CN110427419A - 一种基于数据挖掘的飞行数据异常识别模型构建方法 - Google Patents
一种基于数据挖掘的飞行数据异常识别模型构建方法 Download PDFInfo
- Publication number
- CN110427419A CN110427419A CN201910687431.2A CN201910687431A CN110427419A CN 110427419 A CN110427419 A CN 110427419A CN 201910687431 A CN201910687431 A CN 201910687431A CN 110427419 A CN110427419 A CN 110427419A
- Authority
- CN
- China
- Prior art keywords
- data
- flying quality
- identification model
- anomalous identification
- model
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于航空电子技术领域,本发明提出一种飞行数据异常识别模型构建方法,包括以下步骤:读取飞行数据作为样本数据,将样本数据进行预处理,对样本数据中可能存在的非法值、空值等进行筛选和处理,完成数据清洗;采用降维的方法完成数据特征提取;根据提取的数据特征和数据挖掘算法,完成模型训练,形成异常识别模型,能够区分数据特征,即是否存在异常;选取新的数据源作为测试样本,利用训练好的模型识别数据状态,输出结果。本发明解决当前在构建飞机异常识别模型时缺少故障数据和具体的飞机参数知识,仅通过数据就能构建飞行数据异常识别模型,为后续利用海量飞行数据开展健康诊断和大数据应用提供一种思路。
Description
技术领域
本发明属于航空电子技术领域,涉及一种基于数据挖掘的飞行数据异常识别模型构建方法。
背景技术
数据管理系统记录了飞机整个飞行过程的全机数据,随着航空电子技术的发展,记录的参数个数、参数信息量急剧上升,现有的飞行数据判读手段效率低下,如何能够准确识别异常飞行数据来有效保证飞行安全、预防飞行事故发生,已成为关注的焦点。
发明内容
发明目的:本发明的目的是提出一种飞行数据异常识别模型构建方法,解决当前在构建飞机异常识别模型时因缺少故障数据和具体的飞机参数知识而导致的判读效率低下的问题。
技术方案:一种飞行数据异常识别模型构建方法,构建方法如下:
步骤(1),读取飞行数据作为样本数据,将样本数据进行预处理,对样本数据中可能存在的非法值、空值等进行筛选和处理,完成数据清洗;
步骤(2),采用降维的方法完成数据特征提取;
步骤(3),根据提取的数据特征和数据挖掘算法,完成模型训练,形成异常识别模型,能够区分数据特征,即是否存在异常;
步骤(4),选取新的数据源作为测试样本,利用步骤(3)训练好的模型识别数据状态,输出结果。
所述步骤(1),在对样本数据进行预处理时,首先通过飞行阶段划分数据,不同的飞行阶段数据特征不同。
所述步骤(2),在进行数据特征提取时,针对不同类型的飞行数据采用不同的特征提取方式;飞行数据分为连续量和离散量,对于连续量,将数据划分为时间为t秒的时间片,对所有t秒的时间片内进行特征提取,统计数据特征;对于离散量,采用0和1两个特征量进行划分并提取特征。
优选地,在完成模型训练并形成异常识别模型后,根据不断增加的测试样本数据、设置模型参数不断优化异常识别模型,能够更加准确识别异常飞行数据。
有益效果:本发明基于数据挖掘的方式构建飞行数据异常识别模型,能够针对海量历史飞行数据自动识别异常飞行数据;本发明是完全通过数据去建立异常识别模型,不依赖具体的先验知识(具体故障逻辑和专家知识);本发明异常模型的构建相比其他数据挖掘模型,不需要提前标签数据(即训练数据分为正常标签和异常标签),只需要认为是一类数据去构建模型。
附图说明
图1为本发明飞行数据异常识别模型构建流程图。
具体实施方式
本发明实施过程以飞行数据工程值参数作为数据源,首先需将多架次的飞行数据文件分别保存为CSV格式,CSV的存储格式:行表示时间信息,列是具体的参数和对应数值。下面结合附图对本发明做进一步详细说明,请参阅图1。整个实施过程包括以下步骤:
步骤(1),读取飞行数据作为样本数据,将样本数据进行预处理,对样本数据中可能存在的非法值、空值等进行筛选和处理,完成数据清洗;
步骤(2),采用降维的方法完成样本数据特征提取;
步骤(3),根据提取的数据特征和数据挖掘算法,完成模型训练,形成异常识别模型,能够区分数据特征(是否存在异常);
步骤(4),根据不断增加的测试样本数据、设置模型参数不断优化模型;
步骤(5),选取新的数据源作为测试样本,利用训练好的模型识别数据状态,输出结果。
所述步骤(1),在对样本数据进行预处理时,首先通过飞行阶段划分数据,主要飞行阶段分为开车滑行、起飞、初始爬升、巡航、下降、进近、着陆等,不同的飞行阶段数据特征不同。以发动机高压转速、地速、无线电高度等参数数值来划分飞行阶段,例如开车滑行阶段,两台发动机高压转速NH≥66%±1%,且地速增加(持续30秒),且主轮空地信号为地面状态;起飞阶段判断左右发扭矩>50%,且地速>50kt,且地速增加(持续3秒),且无线电高度<5ft;爬升阶段判断无线电高度>1500ft,且气压高度持续增加(持续30秒)。
所述步骤(2),在进行数据特征提取时,针对不同类型的飞行数据采用不同的特征提取方式;飞行数据分为连续量和离散量,对于连续量,将数据划分为时间为t秒的时间片,对所有t秒的时间片内进行特征提取(采用极值、均值、方差等计算方式),统计数据特征;对于离散量,采用0和1两个特征量进行划分并提取特征。
本发明基于大量的飞行数据,利用数据挖掘算法构建模型,将飞参数据经过预处理后映射到高维特征空间,通过寻找一个超平面,将正常的飞参数据和异常飞参数据划分开来,数据挖掘算法实现构造一个超平面,通过对飞参数据的训练学习,得到一个优化的超平面,目的使更多的样本点位于超平面上,带入测试样本数据,如果输出是一个正值(1),则是正常样本点,如果输出是一个负值(-1),则为异常数据点。
