CN117875766A - 基于飞参数据的飞行人员能力分析的方法 - Google Patents
基于飞参数据的飞行人员能力分析的方法 Download PDFInfo
- Publication number
- CN117875766A CN117875766A CN202311814946.7A CN202311814946A CN117875766A CN 117875766 A CN117875766 A CN 117875766A CN 202311814946 A CN202311814946 A CN 202311814946A CN 117875766 A CN117875766 A CN 117875766A
- Authority
- CN
- China
- Prior art keywords
- flight
- data
- model
- capability
- personnel
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于飞参数据的飞行人员能力分析系统，包括：步骤一：飞参数据收集，收集飞行人员的飞参数据；步骤二：数据清洗和处理，对收集到的数据进行清洗和处理；步骤三：飞行特征提取，根据飞行任务和飞行员的操作记录，提取相关的特征；步骤四：数据分析和建模，使用机器学习或统计分析的方法，对提取到的特征进行分析和建模，以评估飞行人员的能力；步骤五：模型评估和验证，对建立的模型进行评估和验证，来评估模型的性能和准确性；步骤六：结果解释和应用，根据分析结果，对飞行人员的能力进行解释和评估，并根据评估结果提供相应的建议和改进措施。本发明通过将飞参数据计算后得到飞行人员的能力指标，完成飞行人员能力评估。
Description
技术领域
本发明属于数据分析领域，更具体地，涉及一种基于飞参数据的飞行人员能力分析的方法。
背景技术
飞参数据是飞机数据管理记录系统对飞行过程中各系统参数的记录和存储。飞参数据包含航电总线数据、武器总线数据、飞行数据、飞机维护保障信息以及音/视频等信息。
大数据技术是一种处理海量数据的能力，大数据技术主要解决海量数据的存储和海量数据的分析计算问题。大数据的特点包括大量性(Volume)和多样性(Variety)，通过将庞大的数据信息进行整合并进行专业化处理，提取出数据价值。
现阶段飞行人员能力分析一般为技术考核，通过理论考试和实操设定得分点进行打分，理论考试往往不能完全切合实际作战，具有一定的片面性，而实操打分人员进行打分往往带有一定的主观性。飞行人员的能力评估对于飞行安全和飞行绩效的提升至关重要。然而，传统的评估方法往往依赖于主观判断和经验，缺乏客观性和准确性。因此，需要一种基于飞参数据的飞行人员能力分析方法，以提供更可靠的能力评估和改进建议。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种基于飞参数据的飞行人员能力分析的方法。
为实现上述目的，按照本发明的一个方面，提供了一种基于飞参数据的飞行人员能力分析系统，包括如下步骤：
步骤一：飞参数据收集，收集飞行人员的飞参数据；
步骤二：数据清洗和处理，对收集到的数据进行清洗和处理；
步骤三：飞行特征提取，根据飞行任务和飞行员的操作记录，提取相关的特征；
步骤四：数据分析和建模，使用机器学习或统计分析的方法，对提取到的特征进行分析和建模，以评估飞行人员的能力；
步骤五：模型评估和验证，对建立的模型进行评估和验证，来评估模型的性能和准确性；
步骤六：结果解释和应用，根据分析结果，对飞行人员的能力进行解释和评估，并根据评估结果提供相应的建议和改进措施。
在本发明的一个优选实施例中，步骤一中，所述飞行人员的飞参数据包括飞行时间、飞行任务、飞行器性能数据、飞行员的操作记录中的一种或者任意两种以上的组合。
在本发明的一个优选实施例中，步骤二中，所述对收集到的数据进行清洗和处理包括去除异常值、缺失值处理、数据归一化中的一种或者任意两种以上的组合。
在本发明的一个优选实施例中，步骤四中，所述相关的特征包括飞行时间、飞行距离、平均速度、高度变化中的一种或者任意两种以上的组合。
在本发明的一个优选实施例中，步骤三中，所述对提取到的特征进行分析和建模，以评估飞行人员的能力具体是使用分类模型来判断飞行人员的技能水平，或使用回归模型来预测飞行人员的绩效。
在本发明的一个优选实施例中，步骤五中，所述对建立的模型进行评估和验证，来评估模型的性能和准确性具体是使用交叉验证、ROC曲线、混淆矩阵中的一种或者任意两种以上的组合的指标来对建立的模型进行评估和验证，来评估模型的性能和准确性。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明结合大数据技术，提出了基于飞参数据的飞行人员能力分析系统，通过对飞参数据的处理分析，完成飞行人员能力分析，能够更加全面、客观的体现飞行人员的能力水平。
(2)本发明基于上述系统，提出了一种基于飞参数据的飞行人员能力分析方法，能够充分利用上述系统进行飞行人员能力分析。
(3)本发明基于上述系统，提供了一种电子设备，用于执行本发明所述的人员能力分析方法。
(4)本发明基于上述系统，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明所述的人员能力分析方法。
附图说明
图1为根据本发明实施例一提供的一种基于飞参数据的飞行人员能力分析方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包括在本发明的保护范围之内。
图1示出了根据本公开实施例的基于飞参数据的飞行人员能力分析方法流程示意图。如图1所示，方法始于步骤A1。
在步骤A1中，首先要进行飞参数据收集，主要步骤如下：
(1)确定数据收集的目标和需求：首先需要明确要收集哪些飞参数据以及收集这些数据的目的和用途。例如，是否需要收集飞行时间、飞行任务、飞行器性能数据、飞行员的操作记录等。
(2)选择合适的数据收集设备和传感器：根据数据收集的目标和需求，选择合适的设备和传感器来收集相关数据。例如，可以使用飞行记录仪、传感器、监控设备等来记录和采集飞行过程中的数据。
(3)数据收集和记录：在飞行过程中，使用选择的设备和传感器来收集和记录相关的飞参数据。确保数据的准确性和完整性。
(4)数据存储和管理：将收集到的飞参数据进行存储和管理，可以使用数据库或其他数据管理系统来进行存储和组织。
(5)数据传输和同步：如果需要实时分析和处理飞参数据，可以通过网络或其他方式将数据传输到分析系统或平台进行处理和分析。
(6)数据安全和隐私保护：确保飞参数据的安全和隐私保护，采取相应的措施来防止数据泄露和滥用。
(7)数据清洗和处理：对收集到的飞参数据进行清洗和处理，包括去除异常值、缺失值处理、数据归一化等，以确保数据的准确性和一致性。
(8)数据质量控制和验证：对收集到的飞参数据进行质量控制和验证，确保数据的可靠性和有效性。
完成步骤A1中的飞参数据收集，就要通过步骤A2进行飞参数据清洗和处理，主要步骤如下：
(1)异常值检测和处理：首先，对飞参数据进行异常值检测，找出可能存在的异常数据点。可以使用统计方法或基于规则的方法来检测异常值。一旦发现异常值，可以选择删除、替换或修复这些异常值。
(2)缺失值处理：检查飞参数据中是否存在缺失值，即某些数据点没有被记录或采集到。可以使用插值方法(如线性插值、均值插值等)来填补缺失值，或者根据实际情况选择删除缺失值较多的数据。
(3)数据归一化：对不同范围和单位的飞参数据进行归一化处理，以便能够进行有效的比较和分析。常用的归一化方法包括最小-最大归一化和标准化。
(4)数据平滑：如果飞参数据存在噪声或波动，可以使用平滑技术(如移动平均、指数平滑等)来减少噪声和波动，以便更好地观察和分析数据的趋势和模式。
(5)数据转换和特征提取：根据实际需求，对飞参数据进行转换和特征提取，以提取出更有用和有意义的特征。例如，可以计算飞行速度、加速度、高度变化等特征。
(6)数据合并和整合：如果有多个数据源或多个飞参数据集，需要进行数据合并和整合，以便进行综合分析和处理。
(7)数据验证和质量控制：对清洗和处理后的飞参数据进行验证和质量控制，确保数据的准确性和一致性。
完成对飞参数据的清洗和处理，就要通过A3进行飞行特征提取，主要步骤如下：
(1)数据分割：将飞参数据按照一定的时间间隔或事件进行分割，例如按照每秒、每分钟或每个飞行阶段进行分割。
(2)特征选择：根据实际需求和分析目标，选择合适的特征。可以根据领域知识、统计方法或机器学习方法进行特征选择。
(3)特征提取：根据选择的特征，从飞参数据中提取相应的特征。常见的特征包括飞行速度、加速度、高度变化、航向变化、转弯率等。
(4)特征计算：对提取到的特征进行计算和统计，例如计算平均值、最大值、最小值、标准差等。
(5)特征表示：将计算得到的特征表示为数值或向量形式，以便进行后续的分析和处理。
(6)特征组合：根据需要，将多个特征进行组合，形成更复杂和综合的特征。可以使用数学运算、特征交叉等方法进行特征组合。
(7)特征降维：如果特征维度较高，可以使用降维技术(如主成分分析、线性判别分析等)将特征降低到较低的维度，以减少计算复杂性和提高效率。
提取飞行特征后，通过A4步骤结合特征数据和飞参数据进行数据分析和建模，主要步骤如下：
(1)模型选择：根据问题类型和数据特征，选择合适的数据分析建模方法。常见的方法包括回归分析、分类分析、聚类分析、时间序列分析等。主要模型如下：
飞行状态分类模型：基于飞行数据的特征，可以建立分类模型来判断飞行状态，如正常飞行、起飞、降落、爬升、下降等。常用的分类算法包括逻辑回归、支持向量机、决策树、随机森林等。
飞行性能预测模型：通过分析飞行数据和相关特征，可以建立回归模型来预测飞行性能指标，如飞行速度、燃油消耗、飞行时间等。常用的回归算法包括线性回归、岭回归、支持向量回归等。
飞行异常检测模型：通过对飞行数据进行异常检测，可以识别出飞行中的异常情况，如机械故障、传感器故障、气象异常等。常用的异常检测算法包括基于统计方法的Z-score、箱线图、基于机器学习的聚类、孤立森林等。
飞行路线优化模型：基于飞行数据和相关约束条件，可以建立优化模型来优化飞行路线，以实现最优的飞行效率、燃油消耗等目标。常用的优化算法包括遗传算法、粒子群算法、模拟退火算法等。
飞行安全评估模型：通过分析飞行数据和相关特征，可以建立模型来评估飞行安全性，识别潜在的飞行风险和安全隐患。常用的方法包括风险评估模型、故障树分析、事件树分析等。
(2)模型训练：使用训练集对选定的模型进行训练，通过拟合数据来学习模型的参数。通过使用机器学习或统计分析的方法，对提取到的特征进行分析和建模，以评估飞行人员的能力。可以使用分类模型来判断飞行人员的技能水平，或使用回归模型来预测飞行人员的绩效。
建模完成后，要通过A5步骤进行模型评估和验证，对建立的模型进行评估和验证，可以使用交叉验证、ROC曲线、混淆矩阵等指标来评估模型的性能和准确性，主要步骤如下：
(1)数据划分：将可用的数据集划分为训练集和测试集。通常，将大部分数据用于训练模型，而将一小部分数据保留作为测试集，用于评估模型的性能。
(2)模型训练：使用训练集对选定的模型进行训练，通过拟合数据来学习模型的参数。可以使用交叉验证等技术来选择模型的超参数，以提高模型的性能。
(3)模型评估：使用测试集对训练好的模型进行评估，计算模型的性能指标来评估模型的质量。常见的评估指标包括准确率、精确率、召回率、F1值等。可以使用混淆矩阵来可视化模型的分类结果。
(4)模型优化：根据评估结果，对模型进行优化和调参，以提高模型的性能和泛化能力。可以尝试不同的特征选择方法、模型结构调整、正则化技术等来改进模型。
(5)交叉验证：为了更准确地评估模型的性能，可以采用交叉验证的方法。将数据集划分为多个子集，进行多次训练和验证，以综合评估模型的性能。
(6)模型验证：除了在测试集上评估模型性能外，还可以使用独立的验证集对模型进行验证。验证集是从训练集中划分出来的，用于验证模型在未见过的数据上的泛化能力。
(7)模型比较：如果有多个模型可供选择，可以进行模型比较，评估它们的性能和优缺点，选择最适合问题的模型。
最后，通过步骤A6，对模型计算进行结果解释和应用。根据分析结果，对飞行人员的能力进行解释和评估，并根据评估结果提供相应的建议和改进措施，主要步骤如下：
(1)飞行技能评估：通过飞行人员能力分析数据模型计算的结果，可以对飞行人员的飞行技能进行评估。例如，模型可以计算得到飞行员的起飞、着陆、飞行操纵等方面的技能水平，以及对复杂飞行任务的适应能力。
(2)决策能力评估：模型可以分析飞行人员在应对紧急情况、做出飞行决策和管理飞行任务方面的能力。这些评估结果可以用于飞行员培训和选拔，以确保飞行员具备适当的决策能力和应急反应能力。
(3)多任务处理能力评估：飞行人员在飞行任务中需要同时处理多个任务和信息，模型可以评估飞行员的多任务处理能力。这对于评估飞行员的工作负荷管理能力和注意力分配能力非常重要。
(4)团队合作能力评估：在飞行任务中，飞行人员需要与其他机组成员紧密合作。模型可以评估飞行员的团队合作能力，包括沟通能力、领导能力和协调能力等。这对于评估机组的整体协作效能和飞行安全至关重要。
(5)知识和技术更新评估：飞行人员需要不断学习和更新知识和技术，以适应不断变化的航空环境和技术发展。模型可以评估飞行员的学习能力和适应能力，以及对新技术和规章的理解和应用能力。
Claims (6)
1.一种基于飞参数据的飞行人员能力分析系统，其特征在于，包括如下步骤：
步骤一：飞参数据收集，收集飞行人员的飞参数据；
步骤二：数据清洗和处理，对收集到的数据进行清洗和处理；
步骤三：飞行特征提取，根据飞行任务和飞行员的操作记录，提取相关的特征；
步骤四：数据分析和建模，使用机器学习或统计分析的方法，对提取到的特征进行分析和建模，以评估飞行人员的能力；
步骤五：模型评估和验证，对建立的模型进行评估和验证，来评估模型的性能和准确性；
步骤六：结果解释和应用，根据分析结果，对飞行人员的能力进行解释和评估，并根据评估结果提供相应的建议和改进措施。
2.根据权利要求1所述的一种基于飞参数据的飞行人员能力分析系统，其特征在于，步骤一中，所述飞行人员的飞参数据包括飞行时间、飞行任务、飞行器性能数据、飞行员的操作记录中的一种或者任意两种以上的组合。
3.根据权利要求2所述的一种基于飞参数据的飞行人员能力分析系统，其特征在于，步骤二中，所述对收集到的数据进行清洗和处理包括去除异常值、缺失值处理、数据归一化中的一种或者任意两种以上的组合。
4.根据权利要求3所述的一种基于飞参数据的飞行人员能力分析系统，其特征在于，步骤三中，所述相关的特征包括飞行时间、飞行距离、平均速度、高度变化中的一种或者任意两种以上的组合。
5.根据权利要求4所述的一种基于飞参数据的飞行人员能力分析系统，其特征在于，步骤四中，所述对提取到的特征进行分析和建模，以评估飞行人员的能力具体是使用分类模型来判断飞行人员的技能水平，或使用回归模型来预测飞行人员的绩效。
6.根据权利要求5所述的一种基于飞参数据的飞行人员能力分析系统，其特征在于，步骤五中，所述对建立的模型进行评估和验证，来评估模型的性能和准确性具体是使用交叉验证、ROC曲线、混淆矩阵中的一种或者任意两种以上的组合的指标来对建立的模型进行评估和验证，来评估模型的性能和准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311814946.7A CN117875766A (zh) | 2023-12-26 | 2023-12-26 | 基于飞参数据的飞行人员能力分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311814946.7A CN117875766A (zh) | 2023-12-26 | 2023-12-26 | 基于飞参数据的飞行人员能力分析的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117875766A true CN117875766A (zh) | 2024-04-12 |
Family
ID=90589622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311814946.7A Pending CN117875766A (zh) | 2023-12-26 | 2023-12-26 | 基于飞参数据的飞行人员能力分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875766A (zh) |
-
2023
- 2023-12-26 CN CN202311814946.7A patent/CN117875766A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10891406B2 (en) | Prediction methods and systems for structural repair during heavy maintenance of aircraft | |
| US11958632B2 (en) | Predictive maintenance model design system | |
| CN103080954B (zh) | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 | |
| CN111259515A (zh) | 一种飞行器健康管理方法及系统 | |
| US8914149B2 (en) | Platform health monitoring system | |
| 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 | |
| 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 | |
| CN108475445A (zh) | 多源飞行器数据的自动化融合和分析的方法和系统 | |
| CN107103362A (zh) | 机器学习系统的更新 | |
| JP2013186899A (ja) | 構造物を監視するための方法及びシステム | |
| CN113344425B (zh) | 一种基于qar数据的飞行品质监控方法及系统 | |
| WO2023057434A1 (en) | Method and flight data analyzer for identifying anomalous flight data and method of maintaining an aircraft | |
| US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
| CN117194919A (zh) | 一种生产数据分析系统 | |
| JP2014085343A (ja) | プラットフォーム健全性監視システム | |
| CN116521406A (zh) | 一种基于残差门gru-vae模型的航空发动机未超限飞参数据异常检测方法 | |
| CN117875766A (zh) | 基于飞参数据的飞行人员能力分析的方法 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN114692786B (zh) | 一种基于多源数据融合的民机故障诊断方法 | |
| Wade et al. | Applying machine learning-based diagnostic functions to rotorcraft safety | |
| Das et al. | An open architecture for enabling CBM/PHM capabilities in ground vehicles | |
| Knight et al. | Intelligent management of helicopter health and usage management systems data | |
| Li et al. | Overview of application in data mining techniques to qar data ansys | |
| US20220068042A1 (en) | Automated prediction of repair based on sensor data | |
| Steinweg et al. | Integrated aircraft risk analysis framework for health monitoring systems–a case study for structural health monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |