中文摘要：

飞行器的突发故障是导致航班延误和飞行安全事故的重要原因之一。而突发故障往往在事件发生之前或发生时，在其快速存储记录器（QAR）所记录的数据中，又有蛛丝马迹的征兆出现，这些征兆由于QAR数据的复杂多样和海量，不易被发现。因此应急决策的关键技术是如何从QAR数据中得出各种运行问题的结论。本项目重点研究QAR数据自动处理过程中存储量大、数据间关联度高、多变量故障模型难以建立和匹配等问题。通过建立以飞行阶段、安全等为主题的数据仓库，优化数据的组织形式；考虑飞行数据监测变量之间的关联性、时序数据变换、相似性搜索、异常监测、预警等，有针对性的研究时序数据的表示和挖掘算法、离群数据挖掘算法、异常数据自动检测算法、超限数据的自动发现方法等；并利用可视化技术构建多维信息分析技术的故障应急决策支持系统，从而发现隐含的模式和潜在关联，从技术上做到对飞机状态的监控，及时发现趋势性问题和隐患。分析查找原因消除隐患。

结论摘要：

飞机突发故障应急决策系统研究的主要难点是QAR数据利用率低、查找故障准确性不高、缺乏有效的趋势分析。尽管飞机监控已经获得了海量的飞行数据，但是对数据的有效分析和利用却是制约决策的瓶颈。本研究主要内容是数据仓库的建立、故障模型的相似性搜索、关键的数据挖掘算法等。在科学基金的支持下，项目组主要对QAR正常和故障数据进行了采集、预处理和分析，研究其挖掘算法并应用于维修领域。研究成果部分的解决了突发故障自动检测、多维子序列相似性搜索、数据仓库的建立和关联规则的生成等QAR数据应用问题。其应用前景很广泛，但还需要领域专家的支持才能深入研究，在这方面有AMECO和国航专家对我们的支持，取得了一些成果。主要成果1、对飞行数据的存储结构优化设计与快速检索、时序数据的表示方法进行了深入的研究，为高维、复杂的QAR数据创建具有特色的PAA表示方法，结合FP-Tree降低QAR数据的复杂度并压缩其数据量，将需要存储的有效数据压缩为剪枝后的频繁前缀树，为数据有效存储节省大量空间。创建数据仓库以飞行阶段的飞行安全、飞行航迹和节油等为主题设计了数据仓库的存储模式，提出以时间、机型为最小粒度原则的方法划分粒度层次，建立数据表之间的逻辑关系。使用朴素贝叶斯算法对从不同方面对故障进行切片分析，初步实现了对故障的可视化OLAP分析。 2、在故障数据模式的建立、相似度度量方法、时序数据挖掘技术方面进行了研究，结合飞机维护特点，提出了基于自适应神经网络的飞机突发故障诊断模型、将改进后的T-S模型的权重值代表语言变量的贡献度，定位故障并判定故障严重程度。为了有效地利用专家知识，提出了k-d树建立索引的多维子序列相似性搜索算法，有效地利用k-d数的特殊性质，使QAR数据的多维子序列快速相似性搜索成为可能。在发动机故障诊断研究中采用模糊灰关联故障检测算法，实现了对故障模式的分类。 3、在构建联机多维信息分析的应急决策支持系统平台上，开发决策辅助分析模块提出了粗糙集与多属性决策相结合的研究方法、解决了因高维数据中的属性相互关联而导致决策难的问题；提出了基于自动模糊划分和改进Apriori算法的QAR关联规则生成方法，通过简化连接与剪枝过程提高决策能力。通过对聚类与拟合算法的研究，改进了QAR数据中离群点的检测方法。本项目实施过程中，在国内外期刊和会议上发表(含已录用)论文17篇。培养研究生7。