CN112429252B - 一种基于pca算法的飞行紧急事件预测方法 - Google Patents
一种基于pca算法的飞行紧急事件预测方法 Download PDFInfo
- Publication number
- CN112429252B CN112429252B CN202011335498.9A CN202011335498A CN112429252B CN 112429252 B CN112429252 B CN 112429252B CN 202011335498 A CN202011335498 A CN 202011335498A CN 112429252 B CN112429252 B CN 112429252B
- Authority
- CN
- China
- Prior art keywords
- flight
- parameters
- emergency
- sample
- historical
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
Abstract
本发明涉及一种基于PCA算法的飞行紧急事件预测方法,所述方法包括:获取历史出险飞行记录库中的样本数据;利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型;实时采集正在执行飞行任务的实时飞行特征参数并利用所述飞行紧急事件预测模型进行飞行紧急事件的预测并输出预测结果。本发明技术方案能够预测飞行过程中的紧急事件,在一定程度上提高了飞行的安全性,保障了人民群众的生命财产安全。
Description
技术领域
本发明涉飞行安全预测预警领域,尤其涉及一种基于PCA算法的飞行紧急事件预测方法。
背景技术
造成飞行事故的原因主要有恶劣的天气条件、飞机的机械故障、飞行员操作失误、地面指挥及勤务保障过失、飞鸟撞击飞机、暴力劫持飞机等等。现代飞机失事多是由于飞行中遇到紧急情况,如遇危险天气、机械故障等,而驾驶员又处理不当或指挥员指挥错误所造成的。查清飞行事故的原因,在防止飞行事故中至为重要,因为只有找出原因,才能有针对性地预防同类事故的再次发生。
飞机在驾驶过程中,飞机设备状态、驾驶员的生理状态、天气状态的综合影响决定了飞行安全,因此利用飞机设备状态、驾驶员的生理状态、天气状态对飞行任务进行检测预警对保护人民群众的生命财产安全有着重要的意义。
发明内容
为实现上述目的,本发明提供一种基于PCA算法的飞行紧急事件预测方法,所述方法包括如下步骤:
获取历史出险飞行记录库中的样本数据;
利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型;
实时采集正在执行飞行任务的实时飞行特征参数并利用所述飞行紧急事件预测模型进行飞行紧急事件的预测并输出预测结果。
优选的,所述利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型具体包括:
从所述飞行样本记录数据中心获得样本飞行设备参数、样本飞行员生理状态参数及样本气象参数并进行预处理获得出险飞行特征参数矩阵Ψ,所述出险飞行特征参数矩阵Ψ为n*m维度矩阵,其中m为参数的类别数,n为参数的总数;
计算出险飞行特征参数矩阵Ψ的出险特征值向量λ=(τ1、τ2、τ3...、τm);
将所述出险飞行特征参数矩阵Ψ的出险特征值从大到小排序,选取前q个特征作为出险飞行特征参数主成分向量;
获取降维后的q个出险飞行特征主成分变量δ=Ψ*λ;
根据所述q个出险飞行特征主成分变量δ=Ψ*λ作为神经网络的输入卷积神经网络构建飞行紧急事件预测模型。
优选的,所述获取历史出险飞行记录样本数据之前包括如下步骤:
在每次飞行的过程中进行记录飞行过程中的设备参数、飞行员生理状态参数及气象参数并生成飞行记录;
对发生出险事件的飞行记录进行标记生成历史出险飞行记录样本数据并生成历史出险飞行记录库。
优选的,所述飞行设备参数包括发动机转速、飞行年限、总飞行小时数;所述飞行员生理状态参数包括飞行员的心跳、血压;所述气象参数包括飞行区域风速、降水量。
优选的,所述从所述飞行样本记录数据中心获得样本飞行设备参数、样本飞行员生理状态参数及样本气象参数并进行预处理获得出险飞行特征参数矩阵Ψ,所述出险飞行特征参数矩阵Ψ为n*m维度矩阵,其中m为参数的类别数,n为参数的总数中所述预处理为对各参数进行归一化处理。
优选的,所述进行飞行紧急事件的预测并输出预测结果,包括:对预设特定紧急事件进行预警预测。
优选的,所述特定紧急事件包括飞机发动机停机、飞机起落架故障。
优选的,所述方法还包括:
对所述特定紧急事件的相关参数进行加权处理。
优选的,所述获取历史出险飞行记录库中的样本数据之前还包括对所述历史出险飞行记录库进行实时更新。
本发明提出的基于PCA算法的飞行紧急事件预测方法,通过将历史飞行紧急事件对应的飞行数据中获取相关参数,对相关参数进行PCA算法的降维处理,并将输出结果进行训练得到飞行紧急情况预测模型,利用所述模型对实时飞行数据进行监测预警。使得飞机飞行过程中的各项技术指标数据都得到了自动化且全面的监控,能够实时对飞行过程参数进行监测,并及时对飞行紧急事件发出预警,保障了飞行任务的安全执行。
附图说明
图1为本发明实施例的一流程示意图。
具体实施方式
