CN112991575A - 一种飞机飞行过程中大气环境混乱度的定量检测方法 - Google Patents
一种飞机飞行过程中大气环境混乱度的定量检测方法 Download PDFInfo
- Publication number
- CN112991575A CN112991575A CN202110172086.6A CN202110172086A CN112991575A CN 112991575 A CN112991575 A CN 112991575A CN 202110172086 A CN202110172086 A CN 202110172086A CN 112991575 A CN112991575 A CN 112991575A
- Authority
- CN
- China
- Prior art keywords
- wind
- atmospheric
- atmospheric state
- airplane
- moment
- 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
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
- G01P13/025—Indicating direction only, e.g. by weather vane indicating air data, i.e. flight variables of an aircraft, e.g. angle of attack, side slip, shear, yaw
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种飞机飞行过程中大气环境混乱度的定量检测方法,包括如下步骤:步骤1、对飞机在飞行过程中所遇到的大气环境进行编码,得到该飞机在该飞行过程中的大气状态编码;具体包括:(1.1)采集飞机某飞行过程中每一时刻的大气环境相关数据,包括以下时序参数:风向、风速;(1.2)将风向、风速数据视为极坐标系下的风矢量,并计算对应的平面直角坐标系下的风矢量坐标;(1.3)按时间顺序遍历各风矢量数据序列;(1.4)对飞机在某飞行过程中所有大气状态聚类,得到每个大气状态所属的类别编号;(1.5)以大气状态类别编号的时序序列作为飞机在该飞行过程中的大气状态编码序列。步骤2、计算大气状态编码的信息熵值,所述信息熵值代表大气状态混乱度。
Description
技术领域
本发明属于民航飞行安全领域,涉及一种飞机在飞行过程中所遇大气环境的定量计算方法,可用于评价一段飞行过程中外界大气环境的混乱程度,从而衡量外界环境对安全飞行的干扰强度。
背景技术
近三十年来,各国航空公司的飞机已逐渐加装了QAR(Quick Access Recorder,快速存储记录器)系统,其记录数据包括飞机起飞、着陆时的磁航向角、风向、风速等,为研究FOQA(Flight operations quality assurance,飞行操作品质监控)提供了数据基础,具有实时性、普适性、易用性的特点。
研究发现,飞行事故是由驾驶员、环境、飞机三者共同作用所引发的。飞机的飞行过程是人(飞行员操作),机(飞机运行状态),环(航线环境)综合作用的结果。因此,如何定量评价航线环境具有非常重要的实用价值。更重要的是,对飞行环境的评价有助于实时评价空域以及机场的着陆条件,据此能够在同等飞行条件下对飞行员的驾驶水平给出更客观的评价,指导航空公司改进飞行员培养方案,使整个民航体系的安全水平得以提升。
发明内容
为了解决上述技术问题,本发明首先提出了大气状态混乱度这一新概念,用于描述某架飞机飞行过程的大气环境混乱程度;并给出了大气状态混乱度的计算方法,计算数据主要来自于QAR,具有普适性、标准性和可计算性,由于计算使用的是每架飞机自身的传感器测量参数,因此能够定量描述每个航班的航线环境情况。本发明填补了业界飞行环境定量评价方法的空白,解决了目前卫星、雷达气象报告中缺乏航班针对性的问题,提供了实时评价每个航班飞行环境的方法,这种方法能够准确实时地反应飞行航线上的大气环境情况。
本发明的技术解决方案:一种飞机飞行过程中大气环境混乱度的定量检测方法,包括如下步骤:
步骤1、对飞机在飞行过程中所遇到的大气环境进行编码,得到该飞机在该飞行过程中的大气状态编码;具体包括:
(1.1)采集飞机某飞行过程中每一时刻的大气环境相关数据,包括以下时序参数:风向、风速;
(1.2)将风向、风速数据视为极坐标系下的风矢量,并计算对应的平面直角坐标系下的风矢量坐标;
(1.3)按时间顺序遍历各风矢量数据序列,若某一时刻风矢量与前一时刻的差矢量的模大于大气状态划分阈值,则在此时刻将原序列分段;遍历完成后,原序列的每一段分入不同的大气状态,并以该时段内风矢量的平均向量表示该段的大气状态;
(1.4)对飞机在某飞行过程中所有大气状态聚类,得到每个大气状态所属的类别编号;通过原风矢量数组中每一时刻的风矢量数据,计算得此时刻的大气状态所属的大气状态类别编号,从而通过原风矢量数组计算得到大气状态类别编号的时序序列;
(1.5)以大气状态类别编号的时序序列作为飞机在该飞行过程中的大气状态编码序列。
步骤2、计算大气状态编码的信息熵值,所述信息熵值代表大气状态混乱度。
进一步的,所述的步骤(1.2)中:
将风向、风速二维数据分解为平面直角坐标系下的二维矢量数据。
其中,windlong[i]为时刻i风矢量在经度方向上的分量,windlati[i]为时刻i风矢量在纬度方向上的分量;windspd[i]为时刻i的风速,单位为节,winddir[i]为时刻i的风向,单位为度;cos为三角函数余弦,sin为三角函数正弦。
进一步的,所述(1.3)按时间顺序遍历各风矢量数据序列,具体包括:
遍历时长为n的二维风矢量序列,即n行2列的二维数组X,其中,X[i][0]为时刻i风矢量在经度方向上的分量,X[i][1]为时刻i风矢量在纬度方向上的分量,遍历时刻i,当下式满足时,划分大气状态区间:
划分大气状态区间时,将last时刻到i时刻的X子序列的均值向量(长度为n的数组)加入集合M中,并令last=i。
进一步的,所述步骤(1.4)通过聚类算法,对状态集合M中的状态聚类,相近的大气状态被聚为一类,同一类状态具有同样的编号,第i类大气状态标记为I,以每个时刻大气环境所属的大气状态的编号作为飞机在飞行过程中所遇到环境的大气状态编码。
有益效果:
本发明的方法能够检测飞机飞行过程中环境的混乱度,所述的混乱度用于度量某次航班在一段飞行过程中所遇大气环境的情况。大气状态混乱度为飞机在飞行过程中所遇大气环境的混乱程度的一种度量指标,以相关QAR(Quick Access Recorder)数据为输入,对飞机飞行过程中所遇大气环境进行编码,称为大气状态编码,最后计算大气状态编码的信息熵作为这段飞行过程的大气状态混乱度指标。本发明填补了业内定量检测飞行过程环境安全性的空白,为研究FOQA(Flight Operations Quality Assurance,飞行操作品质监控)提供了检测指标和方法。所述的混乱度越大,飞行员维持稳定飞行的驾驶操作难度就越大。根据这种特性,大气状态混乱度可检测飞行环境的飞机操作难度。通过比较相似大气状态混乱度下的着陆垂直载荷,可评价飞行员的驾驶操作的对避免着陆不安全事件所起到的作用效果。
附图说明
图1为本发明的大气状态混乱度计算方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
根据本发明的实施例,提出一种飞机飞行过程中大气环境混乱度的定量检测方法,包括如下步骤:
步骤(1)对飞机在飞行过程中所遇到的大气环境进行编码,得到该飞机在该飞行过程中的大气状态编码;
步骤(2)计算大气状态编码的信息熵值。
具体的,所述步骤(1)中,对飞机在飞行过程中所遇到的大气环境进行编码,得到该飞机在该飞行过程中的大气状态编码,其中大气状态编码的过程如下:
步骤(1.1):初始化大气状态划分阈值a为1,初始化上一状态区间结束时刻last为0,状态集合M为空;
步骤(1.2):从QAR设备读取所需检测时段内的风有关数据序列,包括风向、风速二维数据。将风向、风速二维数据分解为平面直角坐标系下的二维矢量数据。
其中,windlong[i]为时刻i风矢量在经度方向上的分量,windlati[i]为时刻i风矢量在纬度方向上的分量;windspd[i]为时刻i的风速,单位为节,winddir[i]为时刻i的风向,单位为度;cos为三角函数余弦,sin为三角函数正弦。
步骤(1.3):遍历时长为n的二维风矢量序列,即n行2列的二维数组X。其中,X[i][0]为时刻i风矢量在经度方向上的分量,X[i][1]为时刻i风矢量在纬度方向上的分量。遍历时刻i,当下式满足时,划分大气状态区间。
划分大气状态区间时,将last时刻到i时刻的X子序列的均值向量(长度为n的数组)加入集合M中,并令last=i;
步骤(1.4):通过聚类算法,对状态集合M中的状态聚类,相近的大气状态被聚为一类,同一类状态具有同样的编号,如第0类大气状态标记0,第1类大气状态标记1,以此类推,第i类大气状态标记为i。以每个时刻大气环境所属的大气状态的编号作为飞机在飞行过程中所遇到环境的大气状态编码。
步骤(1.5):统计每类大气状态编码的出现频率pi,即编号i在序列中出现次数与序列长度的比值,计算大气状态编码的信息熵值,作为大气状态混乱度:
其中S为大气状态混乱度。
所述的混乱度用于度量某次航班在一段飞行过程中所遇大气环境的混乱度。
所述的混乱度越大,飞行员维持稳定飞行的驾驶操作难度就越大。根据这种特性,大气状态混乱度可检测飞行环境的飞机操作难度。
进一步的,比较相似大气状态混乱度下的着陆垂直载荷,可评价飞行员的驾驶操作的对避免着陆不安全事件所起到的作用效果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种飞机飞行过程中大气环境混乱度的定量检测方法,其特征在于,包括如下步骤:
步骤1、对飞机在飞行过程中所遇到的大气环境进行编码,得到该飞机在该飞行过程中的大气状态编码;具体包括:
(1.1)采集飞机某飞行过程中每一时刻的大气环境相关数据,包括以下时序参数:风向、风速;
(1.2)将风向、风速数据视为极坐标系下的风矢量,并计算对应的平面直角坐标系下的风矢量坐标;
(1.3)按时间顺序遍历各风矢量数据序列,若某一时刻风矢量与前一时刻的差矢量的模大于大气状态划分阈值,则在此时刻将原序列分段;遍历完成后,原序列的每一段分入不同的大气状态,并以该时段内风矢量的平均向量表示该段的大气状态;
(1.4)对飞机在某飞行过程中所有大气状态聚类,得到每个大气状态所属的类别编号;通过原风矢量数组中每一时刻的风矢量数据,计算得此时刻的大气状态所属的大气状态类别编号,从而通过原风矢量数组计算得到大气状态类别编号的时序序列;
(1.5)以大气状态类别编号的时序序列作为飞机在该飞行过程中的大气状态编码序列;
步骤2、计算大气状态编码的信息熵值,所述信息熵值代表大气状态混乱度。
4.根据权利要求1所述的一种飞机飞行过程中大气环境混乱度的定量检测方法,其特征在于,所述步骤(1.4)通过聚类算法,对状态集合M中的状态聚类,相近的大气状态被聚为一类,同一类状态具有同样的编号,第i类大气状态标记为I,以每个时刻大气环境所属的大气状态的编号作为飞机在飞行过程中所遇到环境的大气状态编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172086.6A CN112991575A (zh) | 2021-02-08 | 2021-02-08 | 一种飞机飞行过程中大气环境混乱度的定量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110172086.6A CN112991575A (zh) | 2021-02-08 | 2021-02-08 | 一种飞机飞行过程中大气环境混乱度的定量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991575A true CN112991575A (zh) | 2021-06-18 |
Family
ID=76347480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110172086.6A Pending CN112991575A (zh) | 2021-02-08 | 2021-02-08 | 一种飞机飞行过程中大气环境混乱度的定量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991575A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201405227XA (en) * | 2012-02-29 | 2014-09-26 | Sagem Defense Securite | Method of analysing flight data |
CN107909106A (zh) * | 2017-11-14 | 2018-04-13 | 北京航空航天大学 | 一种飞机飞行过程环境的检测方法 |
CN108270850A (zh) * | 2017-12-29 | 2018-07-10 | 山东大学 | 一种基于Android手持机的大气巡检管理系统及其应用 |
CN110599622A (zh) * | 2019-08-15 | 2019-12-20 | 中国航空工业集团公司上海航空测控技术研究所 | 应用于飞机飞行状态的参数表征方法 |
CN111008669A (zh) * | 2019-12-10 | 2020-04-14 | 北京航空航天大学 | 一种基于深度学习的重着陆预测方法 |
CN111198170A (zh) * | 2020-02-28 | 2020-05-26 | 苏州格目软件技术有限公司 | 一种基于空气混乱度检测的生物检测平台 |
-
2021
- 2021-02-08 CN CN202110172086.6A patent/CN112991575A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201405227XA (en) * | 2012-02-29 | 2014-09-26 | Sagem Defense Securite | Method of analysing flight data |
CN107909106A (zh) * | 2017-11-14 | 2018-04-13 | 北京航空航天大学 | 一种飞机飞行过程环境的检测方法 |
CN108270850A (zh) * | 2017-12-29 | 2018-07-10 | 山东大学 | 一种基于Android手持机的大气巡检管理系统及其应用 |
CN110599622A (zh) * | 2019-08-15 | 2019-12-20 | 中国航空工业集团公司上海航空测控技术研究所 | 应用于飞机飞行状态的参数表征方法 |
CN111008669A (zh) * | 2019-12-10 | 2020-04-14 | 北京航空航天大学 | 一种基于深度学习的重着陆预测方法 |
CN111198170A (zh) * | 2020-02-28 | 2020-05-26 | 苏州格目软件技术有限公司 | 一种基于空气混乱度检测的生物检测平台 |
Non-Patent Citations (1)
Title |
---|
诸彤宇,彭一洋,奚志健,张贵明: "基于QAR数据的飞行环境及驾驶操作定量评价模型", 《中国科技论文在线》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | LSTM-based flight trajectory prediction | |
CN110992733B (zh) | 一种航班偏离正常航迹行为在线检测方法及装置 | |
CN105607063B (zh) | 一种机场低空风切变探测方法及系统 | |
CN111179638B (zh) | 一种基于时间序列的船舶ais目标航行监控方法 | |
CN105956790B (zh) | 低空飞行态势安全性评估指标及其评估方法 | |
CN110196962B (zh) | 一种基于核密度估计的飞机速度异常识别方法 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN113205706A (zh) | 基于航班qar数据的ils信号品质监测方法 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN107909106A (zh) | 一种飞机飞行过程环境的检测方法 | |
CN114997296A (zh) | 一种基于gru-vae模型的无监督航迹异常检测方法及系统 | |
CN112785876B (zh) | 终端区时序气象场景智能识别系统 | |
CN115457300A (zh) | 一种基于距离度量和隔离机制的船舶异常行为检测方法 | |
CN114550504A (zh) | 基于ads-b数据的gps干扰区域识别排查方法及装置 | |
CN113284369A (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN112991575A (zh) | 一种飞机飞行过程中大气环境混乱度的定量检测方法 | |
CN105118332A (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
Zeng et al. | [Retracted] Analysis of Abnormal Flight and Controllers Data Based on DBSCAN Method | |
CN115293225A (zh) | 飞行员平飘顶杆成因分析方法和装置 | |
Tsai et al. | Risk Assessment of Final Approach Phase with ADS-B Trajectory Data and Weather Information using Artificial Neural Network | |
CN114331042A (zh) | 一种船舶碰撞风险分析方法 | |
Dai et al. | Having a Bad Day? Predicting High Delay Days in the National Airspace System | |
Knutson et al. | Lagrangian Coherent Structure Analysis of Terminal Winds: Three‐Dimensionality, Intramodel Variations, and Flight Analyses | |
Saha et al. | Forecast analysis of visibility for airport operations with deep learning techniques | |
Khattak et al. | Interpretable ensemble imbalance learning strategies for the risk assessment of severe‐low‐level wind shear based on LiDAR and PIREPs |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210618 |