数据分析74033.doc

合作项目报告民航总局航空安全技术中心南京航空航天大学民航学院 1 6. 数据分析、数据处理、预测随着机载飞行数据系统记录介质容量的增加, 系统所记录的参数种类、容量也急速膨胀。译码人员不仅需要将记录数据准确的转换为工程数据, 更希望能通过合适的数据分析技术得到隐藏在数据背后的关系、规则和发展趋势,从而实现对飞行数据更高层次的应用。 1) 数据挖掘技术数据挖掘正是一个不断把用户使用经验与数据相结合的过程。通过数据挖掘, 可以使决策者对于所以研究的主题、面临的问题, 做出更加明智的决策。数据挖掘的目的在于: 使用所发现的模式帮助解释当前的行为或预测未来的结果。从使用层次来看,数据挖掘技术分为基本型和高级型两种: ?基本型包括决策树、关联规则、 K -平均值算法等技术; ?高级型包括神经网络、统计技术、自定义算法等专业技术。从技术实现角度来看,数据挖掘包括以下类型: ?与数据库系统所整合的数据挖掘组件,一般由数据库公司发布; ?由用户方利用高级语言自行开发的数据挖掘软件。数据分析模块小组采用了模糊神经网络技术、灰色系统理论等高级分析预测原理, 对飞行数据译码所得结果进行拟合、预测。 2) 飞机部件的数据分析 QAR 盘完整地记录了飞行过程中飞机部件运行状况, 这就为这些部件状态分析、趋势分析提供了很好的数据基础。利用数据挖掘中的高级技术, 对指定部件的译码工程数据进行数据处理, 可以获取该部件参数的变化趋势。从而为航空公司机务维修等部门提供更高层次的 QAR 数据应用。 BP( Backpropagation NN )网络具有很强的学习能力,基于 BP 网络的数据处理过程更接近人类思维活动。在工程中,被应用于模式识别、状态监控和预测等领域。 BP 算法有正向传播和反向传播两个过程。通过正向传播得到单元激活值和实际输出值; 通过实际值与标准值计算误差值,进行反向传播迭代计算来修正权值。图 6-1 为一个具有三层神经元结构的 BP 网络:图6-1 输入层 x隐层 a输出层 y 合作项目报告民航总局航空安全技术中心南京航空航天大学民航学院 2 在利用神经网络进行飞机状态分析的过程中,输入层为飞机部件已知参数的数据样本, 输出层为样本值经过隐层计算的输出单元, 标准值是根据以往维修经验设置的部件状态参数值。通过输出单元值与标准值的误差来反向修正权值矩阵, 最终使权值矩阵能够拟合部件样本与状态之间的函数,实现状态分析和预测。 3) 节油工作中的飞行数据分析目前国内居高不下的燃油成本主要有三个因素。一是燃油成本高; 二是航空公司各部门的运作不符合航班高效运行标准; 三是未能充分发挥计算飞行计划等先进技术的优势, 没有合理利用 QAR 系统的数据。航空公司实际应用表明, 燃油的预计加载量与实际油耗量误差较大。针对燃油误差数据样本特性, 将灰色系统理论应用于误差预测研究。对未来航班的燃油误差量进行预测,实现飞行计划的合理修正。飞机发动机系统、燃油系统的复杂性, 航迹、航路风、大气温度等运行环境因素的不可预见性误差, 使得燃油误差成为一个包含复杂信息的灰色系统。采用灰色系统理论进行建模, 用灰色模型( GM) 来预测飞机燃油误差数据的短期趋势。避免了对发动机等复杂油耗系统进行物理建模所需的大量工作,以及高额研发成本。 QAR 系统燃油误差数据序列的提取流程如图 6-2: 6