基于飞行数据的 MSCNN-LSTM 水平安定面系统状态监测方法

中国民航大学学报 ›› 2025, Vol. 43 ›› Issue (1): 60-66.

基于飞行数据的 MSCNN-LSTM 水平安定面系统状态监测方法

张鹏 a ，胡芳语 b ，段照斌 a ，刘静静 b

中国民航大学 a.工程技术训练中心， b.电子信息与自动化学院，天津 300300

收稿日期:2023-02-10 修回日期:2023-04-10 出版日期:2025-04-09 发布日期:2025-04-09
作者简介:张鹏（1963— ），男，北京人，教授，硕士，研究方向为航空机载设备故障诊断等领域
基金资助:
中国航空工业集团公司西安飞行自动控制研究所项目（H04420180028）

MSCNN-LSTM method for monitoring the state of horizontal stabilizer system

based on flight data

ZHANG Penga , HU Fangyub , DUAN Zhaobina , LIU Jingjingb

a. Engineering Techniques Training Center, b. College of Electronic Information Engineering, CAUC, Tianjin 300300, China

Received:2023-02-10 Revised:2023-04-10 Online:2025-04-09 Published:2025-04-09

摘要/Abstract

摘要：

针对真实飞行数据中故障样本匮乏、数据类间失衡且缺少标注问题，本文提出了一种基于多尺度卷积神经

网络（MSCNN，multi-scale convolutional neural network）与长短时记忆（LSTM，long short-term memory）网络

的水平安定面系统状态监测方法。此方法不依赖于标注数据，利用无监督学习的方式对水平安定面系统进行

状态监测。首先，利用 MSCNN-LSTM 对系统正常运行状态的快速存储记录器（QAR, quick access recorder）

数据从空间和时间两个维度进行特征提取，以实现舵面位置预测；其次，计算舵面位置预测值与舵面位置

实际值的残差，分析残差分布来确定系统健康状态的阈值；最后，利用某飞机的 QAR 数据进行验证。实验

结果表明，本文所提方法能准确实现水平安定面系统飞行级的异常状态识别，并能在系统发生故障时，提

前 1 个飞行循环进行异常预警。

关键词:

飞行数据, MSCNN-LSTM, 水平安定面, 状态监测, 无监督学习

Abstract:

To address the problems of insufficient fault samples, imbalanced data classes and lack of labeling in real flight data, a state monitoring method for a horizontal stabilizer system based on multi-scale convolutional neural network

(MSCNN) and long short-term memory (LSTM) network is proposed in this paper. This method does not rely on labeled data and uses unsupervised learning to monitor the state of the horizontal stabilizer system. Firstly, the quick

access recorder (QAR) data of the system in normal operation are extracted in both spatial and temporal dimensions

using MSCNN-LSTM to achieve rudder position prediction. Secondly, the residuals between the predicted and actual values of the rudder position are calculated and the distribution of the residuals is analyzed to determine the

threshold for the health state of the system. Finally, the QAR data of an aircraft is used for verification, and the experimental results show that the proposed method in this paper can accurately achieve the abnormal state identification of the horizontal stabilizer system at the flight level and can provide an abnormal alarm one flight cycle in

advance when system failure occurring.

Key words:

flight data, MSCNN-LSTM, horizontal stabilizer, state monitoring, unsupervised learning

中图分类号:

TP181

张鹏 a , 胡芳语 b , 段照斌 a , 刘静静 b.

基于飞行数据的 MSCNN-LSTM 水平安定面系统状态监测方法

[J]. 中国民航大学学报, 2025, 43(1): 60-66.

ZHANG Penga , HU Fangyub , DUAN Zhaobina , LIU Jingjingb.

MSCNN-LSTM method for monitoring the state of horizontal stabilizer system

based on flight data

[J]. Journal of Civil Aviation University of China, 2025, 43(1): 60-66.

参考文献 20

[1]	房冠成, 贾大鹏, 刘毅飞, 等．基于飞行参数数据挖掘的军机健康评
	估技术[J]．航空学报, 2020, 41(6): 289-299．
	[2]
	ZHAO W Z, LI L S, ALAM S, et al． An incremental clustering method
	for anomaly detection in flight data[J]． Transportation Research Part C:
	Emerging Technologies, 2021, 132: 103406．
[3]	彭宇, 何永福, 王少军, 等．飞行数据异常检测技术综述[J]．仪器仪
	表学报, 2019, 40(3): 1-13．
[4]	王志刚, 王业光, 杨宁, 等．基于 LSTM 的飞行数据挖掘模型构建
	方法[J]．航空学报, 2021, 42(8): 255-264．
	[5]
	KONG Y X, MAHADEVAN S． Aircraft landing distance prediction: A
	multistep long short-term memory approach[J]． Journal of Aerospace
	Information Systems, 2022, 19(5): 344-354．
[6]	张其霄, 董鹏, 王科文, 等．基于贝叶斯优化 LSTM 的发动机剩余
	寿命预测[J]．火力与指挥控制, 2022, 47(4): 85-89．
	[7]
	FU J M, SUN C, YU Z, et al． A hybrid CNN-LSTM model based actua－
	tor fault diagnosis for six-rotor UAVs[C]//2019 Chinese Control and
	Decision Conference (CCDC), June 3-5, 2019, Nanchang, China． IEEE,
	2019: 410-414．
[8]	段照斌, 杜海龙, 张迪, 等．基于 KPCA 和 ELM 的新型民机舵机
	系统故障诊断[J]．计算机仿真, 2022, 39(1): 25-28, 55．
[9]	白玉轩, 杨建忠, 孙晓哲, 等．基于 GA-BP 的机电作动系统传感器
	故障诊断研究[J]．机床与液压, 2021, 49(15): 188-194．
[10]	QIN H, YANG R F, GUO C X, et al． Fault diagnosis of electric rudder
	system using PSOFOA-BP neural network[J]． Measurement, 2021, 186:
	110058．
[11]	金晓航, 许壮伟, 孙毅, 等．基于 SCADA 数据分析和稀疏自编码
	神经网络的风电机组在线运行状态监测[J]．太阳能学报, 2021, 42(6):
	321-328．
[12]	ZHANG W S, FU J, FU Y L, et al． System performance analysis for
	trimmable horizontal stabilizer actuator focusing on nonlinear effects:
	based on incremental modelling and parameter identification methodol－
	ogy[J]． Sensors, 2021, 21(19): 6464．
[13]	宫淑丽, 马广佑, 邓华佳, 等． QAR 数据飞行级异常检测研究[J]．机
	械设计与制造工程, 2021, 50(10): 68-73．
[14]	KIRANYAZ S, AVCI O, ABDELJABER O, et al． 1D convolutional neu－
	ral networks and applications: a survey[EB/OL]． (2019-05-09)[2023-
	02-10]. http: //arxiv．org/abs/1905.03554.
[15]	段照斌, 刘颖欣． CNN-SVM 在民机升降舵故障诊断中的应用[J]．电
	光与控制, 2021, 28(12): 97-101, 115．
[16]	刘建伟, 宋志妍．循环神经网络研究综述[J]．控制与决策, 2022, 37
(11)	: 2753-2768．
[17]	马敏, 李继伟, 曾田．基于双通道混合网络融合支持向量机的
	电容层析成像流型辨识[J]．电子测量技术, 2022, 45(4): 153-159．
[18]	ZHANG J W, LING Y, FU X B, et al． Model of the intrusion detection
	system based on the integration of spatial-temporal features[J]． Com－
	puters & Security, 2020, 89: 101681．
[19]	ZHONG J, ZHANG Y J, WANG J Y, et al． Unmanned aerial vehicle
	flight data anomaly detection and recovery prediction based on spatiotemporal correlation[J]． IEEE Transactions on Reliability, 2022, 71(1):
	457-468．
[20]	熊斌华, 赵红华, 朱晓炜．基于 WQAR 数据的飞机系统性能监控及
	预测维修[J]．航空维修与工程, 2021(9): 66-69．