CN118095106A - 一种飞机剩余燃油值预测方法、系统和设备 - Google Patents
一种飞机剩余燃油值预测方法、系统和设备 Download PDFInfo
- Publication number
- CN118095106A CN118095106A CN202410488258.4A CN202410488258A CN118095106A CN 118095106 A CN118095106 A CN 118095106A CN 202410488258 A CN202410488258 A CN 202410488258A CN 118095106 A CN118095106 A CN 118095106A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- aircraft
- bert
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于预测技术领域，具体涉及了一种飞机剩余燃油值预测方法、系统和设备，旨在解决现有的预测方法在处理包含快速变化与缓慢演变双重特性的输入序列时，预测效果不佳的问题。本发明包括：获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，并分别编码；将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值。本发明通过双流路径网络可以有效处理变化快速和变化缓慢的输入序列，提升对序列变化的敏感性，并且结合Bert模型进行初始特征提取可以增强对特征数据的语义理解。
Description
技术领域
本发明属于预测技术领域，具体涉及了一种飞机剩余燃油值预测方法、系统和设备。
背景技术
在航空运营领域，准确预测飞机在飞行过程中的剩余燃油量至关重要，它不仅关乎航班运行效率、成本控制，更直接影响飞行安全与应急决策。传统方法通常依赖于飞机燃油管理系统提供的实时油量数据以及基于预定飞行计划、飞行条件（如速度、高度、气温等）和发动机性能参数的燃油消耗模型进行估算。然而，这些方法在面对复杂多变的飞行环境及非线性燃油消耗特性时，可能存在预测精度不足的问题。
近年来，随着人工智能技术的发展，特别是深度学习方法在时间序列分析和特征理解方面的显著优势，研究者们开始探索其在飞机剩余燃油预测任务中的应用。其中，单一模型如长短期记忆网络（LSTM）、循环神经网络（RNN）等已被尝试用于处理加速度、速度、温度、高度等飞行参数序列，以捕捉数据间的时序依赖关系。尽管如此，这类模型在处理包含快速变化与缓慢演变双重特性的输入序列时，可能受限于其内在结构对不同时间尺度变化的适应能力，导致预测效果不尽理想。
针对现有技术的局限性，本发明提出了一种创新的方法，旨在通过融合Bert模型和双流路径网络来提升飞机剩余燃油值的预测精度与鲁棒性。
发明内容
为了解决现有技术中的上述问题，即现有的预测方法在处理包含快速变化与缓慢演变双重特性的输入序列时，可能受限于内在结构对不同时间尺度变化的适应能力，导致预测效果不尽理想的问题，本发明提供了一种飞机剩余燃油值预测方法，所述方法包括：
步骤S1，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
步骤S2，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
步骤S3，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
步骤S4，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
进一步的，所述步骤S4，具体包括：
基于所述第一加和数据，通过Bert层获取初始特征向量；
将所述初始特征向量根据第一类数据和第二类数据划分为第一类初始特征向量和第二类初始特征向量；
将第一类初始特征向量通过TCN层获取第一类特征向量；
将第二类初始特征向量通过LSTM层获取第二类特征向量；
将第一类特征向量与第二类特征向量通过第一加和单元获得加和特征向量；
基于加和特征向量，通过预测层获取飞机剩余燃油值。
进一步的，所述Bert层，具体包括：
6个依次连接的transformer编码器；
每个transformer编码器依次包括多头注意力层、第一层归一化层、前馈神经网络层和第二层归一化层；其中每个多头注意力层的输入端通过残差连接的方式连接至第一层归一化层，前馈神经网络层的输入端通过残差连接的方式连接至第二层归一化层；
最后一个transformer编码器的输出层输出初始特征向量。
进一步的，所述TCN层，具体包括：
3个依次连接的时间残差模块；
每个时间残差模块包括依次连接的第一膨胀因果卷积层、第一权重归一化层、第一激活函数层、第一Dropout层、第二膨胀因果卷积层、第二权重归一化层、第二激活函数层和第二Dropout层；
第一膨胀因果卷积层的输入端通过残差连接的方式连接至第二Dropout层的输出端。
进一步的，所述LSTM层，具体包括：
2个依次连接的LSTM单元；
每个LSTM单元的输入端与上一LSTM单元的特征向量输出端连接至第三加和单元；
第三加和单元通过独立的Sigmoid激活函数门分别经过遗忘门连接至第一乘积单元的输入端、经过输入门连接至第二乘积单元的输入端和经过输出门连接至第三乘积单元的输入端；
第三加和单元通过tanh激活函数门连接至第二乘积单元的输入端；
第一乘积单元的输入端还与上一LSTM单元的记忆细胞的输出端连接；
第一乘积单元的输出端与第二乘积单元的输出端连接至第四加和单元的输入端；
第四加和单元的输出端连接至记忆细胞的输入端；
记忆细胞的输出端分别连接至下一LSTM单元和通过tanh激活函数门后连接至第三乘积单元；
第三乘积单元连接至特征向量输出端；
最后一个LSTM单元的特征向量输出端即为LSTM层的输出端。
进一步的，所述基于Bert与双流路径网络的飞机燃油预测模型，其训练方法包括：
步骤A1，获取历史待处理数据及对应的历史飞机剩余燃油值数据，作为训练数据；
步骤A2，将训练数据标准化并划分为训练集、验证集和测试集；
步骤A3，对训练集、验证集和测试集分别进行编码；
步骤A4，将训练集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出训练集预测值；
步骤A5，基于训练集预测值计算均方差损失函数；
步骤A6，将验证集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出验证集预测值；
步骤A7，通过随机梯度下降算法，根据训练集预测值调整模型参数，根据验证集预测值调整模型超参数，重复步骤A4至A6直至所述均方差损失函数取最小值且发生过拟合现象；
步骤A8，将测试集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出测试集预测值；
步骤A9，当测试集预测值满足预期的最终效果，获得训练好的基于Bert与双流路径网络的飞机燃油预测模型。
进一步的，所述第二编码数据，具体为：
为每一个片段分配一个独特的标识符，用0表示第一类数据的片段，用1表示第二类数据的片段。
本发明的另一方面，提出了一种飞机剩余燃油值预测系统，所述系统包括：
数据获取模块，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
分别编码模块，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
数据整合模块，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
剩余燃油值预测模块，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
本发明的第三方面，提出了一种电子设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的一种飞机剩余燃油值预测方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的一种飞机剩余燃油值预测方法。
本发明的有益效果：
（1）本发明通过结合Bert模型和双流路径网络对飞机的加速度、速度、温度和高度特征进行特征提取处理来预测飞机剩余燃油值，该方法相比较现有技术对输入的数据特征不再采用单一的模型对加速度、速度、温度和高度进行统一处理，通过双流路径网络可以有效处理变化快速和变化缓慢的输入序列，提升对序列变化的敏感性，并且结合Bert模型进行初始特征提取可以增强对特征数据的语义理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例中一种飞机剩余燃油值预测方法的流程示意图；
图2是本发明实施例中基于Bert与双流路径网络的飞机燃油预测模型的结构示意图；
图3是本发明实施例中Bert层中的transformer编码器的结构示意图；
图4是本发明实施例中TCN层中的时间残差模块的结构示意图；
图5是本发明实施例中的LSTM层中的LSTM单元的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种飞机剩余燃油值预测方法，本方法通过双流路径网络可以有效处理变化快速和变化缓慢的输入序列，提升对序列变化的敏感性，并且结合Bert模型进行初始特征提取可以增强对特征数据的语义理解。
本发明的一种飞机剩余燃油值预测方法，所述方法包括：
步骤S1，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
步骤S2，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
步骤S3，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
步骤S4，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
为了更清晰地对本发明一种飞机剩余燃油值预测方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的一种飞机剩余燃油值预测方法，包括步骤S1-步骤S4，各步骤详细描述如下：
步骤S1，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
步骤S2，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
本实施例中的编码分别为Init Embeddings、Segment Embeddings和PositionEmbeddings编码，Init Embeddings用于初始编码，采用随机初始化向量表示；SegmentEmbeddings用于对不同片段进行额外编码，为每个片段分配一个独特的标识符；PositionEmbeddings用于位置编码，为每个特征位置分配一个位置向量；
在本实施例中，所述第二编码数据，具体为：
为每一个片段分配一个独特的标识符，用0表示第一类数据的片段，用1表示第二类数据的片段。
步骤S3，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
步骤S4，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，如图2所示，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
在本实施例中，所述Bert层，具体包括：
6个依次连接的transformer编码器；
如图3所示，每个transformer编码器依次包括多头注意力层、第一层归一化层、前馈神经网络层和第二层归一化层；其中每个多头注意力层的输入端通过残差连接的方式连接至第一层归一化层，前馈神经网络层的输入端通过残差连接的方式连接至第二层归一化层；
最后一个transformer编码器的输出层输出初始特征向量。
每个ransformer编码器先通过多头注意力层计算得到多头注意力特征向量，并进行层归一化操作作为前馈神经网络的输入特征向量；前馈神经网络将输入特征向量和前馈神经网络的输出进行残差连接后并进行层归一化操作，得到下一个transformer编码器的输入特征向量。重复6次后最终transformer编码器的输出特征向量记为初始特征向量。
在本实施例中，所述TCN层，具体包括：
3个依次连接的时间残差模块；
如图4所示，每个时间残差模块包括依次连接的第一膨胀因果卷积层、第一权重归一化层、第一激活函数层、第一Dropout层、第二膨胀因果卷积层、第二权重归一化层、第二激活函数层和第二Dropout层；
第一膨胀因果卷积层的输入端通过残差连接的方式连接至第二Dropout层的输出端。
在本实施例中，所述LSTM层，具体包括：
2个依次连接的LSTM单元；
如图5所示，每个LSTM单元的输入端与上一LSTM单元的特征向量输出端连接至第三加和单元；在图5中，当前LSTM单元的输入特征表示为，上一LSTM单元的特征向量表示为；
第三加和单元通过独立的Sigmoid激活函数门分别经过遗忘门连接至第一乘积单元的输入端、经过输入门连接至第二乘积单元的输入端和经过输出门连接至第三乘积单元的输入端；Sigmoid激活函数门表示为；
第三加和单元通过tanh激活函数门连接至第二乘积单元的输入端；图5中的表示经过tanh激活函数计算后的变量值；
第一乘积单元的输入端还与上一LSTM单元的记忆细胞的输出端连接；
第一乘积单元的输出端与第二乘积单元的输出端连接至第四加和单元的输入端；
第四加和单元的输出端连接至记忆细胞的输入端；在图5中记忆细胞表示为；
记忆细胞的输出端分别连接至下一LSTM单元和通过tanh激活函数门后连接至第三乘积单元；
第三乘积单元连接至特征向量输出端；
最后一个LSTM单元的特征向量输出端即为LSTM层的输出端。
LSTM单元的处理过程包括：第一步，将上述经过Bert层提取到的飞机温度和高度特征向量作为LSTM层中第一个LSTM单元的输入特征向量。第二步，通过遗忘门、输入门以及记忆细胞的更新，输出当前单元的特征向量并且更新当前单元的记忆细胞。第三步，将上述的记忆细胞和输出特征向量作为下一个LSTM单元的输入，最终输出LSTM层提取到的飞机温度和高度的特征向量。
在本实施例中，所述步骤S4，具体包括：
基于所述第一加和数据，通过Bert层获取初始特征向量；
将所述初始特征向量根据第一类数据和第二类数据划分为第一类初始特征向量和第二类初始特征向量；
将第一类初始特征向量通过TCN层获取第一类特征向量；
将第二类初始特征向量通过LSTM层获取第二类特征向量；
将第一类特征向量与第二类特征向量通过第一加和单元获得加和特征向量；
基于加和特征向量，通过预测层获取飞机剩余燃油值。
本实施例中，预测层为一个全连接层，用于预测飞机剩余燃油值。
本实施例中，通过构建一个双流路径网络用于分别处理变化速度快的特征向量和变化速度慢的特征向量。上述双流路径网络的其中一个路径分支将采用TCN层用于处理飞机加速度和速度的初始特征向量，另一个路径分支将采用LSTM层用于处理飞机温度和高度的初始特征向量。最后，将上述两个路径分支提取到的特征向量进行相加作为预测层的输入向量。能够有效适应不同变化速度的输入序列，对预测具有更高的敏感性。
在本实施例中，所述基于Bert与双流路径网络的飞机燃油预测模型，其训练方法包括：
步骤A1，获取历史待处理数据及对应的历史飞机剩余燃油值数据，作为训练数据；
步骤A2，将训练数据标准化并划分为训练集、验证集和测试集；本实施例中划分训练集、验证集和测试集的比例为8:1:1，通过Min-Max的方法进行标准化处理；验证集用于调整超参数，根据预测模型是否发生了过拟合的现象来决定是否要停止训练；预测模型训练结束后，在测试集上评价预测模型的最终效果；
步骤A3，对训练集、验证集和测试集分别进行编码；
步骤A4，将训练集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出训练集预测值；
步骤A5，基于训练集预测值计算均方差损失函数；
步骤A6，将验证集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出验证集预测值；
步骤A7，通过随机梯度下降算法，根据训练集预测值调整模型参数，根据验证集预测值调整模型超参数，重复步骤A4至A6直至所述均方差损失函数取最小值且发生过拟合现象；
步骤A8，将测试集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出测试集预测值；
步骤A9，当测试集预测值满足预期的最终效果，获得训练好的基于Bert与双流路径网络的飞机燃油预测模型。
在模型的训练过程中，采用ReLU激活函数，其中LSTM层采用Sigmoid激活函数和tanh激活函数，batch size的值设置为32，epoch的值设置为16，dropout设置为0.5，初始学习率设置为2×10-5，采用均方差损失函数来判定实际输出与期望输出的接近程度，通过采用AdamW优化器不断训练使得损失值最小化，最终得到一个基于Bert与双流路径网络的预测模型。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的一种飞机剩余燃油值预测系统，所述系统包括：
数据获取模块，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
分别编码模块，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
数据整合模块，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
剩余燃油值预测模块，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的一种飞机剩余燃油值预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的一种飞机剩余燃油值预测方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的一种飞机剩余燃油值预测方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种飞机剩余燃油值预测方法，其特征在于，所述方法包括：
步骤S1，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
步骤S2，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
步骤S3，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
步骤S4，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
2.根据权利要求1所述的一种飞机剩余燃油值预测方法，其特征在于，所述步骤S4，具体包括：
基于所述第一加和数据，通过Bert层获取初始特征向量；
将所述初始特征向量根据第一类数据和第二类数据划分为第一类初始特征向量和第二类初始特征向量；
将第一类初始特征向量通过TCN层获取第一类特征向量；
将第二类初始特征向量通过LSTM层获取第二类特征向量；
将第一类特征向量与第二类特征向量通过第一加和单元获得加和特征向量；
基于加和特征向量，通过预测层获取飞机剩余燃油值。
3.根据权利要求2所述的一种飞机剩余燃油值预测方法，其特征在于，所述Bert层，具体包括：
6个依次连接的transformer编码器；
每个transformer编码器依次包括多头注意力层、第一层归一化层、前馈神经网络层和第二层归一化层；其中每个多头注意力层的输入端通过残差连接的方式连接至第一层归一化层，前馈神经网络层的输入端通过残差连接的方式连接至第二层归一化层；
最后一个transformer编码器的输出层输出初始特征向量。
4.根据权利要求2所述的一种飞机剩余燃油值预测方法，其特征在于，所述TCN层，具体包括：
3个依次连接的时间残差模块；
每个时间残差模块包括依次连接的第一膨胀因果卷积层、第一权重归一化层、第一激活函数层、第一Dropout层、第二膨胀因果卷积层、第二权重归一化层、第二激活函数层和第二Dropout层；
第一膨胀因果卷积层的输入端通过残差连接的方式连接至第二Dropout层的输出端。
5.根据权利要求2所述的一种飞机剩余燃油值预测方法，其特征在于，所述LSTM层，具体包括：
2个依次连接的LSTM单元；
每个LSTM单元的输入端与上一LSTM单元的特征向量输出端连接至第三加和单元；
第三加和单元通过独立的Sigmoid激活函数门分别经过遗忘门连接至第一乘积单元的输入端、经过输入门连接至第二乘积单元的输入端和经过输出门连接至第三乘积单元的输入端；
第三加和单元通过tanh激活函数门连接至第二乘积单元的输入端；
第一乘积单元的输入端还与上一LSTM单元的记忆细胞的输出端连接；
第一乘积单元的输出端与第二乘积单元的输出端连接至第四加和单元的输入端；
第四加和单元的输出端连接至记忆细胞的输入端；
记忆细胞的输出端分别连接至下一LSTM单元和通过tanh激活函数门后连接至第三乘积单元；
第三乘积单元连接至特征向量输出端；
最后一个LSTM单元的特征向量输出端即为LSTM层的输出端。
6.根据权利要求1所述的一种飞机剩余燃油值预测方法，其特征在于，所述基于Bert与双流路径网络的飞机燃油预测模型，其训练方法包括：
步骤A1，获取历史待处理数据及对应的历史飞机剩余燃油值数据，作为训练数据；
步骤A2，将训练数据标准化并划分为训练集、验证集和测试集；
步骤A3，对训练集、验证集和测试集分别进行编码；
步骤A4，将训练集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出训练集预测值；
步骤A5，基于训练集预测值计算均方差损失函数；
步骤A6，将验证集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出验证集预测值；
步骤A7，通过随机梯度下降算法，根据训练集预测值调整模型参数，根据验证集预测值调整模型超参数，重复步骤A4至A6直至所述均方差损失函数取最小值且发生过拟合现象；
步骤A8，将测试集输入待训练的基于Bert与双流路径网络的飞机燃油预测模型，输出测试集预测值；
步骤A9，当测试集预测值满足预期的最终效果，获得训练好的基于Bert与双流路径网络的飞机燃油预测模型。
7.根据权利要求1所述的一种飞机剩余燃油值预测方法，其特征在于，所述第二编码数据，具体为：
为每一个片段分配一个独特的标识符，用0表示第一类数据的片段，用1表示第二类数据的片段。
8.一种飞机剩余燃油值预测系统，其特征在于，所述系统包括：
数据获取模块，获取飞机的加速度和速度为第一类数据，温度和高度作为第二类数据，将第一类数据和第二类数据作为待处理数据；
分别编码模块，对所述待处理数据分别通过随机初始化向量表编码获得第一编码数据，通过为第一类数据与第二类数据分别分配独特标识符的编码获得第二编码数据，和通过位置编码获得第三编码数据；
数据整合模块，将第一编码数据、第二编码数据和第三编码数据进行加和获得第一加和数据；
剩余燃油值预测模块，基于第一加和数据，通过基于Bert与双流路径网络的飞机燃油预测模型获取剩余燃油值；
所述基于Bert与双流路径网络的飞机燃油预测模型，包括Bert层、TCN层、LSTM层和预测层；Bert层的两个输出端分别连接TCN层的输入端和LSTM层的输入端，TCN层的输出端和LSTM层的输出端通过第一加和单元后连接至预测层的输入端，预测层的输出端即为基于Bert与双流路径网络的飞机燃油预测模型的输出端。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的一种飞机剩余燃油值预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的一种飞机剩余燃油值预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410488258.4A CN118095106B (zh) | 2024-04-23 | 2024-04-23 | 一种飞机剩余燃油值预测方法、系统和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410488258.4A CN118095106B (zh) | 2024-04-23 | 2024-04-23 | 一种飞机剩余燃油值预测方法、系统和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118095106A true CN118095106A (zh) | 2024-05-28 |
| CN118095106B CN118095106B (zh) | 2024-06-28 |
Family
ID=91163273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410488258.4A Active CN118095106B (zh) | 2024-04-23 | 2024-04-23 | 一种飞机剩余燃油值预测方法、系统和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118095106B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119203007A (zh) * | 2024-11-26 | 2024-12-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于eVTOL飞行器电池电压异常的紧急迫降方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108801387A (zh) * | 2018-05-21 | 2018-11-13 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
| CN111898020A (zh) * | 2020-06-18 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 基于bert和lstm的知识学习体系推荐方法、设备及介质 |
| US20240086272A1 (en) * | 2022-09-12 | 2024-03-14 | 17Live Japan Inc. | System, method and computer-readable medium for anomaly detection |
-
2024
- 2024-04-23 CN CN202410488258.4A patent/CN118095106B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108801387A (zh) * | 2018-05-21 | 2018-11-13 | 郑州大学 | 一种基于学习模型的飞机油箱剩余油量测量系统和方法 |
| CN111898020A (zh) * | 2020-06-18 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 基于bert和lstm的知识学习体系推荐方法、设备及介质 |
| US20240086272A1 (en) * | 2022-09-12 | 2024-03-14 | 17Live Japan Inc. | System, method and computer-readable medium for anomaly detection |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119203007A (zh) * | 2024-11-26 | 2024-12-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于eVTOL飞行器电池电压异常的紧急迫降方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118095106B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN113988210B (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN118352991A (zh) | 一种短期电力负荷预测方法、系统、设备及介质 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN118095106B (zh) | 一种飞机剩余燃油值预测方法、系统和设备 | |
| Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network | |
| CN116992571A (zh) | 数模融合驱动的航空发动机剩余使用寿命预测方法及系统 | |
| CN117473260A (zh) | 一种数模联动的航天轴承剩余寿命预测方法 | |
| Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks | |
| CN119598261B (zh) | 电驱动系统电机时空特征神经网络故障诊断方法及系统 | |
| CN118551667B (zh) | 高保真建模方法、装置、设备、介质及产品 | |
| CN119337123A (zh) | 基于BiLSTM模型的油井产量预测方法及系统 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN116340384B (zh) | 基于规则演化的核递归最大相关熵时间序列在线预测方法 | |
| CN117909930A (zh) | 基于lstm神经网络压气机失速预测方法、装置、设备及介质 | |
| CN116911363A (zh) | 一种微小故障检测系统的硬件加速方法及系统 | |
| CN117973894A (zh) | 一种配电网分布式状态估计方法及系统 | |
| Yang et al. | Remaining useful life prediction for aero-engine based on ghost-lstm model | |
| CN117610397B (zh) | 一种基于污水处理设备的使用效果智能分析方法及装置 | |
| CN115907194A (zh) | 一种光伏发电功率预测方法、系统及产品 | |
| Yangyang et al. | Research on parallel lstm algorithm based on spark |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |