CN115758561A - 一种飞机飞行模拟参数数据的生成方法 - Google Patents
一种飞机飞行模拟参数数据的生成方法 Download PDFInfo
- Publication number
- CN115758561A CN115758561A CN202211319552.XA CN202211319552A CN115758561A CN 115758561 A CN115758561 A CN 115758561A CN 202211319552 A CN202211319552 A CN 202211319552A CN 115758561 A CN115758561 A CN 115758561A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- training
- parameter data
- flight 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
Links
Images
Abstract
本发明提供了一种飞机飞行模拟参数数据的生成方法,包括:获取多种格式的飞机飞行参数数据源文件,并按照不同格式进行预处理;构建生成网络和判别网络;将多种随机分布的向量输入到生成网络,生成网络接收判别网络的反馈,更新生成网络参数;将生成网络输出的过渡虚拟数据送入判别网络,判别网络接收生成网络的反馈和经过预处理的数据源文件,输出图像真伪程度标签,更新判别网络参数;采用多组训练样本进行训练;再利用训练好的生成模型对生成网络进行测试,输出虚拟飞机飞行参数数据,最后转换为多种格式的虚拟飞行参数数据文件。本发明可通过相对较少的多种格式的飞机飞行参数数据源文件,生成大量满足使用要求的可靠性数据。
Description
技术领域
本发明涉及民用飞机机载维护系统技术领域,具体涉及一种飞机飞行模拟参数数据的生成方法。
背景技术
民用飞机机载维护系统中故障诊断是根据传感器数据、状态监测信息的结果,结合已知的结构特性和参数、环境条件和运行历史对可能要发生或已经发生的故障进行判断,确定故障的性别、类别、程度、原因、部位,指出故障发生和发展的趋势,不管是基于知识的故障诊断方法还是基于数据驱动的故障诊断方法,都需要以长期的大量故障信息数据为基础。在故障预测中,基于数据驱动的预测方法需要从大量的历史数据中学习输入与输出之间的关系,以及基于改进威布尔分布的可靠性寿命预测方法需要收集大量可靠性数据,可靠性数据具有真实性、随机性,全面性等特点。在健康评估中,基于统计的模型需要大量的监测数据、历史数据、状态数据。以及基于大数据、云计算、数据挖掘、深度学习相关的飞机维护研究过程中同样需要大量多样具有特点的数据作为研究的基础。
而现实中,收集大量满足具有所需特性的可靠有效数据费时费力,需要投入巨大的工作量来收集,收集过程也难以做到准确、完整、及时、有效、经济。
发明内容
有鉴于此,本申请实施例提供一种飞机飞行模拟参数数据的生成方法,能够生成大量满足一定要求特点的可靠性数据,解决了收集数据所需投入巨大工作量的难题。
本申请实施例提供以下技术方案:一种飞机飞行模拟参数数据的生成方法,包括:
获取多种格式的飞机飞行参数数据源文件;
对获取到的数据源文件按照不同格式进行预处理,所述预处理包括对数据文件进行分类,分析文件数据特点,将数据按多种方式转变成数据图图像的形式;
构建生成网络和判别网络;
将多种随机分布的向量输入到生成网络,生成网络同时接收来自判别网络的反馈,从而更新生成网络参数;
将生成网络输出的过渡飞机飞行参数数据送入到判别网络,判别网络同时接收来自生成网络的反馈,以及经过预处理的数据源文件,输出图像真伪程度标签,进而更新判别网络参数;
采用多组训练样本作为训练数据进行训练;
训练完成后进行测试,利用训练好的生成模型对生成网络进行测试,输入为多种随机分布的向量,输出虚拟飞机飞行参数数据;
将虚拟飞机飞行参数数据进行分析、分类,并转换为多种格式的虚拟飞行参数数据文件。
根据一种实施例,所述的多种格式的虚拟飞行参数数据文件包括“.dat”、“.bin”、“mdb”、“.xml”、“.txt”的格式文件。
根据一种实施例,所述的多种随机分布包括随机均匀分布、高斯分布。
根据一种实施例,所述的多种格式的飞机飞行参数数据源文件包括“.dat”、“.bin”、“mdb”、“.xml”、“.txt”的格式文件。
根据一种实施例,训练过程中采用的多组训练样本具体包括:
训练过程中,一次训练以一种数据图的一组训练样本作为训练数据进行训练;或,
训练过程中,一次训练以一种数据图的多组训练样本作为训练数据进行训练;或,
训练过程中,一次训练以多种数据图中每种数据图选择其中的一组训练样本作为训练数据进行训练;或,
训练过程中,一次训练以多种数据图中每种数据图选择其中的多组训练样本作为训练数据进行训练。
根据一种实施例,以全连接神经网络或者多个反卷积层构成的反卷积网络作为生成网络结构,以全连接层或者多个卷基层构成的卷积网络作为判别网络结构;所述生成网络和判别网络互相激励更新彼此的参数。
根据一种实施例,所述预处理中,所述数据图包括:以时间为横坐标以参数实际值为纵坐标构成的时间参数数据图TPG,以一种参数数据实际值为横坐标以另一种参数数据实际值为纵坐标构成的参数参数数据图PPG。
与现有技术相比,本发明实施例提供了一种飞机飞行模拟参数数据的生成方法,可通过相对较少的多种格式的飞机飞行参数数据源文件,生成大量满足维护系统故障诊断、故障预测以及趋势分析的应用,以及开展基于大数据、云计算、数据挖掘、深度学习相关领域的研究使用的参数数据,生成的模拟飞机飞行参数数据具有真实性、随机性、全面性等特点,解决了目前收集大量满足具有所需特性的可靠有效数据费时费力,需要投入巨大工作量的来收集,收集过程也难以做到准确、完整、及时、有效、经济的问题,实现了自动生成代替手工收集大量可靠数据的工作。最终生成的飞机飞行模拟参数数据可用于机载维护系统的多个模块的应用和研究。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例的飞机飞行模拟参数数据的生成方法示意图;
图2是本发明实施例的时间参数数据示意TPG图;
图3是本发明实施例的参数参数数据示意PPG图;
图4中(a)、(b)、(c)分别是本发明实施例的TPG图中一个参数对应不同单位时间的示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
如图1所示,本发明实施例提供了一种飞机飞行模拟参数数据的生成方法,包括:
获取多种格式的飞机飞行参数数据源文件;
对获取到的数据源文件按照不同格式进行预处理,所述预处理包括对数据文件进行分类,分析文件数据特点,将数据按多种方式转变成数据图图像的形式;
构建生成网络和判别网络;
将多种随机分布的向量输入到生成网络,生成网络同时接收来自判别网络的反馈,从而更新生成网络参数;
将生成网络输出的过渡飞机飞行参数数据送入到判别网络,判别网络同时接收来自生成网络的反馈,以及经过预处理的数据源文件,输出图像真伪程度标签,进而更新判别网络参数;
采用多组训练样本作为训练数据进行训练;
训练完成后,进行测试,利用训练好的生成模型对生成网络进行测试,输入为多种随机分布的向量,输出虚拟飞机飞行参数数据;
将虚拟飞机飞行参数数据进行分析、分类,并转换为多种格式的虚拟飞行参数数据文件。
本申请实施例时一种灵活可控的飞机飞行模拟参数数据的生成方法,用以解决民用飞机机载维护系统中故障诊断、故障预测、健康评估以及基于大数据、云计算、数据挖掘、深度学习相关的飞机维护研究过程中需要大量数据的问题,这些可靠性数据具有的真实性、准确性、随机性、全面性的特点。以及收集大量满足具有所需特性的可靠有效数据需要克服的费时费力,需要投入巨大工作量的来收集,收集过程也难以做到准确、完整、及时、有效、经济的难题。该方法的使用需要利用一定数量的多种格式的真实的飞机飞行参数数据源文件,结合多种随机噪声作为输入,并且结合由全连接神经网络或者多个反卷积层构成的反卷积网络组成的生成网络,以及由全连接层或者多个卷积层构成的卷积网络组成的判别网络来实现,将多种格式的飞机飞行参数数据源文件进行分析、分类并转换为多种数据图的形式,再具体根据不同种类数据图和数据特点分成多个组的训练数据,作为判别网络的一部分输入,同时将由均匀分布或高斯分布等多种随机分布向量作为生成网络的输入,生成网络输出过渡虚拟飞行参数数据作为判别网络的另一部分输入,判别网络再输出图像的真伪程度标签,训练过程中生成网络和判别网络同时互相激励更新彼此的参数,提高彼此的能力,训练完成后,将多种随机分布的向量作为生成网络的输入,再结合训练好的生成模型,生成网络输出虚拟飞机飞行参数数据,再结合不同需求转换为多种格式类型的文件,以供维护系统中故障诊断、故障预测、健康评估以及基于大数据、云计算、数据挖掘、深度学习相关的飞机维护研究过程使用。
本发明实施例针对民用飞机机载维护系统建立起一套灵活可控的飞机飞行模拟参数数据的生成方法,借助多种格式的飞机飞行参数数据源文件以及由反卷积网络构成的生成网络和反卷积网络构成的判别网络完成模拟数据生成过程,并生成维护系统中故障诊断、故障预测、健康评估以及基于大数据、云计算、数据挖掘、深度学习相关的飞机维护研究过程使用的多种模拟飞机飞行参数数据文件。如图1所示,本发明的具体实现方式如下:
a.获取飞机飞行参数多种格式数据源文件,比如“.dat”、“.bin”、“mdb”、“.xml”、“.txt”等格式;
b.对获取到的数据源文件按照不同格式进行预处理,包括对数据文件进行分类,分析文件数据特点,将数据按多种方式转变成多种数据图图像的形式;
c.数据图分为两种:一种是以时间为横坐标以参数实际值为纵坐标构成时间参数数据图TPG,另一种是以一种参数数据实际值为横坐标以另一种参数数据实际值为纵坐标构成参数参数数据图PPG;
d.时间参数数据图和参数参数数据图横纵坐标具体在图像中利用预先规定的两种不同颜色来代表横坐标轴和纵坐标轴,同时对应图中参数值曲线颜色也不同,TPG图如图2所示,PPG图如图3所示;
e.同时TPG图像中不同单位时间用不同的颜色表示时间轴T轴,如图3所示;
f.对于TPG图又可根据横坐标时间单位的不同,以及对应的纵坐标对应不同的参数,可以构成多组训练样本;
g.对于PPG图可根据横坐标选择不同的参数,以及对应纵坐标选择不同的参数,可以构成多组训练样本;
h.以随机生成的向量作为生成网络的输入,这里随机向量一般可以采用常见的均匀分布(如U(0,1))、高斯分布(如N(0,1))等;
i.生成网络可以是由全连接神经网络或者多个反卷积层构成的反卷积网络;
j.生成网络的输出是过渡虚拟飞行参数数据;
k.判别网络的输入为真实飞行参数数据和过渡虚拟飞机飞行参数数据;
l.判别网络可以是由全连接层或者多个卷积层构成的卷积网络;
m.判别网络的输出为图像的真伪程度标签;
n.训练数据可以分为多组:
o.训练过程中,一次训练可以以一种数据图的一组训练样本作为训练数据进行训练;
p.训练过程中,一次训练可以以一种数据图的多组训练样本作为训练数据进行训练;
q.训练过程中,一次训练可以以多种数据图其中每种数据图选择其中的一组训练样本作为训练数据进行训练;
r.训练过程中,一次训练可以以多种数据图其中每种数据图选择其中的多组训练样本作为训练数据进行训练;
s.训练过程中,针对TPG图,同一个参数可以对应不同的单位时间从而构成不同的训练样本作为一组训练数据进行训练,因为单位时间的不同可能导致同样大小的图像参数值所表现的变化趋势是不同的,如图4中(a)(b)(c)所示;
t.训练过程中,生成网络和判别网络互相激励彼此参数更新,提高生成网络的生成过渡虚拟数据的能力,进而在后续测试或者生成过程中产生的过渡虚拟飞机飞行参数数据更加符合任务需求;
u.训练完成后,进行测试,利用训练好的生成模型对生成网络进行测试,输入为均匀分布(如U(0,1))、高斯分布(如N(0,1))等,输出为模拟飞机飞行参数数据;
v.可根据目标要求的文件格式对虚拟飞机飞行参数数据进行分析、分类,并转换为如“.dat”、“.bin”、“mdb”、“.xml”、“.txt”等多种格式的模拟飞行参数数据文件。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种飞机飞行模拟参数数据的生成方法,其特征在于,包括:
获取多种格式的飞机飞行参数数据源文件;
对获取到的数据源文件按照不同格式进行预处理,所述预处理包括对数据文件进行分类,分析文件数据特点,将数据按多种方式转变成数据图图像的形式;
构建生成网络和判别网络;
将多种随机分布的向量输入到生成网络,生成网络同时接收来自判别网络的反馈,从而更新生成网络参数;
将生成网络输出的过渡飞机飞行参数数据送入到判别网络,判别网络同时接收来自生成网络的反馈,以及经过预处理的数据源文件,输出图像真伪程度标签,进而更新判别网络参数;
采用多组训练样本作为训练数据进行训练;
训练完成后进行测试,利用训练好的生成模型对生成网络进行测试,输入为多种随机分布的向量,输出虚拟飞机飞行参数数据;
将虚拟飞机飞行参数数据进行分析、分类,并转换为多种格式的虚拟飞行参数数据文件。
2.根据权利要求1所述的方法,其特征在于,所述的多种格式的虚拟飞行参数数据文件包括“.dat”、“.bin”、“mdb”、“.xml”、“.txt”的格式文件。
3.根据权利要求1所述的方法,其特征在于,所述的多种随机分布包括随机均匀分布、高斯分布。
4.根据权利要求1所述的方法,其特征在于,所述的多种格式的飞机飞行参数数据源文件包括“.dat”、“.bin”、“mdb”、“.xml”、“.txt”的格式文件。
5.根据权利要求1所述的方法,其特征在于,训练过程中采用的多组训练样本具体包括:
训练过程中,一次训练以一种数据图的一组训练样本作为训练数据进行训练;或,
训练过程中,一次训练以一种数据图的多组训练样本作为训练数据进行训练;或,
训练过程中,一次训练以多种数据图中每种数据图选择其中的一组训练样本作为训练数据进行训练;或,
训练过程中,一次训练以多种数据图中每种数据图选择其中的多组训练样本作为训练数据进行训练。
6.根据权利要求1所述的方法,其特征在于,以全连接神经网络或者多个反卷积层构成的反卷积网络作为生成网络结构,以全连接层或者多个卷基层构成的卷积网络作为判别网络结构;所述生成网络和判别网络互相激励更新彼此的参数。
7.根据权利要求1所述的方法,其特征在于,所述预处理中,所述数据图包括:以时间为横坐标以参数实际值为纵坐标构成的时间参数数据图TPG,以一种参数数据实际值为横坐标以另一种参数数据实际值为纵坐标构成的参数参数数据图PPG。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319552.XA CN115758561A (zh) | 2022-10-26 | 2022-10-26 | 一种飞机飞行模拟参数数据的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211319552.XA CN115758561A (zh) | 2022-10-26 | 2022-10-26 | 一种飞机飞行模拟参数数据的生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758561A true CN115758561A (zh) | 2023-03-07 |
Family
ID=85353494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211319552.XA Pending CN115758561A (zh) | 2022-10-26 | 2022-10-26 | 一种飞机飞行模拟参数数据的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115758561A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882033A (zh) * | 2023-09-05 | 2023-10-13 | 中建五局第三建设有限公司 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
-
2022
- 2022-10-26 CN CN202211319552.XA patent/CN115758561A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882033A (zh) * | 2023-09-05 | 2023-10-13 | 中建五局第三建设有限公司 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
CN116882033B (zh) * | 2023-09-05 | 2023-11-28 | 中建五局第三建设有限公司 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947086A (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
CN104461896B (zh) | 基于可信属性的航天系统关键软件评价方法 | |
CN112446591A (zh) | 一种用于学生综合能力评价的评价体系及零样本评价方法 | |
Khuat et al. | Ensemble learning for software fault prediction problem with imbalanced data. | |
CN113406955B (zh) | 基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法 | |
CN104596780A (zh) | 一种动车组制动系统传感器故障的诊断方法 | |
CN114357594A (zh) | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 | |
CN109857782A (zh) | 一种测井数据采集处理系统 | |
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN114566052B (zh) | 一种基于车流方向判别高速公路车流监控设备转动的方法 | |
CN115758561A (zh) | 一种飞机飞行模拟参数数据的生成方法 | |
CN105243503A (zh) | 基于空间变量和logistic回归的海岸带生态安全评估方法 | |
Azimi et al. | A Layered Quality Framework for Machine Learning-driven Data and Information Models. | |
Al-Tameemi et al. | Predictive learning analytics in higher education: Factors, methods and challenges | |
CN117151346B (zh) | 一种基于智慧学习的民航专业教学培训系统 | |
CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
CN117218375B (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN110320802B (zh) | 基于数据可视化的复杂系统信号时序识别方法 | |
Zorn et al. | Replacing energy simulations with surrogate models for design space exploration | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 |
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 |