CN112668651A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112668651A CN112668651A CN202011613955.6A CN202011613955A CN112668651A CN 112668651 A CN112668651 A CN 112668651A CN 202011613955 A CN202011613955 A CN 202011613955A CN 112668651 A CN112668651 A CN 112668651A
- Authority
- CN
- China
- Prior art keywords
- data
- flight
- neural network
- data set
- flight 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 230000000306 recurrent effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及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，包括如下步骤：获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集第二数据集均包括时间戳；分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；训练循环神经网络以用于预测故障概率。本发明通过正常飞行数据与生成式对抗神经网络的结合来生成故障飞行数据的对抗样本，从而提高了预测模型的泛化性、准确率。
Description
技术领域
本发明属于属于航空信息与深度学习领域，具体涉及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。
背景技术
SHEL模型属于系统学派理论，是爱德华兹于1972年提出的，他首次提出“人”在由人、软件、硬件共同组成的安全系统界面中处于系统核心界面的原理，一旦人与其他因素出现不匹配则会导致事故的发生。SHEL模型主要从系统角度分析飞行员人为差错的源头。该模型强调，飞行员L是飞行活动的中心，硬件H、软件S、环境E和其他人员L，必须要与之协调和适应，否则，就有可能会导致错误的行为，进而导致飞行事故。
以上人为因素事故致因理论有着很多共同观点，一是飞行事故大多是由多种因素造成的，据统计单一原因造成的飞行事故大概只占20％，即有80％的飞行事故是由两种或两种以上的原因造成的，有的甚至多达5-6个。二是近年来由于飞行器的设计、制造、维修、保养的水平进一步提高，飞机的可靠性和安全性得到了较大提升，因此，人的因素是飞行安全的瓶颈，人的失误已经成为大部分飞行事故的最主要原因。
生成式对抗神经网络(Generative Adversarial Networks，GAN)作为一种新的无监督学习算法框架得到越来越多研究者的青睐，已然成为当下的一个研究热点。GAN受启发于博弈论中的二人零和博弈理论，其独特的对抗训练思想能生成高质量的样本，具有比传统机器学习算法更加强大的特征学习和特征表达能力。
发明内容
为解决基于曲率约束，使引导线生成结果和道路边线的曲率变化保持一致，增加自动驾驶的舒适度的问题，在本发明的第一方面提供了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，包括如下步骤：获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集第二数据集均包括时间戳；分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；根据所述第一多维向量及其对抗样本构建样本数据集；根据所述样本数据集训练循环神经网络，直至所述循环神经网络误差低于阈值且趋于稳定，停止训练，得到训练好的循环神经网络；将当前飞行数据输入到训练好的循环神经网络中，得到故障发生概率。
在本发明的一些实施例中，所述分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量包括如下步骤：根据飞行数据格式标准对所述第一数据集和第二数据集中的数据分别进行标准化；依次对标准化后的数据在进行降维、归一化；根据飞行数据对应的时间戳和飞行时间对归一化后的数据按照时间间隔的先后进行排序；将最小采样时间所对应的飞行数据映射到向量空间中，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量。
进一步的，所述依次对标准化后的数据在进行降维、归一化包括如下步骤：对标准化后的数据利用PCA算法或LDA算法进行降维；根据极差变换法对降维后的数据进行归一化。
在本发明的一些实施例中，所述生成式对抗神经网络按如下步骤训练：将所述第一多维向量作为标签样本、第二多维向量为源样本，构建训练集；直至所述生成式对抗神经网的损失函数值低于阈值且趋于稳定，停止训练，得到训练好的生成式对抗神经网络。进一步的，所述生成式对抗神经网络为Cycle-GAN。
在上述的实施例中，所述循环神经网络包括LSTM或GRU。
在本发明的一些实施例的S105中，将当期飞行数据输入到训练好的循环神经网络中，得到预测下一采样时间周期的飞行数据序列，通过飞行数据序列与历史故障飞行数据的相似度进行对比，得到故障概率。可选的，相似度可采用欧式距离、地动(earthdistance)距离进行计算。
本发明的第二方面，提供了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装置，包括获取模块、预处理模块、生成模块、训练模块、预测模块，所述获取模块，用于获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集和第二数据集均包括时间戳；所述预处理模块，用于分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；所述生成模块，用于利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；所述训练模块，用于根据所述第一多维向量及其对抗样本构建样本数据集；根据所述样本数据集训练循环神经网络中，直至所述循环神经网络误差低于阈值且趋于稳定，停止训练，得到训练好的循环神经网络；所述预测模块，用于将当前飞行数据输入到训练好的循环神经网络中，得到故障发生概率。
进一步的，所述预处理模块包括标准化模块、排序模块、映射模块，所述标准化模块，用于根据飞行数据格式标准对所述第一数据集和第二数据集中的数据分别进行标准化；依次对标准化后的数据在进行降维、归一化；所述排序模块，用于依次对标准化后的数据在进行降维、归一化；所述映射模块，用于将最小采样时间所对应的飞行数据映射到向量空间中，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量。
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方法。
本发明的有益效果是：
1.由于飞机的成本原因，飞机平均服役时间约为20年，因此飞机数据的记录方式和存储介质存在多种，飞行数据的标准格式也不尽统一，因此需要对原始飞行数据进行标准化；
2.飞机的各种数据或信息变化速率是不均匀的，在起飞和着陆阶段的飞行参数变化快，而飞机进入航线后各参数趋于稳定，因而，固定记录速率造成了在航线中记录了大量的重复数据，而在起飞和着陆过程中记录的参数太少的问题。本发明通过对飞行依次进行标准化、降维和归一化，降低模型输入样本的空间复杂度和时间复杂度，从而减少了模型收敛的时间；
2.利用GAN生成的对抗样本提高了模型的泛化能力和预测准确率；
3.LSTM作为成熟的序列数据的生成模型，稳定性和可靠性高，契合了飞行故障预测的需求。
附图说明
图1为本发明的一些实施例中的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的流程图示意图；
图2为本发明的一些实施例中的标准化中的ARINC717格式部分数据结构示意图；
图3为本发明的一些实施例中的基于飞行数据与生成式对抗神经网络的飞行故障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，在本发明的第一方面提供了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，包括如下步骤：S101.获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集第二数据集均包括时间戳；S102.分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；S103.利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；S104.根据所述第一多维向量及其对抗样本构建样本数据集；根据所述样本数据集训练循环神经网络，直至所述循环神经网络误差低于阈值且趋于稳定，停止训练，得到训练好的循环神经网络；S105.将当前飞行数据输入到训练好的循环神经网络中，得到故障发生概率。
在本发明的一些实施例的步骤S102中，所述分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量包括如下步骤：根据飞行数据格式标准对所述第一数据集和第二数据集中的数据分别进行标准化；依次对标准化后的数据在进行降维、归一化；根据飞行数据对应的时间戳和飞行时间对归一化后的数据按照时间间隔的先后进行排序；将最小采样时间所对应的飞行数据映射到向量空间中，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量。
参考图2，示意性地，利用ARINC717格式或民航总局制定的相关规范，对所述飞行数据进行标准化。ARINC573标准记录速度为每秒64个单字，在此基础上，将速度又提高2倍或4倍，即每秒记录128个单字或256个单字。在超级帧中的某一参数需要64秒才能记录一次。由于采样率太低，许多重要参数不能采用这种方法，它只适用于记录一些缓变的参数或不变的参数。中国民航机载飞行数据记录器采用超级帧的飞机有A320，MD82，波音737，波音767和波音747-400型等。例如，波音747-400型飞机的超级帧记录是在第3副帧第62字槽构成了一个发动机参数的超级帧。
进一步的，所述依次对标准化后的数据在进行降维、归一化包括如下步骤：对标准化后的数据利用PCA算法或LDA算法进行降维；根据极差变换法对降维后的数据进行归一化。
在本发明的一些实施例中，所述生成式对抗神经网络按如下步骤训练：
将所述第一多维向量作为标签样本、第二多维向量为源样本，构建训练集；直至所述生成式对抗神经网的损失函数值低于阈值且趋于稳定，停止训练，得到训练好的生成式对抗神经网络。进一步的，所述生成式对抗神经网络为Cycle-GAN。
在上述的实施例中，所述循环神经网络包括LSTM或GRU。
本发明的第二方面，提供了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装置1，包括获取模块11、预处理模块12、生成模块13、训练模块14、预测模块15，所述获取模块11，用于获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集和第二数据集均包括时间戳；所述预处理模块12，用于分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；所述生成模块13，用于利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；所述训练模块14，用于根据所述第一多维向量及其对抗样本构建样本数据集；根据所述样本数据集训练循环神经网络中，直至所述循环神经网络误差低于阈值且趋于稳定，停止训练，得到训练好的循环神经网络；所述预测模块15，用于将当前飞行数据输入到训练好的循环神经网络中，得到故障发生概率。
进一步的，所述预处理模块12包括标准化模块、排序模块、映射模块，所述标准化模块，用于根据飞行数据格式标准对所述第一数据集和第二数据集中的数据分别进行标准化；依次对标准化后的数据在进行降维、归一化；所述排序模块，用于依次对标准化后的数据在进行降维、归一化；所述映射模块，用于将最小采样时间所对应的飞行数据映射到向量空间中，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量
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)
1.一种基于飞行数据与生成式对抗神经网络的飞行故障预测方法，其特征在于，包括如下步骤：
获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集第二数据集均包括时间戳；
分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；
利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；
根据所述第一多维向量及其对抗样本构建样本数据集；根据所述样本数据集训练循环神经网络，直至所述循环神经网络误差低于阈值且趋于稳定，停止训练，得到训练好的循环神经网络；
将当前飞行数据输入到训练好的循环神经网络中，得到故障发生概率。
2.根据权利要求1所述的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，其特征在于，所述分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量包括如下步骤：
根据飞行数据格式标准对所述第一数据集和第二数据集中的数据分别进行标准化；依次对标准化后的数据在进行降维、归一化；
根据飞行数据对应的时间戳和飞行时间对归一化后的数据按照时间间隔的先后进行排序；
将最小采样时间所对应的飞行数据映射到向量空间中，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量。
3.根据权利要求2所述的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，其特征在于，所述依次对标准化后的数据在进行降维、归一化包括如下步骤：
对标准化后的数据利用PCA算法或LDA算法进行降维；
根据极差变换法对降维后的数据进行归一化。
4.根据权利要求1所述的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，其特征在于，所述生成式对抗神经网络按如下步骤训练：
将所述第一多维向量作为标签样本、第二多维向量为源样本，构建训练集；
直至所述生成式对抗神经网的损失函数值低于阈值且趋于稳定，停止训练，得到训练好的生成式对抗神经网络。
5.根据权利要求4所述的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，其特征在于，所述生成式对抗神经网络为Cycle-GAN。
6.根据权利要求1-5中任一所述的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，其特征在于，所述循环神经网络包括LSTM或GRU。
7.一种基于飞行数据与生成式对抗神经网络的飞行故障预测装置，其特征在于，包括获取模块、预处理模块、生成模块、训练模块、预测模块，
所述获取模块，用于获取多个机型的故障飞行数据和正常飞行数据，记故障飞行数据集为第一数据集，记正常飞行数据集为第二数据集；所述第一数据集和第二数据集均包括时间戳；
所述预处理模块，用于分别对所述第一数据集和第二数据集中的数据依次进行标准化、降维和归一化，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量；
所述生成模块，用于利用第二多维向量和训练好的生成式对抗神经网络生成所述第一多维向量的对抗样本；
所述训练模块，用于根据所述第一多维向量及其对抗样本构建样本数据集；根据所述样本数据集训练循环神经网络中，直至所述循环神经网络误差低于阈值且趋于稳定，停止训练，得到训练好的循环神经网络；
所述预测模块，用于将当前飞行数据输入到训练好的循环神经网络中，得到故障发生概率。
8.根据权利要求7所述的基于飞行数据与生成式对抗神经网络的飞行故障预测装置，其特征在于，所述预处理模块包括标准化模块、排序模块、映射模块，
所述标准化模块，用于根据飞行数据格式标准对所述第一数据集和第二数据集中的数据分别进行标准化；依次对标准化后的数据在进行降维、归一化；
所述排序模块，用于依次对标准化后的数据在进行降维、归一化；
所述映射模块，用于将最小采样时间所对应的飞行数据映射到向量空间中，得到与故障飞行数据对应的第一多维向量、与正常飞行数据的对应的第二多维向量。
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1-6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1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011613955.6A CN112668651A (zh) | 2020-12-30 | 2020-12-30 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011613955.6A CN112668651A (zh) | 2020-12-30 | 2020-12-30 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112668651A true CN112668651A (zh) | 2021-04-16 |
Family
ID=75411255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011613955.6A Pending CN112668651A (zh) | 2020-12-30 | 2020-12-30 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668651A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200962A (zh) * | 2022-02-15 | 2022-03-18 | 四川腾盾科技有限公司 | 无人机飞行任务执行情况分析方法 |
| CN114638444A (zh) * | 2022-05-19 | 2022-06-17 | 珠海翔翼航空技术有限公司 | 针对突发故障下的跳伞时间预测方法、系统、设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111738420A (zh) * | 2020-06-24 | 2020-10-02 | 莫毓昌 | 一种基于多尺度抽样的机电设备状态数据补全与预测方法 |
| CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学（保定） | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
-
2020
- 2020-12-30 CN CN202011613955.6A patent/CN112668651A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111738420A (zh) * | 2020-06-24 | 2020-10-02 | 莫毓昌 | 一种基于多尺度抽样的机电设备状态数据补全与预测方法 |
| CN112016395A (zh) * | 2020-07-14 | 2020-12-01 | 华北电力大学（保定） | 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 |
Non-Patent Citations (6)
| Title |
|---|
| 付强等: "基于GANBP的航空发动机性能退化预测模型", 《人类工效学》, no. 01, 20 February 2020 (2020-02-20), pages 16 - 21 * |
| 刘云等: "基于循环神经网络的通信卫星故障检测", 《计算机科学》 * |
| 刘云等: "基于循环神经网络的通信卫星故障检测", 《计算机科学》, vol. 47, no. 02, 28 February 2020 (2020-02-28), pages 227 - 232 * |
| 刘恒等: "基于生成式对抗网络的通用性对抗扰动生成方法", 《信息网络安全》 * |
| 刘恒等: "基于生成式对抗网络的通用性对抗扰动生成方法", 《信息网络安全》, no. 05, 10 May 2020 (2020-05-10), pages 63 - 70 * |
| 武玉伟等编著: "《深度学习基础与应用》", 北京理工大学出版社, pages: 170 - 171 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114200962A (zh) * | 2022-02-15 | 2022-03-18 | 四川腾盾科技有限公司 | 无人机飞行任务执行情况分析方法 |
| CN114200962B (zh) * | 2022-02-15 | 2022-05-17 | 四川腾盾科技有限公司 | 无人机飞行任务执行情况分析方法 |
| CN114638444A (zh) * | 2022-05-19 | 2022-06-17 | 珠海翔翼航空技术有限公司 | 针对突发故障下的跳伞时间预测方法、系统、设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220076164A1 (en) | Automated feature engineering for machine learning models | |
| US11914962B2 (en) | Reduced training intent recognition techniques | |
| US10565442B2 (en) | Picture recognition method and apparatus, computer device and computer- readable medium | |
| US20170017901A1 (en) | Machine Learning of Physical Conditions Based on Abstract Relations and Sparse Labels | |
| 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 | |
| US10737904B2 (en) | Elevator condition monitoring using heterogeneous sources | |
| US20230306081A1 (en) | Method for training a point cloud processing model, method for performing instance segmentation on point cloud, and electronic device | |
| US11392847B1 (en) | Early warning and event predicting systems and methods for predicting future events | |
| US11552909B2 (en) | Generation of a chatbot | |
| US11295059B2 (en) | Adaptive processing and content control system | |
| US20210056264A1 (en) | Neologism classification techniques | |
| US20220414689A1 (en) | Method and apparatus for training path representation model | |
| CN115861462A (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| WO2023022823A1 (en) | Automated generation of predictive insights classifying user activity | |
| US10929767B2 (en) | Method for complex events detection using hidden markov models | |
| CN114647554A (zh) | 分布式管理集群的性能数据监控方法及装置 | |
| EP3407204A1 (en) | Methods and systems for translating natural language requirements to a semantic modeling language statement | |
| US11636304B2 (en) | Creating response schedule for tasks from cognitive state of a user | |
| US20220276067A1 (en) | Method and apparatus for guiding voice-packet recording function, device and computer storage medium | |
| CN113051911A (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
| US20230244996A1 (en) | Auto adapting deep learning models on edge devices for audio and video | |
| US20210174191A1 (en) | Automated fine-tuning of a pre-trained neural network for transfer learning | |
| CN114610697B (zh) | 数据迁移方法、装置、计算机设备和存储介质 | |
| US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
| CN114897183A (zh) | 问题数据处理方法、深度学习模型的训练方法和装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |