的分裂半径时，自动添加一个神经元并设定其权值为当前输入向量；

S12，神经元竞争和合作过程：

对分裂后的异常检测分类器在后续的输入迭代过程中进行权值调整，直至满足设定的收敛条件；

S13，删除神经元：

在收敛后，各神经元的获胜次数如果小于预先设定的删除阈值ε，则此神经元被认为处于欠训练或死的状态，因此删除此类神经元；

S14，构成精确分类器：

组合所有活动的神经元构成有监督训练的精确分类器。

所述S5中利用由异常检测分类器检测出的异常数据对六个并行的误用检测器进行训练是这样实现的：

S21，输入经异常检测分类器训练后的异常数据：将经过异常检测分类器训练达标后的异常数据输入误用检测器；

S22，误用检测器进行训练和差错类型检测：误用检测器将对输入的异常数据再次进行训练，并对差错类型进行检测；

S23，对异常数据是否达标进行判断：对异常数据是否达标进行判断，如果异常数据跟基准数据库中的偏差满足设定的精度要求，即为达标，则进入S24，否则进入S25；

S24，差错类型报警：根据异常数据的具体差错类型进行报警；

S25，存入分析数据库：

将上述未达标的异常数据存入分析数据库，然后返回到S5，之后对误用检测器进行下一循环的训练，以达到更高的精度。

所述S5中的六个并行的误用检测器分别为：操作提前差错、操作延迟差错、操作量过大差错、操作量过小差错、操作顺序差错和无操作差错。

所述误用检测器的检测阈值参数ε是这样设定的：

1)训练阶段：给定精度如α＝90％，网络自动迭代收敛至所要求的精度，此时程序中的神经元数目m等于训练数据的实质维度，即将输入的n维数据自动压缩到m维特征子空间中；

2)确定分类器检测阈值参数：计算输入在m维特征子空间中的投影误差，根据误报率和检测率指标的平衡确定ε；

3)实时误用检测器：来自异常检测分类器的异常数据输入到误用检测器中，当异常数据的投影误差小于检测阈值参数ε时，确定此异常数据为此误用检测器的具体差错类型，否则不予处理。

所述步骤1)是这样实现的：

K表示网络最终收敛的数据收集的实质维数，即抽取主元数量。网络的权值矩阵为W＝[W₁W₂...]，GHA网络的权值最终收敛于输入向量x(t)的前K个最大主元方向向量；

采用C(t)＝βC(t-1)+[x(t)x^T(t)-βC(t-1)]/t作为输入代替x(t)x^T(t)，学习算法为：

W(t+1)＝W(t)+η∏(t)[W(t)C(t)-LT[W^T(t)C(t)W(t)]W(t)]

式中，η为学习因子，对角阵∏(t)根据其对角线元素的值，在t时刻起到控制器的作用，最终网络逼近的实质维数等于矩阵∏(t)的对角线元素为1的个数；

根据网络输出yi和输入数据方差矩阵的特征值之间的关系，作如下三个函数定义：

F₁(t)＝ó(x)[α×trace(C_T)-∑_i＝1 ^1(t)yi²(t)]

F₂(t)＝o(x)[o(x)(n-1(t)-1)-F₁(t)]

F₃(t)＝o²(x)[∑_i＝1 ^1(t)-1yi²(t)-α×trace(C_t)]+o(x)F₂(t)

式中，trace(C_T)是矩阵，o(x)函数在x＜0时为0，其它为1；ó(x)函数在x＜0时为-1，其它为1。由此得到自适应逼近数据实质维的算法如下：

1(t+1)＝1(t)+F₁(t)F₂(t)F₃(t)

i＝1(t)+o(x)[1(t+1)-1(t-1)]

∏_ii(t+1)＝∏_ii(t)+[1(t+1)-1(t)]

所述步骤2)是这样实现的：

假定输入的测试样本数目为N，通过下式获得分类器检测阈值参数ε：

ε＝Max{Err-i|i＝1，...，N}

上式中的Erri是投影误差；

然后在误报率和检测率之间获得一个平衡的检测阈值。

所述步骤3)中的投影误差是通过下式计算得到的：

Err＝‖x(t)-∑_H＝1 ^K(W_h ^Tx(t)W_h‖

输入x(t)，得到其投影误差Err。

与现有技术相比，本发明的有益效果是：本发明应用神经网络的知识，充分发挥神经网络方法的优点；基于操作程序差错的检测系统，数据分析、检测基于操作手段，可以适应较为复杂、随机的环境；具有较好的可扩展性和兼容性。

