CN111709184A - 基于道面温度预测和模拟的积冰组合决策方法 - Google Patents

Abstract

一种基于道面温度预测和模拟的积冰组合决策方法。其采用的积冰组合决策系统包括跑道温度动态预测模块、TEC模拟道面积冰模块、跑道积冰组合式预测算法模块和多决策预测结果修正模块。本发明提供的场跑道组合多决策积冰预测方法，以跑道温度动态预测为基础，借助控制热电器件进行未来时刻温度模拟，并借助组合式积冰预测算法，互相验证，修正最终预测结果，进一步提高积冰预测精准度，为机场跑道积冰运行保障提供有效依据，提前高效进行除冰作业准备。

Description

基于道面温度预测和模拟的积冰组合决策方法

技术领域

本发明属于民用航空地面保障技术领域，特别是涉及一种基于道面温度预测和模拟的积冰组合决策方法。

背景技术

随着我国综合实力和人民生活水平不断的提升，快速、便捷的飞机旅行逐渐成为更多人的出行选择。然而，在冬季，受各种气象条件的影响，极易引起机场跑道出现积冰，而机场除冰作业是保障机场正常运行的至关重要且艰苦的工作，故需要提前预警；同时跑道积冰意味着机场跑道的摩擦系数会大大减小，容易引起事故。为提高航班安全裕度，保障航班的运行准点率，减少机场道面积冰的影响，及时精确的机场跑道情况预测至关重要。

影响机场跑道积冰情况的影响因素是繁多的，且机场跑道道面环境条件庞杂，因此跑道积冰是一个具有多因素耦合及非线性关系的复杂条件环境。面对此种情况，(1)考虑到道面温度是影响跑道道面积冰的重要因素，以往研究中较少有将道面短时温度预测数据带入到积冰预测中进行考虑；(2)各种先进的算法虽不断地应用于积冰预测之中，但大多使用单一算法解决问题，而单一的预测算法和探测技术已经很难有效地实现积冰情况精准预测；(3)热电器件(TEC)在温度控制方面存在有诸多优点，其在激光器制冷、小型冰箱或虚拟触觉方面已有部分研究，借鉴其方法，若能将其引入机场跑道中，模拟未来时刻的温度情况而进行积冰预测将是切实可行的方法，且此种方法在机场跑道积冰预测方法中并未见有成型的研究。(4)以往积冰预测完成之后，较少有方法更进一步对预测残差进行修正。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于道面温度预测和模拟的积冰组合决策方法。

为了达到上述目的，本发明提供的基于道面温度预测和模拟的积冰组合决策方法包括按顺序进行的下列步骤：

1)构建基于道面温度预测和模拟的积冰组合决策系统，所述的系统包括跑道温度动态预测模块、道面TEC温度控制积冰模拟模块、跑道积冰组合式预测算法模块和多决策预测结果修正模块；其中，跑道温度动态预测模块同时与道面TEC温度控制积冰模拟模块及跑道积冰组合式预测算法模块相连接；多决策预测结果修正模块同时与道面TEC温度控制积冰模拟模块及跑道积冰组合式预测算法模块相连接；所述的道面TEC温度控制积冰模拟模块包括热电器件和控制装置；热电器件置于跑道表层；控制装置分别与跑道温度动态预测模块、多决策预测结果修正模块和热电器件相连接；

2)采集预测时刻之前包括道面温度x₁ ⁽⁰⁾(i)、大气温度x₂ ⁽⁰⁾(i)、道面地下温度x₃ ⁽⁰⁾(i)、大气湿度x₄ ⁽⁰⁾(i)及风速x₅ ⁽⁰⁾(i)在内的五组数据，然后利用跑道温度动态预测模块对上述各组数据分别使用累加方法生成算子x_k ⁽¹⁾(i),(k＝1,2,…,5.i＝1,2,…n)，并由各算子x₁ ⁽¹⁾(i)分别生成相应的紧邻均值序列z₁ ⁽¹⁾(i)；

