首页 / 专利库 / 空气动力学 / 起飞 / 垂直起飞 / 一种基于深度学习的重着陆预测方法

一种基于深度学习的重着陆预测方法

阅读:34发布:2020-05-08

专利汇可以提供一种基于深度学习的重着陆预测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于 深度学习 的重着陆预测方法,用于解决根据飞机飞行阶段的参数预测飞机是否会发生重着陆危险的问题。该方法主要包含基于深度学习的自回归着陆模型的构建方法,以及使用自回归着陆模型进行重着陆检测的方法两个部分:(1)自回归着陆模型:是利用大量的正常着陆航班的样本数据,基于深度学习模型,训练出的一种用于捕捉飞机着陆状态转换模式的模型。(2)计算方法:以飞行过程数据,如采自QAR(Quick Access Recorder,快速存取记录器)的数据做为输入,利用时间序列符号化表示和着陆状态字典,将飞机着陆多元时间序列转换成符号化表示序列。利用预训练的自回归着陆模型拟合待预测的航班的符号化表示序列,给出重着陆危险发生概率的预测结果。,下面是一种基于深度学习的重着陆预测方法专利的具体信息内容。

1.一种基于深度学习的重着陆预测方法,其特征在于,包括如下步骤:
步骤1:获取记录飞行参数的航班数据,以下简称QAR数据,航班数据记录的是飞机从起飞到着陆全过程的数据,从中截取海拔高度在250英尺以下的最终进近数据作为航班着陆阶段数据;选择着陆阶段关键参数,关键参数包括俯仰滚转角、下降率、速、风向、驾驶员俯仰杆操作、驾驶员滚转角操作、驾驶员脚踏板操作、脚踏板角度、地速、空速、纵向加速度、平加速度的参数,经过截取和关键参数选择操作,每个航班样本表示成一个多元时间序列,每个时间点是一个由上述参数在该时间点的QAR记录值组成的向量,每一个向量被称为一个着陆状态点;
步骤2:定义着陆状态点为飞机着陆序列中每一个时刻的记录值,将从QAR中获取到的全部航班样本所有着陆状态点利用Kmeans方法进行聚类,Kmeans聚类将所有着陆状态点根据其取值对应到不同的着陆状态类别;Kmeans聚类算法产生的质心生成航班着陆状态字典,航班中每一个着陆状态点均映射到一个航班着陆状态字典中的一个符号化表示,每个航班由多个着陆状态点组成,经过映射,每一个航班均得到一个符号序列表示;
步骤3:利用循环神经网络(LSTM)搭建深度学习自回归模型,模型的输入为步骤2中得到的航班的符号序列表示,模型的主题结构为LSTM,模型每个时刻的输出为经过LSTM编码得到的向量;利用该模型进行预训练,预训练的方式为,在任一时刻t,用前面t-1个时刻的着陆状态预测当前时刻的着陆状态,预训练后的模型即为飞机着陆模型ALM(Aircraft Landing Model,ALM);
步骤4:根据QAR数据中记录的垂直载荷参数值,选择垂直载荷参数值大于1.5的样本作为重着陆训练样本,使用步骤2中生成的航班着陆状态字典将重着陆样本数据转换成符号序列,利用转换后的航班着陆符号序列,在步骤3中预训练的飞机着陆模型基础上继续训练,训练方法为最小化重着陆预测损失,最终得到预测结果。
2.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤1具体实现过程如下:
(11)数据准备:提取QAR数据,截取距离地面高度250英尺到距离地面0英尺之间的数据作为飞机着陆数据,其中选择着陆发生5秒以前时间段的数据作为训练数据
(12)参数提取:根据QAR数据中的记录数据以及相关文献,选择对于着陆最重要的一些特征,分为三组参数,分别是飞机状态类参数、环境类参数和驾驶员操作参数,所述飞机状态参数包括俯仰角、滚转角、地速、水平加速度、纵向加速度、下降率和空速;所述驾驶员操作参数包括滚转操作、俯仰操作、脚踏板操作和脚踏板角度;所述环境参数包括风速和风向;
(13)着陆状态点生成:每个航班样本经过步骤(1)和步骤(2)的处理得到多个向量,每个着陆点为一个向量,包含步骤(2)选择的参数在当前着陆点的取值。
3.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤2具体实现过程如下:
(21)利用Kmeans聚类算法,对所有着陆状态向量进行聚类操作,生成900个聚类质心,聚类质心的数量是通过聚类指标确定的最佳聚类质心数量,每个聚类质心是一个符号到向量的映射,为Kmeans生成的900个聚类质心分配唯一编号,每一个质心的向量表示计算方法如下:Kmeans算法将数据中的着陆状态点分配给各个质心,被划分到各个质心的着陆状态点对应的向量求平均值,级得到对应质心的向量表示;
(22)针对每一个着陆状态向量,为其分配一个的聚类质心,作为这个着陆状态向量的符号化表示,选择质心的方式为计算着陆状态点向量和Kmeans聚类得到的所有质心的欧式距离,选择欧式距离最小的作为分配给该着陆状态点的质心,每一个航班的每一个着陆状态向量都转换成质心对应的符号,同一个航班的所有着陆状态点的映射结果组成一个符号序列。
4.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤3具体实现过程如下:
(31)输入为每个航班的着陆符号序列表示,使用嵌入层,将每个着陆符号映射成一个高维向量,每个着陆状态符号对应的高维向量最开始是随机初始化的,在深度学习网络的训练过程中自动更新;同时引入海拔嵌入,每一个海拔高度范围对应着一个海拔嵌入,同样随着深度学习模型的训练进行更新,将着陆状态符号嵌入和海拔高度嵌入相加,作为深度学习模型的最终输入;
(32)搭建单向LSTM自回归模型,模型每个时间步使用之前时刻的着陆状态符号预测当前时刻的着陆状态符号,使用从QAR中提取的50000条着陆样本作为训练集,将这些着陆样本通过3中介绍的方法转换为符号序列表示,使用转换后的数据训练LSTM模型,LSTM在训练过程中的计算方式为:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+b0)
ht=ot*tanh(Ct)
其中,Wf,Wi,WC,Wo,bf,bi,bC,b0为模型中的可训练参数,xt是在t时刻的着陆状态对应的符号表示经过嵌入层生成向量表示,其他符号为LSTM在计算过程中生成的中间变量;
使用的损失函数为:
其中,T表示一条航班着陆数据的着陆状态点数量,W,b为模型可训练的参数,xi为i时刻着陆状态对应的符号。
5.根据权利要求1所述的基于深度学习的重着陆预测方法,其特征在于:所述步骤4具体实现过程如下:
(41)将重着陆预测数据集使用相同的方法处理成着陆符号表示,对训练好的LSTM进行精调,精调的方式为,在重着陆预测数据集上优化交叉熵损失,使用的损失函数为:
其中,N表示总样本量,yi表示第i个样本是否发生重着陆,发生重着陆值为1,不发生重着陆值为0,p为LSTM模型最后输出的预测发生重着陆的概率值;
(42)精调后的深度自回归飞机着陆模型用于重着陆预测,给定一个航班的着陆前的QAR数据,对这个航班着陆前的QAR数据进行离散化预处理后输入到精调后的深度自回归飞机着陆模型中,即得到预测结果。

说明书全文

一种基于深度学习的重着陆预测方法

技术领域

[0001] 本发明涉及民航领域,是基于飞行数据的着陆质量预测方法,是一种在大数据条件下智能检测着陆险的方法。

背景技术

[0002] 在民用航空领域,着陆阶段是事故发生最多的阶段。研究表明,47%的事故都发生在着陆阶段。安全是民航业的生命线,保障民航飞行运行安全是进行一切具体民航活动的前提。着陆阶段是飞行运行的高危阶段,事故发生率占全飞行阶段的20%,事故死亡率占全飞行阶段的23%,事故及不安全事件的发生率和死亡率明显高于其他飞行阶段。可见,飞机着陆风险是民航运行安全中最大的风险源。因此飞机着陆安全风险分析系统的研究与实现对民航运行安全具有重要的研究意义。
[0003] 飞机着陆阶段的不安全事件主要有:重着陆、冲/偏出跑道等。其中,重着陆是一种会对飞机结构本身造成严重损坏,甚至给乘客带来危险的着陆安全事故。如果能利用飞机飞行数据,预测飞机着陆时是否会发生重着陆,则可以给飞行员一个参考指标,帮助飞行员进行着陆时的决策,从而减少重着陆事故的发生。
[0004] QAR是一套可方便快速获取飞机运行数据的记录器系统,它可以记录飞机整个飞行阶段的位置、运动、操纵和告警等多项参数。利用QAR数据,可以方便的获取到飞机飞行全过程中的飞行参数。
[0005] 现有的重着陆预测方法主要基于统计机器学习算法和特征工程技术。这种方法的缺点主要有两个方面。首先,飞机着陆过程十分复杂,使用专家提取特征工程的方法,重着陆的预测效果在很大程度上取决于特征构造,而复杂的着陆过程对于特征工程来说是十分困难的。其次,重着陆样本数量非常少,因此在训练模型时,会遇到正负样本不均衡,或者训练样本很少的情况,使得模型效果较差。

发明内容

[0006] 本发明解决的技术问题:针对飞机着陆时可能发生重着陆事故,提供一种基于深度学习的重着陆预测方法,能够显著提升重着陆预测的精度
[0007] 本发明技术解决方案:一种基于深度学习的重着陆预测方法,实现步骤如下:
[0008] (1)获取海量QAR航班数据,截取航班着陆阶段数据,选择对着陆阶段比较关键的参数。将多个特征着陆阶段的数组所组成的多元时间序列进行划分,形成多个着陆状态点,每个着陆状态点由各个选择的特征表示成一个向量;
[0009] (2)定义着陆状态点为飞机着陆序列中每一个时刻的记录值,将从QAR中获取到的全部航班样本所有着陆状态点利用Kmeans方法进行聚类,Kmeans聚类将所有着陆状态点根据其取值对应到不同的着陆状态类别;Kmeans聚类算法产生的质心生成航班着陆状态字典,航班中每一个着陆状态点均映射到一个航班着陆状态字典中的一个符号化表示,每个航班由多个着陆状态点组成,经过映射,每一个航班均得到一个符号序列表示;
[0010] (3)使用基于深度学习的自回归模型,基于大量着陆多元时间序列符号化序列数据进行预训练。预训练的方式为,在任一时刻t,用前面t-1个时刻的着陆状态预测当前时刻的着陆状态。预训练后的模型即为飞机着陆模型(Aircraft Landing Model,ALM);
[0011] (4)利用重着陆训练样本,使用(2)中的数据预处理方式,生成符号化表示,在(3)中训练好的模型的基础上,进行精调,得到重着陆预测模型
[0012] 所述步骤(1)具体实现过程如下:
[0013] (11)数据准备:提取QAR数据,截取距离地面高度250英尺到距离地面0英尺之间的数据作为飞机着陆数据。其中,选择着陆发生5秒以前时间段的数据作为训练数据
[0014] (12)特征提取:根据QAR数据中的记录数据,以及相关文献,选择对于着陆最重要的一些特征,分为三组特征,分别是飞机状态类特征、环境类特征、驾驶员操作特征。所选择的特征字段和含义如下表所示。
[0015]
[0016]
[0017] (13)垂直载荷标注:根据QAR数据中的垂直载荷字段,对每个航班是否发生重着陆进行标注。垂直载荷每0.125秒记录一次,选择着陆前后5s内的数据,共80条垂直载荷的记录,选择最大的一条记录值作为该航班最终的着陆垂直载荷。根据着陆垂直载荷大小进行重着陆标注,大于1.5即视为发生重着陆。
[0018] 所述步骤(2)具体实现过程如下:
[0019] (21)根据步骤1中选择的特征,将每个航班表示成一个多元时间序列。将每一秒作为一个着陆状态,每个着陆状态可以看成步骤1中选择的特征在当时的值组成的向量。汇总所有航班的着陆状态向量。
[0020] (22)利用Kmeans聚类算法,对所有着陆状态向量进行聚类操作,生成900个聚类中心,每个聚类中心可以用各个特征在这个聚类中心的值表示成一个向量。用不同的符号表示这些不同的聚类中心。
[0021] (23)针对每一个着陆状态向量,为其分配一个最合适的质心,作为这个着陆状态向量的符号化表示。每一个航班的每一个着陆状态向量都转换成质心对应的符号,可以将每一个航班的着陆多元时间序列转换成着陆符号序列。
[0022] 所述步骤(3)具体实现过程如下:
[0023] (31)输入为每个航班的着陆符号序列表示,使用嵌入层,将每个着陆符号映射成一个高维向量。每个着陆状态符号对应的高维向量最开始是随机初始化的,在深度学习网络的训练过程中自动更新。同时引入海拔嵌入,每一个海拔高度范围对应着一个海拔嵌入,同样随着深度学习模型的训练进行更新。将着陆状态符号嵌入和海拔高度嵌入相加,作为深度学习模型的最终输入。
[0024] (32)搭建单向LSTM自回归模型,模型每个时间步使用之前时刻的着陆状态符号预测当前时刻的着陆状态符号。使用大量着陆符号序列预训练LSTM模型。LSTM在训练过程中的计算方式为:
[0025] ft=σ(Wf·[ht-1,xt]+bf)
[0026] it=σ(Wi·[ht-1,xt]+bi)
[0027]
[0028]
[0029] ot=σ(Wo·[ht-1,xt]+b0)
[0030] ht=ot*tanh(Ct)
[0031] 其中,Wf,Wi,WC,Wo,bf,bi,bC,b0为模型中的可训练参数,xt是在t时刻的着陆状态对应的符号表示经过嵌入层生成向量表示,其他符号为LSTM在计算过程中生成的中间变量使用的损失函数为:
[0032]
[0033] 其中,T表示一条航班着陆数据的着陆状态点数量,W,b为模型可训练的参数,xi为i时刻着陆状态对应的符号。
[0034] 所述步骤(4)具体实现过程如下:
[0035] (41)将重着陆预测数据集使用相同的方法处理成着陆符号表示,对训练好的LSTM进行精调。使用的损失函数为:
[0036]
[0037] 其中,N表示总样本量,yi表示第i个样本是否发生重着陆,发生重着陆值为1,不发生重着陆值为0,p为LSTM模型最后输出的预测发生重着陆的概率值;
[0038] (42)精调后的模型可以用于重着陆预测。给定一个航班的着陆前的QAR数据,预处理后输入到精调后的模型中,即可得到预测结果。
[0039] 本发明与现有技术相比的优点在于:本发明针对飞机着陆时可能发生重着陆事故,利用飞行QAR数据,基于深度学习模型进行着陆前重着陆事故发生的预测,和一般的重着陆预测方法相比,能够显著提升重着陆预测的精度。经过实验,使用统计机器学习方法和特征工程相结合的方式,重着陆预测准确率为0.618,而使用本发明提出的方法进行重着陆预测,准确率为0.761,相比其他方法0.618的准确率,本发明预测的准确率效果提升了14%。
附图说明
[0040] 图1为本发明方法实现流程图

具体实施方式

[0041] 下面结合附图及实施对本发明进行详细说明。
[0042] 如图1所示,本发明具体实现如下:
[0043] (1)从QAR中获取航班数据,获取数据量大于5000条,这些样本作为深度自回归飞机着陆模型预训练的样本。对这些样本进行预处理,根据海拔高度参数,选择出海拔高度在250英尺以下,别切不是飞机起飞阶段的数据,对这个区间的数据进行截取并保存。同时,选择原始数据中的飞机状态参数包括俯仰滚转角、地速、加速度、纵向加速度、下降率、空速等。驾驶员操作参数包括滚转操作、俯仰操作、脚踏板操作、脚踏板角度等参数。这样,每个航班的数据被预处理成了包含上述参数和上述区间段内的样本。每一条记录都是由上述参数在该点记录的真实值组成的向量,每个向量被称为着陆状态点。
[0044] (2)利用Kmeans算法,对步骤(1)得到的所有着陆状态点进行聚类,选择聚类数量为900,将所有着陆状态点划分到900个类别中,每个类别都有一个聚类质心,聚类质心是一个向量,向量中的每个值对应着每个(1)中筛选出来的参数。对每个聚类类别的质心进行存储,按照key-value的形式存储成着陆状态类别——质心向量的映射。根据存储的质心,将每个着陆状态点映射成其所属质心对应的符号,映射方法为,计算质心向量和着陆状态点向量之间的欧式距离,选择欧式距离最小的质心,作为这个着陆状态对应的质心,用这个质心的符号代表这个着陆状态点。一个航班样本由多个着陆状态点组成,将一个航班样本的所有着陆状态点都映射成符号,并按照原始顺序重新组合到一起,得到原始航班样本的符号化表示。
[0045] (3)使用大量的(2)中生成的着陆状态序列进行深度学习模型的训练。具体方法为,首先将每一个着陆状态映射为一个向量,这一过程被称为状态嵌入,向量是随着深度自回归飞机着陆模型一起进行训练的。同时,加入海拔高度嵌入,将海拔高度按照10为间隔,划分成多段,每一段用一个特殊的符号进行表示。将每个时刻的海拔高度符号表示映射为一个向量。这一部分的向量也是随着深度自回归飞机着陆模型一起训练的。在每个点的着陆状态向量表示和海拔高度的向量表示后,对两个向量相加,输入到循环神经网络中。在循环神经网络中,对于一个航班着陆样本,输入对应时刻的着陆状态向量和海拔高度向量的加和,利用LSTM模型的公式更新网络,同时输入下一个时刻的着陆状态符号作为目标值,对该目标值进行预测。预测方法为,使用上一个时刻的LSTM的输出向量,后面接一个矩阵映射成900个标量,将这个标量和待预测时刻着陆状态的符号带入到交叉熵损失函数中得到预测损失,再将这个损失进行反向传播更新网络中的参数。
[0046] (4)基于(3)中训练好的深度自回归飞机着陆模型,从QAR数据中利用垂直载荷记录参数,选择垂直载荷大于1.5的样本作为重着陆样本。用这些重着陆样本在飞机着陆模型的基础上进行精调。精调的方法为,将重着陆样本中的一个样本进行和(1)(2)中声明的相同的预处理方式,得到该样本的符号序列,将符号序列输入到预训练的深度自回归飞机着陆模型中,获取该模型在最后一个时刻输出的向量,用一个矩阵将这个向量映射成一个标量,利用这个标量和这个样本是否是重着陆样本的信息带入到交叉熵损失函数中,得到损失后将损失进行反向传播,更新模型的参数。在模型训练好后,可以利用该模型进行重着陆预测。方法为,将某一个航班使用(1)(2)所述的预处理过程进行处理,处理后得到的符号化序列输入到精调后的深度自回归飞机着陆模型中,精调后的自回归飞机着陆模型会直接输入该样本为重着陆样本的概率,如果概率大于0.5,则判断该样本为重着陆样本。
[0047] 使用本发明的方法进行重着陆预测,准确率达到了0.761,使用之前的方法进行重着陆预测,例如使用统计机器学习方法结合特征工程,达到的重着陆预测准确率为0.618,相比本发明提出的0.761的预测准确率提升了14%,本发明提出的方法效果整体提升14%。证明本发明在提升重着陆预测效果上取得了非常显著的成果。
[0048] 本发明未详细描述的部分属于本领域公知技术。
[0049] 以上所述,仅未本发明部分具体实施方案,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