CN112257151A - 航空器飞行阶段划分识别系统 - Google Patents

航空器飞行阶段划分识别系统 Download PDF

Info

Publication number
CN112257151A
CN112257151A CN202011122305.1A CN202011122305A CN112257151A CN 112257151 A CN112257151 A CN 112257151A CN 202011122305 A CN202011122305 A CN 202011122305A CN 112257151 A CN112257151 A CN 112257151A
Authority
CN
China
Prior art keywords
flight
situation
aircraft
vertical motion
section
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.)
Withdrawn
Application number
CN202011122305.1A
Other languages
English (en)
Inventor
王兵
谢华
朱永文
毛继志
袁立罡
唐治理
张颖
何魏巍
李�杰
陈海燕
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011122305.1A priority Critical patent/CN112257151A/zh
Publication of CN112257151A publication Critical patent/CN112257151A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Remote Sensing (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于本发明属于航空器轨迹分析应用领域，具体涉及一种航空器飞行阶段划分识别系统，其包括：预处理模块，对航迹进行预处理；态势划分模块，根据预处理的航迹划分垂直运动态势；修正模块，修正划分的垂直运动态势；飞行阶段划分模块，根据垂直运动态势划分飞行阶段；模型构建模块，根据飞行阶段的特点构建飞行状态特征模型；以及划分模块，根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，实现了飞行阶段重新识别与划分，且实行过程中不需要区分航空器机型，执行步骤相对简单易行，能够解决QAR数据中所出现的飞行阶段划分错误问题，为民用航空器的飞行阶段特征分析提供技术支撑。

