《RELIABILITY ENGINEERING & SYSTEM SAFETY》:A two-stage decomposition-based temporal convolutional bidirectional gated recurrent unit network with rime ice optimization for aviation failure event prediction
编辑推荐:
摘要航空故障事件(AFE)预测为识别潜在安全风险和支持航空系统中的主动决策提供了关键见解。然而,由于航空故障事件数据的复杂性、非平稳性和多尺度特性,预测仍然是一项具有挑战性的任务。为应对这些挑战,本研究提出了一种新颖的预测框架,该框架集成了两阶段分解策略、混合深度学习架构和智
摘要
航空故障事件(AFE)预测为识别潜在安全风险和支持航空系统中的主动决策提供了关键见解。然而,由于航空故障事件数据的复杂性、非平稳性和多尺度特性,预测仍然是一项具有挑战性的任务。为应对这些挑战,本研究提出了一种新颖的预测框架,该框架集成了两阶段分解策略、混合深度学习架构和智能优化算法。首先,采用卡尔曼滤波器(KF)将原始序列分解为趋势分量和残差分量。随后,利用变分模态分解(VMD)对残差分量进行进一步分解。所得的子信号与趋势分量一起,采用时间卷积双向门控循环单元(TC-BiGRU)架构进行建模,该架构能够捕捉短期时间波动和长期依赖关系。为进一步提高性能,采用雾凇冰优化(RIME)算法执行逐分量超参数优化。本研究使用航空安全报告系统(ASRS)的数据对框架性能进行评估,并与多个基线模型和先进模型进行了对比。实验分析表明,所提方法在不同预测时间范围内始终能够取得优异的预测精度。研究结果凸显了集成层次分解、混合时间建模和智能优化的有效性,并展示了该框架支持航空安全管理的潜力。
引言
航空安全是民航业可持续运营的根本,直接关系到乘客安全以及更广泛的社会经济发展[38]。过去30年间,全球航空旅行量(以收益乘客公里RPK衡量)的增长速度约为全球GDP增速的2.3倍。据国际航空运输协会[19]预计,旅客流量将以年均5%的速度增长,到2043年将达到79亿人次,这意味着旅客数量将增加41.4亿。随着乘客载荷率创下历史新高,航空运输系统日益增加的密度和复杂性凸显了保持高安全标准的紧迫需求。
安全管理实践和技术的持续进步已大幅降低了致命航空事故的发生频率。据国际民用航空组织(ICAO)统计,自2019年以来,全球致命事故数量每年保持在十起以下,反映了向零伤亡长期目标迈进的进展[20]。然而,非致命但高频发生的航空安全事件仍然是持续关注的焦点。航空安全报告系统(ASRS)的数据表明,美国报告了超过29,000起此类故障事件,仅2019年就有超过1,500起[3]。这些事件通常涉及飞行运行中的系统或部件故障。尽管它们很少导致严重后果,但可能通过延误、紧急降落或取消航班来扰乱运营[54,70]。更重要的是,此类事件的积累可能引入潜在风险,从而损害系统随时间推移的可靠性。
为此,当前的努力越来越强调主动风险管理、网络安全以及健全安全文化的发展(ICAO,2025)。在此背景下,准确预测航空故障事件(AFE)至关重要,因为它有助于及时识别风险并支持相关利益相关者的决策。在方法论上,航空故障事件预测已从传统的统计和时间序列方法[9,32,81]发展到更先进的机器学习(ML)和深度学习(DL)技术[46,54,69]。这一转变反映了传统模型的局限性,即这些模型依赖于线性假设,难以捕捉航空系统的非线性和相互依赖特性。在实践中,故障风险来源于多个方面,包括机械故障、人为因素、维护失误和环境条件,这些风险往往在部件、子系统和系统层面相互作用[16,25]。这些相互作用可能产生级联效应和高度非线性的动态行为[73,79]。
尽管取得了这些进展,航空故障事件时间序列通常具有高波动性特征,表现为频繁且显著的短期波动。这些波动可能掩盖潜在的长期依赖关系,对传统深度学习模型构成挑战,因为这类模型可能难以同时捕捉快速变化和全局时间结构[27]。时间卷积网络(TCN)是一类卷积神经网络(CNN),由于其局部感受野,非常适合建模短期动态[15,30]。然而,它们在捕捉长期依赖关系方面的效果较差。为克服这一局限,本研究提出了一种名为TC-BiGRU的混合架构,该架构将时间卷积网络与双向门控循环单元(BiGRU)相结合。这一设计使模型能够同时捕捉短期波动和长期上下文依赖关系,从而提供对时间动态更为全面的表征。
在此类框架中,模型性能对超参数配置高度敏感[33]。为提高准确性和计算效率,群智能算法因其全局优化能力而被越来越多地采用。其中,雾凇冰算法[42]受雾凇冰自然生长过程的启发,提供了一种有效的探索最优超参数设置的机制。在本研究中,RIME算法被用于优化所提的TC-BiGRU模型,从而提升模型的鲁棒性和预测性能。
除了模型设计之外,数据预处理在提高预测可靠性方面也起着关键作用,尤其是对于复杂且有噪声的航空数据。由于原始航空故障事件数据固有的非线性和噪声,直接将深度学习模型应用于原始数据可能导致次优性能。卡尔曼滤波器(KF)广泛用于噪声消除,可将时间序列分解为趋势分量和残差分量[26]。然而,残差分量往往仍保留不规则性和噪声,这可能对模型精度产生不利影响[4,71]。为解决这一问题,本研究引入了两阶段分解策略。具体而言,首先应用卡尔曼滤波器提取潜在趋势,随后对残差分量应用变分模态分解(VMD)。该方法能够提取多尺度特征并提高复杂信号的可分离性,从而为后续预测提供更高质量的输入[13]。
综上所述,本研究为航空故障事件预测提出了一种新颖的预测框架。该框架将两阶段分解策略用于数据预处理,结合TC-BiGRU网络进行时间建模,并采用RIME算法进行超参数优化。通过同时解决噪声消除、特征提取和时间依赖关系建模问题,所提方法显著提高了预测精度,并克服了现有方法的关键局限性。本文的结构如下:第2节综述相关研究,第3节详细介绍所提方法,第4节报告实验结果及对比分析,第5节总结主要发现及其意义。
章节摘要
航空安全预测
准确且及时地预测航空安全事件对于主动风险管理至关重要。现有研究已开发了多种数据驱动的航空安全预测方法,通常可分为以下三类方法。
传统时间序列模型,包括自回归移动平均(ARMA)[9]、自回归积分滑动平均(ARIMA)[32,78]、马尔可夫链[81]、Holt-Winters指数平滑[49]以及改进灰色
研究方法
本研究提出的预测框架旨在解决航空故障事件实际预测中存在的主要挑战。在实际航空运行环境中,预测模型必须处理高度多变的机械故障以及由机组操作引起的突变。为解决这些问题,两阶段分解模块将航空故障事件信号划分为高质量的分量,有效地区分了长期结构模式与短期波动和噪声。该分解
数据集说明
在本研究中,航空故障事件被操作性地定义为ASRS中事件类型归类为"飞机设备问题:较轻微"的单条记录。月度航空故障事件值被定义为每个日历月内符合条件的记录数量。数据通过航空安全报告系统在线数据库检索,使用事件日期范围和事件类型作为检索条件,时间跨度为1989年1月至2025年10月。检索到的记录被导出并按
结论
准确预测航空故障事件对于识别潜在安全风险和支持航空系统的运行决策至关重要。可靠的预测模型能够实现主动安全管理,并增强航空公司和维护运营的早期预警能力。
本研究提出了一种创新的航空故障事件预测架构,该架构集成了两阶段分解策略、混合深度学习架构和智能优化算法。具体而言,
CRediT作者贡献声明
Ziyi Qu:撰写——初稿,可视化,验证,软件,方法论,调查研究,形式化分析,数据整理。Jun Wang:撰写——审阅与编辑,监督指导,方法论,经费获取,数据整理,概念构想。
Ziyi Qu|Jun Wang