学位论文 > 优秀研究生学位论文题录展示

民用飞机重着陆智能诊断技术研究

作　者: 聂磊
导　师: 黄圣国
学　校: 南京航空航天大学
专　业: 交通信息工程及控制
关键词: 飞行品质监控重着陆智能诊断专家系统神经网络支持向量机飞行数据译码
分类号: V267
类　型: 硕士论文
年　份: 2010年
下　载: 44次
引　用: 0次
阅　读: 论文下载

内容摘要

经过调研和相关研究发现,重着陆对飞机的结构会造成强烈冲击,引起结构损坏甚至断裂。情况严重时,会引发灾难性的后果,对旅客生命造成极大威胁,航空公司也会因此蒙受巨大的经济损失。飞机重着陆的判断是个重要环节,误判就会增加航空公司的运营成本,漏判则造成潜在的安全隐患,甚至酿成重大事故。基于对现有标准和规定的分析,发现航空公司对于重着陆的判断方法存在很多不足,因此本文通过对重着陆形成机理的研究,建立了基于支持向量机的综合多参数信息的重着陆智能诊断模型,通过与其他方法的对比验证,证明了该方法的有效性。第一,重着陆事件的形成是一个复杂的过程,可能由飞机下降开始已埋下隐患。因此,本文由飞机稳定进近的几个要素入手,从进场速度、进近轨迹控制和拉平与接地三个方面,深入地研究了重着陆的形成机理;同时通过对飞机着陆瞬间的受力情况进行分析,确定了重着陆诊断模型的5个输入参数;结合气象因素对飞机进近着陆的影响,归纳了较全面的重着陆风险参数,并对它们进行了分类,以便于事故专家调查分析事故原因。第二,描述了飞行数据的记录格式、飞行参数记录的类别,在此基础上,研究了B737机型的部分重着陆风险参数的译码算法。通过描述飞行数据的采集过程和数据误差的来源,研究了数据预处理的方法。由于着陆瞬间是个短暂的过程,很多参数因为采样频率的限制,着陆过程中的极大值有可能没有采集到,所以本文采用曲线拟合的数据处理方法,重现着陆瞬间的参数变化曲线,捕捉各种可能没有采集到的信息,为重着陆诊断打好基础。第三,研究了基于支持向量机(SVM)算法的重着陆智能诊断建模问题。以快速存取记录器(QAR)所记录的B737机型历史航班飞行数据和诊断知识为训练样本集,建立了基于SVM分类算法的重着陆诊断模型,利用QAR译码系统所得的数据进行SVM模型分类精度实验,并在该应用背景下,与神经网络和最近邻算法进行了分类性能的比较,验证了该诊断模型的有效性和优越性。

全文目录

摘要  4-5
ABSTRACT  5-9
图表清单  9-11
注释表  11-13
第一章绪论  13-20
  1.1 选题背景和意义  13-14
  1.2 国内外关于重着陆事故的研究现状  14-15
  1.3 智能诊断技术  15-17
    1.3.1 基于专家系统的故障诊断  16
    1.3.2 基于人工神经网络的故障诊断  16-17
  1.4 支持向量机及其应用概述  17-18
    1.4.1 支持向量机理论研究现状  17-18
    1.4.2 支持向量的应用研究  18
  1.5 本文主要研究内容  18-20
第二章重着陆的形成机理  20-30
  2.1 概述  20
  2.2 重着陆形成机理  20-28
    2.2.1 飞机稳定进近的八要素  20-21
    2.2.2 进场速度分析  21-22
    2.2.3 进近轨迹控制  22-23
    2.2.4 拉平与接地  23-25
    2.2.5 飞机着陆时的受力分析  25-27
    2.2.6 气象环境的影响  27-28
  2.3 重着陆风险参数及分类  28-29
  2.4 本章小结  29-30
第三章 QAR 数据译码  30-43
  3.1 概述  30
  3.2 QAR 的发展  30-31
  3.3 QAR 数据译码原理  31-37
    3.3.1 QAR 数据的记录格式  31-33
    3.3.2 重着陆风险参数的译码算法分析  33-37
  3.4 QAR 译码系统简介  37-42
    3.4.1 译码系统的软硬件结构与开发环境  37-39
    3.4.2 译码结果显示  39-42
  3.5 本章小结  42-43
第四章数据预处理  43-52
  4.1 概述  43
  4.2 飞行数据的采集和误差  43-44
    4.2.1 飞行数据的采集  43-44
    4.2.2 数据误差  44
  4.3 飞行数据的拟合  44-51
    4.3.1 最小二乘拟合  45-47
    4.3.2 BP 神经网络拟合  47-49
    4.3.3 RBF 神经网络拟合  49-51
  4.4 本章小结  51-52
第五章统计学习理论与支持向量机  52-60
  5.1 概述  52
  5.2 统计学习理论  52-54
    5.2.1 学习一致性条件  52-53
    5.2.2 结构风险最小化原则  53-54
  5.3 支持向量机原理  54-59
    5.3.1 最优分类面  54-56
    5.3.2 广义分类平面  56
    5.3.3 非线性分类问题  56-57
    5.3.4 支持向量分类算法推导  57-58
    5.3.5 核函数  58-59
  5.4 本章小结  59-60
第六章重着陆诊断模型  60-68
  6.1 概述  60
  6.2 基于SVM 的诊断模型  60-65
    6.2.1 SVM 模型训练  61-62
    6.2.2 SVM 诊断模型效果分析及讨论  62-64
    6.2.3 诊断模型性能影响因素分析  64-65
  6.3 对比实验  65-67
    6.3.1 基于 RBF 神经网络的重着陆诊断  65-66
    6.3.2 基于最近邻算法的重着陆诊断  66-67
  6.4 本章小结  67-68
第七章总结与展望  68-70
  7.1 总结  68
  7.2 展望  68-70
参考文献  70-73
致谢  73-74
在学期间的研究成果及发表的学术论文  74

民用飞机重着陆智能诊断技术研究

内容摘要

全文目录

相似论文