QAR数据集离群点检测及故障定位算法研究

发布时间：2017-09-22 18:18

  本文关键词：QAR数据集离群点检测及故障定位算法研究

  更多相关文章： QAR数据 K-Means算法 离群点检测 最小二乘法

【摘要】：目前国内外各大航空公司均采用飞机快速存取记录器(Quick Access Recorder,简称为QAR)数据对飞机在航班中飞行的状态进行监控,在飞机航班不断增加,对飞机的正点运行要求不断提高的同时,通过对QAR数据进行分析并且找出其中可能存在的隐患数据显得越来越重要。本文通过对飞机时序QAR数据中的离群点进行检测,同时为了发现可能存在的故障对数据进行分析,结合飞机飞行过程中主要属性的数据趋势,研究了对飞机飞行过程中异常数据的离群点检测的发现及故障定位的算法,可以通过对故障发生时主要属性进行检测并发现其中的离群点,进而有效的帮助了飞机维护人员对飞机中可能出现异常的部件进行检测和调整。本文的研究主要完成以下几方面工作:1)研究了QAR数据的离群点检测算法并实现了对其中的故障进行定位。该算法第一阶段按照数据流分区的方法对航班中的QAR数据进行划分,通过对数据块中的数据进行聚类分析,将原始数据用聚类之后生成的均值参照点代替;第二阶段根据均值参照点运用拟合的方法找出飞机飞行过程中属性的变化趋势,并根据各个均值参照点到拟合的曲线或者曲面的距离判定其是否为离群点,将其代表的簇中的所有数据均看作离群点,同时根据离群点的序号判定其发生的大致时间,这些离群的数据可由工程师根据经验或故障模型确定是否为故障,从而为进一步的飞机维护提供可靠的数据。2)为了减少选取的初始聚类中心对聚类效果的影响,对传统的K-Means聚类算法进行改进从而对QAR数据进行聚类。将数据按时间序列分区之后,依照各个属性范围的变化分别计算所占的权重值,最后通过各个属性的权重值相加计算数据的权值,通过对权值的排序来挑选最接近的初始聚类中心,优化了算法的聚类效果,并减少聚类算法的迭代次数。3)运用了最小二乘拟合聚类的均值参照点。根据设定的基于距离的离群点检测定义判定各点是否为离群数据,提出了离群因子的定义,从而适用于QAR数据的离群点检测,并根据离群因子判定数据中的离群点。该定义将超过离群因子设定阈值的数据点认定为离群点,同时定位故障发生的大致时间。
【关键词】：QAR数据 K-Means算法 离群点检测 最小二乘法
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V267;TP311.13
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-15
• 1.1 课题研究背景10-11
• 1.2 国内外研究现状11-13
• 1.2.1 国外研究现状11-12
• 1.2.2 国内研究现状12-13
• 1.3 本文主要研究工作13
• 1.4 论文安排13-15
• 第二章 离群点检测及故障定位流程概述15-21
• 2.1 QAR时序数据简介15-18
• 2.1.1 飞行数据发展概述15-16
• 2.1.2 QAR系统简介16
• 2.1.3 QAR数据获取16
• 2.1.4 QAR数据特点16-17
• 2.1.5 QAR数据的应用与故障检测17-18
• 2.2 离群点检测故障定位流程18-20
• 2.2.1 存在难点18-19
• 2.2.2 整体分析19
• 2.2.3 流程概述19-20
• 2.3 本章小结20-21
• 第三章 QAR时序数据的聚类算法21-30
• 3.1 K-MEANS算法的介绍21-25
• 3.1.1 传统K-MEANS算法22-23
• 3.1.2 K-MEANS算法的不足23-24
• 3.1.3 K-MEANS算法初始质心选择的现有改进24
• 3.1.4 算法在QAR数据应用中的问题24-25
• 3.2 加权得分的K-MEANS初始质心改进25-28
• 3.2.1 加权初始聚类中心选择25-27
• 3.2.2 算法复杂性分析27-28
• 3.3 基于改进K-MEANS算法的QAR数据聚类28-29
• 3.3.1 QAR数据准备28
• 3.3.2 实验分析28-29
• 3.4 本章小结29-30
• 第四章 QAR数据的离群点检测及故障定位算法30-46
• 4.1 离群点检测概述30-33
• 4.1.1 离群点介绍30-31
• 4.1.2 离群点检测方法31-32
• 4.1.3 QAR数据的离群点挖掘32-33
• 4.2 离群点检测及故障定位算法研究33-40
• 4.2.1 最小二乘法原理33-36
• 4.2.2 算法关键定义36-38
• 4.2.3 算法实现38-40
• 4.3 实验设计40-45
• 4.3.1 数据预处理40-41
• 4.3.2 实验及结果分析41-45
• 4.4 本章小结45-46
• 第五章 总结与展望46-48
• 5.1 本文工作总结46-47
• 5.2 研究展望47-48
• 参考文献48-52
• 致谢52-53
• 作者简介53

【参考文献】

中国期刊全文数据库 前10条

1 杨慧;王丽婧;;基于聚类和拟合的QAR数据离群点检测算法[J];计算机工程与设计;2015年01期

2 韩莹;李姗姗;陈福明;;基于机器学习的地震异常数据挖掘模型[J];计算机仿真;2014年11期

3 杨福萍;王洪国;董树霞;牛家洋;丁艳辉;;基于聚类划分的两阶段离群点检测算法[J];计算机应用研究;2013年07期

4 杨茂林;卢炎生;;基于剪枝的海量数据离群点挖掘[J];计算机科学;2012年10期

5 王茜;杨正宽;;一种基于加权KNN的大数据集下离群检测算法[J];计算机科学;2011年10期

6 张健沛;杨悦;杨静;张泽宝;;基于最优划分的K-Means初始聚类中心选取算法[J];系统仿真学报;2009年09期

7 郑超;苗夺谦;王睿智;;基于密度加权的粗糙K-均值聚类改进算法[J];计算机科学;2009年03期

8 薛安荣;姚林;鞠时光;陈伟鹤;马汉达;;离群点挖掘方法综述[J];计算机科学;2008年11期

9 李明华;刘全;刘忠;郗连霞;;数据挖掘中聚类算法的新发展[J];计算机应用研究;2008年01期

10 薛安荣;何伟华;;基于时序离群检测的新的分段方法[J];计算机工程与设计;2007年20期

中国博士学位论文全文数据库 前3条

1 张崇明;无线传感器网络中的数据异常检测和数据质量问题研究[D];复旦大学;2010年

2 肖辉;时间序列的相似性查询与异常检测[D];复旦大学;2005年

3 王莉;数据挖掘中聚类方法的研究[D];天津大学;2004年

中国硕士学位论文全文数据库 前9条

1 文翰;基于最小二乘法的热负荷预测的研究与应用[D];大连海事大学;2014年

2 胡婷婷;数据挖掘中的离群点检测算法研究[D];厦门大学;2014年

3 喻立;股票市场中的异常数据挖掘算法研究[D];湖南大学;2013年

4 崔丹丹;K-Means聚类算法的研究与改进[D];安徽大学;2012年

5 孟凡星;基于粗糙集的QAR异常数据检测算法研究[D];中国民航大学;2012年

6 刘珉华;人民币汇率时间序列的异常数据挖掘研究[D];湖南大学;2009年

7 高原;数据挖掘算法在B777飞机故障预警中的应用研究[D];中国民航大学;2008年

8 王天明;基于QAR数据的飞行安全模型研究[D];中国民航大学;2008年

9 杨延娇;基于Web服务安全的异常数据挖掘算法研究[D];西北师范大学;2007年

，

本文编号：902339