CN113269368B - 一种基于数据驱动的民机安全趋势预测方法 - Google Patents
一种基于数据驱动的民机安全趋势预测方法 Download PDFInfo
- Publication number
- CN113269368B CN113269368B CN202110632200.9A CN202110632200A CN113269368B CN 113269368 B CN113269368 B CN 113269368B CN 202110632200 A CN202110632200 A CN 202110632200A CN 113269368 B CN113269368 B CN 113269368B
- Authority
- CN
- China
- Prior art keywords
- data
- text
- type
- numerical
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据驱动的民机安全趋势预测方法，解决了现有对飞机安全的预测存在数据范围小、预测精度低的问题，其技术方案要点是通过对收集的安全问题数据进行分类并转换为数值型数据实现数据挖掘，通过深度学习神经网络变换处理进行训练及预测，本发明的一种基于数据驱动的民机安全趋势预测方法，能增加数据的多样性，提高预测的适用范围，有效提升预测结果的精度。
Description
技术领域
本发明涉及民机安全趋势预测技术，特别涉及一种基于数据驱动的民机安全趋势预测方法。
背景技术
民机运行安全状态和趋势的预测问题十分复杂，其复杂性首先体现在数据的繁琐和多样性。以往的安全管理手段主要是事后管理，即针对飞机运营中出现的问题进行调查和整改，取得了一定效果。为了进一步提升安全管理所带来的效益，对飞机的安全预测进一步发展，现有的预测方法和系统中大多直接选取运营中可视化数据的部分，目前已有的专利或公开文献中，针对国产民机安全趋势的预测方法和系统的研究较少，且主要以飞机运营中的部分可视化数据为基础，通过一些诸如BP神经网络、灰度预测模型等方法，对飞机的安全状态和趋势的某一方面进行短期预测，但这些方法和系统的适用范围和预测精度都有待提升，且预测所采用的数据量和数据的涵盖范围都有所折扣，从而导致预测结果有时不尽如人意，还有待改进的空间。
发明内容
本发明的目的是提供一种基于数据驱动的民机安全趋势预测方法，能增加数据的多样性，提高预测的适用范围，有效提升预测结果的精度。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于数据驱动的民机安全趋势预测方法，包括有以下步骤：
S1、收集获取对应型号飞机的安全问题信息数据；
S2、将收集的安全问题信息数据按照信息数据类型进行分类，分为数值型、文本型、编码型及其他类型；
S3、将文本型、编码型及其他类型数据进行赋值处理为数值型数据；其中，首先对文本型和编码型数据进行标准化，每条文本由相同的词语类型和文本结构组成，文本中除连接词外的信息涵盖了事件的时间、地点、原因各个要素，每个要素包含若干固定选项；再对各选项进行赋值，并剔除连接词，将整条文本完全转化为数值型数据；
S4、将获取及经处理后的数值型数据引入深度学习神经网络进行变换，并将原数值空间投影至新的空间，通过设置隐藏层的层数和每层函数对数值进行分类、折叠、压缩及投影；
S5、通过深度学习神经网络进行预测得到预测结果，将获取的预测结果与实际结果比对，当比对结果未达到设定所需标准时，返回步骤S4并对设置的隐藏层的各层函数进行调整，以此反复训练深度学习神经网络；当比对结果达到设定所需标准时，完成神经网络的训练；
S6、进行封装，内置系统更新代码，将后续每一次预测结果与实际结果作为新的训练数据对预测方法进行更新。
作为优选，步骤S1中获取的安全问题信息数据包括有：
数值型数据：故障次数、故障率；
文本型数据：故障位置、故障描述；
编码型数据：换件编号、维修方法。
作为优选，步骤S2中对各类型数据的处理具体为：
文本型数据：对文本型数据进行特征字段提取，并查询获取提取的特征字段对飞机安全的重要程度，根据重要程度进行复数形式赋值；
编码型数据：评估获取编码型数据所指代的维修时间的严重程度，根据严重程度对编码信息进行复数形式赋值。
综上所述，本发明具有以下有益效果：
通过获取型号飞机的安全问题信息数据，并对不同类型数据进行分类，并经过深度学习的神经网络进行赋值变换，使得各类型信息数据均可经过预测获得预测结果，可增加数据的多样性，具有更广的适用范围；且随着输入数据的量和质的提升，可提高系统预测结果的预测精度，能获得更准确的预测结果，使得预测结果更为成熟。
附图说明
图1为本方法的流程示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例，公开了一种基于数据驱动的民机安全趋势预测方法，如图1所示，包括有以下步骤：
S1、收集获取对应型号飞机的安全问题信息数据。
S2、将收集的安全问题信息数据按照信息数据类型进行分类，分为数值型、文本型、编码型及其他类型。
S3、将文本型、编码型及其他类型数据进行赋值处理为数值型数据；其中，文本型和编码型数据首先进行标准化，即每条文本由相同的词语类型和文本结构组成，文本中除连接词外的信息涵盖了事件的时间、地点、原因等各个要素，每个要素包含若干固定选项。而后，对各选项进行赋值，并剔除连接词，将整条文本完全转化为数值型数据。
S4、将获取及经处理后的数值型数据按不同来源引入深度学习神经网络的输入层中，将数据进行一系列线性和非线性变换，将原数值空间投影至新的空间，通过设置隐藏层的层数和每层函数对数值进行分类、折叠、压缩及投影；通过隐藏层对输入数值进行特征提取，将数据抽象化至其他维度空间从而便于进行线性划分。
S5、通过深度学习神经网络进行预测得到预测结果，将获取的预测结果与实际结果比对，当比对结果未达到设定所需标准时，返回步骤S4并对设置的隐藏层的各层函数进行调整，以此反复训练深度学习神经网络；当比对结果达到设定所需标准时，完成神经网络的训练。
S6、进行封装，内置系统更新代码，将后续每一次预测结果与实际结果作为新的训练数据对预测方法进行更新。
进一步的，步骤S1中获取的安全问题信息数据包括有：
数值型数据：故障次数、故障率；
文本型数据：故障位置、故障描述；
编码型数据：换件编号、维修方法。
进一步的，步骤S2中对各类型数据的处理具体为：
文本型数据：对文本型数据进行特征字段提取，并查询获取提取的特征字段对飞机安全的重要程度，根据重要程度进行复数形式赋值；
编码型数据：评估获取编码型数据所指代的维修时间的严重程度，根据严重程度对编码信息进行复数形式赋值。
对非数值型数据的赋值均采用复数形式，即实数+虚数形式，不仅可以与数值型数据进行区分，而且增加了赋值的维度。
首先通过针对数据进行分类，将飞机日常运行过程中的一些文本类问题报告，编码类维修过程转化为数值型数据，将大量非数值类的数据纳入预测系统的输入数据范畴内，实现对数据的挖掘。将处理后的数值型数据作为输入导入深度学习神经网络的输入层中，提升了输入数据的数量和质量，解决了现有预测方法和系统中因输入数据偏向某一局部而产生的预测精度低的问题，增加了系统预测结果的精度。在针对数据的处理上，本发明采用了深度学习方法，进一步增加系统对复杂数据的分类和学习的能力，使输出的预测结果更为精准。
通过针对现役民航飞机日常运行数据进行数据挖掘，将飞机日常运行过程中的一些文本类问题报告，编码类维修过程转化为数值型数据，并作为输入导入趋势预测系统中。随着输入数据量和质的提升，可以增加系统预测结果的预测精度。在后续针对数据的处理上，本发明采用深度学习方法，进一步增加系统对复杂数据的分类和学习的能力，使输出的预测结果更为成熟。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (3)
1.一种基于数据驱动的民机安全趋势预测方法，其特征是，包括有以下步骤：
S1、收集获取对应型号飞机的安全问题信息数据；
S2、将收集的安全问题信息数据按照信息数据类型进行分类，分为数值型、文本型、编码型及其他类型；
S3、将文本型、编码型及其他类型数据进行赋值处理为数值型数据；首先对文本型和编码型数据进行标准化，每条文本由相同的词语类型和文本结构组成，除连接词外的信息涵盖了事件的时间、地点、原因各个要素，每个要素包含若干固定选项；再对各选项进行赋值，并剔除连接词，将整条文本完全转化为数值型数据；
S4、将获取及经处理后的数值型数据引入深度学习神经网络进行变换，并将原数值空间投影至新的空间，通过设置隐藏层的层数和每层函数对数值进行分类、折叠、压缩及投影；
S5、通过深度学习神经网络进行预测得到预测结果，将获取的预测结果与实际结果比对，当比对结果未达到设定所需标准时，返回步骤S4并对设置的隐藏层的各层函数进行调整，以此反复训练深度学习神经网络；当比对结果达到设定所需标准时，完成神经网络的训练；
S6、进行封装，内置系统更新代码，将后续每一次预测结果与实际结果作为新的训练数据对预测方法进行更新。
2.根据权利要求1所述的基于数据驱动的民机安全趋势预测方法，其特征是，步骤S1中获取的安全问题信息数据包括有：
数值型数据：故障次数、故障率；
文本型数据：故障位置、故障描述；
编码型数据：换件编号、维修方法。
3.根据权利要求2所述的基于数据驱动的民机安全趋势预测方法，其特征是，步骤S2中对各类型数据的处理具体为：
文本型数据：对文本型数据进行特征字段提取，并查询获取提取的特征字段对飞机安全的重要程度，根据重要程度进行复数形式赋值；
编码型数据：评估获取编码型数据所指代的维修时间的严重程度，根据严重程度对编码信息进行复数形式赋值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632200.9A CN113269368B (zh) | 2021-06-07 | 2021-06-07 | 一种基于数据驱动的民机安全趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110632200.9A CN113269368B (zh) | 2021-06-07 | 2021-06-07 | 一种基于数据驱动的民机安全趋势预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113269368A CN113269368A (zh) | 2021-08-17 |
| CN113269368B true CN113269368B (zh) | 2023-06-30 |
Family
ID=77234448
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110632200.9A Active CN113269368B (zh) | 2021-06-07 | 2021-06-07 | 一种基于数据驱动的民机安全趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269368B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105637437A (zh) * | 2013-10-11 | 2016-06-01 | 斯奈克玛 | 监测飞行器引擎来预测维护操作 |
| CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
| KR20190069696A (ko) * | 2017-12-12 | 2019-06-20 | (주)위세아이텍 | 장비 고장 예측 장치 및 방법 |
| CN110262280A (zh) * | 2019-02-26 | 2019-09-20 | 北京控制工程研究所 | 航天器交会对接飞行控制智能数据分析与决策支持系统 |
| 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 |
| KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
| CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN110750640A (zh) * | 2019-09-17 | 2020-02-04 | 平安科技（深圳）有限公司 | 基于神经网络模型的文本数据分类方法、装置及存储介质 |
| CN110958136A (zh) * | 2019-11-11 | 2020-04-03 | 国网山东省电力公司信息通信公司 | 一种基于深度学习的日志分析预警方法 |
| CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
| CN112085869A (zh) * | 2020-09-18 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的民机飞行安全性分析方法 |
| CN112817296A (zh) * | 2020-12-30 | 2021-05-18 | 中国人民解放军空军预警学院 | 一种基于飞行数据与深度学习的飞行故障预测方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120101776A1 (en) * | 2010-10-26 | 2012-04-26 | Brower Alfred N | Embedded prognostic health management system for aeronautical machines and devices and methods thereof |
| US10650614B2 (en) * | 2017-09-29 | 2020-05-12 | The Boeing Company | Aircraft maintenance event prediction using higher-level and lower-level system information |
-
2021
- 2021-06-07 CN CN202110632200.9A patent/CN113269368B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105637437A (zh) * | 2013-10-11 | 2016-06-01 | 斯奈克玛 | 监测飞行器引擎来预测维护操作 |
| KR20190069696A (ko) * | 2017-12-12 | 2019-06-20 | (주)위세아이텍 | 장비 고장 예측 장치 및 방법 |
| CN109408552A (zh) * | 2018-08-08 | 2019-03-01 | 南京航空航天大学 | 基于lstm-ae深度学习框架的民机系统故障监测与识别方法 |
| CN110262280A (zh) * | 2019-02-26 | 2019-09-20 | 北京控制工程研究所 | 航天器交会对接飞行控制智能数据分析与决策支持系统 |
| KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
| CN110361176A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| 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 |
| CN110750640A (zh) * | 2019-09-17 | 2020-02-04 | 平安科技（深圳）有限公司 | 基于神经网络模型的文本数据分类方法、装置及存储介质 |
| CN110958136A (zh) * | 2019-11-11 | 2020-04-03 | 国网山东省电力公司信息通信公司 | 一种基于深度学习的日志分析预警方法 |
| CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
| CN112085869A (zh) * | 2020-09-18 | 2020-12-15 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的民机飞行安全性分析方法 |
| CN112817296A (zh) * | 2020-12-30 | 2021-05-18 | 中国人民解放军空军预警学院 | 一种基于飞行数据与深度学习的飞行故障预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于神经网络技术的飞机舵面故障趋势预测研究;李斌;章卫国;宁东方;尹伟;;系统仿真学报;第20卷(第21期);第5840-5847页 * |
| 基于神经网络的飞机发动机性能趋势预测系统;余宾;;中国制造业信息化;第37卷(第21期);第58-63页 * |
| 飞机APU故障趋势预测研究;王琪琛;中国优秀硕士学位论文全文数据库（工程科学Ⅱ辑）(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113269368A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002149868A (ja) | 製品の将来のサービス事象の時期を予測する方法 | |
| CN103076547A (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN115440032B (zh) | 一种长短期公共交通流量预测方法 | |
| CN105930930B (zh) | 基于负荷特性分析与负荷预测技术的负荷数据校准方法 | |
| CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
| CN112818035A (zh) | 一种网络故障预测方法及终端设备及存储介质 | |
| CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
| CN115327286A (zh) | 一种应用于发电站的变压器监测方法及系统 | |
| Plakhotnikov et al. | The Use of Artificial Intelligence in Cyber-Physical Systems | |
| CN112527572A (zh) | 磁盘故障预测方法、装置、计算机可读存储介质及服务器 | |
| CN113269368B (zh) | 一种基于数据驱动的民机安全趋势预测方法 | |
| CN113780398A (zh) | 一种无线网络链路质量预测方法及系统 | |
| CN113891342B (zh) | 基站巡检方法、装置、电子设备及存储介质 | |
| CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
| CN117217730A (zh) | 电力设备故障识别方法、装置、设备、介质和产品 | |
| CN114912854B (zh) | 地铁列车运行调整方法、装置、电子设备及存储介质 | |
| CN115936763A (zh) | 一种基于特征衍生与特征筛选的车机用户流失预测方法 | |
| CN115982621A (zh) | 一种基于时间卷积网络的旋转机械剩余使用寿命预测方法 | |
| CN111416870B (zh) | 一种工业物联网系统 | |
| CN114115152A (zh) | 基于嵌入式和深度学习的制造边缘实时事件洞察方法 | |
| CN111143622A (zh) | 基于大数据平台的故障数据集构建方法 | |
| CN114118630B (zh) | 一种基于气象事件的需求量预测方法和系统 | |
| CN112905956B (zh) | 一种基于电网运行特征分析的配网计量事件核对方法 | |
| CN118052448A (zh) | 基于多维敏感度影响因子分析的停电预警方法及系统 |
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 |