以下结合具体实施方式对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。除非另有定义,本文所使用的所有的技术和科学术语均属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明,在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语,故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式,然所述描述乃以说明书的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
造成飞行事故的原因主要有恶劣的天气条件、飞机的机械故障、飞行员操作失误、地面指挥及勤务保障过失、飞鸟撞击飞机、暴力劫持飞机等等。现代飞机失事多是由于飞行中遇到紧急情况,如遇危险天气、机械故障等,而驾驶员又处理不当或指挥员指挥错误所造成的。查清飞行事故的原因,在防止飞行事故中至为重要,因为只有找出原因,才能有针对性地预防同类事故的再次发生。
飞机在驾驶过程中,飞机设备状态、驾驶员的生理状态、天气状态的综合影响决定了飞行安全,因此利用飞机设备状态、驾驶员的生理状态、天气状态对飞行任务进行检测预警对保护人民群众的生命财产安全有着重要的意义。
为了实现上述目的,本发明实施例提供一种基于PCA算法的飞行紧急事件预测方法具体如下:
本发明实施例中,如图1所示,所述基于PCA算法的飞行紧急事件预测方法包括如下步骤:
获取历史出险飞行记录库中的样本数据。
具体地,本步骤中所述历史出险飞行数据可以存储在服务器中,也可以为存储在飞机的飞行记录仪中。所述样本数据包括飞行设备的参数,如发动机转速,传感设备电流电压等参数。
利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型。所述卷积神经网的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习,所以在使用CNN时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性,其布局更接近于实际的生物神经网络,权值共享降低了网络的复杂性,特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
本步骤中,PCA算法即PCA即(Principal Component Analysis)主成分分析算法,是机器学习种应用得最广泛的数据降维算法。PCA的思想是将原始n维的数据映射到k维上(k<n),这k维是全新的正交特征,也叫主成分。PCA的工作就是在原始的数据空间种顺序的找一组相互正交的坐标轴,新的坐标轴和数据本身是密切相关的。其中第一个坐标轴是原始数据中方差最大的方向,第二个坐标轴是和第一个坐标轴相交的坐标轴种最大的,以此内推,k个坐标轴是完全正交的。研究发现,大部分方差都包含在k个坐标中,后面的坐标轴所含的方差几乎为0。所以可忽略不计,以实现对数据的降维处理。
实时采集正在执行飞行任务的实时飞行特征参数并利用所述飞行紧急事件预测模型进行飞行紧急事件的预测并输出预测结果。所述预测结果可以为向控制塔台反馈飞行器处于安全飞行状态,也可以为在飞行器处于紧急状态时向塔台发出注意监测的警报指令。所述实时飞行参数为安装在执行飞行任务的飞机上布置的传感器采集后通过信号调理单元转换后生成的。
本发明提出的基于PCA算法的飞行紧急事件预测方法,通过将历史飞行紧急事件对应的飞行数据中获取相关参数,对相关参数进行PCA算法的降维处理,并将输出结果进行训练得到飞行紧急情况预测模型,利用所述模型对实时飞行数据进行监测预警。使得飞机飞行过程中的各项技术指标数据都得到了自动化且全面的监控,能够实时对飞行过程参数进行监测,并及时对飞行紧急事件发出预警,保障了飞行任务的安全执行。
具体地,在本发明的实施例中,所述利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型具体包括:
从所述飞行样本记录数据中心获得样本飞行设备参数、样本飞行员生理状态参数及样本气象参数并进行预处理获得出险飞行特征参数矩阵Ψ,所述出险飞行特征参数矩阵Ψ为n*m维度矩阵,其中m为参数的类别数,n为参数的总数;
计算出险飞行特征参数矩阵Ψ的出险特征值向量λ=(τ1、τ2、τ3...、τm);
将所述出险飞行特征参数矩阵Ψ的出险特征值从大到小排序,选取前q个特征作为出险飞行特征参数主成分向量;
获取降维后的q个出险飞行特征主成分变量δ=Ψ*λ;
根据所述q个出险飞行特征主成分变量δ=Ψ*λ作为神经网络的输入卷积神经网络构建飞行紧急事件预测模型。
具体地,在本发明的实施例中,所述获取历史出险飞行记录样本数据之前包括如下步骤:
在每次飞行的过程中进行记录飞行过程中的设备参数、飞行员生理状态参数及气象参数并生成飞行记录;
对发生出险事件的飞行记录进行标记生成历史出险飞行记录样本数据并生成历史出险飞行记录库。
具体地,在本发明的实施例中,所述飞行设备参数包括发动机转速、飞行年限、总飞行小时数;所述飞行员生理状态参数包括飞行员的心跳、血压;所述气象参数包括飞行区域风速、降水量。具体地,在对各飞行设备参数需要进行适应的归一化运算,以适应PCA算法的降维处理。所述发动机转速可以通过安装在发动机的转速传感器获得,所述飞行年限可以通过飞行记录仪的计时模块存储的相关数据获得,所述总飞行小时数可以通过飞行控制器的飞行执行记录存储记录获得。所述飞行员的心跳、血压可以通过给飞行员穿戴心跳、血压监测手环采集后将数据传出获得。所述飞行区域的风速、降水量可通过访问气象台的相关数据库获得也可通过机载的气象参数传感器采集记录的信息获得。
