CN112817296B - 一种基于飞行数据与深度学习的飞行故障预测方法及装置 - Google Patents

Abstract

本发明涉及一种基于飞行数据与深度学习的飞行故障预测方法及装置，其方法包括：根据飞机器型号获取其正常飞行数据和故障飞行数据；根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集；利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的预测模型；将当前飞行数据输入到所述训练好的预测模型中，得到故障发生概率。本发明通过混沌序列，提高了数据集的非线性属性，提高了模型泛化能力和预测准确率。

Description

一种基于飞行数据与深度学习的飞行故障预测方法及装置

技术领域

本发明属于航空信息与深度学习领域，具体涉及一种基于飞行数据与深度学习的飞行故障预测方法及***。

背景技术

事故链理论”强调飞行事故的发生是由各类飞行相天人员、机械设备、组织管理等因素像链条一样环环相扣导致的。人主要指的是飞行人员、航空管制员、机务人员的失误，机械是指有型的物质如飞机、导航通信设备、机场设施等，组织管理主要包括组织文化、组织氛围、运行体制和各项法规制度等。用“事故链理论”进行飞行事故调查研究时，首先要从许多事件中找出与事故原因有关的一些事件，然后将这些事件按时间排出顺序，一环一环地分析，列出事故链。要阻止事故的发生，只要在事故发生前，将链条上的任一或多个环节截断即可。

SHEL模型属于***学派理论，是爱德华兹于1972年提出的，他首次提出“人”在由人、软件、硬件共同组成的安全***界面中处于***核心界面的原理，一旦人与其他因素出现不匹配则会导致事故的发生。SHEL模型主要从***角度分析飞行员人为差错的源头。该模型强调，飞行员L是飞行活动的中心，硬件H、软件S、环境E和其他人员L，必须要与之协调和适应，否则，就有可能会导致错误的行为，进而导致飞行事故。

以上人为因素事故致因理论有着很多共同观点，一是飞行事故大多是由多种因素造成的，据统计单一原因造成的飞行事故大概只占20％，即有80％的飞行事故是由两种或两种以上的原因造成的，有的甚至多达5-6个。二是近年来由于飞行器的设计、制造、维修、保养的水平进一步提高，飞机的可靠性和安全性得到了较大提升，因此，人的因素是飞行安全的瓶颈，人的失误已经成为大部分飞行事故的最主要原因。

随着计算机技术、通信技术、传感器技术以及人工智能的发展，智能故障诊断打破机械装备诊断数据量大与诊断专家相对稀少之间的僵局，但目前的智能诊断还局限在故障与单一设备运行状态将的关联性上，缺乏全局考虑、人为因素的考虑。

发明内容

为解决现有飞行故障预测方法的局限性、提高故障预测的准确性，本发明提供了一种基于飞行数据与深度学习的飞行故障预测方法，包括如下步骤：根据飞机器型号获取其正常飞行数据和故障飞行数据；根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集；利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。

在本发明的一些实施例中，所述根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集包括如下步骤：根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集。

进一步的，所述利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集包括如下步骤：从第一序列数据集中随机选取1个最小采样周期内的多维向量作为基准多维向量；每隔K个最小采样周期选取基准多维向量，得到M个基准多维向量；重复上述步骤L次，得M×L个基准多维向量的矩阵集合；所述基准多维向量的矩阵集合即为混沌数据集。优选的，根据李雅普诺夫指数λ以确定基准多维向量的矩阵集合的混沌特性。

在本发明的一些实施例中，所述卷积神经网络包括第一卷积神经网络、第二卷积神经网络，所述第一卷积神经网络与第二卷积神经网络共用一个全连接层；所述第一卷积神经网络，用于根据所述训练数据集和人为故障标签样本预测人为故障的概率；所述第二卷积神经网络，用于根据所述训练数据集和机械故障标签样本预测机械故障的概率。

本发明的第二方面，提供了一种基于飞行数据与深度学习的飞行故障预测装置，包括获取模块、预处理模块、重构模块、训练模块、输出模块，所述获取模块，用于根据飞机器型号获取其正常飞行数据和故障飞行数据；所述预处理模块，用于根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集；所述重构模块，用于利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；所述训练模块，用于利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；所述输出模块，用于将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。

进一步的，所述预处理模包括序列化模块、聚类模块、构建模块，所述括序列化模块，用于根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；所述聚类模块，用于将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；所述构建模块，用于根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集。

本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的方法。

本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的方法。

本发明的有益效果是：

1.由于混沌***对初始条件和参数的极度敏感，只要将被测的微弱信号加入到混沌***中，就会导致该混沌***的动力学行为发生本质的变化，应用这一特点可以检测噪声背景下的微弱故障信号。将正常飞行数据集进行混沌化，有助于增强预测模型对非线性因素(人为故障和机械故障等多种因素复合的故障)，在复杂数据中更好地检测或预测微弱故障信号；