附图说明

图1为本发明提供的民机航线飞行员操作差错的实时检测方法的步骤框图。

图2为图1示出的实时检测方法的S2阶段中SGNG异常检测分类器训练方法流程图。

图3为图1示出的实时检测方法的S5-S6阶段中PCANN误用检测器训练及检测方法流程图。

图4为PCANN网络结构模式图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明方法包括获取操作过程检测数据、对SGNG(异常检测分类器)进行训练、判断未知数据是否正常、向正常数据库存储正常数据、对六个并行的PCANN(误用检测器)进行训练、PCANN进行差错分类并报警、向异常数据库中存储异常数据等阶段。

如图1所示，本方法包括：

1)获取操作过程检测数据的S1阶段：在此阶段中，首先检测系统读取飞行员在观察员的监督指导下完成全程飞行的正常操作数据，多次操作的数据将存入基准数据库中，以作为基准数据，此操作只进行一次；然后实时读取飞行员自行进行操作的数据，并作为未知数据传入SGNG异常检测分类器，然后进入下一步S2阶段；

2)对SGNG异常检测分类器进行训练的S2阶段：在此阶段中，利用上述基准数据库中的基准数据对SGNG异常检测分类器进行训练直至正常工作，之后的SGNG异常检测分类器将作为实时检测器进行工作，然后进入下一步S3阶段；

3)SGNG异常检测分类器判断未知数据是否正常的S3阶段：在此阶段中，利用SGNG异常检测分类器将上述S1阶段传输的未知数据与基准数据库中的基准数据进行比较，以判断未知数据是否正常(未知数据与基准数据库中的基准数据一致就是正常)，如果判断结果为“是”，则跳转到S4阶段的入口处，下一步执行S4阶段，否则进入下一步S5阶段；

4)向正常数据库存储正常数据的S4阶段：在此阶段中，系统将上述正常数据存储到正常数据库之中，然后转入步骤8)；

5)对六个并行的PCANN误用检测器进行训练的S5阶段：在此阶段中，利用由SGNG异常检测分类器检测出的异常数据对六个并行的PCANN误用检测器进行训练，这六个并行的PCANN误用检测器分别代表“操作提前差错”、“操作延迟差错”、“操作量过大差错”、“操作量过小差错”、“操作顺序差错”和“无操作差错”六种差错检测器(根据数据判断，比如：操作延迟差错，当飞行员进行了延迟操作后，收集到的数据跟正常数据之前比对的时候是不一样的，系统中程序会辨别他的类别)，正常工作后的PCANN误用检测器将作为实时检测器进行工作；

6)PCANN误用检测器进行差错分类并报警的S6阶段：在此阶段中，利用六个PCANN误用检测器将异常数据分成六类(经过每一个检测器后，异常数据会被记录，每一个检测器的数据为一个类)，并根据具体差错类型发出相应的报警信号(一个检测器对应一种报警信号)，以提醒飞行员犯了何种错误，以便飞行员能够及时更正；

7)向异常数据库中存储异常数据的S7阶段：在此阶段中，将异常数据存储到异常数据库之中，该异常数据库中的数据会再次用于对PCANN误用检测器进行训练(因为异常情况很多，异常数据也不一样，必须要对误用检测器训练才能保证其工作的可靠性)；

8)S8，结束。

图2为图1示出的实时检测方法的S2阶段中SGNG异常检测分类器训练方法流程图。

SGNG异常检测分类器是一种自增长的神经气网络模型，其将输入的具体操作手段进行数据分类，并将标准的操作程序数据作为训练数据，训练过程为有监督的过程，功能是对实时输入的数据进行实时检测。如图2所示，所述的SGNG异常检测分类器训练方法包括按顺序进行的下列步骤：

