基于QAR数据的飞行环境及驾驶操作定量评价模型.pdf 12页

'中国科技论文在线http://www.paper.edu.cn基于QAR数据的飞行环境及驾驶操作定量#评价模型1122*诸彤宇，彭一洋，奚志健，张贵明5（1.北京航空航天大学计算机学院,北京10191；2.中国东方航空公司飞行安全技术应用研究院,上海200131）摘要：大量的统计数据分析结果表明，70%以上的航空飞行事故都与飞行员有直接关系，飞行员的操作行为与航空安全关系最紧密、最复杂，人们习惯称之为“安全的最后一道防线”。着陆过程中，飞行员的操作目标为平稳着陆，其操作原因多为应对环境变化和飞机突发异常。10因此，对重着陆、冲偏出跑道等着陆阶段不安全事件的研究，离不开对人（飞行员操作），机（飞机运行状态），环（降落航线环境）的综合考虑。本文提出了环境熵、逆转率这2个重要的评价指标，以定量评价着陆环境的混乱程度以及飞行员对环境的响应，并基于包含A320机型的6395个航班的QAR数据对这两个指标完成了实验，说明了二者的有效性，最后结合飞机着陆垂直载荷，发现三者间存在着紧密的联系。15关键词：数据挖掘；飞行安全；QAR数据；FOQA；飞行操作分析中图分类号：TP301ModelingandUnderstandingFlightEnvironmentandPilot20OperationBasedonQARData1122ZHUTongyu,PENGYiyang,XIZhijian,ZHANGGuiming(1.ComputerScienceandEngeeringCollege,BeihangUniversity,Beijing100191;2.ChinaEasternAirlinesFlightSafetyTechnologyInstitute,Shanghai200131)Abstract:Extensivestatisticaldataanalysisresultsshowthatmorethan70%offlightaccidentsare25directlyrelatedtothepilot,whoseoperationbehaviorsshareamostcloseandcomplicatedrelationshipwithaviationsafetyandisusedtobecalled"thelastsafetydefender".Inthelandingprocess,thepilotoperationisdestinedforsmoothlandingasaresultofcopingwithenvironmentchangesandburstabnormaleventsofairplane.Therefore,researchesonunsafeincidentsinthelandingphasesuchasoverweightlandinganddeviationfromrunwaycannotbeseparatedfromthecomprehensive30considerationforman(pilotoperation),airplane(airplaneoperatingstate)andenvironment(environmentoflandingroute).Thispaperpresentstwoimportantevaluationindicators,i.e.environmententropyandcrossrate,forquantitativelyevaluatingthecomplexityoflandingenvironmentandpilotresponsetoenvironmentandteststhesetwoindicatorsbasedontheQARdataof6395flightsincludingTypeA320,showingtheavailabilityofthebothandfindingthecloserelationamongthesaid35twoindicatorsandverticallandingloadofairplane.Keywords:DataMining;FlightSafety;QARData;FOQA;FlightOperationAnalisis基金项目：基于WQAR大数据的民航运行安全风险监测预警系统研究（MHRD20150102）作者简介：诸彤宇，博士，北京航空航天大学副教授，曾就职于中国民航科学技术研究院11年，现研究方向为交通领域的大数据分析.E-mail:zhutongyu@nlsde.buaa.edu.cn-1- 中国科技论文在线http://www.paper.edu.cn400引言[1]安全是民航业的生命线，保障民航飞行运行安全是进行一切具体民航活动的基本前提。着陆阶段是飞行运行的高危阶段，飞行事故统计表明，着陆阶段的事故及不安全事件发生率[2]明显高于其他飞行阶段。在着陆不安全事件中，重着陆和冲偏出跑道是发生频率最高的2个典型不安全事件。45QAR是一套可方便快速获取飞机运行数据的系统，它可以记录飞机整个飞行阶段的位置、运动、操纵和告警等多项参数。从1995年开始，应民航总局的要求，中国各航空公司[3]的飞机已经加装了QAR系统，为研究飞行事故成因和提升飞行安全水平提供了数据基础。飞机在着陆接地时将设置某个垂直方向的过载数值作为判定是否发生重着陆的依据，若超过[4]该门限值则触发一次重着陆事件报告。这种基于数值严格分类的超限事件分析方法忽略了50大量没有发生超限事件的飞行数据，不能有效揭示重着陆发生等不良因素发生的原因。如何不依赖简单地划定阈值来判断安全隐患的存在与否，发现飞行事故的诱因，预测和预防未来事件/事故的发生，是民航飞行安全研究领域的热点。2016年，北京航空航天大学的ChenHu等研究者基于345个航班的QAR数据中飞机落[5]地前的飞行状态数据预测重着陆，得到71.29%的正确率。2012年，NASAAmes的Ousmane55N.Diallo博士在对飞机冲出跑道问题的研究中基于飞机空中的飞行状态数据，以及机场天气报告预测着陆速度，得到大风条件下均方根误差（rootmeansquareerror）为3.5节（knots）、[6]R2为0.56的预测结果。2014年，中国科学院的LeiWang和纽约州立大学的ChangxuWu基于128个航班的QAR数据，引入了着陆前拉平高度、油门杆角度、控制杆位置三个飞行[7]员驾驶行为特征，预测飞机着陆距离是否过长，得到87%的正确率。60在上述基于QAR数据，对飞机着陆阶段危险事件所做的研究中，忽视了着陆事故是由驾驶员、环境、飞机三者共同作用所引发的。事实上，飞机着陆阶段是一个驾驶过程，是人（飞行员操作），机（飞机运行状态），环（着陆航线环境）综合作用的结果。因此，如何定量评价着陆航线环境和飞行员操作水平具有非常重要的研究价值。更重要的是，对着陆环境的研究将有助于评价机场的着陆条件，据此能够在同等着陆条件下对飞行员的驾驶水平给65出更客观的评价，指导航空公司改进飞行员培养方案，使整个民航体系的安全水平得以提升。因此本文提出了2个重要的指标——环境熵与逆转率，以定量评价人机环中的环境因素和人的因素，结合已有的飞机状态参数，实现人机环共同作用下的事件分析。本文在业界首先提出了“环境熵”这一重要指标，用于描述飞机着陆过程的环境混乱程度，计算数据来自于QAR中的风速、风向和机头磁航向角，具有普适性、标准性和可计算性，由于使用的是70每架飞机自身的传感器测量参数，因此定量描述每一次着陆过程的环境情况。其次，本文首次在飞行操作分析领域引入“逆转率”这一指标，用于描述和评价飞行员的飞行操作行为。本文将在第1节给出环境熵和逆转率的定义，以及计算方法，并基于实际的QAR数据验证二者的有效性。在第2节，研究二者之间，及其与重着陆的重要指标——垂直过载的联-2- 中国科技论文在线http://www.paper.edu.cn系。最后，在第3节探讨这两个指标的应用价值。本文数据来源于中国民航某机构提供的空75客A320机型共6395个航班的QAR飞行数据，航班时间跨度为2016年3月2016年11月，涉及着陆机场77个。1概念与定义1.1飞行环境与驾驶操作关系飞机着陆过程中，飞行员的驾驶操作受到自身技术状态、驾驶习惯、对外界环境响应等80多方面因素影响，如图1所示。图1驾驶的感知操作过程对于某一次着陆过程而言，着陆航线上的风是环境因素中的主要变化因素。飞行员感知当前的环境和飞机运行状态，并做出相应的操作判断。但需要注意的是，从飞机驾驶动作开85始直到飞机到达目标运行状态，如航迹的改变，可能需要几秒的时间，期间风很可能也同时发生了改变。实际上飞机运行状态的改变是在二者共同作用下完成的。因此在研究重着陆、冲偏出跑道等飞机着陆问题时，应该考虑到环境、驾驶、飞机状态三者间紧密的联系。本文注意到，当风的变化越没有规律时，飞行员越难以调整飞机姿态以适应风的变化，因此保持稳定着陆的难度也越大。以往的研究中，没有对风的影响进行定量分析，所以无法90客观评价飞行员操作的正确性。针对这一问题，我们在本领域率先提出环境熵这一概念，基于QAR数据中涉及风的参数，定量评价飞机着陆过程中的环境因素的混乱程度。同时，本文首次提出评价飞行员操作的逆转率这一指标，用于定量地描述飞行员的操作行为特性。1.2环境熵熵的概念由来已久，在统计热力学中熵表示粒子状态的混乱程度，而在信息论中熵表示[8]95信息的不确定性，且二者有着统一的数学表达形式。本文借鉴这一表达形式，提出环境熵以描述飞机着陆过程中，所遇到的风的混乱程度。1.2.1定义环境熵：一定高度段或时间段内，在某飞机航迹上，风的状态的熵。熵的计算公式参考GibbsEntropy公式，100其中，i标记该过程中风的所有状态,由QAR数据得到，表示状态i的风出现的几率。需要注意的是，热力学中的熵描述的是给定时刻下，一定空间内粒子状态的混乱程度，-3- 中国科技论文在线http://www.paper.edu.cn是一个状态量。与热力学中的熵不同，环境熵所描述的是，相对飞机坐标系固定的给定空间内，一段时间内风的混乱程度，是一个过程量。对于环境熵，有一下几个简单的性质：105当熵值为0时，飞机途径的区域，风保持一种状态；熵值越大，风越混乱；风的状态数量越多，每种状态出现的几率越均衡，熵值越大。图2频繁变化的风110不要将风的熵与风的变化频率相混淆。如图2所示，这是一种在2个状态间循环变化的风，假设它在1s内变化无穷多次，那么它的变化频率为。但是它的熵值为1.2.2算法风是矢量，不能直接使用风矢量的大小来计算环境熵，我们选择将风速沿飞机纵向和侧115向分解，再计算这两个方向上的环境熵。对于始终保持不变的风，我们将其视作只有一种状态的风，该状态出现的几率为1。若后来状态发生了改变，如风从状态1变为状态2，那么将来当状态1的风再次出现时我们视作状态1出现了2次。算法根据着陆过程中风在某一方向的风速分量划分状态，并统计各种状态的数量计算发生几率，最后计算熵值。具体步骤如算法1所示：算法1某方向环境熵算法输入:区间划分阈值a聚类半径阈值r风速序列数组W步骤:1:last←02:M←∅3:fori=0→Length(W)−1do//Length得到数组的长度4:if|W[i+1]−W[i]|>athen5:M←m∪Average(W[last..i])//Average得到数组的均值6:last←i-4- 中国科技论文在线http://www.paper.edu.cn7:endif8:endfor[9]9:L←DBSCAN(M,r)//DBSCAN以r为聚类半径对M进行聚类10:s←011:foreachl∈Unique(L)do//Unique得到去除重复元素后的数组12:p←Count(L,l)/Length(L)//Count得到数组L中与l相同元素的数量13:s←s−p·Log(p)14:endfor15:returns120对于如图3所示的风，在该算法的作用下，其熵为。图3环境熵算法的使用效果125图4几种风的环境熵以陆垂直过载均为1.32的2个航班（Flight1、Flight2）为例：将着飞机从1000英尺下降至地面过程中所遇到的风，相对于机体坐标系分解为纵向风和侧向风，并以区间划分阈值-5- 中国科技论文在线http://www.paper.edu.cna=2、聚类半径阈值r=1为算法的输入参数，分别计算了侧向风环境熵（）和纵向风环境熵（）。如图4所示，环境熵为0的黄色曲线最为平整，风的状态最少；环境熵为1.1的130绿色曲线在60秒后，风速减小较快，风的状态最多，说明其着陆环境最为恶劣。由此看出，环境熵能够衡量风的混乱程度。1.3逆转率本文提出逆转率(crossrate)这一概念，目的是为了定量地描述飞行员的操作特性，这一特性可以更好的反映飞行员对环境的判断和操作。在着陆阶段中，飞行员最主要的操作对象135为操作杆（A320为侧杆），逆转率通过飞行员的驾驶杆操作频率来描述其操作动作的多少，逆转率越高说明飞行员操作动作越多。1.3.1定义逆转率：一定高度段或时间段内，飞行员在俯仰或滚转方向来回操作操作杆的频率。若飞行员在俯仰或滚转方向的操作序列为，那么其逆转率为：140其中，I(.)表示指示函数。当函数输入为真时，函数输出1，当函数输入为假时，函数输出0。为真为假1.3.2算法算法2某方向逆转率算法输入:阈值a，用于过滤飞行员对操作杆的微小操作飞行员对操作杆的操作量数组X步骤:1:k←02:fori=0→Length(X)−1do3:ifX[i]·X[i+1]<−athen4:k←k+15:endif6:endfor7:r=k/(n−1)8:returnr转逆转率。如图5所示，逆转率为0.08的蓝色曲线变化非常频繁，且幅度较大，说明此时飞行员在滚转控制上动作多。逆转率为0.03的黄色曲线变化频率较低，且幅度较小，145说明此时飞行员在俯仰控制上动作少。由此可见，逆转率能够反映此时飞行员的操作特性。-6- 中国科技论文在线http://www.paper.edu.cn图5不同操作的逆转率2结果基于6395个航班的QAR数据，在对着陆前1000英尺以下的风速、风向、机头航向和150垂直过载数据进行了分解、校准等必要的预处理后，开始对环境熵、逆转率、着陆垂直过载展开实验与研究。2.1环境熵与逆转率为了直接考察环境熵与逆转率在实际QAR数据中的关系，我们定义总环境熵和总逆转率为：155总环境熵=侧向环境熵+纵向环境熵总逆转率=俯仰逆转率+滚转逆转率实验结果如图6所示，在我们的数据集中无论当天的航班量少至几个，或多至50个，在10个月的时间跨度里，每周的环境熵与逆转率均值总是存在同步变化的关系。-7- 中国科技论文在线http://www.paper.edu.cn160图6每周平均环境熵、每周平均逆转率、每日航班量选取航班量较多的时间段，例如7月至11月。如图7所示，每天平均环境熵与每天平均逆转率仍然保持基本同步的变化规律。因此，环境熵与逆转率存在同步变化的规律。这说明了在一般情况下，当环境熵大时，飞行员为了应对复杂的着陆环境，需要付出相应的逆转率。165图7每日平均环境熵、每日平均逆转率、每日航班量2.2环境熵、逆转率与垂直过载如图8所示，以环境熵为横轴，逆转率为纵轴，以圆形散点的直径和颜色表示该航段的170着陆垂直过载，着陆垂直过载≥1.6的航段主要集中于1<总环境熵<3,逆转率<0.1区间。该区间的逆转率小于0.1，说明这些航班的飞行员的操作动作少，可能原因是他们对当时的环境没有足够重视。-8- 中国科技论文在线http://www.paper.edu.cn图8数据集中所有航班的环境熵与逆转率分布情况175本文将航班样本按着陆垂直过载分为以下区间：0~1.3，1.3~1.4，1.4~1.5，1.5~1.6，1.6~2.0。并以每个区间的航班总环境熵和总逆转率的均值作为该区间航班样本的质心。如图8和图9中的菱形图案。注意图9中的4个质心，可以看到，对于着陆垂直过载>1.3的航班，着陆越重，环境熵越大，逆转率越大。180图9质心的环境熵与逆转率随着着陆载荷的增大而增大为了更进一步研究环境熵、逆转率、与垂直过载的关系，本文在环境熵-逆转率坐标系中，绘制了航班区间质心沿着陆垂直过载增大方向的运动轨迹，如图10所示。各区间的样本量、质心坐标与着陆垂直过载均在表1中给出。注意到除8≤vtg9区间(样本极少)185外，逆转率和环境熵总体上随着着陆垂直过载的增长而增长，由此可以得出这样一个结论：垂直过载大的着陆更容易发生在环境熵与逆转率较大的区域。表1各区间质心情况着陆垂直过载区间样本量环境熵均值逆转率均值垂直过载均值1.0≤vrtg<1.180.8830.0361.03-9- 中国科技论文在线http://www.paper.edu.cn1.1≤vrtg<1.22711.3670.0591.171.2≤vrtg<1.322621.2610.0561.261.3≤vrtg<1.430941.2280.0571.341.4≤vrtg<1.56751.2320.0611.431.5≤vrtg<1.6741.3700.0671.531.6≤vrtg<1.7102.2320.0951.631.8≤vrtg<1.912.7080.0181.87190图10航班区间质心沿着陆载荷增大方向的运动轨迹2.3着陆驾驶水平评价实例有了对环境与驾驶操作的定量评价，使得在大数据背景下，能够基于同样的环境更客观地评价飞行员的着陆操作水平。为了排除机场周边环境不同所带来的干扰，本文选择在同一个机场着陆的航班，如在中国长春龙嘉机场着陆的航班为研究对象。195如图11所示，航班1、航班2与航班3均处在3<总环境熵<4的区间中，环境熵处于同一水平，但是航班1的着陆垂直过载为1.638，比航班2的1.228大。排除飞机突发故障或跑道上的突发事件，航班2的飞行员展现出的着陆控制能力比航班1的飞行员更强。又注意到航班2与航班3的环境熵和着陆垂直过载均处于同一水平，但航班2的逆转率为0.321，航班3的逆转率为0.094。这说明航班3的飞行员在同样恶劣的环境中不仅做200到有效着陆，而且操作动作更少。在同样环境下达到同样的着陆效果，操作动作越少说明该飞行员单个动作的效率越高。因此，若2个航班的环境熵与着陆垂直过载都在同一水平，逆转率大小代表着飞行员单位动作效率的高低。基于环境熵、逆转率和着陆载荷的实例分析，可以初步得到以下推论：1）环境熵处于同一水平的航班，着陆垂直过载越小则飞行员的着陆控制越到位；2052）环境熵和着陆载荷均处于同一水平的航班，逆转率越低则驾驶员单位动作的效率越高。-10- 中国科技论文在线http://www.paper.edu.cn图11长春龙嘉机场的着陆情况3结论与展望210本文给出了定量评价飞机着陆环境和操作的模型与算法，提出了环境熵与逆转率两个重要评价指标。并基于真实的QAR数据，研究了环境熵、逆转率、与垂直过载的相互关系，发现环境熵与逆转率在时间维度上存在着相同的变化趋势，发现垂直过载大的着陆更容易发生在环境熵与逆转率较大的区域。最后我们基于环境熵、逆转率和着陆载荷，以航班着陆实例说明了逆转率与飞行员单位动作效率间的关系。215无论是环境熵还是逆转率，依靠QAR数据便可计算得出，不需要机场报告，而且对航线环境的描述更为准确，有着普适性和准确性的优点，有利于大范围推广使用。基于这两个评价指标和其他QAR飞机状态参数，我们将在不久的将来为重着陆、冲出跑道建立包含人机环相互作用的预测模型，以期达到更实用的预测效果。致谢220中国民航科学技术研究院民航安全技术分析和鉴定实验室为本文的研究过程提供了QAR数据，在此致谢。[参考文献](References)[1]刘锋.人为因素与民航飞行安全[J].中国民用航空,1997(7):10-13.225[2]BoeingCommercialAirplanes.StatisticalSummaryofCommercialJetAirplaneAccidentsWorldwideOperations1959-2015[R].Seattle,Washington98124-2207USA:BoeingCommercialAirplanes,2016.10-20[3]陶亦渊.民航总局建成飞行数据译码分析系统[J].中国民用航空,1995(1):24-26.[4]BiswasR,GravelN,OddouR.ValueofanOverloadIndicationSystemAssessedThroughAnalysisofAviationOccurrences[J].JournalofAircraft,2009,46(5):1692-1705.230[5]HuC,ZhouSH,XieY,etal.ThestudyonhardlandingpredictionmodelwithoptimizedparameterSVMmethod[C]//ChineseControlConference.2016:4283-4287.[6]DialloON.Apredictiveaircraftlandingspeedmodelusingneuralnetwork[C]//DigitalAvionicsSystemsConference.IEEE,2012:3D2-1-3D2-10.[7]WangL,WuC,SunR.AnanalysisofflightQuickAccessRecorder(QAR)dataanditsapplicationsin-11- 中国科技论文在线http://www.paper.edu.cn235preventinglandingincidents[J].ReliabilityEngineering&SystemSafety,2014,127:86-96.[8]ShannonCE.Amathematicaltheoryofcommunication[J].BellSystemTechnicalJournal,1948,27(3):379-423.[9]SanderJ,EsterM,KriegelHP,etal.Density-BasedClusteringinSpatialDatabases:TheAlgorithmGDBSCANandItsApplications[J].DataMiningandKnowledgeDiscovery,1998,2(2):169-194.240-12-'