基于图神经网络的航空数据异常检测

飞行品质监控(FOQA)数据记录了飞行状态的详细参数,对于评估飞行操作的质量和安全性至关重要。传统的“超限检测”算法通过与预先建立的阈值进行比较来识别异常行为。相比之下,深度学习方法能够更全面、灵活地分析FOQA数据,提高异常行为的检测精度。文章提出的TAGDNet是用于FOQA数据多类别异常检测的创新框架,包括时序卷积网络、图神经网络和分层图池化等关键组件。该框架首先通过时序卷积网络提取时序特征,然后通过引入图神经网络进行节点间信息传播,最后通过分层图池化获得异常检测结果。通过在公开可用的FOQA数据多类别异常检测数据集上进行大量实验证明,该方法相较于其他先进的方法表现更为优越。

基于偏态分布的飞行品质风险度量方法

为防控飞行风险,利用安全风险矩阵的构建思想和概率论知识,研究飞行品质风险的量化分析方法。通过对满足偏态性的数据进行正态性转换,由正态分布的概率密度函数得到事件发生的概率和事件严重度;基于"风险为概率与严重度乘积"的思想,提出飞行品质风险度量方法;从轻、中、重、综合等4个不同角度度量飞行品质风险,并运用快速存取记录(QAR)数据对方法进行分析论证。研究表明:该方法可整合事件发生的概率和事件的严重度,能够度量4类飞行品质风险,所得结果可用于指导风险的差异化管理。