CN114692760A - 下降率估算模型构建、下降率估算方法、装置及电子设备 - Google Patents
下降率估算模型构建、下降率估算方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114692760A CN114692760A CN202210335565.XA CN202210335565A CN114692760A CN 114692760 A CN114692760 A CN 114692760A CN 202210335565 A CN202210335565 A CN 202210335565A CN 114692760 A CN114692760 A CN 114692760A
- Authority
- CN
- China
- Prior art keywords
- rate
- sample data
- descent rate
- descent
- moment
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明实施例涉及一种下降率估算模型构建、下降率估算方法、装置及电子设备,该方法包括:获取第一样本数据;根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据;从第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练;当预设模型达到预设标准时,确定预设模型为下降率估算模型。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种下降率估算模型构建、下降率估算方法、装置及电子设备。
背景技术
飞机下降率是飞行进近和着陆阶段的关键指标,对安全飞行意义重大。如果进近着陆阶段的下降率偏大,则可能导致跑道外接地,最终机毁人亡,如果下降率偏小,则会导致平飘距离长,存在冲出跑道的风险。因此准确的下降率指标对后续飞行安全风险分析意义重大。
目前识别下降率异常的方法是根据飞行不同阶段,统计该区间平均下降率,再利用统计学给出下降率的区间范围,如果采集的下降率值在该范围之内,则下降率正常,反之,视为异常。而这种识别方法虽然能够在一定程度上识别异常的下降率,但是对于突发情况,例如进近航路上出现了凹地或者山坡。这种异常下降率的识别方法则会失效,识别精度不足,当触发报警事件时,均需人为判断下降率是否出现异常,异或为误触发事件等情况,大大浪费人力资源和时间成本。
因此,获取一种能够针对突发情况,同样可以对下降率进行精准预测的方法或模型,成为亟待解决的技术问题。
发明内容
本申请提供了一种下降率估算模型构建、下降率估算方法、装置及电子设备,以解决现有技术中对于地形存在特殊情况,例如存在凹地或者山坡时,现有的下降率异常识别方法将失效,识别精度不高,当触发报警事件时,均需人为判断下降率是否出现异常,异或为误触发事件等情况,大大浪费人力资源和时间成本等的技术问题。
第一方面,本申请提供了一种下降率估算模型构建方法,该方法应用于一种飞行设备,该方法包括:
获取第一样本数据,其中,第一样本数据中包括影响数据质量的参数,影响下降率的参数,以及下降率;
根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据;
从第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;
根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练;
当预设模型达到预设标准时,确定预设模型为下降率估算模型,其中,第二时刻为第一时刻的下一时刻,第二样本数据中包括预设时间段内每一个时刻分别对应的影像下降率的参数,以及下降率。
第二方面,本申请提供了一种下降率估算方法,该方法被第一方面所介绍的下降率估算模型执行,包括:
当飞行设备确定执行下降操作后,实时获取飞行设备的当前位置与预设基准位置之间的距离;
当确定距离小于或者等于预设距离阈值时,获取每一时刻对应的影响下降率的参数,以及下降率;
对当前时刻影响下降率的参数进行异常数据剔除处理后,输入到下降率估算模型,获取与下一时刻对应的预测下降率,其中,预测下降率用以评定实际获取的下一时刻对应的下降率是否发生异常。
第三方面,本申请提供了一种下降率估算模型构建装置,该装置包括:
获取模块,用于获取第一样本数据,其中,第一样本数据中包括影响数据质量的参数,影响下降率的参数,以及下降率;
处理模块,用于根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据;
提取模块,用于从第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;
处理模块,还用于根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练;当预设模型达到预设标准时,确定预设模型为下降率估算模型,其中,第二时刻为第一时刻的下一时刻,第二样本数据中包括预设时间段内每一个时刻分别对应的影像下降率的参数,以及下降率。
第四方面,提供了一种电子设备,该电子设备安装于一种飞行设备上,该电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一项实施例的下降率估算模型构建方法的步骤;
或者,实现第二方面任一项实施例的下降率估算方法的步骤。
第五方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面任一项实施例的下降率估算模型构建方法的步骤;
或者,实现如第二方面任一项实施例的下降率估算方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请实施例提供的该方法,即使遇到地形复杂的情况,比如存在坑洼的地形,依然可以获取一个对于下降率估算比较准确的模型。通过该模型对下降率进行比较精准的估算后,再与实际获取的下降率进行比较。如果实际下降率与预测下降率之间存在较大误差,则说明实际下降率为一个错误的下降率,即使飞行设备根据实际获取的下降率发出告警(根据实际下降率预测飞机降落过程中存在某种风险),也可以忽略掉,当然,这种前提是根据预测下降率确定飞行下降过程中的操作没有问题。相反,如果实际下降率与预测下降率之间误差在许可范围内,则工作人员需要及时处理因为下降率发出的告警信息,以免因为飞机下降过程中的不当操作发生危险。通过该方式,即使飞行设备因为下降率发生告警信息,工作人员也可以首先根据下降率估算模型预判实际采集的下降率是否准确。只有在下降率准确的情况下,再去人为判断下降率出现异常的原因,大大节省人力资源和时间成本。
附图说明
图1为本发明实施例提供的一种下降率估算模型构建方法流程示意图;
图2为本发明提供的根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据的方法流程示意图;
图3为本发明提供的根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练的方法流程示意图;
图4本发明提供的对生成的下降率估算模型进行校验的方法流程示意图;
图5为本发明提供的样本数据为1000条时,所获取的预测下降率与实际下降率之间的均方根误差示意图;
图6为本发明提供的样本数据为10000条时,所获取的预测下降率与实际下降率之间的均方根误差示意图;
图7为本发明提供的样本数据为全部样本数据时,所获取的预测下降率与实际下降率之间的均方根误差示意图;
图8为本发明提供的吕梁大武机场的地形示意图;
图9为本发明提供的针对吕梁大武机场的地形,所得到的预测下降率和实际下降率之间的对比图;
图10为本发明实施例提供的一种下降率估算方法流程示意图;
图11为本发明实施例提供的一种下降率估算模型构建装置结构示意图;
图12为本发明实施例提供的一种下降率估算装置结构示意图;
图13为本发明实施例提供一种电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为便于对本发明实施例的理解,下面将结合附图以具体实施例做进一步的解释说明,实施例并不构成对本发明实施例的限定。
针对背景技术中所提及的技术问题,本申请实施例提供了一种下降率估算模型构建方法,具体参见图1所示,图1为本发明实施例提供的一种下降率估算模型构建方法流程示意图,该方法适用于一种飞行设备。具体应用场景可以是飞行设备处于飞行进近阶段和着陆阶段。
其中,飞行进近和着陆阶段:主要指飞行设备,例如飞机在机场上空由地面管制人员指挥对准跑道下降的阶段。这个阶段飞机需要按规则绕机场飞行后直接对准跑道,飞机减速,放下襟翼和起落架。
飞机下降率是飞行进近和着陆阶段的关键指标,对安全飞行意义重大。如果进近着陆阶段的下降率偏大,则可能导致跑道外接地,最终机毁人亡,如果下降率偏小,则会导致平飘距离长,存在冲出跑道的风险。所以,准确的下降率指标对后续飞行安全风险分析意义重大。因此,在本实施例中,将构建一个能够尽量准确预测下降率的下降率估算模型。进而通过该估算模型,能够在后续飞行设备(下文中以飞机为例进行说明)下降过程中精准预测飞机下降率。并根据预测的飞机下降率与实际下降率进行比较,确定实际采集的飞机下降率是否出现异常。一旦确定出现异常,则及时采取有效措施,避免飞机降落过程中发生危险。
综上,下降率估算模型构建方法步骤参见如下:
步骤110,获取第一样本数据。
具体的,第一样本数据,例如可以是快速访问记录器(Quick Access Recorder,简称QAR)数据。第一样本数据中可以包括影响数据质量的参数,影响下降率的参数,以及下降率。
步骤120,根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据。
具体的,在一个可选的例子中,影响数据质量的参数包括:修正海压高度和无线电高度。
对第一样本数据进行异常数据剔除处理,其主要是考虑到一旦地形存在某些特殊情况,例如地形中包括很多坑坑洼洼的地方,在这种地形中,所采集的无线电高度相较于以平整的地面为基准的无线电高度会存在一定的误差。也正是因为这种情形,也使得现有技术中的下降率识别方法失效。
因此,为了能够保证本申请所构建的下降率估算模型在后续对下降率进行预测时,能够获取较为准确的预测结果,因此需要对所采集到的异常数据进行剔除处理。
具体的剔除处理过程,则可以通过但不限于如下方式实现,具体参见图2所示,图2中示出根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据的方法流程示意图。
具体包括:
步骤210,获取第一单位时间对应的修正海压高度和第二单位时间对应的修正海压高度之间的第一差值。
步骤220,获取第一单位时间对应的无线电高度和第二单位时间对应的无线电高度之间的第二差值。
步骤230,当第一差值和第二差值之间的第三差值大于第一预设阈值时,确定第一样本数据中,与第一单位时间对应的数据为异常数据。
具体的,QAR数据中不仅仅包括相应的参数,还包括采集参数的时间。因此,可以从第一样本数据中,不仅仅可以获取到修正海压高度和无线电高度,还可以包括采集这些数据的时间。
进而,根据第一单位时间的修正海压高度和第二单位时间的修正海压高度,计算二者之间的第一差值。
然后,根据第一单位时间的对应的无线电高度和第二单位时间对应的无线电高度,计算二者之间的第二差值。
需要说明的是,第二单位时间,为第一单位时间之后的单位时间。这里的单位时间可以指的是一分钟,10分钟,或者更长时间。但是为了保证剔除异常数据的准确性,单位时间尽量为“小单位”,因此,本申请实施例中的单位时间为1秒钟。
也即是计算相邻两秒钟的修正海压高度差(第一差值),以及相邻两秒钟的无线电高度差(第二差值)。
步骤240,将异常数据进行剔除处理,获取第二样本数据。
具体的,当第一差值和第二差值之间的第三差值大于第一预设阈值时,将第一样本数据中,与第一单位时间对应的数据剔除,获取第二样本数据。在本申请实施例中,第三差值例如可以是5英尺。
利用该方式剔除异常数据的原因在于,海压变化不受地形影响,而无线电定高度受地形影响比较大。在地形比较平坦的情况下,每一秒钟飞机下降一定高度后,相应的海压变化值应该和无线电高度值基本相同。但是在地形比较复杂的情况下,如果海压变化值和无线电高度变化值之间的差值超过一定的范围,则说明目前采集的下降率因为地形的异常(非平坦地面)而发生了异常,则需要将这部分数据剔除掉。
通过该方式获取第二样本数据。在一个具体的例子中,例如经过上述操作处理后,第二样本数据中数据条数为289693条。
步骤130,从第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率。
具体的,如上所介绍的,样本数据中不仅仅包括采集到的参数信息,还包括具体的采集时间信息。而前一时刻采集到的影响下降率的参数,实际上是对下一个时刻的下降率产生影响。
因此,需要在第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率,然后执行如下操作,具体参见步骤140。
步骤140,根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练。
步骤150,当预设模型达到预设标准时,确定预设模型为下降率估算模型。
具体的,影响下降率的参数包括:飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向。
而根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练,可以包括但不限于如下方式实现,具体参见图3所示。该方法步骤包括:
步骤310,根据第一时刻对应的飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向,确定输入特征向量,并根据第二时刻的下降率,确定目标输出特征向量。
步骤320,根据输入特征向量和目标输出特征向量,对预设模型进行迭代训练。
具体的,根据第一时刻对应的飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向,确定输入特征向量,并根据第二时刻的下降率,确定目标输出特征向量,也即是将相应的参数对应的数据,以向量形式体现。该操作可以通过现有技术实现,这里不再过多赘述。
而根据输入特征向量和目标输出特征向量,对预设模型进行迭代训练,具体可以通过如下方式实现。
例如,利用梯度下降的方法进行线性回归,拟合出下降率的计算方程,具体参见公式1所示。
hθ(x)=θ1x1+θ2x2+θ3x3+θ4x4+θ5x5+θ6x6 (公式1)
其中x1表示俯仰角、x2表示滚转角、x3表示空速、x4表示重量、x5表示风速、x6表示风向。hθ(x)表示预测下降率,θ1、θ2、θ3……,θ6分别为各参数对应的系数。
除了拟合出下降率的计算方程外,还包括确定目标函数,具体参见公式2所示:
其中,y(i)表示获取的真实的第i个下降率,hθ(x(i))表示第i个预测下降率,m为样本数据总条数,每一条样本数据均包括影响下降率的参数,以及下降率。
目标函数表示的意义就是预测值与真实值的差值。
带入第二样本数据到公式1中,通过求导和迭代逼近等操作,获取最合理的θ1、θ2、θ3……,θ6等值,以使得目标函数达到最小值。
也即是,确定预设模型是否达到预设标准,包括:
当根据预设模型输出的预测下降率与实际下降率构成的目标函数的目标函数值小于或者等于第二预设阈值时,确定预设模型达到预设标准。
例如通过上述所介绍的289693行的样本数据,最终所能得到的hθ(x)的表达式参见如下所示:
hθ(x)=-0.528x1-0.048x2-0.223x3+0.081x4-0.118x5+0.008x6
(公式4)
而在执行步骤140之前,考虑到在多指标评价体系中,由于各评价指标的性质不同,通常具有不同的量纲和数量级。当各指标间的水平相差很大时,如果直接用原始指标值进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用。因此,为了保证结果的可靠性,需要对原始指标数据进行标准化处理。
在本实施例中,原始指标数据的量纲参见表1所示,包括:
参数 | 数值范围 |
下降率 | -5000~0 |
无线电高度 | 0~5000 |
修正海压高度 | -1000~50000 |
俯仰角 | -75~75 |
空速 | 0~450 |
重量 | 0~70 |
风速 | 0~256 |
风向 | 0~360 |
表1
例如,第一样本数据中的参数如表2中所示:
表2
对第一样本数据进行标准化处理,获取第三样本数据,以便后续对第三样本数据进行异常数据剔除处理,获取第二样本数据。
具体的,对于第一样本数据进行标准化处理,可以通过如下方式实现,例如求出各变量(指标)的算术平均值(数学期望)xi和标准差si,具体参见现有技术。
然后,进行标准化处理,具体参见如下所示:
zij=(xij-xi)/si (公式5)
标准化后的变量值围绕0上下波动,大于0说明高于平均水平,小于0说明低于平均水平,如表3所示。
表3
然后通过对表3中的数据进行异常数据剔除处理,获取第二样本数据。
需要说明的是,在一个具体的例子中,可以是先对第一样本数据进行标准化处理,然后再执行异常数据的剔除处理。也可以先执行异常数据剔除处理,然后再进行数据的标准化处理。具体哪个步骤在先,哪个步骤在后,并没有具体的限定,完全可以根据实际情况设定。
进一步可选的,当预设模型达到预设标准,确定预设模型为下降率估算模型之后,该方法还包括:对生成的下降率估算模型进行校验,具体参见图4所示,该方法步骤包括:
步骤410,获取测试数据,其中测试数据中包括影响下降率的参数,以及下降率。
步骤420,利用测试数据所包括的影响下降率的参数,以及下降率,对下降率估算模型进行校验。
步骤430,当确定下降率估算模型估算的预测下降率与实际下降率之间的均方根误差小于或者等于第三预设阈值时,确定下降率估算模型为有效模型。
具体的,均方根误差的计算公式具体参见如下所示:
其中,RMSE即为所有测试数据中计算得到的预测下降率和真实下降率之间的均方根误差。
当该误差小于第三预设阈值时,确定下降率估算模型为有效模型。
其中,例如样本数据为整体可以用的历史数据中的80%,测试数据为该历史数据中的20%。
当样本数据为1000条时,RMSE如图5所示,当样本数据达到10000条时,RMSE如图6所示。可以看出训练逐步收敛。图7所示是全样本训练误差评估结果,可以看出最后RMSE稳定在0.75左右。也即是,样本数据足够多的时候,其得到的预测结果与实际结果更加贴近。
图8示意出吕梁大武机场的地形,吕梁机场地处黄土丘陵区,是经削峰填谷后建成的“高台”式、“桌面”式机场,机场地势偏髙,地形起伏较大,南端有断面深沟,北端距跑道北端6km范围存在连片山梁及电力线路,净空较差,与周边沟壑100-250米的高差。虽高差不大,但地形比较典型,成条,成岭。受地形影响低空无线电高度经常有异常变化。
图9示意出针对这种地形比较特殊的情况,预测下降率和实际下降率之间的对比图。其中,起点在-700到-750之间的曲线为预测下降率变化示意图,起点在-700到-650之间的曲线为实际下降率变化示意图。
本发明实施例提供的下降率估算模型构建方法,即使遇到地形复杂的情况,比如存在坑洼的地形,依然可以获取一个对于下降率估算比较准确的模型。通过该模型对下降率进行比较精准的估算后,再与实际获取的下降率进行比较。如果实际下降率与预测下降率之间存在较大误差,则说明实际下降率为一个错误的下降率,即使飞行设备根据实际获取的下降率发出告警(根据实际下降率预测飞机降落过程中存在某种风险),也可以忽略掉,当然,这种前提是根据预测下降率确定飞行下降过程中的操作没有问题。相反,如果实际下降率与预测下降率之间误差在许可范围内,则工作人员需要及时处理因为下降率发出的告警信息,以免因为飞机下降过程中的不当操作发生危险。通过该方式,即使飞行设备因为下降率发生告警信息,工作人员也可以首先根据下降率估算模型预判实际采集的下降率是否准确。只有在下降率准确的情况下,再去人为判断下降率出现异常的原因,大大节省人力资源和时间成本。
图10为本发明实施例提供的一种下降率估算方法流程示意图,该方法由上文中任意实施例所对应的下降率估算模型执行,方法包括:
步骤1010,当飞行设备确定执行下降操作后,实时获取飞行设备的当前位置与预设基准位置之间的距离。
步骤1020,当确定距离小于或者等于预设距离阈值时,获取每一时刻对应的影响数据质量的参数,影响下降率的参数,以及下降率。
在一个具体的例子中,当飞行设备确定执行下降操作后,实时获取飞行设备的当前位置与预设基准位置之间的距离。
在一个具体的例子中,例如确定飞行设备的当前位置与地面之间的距离小于或者等于5000英尺时,开始实施获取每一刻对应的影响下降率的参数,以及下降率。该下降率为实际获取的下降率。
步骤1030,对当前时刻影响下降率的参数进行异常数据剔除处理后,输入到下降率估算模型,获取与下一时刻对应的预测下降率。
其中,预测下降率用以评定实际获取的下一时刻对应的下降率是否发生异常。
具体的,对当前时刻影响下降率的参数进行异常数据剔除处理的过程可以参见上文中对于异常数据进行剔除处理的操作过程,这里不再赘述。剔除异常数据,同样是为了后续能够对下降率进行精准预测。具体的将当前时刻影响下降率的参数进行异常数据剔除处理后,输入到下降率估算模型,获取与下一时刻对应的预测下降率的过程同样可以参见上文其他实施例所提供的方式,这里不再过多说明。而获取下一时刻的预测下降率,也即是为了后续能够与下一时刻实际获取的下降率进行一个比较,用以验证下一时刻实际采集的下降率是否存在偏差或异常。
比如,当实际下降率和预测下降率之间存在较大误差时,则说明实际下降率并非为真实下降率,可能出现了数据采集异常。那么,即使飞行设备根据实际下降率发出告警信息,而工作人员根据预测下降率确定目前的下降操作没有问题的情况下,则不会采取任何措施。相反,如果飞行设备采集的实际下降率与预测下降率之间的误差在许可范围内,而且飞行设备已经根据实际下降率发出告警信息,此时,工作人员则需要根据实际下降率,确定飞行设备下降过程中存在的风险;并且,及时对飞行操作做出相应的调整。
本发明实施例提供的下降率估算方法,即使遇到地形复杂的情况,比如存在坑洼的地形,依然可以对当前地形中飞行设备下降过程中的下降率进行准确估算,并且还可以根据预测下降率与实际获取的下降率进行比较。如果实际下降率与预测下降率之间存在较大误差,则说明实际下降率为一个错误的下降率,即使飞行设备根据实际获取的下降率发出告警(根据实际下降率预测飞机降落过程中存在某种风险),也可以忽略掉,当然,这种前提是根据预测下降率确定飞行下降过程中的操作没有问题。相反,如果实际下降率与预测下降率之间误差在许可范围内,则工作人员需要及时处理因为下降率发出的告警信息,以免因为飞机下降过程中的不当操作发生危险。通过该方式,即使飞行设备因为下降率发生告警信息,工作人员也可以首先根据下降率估算模型预判实际采集的下降率是否准确。只有在下降率准确的情况下,再去人为判断下降率出现异常的原因,大大节省人力资源和时间成本。
以上,为本申请所提供的下降率估算模型构建几个方法实施例,下文中则介绍说明本申请所提供的下降率估算模型构建其他实施例,具体参见如下。
图11为本发明实施例提供的一种下降率估算模型构建装置,该装置包括:获取模块1101、处理模块1102,以及提取模块1103。
获取模块1101,用于获取第一样本数据,其中,第一样本数据中包括影响数据质量的参数,影响下降率的参数,以及下降率;
处理模块1102,用于根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据;
提取模块1103,用于从第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;
处理模块1102,还用于根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练;当预设模型达到预设标准时,确定预设模型为下降率估算模型,其中,第二时刻为第一时刻的下一时刻,第二样本数据中包括预设时间段内每一个时刻分别对应的影像下降率的参数,以及下降率。
可选的,影响下降率的参数包括:修正海压高度和无线电高度;
处理模块1102,具体用于获取第一单位时间对应的修正海压高度和第二单位时间对应的修正海压高度之间的第一差值;
以及,获取第一单位时间对应的无线电高度和第二单位时间对应的无线电高度之间的第二差值;
当第一差值和第二差值之间的第三差值大于第一预设阈值时,确定第一样本数据中,与第一单位时间对应的数据为异常数据。
将异常数据进行剔除处理,获取第二样本数据
可选的,影响下降率的参数包括:飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向;
处理模块1102,具体用于对预设模型进行迭代训练,具体包括:
根据第一时刻对应的飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向,确定输入特征向量,并根据第二时刻的下降率,确定目标输出特征向量;
根据输入特征向量和目标输出特征向量,对预设模型进行迭代训练。
可选的,处理模块1102,还用于对第一样本数据进行标准化处理,获取第三样本数据;
以便后续对第三样本数据进行异常数据剔除处理,获取第二样本数据。
可选的,处理模块1102,具体用于当根据预设模型输出的预测下降率与实际下降率构成的目标函数的目标函数值小于或者等于第二预设阈值时,确定预设模型达到预设标准。
可选的,该装置还包括:校验模块1104;
获取模块1101,还用于获取测试数据,其中测试数据中包括影响下降率的参数,以及下降率;
校验模块1104,用于利用测试数据所包括的影响下降率的参数,以及下降率,对下降率估算模型进行校验;
当确定下降率估算模型估算的预测下降率与实际下降率之间的均方根误差小于或者等于第三预设阈值时,确定下降率估算模型为有效模型。
本发明实施例提供的下降率估算模型构建装置中各部件所执行的功能均已在上述图1至图9所对应的方法实施例中做了详细的描述,因此这里不再赘述。
本发明实施例提供的一种下降率估算模型构建装置,即使遇到地形复杂的情况,比如存在坑洼的地形,依然可以获取一个对于下降率估算比较准确的模型。通过该模型对下降率进行比较精准的估算后,再与实际获取的下降率进行比较。如果实际下降率与预测下降率之间存在较大误差,则说明实际下降率为一个错误的下降率,即使飞行设备根据实际获取的下降率发出告警(根据实际下降率预测飞机降落过程中存在某种风险),也可以忽略掉,当然,这种前提是根据预测下降率确定飞行下降过程中的操作没有问题。相反,如果实际下降率与预测下降率之间误差在许可范围内,则工作人员需要及时处理因为下降率发出的告警信息,以免因为飞机下降过程中的不当操作发生危险。通过该方式,即使飞行设备因为下降率发生告警信息,工作人员也可以首先根据下降率估算模型预判实际采集的下降率是否准确。只有在下降率准确的情况下,再去人为判断下降率出现异常的原因,大大节省人力资源和时间成本。
图12为本发明实施例提供的一种下降率估算装置,该装置包括:获取模块1201和处理模块1202。
获取模块1201,用于当飞行设备确定执行下降操作后,实时获取飞行设备的当前位置与预设基准位置之间的距离;
处理模块1202,用于当确定距离小于或者等于预设距离阈值时,获取每一时刻对应的影响数据质量的参数,以及下降率;对当前时刻影响下降率的参数进行异常数据剔除处理后,输入到下降率估算模型,获取与下一时刻对应的预测下降率,其中,预测下降率用以评定实际获取的下一时刻对应的下降率是否发生异常。
本发明实施例提供的下降率估算装置中各部件所执行的功能均已在图10所对应的方法实施例中做了详细的描述,因此这里不再赘述。
本发明实施例提供的一种下降率估算装置,即使遇到地形复杂的情况,比如存在坑洼的地形,依然可以对当前地形中飞行设备下降过程中的下降率进行准确估算,并且还可以根据预测下降率与实际获取的下降率进行比较。如果实际下降率与预测下降率之间存在较大误差,则说明实际下降率为一个错误的下降率,即使飞行设备根据实际获取的下降率发出告警(根据实际下降率预测飞机降落过程中存在某种风险),也可以忽略掉,当然,这种前提是根据预测下降率确定飞行下降过程中的操作没有问题。相反,如果实际下降率与预测下降率之间误差在许可范围内,则工作人员需要及时处理因为下降率发出的告警信息,以免因为飞机下降过程中的不当操作发生危险。通过该方式,即使飞行设备因为下降率发生告警信息,工作人员也可以首先根据下降率估算模型预判实际采集的下降率是否准确。只有在下降率准确的情况下,再去人为判断下降率出现异常的原因,大大节省人力资源和时间成本。
如图13所示,本申请实施例提供了一种电子设备,该电子设备安装于一种飞行设备上,该电子设备包括处理器111、通信接口112、存储器113和通信总线114,其中,处理器111,通信接口112,存储器113通过通信总线114完成相互间的通信。
存储器113,用于存放计算机程序;
在本申请一个实施例中,处理器111,用于执行存储器113上所存放的程序时,实现前述任意一个方法实施例提供的下降率估算模型构建方法,包括:
获取第一样本数据,其中,第一样本数据中包括影响数据质量的参数,影响下降率的参数,以及下降率;
根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据;
从第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;
根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练;
当预设模型达到预设标准时,确定预设模型为下降率估算模型,其中,第二时刻为第一时刻的下一时刻,第二样本数据中包括预设时间段内每一个时刻分别对应的影像下降率的参数,以及下降率。
可选的,影响数据质量的参数包括:修正海压高度和无线电高度;
根据第一样本数据中影响数据质量的参数,对第一样本数据进行异常数据剔除处理,获取第二样本数据,具体包括:
获取第一单位时间对应的修正海压高度和第二单位时间对应的修正海压高度之间的第一差值;
以及,获取第一单位时间对应的无线电高度和第二单位时间对应的无线电高度之间的第二差值;
当第一差值和第二差值之间的第三差值大于第一预设阈值时,确定第一样本数据中,与第一单位时间对应的数据为异常数据。
将异常数据进行剔除处理,获取第二样本数据。
可选的,影响下降率的参数包括:飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向;
根据第一时刻对应的影响下降率的参数以及第二时刻的下降率,对预设模型进行迭代训练,具体包括:
根据第一时刻对应的飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向,确定输入特征向量,并根据第二时刻的下降率,确定目标输出特征向量;
根据输入特征向量和目标输出特征向量,对预设模型进行迭代训练。
可选的,对第一样本数据进行标准化处理,获取第三样本数据;
以便后续对第三样本数据进行异常数据剔除处理,获取第二样本数据。
可选的,确定预设模型是否达到预设标准,包括:
当根据预设模型输出的预测下降率与实际下降率构成的目标函数的目标函数值小于或者等于第二预设阈值时,确定预设模型达到预设标准。
可选的,当预设模型达到预设标准,确定预设模型为下降率估算模型之后,方法还包括:
获取测试数据,其中测试数据中包括影响下降率的参数,以及下降率;
利用测试数据所包括的影响下降率的参数,以及下降率,对下降率估算模型进行校验;
当确定下降率估算模型估算的预测下降率与实际下降率之间的均方根误差小于或者等于第三预设阈值时,确定下降率估算模型为有效模型。
或者,在本申请一个实施例中,处理器111,用于执行存储器113上所存放的程序时,实现前述任意一个方法实施例提供的下降率估算方法,包括:
当飞行设备确定执行下降操作后,实时获取飞行设备的当前位置与预设基准位置之间的距离;
当确定距离小于或者等于预设距离阈值时,获取每一时刻对应的影响下降率的参数,以及下降率;
对当前时刻影响下降率的参数进行异常数据剔除处理后,输入到下降率估算模型,获取与下一时刻对应的预测下降率,其中,预测下降率用以评定实际获取的下一时刻对应的下降率是否发生异常。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如前述任意一个方法实施例提供的下降率估算模型构建方法的步骤;
或者,计算机程序被处理器执行时实现如前述任意一个方法实施例提供的下降率估算方法的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种下降率估算模型构建方法,其特征在于,所述方法应用于一种飞行设备,所述方法包括:
获取第一样本数据,其中,所述第一样本数据中包括影响数据质量的参数,影响下降率的参数,以及下降率;
根据所述第一样本数据中影响数据质量的参数,对所述第一样本数据进行异常数据剔除处理,获取第二样本数据;
从所述第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;
根据所述第一时刻对应的影响下降率的参数以及所述第二时刻的下降率,对预设模型进行迭代训练;
当所述预设模型达到预设标准时,确定所述预设模型为所述下降率估算模型,其中,所述第二时刻为所述第一时刻的下一时刻,所述第二样本数据中包括预设时间段内每一个时刻分别对应的影响下降率的参数,以及下降率。
2.根据权利要求1所述的方法,其特征在于,所述影响数据质量的参数包括:修正海压高度和无线电高度;
所述根据所述第一样本数据中影响数据质量的参数,对所述第一样本数据进行异常数据剔除处理,获取第二样本数据,具体包括:
获取第一单位时间对应的修正海压高度和第二单位时间对应的修正海压高度之间的第一差值;
以及,获取第一单位时间对应的无线电高度和第二单位时间对应的无线电高度之间的第二差值;
当所述第一差值和所述第二差值之间的第三差值大于第一预设阈值时,确定所述第一样本数据中,与所述第一单位时间对应的数据为异常数据;
将所述异常数据进行剔除处理,获取所述第二样本数据。
3.根据权利要求2所述的方法,其特征在于,所述影响下降率的参数包括:所述飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向;
所述根据所述第一时刻对应的影响下降率的参数以及所述第二时刻的下降率,对预设模型进行迭代训练,具体包括:
根据第一时刻对应的所述飞行设备飞行过程中采集的滚转角、俯仰角、空速、重量、风速,以及风向,确定输入特征向量,并根据所述第二时刻的下降率,确定目标输出特征向量;
根据所述输入特征向量和所述目标输出特征向量,对所述预设模型进行迭代训练。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一样本数据中影响数据质量的参数,对所述第一样本数据进行异常数据剔除处理,获取第二样本数据之前,所述方法还包括:
对所述第一样本数据进行标准化处理,获取第三样本数据;
以便后续对所述第三样本数据进行异常数据剔除处理,获取所述第二样本数据。
5.根据权利要求1-3任一项所述的方法,其特征在于,确定所述预设模型是否达到预设标准,包括:
当根据所述预设模型输出的预测下降率与实际下降率构成的目标函数的目标函数值小于或者等于第二预设阈值时,确定所述预设模型达到所述预设标准。
6.根据权利要求1-3任一项所述的方法,其特征在于,当所述预设模型达到预设标准,确定所述预设模型为所述下降率估算模型之后,所述方法还包括:
获取测试数据,其中所述测试数据中包括影响下降率的参数,以及下降率;
利用所述测试数据所包括的影响下降率的参数,以及下降率,对所述下降率估算模型进行校验;
当确定所述下降率估算模型估算的预测下降率与实际下降率之间的均方根误差小于或者等于第三预设阈值时,确定所述下降率估算模型为有效模型。
7.一种下降率估算方法,其特征在于,所述方法被如权利要求1-6任一项所述的下降率估算模型执行,所述方法包括:
当飞行设备确定执行下降操作后,实时获取飞行设备的当前位置与预设基准位置之间的距离;
当确定所述距离小于或者等于预设距离阈值时,获取每一时刻对应的影响数据质量的参数,影响下降率的参数,以及下降率;
对当前时刻影响下降率的参数进行异常数据剔除处理后,输入到所述下降率估算模型,获取与下一时刻对应的预测下降率,其中,所述预测下降率用以评定实际获取的下一时刻对应的下降率是否发生异常。
8.一种下降率估算模型构建装置,其特征在于,所述装置包括:
获取模块,用于获取第一样本数据,其中,所述第一样本数据中包括影响数据质量的参数,影响下降率的参数,以及下降率;
处理模块,用于根据所述第一样本数据中影响数据质量的参数,对所述第一样本数据进行异常数据剔除处理,获取第二样本数据;
提取模块,用于从所述第二样本数据中提取第一时刻对应的影响下降率的参数,以及第二时刻的下降率;
所述处理模块,还用于根据所述第一时刻对应的影响下降率的参数以及所述第二时刻的下降率,对预设模型进行迭代训练;当所述预设模型达到预设标准时,确定所述预设模型为所述下降率估算模型,其中,所述第二时刻为所述第一时刻的下一时刻,所述第二样本数据中包括预设时间段内每一个时刻分别对应的影像下降率的参数,以及下降率。
9.一种电子设备,其特征在于,所述电子设备安装于一种飞行设备上,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一项所述的下降率估算模型构建方法的步骤;
或者,实现权利要求7所述的下降率估算方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的下降率估算模型构建方法的步骤;或者,实现如权利要求7所述的下降率估算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335565.XA CN114692760B (zh) | 2022-03-30 | 2022-03-30 | 下降率估算模型构建、下降率估算方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210335565.XA CN114692760B (zh) | 2022-03-30 | 2022-03-30 | 下降率估算模型构建、下降率估算方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114692760A true CN114692760A (zh) | 2022-07-01 |
CN114692760B CN114692760B (zh) | 2023-03-24 |
Family
ID=82141397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210335565.XA Active CN114692760B (zh) | 2022-03-30 | 2022-03-30 | 下降率估算模型构建、下降率估算方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692760B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453377A (zh) * | 2023-06-16 | 2023-07-18 | 商飞软件有限公司 | 一种对飞机qar数据进行飞行阶段划分的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002039138A1 (en) * | 2000-11-06 | 2002-05-16 | Lin Ching Fang | Positioning and ground proximity warning method and system thereof for vehicle |
EP1058816B1 (en) * | 1998-02-24 | 2004-04-07 | AlliedSignal Inc. | Method and apparatus for determining altitude |
US20190236114A1 (en) * | 2018-01-26 | 2019-08-01 | Alibaba Group Holding Limited | Abnormal data detection |
CN110175689A (zh) * | 2018-11-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种概率预测的方法、模型训练的方法及装置 |
CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
CN111060443A (zh) * | 2019-12-24 | 2020-04-24 | 深圳开立生物医疗科技股份有限公司 | 一种干扰脉冲识别方法、装置、存储介质及细胞计数设备 |
CN112987773A (zh) * | 2019-12-02 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 一种飞行轨迹的处理方法、装置及电子设备 |
CN113053171A (zh) * | 2021-03-10 | 2021-06-29 | 南京航空航天大学 | 一种民机系统风险预警方法及系统 |
CN113205706A (zh) * | 2021-04-22 | 2021-08-03 | 九州云(北京)科技发展有限公司 | 基于航班qar数据的ils信号品质监测方法 |
CN113869379A (zh) * | 2021-09-15 | 2021-12-31 | 南京航空航天大学 | 一种基于数据驱动的航空器能量异常识别方法 |
CN114037140A (zh) * | 2021-11-04 | 2022-02-11 | 数字广东网络建设有限公司 | 预测模型训练、数据预测方法、装置、设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210335565.XA patent/CN114692760B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1058816B1 (en) * | 1998-02-24 | 2004-04-07 | AlliedSignal Inc. | Method and apparatus for determining altitude |
WO2002039138A1 (en) * | 2000-11-06 | 2002-05-16 | Lin Ching Fang | Positioning and ground proximity warning method and system thereof for vehicle |
US20190236114A1 (en) * | 2018-01-26 | 2019-08-01 | Alibaba Group Holding Limited | Abnormal data detection |
CN110175689A (zh) * | 2018-11-29 | 2019-08-27 | 腾讯科技(深圳)有限公司 | 一种概率预测的方法、模型训练的方法及装置 |
CN110427419A (zh) * | 2019-07-29 | 2019-11-08 | 陕西千山航空电子有限责任公司 | 一种基于数据挖掘的飞行数据异常识别模型构建方法 |
CN112987773A (zh) * | 2019-12-02 | 2021-06-18 | 阿里巴巴集团控股有限公司 | 一种飞行轨迹的处理方法、装置及电子设备 |
CN111060443A (zh) * | 2019-12-24 | 2020-04-24 | 深圳开立生物医疗科技股份有限公司 | 一种干扰脉冲识别方法、装置、存储介质及细胞计数设备 |
CN113053171A (zh) * | 2021-03-10 | 2021-06-29 | 南京航空航天大学 | 一种民机系统风险预警方法及系统 |
CN113205706A (zh) * | 2021-04-22 | 2021-08-03 | 九州云(北京)科技发展有限公司 | 基于航班qar数据的ils信号品质监测方法 |
CN113869379A (zh) * | 2021-09-15 | 2021-12-31 | 南京航空航天大学 | 一种基于数据驱动的航空器能量异常识别方法 |
CN114037140A (zh) * | 2021-11-04 | 2022-02-11 | 数字广东网络建设有限公司 | 预测模型训练、数据预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
杨晓斌等: "无线电高度与数字地图辅助导航算法研究", 《测绘科学》 * |
祁明亮等: "QAR超限事件飞行操作风险诊断方法", 《北京航空航天大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453377A (zh) * | 2023-06-16 | 2023-07-18 | 商飞软件有限公司 | 一种对飞机qar数据进行飞行阶段划分的方法 |
CN116453377B (zh) * | 2023-06-16 | 2023-08-15 | 商飞软件有限公司 | 一种对飞机qar数据进行飞行阶段划分的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114692760B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273561B (zh) | 飞行事件期间飞行器的机载结构负载评估 | |
CN108801387B (zh) | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 | |
US20170316329A1 (en) | Information processing system and information processing method | |
CN110400061B (zh) | 一种飞行安全综合评估的方法、装置、控制器及存储介质 | |
EP2637010A1 (en) | Method and system for monitoring a structure | |
US9346558B2 (en) | Method for monitoring a degradation of an on-board device of an aircraft with automatic determination of a decision threshold | |
CN109649676B (zh) | 颠簸风险强度确定方法、装置、电子设备及可读存储介质 | |
CN104471502A (zh) | 安全起飞监控系统 | |
CN114692760B (zh) | 下降率估算模型构建、下降率估算方法、装置及电子设备 | |
CN107944701B (zh) | 一种飞机着陆过程中冲出跑道风险的检测方法及装置 | |
CN113514109A (zh) | 一种无人机飞行故障检测方法和系统 | |
CN110390177B (zh) | 离群飞行物确定方法及装置 | |
CN115718993A (zh) | 一种飞机积冰sfip指数优化调整方法及系统 | |
CN111290422B (zh) | 基于颠簸指数的飞行控制方法、装置及飞行器 | |
CN110457731B (zh) | 一种应用于直升机动部件振动趋势分析的方法 | |
CN105118332A (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN110473396B (zh) | 交通拥堵数据分析方法、装置、电子设备及存储介质 | |
CN115293225B (zh) | 飞行员平飘顶杆成因分析方法和装置 | |
CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
CN114987773A (zh) | 飞机液压系统性能异常识别方法、装置、设备及介质 | |
CN114895705A (zh) | 一种飞机在地面滑行阶段的转弯半径计算方法及装置 | |
CN114529095A (zh) | 施工现场火灾风险等级的预测方法、装置和设备 | |
CN110544016B (zh) | 评估气象因素对电力设备故障概率影响程度的方法和设备 | |
AU2013205845A1 (en) | Flight data monitoring method and system | |
EP3404592A1 (en) | System and method for determining an actual cost index for aircraft operations |
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 |