CN111967676A - 基于逐步回归的飞机起飞擦机尾风险预测的方法和系统 - Google Patents

Abstract

本发明公开了一种基于逐步回归的飞机起飞擦机尾风险预测的方法和系统，提高了对飞机在起飞过程中的擦机尾事件的风险预测的准确度。其技术方案为：一方面采用机尾离地间隙这一新的测量值来衡量擦机尾的风险，相对于传统的方法更加直观、准确；一方面基于对擦机尾事件和各个参数之间的相关性的分析找到密切相关的显著性变量；另一方面在这些显著性变量的基础上建立了基于逐步回归技术的起飞擦机尾风险预测模型；最后基于这一模型开发了一个新的系统，通过在系统中输入所需的参数来实现擦机尾风险预测结果的自动输出。

Description

基于逐步回归的飞机起飞擦机尾风险预测的方法和系统

技术领域

本发明涉及一种针对飞机起飞过程中擦机尾的风险预测技术，具体涉及基于逐步回归建立起飞擦机尾风险预测模型并基于模型进行风险预测的方法和系统。

背景技术

擦机尾作为一类在起飞和着陆期间较为频发的不安全事件，虽然不太可能会直接造成机毁人亡的重大事故，但是会对飞机造成结构性损坏，对后续的飞行安全带来隐患以及昂贵的维修费用。

通过对国内外航空公司近十年安全数据统计进行分析，擦机尾事件在作风和技能原因的严重事故征候事件中占比最高，共发生33起，占比达35％。相对于着陆擦机尾，起飞擦机尾会带来更大的潜在风险，首先它不容易被及时发现，尤其是当飞机继续爬升高度时，会出现失压的风险。

飞机在起飞阶段随着俯仰角的增大势必会造成机尾离地距离的减小，根据A320飞机设计的几何形状，当起落架完全压缩时，当离地姿态(离地瞬间的俯仰角)达到11.7°就会发生擦机尾事件，当起落架为完全伸展状态时，这一极限值为13.5°。因此，国内航空公司均采用通过记录飞机在离地瞬间的俯仰角来评估擦机尾风险，但是这种传统的方法存在以下两个问题：

1.QAR数据采集设备对于不同的参数采样频率不完全一致，如空地电门、无线电雷达高度表和俯仰角的采样频率分别为2HZ、4HZ、8HZ，因此在抓取飞机离地瞬间的真实俯仰角会存在一定的误差。

2.当飞机的主轮离地以后，随着俯仰角的进一步增大还是会继续触发擦机尾事件的可能性，因此无法抓取主轮离地后的擦机尾事件。

此外，航空不安全事件的发生往往是由多个因素共同导致，并且有时候很难确定其具体原因。AIRBUS对空客飞机在起飞和着陆阶段导致擦机尾事件的可能原因进行了分析，指出在绝大数情况下该事件是由多种原因共同造成的；FAA的航空安全专家也意识到飞机事故几乎总是由一系列事件引起，每一事件都与一个或多个原因相关，因此，航空事故的原因往往有很多方面。

研究人员与飞行专家已经根据空气动力学相关理论和飞行经验对擦机尾事件的原因进行了推断，然而仍很确定难造成擦机尾的特定原因。

因此，目前业界亟待一种风险预测系统，能够对飞机尤其是A320机型在起飞过程中的擦机尾事件进行较为准确的预测。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

本发明的目的在于解决上述问题，提供了一种基于逐步回归的飞机起飞擦机尾风险预测的方法和系统，提高了对飞机在起飞过程中的擦机尾事件的风险预测的准确度。

本发明的技术方案为：本发明揭示了一种基于逐步回归的飞机起飞擦机尾风险预测的方法，方法包括：

步骤1：接收外部的QAR参数输入；

步骤2：将接收的QAR参数输入到逐步回归模型中进行拟合，得到与擦机尾事件密切联系的显著性参数及最终的多元回归方程；

步骤3：基于所输入的QAR参数在多元回归模型中的运算，得到飞机起飞擦机尾的预测风险值。

根据本发明的基于逐步回归的飞机起飞擦机尾风险预测的方法的一实施例，步骤1输入的外部QAR参数包括：俯仰角、空速、地速、风速、发动机转速、起飞重量、重心位置、机场海拔高度、跑道长度。

根据本发明的基于逐步回归的飞机起飞擦机尾风险预测的方法的一实施例，步骤2中的逐步回归模型通过以下步骤建立：

步骤a：设置一个显著性水平，用于确定是否将变量放入逐步回归模型中，以及设置另一个显著性水平，用于确定是否将变量从逐步回归模型中剔除；

步骤b：将所有的自变量逐一与因变量建立一元回归模型，进行包括t检验在内的一元回归分析；

步骤c：在步骤b的基础上继续逐个选择自变量建立二元回归模型，进行包括t检验在内的二元回归分析，得到最优回归方程；

步骤d：通过检验新变量引入到最优回归方程是否会影响所设置的显著性水平，决定是否将新变量从逐步回归模型中剔除；

步骤e：重复步骤a至步骤d，直到所有新变量的t检验满足条件时结束回归分析。

根据本发明的基于逐步回归的飞机起飞擦机尾风险预测的方法的一实施例，多元回归模型的起飞擦机尾风险的预测公式如下：

A320-LEAP系列：

A320-V2500系列：

A320-CFM系列：

上式中

为机尾离地距离预测值，x^*是标准化的独立变量，x₁₁表示俯仰角，x₁₅表示校正空速，ε表示残差。

本发明还揭示了一种基于逐步回归的飞机起飞擦机尾风险预测的系统，系统包括：

参数输入模块，接收外部的QAR参数输入；

逐步回归处理模块，将接收的QAR参数输入到逐步回归模型中进行拟合，得到与擦机尾事件密切联系的显著性参数及最终的多元回归方程；

风险预测输出模块，基于所输入的QAR参数在多元回归模型中的运算，得到飞机起飞擦机尾的预测风险值。

根据本发明的基于逐步回归的飞机起飞擦机尾风险预测的系统的一实施例，参数输入模块的外部QAR参数包括：俯仰角、空速、地速、风速、发动机转速、起飞重量、重心位置、机场海拔高度、跑道长度。

根据本发明的基于逐步回归的飞机起飞擦机尾风险预测的系统的一实施例，逐步回归处理模块配置为处理以下的步骤：

步骤a：设置一个显著性水平，用于确定是否将变量放入逐步回归模型中，以及设置另一个显著性水平，用于确定是否将变量从逐步回归模型中剔除；

步骤b：将所有的自变量逐一与因变量建立一元回归模型，进行包括t检验在内的一元回归分析；

步骤c：在步骤b的基础上继续逐个选择自变量建立二元回归模型，进行包括t检验在内的二元回归分析，得到最优回归方程；

步骤d：通过检验新变量引入到最优回归方程是否会影响所设置的显著性水平，决定是否将新变量从逐步回归模型中剔除；

步骤e：重复步骤a至步骤d，直到所有新变量的t检验满足条件时结束回归分析。

根据本发明的基于逐步回归的飞机起飞擦机尾风险预测的系统的一实施例，风险预测输出模块的起飞擦机尾风险的预测公式如下：

A320-LEAP系列：

A320-V2500系列：

A320-CFM系列：

上式中

为机尾离地距离预测值，x^*是标准化的独立变量，x₁₁表示俯仰角，x₁₅表示校正空速，ε表示残差。

本发明还揭示了一种基于逐步回归的飞机起飞擦机尾风险预测的系统，包括：

处理器；以及

存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，

其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如上所述的方法。

本发明还揭示了一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如上所述的方法。

本发明对比现有技术有如下的有益效果：本发明一方面采用机尾离地间隙这一新的测量值来衡量擦机尾的风险，相对于传统的方法更加直观、准确；一方面基于对擦机尾事件和各个参数之间的相关性的分析找到密切相关的显著性变量；另一方面在这些显著性变量的基础上建立了基于逐步回归技术的起飞擦机尾风险预测模型；最后基于这一模型开发了一个新的系统，通过在系统中输入所需的参数来实现擦机尾风险预测结果的自动输出。

附图说明

在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。

图1示出了本发明的基于逐步回归的飞机起飞擦机尾风险预测的方法的一实施例的流程图。

图2A和2B示出了图1所示的方法中的步骤2的细化子流程图。

图3示出了飞机在起飞阶段的飞行姿态的示意图。

图4示出了本发明的基于逐步回归的飞机起飞擦机尾风险预测的系统的一实施例的原理图。

图5示出了本发明的系统的实施例的原理图。

具体实施方式

以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。

图1示出了本发明的基于逐步回归的飞机起飞擦机尾风险预测的方法的一实施例的流程。请参见图1，本实施例的方法的实施步骤详述如下。

步骤1：系统接收外部的QAR参数输入。

所输入的QAR参数包括：俯仰角、空速、地速、风速、发动机转速、起飞重量、重心位置、机场海拔高度、跑道长度等。

上述QAR(快速存取记录器)参数在飞机传感器获得的原始数据进行解码后，通过二次计算得到。

在本实施例中，发动机对起飞擦机尾风险是有影响的，A320机型配备3种不同类型的发动机：LEAP-1A、CFM56系列以及V2500-A5/D5。其中LEAP-1A发动机的风扇直径比其余两款要大得多，会对飞机的重心等造成影响，因此也会影响擦机尾风险。

