飞行器突发故障应急决策系统的关键技术研究

飞行器的突发故障是导致航班延误和飞行安全事故的重要原因之一。而突发故障往往在事件发生之前或发生时，在其快速存储记录器（QAR）所记录的数据中，又有蛛丝马迹的征兆出现，这些征兆由于QAR数据的复杂多样和海量，不易被发现。因此应急决策的关键技术是如何从QAR数据中得出各种运行问题的结论。本项目重点研究QAR数据自动处理过程中存储量大、数据间关联度高、多变量故障模型难以建立和匹配等问题。通过建立以飞行阶段、安全等为主题的数据仓库，优化数据的组织形式；考虑飞行数据监测变量之间的关联性、时序数据变换、相似性搜索、异常监测、预警等，有针对性的研究时序数据的表示和挖掘算法、离群数据挖掘算法、异常数据自动检测算法、超限数据的自动发现方法等；并利用可视化技术构建多维信息分析技术的故障应急决策支持系统，从而发现隐含的模式和潜在关联，从技术上做到对飞机状态的监控，及时发现趋势性问题和隐患。分析查找原因消除隐患。

飞机突发故障应急决策系统研究的主要难点是：QAR数据利用率低、查找故障准确性不高、缺乏有效的趋势分析。尽管飞机监控已经获得了海量的飞行数据，但是对数据的有效分析和利用却是制约决策的瓶颈。本研究主要内容是：数据仓库的建立、故障模型的相似性搜索、关键的数据挖掘算法等。在科学基金的支持下，项目组主要对QAR正常和故障数据进行了采集、预处理和分析，研究其挖掘算法并应用于维修领域。研究成果部分的解决了突发故障自动检测、多维子序列相似性搜索、数据仓库的建立和关联规则的生成等QAR数据应用问题。其应用前景很广泛，但还需要领域专家的支持才能深入研究，在这方面有AMECO和国航专家对我们的支持，取得了一些成果。.主要成果：1、对飞行数据的存储结构优化设计与快速检索、时序数据的表示方法进行了深入的研究，为高维、复杂的QAR数据创建具有特色的PAA表示方法，结合FP-Tree降低QAR数据的复杂度并压缩其数据量，将需要存储的有效数据压缩为剪枝后的频繁前缀树，为数据有效存储节省大量空间。创建数据仓库以飞行阶段的飞行安全、飞行航迹和节油等为主题设计了数据仓库的存储模式，提出以时间、机型为最小粒度原则的方法划分粒度层次，建立数据表之间的逻辑关系。使用朴素贝叶斯算法对从不同方面对故障进行切片分析，初步实现了对故障的可视化OLAP分析。.2、在故障数据模式的建立、相似度度量方法、时序数据挖掘技术方面进行了研究，结合飞机维护特点，提出了基于自适应神经网络的飞机突发故障诊断模型、将改进后的T-S模型的权重值代表语言变量的贡献度，定位故障并判定故障严重程度。为了有效地利用专家知识，提出了k-d树建立索引的多维子序列相似性搜索算法，有效地利用k-d数的特殊性质，使QAR数据的多维子序列快速相似性搜索成为可能。在发动机故障诊断研究中采用模糊灰关联故障检测算法，实现了对故障模式的分类。.3、在构建联机多维信息分析的应急决策支持系统平台上，开发决策辅助分析模块：提出了粗糙集与多属性决策相结合的研究方法、解决了因高维数据中的属性相互关联而导致决策难的问题；提出了基于自动模糊划分和改进Apriori算法的QAR关联规则生成方法，通过简化连接与剪枝过程提高决策能力。通过对聚类与拟合算法的研究，改进了QAR数据中离群点的检测方法。.本项目实施过程中，在国内外期刊和会议上发表(含已录用)论文17篇。培养研究生7。