發(fā)布時(shí)間：2018-01-16 21:30

  本文關(guān)鍵詞：基于聚類HMM模型的QAR數(shù)據(jù)趨勢(shì)分析　出處：《中國民航大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： QAR數(shù)據(jù) 聚類 HMM模型 空中顛簸 狀態(tài)趨勢(shì)

【摘要】：在航空飛行中,飛行安全始終是一個(gè)至關(guān)重要的問題。目前國內(nèi)各大航空公司使用快速存取記錄器(Quick Access Recorder,QAR)作為機(jī)載飛行數(shù)據(jù)記錄設(shè)備來獲取飛機(jī)日常運(yùn)營的飛行數(shù)據(jù)。所記錄的參數(shù)包括飛機(jī)的飛行參數(shù)、飛機(jī)發(fā)動(dòng)機(jī)及主要部件的性能參數(shù)、機(jī)艙內(nèi)外的環(huán)境參數(shù)。QAR監(jiān)控作為一項(xiàng)科學(xué)而有效的技術(shù)手段,有利于保障飛行安全,提高運(yùn)營效率,所得的監(jiān)控結(jié)果為飛行技術(shù)檢查、安全評(píng)估、安全事件調(diào)查和機(jī)務(wù)維修提供重要依據(jù)。為了更好地利用QAR數(shù)據(jù)為飛機(jī)的故障檢測和預(yù)警決策提供有效地支持,面對(duì)大量的QAR數(shù)據(jù),運(yùn)用數(shù)據(jù)挖掘的方法對(duì)QAR數(shù)據(jù)進(jìn)行分析,得到QAR數(shù)據(jù)運(yùn)行趨勢(shì),通過趨勢(shì)分析建立QAR數(shù)據(jù)的狀態(tài)模型,從而識(shí)別機(jī)載設(shè)備所處狀態(tài)進(jìn)行故障診斷和預(yù)測,為安全飛行提供決策支持和保障。本文針對(duì)傳統(tǒng)的QAR數(shù)據(jù)分析方法只關(guān)注異常點(diǎn)而忽略了QAR的狀態(tài)趨勢(shì)特征,提出了一種聚類隱馬爾可夫模型(Hidden Markov Model,HMM),并將其應(yīng)用在QAR數(shù)據(jù)上,通過對(duì)QAR數(shù)據(jù)中空中顛簸數(shù)據(jù)進(jìn)行趨勢(shì)分析并建立隱馬爾可夫模型,有效預(yù)測了空中顛簸故障的程度,驗(yàn)證了該方法的有效性。本文的研究主要完成了以下幾個(gè)方面的工作:1、研究了基于聚類的HMM模型并以空中顛簸故障為例,進(jìn)行了QAR數(shù)據(jù)的狀態(tài)趨勢(shì)分析。針對(duì)HMM模型在QAR數(shù)據(jù)中的應(yīng)用進(jìn)行研究,鑒于飛機(jī)飛行過程中如果發(fā)生故障,則會(huì)表現(xiàn)為QAR數(shù)據(jù)的異常,會(huì)經(jīng)歷不同的狀態(tài),可建立HMM模型來描述飛機(jī)發(fā)生故障過程中的狀態(tài)變化。2、針對(duì)QAR是時(shí)間序列這一特性,研究時(shí)間序列的挖掘方法,并著重研究了時(shí)間序列的分段表示方法,分析了多種線性分段表示方法應(yīng)用在QAR數(shù)據(jù)的使用情況。另外,針對(duì)傳統(tǒng)的用線段均值描述分段的不足,提出一種新的斜率和端點(diǎn)差的絕對(duì)值的描述方法,更有利于QAR數(shù)據(jù)聚類。3、研究QAR數(shù)據(jù)的聚類算法,分析并針對(duì)一種基于廣度優(yōu)先鄰居搜索聚類算法在QAR數(shù)據(jù)上的局限性,對(duì)其進(jìn)行改進(jìn),主要的改進(jìn)方法即對(duì)數(shù)據(jù)進(jìn)行分區(qū),并對(duì)每個(gè)區(qū)內(nèi)的數(shù)據(jù)進(jìn)行線性分段表示,進(jìn)行分區(qū)聚類,得到各分區(qū)聚類的結(jié)果,再進(jìn)行聚類,即二次廣度優(yōu)先鄰居搜索聚類。
[Abstract]:In aviation flight, flight safety is always a crucial issue. At present, domestic airlines use Quick Access Recorder. QARs are used as airborne flight data recording equipment to obtain flight data of aircraft daily operation. The recorded parameters include the flight parameters of the aircraft, the performance parameters of the aircraft engine and the main components. As a scientific and effective technical means, the environmental parameter. QAR monitoring inside and outside the engine room is helpful to ensure flight safety and improve operation efficiency. The result of monitoring is flight technical inspection and safety evaluation. Safety incident investigation and aircraft maintenance provide important basis. In order to better use QAR data to provide effective support for aircraft fault detection and early warning decision, a large number of QAR data are faced. Using the method of data mining to analyze the QAR data, the running trend of QAR data is obtained, and the state model of QAR data is established through the trend analysis. In order to identify the status of airborne equipment for fault diagnosis and prediction. In order to provide decision support and guarantee for safe flight, this paper focuses on the outliers of traditional QAR data analysis methods and neglects the state trend characteristics of QAR. A Hidden Markov Model (HMMM) is proposed and applied to QAR data. By analyzing the trend of air turbulence data in QAR data and establishing hidden Markov model, the degree of air turbulence fault is predicted effectively. The effectiveness of the proposed method is verified. In this paper, the following work has been done: 1, and the HMM model based on clustering has been studied. The state trend analysis of QAR data is carried out, and the application of HMM model in QAR data is studied. In view of the failure of aircraft during flight, it will appear as the exception of QAR data. The HMM model can be established to describe the state change in the process of aircraft failure. According to the characteristic that QAR is a time series, the mining method of time series is studied. In addition, the paper studies the segmented representation of time series, and analyzes the use of many linear piecewise representation methods in QAR data. In addition, aiming at the shortcomings of the traditional line segment mean method to describe segmentation. A new method of describing the absolute value of slope and endpoint difference is proposed, which is more favorable to clustering of QAR data. 3. The clustering algorithm of QAR data is studied. Aiming at the limitation of a breadth-first neighbor search clustering algorithm in QAR data, the paper improves it. The main improvement method is to partition the data. The data in each region are represented by linear segmentation, and the results of the clustering are obtained. Then the clustering is carried out, that is, the secondary breadth-first neighbor search clustering.
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：V241;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 雙哲;孫蕾;;基于改進(jìn)的隱馬爾可夫模型在網(wǎng)頁信息抽取中的研究與應(yīng)用[J];計(jì)算機(jī)應(yīng)用與軟件;2017年02期

2 曹惠玲;李曉波;;基于QAR綜合指數(shù)與效率結(jié)合壓氣機(jī)性能評(píng)估[J];中國民航大學(xué)學(xué)報(bào);2016年06期

3 楊慧;王光霞;;基于重要點(diǎn)的飛機(jī)發(fā)動(dòng)機(jī)數(shù)據(jù)異常子序列檢測[J];計(jì)算機(jī)工程與設(shè)計(jì);2016年09期

4 吳鑫;嚴(yán)岳松;劉曉然;;基于改進(jìn)HMM的程序行為異常檢測方法[J];信息網(wǎng)絡(luò)安全;2016年09期

5 王于;;影響飛機(jī)飛行安全的氣象要素分析[J];科技展望;2016年22期

6 高揚(yáng);王向章;;基于SPA-Markov的飛行安全態(tài)勢(shì)評(píng)估與預(yù)測研究[J];中國安全生產(chǎn)科學(xué)技術(shù);2016年08期

7 于天劍;陳特放;陳雅婷;成庶;;HMM在電機(jī)軸承上的故障診斷[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2016年02期

8 吳延占;;基于HMM與遺傳神經(jīng)網(wǎng)絡(luò)的改進(jìn)語音識(shí)別系統(tǒng)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2016年01期

9 柳姣姣;禹素萍;吳波;姜華;何風(fēng)行;李鳳榮;;基于隱馬爾科夫模型的時(shí)空序列預(yù)測方法[J];微型機(jī)與應(yīng)用;2016年01期

10 陳靜杰;李呂琪;;基于K-means算法的飛機(jī)下降過程油耗分類[J];測控技術(shù);2015年11期

相關(guān)重要報(bào)紙文章 前2條

1 陳嘉佳;段融;;機(jī)務(wù)維修：QAR數(shù)據(jù)利用新領(lǐng)域[N];中國民航報(bào);2014年

2 劉炳南;;掘金“機(jī)載大數(shù)據(jù)”航企的機(jī)遇與挑戰(zhàn)[N];中國民航報(bào);2014年

相關(guān)博士學(xué)位論文 前1條

1 周大鐲;多變量時(shí)間序列的聚類、相似查詢與異常檢測[D];天津大學(xué);2009年

相關(guān)碩士學(xué)位論文 前7條

1 劉杰;時(shí)間序列相似性查詢的研究與應(yīng)用[D];北方工業(yè)大學(xué);2016年

2 吳云龍;基于HMM的Netflow異常流量檢測方法的研究[D];江蘇大學(xué);2016年

3 蔣玉博;基于HMM和ANN混合模型的語音識(shí)別技術(shù)的研究[D];電子科技大學(xué);2016年

4 崔天宇;基于HMM的語音識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D];吉林大學(xué);2016年

5 董鑫;時(shí)序數(shù)據(jù)序列模式挖掘[D];南京航空航天大學(xué);2015年

6 王文歡;基于隱馬爾科夫模型的齒輪故障診斷[D];南昌航空大學(xué);2014年

7 房建方;時(shí)間序列分段線性表示及定性趨勢(shì)分析方法的研究[D];蘭州理工大學(xué);2013年

，

本文編號(hào)：1434911