CN110070098A - 用于通过监督式自动学习来探测飞行器的冰冻状况的方法 - Google Patents
用于通过监督式自动学习来探测飞行器的冰冻状况的方法 Download PDFInfo
- Publication number
- CN110070098A CN110070098A CN201910042002.XA CN201910042002A CN110070098A CN 110070098 A CN110070098 A CN 110070098A CN 201910042002 A CN201910042002 A CN 201910042002A CN 110070098 A CN110070098 A CN 110070098A
- Authority
- CN
- China
- Prior art keywords
- disaggregated model
- parameter
- classifier
- icing conditions
- aircraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 239000000523 sample Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims description 15
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000005267 amalgamation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000013078 crystal Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 101150107824 FCPC gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D15/00—De-icing or preventing icing on exterior surfaces of aircraft
- B64D15/20—Means for detecting icing or initiating de-icing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种用于通过监督式自动学习来探测飞行器的冰冻状况的方法,该方法包括:测量(320)除了专用于探测冰的探头以外的嵌入式系统的参数;对所述征兆参数的测量结果进行转换(330)以获得解释结冰状况的解释变量的值的P元组;由分类器基于由此获得的值的P元组对所述测量结果进行分类(370),所述分类器先前已经进行了监督式训练,每个分类器提供对结冰状况类别的隶属度的预测,这些不同分类器的预测被合并(380)以提供对结冰状况的合并预测(390)。
Description
技术领域
本发明总体上涉及飞行器的气象状况的预测。本发明还涉及监督式学习(监督式机器学习)的领域。
背景技术
飞行中冰冻状况的出现构成了飞行器的风险。实际上,当飞行器遇到这样的状况时,它遭受在其表面上积聚冰,这可能导致飞行器重量的明显增加、升力的损失、致动操纵面的问题、天线的通信和操作缺陷、风速测定探头的测量误差、发动机推力的损失,这些不同故障可能最终导致失去对飞机的控制。
为了缓和这些故障,授权在冰冻状况下飞行的飞行器配备了特设保护系统、尤其是加热系统,这些特设保护系统整合到要保护的元件(机翼、探头、发动机进气口等)中,防止冰的形成或积聚。
这些保护系统的启用一般依赖于飞行员在视觉上识别出存在冰冻状况之后进行的判断。这种识别必然是不完美的,一般需要使用机械或光学探测系统来帮助飞行员进行判断。因此,通常为飞行器配备安装在飞机蒙皮上的探头(或传感器)并且利用所获得的测量结果来诊断冰的存在。然而,这些探测系统一般不自动触发保护系统的启用。考虑到飞行阶段,受冰影响的元件所实现的功能的关键性以及相关的安全裕度,飞行员对测量结果的评定仍然是必要的,以避免保护系统的任何不合时宜的触发。
用于探测冰冻状况的现有系统存在几个缺点。
首先,这些系统安装在机身的蒙皮或飞行器的表面上,这一方面使得必须在所讨论的机身/表面中钻孔、在孔附近提供机械加固件、部署电线并且在电气柜中安装额外的采集系统。此外,传感器/探头通常从机身的蒙皮突出并因此引起诱导阻力,从而影响飞行器的性能。
其次,用于探测冰冻状况的现有系统,在它们仅能够响应某些非常有限的冰形成状况的意义上,具有相对有限的性能。在应对探测大水滴或大尺寸晶体的形成时,这些现有系统一般是无效的。
本发明的目的是提出一种用于探测飞行器的冰冻状况的方法,该方法至少部分地弥补了上述缺点,特别是该方法不需要任何额外的钻孔和布线操作,不使飞机的重量或其空气动力学阻力最大,并且使得能够在同一时间评估广泛的冰冻状况并提供比现有技术更精确的诊断。
发明内容
本发明涉及一种用于探测飞行器的结冰状况的方法,该方法包括以下步骤:
-测量所述飞行器的除了冰探测用外部探头之外的系统的参数,所述系统在存在冰时不易受降级操作的影响,并且所述参数是所述飞行器上存在冰的征兆;
