基于QAR数据的着陆超限风险贝叶斯网络分析模型

为分析民机着陆超限风险及其影响因素，基于飞行快速存取记录器(Quick Access Recorder, QAR)数据，构建着陆超限风险贝叶斯网络分析模型。首先，采集2019年和2020年国内某航空公司B737-800机队共37 443个航段QAR数据作为样本数据；然后利用GeNIe 3.0软件GTT(Greedy Thick Thinning)算法进行参数学习，建立着陆超限风险贝叶斯网络(Bayesian Network, BN)模型，应用10-fold交叉验证方法对模型进行检验。结果表明，着陆超限风险贝叶斯网络可有效分析着陆超限事件的因果关系，计算得出样本机队减小着陆超限风险的飞行参数组合。该分析模型可用于对机队或飞行员个体的着陆超限风险预测，为降低着陆飞行超限风险、前移安全关口提供客观依据。     

QAR数据在飞行安全评价中的应用

为提高航班飞行安全水平,帮助航空公司制定有针对性的飞行技术提升措施,采用QAR数据建立飞行安全评价模型。模型以QAR超限事件为评价指标,通过确定白化权函数,并利用离差最大化原理得到各指标权重;再应用灰色聚类方法评价一定时期内的飞行安全水平;最后以某航空公司B737-800机队2014年度QAR超限频率较高的5类实例事件对评价模型进行验证。结果表明:该公司6月、9月、12月运行情况很好,而1月、7月运行情况很差,这一结果与实际情况基本吻合,证明模型适用于飞行安全评价。     

配对进近侧向位置误差QAR参数关联性分析

为研究配对飞机进近阶段飞行员操作和环境因素与侧向位置误差间的关联性,结合快速存取记录器(QAR)数据,基于飞机侧向位置修正过程,识别影响侧向位置误差的QAR参数;建立模糊关联模型,模型中运用模糊C均值(FCM)聚类方法将QAR参数的样本值聚类,得到每个参数的隶属度矩阵;结合Apriori算法,挖掘参数间及参数与侧向位置误差间的关联规则;基于关联规则量化其中的关联性,使用A320-200的真实样本数据进行关联性分析。结果表明:识别出的QAR参数在指定30%支持度下都与侧向位置误差相关;飞机的仰角、坡度、方向舵位置以及风向对侧向位置误差影响较大。     

基于SPA-Markov的飞行安全态势评估与预测研究

为提高航空公司飞行安全风险控制和预测水平,利用QAR数据作为支撑,结合集 对分析和马尔科夫理论建立飞行安全态势评估模型。该模型以QAR超限事件为评估指标 ,采用集对分析中的联系度来描述安全风险等级;运用马尔科夫理论确定安全状态的转 移概率矩阵,以预测飞行安全动态变化趋势。最后以某公司A320机队6个月发生频率最 高的7类超限事件对模型进行验证。结果表明:该公司2月、6月和预测月份的安全状态 为一般风险,其他月份为低风险;总体安全状态也为一般风险,并有增加趋势。     

基于灰色聚类方法的航空公司飞机进近着陆阶段安全性评估

进近着陆阶段时间短、任务重、环境复杂,是飞行事故多发阶段。飞行机组应当具备过硬的心理素质和熟练的驾驶技术,严格执行标准操作程序,提升稳定进近能力和复飞的决断能力,保障飞行安全。本文通过综合分析民用飞机在进近着陆时的影响因素和QAR译码数据,建立相关指标体系,构造出相应灰色聚类评价模型,根据综合聚类系数对航空公司某阶段飞机进近着陆安全性进行评估。该研究为航空公司进行进近着陆阶段安全性评估提供了一种较为科学的定量化依据,对于保障飞行安全具有现实意义。     

基于蒙特卡洛方法的着陆擦机尾风险预测

为解决对航班和机队着陆时擦机尾风险客观预测问题，基于飞行QAR数据和蒙特卡洛模拟方法，建立擦机尾风险预测模型，将某航空公司Boeing737-800机队的380套QAR数据作为样本数据，运用MATLAB编程进行5 000次模拟抽样试验，得到不同机队着陆时俯仰角的分布和擦机尾风险预测曲线。研究结果表明:当着陆俯仰角大于4.5°时，机队2擦机尾风险较大；运用蒙特卡洛模拟预测的飞机着陆俯仰角更为稳定和准确。该模型可进一步软件化，为航空公司的擦机尾超限事件管理提供可靠性指标参考，实现对飞行员操作风险的动态管理。     

基于差异检验的飞行超限事件参数特征分析

提出一种利用差异检验对QAR超限事件与飞行记录数据进行分析的方法,以从海量的QAR飞行数据中提取出带有指导意义的信息。首先研究了将KW检验应用于QAR超限事件分析的可行性;然后针对某超限事件进行典型参数选择,并对发生与未发生该超限事件进行分组,对所选择的航班采样数据进行KW检验,根据检验结果判断某飞行阶段中被选择的典型参数是否存在显著差异。最后对于存在显著差异的参数,分析其参数特征,通过理论与经验对其进行解释,研究其对于超限事件的影响。通过对爬升速度大（35-1000 ft）,下降率大（2000-1000 ft）及接地点远三项超限事件进行举例分析,可以看出KW检验能够分析飞行参数的分布差异,进而为事件分析提供经验性的判读依据,并为飞行安全管理工作提供指导。     

基于QAR记录数据的民航飞行员操作特征指标结构研究

为了定量评价飞行员的操作水平,进行了飞行员操作特征指标结构的研究.首先根据操作行为的心理学原理,结合飞行员的操作行为特点对飞行员的操作行为进行分析,得到4个描述民航飞行员操作特征的指标向量:完整性、平稳性、准确性、及时性.以E190飞机为例,结合该型飞机的QAR记录数据以及相关的监控标准,形成了一套完整的能够反映飞行员操作特征的指标结构,并建立其计算模型.以及时性为例,对某航空公司的3位E190机长操作的及时性做出定量评价.该指标结构的研究实现了对飞行员操作水平的定量评价,为中国民航的飞行训练和飞行安全管理工作提供了技术支持.     

基于因子分析与突变级数法的飞行安全状态评价研究

为合理评价航空公司的飞行安全状态,利用QAR超限事件作为原始数据,运用因子分析法确定评价指标及其重要程度。针对飞行运行的动态性,引入无需确定指标权重的突变级数法构建评价模型;利用某航空公司2015和2016年24个月的QAR数据,使用该模型进行评价,所得的评价结果与该公司的实际飞行安全状态基本相符合。结果表明:基于因子分析与突变级数法的飞行安全状态评价模型可用于实际评价工作中,且评价结果较为真实可靠。     

基于任务情境的航线飞行员脑力负荷特征研究

为探究飞行任务中航线飞行员的脑力负荷特征，开展了2种经验水平(机长、副驾驶)×3种任务阶段(进近阶段、火警阶段、着陆阶段)的混合双因素设计试验，记录HR、HRV、EDA和眼动指标作为因变量，建立广义线性混合模型并分析数据。结果显示，与副驾驶组相比，机长组HR均值、SCL、SCR和平均瞳孔直径更小，IBI均值和PNN20更大；被试在不同任务阶段的脑力负荷生理特征亦存在差异。研究表明，航线飞行员的脑力负荷特征受到经验水平的影响，机长在全部任务阶段中脑力负荷均低于副驾驶；不同任务阶段的脑力负荷特征存在差异，由进近阶段到着陆阶段，航线飞行员的脑力负荷表现出逐级上升的趋势。研究结果可为实现循证训练、提高训练效率提供数据支持，有助于提升飞行安全水平。     

基于Petri网的进近操作管理模型研究

据世界民航所发生的飞行事故情况看,进近着陆阶段时间短、任务重、环境复杂,是飞行事故多发阶段,占很大的比重,因此进近着陆是保证飞行安全的重要阶段。大多数事故是发生在仪表着陆系统出现故障的非精密进近方式。以机组非精密进近的主要飞行操作为基础建立基于Petri网的事故致因模型,统计分析相关的致因因素,计算相关风险值,通过对数据的分析反馈,形成对相应飞行员的针对性学习及训练的系统性管理模式。     