Description

航空器飞行阶段划分识别系统
技术领域
本发明属于本发明属于航空器轨迹分析应用领域，具体涉及一种航空器飞行阶段划分识别系统。
背景技术
民用航空器在运行过程中从起飞到着陆所经历的各个飞行阶段划分，在安全事件调查、性能分析与飞行状态监控、油耗与污染物排放计算、航班运行效率评估、飞行数据统计与预测、空域运行质量评价等航迹分析研究领域中是一项非常重要的基础条件，例如：在基于机型性能的飞行油耗估算过程中，只有准确识别航空器的飞行阶段和空气动力构型，才能正确求解航空器的运动模型和燃油流量模型，最终得到符合实际的油耗计算结果。
当前常用的航迹分析数据有广播式自动相关监视(AutomaticDependentSurveillance-Broadcast，ADS-B)、空管二次雷达(AirTrafficControlRadarBeaconSystem，ATCRBS)和机载快速存取记录器(QuickAccessRecorder，QAR)。其中，QAR中字段信息最为丰富，包含航空器各种状态监控数据，甚至自带了飞行阶段信息。但是，在对大量QAR样本数据进行分析时，发现自带的飞行阶段信息存在错误划分的情况，常见的有：(1)起飞、初始爬升、进近和着陆等关键飞行阶段没有得到有效划分，表现为阶段丢失或者阶段持续时间仅为1-3秒；(2)正常的着陆到滑入过程被误判为接地连续起飞(TouchAnd Go)；(3)正常的初始爬升被误判为进近。因此，QAR自带飞行阶段信息不能在航迹分析计算程序中直接使用，仅能作为人工参考。为解决这个问题，必须对现有的QAR航迹进行飞行阶段重新划分，并且满足航迹分析计算的需要。然而，目前关于民用航空器飞行阶段的识别与划分算法研究在国内外学术和工程技术领域中尚不多见。当前国内外为数不多的飞行阶段自动划分研究中，可分为三种方法：
(1)追踪高度变化率，优点是简单易行，但只能划分爬升、巡航和下降，其他飞行阶段则需要更多的航迹信息进行配合，同时，此方法在处理高度抖动时，局部线性回归或局部均值光滑的方法都不能有效识别稍大广度上的高度变化趋势；
(2)机器学习，优点是识别准确率高，但一方面需要大量实际飞行机载数据进行训练且实现过程较为复杂，另一方面对于训练集之外的新变化则缺少灵活性；
(3)建立模糊集模型，优点是在处理字段数值的抖动上更有说服力。但同时由于每个字段都需要根据航空器性能以及相应运行规则的特点设定阈值，这些字段越多，需要的阈值就越多，对航空器的类别和运行规则限制也就更加严格，因此灵活性较差。另外，在隶属度运算过程中需要考虑多种条件的组合，且对于少见的特殊组合条件则无法准确判断，目前还没有更加有效的处理系统。
因此，基于上述技术问题需要设计一种新的航空器飞行阶段划分识别系统。
发明内容
本发明的目的是提供一种航空器飞行阶段划分识别系统。
为了解决上述技术问题，本发明提供了一种航空器飞行阶段划分识别系统，包括：
预处理模块，对航迹进行预处理；
态势划分模块，根据预处理的航迹划分垂直运动态势；
修正模块，修正划分的垂直运动态势；
飞行阶段划分模块，根据垂直运动态势划分飞行阶段；
模型构建模块，根据飞行阶段的特点构建飞行状态特征模型；以及
划分模块，根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分。
进一步，所述预处理模块适于对航迹进行预处理，即
获取QAR航迹数据，对QAR航迹数据进行二次分割，以确保航班信息与航迹一一对应；
对二次分割后的QAR航迹进行数据清洗，去除噪点以及重复的时空记录，以获取预处理后的航迹。
进一步，所述态势划分模块适于根据预处理的航迹划分垂直运动态势，即
构建航空器垂直运动态势模型，根据预处理后的QAR航迹中相邻航迹点的高度变化率是否在预设阈值范围内，将垂直运动态势分为水平LEV、上升CLM和下降DES，即
对于任意航迹点i，其垂直运动态势TRNDi为：
Figure BDA0002732408190000031
其中，VSi为航迹点i的高度变化率；VSUp,min和VSDown,min分别为上升态势和下降态势的最小垂直变化率；
Figure BDA0002732408190000032
其中，PAi为第i个航迹点的压力高度；TIMEi为第i个航迹点的时间戳；
将垂直运动态势数值化：
Figure BDA0002732408190000033
其中，m为任意正数。
进一步，所述修正模块适于修正划分的垂直运动态势，即
根据密度聚类对垂直运动态势段进行划分，并对垂直运动态势段中离群点和无效态势段进行修正，即
对数据集D＝{x1,x2,…,xi,…,xN}，其中xi为航迹点i的垂直运动态势TRNDi的数值，δ为局部域长度，ε为邻域距离阈值，η为核心点邻域内点数量阈值，并且满足ε＜2m和η≤2δ，则进行局部遍历的DBSCAN算法为：
对数据集D中任意数据点xi，在数量为2δ+1的局部域数据集L＝{xi-δ,…,xi+δ}内计算曼哈顿距离函数FManhattan(xi,xk)，即，
FManhattan(xi,xk)＝|xk-xi|；
其中k＝i-δ,…,i+δ；
将满足FManhattan(xi,xk)≤ε的所有L域数据点加入到xi的ε邻域Nε,i中；若Nε,i内点数量≥η，则xi被标记为核心点；否则xi被标记为离群点，并将xi加入到离群域O中；
对下一个数据点xi+1进行计算，直到最后一个数据点xN计算结束；
对任意核心点j及其邻域Nε,j与其他核心点及其邻域进行相连判断，如果相连，则合并成为一个簇，对于所有核心点，构成簇集合C＝{C1,C2,…,CM}，即态势段集合；
对离群点进行修正，将该离群点态势更改为前序态势段的态势，并将该离群点合并至前序态势段中；若离群点没有前序态势段，将该离群点态势更改为后序态势段的态势，并将该离群点合并至后序态势段中；当存在连续多个离群点，逐一对各离群点进行修正；
有效态势最短持续时间Tmin,seg，当一个垂直运动态势段持续时间短于Tmin,seg，则标记为无效态势段，对无效态势段的修正，将该无效态势段态势更改为前序态势段的态势，并将该无效态势段合并至前序态势段中；若无效态势段没有前序态势段，将该无效态势段态势更改为后序态势段的态势，并将该无效态势段合并至后序态势段中。
进一步，所述飞行阶段划分模块适于根据垂直运动态势划分飞行阶段，即
根据垂直运动态势和气动构型变化将飞行阶段划分为：滑出、起飞、初始爬升、爬升、巡航、下降、进近、着陆、着陆取消、复飞爬升和滑入。
进一步，所述模型构建模块适于根据飞行阶段的特点构建飞行状态特征模型，即
根据襟翼位置开关POSFlap、场面地速限制GSTaxi,max、起落架位置LDG_SELDW和垂直运动态势TRND的状态，根据各个飞行阶段的特征，获取六种航空器飞行状态特征CHR：
航空器飞行状态特征一和航空器飞行状态特征二为航空器放下起落架时的低速和高速运动状态，分别对应场面滑行和高速滑跑两类飞行阶段；
航空器飞行状态特征三、四、五为航空器起落架收上同时放出襟翼时在不同垂直运动态势下的飞行状态，对应于起飞后的初始爬升、着陆前的进近以及取消着陆后的复飞爬升；
航空器飞行状态特征六为航空器光滑构型下的飞行状态，对应于航路上的爬升、巡航和下降三个飞行阶段；
对预处理后的每一个QAR航迹点进行飞行状态特征分类，以将连续的飞行特征点合并划分为若干个飞行特征段。
进一步，所述划分模块适于根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，即
每个飞行阶段具备一个或多个飞行状态特征段，首先划分出起飞、着陆和着陆取消三个飞行阶段，然后根据相邻飞行特征段的前后关系划分出其余的非光滑构型飞行阶段，根据航空器飞行状态特征六和修正后的垂直运动态势划分光滑构型飞行阶段，最后将划后获得的飞行阶段的多个子段合并获取剩余的飞行阶段，以完成航空器飞行阶段的划分。
本发明的有益效果是，本发明通过预处理模块，对航迹进行预处理；态势划分模块，根据预处理的航迹划分垂直运动态势；修正模块，修正划分的垂直运动态势；飞行阶段划分模块，根据垂直运动态势划分飞行阶段；模型构建模块，根据飞行阶段的特点构建飞行状态特征模型；以及划分模块，根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，实现了飞行阶段重新识别与划分，且实行过程中不需要区分航空器机型，执行步骤相对简单易行，能够解决QAR数据中所出现的飞行阶段划分错误问题，为民用航空器的飞行阶段特征分析提供技术支撑。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的航空器飞行阶段划分识别系统的原理框图；
图2是本发明所涉及的离群态势和无效态势段的修正示意图；
图3是本发明所涉及的样本航班1在气压高度剖面上的垂直运动态势划分结果；
图4是本发明所涉及的样本航班1在气压高度剖面上的飞行状态特征划分结果；
图5是本发明所涉及的飞行阶段与飞行状态特征段的关系模型示意图；
图6是本发明所涉及的基于特征段的飞行阶段划分流程框架；
图7是本发明所涉及的样本航班1(正常航班)的飞行阶段划分结果；
图8是本发明所涉及的样本航班2(有复飞航班)的飞行阶段划分结果；
图9是本发明所涉及的样本航班3的QAR自带飞行阶段与重新划分后的结果对比。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1是本发明所涉及的航空器飞行阶段划分识别系统的原理框图。
如图1所示，本实施例1提供了一种航空器飞行阶段划分识别系统，包括：预处理模块，对航迹进行预处理；态势划分模块，根据预处理的航迹划分垂直运动态势；修正模块，修正划分的垂直运动态势；飞行阶段划分模块，根据垂直运动态势划分飞行阶段；模型构建模块，根据飞行阶段的特点构建飞行状态特征模型；以及划分模块，根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，实现了飞行阶段重新识别与划分，且实行过程中不需要区分航空器机型，执行步骤相对简单易行，能够解决QAR数据中所出现的飞行阶段划分错误问题，为民用航空器的飞行阶段特征分析提供技术支撑，技术方案执行步骤相对简单，并具备可靠性，便于应用。
在本实施例中，所述预处理模块适于对航迹进行预处理，即获取QAR航迹数据，对QAR航迹数据进行二次分割，以确保航班信息与航迹一一对应；对二次分割后的QAR航迹进行数据清洗，去除噪点以及重复的时空记录，以获取预处理后的航迹；根据样本QAR字段信息建立QAR航迹数据模型，表1为QAR数据模型的字段说明；
表1：QAR数据模型的字段说明
符号 全称 描述 单位/格式
FID FlightIdentification 航班识别码 24位字符
TIME TimeStamp 时间戳 HH:mm:ss
LON Longitude 经度(WGS-84大地坐标系) deg
LAT Latitude 纬度(WGS-84大地坐标系) deg
PA PressureAltitude 压力高度(基准为1013mb) ft
GS GroundSpeed 地速 kt
IAS IndicatedAirSpeed 表速 kt
TAS TrueAirSpeed 真空速 kt
IVV InertialVerticalSpeed 垂直速度 ft/min
MACH MachNumber 马赫数 -
