马发民+王锦彪+张林

摘要：针对飞机故障检测数据中重复率高数据量大，监测算法效率和准确率低的问题，本文在PAA压缩数据的基础上使用分段概率提取细分QAR数据，调整FP-Growth算法创建独具特色FP-Tree降低数据的重复度，提高数据的查询速度，提出了基于分段距离和子序列匹配算法，本文采用真实的飞机飞行QAR数据验证该算法的有效性和准确度。

关键词：飞机故障检测； 分段概率提取；QAR数据；FP-Tree；子序列匹配

中图分类号：TP301 文献标识码：A

Abstract： As about high repetition and large volume of data in airplane fault detection data as well as low efficiency and accuracy of monitoring algorithm， this paper， based on PAA packed data， utilizes Segmental Probability to extract， adjust FP-Growth and establish FP-Tree， thereby reducing repetition degree of data and improving its searching speed. In addition， algorithm on the basis of segmental distance and subsequence match is proposed. In this paper， the real QAR data of flight will be adopted to verify reliability and accurateness of the algorithm.

Key words： airplane fault detection；segmental probability extract；QAR data；FP-Tree；subsequence matc

1對QAR数据建立分段后的树形结构

飞机飞行状态通常是稳定的，即QAR数据的属性值大量重复出现[1-2]，如此使得分段后的数据规律跟关联规则挖掘中大量项目同时出现的情况很类似[3]，因而可以把每个数据段当作一个项集，采用类似频繁项集挖掘的方法对其进一步信息整合，将类似的数据段集中到相近的位置，相同数据段只计算一次，提高数据搜索匹配的效率。

分段概率提取后的21元组的元素顺序既定[4]，在使用FP-Growth算法进行建树操作之前，不需第一步扫描数据库并按各项支持数进行排序，只需直接进行类似FP-Growth模式增长的建树操作。需要增加的是在该FP树的每个叶子节点上要添加一个indexList链表，用以记录所有重复了从根节点到叶子节点的所有数据域的数据段，即每条从根节点到叶子节点的路径都代表一个数据段，而indexList则记录了跟本路径相同的所有数据段标记。建树过程可通过以下示例对分段后所形成数据段S={ 0：[0，...， 0， 0.97， 0.03， 0， 0 ]T， 1： [ 0，...， 0， 0.94， 0.06 ， 0， 0]T， 2： [0，...， 0， 0.98， 0.02 ， 0， 0]T， 3：[ 0，...， 0， 0.97， 0.03， 0， 0]T}的处理具体描述如下：