CN110489254A - 基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法 - Google Patents

Abstract

本发明提出一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法，系统包括故障诊断平台、故障原因推理平台、数据库储存计算机和客户端；通过对飞机各系统的运行参数进行实时而全面的监控和采集，形成海量的数据源，通过特征参数谱的计算得到信号的典型特征并对残差信号中的故障特征进行提取与描述，并将这些特征作为参数，一并存入参数数据库，实现飞机参数数据库的建立，从而涵盖了飞机已经或可能发生的故障信息，并通过故障诊断计算机的诊断和故障原因推理计算机的推理，确定故障及原因并给出维修/隔离的方案，进而实现对全机各系统的健康监测和故障诊断。

Description

基于深度随机森林算法的大型飞机航空大数据故障检测与因 果推理系统及方法

技术领域

本发明属于大型飞机运行系统健康监测和故障检测领域，特别涉及一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法。

背景技术

鉴于大型飞机的复杂性，能否从排故过程快速进入备运状态成为现代航空实现可持续大运量的迫切要求。相对于国外军用和民用运输机几十年的设计、研发、运行经验，我国大型飞机的研发、制造、试验才刚刚起步，缺乏大量的实际运行数据，对大型飞机的安全性、维修性、可靠性等仍处在摸索阶段。然而，国内民用航空在近30年里已经成功运营了2000架以上的波音、空客等国外先进大型飞机，每年运行1万亿公里以及飞机起降达1000万架次，在北京、上海等繁忙机场和时段已经达到10分钟3架次的起降，形成了海量的运行数据。

目前大型飞机的健康监测和故障检测主要针对某一器件或模块，通常是在监测信号发生异常时对该器件或模块的健康状态进行分析。这样一对一的监测诊断方法无法考虑到整个系统或者不同系统之间可能发生的级联故障。然而，系统故障和系统之间的级联故障是现有大型飞机的健康监测系统难以解决的两类故障模式。飞机在运行过程中会产生大量的运行数据，借助航空大数据是一种解决上述问题的可能方法，而目前仍未系统性地提出。

发明内容

为解决上述问题，本发明监控并采集飞机各系统的运行信号，通过对采集到的各系统的故障信号进行分析处理以及特征提取，从而构建一套大型飞机运行数据库，以此数据库为基础，通过一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理方法，实现对飞机各系统的健康监控和故障诊断。

本发明的技术方案为：

所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，其特征在于：包括故障诊断平台、故障原因推理平台、数据库储存计算机和客户端；

所述故障诊断平台包括信号采集计算机、信号预处理与特征提取计算机和故障诊断计算机；

所述故障原因推理平台包括参数计算机、单故障注入计算机、单故障原因推理计算机、级联故障注入计算机、级联故障原因推理计算机；

所述数据库储存计算机包括源数据库、参数数据库、故障数据库和知识库，其中故障数据库包括单故障数据库和级联故障数据库；

所述信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号，并应用大数据存储技术将采集到的海量数据存储于源数据库中；

所述信号预处理与特征提取计算机能够访问源数据库读取源数据，并对源数据进行特征参数谱计算，得到源数据信号的典型特征；通过比对源数据信号与正常数据信号得到残差信号，对残差信号中的故障特征进行提取与描述，将其存入参数数据库，作为故障诊断计算机的输入数据；

所述故障诊断计算机内置有训练好的深度随机森林模型，所述深度随机森林模型为基于深度学习算法将随机森林堆积成的多层结构；将残差信号输入到深度随机森林模型中，通过模型对残差信号进行分类，判断输入数据所属故障类别为单故障或级联故障，并依此将故障信息分别存入单故障数据库和级联故障数据库中，同时给出故障诊断报告；

所述参数计算机能够访问故障数据库，将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机，将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机，通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型，根据故障类型进行进一步识别，实现故障原因推理，并将推理结果生成推理报告存入知识库中。

进一步的优选方案，所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，其特征在于：客户端与故障诊断平台、故障原因推理平台和数据库储存计算机进行数据连接；通过客户端能够对系统进行整体调控，并可随时访问源数据库、参数数据库、故障数据库及知识库中的数据。

