CN112085869A - 一种基于飞参数据的民机飞行安全性分析方法 - Google Patents

一种基于飞参数据的民机飞行安全性分析方法 Download PDF

Info

Publication number
CN112085869A
CN112085869A CN202010985084.4A CN202010985084A CN112085869A CN 112085869 A CN112085869 A CN 112085869A CN 202010985084 A CN202010985084 A CN 202010985084A CN 112085869 A CN112085869 A CN 112085869A
Authority
CN
China
Prior art keywords
civil aircraft
parameter data
flight parameter
data
aircraft flight
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
Application number
CN202010985084.4A
Other languages
English (en)
Inventor
王骁
乔文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Qianshan Avionics Co Ltd
Original Assignee
Shaanxi Qianshan Avionics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Qianshan Avionics Co Ltd filed Critical Shaanxi Qianshan Avionics Co Ltd
Priority to CN202010985084.4A priority Critical patent/CN112085869A/zh
Publication of CN112085869A publication Critical patent/CN112085869A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开实施例中提供了一种基于飞参数据的民机飞行安全性分析方法，属于航空电子技术领域，包括：将民机飞参数据上传至分布式计算平台，形成大数据框架下的数据管理、调度；通过DBN深度学习方法、ED237规范推荐方法获得民机飞参数据特征；采用分布式计算框架快速得到民机数据中连续量参数的分布情况，确立正常和异常分布范围；建立模糊推理数学模型，代入民机飞参数据特征，输出飞行安全性结果。本发明充分利用民机飞参大数据蕴含的内在信息，融合深度学习、模糊推理方法综合评判民机飞行的安全状态，具有较高的置信度。

