一种基于飞参数据的飞机异常状态识别方法技术

本公开实施例中提供了一种基于飞参数据的飞机异常状态识别方法，属于航空电子技术领域，具体包括：构造初始状态空间；重构状态空间并生成单架次飞行数据对应的状态序列片段：合并状态序列中连续重复状态；使用滑动窗处理状态序列，构造状态转移模型训练数据集；状态转移模型的训练；结合状态空间和状态转移模型进行单架次飞行数据异常检测。本发明专利技术的该飞机异常状态识别方法能够有效地定位单架次飞行数据异常帧数，对保障飞机性能安全具有极大的意义。

【技术实现步骤摘要】
一种基于飞参数据的飞机异常状态识别方法
本公开涉及航空电子
，尤其涉及一种基于飞参数据的飞机异常状态识别方法。
技术介绍
飞机在飞行过程中由于装备运行状态异常或者飞行员操作不当会导致飞行数据异常，如果异常情况不能被及时发现，很可能会威胁到飞行安全。目前，随着大数据相关技术和深度学习技术的不断发展，以海量数据为基础，应用于各方面分类问题的深度神经网络模型相继被提出，并呈现了较好的实验效果。神经网络模型用于分类问题依赖带有标签的数据集，考虑到目前存储的飞行数据大多数为正例数据，依靠人工标记其中少量的异常数据不但耗时耗力，而且由于类别数据比例不均，可能会导致训练完成的深度神经网络模型泛化能力较低。如何尽可能地避免人为干预，进行飞行数据异常检测一直是航空领域研究热点。基于飞参数据的飞机异常状态识别方法，通过规范的数据处理，状态转移模型训练等流程，进行飞行数据异常检测。实验结果表明，该方法能够有效地定位单架次飞行数据异常帧数，对保障飞机性能安全具有极大的意义。
技术实现思路
有鉴于此，本公开实施例提供一种基于飞参数据的飞机异常状态识别方法，能够有效地定位单架次飞行数据异常帧数，对保障飞机性能安全具有极大的意义。本公开的技术方案如下：基于飞参数据的飞机异常状态识别方法，包括以下步骤：步骤一：构造初始状态空间：选择单架次飞行数据文件的每帧数据作为数据样本，遍历所有数据样本，构造初始状态空间；步骤二：重构状态空间并生成单架次飞行数据对应的状态序列片段：移除初始状态空间中的异常样本数据，重构状态空间，遍历所有架次每帧飞行数据，通过指定的余弦相似度和搜索状态空间匹配所属状态，并将对应的状态进行标记，按照帧的时序性构造相应的状态序列片段；步骤三：合并状态序列中连续重复状态；步骤四：使用滑动窗处理状态序列，构造状态转移模型训练数据集；步骤五：状态转移模型的训练；步骤六：结合状态空间和状态转移模型进行单架次飞行数据异常检测：将单架次所有帧飞行数据通过搜索状态空间匹配所属状态，若当前帧飞行数据小于指定的余弦相似度，则判断当前帧飞行数据为异常状态；若否，则通过滑动窗切分得到的下一转移状态不存在于状态转移模型预测得到的备选状态转移列表中，则表示当前滑动窗切分得到的下一转移状态存在异常。在一种优选的实施方式中，步骤六中，若当前帧飞行数据不小于指定的余弦相似度，则使用滑动窗和状态转移模型对单架次飞行数据对应的状态序列进行异常检测；滑动窗以一个状态为步长切分子序列及对应的下一转移状态，使用状态转移模型预测下一备选转移状态概率，选择概率最大的状态构建备选状态转移列表；当出现滑动窗切分得到的下一转移状态不存在于模型预测得到的备选状态转移列表中，则表示当前滑动窗切分得到的下一转移状态存在异常，返回异常状态索引。在一种优选的实施方式中，构造初始状态空间过程中还包括，首先对所有架次飞行数据进行数据处理，包括删除非数值特征、归一化，再选择单架次飞行数据文件的每帧数据作为数据样本。在一种优选的实施方式中，步骤一中，使用指定的余弦相似度阈值和搜索状态空间，判断状态空间是否存在单帧飞行数据所属状态；若存在，直接使用对应的状态表示当前帧；若否，创建新状态代表当前单帧数据，并把新状态归并到状态空间；重复该判断过程，直至遍历完成所有数据样本的相应的状态空间，得到初始状态空间。在一种优选的实施方式中，步骤二中，当出现该架次的部分样本数据搜索状态空间无法匹配到相应的状态时，保存持续到上一时刻的状态序列片段，略去异常帧，依次往下匹配，直至当前帧能够从状态空间中匹配到相应的状态，记该当前帧状态为该段状态序列的起始状态，后续帧数据继续搜索状态空间，直至所有单架次飞行所有帧搜索完毕，生成单架次飞行数据对应的状态序列片段。在一种优选的实施方式中，步骤四中，使用滑动窗处理所有的状态序列片段，得到每个状态序列片段所有子状态序列及对应备选状态概率向量，由所有子状态序列与对应备选状态概率向量构造状态转移模型训练数据集。在一种优选的实施方式中，所述概率向量长度与状态空间大小一致，若子序列备选转移状态存在，则对应位置为1，若不存在，则对应位置为0。在一种优选的实施方式中，步骤五中，状态转移模型由嵌入层、多个卷积单元、全连接层组成；嵌入层用于把子状态序列转换为嵌入向量。在一种优选的实施方式中，步骤五中，所述状态转移模型由嵌入层与多层卷积神经网络组成，为了防止训练模型过程中出现梯度消失，对每次迭代模型参数进行了L2正则化。本专利技术的飞机异常状态识别方法，该方法以正常飞行数据为基础，构造数据集，用于深度神经网络模型的训练，能够有效地定位单架次飞行数据异常帧数，对保障飞机性能安全具有极大的意义。附图说明为了更清楚地说明本公开实施例的技术方案，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公开的一些实施例，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为本专利技术的飞机异常状态识别方法；图2为本专利技术的滑动窗构造数据集流程图；图3为本专利技术的状态转移模型结构图；图4为本专利技术的单架次飞行数据测试流程图。具体实施方式下面结合附图对本公开实施例进行详细描述。以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，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，都属于本公开保护的范围。要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所本文档来自技高网...

【技术保护点】
1.一种基于飞参数据的飞机异常状态识别方法，其特征在于，包括以下步骤：/n步骤一：构造初始状态空间：/n选择单架次飞行数据文件的每帧数据作为数据样本，遍历所有数据样本，构造初始状态空间；/n步骤二：重构状态空间并生成单架次飞行数据对应的状态序列片段：/n移除初始状态空间中的异常样本数据，重构状态空间，遍历所有架次每帧飞行数据，通过指定的余弦相似度和搜索状态空间匹配所属状态，并将对应的状态进行标记，按照帧的时序性构造相应的状态序列片段；/n步骤三：合并状态序列中连续重复状态；/n步骤四：使用滑动窗处理状态序列，构造状态转移模型训练数据集；/n步骤五：状态转移模型的训练；/n步骤六：结合状态空间和状态转移模型进行单架次飞行数据异常检测：/n将单架次所有帧飞行数据通过搜索状态空间匹配所属状态，若当前帧飞行数据小于指定的余弦相似度，则判断当前帧飞行数据为异常状态；若否，则通过滑动窗切分得到的下一转移状态不存在于状态转移模型预测得到的备选状态转移列表中，则表示当前滑动窗切分得到的下一转移状态存在异常。/n

【技术特征摘要】
1.一种基于飞参数据的飞机异常状态识别方法，其特征在于，包括以下步骤：
步骤一：构造初始状态空间：
选择单架次飞行数据文件的每帧数据作为数据样本，遍历所有数据样本，构造初始状态空间；
步骤二：重构状态空间并生成单架次飞行数据对应的状态序列片段：
移除初始状态空间中的异常样本数据，重构状态空间，遍历所有架次每帧飞行数据，通过指定的余弦相似度和搜索状态空间匹配所属状态，并将对应的状态进行标记，按照帧的时序性构造相应的状态序列片段；
步骤三：合并状态序列中连续重复状态；
步骤四：使用滑动窗处理状态序列，构造状态转移模型训练数据集；
步骤五：状态转移模型的训练；
步骤六：结合状态空间和状态转移模型进行单架次飞行数据异常检测：
将单架次所有帧飞行数据通过搜索状态空间匹配所属状态，若当前帧飞行数据小于指定的余弦相似度，则判断当前帧飞行数据为异常状态；若否，则通过滑动窗切分得到的下一转移状态不存在于状态转移模型预测得到的备选状态转移列表中，则表示当前滑动窗切分得到的下一转移状态存在异常。


2.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法，其特征在于，步骤六中，若当前帧飞行数据不小于指定的余弦相似度，则使用滑动窗和状态转移模型对单架次飞行数据对应的状态序列进行异常检测；
滑动窗以一个状态为步长切分子序列及对应的下一转移状态，使用状态转移模型预测下一备选转移状态概率，选择概率最大的状态构建备选状态转移列表；当出现滑动窗切分得到的下一转移状态不存在于模型预测得到的备选状态转移列表中，则表示当前滑动窗切分得到的下一转移状态存在异常，返回异常状态索引。


3.根据权利要求1所述的基于飞参数据的飞机异常状态识别方法，其特征在于，步骤一中，构造初始状态空间过程中还包括，首先对所有架次飞行数据进行数据处理，包括删除非数值特征、归一化，再选择单架次飞行数据文件的每帧数...

【专利技术属性】
技术研发人员：刘郅楠，刘华磊，乔文，
申请(专利权)人：陕西千山航空电子有限责任公司，
类型：发明
国别省市：陕西;61