摘要
目前航空业正经历着从人工检测风险到大数据分析异常的重要阶段，正确高效的检测异常事件，从中发现影响超限事件的因素，对保障航空安全和提升用户体验有双重价值。但目前航空业应用的超限检测方法需要应对机型多样性、环境多样性和气候多样性的挑战，难以根据每种情况调整阈值来检测异常。因此，准确的检测出异常事件，分析异常事件发生的原因，提出相对应的解决方案对提升航空安全有重要的意义。本文通过介绍航空数据中常见的异常瞬时异常和飞行级异常，分别提出了两种算法来高效的检测异常，最终实现了风险检测与风险解释的统一。具体研究内容如下： （1）通过研究国内外航空数据分析的动态，介绍了快速存储记录器（Quick Access Recorder，QAR）的历史演变和数据格式，提出了航空数据与异常参数库结合匹配来分析异常的整体思路。 （2）针对航空瞬时异常的特点，提出了一种运行历史数据训练的长短期记忆网络（Long Short-Term Memory，LSTM）和动态阈值检测的方案，先使用LSTM拟合原始数据，再利用动态阈值对比预测数据和原始数据之间的差值，以大于置信区间的点视为异常。该模型不仅可以有效的检测异常事件，还可以可视化出预测值与真实值的差值，能够提供更加直观的理解。 （3）针对航空飞行级异常，本文以进近着陆阶段最常发生的长着陆事件为研究对象，首先通过四分位法构建着陆异常数据集，再依次使用斯皮尔曼等级相关系数（Spearman''s rank correlation coefficient，SRCC）删除冗余参数和交叉递归梯度提升树（Gradient Boosting Decision Tree-Recursive Feature Elimination-Cross-validation，GBDT-REF-CV）提升提取关键特征的混合特征提取算法，然后利用条件生成对抗性网络（Condition Generative Adversarial Network，CGAN）生成新的异常数据从数据层面调节数据的不平衡问题，接着使用改进的极限梯度提升树（Extreme Gradient Boosting Tree，XGBoost）算法提升模型的异常检测性能，实验结果表明提出的模型能够有效地在测试数据集出检测长着陆事件。 （4）经过模型检测出长着陆事件之后，使用机器学习可解释性框架夏普利可加性解释（SHapley Additive exPlanations，SHAP），分析影响长着陆事件发生的因素。分析模型显示：高度是最影响着陆安全的特征，且高度在200英尺下是着陆安全的关键时期；在100英尺下下滑道角度小于3度容易发生长着陆事件，这与飞机的动力学方程相吻合。
NETL