【技术实现步骤摘要】
本专利技术涉及民航，尤其是涉及一种面向多变量飞行时序数据的异常检测方法和系统及介质。
技术介绍
1、飞机飞行数据是一种多变量时序数据，其具有测点多、采样频率高的特点，在飞机飞行结束之后很难在海量大数据中发现数据异常，不利于发现与定位飞机飞行过程中的问题，进而对飞机飞行造成极大的安全隐患。
2、传统人工方式进行异常检测变得不切实际，而现代采用人工智能的机器学习检测方式往往依赖于统计学技术，忽视了飞机飞行数据中的数据时序性、多变量之间的关联性、以及对预测起到积极作用的已知先验信息，进而导致预测结果出现较大偏差，通用型较弱，因此，这种不够准确的预测结果难以满足目前飞行工况多变的飞行数据上的异常检测需求。
3、基于上述技术问题，申请人提出了本申请的技术方案。
技术实现思路
1、有鉴于现有技术的上述缺陷，本专利技术利用历史飞行数据先建立面向多变量民机飞行时序数据的预测模型，再将实时飞行数据输入到预测模型中进行异常检测，解决了目前难以在海量飞行数据中发现与定位异常的问题，提高飞...
【技术保护点】
1.一种面向多变量飞行时序数据的异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向多变量飞行时序数据的异常检测方法，其特征在于，多变量飞行时序数据切分成多个子序列数据X＝{x1,x2,...,xt-1,xt}，其中n表示字序列数据的长度，输入到预先建立的RNN网络模型中进行训练，其中多变量飞行时序数据切分成多个子序列数据表示为X＝{x1,x2,...,xt-1,xt}，n表示字序列数据的长度；
3.根据权利要求1所述的面向多变量飞行时序数据的异常检测方法，其特征在于，所述长短期记忆神经网络递归函数F的实现方式具体为：
...【技术特征摘要】
1.一种面向多变量飞行时序数据的异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的面向多变量飞行时序数据的异常检测方法，其特征在于，多变量飞行时序数据切分成多个子序列数据x＝{x1,x2,...,xt-1,xt}，其中n表示字序列数据的长度，输入到预先建立的rnn网络模型中进行训练，其中多变量飞行时序数据切分成多个子序列数据表示为x＝{x1,x2,...,xt-1,xt}，n表示字序列数据的长度；
3.根据权利要求1所述的面向多变量飞行时序数据的异常检测方法，其特征在于，所述长短期记忆神经网络递归函数f的实现方式具体为：
4.根据权利要求2所述的面向多变量飞行时序数据的异常检测方法，其特征在于，所述cnn滤波器层处理中，将所述rnn网络模型的训练结果的结果矩阵h记录为h＝{h1,h2,…,ht-1}；
5.根据权利要求4所述的面向多变量飞行时序数据的异常检测方法，其特征在于，所述协向量滤波器层处理中，将民机飞...
【专利技术属性】
技术研发人员：马硕，李贤，
申请(专利权)人：上海航空工业集团有限公司，
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。