CN112378468A

CN112378468A - 一种小样本训练数据条件下的飞机巡航燃油耗量测量方法

Info

Publication number: CN112378468A
Application number: CN202011269808.1A
Authority: CN
Inventors: 熊欢; 刘剑涛; 黎右翼
Original assignee: Sichuan Fanhua Aviation Instrument and Electrical Co Ltd
Current assignee: Sichuan Fanhua Aviation Instrument and Electrical Co Ltd
Priority date: 2020-11-13
Filing date: 2020-11-13
Publication date: 2021-02-19

Abstract

本发明涉及飞机燃油测量技术领域，公开了一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，针对飞机巡航阶段燃油耗量，首先在飞机快速存储记录装置中选取QAR数据，将选取的QAR数据进行归一化处理；然后利用粗略筛选和二次寻优两步确定SVR训练参数；最后建立燃油耗量模型，实现飞机巡航燃油耗量的测量。

Description

一种小样本训练数据条件下的飞机巡航燃油耗量测量方法

技术领域

本发明涉及飞机燃油测量技术领域，具体的说，是一种小样本训练数据条件下的飞机巡航燃油耗量测量方法。

背景技术

飞机巡航阶段燃油耗量测量技术中，有直接测量和间接测量两种测量方式。直接测量主要采用传感器对燃油耗量进行测量；间接测量仅利用飞机快速存储记录装置QAR(Quick Access Recorder)数据建立燃油耗量模型，实现燃油耗量测量，有其方法的优势。然而，飞机巡航数据中，一些航线的样本量有限且变量之间呈非线性关系，限制了传统建模方法在巡航阶段耗量测量中的应用。

支持向量回归SVR(Support Vector Regression)受启发于支持向量机，是一种有效的数据建模方法，有别于传统方法，对过程变量没有呈线性关系的要求。其基本原理是将描述对象作为一个整体，通过非线性变换将正常数据样本空间映射到高维样本空间，对样本容量并不敏感，具有较高适用性。

因此，本发明将支持向量回归方法引入飞机巡航阶段燃油耗量测量中，构建了一种针对小样本训练数据的测量方法，实现飞机巡航燃油耗量的测量。

发明内容

基于现有技术中因样本有限而导致传统建模方法在巡航阶段耗量测量中应用受限的不足，本发明的目的在于提供一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，不需要燃油耗量传感器，仅以飞机快速存储记录装置数据为样本，实现飞机巡航阶段燃油耗量的间接测量；同时，充分考虑了样本量有限与变量之间呈非线性关系，能够有效测量飞机巡航燃油耗量，且测量精度高。

本发明通过下述技术方案实现：

一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，针对飞机巡航阶段燃油耗量，首先在飞机快速存储记录装置中选取QAR数据，将选取的QAR数据进行归一化处理；然后利用粗略筛选和二次寻优两步确定SVR训练参数；最后建立燃油耗量模型，实现飞机巡航燃油耗量的测量。

本发明所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，充分考虑了飞机飞行中油面角数据的强时变性，利用D-S证据融合方法对多传感器测量数据进行综合，同时考虑了多传感器系统中各传感器在不同油面角下的测量误差，实现了飞机燃油质量测量，提高了测量结果的可靠性。

本发明与现有技术相比，具有以下优点及有益效果：

(1)本发明公开的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，针对利用差值原理求飞机燃油质量的方法，在多传感器测量数据融合阶段，构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则，重新分配冲突证据的权重，实现油量测量；

(2)本发明公开的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，充分考虑了飞机飞行中油面角数据的强时变性，利用D-S证据融合方法对多传感器测量数据进行综合，同时考虑了多传感器系统中各传感器在不同油面角下的测量误差，实现了飞机燃油质量测量，提高了测量结果的可靠性。

附图说明

本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。

图1是本发明所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法的测试验证结果图。

具体实施方式

实施例1：

本实施例的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，针对利用差值原理求飞机燃油质量的方法，在多传感器测量数据融合阶段，构建求取不同油面角下各传感器测量数据置信度的规则和信息融合规则，重新分配冲突证据的权重，实现油量测量。