TAT TotalAirTemperature 总温 degC
TH TrueHeading 真航向 deg
FLAP FlapsPosition 襟翼位置 -
SLAT SlatsPosition 缝翼位置 -
LDG_SELDW GearsSelectionDown 起落架位置 UP|DOWN
LDG_CMPRSD GearsCompressionSensor 起落架空地逻辑 GND|AIR
N1 EngineN1Tachometer 发动机N1转速百分比 ％
N2 EngineN1Tachometer 发动机N2转速百分比 ％
FF FuelFlow 发动机燃油流率 lb/h
GW GrossWeight 航空器总重 lb
QAR航迹数据是待执飞航空器完成一个飞行任务周期之后再由航空公司从机载记录器中提取，并进行航班分割；但是，分割后的QAR航迹依然会存在包含2个以上航班记录的情况，这是因为分割算法主要依赖于飞行阶段的划分，而QAR自带的飞行阶段划分是有错误的；因此，QAR航迹数据需要进行预处理：通过跟踪N1和N2字段的状态对QAR航迹进行二次分割，以确保航班信息与航迹一一对应，即每个航班不会包含其他航班的航迹；对二次分割之后的QAR航迹进行数据清洗，即去除主要字段的噪点以及重复的时空记录(时间戳和经纬度信息)；具体清洗的字段为压力高度(PA)、经度(LON)、纬度(LAT)、起落架位置(LDG_SELDW)和起落架空地逻辑(LDG_CMPRSD)，精确获取每个航班对应的航迹数据。
在本实施例中，所述态势划分模块适于根据预处理的航迹划分垂直运动态势，即构建航空器垂直运动态势模型，根据预处理后的QAR航迹中相邻航迹点的高度变化率是否在预设阈值范围内，将垂直运动态势分为水平LEV、上升CLM和下降DES，即
对于任意航迹点i，其垂直运动态势TRNDi为：
Figure BDA0002732408190000091
其中，VSi为航迹点i的高度变化率；VSUp,min和VSDown,min分别为上升态势和下降态势的最小垂直变化率，且都为正数；
Figure BDA0002732408190000092
其中，PAi为第i个航迹点的压力高度；TIMEi为第i个航迹点的时间戳；
为了便于后面的聚类计算，将垂直运动态势数值化：
Figure BDA0002732408190000101
其中，m为任意正数，其数值的大小并不会影响垂直运动态势段的划分结果，本实施例中默认设定m为100。
图2是本发明所涉及的离群态势和无效态势段的修正示意图；
图3是本发明所涉及的样本航班1在气压高度剖面上的垂直运动态势划分结果。
在本实施例中，所述修正模块适于修正划分的垂直运动态势，即由于飞行航迹的垂直运动态势变化是带有时序特征的数值队列，为了能够准确地将航迹按照垂直运动态势进行分段，使用DBSCAN密度聚类方法，并在此基础上进行优化，即在聚类过程中使用局部遍历，以提高聚类效率；根据密度聚类方法对垂直运动态势段进行划分，并对垂直运动态势段中离群点和无效态势段进行修正，即
对数据集D＝{x1,x2,…,xi,…,xN}，其中xi为航迹点i的垂直运动态势TRNDi的数值，δ为局部域长度，ε为邻域距离阈值，η为核心点邻域内点数量阈值，并且满足ε＜2m和η≤2δ，则进行局部遍历的DBSCAN算法为：
对数据集D中任意数据点xi，在数量为2δ+1的局部域数据集L＝{xi-δ,…,xi+δ}内计算曼哈顿距离函数FManhattan(xi,xk)，即
FManhattan(xi,xk)＝|xk-xi|；
其中k＝i-δ,…,i+δ；
将满足FManhattan(xi,xk)≤ε的所有L域数据点加入到xi的ε邻域Nε,i中；若Nε,i内点数量≥η，则xi被标记为核心点；否则xi被标记为离群点，并将xi加入到离群域O中；
根据上述过程对下一个数据点xi+1进行计算，直到最后一个数据点xN计算结束；
对任意核心点j及其邻域Nε,j与其他核心点及其邻域进行相连判断，即是否存在交集(拥有相同的数据点)，如果相连，则合并成为一个簇，对于所有核心点，构成簇集合C＝{C1,C2,…,CM}，即态势段集合；
虽然在数据预处理过程中已经对气压高度字段进行了数据清洗，但依然可能会出现由于气压高度的局部抖动幅度超过阈值所导致的态势抖动；这些抖动在DBSCAN聚类结果中表现为少数的离群点和无效簇，且历时短暂；在本实施例中按照“以前序态势段为优先参考”的原则，对局部抖动造成的离群态势和无效态势段进行修正；
对离群点进行修正，如图2所示，上升段和水平段之间出现了一个态势为下降的离群点，将该离群点态势更改为前序态势段的态势(即上升)，并将该离群点合并至前序态势段中；若离群点没有前序态势段，则将后序态势段作为参考，将该离群点态势更改为后序态势段的态势，并将该离群点合并至后序态势段中；当存在连续多个离群点(数量必然小于η)，逐一对各离群点进行修正(修正方法与单离群点情况相同)；
由于QAR航迹点更新间隔只有1秒，在受到气流扰动时，容易出现短暂的上升或下降，这样导致聚类后得到的态势段(垂直运动态势段)集合中依然可能存在短时的态势；这种短时的连续态势并不能反映真实的飞行意图，因此，定义有效态势最短持续时间Tmin,seg，当一个垂直运动态势段持续时间短于Tmin,seg，则标记为无效态势段，在本实施例中，设定Tmin,seg＝15s，即当连续态势时间超过15秒时才认为此态势是飞行员操作的结果；如图2所示，对无效态势段的修正(同样按照“以前序态势段为优先参考”的原则)，将该无效态势段态势更改为前序态势段的态势，并将该无效态势段合并至前序态势段中；若无效态势段没有前序态势段，将该无效态势段态势更改为后序态势段的态势，并将该无效态势段合并至后序态势段中；使用基于密度的局部遍历聚类方法识别航空器的垂直运动态势，能够有效解决航空器在高空飞行时的气压高度局部抖动问题；
