CN111932102B - 一种基于动态控制图的民用飞机系统风险预警方法 - Google Patents
一种基于动态控制图的民用飞机系统风险预警方法 Download PDFInfo
- Publication number
- CN111932102B CN111932102B CN202010766561.8A CN202010766561A CN111932102B CN 111932102 B CN111932102 B CN 111932102B CN 202010766561 A CN202010766561 A CN 202010766561A CN 111932102 B CN111932102 B CN 111932102B
- Authority
- CN
- China
- Prior art keywords
- data
- control chart
- average value
- dynamic
- group
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000009469 supplementation Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 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 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于动态控制图的民用飞机系统风险预警方法,基于飞行记录数据,选取飞机特定飞行阶段系统性能参数的历史时间序列数据,对数据进行预处理并分组;计算每组历史数据的统计特征值,确定均值和标准差S控制图的阈值;将每组历史数据的统计特征值绘制在均值和标准差控制图中,训练稳态控制图,将得到的稳态阈值作为动态均值控制图的初始阈值,根据当前数据的统计特征值实时更新动态均值控制图的阈值;利用动态均值控制图判断当前数据是否正常,从而实现民机系统性能参数异常告警。本发明借助统计分析方法,利用民用飞机海量的运营数据,为民用飞机系统风险预警提供一条新思路,本发明能更好的适应数据的变化,减少误警和漏警。
Description
技术领域
本发明涉及民机系统的在线监控以及风险预警技术领域。
背景技术
随着民航业的快速发展,航空运营风险事件的数量和复杂度呈指数增长,这对航空运营风险管理技术尤其是风险预警技术的准确性和高效性提出了更高的要求。随着传感器在飞机上应用地扩大和数据传输技术地升级,飞机在运行过程中积累了大量数据,其中快速存取记录器(Quick Access Recorder,简称QAR)记载了详细的飞机系统状态相关的数据,涵盖了飞机飞行操纵品质监控的绝大部分参数,包括飞机的高度、速度、加速度、俯仰、滚转、航向等飞行参数,飞机发动机及主要部件的性能参数,以及温度、气压、风速等机舱内外的环境参数,这些飞行数据信息不仅用于飞行品质监控和评价,还为系统风险预警与故障诊断提供了丰富的数据源。
在民用航空领域,越来越多的运营数据价值被挖掘,但是数据的整体利用度仍然较低,而且在应用QAR数据进行风险预警方面没有形成系统的理论和方法。当前航空公司对飞机风险事件的预警主要是依据经验阈值针对当前状态进行检测,没有考虑历史数据,且缺乏有效的数据采集与分析处理方法,因而阈值设置不够科学,经常出现虚警和误警。
发明内容
发明目的:为解决现有技术存在现虚警和误警的问题,本发明提供一种基于动态控制图的民用飞机系统风险预警方法。
技术方案:本发明提供了一种基于动态控制图的民用飞机系统风险预警方法,具体包括如下步骤:
步骤1:根据需要检测的系统,确定y种参数,在m组历史飞行循环数据中采集该y种参数的历史数据,该历史数据均为时间序列数据;
步骤2:对采集的历史数据进行预处理;
步骤3:以一个飞行循环为一组,将预处理后的每一种参数的历史数据分为m组,以采样长度为t,采样点数为n对每一组历史数据进行均匀采样,第y’个参数的第i组的历史采样数据为其中i=1,2,...,m;j=1,2,...,n,y’=1,2,...,y;/>为第y’个参数的第i组历史数据中第j个采样点采样的历史数据的均值;
步骤4:计算第y’个参数的第i组的历史采样数据的均值和标准差/>
步骤5:根据得到第y’个参数的m组/>的平均值/>根据/>得到第y’个参数的m组/>的平均值/>绘制第y’个参数的标准差控制图和均值控制图,并基于/>和/>确定第y’个参数的标准差控制图的阈值和均值控制图的阈值;
步骤6:判断第y’个参数的每一组历史采样数据的标准差是否均在标准差控制图的阈值范围内,若是,则转步骤7,否则,删除标准差不在标准差控制图阈值范围内的历史采样数据组,重新采集该参数的历史数据进行补充,并转步骤2,更新标准差控制图的阈值,直到该第y’个参数的m组历史采样数据的标准差均在标准差控制图的阈值范围内,并转步骤7;
