Jadwal Sholat

Memuat jadwal sholatโ€ฆ

Editorial Teknik & Rekayasa

Open AccessOA2025

Deteksi Anomali Otomatis dan Analisis Kausal untuk Penerbangan Sipil Menggunakan Data QAR

MAD-XFP mengotomatiskan deteksi anomali dan analisis kausal untuk penerbangan sipil menggunakan data QAR, memungkinkan pemantauan berbagai event dan hasil yang dapat diinterpretasikan.
Xin Dang; Cong-Cong Hua; Chui-Tian Rongยท Applied Sciencesยท 2025ยท DOI 10.3390/app15052250

Masalah inti

Flight Operations Quality Assurance (FOQA) adalah solusi yang diakui secara internasional untuk memastikan keselamatan penerbangan pesawat sipil berdasarkan data Quick Access Recorder (QAR). Pendekatan tradisional untuk deteksi anomali dalam penerbangan sipil adalah mendeteksi nilai yang melewati batas (over-limit) dari parameter pemantauan untuk setiap event pemantauan berdasarkan standar yang dikeluarkan oleh otoritas penerbangan sipil. Biasanya, untuk setiap rutinitas operasi deteksi anomali, cara ini hanya bekerja untuk satu event pemantauan. Selanjutnya, analisis kausal untuk event anomali yang terdeteksi didasarkan pada keahlian pekerja yang relevan. Untuk meningkatkan efisiensi FOQA, makalah ini mengusulkan metode deteksi anomali dan analisis kausal otomatis yang disebut MAD-XFP.

Inovasi

Karena karakteristik industri data QAR yang unik dan persyaratan FOQA, teknik feature engineering dan optimasi hyper-parameter digunakan untuk meningkatkan model machine learning. Metode yang diusulkan dapat memantau berbagai event dalam satu rutinitas dan memberikan analisis kausal. Dalam proses analisis kausal, metode Shapley additive interpretation diterapkan untuk menghasilkan laporan analisis bagi anomali yang terdeteksi.
Pendahuluan
Flight Operations Quality Assurance (FOQA) adalah solusi yang diakui secara internasional untuk memastikan keselamatan penerbangan pesawat sipil berdasarkan data Quick Access Recorder (QAR). Pendekatan tradisional untuk deteksi anomali dalam penerbangan sipil adalah mendeteksi nilai yang melewati batas (over-limit) dari parameter pemantauan untuk setiap event pemantauan berdasarkan standar yang dikeluarkan oleh otoritas penerbangan sipil. Biasanya, untuk setiap rutinitas operasi deteksi anomali, cara ini hanya bekerja untuk satu event pemantauan. Selanjutnya, analisis kausal untuk event anomali yang terdeteksi didasarkan pada keahlian pekerja yang relevan. Untuk meningkatkan efisiensi FOQA, makalah ini mengusulkan metode deteksi anomali dan analisis kausal otomatis yang disebut MAD-XFP.

Mengapa penting

Metode MAD-XFP mengatasi keterbatasan FOQA tradisional dengan mengotomatiskan deteksi anomali dan analisis kausal. Dengan memanfaatkan feature engineering dan optimasi hyper-parameter, model machine learning disesuaikan dengan karakteristik data QAR. Penggunaan SHAP memberikan analisis kausal yang dapat diinterpretasikan, sehingga mengurangi ketergantungan pada penilaian ahli. Kemampuan metode ini untuk memantau berbagai event dalam satu rutinitas meningkatkan efisiensi. Hasil eksperimen menunjukkan presisi tinggi dalam mendeteksi event abnormal selama fase pendekatan, yang mengindikasikan penerapan praktis. Pekerjaan selanjutnya dapat diperluas ke fase penerbangan lain dan menyempurnakan analisis kausal.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten memberโ€ฆ