本实施例所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，具体包括以下步骤：

步骤一：选取QAR数据；

步骤二：将选取的QAR数据进行归一化处理；

步骤三：利用粗略筛选和二次寻优两步确定SVR训练参数；

步骤四：建立燃油耗量模型。

所述步骤一：选取QAR数据；具体的，在QAR数据中，选择6个关键变量，分别为巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)、燃油耗量(kg)。

如表1所示的训练用巡航QAR样本数据，选取20个批次巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)、燃油消耗量(kg)6个关键变量数据为训练样本。

表1

步骤二：将选取的QAR数据进行归一化处理；具体的，将飞机巡航阶段QAR数据中的关键变量标准化，通过转换公式分别对每个变量线性变化，使结果映射到[0–1]之间；转换公式如下：

其中，x^*为归一化后的结果，

x为当前变量的数值，

x_min为数据集中当前变量的最小值，

x_max为数据集中当前变量的最大值。

步骤三：利用粗略筛选和二次寻优两步确定SVR训练参数；具体的，先将由步骤二变化得到的数据分为K组，然后利用K-fold Cross Validation(K-CV)实现交叉验证；再设置惩罚系数c，不敏感系数ε步长，对SVR参数进行粗略筛选，利用粗略筛选的结果，缩小步长，进行SVR参数的二次寻优，得到样本数据。

本实施例中，选取8个批次巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)、燃油消耗量(kg)6个关键变量数据为测试验证样本，即如表2所示的测试验证用巡航QAR样本数据。

表2

此步骤中，对表1数据进行归一化后，利用K-fold Cross Validation(K-CV)实现交叉验证，交叉验证的过程是指将归一化后的数据分为K组，任1组验证，其余训练，取准确率平均值。也就是说，先将由步骤二变化得到的数据分为K组，然后利用K折交叉验证(K-fold Cross Validation，K-CV)实现交叉验证；再设置惩罚系数c，不敏感系数ε步长，对SVR参数进行粗略筛选，利用粗略筛选的结果，缩小步长，进行SVR参数的二次寻优，得到样本数据。

所述步骤三具体包括步骤A-步骤C。

步骤A：将数据分为K组，然后利用K折交叉验证(K-fold Cross Validation，K-CV)实现交叉验证。

以关键变量通过转换公式标准化后的数值作为样本(x，y)并形成样本数据集D＝{(x₁，y₁)，(x₂，y₂)，…，(x_m，y_m)}；然后将样本数据集D随机分为K个部分，每次将其中一个部分作为测试集，剩下K-1个部分作为训练集进行训练。得到一个如式(2)的回归模型，使得估算变量f(x)与当前样本因变量y尽可能接近，w和b为待确定的模型参数。

f(x)＝w^Tx+b (2)

其中，f(x)为估算变量，

x为当前样本自变量，

w为系数矩阵，

b为偏移矩阵，

y为当前样本因变量；

步骤B：设置惩罚系数c，不敏感系数ε步长，对SVR参数进行粗略筛选。

对样本(x，y)传统回归模型通常直接基于估算变量f(x)与当前样本因变量y完全相同时，损失才为零。与此不同，假设SVR(支持向量回归机)能容忍f(x)与y之间最多有ε的偏差，构建一个宽度为2ε的间隔带，若训练样本落入此间隔带，则认为是被预测正确，即仅当f(x)与y之间的差的绝对值大于ε时才计算损失。

因此，SVR问题可形式化为式(3)：

l_ε(z)＝0,if|z|≤ε

l_ε(z)＝|z|-ε,if|z|＞ε (3)

其中，C为正则化常数，

l_ε为ε-不敏感损失函数；

x_i为第i个样本自变量，i＝1,2,…,m；

y_i为第i个样本因变量，i＝1,2,…,m；

z为f(x)与y之间的偏差；

然后引入松弛变量ξ_i和

将式(3)重写为式(4)：

s.t f(x_i)-y_i≤ε+ξ_i

其中，ξ_i为间隔带上边界的松弛程度，i＝1,2,…,m；

为间隔带下边界的松弛程度，i＝1,2,…,m；

再通过引入拉格朗日乘子u_i≥0,

α_i≥0，

由拉格朗日乘子法可得拉格朗日函数

为式(5)；

其中，u_i、

α_i、

为拉格朗日乘子；

将式(2)带入后令拉格朗日函数

对w,b,ξ,

的偏导为零得式(6)：

C＝α_i+u_i

将式(6)带入式(5)，得到SVR的对偶问题表达如式(7)：

上述过程中需满足KKT(Karush-Kuhn-Tucker)互补条件，即要求满足式(8)：

α_i(f(x_i)-y_i-ε-ξ_i)＝0

(C-α_i)ξ_i＝0

式(8)中，当且仅当f(x_i)-y_i-ε-ξ_i＝0时α_i能取非零值，当且仅当

时

能取非零值；即仅当样本(x_i，y_i)不落在宽度为2ε的间隔带带中，相应的α_i，

才能取非零值。此外，f(x_i)-y_i-ε-ξ_i和

不能同时成立，因此α_i，

中至少有一个为零。

为解决非线性问题，引入核函数，令φ(x)表示将x映射后的特征向量，于是，在特征空间中模型可表示为式(9)：

f(x)＝w^Tφ(x)+b (9)

其中，φ(x)为X对应的高维空间映射；

令K(x_i,y_i)＝<φ(x_i),φ(x_j)>＝φ(x_i)^Tφ(x_j)，SVR可表示为式(10)：

其中，K(x_i,y_i)核函数。

步骤C：利用粗略筛选的结果，缩小步长，进行SVR参数的二次寻优。

步骤四：建立燃油耗量模型；具体的，利用SMO(Sequential minimaloptimization)算法对样本数据进行训练，得到燃油耗量(kg)与巡航起始飞机重量(kg)、海拔高度(ft)、巡航时间(s)、大气总温(℃)、马赫数(mach)的关系式。

本实施例中K取5，训练中核函数选用径向基核函数，寻优后惩罚系数为32，核函数参数为0.5。测试验证结果如图1所示。

本实施例公开的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，属于飞机燃油测量技术领域。针对飞机巡航阶段燃油耗量，首先在飞机快速存储记录装置中选取QAR数据并进行归一化处理；然后利用粗略筛选和二次寻优两步确定SVR预测模型训练参数；最后建立燃油耗量模型，实现飞机巡航燃油耗量的测量。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims

1.一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：针对飞机巡航阶段燃油耗量，首先在飞机快速存储记录装置中选取QAR数据，将选取的QAR数据进行归一化处理；然后利用粗略筛选和二次寻优两步确定SVR训练参数；最后建立燃油耗量模型，实现飞机巡航燃油耗量的测量。

2.根据权利要求1所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：所述选取QAR数据具体是指，在QAR数据中，选择6个关键变量，分别为巡航起始飞机重量、海拔高度、巡航时间、大气总温、马赫数、燃油耗量。

3.根据权利要求2所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：所述将选取的QAR数据进行归一化处理具体是指，将飞机巡航阶段QAR数据中的关键变量标准化，通过转换公式分别对每个变量线性变化，使结果映射到[0–1]之间。

4.根据权利要求3所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：所述转换公式如下：

其中，x^*为归一化后的结果，

x为当前变量的数值，

x_min为数据集中当前变量的最小值，

x_max为数据集中当前变量的最大值。

5.根据权利要求3所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：所述利用粗略筛选和二次寻优两步确定SVR训练参数具体是指，先将由转换公式变化得到的数据分为K组，然后利用K折交叉验证实现交叉验证；再设置惩罚系数c，不敏感系数ε步长，对SVR参数进行粗略筛选；利用粗略筛选的结果，缩小步长，进行SVR参数的二次寻优，得到样本数据。

6.根据权利要求5所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：所述交叉验证过程是指将归一化后的QAR数据分为K组，任1组验证，其余训练，取准确率平均值；所述K为不小于2的正整数。

7.根据权利要求6所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：通过回归模型对SVR参数进行粗略筛选。

8.根据权利要求6所述的一种小样本训练数据条件下的飞机巡航燃油耗量测量方法，其特征在于：所述建立燃油耗量模型具体是指，利用SMO算法对得到的样本数据进行训练，得到燃油耗量与巡航起始飞机重量、海拔高度、巡航时间、大气总温、马赫数的关系式。