基于深度学习的智能飞行数据记录器框架在航空安全监控中的研究
《Future Transportation》:Learning-Capable Aviation Safety Systems for Real-Time Anomaly Detection
【字体:
大
中
小
】
时间:2026年10月22日
来源:Future Transportation 2.5
摘要
飞行数据记录器(FDR)持续捕获飞行运行数据,但其信息主要用于事故后的回顾性调查。本研究的目标是提出并评估一种具备学习能力的航空安全监控框架,该框架从成功飞行中学习正常着陆轨迹行为,并在飞行过程中识别出对该学习行为的持续偏离。所提出的智能飞行数据记录器(I-FDR)框架利用历史飞行数据预测未来轨迹演变,并将预测行为与已学习的成功着陆边界进行比较。本研究将“等待期”定义为轨迹异常识别与随后违反预设安全约束(如最低下降高度)之间的间隔。该框架使用四种定制的深度学习架构,基于来自两起独立的历史上有控飞行撞地事故的真实ADS-B轨迹数据进行了评估。结果表明,该框架能够在安全约束被违反之前识别出与正常行为的偏离,同时预测性能会随预测时间和模型配置而变化。这些发现强调了在线航空安全监控中,除了预测性能和计算性能之外,还需评估异常识别后可用的时间边距的重要性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号