DBSCAN的一个特点是对参数敏感，不同的参数设置会产生不同的聚类结果；为了能够有效处理局部抖动问题，需要减小聚类尺度，发现并修正局部态势抖动，因此要降低核心点邻域内点数量阈值η；同时局部域长度δ在满足η≤2δ的情况下，数值越小，则聚类效率越高；因此在本实施例中，设定η＝3，δ＝2；另外，考虑到中大型喷气式民用航空器在实用升限处的最大爬升率为500ft/min，因此设定上升态势的最小垂直变化率VSUp,min＝500ft/min；而最低下降率在实际运行中并没有明确要求，从众多样本航班的下降阶段数据来看，最低连续下降率在400ft/min附近，因此设定下降态势的最小垂直变化率VSDown,min＝400ft/min；
如图3所示，可以看到，该航班(样本航班1)的所有态势段都得到了正确识别；需要说明的是，由于QAR更新间隔仅为1秒，导致航迹点非常密集，为了得到更好的显示效果，作图时已将QAR航迹各个态势段的点进行了稀疏化处理。
在本实施例中，所述飞行阶段划分模块适于根据垂直运动态势划分飞行阶段，即根据垂直运动态势和气动构型变化将飞行阶段划分为：滑出、起飞、初始爬升、爬升、巡航、下降、进近、着陆、着陆取消、复飞爬升和滑入。航空器从起飞机场到着陆机场之间的正常运行过程根据垂直运动态势和气动构型变化可划分为滑出、起飞、初始爬升、爬升、巡航、下降、进近、着陆和滑入等9个飞行阶段；气动构型变化，即起落架和增升装置(后缘襟翼、前缘襟翼和前缘缝翼)的状态变化，是划分非光滑形态飞行阶段的重要参考；由于QAR样本中存在复飞情况，本实施例定义了如表2所示的11个飞行阶段；
表2：各个飞行阶段的姿态与构型特征定义表
飞行阶段 起落架位置 起落架空地逻辑 襟翼 缝翼 垂直态势
滑出 DOWN GND 关|小|中|全 关|中|全 LEV
起飞 DOWN GND→AIR 小|中 中 LEV|CLM
初始爬升 UP AIR 小|中 中 CLM|LEV
爬升 UP AIR 关 关 CLM
巡航 UP AIR 关 关 LEV
下降 UP AIR 关 关 DES
进近 UP AIR 小|中|全 中|全 DES|LEV|CLM
着陆 DOWN AIR→GND 中|全 中|全 DES|LEV
着陆(取消) DOWN AIR 中|全 中|全 DES|LEV
复飞爬升 DOWN AIR 中|全 中|全 CLM
滑入 DOWN GND 关|小|中|全 关|中|全 LEV
但是，在对大批量QAR航迹样本的飞行阶段进行自动识别与划分时，不能直接根据表中的定义进行划分程序设计，原因有两个方面：第一方面为襟翼；大型民用航空器的襟翼和缝翼统一由襟翼手柄进行控制，每个手柄档位都有指定的襟翼和缝翼位置与之对应；但是不同机型，特别是不同航空器制造商下属机型的襟翼手柄档位都是完全不同的；例如：波音B737某子机型的襟翼手柄档位有1、2、5、10、15、25、30和40，且飞行阶段与手柄档位之间没有强制性要求，即由飞行员可根据情况选择合适的档位；1-25档位时缝翼为一般放出位，30-40档位时缝翼处于完全放出位，另外，当迎角接近临界迎角时，无论是否打开襟翼，都会自动将缝翼完全放出；而空中客车A320家族机型的襟翼手柄档位分为0、1、2、3和FULL，对应六种形态：0、1、1+F、2、3和FULL，在不同飞行阶段都有具体的形态要求，如下表3所示：
表3：A320系列的襟翼和缝翼表
Figure BDA0002732408190000131
Figure BDA0002732408190000141
因此，不同机型、不同机组、不同机场条件在非光滑构型飞行阶段所使用的襟翼档位可能是不同的，为简化QAR航迹中襟翼和缝翼的使用状态，定义POSFlap为襟翼位置开关，表示襟翼手柄档位是否在放出位置，取值为ON或OFF；在QAR样本航迹数据中，波音系列大多数机型并没有提供有效的缝翼位置信息，而空中客车系列和其他机型(如AT75、AT76和DA42等)基本能够提供完整的襟翼和缝翼位置信息，但其中部分航空器可能是由于机载记录设备故障，导致襟翼位置为空值；因此，为提高飞行阶段划分算法普适性，定义襟翼和缝翼的最小放出位置分别为FLAPMin和SLATMin，则
Figure BDA0002732408190000142
在本实施例的实际划分程序中，FLAPMin和SLATMin分别取所有样本机型的襟翼与缝翼的最小位置，即FLAPMin＝1，SLATMin＝16；
第二方面为场面阶段，高海拔机场和低海拔机场的场压差别非常大，对应的气压高度可相差10,000ft以上；即使在同一机场、同一跑道的气压值从跑道头到跑道尾都是在变化的，加上航空器的静压测量传感器灵敏，使得场面滑行阶段可能存在着上升或下降态势；因此，仅凭气压高度和航空器垂直态势作为场面滑行、起飞滑跑和着陆滑跑阶段的划分依据是不可取的；航空器在场面阶段的共同特征是起落架处于放下状态且接地(空地逻辑LDG_CMPRSD＝“GND”)，在滑行时速度较低，在起飞或着陆滑跑时速度较高；但是，航空器的全压测量传感器在低速运动时不敏感，导致滑行阶段内的QAR航迹数据中空速表读数(即表速IAS字段)几乎为0；因此，选择使用地速GS作为航空器低速滑行和高速滑跑的判断依据；常见的航空器机型运行手册和航空公司运行管理条例中对滑行速度均有明确的限制，即，场面直线滑行时表速不能超过30kt，转弯滑行时不能超过10kt；考虑地面风的影响，定义场面滑行最大地速限制GSTaxi,max＝40kt；当航空器在场面时的地速低于40kt时，则认为是在滑行；反之，则认为是在起飞或着陆滑跑。
