张鹏, 胡芳语, 段照斌, 刘静静
中国民航大学学报. 2025, 43(01): 60-66+82.
针对真实飞行数据中故障样本匮乏、数据类间失衡且缺少标注问题,本文提出了一种基于多尺度卷积神经网络(MSCNN,multi-scale convolutional neural network)与长短时记忆(LSTM,long short-term memory)网络的水平安定面系统状态监测方法。此方法不依赖于标注数据,利用无监督学习的方式对水平安定面系统进行状态监测。首先,利用MSCNN-LSTM对系统正常运行状态的快速存储记录器(QAR, quick access recorder)数据从空间和时间两个维度进行特征提取,以实现舵面位置预测;其次,计算舵面位置预测值与舵面位置实际值的残差,分析残差分布来确定系统健康状态的阈值;最后,利用某飞机的QAR数据进行验证。实验结果表明,本文所提方法能准确实现水平安定面系统飞行级的异常状态识别,并能在系统发生故障时,提前1个飞行循环进行异常预警。