基于DBN的飞机着陆弹跳预测方法

飞机着陆弹跳是航班运行中经常发生的不正常事件,为掌握着陆弹跳的诱因并有效预防该类事件发生,首先,提出一种基于深度置信网络(DBN)的飞机着陆弹跳预测方法;其次,通过航空运行数据评估事件与着陆机场环境条件的相关性,以东航实际着陆弹跳事件为例,探究着陆时油门杆位置与弹跳的变化趋势;然后,分别讨论触地前飞行员操纵、飞机状态和飞机的不稳定进近对着陆弹跳的影响;最后,以不同信息的组合作为输入训练模型,对比预测精度,找到最优模型。研究结果表明:基于DBN的方法适合利用大量航班数据预测着陆弹跳事件;当网络输入包含机场环境条件、飞机油门杆位置等着陆弹跳直接影响因素,以及不稳定进近等非直接影响因素时,该预测模型能够较准确地预测着陆弹跳事件,其预测准确度可达到94.78%。     

基于模糊加权Markov方法的飞机重着陆风险控制研究

飞机重着陆严重影响着飞行安全,控制重着陆事件风险是该领域研究难点.提出了模糊加权Markov模型方法,进行飞机重着陆状态预测研究.首先,通过起落架接地受力分析,确定飞机接地载荷作为描述重着陆状态的特征参数,并引入模糊有序聚类算法,获得重着陆状态划分规则;然后,针对起落架接地载荷进行状态分级,计算载荷序列的自相关系数,获取多时滞Markov链的权值;最终,建立加权Markov模型,预测起落架接地载荷时序分布,根据载荷序列概率分布来评价重着陆等级,实现重着陆风险的控制.工程实例表明,该算法准确率高,具有较好的空间性能和时间性能.     

基于QAR的民航机队起飞阶段风险仿真方法

为了宏观量化民航客机起飞阶段的风险水平,提升飞机起飞的安全性,基于不确定性信息的模糊性和随机性,建立了基于二维云的蒙特卡洛仿真模型,有效增加飞机起飞阶段风险数据的样本量,通过与标准云的比较确定民航机队起飞阶段的风险特征.采集某航空公司B737-800机队351套QAR数据作为样本,通过对飞机起飞关键操作的分析,选取离地速度、抬头速率、离地仰角3个起飞关键参数作为风险评估指标,运用MATLAB编程处理QAR数据并对模型进行验证,得到3个机队起飞阶段的风险均值.通过风险收敛性分析得出二大队的起飞风险最高,这是因为在起飞阶段二大队的关键操作风险偏高.该方法可应用于航空公司对不同机队起飞阶段风险的动态管理.该仿真模型的样本数据分布更加稳定,解决了风险的随机性和模糊性,有利于航空公司实现飞机运行风险可视化,对飞行员关键操作的针对性训练具有一定的指导意义.     

基于关联规则的跑道着陆事件演化网络构建研究*

为了提高航空运输系统安全性,针对航空器着陆过程中冲偏出和重着陆事件的关联机理开展研究。以84起跑道着陆事故调查报告为样本,利用Python分词工具提取风险因素并建立跑道着陆事件数据集,应用Apriori算法挖掘风险因素间关联规则,基于复杂网络理论构建该类事件演化网络,分析社团结构和拓扑特征。研究结果表明:本文所构建的网络密度为0.143,网络较为紧密,风险因素间强关联;网络社团结构显著,符合飞行操纵、运行状态、运行环境、不利条件的分类特点;网络关键节点“航线训练”、“接地速度大”综合值分别为0.599 8、0.589 0。研究结果可为飞行安全研究提供新思路。     

基于多生理信号的飞行警戒疲劳检测

为预防事故发生,保障飞行安全,提出一种基于多生理信号和支持向量机(SVM)的飞行警戒疲劳检测方法,识别飞行员飞行警戒中的疲劳状态。首先,研究疲劳评价与检测方法,并基于自主开发的飞行警戒测试系统与多导生物反馈仪和眼动仪搭建试验平台;然后,采集飞行警戒作业中的心电、眼动、呼吸等多生理信号和主观疲劳自评值;再次,通过配对样本的非参数检验,提取敏感生理指标,并以此作为特征向量,通过机器学习训练,构建基于多生理信号和SVM的疲劳检测模型;最后,依据受试者工作特征(ROC)曲线和模型准确率,对比分析各疲劳检测模型的效果。结果表明：在飞行警戒疲劳状态下,作业者的多项生理指标均有显著变化;心电、眼动和呼吸等多生理信号融合较单一信号的疲劳检测效果好,其ROC曲线下面积为0.802。基于高斯径向基核函数(RBF)构建的疲劳检测模型训练及预测准确率可达93%和87.50%。基于多生理信号和SVM方法可以实现对飞行警戒疲劳状态的检测。     

终端区航空器异常轨迹识别研究

为保障终端区航空器飞行安全,减轻管制员工作负荷,首先,综合考虑航空器轨迹位置、速度和高度等因素,提出终端区航空器异常轨迹的定义和识别流程;其次,建立基于速度修正系数的轨迹相似性模型,采用谱聚类方法对终端区航空器轨迹自动分类;最后,计算每类轨迹数据分布的特征,选取2条中心轨迹来表征每类轨迹的位置特征,提取轨迹间相似性距离和飞行距离作为异常特征因子,识别航空器异常轨迹。结果表明:用基于速度修正系数的轨迹相似性模型,能够实现航空器轨迹自动分类,分类结果较为合理准确;改进异常特征因子,设置2条中心轨迹时,相较于设置1条中心轨迹,检测效果更好。     

深度学习在危险天气自动识别中的应用研究

基于机器视觉的危险天气自动识别技术近年来已成为研究热点，但模型识别准确率不高和模型不够轻量化是该项技术面临的主要问题。针对上述问题，提出了一种利用CycleGAN网络自动扩展危险天气数据集的方法，有效解决了数据集数据量不足、数据类型不平衡的问题。同时，还提出了一种三通道融合卷积神经网络(3-Channel Convolutional Neural Network, 3C-CNN),该网络主干分支采用迁移学习的技术方案，并利用多分支结构提取并融合天气图像中的整体与局部特征。结果表明，利用CycleGAN网络扩充的WeatherDataset-6Plus数据集能够有效改善深度学习模型的训练性能，3C-CNN模型的6类天气现象综合识别准确率达到了98.99%,识别速度达到220帧/s。该方法在保证准确率的同时实现了模型的轻量化，有利于其在嵌入式设备中部署。     

基于文本挖掘的管制运行风险主题分析*

为充分挖掘管制运行风险信息和隐藏规律,实现数据驱动的风险管理。以某管制单位2004—2019年共269条管制原因不安全事件数据为挖掘语料,在考虑上下文语义的基础上,运用潜在狄利克雷分配（LDA）主题模型挖掘管制运行风险主题及关键词,使用Word2Vec挖掘主题之间、关键词之间的关联关系,运用社会网络分析软件UCINET、可视化工具NETDRAW构建语义网络将关联关系进行可视化并进行网络分析。结果表明:LDA主题模型可以通过运行数据实现对管制运行风险的高效提取和深层挖掘,挖掘到管制人为因素、特情处置、地空配合、班组资源管理、组织管理、运行环境、管制指挥共7个主题,其中管制人为因素主题是核心主题,与其他主题都具有较强的相互关联;Word2Vec和语义网络相结合能够更准确地挖掘风险之间的关系,确定主题的重要度排序,识别关键风险。     

航空装备事故的灰色时序组合预测模型

为提高航空装备事故预测水平,提出一种基于灰色和时间序列分析模型的航空装备事故组合预测模型。先构建灰色模型,提取历史数据中承载的趋势信息。然后进行模型选择、阶数识别和参数估计,建立灰色残差的时间序列分析模型,用以刻画历史数据中的随机波动特征。最后,将2个模型的预测值相加,得到所求的组合预测结果。实例中,以美国空军1996—1999年的A级飞行事故10万时率数据为基础,建立灰色时序组合模型,模型中短期预测精度优于单一灰色模型,平均相对误差控制在5%以内,预测结果能够反映航空装备安全的实际状况。