步骤7:判断步骤6中第y’个参数的每一组历史采样数据的均值是否均在均值控制图的阈值范围内,若是,则转步骤8;否则,删除均值不在均值控制图阈值范围内的历史采样数据组,重新采集该参数的历史数据进行补充,并转步骤2,更新均值控制图的阈值,直至该第y’个参数的m组历史采样数据的均值均在均值控制图的阈值范围内,将更新后的m组历史数据设为稳态数据组,并转步骤8;
步骤8:将步骤7中的均值控制图作为初始的动态均值控制图,将均值控制图的阈值作为动态均值控制图的初始阈值;对当前采集到的第y’个参数的m’组时间序列数据进行预处理;并计算预处理后的每一组时间序列数据的均值,根据每一组时间序列数据的均值依次更新动态均值控制图的阈值,同时判断该组时间序列数据的均值是否在动态均值控制图的阈值范围内;若每一组时间序列数据的均值均在动态均值控制图的阈值范围内,则判断需要检测的系统正常;否则根据超出动态均值控制图阈值的组数,设置风险等级,并向工作人员发送警报。
进一步的,所述步骤2中的预处理包括异常值筛选、缺失值补充和平滑处理。
进一步的,所述步骤4中的标准差为:
进一步的,所述步骤5中第y’个参数的标准差控制图的阈值包括上控制限、中心线和下控制限;
所述上控制限UCLS为:
其中B3是标准差控制图上控制限的系数;
中心线CLS为:
下控制限LCLS为:
其中B4是标准差控制图下控制限的系数。
进一步的,所述步骤5中第y’个参数的均值控制图的阈值包括上控制限、中心线和下控制限;
所述上控制限
中心线
下控制限
其中,A3为系数。
进一步的,所述步骤8中更新均值控制图的阈值具体为:
步骤8.1:计算每组稳态数据的均值,再计算m组均值的平均值计算每组稳态数据的标准差,再计算m组标准差的均值/>
步骤8.2:所述动态均值控制图的阈值包括上控制限、中心线和下控制限;根据第q组时间序列数据的均值,得到更新后的动态均值控制图的上控制限
其中,q=1、2、…m’,Q为第1~q-1组时间序列数据中均值不超过对应动态均值控制图阈值的数据组的个数,/>为第u组时间序列数据的均值,Su′为第u组时间序列数据的标准差,u=1,2,…Q,A3为系数;
xuv′为第u组时间序列数据的第v个采样点采样的数据的均值,v=1,2…n;
根据第q组时间序列数据的均值,得到更新后的动态均值控制图的中心线
根据第q组时间序列数据的均值,得到更新后的动态均值控制图的下控制限
步骤8.3:判断第q组时间序列数据的均值是否超过或/>若否,则保存和/>并转步骤8.4;否则,令当前动态均值控制图的阈值等于上一个动态均值控制图的阈值,并转步骤8.4;
步骤8.4:q迠1,判断q是否大于m’,若是,则停止计算,否则转步骤8.2。
进一步的,述步骤8中的设置风险等级具体为:若只有一组时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为低;若有两组时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为中;若超过动态均值控制图的阈值范围的时间序列数据组超过两组,则设置风险等级为高。
有益效果:本发明基于历史飞行记录数据,对数据进行处理与分析,以控制图作为手段的一种异常检测方式,无需建立复杂的物理模型,仅仅根据历史数据训练控制图,并利用当前数据实时更新控制图阈值,科学的设置预警阈值,使控制图更好的适应数据的变化,减少误警和漏警,适用于民机系统异常的风险预警。
附图说明
图1为本发明的方法流程图。
图2为单个飞行循环左发引气系统预冷器出口压力和预冷器出口温度变化情况。
图3为单个飞行循环右发引气系统预冷器出口压力和预冷器出口温度变化情况。
图4为左发引气系统预冷器出口压力的检测结果图。
图5为左发引气系统预冷器出口温度的检测结果图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
如图1所示,本实施例提供一种基于动态控制图的民用飞机系统风险预警方法,该方法包括如下步骤:
步骤1:根据需要检测的系统,确定y种关键性能参数,根据历史飞行记录数据,选取飞机系统特定飞行阶段的关键性能参数历史数据,该历史数据为时间序列数据;
步骤2:对获取的历史数据进行预处理;
步骤3:将预处理后的历史数据进行分组;
步骤4:计算每组历史数据的统计特征值;其中统计特征值包括均值和标准差S;
步骤5:根据步骤4中计算得到的统计特征值,确定标准差控制图的阈值和均值控制图的阈值;
步骤6:将步骤4中计算的每组历史数据的标准差绘制在标准差控制图中,判断历史数据是否稳定,具体为:若每组数据的标准差均在标准差控制图的阈值内,则数据稳定,若超出阈值,则为不稳定;若数据稳定转到步骤7;若数据不稳定,则删除不稳定的历史数据组,补充其他历史数据,并重新回到步骤2;
步骤7:将步骤6中的每组历史数据的均值绘制在均值控制图中,判断历史数据是否稳定,具体为:若每组数据的均值均在均值控制图的的阈值内,数据则为稳定,将该m组数据作为稳态数据,并转到步骤8;若超出阈值范围,则为不稳定,则删除不稳定的历史数据组,补充其他历史数据,并重新计算回到步骤2;
步骤8:将步骤7中第y’个参数的均值控制图作为初始的动态均值控制图,将该均值控制图的阈值作为动态均值控制图的初始阈值y’=1,2,...,y;对当前采集到的第y’个参数的m’组时间序列数据进行预处理;并计算预处理后的每一组时间序列数据的均值,根据每一组时间序列数据的均值依次更新动态均值控制图的阈值,同时判断该组时间序列数据的均值是否在动态均值控制图的阈值范围内;若每一组时间序列数据的均值均在动态均值控制图的阈值范围内,则判断需要检测的系统正常;否则根据超出动态均值控制图阈值的组数,设置风险等级,并向工作人员发送警报。
优选的,所述步骤1中飞机的整个飞行阶段包括滑行、起飞、爬升、巡航、下降、进近和着陆,不同的飞行阶段飞机系统和设备具有不同的工作状态,根据飞机待监测系统的特点,选择需要关注的飞行阶段。
优选的,所述步骤2中预处理包括异常值筛选、缺失值补充和平滑处理。数据在采集和传输过程中,由于环境或者其他因素的干扰,会存在一些明显偏离周围测量值的数据,或者存在一些缺失数据和数据噪声。为了提高数据的质量,对数据进行预处理,选择合适通用的预处理方法,如三次样条插值、聚类算法异常检测或加权移动平均平滑滤波。
优选的,步骤3中将预处理后的历史时间序列数据进行分组,具体为:以一个飞行循环为一组,则第y’个关键性能参数共有m组;对第y’个关键性能参数的第i组历史数据采样n点,则第y’个参数的第i组的历史采样数据为其中i=1,2,...,m;j=1,2,...,n,y’=1,2,...,y,/>为第y’个参数的第i组历史数据中第j个采样点采样的历史数据的均值;由于每个飞行循环时长不同,每个飞行阶段时长也不同,为了保证采样点要尽量涵盖数据的变化特征,每组数据等间隔采样。设采样数据长度为t,采样间隔为d,则其中ak是预处理后历史数据。
优选的,步骤4中计算每组历史数据的统计特征值具体为:
计算第y’个参数的第i组历史数据的均值为
第y’个参数的第i组历史数据的标准差为:/>
优选的,步骤5中根据步骤4中计算得到的统计特征值,确定标准差控制图的阈值和均值控制图的阈值,具体为:
计算第y’个参数的m组历史采样数据均值的平均值
计算第y’个参数的m组历史采样数据的标准差的平均值
其中,为第y’个参数的第i组历史采样数据的标准差;
所述第y’个参数的标准差控制图的阈值包括上控制限、中心线和下控制限;
所述上控制限UCLS为:
其中B3是标准差控制图上控制限的系数;
中心线CLS为:
下控制限LCLS为:
其中B4是标准差控制图下控制限的系数。
优选的,第y’个参数的均值控制图的阈值包括上控制限、中心线和下控制限;
所述上控制限
中心线
下控制限
其中,A3为系数。
优选的,所述步骤8中更新均值控制图的阈值具体为:
步骤8.1:计算每组稳态数据组的均值,再计算m组均值的平均值计算每组稳态数据的标准差,再计算m组标准差的均值/>
步骤8.2:删除第1~q-1组时间序列数据中均值超过对应动态均值控制图阈值的数据组,q=2、3…m’;
步骤8.3:将第1~q-1组时间序列数据中剩余的数据组与第q组时间序列数据按时间顺序依次排列,组成数据组集合,该集合内数据组的个数为Q;
步骤8.4:所述动态均值控制图的阈值包括上控制限、中心线、下控制限;根据第q组时间序列数据的均值,得到更新后的动态均值控制图的上控制限
其中, 为第u组时间序列数据的均值,Su'为第u组时间序列数据的标准差,u=1,2,…Q,A3为系数。
xuv'为m’时间序列数据中第u组时间序列数据的第v个采样点采样的数据的均值,v=1,2…n。
根据第q组时间序列数据的均值,得到更新后的动态均值控制图的中心线
根据第q组时间序列数据的均值,得到更新后的动态均值控制图的下控制限
步骤8.5:判断第q组时间序列数据的均值是否超过或/>若否,则保留和/>并转步骤8.4;否则删除/>和/>并转步骤8.4;
步骤8.4:q迠1,判断q是否大于m’,若是,则停止计算,否则转步骤8.2。
优选的,所述步骤8中的设置风险等级具体为:若只有一组时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为低;若有两组时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为中;若有两组以上的时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为高。
本实施例中B3、B4和A3从GB/T 4091-2001常规控制图中(计量控制图计算控制线的系数表)直接查表获得,B3、B4和A3的取值仅与每组数据的采样个数n相关。
本实例选择民机引气系统作为测试对象。引气系统是飞机气源系统的一种,提供压力和温度调节的压缩空气,供给气源用户系统,包括发动机起动系统、环控系统(空调系统)、机翼热防冰系统、液压油箱(增压)和水箱(增压)。引气系统故障对飞机的飞行有较大的影响,可能导致座舱增压系统异常、空调系统性能下降等,如果出现双发引气故障,往往会导致飞机返航的后果。引气系统最主要的故障的是引气超温,这种故障出现往往是突发的没有先兆(没有相关的故障和维护信息),主要由三个方面的原因造成:风扇调节阀门(FanAirValve,FAV)性能下降、引气调节恒温器(Temperature Control Thermostat,TCT)部件性能衰退、连接FAV和TCT的耦合感应管漏气。
图2和图3是某航班左右发引气系统预冷器出口温度和压力随时间变化的情况,随着飞行阶段的变化,引气系统预冷器出口温度和压力也在相应变化。根据维修记录,采集航空公司某机型飞机一段时间内引气系统的QAR数据作为控制图的训练数据与测试数据,其中200组数据作为稳态控制图的训练数据,100组包含故障的数据作为测试数据。本实例中选取的是左发引气系统巡航阶段的数据,关键性能参数包括引气系统预冷器出口温度和引气系统预冷器出口压力,其他飞行阶段的引气系统风险预警同巡航阶段的做法。
根据训练数据计算得出动态均值控制图的初始阈值,利用初始阈值和测试数据计算适应数据变化的动态阈值,并将测试数据绘制在动态均值控制图中。图4是左发引气系统预冷器出口压力的检测结果,图5是左发引气系统预冷器出口温度的检测结果。从图4中可以看到,均值控制图的阈值跟随引气预冷器出口压力的变化而变化,而图5的动态阈值变化不是很明显,这是因为训练数据的预冷器出口温度均集中在180℃附近,数据波动较小,每组数据的均值和方差比较接近,所以阈值波动不明显,这说明动态阈值能很好的适应数据的变化,减少误判。在图4中,第71、72、73、75、81个飞行循环超出引气系统预冷器出口压力均值动态控制图的控制下限,超过3个样本控制图超限,触发告警,风险等级判定为高,告警信息显示为红色。在图5中,第71~81个飞行循环超出引气系统预冷器出口温度均值动态控制图的控制下限,超过3个样本控制图超限,触发告警,风险等级判定为高,告警信息显示为红色。根据维修记录知,在第81个飞行循环后对引气系统进行了维修。由于航空公司传统的检测门限过宽或过窄,经常出现漏警和误警的情况,而基于动态控制图的民机系统风险预警方法,可以更好的跟随数据的变化,减少漏警和误警,并能够提前发现检测参数的异常波动,实现风险早期告警。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,具体包括如下步骤:
步骤1:根据需要检测的系统,确定y种参数,在m组历史飞行循环数据中采集该y种参数的历史数据,该历史数据均为时间序列数据;
步骤2:对采集的历史数据进行预处理;
步骤3:以一个飞行循环为一组,将预处理后的每一种参数的历史数据分为m组,以采样长度为t,采样点数为n对每一组历史数据进行均匀采样,第y’个参数的第i组的历史采样数据为其中i=1,2,...,m;j=1,2,...,n,y’=1,2,...,y;/>为第y’个参数的第i组历史数据中第j个采样点采样的历史数据的均值;
步骤4:计算第y’个参数的第i组的历史采样数据的均值和标准差/>
步骤5:根据得到第y’个参数的m组/>的平均值/>根据/>得到第y’个参数的m组/>的平均值/>绘制第y’个参数的标准差控制图和均值控制图,并基于/>和/>确定第y’个参数的标准差控制图的阈值和均值控制图的阈值;
步骤6:判断第y’个参数的每一组历史采样数据的标准差是否均在标准差控制图的阈值范围内,若是,则转步骤7,否则,删除标准差不在标准差控制图阈值范围内的历史采样数据组,重新采集该参数的历史数据进行补充,并转步骤2,更新标准差控制图的阈值,直到该第y’个参数的m组历史采样数据的标准差均在标准差控制图的阈值范围内,并转步骤7;
步骤7:判断步骤6中第y’个参数的每一组历史采样数据的均值是否均在均值控制图的阈值范围内,若是,则转步骤8;否则,删除均值不在均值控制图阈值范围内的历史采样数据组,重新采集该参数的历史数据进行补充,并转步骤2,更新均值控制图的阈值,直至该第y’个参数的m组历史采样数据的均值均在均值控制图的阈值范围内,将更新后的m组历史数据设为稳态数据组,并转步骤8;
步骤8:将步骤7中的均值控制图作为初始的动态均值控制图,将均值控制图的阈值作为动态均值控制图的初始阈值;将当前采集的每一种参数分为m’组,对当前采集到的第y’个参数的m’组时间序列数据进行预处理;并计算预处理后的每一组时间序列数据的均值,根据每一组时间序列数据的均值依次更新动态均值控制图的阈值,同时判断该组时间序列数据的均值是否在动态均值控制图的阈值范围内;若每一组时间序列数据的均值均在动态均值控制图的阈值范围内,则判断需要检测的系统正常;否则根据超出动态均值控制图阈值的组数,设置风险等级,并向工作人员发送警报。
2.根据权利要求1所述的一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,所述步骤2中的预处理包括异常值筛选、缺失值补充和平滑处理。
3.根据权利要求1所述的一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,所述步骤4中的标准差为:
4.根据权利要求1所述的一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,所述步骤5中第y’个参数的标准差控制图的阈值包括上控制限、中心线和下控制限;
所述上控制限UCLS为:
其中B3是标准差控制图上控制限的系数;
中心线CLS为:
下控制限LCLS为:
其中B4是标准差控制图下控制限的系数。
5.根据权利要求1所述的一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,所述步骤5中第y’个参数的均值控制图的阈值包括上控制限、中心线和下控制限;
所述上控制限
中心线
下控制限
其中,A3为系数。
6.根据权利要求1所述的一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,所述步骤8中更新均值控制图的阈值具体为:
步骤8.1:计算每组稳态数据的均值,再计算m组均值的平均值计算每组稳态数据的标准差,再计算m组标准差的均值/>
步骤8.2:所述动态均值控制图的阈值包括上控制限、中心线和下控制限;根据第q组时间序列数据的均值,得到更新后的动态均值控制图的上控制限
其中,q=1、2、…m’,Q为第1~q-1组时间序列数据中均值不超过对应动态均值控制图阈值的数据组的个数,/>为第u组时间序列数据的均值,Su'为第u组时间序列数据的标准差,u=1,2,…Q,A3为系数;
xuv'为第u组时间序列数据的第v个采样点采样的数据的均值,v=1,2…n;
根据第q组时间序列数据的均值,得到更新后的动态均值控制图的中心线
根据第q组时间序列数据的均值,得到更新后的动态均值控制图的下控制限
步骤8.3:判断第q组时间序列数据的均值是否超过或/>若否,则保存和/>并转步骤8.4;否则,令当前动态均值控制图的阈值等于上一个动态均值控制图的阈值,并转步骤8.4;
步骤8.4:判断q是否大于m’,若是,则停止计算,否则,令q值加1,然后转步骤8.2。
7.根据权利要求1所述的一种基于动态控制图的民用飞机系统风险预警方法,其特征在于,所述步骤8中的设置风险等级具体为:若只有一组时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为低;若有两组时间序列数据的均值超过动态均值控制图的阈值范围,则设置风险等级为中;若超过动态均值控制图的阈值范围的时间序列数据组超过两组,则设置风险等级为高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766561.8A CN111932102B (zh) | 2020-08-03 | 2020-08-03 | 一种基于动态控制图的民用飞机系统风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010766561.8A CN111932102B (zh) | 2020-08-03 | 2020-08-03 | 一种基于动态控制图的民用飞机系统风险预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932102A CN111932102A (zh) | 2020-11-13 |
CN111932102B true CN111932102B (zh) | 2023-10-31 |
Family
ID=73307657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010766561.8A Active CN111932102B (zh) | 2020-08-03 | 2020-08-03 | 一种基于动态控制图的民用飞机系统风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932102B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113053171B (zh) * | 2021-03-10 | 2023-03-24 | 南京航空航天大学 | 一种民机系统风险预警方法及系统 |
CN113283315B (zh) * | 2021-05-12 | 2022-04-05 | 中国航空工业集团公司上海航空测控技术研究所 | 一种多飞行状态直升机故障动态监测告警方法 |
CN114613110B (zh) * | 2022-01-29 | 2023-08-18 | 上海至冕伟业科技有限公司 | 基于消防物联网的消防水系统故障检测预警系统及方法 |
CN114664058B (zh) * | 2022-01-29 | 2023-08-18 | 上海至冕伟业科技有限公司 | 一种消防水系统的整体故障预警系统及方法 |
CN115826443B (zh) * | 2023-02-14 | 2023-08-25 | 南京纳尼亚科技有限公司 | 一种基于鸿蒙操作系统的隧道智能控制器 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971022A (zh) * | 2014-05-26 | 2014-08-06 | 北京航空航天大学 | 基于t2控制图的飞机零部件质量稳定性控制算法 |
CN105825315A (zh) * | 2015-01-09 | 2016-08-03 | 国家电网公司 | 一种电能质量预警方法 |
CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
-
2020
- 2020-08-03 CN CN202010766561.8A patent/CN111932102B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971022A (zh) * | 2014-05-26 | 2014-08-06 | 北京航空航天大学 | 基于t2控制图的飞机零部件质量稳定性控制算法 |
CN105825315A (zh) * | 2015-01-09 | 2016-08-03 | 国家电网公司 | 一种电能质量预警方法 |
CN107168205A (zh) * | 2017-06-07 | 2017-09-15 | 南京航空航天大学 | 一种民机空调系统在线健康监测数据采集与分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111932102A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932102B (zh) | 一种基于动态控制图的民用飞机系统风险预警方法 | |
JP6043314B2 (ja) | 抽気システムの故障を診断するための方法 | |
CN113053171B (zh) | 一种民机系统风险预警方法及系统 | |
CN102928232B (zh) | 一种航空发动机整机性能衰退趋势预测方法 | |
US9567106B2 (en) | System and method for identifying faults in an aircraft | |
US9971969B2 (en) | Method for predicting a fault in an air-conditioning pack of an aircraft | |
EP1630633B1 (en) | System for gas turbine health monitoring | |
CN102282450B (zh) | 监控燃气涡轮发动机运行中产生的振动现象的方法和系统 | |
CN109408552A (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 | |
JP6085581B2 (ja) | 抽気システムの故障を予測するための方法 | |
CN107807628B (zh) | 民用飞机空调系统热交换器性能退化评估方法 | |
CA2857779A1 (en) | System and method for monitoring lubricant of an engine | |
CN111580498A (zh) | 一种基于随机森林的飞机环控系统气冷设备鲁棒故障诊断方法 | |
CN101149819A (zh) | 气象要素实时数据中奇异值的剔除方法 | |
CN112749764B (zh) | 一种基于qar数据的航空发动机运行状态分类方法 | |
Provost | COMPASS: a generalized ground-based monitoring system | |
Pan et al. | A model of fuel consumption estimation and abnormality detection based on airplane flight data analysis | |
EP3108312B1 (en) | Methods for determining performance of an air-conditioning system of an aircraft | |
CN115525987A (zh) | 一种用于涡轴发动机的可用功率自动评估方法 | |
Wang et al. | Turbofan Engine Baseline Model Extraction Based on FDR Data | |
EP3105441A1 (en) | Method for detecting a bleed air system fault | |
CN116453377B (zh) | 一种对飞机qar数据进行飞行阶段划分的方法 | |
Jian et al. | Research on Intelligent Cockpit Information Integration Algorithm Based on Sensor Data Fusion | |
Ren et al. | Research on visualization and diagnosis method of civil aircraft WQAR data | |
CN115758693A (zh) | 基于数据拟合基线模型的民机空调系统健康指数构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |