【技术实现步骤摘要】
本专利技术属于飞行试验安全监控，具体一种实时遥测数据安全关键参数趋势预测方法。
技术介绍
1、安全关键参数是表征整机安全工作状态的重要测试参数。当前试飞实时监控中主要采用遥测数值与限制值对比的方式进行异常告警，这种方式无法实现对危险事件的提前预判，对于突发事件没有预留充分的处置时间。为了实现故障即告警向故障预告警的转变，需要采用数据加模型的方式驱动安全监控。尤其在一些安全关键参数随时有超限可能的科目场景中，实现关键参数的趋势预测就能够前移安全关口，为特情处置争取时间。
2、现有的针对趋势监控的模型主要分为单点深度学习模型和单变量时间序列模型两类。单点深度学习模型是通过同一时刻相关参数的值对目标参数进行预测，已有较高的精度，但未挖掘飞行数据序列中自身存在的时间延续性，未实现真正意义上对于参数值的提前预测。单变量时间序列模型是使用目标参数的历史数据对未来数据进行预测，仅考虑了数值本身随时间的变化规律，未考虑相关参数的影响，预测置信度较低。
技术实现思路
1、本专利技术要解决的技术问题是现有技术中安全监控告警滞后、安全预警模型不完善、与现有监控云平台不兼容的技术问题，本专利技术在飞行试验遥测监控任务中提供了一种实时遥测数据安全关键参数趋势预测方法。突破试飞数据特征选择最优化技术，试飞安全关键参数预测模型构建、预测模型集中存储与管理、模型接口标准化设计等关键技术，能够有效推动飞行试验实时监控向智能化新模式转变。
2、本专利技术的技术方案是
3、一种实时遥
4、步骤一：基于历史试飞数据对m个输入特征参数进行重要性评估并排序；
5、步骤二：基于历史试飞数据确定输出参数序列时间窗口大小k；
6、步骤三：对历史试飞数据中所有的输入数据和输出数据进行归一化处理；
7、步骤四：将归一化后的历史试飞数据划分为训练集和测试集；选择i个输入特征参数，i初始化为1，最大取值为m，建立输入三维数组[l，k，i]和输出三维数组[l，s，j]，s为预测步长，j为输出参数个数；
8、步骤五：选取长短时记忆模型，用训练集对长短时记忆模型进行训练；
9、步骤六：用测试集对长短时记忆模型进行测试，并计算i个输入特征参数下的预测误差；
10、步骤七：i＝i+1，返回步骤四，直至i＝m；选取预测误差最小时对应的输入参数个数，并将预测误差最小的长短时记忆模型作为最优模型，上传至云平台对关键参数进行实时预测。
11、进一步，所述步骤一中，输入特征参数包括：左排气温度、气压高度、飞行表速、马赫数、大气总温、滚转角、滑油温度左、滑油温度右、油门杆角度左、油门杆角度右、高压转速左、高压转速右、燃油油量左、燃油油量右；
12、输出参数为排气温度；
13、基于历史试飞数据，通过输入特征参数和输出参数对随机森林模型进行训练，在随机森林模型训练完成后调用特征重要性函数得到每个输入特征参数的重要性，并按降序对输入特征参数的重要性进行排序。
14、进一步，所述步骤二中，时间窗口大小k确定过程如下：
15、对输出参数进行自相关性分析，当自相关系数大于0.1时的最大时间点为时间窗口大小k。
16、进一步，所述步骤三中，基于最小最大缩放算法进行归一化。
17、进一步，所述步骤四中，按照7:3将所有的归一化后的历史试飞数据划分为训练集和测试集。
18、进一步，将训练数据集输入至lstm模块，对lstm模型中隐含层层数、单次传递给算法用于训练的样本个数、训练轮次、优化器进行设置与调整，得到不同参数配置下的测试精度，将测试精度最小的模型作为最佳预测模型。
19、进一步，预测误差等于输出参数实测值与预测值的差值。
20、进一步，将最佳预测模型转化为tensorflow可部署的pb格式，在云平台中部署tensorflow运行环境，实时接收遥测数据并提取出输入特征参数的值，调用最佳预测模型，计算得到关键参数的预测值；将关键参数的预测值与实测值进行比对，当预测值与实测值偏差较大或预测值超限时提醒监控人员注意。
21、本专利技术的优点：
22、1)针对试飞参数数据量大，且具有非线性关系的特点，采用了可解释的随机森林模型，进行特征参数重要性评估，避免了传统的基于人工经验选取特征量造成特征参数的错选、漏选或冗余等问题，提升关键参数预测模型精度，提高了其泛化能力。
23、2)由于试飞数据时间序列具有状态点的不可重复性，没有明确的周期，采用时间序列自相关函数确定模型训练时间窗口的大小，为长短时记忆神经网络模型提供合适结构的训练数据，保证模型的训练效果。
24、3)选用长短时记忆神经网络结构，引入三个门控循环单元用于记忆的更新与遗忘，相比传统的神经网络模型，更擅长处理时间序列数据，具体体现在，选用相同特征参数时，预测准确率更高。
25、4)通过tensorflow提供的java接口，将模型进行特殊格式的保存和转换，实现了基于云平台的keras模型存储和加载。为模型提供了算力保障，保证复杂模型的快速运算和预测结果的及时显示，且利于模型的统一存储和管理，为智能监控模型在当前实时监控系统中的应用提供了技术基础。
本文档来自技高网...【技术保护点】
1.一种实时遥测数据安全关键参数趋势预测方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述步骤一中，输入特征参数包括：左排气温度、气压高度、飞行表速、马赫数、大气总温、滚转角、滑油温度左、滑油温度右、油门杆角度左、油门杆角度右、高压转速左、高压转速右、燃油油量左、燃油油量右；
3.根据权利要求2所述的方法，其特征在于：所述步骤二中，时间窗口大小K确定过程如下：
4.根据权利要求3所述的方法，其特征在于：所述步骤三中，基于最小最大缩放算法进行归一化。
5.根据权利要求4所述的方法，其特征在于：所述步骤四中，按照7:3将所有的归一化后的历史试飞数据划分为训练集和测试集。
6.根据权利要求5所述的方法，其特征在于：将训练数据集输入至LSTM模块，对LSTM模型中隐含层层数、单次传递给算法用于训练的样本个数、训练轮次、优化器进行设置与调整，得到不同参数配置下的测试精度，将测试精度最小的模型作为最佳预测模型。
7.根据权利要求6所述的方法，其特征在于：预测误差等于输出参数实测值与预
8.根据权利要求7所述的方法，其特征在于：将最佳预测模型转化为TensorFlow可部署的pb格式，在云平台中部署TensorFlow运行环境，实时接收遥测数据并提取出输入特征参数的值，调用最佳预测模型，计算得到关键参数的预测值；将关键参数的预测值与实测值进行比对，当预测值与实测值偏差较大或预测值超限时提醒监控人员注意。
...【技术特征摘要】
1.一种实时遥测数据安全关键参数趋势预测方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述步骤一中，输入特征参数包括：左排气温度、气压高度、飞行表速、马赫数、大气总温、滚转角、滑油温度左、滑油温度右、油门杆角度左、油门杆角度右、高压转速左、高压转速右、燃油油量左、燃油油量右；
3.根据权利要求2所述的方法，其特征在于：所述步骤二中，时间窗口大小k确定过程如下：
4.根据权利要求3所述的方法，其特征在于：所述步骤三中，基于最小最大缩放算法进行归一化。
5.根据权利要求4所述的方法，其特征在于：所述步骤四中，按照7:3将所有的归一化后的历史试飞数据划分为训练集和测试集。
...
【专利技术属性】
技术研发人员：曲悠扬，郝朝，王灏，马明静，薛石磊，
申请(专利权)人：中国飞行试验研究院，
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。