3)根据上述算子及紧邻均值序列，利用公式u＝(B^TB)^-1B^TY＝[a,b₂,b₃,b₄,b₅]求解出系统发展系数a及驱动系数b_i；其中，

4)由上述系统发展系数a及驱动系数b_i生成灰色预测模型GM(1,5)；

5)求解上述灰色预测模型GM(1,5)得到

再由累减还原输出初始道面温度预测结果

6)收集预测时刻之前p年份相同时刻的温度数据，列为温度序列t_t＝[t_t-1,t_t-2,…,t_t-n]，建立时间序列预测模型AR(p)：

然后将上述温度序列数据输入时间序列预测模型AR(p)，其中φ_i为自回归系数，ε_t为该时间序列的白噪声；求解时间序列预测模型AR(p)而获得初始道面温度预测结果t_t；

7)将上述步骤5)和6)获得的两种初始道面温度预测结果通过均方误差方法分析残差，然后根据残差大小分别为灰色预测模型GM(1,5)的初始道面温度预测结果

及时间序列预测模型AR(p)的初始道面温度预测结果t_t赋予权系数，残差分析结果较大时赋予较小权系数，较小时则赋予较大权系数，最终生成道面温度预测结果并输出给道面TEC温度控制积冰模拟模块；

8)道面TEC温度控制积冰模拟模块中的控制装置根据跑道温度动态预测模块输出的道面温度预测结果控制热电器件进行升降温，以对预测的未来时刻道面温度结果实现动态模拟，然后测量积冰厚度并输出给多决策预测结果修正模块；

9)跑道积冰组合式预测算法模块采用K最近邻回归算法或采用基于积冰机理的积冰预测模型获得预测积冰厚度；

10)多决策预测结果修正模块采用神经网络，将上述道面TEC温度控制积冰模拟模块输出的模拟道面温度积冰厚度预测及跑道积冰组合式预测算法模块输出的预测积冰厚度输入到神经网络中，对神经网络进行前向和逆向训练学习，均使用sigmoid函数作为激励函数，训练出权值和阈值，得到训练好的神经网络；

实际使用时首先将现场采集的道面温度、大气温度、道面地下温度、大气湿度及风速数据按照上述步骤2)—步骤8的方法进行处理而得到积冰厚度I₁；将现场采集的道面温度、降雨量、风速及道面地下温度数据按照上述步骤9)的方法进行处理而得到预测积冰厚度I₂；采集现场现时刻实际测量的积冰厚度I₅；再将道面温度预测结果I₁、预测积冰厚度I₂分别与实际测量的积冰厚度I₅求差而得到差值I₃与I₄，最后将上述所有数据输入到上述训练好的神经网络中，神经网络的输出即为最终积冰厚度预测结果。

在步骤2)中，所述的累加方法生成算子的公式为：

紧邻均值序列的公式为：z₁ ⁽¹⁾(t+1)＝0.5x₁ ⁽¹⁾(t)+0.5x₁ ⁽¹⁾(t+1),(t＝1,2,…,n-1)

在步骤7)中，所述的道面温度预测结果的公式为：

其中p₁表示灰色预测权系数，p₂表示时间序列预测权系数，

表示求解灰色预测模型GM(1,5)而获得的初始道面温度预测结果，t_t表示求解时间序列预测模型AR(p)而获得的初始道面温度预测结果。

步骤9)中，所述的采用K最近邻回归算法获得预测积冰厚度的方法如下：

采集机场上多个数据点以往多年份的道面温度、降雨量、风速、道面地下温度和积冰厚度数据而建立数据空间，并将这些数据分为训练集N＝(n₁,n₂,n₃,n₄,n₅)和测试集N_t＝(n_t1,n_t2,n_t3,n_t4,n_t5)；