-将这些参数的测量结果转换成解释所述结冰状况的解释变量的值的P元组;
-由先前以监督方式训练过的至少一个分类器对所述测量结果进行分类,所述分类器提供对结冰状况类别的隶属度的预测。
所述飞行器的系统的参数有利地选自来自ATA21、ATA27、ATA28、ATA30、ATA32、ATA34、ATA36、ATA70至ATA79的参数列表。
所述参数可以选自温度、加热电路电流、压力、致动器命令与反馈之间的差异、运动学参数、测高参数、气压测定参数以及风速测定参数。
将所述参数的测量结果转换成解释变量的值例如包括计算平均值、计算中值、计算标准差、计算方差、傅立叶变换、低通或高通滤波、小波分解、谱密度计算。
所述分类步骤有利地由多个分类器执行,这些分类器的相应预测被合并,合并结果给出对冰的存在/不存在或不存在/存在、或者所述结冰状况的严重程度的预测。
所述分类器优选地使用从以下各项中选定的分类模型:决策树式分类模型、基于线性判别分析的分类模型、基于二次判别分析的分类模型、基于决策森林的分类模型、使用决策树装袋的分类模型、使用逻辑回归的分类模型、使用k最近邻方法的分类模型、使用弱分类器提升的分类模型。
值得注意地,所述参数的测量结果可以由所述航空器传输到地面站,所述地面站执行所述转换和分类步骤并且然后将所述合并结果返回到所述飞行器。
本发明还涉及一种对上文限定的用于预测结冰状况的方法进行监督式训练的方法,该监督式训练方法包括以下步骤:
-在飞行期间在冰冻状况下测量所述飞行器的系统的所述参数;
-将这些参数的测量结果转换成解释所述结冰状况的解释变量的值的P元组;
-通过位于所述飞行器上的专用探头在所述飞行期间探测冰冻状况的存在;
-基于在前一步骤中探测到的状况,将冰冻状况类别分配给所述测量结果;
-基于所述解释变量和所分配的相应类别来训练多个分类器;
-通过对所述测量结果的集合进行交叉验证来对所述分类器的预测性能进行比较;
-从性能最佳的分类器中选择至少一个分类器以预测所述结冰状况。
优选地,在所述飞行期间探测冰冻状况的存在还使用了所述飞行器外部的气象源。
例如基于对所述测量结果的集合进行的预测的预测误差的平均值绝对值或预测误差的均方值或平均成功率来估计分类器的预测性能。
有利地,从以下各项中选定分类模型:决策树式分类模型、基于线性判别分析的分类模型、基于二次判别分析的分类模型、基于决策森林的分类模型、使用决策树装袋的分类模型、使用逻辑回归的分类模型、使用k最近邻方法的分类模型、使用弱分类器提升的分类模型。
附图说明
通过阅读参照附图完成的本发明的优选实施例,本发明的其他特征和优点将变得明星,在附图中:
图1以示意性方式表示了根据本发明的一个实施例的对用于探测冰冻状况的方法进行监督式学习的方法;
图2展示了多个分类模型在进行了根据图1的监督式学习之后的性能;
图3以示意性方式表示了根据本发明一个实施例的在根据图1的监督式学习之后的用于探测冰冻状况的方法;
图4A至图4D以某一方式表示了多个分类器探测冰冻状况的实例。
具体实施方式
作为本发明基础的构思是使用可用的飞行器数据,无需开发和安装特定的外部探头/传感器,并且因此无需在飞行器的蒙皮上植入探头/传感器来探测冰冻状况的存在、并估计其严重程度(如果适用的话)。这里的特定传感器是指其测量结果旨在排他地用于探测冰的存在的传感器(例如冰晶探测器)。可用的飞行器数据是指飞行器的其操作不会因冰的形成而降级的系统的数据,换句话说是在这样的情形下可靠的数据(例如由存在被冰阻滞风险的风速测定探头产生的数据不被认为是可用的数据)。
当飞行器遇到冰冻状况时,系统的某些元件(如传感器或操纵面致动器)具有特征响应,该特征响应是存在冰的征兆。这些征兆的数量、强度、频率可以根据所遇到的冰冻状况的类型(例如冰晶或过冷水)及其严重程度(冰晶浓度)而变化。因此,可以从飞行器的系统的可用数据中选择某些(冰冻状况的)征兆参数,并且从中推导出解释参数(也称为解释变量或“特征”),这些解释参数对冰冻状况的存在及其严重程度(如果适用的话)进行解释。这些解释变量用作一个或多个分类器的输入,以便判定是否存在冰(二元分类)或评估冰冻状况的严重程度(用K个模态进行分类,其中K是类别的数量)。基于在冰冻状况下执行的飞行期间通过特定仪器获取的可用数据,通过监督式学习来训练这些分类模型,如进一步解释的那样。
图1以示意性方式表示了根据本发明的一个实施例的用于探测冰冻状况的系统的监督式学习方法。
在监督式学习之前,在110处收集在冰冻状况下在飞行器试飞期间获得的可用数据。这些数据是飞行器的在存在冰时不易受以降级模式操作影响的系统的参数的测量结果。此外,在这些飞行期间,试飞飞行器配备有专用于直接探测冰的传感器,称为测试传感器。
因此,一方面具有飞行器参数的测量结果,并且另一方面具有关于冰存在或不存在的诊断,可选地,补充以水含量(晶体和过冷水)的测量结果。
接下来,从所测量的参数中,在120处选择是存在冰的征兆的多个(M)参数。这些征兆参数将有利地选自以下章节中列出的参数:ATA 21(空调和加压)、ATA 27(飞行控制)、ATA 28(燃料)、ATA 30(防冰防雨)、ATA 32(起落架)、ATA 34(导航)、ATA 36(气动力学)、ATA 70至ATA 79(发动机、发动机控制和指示、FADEC(Full Authority Digital EngineControl,全权限数字发动机控制)通道)。典型地,所选择的征兆参数是温度、加热电路的电流、压力、致动器命令与反馈之间的差异、运动学参数(加速度、转速、速度)、测高参数(高度)、气压测定参数(气压)以及风速测定参数(表观风速)。
举例来说,可以在章节ATA 21中选择与机舱各点处的温度、加压系统的管道的温度以及除冰控制有关的参数,在章节ATA 27中选择与加速度、倾斜仪、对表面(升降舵和/或副翼和/或扰流板)的控制有关的参数,在章节ATA 28中选择与每个舱室中的燃料温度有关的参数,在章节ATA 30中选择与能量消耗和用于除冰和防风的部件的电力供应有关的参数,在章节ATA 32中选择与起落架的温度有关的参数,在章节ATA 34中选择与航空器的姿态(俯仰、横滚、偏航)、动态测量(加速度、转速)、风速风压测量有关的参数,在章节ATA 36中选择与冷却系统相关的参数,并且在章节ATA 7X中选择与振动和/或发动机调节和控制信息有关的参数。
根据本发明,征兆参数不限于上文列出的ATA章节,并且可以来自其他章节,如章节ATA 42(集成模块航空电子设备)。
在给定时刻获取的征兆参数的测量结果形成样本。在测量活动期间获取的样本集用S表示。
此后在130处将所测量的征兆参数转换成解释冰冻状况的解释变量(操作被称为“特征提取”)。值得注意地,使得能够从征兆参数转到解释变量的转换可以包括计算平均值、计算中值、计算标准差、计算方差、傅立叶变换、低通或高通滤波、小波分解、谱密度计算等。此操作的目的是删除或减少测量结果中的非解释性信息,并且防止在试验期间对所测量的征兆参数进行过度学习(过度拟合)。在下文中,解释变量用X1,...,XP表示。因此,S中的每个样本都与解释变量的值的P元组相关联。
冰冻状况就其本身而言可以简单地用待解释的变量(或目标变量)Y来表示。当简单地应付预测冰存在或不存在时,该目标变量是二元的,或者当应付预测冰冻状况的严重程度时,该目标变量具有K个模态(K则是严重程度的数量)。
在140处并行地获取这些测试传感器的测量结果。这些测试传感器例如是Lyman-α测湿传感器,其能够提供与其相(液体或蒸气)的性质无关的总水含量或TWC。
在150处,这些测试传感器的测量可以是可选地补充以源自外部源的周围环境气象信息。基于这些测试传感器的测量结果和该周围环境气象信息(如果适用的话),在160处确定冰存在或不存在。因此,在130处,可以将类别(类别标记)分配给解释变量的值的每个P元组(并且因此分配给S中的每个样本)。分类可以简单地是二元的(不存在或存在冰)或具有K个模态,例如以下具有4个模态的分类:
·不存在冰冻状况(TWC≤0.5)
·弱冰冻状况(0.5<TWC≤1.5)
·中等冰冻状况(1.5<TWC≤3)
·严重冰冻状况(TWC>3)
本领域技术人员可以设想到其他类别,而不脱离本发明的框架。例如,可以设想到在晶体的相对量与过冷水的相对量之间进行区分的分类。
基于解释变量的P元组和分配给它们的类别,若干分类模型F1,...,FQ可以在集合S上进行训练,如在170处所指示的那样。分类模型是将解释变量的任何P元组(x1,x2,...,xP)与待解释的变量Y的值的预测相关联的函数F。更确切地说,分类器的训练包括在解释变量的空间中定义与待解释的变量的每个可能模态相关联的域。
可以设想到各种分类模型,其中的某些实例在下文中提供:
首先,可以使用决策树类型的模型,如CART(Classification And RegressionTree,分类和回归树)。决策树的分类是根据树状结构通过二分法划分解释变量的区间来执行的,类别与决策树的每个树叶相关联。该分类模型在集合S的一部分T(训练数据集)上进行训练,并且在该集合的剩余部分V(验证数据集)上进行测试。
替代性地,同一分类模型(例如,决策树)可以在S的通过以随机方式对S进行二次采样获得的子集T1,T2,...,TN上进行训练。可以借助于聚合函数(例如多数票决)来聚合由这种训练产生的N个分类器。该技术在监督式学习中称为装袋(或自举聚合)。
根据变体,还可以使用具有决策森林的类型的分类模型(随机森林分类器)。根据这种途径,基本决策树分类器仅在S的子集上进行训练,每个分类器使用待解释的变量的一部分。这样获得的基本分类器此后通过多数票决决策进行聚合,所预测的类别是获得基本分类器的大多数投票的类别。
替代性地,还可以使用所谓的提升技术,其结合了若干弱分类器的预测。如果分类器的预测误差率略好于纯随机预测(随机猜测)的预测误差,则将分类器称为弱分类器。通过组合这些弱分类器的相继的预测,可以获得表现出低误差率(高准确度)的分类器。弱分类器可以是例如决策树分类器。取决于弱分类器是在与前一弱分类器的最大预测误差相对应的样本上进行训练(Adaboost)还是在该分类器的平方预测误差上进行训练(梯度提升),存在多种类型的提升。
