KISNet:基于知识增强的独立子网络,用于飞行数据的稳健预测

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:KISNet: Knowledge-Enhanced Independent Subnetworks for Robust Prediction of Flight Data

【字体: 大 中 小 】 时间:2026年07月12日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

  周苏|王本宽|康书婷|刘大桐 摘要:在复杂多变的飞行环境中,为确保飞机运行的可靠性并降低安全风险,基于状态维护的要求,强大的预测能力至关重要。然而,在动态阶段转换中保持模型的泛化能力以及高效量化不确定性仍是重大挑战。为弥补这一缺陷,本文提出了一种基于知识增强的独立子网络模型——

  周苏|王本宽|康书婷|刘大桐

摘要:在复杂多变的飞行环境中,为确保飞机运行的可靠性并降低安全风险,基于状态维护的要求,强大的预测能力至关重要。然而,在动态阶段转换中保持模型的泛化能力以及高效量化不确定性仍是重大挑战。为弥补这一缺陷,本文提出了一种基于知识增强的独立子网络模型——KISNet,用于实现强大的飞行数据预测。该模型基于多输入多输出独立子网络架构,能够在单次前向传播中高效生成带有不确定性估计的预测结果,并从两个方面整合航空领域知识。在数据表示方面,本文提出了一种具有方向性增强功能的可变尺度飞行阶段划分方法,将飞行动态特性有效地纳入输入特征中,从而有效解决跨阶段数据分布差异和训练样本不平衡问题。在模型优化方面,本文构建了一种具备风险意识的优化机制,通过将阶段依赖的动态特性和风险敏感性纳入学习目标,引导模型朝着物理上一致且稳健的更新方向发展。基于固定翼无人机实际飞行数据的大量实验表明,KISNet在降低预测误差的同时,还能提供可靠的不确定性范围和可解释性,展现出在高风险航空场景中的卓越稳健性与高效性。尽管目前该模型已在无人机上得到验证,但它为更广泛的应用提供了有希望的基准。

引言:基于状态维护是确保飞机可靠性并降低维护成本的关键途径[1]。尤其是预测技术作为实施基于状态维护的强大工具之一,它通过从飞行数据中学习系统运行的模式或规则,来确定飞机与其预期运行状态之间的偏差程度。准确的预测能够及时提供系统健康状况的信息,从而为维护或维修决策提供支持,降低安全风险[[2], [3], [4]]。目前,飞行数据预测方法主要可分为基于统计的方法、传统机器学习方法以及深度学习方法[5,6]。由于依赖线性假设,统计方法难以捕捉非线性特征[7];而机器学习方法在处理高维时间序列中的长期时间依赖性方面存在局限[[8], [9], [10], [11]]。随着飞行数据的积累,基于深度学习的方法逐渐成为主流,其在揭示飞行参数之间的非线性耦合关系以及捕捉长期依赖性方面展现出强大能力[[12], [13], [14], [15], [16], [17], [18], [19]]。然而,传统的深度学习模型通常依赖于建立从输入数据到端到端预测的直接映射,往往缺乏领域知识的约束与指导,因此这些模型通常具有较弱的泛化能力。在高风险航空场景中,这种局限性可能导致过度自信但错误的预测,进而带来潜在的安全风险[20]。由于缺乏量化这些输出可靠性的机制,决策者无法评估模型判断所带来的风险[21,22]。这些局限性凸显出需要一种能够在复杂、多变且不确定的环境中保持可靠预测性能的方法。强大的预测正是一种合适的候选方案。与传统方法仅注重点精度不同,强大的预测旨在即使在存在噪声、分布偏移或异常干扰的情况下,也能保持稳定性并具备抗干扰能力[23]。通过明确估算预测结果中的不确定性,强大的预测能有效提升整体的可靠性与安全性。目前,强大的预测方法已在气象学[24]、交通运输领域[25]以及医疗保健领域[26]等多个领域得到发展。对于在复杂多变环境中运行的飞机而言,对飞行数据进行强大的预测是一项具有重大实用价值的研究方向,它能为高风险航空决策提供更为稳定、可靠且可解释的智能支持。值得注意的是,飞行数据的强大预测仍面临诸多挑战:(1)现有的深度学习模型在噪声干扰、运行波动以及分布偏移等不确定条件下容易性能下降。而现实世界的基于状态维护系统要求在所有飞行阶段都能保持稳定的预测性能,尤其是在这些分布变化最为严重的关键过渡区域。(2)飞行数据的动态特性和阶段性特征未能充分融入预测过程,导致模型难以适应动态的飞行阶段转换。航空安全指南强调,维护决策应当具有物理一致性且可解释[27,28],然而缺乏领域知识约束的模型可能会产生与飞行动力学相矛盾的预测结果,从而削弱基于状态维护所要求的决策可靠性。(3)传统的贝叶斯模型或集成模型虽然具备不确定性估算能力,但会带来较大的计算开销。航空领域的基于状态维护应用通常要求较高的预测区间覆盖度,且推理延迟需控制在毫秒级,以便为实时机载决策提供支持[29]。因此,如何在不确定环境中构建一种既能实现高预测精度,又能保持稳定性与物理可解释性的模型,已成为亟待解决的核心问题。鉴于上述问题,本文提出了一种新的基于知识增强的独立子网络模型——KISNet,用于实现飞行数据的强大预测。在网络架构方面,由于独立子网络框架在稳健性和计算效率方面的优势,被选为解决方案。具体而言,配置有多输入多输出结构的独立子网络能够在单次前向传播过程中并行生成多个独立的预测结果。通过对这些预测结果进行集成,我们无需付出贝叶斯采样的高昂成本,即可同时获得预测结果和不确定性估计值。考虑到不同飞行阶段的数据分布特征存在显著差异,本文从两个方面进行知识增强,以确保模型的稳健性,如图1所示。首先,在数据表示方面,我们需要解决飞行阶段划分的问题。针对传统方法在飞行阶段转换区域存在的局限性,即受时间窗口的长度和阶段的限制,本文借鉴递归概念,提出了一种可变尺度的飞行阶段划分方法,从而获得更精确的飞行阶段数据,随后将其输入到方向性增强器中,以保持训练样本的平衡。其次,在模型优化方面,本文提出了一种嵌入知识的风险意识优化机制,该机制能够充分考虑不同飞行阶段的数据分布差异和风险敏感性。通过對高风险阶段的错误给予更重的惩罚,引导模型学习符合专家经验的稳健行为。最终,KISNet能够提供兼具可靠不确定性估计的强劲预测结果。据我们所知,这是首项将专家领域知识与独立子网络架构相结合以提高预测稳健性的研究工作。虽然Havasi等人[30]建立了无需整合领域知识的用于图像分类的多输入多输出框架,Li等人[18]也将传感器关系知识嵌入到数据排列和模型架构中,但并未进行不确定性量化,而本文提出的KISNet则独特地将多输入多输出框架扩展到了具有双重维度知识嵌入的飞行数据回归任务中。具体而言,领域知识被同时融入到数据表示和模型优化中,使得在单次前向传播过程中就能实现符合物理规律、考虑阶段差异的不确定性估算。本文的主要贡献可总结如下:(1)本文开发了一种具有方向性数据增强功能的可变尺度飞行阶段划分方法,将飞行动力学知识纳入输入表示中。通过递归优化过渡区间,该方法克服了固定时间窗口的局限性,从而得到精确的阶段边界和平衡的训练数据,为构建稳健且具备知识增强的模型输入提供了有力支持。(2)本文建立了一种风险意识优化机制。我们设计了一种新型的风险加权阶段条件负对数似然损失函数,用以将专家知识以数学形式体现出来。通过根据飞行阶段对损失函数进行条件约束,并结合各阶段的特定风险敏感性,该机制使优化过程与飞机运行物理规律相契合,提升了在关键任务场景下的可解释性和可靠性。(3)本文提出了KISNet,这是一种从两个维度获得领域知识增强的独立子网络框架。具体而言,它将领域知识同时融入到数据表示和模型优化中,使得模型能够通过单次高效的前向传播实现强劲的预测结果和可靠的不确定性估算。基于真实飞行数据的大量实验证明了其出色的预测性能。本文的其余部分结构如下:第2节简要回顾了飞行阶段识别和强大预测建模的相关研究工作。第3节详细介绍了所提出的KISNet模型的构建方法及其强大预测流程。第4节通过真实飞行数据集展示了实验验证结果,以证明KISNet的有效性和优越性,同时还在训练样本有限、噪声水平不同以及不同飞行阶段的情况下进一步评估了其预测性能。最后,第5节对本文内容进行总结。

相关研究:精确的飞行参数预测面临着动态阶段转换和固有不确定性带来的巨大挑战。有效的飞行阶段识别是应对复杂运行条件的前提,而先进的强大预测建模则对于量化不确定性并确保系统可靠性至关重要。本节将回顾这两个方面的相关文献。

概述:飞行数据极为复杂且动态多变,一旦出现错误的预测,很可能是对飞机运行状况的误判,这将影响基于状态维护决策的准确性和可靠性。为此,本文如图2所示,提出了一种基于KISNet的强大预测方法。首先,收集多源飞行数据,并使其经过标准化的预处理流程。随后,训练过程会融入双维度的知识……

实验验证:为验证所提出的基于KISNet的飞行数据强大预测方法的有效性,本节将开展一系列实验。首先简要介绍实验数据集和设置,然后展示与不同方法和现有最佳方法的对比实验结果,最后进行分析和讨论。

结论:为应对动态阶段转换以及高效估算预测不确定性等挑战,本文提出了一种有效的基于知识增强的独立子网络方法——KISNet。具体而言,该方法利用多输入多输出配置下的内部集成网络结构,在单次前向传播过程中即可获得多个预测结果和不确定性估计值,同时还将航空领域知识智能地嵌入到……

CRediT作者贡献声明:周苏:撰写——初稿、可视化、方法论、研究、正式分析、概念设计。王本宽:撰写——审阅与编辑、验证、监督、项目管理、资金获取。康书婷:验证、软件、研究、数据整理。刘大桐:撰写——审阅与编辑、监督、资源协调、资金获取。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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