CN115270926A - 一种飞机飞行异常检测方法及系统 - Google Patents

一种飞机飞行异常检测方法及系统 Download PDF

Info

Publication number
CN115270926A
CN115270926A CN202210742154.2A CN202210742154A CN115270926A CN 115270926 A CN115270926 A CN 115270926A CN 202210742154 A CN202210742154 A CN 202210742154A CN 115270926 A CN115270926 A CN 115270926A
Authority
CN
China
Prior art keywords
flight
data
anomaly detection
sample
parameter
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
CN202210742154.2A
Other languages
English (en)
Inventor
周迪
庄笑
司泽田
王宏伟
向家伟
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.)
Wenzhou University
Original Assignee
Wenzhou University
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 Wenzhou University filed Critical Wenzhou University
Priority to CN202210742154.2A priority Critical patent/CN115270926A/zh
Publication of CN115270926A publication Critical patent/CN115270926A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Alarm Systems (AREA)

Abstract

本发明提供一种飞机飞行异常检测方法，包括获取历史飞行监控数据；基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；构建OC‑DNN异常检测模型并训练，且进一步使用飞行样本，对已训练好的OC‑DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。本发明还提供一种飞机飞行异常检测系统。实施本发明，基于异常检测技术，实现无预定义安全标准的情况下从常规飞行数据中识别出异常飞行，能够有效提高飞机飞行异常识别的准确率。

Description

一种飞机飞行异常检测方法及系统
技术领域
本发明涉及计算机数据检测技术领域，尤其涉及一种飞机飞行异常检测方法及系统。
背景技术
现阶段，航空公司通过飞行运行质量保证计划(Flight operation qualityassurance,FOQA)分析飞行数据记录器中的FDR数据来主动识别异常飞行，而FOQA程序主要是通过超限检测方法来实现异常飞行数据的识别。
超标检测方法通过监视特定条件下特定飞行参数是否超过预定义的限制来检测预定义的飞机运行异常事件，虽然在已知的安全问题上表现良好，但在飞行数据记录捕捉时，对不属于预先定义的异常事件集的安全临界条件视而不见。
近年来，随着数据的可用性和计算资源的增加，异常检测技术在航空航天领域的应用有了巨大的增长。鉴于异常检测技术能够系统地利用整个数据集中的可用信息，有效检测各种没有任何预先指定的限制条件的异常的优势，因此亟需将异常检测技术应用于飞机异常飞行识别中，能够实现在无预定义安全标准的情况下在常规飞行数据中识别出异常飞行，有效提高飞机飞行异常识别的准确率。
发明内容
本发明实施例所要解决的技术问题在于，提供一种飞机飞行异常检测方法及系统，基于异常检测技术，实现无预定义安全标准的情况下从常规飞行数据中识别出异常飞行，能够有效提高飞机飞行异常识别的准确率。
为了解决上述技术问题，本发明实施例提供了一种飞机飞行异常检测方法，所述方法包括以下步骤：
获取历史飞行监控数据；
基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从所述历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；
利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；
构建OC-DNN异常检测模型并训练，且进一步使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。
其中，所述历史数据是通过飞机飞行数据记录器收集到的。
其中，所述飞机飞行最高风险阶段包括起飞阶段和进近/着陆阶段；所述重点监控参数包括高度、真实空速、垂直速度、俯仰角、侧倾角以及功率。
其中，所述原始数据的预处理步骤包括去噪、插值以及归一化。
其中，所述利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本的具体步骤包括：
步骤一：设每个飞行样本的特征向量可以通过将每个参数数据串联为一个向量为
Figure BDA0003715658260000021
其中，
Figure BDA0003715658260000022
是预处理后的飞机飞行最高风险阶段之中某一阶段所对应重点监控参数中第j个时间点的第i个参数的原始数据；
步骤二：根据z-score归一化公式
Figure BDA0003715658260000023
将数据标准化到相同范围；其中，n为收集的飞行个数，j为所有飞行距离开始采集时间点的长度，i为参数编号，σ表示观测值的标准差，
Figure BDA0003715658260000024
为所有飞行距离开始采集时间点j个单位时间长度的特定参数i的平均值；
步骤三：计算相关系数矩阵R＝(rjq)k×k，其中，
Figure BDA0003715658260000025
为时间点j时刻，参数j和参数q两个参数的相关系数，且rii＝1，riq＝rqi；
步骤四：计算相关系数矩阵R的特征值λ1≥λ2≥…≥λk≥0，以及对应的特征向量u1,u2,…,uk，其中ui＝(u1i,u2i,…,uji)；
步骤五：根据步骤四的结果可得，由特征向量组成P个新的变量为
Figure BDA0003715658260000031
其中m′P为第P主成分；
步骤六：得到每个飞行样本记为fn′＝[m1 (n)′,m2 (n)′,…,mp (n)′]。
其中，所述OC-DNN异常检测模型表述为
Figure BDA0003715658260000032
其中，w是从隐藏到输出层获得的标量输出；V是从输入到隐藏单元的权重矩阵；r是超平面的偏差；ν是用于控制超平面与原点的最大距离和允许穿越超平面的数据点数量之间的权衡参数；g(·)是sigmoid激活函数。
其中，所述OC-DNN异常检测模型的训练步骤具体如下：
步骤一：更新参数w和V；其中，在给定的r条件下，使用目标函数
Figure BDA0003715658260000033
来更新参数w和V，其中，
Figure BDA0003715658260000034
Figure BDA0003715658260000035
步骤二：更新参数r；其中，基于步骤一得到的w和V，进一步的更新参数r，根据目标函数
Figure BDA0003715658260000036
得到，参数r是
Figure BDA0003715658260000037
的第ν个四分位数；
步骤三：得到训练完成的OC-DNN异常检测模型。
其中，所述使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果的具体步骤包括：
步骤一：输入飞行样本fn′，初始化r为r(0)；
步骤二：更新参数w，V和r，直至满足收敛；
步骤三：基于参数更新结果，得到每个输入飞行样本的预测值
Figure BDA0003715658260000038
步骤四：计算每个样本决策得分参数
Figure BDA0003715658260000041
步骤五：根据样本决策得分进行异常检测，当某一飞行样本得分Sn≥0时，该飞行样本fn′为正常样本；当某一飞行样本得分Sn＜0时，该飞行样本fn′为异常样本。
其中，所述方法进一步包括：
根据预处理后的原始数据，利用统计方法生成参考剖面，并结合每个飞行样本的异常检测结果，将每个异常飞行样本与参考标称剖面进行比较，实现异常飞行可视化处理。
本发明实施例还提供了一种飞机飞行异常检测系统，包括：
数据获取单元，用于获取历史飞行监控数据；
数据提取单元，用于基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从所述历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；
数据分析单元，用于利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；
数据异常检测单元，用于构建OC-DNN异常检测模型并训练，且进一步使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。
实施本发明实施例，具有如下有益效果：
本发明基于异常检测技术，从飞机飞行数据记录器收集历史飞行监控数据，并基于飞机飞行最高风险阶段以及重点监控参数提取后，通过主成分分析法得到飞行样本，且进一步利用已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果，从而能由飞行数据记录器中的数据驱动不需要预定义的标准，有效提高了飞机飞行异常识别的准确率，对飞机持续适航管理具有重要的理论和应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种飞机飞行异常检测方法的流程图；
图2为本发明实施例提供的一种飞机飞行异常检测方法的应用场景中波音公司2009至2018年致命事故和死亡人数百分比统计图；
图3为本发明实施例提供的一种飞机飞行异常检测方法的应用场景中异常与正常飞行样本的决策得分直方图；
图4为本发明实施例提供的一种飞机飞行异常检测方法的应用场景中起飞高度参考标称剖面图；
图5为本发明实施例提供的一种飞机飞行异常检测方法的应用场景中异常飞行数据样本可视化图；
图6为本发明实施例提供的一种飞机飞行异常检测结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种飞机飞行异常检测方法，所述方法包括以下步骤：
步骤S1、获取历史飞行监控数据；
步骤S2、基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从所述历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；
步骤S3、利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；
步骤S4、构建OC-DNN异常检测模型并训练，且进一步使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。
具体过程为，在步骤S1之前，通过分析公开事故统计报告，预先定义出高风险飞行阶段，即飞机飞行最高风险阶段，包括起飞阶段和进近/着陆阶段。通过对公共领域中可用的安全信息文件进行分析，实现重点监控参数的选取起飞阶段和进近/着陆阶段，该重点监控参数包括高度(Altitude)、真实空速(TAS)、垂直速度(Vertical speed)、俯仰角(Pitchangle)、侧倾角(Roll angle)以及功率(N1)等。
在步骤S1中，通过飞机飞行数据记录器收集历史飞行监控数据。
在步骤S2中，基于上述飞机飞行最高风险阶段以及重点监控参数，从历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；其中，原始数据的预处理步骤包括去噪、插值以及归一化等。
在步骤S3中，利用主成分分析法，对上述预处理后的原始数据进行降维处理，得到飞行样本的具体步骤包括：
步骤一：设每个飞行样本的特征向量可以通过将每个参数数据串联为一个向量为
Figure BDA0003715658260000061
其中，
Figure BDA0003715658260000062
是预处理后的飞机飞行最高风险阶段之中某一阶段所对应重点监控参数中第j个时间点的第i个参数的原始数据；
步骤二：根据z-score归一化公式
Figure BDA0003715658260000063
将数据标准化到相同范围；其中，n为收集的飞行个数，j为所有飞行距离开始采集时间点的长度，i为参数编号，σ表示观测值的标准差，
Figure BDA0003715658260000064
为所有飞行距离开始采集时间点j个单位时间长度的特定参数i的平均值；
步骤三：计算相关系数矩阵R＝(rjq)k×k，其中，
Figure BDA0003715658260000065
为时间点j时刻，参数j和参数q两个参数的相关系数，且rii＝1，riq＝rqi；
步骤四：计算相关系数矩阵R的特征值λ1≥λ2≥…≥λk≥0，以及对应的特征向量u1,u2,…,uk，其中ui＝(u1i,u2i,…,uji)；
步骤五：根据步骤四的结果可得，由特征向量组成P个新的变量为
Figure BDA0003715658260000071
其中m′P为第P主成分；
步骤六：得到每个飞行样本记为
Figure BDA0003715658260000072
在步骤S4中，首先构建OC-DNN(一分类深度神经网络模型，one class deeplearning neural networks)异常检测模型，该OC-DNN异常检测模型表述为
Figure BDA0003715658260000073
其中，w是从隐藏到输出层获得的标量输出；V是从输入到隐藏单元的权重矩阵；r是超平面的偏差；ν是用于控制超平面与原点的最大距离和允许穿越超平面的数据点数量之间的权衡参数；g(·)是sigmoid激活函数。
其次，对该OC-DNN异常检测模型进行训练，步骤具体如下：
步骤一：更新参数w和V；其中，在给定的r条件下，使用目标函数
Figure BDA0003715658260000074
来更新参数w和V，其中，
Figure BDA0003715658260000075
Figure BDA0003715658260000076
步骤二：更新参数r；其中，基于步骤一得到的w和V，进一步的更新参数r，根据目标函数
Figure BDA0003715658260000077
得到，参数r是
Figure BDA0003715658260000078
的第ν个四分位数；
步骤三：得到训练完成的OC-DNN异常检测模型。
最后，使用飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果，具体步骤包括：
步骤一：输入飞行样本fn′，初始化r为r(0)；
步骤二：更新参数w，V和r，直至满足收敛；
步骤三：基于参数更新结果，得到每个输入飞行样本的预测值
Figure BDA0003715658260000081
步骤四：计算每个样本决策得分参数
Figure BDA0003715658260000082
步骤五：根据样本决策得分进行异常检测，当某一飞行样本得分Sn≥0时，该飞行样本fn′为正常样本；当某一飞行样本得分Sn＜0时，该飞行样本fn′为异常样本。
在本发明实施例中，实现异常飞行可视化处理，该方法具体包括：根据预处理后的原始数据，利用统计方法生成参考剖面，并结合每个飞行样本的异常检测结果，将每个异常飞行样本与参考标称剖面进行比较，实现异常飞行可视化处理。
如图2至图5所示，对本发明实施例中的一种飞机飞行异常检测方法的应用场景做进一步说明，具体如下：
第一步骤：高风险飞行阶段确定。波音公司2009至2018年致命事故和死亡人数百分比统计图，如图2所示。在1.5小时的飞行时间里，起飞阶段和进近/着陆阶段的飞行时间虽然只占总飞行时间的6％，但在这两个阶段的事故死亡人数却占总死亡人数的52％，致命事故数占致命事故总数的64％，起飞阶段和进近/着陆阶段可以被认为是整个飞行过程中风险最高的阶段。
第二步骤：重点监控参数选取。通过对公共领域中可用的安全信息文件，包括：FAA发布的咨询通告AC 120-82，FAA制定的稳定进近标准，以及飞行数据记录器所记录的参数进行分析，最终确定高度(Altitude)、真实空速(TAS)、垂直速度(Vertical speed)、俯仰角(Pitch angle)、侧倾角(Roll angle)以及功率(N1)等6个重点监控参数。
第三步骤：历史飞行监控数据收集。收集航空公司4架机型为A320的飞机，在2018年一整年的1034个航班中的飞行监控数据，每个飞行监控数据包含从起飞至进近/着陆的全飞行过程，共涉及2667个参数。
第四步骤：数据预处理。根据第二步骤的重点监控参数选取结果，提取飞机起飞功率施加后120秒内的有关飞行数据，最终生成数据集为1034个大小为120×7的原始数据，其中第一列为时间参数。
首先，使用简单的移动平均滤波器消除原始数据中可能存在的噪声；然后，选用“TIME”作为时间轴，以1秒为单位对采集得到的飞机起飞数据进行样条插值处理；最后，使用归一化方法减小因不同测量值的绝对值数量级差异造成的影响。
第五步骤：主成分分析，根据第四步骤的数据预处理结果，利用主成分分析方法对数据进行降维处理，经过主成分分析后的飞行样本大小为120×1。
第六步骤：OC-DNN异常检测模型构建与训练。
第七步骤：OC-DNN异常检测模型测试，生成两个异常飞行模拟数据和一个正常飞行模拟数据，模拟数据与收集的历史监控数据作为测试数据，输入至训练完成的OC-DNN模型中，获得每个飞行的决策得分，异常与正常飞行样本的决策得分直方图，如图3所示。
第八步骤：首先，参考剖面生成。根据第四步骤的数据预处理结果，生成的飞机起飞阶段飞行高度的参考标称剖面图如图4所示。黑色虚线表示所有飞行样本的平均值，阴影区域显示了飞行数据记录的分布，深灰色表示飞行数据记录的第50个百分位数，浅灰色表示飞行数据记录的第90个百分位数。
最后，异常飞行可视化处理，将每个异常飞行样本与参考标称剖面进行比较，实现可视化处理，每个重点监控参数的可视化处理结果如图5所示。
如图6所示，为本发明实施例中，提供的一种飞机飞行异常检测系统，包括：
数据获取单元110，用于获取历史飞行监控数据；
数据提取单元120，用于基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从所述历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；
数据分析单元130，用于利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；
数据异常检测单元140，用于构建OC-DNN异常检测模型并训练，且进一步使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。
实施本发明实施例，具有如下有益效果：
本发明基于异常检测技术，从飞机飞行数据记录器收集历史飞行监控数据，并基于飞机飞行最高风险阶段以及重点监控参数提取后，通过主成分分析法得到飞行样本，且进一步利用已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果，从而能由飞行数据记录器中的数据驱动不需要预定义的标准，有效提高了飞机飞行异常识别的准确率，对飞机持续适航管理具有重要的理论和应用价值。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种飞机飞行异常检测方法，其特征在于，所述方法包括以下步骤：
获取历史飞行监控数据；
基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从所述历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；
利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；
构建OC-DNN异常检测模型并训练，且进一步使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。
2.如权利要求1所述的飞机飞行异常检测方法，其特征在于，所述历史数据是通过飞机飞行数据记录器收集到的。
3.如权利要求2所述的飞机飞行异常检测方法，其特征在于，所述飞机飞行最高风险阶段包括起飞阶段和进近/着陆阶段；所述重点监控参数包括高度、真实空速、垂直速度、俯仰角、侧倾角以及功率。
4.如权利要求3所述的飞机飞行异常检测方法，其特征在于，所述原始数据的预处理步骤包括去噪、插值以及归一化。
5.如权利要求1所述的飞机飞行异常检测方法，其特征在于，所述利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本的具体步骤包括：
步骤一：设每个飞行样本的特征向量可以通过将每个参数数据串联为一个向量为
Figure FDA0003715658250000011
其中，
Figure FDA0003715658250000012
是预处理后的飞机飞行最高风险阶段之中某一阶段所对应重点监控参数中第j个时间点的第i个参数的原始数据；
步骤二：根据z-score归一化公式
Figure FDA0003715658250000013
将数据标准化到相同范围；其中，n为收集的飞行个数，j为所有飞行距离开始采集时间点的长度，i为参数编号，σ表示观测值的标准差，
Figure FDA0003715658250000021
为所有飞行距离开始采集时间点j个单位时间长度的特定参数i的平均值；
步骤三：计算相关系数矩阵R＝(rjq)k×k，其中，
Figure FDA0003715658250000022
为时间点j时刻，参数j和参数q两个参数的相关系数，且rii＝1，riq＝rqi；
步骤四：计算相关系数矩阵R的特征值λ1≥λ2≥…≥λk≥0，以及对应的特征向量u1,u2,…,uk，其中ui＝(u1i,u2i,…,uji)；
步骤五：根据步骤四的结果可得，由特征向量组成P个新的变量为
Figure FDA0003715658250000023
其中m′P为第P主成分；
步骤六：得到每个飞行样本记为fn′＝[m1 (n)′,m2 (n)′,...,mp (n)′]。
6.如权利要求5所述的飞机飞行异常检测方法，其特征在于，所述OC-DNN异常检测模型表述为
Figure FDA0003715658250000024
其中，w是从隐藏到输出层获得的标量输出；V是从输入到隐藏单元的权重矩阵；r是超平面的偏差；ν是用于控制超平面与原点的最大距离和允许穿越超平面的数据点数量之间的权衡参数；g(·)是sigmoid激活函数。
7.如权利要求6所述的飞机飞行异常检测方法，其特征在于，所述OC-DNN异常检测模型的训练步骤具体如下：
步骤一：更新参数w和V；其中，在给定的r条件下，使用目标函数
Figure FDA0003715658250000025
来更新参数w和V，其中，
Figure FDA0003715658250000026
Figure FDA0003715658250000027
步骤二：更新参数r；其中，基于步骤一得到的w和V，进一步的更新参数r，根据目标函数
Figure FDA0003715658250000031
得到，参数r是
Figure FDA0003715658250000032
的第ν个四分位数；
步骤三：得到训练完成的OC-DNN异常检测模型。
8.如权利要求7所述的飞机飞行异常检测方法，其特征在于，所述使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果的具体步骤包括：
步骤一：输入飞行样本fn′，初始化r为r(0)；
步骤二：更新参数w，V和r，直至满足收敛；
步骤三：基于参数更新结果，得到每个输入飞行样本的预测值
Figure FDA0003715658250000033
步骤四：计算每个样本决策得分参数
Figure FDA0003715658250000034
步骤五：根据样本决策得分进行异常检测，当某一飞行样本得分Sn≥0时，该飞行样本fn′为正常样本；当某一飞行样本得分Sn＜0时，该飞行样本fn′为异常样本。
9.如权利要求1所述的飞机飞行异常检测方法，其特征在于，所述方法进一步包括：
根据预处理后的原始数据，利用统计方法生成参考剖面，并结合每个飞行样本的异常检测结果，将每个异常飞行样本与参考标称剖面进行比较，实现异常飞行可视化处理。
10.一种飞机飞行异常检测系统，其特征在于，包括：
数据获取单元，用于获取历史飞行监控数据；
数据提取单元，用于基于预先定义的飞机飞行最高风险阶段以及重点监控参数，从所述历史飞行监控数据中，提取出对应的原始数据并进行数据预处理；
数据分析单元，用于利用主成分分析法，对预处理后的原始数据进行降维处理，得到飞行样本；
数据异常检测单元，用于构建OC-DNN异常检测模型并训练，且进一步使用所述飞行样本，对已训练好的OC-DNN异常检测模型进行测试，得到每个飞行样本的异常检测结果。
CN202210742154.2A 2022-06-27 2022-06-27 一种飞机飞行异常检测方法及系统 Pending CN115270926A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210742154.2A CN115270926A (zh) 2022-06-27 2022-06-27 一种飞机飞行异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210742154.2A CN115270926A (zh) 2022-06-27 2022-06-27 一种飞机飞行异常检测方法及系统

Publications (1)

Publication Number Publication Date
CN115270926A true CN115270926A (zh) 2022-11-01

Family

ID=83763245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210742154.2A Pending CN115270926A (zh) 2022-06-27 2022-06-27 一种飞机飞行异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN115270926A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361728A (zh) * 2023-03-14 2023-06-30 南京航空航天大学 基于实时飞行数据的民航飞机系统级异常前兆识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361728A (zh) * 2023-03-14 2023-06-30 南京航空航天大学 基于实时飞行数据的民航飞机系统级异常前兆识别方法
CN116361728B (zh) * 2023-03-14 2024-01-23 南京航空航天大学 基于实时飞行数据的民航飞机系统级异常前兆识别方法

Similar Documents

Publication Publication Date Title
WO2023123593A1 (zh) 基于变分模态分解和残差网络的航空轴承故障诊断方法
CN112304613B (zh) 一种基于特征融合的风电机组发电机轴承预警方法
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
JP4875661B2 (ja) 航空機の健全性診断装置及び方法並びにプログラム
CN108760302A (zh) 一种风力发电机组轴承的在线监测与故障诊断系统
CN111680875B (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
CN113053171B (zh) 一种民机系统风险预警方法及系统
CN108709744B (zh) 一种变负载工况下电机轴承故障诊断方法
Meng et al. Health indicator of bearing constructed by rms-CUMSUM and GRRMD-CUMSUM with multifeatures of envelope spectrum
CN110533095A (zh) 一种基于改进随机森林的航班飞行风险行为识别方法
CN110775758B (zh) 一种基于轿厢加速度信号解析的电梯运行健康度评价方法
Wang et al. A quantitative intelligent diagnosis method for early weak faults of aviation high-speed bearings
CN115270926A (zh) 一种飞机飞行异常检测方法及系统
CN113962308A (zh) 一种航空设备故障预测方法
CN111027594B (zh) 一种基于字典表示的分步式异常检测方法
Soo Lon Wah et al. Damage detection under temperature conditions using PCA–an application to the Z24 Bridge
CN113344425B (zh) 一种基于qar数据的飞行品质监控方法及系统
CN114580472B (zh) 工业互联网中因果与注意力并重的大型设备故障预测方法
Saveeth et al. HCCD: haar-based cascade classifier for crack detection on a propeller blade
Al-Bugharbee et al. Autoregressive modelling for rolling element bearing fault diagnosis
CN113033683A (zh) 一种基于静态与动态联合分析的工业系统工况监测方法和系统
CN114298183B (zh) 飞行动作智能识别方法
Su et al. Fault feature analysis of civil aircraft control surface damage
Mevel et al. Automated on–line monitoring during a flight
CN116383975B (zh) 一种基于试飞数据的起落架载荷预测方法

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