一种航空飞行器异常飞行状态智能识别方法技术

本发明专利技术涉及航空飞行数据分析技术领域，特别涉及一种航空飞行器异常状态检测方法。包括以下步骤：1)由航空飞行器飞行专家挑选航空飞行器历史标准飞行数据，对其进行飞行阶段标注；2)利用标注好飞行阶段的标注数据集D设计优化分类回归决策树CART算法构建飞行阶段分类模型M；3)输入待识别异常飞行状态的飞行数据；4)利用构建好的分类模型M对飞行数据集合X进行飞行阶段划分；5)利用优化孤立森林算法IF识别其中的异常飞行状态；6)输出异常飞行状态时间序列数据。本发明专利技术利用航空飞行器历史飞行数据，训练算法建立正常飞行状态的模型，利用构建好的模型识别异常飞行状态。构建好的模型识别异常飞行状态。构建好的模型识别异常飞行状态。

【技术实现步骤摘要】
一种航空飞行器异常飞行状态智能识别方法


[0001]本专利技术涉及航空飞行数据分析
，特别涉及一种航空飞行器异常状态检测方法。

技术介绍

[0002]航空飞行器的飞行状态是指航空飞行器在某一瞬间的运动情况。航空飞行器正常飞行状态是指航空飞行器在飞控系统控制下按照预先装订的航线或者期望的状态飞行所处的状态。航空飞行器异常飞行状态是指航空飞行器由于某组成部件发生故障或者受外界环境的干扰、影响，导致飞行状态与期望的飞行状态发生较大偏差。例如，实际飞行航线与设定航线偏差较大，给定姿态角、速度、航向与相应的实测值较长时间内偏差较大，这些航空飞行器异常飞行状态会带来飞行风险，如果不能及时识别与处理，可能会导致重大飞行安全事故。因此，航空飞行器异常飞行状态的识别对保障航空飞行器的飞行安全具有重要意义。航空飞行器飞行的异常状态的识别，为航空飞行器实时操控决策和健康管理提供决策支持，方便航空飞行器保障人员提早查找异常事件原因，避免飞行事故的发生，保证飞行安全。
[0003]针对飞行状态自动识别问题，谢川等人构建了基于专家知识库和知识推理机的飞行状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空飞行器异常飞行状态智能识别方法，其特征在于包括以下步骤：1)由航空飞行器飞行专家挑选航空飞行器历史标准飞行数据，对其进行飞行阶段标注；具体为：飞行专家挑选出历史标准飞行数据，对其标注起飞、爬升、平飞、转弯、下降和着陆6个基本飞行阶段，标注后飞行数据集合记为D＝{D1,D2,......,D6}；2)利用标注好飞行阶段的标注数据集D设计优化分类回归决策树算法构建飞行阶段分类模型M；3)输入待识别异常飞行状态的飞行数据；具体为：输入t个时间点的航空飞行器飞行数据集合记为X＝{X1,X2,
……
,X
t
}；4)利用构建好的分类模型M对飞行数据集合X进行飞行阶段划分；具体为：利用分类模型M对t个时间点的飞行数据集合X＝{X1,X2,
…
,X
t
}进行飞行阶段的自动化划分，标注各时间段的飞行阶段；5)利用优化孤立森林算法识别其中的异常飞行状态；6)输出异常飞行状态时间序列数据；具体为：输出航空飞行器飞行数据集合X＝{X1,X2,
……
,X
t
}中异常飞行状态时间序列。2.按照权利要求1所述的一种航空飞行器异常飞行状态智能识别方法，其特征在于步骤2)具体包括以下步骤：步骤1：对于标准动作模板数据D＝{D1,D2,......,D6}，计算标准飞行状态D
r
第u个时间点的n元特征参数向量之间的高度变化率Δh、俯仰角变化率Δα、滚转角变化率Δβ、偏航角变化率Δγ、航向角变化率Δδ，计算数据集D的基尼系数公式(1)式中p
k
表示数据集D中第k个类别在D中所占比例，比采用信息增益率计算对数的方式简单。对数据集D，计算特征参数c的基尼系数公式(2)式中|D|表示数据集D所有时间序列向量的数目，E表示特征参数c在数据集D上的取值类别总数，|D
e
|表示数据集合D中所有特征c取值为e的向量总数，Gini(D
e
)是按照式(1)计算基尼系数；步骤2：数据集D依据基尼系数值最小的特征参数C，划分为两部分得到其左右节点，记为D
left
和D
right
；步骤3：停止构建决策树的条件有两个，一是判断阈值与当前基尼系数大小关系，若当前基尼系数小于阈值，则当前节点停止构建决策树子树，否则继续构建；二是检查特征参数集合D中是否存在能继续分解集合的分类特征，如果没有找到，则停止构建决策树；步骤4：对D节点的左右子节点D
left
和D
right
递归执行步骤1至步骤4，直到从满足步骤3的条件退出，返回决策树训练模型M；步骤5：以避免决策树模型的过拟合问题，对决策树进行剪枝，所谓剪枝，删除非叶子节
点{T1,T2,T3,......,T
n
}中表面误差率增益值最小的α
i
对应非叶子节点T
i
的左右子节点，α
i
的计算公式(3)为式中R(i)表示叶子节点替换第i个非叶子节点后产生的误差，计算公式为R(i)＝r(i)p(i), (4)式中r(i)表示节点i的误差率，p(i)表示节点i上的样本个数占整个训练集中样本个数的百分比，R(T
i
)表示节点i没有裁剪时子树T
i
上所有叶子节点的误差之和，即用子树的叶子节点替换非叶子节点T
i
，重复该过程直至没有任何非叶子节点可以替换，剪枝完成，返回决策树M；步骤6：设定目标损失函数，将决策树所有超参放置于网络中，利用网格搜索算法对决策树参数进行调整，使得决策树模型M分类最优。同时，为了避免训练集和测试集划分带来的影响，采用数据交叉验证的方式，提高决策树模型M的分类性能。3.按照权利要求1所述的一种航空飞行器异常飞行状态智能识别方法，其特征在于步骤5)具体包括以下步骤：步骤1：对已标注好飞行阶段的X，依据表1计算各飞行阶段的异常特征参数值，各飞行阶段的特征参数集合记为S；起飞、爬升、平飞、转弯、下降和着陆共6个最基本飞行阶段为例，每个飞行阶段可以用飞行速度、高度、姿态角...

【专利技术属性】
技术研发人员：王凤芹，李瑛，周立军，刘瑜，张杰，姜辉，高龙，
申请(专利权)人：中国人民解放军海军航空大学，
类型：发明
国别省市：