CN112633361A - 一种基于lstm神经网络的飞行紧急事件预测方法及装置 - Google Patents

一种基于lstm神经网络的飞行紧急事件预测方法及装置 Download PDF

Info

Publication number
CN112633361A
CN112633361A CN202011512996.6A CN202011512996A CN112633361A CN 112633361 A CN112633361 A CN 112633361A CN 202011512996 A CN202011512996 A CN 202011512996A CN 112633361 A CN112633361 A CN 112633361A
Authority
CN
China
Prior art keywords
flight
neural network
data
lstm neural
sample data
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
CN202011512996.6A
Other languages
English (en)
Inventor
何松
彭晓明
郭乐江
胡俊
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202011512996.6A priority Critical patent/CN112633361A/zh
Publication of CN112633361A publication Critical patent/CN112633361A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • B64D45/0015—Devices specially adapted for the protection against criminal attack, e.g. anti-hijacking systems
    • B64D45/0051—Devices specially adapted for the protection against criminal attack, e.g. anti-hijacking systems by monitoring passengers or crew on aircraft
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于LSTM神经网络的飞行紧急事件预测方法及装置，其方法包括：获取历史出险飞行记录的样本数据；对样本数据中进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量；根据所述多维向量作为样本，构建预测数据集；将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定；将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。本发明通过对历史飞行紧急事件的相关数据进行预处理、降维、特征提取并将作为样本训练LSTM神经网络，从而使得飞行过程中的各项数据都得到了自动化且全面的监控，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。

Description

一种基于LSTM神经网络的飞行紧急事件预测方法及装置
技术领域
本发明属于飞行安全预测领域，具体涉及一种基于LSTM神经网络的飞行紧急事件预测方法及装置。
背景技术
飞机发行事故发生是一个小概率事件，但是一旦发生就可能造成重大人员和财产损失。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。
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
为解决飞行紧急事件的预警预测的问题，本发明第一方面提供了一种基于LSTM神经网络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的样本数据，所述样本数据包括飞行设备数据、飞行员状态数据、气象数据；对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量；将所述多维向量作为样本、相应的飞行紧急事件作为标签，构建预测数据集；将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定，得到训练好的LSTM神经网络；将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。
在本发明的一些实施例中，所述飞行设备数据包括飞机状态和位置参数、飞机姿态参数、发动机状态参数、飞行操纵参数、飞机操纵面的偏转角；所述飞行员状态数据包括心率、呼吸率、心跳、血压、体温、肢体动作。
在本发明的一些实施例中，所述对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量包括如下步骤：对样本数据中的单次出险飞行记录的样本数据进行预处理，得到出险飞行特征参数矩阵X，所述出险飞行特征参数矩阵X为D*N维矩阵，其中D为参数的类别数，N为每种类别参数的总数；利用MDDM算法将所述飞行特征参数矩阵X降为d*N维矩阵，将所述d*N维矩阵映射为多维向量。
进一步的，所述对样本数据中的单次出险飞行记录的样本数据进行预处理包括如下步骤：获取单次出险飞行记录的样本数据；根据样本数据之间的独立性和相关性对其进行合并和去重；对经过合并和去重后的样本数据进行归一化，然后根据聚类算法进行聚类。
优选的，所述聚类算法为KNN。
在本发明的一些实施例中，所述LSTM神经网络包括输入层、全连接层，所述全连接层利用softmax函数输出发生飞行紧急事件的概率。进一步的，所述飞行紧急事件包括飞行器失控、失速、失压、飞行器部件脱落、通信异常、发动机故障、起落架故障。
本发明的第二方面，提供了一种基于LSTM神经网络的飞行紧急事件预测装置，包括获取模块、映射模块、构建模块、训练模块、预测模块，所述获取模块，用于获取历史出险飞行记录的样本数据，所述样本数据包括飞行设备数据、飞行员状态数据、气象数据；所述映射模块，用于对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量；所述构建模块，用于将所述多维向量作为样本、相应的飞行紧急事件作为标签，构建预测数据集；所述训练模块，用于将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定，得到训练好的LSTM神经网络；所述预测模块，用于将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的一种目标检测的标注方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的一种目标检测的标注方法。
本发明的有益效果是：
1.本发明通过对历史飞行紧急事件的相关数据进行预处理、降维、特征提取并将作为样本训练LSTM神经网络，从而使得飞行过程中的各项数据都得到了自动化且全面的监控，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；
2.由于飞行数据类别多、数据量大，在训练神经网络模型之前对样本数据数据进行预处理、降低维度非常必要，而飞行数据中很多数据存在相互关联，因此数据属性和数据之间的关联性将天气、人、飞机的数据进行去重、聚类，在保证全面覆盖了飞行紧急事件的全部要素的同时，降低模型数据处理过程中的空间复杂度和时间复杂度。而MDDM算法即最大依赖性降维方法，是一种针对多标签数据降维效果较好的方法。通过最大化特征空间和标签空间的依赖性，从而达到降维的目的；
3.由于普通循环神经网络的输出结果不仅受到当前输入数据的影响也受到前一刻输出结果的影响，这使得神经网络具有记忆功能，因此可以更好地处理长时序问题。但是循环神经网络在反向传播的过程中容易出现梯度爆炸和梯度消失问题，而LSTM神经网络通过增加输入门、输出门、遗忘门很好地解决了这个问题。LSTM网络针对时间序列数据具有较强的建模能力,能够实现信息的长期依赖,自动挖掘数据之间潜在的关联关系。
附图说明
图1为本发明的一些实施例中的基于LSTM神经网络的飞行紧急事件预测方法的基本流程图；
图2为本发明的一些实施例中的基于LSTM神经网络的飞行紧急事件预测方法的主要流程示意图；
图3为本发明的一些实施例中的基于LSTM神经网络的飞行紧急事件预测装置的结构示意图；
图4为本发明的一些实施例中的电子设备的基本结构图。
具体实施方式
以下结合附图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。
参考图1-2，在本发明的第一方面提供了一种基于LSTM神经网络的飞行紧急事件预测方法，包括如下步骤：S101.获取历史出险飞行记录的样本数据，所述样本数据包括飞行设备数据、飞行员状态数据、气象数据；S102.对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM(最大依赖性降维方法算法)对其进行降维，并映射为多维向量；S103.将所述多维向量作为样本、相应的飞行紧急事件作为标签，构建预测数据集；S104.将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定，得到训练好的LSTM神经网络；S105.将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。
在本发明的一些实施例的S101中，所述飞行设备数据包括飞机状态和位置参数、飞机姿态参数、发动机状态参数、飞行操纵参数、飞机操纵面的偏转角；所述飞行员状态数据包括心率、呼吸率、心跳、血压、体温、肢体动作。
具体地，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MDDM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。所述飞行员的生理状态参数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、降水量等气象参数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。
可以理解，上述数据中的飞机状态和位置参数与飞机姿态参数数据之间存在冗余，心跳与血压、动作存在关联，因此在一些实施例中，可利用多元线性回归方程等统计学方法对上述的多个相关的数据进行删减，从而减小模型数据的空间复杂度和时间复杂度。
在本发明的一些实施例的步骤S102中，所述对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量包括如下步骤：对样本数据中的单次出险飞行记录的样本数据进行预处理，得到出险飞行特征参数矩阵X，所述出险飞行特征参数矩阵X为D*N维矩阵，其中D为参数的类别数，N为每种类别参数的总数；利用MDDM算法将所述飞行特征参数矩阵X降为d*N维矩阵，将所述d*N维矩阵映射为多维向量。
具体地，上述归一化包括：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。
进一步的，所述对样本数据中的单次出险飞行记录的样本数据进行预处理包括如下步骤：获取单次出险飞行记录的样本数据；根据样本数据之间的独立性和相关性对其进行合并和去重；对经过合并和去重后的样本数据进行归一化，然后根据聚类算法进行聚类。优选的，所述聚类算法为KNN。
在本发明的一些实施例的步骤S104中，所述LSTM神经网络包括输入层、全连接层，所述全连接层利用softmax函数输出发生飞行紧急事件的概率。进一步的，所述飞行紧急事件包括飞行器失控、失速、失压、飞行器部件脱落、通信异常、发动机故障、起落架故障。
在本发明的一些实施例的步骤S105中，所述将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率包括如下步骤: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LSTM神经网络进行飞行紧急事件的预测并输出预测结果，预测结果可能是多类别。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。
在本发明的一些实施例中，在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。
参考图3，在本发明的第二方面，提供了一种基于LSTM神经网络的飞行紧急事件预测装置1，包括获取模块11、映射模块12、构建模块13、训练模块14、预测模块15，所述获取模块11，用于获取历史出险飞行记录的样本数据，所述样本数据包括飞行设备数据、飞行员状态数据、气象数据；所述映射模块12，用于对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量；所述构建模块13，用于将所述多维向量作为样本、相应的飞行紧急事件作为标签，构建预测数据集；所述训练模块14，用于将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定，得到训练好的LSTM神经网络；所述预测模块15，用于将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的高精度地图的定制编译方法。
参考图4，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，包括如下步骤：
获取历史出险飞行记录的样本数据，所述样本数据包括飞行设备数据、飞行员状态数据、气象数据；
对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量；
将所述多维向量作为样本、相应的飞行紧急事件作为标签，构建预测数据集；
将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定，得到训练好的LSTM神经网络；
将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。
2.根据权利要求1所述的基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，所述飞行设备数据包括飞机状态和位置参数、飞机姿态参数、发动机状态参数、飞行操纵参数、飞机操纵面的偏转角；
所述飞行员状态数据包括心率、呼吸率、心跳、血压、体温、肢体动作。
3.根据权利要求1所述的基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，所述对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量包括如下步骤：
对样本数据中的单次出险飞行记录的样本数据进行预处理，得到出险飞行特征参数矩阵X，所述出险飞行特征参数矩阵X为D*N维矩阵，其中D为参数的类别数，N为每种类别参数的总数；
利用MDDM算法将所述飞行特征参数矩阵X降为d*N维矩阵，将所述d*N维矩阵映射为多维向量。
4.根据权利要求3所述的基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，所述对样本数据中的单次出险飞行记录的样本数据进行预处理包括如下步骤：
获取单次出险飞行记录的样本数据；
根据样本数据之间的独立性和相关性对其进行合并和去重；
对经过合并和去重后的样本数据进行归一化，然后根据聚类算法进行聚类。
5.根据权利要求4所述的基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，所述聚类算法为KNN。
6.根据权利要求1所述的基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，所述LSTM神经网络包括输入层、全连接层，所述全连接层利用softmax函数输出发生飞行紧急事件的概率。
7.根据权利要求6所述的基于LSTM神经网络的飞行紧急事件预测方法，其特征在于，所述飞行紧急事件包括飞行器失控、失速、失压、飞行器部件脱落、通信异常、发动机故障、起落架故障。
8.一种基于LSTM神经网络的飞行紧急事件预测装置，其特征在于，包括获取模块、映射模块、构建模块、训练模块、预测模块，
所述获取模块，用于获取历史出险飞行记录的样本数据，所述样本数据包括飞行设备数据、飞行员状态数据、气象数据；
所述映射模块，用于对样本数据中的单次出险飞行记录的样本数据进行预处理，然后利用MDDM算法对其进行降维，并映射为多维向量；
所述构建模块，用于将所述多维向量作为样本、相应的飞行紧急事件作为标签，构建预测数据集；
所述训练模块，用于将所述预测数据集划分为训练集、验证集、测试集，训练LSTM神经网络直至其误差低于阈值并趋于稳定，得到训练好的LSTM神经网络；
所述预测模块，用于将当前飞行数据输入到所述训练好的LSTM神经网络，得到发生飞行紧急事件概率。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202011512996.6A 2020-12-20 2020-12-20 一种基于lstm神经网络的飞行紧急事件预测方法及装置 Pending CN112633361A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011512996.6A CN112633361A (zh) 2020-12-20 2020-12-20 一种基于lstm神经网络的飞行紧急事件预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011512996.6A CN112633361A (zh) 2020-12-20 2020-12-20 一种基于lstm神经网络的飞行紧急事件预测方法及装置

Publications (1)

Publication Number Publication Date
CN112633361A true CN112633361A (zh) 2021-04-09

Family

ID=75318005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011512996.6A Pending CN112633361A (zh) 2020-12-20 2020-12-20 一种基于lstm神经网络的飞行紧急事件预测方法及装置

Country Status (1)

Country Link
CN (1) CN112633361A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256039A (zh) * 2021-07-16 2021-08-13 航天宏图信息技术股份有限公司 一种航空事故预测方法、装置、设备及介质
CN113435644A (zh) * 2021-06-25 2021-09-24 天津大学 基于深度双向长短期记忆神经网络的突发事件预测方法
CN114660977A (zh) * 2022-05-24 2022-06-24 中国航空工业集团公司沈阳飞机设计研究所 一种飞机自动控制系统、方法、电子设备及可读存储介质
CN115171203A (zh) * 2022-09-05 2022-10-11 珠海翔翼航空技术有限公司 飞行员仪表监控执行度的自动识别方法、系统、设备
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871862A (zh) * 2018-12-28 2019-06-11 北京航天测控技术有限公司 一种基于合成少数类过采样和深度学习的故障预测方法
CN109993222A (zh) * 2019-03-25 2019-07-09 中国科学院上海高等研究院 数据异常检测系统及方法
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
CN110262251A (zh) * 2019-07-11 2019-09-20 电子科技大学 基于lstm神经网络的飞控系统数据预测及辅助诊断方法
CN111006860A (zh) * 2019-12-19 2020-04-14 南京航空航天大学 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871862A (zh) * 2018-12-28 2019-06-11 北京航天测控技术有限公司 一种基于合成少数类过采样和深度学习的故障预测方法
CN109993222A (zh) * 2019-03-25 2019-07-09 中国科学院上海高等研究院 数据异常检测系统及方法
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
CN110262251A (zh) * 2019-07-11 2019-09-20 电子科技大学 基于lstm神经网络的飞控系统数据预测及辅助诊断方法
CN111006860A (zh) * 2019-12-19 2020-04-14 南京航空航天大学 一种基于AdaBoost-ASVM算法的飞机执行器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡坤烨: "基于SVM方法的APU故障预测方法", 《南京航空航天大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435644A (zh) * 2021-06-25 2021-09-24 天津大学 基于深度双向长短期记忆神经网络的突发事件预测方法
CN113435644B (zh) * 2021-06-25 2023-04-07 天津大学 基于深度双向长短期记忆神经网络的突发事件预测方法
CN113256039A (zh) * 2021-07-16 2021-08-13 航天宏图信息技术股份有限公司 一种航空事故预测方法、装置、设备及介质
WO2023056614A1 (zh) * 2021-10-09 2023-04-13 大连理工大学 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法
CN114660977A (zh) * 2022-05-24 2022-06-24 中国航空工业集团公司沈阳飞机设计研究所 一种飞机自动控制系统、方法、电子设备及可读存储介质
CN115171203A (zh) * 2022-09-05 2022-10-11 珠海翔翼航空技术有限公司 飞行员仪表监控执行度的自动识别方法、系统、设备

Similar Documents

Publication Publication Date Title
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
US11978122B1 (en) Systems and methods for analyzing unmanned aerial missions
RU2573735C2 (ru) Способ и система для анализа полетных данных, записанных во время полета летательного аппарата
EP3486739A1 (en) Real time streaming analytics for flight data processing
CN107273561A (zh) 飞行事件期间飞行器的机载结构负载评估
EP3772030A1 (en) Systems and methods to utilize flight monitoring data
Lee et al. Data-driven system health monitoring technique using autoencoder for the safety management of commercial aircraft
US20210358314A1 (en) Neural network-based system for flight condition analysis and communication
Srivastava et al. Software health management: a necessity for safety critical systems
CN116842475A (zh) 基于多模态信息融合的疲劳驾驶检测方法
Ahmad et al. Intelligent framework for automated failure prediction, detection, and classification of mission critical autonomous flights
CN115994611A (zh) 类别预测模型的训练方法、预测方法、设备和存储介质
Guo et al. Flight safety assessment based on a modified human reliability quantification method
US11069160B2 (en) Systems and methods of optimizing utilization of vehicle onboard storage
Deshmukh et al. Temporal logic learning-based anomaly detection in metroplex terminal airspace operations
Zhang et al. Time series analysis methods and applications for flight data
CN112668651A (zh) 一种基于飞行数据与生成式对抗神经网络的飞行故障预测方法及装置
US20220406199A1 (en) Method and device for supervising a traffic control system
CN115293225A (zh) 飞行员平飘顶杆成因分析方法和装置
CN112429252B (zh) 一种基于pca算法的飞行紧急事件预测方法
Yang Aircraft landing gear extension and retraction control system diagnostics, prognostics and health management
CN113065809A (zh) 一种民用飞机信息安全风险分析系统
KR102665097B1 (ko) 군집 시스템에서 개별 이동체의 이상 탐지 방법 및 장치
Campbell et al. Loss of control detection for commercial transports using conditional variational autoencoders
CN111652437A (zh) 跑道视程预测值获取方法、计算机设备和存储介质

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