【技术实现步骤摘要】
本专利技术涉及异常监测，具体地说，涉及一种飞机参数异常识别方法、系统、设备及介质。
技术介绍
1、飞机作为一种高度集成及复杂的动态系统，在飞行过程中受到复杂外部环境的影响或自身部件和系统发生故障的情况下，飞行易出现异常。如果异常情况不能及时的进行发现以及处置，可能会影响到飞机的飞行安全。
2、近年来随着数字化及航空技术的不断发展，飞机上海量的飞参数据得到了记录和保存，对飞参数据的有效利用可以进一步提升对于飞行异常状态的监测及处理能力，而如何从海量的飞参数据中挖掘有用的信息并对于飞行异常进行监测成为现在学术界和工业界研究的热点。其中深度学习由于其强大的重构及非线性表征能力近几年来得到了相关学者和专家的广泛关注，例如深度自动编码器(deep autoencoder，daes)、生成对抗神经网络(generative adversarial networks，gans)、深度卷积神经网络(deep convolutionalnetworks，dcnn)等。但是由于飞参数据属于强时间相关性的时序数据，上述方法无法有效的获取到数据的时间相关性特征，在实际的对于飞行异常进行监测时会有一定的局限性。为了更好的处理数据的时序性，基于循环结构的神经网络(recurrentneural networks，rnns)得到了发展，例如长短时记忆自编码器神经网络(long short-termmemoryauto-encoder，lstm-ae)、门控循环自编码器神经网络(gatedrecurrentunitauto-encoder，gru-
技术实现思路
1、本专利技术针对现有的飞机参数异常识别方法在监测飞参数据进行时的时间相关性提取能力有一定局限性的问题，提出一种飞机参数异常识别方法、系统、设备及介质，首先标准化处理获取的飞机历史参数数据得到m维飞行变量；其次将飞行变量转换为慢特征飞行数据，位置编码慢特征数据得到标签飞行数据；然后建立全连接神经网络模型，预测飞机参数变量；最后构建误差统计量，计算离线误差控制限值，判断飞机参数变量是否发生异常，通过提取慢特征得到了更有效的时间相关性特征，反应了数据在时间维度上的变化情况，实现了从动态性强、变化剧烈、早上影响较大的航空数据中准确地识别航空数据，具有更强的鲁棒性。
2、本专利技术具体实现内容如下：
3、一种飞机参数异常识别方法，首先标准化处理获取的飞机历史参数数据得到m维飞行变量；其次将所述飞行变量转换为慢特征飞行数据，位置编码所述慢特征数据得到标签飞行数据；然后根据所述标签飞行数据建立全连接神经网络模型，预测飞机参数变量；最后根据所述飞机参数变量构建误差统计量，计算离线误差控制限值，根据所述离线重构误差控制限值判断飞机参数变量是否发生异常。
4、为了更好地实现本专利技术，进一步地，所述飞机参数异常识别方法具体包括以下步骤：
5、步骤s1：标准化处理获取的飞机历史参数数据，根据标准化处理后的飞机历史参数数据得到m维飞行变量；
6、步骤s2：慢特性分析所述飞行变量，将所述飞行变量转换为飞行慢特征数据，位置编码所述飞行慢特征数据，并将编码后的所述飞行慢特征数据输入至多头注意力机制网络点积运算，得到飞行标签数据；
7、步骤s3：根据所述标签飞行数据建立全连接神经网络模型，根据所述全连接神经网络模型预测飞机参数变量，并根据所述飞机参数变量构建重构误差统计量；
8、步骤s4：根据所述重构误差统计量计算所述飞机参数变量的离线重构误差控制限值，根据所述离线重构误差控制限值判断飞机参数变量是否发生异常。
9、为了更好地实现本专利技术，进一步地，所述步骤s1具体包括以下步骤：
10、步骤s11：获取时间区间t范围内的飞机历史参数数据；
11、步骤s12：标准化处理获取的飞机历史参数数据，根据标准化处理后的飞机历史参数数据得到m维飞行变量x(t)；
12、所述飞行变量x(t)为：
13、x(t)＝[x1(t),x2(t),...,xm(t)]t
14、其中，x1(t),x2(t),...,xm(t)，分别为不同飞行变量在时间区间t下的数据，t为矩阵转置，m为维度。
15、为了更好地实现本专利技术，进一步地，所述步骤s2具体包括以下步骤：
16、步骤s21：慢特性分析所述飞行变量x(t)，构建转换函数g(x)将所述飞行变量x(t)转换为飞行慢特征矩阵；
17、步骤s22：根据设定的约束条件和构建的慢特征转换矩阵w，得到慢特征数据s；
18、步骤s23：建立transformer模型位置编码所述慢特征数据s，并将编码后的所述慢特征数据xpos输入至多头注意力机制网络进行点积运算，得到飞行标签数据x。