在本实施例中，是以机尾离地间隙来作为擦机尾风险的重要衡量指标。利用相似三角形原理，可以通过飞机的俯仰角和无线电雷达高度计算得到机尾离地间隙，如图3，计算过程如下式(3-1)所示，计算范围取飞机从到达位置点V₁(其中V₁是飞行机组中断起飞必须采取第一个措施的最大速度，一般在300-350千米/时)至离地35ft这一时间段内的最小值。

式中，H为无线电高度表读数，L为无线电高度计天线距离机尾水平方向的距离，N为无线电高度计天线距离机尾竖直方向的距离，θ为俯仰角，其中a+b为机尾离地间隙。

步骤2：将步骤1中输入的参数输入到逐步回归模型中进行拟合，得到与擦机尾事件密切联系的显著性参数及最终的多元回归方程。

逐步回归模型的模型建立过程如下，请参考图2A和2B所示。

步骤a：设置一个显著性水平，用于确定是否将变量(本实施例的变量包括下述的表1的“擦机尾事件相关参数”中的参数)放入逐步回归模型中，记为α_enter，同时设置是否将变量从逐步回归模型中剔除的显著性水平，记为α_remove。显著性水平的参数值根据假设检验，在本实施例中α_enter设置为0.05。

在本步骤中，由于导致擦机尾事件的原因非常复杂且尚未有研究来表明导致该事件的具体原因。考虑到建立的自变量参数较多，为了减少后期多元回归的工作量，需要将可能与之先关的因素先进行相关性分析，随后将相关性较强的参数优先放入回归方程中，随后进行多元回归分析。

表1擦机尾事件相关参数

^a.垂直于飞机地面跑道的风速分量，正值对应于从左到右的风。

^b.风速的分量，与地面跑道的方向相反，负顶风对应于相同幅度的正顺风。

^c.垂直方向风的分量估计(正值表示向上的风)。

^d.CG位置可以用百分比平均空气动力弦(MAC)表示，％MAC只是计算CG距离前缘平均空气动力弦(LEMAC)的距离。

^e.飞机机体纵轴和水平面之间的夹角，机头方向向上为正。

^f.修正了仪表误差和位置误差之后的指示空速。

^g.该参数结合了多个来源的地面速度，并根据不确定性对每个的贡献值进行加权，包括GPS地速，惯导地速，轮速和记录的经纬度变化率。

^h.每个发动机低压转子转速的平均值。

^i.由两个机组成员侧杆操纵输入组合而成的值，正值对应于机头朝上的偏转。

^j.由两个机组成员侧杆操纵输入组合而成的值，正值对应于右翼向下的偏转

^k.平均襟翼位置，正值对应于后缘向下的偏转。

步骤b：将所有的自变量逐一与因变量建立一元回归模型

y_j＝β₀+β₁x_1j+β₂x_2j+···+β_px_pj+ε_j，上式的一元回归方程中，y_j为因变量，x_i为独立变量，j表示样本数量，β_i为回归系数，β₀为常数项，表示所有自变量为0时因变量的总体平均值，∧表示用这个方程计算得到的是y的预测值，它表示在其余变量保持不变的情况下，x_i变化一个计量单位，y平均变化β_i个单位，ε_j为残差，因为该回归方程是一个预测方程，和真实值比较始终存在一个误差项(也叫残差)。ε～N(0,σ²)，这个公式是多元回归方程的定义，对最终模型进行验证的时候要求残差服从正态分布，该方程表示残差服从均值为0标准差为σ的正态分布。

在建立了一元回归方程的模型后进行t检验，在满足检验的自变量中选择p值最小的自变量x_i(i＝1,2,...,p)留在上述一元回归方程

中，如果所有自变量p值均不小于显著性水平α_enter，则结束一元回归分析。

步骤c：在保留步骤b的p值最小的自变量x_i(i＝1,2,...,p)的基础上继续逐个选择自变量进行二元回归分析

并进行t检验，在p值小于显著性水平α_enter的变量中选择最小x_k(k＝1,2,...,p)的自变量留在上述的一元回归方程中，如果p值均不小于显著性水平α_enter，则结束二元回归分析，此时的一元回归方程

为最优回归方程。

步骤d：检验新变量x_k(k＝1,2,...,p)引入到步骤c得到的最优回归方程中是否会影响x_i(i＝1,2,...,p)的显著性，用t检验计算β_i(i＝1,2,...,p)＝0的p值，当p值大于显著性水平α_remove，说明x_i(i＝1,2,...,p)由于新变量的加入变得不显著，则将新变量x_k(k＝1,2,...,p)剔除。

步骤e：重复上述步骤b-d，直到所有新添加变量的t检验的p值都不会小于α_enter，结束回归分析。

针对大量的训练数据，基于上述步骤的逐步回归分析结束后的结果为：

A320-LEAP系列回归结果：

A320-V2500系列回归结果：

A320-CFM系列回归结果：

根据上表，得到配备不同类型发动机的A320机型起飞擦机尾风险预测模型如下：

A320-LEAP系列：

A320-V2500系列：

A320-CFM系列：

上述式中

为机尾离地距离预测值，x^*是标准化的独立变量，x₁₁表示俯仰角，x₁₅表示校正空速，变量前面的两个系数是回归系数，ε表示误差项。重复上述的步骤a-e就是为了获得最优(误差最小)回归方程，后续只要将最终模型中的两个参数(俯仰角和校正空速)输入即可获得机尾离地间隙。

步骤3：基于所输入的QAR参数在系统中的多元回归模型的运算，得到预测风险值。

多元回归模型的运算结果是机尾离地间隙的距离，通过这一参数的数值可以更加直观、准确地评估擦机尾事件。

图4示出了本发明的基于逐步回归的飞机起飞擦机尾风险预测的系统的一实施例的原理。请参见图4，本实施例的系统包括：参数输入模块、多元回归处理模块以及风险预测输出模块。

参数输入模块用于接收外部的QAR参数输入，包括：俯仰角、空速、地速、风速、发动机转速、起飞重量、重心位置、机场海拔高度、跑道长度。上述QAR参数在飞机传感器获得的原始数据进行解码后，通过二次计算得到。

在本实施例中，发动机对起飞擦机尾风险是有影响的，A320机型配备3种不同类型的发动机：LEAP-1A、CFM56系列以及V2500-A5/D5。其中LEAP-1A发动机的风扇直径比其余两款要大得多，会对飞机的重心等造成影响，因此也会影响擦机尾风险。

在本实施例中，是以机尾离地间隙来作为擦机尾风险的重要衡量指标。

逐步回归处理模块用于将接收的QAR参数输入到逐步回归模型中进行拟合，得到与擦机尾事件密切联系的显著性参数及最终的多元回归方程。

逐步回归处理模块配置为处理以下的步骤，结合图2A和2B所示。

步骤a：设置一个显著性水平，用于确定是否将变量放入逐步回归模型中，以及设置另一个显著性水平，用于确定是否将变量从逐步回归模型中剔除；

步骤b：将所有的自变量逐一与因变量建立一元回归模型，进行包括t检验在内的一元回归分析；

步骤c：在步骤b的基础上继续逐个选择自变量建立二元回归模型，进行包括t检验在内的二元回归分析，得到最优回归方程；

步骤d：通过检验新变量引入到最优回归方程是否会影响所设置的显著性水平，决定是否将新变量从逐步回归模型中剔除；

步骤e：重复步骤a至步骤d，直到所有新变量的t检验满足条件时结束回归分析。

风险预测输出模块基于所输入的参数在多元回归模型中的运算，得到飞机起飞擦机尾的预测风险值。

起飞擦机尾风险的预测公式如下：

A320-LEAP系列：

A320-V2500系列：

A320-CFM系列：

上式中

为机尾离地距离预测值，x^*是标准化的独立变量，x₁₁表示俯仰角，x₁₅表示校正空速，ε表示残差。只要将最终模型中的两个参数(俯仰角和校正空速)输入即可获得机尾离地间隙。

本发明的上述实施例是以A320机型为例进行说明，当然也可以拓展到其他机型的同类应用中。

请参见图5，图5所示的系统包括处理器和存储器。存储器被配置为存储一系列计算机可执行的指令以及与这一系列计算机可执行的指令相关联的计算机可访问的数据，当一系列计算机可执行的指令被处理器执行时，使得处理器执行如图1实施例所示的方法。

此外，本发明还公开了一种非临时性计算机可读存储介质，非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当一系列可执行的指令被计算装置执行时，使得计算装置执行如图1实施例所示的方法。

尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。

结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。

在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

Claims (10)

1.一种基于逐步回归的飞机起飞擦机尾风险预测的方法，其特征在于，方法包括：

步骤1：接收外部的QAR参数输入；

步骤2：将接收的QAR参数输入到逐步回归模型中进行拟合，得到与擦机尾事件密切联系的显著性参数及最终的多元回归方程；

步骤3：基于所输入的QAR参数在多元回归模型中的运算，得到飞机起飞擦机尾的预测风险值。

2.根据权利要求1所述的基于逐步回归的飞机起飞擦机尾风险预测的方法，其特征在于，步骤1输入的外部QAR参数包括：俯仰角、空速、地速、风速、发动机转速、起飞重量、重心位置、机场海拔高度、跑道长度。

3.根据权利要求1所述的基于逐步回归的飞机起飞擦机尾风险预测的方法，其特征在于，步骤2中的逐步回归模型通过以下步骤建立：

步骤a：设置一个显著性水平，用于确定是否将变量放入逐步回归模型中，以及设置另一个显著性水平，用于确定是否将变量从逐步回归模型中剔除；

步骤b：将所有的自变量逐一与因变量建立一元回归模型，进行包括t检验在内的一元回归分析；

步骤c：在步骤b的基础上继续逐个选择自变量建立二元回归模型，进行包括t检验在内的二元回归分析，得到最优回归方程；

步骤d：通过检验新变量引入到最优回归方程是否会影响所设置的显著性水平，决定是否将新变量从逐步回归模型中剔除；

步骤e：重复步骤a至步骤d，直到所有新变量的t检验满足条件时结束回归分析。

4.根据权利要求1所述的基于逐步回归的飞机起飞擦机尾风险预测的方法，其特征在于，多元回归模型的起飞擦机尾风险的预测公式如下：

A320-LEAP系列：

A320-V2500系列：

A320-CFM系列：

上式中

为机尾离地距离预测值，x^*是标准化的独立变量，x₁₁表示俯仰角，x₁₅表示校正空速，ε表示残差。

5.一种基于逐步回归的飞机起飞擦机尾风险预测的系统，其特征在于，系统包括：

参数输入模块，接收外部的QAR参数输入；

逐步回归处理模块，将接收的QAR参数输入到逐步回归模型中进行拟合，得到与擦机尾事件密切联系的显著性参数及最终的多元回归方程；

风险预测输出模块，基于所输入的QAR参数在多元回归模型中的运算，得到飞机起飞擦机尾的预测风险值。

6.根据权利要求5所述的基于逐步回归的飞机起飞擦机尾风险预测的系统，其特征在于，参数输入模块的外部QAR参数包括：俯仰角、空速、地速、风速、发动机转速、起飞重量、重心位置、机场海拔高度、跑道长度。

7.根据权利要求5所述的基于逐步回归的飞机起飞擦机尾风险预测的系统，其特征在于，逐步回归处理模块配置为处理以下的步骤：

步骤a：设置一个显著性水平，用于确定是否将变量放入逐步回归模型中，以及设置另一个显著性水平，用于确定是否将变量从逐步回归模型中剔除；

步骤b：将所有的自变量逐一与因变量建立一元回归模型，进行包括t检验在内的一元回归分析；

步骤c：在步骤b的基础上继续逐个选择自变量建立二元回归模型，进行包括t检验在内的二元回归分析，得到最优回归方程；

步骤d：通过检验新变量引入到最优回归方程是否会影响所设置的显著性水平，决定是否将新变量从逐步回归模型中剔除；

步骤e：重复步骤a至步骤d，直到所有新变量的t检验满足条件时结束回归分析。

8.根据权利要求5所述的基于逐步回归的飞机起飞擦机尾风险预测的系统，其特征在于，风险预测输出模块的起飞擦机尾风险的预测公式如下：

A320-LEAP系列：

A320-V2500系列：

A320-CFM系列：

上式中

为机尾离地距离预测值，x^*是标准化的独立变量，x₁₁表示俯仰角，x₁₅表示校正空速，ε表示残差。

9.一种基于逐步回归的飞机起飞擦机尾风险预测的系统，其特征在于，包括：

处理器；以及

存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，

其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如权利要求1至4中任一项所述的方法。

10.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如权利要求1至4中任一项所述的方法。

Images