CN108762225B - 一种飞行控制系统中的故障应对时的机下设备决策方法 - Google Patents

一种飞行控制系统中的故障应对时的机下设备决策方法 Download PDF

Info

Publication number
CN108762225B
CN108762225B CN201810375409.XA CN201810375409A CN108762225B CN 108762225 B CN108762225 B CN 108762225B CN 201810375409 A CN201810375409 A CN 201810375409A CN 108762225 B CN108762225 B CN 108762225B
Authority
CN
China
Prior art keywords
fault
data
decision
real
flight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810375409.XA
Other languages
English (en)
Other versions
CN108762225A (zh
Inventor
白志强
陈少敏
徐舒寒
柳子栋
雷宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Commercial Aircraft Corp of China Ltd
Beijing Aeronautic Science and Technology Research Institute of COMAC
Original Assignee
Commercial Aircraft Corp of China Ltd
Beijing Aeronautic Science and Technology Research Institute of COMAC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Commercial Aircraft Corp of China Ltd, Beijing Aeronautic Science and Technology Research Institute of COMAC filed Critical Commercial Aircraft Corp of China Ltd
Priority to CN201810375409.XA priority Critical patent/CN108762225B/zh
Publication of CN108762225A publication Critical patent/CN108762225A/zh
Application granted granted Critical
Publication of CN108762225B publication Critical patent/CN108762225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种飞行控制系统中的故障应对决策装置，所述故障应对决策装置包含机上设备和机下设备。机上设备的硬件组成包括：决策用计算机、人机交互触摸面板、数据通信链路，决策用计算机和人机交互面板与飞机座舱之间通过数据通信链路连接，决策用计算机和人机交互面板之间通过数据通信链路连接，人机交互碰触面板可与飞行员之间进行交互，本发明所述故障应对决策装置和方法中机上设备的整个在线决策过程具有快速、正确、方案最优的效果，能够在复杂环境和高压力高负荷的情景下将最优的故障处理方案迅速地提供给飞行员，提高飞行的安全性和可靠性。