1)获取正常操作类型数据的S10阶段：在此阶段中，SGNG异常检测分类器将读取S1阶段获得的基准数据作为正常操作类型数据，然后进入下一步S11阶段；

2)神经元自分裂过程的S11阶段：在此阶段中，根据输入的正常操作类型数据在高维空间中的分布，随着实际操作量的增加而适应和模拟训练数据的分布情况，初始程序的神经元数目为1，在神经元竞争过程中，当获胜神经元权值和输入之间的距离大于某事先设定的分裂半径时，自动添加一个神经元并设定其权值为当前输入向量，然后进入下一步S12阶段；

3)神经元竞争和合作过程的S12阶段：在此阶段中，对分裂后的SGNG在后续的输入迭代过程中进行权值调整，直至满足设定的收敛条件(分析大量实验数据后人为设定的条件)，然后进入下一步S13阶段；

4)神经元删除过程的S13阶段：在收敛后，各神经元的获胜次数如果小于预先设定的删除阈值，则此神经元被认为处于“欠训练”或“死”的状态，因此删除此类神经元，然后进入下一步S14阶段；

5)构成精确分类器的S14阶段：在此阶段中，组合所有活动的神经元构成有监督训练的精确分类器，至此整个过程结束。

图3为图1示出的实时检测方法的S5-S6阶段中PCANN误用检测器训练及检测方法流程图。

PCANN误用检测器的训练、检测过程是在SGNG异常检测分类器训练完成之后进行的，当SGNG异常检测分类器训练达标后，该异常数据就会流向PCANN误用检测器，用这些数据对PCANN误用检测器进行训练，并利用PCANN误用检测器对这些数据进行检测，此过程在计算机中实现。

如图3所示，所述的PCANN误用检测器训练及检测方法包括按顺序进行的下列步骤：

1)输入经SGNG异常检测分类器训练后的异常数据的S21阶段：在此阶段中，将经过SGNG异常检测分类器训练达标后的异常数据输入PCANN误用检测器，然后进入下一步S22阶段；

2)PCANN误用检测器进行训练和差错类型检测的S22阶段：在此阶段中，PCANN误用检测器将对上述输入的异常数据再次进行训练，并对差错类型进行检测，然后进入下一步S23阶段；

3)对异常数据是否达标进行判断的S23阶段：在此阶段中，系统将对异常数据是否达标进行判断，如果达标，则进入下一步S24阶段，否则进入S25阶段；

4)差错类型报警的S24阶段：在此阶段中，系统将根据异常数据的具体差错类型进行报警；

5)存入分析数据库的S25阶段：在此阶段中，系统将上述未达标的异常数据存入分析数据库，然后返回到S5阶段入口处，之后对PCANN误用检测器进行下一循环的训练，以达到更高的精度。

PCANN神经网络实现了传统的PCA算法，使得分类器更加适合高斯分布数据。其训练采用ADAPTIVE GHA算法，可以在提前确定总方差贡献率精度α的基础上，自动逼近输入类别数据的实质维；其训练为有监督训练，训练过程中，根据检测率和误报率的平衡确定一个PCANN误用检测器的检测阈值参数ε。具体步骤如下：

1)训练阶段：给定精度如α＝90％，网络自动迭代收敛至所要求的精度，此时程序中的神经元数目m等于训练数据的实质维度，即将输入的n维数据自动压缩到m维特征子空间中。

PCANN训练采用AGHA算法，给传统的GHA网络的神经元加上侧向连接，从而产生激活或者抑制的活动。最终活动的神经元的数量即可逼近数据的实质维数。其中K表示网络最终收敛的数据收集的实质维数，即抽取主元数量。网络的权值矩阵为W＝[W₁W₂...]，GHA网络的权值最终收敛于输入向量x(t)的前K个最大主元方向向量。

为了减少算法震荡，采用C(t)＝βC(t-1)+[x(t)x^T(t)-βC(t-1)]/t作为输入代替x(t)x^T(t)。其学习算法为：

W(t+1)＝W(t)+η∏(t)[W(t)C(t)-LT[W^T(t)C(t)W(t)]W(t)]

式中，η为学习因子。对角阵∏(t)根据其对角线元素的值，在t时刻起到控制器的作用，最终网络逼近的实质维数等于矩阵∏(t)的对角线元素为1的个数。根据网络输出yi和输入数据方差矩阵的特征值之间的关系，作如下三个函数定义：