然后利用上述道面温度、降雨量、风速和道面地下温度数据借助欧氏距离公式计算出训练集中各数据点与测试集中相应数据点间的欧氏距离：

选取K值，即选取训练集中距离预测点最近的K个积冰厚度数据，取这K个积冰厚度数据的算术平均值作为积冰厚度预测结果：

遍寻K值，比较训练集中各积冰厚度预测结果n_p5与测试集中相应积冰厚度n_t5的相近程度，取两者结果最为相近的K值作为K最近邻回归模型的K值；

设置欧氏距离阈值d，在实际应用中，从现场采集预测点附近K个数据点的道面温度、降雨量、风速和道面地下温度，然后分别计算出这K个数据点与预测点间的欧氏距离，如果K个数据点的欧氏距离满足

则将K个数据点的道面温度、降雨量、风速和道面地下温度输入到上述K最近邻回归模型中，该模型的输出即为预测点处的预测积冰厚度；如果不满足

使用基于积冰机理的积冰预测模型获得预测积冰厚度；

所述的基于积冰机理的积冰预测模型预测积冰厚度的方法如下：

式中，

为求解结果积冰质量增长率；

碰撞系数α₁：

α₁＝a-0.028-c(b-0.045)

a＝1.066K^-0.00616exp(-1.103K^-0.688),b＝3.641K^-0.498exp(-1.497K^-0.694),c＝0.00637(φ-100)^0.381式中，K、φ是无量纲数,由下式确定K＝ρ_wνd²/9μD，φ＝Red²/K，Red＝ρ_adν/μ；D是横截面宽度，d是液滴直径，ρ_w是纯水密度，μ是空气绝对粘度；

水滴捕获系数α₂＝1；

冻结系数α₃由如下公式求解：

Q_air+Q_sun+Q_v+Q_f＝Q_water+Q_s+Q_he+Q_le+Q_c+Q_e+Q_l

大气长波辐射由斯蒂芬-玻尔兹曼定律，得：Q_air＝σT_a ⁴ε_a

太阳短波辐射Q_sun为：

外界气流摩擦积冰表面产生的热量Q_v为：Q_v＝hrν²/2C_p

冻结温度冻结过程释放的潜热Q_f为：Q_f＝(1-λ)α₁α₂α₃ωνL_f

道面与水膜的热量：Q_water＝[P_r·(T_w-T_s)]·E_r

道面长波辐射由斯蒂芬-玻尔兹曼定律，得：Q_s＝σT_s ⁴ε_s

道面的感热为：Q_he＝C_pρ_aC_Hν(T_a-T_s)

道面的潜热为：Q_le＝Lρ_aC_Eν(H_a-H_s)

道面积冰表面与环境经过对流换热的热量Q_c：Q_c＝h(T_i-T_a)

冰表面升华损失的热量Q_e：Q_e＝hεL_e(e_s-e_a)/(C_pP)

冷却液滴到冷凝点过程的热损失Q_l：Q_l＝α₁α₂ωνC_w(T_i-T_a)

该基于积冰机理的积冰预测模型输出的结果是单位长度的有效面积和时间步长的积冰质量增长率，根据求解的积冰质量增长率除以积冰密度再除以单位积冰面积A，得出某一时间段的积冰速率，进而得到预测积冰厚度。

本发明提供的场跑道组合多决策积冰预测方法，以跑道温度动态预测为基础，借助控制热电器件进行未来时刻温度模拟，并借助组合式积冰预测算法，互相验证，修正最终预测结果，可进一步提高积冰预测精准度，为机场跑道积冰运行保障提供有效依据，提前高效进行除冰作业准备。

附图说明

图1为本发明提供的预测方法总体结构示意流程图；

图2为本发明中动态温度预测及热电器件控制系统结构示意图；

图3为本发明中组合积冰预测算法结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明提供的基于道面温度预测和模拟的积冰组合决策方法进一步详细的说明。

