【技术实现步骤摘要】
本专利技术属于航空安全技术与飞行数据应用领域，具体涉及一种基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法及系统。
技术介绍
1、飞行安全始终是航空运输事业的重中之重。基于航后飞行数据分析的飞行品质监控，为航空安全起到基础性保障作用。然而，在发生概率较低的不安全事件实时监测和预防方面，当前的飞行品质监控技术仍显不足，具体表现在：
2、首先，缺少应对小样本数据的分析手段。数据驱动的不安全事件检测方法，通常需要大量的事件数据进行训练。诸如飞行员严重操作异常、发动机空中停车等故障导致的不安全事件发生率极低，这就难以收集足量的小概率不安全事件数据进行学习训练。
3、其次，缺少对不安全事件的定量解释手段。不安全事件的风险定量分析能够辅助飞行安全专家更好地理解风险模式，并采取相应的预防措施。不安全事件风险通常由多个飞行参数联合表征，且风险发生的时刻和持续时间均具有不确定性。当前的不安全事件诱因主要依赖飞行安全专家的主观分析，难以定量描述风险严重程度。
4、第三，传统的航后数据分析方法难以适应实时监测的要求，目前的在线监测方式通过超限值检测来确保飞行品质，但此时不安全事件已经发生。须要提前发现潜在风险，有效阻断威胁和差错进一步演变为不安全事件乃至飞行事故。
技术实现思路
1、为解决上述问题，本专利技术提出了一种基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法及系统，针对特定的不安全事件，从飞行品质监控标准标记的严重偏差、轻度偏差事件标签出发，以
2、为实现上述目的，本专利技术提供了如下方案：一种基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，包括以下步骤：
3、s0：通过飞机飞行品质监控标准确定输入参数集合，并构建基于弱监督学习的风险识别架构ⅰ；
4、s1：基于所述风险识别架构ⅰ，获得风险识别网络i和量化风险值，并利用统计分析得到高风险的时刻点和诱因；
5、s2：利用知识蒸馏方法将风险识别网络ⅰ辨识不安全事件风险的能力继承至风险识别网络ⅱ上，获得用于在线监测的风险识别网络ⅱ，基于所述在线监测的风险识别网络ⅱ，进行在线风险检测。
6、优选的，所述s0中，通过飞机飞行品质监控标准确定输入参数集合，并构建基于弱监督学习的风险识别架构ⅰ的方法包括：
7、s0.1：参考飞机飞行品质监控标准，依据飞行安全专家确定输入参数集合；
8、s0.2：建立时域卷积网络tcn，利用时域卷积网络tcn从航后飞行数据集中提取不安全事件特征，同时保留飞行数据中时序依赖特性；
9、s0.3：建立门控循环单元gru和注意力机制相结合的示例转换模块，随后利用逻辑层和最大池化操作完成不安全事件分类，形成基于弱监督学习的风险识别架构ⅰ；
10、其中，所述s0.1中，参考飞机飞行品质监控标准，依据飞行安全专家确定输入参数集合的方法包括：
11、结合飞行安全专家经验，确定飞行员操作相关的参数集合pam、飞机飞行状态相关的参数集合pas，以并集p＝{pam upas}作为输入参数，一共有d个参数；
12、其中，所述s0.2中，建立时域卷积tcn网络，利用时域卷积tcn网络从航后飞行数据集中提取不安全事件特征，同时保留飞行数据中时序依赖特性的方法包括：
13、针对第j个航段的原始参数序列利用因果膨胀卷积提取任一时刻tk之前的历史信息，并采用残差连接的方式降低网络复杂度；将原始参数序列输入时域卷积tcn网络，经时域卷积tcn网络处理后输出其中代表第j个航段数据在第tk时刻内的飞行参数序列记录，代表第i个参数在tk时刻的记录值，q(·)代表时域卷积tcn网络的特征提取过程；
14、其中，所述s0.3中，建立门控循环单元gru和注意力机制相结合的示例转换模块，随后利用逻辑层和最大池化操作完成不安全事件分类，形成基于弱监督学习的风险识别架构ⅰ的方法包括：
15、将时域卷积tcn网络输出作为门控循环单元gru的输入，并利用自注意力层att增强模型可解释性，得到包含局部和长时间依赖特性的特征图输出获得第j次航段数据中tk时刻的示例包含t1～tk时刻的参数序列信息；随后经过全连接层fcl得到分类任务的特征图为第j次航段数据中tk时刻的分类示例，后接逻辑层log；采用sigmoid函数为逻辑层log的激活函数，实现示例到量化风险值的转换，获得随时间变化的量化风险值其中为第j次航段数据中tk时刻的量化风险值，最后经过聚合层max，采用最大池化得到包标签ybag,j，当时ybag,j＝1，否则ybag,j＝0，其中为λ0为预设阈值，通常取λ0＝0.5，完成基于弱监督学习的风险识别架构ⅰ的构建。
16、优选的，所述s1中，基于所述风险识别架构ⅰ，获得风险识别网络i和量化风险值，并利用统计分析得到高风险的时刻点和诱因的方法包括：
17、s1.1：建立包含时间步长级的超限标签损失、不安全航段标记损失的模型优化目标，同时引入对特定不安全事件风险持续时长的先验知识作为航段风险总时长的限制；
18、s1.2：采用模型无关元学习方法，在元训练阶段，利用严重偏差、轻度偏差和正常数据使模型获得高泛化性能力初始参数θm，随后在元测试阶段利用严重偏差和正常数据使风险识别架构ⅰ迅速收敛，得到训练好的风险识别网络ⅰ参数θf，基于训练好的风险识别网络ⅰ参数θf，获得量化风险值；
19、s1.3：采用频数统计的方法对量化风险值进行分析，获得不安全事件的高风险时刻点，随后通过显著性检验方法，获得不安全事件数据中与正常数据具有显著性差异的参数和时刻，得到不安全事件的诱因；
20、其中，所述s1.1中，建立包含时间步长级的超限标签损失、不安全航段标记损失的模型优化目标，同时引入对特定不安全事件风险持续时长的先验知识作为航段风险总时长的限制的方法包括：
21、
22、其中，θ表示其网络参数，ls(·)为超限损失，li(·)为分类损失，x为任一飞行参数序列，为网络输出的量化风险值，为tk时刻的示例概率，y为包含事件步长级超限标签的向量，λc为限制项的权重，a为模型检测出的风险总时长的下限，b为模型检测出的风险总时长的上限；
23、其中，所述s1.2中，采用模型无关元学习方法，在元训练阶段，利用严重偏差、轻度偏差和正常数据使模型获得高泛化性能力初始参数θm，随后在元测试阶段利用严重偏差和正常数据使风险识别架构ⅰ迅速收敛，得到训练好的风险识别网络ⅰ参数θf，基于训练好的风险识别网络ⅰ参数θf，获得量化风险值的方法包括：
24、在划分好dtrain和dtest的基础上，其中，dtrain包含该类不安全事件的严重偏差数据、轻度偏差数据和正常数据，dt本文档来自技高网...
【技术保护点】
1.一种基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，所述S0中，通过飞机飞行品质监控标准确定输入参数集合，并构建基于弱监督学习的风险识别架构Ⅰ的方法包括：
3.根据权利要求1所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，所述S1中，基于所述风险识别架构Ⅰ，获得风险识别网络I和量化风险值，并利用统计分析得到高风险的时刻点和诱因的方法包括：
4.根据权利要求1所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，所述S2中，利用知识蒸馏方法将风险识别网络Ⅰ辨识不安全事件风险的能力继承至风险识别网络Ⅱ上，获得用于在线监测的风险识别网络Ⅱ，基于所述在线监测的风险识别网络Ⅱ，进行在线风险检测的方法包括：
5.一种基于飞行数据的小概率航空不安全事件诱因分析和在线监测系统，所述系统用于实现权利要求1-4任一项所述的方法，其特征在于，包括：识别架构构建模块、识别网络构建
6.根据权利要求5所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测系统，其特征在于，所述识别架构构建模块包括：参数确定单元、特征提取单元和识别架构构建单元；
7.根据权利要求5所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测系统，其特征在于，所述识别网络构建模块包括：时长限制设定单元、风险值计算单元和不安全诱因计算单元；
8.根据权利要求5所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测系统，其特征在于，所述风险检测模块包括：数据标注单元、风险量化单元和不安全概率计算单元；
...【技术特征摘要】
1.一种基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，所述s0中，通过飞机飞行品质监控标准确定输入参数集合，并构建基于弱监督学习的风险识别架构ⅰ的方法包括：
3.根据权利要求1所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，所述s1中，基于所述风险识别架构ⅰ，获得风险识别网络i和量化风险值，并利用统计分析得到高风险的时刻点和诱因的方法包括：
4.根据权利要求1所述基于飞行数据的小概率航空不安全事件诱因分析和在线监测方法，其特征在于，所述s2中，利用知识蒸馏方法将风险识别网络ⅰ辨识不安全事件风险的能力继承至风险识别网络ⅱ上，获得用于在线监测的风险识别网络ⅱ，基于所述在线监测的风险...
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。