民机运行安全是民航最关注的问题,加强民航安全管理的重点就是准确分析风险及有效的风险控制。本文针对民机运行特点,通过研究数据表征数据的运行状态,采用基于数据驱动的相关技术,处理民机运行中得到的相关数据与运行风险之间的非线性问题以及时间累积效应导致的时变问题。本文所研究的具体内容包括:从复杂系统风险识别以及风险分析两点出发,针对民机运行特点,提出数据驱动相关技术在民机系统应用的可行性与研究思路,建立基于数据驱动的民机运行风险评估的框架体系。针对民机运行过程中数据非线性强且噪声较大的特点,将风险度量与风险识别相结合,构建了民机运行风险识别Copula-SVM模型,解决支持向量机模型(SVM,Support Vector Machine)中带有“厚尾”特性的不平衡数据集之间相关性的问题。用从某型飞机采集到的运行数据以及年度故障库作为样本数据,某型飞机运行的事故征候万架次率作为研究对象,选择故障率、非计划拆换率(URR,Unplanned Replacement Rate)、平均间隔故障时间(MTBF,Mean Time between Failures)等作为内部特征指标,天气、机械、机组、地面保障及其他为外部特征指标,所提出模型的精度高于80%,验证了模型的可行性。针对面向危害性后果的民机运行状况,采用故障树(Fault Tree,FT)映射到人工神经网络(ANN,Artificial Neural Network)的方法,实现动态安全风险分析。本文以某型,民机危害性后果“民机起火不可控”为案例,对该危险后果进行故障树分析,建立故障树并一一映射,采用人工神经网络ANN进行多次训练。利用算例,将得到结果与单纯使用FT的结果进行比较发现:ANN与FT结果匹配率较高,说明以FT映射的ANN模型是一种有效的风险评估技术。由于民机系统运行中需要处理非线性数据较强的模型,且还需要考虑到时间累积的问题,因此将长短期记忆网络(LSTM,Long Short-Term Memory)算法和遗传算法(GA,Genetic Algorithm)结合,建立风险动态预测模型。在算例分析中,将本文提出的方法与传统纯监督学习方法以及近年来的最新研究进行比较,发现使用该方法进行民机运行风险动态评估,其准确率优于传统监督学习模型方法。由此可知本章提出模型行之有效,能够较好地提高民机运行可靠性,有较强应用价值。