● 摘要
飞参数据由记录仪连续记录，数据规模大、参数多，没有明显的飞行标志位，并且含有噪声，对飞参数据的研究在指导飞机设计、试飞、故障预测及排除和事故分析等方面起着重要的作用。聚类分析技术处理大规模数据具有高效性，可以发现数据中隐含的模式，并且可以检测数据中的异常点，是飞参数据分析领域新的发展方向。本论文以实验室与三三二七厂的合作项目——“飞行数据仿真系统”为背景，对飞参数据进行阶段划分以及在此基础上研究其噪声处理方法，可以为故障诊断和趋势预测提供准确的数据源，进而为地面专家系统提供设计依据。重点研究了经典聚类算法和核聚类算法，并建立了飞参聚类分析的软件平台，具体研究内容和成果包括：研究分析了聚类算法，以采用经典聚类算法和核聚类算法对飞参数据进行分析为目标，突出了所选择、设计的算法的优势，并针对算法现存的缺点进行了改进：1）经典k-means算法的优势在于处理大规模数据速度快、易于实现和改进，但是初始中心的选择影响算法的收敛速度和聚类质量，提出了采用依概率二分产生随机初始中心的措施进行优化，实验证明优化措施有效；2）核聚类算法的优势在于处理高维、非线性的数据，并且可以识别孤立点，但是计算复杂，处理大规模数据具有局限性。针对这一点，文中重点研究了降低核聚类算法计算复杂度的方法：采用基于核顺序、硬盘存储核矩阵的措施实现kernel k-means算法，保留了k-means算法速度快的优势；采用基于平稳点的方法提高Support Vector Clustering算法的收敛速度，将算法的运行时间随数据规模指数增长改进为线性增长；3）三种算法及改进都用公认的标准数据进行了验证。在以上理论研究的基础上，设计了飞参聚类分析系统，建立了统一的软件平台，并针对聚类结果在时间上的交叠现象增加了滤波处理，用飞参数据验证了该系统的有效性。该平台以模块化、层次化的方式搭建，具有良好的开放性和可扩展性：一方面，平台可以继续容纳新的数据分析方法；另一方面，该平台也适用于其他领域进行聚类分析和异常点检测。