进一步的优选方案，所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，其特征在于：所述源数据库中采用参数表和参数记录表进行数据存储，所述参数表中包括两个字段：故障代码和参数名称，其中故障代码是根据ATA标准获得的故障代码，参数名称为对应相关故障代码的参数名称；所述参数记录表中包括三个字段：参数名称、时间和参数值，参数值为对应时间下某参数的参数值。

基于上述系统的大型飞机航空大数据故障检测与因果推理方法，其特征在于：包括以下步骤：

步骤1：信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号，并应用大数据存储技术将采集到的海量数据存储于源数据库中；

步骤2：信号预处理与特征提取计算机访问源数据库读取源数据，并对源数据进行特征参数谱计算，得到源数据信号的典型特征；通过比对源数据信号与正常数据信号得到残差信号，对残差信号中的故障特征进行提取与描述，将其存入参数数据库，作为故障诊断计算机的输入数据；

步骤3：将残差信号输入到故障诊断计算机内置的训练好的深度随机森林模型中，通过模型对残差信号进行分类，判断输入数据所属故障类别为单故障或级联故障，并依此将故障信息分别存入单故障数据库和级联故障数据库中，同时给出故障诊断报告；

步骤4：参数计算机访问故障数据库，将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机，将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机，通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型，根据故障类型进行进一步识别，实现故障原因推理，并将推理结果生成推理报告存入知识库中。

进一步的优选方案，所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：通过对知识库中的信息进行访问和提取，给出具体的维修/隔离方案。

进一步的优选方案，所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：步骤3中如果无法判断输入数据所属故障类别为单故障或级联故障，或步骤4中如果无法识别故障类型，则提示进行人工诊断，再将诊断结果手动添加到知识库中。

进一步的优选方案，所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：步骤3中深度随机森林模型采用以下过程训练得到：

首先将大型飞机不同故障模式下的残差特征数据集作为训练样例集V＝(v_e,k)，t＝1,2,…,K，K为样本总数，v_e,k表示训练集中第t行记录，每行记录对应一个故障类型标签；

将训练数据集通过输入层输入到深度随机森林模型中，每层深度森林中的森林个数为B，故障标签总数为C；

逐层训练深度随机森林，输入是K×M的矩阵，M表示训练集中包含的信号特征数；第n层森林的输出为K×(M+BC)_n，直至训练完最后一层，即第N层深度随机森林，该层输出数据的尺寸为K×BC；输出层数据的尺寸为K，表示输入的K个样本的分类标签。

进一步的优选方案，所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：在步骤4中进行故障原因推理前，建立故障树，包括单故障树和级联故障树；所述故障树基于飞机系统的组成和工作原理进行故障分类，以飞机整体故障为顶事件，将系统故障作为下一级，将各系统的子系统故障作为第三级。依次细分至能够采用ATA标准中的故障代码表示为止。

进一步的优选方案，所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：将所述单故障树的逻辑关系转化为表的形式，形成3个表，分别为故障字典表、故障原因表和原因权重表；其中故障字典表包括故障代码、故障名称、故障现象和故障所属系统4个字段；故障原因表包括原因序号、故障原因、隔离方案和原因所属系统4个字段；原因权重表包括故障代码、原因序号、发送次数和权重4个字段；故障字典表与原因权重表之间通过故障代码字段进行逻辑联系，原因权重表与故障原因表之间通过原因序号字段进行逻辑联系；

将所述级联故障树的逻辑关系转化为表的形式，形成2个表，分别为级联故障字典表和级联故障原因表；其中级联故障字典表包括级联序号和级联现象2个字段；级联故障原因表包括级联序号、原因序号、故障代码和发生次数4个字段；级联故障字典表与级联故障原因表之间通过级联序号进行逻辑联系。

进一步的优选方案，所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：对于单故障原因推理，由单故障原因推理计算机推断出所有可能的原因，再根据单故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重，选择最高可能性的原因，并查找其对应的维修/隔离方案并执行，然后判断故障是否消除，如果故障仍未消除，则调用该故障所对应的故障树，进行详细判断，给出进一步的维修隔离方案；

对于级联故障原因推理，由级联故障原因推理计算机判断是否同时出现多故障，如果出现多故障，则进一步判断是否共源，如果是共源，则转入级联故障诊断并采用级联故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重，选择最高可能性的原因，并查找其对应的维修隔离方案并执行，然后判断故障是否消除，如果故障仍未消除，则判断是否还存在待选故障原因，如果存在，则按照待选故障原因查找其对应的维修隔离方案并执行，然后判断故障是否消除；如果不存在，则调用对应的故障树，进行详细判断，给出进一步的维修隔离方案；如果是多故障或不共源，则转入单故障原因推理。

有益效果

本发明通过计算机平台的搭建，利用大数据技术，对飞机各系统的运行参数进行实时而全面的监控和采集，形成海量的数据源，通过特征参数谱的计算得到信号的典型特征并对残差信号中的故障特征进行提取与描述，并将这些特征作为参数，一并存入参数数据库，实现飞机参数数据库的建立，从而涵盖了飞机已经或可能发生的故障信息，并通过故障诊断计算机的诊断和故障原因推理计算机的推理，确定故障及原因并给出维修/隔离的方案，进而实现对全机各系统的健康监测和故障诊断。

本发明应用深度随机森林算法搭建故障原因推理机，通过访问构建的飞机参数数据库，进行高效的故障诊断和原因推理，从而缩短了故障排查周期和降低了人力成本。

本发明中，每个故障的成功诊断/隔离后，都会将结果自动存入知识库中，从而不断丰富知识库中的知识。

本发明知识库中的知识来自国内外成熟的维修/隔离手册、丰富的领域内维修专家的经验以及以往的成功维修记录，从而能在成功诊断故障后，确保快速有效地进行故障修复并进入备运状态。

由上述内容可知，本发明建立了一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法，可实现大型飞机航空大数据的自主分析与故障检测，并不断自我更新。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是大型飞机航空大数据故障检测与因果推理系统；

图2是参数表和参数记录表间逻辑关系；

图3是参数谱特征示例；

图4是随机森林算法工作流程；

图5是深度随机森林算法测试样例及结果比对；

图6是飞机典型故障树；

图7是故障字典表、故障原因表和原因权重表间逻辑关系；

图8是级联故障字典表、级联故障原因表间逻辑关系；

图9是单故障原因推理流程图；

图10是级联故障原因推理流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提供了一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统及方法，可以达到如下目的：

(1)提供故障检测、原因推理、异常预测、寿命推断、全寿命周期管理等功能，以提升飞机安全性和可靠性，降低使用寿命周期费用；

(2)建立大型飞机成熟运行经验的航空大数据库，提出大数据分析方法，满足型号设计与运行过程的经验输入要求；

(3)促进我国大型飞机在自主设计、研发、运行，尤其是在飞机安全、可靠、维修、经济性等方面获得进一步提升，缩短试错周期。

如图1所示，本发明提出的一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，包括故障诊断平台、故障原因推理平台、数据库储存计算机和客户端。

所述故障诊断平台包括信号采集计算机、信号预处理与特征提取计算机和故障诊断计算机；所述故障原因推理平台包括参数计算机、单故障注入计算机、单故障原因推理计算机、级联故障注入计算机、级联故障原因推理计算机；所述数据库储存计算机包括源数据库、参数数据库、故障数据库和知识库，其中故障数据库包括单故障数据库和级联故障数据库。

参照图1、图2和图3，所述信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号，例如飞控系统、导航系统、发动机系统、电源系统、燃油系统等等，并应用大数据存储技术将采集到的海量数据存储于源数据库中；所述源数据库中采用参数表和参数记录表进行数据存储，在所述参数表中，每种故障都定义至少一个相关参数，通过采集并分析该参数来监控飞机健康状态，所述参数表包括两个字段：故障代码和参数名称，其中故障代码是根据ATA标准获得的故障代码，参数名称为对应相关故障代码的参数名称；所述参数记录表中包括三个字段：参数名称、时间和参数值，参数值为对应时间下某参数的参数值，即参数值是随着时间变化来记录的。