2.由于飞行故障的偶发性，样本少，采集的飞行数据可能不完整；因此需要将飞行故障数据集进行增强，而故障数据集属于正常飞行数据混沌化后的子集，利用正常飞行数据生成的混沌数据集由于带有隐式的故障信息，从而丰富故障数据集的多样性，进而提高了预测模型的泛化能力和预测精确性；

3.机械故障往往伴随着一定的时间属性(序列性)，而人为因素的飞行数据通常是离散化的，因此采用不同的卷积神经网络来分别预测机械故障和人为故障，再通过共享一个全连接层，从而在整体上提高了模型的预测能力和精确度。

附图说明

图1为本发明的一些实施例中的基于飞行数据与深度学习的飞行故障预测方法的基本流程图；

图2为本发明的一些实施例中的标准化后的部分飞行数据结构示意图；

图3为本发明的一些实施例中的基于飞行数据与深度学习的飞行故障预测装置的结构示意图；

图4为本发明的一些实施例中的电子设备的基本结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

参考图1，本发明的第一方面提供了一种基于飞行数据与深度学习的飞行故障预测方法，包括如下步骤：根据飞机器型号获取其正常飞行数据和故障飞行数据；根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集；利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。

参考图1与图2，在本发明的一些实施例中，所述根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集包括如下步骤：根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集。

可以理解，飞行标准可参照国内民用航空或国际民用航空风行数据传的相关规范，统一将飞行数据标准化、序列化。飞行正常状态下各部件的正常指标如下：(1)发动机正常工作：无异响，输出扭矩在正常范围内，可以通过油门杆有效的控制发动机转速和输出扭矩。各部件良好，结合牢固，运转中不产生碰撞声或其它不正常声音；(2)双发最大允许扭矩：悬停时用于偏航操纵的最大允许的瞬间双发总扭矩在允许范围内，悬停和增速到最佳爬升速度前的双发扭矩不能超发动机保护转速；(3)在适航审定的最大起飞重量内起飞，纵向重心和横向重心在限制范围内；(4)液压***正常供压：使用满足要求规格的液压油，液压***压力满足需求，最大液压温度不超安全温度；(5)主旋翼在旋翼转速限制内正常工作：正常飞行时主旋翼转速由发动机电子控制器自动进行控制，随着高度不同在额定转速内；(6)燃油***正常：使用满足要求的型号燃油，燃油量足以完成飞行任务，起飞油量不得低于最小安全起飞油量。左右邮箱加压泵正常供压，燃油供给通道通常，输入燃油流量在正常范围内；(7)电源***电压正常：直流电源稳定有效，满足额定电压和额定最大稳定电流。交流电源***电压稳定有效；(8)机身完整：直升机各部分结构稳定，无不良震动或抖动。各部分结构以及气动力模型完整，可以正常的提供升力、航向力、扭转力矩和后飞力。(9)仪表电子显示***准确：驾驶舱内各电子仪表均显示正常，清晰、准确和实时的现实直升机各种姿态和参数信息。如空速表、扭矩指示表、旋翼和发动机转速表等。 (10)动力传动***功能良好：各机械传动结构稳固，可以很好的带动旋翼和尾桨。主要部件分别为主减速器、主旋翼、发动机连接轴、尾传动轴和尾减速器的名义转速正常。

具体地，利用PCA或LDA对飞行数据的进行线性降维；利用LLE、邻接图、核函数等进行非线性降维。然后利用K-Means、均值漂移、GMM等方法进行聚类。

进一步的，所述利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集包括如下步骤：从第一序列数据集中随机选取1个最小采样周期内的多维向量作为基准多维向量；每隔K个最小采样周期选取基准多维向量，得到M个基准多维向量；重复上述步骤L次，得M×L个基准多维向量的矩阵集合；所述基准多维向量的矩阵集合即为混沌数据集。优选的，根据李雅普诺夫指数λ以确定基准多维向量的矩阵集合的混沌特性。根据混沌特性，进而调整或优化训练数据集：若λ＜0，则混沌数据集中具有周期性、长期可预测性；若λ＝0，则混沌数据集有随机性，预测效果差；若λ＞ 0，则混沌数据集具有混沌特性的耗散***，具有短期可预测性。

可选的，采用K熵法对混沌数据集进行分析，以确定优化样本和混沌数据集，进而优化模型。例如，波音747客机执行长距离任务，那么可以提高λ＜0在混沌数据集中的占比，从而提高模型的泛化能力和准确性。

在本发明的一些实施例中，所述卷积神经网络包括第一卷积神经网络、第二卷积神经网络，所述第一卷积神经网络与第二卷积神经网络共用一个全连接层；所述第一卷积神经网络，用于根据所述训练数据集和人为故障标签样本预测人为故障的概率；所述第二卷积神经网络，用于根据所述训练数据集和机械故障标签样本预测机械故障的概率。

进一步的，所述第一卷积神经网络为VGGNet-16；所述第二卷积神经网络包括自动编码器(VAE)。具体地，VGGNet-16在整体上可以划分为8个部分(8段)，前5段为卷积网络(包括依次连接的卷积层和池化层)，后3段为全连网络。

参考图3，本发明的第二方面，提供了一种基于飞行数据与深度学习的飞行故障预测装置1，包括获取模块11、预处理模块12、重构模块13、训练模块14、输出模块15，所述获取模块11，用于根据飞机器型号获取其正常飞行数据和故障飞行数据；所述预处理模块12，用于根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集；所述重构模块13，用于利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；所述训练模块14，用于利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；所述输出模块15，用于将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。

进一步的，所述预处理模块12包括序列化模块、聚类模块、构建模块，所述括序列化模块，用于根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；所述聚类模块，用于将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；所述构建模块，用于根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集。

本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的方法。

参考图4，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置 508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O) 接口505也连接至总线504。

通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于飞行数据与深度学习的飞行故障预测方法，其特征在于，包括如下步骤：

根据飞机器型号获取其正常飞行数据和故障飞行数据；

根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集：根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集；

利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集：从第一序列数据集中随机选取1个最小采样周期内的多维向量作为基准多维向量；每隔K个最小采样周期选取基准多维向量，得到M个基准多维向量；重复上述步骤L次，得M×L个基准多维向量的矩阵集合；所述基准多维向量的矩阵集合即为混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；

利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；

将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。

2.根据权利要求1所述的基于飞行数据与深度学习的飞行故障预测方法，其特征在于，根据李雅普诺夫指数λ以确定基准多维向量的矩阵集合的混沌特性。

3.根据权利要求1所述的基于飞行数据与深度学习的飞行故障预测方法，其特征在于，所述卷积神经网络包括第一卷积神经网络、第二卷积神经网络，所述第一卷积神经网络与第二卷积神经网络共用一个全连接层；

所述第一卷积神经网络，用于根据所述训练数据集和人为故障标签样本预测人为故障的概率；

所述第二卷积神经网络，用于根据所述训练数据集和机械故障标签样本预测机械故障的概率。

4.根据权利要求3所述的基于飞行数据与深度学习的飞行故障预测方法，其特征在于，所述第一卷积神经网络为VGGNet-16；

所述第二卷积神经网络包括自动编码器。

5.一种基于飞行数据与深度学习的飞行故障预测装置，其特征在于，包括获取模块、预处理模块、重构模块、训练模块、输出模块，

所述获取模块，用于根据飞机器型号获取其正常飞行数据和故障飞行数据；

所述预处理模块，用于根据飞行器的起飞时间间隔和飞行数据标准分别对所述正常飞行数据和故障飞行数据进行序列化和聚类，得到第一序列数据集和第二序列数据集：根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集；

所述重构模块，用于利用相空间重构法将第一序列数据集中的序列进行重构，得到混沌数据集：从第一序列数据集中随机选取1个最小采样周期内的多维向量作为基准多维向量；每隔K个最小采样周期选取基准多维向量，得到M个基准多维向量；重复上述步骤L次，得M×L个基准多维向量的矩阵集合；所述基准多维向量的矩阵集合即为混沌数据集；根据所述混沌数据集和第二序列数据集构建训练数据集；

所述训练模块，用于利用所述训练数据集训练直至误差低于阈值且趋于稳定，停止训练，得到训练好的卷积神经网络；

所述输出模块，用于将当前飞行数据输入到所述训练好的卷积神经网络中，得到故障发生概率。

6.根据权利要求5所述的基于飞行数据与深度学习的飞行故障预测装置，其特征在于，所述预处理模包括序列化模块、聚类模块、构建模块，

所述序列化模块，用于根据飞行器的型号匹配相应的飞行数据标准，将属于同一采样周期的飞行数据进行序列化；

所述聚类模块，用于将按照飞行器的型号、飞行器的起飞时间间隔对分别对所述正常飞行数据和故障飞行数据进行降维后聚类，得到包含飞行器的型号、飞时间间隔信息的多维向量；

所述构建模块，用于根据多维向量所对应的正常飞行数据和故障飞行数据，依次分别构建所述第一序列数据集和第二序列数据集。

7.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images