公开/公告号CN112330114A
专利类型发明专利
公开/公告日2021-02-05
原文格式PDF
申请/专利权人 南京航空航天大学;
申请/专利号CN202011162423.5
申请日2020-10-27
分类号G06Q10/06(20120101);G06Q50/30(20120101);G06N3/04(20060101);G06N3/08(20060101);G06K9/62(20060101);G06F17/18(20060101);
代理机构32249 南京瑞弘专利商标事务所(普通合伙);
代理人陈国强
地址 210016 江苏省南京市秦淮区御道街29号
入库时间 2023-06-19 09:49:27
技术领域
本发明涉及深度神经网络的应用及民航风险管理领域,具体涉及基于多时间窗口卷积双向长短时记忆网络的危险识别模型的建立和民用飞机危险识别的实现。
背景技术
中国民航总局(CAAC)在《航空运营人安全管理体系要求》(AC-121/135-FS-2008-26)中指出,风险管理过程包括危险识别,风险分析,风险评估和风险控制。危险识别是风险管理的基础,必须先通过准确识别飞机的现有或潜在危险,才能进行后续的飞机风险分析和评估。根据风险分析结果,可以制定风险缓解计划以减少安全事故。国际民用航空组织(ICAO)在安全管理体系(SMS)中强调指出,危险的识别应该是积极且具有前瞻性的。国际民航组织还建议,必须积极查明尚未发生的危险。但是,航空组织尚未提供用于危险识别的具体实施方法。本发明提出的方法在提高了危险识别的准确性的同时,实现了主动的危险识别。
深度学习亦称深度机器学习、深度结构学习、分层学习,是一类有效训练深层神经网络的机器学习算法,可用于对数据进行高层抽象建模。深层神经网络能够从大量的复杂数据中学习到合适且有效的特征。这些特征在解决实际问题时常常能够取得极佳的效果,从而使得深度学习受到学术界和工业界的普遍青睐。在航空领域,深度学习算法已经被成熟应用于剩余寿命预测,发动机振动预测,飞机着陆速度预测等方面。关于深度学习应用于实际风险危险识别方面的研究还是鲜有报道。
发明内容
本发明的目的是提供一种基于混合深度神经网络的危险识别方法,利用深度学习良好的特征自学习特性,对民机历史监控数据进行特征提取,在提取的有效特征的基础上,对民机可能存在的危险进行识别,提高民机安全性。
为实现上述目的,本发明采用的技术方案为:
一种基于混合深度神经网络的危险识别方法,包括以下步骤:
步骤1,数据收集与归一化:通过飞机通信寻址与报告系统收集历史报文数据,进行归一化处理,去除数据的单位限制,将其转化为无量纲的纯数值;
步骤2,数据预处理:利用滑动时间窗口法分别对归一化后的数据进行预处理,将预处理后的数据分为训练数据和测试数据,随后,基于混合深度神经网络的集成结构,将训练数据分为训练数据1和训练数据2两个部分,训练数据1用于卷积双向长短时记忆网络基本模型的训练,训练数据2用于全连接神经网络集成模型的训练;测试数据用于最后混合深度神经网络识别效果的测试;
步骤3,混合深度神经网络构建:混合深度神经网络由两个部分组成,第一部分为三个具有不同时间窗口尺寸的卷积双向长短时记忆网络基本模型,第二个部分为全连接神经网络集成模型;
步骤4,混合深度神经网络训练:利用步骤2得到的训练数据1和训练数据2对步骤3构建的混合深度神经网络进行训练;首先,利用训练数据1对三个不同的基本模型进行训练,然后,将训练数据2输入训练完成的基本模型,得到初步危险识别结果,最后,利用初步危险识别结果训练全连接神经网络集成模型;
步骤5,混合深度神经网络测试:利用步骤2得到的测试数据对步骤4训练过的混合深度神经网络进行测试,基于基本模型的输出,利用全连接神经网络完成危险识别功能。
所述步骤1中,数据收集与归一化的步骤为:
步骤11,设收集的报文数据中有i个参数,每个参数包含j个数据,确定每个参数的最大值x
步骤12,通过以下公式计算得到归一化后的参数值:
所述步骤2中,利用滑动时间窗口法分别对归一化后的数据进行预处理的步骤如下:
步骤21,选用的三个不同的时间窗口尺寸为S
步骤22,利用滑动时间窗口法对数据进行预处理,第1至S
步骤23,以时间窗口尺寸为S
步骤24,以时间窗口尺寸为S
步骤25,从步骤22得到的n
步骤26,从步骤23得到的n
步骤27,从步骤24得到的n
步骤28,将步骤25至27中得到的3*T组训练数据2,根据输出危险值的时间点进行合并,得到T组新的训练数据2,训练数据2中每组数据包含三个时间窗口尺寸的输入数据和一个输出数据;
步骤29,将步骤25至27中得到的3*B组测试数据,根据输出危险值的时间点进行合并,得到B组测试数据,测试数据中每组数据包含三个时间窗口尺寸的输入数据和一个输出数据。
所述步骤3中,混合深度神经网络构建的步骤如下:
步骤31,基本模型的构建:混合深度神经网络有三个具有不同时间窗口尺寸的卷积双向长短时记忆网络基本模型,每个基本模型的网络结构相同,由卷积-池化层,双向长短时记忆网络层以及全连接层组成,分别对基本模型的各层进行构建;
步骤32,全连接神经网络集成模型的构建:建立l层全连接层,每层的神经元个数逐层递减,全连接神经网络进行
所述步骤31包括:
步骤311,卷积-池化层的构建:建立l层卷积-池化层,卷积层滤波器数量设置为对应的时间窗口尺寸S
步骤312,双向长短时记忆网络层的构建:双向长短时记忆网络由前向长短时记忆网络和后向长短时记忆网络组成,它们具有相同的输入,但沿相反的方向传输信息;双向长短时记忆网络的神经元个数设置为对应的时间窗口尺寸S
在双向长短时记忆网络的结构中,将相同的输入数据输入到前向长短时记忆网络层和后向长短时记忆网络层,以计算前向长短时记忆网络层的隐藏状态h
步骤313,全连接层的构建:建立l层全连接层,第一层的神经元个数设置为对应的时间窗口尺寸S
所述步骤4中,混合深度神经网络模型训练的步骤如下:
步骤41,参数初始化:利用标准化的Glorot初始化器初始化双向长短时记忆网络层中的权值,标准化的He初始化器初始化其他层的权值;设置批次大小n
步骤42,将训练数据1输入至对应的基本模型进行训练,得到识别结果;
步骤43,计算损失函数
步骤44,更新基本模型参数;
步骤45,重复步骤42至44,直到满足Early stopping条件或达到最大迭代次数,最终得到训练完成的基本模型;
步骤46,将训练数据2输入训练完成的基本模型得到初步识别结果,然后得到的初步识别结果输入至全连接神经网络集成模型进行训练,得到识别结果;
步骤47,计算损失函数,更新集成模型参数;
步骤48,重复步骤46和47,直到满足Early stopping条件或达到最大迭代次数,最终得到训练完成的混合深度神经网络。
所述步骤5中,混合深度神经网络测试的步骤如下:
步骤51,将测试数据中三个不同时间窗口尺寸的输入数据分别输入至对应的基本模型,得到初步识别结果;
步骤52,将初步识别结果输入至全连接神经网络集成模型,得到最终的危险识别结果。
步骤53,将混合深度神经网络得出危险识别结果与真实危险值进行比较,分析识别效果。
有益效果:本发明利用深度学习良好的特征自学习特性,对民机历史监控数据进行特征提取,在提取的有效特征的基础上,对民机可能存在的危险进行识别,提高民机安全性。本发明的方法有效提高了危险识别的准确率,对民用飞机风险管理具有重要的理论和应用价值。
附图说明
图1为本发明的方法流程;
图2为历史报文数据的格式;
图3为危险识别结果
图4为ROC分析结果。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,本发明的一种基于混合深度神经网络的飞机危险识别方法,包括以下步骤:
步骤1,数据收集与归一化:首先,通过飞机通信寻址与报告系统收集历史报文数据,报文的格式如图2所示,其中共涉及20个有效参数。然后,手动删除在飞机运行过程中保持为常量的参数和表示控制信号的参数,删除相关参数后共剩余11个参数。最后,通过归一化处理,去除数据的单位限制,将其转化为无量纲的纯数值。
其中,归一化处理的步骤为:
(1.1)设收集的报文数据中有i个参数,每个参数包含j个数据,确定每个参数的最大值x
(1.2)计算得到归一化后的参数值
步骤2,数据预处理:利用滑动时间窗口法分别对归一化后的数据进行进一步预处理;经过归一化后的数据被分为训练数据和测试数据;随后,基于所提出的混合深度神经网络的集成结构,训练数据被分为训练数据1和训练数据2两个部分;训练数据1用于卷积双向长短时记忆网络基本模型的训练;训练数据2用于全连接神经网络集成模型的训练;测试数据用于最后混合深度神经网络识别效果的测试。具体步骤如下:
(2.1)选用的三个不同的时间窗口尺寸为S
(2.2)利用滑动时间窗口法对数据进行进一步处理,第1至10个时间点的数据作为第一组输入数据,第11个时间点的危险值作为第一组数据对应的输出值;向后滑动一个时间点,第2至11个时间点的数据作为第二组输入数据,第12个时间点的危险值作为第二组数据对应的输出值,以此类推最终得到n
(2.3)以时间窗口尺寸为20,重复步骤(2.2),得到n
(2.4)以时间窗口尺寸为30,重复步骤(2.2),得到n
(2.5)从步骤(2.2)得到的n
(2.6)从步骤(2.3)得到的n
(2.7)从步骤(2.4)得到的n
(2.8)将步骤(2.5)至(2.7)中得到的3*T组训练数据2,根据输出危险值的时间点进行合并,得到T组新的训练数据2。训练数据2中每组数据包含三个时间窗口尺寸的输入数据和一个输出数据;
(2.9)将步骤(2.5)至(2.7)中得到的3*B组测试数据,根据输出危险值的时间点进行合并,得到B组测试数据。测试数据中每组数据包含三个时间窗口尺寸的输入数据和一个输出数据。
步骤3,混合深度神经网络构建:混合深度神经网络由两个部分组成,第一部分为三个具有不同时间窗口尺寸的卷积双向长短时记忆网络基本模型,每个基本模型的网络结构相同,分为卷积-池化层,双向长短时记忆网络层以及全连接层;第二个部分为全连接神经网络集成模型,由多层全连接层组成。具体步骤如下:
(3.1)基本模型的构建:混合深度神经网络有3个时间窗口尺寸不同的基本模型,每个基本模型由卷积-池化层,双向长短时记忆网络层以及全连接层组成。需要分别对基本模型的各层进行构建;
(3.1.1)卷积层的构建,建立l=1层卷积-池化层,卷积层滤波器数量设置为对应的时间窗口尺寸S
(3.1.2)双向长短时记忆网络层的构建,双向长短时记忆网络由前向长短时记忆网络和后向长短时记忆网络组成,它们具有相同的输入,但沿相反的方向传输信息。双向长短时记忆网络的神经元个数设置为对应的时间窗口尺寸S
在双向长短时记忆网络的结构中,将相同的输入数据输入到前向长短时记忆网络层和后向长短时记忆网络层,以计算前向长短时记忆网络层的隐藏状态h
(3.1.3)全连接层的构建,建立l=2层全连接层,第一层的神经元个数设置为对应的时间窗口尺寸S
(3.2)全连接神经网络集成模型的构建,建立l=3层全连接层,每层的神经元个数逐层递减分别为100,50和20。全连接神经网络进行
步骤4,混合深度神经网络训练:利用第二步骤得到的训练数据1和训练数据2对混合深度神经网络进行训练。首先,利用训练数据1对三个不同的基本模型进行训练;然后,将训练数据2输入训练完成的基本模型,得到初步危险识别结果;最后,利用初步危险识别结果训练全连接神经网络集成模型。具体步骤如下:
(4.1)参数初始化,利用标准化的Glorot初始化器初始化BiLSTM层中的权值,标准化的He初始化器初始化其他层的权值。设置批次大小n
(4.2)将训练数据1输入至对应的基本模型进行训练,得到识别结果;
(4.3)计算损失函数
(4.4)更新基本模型参数;
(4.5)重复步骤(4.2)至(4.4),直到满足Early stopping条件或达到最大迭代次数,最终得到训练完成的基本模型;
(4.6)将训练数据2输入训练完成的基本模型得到初步识别结果。然后得到的初步识别结果输入至全连接神经网络集成模型进行训练,得到识别结果;
(4.7)计算损失函数,更新集成模型参数;
(4.8)重复步骤(4.6)和(4.7),直到满足Early stopping条件或达到最大迭代次数,最终得到训练完成的混合深度神经网络。
步骤5,混合深度神经网络测试;利用步骤2得到的测试数据对步骤4训练过的混合深度神经网络进行测试,基于基本模型的输出,利用全连接神经网络完成危险识别功能。具体步骤如下:
(5.1)将测试数据中三个不同时间窗口尺寸的输入数据分别输入至对应的基本模型,得到初步识别结果。
(5.2)将初步识别结果输入至全连接神经网络集成模型,得到最终的危险识别结果,识别结果如图3所示。
(5.3)将混合深度神经网络得出危险识别结果与真实危险值进行比较,采用ROC曲线分析识别效果。ROC分析结果如图4所示。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
机译: 基于深度神经网络的语音识别方法及系统
机译: 基于深度故障容差和波动稳健性的深度神经网络的多补丁组合识别方法
机译: 极限情况下具有容错和波动鲁棒性的基于深度神经网络的多补丁组合人脸识别方法