图4是本发明所涉及的样本航班1在气压高度剖面上的飞行状态特征划分结果。
在本实施例中，所述模型构建模块适于根据飞行阶段的特点构建飞行状态特征模型，即根据襟翼位置开关POSFlap、场面地速限制GSTaxi,max、起落架位置LDG_SELDW和垂直运动态势TRND的状态，根据各个飞行阶段的特征，获取六种航空器飞行状态特征CHR，如表4所示：
表4：航空器飞行状态特征表
Figure BDA0002732408190000151
航空器飞行状态特征一(航空器飞行状态特征1，特征1)和航空器飞行状态特征二(航空器飞行状态特征2，特征2)为航空器放下起落架时的低速和高速运动状态，分别对应场面滑行和高速滑跑两类飞行阶段(场面滑行对应滑出、滑入，高速滑跑对应起飞、着陆、着陆取消)；航空器飞行状态特征三、四、五(航空器飞行状态特征3、4、5，特征3、4、5)为航空器起落架收上同时放出襟翼时在不同垂直运动态势下的飞行状态，对应于起飞后的初始爬升、着陆前的进近以及取消着陆后的复飞爬升；航空器飞行状态特征六(航空器飞行状态特征6，特征6)为航空器光滑构型下的飞行状态，对应于航路上的爬升、巡航和下降三个飞行阶段；对预处理后的每一个QAR航迹点进行飞行状态特征分类，以将连续的飞行特征点合并划分为若干个飞行特征段；如图4所示，由于样本航班1的航空器飞行状态特征六段(航路爬升/巡航/下降)占总飞行时间的90％以上，导致起飞阶段的特征划分不清晰，因此进行了局部放大。
图5是本发明所涉及的飞行阶段与飞行状态特征段的关系模型示意图；
图6是本发明所涉及的基于特征段的飞行阶段划分流程框架。
在本实施例中，所述划分模块适于根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，即每个飞行阶段具备一个或多个飞行状态特征段，对于正常航班和有复飞航班两种情况，飞行阶段与航空器飞行状态特征段的关系如图5所示；可以看出，非光滑构型飞行阶段中，滑出、滑入、起飞、着陆、着陆(取消)和复飞爬升都具有唯一的飞行特征段，但是只有起飞、着陆和着陆(取消)等三个飞行阶段可以通过结合航空器飞行状态特征二段和起落架空地逻辑(GND|AIR)直接划分出来；首先划分出起飞、着陆和着陆取消三个飞行阶段，然后根据相邻飞行特征段的前后关系划分出其余的非光滑构型飞行阶段，根据航空器飞行状态特征六和修正后的垂直运动态势划分光滑构型飞行阶段(爬升、巡航和下降)，通过飞行状态特征段划分QAR完整航迹飞行阶段的流程如图6所示，最后将划后获得的飞行阶段的多个子段合并获取剩余的飞行阶段，一些飞行阶段(例如初始爬升和进近)可能由多个飞行特征段组成，划分之后会得到飞行阶段的多个子段，需要将这些子段进行合并，以完成航空器飞行阶段的划分；建立的飞行状态特征模型，以及其与飞行阶段的关系，适用于所有民用航空器机型的飞行阶段识别与划分。
图7是本发明所涉及的样本航班1(正常航班)的飞行阶段划分结果；
图8是本发明所涉及的样本航班2(有复飞航班)的飞行阶段划分结果。
在本实施例中，如图7所示，可以看到该航班(样本航班1，正常航班)的各个飞行阶段均被识别出来，其中起飞阶段仅有34秒，相对于整个飞行历程非常短暂，因此进行了局部细节放大；该航班在起飞离地之前出现了气压高度小幅抖动(最大幅度为3秒内下降了10ft，即200ft/min)，这在场面范围内的QAR航迹中是常有发生的现象；同时，为测试本实施例中算法对复飞过程的识别性能，选择存在复飞情况的样本航班2(有复飞航班)进行飞行阶段重新划分，结果如图8所示，并对取消着陆、复飞爬升以及后续阶段进行了局部放大；可以看到，从该航班的第一次着陆失败到第二次着陆成功之间的所有飞行阶段都得到了有效识别，由此可知，本实施例对复飞航班也能实现飞行阶段自动识别与划分。
图9是本发明所涉及的样本航班3的QAR自带飞行阶段与重新划分后的结果对比。
在本实施例中，如图9所示，可以看出：样本航班3起飞阶段在QAR原始信息中没有得到正确划分，仅为1秒(即1个数据点)，而实际的起飞阶段历时35秒，与重新划分后的起飞阶段结果一致；QAR将正常的滑入阶段错误地识别为接地连续起飞阶段(Touch And Go)，原因不明(航班着陆接地后的滑跑以及滑入过程中的气压高度一直稳定在4100ft)，而在进行重新划分后，滑入阶段被正确识别；重新划分后的起飞、初始爬升、进近和着陆等阶段与起落架和襟翼的状态变化是相对应的，即，本实施例的飞行阶段划分是从航空器气动构型变化角度进行判断的，而QAR原始信息的飞行阶段划分依据可能是从飞行员操纵感知、机场进离场程序执行进度等方面进行综合判断的。
本实施例所涉及的航空器飞行阶段划分识别系统QAR航迹飞行阶段重新划分能够通过航空器气动构型和垂直运动态势变化对正常航班和有复飞航班的各个飞行阶段进行有效划分，并且不会出现类似QAR原始飞行阶段信息中的错误划分情况。
综上所述，本发明通过预处理模块，对航迹进行预处理；态势划分模块，根据预处理的航迹划分垂直运动态势；修正模块，修正划分的垂直运动态势；飞行阶段划分模块，根据垂直运动态势划分飞行阶段；模型构建模块，根据飞行阶段的特点构建飞行状态特征模型；以及划分模块，根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，实现了飞行阶段重新识别与划分，且实行过程中不需要区分航空器机型，执行步骤相对简单易行，能够解决QAR数据中所出现的飞行阶段划分错误问题，为民用航空器的飞行阶段特征分析提供技术支撑。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (7)

1.一种航空器飞行阶段划分识别系统，其特征在于，包括：
预处理模块，对航迹进行预处理；
态势划分模块，根据预处理的航迹划分垂直运动态势；
修正模块，修正划分的垂直运动态势；
飞行阶段划分模块，根据垂直运动态势划分飞行阶段；
模型构建模块，根据飞行阶段的特点构建飞行状态特征模型；以及
划分模块，根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分。
2.如权利要求1所述的航空器飞行阶段划分识别系统，其特征在于，
所述预处理模块适于对航迹进行预处理，即
获取QAR航迹数据，对QAR航迹数据进行二次分割，以确保航班信息与航迹一一对应；
对二次分割后的QAR航迹进行数据清洗，去除噪点以及重复的时空记录，以获取预处理后的航迹。
3.如权利要求2所述的航空器飞行阶段划分识别系统，其特征在于，
所述态势划分模块适于根据预处理的航迹划分垂直运动态势，即
构建航空器垂直运动态势模型，根据预处理后的QAR航迹中相邻航迹点的高度变化率是否在预设阈值范围内，将垂直运动态势分为水平LEV、上升CLM和下降DES，即
对于任意航迹点i，其垂直运动态势TRNDi为：
Figure FDA0002732408180000011
其中，VSi为航迹点i的高度变化率；VSUp,min和VSDown,min分别为上升态势和下降态势的最小垂直变化率；
Figure FDA0002732408180000021
其中，PAi为第i个航迹点的压力高度；TIMEi为第i个航迹点的时间戳；
将垂直运动态势数值化：
Figure FDA0002732408180000022
其中，m为任意正数。
4.如权利要求3所述的航空器飞行阶段划分识别系统，其特征在于，
所述修正模块适于修正划分的垂直运动态势，即
根据密度聚类对垂直运动态势段进行划分，并对垂直运动态势段中离群点和无效态势段进行修正，即
对数据集D＝{x1,x2,…,xi,…,xN}，其中xi为航迹点i的垂直运动态势TRNDi的数值，δ为局部域长度，ε为邻域距离阈值，η为核心点邻域内点数量阈值，并且满足ε＜2m和η≤2δ，则进行局部遍历的DBSCAN算法为：
对数据集D中任意数据点xi，在数量为2δ+1的局部域数据集
Figure FDA0002732408180000023
Figure FDA0002732408180000024
内计算曼哈顿距离函数FManhattan(xi,xk)，即，
FManhattan(xi,xk)＝|xk-xi|；
其中k＝i-δ,…,i+δ；
将满足FManhattan(xi,xk)≤ε的所有L域数据点加入到xi的ε邻域Nε,i中；若Nε,i内点数量≥η，则xi被标记为核心点；否则xi被标记为离群点，并将xi加入到离群域O中；
对下一个数据点xi+1进行计算，直到最后一个数据点xN计算结束；
对任意核心点j及其邻域Nε,j与其他核心点及其邻域进行相连判断，如果相连，则合并成为一个簇，对于所有核心点，构成簇集合C＝{C1,C2,…,CM}，即态势段集合；
对离群点进行修正，将该离群点态势更改为前序态势段的态势，并将该离群点合并至前序态势段中；若离群点没有前序态势段，将该离群点态势更改为后序态势段的态势，并将该离群点合并至后序态势段中；当存在连续多个离群点，逐一对各离群点进行修正；
有效态势最短持续时间Tmin,seg，当一个垂直运动态势段持续时间短于Tmin,seg，则标记为无效态势段，对无效态势段的修正，将该无效态势段态势更改为前序态势段的态势，并将该无效态势段合并至前序态势段中；若无效态势段没有前序态势段，将该无效态势段态势更改为后序态势段的态势，并将该无效态势段合并至后序态势段中。
5.如权利要求4所述的航空器飞行阶段划分识别系统，其特征在于，
所述飞行阶段划分模块适于根据垂直运动态势划分飞行阶段，即
根据垂直运动态势和气动构型变化将飞行阶段划分为：滑出、起飞、初始爬升、爬升、巡航、下降、进近、着陆、着陆取消、复飞爬升和滑入。
6.如权利要求5所述的航空器飞行阶段划分识别系统，其特征在于，
所述模型构建模块适于根据飞行阶段的特点构建飞行状态特征模型，即
根据襟翼位置开关POSFlap、场面地速限制GSTaxi,max、起落架位置LDG_SELDW和垂直运动态势TRND的状态，根据各个飞行阶段的特征，获取六种航空器飞行状态特征CHR：
航空器飞行状态特征一和航空器飞行状态特征二为航空器放下起落架时的低速和高速运动状态，分别对应场面滑行和高速滑跑两类飞行阶段；
航空器飞行状态特征三、四、五为航空器起落架收上同时放出襟翼时在不同垂直运动态势下的飞行状态，对应于起飞后的初始爬升、着陆前的进近以及取消着陆后的复飞爬升；
航空器飞行状态特征六为航空器光滑构型下的飞行状态，对应于航路上的爬升、巡航和下降三个飞行阶段；
对预处理后的每一个QAR航迹点进行飞行状态特征分类，以将连续的飞行特征点合并划分为若干个飞行特征段。
7.如权利要求6所述的航空器飞行阶段划分识别系统，其特征在于，
所述划分模块适于根据预处理的航迹和修正的垂直运动态势进行飞行阶段的划分，即
每个飞行阶段具备一个或多个飞行状态特征段，首先划分出起飞、着陆和着陆取消三个飞行阶段，然后根据相邻飞行特征段的前后关系划分出其余的非光滑构型飞行阶段，根据航空器飞行状态特征六和修正后的垂直运动态势划分光滑构型飞行阶段，最后将划后获得的飞行阶段的多个子段合并获取剩余的飞行阶段，以完成航空器飞行阶段的划分。
CN202011122305.1A 2020-10-20 2020-10-20 航空器飞行阶段划分识别系统 Withdrawn CN112257151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011122305.1A CN112257151A (zh) 2020-10-20 2020-10-20 航空器飞行阶段划分识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011122305.1A CN112257151A (zh) 2020-10-20 2020-10-20 航空器飞行阶段划分识别系统

Publications (1)

Publication Number Publication Date
CN112257151A true CN112257151A (zh) 2021-01-22

Family

ID=74244143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011122305.1A Withdrawn CN112257151A (zh) 2020-10-20 2020-10-20 航空器飞行阶段划分识别系统

Country Status (1)

Country Link
CN (1) CN112257151A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110558A (zh) * 2021-05-12 2021-07-13 南京航空航天大学 一种混合推进无人机需求功率预测方法
CN113761671A (zh) * 2021-11-11 2021-12-07 西安羚控电子科技有限公司 一种固定翼无人机动力学仿真模型校准方法及系统
CN114416255A (zh) * 2022-01-19 2022-04-29 北京航空航天大学 一种基于任务剖面的飞行数据显示方法及系统
CN115099532A (zh) * 2022-08-22 2022-09-23 珠海翔翼航空技术有限公司 基于机器学习的飞行器着陆风险预测方法、系统及设备
CN115218986A (zh) * 2022-09-07 2022-10-21 中航(成都)无人机系统股份有限公司 一种飞机油量计算方法、装置、设备及存储介质
CN115859075A (zh) * 2022-11-01 2023-03-28 湖北国际物流机场有限公司 一种用于机场区域的航空器机型识别装置及其方法
CN116189480A (zh) * 2022-12-20 2023-05-30 中国民航科学技术研究院 一种航班复飞动作自动识别方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110558A (zh) * 2021-05-12 2021-07-13 南京航空航天大学 一种混合推进无人机需求功率预测方法
CN113761671A (zh) * 2021-11-11 2021-12-07 西安羚控电子科技有限公司 一种固定翼无人机动力学仿真模型校准方法及系统
CN113761671B (zh) * 2021-11-11 2022-03-22 西安羚控电子科技有限公司 一种固定翼无人机动力学仿真模型校准方法及系统
CN114416255A (zh) * 2022-01-19 2022-04-29 北京航空航天大学 一种基于任务剖面的飞行数据显示方法及系统
CN115099532A (zh) * 2022-08-22 2022-09-23 珠海翔翼航空技术有限公司 基于机器学习的飞行器着陆风险预测方法、系统及设备
CN115099532B (zh) * 2022-08-22 2022-12-06 珠海翔翼航空技术有限公司 基于机器学习的飞行器着陆风险预测方法、系统及设备
CN115218986A (zh) * 2022-09-07 2022-10-21 中航(成都)无人机系统股份有限公司 一种飞机油量计算方法、装置、设备及存储介质
CN115218986B (zh) * 2022-09-07 2022-12-09 中航(成都)无人机系统股份有限公司 一种飞机油量计算方法、装置、设备及存储介质
CN115859075A (zh) * 2022-11-01 2023-03-28 湖北国际物流机场有限公司 一种用于机场区域的航空器机型识别装置及其方法
CN115859075B (zh) * 2022-11-01 2024-03-26 湖北国际物流机场有限公司 一种用于机场区域的航空器机型识别装置及其方法
CN116189480A (zh) * 2022-12-20 2023-05-30 中国民航科学技术研究院 一种航班复飞动作自动识别方法
CN116189480B (zh) * 2022-12-20 2023-08-18 中国民航科学技术研究院 一种航班复飞动作自动识别方法

Similar Documents

Publication Publication Date Title
CN112257151A (zh) 航空器飞行阶段划分识别系统
CN112257152A (zh) 基于机载数据的民用航空器飞行阶段识别方法
US10643480B2 (en) Method and apparatus for probabilistic alerting of aircraft unstabilized approaches using big data
CN106846920A (zh) 一种基于自然语义提取的空管辅助决策方法
Lv et al. A novel method of overrun risk measurement and assessment using large scale QAR data
CN109738035A (zh) 基于ads-b航迹数据的航空器油耗计算方法
Kong et al. Bayesian deep learning for aircraft hard landing safety assessment
Luo et al. Using lda2vec topic modeling to identify latent topics in aviation safety reports
Mirmohammadsadeghi et al. Enhancements to the runway capacity simulation model using the asde-x data for estimating airports throughput under various wake separation systems
CN113033621B (zh) 一种识别民航飞机不稳定进近及其诱因的方法
Rustenburg et al. An evaluation of methods to separate maneuver and gust load factors from measured acceleration time histories
CN114692290A (zh) 一种基于改进fram方法的飞机着陆安全品质分析方法
CN113435051A (zh) 基于运行规则的机场场面分布式运行仿真方法及系统
CN106651220B (zh) 一种基于曲线拟合的飞行员操作质量评估方法
CN112793797A (zh) 一种飞机着陆弹跳预警方法和系统
CN116415818B (zh) 基于聚类算法的飞机进近阶段风险点确认方法和系统
CN111967676A (zh) 基于逐步回归的飞机起飞擦机尾风险预测的方法和系统
Atasoy et al. Enhanced cruise range prediction for narrow-body turbofan commercial aircraft based on QAR data
Fala et al. Study on Machine Learning Methods for General Aviation Flight Phase Identification
Mirmohammadsadeghi et al. Prediction of runway occupancy time and runway exit distance with feedforward neural networks
Salgueiro et al. Aircraft Takeoff and Landing Weight Estimation from Surveillance Data
Khadilkar Analysis and modeling of airport surface operations
Mirmohammadsadeghi Improvements to Airport Systems Capacity and Efficiency Using Computer Models and Tools
Meijers Data-driven predictive analytics of runway occupancy time for improved capacity at airports
Vitale et al. Innovative real time estimator for redundancy of angle of attack sensors in commercial aircraft

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210122