Бойко Д.В., Кремлёва Э.Ш.
РАСПОЗНАВАНИЕ АНОМАЛИЙ В ПОЛЕТНЫХ ДАННЫХ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ *
Аннотация:
в данной статье рассматриваются методы машинного обучения для автоматического обнаружения аномалий в полетных данных воздушных судов. Анализ полетных данных (FDR - Flight Data Recorder) имеет критическое значение для обеспечения безопасности полетов, предупреждения отказов оборудования и оптимизации эксплуатационных характеристик [5, с. 45]. В работе рассматриваются различные алгоритмы машинного обучения, включая изолирующий лес (Isolation Forest), метод опорных векторов (One-Class SVM), автоэнкодеры (Autoencoders) и ансамбли моделей [12, с. 112]. Проводится сравнительный анализ их эффективности на реальных данных авиационных рейсов. Результаты показывают, что гибридные подходы, сочетающие несколько методов, обеспечивают наивысшую точность обнаружения аномалий [8, с. 76].
Ключевые слова:
машинное обучение, аномалии, полетные данные, безопасность полетов, изолирующий лес, автоэнкодеры
Введение.Современные воздушные суда генерируют огромные объемы данных, включая параметры двигателей, навигационные показания, метеорологические условия и др. [3, с. 34]. Аномалии в этих данных могут указывать на потенциальные угрозы безопасности, такие как отказы оборудования, ошибки пилотирования или внешние воздействия [11, с. 89]. Традиционные методы анализа, основанные на ручном мониторинге и экспертных правилах, не всегда эффективны из-за высокой сложности и динамичности данных [7, с. 56].Машинное обучение (МО) предлагает автоматизированные решения для обнаружения аномалий, способные выявлять скрытые закономерности и отклонения [2, с. 23]. В данной статье исследуются различные подходы к детектированию аномалий в полетных данных и оценивается их использование в реальных условиях [9, с. 67].Методы обнаружения аномалий.Изолирующий лес (Isolation Forest). Изолирующий лес - алгоритм, основанный на идее изоляции аномальных точек через случайные разбиения данных [6, с. 101]. Аномалии, как правило, требуют меньшего числа разбиений для их изоляции, что делает метод эффективным для высокоразмерных данных [10, с. 134]. Формально, аномальность точки
Номер журнала Вестник науки №5 (86) том 3
Ссылка для цитирования:
Бойко Д.В., Кремлёва Э.Ш. РАСПОЗНАВАНИЕ АНОМАЛИЙ В ПОЛЕТНЫХ ДАННЫХ С ПОМОЩЬЮ МАШИННОГО ОБУЧЕНИЯ // Вестник науки №5 (86) том 3. С. 1343 - 1348. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/23157 (дата обращения: 15.07.2025 г.)
Вестник науки © 2025. 16+