Description

一种基于飞参数据的民机飞行安全性分析方法
技术领域
本公开涉及航空电子技术领域，尤其涉及一种基于飞参数据的民机飞行安全性分析方法。
背景技术
飞参系统完整记录了民机飞行过程中各系统参数和机组操作数据，蕴含了飞行过程重要信息。当前，民机飞行过程中的安全监控都是通过专家判据判读单个参数或少数几个参数组合，但存在虚警率高、预警性不足的缺点。如何通过飞参数据反应飞行过程中的安全系数，及时预警飞行中面临的风险，预防飞行事故发生，已成为民机飞参数据应用领域关注的焦点。
发明内容
有鉴于此，本公开实施例提供一种基于飞参数据的民机飞行安全性分析方法，能够降低民机飞行过程中危险的虚警率，提高飞行安全评判结果真确程度的概率，为后续机载实时分析民机飞行安全提供了思路。
本公开的技术方案如下：
一种基于飞参数据的民机飞行安全性分析方法，包括如下步骤：
步骤(1)、将民机飞参数据进行预处理，再上传至分布式计算平台，形成大数据框架下的数据管理、调度；
步骤(2)，分别通过DBN深度学习方法、ED237规范推荐方法获得民机飞参数据特征；
步骤(3)，采用分布式计算框架快速得到民机数据中连续量参数的分布情况，确立正常分布范围和异常分布范围；
步骤(4)，建立模糊推理数学模型，代入民机飞参数据特征，输出飞行安全性结果。
在一种优选的实施方式中，步骤(1)中的预处理包括，首先对原始民机飞参数据进行解码还原，然后经过数据ETL过程实现飞参数据中存在的乱码、空值处理。
在一种优选的实施方式中，步骤(2)中具体包括，通过DBN深度学习方法，提取新的飞参数据连续量特征矩阵；通过ED237规范推荐方法提取新的飞参数据开关量特征矩阵；并将所述连续量特征矩阵和开关量特征矩阵组合成新的民机飞参数据特征。
在一种优选的实施方式中，将民机飞参数据中的连续量通过DBN深度学习方法形成新的飞参数据连续量特征矩阵,并将对应特征值从大到小进行排序,选取前10％特征值对应的特征矩阵作为民机安全性分析的连续量特征矩阵。
在一种优选的实施方式中，根据ED237规范推荐方法，选取四个参数作为民机安全性分析的开关量特征矩阵。
在一种优选的实施方式中，步骤(3)中具体包括，通过SPARK计算框架快速得到民机各系统飞参数据的历史分布情况，依据高斯准则，确定各系统参数的正常分布范围和异常分布范围，形成参数隶属度函数。
在一种优选的实施方式中，步骤(4)中，建立模糊推理数学模型的过程包括数据模糊化、逻辑运算、解模糊。
在一种优选的实施方式中，还包括步骤(5)，所述步骤(5)包括根据输出结果调节输入数据的隶属度范围，提高预测精度。
本发明提供了一种基于飞参数据的民机飞行安全性分析方法，利用分布式计算平台、深度学习和模糊推理智能算法，提供民机飞行状态安全性实时评估，适用于民机飞行安全评价系统，与传统方法相比，本发明能够在飞行过程中从复杂的飞参数据中挖掘出飞机飞行安全状态的内在信息，提高了民机飞行过程安全性预警的准确性、降低了虚警率，一定程度上优化了以往飞行安全判断的限制；本发明充分利用了民机飞参数据，快速准确给出当前飞机飞行的安全状态，并能够在地面分析中重构模糊推理模型，进一步提升模型实时预测的准确性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明的民机飞行安全性分析方法实现的流程图；
图2为DBN深度学习提取特征说明图；
图3为模糊推理流程示意图；
图4为本发明一个实施例中某型民机安全性分析结果展示图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于飞参数据的民机飞行安全性分析方法，民机历史飞参大数据经过解码还原、ETL规整后，存储于分布式服务器中，通过SPARK计算框架快速得到各系统参数的历史分布情况，借助高斯分布确定各系统参数的正常分布范围和异常分布范围，形成各参数的隶属度关系；采用DBN深度学习方法提取民机飞参连续量的数据特征，采用ED237标准推荐选取开关量的数据特征，将二者组合形成新的特征矩阵。然后，建立基于模糊推理的数学模型，包含数据模糊化、逻辑运算、解模糊等流程。最后把提取的数据特征代入模糊推理模型，给出民机安全性分析结果。
本发明重点在于民机飞参数据特征提取、基于海量飞参数据隶属度确定及模糊推理模型的合理化构建。
本发明一种基于飞参数据的民机飞行安全性分析方法，包括建立飞参数据存储集群、搭建分布式计算框架和深度学习框架，通过深度学习提取飞参数据的特征向量，通过模糊数学建立民机飞行安全性预报模型，最后根据解模糊结果给出民机飞行安全性分析结果。
参考图1，本发明一种基于飞参数据的民机飞行安全性分析方法首先对原始飞参数据进行结算还原成工程值，然后经过数据ETL过程实现飞参大数据的空值、乱码等处理，完后之后上传至大数据平台。然后，分别采用DBN深度学习方法、规范推荐方法选取民机飞参数据的数据特征。通过地面分布式计算框架，得到各参数的分布范围，确立正常范围和异常范围。最后，建立模糊推理模型，代入数据特征得到实时民机飞行过程中数据中的安全系数，形成民机飞行安全性报告。
具体地，通过DBN深度学习方法，提取新的飞参数据连续量特征矩阵,并将对应特征值从大到小进行排序,选取前10％特征值对应的特征矩阵作为民机安全性分析的连续量特征矩阵；通过ED237规范推荐方法提取新的飞参数据开关量特征矩阵；并将所述连续量特征矩阵和开关量特征矩阵组合成新的民机飞参数据特征。优选的，根据ED237规范推荐方法，选取四个参数作为民机安全性分析的开关量特征矩阵。
参考图2，本发明中DBN深度学习方法用于民机飞参连续量特征提取。具体过程为：以民机飞参连续量作为验本数据，文中采用可调多层RBM，以无监督的方式对每一层RBM进行训练，并通过，计算残差对网络进行微调，使每一层网络达到稳定状态，最后输出最优的数据特征矩阵。
参考图3，本发明中模糊推理过程用于民机安全性结果的输出，文中采用分布式统计分析获得参数隶属度，采用T-S模型获得逻辑准则，得到解模糊结果。具体地，通过SPARK计算框架快速得到民机各系统飞参数据的历史分布情况，依据高斯准则，确定各系统参数的正常分布范围和异常分布范围，形成参数隶属度函数。上述建立模糊推理数学模型的过程包括数据模糊化、逻辑运算、解模糊。
还包括根据输出结果调节输入数据的隶属度范围，提高预测精度。
参考图4，本发明根据某型民机的飞参数据，经过数据预处理、数据特征提取，结合本文的模糊推理模型，实时判读民机飞行安全状态。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于飞参数据的民机飞行安全性分析方法，其特征在于，包括如下步骤：
步骤(1)、将民机飞参数据进行预处理，再上传至分布式计算平台，形成大数据框架下的数据管理、调度；
步骤(2)、分别通过DBN深度学习方法、ED237规范推荐方法获得民机飞参数据特征；
步骤(3)、采用分布式计算框架快速得到民机数据中连续量参数的分布情况，确立正常分布范围和异常分布范围；
步骤(4)、建立模糊推理数学模型，代入民机飞参数据特征，输出飞行安全性结果。
2.根据权利要求1所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，步骤(1)中的预处理包括，首先对原始民机飞参数据进行解码还原，然后经过数据ETL过程实现飞参数据中存在的乱码、空值处理。
3.根据权利要求1所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，步骤(2)中具体包括，通过DBN深度学习方法，提取新的飞参数据连续量特征矩阵；通过ED237规范推荐方法提取新的飞参数据开关量特征矩阵；并将所述连续量特征矩阵和开关量特征矩阵组合成新的民机飞参数据特征。
4.根据权利要求3所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，将民机飞参数据中的连续量通过DBN深度学习方法形成新的飞参数据连续量特征矩阵,并将对应特征值从大到小进行排序,选取前10％特征值对应的特征矩阵作为民机安全性分析的连续量特征矩阵。
5.根据权利要求3所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，根据ED237规范推荐方法，选取四个参数作为民机安全性分析的开关量特征矩阵。
6.根据权利要求1所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，步骤(3)中具体包括，通过SPARK计算框架快速得到民机各系统飞参数据的历史分布情况，依据高斯准则，确定各系统参数的正常分布范围和异常分布范围，形成参数隶属度函数。
7.根据权利要求1所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，步骤(4)中，建立模糊推理数学模型的过程包括数据模糊化、逻辑运算、解模糊。
8.根据权利要求1所述的基于飞参数据的民机飞行安全性分析方法，其特征在于，还包括步骤(5)，所述步骤(5)包括根据输出结果调节输入数据的隶属度范围，提高预测精度。
CN202010985084.4A 2020-09-18 2020-09-18 一种基于飞参数据的民机飞行安全性分析方法 Pending CN112085869A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010985084.4A CN112085869A (zh) 2020-09-18 2020-09-18 一种基于飞参数据的民机飞行安全性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010985084.4A CN112085869A (zh) 2020-09-18 2020-09-18 一种基于飞参数据的民机飞行安全性分析方法

Publications (1)

Publication Number Publication Date
CN112085869A true CN112085869A (zh) 2020-12-15

Family

ID=73736594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010985084.4A Pending CN112085869A (zh) 2020-09-18 2020-09-18 一种基于飞参数据的民机飞行安全性分析方法

Country Status (1)

Country Link
CN (1) CN112085869A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052617A (zh) * 2017-12-15 2018-05-18 四川汉科计算机信息技术有限公司 基于远程嵌入式数据采集的航空大数据智能分析系统
CN108052616A (zh) * 2017-12-15 2018-05-18 四川汉科计算机信息技术有限公司 基于远程嵌入式数据采集的航空大数据智能分析方法
CN112849429A (zh) * 2020-12-29 2021-05-28 中国航空工业集团公司西安飞机设计研究所 一种民机系统测量参数的溯源方法
CN113269368A (zh) * 2021-06-07 2021-08-17 上海航空工业(集团) 有限公司 一种基于数据驱动的民机安全趋势预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065281A1 (en) * 2006-09-11 2008-03-13 Eurocopter Method and a system for diagnosing an aircraft from measurements performed on the aircraft
US20130080376A1 (en) * 2009-08-19 2013-03-28 Bae Systems Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus
CN105159286A (zh) * 2015-09-22 2015-12-16 北京空间飞行器总体设计部 一种航天器在轨异常报警与故障诊断系统
CN108876650A (zh) * 2018-06-25 2018-11-23 仲恺农业工程学院 水禽健康养殖环境参数的特征提取方法及装置
CN109858625A (zh) * 2019-02-01 2019-06-07 北京奇艺世纪科技有限公司 模型训练方法与设备、预测方法与设备、数据处理设备、介质
CN111276247A (zh) * 2020-01-16 2020-06-12 山东超越数控电子股份有限公司 一种基于大数据处理的飞参数据健康评估方法，设备及可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065281A1 (en) * 2006-09-11 2008-03-13 Eurocopter Method and a system for diagnosing an aircraft from measurements performed on the aircraft
US20130080376A1 (en) * 2009-08-19 2013-03-28 Bae Systems Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus
CN105159286A (zh) * 2015-09-22 2015-12-16 北京空间飞行器总体设计部 一种航天器在轨异常报警与故障诊断系统
CN108876650A (zh) * 2018-06-25 2018-11-23 仲恺农业工程学院 水禽健康养殖环境参数的特征提取方法及装置
CN109858625A (zh) * 2019-02-01 2019-06-07 北京奇艺世纪科技有限公司 模型训练方法与设备、预测方法与设备、数据处理设备、介质
CN111276247A (zh) * 2020-01-16 2020-06-12 山东超越数控电子股份有限公司 一种基于大数据处理的飞参数据健康评估方法，设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
惠慧: "基于ACARS的异常航班实时追踪技术研究", 《中国优秀硕士学位论文电子期刊网》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052617A (zh) * 2017-12-15 2018-05-18 四川汉科计算机信息技术有限公司 基于远程嵌入式数据采集的航空大数据智能分析系统
CN108052616A (zh) * 2017-12-15 2018-05-18 四川汉科计算机信息技术有限公司 基于远程嵌入式数据采集的航空大数据智能分析方法
CN112849429A (zh) * 2020-12-29 2021-05-28 中国航空工业集团公司西安飞机设计研究所 一种民机系统测量参数的溯源方法
CN112849429B (zh) * 2020-12-29 2023-03-14 中国航空工业集团公司西安飞机设计研究所 一种民机系统测量参数的溯源方法
CN113269368A (zh) * 2021-06-07 2021-08-17 上海航空工业(集团) 有限公司 一种基于数据驱动的民机安全趋势预测方法
CN113269368B (zh) * 2021-06-07 2023-06-30 上海航空工业(集团)有限公司 一种基于数据驱动的民机安全趋势预测方法

Similar Documents

Publication Publication Date Title
CN112085869A (zh) 一种基于飞参数据的民机飞行安全性分析方法
CN111311400A (zh) 基于gbdt算法的评分卡模型的建模方法及其系统
CN110968069B (zh) 风力发电机组的故障预测方法、相应的装置及电子设备
CN111539515A (zh) 一种基于故障预测的复杂装备维修决策方法
CN113378990B (zh) 基于深度学习的流量数据异常检测方法
CN112039903B (zh) 基于深度自编码神经网络模型的网络安全态势评估方法
CN114118507A (zh) 一种基于多维信息融合的风险评估预警方法和装置
Subramanian et al. Deep-learning based time series forecasting of go-around incidents in the national airspace system
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN112199805B (zh) 一种输电线路隐患识别模型评估方法及装置
CN112132321A (zh) 一种基于机器学习对森林火灾预测分析的方法
CN112488142A (zh) 一种雷达故障的预测方法、装置及存储介质
CN116976318A (zh) 基于深度学习和模型推理的电网倒闸操作票智能审核系统
CN117408394B (zh) 电力系统的碳排放因子预测方法、装置及电子设备
CN116821141A (zh) 数据更新方法、故障诊断方法、电子设备和存储介质
CN113891342B (zh) 基站巡检方法、装置、电子设备及存储介质
CN117216713A (zh) 故障定界方法、装置、电子设备和存储介质
CN116677570A (zh) 基于海上风电机组机舱温度监测的故障预警方法及系统
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN115830873A (zh) 城市道路交通事件分类方法、装置、设备及可读存储介质
CN111885146B (zh) 一种工业数据云端服务平台数据传输方法
CN114565004A (zh) 一种风电机组功率曲线异常散点剔除方法及装置
CN114595525A (zh) 一种基于线性回归和tcn的滚动轴承退化趋势预测方法
CN113723777A (zh) 一种民用飞机运行风险的管理方法及装置
Su et al. A data-driven FCE method for UAV condition risk assessment based on feature engineering and variable weight coefficients

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201215

RJ01 Rejection of invention patent application after publication