Description

一种飞行控制系统中的故障应对时的机下设备决策方法
技术领域
本发明属于飞行控制技术领域，具体涉及一种飞行控制系统中的故障应对时的机下设备决策方法。
背景技术
目前飞机在飞行过程中，当飞控系统发生故障或突发紧急事件后，能够留给飞行员进行故障判定和决断的时间非常短，难以通过查询飞行手册的方式快速精准的确定应急方案，同时故障应急步骤也十分繁琐，缺少一种可迅速提供故障处理方案的手段措施。比如，1991年联合航空公司585号班机在着陆过程中毫无征兆的发生翻滚，机组成员手足无措，无法做出应变，导致飞机坠毁，所有乘客全部丧生。
当飞控系统发生故障后，恶劣的操纵环境、难以迅速查明的故障原因及过大的精神压力会使驾驶员难以做出最优的故障应急方案，不能实时并全面的评估故障动态，缺少一种在复杂环境下均能可靠提供最优控制策略的工具。譬如，2014年亚洲航空QZ8501号航班由于飞控系统出现故障切换为手动模式，但驾驶员无法完全控制飞机，导致飞机坠毁，机上162人无一生还；2010年河南航空B-3130号航班由于着陆环境恶劣及驾驶员操纵失误的原因，导致飞机坠毁，造成44人遇难，52人受伤。
现有的应急预案均基于典型案例库，仅靠匹配算法或查找手册进行检索与方案制定，无法提取案例特性进行自主学习，当面对全新类型故障时无法自主判断并提供应急方案。譬如，2011年雅克服务航空的一架雅克42型飞机在起飞过程中启动了刹车程序，飞行员在首次抬轮未成功后有5秒的时间可以中止起飞，由于没有此种情况的处置经验，机组成员执意起飞导致飞机撞到信标台天线而坠毁，最终死亡44人。
发明内容
针对上述问题，本发明提供一种飞行控制系统中的故障应对决策装置，所述故障应对决策装置包括机上设备和机下设备，所述机上设备包括决策模块和交互模块，所述决策模块一端通过数据通信链路连接交互模块，另一端通过数据通信链路连接飞机驾驶舱，所述交互模块一端通过数据通信链路连接分飞机驾驶舱，另一端用于与飞行员进行信息交互；所述决策模块还与机下设备通讯连接；
进一步地，所述机下设备包括深度学习服务器集群、数据存储服务器和交换机，所述深度学习服务器集群和数据存储服务器之间通过交换机进行联通；
进一步地，所述数据存储服务器用于存储数据库，所述深度学习服务器集群用于对数据的学习处理；
进一步地，所述决策模块包括实时信息获取单元、故障处理单元和故障应对单元，所述实时信息获取单元通过故障处理单元连接故障应对单元；
进一步地，所述实时信息获取单元还连接飞机驾驶舱，所述实时信息获取单元用于获取实时飞行数据和飞机飞行告警中的实时告警数据；
进一步地，所述故障处理单元还连接机下设备，所述故障处理单元内包括多个由机下设备发送的故障处理模型，所述多个故障处理模型将实时信息获取单元的实时数据作为故障信息输入，输出当前故障下的应对处理方案；
进一步地，所述故障应对单元连接交互模块，所述故障应对单元用于将故障处理模型输出的应对处理方案发送给交互模块，并呈现给飞行员；
进一步地，所述决策模块为决策计算机，所述决策计算机在飞行任务结束后，将本次飞行数据和告警信息上传至机下设备的数据存储服务器中；
进一步地，一种飞行控制系统中的故障应对时的机下设备决策方法，所述方法包括以下步骤：
A)获取历史故障飞行数据及告警信息，并存储在数据存储服务器中；
B)对数据产生故障的原因进行标注，区分故障模式下飞行员正确应对的数据，其中包含不同等级的故障，以及故障模式下飞行员错误应对的数据，并将数据按照一定比例划分为训练集与测试集；
C)采用深度学习算法，构建深层神经网络，对训练集中的历史故障飞行数据进行训练，计算损失函数，求解最优化问题，得到通过飞行数据确认的故障模式、故障等级等信息，并产生通过输入故障数据得到应对处理方案，所述应对处理方案包括一级目标和二级目标的模型；
D)通过测试集中的数据对C)中所构建的模型进行验证，确认其精确率；
F)得到有效模型后，加注到机上设备验证使用；
进一步地，一种飞行控制系统中的机上设备故障应对时的决策方法，所述方法包括以下步骤：
A)数据通信链路通过AFDX总线(不限于此类总线)从航电网络中获取实时飞行数据和飞机飞行告警中的实时告警数据，并传输到决策用计算机中；
B)决策用计算机定期在飞行任务前加注机下设备离线学习得到的故障处理模型；
C)以实时飞行数据和实时告警信息作为故障处理模型的输入，输出当前故障下的应对处理方案；
D)通过人机交互触摸面板将故障应对处理方案呈现给飞行员。
E)飞行任务结束后，将本次飞行数据和告警信息下载到机下设备的数据存储服务器中；
本发明的有益技术效果如下：
机上设备的整个在线决策过程具有快速、正确、方案最优的效果，能够在复杂环境和高压力高负荷的情景下将最优的故障处理方案迅速地提供给飞行员，提高飞行的安全性和可靠性。
