Identifying anomalies in FDR data through regression algorithms

Abstract

Uçuş Operasyonları Kalite Güvencesini (FOQA) geliştirmek için Regresyon analizi teknikleri uygulanarak anormal uçuşların belirlenmesinde yeni bir yaklaşım geliştirilmiştir. Mevcut FOQA yöntemlerinin çoğu, anormallikleri tanımlamak için önceden tanımlanmış eşik değerlerin kullanılmasını içerir. Ancak bu yeni yöntem, uçuş veri modellerinin modellenmesini ve bu modellerden sapmaların tespit edilmesini sağlayarak daha dinamik ve uyarlanabilir bir anormallik tespit sistemine olanak sağlamaktadır. Temel olarak çeşitli uçuş parametrelerinin değişkenli zaman serisi verilerini her bir parametre için modellere dönüştürür. Gerçek uçuş verileri bu modellerin oluşturduğu tahmini değerlerden önemli sapmalar gösterirse anormallik belirlenir. Bu tezde, NASA'dan alınan temsili bir Dijital Uçuş Veri Kaydedici veri kümesi kullanılarak, veri kümelerinin kalkış aşamaları dikkate alınarak testler yapılmıştır. Regresyona dayalı yaklaşım gerçekten de etkili olmuş ve anormal yunuslama sapmaları, olağandışı flap ayarları ve yüksek rüzgar koşulları da dahil olmak üzere bir dizi anormal davranış örneği tespit edilmiştir. Bu bulgular, regresyon analizinin uçakta kaydedilen uçuş verilerindeki anormallikleri tespit etmek için güçlü bir araç olabileceğine dair kanıtlar sunmaktadır. Bu ilk değerlendirmeye dayanan regresyon analizi, havacılık izleme ve güvenliğini artırabilir, dolayısıyla bu, uçuş operasyonlarında daha kesin ve güvenilir kalite güvencesi anlamına gelir. Havacılık endüstrisi daha esnek, veri odaklı modellere geçiş yaparak daha üstün operasyonel güvenlik ve verimlilik seviyelerine ulaşabilir.

A new approach has been developed to enhance Flight Operations Quality Assurance (FOQA) in identifying anomalous flights by applying regression analysis techniques. Most of the current methods of FOQA involve the use of thresholds predefined to identify abnormalities. However, this new method adopts the modeling of flight data patterns and detection of deviation from these models, thus allowing a more dynamic and adaptive anomaly detection system. It fundamentally turns multivariate time series data of various flight parameters into predictive models for each individual parameter. Anomalies will be triggered if the real flight data shows significant deviations from the predicted values that these models establish. The efficacy of this advanced approach was tested using a representative Digital Flight Data Recorder dataset from NASA, considering take-off phases of datasets. The regression-based approach was really effective, as indeed a number of instances of abnormal behavior were identified, including abnormal pitch excursions, unusual flap settings, and high wind conditions. These findings give evidence that regression analysis may be a powerful tool for detecting anomalies in onboard recorded flight data. The regression analysis based on this first assessment might significantly improve aviation monitoring and safety, hence more precise and reliable quality assurance in flight operations. By transitioning from rigid, threshold-based systems to more flexible, data-driven models, the aviation industry is able to achieve superior levels of operational safety and efficiency.