所述信号预处理与特征提取计算机能够访问源数据库读取源数据，并对源数据进行特征参数谱计算，得到源数据信号的典型特征；通过比对源数据信号与正常数据信号得到残差信号，对残差信号中的故障特征进行提取与描述，将其存入参数数据库，作为故障诊断计算机的输入数据。例如，对于某些电压信号可提取幅值、频率和方差作为参数谱特征，将提取到的多方面特征参数也按照参数表和参数记录表的形式，存入参数数据库。

参照图1、图4和图5，所述故障诊断计算机内置有训练好的深度随机森林模型，所述深度随机森林模型为基于深度学习算法将随机森林堆积成的多层结构。

深度随机森林模型采用以下过程训练得到：

首先将大型飞机不同故障模式下的残差特征数据集作为训练样例集V＝(v_e,k)，t＝1,2,…,K，K为样本总数，v_e,k表示训练集中第t行记录，每行记录对应一个故障类型标签；

将训练数据集通过输入层输入到深度随机森林模型中，每层深度森林中的森林个数为B，故障标签总数为C；

逐层训练深度随机森林，输入是K×M的矩阵，M表示训练集中包含的信号特征数；第n层森林的输出为K×(M+BC)_n，直至训练完最后一层，即第N层深度随机森林，该层输出数据的尺寸为K×BC；输出层数据的尺寸为K，表示输入的K个样本的分类标签。

训练之后对深度随机森林模型进行样例测试，在输出层获得每个样例属于各类故障模式的概率值，这是通过各棵树的分类结果经多数投票得到的。然后将测试结果与支持向量机法及故障决策树法的运算结果进行对比分析。在本实施例中，故障模式分类覆盖率达到90％以上，典型故障诊断与分类时间小于1秒。

将残差信号输入到训练好的深度随机森林模型中，通过模型对残差信号进行分类，判断输入数据所属故障类别为单故障或级联故障，并依此将故障信息分别存入单故障数据库和级联故障数据库中，同时给出故障诊断报告。

参照图1、图6、图7和图8，在进行故障原因推理之前，首先建立故障树，包括单故障树和级联故障树。基于飞机系统的组成和工作原理进行故障分类，以飞机整体故障为顶事件，将飞控系统、导航系统、发动机系统、电源系统、燃油系统等系统故障作为下一级，然后各系统再分别往下分，如导航系统还可再分为大气数据计算机系统、惯性导航系统、仪表着陆系统等等。以此类推，直至细分到能用故障代码表示为止。

根据单故障的定义，将单故障树的逻辑关系转化为表的形式，形成3个表，分别为故障字典表、故障原因表和原因权重表。其中，故障字典表包括故障代码、故障名称、故障现象和故障所属系统4个字段；故障原因表包括原因序号、故障原因、隔离方案和原因所属系统4个字段；原因权重表包括故障代码、原因序号、发送次数和权重4个字段。故障字典表与原因权重表之间通过故障代码字段进行逻辑联系，原因权重表与故障原因表之间通过原因序号字段进行逻辑联系。

根据级联故障的定义，将级联故障树的逻辑关系转化为表的形式，形成2个表，分别为级联故障字典表和级联故障原因表。其中，级联故障字典表包括级联序号和级联现象2个字段；级联故障原因表包括级联序号、原因序号、故障代码和发生次数4个字段。级联故障字典表与级联故障原因表之间通过级联序号进行逻辑联系。

参照图1、图9和图10，故障原因推理平台中的参数计算机能够访问故障数据库，将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机，将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机，通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型，根据故障类型进行进一步识别，实现故障原因推理，并将推理结果生成推理报告存入知识库中。

对于单故障原因推理，由单故障原因推理计算机推断出所有可能的原因，再根据单故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重，选择最高可能性的原因，并通过对知识库中的信息进行访问和提取，查找其对应的维修/隔离方案并执行，然后判断故障是否消除，如果故障仍未消除，则调用该故障所对应的故障树，进行详细判断，给出进一步的维修隔离方案。

对于级联故障原因推理，由级联故障原因推理计算机判断是否同时出现多故障，如果出现多故障，则进一步判断是否共源，如果是共源，则转入级联故障诊断并采用级联故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重，选择最高可能性的原因，并通过对知识库中的信息进行访问和提取，查找其对应的维修隔离方案并执行，然后判断故障是否消除，如果故障仍未消除，则判断是否还存在待选故障原因，如果存在，则按照待选故障原因查找其对应的维修隔离方案并执行，然后判断故障是否消除；如果不存在，则调用对应的故障树，进行详细判断，给出进一步的维修隔离方案；如果是多故障或不共源，则转入单故障原因推理。

如果无法判断输入数据所属故障类别为单故障或级联故障，或无法识别故障类型，则提示进行人工诊断，再将诊断结果手动添加到知识库中，从而不断更新并完善知识库。如果有大量新的故障树，直接输入知识库，通过自动读取故障信息将其储存。

故障诊断平台、故障原因推理平台以及数据库储存计算机都是按照以上所描述的过程自动协调运行的。而客户端与故障诊断平台、故障原因推理平台和数据库储存计算机进行数据连接；通过客户端能够对系统进行整体调控，并可随时访问源数据库、参数数据库、故障数据库及知识库中的数据。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，其特征在于：包括故障诊断平台、故障原因推理平台、数据库储存计算机和客户端；

所述故障诊断平台包括信号采集计算机、信号预处理与特征提取计算机和故障诊断计算机；

所述故障原因推理平台包括参数计算机、单故障注入计算机、单故障原因推理计算机、级联故障注入计算机、级联故障原因推理计算机；

所述数据库储存计算机包括源数据库、参数数据库、故障数据库和知识库，其中故障数据库包括单故障数据库和级联故障数据库；

所述信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号，并应用大数据存储技术将采集到的海量数据存储于源数据库中；

所述信号预处理与特征提取计算机能够访问源数据库读取源数据，并对源数据进行特征参数谱计算，得到源数据信号的典型特征；通过比对源数据信号与正常数据信号得到残差信号，对残差信号中的故障特征进行提取与描述，将其存入参数数据库，作为故障诊断计算机的输入数据；

所述故障诊断计算机内置有训练好的深度随机森林模型，所述深度随机森林模型为基于深度学习算法将随机森林堆积成的多层结构；将残差信号输入到深度随机森林模型中，通过模型对残差信号进行分类，判断输入数据所属故障类别为单故障或级联故障，并依此将故障信息分别存入单故障数据库和级联故障数据库中，同时给出故障诊断报告；

所述参数计算机能够访问故障数据库，将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机，将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机，通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型，根据故障类型进行进一步识别，实现故障原因推理，并将推理结果生成推理报告存入知识库中。

2.根据权利要求1所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，其特征在于：客户端与故障诊断平台、故障原因推理平台和数据库储存计算机进行数据连接；通过客户端能够对系统进行整体调控，并可随时访问源数据库、参数数据库、故障数据库及知识库中的数据。

3.根据权利要求1所述一种基于深度随机森林算法的大型飞机航空大数据故障检测与因果推理系统，其特征在于：所述源数据库中采用参数表和参数记录表进行数据存储，所述参数表中包括两个字段：故障代码和参数名称，其中故障代码是根据ATA标准获得的故障代码，参数名称为对应相关故障代码的参数名称；所述参数记录表中包括三个字段：参数名称、时间和参数值，参数值为对应时间下某参数的参数值。

4.基于权利要求1所述系统的大型飞机航空大数据故障检测与因果推理方法，其特征在于：包括以下步骤：

步骤1：信号采集计算机利用全机各个机载系统中的传感器采集飞机各机载系统的故障信号，并应用大数据存储技术将采集到的海量数据存储于源数据库中；

步骤2：信号预处理与特征提取计算机访问源数据库读取源数据，并对源数据进行特征参数谱计算，得到源数据信号的典型特征；通过比对源数据信号与正常数据信号得到残差信号，对残差信号中的故障特征进行提取与描述，将其存入参数数据库，作为故障诊断计算机的输入数据；

步骤3：将残差信号输入到故障诊断计算机内置的训练好的深度随机森林模型中，通过模型对残差信号进行分类，判断输入数据所属故障类别为单故障或级联故障，并依此将故障信息分别存入单故障数据库和级联故障数据库中，同时给出故障诊断报告；

步骤4：参数计算机访问故障数据库，将单故障数据库中的数据通过单故障注入计算机传输至单故障原因推理计算机，将级联故障数据库中的数据通过级联故障注入计算机传输至级联故障原因推理计算机，通过单故障原因推理计算机和级联故障原因推理计算机中内置的且训练好的深度随机森林模型，根据故障类型进行进一步识别，实现故障原因推理，并将推理结果生成推理报告存入知识库中。

5.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：通过对知识库中的信息进行访问和提取，给出具体的维修/隔离方案。

6.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：步骤3中如果无法判断输入数据所属故障类别为单故障或级联故障，或步骤4中如果无法识别故障类型，则提示进行人工诊断，再将诊断结果手动添加到知识库中。

7.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：步骤3中深度随机森林模型采用以下过程训练得到：

首先将大型飞机不同故障模式下的残差特征数据集作为训练样例集V＝(v_e,k)，t＝1,2,…,K，K为样本总数，v_e,k表示训练集中第t行记录，每行记录对应一个故障类型标签；

将训练数据集通过输入层输入到深度随机森林模型中，每层深度森林中的森林个数为B，故障标签总数为C；

逐层训练深度随机森林，输入是K×M的矩阵，M表示训练集中包含的信号特征数；第n层森林的输出为K×(M+BC)_n，直至训练完最后一层，即第N层深度随机森林，该层输出数据的尺寸为K×BC；输出层数据的尺寸为K，表示输入的K个样本的分类标签。

8.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：在步骤4中进行故障原因推理前，建立故障树，包括单故障树和级联故障树；所述故障树基于飞机系统的组成和工作原理进行故障分类，以飞机整体故障为顶事件，将系统故障作为下一级，将各系统的子系统故障作为第三级。依次细分至能够采用ATA标准中的故障代码表示为止。

9.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：将所述单故障树的逻辑关系转化为表的形式，形成3个表，分别为故障字典表、故障原因表和原因权重表；其中故障字典表包括故障代码、故障名称、故障现象和故障所属系统4个字段；故障原因表包括原因序号、故障原因、隔离方案和原因所属系统4个字段；原因权重表包括故障代码、原因序号、发送次数和权重4个字段；故障字典表与原因权重表之间通过故障代码字段进行逻辑联系，原因权重表与故障原因表之间通过原因序号字段进行逻辑联系；

将所述级联故障树的逻辑关系转化为表的形式，形成2个表，分别为级联故障字典表和级联故障原因表；其中级联故障字典表包括级联序号和级联现象2个字段；级联故障原因表包括级联序号、原因序号、故障代码和发生次数4个字段；级联故障字典表与级联故障原因表之间通过级联序号进行逻辑联系。

10.根据权利要求4所述一种大型飞机航空大数据故障检测与因果推理方法，其特征在于：对于单故障原因推理，由单故障原因推理计算机推断出所有可能的原因，再根据单故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重，选择最高可能性的原因，并查找其对应的维修/隔离方案并执行，然后判断故障是否消除，如果故障仍未消除，则调用该故障所对应的故障树，进行详细判断，给出进一步的维修隔离方案；

对于级联故障原因推理，由级联故障原因推理计算机判断是否同时出现多故障，如果出现多故障，则进一步判断是否共源，如果是共源，则转入级联故障诊断并采用级联故障原因推理计算机中训练好的深度随机森林模型确定不同故障原因的权重，选择最高可能性的原因，并查找其对应的维修隔离方案并执行，然后判断故障是否消除，如果故障仍未消除，则判断是否还存在待选故障原因，如果存在，则按照待选故障原因查找其对应的维修隔离方案并执行，然后判断故障是否消除；如果不存在，则调用对应的故障树，进行详细判断，给出进一步的维修隔离方案；如果是多故障或不共源，则转入单故障原因推理。