附图说明
图1为本发明所述故障应对决策装置的结构组成图；
图2为本发明所述故障应对决策装置的工作原理图；
图3为本发明所述故障应对决策装置的工作流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
下面结合附图和具体实施例对本发明作进一步说明，但不作为对本发明的限定。下面为本发明的举出最佳实施例：
如图1-图3所示，本发明提供一种飞行控制系统中的故障应对决策装置，所述故障应对决策装置包含机上设备和机下设备。机上设备的硬件组成包括：决策用计算机、人机交互触摸面板、数据通信链路，决策用计算机和人机交互面板与飞机座舱之间通过数据通信链路连接，决策用计算机和人机交互面板之间通过数据通信链路连接，人机交互碰触面板可与飞行员之间进行交互。所述决策模块包括实时信息获取单元、故障处理单元和故障应对单元，所述实时信息获取单元通过故障处理单元连接故障应对单元，所述实时信息获取单元还连接飞机座舱，所述实时信息获取单元用于获取实时飞行数据和飞机飞行告警中的实时告警数据，所述故障处理单元还连接机下设备，所述故障处理单元内包括多个由机下设备发送的故障处理模型，所述多个故障处理模型将实时信息获取单元的实时数据作为故障信息输入，输出当前故障下的应对处理方案，所述故障应对单元连接交互模块，所述故障应对单元用于将故障处理模型输出的应对处理方案发送给交互模块，并呈现给飞行员，所述决策计算机在飞行任务结束后，将本次飞行数据和告警信息上传至机下设备的数据存储服务器中。
2)机上设备的工作原理：
机上设备主要包括决策用计算机、人机交互触摸面板，两者之间以及两者与飞机之间的交联通过数据通信链路实现。决策用计算机用于运行故障处理模型，人机交互触摸面板用于将故障处理方案呈现给飞行员，供其进行故障的应对。其工作步骤如下：
A)数据通信链路通过AFDX总线(不限于该总线类型)从航电网络中获取实时飞行数据和飞机飞行告警中的实时告警数据，并传输到决策用计算机中；
B)决策用计算机定期在飞行任务前加注机下设备离线学习得到的故障处理模型；
C)以实时飞行数据和实时告警信息作为故障处理模型的输入，输出当前故障下的应对处理方案；
D)通过人机交互触摸面板将故障应对处理方案呈现给飞行员。
E)飞行任务结束后，将本次飞行数据和告警信息下载到机下设备的数据存储服务器中。
机下设备的硬件组成包括：深度学习服务器集群、数据存储服务器、交换机，深度学习服务器集群和数据存储服务器之间通过交换机进行联通，所述数据存储服务器用于存储数据库，所述深度学习服务器集群用于对数据的学习处理。
机下设备的工作原理如下：
机下设备主要包括深度学习服务器集群与数据存储服务器，数据存储服务器用于存储数据库，深度学习服务器集群用于对数据的学习处理，其工作步骤如下：
A)获取历史故障飞行数据及告警信息，并存储在数据存储服务器中；
B)对数据产生故障的原因进行标注，区分故障模式下飞行员正确应对的数据(包含不同等级的故障)、故障模式下飞行员错误应对的数据，并将数据按照一定比例划分为训练集与测试集；
C)采用深度学习算法，构建深层神经网络，对训练集中的历史故障飞行数据进行训练，计算损失函数，求解最优化问题，得到通过飞行数据确认的故障模式、故障等级等信息，并产生通过输入故障数据得到应对处理方案(方案包括一级目标和二级目标)的模型；
D)通过测试集中的数据对C)中所构建的模型进行验证，确认其精确率；
E)得到有效模型后，加注到机上设备验证使用。
以在遇到鸟群撞击、或穿越火山云等情境为例，假设飞机出现双发失效的故障，某型飞机在某次飞行任务之前，将机下设备离线学习得到的故障处理模型加注到机上设备的决策用计算机中，随后进行飞行任务。当飞机飞行过程中，遇到鸟群撞击，发生极端严重事故，双侧发动机受损，双发失效。此时，飞行数据显示飞机的推力骤降为零，飞行高度急剧降低，飞机集中报警系统显示双侧发动机状态异常。以上数据信息传输到决策用计算机中，激发相应函数，根据过去发生过此类现象的历史数据及应对措施，输出应对处理方案。故障处理方案在人机交互面板上显示：一级目标(迅速备降到直线距离最短的A机场)和二级目标(从当前位置到A机场的航路图)。飞行员根据人机交互面板上的方案进行执行操纵，安全降落到A机场。
本申请“一种飞行控制系统中的故障应对时的机下设备决策方法”与同日递交的申请“一种飞行驾驶系统”和“一种飞行控制系统中的辅助监控装置”共同构成一个完整的智能化飞行控制系统，能够同时实现自动化驾驶、辅助监控和故障应对决策功能，使飞行更智能、更高效、更可靠、更安全。
以上所述的实例，只是本发明较优选的具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (8)

1.一种飞行控制系统中的故障应对时的机下设备决策方法，其特征在于，所述方法包括以下步骤：
A)获取历史故障飞行数据及告警信息，并存储在数据存储服务器中；
B)对数据产生故障的原因进行标注，区分故障模式下飞行员正确应对的数据，其中包含不同等级的故障，以及故障模式下飞行员错误应对的数据，并将数据按照一定比例划分为训练集与测试集；
C)采用深度学习算法，构建深层神经网络，对训练集中的历史故障飞行数据进行训练，计算损失函数，求解最优化问题，得到通过飞行数据确认的故障模式和故障等级信息，并产生通过输入故障数据得到应对处理方案，所述应对处理方案包括一级目标和二级目标的模型；
D)通过测试集中的数据对C)中所构建的模型进行验证，确认其精确率；
E)得到有效模型后，加注到机上设备验证使用；
所述方法通过故障应对决策装置实现，所述故障应对决策装置包括机上设备和机下设备，所述机上设备包括决策模块和交互模块，所述决策模块一端通过数据通信链路连接交互模块，另一端通过数据通信链路连接飞机驾驶舱，所述交互模块一端通过数据通信链路连接飞机驾驶舱，另一端用于与飞行员进行信息交互；所述决策模块还与机下设备通讯连接。
2.根据权利要求1所述的机下设备决策方法，其特征在于，所述机下设备包括深度学习服务器集群、数据存储服务器和交换机，所述深度学习服务器集群和数据存储服务器之间通过交换机进行联通。
3.根据权利要求2所述的机下设备决策方法，其特征在于，所述数据存储服务器用于存储数据库，所述深度学习服务器集群用于对数据的学习处理。
4.根据权利要求3所述的机下设备决策方法，其特征在于，所述决策模块包括实时信息获取单元、故障处理单元和故障应对单元，所述实时信息获取单元通过故障处理单元连接故障应对单元。
5.根据权利要求4所述的机下设备决策方法，其特征在于，所述实时信息获取单元还连接飞机驾驶舱，所述实时信息获取单元用于获取实时飞行数据和飞机集中告警系统中的实时告警数据。
6.根据权利要求5所述的机下设备决策方法，其特征在于，所述故障处理单元还连接机下设备，所述故障处理单元内包括多个由机下设备发送的故障处理模型，所述多个故障处理模型将实时信息获取单元的实时数据作为故障信息输入，输出当前故障下的应对处理方案。
7.根据权利要求6所述的机下设备决策方法，其特征在于，所述故障应对单元连接交互模块，所述故障应对单元用于将故障处理模型输出的应对处理方案发送给交互模块，并呈现给飞行员。
8.根据权利要求7所述的机下设备决策方法，其特征在于，所述决策模块为决策计算机，所述决策计算机在飞行任务结束后，将本次飞行数据和告警信息上传至机下设备的数据存储服务器中。
CN201810375409.XA 2018-04-24 2018-04-24 一种飞行控制系统中的故障应对时的机下设备决策方法 Active CN108762225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810375409.XA CN108762225B (zh) 2018-04-24 2018-04-24 一种飞行控制系统中的故障应对时的机下设备决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810375409.XA CN108762225B (zh) 2018-04-24 2018-04-24 一种飞行控制系统中的故障应对时的机下设备决策方法

Publications (2)

Publication Number Publication Date
CN108762225A CN108762225A (zh) 2018-11-06
CN108762225B true CN108762225B (zh) 2020-11-10

Family

ID=64011407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810375409.XA Active CN108762225B (zh) 2018-04-24 2018-04-24 一种飞行控制系统中的故障应对时的机下设备决策方法

Country Status (1)

Country Link
CN (1) CN108762225B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110723303B (zh) * 2019-11-01 2021-07-09 中国商用飞机有限责任公司北京民用飞机技术研究中心 辅助决策的方法、装置、设备、存储介质及系统
CN112241162A (zh) * 2020-10-28 2021-01-19 中国商用飞机有限责任公司 处理飞机故障的维护系统和维护方法
CN112382165B (zh) * 2020-11-19 2022-10-04 北京罗克维尔斯科技有限公司 驾驶策略生成方法、装置、介质、设备及仿真系统
CN114373361B (zh) * 2022-01-11 2023-11-10 安胜（天津）飞行模拟系统有限公司 飞行模拟机上模拟鸟击和火山灰场景的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103019216B (zh) * 2012-12-24 2016-05-11 陕西宝成航空仪表有限责任公司 飞行环境监视系统综合监控方法
CN103944971A (zh) * 2014-04-03 2014-07-23 湖北航云端科技有限公司 一种基于云服务的通用航空飞机故障智能处理系统
CN106741988A (zh) * 2016-12-14 2017-05-31 中国航空工业集团公司上海航空测控技术研究所 一种基于物联网的飞机自主式保障系统与方法
CN107229695A (zh) * 2017-05-23 2017-10-03 深圳大学 多平台航空电子大数据系统及方法

Also Published As

Publication number Publication date
CN108762225A (zh) 2018-11-06

Similar Documents

Publication Publication Date Title
CN108762225B (zh) 一种飞行控制系统中的故障应对时的机下设备决策方法
CN110723303B (zh) 辅助决策的方法、装置、设备、存储介质及系统
Barr et al. Preliminary risk assessment for small unmanned aircraft systems
Wing et al. Achieving resilient in-flight performance for advanced air mobility through simplified vehicle operations
CN108717300B (zh) 一种飞行控制系统中的辅助监控装置
Etherington et al. Quantifying pilot contribution to flight safety for normal and non-normal airline operations
Zhang et al. A integrated vehicle health management framework for aircraft—A preliminary report
Spielman et al. Boeing 737 MAX: Expectation of human capability in highly automated systems
Johnson The hidden human factors in unmanned aerial vehicles
CN107316087B (zh) 一种判断航空产品带故障使用的方法
Lascara et al. Behavioral Competency Model for Safety Assurance of Automated Aviation Systems
Crespo Less automation and full autonomy in aviation, dilemma or conundrum?
CN114139939A (zh) 一种基于atheana-stpa混合方法的航空人为因素分析方法
Shuo et al. Integrated Vehicle Health Management technology and its applications in commerical aviation
Laflin A systematic approach to development assurance and safety of unmanned aerial Systems
Evjemo et al. Lessons learned from increased automation in aviation: The paradox related to the high degree of safety and implications for future research
Howard Breaking through the 106 barrier
Asokan et al. Single-Pilot Aircraft in Commercial Air Transport Operations: A Comparison of Potential Architectures
Lunlong et al. Analysis of requirements and architecture of the next generation flight management system
Barnhart A method for the study of human factors in aircraft operations
Li et al. An Overview of Civil Aviation Accidents and Risk Analysis
Field et al. Flight crew response to unexpected events: a simulator experiment
Savelev et al. Development of safety requirements for tracking active pilot controls by signals from an automatic flight control system
Xusheng et al. Human Factor Failure Analysis in Anti-collision Task Based on Uncertainty Theory and CREAM Model
Sherry et al. Anatomy of a No-Equipment-Failed (NEF) ICNS System Malfunction: The Case of Singapore Airlines SQ-327 Runway Excursion

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant