CN112100903A - 一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 - Google Patents
一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 Download PDFInfo
- Publication number
- CN112100903A CN112100903A CN202010799727.6A CN202010799727A CN112100903A CN 112100903 A CN112100903 A CN 112100903A CN 202010799727 A CN202010799727 A CN 202010799727A CN 112100903 A CN112100903 A CN 112100903A
- Authority
- CN
- China
- Prior art keywords
- bird
- aircraft engine
- sucking
- risk
- severity
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000009434 installation Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000013058 risk prediction model Methods 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 abstract description 8
- 239000011159 matrix material Substances 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000037406 food intake Effects 0.000 abstract 1
- 241000271566 Aves Species 0.000 description 44
- 238000004458 analytical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 244000144992 flock Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000272878 Apodiformes Species 0.000 description 1
- 241000726096 Aratinga Species 0.000 description 1
- 241000272875 Ardeidae Species 0.000 description 1
- 241000948289 Callipepla gambelii Species 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- 241000272184 Falconiformes Species 0.000 description 1
- 241000288111 Fulica atra Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- 241001415864 Lagopus Species 0.000 description 1
- 241000272168 Laridae Species 0.000 description 1
- 241000511996 Milvus migrans Species 0.000 description 1
- 241000406423 Molossus ater Species 0.000 description 1
- 241000060308 Myotis volans Species 0.000 description 1
- 241000287462 Phalacrocorax carbo Species 0.000 description 1
- 241000286209 Phasianidae Species 0.000 description 1
- 241000114313 Plectrophenax hyperboreus Species 0.000 description 1
- 241001415846 Procellariidae Species 0.000 description 1
- 241000969135 Selasphorus platycercus Species 0.000 description 1
- 241001314485 Urile penicillatus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,根据历史数据得到航空发动机吸鸟事件概率,使用MATLAB语言编写M文件程序,实现BP神经网络算法,再利用BP神经网络模型对航空发动机吸鸟事件造成的经济性损失进行预测,并结合航空发动机吸鸟事件概率与风险评估矩阵进行风险评估。最后设计GUI界面,根据航空发动机吸鸟事件中影响因素的相关程度选取统计数据中的飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小等八种因素数据,通过M文件调用BP神经网络算法进而得到结果。该模型能够用来预测未来某一航班飞机某种发动机在指定时间段和指定高度吸入某种鸟类的概率值、严重程度和风险评估等级。
Description
技术领域
本发明涉及航空运行安全管理领域,是一种航空发动机吸鸟环境下的鸟类风险预测与评估方法。
背景技术
全球生态环境的不断改善,以及噪音更小进气口更大的喷气式客机的投入运营,航空发动机吸鸟日益成为威胁民航安全的重要因素。
据波音公司统计,航空发动机吸鸟事件占鸟撞飞机全部事件的3/4左右,其结果与英国民航局CAA及国际民航组织ICAO统计的数据基本一致。为了避免吸鸟事件的发生,降低由于吸鸟事件而带来的损伤,许多国家都开展了航空发动机吸鸟的研究工作。目前减轻航空发动机吸鸟事件危害的方法主要是降低吸鸟事件发生概率,对发生的吸鸟事件进行统计分析,从而发现吸鸟事件发生的时间、地点、鸟的种类、飞行状态和鸟撞航空发动机的部件等一般规律。从鸟的角度来杜绝鸟撞,分析不同物种的鸟类习性,总结出什么季节,什么天气容易发生鸟撞,或者是通过对鸟类的了解,研发有效的机场驱鸟措施。由于鸟类活动的多样性以及飞机运行的复杂性,若能预测航空发动机吸鸟发生的概率便能提前做好防范预案,必要时可以绕行吸鸟概率较大的区域飞行。为此,综合考虑飞机因素(飞机质量、发动机装机数量、发动机类型等)、环境因素(月份、天气等)和鸟情因素(鸟的种类、鸟的数量、鸟的大小等),对可能发生的航空发动机吸鸟事件进行鸟情分布和吸鸟概率统计。结合适航要求,分析受影响的航空发动机部件,评估对航空发动机部件的影响,进而评估对航空发动机的影响,构建一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,评估风险水平是否在可接受范围,为航空发动机吸鸟风险预测管理提供技术支持。
国际民航组织鸟击信息系统(IBIS)提供对从各国收到的鸟类撞击报告的分析。对该数据的分析表明,大约90%的鸟类撞击事件发生在机场及机场附近区域。由于每一地点鸟类撞击的风险不同,管理也应有所不同。鸟类危害问题的严重程度受地理位置、场地对鸟类的吸引力以及航空交通密度等因素的影响。风险预测与评估工作应该考虑到每一种鸟类被吸入的数量以及因吸鸟导致的破坏程度。明确针对那些发生概率高、造成破坏程度大的鸟类。
目前,国内航空发动机设计研发单位在航空发动机吸鸟环境下的鸟类风险预测与评估中尚缺乏有效的工具。
发明内容
针对背景技术中所涉及到的问题,本发明提供一种采用BP神经网络对航空发动机吸鸟环境下的鸟类风险预测与评估方法,通过该分析方法可进行航空发动机吸鸟环境下的鸟类风险预测与评估,从而判断航空发动机吸入不同种鸟类的风险大小。
本发明为解决上述技术问题采用以下技术方案:
一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,包含以下步骤:
步骤1),对已有的航空发动机吸鸟事件数据进行收集与统计,建立样本数据库;
所述航空发动机吸鸟事件数据包含飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小、维修费用、飞行员收入损失、因航班取消而产生的酒店费和燃油费;
步骤2),根据航空发动机吸入不同种鸟类的次数,将相关鸟类归为非常高、高、中等、低、非常低这五种发生概率中的一种;
步骤3),根据维修费用、飞行员收入损失、因航班取消而产生的酒店费和燃油费合计产生的经济损失,将吸鸟事件划分为非常高、高、中等、低、非常低五种严重程度;
步骤4),根据步骤2)和3),将吸鸟事件划分为1级、2级和3级风险三个风险等级;
步骤5),以吸鸟事件发生时的飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小作为BP神经网络的输入,航空发动机吸鸟事件发生概率、严重程度和风险评估等级作为BP神经网络的输出,对BP神经网络进行训练,建立鸟类风险预测模型;
步骤6),基于步骤5)中的鸟类风险预测模型对鸟类风险进行预测。
进一步,步骤3)中的经济损失分为少于1000美元、1000-5000美元、5000-10000美元、10000-100000美元和超过100000美元五个区间,分别对应非常低、低、中等、高、非常高五种严重程度。
进一步,步骤4中:1级风险包括严重程度为非常低、严重程度为低且发生概率中等/低/非常低、严重程度为中等且发生概率低/非常低,2级风险包括严重程度为低且发生概率高/非常高、严重程度为中等且发生概率中等、严重程度为高且发生概率低/非常低、严重程度为非常高且发生概率低/非常低,3级风险包括严重程度为中等且发生概率为非常高/高、严重程度为高且发生概率为非常高/高/中等、严重程度为非常高且发生概率为非常高/高/中等。本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明通过对航空发动机吸鸟事件统计数据中的飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小等八种因素数据采用BP神经网络建立鸟类风险预测模型,运用MATLAB对预测模型性能进行仿真实验,对航空发动机吸鸟事件造成经济性损失的预测,并结合航空发动机吸鸟事件概率进行风险评估,即航空发动机吸鸟事件风险等于航空发动机吸鸟事件概率与航空发动机吸鸟事件造成的经济性损失严重程度的乘积;
本发明通过GUI界面输入飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小等八种因素信息预测航空发动机吸鸟事件概率以及严重程度,同时能够将评估结果以数据和图表的形式直观表示,便于管理和维护;
本发明具有良好的创新性,该鸟类风险预测模型能够用来预测未来某一航班飞机某种发动机在指定时间段和指定高度吸入某种鸟类的概率值、严重程度和风险评估等级。通过航空发动机吸鸟事件中可能产生的鸟情分布和吸鸟概率,为防范航空发动机吸鸟事件和航空发动机抗鸟撞损伤设计与分析提供技术支持和数据输入,并支撑航空发动机吸鸟适航性验证试验中的鸟类选择。
附图说明
图1为采用BP神经网络方法建立鸟类风险预测模型的流程图;
图2为航空发动机吸鸟事件风险评估神经网络模型;
图3为吸鸟次数与航空发动机类型关系图;
图4为吸鸟次数与年份关系图;
图5为吸鸟次数与月份关系图;
图6为吸鸟次数与飞机飞行高度关系图;
图7为吸鸟次数与飞机飞行阶段关系图;
图8为吸鸟次数与影响情况关系图;
图9为吸鸟次数与天气状况关系图;
图10为吸鸟次数与鸟的数量关系图;
图11为吸鸟次数与鸟的大小关系图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,包括以下步骤:
步骤1),对已有的航空发动机吸鸟事件数据进行收集与统计,建立分析数据库;
所述航空发动机吸鸟事件数据包含吸鸟发生时的飞机类型、飞机质量、发动机装机数量、发动机类型、月份、年份、离地面高度、飞机飞行速度、对飞机飞行造成的影响、发动机吸入的鸟的种类、飞行员看到的鸟的数量、航空发动机吸入的鸟的数量、飞行员报告的鸟的大小、飞行员对鸟类发出警告、维修费用、飞行员收入损失、因航班取消而产生的酒店费、燃油费、受伤人数、死亡人数;
步骤2),采用BP神经网络方法将吸鸟事件发生时的飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小共8个变量作为输入变量,根据权利要求2所述对各个输入变量进行分类和编号,将航空发动机吸鸟事件概率、严重程度和风险评估等级共3个变量作为输出结果变量;
步骤3),对所述步骤1)中航空发动机吸鸟事件统计数据中“维修费用、飞行员收入损失、因航班取消而产生的酒店费和燃油费合计即鸟的种类对航空发动机的危险程度以及造成的经济损失是多少”进行分类并编号,进而根据一个5×5风险评估矩阵(见表1)判断航空发动机吸入不同种鸟类的风险大小;
所述危险程度包含低级、中级和高级,经济损失严重程度的区间分为少于1000美元、1000-5000美元、5000-10000美元、10000-100000美元和超过100000美元。
步骤4),令吸鸟事件发生时的飞机类型、飞机质量、发动机装机数量、发动机类型、月份、年份、离地面高度、飞机飞行速度、对飞机飞行造成的影响、发动机吸入的鸟的种类、飞行员看到的鸟的数量、航空发动机吸入的鸟的数量、飞行员报告的鸟的大小、飞行员对鸟类发出警告、维修费用、飞行员收入损失、因航班取消而产生的酒店费、燃油费、受伤人数、死亡人数为典型性好和精度高的样本,并将数据分成训练样本、检验样本和测试样本3部分,采用BP神经网络建立鸟类风险预测模型;
步骤4.1),运用MATLAB对鸟类风险预测模型性能进行仿真实验,对航空发动机吸鸟事件概率、严重程度和风险评估等级进行预测进而对航空发动机吸鸟事件造成的经济性损失进行预测;
步骤4.2),基于航空发动机吸鸟事件造成的经济性损失的多少以及航空发动机吸鸟事件概率的大小,进行航空发动机吸鸟环境下的鸟类风险预测与评估;
步骤4.3),采用BP神经网络运用MATLAB编程语言构建航空发动机吸鸟环境下的鸟类风险预测与评估GUI界面,通过GUI界面输入飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小等八种因素信息预测航空发动机吸鸟事件概率、严重程度和风险评估等级;
步骤5),航空发动机吸鸟事件风险等于航空发动机吸鸟事件概率与航空发动机吸鸟事件造成的经济性损失严重程度的乘积;
步骤6),三种风险等级要求机场管理人员采取如下不同的应对措施:
a)3级风险来自该鸟类的风险目前非常高,对该鸟类应该尽快采取额外的治理行动,以降低风险。
b)2级风险对于来自该鸟类的风险,有必要进一步审查可实施的方案和可采取的适当行动,还应该审查目前对该鸟类进行的风险管理,并采取适当的额外措施。
c)1级风险来自该鸟类的风险目前非常低,除目前已经落实的风险管理措施外,无需采取进一步行动。
作为本发明的进一步技术方案,所述步骤2)中,对各个分类变量的分类具体如下:
飞机质量分为2250公斤或以下、2251-5700公斤、5701-27000公斤、27001-272000公斤、272000公斤以上,进一步采用阿拉伯数字1表示2250公斤或以下,2表示2251-5700公斤,3表示5701-27000公斤,4表示27001-272000公斤,5表示272000公斤以上。
发动机装机数量分为0、1、2、3或4台,进一步采用阿拉伯数字0表示未知,1表示1台,2表示2台,3表示3台,4表示4台。
发动机类型分为往复式发动机(活塞)、涡轮喷气发动机、涡轮螺旋桨发动机、涡轮风扇发动机,进一步采用阿拉伯数字1表示往复式发动机(活塞),3表示涡轮喷气发动机,5表示涡轮螺旋桨发动机,6表示涡轮风扇发动机。
航空发动机吸鸟事件发生时的月份分为1月、2月、3月、4月、5月、6月、7月、8月、9月、10月、11月、12月,进一步采用阿拉伯数字1表示1月,2表示2月,3表示3月,4表示4月,5表示5月,6表示6月,7表示7月,8表示8月,9表示9月,10表示10月,11表示11月,12表示12月。
航空发动机吸鸟事件发生时的天气分为晴天、阴天、多云,进一步采用阿拉伯数字1表示晴天,2表示阴天,3表示多云。
鸟的种类共有737种,进一步采用阿拉伯数字1-737分别表示每一种鸟类。
鸟的数量分为未知、0只、1只、11-100只、2-10只和超过100只,进一步采用阿拉伯数字1表示未知,2表示0只,3表示1只,4表示11-100只,5表示2-10只,6表示超过100只。
鸟的大小分为未知、大鸟、中鸟和小鸟,进一步采用阿拉伯数字1表示未知,2表示大鸟,3表示中鸟,4表示小鸟。
作为本发明的进一步技术方案,所述航空发动机吸鸟事件造成的经济性损失严重程度的区间分为少于1000美元、1000-5000美元、5000-10000美元、10000-100000美元和超过100000美元。
作为本发明一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,所述危险是指机场及机场附近区域存在某些鸟类,航空发动机吸鸟事件风险是指由某一群鸟类导致的航空发动机吸鸟事件的概率乘以航空发动机吸鸟事件造成的经济性损失严重程度。即航空发动机吸鸟事件风险等于航空发动机吸鸟事件概率与航空发动机吸鸟事件造成的经济性损失严重程度的乘积。因此,机场附近区域可能存在许多大型鸟类(重大危险),但如果它们从不移动到机场上空或从不穿越航空器运行的空域,则所产生的风险非常低。此外,机场及机场附近区域还可能存在大量小型鸟类(通常重量小于120克或4盎司),它们经常被航空发动机吸入,但由于其体积和重量很小,所产生的风险也非常低,这表明撞击导致的损害程度很低(但与密集的鸟群碰撞的情况除外)。一种航空发动机吸鸟环境下的鸟类风险预测与评估方法需要估计航空发动机吸鸟事件发生概率及其可能造成的损害程度,通过对世界各地航空发动机吸入不同种鸟类事件数据库的分析表明,鸟类的质量与其对航空发动机的损害程度存在一致关系。此外,与吸入单只鸟相比,吸入鸟群更有可能对航空发动机造成损害。因此,鸟类体积越大、成群结队撞击的趋势越大,风险也越大。
一种航空发动机吸鸟环境下的鸟类风险预测与评估形式包括将航空发动机吸鸟事件概率及其可能的严重程度分成低级、中级和高级。对航空发动机吸鸟事件的严重程度(取决于鸟类的质量和集群行为)进行分级并对航空发动机吸鸟事件概率进行分类,利用航空发动机吸入鸟类的质量,并根据其成群结队发生的趋势进行适当调整。
一种航空发动机吸鸟环境下的鸟类风险预测与评估方法即将近期航空发动机吸入不同种鸟类的次数用作估算未来可能发生的吸鸟事件概率的一个度量数值。这种方法需要获得过去五年记录的航空发动机吸入每种鸟类的平均次数,并利用该数值将相关鸟类归为非常高、高、中等、低、非常低这五种发生概率中的一种。然后,将经济损失作为衡量严重程度的一个度量数值,并将该鸟类归为非常高、高、中等、低、非常低这五种严重程度中的一种。然后,将航空发动机吸鸟事件概率和严重程度数值并入5×5风险矩阵中(见表1),矩阵中不同单元格被指定为三种风险等级中的一种。
风险评估矩阵如表1所示,三种风险等级分别需要采取如下不同的应对措施:
a)3级风险来自该鸟类的风险目前非常高,对该鸟类应该尽快采取额外的治理行动,以降低风险。
b)2级风险对于来自该鸟类的风险,有必要进一步审查可实施的方案和可采取的适当行动,还应该审查目前对该鸟类进行的风险管理,并采取适当的额外措施。
c)1级风险来自该鸟类的风险目前非常低,除目前已经落实的风险管理措施外,无需采取进一步行动。
当航空发动机同时吸入多种鸟类时,还需对风险评估矩阵进行适当调整,以适应该种情况下构成的风险,从而将该风险上升至更高等级,风险评估之后必须进行有效率的风险管理。
所述经济损失严重程度的区间分为少于1000美元、1000-5000美元、5000-10000美元、10000-100000美元和超过100000美元。
本发明可以以许多不同的形式实现,而不应当认为限于这里所述的实施例。相反,提供这些实施例以便使本公开透彻且完整,并且将向本领域技术人员充分表达本发明的范围。在附图中,为了清楚起见放大了功能模块。
请参阅图1至图11以及表1至表3所示,为一个一种航空发动机吸鸟环境下的鸟类风险预测与评估方法的实施例,下面采用本发明方法,以美国联邦航空局(FederalAviationAdministration,FAA)公开的2010年至2019年间飞机野生动物(主要是鸟类)撞击的数据为例,详细叙述一种航空发动机吸鸟环境下的鸟类风险预测与评估方法的实施步骤。
(1)收集航空发动机吸鸟数据,整理成数据库。此处采用美国联邦航空局公开的2010年至2019年间飞机与野生动物(主要是鸟类)撞击的数据库共计118707起美国野生动物撞击事件中的38664条航空发动机吸鸟事件。
(2)采用BP神经网络方法将吸鸟事件发生时的飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小共8个变量作为输入变量并对各个输入变量进行分类和编号,将航空发动机吸鸟事件概率、严重程度和风险评估等级共3个变量作为输出结果变量;对航空发动机吸鸟事件统计数据中“维修费用、飞行员收入损失、因航班取消而产生的酒店费和燃油费合计即鸟的种类对航空发动机的危险程度以及造成的经济损失是多少”进行分类并编号,进而根据一个5×5风险评估矩阵(见表1)判断航空发动机吸入不同种鸟类的风险大小。具体结果参见表3。
表1一个5×5风险评估矩阵
表2各参数对应发生航空发动机吸鸟事件概率较大的类别表
表3风险较大的鸟类
序号 | 鸟的种类 |
1 | Black kite黑鸢 |
2 | Black mastiff bat黑獒蝙蝠 |
3 | Black-faced bunting灰头鹀 |
4 | Brandt's cormorant加州鸬鹚 |
5 | Broad-tailed hummingbird宽尾煌蜂鸟 |
6 | Carrion crow小嘴乌鸦 |
7 | Eared dove斑颊哀鸽 |
8 | Eurasian coot骨顶鸡 |
9 | Eurasian curlew白腰杓鹬 |
10 | Gambel's quail沙漠鹑 |
11 | Greater spotted eagle乌雕 |
12 | Intermediate egret中白鹭 |
13 | Long-legged myotis长腿鼠耳蝠 |
14 | McKay's bunting麦氏鹀 |
15 | Mynas八哥 |
16 | Olive-throated parakeet长尾小鹦鹉 |
17 | Ptarmigans雷鸟 |
18 | Scaly-naped pigeon鳞颈鸽 |
19 | Shearwaters海鸥 |
20 | Vega gull织女银鸥 |
本发明的一种航空发动机吸鸟环境下的鸟类风险预测与评估方法的关键在于采用一种BP神经网络方法对航空发动机吸鸟事件统计数据进行分析,其主要原理在于:在训练神经网络前首先通过线性转换算法对数据进行归一化处理,即将数据映射到[0,1]或[-1,1]区间或更小的区间,比如(0.1,0.9),再运用MATLAB函数归一化处理数据,即将神经网络的输出结果映射回归一化前的数据范围,建立鸟类风险预测模型并对该预测模型性能进行仿真实验,对航空发动机吸鸟事件造成经济性损失的预测,并结合航空发动机吸鸟事件概率进行风险评估,即航空发动机吸鸟事件风险等于航空发动机吸鸟事件概率与航空发动机吸鸟事件造成的经济性损失严重程度的乘积。本发明采用BP神经网络方法运用MATLAB建立GUI界面,通过GUI界面输入飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小等八种因素信息预测航空发动机吸鸟事件概率以及严重程度,同时能够将评估结果以数据和图表的形式直观表示,便于管理和维护。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,其特征在于,包含以下步骤:
步骤1),对已有的航空发动机吸鸟事件数据进行收集与统计,建立样本数据库;
所述航空发动机吸鸟事件数据包含飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小、维修费用、飞行员收入损失、因航班取消而产生的酒店费和燃油费;
步骤2),根据航空发动机吸入不同种鸟类的次数,将相关鸟类归为非常高、高、中等、低、非常低这五种发生概率中的一种;
步骤3),根据维修费用、飞行员收入损失、因航班取消而产生的酒店费和燃油费合计产生的经济损失,将吸鸟事件划分为非常高、高、中等、低、非常低五种严重程度;
步骤4),根据步骤2)和3),将吸鸟事件划分为1级、2级和3级风险三个风险等级;
步骤5),以吸鸟事件发生时的飞机质量、发动机装机数量、发动机类型、月份、天气、鸟的种类、鸟的数量和鸟的大小作为BP神经网络的输入,航空发动机吸鸟事件发生概率、严重程度和风险评估等级作为BP神经网络的输出,对BP神经网络进行训练,建立鸟类风险预测模型;
步骤6),基于步骤5)中的鸟类风险预测模型对鸟类风险进行预测。
2.根据权利要求1所述的一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,其特征在于,步骤3)中的经济损失分为少于1000美元、1000-5000美元、5000-10000美元、10000-100000美元和超过100000美元五个区间,分别对应非常低、低、中等、高、非常高五种严重程度。
3.根据权利要求1所述的一种航空发动机吸鸟环境下的鸟类风险预测与评估方法,其特征在于,步骤4中:1级风险包括严重程度为非常低、严重程度为低且发生概率中等/低/非常低、严重程度为中等且发生概率低/非常低,2级风险包括严重程度为低且发生概率高/非常高、严重程度为中等且发生概率中等、严重程度为高且发生概率低/非常低、严重程度为非常高且发生概率低/非常低,3级风险包括严重程度为中等且发生概率为非常高/高、严重程度为高且发生概率为非常高/高/中等、严重程度为非常高且发生概率为非常高/高/中等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799727.6A CN112100903A (zh) | 2020-08-11 | 2020-08-11 | 一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010799727.6A CN112100903A (zh) | 2020-08-11 | 2020-08-11 | 一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112100903A true CN112100903A (zh) | 2020-12-18 |
Family
ID=73753496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010799727.6A Pending CN112100903A (zh) | 2020-08-11 | 2020-08-11 | 一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100903A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907031A (zh) * | 2021-01-20 | 2021-06-04 | 同济大学 | 一种机场外来物风险评价方法、设备、装置及可读存储介质 |
CN113014866A (zh) * | 2021-02-05 | 2021-06-22 | 中国民用航空总局第二研究所 | 机场低空鸟类活动监视与风险报警系统 |
CN115325737A (zh) * | 2021-04-26 | 2022-11-11 | 通用电气公司 | 用于冲击测试中的人工鸟制造的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649937A (zh) * | 2016-09-27 | 2017-05-10 | 南京航空航天大学 | 一种航空发动机风扇吸鸟适航符合性分析方法 |
CN106815421A (zh) * | 2017-01-09 | 2017-06-09 | 杭州电子科技大学 | 一种桥式起重机安全评估方法 |
WO2019109524A1 (zh) * | 2017-12-07 | 2019-06-13 | 平安科技(深圳)有限公司 | 入侵检测方法、应用服务器及计算机可读存储介质 |
CN109919381A (zh) * | 2019-03-07 | 2019-06-21 | 南京航空航天大学 | 航空发动机吸鸟事件中危险因素的识别方法 |
-
2020
- 2020-08-11 CN CN202010799727.6A patent/CN112100903A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649937A (zh) * | 2016-09-27 | 2017-05-10 | 南京航空航天大学 | 一种航空发动机风扇吸鸟适航符合性分析方法 |
CN106815421A (zh) * | 2017-01-09 | 2017-06-09 | 杭州电子科技大学 | 一种桥式起重机安全评估方法 |
WO2019109524A1 (zh) * | 2017-12-07 | 2019-06-13 | 平安科技(深圳)有限公司 | 入侵检测方法、应用服务器及计算机可读存储介质 |
CN109919381A (zh) * | 2019-03-07 | 2019-06-21 | 南京航空航天大学 | 航空发动机吸鸟事件中危险因素的识别方法 |
Non-Patent Citations (4)
Title |
---|
JOHN ALLAN: "A Heuristic Risk Assessment Technique for Birdstrike Management at Airports", RISK ANALYSIS, 31 March 2006 (2006-03-31), pages 1 - 7 * |
刘国光;杨跃敏;刘斌;钟德业;杨士琪;: "基于人工神经网络的机场鸟击风险预测", 安全与环境学报, no. 02 * |
吕克;徐夫田;舒文迪;: "基于神经网络的鸟撞预测模型应用研究", 计算机技术与发展, no. 05 * |
罗刚: "大涵道比涡扇发动机吸鸟结构安全性分析与评估方法", 知网 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907031A (zh) * | 2021-01-20 | 2021-06-04 | 同济大学 | 一种机场外来物风险评价方法、设备、装置及可读存储介质 |
CN113014866A (zh) * | 2021-02-05 | 2021-06-22 | 中国民用航空总局第二研究所 | 机场低空鸟类活动监视与风险报警系统 |
CN115325737A (zh) * | 2021-04-26 | 2022-11-11 | 通用电气公司 | 用于冲击测试中的人工鸟制造的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112100903A (zh) | 一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 | |
Hedayati et al. | Bird strike: an experimental, theoretical and numerical investigation | |
Allan | The costs of bird strikes and bird strike prevention | |
Allan et al. | The costs of birdstrikes to commercial aviation | |
CA2421220C (en) | Information system and method using analyses based on object-centric longitudinal data | |
Dolbeer et al. | Safety management systems: how useful will the FAA National Wildlife Strike Database be? | |
Avrenli et al. | Statistical analysis of aircraft–bird strikes resulting in engine failure | |
Cai et al. | Safety evaluation of airworthiness requirement of bird-strike on aeroplane | |
Biondi et al. | Bat incidents with US civil aircraft | |
Engeman et al. | INVASIVE IGUANAS AS AIRSTRIKE HARZARDS AT LUIS MUNOZ MARIN INTERNATIONAL AIRPORT, SAN JUAN, PUERTO RICO | |
Barras et al. | Civil aircraft collisions with birds and other wildlife in Ohio, 1990-1999 | |
Washburn et al. | Wildlife strikes with military rotary‐wing aircraft during flight operations within the United States | |
Drey et al. | Interactions between wildlife and civil aircraft in Mississippi | |
CN109919381B (zh) | 航空发动机吸鸟事件中危险因素的识别方法 | |
Wang et al. | Risk assessment of bird–aircraft strikes at commercial airports: Submodel development | |
Sowden et al. | Airport bird hazard risk assessment process | |
Ferra et al. | Comparing the Frequency of Reported Wildlife Strikes by Region in the United States. | |
Paton | Bird risk assessment model for airports and aerodromes | |
Hovey et al. | A Study of the Engine Bird Ingestion Experience of the Boeing-737 Aircraft | |
Martino et al. | Study of bird ingestions into small inlet area, aircraft turbine engines | |
Gotoh et al. | Risk analysis of airplane accidents due to bird strikes using monte carlo simulations | |
Martino et al. | Study of Bird Ingestion into Small Inlet Area, Aircraft Turbine Engines (May 1987 through April 1988) | |
Schmidt et al. | National Wind Technology Center Site Environmental Assessment: Bird and Bat Use and Fatalities--Final Report; Period of Performance: April 23, 2001--December 31, 2002 | |
Darby | Striking Coincidence | |
Dikerts de Tella et al. | Safety Management of Wildlife Hazards to Aviation: An Analysis of Wildlife Strikes in Part 139 Airports in Florida 2011–2020 |
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 |