[发明专利]一种针对飞行异常的飞行特征提取方法

说明书

本发明涉及一种针对飞行异常的飞行特征提取方法。通过构建时序‑特征注意力机制，对发生异常的时间序列和发生异常的飞行参特征参数进行增强，能够在提取飞行特征时，增加飞行异常对象与正常对象之间的距离，进而更好地分离出飞行异常对象，为进一步挖掘飞行对象和异常对象的分布特征，开展飞行异常分析、飞行风险等研究奠定良好的特征信息基础。

技术领域

本发明属于大数据、人工智能和民航安全相关技术领域，特别是涉及一种针对飞行异常的飞行特征提取方法。

背景技术

民航安全管理已从之前的事后调查与分析转向事前预警，旨在通过一定技术方法与手段，在事故发生前通过主动识别当前未跟踪的重大运营安全事件，将安全事件在发生前进行有效的规避和预防，从而使每年的事故率保持在历史的最低水平。其中，探测和识别安全漏洞或安全隐患是该过程中的一个关键的步骤，进而修改安全要求解决新识别的安全漏洞或安全隐患，缓解飞行风险。飞行异常探测方法可以在关键步骤上提供有效的帮助，飞行特征的提取是飞行异常探测的前提基础。

近些年，在机器学习领域中，深度神经网络大量涌现，并在各应用领域中取得了前所未有的成果。作为机器学习的一部分，深度学习以神经网络中层的形式，通过学习将数据表示为一个嵌套层的概念模型，取得了良好的性能，并具有很强的灵活性。此外，随着数据规模的增加，深度学习要比传统的机器学习方法表现更为优异。因此，基于深度学习的特征提取方法被越来越广泛地应用于各领域中，主要是利用以自编码网络模型结构为主的深度神经网络作为特征提取器，进行特征的提取。

QAR (Quick Access Recorder) 快速记录仪是安装在飞行器上，用于快速记录飞行过程中各种飞行参数的系统，其记录了包括飞行姿态、飞行动力学、外部气象环境、飞行操作等2000多个飞行特征参数，各飞行特征参数记录频率为1秒一次，有些参数甚至高达一秒8次，形成了海量的、信息全面的飞行大数据，为数据驱动下的模型研究方法提供了数据基础和保障。利用QAR数据进行民航飞行的监控，成为保障飞行安全和提高飞行效率的一个科学的方法途径，并被越来越多的应用到飞行安全相关的研究中。

根据之前的研究发现，飞行过程中发生异常或偏离的情况主要集中在某一个或多个飞行特征参数上且发生异常的程度也不同，而其他飞行特征参数则处在常规的飞行范围内。此外，发生异常或偏离的飞行特征参数，其异常的发生主要是在飞行过程中的某一时刻或某一段时间范围内。因此，在进行飞行特征的提取时，应给与发生异常的飞行特征参数和发生异常的时刻更多地关注。基于该思想和深度学习方法理论，本发明中提出一种时序-特征注意力机制，并基于此构建基于时序-特征注意力机制的飞行特征提取模型，用于针对飞行异常的飞行特征提取。

发明内容

本发明针对现有技术的不足，提供一种针对飞行异常的飞行特征提取方法，能够在提取飞行特征时，增加飞行异常对象与正常对象之间的距离，更好地分离出飞行异常对象。

为了达到上述目的，本发明提供的技术方案是一种针对飞行异常的飞行特征提取方法，包括以下步骤：

步骤1，对快速存储记录器QAR数据进行预处理；

步骤1.1，选取飞行特征参数；

步骤1.2，选取研究的飞行时段；

步骤1.3，数据的提取与标准化处理；

步骤2，构建时序-特征注意力机制模块，对发生异常的时刻和发生异常的飞行特征参数进行强化和突出；

步骤2.1，将飞行时序数据通过时序注意力机制模块，得到时序注意力；

步骤2.2，将时序注意力与飞行时序数据进行哈达玛积运算，得到时序改进的时序数据；

步骤2.3，将时序改进后的时序数据通过特征注意力机制模块，得到特征注意力；