飞参数据是一系列与飞机运行状态相关的参数. 参数中的异常数据包含了大量涉及飞行安全、有价值的信息，这些异常数据由飞机本身系统故障或飞行员不规范、不寻常操作导致. 对飞参数据进行异常数据检测与分析^[1]，找出飞机及机载设备中不易察觉的异常，有利于维修维护、消除安全隐患和确保飞行安全，可以为后续状态监控与品质评估奠定基础^[2-3].

实际的民用航空器运营中异常数据稀少，数据样本不平衡且缺乏标注，现有方法对训练样本的平衡性与标签有一定的要求. 孙文柱等^[4]提出利用改进的支持向量描述单分类的方法，开展飞参数据判读. 基于分类的方法利用标签属性及有监督学习模型确定判别边界，需要足够多的带标签的数据样本构造分类器. 异常数据的典型样本缺失或数量稀少的问题导致难以覆盖异常数据的分布. Li等^[5]利用基于簇的聚类方法检测飞行级异常，该方法无需带标签的数据样本，但有赖于算法对正常数据结构的捕获能力，不能反映异常数据与正常数据间的差异. Melnyk等^[6]基于隐马尔可夫模型进行在线异常检测，不依赖标签数据，但依赖的数据分布先验模型在实际问题中不容易确定. Melnyk等^[7]对飞参数据进行拟合，利用预测值和观察值的残差进行检测，不依赖标签数据，但适用于在线检测，对飞参数据的拟合准确度有较高的要求. Breunig等^[8]采用最近邻方法，对数据聚类结果进行异常程度量化，对先验模型要求有所放宽，但当数据邻域复杂时会导致误检.

随着生成对抗网络(generative adversarial net, GAN)^[9]的出现，大规模带标签数据集缺乏的问题得以解决. Schlegl等^[10]提出利用AnoGAN框架，开展异常检测. Zenati等^[11]利用改进GAN进行异常检测任务，在图像和网络入侵数据集上实现了比前者先进的性能. GAN已成功用于复杂和高维分布的模型建模中，特别是在自然图像处理领域^[12-13]. 目前GAN也逐步应用于诸如运维日志级异常检测^[14]、航空航天异常事件检测^[15]的领域. 原始GAN及部分改进型的检测模型存在训练过程不稳定、易出现模型坍塌(mode collapse)的问题^[16]. 为了解决上述方法存在的问题, 本文借助改进GAN挖掘和利用不同架次飞参数据的相似性，构建异常检测模型，旨在从历史飞参数据库中挖掘异常的飞行行为. 该方法可以在异常数据稀少的状况下，仅通过对正常数据样本的训练，实现不依赖标签数据的飞参数据异常检测. 由于本文方法在原始GAN的损失函数上进行了改进，对训练样本本身的特征进行提取，提高了生成样本的多样性，拥有更好的特征模拟效果. 试验结果验证了所提算法的准确性与优越性.

受二人零和博弈的启发，Goodfellow等^[9]提出通过对抗过程生成模型的新框架，即生成对抗网络，是目前人工智能领域的研究热点之一. 原始生成对抗网络存在梯度消失、样本缺乏多样性的情况. Arjovsky等^[16-17]提出WGAN(Wasserstein generative adversarial nets)，改善了原始生成网络梯度消失的问题，大幅提高了模型性能.

原始生成对抗网络由生成模型与鉴别模型组成. 如图1所示，原理是训练生成模型G与鉴别模型D. 其中G捕获数据分布，生成新的样本数据；D作为鉴别器，判断输入的样本数据是真实还是生成的数据. G中输入随机变量z，输出G(z)是由G生成的与真实数据分布相近的生成数据. D的输入为真实数据x或者生成数据G(z)，输出为输入数据真实性的指标. 在训练过程中，G学习真实数据分布，逐步生成与真实数据分布具有较高相似度的生成数据，D在鉴别G(z)真实性的过程中提高了自身鉴别能力. 在动态博弈中，G与D学习到更多的特征，增强了自身的生成能力与鉴别能力. 在图像处理中，训练的结果是得到生成的模型G，生成所需的图片. 在异常事件检测中，训练结果将得到生成数据样本，利用测试集的样本与生成数据样本的分布上的距离，检测数据是否异常. 原始生成对抗网络的目标函数为