具体地,在本发明的实施例中,所述从所述飞行样本记录数据中心获得样本飞行设备参数、样本飞行员生理状态参数及样本气象参数并进行预处理获得出险飞行特征参数矩阵Ψ,所述出险飞行特征参数矩阵Ψ为n*m维度矩阵,其中m为参数的类别数,n为参数的总数中所述预处理为对各参数进行归一化处理。对各参数的归一化处理包括:线性归一化,适用于数值比较集中的参数,例如飞行员的血压值和心跳值;标准差归一化,经过处理后符合标准正态分布,即均值为0,标准差为1;及非线性归一化,通过一些数学函数,将原始值进行映射。具体采用哪种归一方法可结合数据的特点选用。
具体地,在本发明的实施例中,所述进行飞行紧急事件的预测并输出预测结果,包括:对预设特定紧急事件进行预警预测。所述特定的紧急事件包括飞机起落架故障、发动机停机、飞机迫降等紧急事件。当进行特定的紧急事件的预警的过程中需要对部分参数进行加权处理,以调高相关参数的占比,如在预测起落架故障时,则可增加起落架相关参数的权重,如起落架的更换时间年限等参数的权重。
具体地,在本发明的实施例中,所述特定紧急事件包括飞机发动机停机、飞机起落架故障。
具体地,在本发明实施例中所述方法还包括:
对所述特定紧急事件的相关参数进行加权处理。所述特定的紧急事件的加权处理能够提高相关参数对预测结果准确性的保证。
具体地,在本发明实施例中,所述获取历史出险飞行记录库中的样本数据之前还包括对所述历史出险飞行记录库进行实时更新。具体地,服务器可以实时接收处于飞行状态的各飞行器的各飞行任务执行参数信息,在某次飞行任务出险之后将对应的飞行数据做出标记后的数据对所述历史出险飞行记录库进行实时更新设置。
本发明的有益效果是:本发明提出的基于PCA算法的飞行紧急事件预测方法,通过将历史飞行紧急事件对应的飞行数据中获取相关参数,对相关参数进行PCA算法的降维处理,并将输出结果进行训练得到飞行紧急情况预测模型,利用所述模型对实时飞行数据进行监测预警。使得飞机飞行过程中的各项技术指标数据都得到了自动化且全面的监控,能够实时对飞行过程参数进行监测,并及时对飞行紧急事件发出预警,保障了飞行任务的安全执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于PCA算法的飞行紧急事件预测方法,其特征在于,所述方法包括如下步骤:
获取历史出险飞行记录库中的样本数据;
利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型;
实时采集正在执行飞行任务的实时飞行特征参数并利用所述飞行紧急事件预测模型进行飞行紧急事件的预测并输出预测结果;
所述利用PCA算法对所述历史出险飞行记录样本数据进行降维处理并将利用输出结果构建基于卷积神经网络的飞行紧急事件预测模型具体包括:
从飞行样本记录数据中心获得样本飞行设备参数、样本飞行员生理状态参数及样本气象参数并进行预处理获得出险飞行特征参数矩阵Ψ,所述出险飞行特征参数矩阵Ψ为n*m维度矩阵,其中m为参数的类别数,n为参数的总数;
计算出险飞行特征参数矩阵Ψ的出险特征值向量λ=(τ1、τ2、τ3...、τm);
将所述出险飞行特征参数矩阵Ψ的出险特征值从大到小排序,选取前q个特征作为出险飞行特征参数主成分向量;
获取降维后的q个出险飞行特征主成分变量δ=Ψ*λ;
根据所述q个出险飞行特征主成分变量δ=Ψ*λ作为神经网络的输入卷积神经网络构建飞行紧急事件预测模型。
2.根据权利要求1所述的基于PCA算法的飞行紧急事件预测方法,其特征在于,所述获取历史出险飞行记录样本数据之前包括如下步骤:
在每次飞行的过程中进行记录飞行过程中的设备参数、飞行员生理状态参数及气象参数并生成飞行记录;
对发生出险事件的飞行记录进行标记生成历史出险飞行记录样本数据并生成历史出险飞行记录库。
3.根据权利要求2所述的基于PCA算法的飞行紧急事件预测方法,其特征在于,所述样本飞行设备参数包括发动机转速、飞行年限、总飞行小时数;所述样本飞行员生理状态参数包括飞行员的心跳、血压;所述样本气象参数包括飞行区域风速、降水量。
4.根据权利要求1所述的基于PCA算法的飞行紧急事件预测方法,其特征在于,所述进行飞行紧急事件的预测并输出预测结果,包括:对预设特定紧急事件进行预警预测。
5.根据权利要求4所述的基于PCA算法的飞行紧急事件预测方法,其特征在于,所述特定紧急事件包括飞机发动机停机、飞机起落架故障。
6.根据权利要求4或5所述的基于PCA算法的飞行紧急事件预测方法,其特征在于,所述方法还包括:
对所述特定紧急事件的相关参数进行加权处理。
7.根据权利要求1所述的基于PCA算法的飞行紧急事件预测方法,其特征在于,所述获取历史出险飞行记录库中的样本数据之前还包括对所述历史出险飞行记录库进行实时更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335498.9A CN112429252B (zh) | 2020-11-24 | 2020-11-24 | 一种基于pca算法的飞行紧急事件预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011335498.9A CN112429252B (zh) | 2020-11-24 | 2020-11-24 | 一种基于pca算法的飞行紧急事件预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112429252A CN112429252A (zh) | 2021-03-02 |
CN112429252B true CN112429252B (zh) | 2022-05-03 |
Family
ID=74697437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011335498.9A Active CN112429252B (zh) | 2020-11-24 | 2020-11-24 | 一种基于pca算法的飞行紧急事件预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112429252B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103080954A (zh) * | 2010-07-29 | 2013-05-01 | 萨热姆防务安全公司 | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 |
US9972143B1 (en) * | 2017-03-02 | 2018-05-15 | Honeywell International Inc. | Systems and methods for trend monitoring and event prediction |
CN110084413A (zh) * | 2019-04-17 | 2019-08-02 | 南京航空航天大学 | 基于pca与深度置信网络的民航安全风险指数预测方法 |
CN110633791A (zh) * | 2019-09-26 | 2019-12-31 | 北航(四川)西部国际创新港科技有限公司 | 一种基于卷积神经网络的无人机异常行为识别方法 |
WO2020053778A1 (en) * | 2018-09-11 | 2020-03-19 | Satavia Ltd | Aircraft engine maintenance system and method |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030065428A1 (en) * | 2001-10-01 | 2003-04-03 | Ehud Mendelson | Integrated aircraft early warning system, method for analyzing early warning data, and method for providing early warnings |
WO2017108133A1 (en) * | 2015-12-23 | 2017-06-29 | Swiss Reinsurance Company Ltd. | Automated, reactive flight-delay risk-transfer system and method thereof |
US20200342769A1 (en) * | 2019-04-05 | 2020-10-29 | Honeywell International Inc. | Systems and methods for predicting flight safety events using a learning-based model |
CN111738481A (zh) * | 2020-04-01 | 2020-10-02 | 南京航空航天大学 | 基于bp神经网络的飞机结冰气象参数mvd预测方法 |
-
2020
- 2020-11-24 CN CN202011335498.9A patent/CN112429252B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103080954A (zh) * | 2010-07-29 | 2013-05-01 | 萨热姆防务安全公司 | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 |
US9972143B1 (en) * | 2017-03-02 | 2018-05-15 | Honeywell International Inc. | Systems and methods for trend monitoring and event prediction |
WO2020053778A1 (en) * | 2018-09-11 | 2020-03-19 | Satavia Ltd | Aircraft engine maintenance system and method |
CN110084413A (zh) * | 2019-04-17 | 2019-08-02 | 南京航空航天大学 | 基于pca与深度置信网络的民航安全风险指数预测方法 |
CN110633791A (zh) * | 2019-09-26 | 2019-12-31 | 北航(四川)西部国际创新港科技有限公司 | 一种基于卷积神经网络的无人机异常行为识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112429252A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210065477A1 (en) | Diagnostics, prognostics, and health management for vehicles using kinematic clusters, behavioral sensor data, and maintenance impact data | |
Khalastchi et al. | Online data-driven anomaly detection in autonomous robots | |
Mangortey et al. | Application of machine learning techniques to parameter selection for flight risk identification | |
KR102170632B1 (ko) | 군집 시스템에서 실시간 이상 탐지 방법 및 장치 | |
CN112633361A (zh) | 一种基于lstm神经网络的飞行紧急事件预测方法及装置 | |
Li et al. | A Siamese hybrid neural network framework for few-shot fault diagnosis of fixed-wing unmanned aerial vehicles | |
Ahmad et al. | Intelligent framework for automated failure prediction, detection, and classification of mission critical autonomous flights | |
CN115994302A (zh) | 基于柯西核贝叶斯自适应共振网络的航空发动机故障诊断方法 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN112429252B (zh) | 一种基于pca算法的飞行紧急事件预测方法 | |
CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控系统及监控方法 | |
Alos et al. | Detecting contextual faults in unmanned aerial vehicles using dynamic linear regression and k-nearest neighbour classifier | |
CN108827671A (zh) | 一种机械设备故障诊断方法 | |
Lu et al. | Deep learning for flight maneuver recognition: A survey | |
CN116610993A (zh) | 轴承故障诊断方法、系统、设备及存储介质 | |
CN113850138B (zh) | 一种基于数据驱动的无人飞行器传感器故障检测方法、系统及装置 | |
US20220406199A1 (en) | Method and device for supervising a traffic control system | |
Zhang et al. | Online aircraft damage case identification and classification for database information retrieval | |
Dhakal et al. | UAV fault and anomaly detection using autoencoders | |
CN113469082A (zh) | 一种基于迁移成分分析的卫星执行器故障检测方法 | |
Xiong et al. | Fault Diagnosis of UAV Based on Adaptive Siamese Network with Limited Data | |
CN115526243B (zh) | 一种基于多源数据和cnn-lstm的飞机飞行姿态识别方法 | |
Li et al. | Multi-head attention-based hybrid deep neural network for aeroengine risk assessment | |
CN111325274B (zh) | 车辆数据预测的方法、装置、设备及计算机存储介质 | |
Li et al. | Fault Detection and Classification of Aerospace Sensors using a VGG16-based Deep Neural Network |
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 |