F₁(t)＝ó(x)[α×trace(C_T)-∑_i＝1 ^1(t)yi²(t)]

F₂(t)＝o(x)[o(x)(n-1(t)-1)-F₁(t)]

F₃(t)＝o²(x)[∑_i＝1 ^1(t)-1yi²(t)-α×trace(C_t)]+o(x)F₂(t)

式中，o(x)函数在x＜0时为0，其它为1；ó(x)函数在x＜0时为-1，其它为1。由此可得自适应逼近数据实质维的改进GHA算法：

1(t+1)＝1(t)+F₁(t)F₂(t)F₃(t)

i＝1(t)+o(x)[1(t+1)-1(t-1)]

∏_ii(t+1)＝∏_ii(t)+[1(t+1)-1(t)]

2)确定分类器检测阈值参数ε：计算输入在m维特征子空间中的投影误差，根据误报率和检测率指标的平衡确定ε。

实际应用中，假定输入的测试样本数目为N，一个简单的获得分类器检测阈值参数ε的方法是：

ε＝Max{Err-i|i＝1，...，N}

大的ε可以获得较高的检测率，但其误报率也较高；反之亦然。实际应用中需要在误报率和检测率之间获得一个平衡的检测阈值。

3)实时误用检测器：来自SGNG异常数据输入到PCANN中，当异常数据的投影误差小于阈值参数ε时，确定此异常数据为此PCANN具体差错类型，否则不予处理。

通过AGHA算法训练后的PCANN网络，根据精度自动确定了主元子空间的维数。检测实验中，输入x(t)，可得其投影误差为：

Err＝‖x(t)-∑_H＝1 ^K(W_h ^Tx(t)W_h‖

所有过程在计算机中实现。训练完成后的检测器成为有效的分类检测器，是后期检测工作的前提。

图4为PCANN网络结构模式图。具体为神经网络模型图，操作数据流在此网络中流动，包括网络的训练和后期的正常检测工作。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (8)

1.一种民机航线飞行员操作差错的实时检测方法，其特征在于：所述方法包括：

S1，获取操作过程检测数据：

读取飞行员在观察员的监督指导下完成全程飞行的正常操作数据，并将多次操作的数据作为基准数据存入基准数据库中，以作为基准数据；然后实时读取飞行员自行进行操作的数据，并将飞行员自行进行操作的数据作为未知数据传入异常检测分类器；

S2，对异常检测分类器进行训练：

利用所述基准数据库中的基准数据对异常检测分类器进行训练直至正常工作，将正常工作后的异常检测分类器作为实时检测器；

S3，异常检测分类器判断未知数据是否正常的阶段：

利用异常检测分类器将所述未知数据与基准数据库中的基准数据进行比较，以判断未知数据是否正常，如果未知数据与基准数据库中的基准数据一致则判断为正常，对应的未知数据为正常数据，转入S4，如果不一致，则判断为非正常，转入S5；

S4，向正常数据库存储正常数据：将所述正常数据存储到正常数据库之中，然后转入S8；

S5对六个并行的误用检测器进行训练：

利用由异常检测分类器检测出的异常数据对六个并行的误用检测器进行训练，将正常工作后的误用检测器将作为实时检测器；

S6，误用检测器进行差错分类并报警：

利用六个误用检测器将异常数据分成六类，并根据具体差错类型发出相应的报警信号；

S7，向异常数据库中存储异常数据：

将异常数据存储到异常数据库之中，该异常数据库中的数据会再次用于对误用检测器进行训练；

S8，结束。

2.根据权利要求1所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述S2中的利用所述基准数据库中的基准数据对异常检测分类器进行训练直至正常工作是这样实现的：

S10，获取正常操作类型数据：异常检测分类器将读取S1获得的基准数据作为正常操作类型数据；

S11，神经元自分裂过程：

根据输入的正常操作类型数据在高维空间中的分布，随着实际操作量的增加而适应和模拟训练数据的分布情况，初始程序的神经元数目为1，在神经元竞争过程中，当获胜神经元权值和输入之间的距离大于设定的分裂半径时，自动添加一个神经元并设定其权值为当前输入向量；

S12，神经元竞争和合作过程：

对分裂后的异常检测分类器在后续的输入迭代过程中进行权值调整，直至满足设定的收敛条件；

S13，删除神经元：

在收敛后，各神经元的获胜次数如果小于预先设定的删除阈值，则此神经元被认为处于欠训练或死的状态，因此删除此类神经元；

S14，构成精确分类器：

组合所有活动的神经元构成有监督训练的精确分类器。

3.根据权利要求2所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述S5中利用由异常检测分类器检测出的异常数据对六个并行的误用检测器进行训练是这样实现的：

S21，输入经异常检测分类器训练后的异常数据：将经过异常检测分类器训练达标后的异常数据输入误用检测器；

S22，误用检测器进行训练和差错类型检测：误用检测器将对输入的异常数据再次进行训练，并对差错类型进行检测；

S23，对异常数据是否达标进行判断：判断异常数据是否达标，如果异常数据跟基准数据库中的偏差满足设定的精度要求，即为达标，则进入S24，否则进行S25；

S24，差错类型报警：根据异常数据的具体差错类型进行报警；

S25，存入分析数据库：将上述未达标的异常数据入分析数据库，然后返回到S5，之后对误用检测器进行下一循环的训练，以达到更高的精度。

4.根据权利要求3所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述S5中的六个并行的误用检测器分别为：操作提成差错、操作延迟差错、操作量过大差错、操作量过小差错、操作顺序差错和无操作差错。

5.根据权利要求4所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述误用检测器的检测阈值参数ε是这样设定的：

步骤1，训练阶段：给定精度，网络自动迭代收敛至所要求的精度，此时程序中的神经元数目m等于训练数据的实质维度，即将输入的n维数据自动压缩到m维特征子空间中；

步骤2，确定分类器检测阈值参数ε：计算输入在m维特征子空间中的投影误差，根据误报率和检测率指标的平衡确定ε；

步骤3，实时误用检测器：来自异常检测分类器的异常数据输入到误用检测器中，当异常数据的投影误差小于检测阈值参数ε时，确定此异常数据为此误用检测器的具体差错类型，否则不予处理。

6.根据权利要求5所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述步骤1是这样实现的：

K表示网络最终收敛的数据收集的实质维数，即抽取主元数量，网络的权值矩阵为W＝[W₁W_2…]，GHA网络的权值最终收敛于输入向量x(t)的前K个最大主元方向向量；

采用C(t)＝βC(t-1)+[x(t)x^T(t)-βC(t-1)]/t作为输入代替x(t)x^T(t)，学习算法为：

W(t+1)＝W(t)+ηΠ(t)[W(t)C(t)-LT[W^T(t)C(t)W(t)]W(t)]

式中，η为学习因子，对角阵Π(t)根据其对角线元素的值，在t时刻起到控制器的作用，最终网络逼近的实质维数等于矩阵Π(t)的对角线元素为1的个数；

根据网络输出yi和输入数据方差矩阵的特征值之间的关系，作如下三个函数定义：

F₁(t)＝ó(x)[α×trace(C_T)-∑_i＝1 ^l(t)yi²(t)]

F₂(T)＝o(x)[o(x)(n-l(t)-1)-F₁(t)]

F₃(t)o²(x)[Σ_i＝1 ^l(t)-1yi²(t)-α×trace(C_t)]+o(x)F₂(t)

式中，trace(C_T)是矩阵，o(x)函数在x<0时为0，其它为1；函数在x<0时为-1，其它为1，由此得到自适应逼近数据实质维的算法如下：

l(t+1)＝l(t)+F₁(t)F₂(t)F₃(t)

i＝l(t)+o(x)[l(t+1)-l(t-1)]

Π_ii(t+1)＝Π_ii(t)+[l(t+1)-l(t)]。

7.根据权利要求6所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述步骤2是这样实现的：

假定输入的测试样本数目为N，通过下式获取ε：

ε＝Max{Err_i|i＝1，...，N}

上式中的Erri是投影误差：

然后在误报率和检测率之间获得一个平衡的检测阈值。

8.根据权利要求7所述的民机航线飞行员操作差错的实时检测方法，其特征在于：所述步骤3中的投影误差是通过下式计算得到的：

Err＝|x(t)-Σ_H＝1 ^K(W_h ^Tx(t)W_h|

输入x(t)，得到其投影误差Err。