(1) $ \begin{split} \min _G \max _D V(G, D)= & \;E_{{\boldsymbol{x}} \sim p_{\text {data }}}[\ln \;D({\boldsymbol{x}})]+ \\ &E_{{\boldsymbol{z}} \sim p_{\boldsymbol{z}}}[\ln\; (1-D(G({\boldsymbol{z}})))] . \end{split} $

式中：p_data表示真实数据样本的概率分布，p_z表示生成器生成的样本概率分布，E为对应的期望.

深度学习模型的优化过程是最小化损失函数. 在近似最优鉴别器下，根据原始GAN的定义，生成器的损失函数L_g如下所示：

(2) $ L_{\mathrm{g}}=E_{{\boldsymbol{x}} \sim p_{\mathrm{g}}}[\ln\; (1-D({\boldsymbol{x}}))]. $

式中：p_g为由生成器隐含地定义为在z~p_z时G(z) 的概率分布.

引入相似度衡量指标JS (Jensen-Shannon)散度，p_data与p_g的JS散度计算方法如下：

(3) $ \begin{split} \mathrm{JS}\left(p_{\text {data }} \| p_{\mathrm{g}}\right)= &\; \dfrac{1}{2} \mathrm{KL}\left(p_{\text {data }} \|0.5 {(p_{\text {data }}+p_{\mathrm{g}})}\right)+ \\ &\dfrac{1}{2} \mathrm{KL}\left(p_{\mathrm{g}} \| 0.5{(p_{\text {data }}+p_{\mathrm{g}})}\right). \end{split} $

式中：KL (Kullback–Leibler divergence)散度中的2个输入概率分布分别表示为p₁、p₂，则KL散度的计算方法为

(4) $ \mathrm{KL}\left(p_1 \| p_2\right)=E_{{\boldsymbol{x}} \sim p_1} \ln\; ({p_1}/{p_2}). $

训练过程使得鉴别器接近最优，即最小化生成器的损失函数，等价于最小化下式：

(5) $ 2 \mathrm{JS}\left(p_{\text {data }} \| p_{\mathrm{g}}\right)-2 \ln\; 2. $

此时最小化损失函数近似于最小化p_data与p_g之间的JS散度.

由于最初随机生成分布一般与真实分布有较大的差距，两者分布的重叠部分几乎可以忽略，导致JS散度接近于常数，出现梯度消失的问题^[16]；因此，易造成生成器模型产生过多的相似样本，出现模型坍塌现象，即缺乏具有多样性的样本，导致模型精度无法再提高，进而无法还原真实样本分布. 可见，原始的GAN在实际过程中较难达到纳什均衡.

针对GAN分布重叠问题，大多采用更改生成对抗网络中的神经网络模型的方案，如DCGAN^[18]. 与原始GAN相比，在GAN理论的框架下对生成器和鉴别器的网络架构进行枚举尝试，没有解决根本问题. Arjovsky等^[17]在分析了原始GAN的问题后，提出将Wasserstein距离定义为生成器的损失函数的方法. Wasserstein距离又叫推土机(earth-mover, EM)距离，如下所示：

(6) $W\left(p_{\text {data }}, p_{\mathrm{g}}\right)=\gamma \sim \prod\left(p_{\text {data }}^{\;\;\;\;\;\;\;\inf }, p_{\mathrm{g}}\right) E_{({\boldsymbol{x}}, {\boldsymbol{y}}) \sim \gamma}[\|{\boldsymbol{x}}-{\boldsymbol{y}}\|]. $

式中：Π(p_data, p_g)为p_data与p_g组合起来的所有可能的联合分布的集合；γ为可能的联合分布；x、y分别为真实样本和生成样本；E_(x,y)~γ [||x−y||]为在联合分布γ下样本对距离的期望，能够对该期望取最大下界 $\gamma \sim \prod\left(p_{\text {data }}{ }^{\text {inf }}, p_{{\rm{g}}}\right) E_{({\boldsymbol{x}}, {\boldsymbol{y}}) \sim \gamma }[\|{\boldsymbol{x}}-{\boldsymbol{y}}\|]$，即为Wasserstein距离. 相比JS散度的优越性在于，即使2个分布没有重叠，Wasserstein距离依然能够反映它们的远近. 使用Wasserstein距离代替JS散度的生成对抗网络，即WGAN. 式(6)中 $\gamma \sim \prod\left(p_{\text {data }}{ }^{\text {inf }}, p_{{\rm{g}}}\right) E_{({\boldsymbol{x}}, {\boldsymbol{y}}) \sim \gamma}[\|{\boldsymbol{x}}-{\boldsymbol{y}}\|]$不能直接求解，可以变换为下式^[17]：

(7) $ W\left(p_{\text {data }}, p_{\mathrm{g}}\right) = \frac{1}{{K}}{{\rm{sup}}_{{{\left\| f({\boldsymbol{x}}) \right\|}}_{\rm{L}} \leqslant K}} {E}_{{\boldsymbol{x}} \sim p_{\text {data }}}[f({\boldsymbol{x}})]-{E}_{{\boldsymbol{x}} \sim p_{\mathrm{g}}}[f({\boldsymbol{x}})]. $

在WGAN的基础上加入梯度惩罚(gradient penalty, GP)，即在原鉴别器损失函数中加入惩罚项，如下所示：

(8) $ \begin{split} L(D)= & E_{{\boldsymbol{x}} \sim p_{\mathrm{g}}}[D({\boldsymbol{x}})]-E_{{\boldsymbol{x}} \sim p_{\text {data }}}[D({\boldsymbol{x}})]\;+ \\ &\lambda E_{{\boldsymbol{x}} \sim p_{\hat{{\boldsymbol{x}}}}}\left[\left\|\nabla_{\boldsymbol{x}} D({\boldsymbol{x}})\right\|_2-1\right]^2 . \end{split} $

文献[19]的实验表明，以WGAN-GP的形式进行搭建，显著提高训练速度且训练稳定，与原始WGAN相比，性能占优.

飞参异常数据无论在飞行器试验中还是实际运营中普遍稀少，难以覆盖异常数据的分布. 本文提出不需要使用异常样本进行训练的方法，仅利用大量正常样本对模型进行训练，选用WGAN-GP的改进生成对抗网络作为对抗网络模型. 飞参数据的原始数据主要来源于系统的飞行参数及关键系统部件的工作状态参数.

针对飞参数据的飞行级异常检测，数据样本多为连续的时间序列，利用对抗网络进行训练，须进行数据的预处理. 利用插值补全缺失值，构建统一航段的同维度的数据集，在完成归一化后，形成如图1所示的训练样本. 图中，该样本均为正常样本 X_train，测试样本 X_test 为待测航段的样本，包含异常数据样本.

WGAN-GP的网络结构与参数如图1与表1所示. 该模型由生成器G_n和鉴别器D_n的各自网络组成，G_n与D_n主要由卷积层组成. 利用该模型进行飞行级异常检测，须利用飞参数据的连续特征. G_n的输入为连续的随机向量z，维度和训练样本X_train的维度一致，各层的具体张量维度如表1的输出维度所示. 输入层采用全连接(Dense)的神经网络，设置若干卷积层(Conv1D)网络,在层级之间采用批标准化操作(BatchNormalization，BN)，以加速收敛并减缓过拟合现象. 各层均采用带泄露修正线性单元函数(leaky rectified linear unit，Leaky ReLU)作为激活函数，在输出层采用tanh作为激活函数，生成样本 X_G.

鉴别器D_n的网络结构参数设计与生成器G_n基本对称. 输入层采用卷积网络，卷积层的激活函数使用LeakyReLU，且添加池化层(MaxPooling1D). 输出层采用全连接层. tanh作为激活函数，输出该批次数据.

如图1所示，对鉴别器网络进行训练时固定生成器，将与X_train同维度的随机向量z输入生成器，得到生成样本X_G. 将X_train作为输入给鉴别器，鉴别器对X_G进行鉴别，求出损失误差后反向传播. 对鉴别器的网络参数进行调整，更新鉴别器的模型参数. 当训练生成器网络时，固定鉴别器的网络权重，根据反馈的输出来计算误差，利用反向传播生成器的网络参数进行调整. 经过多轮次的迭代，对模型进行检验与调参优化.

将整体模型的批训练量(BatchSize)设置为5，学习率l_r设置为0.000 01，优化器为Adam.

如图2所示，将生成对抗网络按2.1节的方法进行网络模型训练. 完成后，检测器将X_test与X_G进行比较，求两者的巴式距离(Bhattacharyya distance)，如下所示：

(9) $ D_{\mathrm{B}}=-\ln \left(\mathrm{BC}\left({\boldsymbol{X}}_{\text {test }}, {\boldsymbol{X}}_{\mathrm{G}}\right)\right). $

式中：BC(X_test, X_G)为Bhattacharyya系数，

(10) $ \operatorname{BC}\left({\boldsymbol{X}}_{\text {test }}, {\boldsymbol{X}}_{\mathrm{G}}\right)=\sum_{{\boldsymbol{X}} \in X'} \sqrt{{\boldsymbol{X}}^{\rm{T}}_{\rm {test }} {\boldsymbol{X}}_{\mathrm{G}}} , $

其中X'为测试样本与生成器生成样本的集合. 巴氏距离用于测量2个离散或连续概率分布的相似性，可以反映2个维度相同而分布不同的样本的相似程度. 若模型方法设计良好，训练有素，则能够成功地学习到训练数据分布的良好近似. 检测时，通过计算输入事件与生成事件的样本的巴氏距离，能够实现对异常飞参数据的精确检测.

训练完成后，在包含N_A个异常样本的测试集中，逐次计算每一个X_test与X_G的巴氏距离D_B，作为异常得分A_n {a₁,a₂, ···, a_n}. 依据实践设定阈值，根据阈值划定异常区间. 在异常区间内的判定为异常样本，其余的为正常样本^[20]. 阈值的设定以综合性能指标(F₁分数)最优为标准. 具体算法如下.

For 变量1 in range(测试样本数N)：

输入异常得分a；

将a作为阈值求得异常区间；

设处于异常区间的个数为函数N_b(a)，其中正例样本个数为N_t(a)；

计算F₁分数：

(11) $ F _1=\frac{2 N_{\rm{t}}(a)}{N_{\rm{b}}(a)+N_{\rm{A}}} $

将F₁加入集合L_F1{F1₁, F1₂, ···, F1_n}

End For

确定阈值 a_m = max (L_F1)，求得各项性能指标.

飞参数据异常检测的主要性能指标有精确率、召回率、综合评价指标( F₁分数) 、AUC等.

1）精确率P (Precision)为预测正确的正例数占预测为正例数的比例，P = TP /( TP+FP). 其中TP为预测正确的正例数，FP为预测错误的正例数.

2）召回率R (Recall)为预测正确的正例数占实际正例数的比例，R = TP /( TP+FN). 其中FN为被错误预测为负例的数量.

3）F₁分数，F₁ = 2PR/(P+R) . 由于在实际应用中精确率与召回率这2个指标是相互制约的，通常会根据任务需要选择合适的平衡点，取最理想的召回率和精确率.

4）AUC(area under curve)为接受者操作特性(receiver operating characteristic, ROC)曲线下与横坐标轴围成的面积. ROC曲线的横坐标为假正例率(false positive rate, FPR)，即预测错误的正例数占预测为正例数的比例，FPR = FP/(TP+FP)；纵坐标为真正例率(true positive rate，TPR)，即召回率R.

为了验证本文方法的可行性，评估模型的性能指标，利用Python及Tensorflow、Keras深度学习框架编写试验验证程序. 分别采用人工合成数据集与真实运营环境下民用飞机的快速存取记录器(quick access recorder, QAR)数据，构建数据集进行验证.

采用NASA研究团队制作的用于飞参数据异常检测的数据集^[21]. 对比DCGAN、GAN相似网络参数下相同检测方法的不同模型、利用Pyod工具包进行单类支持向量机^[22] (one-class support vector method, OCSVM)检测方法(此时分布距离由异常评分代替)得出的结果.

该数据集模拟真实工况下产生的多维飞参数据，共有300个飞参数据样本. 其中训练集有150个样本，均为正常数据；测试集有150个样本，包含12个异常样本. 每个样本拥有1 000个时间采样点、10个离散特征、5个连续特征.

为了模拟飞机系统，离散特征选择有“1”和“0” 2种，用于模拟飞机各子系统或关键模块的离散开关（如飞行员输入或故障输入），连续特征模拟记录飞行参数或关键系统参数，离散开关影响连续输出的参数. 离散特征的不同参数按一定方式变换，每个连续特征的参数都由一组离散特征作为输入变量，对每组变量的状态都定义了一组高斯分布^[23],生成300个样本. 在测试样本中，随机选择航段，注入不同的故障类型，包含3种典型的与离散特征相关的异常样本，分别涉及无序离散开关序列、开关额外切换及开关缺失情况下对应的连续特征参数^[21]. 如表2所示，分别对应模拟因飞机故障或不寻常操作导致参数异常的情况.

采用5个连续特征构建试验数据集，命名为S1~S5.

参照2.1节，针对不同的模型的网络进行训练，以S3为例，训练样本与各模型的典型生成样本的连续特征如图3(a)所示. 图中，X为连续特征参数，t为时间采样点. 可以看出，WGAN-GP的生成样本较贴近网络输入的训练样本，DCGAN与训练样本的差异不大，相对WGAN-GP的生成样本在连续特征相似程度上居于次位，GAN的生成效果不佳，出现mode collapse现象. 生成样本缺乏多样性，无法还原正常样本分布.

余弦相似度是刻画连续的数据分布在方向上的差异的常见方法. 计算公式如下所示：

(12) $ \cos <{\boldsymbol{x}}_i, \tilde{{\boldsymbol{x}}}_i>=\frac{\displaystyle\sum_{j=1}^m x_{i j} \tilde{x}_{i j}}{\sqrt{\displaystyle\sum_{j=1}^m x_{i j}^2} \sqrt{\displaystyle\sum_{j=1}^m \tilde{x}_{i j}^2}} . $

式中：x_ij为第i个训练样本的第j个元素， $\tilde{x}_{i j} $为相应的生成样本，m为单个样本的元素个数.

为了比较生成样本与训练样本的差距，分别求出3种生成对抗网络的生成样本与训练样本的余弦相似度，绘制的概率密度曲线如图3(b)所示. 图中，D为密度. 曲线越接近于1，说明2种向量分布在方向上的差距越小. 从图3(b)可以看出，WGAN-GP的曲线在三者中最接近1，与训练样本在方向上的差距最小，DCGAN次之，GAN的曲线在不接近1的方向上与前两者的曲线相距甚远，说明与训练样本在方向上的差距十分明显. 三者在余弦相似度上表现出连续特征与训练样本的差距，与直接观察所得的结论一致，WGAN-GP生成样本的多样性丰富，训练稳定，还原正常样本分布的效果甚佳.

以取得综合性能最优为标准，F₁分数最高对应的阈值作为判定阈值，按第2章方法进行试验. 在网络训练完成后进行异常检测，根据2.2节算法应用巴氏距离的检测方法，以S3数据集为例，检测结果如图4(a)所示. 图中，D_B为巴氏距离. 在阈值划定的异常区间内的航段认定为存在异常样本的航段，由此得出的异常检测性能指标如表3所示，精确率达到1，F₁分数达到0.737，AUC为0.717. 3类典型异常样本如图4(b)所示. 与图3(a)相比，在连续特征上，I类典型异常样本与训练样本即正常样本的差距不大，II类、III类典型异常样本与训练样本的差距明显. 回溯各异常航段的样本可以看出，检出的样本均属于II、III类异常样本，未检出的样本多属于I类样本，与本文检测方法的理论假设一致.

本文方法在其他合成数据集上进行试验的部分性能指标如表3所示. 可以看出，在不同的连续数据集上，该算法的精确率均为1，除S5数据集外，F₁分数与AUC均大于0.7.

如表4所示为不同模型下相同检测方法的结果. 可以看出，虽然除本文方法外，包括OCSVM在内的其他模型都检测出了异常数据样本，但将一部分异常样本判定为正常样本，导致AUC低，综合检测能力不强. 除S5外，本文方法的检测特征AUC均高于其他方法，与其他方法相比，F₁分数最高提升了71.4%，AUC最高提升了161.56%.

如图5(a)所示，对于各方法的检测特征中ROC曲线，针对S1~S4，利用本文方法得出的ROC曲线总体上高于其他方法，与横轴围成的面积AUC最大，验证了本文方法检测的总体性能指标较其他方法有明显的提升.

S1~S5经t-SNE可视化数据降维^[24]后的分布情况如图5(b)所示，相比于S1~S4，数据集S5的异常样本特征不明显，与正常样本的区分度不高. 检测时，将还原了正常样本特征的生成数据分布与包含异常的测试数据分布进行相似度比较. 针对S5的试验因异常样本特征不明显，除OCSVM方法外，其余应用生成对抗网络的检测方法性能指标下降明显，在同类生成对抗检测模型中本文方法的性能指标最优. OCSVM将样本通过核函数^[25]映射到高维特征空间，在高维特征空间中构造线性判别函数，实现样本的分类,不通过样本本身的连续特征来确定边界. 对于4种基于OCSVM方法的飞参数据检测实验^[4]，3类不同的人工合成数据集上性能表现趋势相同. 可见，与本文方法相比，OCSVM的无监督方法在多数情况下性能指标不占优，但具有较好的泛化能力.

采用来自国内某航空公司波音系列宽体客机机队的QAR数据作为真实数据集. 依据航线维修记录本及使用困难报告，整理出存在异常数据的航班. 将该航班对应的飞机在异常数据产生前后的一周内的数个航班对应QAR数据，作为数据集筛选的基础. 选取参数变化较多且易发生安全事故的起飞阶段的1 000个采样点，构建样本，使用本文方法进行异常检测.

在某次执飞任务中，飞机左内侧某襟翼位置传感器发生故障. 相关报告指出，机务人员在飞机短停检查期间发现告警信息，因短停时间不足给予了故障保留处理，在发现故障后的第2个航班结束后进行处置，更换了该传感器. 在构建的数据集中存在2个故障航段对应的2个异常样本. 以该机队12个月的QAR数据为一个周期，统计单机航段的襟翼相关参数异常样本数量如图6(a)所示. 图中，N为样本数量. 该周期内总计1 095个航段（每个单程航班的架次视为一个航段），其中正常样本的航段为1 083个，包含襟翼相关参数异常的航段仅为12个. 采用该机发生故障前后一周内的航段作为测试样本，在该周期内的正常样本的航段为训练样本. 根据第2章的检测方法进行试验，检测结果如图6(b)所示，成功检测出2个包含异常样本的航段，其余航段正常.

该传感器反映的是对应襟翼的位置参数，单位为角度. 如图6(c)所示为传感器参数随时间的变化关系. 图中，θ为位置参数，即角度，上半部为起飞阶段，下半部为整航段的θ与时间的变化关系. 发生传感器参数异常的航段参数极不稳定，相较于图6(c)右半部中排除故障后的航段，参数在一定范围内上下跳变.

扰流板在飞机巡航阶段协助副翼和襟副翼控制飞机倾斜，在降落和着陆阶段协助刹车，通过电传方式控制，一般成对移动. 在某次飞行任务结束后，机务人员航后检查出现扰流板咨询信息，检查发现右侧一扰流板失效，另一侧对应的扰流板正常，因时间不足给予了故障保留处理，飞行2个架次后，更换了该扰流板的电子马达控制单元. 与一个周期内的QAR数据相比，扰流板相关的异常样本数量如图7(a)所示. 1 095个航段中存在18个包含异常样本的航段，其余航段均为正常样本.

令扰流板偏转角度参数构成样本，使用本文方法进行异常检测. 采用该机发生故障一周内的航段为测试样本，该周期内其余航段为训练样本. 异常检测结果如图7(b)所示，检测出2个异常航段.

在该机测试样本中，扰流板偏转角度如图7(c)所示，故障保留后的2个航段的参数随时间的变化关系如图7(c)所示，扰流板一直处于伸出状态，整个过程未发生变化. 故障发生前及排除故障后的航段参数如图7(c)所示，起飞阶段扰流板发挥协助倾斜功能时的最大偏转角度为45°，降落阶段扰流板作为减速板时的最大偏转角度为60°，符合正常状态下扰流板的偏转角度.

在一般情况下，水平安定面用来配平飞机的俯仰力矩，保证飞行安全，减轻飞行员的操纵负荷. 飞机在不同的飞行阶段和状态下需要不同的安定面状态. 在某次飞行结束后，机务人员发现飞机健康管理系统(aircraft health management, AHM)告警信息中出现“STAB CHANNEL”，关联了飞行控制系统相关的维护信息，根据飞机维修手册更换了左安定面配平动作器电子马达控制单元，并测试通过. 与机队的QAR数据相比，该类水平安定面状态参数异常样本在该周期内的数量如图8(a)所示，1 095个航段中仅占5个.

令安定面状态参数构成样本，使用本文方法进行异常检测. 采用该机发生故障前后一周内的航段作为测试样本，在该周期内的正常样本作为训练样本. 异常检测结果如图8(b)所示，检测出2个异常航段. 其中一个航段是报告中机务人员处置的存在异常信息的航段，前序的异常航段机务人员未作更换处置. 查证相关报告可知，该航段机组人员曾上报巡航中出现“STABILIZER L2”发动机指示和机组警告系统告警信息，完成了相应的非正常检查单. 机务人员在该航段后短停期间，根据故障隔离手册完成了安定面系统测试，测试正常，因此判定故障消除. 该航段后的2个航段水平面状态参数均未出现异常，所以判定该航段为潜在(即未处理的)异常航段.

如图8(c)所示为安定面状态参数随时间的变化关系. 正常航段在起飞爬升及进近降落阶段，随着舵面运动发生变化，异常航段与潜在异常航段在起飞爬升阶段发生变化，在进近降落阶段，与巡航阶段保持一致，θ一直保持为−0.03°，直至该次飞行任务结束.

本文提出基于改进型生成对抗网络的方法. 采用基于Wasserstein距离的卷积的改进生成对抗网络的飞参数据异常检测方法，全部使用正常样本进行训练. 采用合理算法，计算生成样本与待测样本的巴氏距离，实现异常飞参数据的有效检测. 在NASA人工合成的数据集上的试验表明，可以有效检测出测试集中的异常样本. 针对原始数据特征空间分布明显的数据集，F₁分数和AUC这些关键性能指标较GAN、DCGAN模型及OCSVM异常检测算法有明显的提升，训练过程稳定. 利用真实生产环境下飞行记录器采集的QAR数据进行试验，取得了良好的异常数据检测效果. 从QAR数据角度看，不同故障发生时会导致相应的参数发生变化，参数异常检测为故障检测与定位提供了有利条件. 理论推导与试验验证全部采用正常样本进行训练，不依赖异常训练样本的数量及整体样本的平衡性. 这对异常样本稀少、样本数据不平衡的民用航空领域有很好的适用性和针对性. 本文方法可以拓展用于不同结构类型的时间序列异常检测，具有一定的泛化能力. 未来将努力提高检测方法的鲁棒性、提升综合性能指标，实现工程应用.