19、为了更好地实现本专利技术，进一步地，步骤s2中所述多头注意力机制网络进行点积运算的具体操作为：
20、multihead(q,k,v)＝concat(head1,head2,head3…headh)wo
21、
22、其中，headi表示第i个注意力头，concat表示拼接函数，softmax表示归一化指数函数，wo为神经网络的可训练权重参数；q表示查询向量，k表示键向量，v表示值向量；
23、
24、
25、
26、其中，和为神经网络的可训练权重参数。
27、为了更好地实现本专利技术，进一步地，步骤s3中所述根据所述标签飞行数据建立全连接神经网络模型的具体操作为：
28、u＝densen(multihead(q,k,v))
29、其中，dense为全连接神经网络，n为神经网络的层数，u为飞行变量数。
30、为了更好地实现本专利技术，进一步地，步骤s3中所述根据所述飞机参数变量构建重构误差统计量的具体操作为：
31、
32、其中，xi为第i个飞行变量的真实值，为第i个飞行变量的预测值。
33、为了更好地实现本专利技术，进一步地，所述步骤s4具体包括以下步骤：
34、步骤s41：调用核密度估计算法根据所述重构误差统计量计算所述飞机参数变量的离线重构误差控制限值relim；
35、步骤s42：标准化处理待测试飞行数据xtest，得到标准化后的测试数据
36、步骤s43：根据所述慢特征转换矩阵w，位置编码所述测试数据得到编码后的测试本文档来自技高网...
【技术保护点】
1.一种飞机参数异常识别方法，其特征在于，首先标准化处理获取的飞机历史参数数据得到m维飞行变量；其次将所述飞行变量转换为慢特征飞行数据，位置编码所述慢特征数据得到标签飞行数据；然后根据所述标签飞行数据建立全连接神经网络模型，预测飞机参数变量；最后根据所述飞机参数变量构建误差统计量，计算离线误差控制限值，根据所述离线重构误差控制限值判断飞机参数变量是否发生异常。
2.根据权利要求1所述的一种飞机参数异常识别方法，其特征在于，所述飞机参数异常识别方法具体包括以下步骤：
3.根据权利要求2所述的一种飞机参数异常识别方法，其特征在于，所述步骤S1具体包括以下步骤：
4.根据权利要求3所述的一种飞机参数异常识别方法，其特征在于，所述步骤S2具体包括以下步骤：
5.根据权利要求4所述的一种飞机参数异常识别方法，其特征在于，步骤S2中所述多头注意力机制网络进行点积运算的具体操作为：
6.根据权利要求5所述的一种飞机参数异常识别方法，其特征在于，步骤S3中所述根据所述标签飞行数据建立全连接神经网络模型的具体操作为：
7.根据
8.根据权利要求6所述的一种飞机参数异常识别方法，其特征在于，所述步骤S4具体包括以下步骤：
9.根据权利要求8所述的一种飞机参数异常识别方法，其特征在于，步骤S41中所述调用核密度估计算法根据所述重构误差统计量计算所述飞机参数变量的离线重构误差控制限值RElim的具体操作为：
10.一种飞机参数异常识别系统，其特征在于，包括标准化单元、慢特征单元、预测单元、识别单元；
11.一种电子设备，其特征在于，包括存储器和处理器；所述存储器上存储有计算机程序；当所述计算机程序在所述处理器上执行时，实现如权利要求1-9任一项所述的飞机参数异常识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令；
...【技术特征摘要】
1.一种飞机参数异常识别方法，其特征在于，首先标准化处理获取的飞机历史参数数据得到m维飞行变量；其次将所述飞行变量转换为慢特征飞行数据，位置编码所述慢特征数据得到标签飞行数据；然后根据所述标签飞行数据建立全连接神经网络模型，预测飞机参数变量；最后根据所述飞机参数变量构建误差统计量，计算离线误差控制限值，根据所述离线重构误差控制限值判断飞机参数变量是否发生异常。
2.根据权利要求1所述的一种飞机参数异常识别方法，其特征在于，所述飞机参数异常识别方法具体包括以下步骤：
3.根据权利要求2所述的一种飞机参数异常识别方法，其特征在于，所述步骤s1具体包括以下步骤：
4.根据权利要求3所述的一种飞机参数异常识别方法，其特征在于，所述步骤s2具体包括以下步骤：
5.根据权利要求4所述的一种飞机参数异常识别方法，其特征在于，步骤s2中所述多头注意力机制网络进行点积运算的具体操作为：
6.根据权利要求5所述的一种飞机参数异常识别方法，其特征在于，步骤...
【专利技术属性】
技术研发人员：李泽宇，张力帅，胡东升，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。