Claims (4)
1.一种飞行数据异常识别模型构建方法,其特征在于构建方法如下:
步骤(1),读取飞行数据作为样本数据,将样本数据进行预处理,对样本数据中可能存在的非法值、空值等进行筛选和处理,完成数据清洗;
步骤(2),采用降维的方法完成数据特征提取;
步骤(3),根据提取的数据特征和数据挖掘算法,完成模型训练,形成异常识别模型,能够区分数据特征,即是否存在异常;
步骤(4),选取新的数据源作为测试样本,利用步骤(3)训练好的模型识别数据状态,输出结果。
2.如权利要求1所述的一种飞行数据异常识别模型构建方法,其特征在于:所述步骤(1),在对样本数据进行预处理时,首先通过飞行阶段划分数据,不同的飞行阶段数据特征不同。
3.如权利要求1所述的一种飞行数据异常识别模型构建方法,其特征在于:所述步骤(2),在进行数据特征提取时,针对不同类型的飞行数据采用不同的特征提取方式;所述飞行数据分为连续量和离散量,对于连续量,将数据划分为时间为t秒的时间片,对所有t秒的时间片内进行特征提取,统计数据特征;对于离散量,采用0和1两个特征量进行划分并提取特征。
4.如权利要求1所述的一种飞行数据异常识别模型构建方法,其特征在于:在完成模型训练并形成异常识别模型后,根据不断增加的测试样本数据、设置模型参数不断优化异常识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910687431.2A CN110427419A (zh) | 2019-07-29 | 2019-07-29 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910687431.2A CN110427419A (zh) | 2019-07-29 | 2019-07-29 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110427419A true CN110427419A (zh) | 2019-11-08 |
Family
ID=68411082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910687431.2A Pending CN110427419A (zh) | 2019-07-29 | 2019-07-29 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110427419A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552921A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业(集团)有限责任公司 | 一种用于异常检测的飞行数据预处理方法 |
CN111830937A (zh) * | 2020-07-23 | 2020-10-27 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理系统 |
CN112085866A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的飞机异常状态识别方法 |
CN113204914A (zh) * | 2021-04-12 | 2021-08-03 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN113359664A (zh) * | 2021-05-31 | 2021-09-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
CN113554072A (zh) * | 2021-07-09 | 2021-10-26 | 北京军懋国兴科技股份有限公司 | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
CN114219034A (zh) * | 2021-12-17 | 2022-03-22 | 江西洪都航空工业集团有限责任公司 | 一种基于svm分类算法的飞参数据和飞行员生理数据挖掘方法 |
CN114692760A (zh) * | 2022-03-30 | 2022-07-01 | 中国民航科学技术研究院 | 下降率估算模型构建、下降率估算方法、装置及电子设备 |
CN116361728A (zh) * | 2023-03-14 | 2023-06-30 | 南京航空航天大学 | 基于实时飞行数据的民航飞机系统级异常前兆识别方法 |
-
2019
- 2019-07-29 CN CN201910687431.2A patent/CN110427419A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111552921A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业(集团)有限责任公司 | 一种用于异常检测的飞行数据预处理方法 |
CN111830937A (zh) * | 2020-07-23 | 2020-10-27 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理系统 |
CN111830937B (zh) * | 2020-07-23 | 2021-07-02 | 上海钧正网络科技有限公司 | 车辆故障识别模型的构建、识别方法及装置、管理系统 |
CN112085866B (zh) * | 2020-08-14 | 2023-04-07 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的飞机异常状态识别方法 |
CN112085866A (zh) * | 2020-08-14 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的飞机异常状态识别方法 |
CN113204914A (zh) * | 2021-04-12 | 2021-08-03 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN113204914B (zh) * | 2021-04-12 | 2022-06-17 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
CN113359664A (zh) * | 2021-05-31 | 2021-09-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
CN113359664B (zh) * | 2021-05-31 | 2023-07-07 | 海南文鳐科技有限公司 | 故障诊断与维护系统、方法、设备及存储介质 |
CN113554072A (zh) * | 2021-07-09 | 2021-10-26 | 北京军懋国兴科技股份有限公司 | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
CN113554072B (zh) * | 2021-07-09 | 2024-04-16 | 北京军懋国兴科技股份有限公司 | 一种飞行动作划分方法、计算机可读存储介质及终端设备 |
CN114219034A (zh) * | 2021-12-17 | 2022-03-22 | 江西洪都航空工业集团有限责任公司 | 一种基于svm分类算法的飞参数据和飞行员生理数据挖掘方法 |
CN114692760A (zh) * | 2022-03-30 | 2022-07-01 | 中国民航科学技术研究院 | 下降率估算模型构建、下降率估算方法、装置及电子设备 |
CN116361728A (zh) * | 2023-03-14 | 2023-06-30 | 南京航空航天大学 | 基于实时飞行数据的民航飞机系统级异常前兆识别方法 |
CN116361728B (zh) * | 2023-03-14 | 2024-01-23 | 南京航空航天大学 | 基于实时飞行数据的民航飞机系统级异常前兆识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427419A (zh) | 一种基于数据挖掘的飞行数据异常识别模型构建方法 | |
CN108647136B (zh) | 基于smart信息和深度学习的硬盘损坏预测方法及装置 | |
CN109408552B (zh) | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 | |
CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN104246637B (zh) | 分析飞行器记录的飞行数据以将其截取到飞行阶段的方法 | |
CN106769089A (zh) | 无人机飞行性能分析与飞行品质评估一体化实时监控方法 | |
CN109240327B (zh) | 一种固定翼飞机飞行阶段识别方法 | |
DE102018127773A1 (de) | Detektion eines akustischen Ereignisses basierend auf der Modellierung einer Sequenz von Ereignisunterabschnitten | |
CN113486938A (zh) | 基于多分支时间卷积网络的重着陆的分析方法和装置 | |
CN110388315B (zh) | 基于多源信息融合的输油泵故障识别方法、装置及系统 | |
CN110533095A (zh) | 一种基于改进随机森林的航班飞行风险行为识别方法 | |
CN110458214B (zh) | 驾驶员更换识别方法和装置 | |
CN106649755A (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
CN113641486A (zh) | 一种基于边缘计算网络架构的道岔智能故障诊断方法 | |
CN110083058A (zh) | 基于时序qar参数的重着陆分类方法 | |
CN115452376A (zh) | 基于改进轻量级深度卷积神经网络的轴承故障诊断方法 | |
CN106127407B (zh) | 基于多传感器信息融合的飞机行程打分方法及打分系统 | |
CN104656532A (zh) | 基于无人机的水源地污染源监测方法及系统 | |
CN109143851B (zh) | 多标记故障深度学习的识别及其结果智能表达的方法 | |
CN115508089A (zh) | 一种主轴承的工况识别方法、装置及介质 | |
Chen et al. | An improved faster R-CNN transmission line bolt defect detection method | |
CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
CN112183972A (zh) | 航班延误分析方法及装置、处理器、电子装置 | |
Lattrez et al. | Predicting airport atfm regulations using deep convolutional neural networks | |
Almasri | Deep Learning for RF-based Drone Detection and Identification using Welch's Method. |
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 |