如图1至图3所示，本发明提供的基于道面温度预测和模拟的积冰组合决策方法包括按顺序进行的下列步骤：

1)构建基于道面温度预测和模拟的积冰组合决策系统，所述的系统包括跑道温度动态预测模块1、道面TEC温度控制积冰模拟模块2、跑道积冰组合式预测算法模块3和多决策预测结果修正模块4；其中，跑道温度动态预测模块1同时与道面TEC温度控制积冰模拟模块2及跑道积冰组合式预测算法模块3相连接；多决策预测结果修正模块4同时与道面TEC温度控制积冰模拟模块2及跑道积冰组合式预测算法模块3相连接。跑道温度动态预测模块1输出的道面温度预测结果作为TEC道面温度模拟积冰模块2和跑道积冰组合式预测算法模块3预测积冰情况的一项基础变量；多决策预测结果修正模块4将道面TEC温度控制积冰模拟模块2输出的模拟道面温度及跑道积冰组合式预测算法模块3输出的预测积冰厚度进行修正，输出最终积冰厚度预测结果；所述的道面TEC温度控制积冰模拟模块2包括热电器件和控制装置；热电器件置于跑道表层；控制装置分别与跑道温度动态预测模块1、多决策预测结果修正模块4和热电器件相连接。

2)采集预测时刻之前包括道面温度x₁ ⁽⁰⁾(i)、大气温度x₂ ⁽⁰⁾(i)、道面地下温度x₃ ⁽⁰⁾(i)、大气湿度x₄ ⁽⁰⁾(i)及风速x₅ ⁽⁰⁾(i)在内的五组数据，然后由跑道温度动态预测模块1对上述各组数据分别使用累加方法(AGO)生成算子x_k ⁽¹⁾(i),(k＝1,2,…,5.i＝1,2,…n)，并由各算子x₁ ⁽¹⁾(i)分别生成相应的紧邻均值序列z₁ ⁽¹⁾(i)；

其中，所述的累加方法生成算子的公式为：

紧邻均值序列的公式为：z₁ ⁽¹⁾(t+1)＝0.5x₁ ⁽¹⁾(t)+0.5x₁ ⁽¹⁾(t+1),(t＝1,2,…,n-1)

3)根据上述算子及紧邻均值序列，利用公式u＝(B^TB)^-1B^TY＝[a,b₂,b₃,b₄,b₅]求解出系统发展系数a及驱动系数b_i；其中，

4)由上述系统发展系数a及驱动系数b_i生成灰色预测模型GM(1,5)；

5)求解上述灰色预测模型GM(1,5)得到

再由累减还原输出初始道面温度预测结果

6)收集预测时刻之前p年份相同时刻的温度数据，列为温度序列t_t＝[t_t-1,t_t-2,…,t_t-n]，建立时间序列预测模型AR(p)：

然后将上述温度序列数据输入时间序列预测模型AR(p)，其中φ_i为自回归系数，可借助MATLAB工具箱进行求解，ε_t为该时间序列的白噪声；求解时间序列预测模型AR(p)而获得初始道面温度预测结果t_t；

7)将上述步骤5)和6)获得的两种初始道面温度预测结果通过均方误差(MSE)方法分析残差，然后根据残差大小分别为灰色预测模型GM(1,5)的初始道面温度预测结果

及时间序列预测模型AR(p)的初始道面温度预测结果t_t赋予权系数，残差分析结果较大时赋予较小权系数，较小时则赋予较大权系数，最终生成道面温度预测结果，并输出给道面TEC温度控制积冰模拟模块2；道面温度预测结果的公式为：

其中p₁表示灰色预测权系数，p₂表示时间序列预测权系数。

8)道面TEC温度控制积冰模拟模块2中的控制装置根据跑道温度动态预测模块1输出的道面温度预测结果控制热电器件进行升降温，以对预测的未来时刻道面温度结果实现动态模拟，以此为基础来判断预测时间段后的跑道积冰厚度情况，然后测量积冰厚度并输出给多决策预测结果修正模块4；