分类模型可以进一步基于线性判别分析或LDA、或实际上是二次判别分析或QDA。线性判别分析假设解释变量的协方差矩阵对于各种类别而言是相同的。这些变量的空间中的决策边界是超平面。当各种类别中的协方差矩阵不相同时,决策函数具有二次形式(QDA):通过考虑不仅表示解释变量本身而且还表示二次变量(解释变量的成对乘积和平方)的更大维度的空间,可以回到前一种情况。
再次替代性地,分类模型将能够根据k最近邻或k-NN(k Nearest Neighbors)方法来使用分类。在该方法中,为了预测与解释变量的值的给定P元组Ω相关联的类别,对于在学习期间获得的Ω最近邻的P元组ω1,...,ωk进行搜索。然后,P元组的类别被预测为分别与ω1,...,ωk相关联的类别中的主要类别(多数票决)。
最后,可以替代性地使用基于逻辑回归(在待用K个模态说明的变量的情况下为多项逻辑回归)的分类模型。根据这种途径,已知解释变量的值的P元组,通过线性函数来对各种类别的后验概率进行建模。这些函数的系数可以被确定为使训练集上的对数似然最大化的系数,以迭代的方式对这些系数的值进行最大值搜索。
当然,可以设想到另外的其他类型的分类器,比如状态向量机。
上文提到的各种分类模型的描述可以在T.Hastie等人的由Springer出版的题为“The elements of statistical learning(统计学习的要素)”(2017年第2版)的著作中找到。
与各种分类模型相对应的Q个分类器F1,...,FQ的性能随后可以使用交叉验证进行比较,如在180处所指示的那样。根据这种途径,将样本集合S划分为子集(或分批)Sγ,γ=1,...,Γ,每个分类器Fq在一批样本上进行训练,并且其性能在剩余子集Sλ上进行评估,对于λ∈{1,...,Γ}这样做。可以在绝对值的平均值或预测误差或每个子集上的均方误差方面来评估分类器的性能,性能最佳的分类器产生最低的平均误差。替代性地,分类器的性能可以被评估为每个子集的平均分类成功率。
此后可以在监督式学习阶段终止时保留一个或多个表现最佳的分类器或分类器,如在190处所指示的那样。
此后,这样选定的分类器将用于结冰状况预测阶段,如进一步解释的那样。
图2表示了在根据图1的监督式学习终止时多个分类模型的性能。
沿横坐标指示不同类型的分类模型,即:
·TREE是决策树分类模型;
·QDA是使用二次判别分析的分类模型;
·LDA是使用线性判别分析的分类模型;
·RF是使用决策森林的分类模型;
·BAGG是使用决策树装袋的分类模型;
·LR是使用逻辑回归的分类模型;
·KNN是使用k最近邻方法的分类模型;
·BOOST是使用弱分类器提升的分类模型。
在该图中,沿纵坐标指示了每个分类器的成功率(准确度)。更准确地说,对于每个分类器,已经通过盒须图(或简称箱形图)来表示成功率的分布。成功率的分布涉及样本集合的在交叉验证中使用的不同分区。须线对应于成功率的最小值和最大值,盒子的下端和上端分别对应于下四分位数和上四分位数,盒子内的水平条对应于中值。
有利地,选择表现为具有高的中值的高成功率的分类器,例如LR模型和/或BOOST模型。
图3以示意性方式表示了根据本发明一个实施例的在根据图1的监督式学习之后的用于探测冰冻状况的方法。
该探测方法在飞行器的运营飞行过程中实施,一般与用于试飞的类型相同,除了这次它不包括任何测试传感器(冰探测器)能够直接指示冰的存在或不存在。
在步骤310中,定期收集飞行器的系统的可用数据,这些系统在存在冰时不易受到降级操作的影响。换句话说,在存在冰时这些系统的行为修改或状态变化使得能够确认冰的存在,但是不会损害飞行安全性。
在步骤320中,是存在冰的征兆的参数的测量结果被提取,并且如果适用的话存储在存储器中。这些征兆参数原则上与为学习方法选择的那些征兆参数相同。换句话说,这些征兆参数将选自章节ATA21、ATA27、ATA28、ATA30、ATA32、ATA34、ATA36、ATA70至ATA79中列出的征兆参数。然而,如果在学习周期终止时保留的分类器不使用某些征兆参数,则在该获取阶段可以省略这些征兆参数。
在步骤330中,将这些征兆参数的测量结果转换成解释变量的值,如先前结合图1的步骤130所解释的那样。
征兆参数的转换由如为此目的配置的计算模块(如处理器)执行。
在步骤370中,在试飞的数据上进行训练并在监督式学习的步骤190中选定的每个分类器预测结冰状况的类别,该类别与在前一步骤中获得的解释变量的值相关联。这种分类与在学习阶段期间训练的分类相同。它可以是二元的或log2K元的,这取决于是期望预测冰的存在/不存在还是期望预测结冰状况的严重程度。
无论如何,当已经选定了若干分类器时,在步骤380中,它们各自的预测被合并,例如根据多数票决程序。当所选定的分类器的数量是偶数时,可以同意其中一个分类器具有决定票。根据变体,可以使用回归量来代替分类器,以便各自估计(连续的)严重程度,并且在可选的离散化之前在它们之间求平均值。
根据合并的结果,在390处判定是否存在冰(二元分类)或确定结冰状况的严重程度(多项分类)。
分类、合并以及预测步骤由一个或多个计算模块执行。这些计算模块可以是硬件模块或软件模块,例如由前述处理器执行的软件模块。如果适用的话,分类器可以在并行操作的不同处理器中实现,合并和预测由可编程组合逻辑电路(如FPGA)执行。在不脱离本发明的范围的情况下,本领域技术人员将能够设想到这些步骤的各种实施方式。
在已经在地面上(或在试飞飞机中)训练分类器之后,用于预测结冰状况的方法可以完全在飞行器上、在FWC(Flight Warning Computer,飞行警告计算机)或EFB(Electronic Flight Bag,电子飞行包)类型的嵌入式设备中执行。替代性地,征兆参数可以传输到地面,以便进行ARTHM(Airbus Real Time Health Monitoring,空中客车实时健康监测)类型的远程监控,其中预测结果返回到飞行器。在所有情况下,所预测或估计的结冰状况可以显示在驾驶舱的屏幕上并且可选地产生警报。然后,飞行员将有可能启用防冰保护系统。替代性地,结冰状况可以自动触发防冰保护系统。
举例来说,下文描述了一种探测结冰状况的方法。
已经在ATA27、ATA34和ATA7X中选择了征兆参数,即冗余飞行控制参数FCPC(Flight Control Primary Computer,飞行控制主计算机)*_FCPC1_COM、*_FCPC2_COM、*_FCPC3_COM,冗余运动学参数ADIRU(Air Data Inertial Reference Unit,空气数据惯性参考单元)ADIRU_*_1、ADIRU_*_2、ADIRU_*_3,以及两台发动机的调节通道A-B FADEC,即P0LOCAL_[1;2]A、P0LOCAL_[1;2]B、T12LOCAL_[1;2]A、T12LOCAL_[1;2]B。
解释变量是通过以下方式获得的:
-取得*_FCPC1_COM、*_FCPC2_COM、*_FCPC3_COM的中值,并且然后计算在10s的滑动窗口上获得的值的最小值、最大值、模式值以及中值;
-取得ADIRU_*_1、ADIRU_*_2、ADIRU_*_3的中值,并且然后计算在10s的滑动窗口上获得的值的最小值、最大值、模式值以及中值;
-取得P0LOCAL_[1;2]A和P0LOCAL_[1;2]B的中值,并且然后计算在10s的滑动窗口上获得的值的最小值、最大值、模式值以及中值;
-取得T12LOCAL_[1;2]A、T12LOCAL_[1;2]B的中值,并且然后计算在10s的滑动窗口上获得的值的最小值、最大值、模式值以及中值。
如以上所指示的,该分类具有4种结冰状况的严重程度。
然而,代替使用单个多项分类器,对于TWC的每个区间使用4个二元分类器。这4个分类器基于梯度提升类型的独立分类模型。表I在成功率(准确度)和精确度(灵敏度)方面指示分类器的性能:
τ(%) | σ(%) | |
模型#1 | 96.80 | 97.16 |
模型#2 | 96.07 | 97.96 |
模型#3 | 97.32 | 82.08 |
模型#4 | 97.36 | 88.33 |
表I
成功率τ定义为实际上肯定的预测的数量(TP)和实际上否定的预测的数量(TN)的总和与肯定和否定的预测(错误的或正确的)的集合的比率:
其中FP(FN)相应地是伪肯定(伪否定)预测的数量。
精确度是肯定预测中的实际上肯定的部分:
因此,可以在征兆参数的基础上正确地对冰冻状况进行分类,而无需添加任何特定的探头(冰传感器),并且成功率为约80%。
图4A至图4D表示了由分类器基于上述四种分类模型对冰冻状况进行分类的结果。
图4A中的第一分类模型预测了状况(待解释的二元变量)TWC≤0.5,图4B中的第二分类模型预测了状况0.5<TWC≤1.5,图4C中的第三分类模型预测了状况1.5<TWC≤3,并且最后图4D中的第四分类模型预测了状况TWC>3。对于这些图中的每一个图,已经在上部部分中表示了实际的冰冻状况,并且已经在下部部分中表示了由相应的分类器预测的冰冻状况。无论结冰状况的严重程度如何,本领域技术人员都将注意到预测状况与实际状况之间的非常好的相关性。
Claims (11)
1.一种用于探测飞行器的结冰状况的方法,其特征在于,所述方法包括以下步骤:
-测量(320)所述飞行器的除了冰探测用外部探头之外的系统的参数,所述系统在存在冰时不易受降级操作的影响,并且所述参数是所述飞行器上存在冰的征兆;
-将这些参数的测量结果转换(330)成解释所述结冰状况的解释变量的值的P元组;
-由先前以监督方式训练过的至少一个分类器对所述测量结果进行分类(370),所述分类器提供对结冰状况类别的隶属度的预测。
2.根据权利要求1所述的用于探测飞行器的结冰状况的方法,其特征在于,所述飞行器的系统的参数选自来自ATA21、ATA27、ATA28、ATA30、ATA32、ATA34、ATA36、ATA70至ATA79的参数列表。
3.根据权利要求1所述的用于探测飞行器的结冰状况的方法,其特征在于,所述参数选自温度、加热电路电流、压力、致动器命令与反馈之间的差异、运动学参数、测高参数、气压测定参数以及风速测定参数。
4.根据权利要求1-3中任一项所述的用于探测飞行器的结冰状况的方法,其特征在于,将所述参数的测量结果转换成解释变量的值包括计算平均值、计算中值、计算标准差、计算方差、傅立叶变换、低通或高通滤波、小波分解、谱密度计算。
5.根据权利要求1-3中任一项所述的用于探测飞行器的结冰状况的方法,其特征在于,所述分类的步骤(370)由多个分类器执行,这些分类器的相应预测被合并(380),合并结果给出对冰的存在/不存在或不存在/存在、或者所述结冰状况的严重程度的预测(390)。
6.根据权利要求5所述的用于探测飞行器的结冰状况的方法,其特征在于,所述分类器使用从以下各项中选定的分类模型:决策树式分类模型、基于线性判别分析的分类模型、基于二次判别分析的分类模型、基于决策森林的分类模型、使用决策树装袋的分类模型、使用逻辑回归的分类模型、使用k最近邻方法的分类模型、使用弱分类器提升的分类模型。
7.根据权利要求5所述的用于探测飞行器的结冰状况的方法,其特征在于,所述参数的测量结果由所述飞行器传输到地面站,所述地面站执行所述转换和分类的步骤并且然后将所述合并结果返回到所述飞行器。
8.一种对根据权利要求1所述的用于探测飞行器的结冰状况的方法进行监督式训练的方法,其特征为以下步骤:
-在飞行期间在冰冻状况下测量(120)所述飞行器的系统的所述参数;
-将这些参数的测量结果转换(130)成解释所述结冰状况的解释变量的值的P元组;
-通过位于所述飞行器上的专用探头在所述飞行期间探测(140)冰冻状况的存在;
-基于在前一步骤中探测到的状况,将冰冻状况类别分配(160)给所述测量结果;
-基于所述解释变量和所分配的相应类别来训练(170)多个分类器;
-通过对所述测量结果的集合进行交叉验证来对所述分类器的预测性能进行比较(180);
-从性能最佳的分类器中选择(190)至少一个分类器以预测所述结冰状况。
9.根据权利要求8所述的监督式训练方法,其特征在于,在所述飞行期间探测冰冻状况的存在还使用了所述飞行器外部的气象源。
10.根据权利要求8或9所述的监督式训练方法,其特征在于,基于对所述测量结果的集合进行的预测的预测误差的平均值绝对值或预测误差的均方值或平均成功率来估计分类器的预测性能。
11.根据权利要求10所述的监督式训练方法,其特征在于,所述分类器使用从以下各项中选定的分类模型:决策树式分类模型、基于线性判别分析的分类模型、基于二次判别分析的分类模型、基于决策森林的分类模型、使用决策树装袋的分类模型、使用逻辑回归的分类模型、使用k最近邻方法的分类模型、使用弱分类器提升的分类模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1850553A FR3077059B1 (fr) | 2018-01-24 | 2018-01-24 | Methode de detection de conditions givrantes pour un aeronef par apprentissage automatique supervise |
FR1850553 | 2018-01-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110070098A true CN110070098A (zh) | 2019-07-30 |
Family
ID=61521767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910042002.XA Pending CN110070098A (zh) | 2018-01-24 | 2019-01-17 | 用于通过监督式自动学习来探测飞行器的冰冻状况的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11472563B2 (zh) |
EP (1) | EP3517442B1 (zh) |
CN (1) | CN110070098A (zh) |
FR (1) | FR3077059B1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114056599A (zh) * | 2021-12-23 | 2022-02-18 | 中国飞机强度研究所 | 一种基于灰色关联度的飞机气候环境适应能力评价方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3077059B1 (fr) | 2018-01-24 | 2020-01-31 | Airbus Operations | Methode de detection de conditions givrantes pour un aeronef par apprentissage automatique supervise |
GB2590671A (en) * | 2019-12-23 | 2021-07-07 | Airbus Operations Ltd | Control system |
CN111291505B (zh) * | 2020-05-08 | 2020-10-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于深度置信网络的翼型结冰冰形预测方法及装置 |
CN112046761B (zh) * | 2020-08-04 | 2021-10-15 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于统计检验和滤波的飞机结冰在线探测方法 |
US11922331B2 (en) * | 2020-08-26 | 2024-03-05 | Northrop Grumman Systems Corporation | Machine-learning-based predictive ice detection |
EP4036565A1 (en) | 2021-01-27 | 2022-08-03 | Université Libre de Bruxelles | Device and method for detecting the formation of ice |
EP4137412A1 (en) * | 2021-08-20 | 2023-02-22 | Goodrich Corporation | Ice detector system and method |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014106268A1 (en) * | 2012-12-31 | 2014-07-03 | Telvent Dtn Llc | Dynamic aircraft threat controller manager apparatuses, methods and systems |
FR3024434B1 (fr) * | 2014-07-29 | 2016-08-05 | Airbus Helicopters | Procede et dispositif de detection de givrage d'une entree d'air d'un turbomoteur |
FR3036821B1 (fr) * | 2015-05-27 | 2017-06-23 | Airbus Helicopters | Procede et dispositif d'aide a la decision pour detecter et signaler des risques meteorologiques locaux lies au relief du terrain survole par un aeronef |
GB201612021D0 (en) * | 2016-07-11 | 2016-08-24 | Rolls-Royce Ltd | A method of operating a gas turbine engine |
FR3077059B1 (fr) | 2018-01-24 | 2020-01-31 | Airbus Operations | Methode de detection de conditions givrantes pour un aeronef par apprentissage automatique supervise |
-
2018
- 2018-01-24 FR FR1850553A patent/FR3077059B1/fr not_active Expired - Fee Related
-
2019
- 2019-01-17 CN CN201910042002.XA patent/CN110070098A/zh active Pending
- 2019-01-21 EP EP19152850.4A patent/EP3517442B1/fr active Active
- 2019-01-23 US US16/255,106 patent/US11472563B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114056599A (zh) * | 2021-12-23 | 2022-02-18 | 中国飞机强度研究所 | 一种基于灰色关联度的飞机气候环境适应能力评价方法 |
CN114056599B (zh) * | 2021-12-23 | 2022-04-08 | 中国飞机强度研究所 | 一种基于灰色关联度的飞机气候环境适应能力评价方法 |
Also Published As
Publication number | Publication date |
---|---|
FR3077059A1 (fr) | 2019-07-26 |
FR3077059B1 (fr) | 2020-01-31 |
EP3517442A1 (fr) | 2019-07-31 |
US20190225346A1 (en) | 2019-07-25 |
US11472563B2 (en) | 2022-10-18 |
EP3517442B1 (fr) | 2020-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070098A (zh) | 用于通过监督式自动学习来探测飞行器的冰冻状况的方法 | |
CN107545095B (zh) | 用于飞行器大修期间的结构修理的预测方法和系统 | |
Caliskan et al. | A review of in-flight detection and identification of aircraft icing and reconfigurable control | |
Zhou et al. | Deep learning-based approach for civil aircraft hazard identification and prediction | |
CN102706389A (zh) | 采用滚动预测的飞机表面积冰短时预报系统及预报方法 | |
CN103370667A (zh) | 对飞机发动机进监控以对维护操作进行预测 | |
US11401044B2 (en) | Method and assistance system for detecting a degradation of flight performance | |
CN104149988A (zh) | 诊断引气系统故障的方法 | |
Colone et al. | Mass detection, localization and estimation for wind turbine blades based on statistical pattern recognition | |
Wang et al. | Data-driven anomaly detection of UAV based on multimodal regression model | |
Deiler et al. | Design and Testing of an Indirect Ice Detection Methodology | |
Rey et al. | A data-driven model for safety risk identification from flight data analysis | |
CN110316386A (zh) | 通过分析电流消耗检测飞行器的结冰状况 | |
Zhou et al. | Development of a Real-Time In-Flight Ice Detection System via Computational Aeroacoustics and Bayesian Neural Networks | |
Schuchard et al. | Detection and classification of aircraft icing using neural networks | |
Løw-Hansen et al. | UAV icing: Ice shedding detection method for an electrothermal de-icing system | |
Kilic et al. | Digital twin for Electronic Centralized Aircraft Monitoring by machine learning algorithms | |
Raptis et al. | A particle filtering-based framework for real-time fault diagnosis of autonomous vehicles | |
US20240105065A1 (en) | Method and system for detecting and classifying manoeuvres executed by an aircraft on the basis of measures acquired during a flight of the aircraft | |
Reed | Development of a parametric-based indirect aircraft structural usage monitoring system using artificial neural networks | |
Reed | Indirect aircraft structural monitoring using artificial neural networks | |
Løw-Hansen et al. | UAV Icing: A Survey of Recent Developments in Ice Detection Methods | |
EP4137412A1 (en) | Ice detector system and method | |
Patnaik et al. | An integrated PHM approach for gas turbine engines | |
Gao | Analysis and research of aviation safety risk based on PCA and MEST algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |