飞行重着陆预测方法、装置及存储介质制造方法及图纸

本发明专利技术涉及航空安全技术领域，尤其是指一种飞行重着陆预测方法、装置及存储介质。本发明专利技术所述的飞行重着陆预测方法，获取了一段时间内不同采样频率的参数数据，其信息获取更加全面；获取数据后，首先对QAR参数序列进行预处理，将高采样频率的序列长度与低采样频率的参数序列统一，并学习参数的高维表示以减少信息损失，然后将所有参数序列输入门控循环单元，捕获参数序列的隐藏表示，利用时间间隔注意力机制自适应地识别包含异常着陆模式的关键时间段，更符合飞行重着陆的实际场景，最后，将隐藏表示嵌入到上下文向量中以表示相应的参数，根据最终得到的参数特征对飞行重着陆进行预测，有效提升了重着陆预测的准确性和可解释性。性。性。

【技术实现步骤摘要】
飞行重着陆预测方法、装置及存储介质


[0001]本专利技术涉及航空安全
，尤其是指一种飞行重着陆预测方法、装置及存储介质。

技术介绍

[0002]航空安全一直以来都是民航业的核心问题，进近和着陆阶段是整个飞行过程中两个最重要的阶段，虽然进近和着陆只占整个飞行时间的一小部分，但由于这两个阶段的飞机状态容易受到外部因素和机组操作的影响，导致大部分事故均发生在这两个阶段。重着陆事件作为着陆阶段飞机非正常接触跑道的事故类型，其可能导致机体部件损伤，严重时甚至威胁乘客生命安全。因此，重着陆事件的预警和其成因分析对于提升飞行安全具有重要的意义和价值。
[0003]目前，快速存取记录仪(Quick Access Recorder，QAR)作为一种现代化的飞行器数据记录设备，可在整个飞行阶段以不同的采样频率快速记录飞行器状态、飞行员操作和环境信息等多项参数。利用QAR设备，可以通过记录的垂直加速度(VRTG)参数识别重着陆事件。具体来说，重着陆事件被定义为在着陆阶段飞机的最大垂直加速度(也称最大垂直载荷)超过特定阈值的事件。随着航班数量逐年增加，QAR设备为航空公司累积了海量的多变量时间序列飞行参数数据。
[0004]由于QAR以不同的采样频率记录参数，大多数基于机器学习的方法选择特定时间点的采样值或者固定采样频率的参数作为特征。类似地，一些基于LSTM的方法通过计算每秒内所有采样值的平均值来预处理原始数据，以统一输入序列的长度。然而，这些粗粒度的预处理方法很容易造成细节信息的丢失。
[0005]由此可见，现有重着陆可解释的研究或专利技术未能深入结合QAR数据的业务特点，只考虑了手工提取特征或者某个参数在某个时刻对重着陆结果的影响，信息获取不够全面，导致其模型准确性不足；并且，通常情况下，飞行安全状态受飞行员在一定时间段内操作的影响，而不是受某个特定时刻操作的影响，而现有技术未考虑参数在一段时间间隔的变化所带来的影响，导致模型可解释性不足。

技术实现思路

[0006]为此，本专利技术所要解决的技术问题在于克服现有技术中模型准确性和解释性不足的问题。
[0007]为解决上述技术问题，本专利技术提供了一种飞行重着陆预测方法，包括：
[0008]获取T秒内的一组快速存取记录仪QAR参数序列，将其输入训练好的飞行重着陆预测模型；
[0009]划分其中采样频率f大于预设低采样频率n的QAR参数序列为高采样频率参数序列，划分其中采样频率等于预设低采样频率的QAR参数序列为低采样频率参数序列；
[0010]将多个高采样频率参数序列分别通过卷积操作缩短序列长度，得到与低采样频率
参数序列长度一致的多个高维高采样频率参数序列；
[0011]将所述多个高维高采样频率参数序列和多个低采样频率参数序列分别通过门控循环单元提取参数的时间表示，得到多个参数序列隐藏表示；
[0012]将每个参数序列隐藏表示通过卷积核宽度为预设时间间隔长度的卷积层处理，然后将其经过激活函数处理或将其映射到多维上下文矩阵上得到每个参数序列的时间间隔注意力权重或多维上下文矩阵，并将所述每个参数序列的时间间隔注意力权重和其对应的多维上下文矩阵按位点积，得到每个参数序列的上下文向量特征；
[0013]根据最终得到的特征对飞行重着陆进行预测。
[0014]优选地，所述将多个高采样频率参数序列分别通过卷积操作缩短序列长度，得到与低采样频率参数序列长度一致的多个高维高采样频率参数序列包括：
[0015]将多个高采样频率参数序列分别通过多个卷积核大小为1
×
f且卷积步长为f/n的一维卷积层处理，得到与低采样频率参数序列长度一致的多个高维高采样频率参数序列。
[0016]优选地，所述门控循环单元计算的具体公式表示为：
[0017]t时刻更新门的输出z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
)
[0018]t时刻重置门的输出r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
)
[0019]t时刻候选状态
[0020]t时刻隐藏状态
[0021]其中，W
(
·
)
，U
(
·
)
和b
(
·
)
分别是门控循环单元的权重和偏置，σ
(
·
)
是sigmoid函数，是逐元素积，x
t
为t时刻的输入参数，h
t
‑1为t
‑
1时刻的隐藏状态，tanh()表示tanh激活函数。
[0022]优选地，所述将每个参数序列隐藏表示通过卷积核宽度为预设时间间隔长度的卷积层处理，然后将其经过激活函数处理或将其映射到多维上下文矩阵上得到每个参数序列的时间间隔注意力权重或多维上下文矩阵，并将所述每个参数序列的时间间隔注意力权重和其对应的多维上下文矩阵按位点积，得到每个参数序列的上下文向量特征包括：
[0023]将每个参数序列隐藏表示通过多个卷积核大小为hidden_size
×
L的一维卷积层处理，将其经过激活函数处理或将其映射到多维上下文矩阵上得到每个参数序列的时间间隔注意力权重α
i
＝[α
i,1
,...,α
i,l
]或每个参数序列的多维上下文矩阵并将所述每个参数序列的时间间隔注意力权重和其对应的多维上下文矩阵按位点积，得到每个参数序列的上下文向量特征c
i
，其具体的公式表示为：
[0024][0025][0026]V
ia
＝W
iv
Z
i
[0027][0028]其中，和是模型的参数，J
a
是卷积核个数，σ
(
·
)
是sigmoid激活函数，是将Z
i
映射到d
context
维上下文矩阵V
ia
的投影矩阵。
[0029]优选地，所述得到每个参数序列的上下文向量特征后还包括：
[0030]将每个参数序列的上下文向量特征C＝[c1,c2,...,c
m
]通过多头注意力机制处理，
得到每个参数序列的编码特征G＝[g1,g2,...,g
m
]，其具体公式为：
[0031][0032][0033][0034]其中，head
i
(
·
)是第i个采用了缩放点积注意力函数的注意力头，表示串联运算，表示线性组合所有注意力头的输出，M为注意力头个数，d
model
为注意力维度大小，A∈R
m...

【技术保护点】

【技术特征摘要】
1.一种飞行重着陆预测方法，其特征在于，包括：获取T秒内的一组快速存取记录仪QAR参数序列，将其输入训练好的飞行重着陆预测模型；划分其中采样频率f大于预设低采样频率n的QAR参数序列为高采样频率参数序列，划分其中采样频率等于预设低采样频率的QAR参数序列为低采样频率参数序列；将多个高采样频率参数序列分别通过卷积操作缩短序列长度，得到与低采样频率参数序列长度一致的多个高维高采样频率参数序列；将所述多个高维高采样频率参数序列和多个低采样频率参数序列分别通过门控循环单元提取参数的时间表示，得到多个参数序列隐藏表示；将每个参数序列隐藏表示通过卷积核宽度为预设时间间隔长度的卷积层处理，然后将其经过激活函数处理或将其映射到多维上下文矩阵上得到每个参数序列的时间间隔注意力权重或多维上下文矩阵，并将所述每个参数序列的时间间隔注意力权重和其对应的多维上下文矩阵按位点积，得到每个参数序列的上下文向量特征；根据最终得到的特征对飞行重着陆进行预测。2.根据权利要求1所述的飞行重着陆预测方法，其特征在于，所述将多个高采样频率参数序列分别通过卷积操作缩短序列长度，得到与低采样频率参数序列长度一致的多个高维高采样频率参数序列包括：将多个高采样频率参数序列分别通过多个卷积核大小为1
×
f且卷积步长为f/n的一维卷积层处理，得到与低采样频率参数序列长度一致的多个高维高采样频率参数序列。3.根据权利要求1所述的飞行重着陆预测方法，其特征在于，所述门控循环单元计算的具体公式表示为：t时刻更新门的输出z
t
＝σ(W
z
x
t
+U
z
h
t
‑1+b
z
)t时刻重置门的输出r
t
＝σ(W
r
x
t
+U
r
h
t
‑1+b
r
)t时刻候选状态t时刻隐藏状态其中，W
(
·
)
，U
(
·
)
和b
(
·
)
分别是门控循环单元的权重和偏置，σ
(
·
)
是sigmoid函数，是逐元素积，x
t
为t时刻的输入参数，h
t
‑1为t
‑
1时刻的隐藏状态，tanh()表示tanh激活函数。4.根据权利要求1所述的飞行重着陆预测方法，其特征在于，所述将每个参数序列隐藏表示通过卷积核宽度为预设时间间隔长度的卷积层处理，然后将其经过激活函数处理或将其映射到多维上下文矩阵上得到每个参数序列的时间间隔注意力权重或多维上下文矩阵，并将所述每个参数序列的时间间隔注意力权重和其对应的多维上下文矩阵按位点积，得到每个参数序列的上下文向量特征包括：将每个参数序列隐藏表示通过多个卷积核大小为hidden_size
×
L的一维卷积层处理，将其经过激活函数处理或将其映射到多维上下文矩阵上得到每个参数序列的时间间隔注意力权重α
i
＝[α
i,1
,...,α
i,l
]或每个参数序列的多维上下文矩阵并将所述每个参数序列的时间间隔注意力权重和其对应的多维上下文矩阵按位点积，得到每个参数序列的上下文向量特征c
i
，其具体的公式表示为：
α
i
＝σ(W
iz
(W
i1
Z
i
))V
ia
＝W
iv
Z
i
其中，和是模型的参数，J
a
是卷积核个数，σ
(
·
)
是sigmoid激活函数，是将Z
i
映射到d
context
维上下文矩阵V
ia
的投影矩阵。5.根据权利要求1所述的飞行重着陆预测方法，其特征在于，所述得到每个参数序列的上下文向量特征后还包括：将每个参数序列的上下文向量特征C＝[c1,c2,...,c
m
]通过多头注意力机制处理，得到每个参数序列的编码特征G＝[g1,g2,...,g
m
]，其具体公式为：]，其具...

【专利技术属性】
技术研发人员：郑林江，陈浩东，尚家兴，陈逢文，李旭，张锐祥，
申请(专利权)人：重庆大学，
类型：发明
国别省市：