9)跑道积冰组合式预测算法模块3采用K最近邻回归算法或采用基于积冰机理的积冰预测模型获得预测积冰厚度；

所述的采用K最近邻回归算法获得预测积冰厚度的方法如下：

采集机场上多个数据点以往多年份的道面温度、降雨量、风速、道面地下温度和积冰厚度数据而建立数据空间，并将这些数据分为训练集N＝(n₁,n₂,n₃,n₄,n₅)和测试集N_t＝(n_t1,n_t2,n_t3,n_t4,n_t5)；

然后利用上述道面温度、降雨量、风速和道面地下温度数据借助欧氏距离公式计算出训练集中各数据点与测试集中相应数据点间的欧氏距离：

选取K值，即选取训练集中距离预测点最近的K个积冰厚度数据，取这K个积冰厚度数据的算术平均值作为积冰厚度预测结果：

选取K值方法：通过遍寻K值，比较训练集中各积冰厚度预测结果n_p5与测试集中相应积冰厚度n_t5的相近程度，取两者结果最为相近的K值作为KNN(K最近邻)回归模型的K值；

由于上述所选取的K值存在一定的局限性，欧氏距离d_j过大时，难免会造成积冰厚度预测结果残差过大，故设置欧氏距离阈值d，在实际应用中，从现场采集预测点附近K个数据点的道面温度、降雨量、风速和道面地下温度，然后分别计算出这K个数据点与预测点间的欧氏距离，如果K个数据点的欧氏距离满足

则将K个数据点的道面温度、降雨量、风速和道面地下温度输入到上述KNN回归模型中，该模型的输出即为预测点处的预测积冰厚度。如果不满足

使用下面的基于积冰机理的积冰预测模型获得预测积冰厚度。

所述的基于积冰机理的积冰预测模型预测积冰厚度方法如下：

式中，

为求解结果积冰质量增长率。

碰撞系数α₁：

α₁＝a-0.028-c(b-0.045)

a＝1.066K^-0.00616exp(-1.103K^-0.688),b＝3.641K^-0.498exp(-1.497K^-0.694),c＝0.00637(φ-100)^0.381式中，K、φ是无量纲数,由下式确定K＝ρ_wνd²9μD，φ＝Red²K，Red＝ρ_adν/μ。D是横截面宽度，d是液滴直径，ρ_w是纯水密度，μ是空气绝对粘度。

水滴捕获系数α₂＝1。

冻结系数α₃由如下公式求解：

Q_air+Q_sun+Q_v+Q_f＝Q_water+Q_s+Q_he+Q_le+Q_c+Q_e+Q_l

大气长波辐射由斯蒂芬-玻尔兹曼定律，得：Q_air＝σT_a ⁴ε_a

太阳短波辐射Q_sun为：

外界气流摩擦积冰表面产生的热量Q_v为：Q_v＝hrν²/2C_p

冻结温度冻结过程释放的潜热Q_f为：Q_f＝(1-λ)α₁α₂α₃ωνL_f

道面与水膜的热量：Q_water＝[P_r·(T_w-T_s)]·E_r

道面长波辐射由斯蒂芬-玻尔兹曼定律，得：Q_s＝σT_s ⁴ε_s

道面的感热为：Q_he＝C_pρ_aC_Hν(T_a-T_s)

道面的潜热为：Q_le＝Lρ_aC_Eν(H_a-H_s)

道面积冰表面与环境经过对流换热的热量Q_c：Q_c＝h(T_i-T_a)

冰表面升华损失的热量Q_e：Q_e＝hεL_e(e_s-e_a)/(C_pP)

冷却液滴到冷凝点过程的热损失Q_l：Q_l＝α₁α₂ωνC_w(T_i-T_a)

表1：各变量解释

该基于积冰机理的积冰预测模型输出的结果是单位长度的有效面积和时间步长的积冰质量增长率，根据求解的积冰质量增长率除以积冰密度再除以单位积冰面积A，得出某一时间段的积冰速率，进而得到预测积冰厚度。

10)多决策预测结果修正模块4采用神经网络，将上述道面TEC温度控制积冰模拟模块2输出的模拟道面温度及跑道积冰组合式预测算法模块3输出的预测积冰厚度输入到神经网络中，对神经网络进行前向和逆向训练学习，均使用sigmoid函数作为激励函数，训练出权值和阈值，得到训练好的神经网络；

实际使用时首先将现场采集的道面温度、大气温度、道面地下温度、大气湿度及风速数据按照上述步骤2)—步骤8的方法进行处理而得到积冰厚度I₁；将现场采集的道面温度、降雨量、风速及道面地下温度数据按照上述步骤9)的方法进行处理而得到预测积冰厚度I₂；采集现场现时刻实际测量的积冰厚度I₅；再将道面温度预测结果I₁、预测积冰厚度I₂分别与实际测量的积冰厚度I₅求差而得到差值I₃与I₄，最后将上述所有数据输入到上述训练好的神经网络中，神经网络的输出即为最终积冰厚度预测结果。

a)前向训练过程如下：

输入层到中间层：

中间层到输出层：

b)逆向训练过程如下：

误差公式：

中间层到输出层权值更新：

输入层到中间层权值更新：

η为学习速率。

同理对阈值b_i进行数值更新。

由神经网络进行残差修正训练，输出最终积冰预测结果，并且根据数据不断地收集及更新，可多次对神经网路进行训练，扩充训练集数据量，更进一步提高神经网络预测精度。

所述的积冰预测方法详细步骤如下：

1)对机场跑道道面温度未来时刻的温度采用灰色与时间序列相结合的方法进行动态预测。温度预测是机场积冰预测的重要因素及指标，通过对机场跑道环境历史数据进行采集完成算法设计，建立灰色预测模型。同时，考虑到灰色算法缺少对事物内在机理考虑，引入时间序列进行残差修正训练，完成最终温度动态预测算法设计，进行短时温度动态预测。

2)在对机场跑道温度动态预测的基础上，对TEC器件进行自主升降温精准控制，模拟未来时刻的跑道动态温度预测结果，用于判断跑道在此情况下积冰情况，如图2所示。

3)基于数据驱动及积冰机理分析相结合的跑道积冰预测方法，借助训练及研究机理预测跑道短时积冰情况，如图3所示。由于天气变化复杂无常，仅使用数据驱动对机场跑道进行预测难免由于历史数据不完善影响预测精度。借助对机场跑道实时数据进行分析，根据其各项数据与历史数据相关性程度进行判断，实现基于数据驱动及机理分析想组合的预测算法的选择，当数据相关性较大时使用数据驱动积冰预测算法，当数据相关性存在较大差值时，使用积冰机理预测算法实现积冰厚度预测。

4)对上述积冰厚度和预测积冰厚度结果进行互相验证并利用残差进行结果修正，以提高积冰情况预测精度，最终实现积冰厚度预测。

Claims (4)

1.一种基于道面温度预测和模拟的积冰组合决策方法，其特征在于:所述的积冰组合决策方法包括按顺序进行的下列步骤：

1)构建基于道面温度预测和模拟的积冰组合决策系统，所述的系统包括跑道温度动态预测模块(1)、道面TEC温度控制积冰模拟模块(2)、跑道积冰组合式预测算法模块(3)和多决策预测结果修正模块(4)；其中，跑道温度动态预测模块(1)同时与道面TEC温度控制积冰模拟模块(2)及跑道积冰组合式预测算法模块(3)相连接；多决策预测结果修正模块(4)同时与道面TEC温度控制积冰模拟模块(2)及跑道积冰组合式预测算法模块(3)相连接；所述的道面TEC温度控制积冰模拟模块(2)包括热电器件和控制装置；热电器件置于跑道表层；控制装置分别与跑道温度动态预测模块(1)、多决策预测结果修正模块(4)和热电器件相连接；

2)采集预测时刻之前包括道面温度x₁ ⁽⁰⁾(i)、大气温度x₂ ⁽⁰⁾(i)、道面地下温度x₃ ⁽⁰⁾(i)、大气湿度x₄ ⁽⁰⁾(i)及风速x₅ ⁽⁰⁾(i)在内的五组数据，然后利用跑道温度动态预测模块(1)对上述各组数据分别使用累加方法生成算子x_k ⁽¹⁾(i),(k＝1,2,…,5.i＝1,2,…n)，并由各算子x₁ ⁽¹⁾(i)分别生成相应的紧邻均值序列z₁ ⁽¹⁾(i)；

3)根据上述算子及紧邻均值序列，利用公式u＝(B^TB)^-1B^TY＝[a,b₂,b₃,b₄,b₅]求解出系统发展系数a及驱动系数b_i；其中，

4)由上述系统发展系数a及驱动系数b_i生成灰色预测模型GM(1,5)；

5)求解上述灰色预测模型GM(1,5)得到

再由累减还原输出初始道面温度预测结果

6)收集预测时刻之前p年份相同时刻的温度数据，列为温度序列t_t＝[t_t-1,t_t-2,…,t_t-n]，建立时间序列预测模型AR(p)：

然后将上述温度序列数据输入时间序列预测模型AR(p)，其中φ_i为自回归系数，ε_t为该时间序列的白噪声；求解时间序列预测模型AR(p)而获得初始道面温度预测结果t_t；

7)将上述步骤5)和6)获得的两种初始道面温度预测结果通过均方误差方法分析残差，然后根据残差大小分别为灰色预测模型GM(1,5)的初始道面温度预测结果x₁ ⁽¹⁾及时间序列预测模型AR(p)的初始道面温度预测结果t_t赋予权系数，残差分析结果较大时赋予较小权系数，较小时则赋予较大权系数，最终生成道面温度预测结果并输出给道面TEC温度控制积冰模拟模块(2)；

8)道面TEC温度控制积冰模拟模块(2)中的控制装置根据跑道温度动态预测模块(1)输出的道面温度预测结果控制热电器件进行升降温，以对预测的未来时刻道面温度结果实现动态模拟，然后测量积冰厚度并输出给多决策预测结果修正模块(4)；

9)跑道积冰组合式预测算法模块(3)采用K最近邻回归算法或采用基于积冰机理的积冰预测模型获得预测积冰厚度；

10)多决策预测结果修正模块(4)采用神经网络，将上述道面TEC温度控制积冰模拟模块(2)输出的积冰厚度及跑道积冰组合式预测算法模块(3)输出的预测积冰厚度输入到神经网络中，对神经网络进行前向和逆向训练学习，均使用sigmoid函数作为激励函数，训练出权值和阈值，得到训练好的神经网络；

实际使用时首先将现场采集的道面温度、大气温度、道面地下温度、大气湿度及风速数据按照上述步骤2)—步骤8的方法进行处理而得到积冰厚度I₁；将现场采集的道面温度、降雨量、风速及道面地下温度数据按照上述步骤9)的方法进行处理而得到预测积冰厚度I₂；采集现场现时刻实际测量的积冰厚度I₅；再将道面温度预测结果I₁、预测积冰厚度I₂分别与实际测量的积冰厚度I₅求差而得到差值I₃与I₄，最后将上述所有数据输入到上述训练好的神经网络中，神经网络的输出即为最终积冰厚度预测结果。

2.根据权利要求1所述的积冰组合决策方法，其特征在于:在步骤2)中，所述的累加方法生成算子的公式为：

紧邻均值序列的公式为：z₁ ⁽¹⁾(t+1)＝0.5x₁ ⁽¹⁾(t)+0.5x₁ ⁽¹⁾(t+1),(t＝1,2,…,n-1) 。

3.根据权利要求1所述的积冰组合决策方法，其特征在于:在步骤7)中，所述的道面温度预测结果的公式为：

其中p₁表示灰色预测权系数，p₂表示时间序列预测权系数，

表示求解灰色预测模型GM(1,5)而获得的初始道面温度预测结果，t_t表示求解时间序列预测模型AR(p)而获得的初始道面温度预测结果。

4.根据权利要求1所述的积冰组合决策方法，其特征在于:在步骤9)中，所述的采用K最近邻回归算法获得预测积冰厚度的方法如下：

采集机场上多个数据点以往多年份的道面温度、降雨量、风速、道面地下温度和积冰厚度数据而建立数据空间，并将这些数据分为训练集N＝(n₁,n₂,n₃,n₄,n₅)和测试集N_t＝(n_t1,n_t2,n_t3,n_t4,n_t5)；

然后利用上述道面温度、降雨量、风速和道面地下温度数据借助欧氏距离公式计算出训练集中各数据点与测试集中相应数据点间的欧氏距离：

选取K值，即选取训练集中距离预测点最近的K个积冰厚度数据，取这K个积冰厚度数据的算术平均值作为积冰厚度预测结果：

遍寻K值，比较训练集中各积冰厚度预测结果n_p5与测试集中相应积冰厚度n_t5的相近程度，取两者结果最为相近的K值作为K最近邻回归模型的K值；

设置欧氏距离阈值d，在实际应用中，从现场采集预测点附近K个数据点的道面温度、降雨量、风速和道面地下温度，然后分别计算出这K个数据点与预测点间的欧氏距离，如果K个数据点的欧氏距离满足

则将K个数据点的道面温度、降雨量、风速和道面地下温度输入到上述K最近邻回归模型中，该模型的输出即为预测点处的预测积冰厚度；如果不满足

使用基于积冰机理的积冰预测模型获得预测积冰厚度；

所述的基于积冰机理的积冰预测模型预测积冰厚度的方法如下：

式中，

为求解结果积冰质量增长率；

碰撞系数α₁：

α₁＝a-0.028-c(b-0.045)

a＝1.066K^-0.00616exp(-1.103K^-0.688),b＝3.641K^-0.498exp(-1.497K^-0.694),c＝0.00637(φ-100)^0.381

式中，K、φ是无量纲数,由下式确定K＝ρ_wνd²/9μD，φ＝Red²/K，Red＝ρ_adν/μ；D是横截面宽度，d是液滴直径，ρ_w是纯水密度，μ是空气绝对粘度；

水滴捕获系数α₂＝1；

冻结系数α₃由如下公式求解：

Q_air+Q_sun+Q_v+Q_f＝Q_water+Q_s+Q_he+Q_le+Q_c+Q_e+Q_l

大气长波辐射由斯蒂芬-玻尔兹曼定律，得：Q_air＝σT_a ⁴ε_a

太阳短波辐射Q_sun为：

外界气流摩擦积冰表面产生的热量Q_v为：Q_v＝hrν²/2C_p

冻结温度冻结过程释放的潜热Q_f为：Q_f＝(1-λ)α₁α₂α₃ωνL_f

道面与水膜的热量：Q_water＝[P_r·(T_w-T_s)]·E_r

道面长波辐射由斯蒂芬-玻尔兹曼定律，得：Q_s＝σT_s ⁴ε_s

道面的感热为：Q_he＝C_pρ_aC_Hν(T_a-T_s)

道面的潜热为：Q_le＝Lρ_aC_Eν(H_a-H_s)

道面积冰表面与环境经过对流换热的热量Q_c：Q_c＝h(T_i-T_a)

冰表面升华损失的热量Q_e：Q_e＝hεL_e(e_s-e_a)/(C_pP)

冷却液滴到冷凝点过程的热损失Q_l：Q_l＝α₁α₂ωνC_w(T_i-T_a)

该基于积冰机理的积冰预测模型输出的结果是单位长度的有效面积和时间步长的积冰质量增长率，根据求解的积冰质量增长率除以积冰密度再除以单位积冰面积A，得出某一时间段的积冰速率，进而得到预测积冰厚度。

Images