CN113033621B - 一种识别民航飞机不稳定进近及其诱因的方法 - Google Patents

Abstract

本发明公开一种识别民航飞机不稳定进近及其诱因的方法，包括：步骤一、获取历史飞行参数数据作为样本集；步骤二、对各航段的飞行参数数据分段，并获取各时间段的能量状态以及飞机状态特征点集、进近状态特征点集；步骤三、通过时间段合并得到各能量状态下的飞机状态特征点集和进近状态特征点集；采用K‑means聚类算法对其聚类得到稳定进近识别模型；基于稳定进近识别模型获得飞机状态边界函数和进近状态边界函数；步骤四、基于边界函数对待测数据进行不稳定进近航段识别，并采用控制变量降维的方法获取不稳定进近航段诱因。本发明能够对海量飞行数据自动识别不稳定进近及其诱因，提高了不稳定进近识别精度，且有效节省了人工识别成本。

Description

一种识别民航飞机不稳定进近及其诱因的方法

技术领域

本发明涉及飞机不稳定进近及其诱因识别技术领域，特别是涉及一种识别民航飞机不稳定进近及其诱因的方法。

背景技术

民航飞机在着陆前要建立稳定的着陆形态，确保各项飞行状态参数在飞机性能的规定范围内，实施稳定的进近，在助航设备的引导下安全着陆。飞机若发生不稳定进近，可能导致飞机重着陆或着陆距离过长，严重时甚至诱发冲、偏出跑道等飞行事故，从而对飞行安全构成严重威胁。

不稳定进近主要发生在断开自动驾驶后的最后进近阶段。从能量管理的角度而言，飞机在这一阶段逐渐耗散自身能量以便于安全着陆。目前，识别飞机不稳定进近主要通过监控超限事件或人工识别关键飞行参数变化的方法。超限事件监控是航空公司采用的一种典型飞行品质管理手段。按照飞行品质管理规章，针对特定机型选取进近过程中的空速、下降率、俯仰角、滚转角等参数，并对这类参数进行监控，一旦超出阈值范围，则认为飞机发生不稳定进近。这种超限检测方法是人为主观确定的，容易产生虚警或漏警现象。特别是当多个参数接近但未超出阈值边界时，实际已形成不稳定进近却未能被成功检测。针对超限检测存在的不足，航空公司组织飞行品质鉴定专家观察进近过程中飞行参数的变化趋势，依经验识别出不稳定进近现象。这种人工识别的结果也具有主观性，容易造成分析结果偏差，且一旦航段数量增大，人工识别的工作量和成本随之增大。因此，提供一种识别民航飞机不稳定进近及其诱因的方法显得尤为必要。

发明内容

本发明的目的是提供一种识别民航飞机不稳定进近及其诱因的方法，以解决现有技术中存在的技术问题，能够对海量飞行数据自动识别不稳定进近及其诱因，提高了不稳定进近识别精度，解决现有方法主观因素影响大、判断结果易产生偏差的技术问题，且有效节省了人工识别成本。

为实现上述目的，本发明提供了如下方案：本发明提供一种识别民航飞机不稳定进近及其诱因的方法，包括：

步骤一、获取飞机各航段不稳定进近相关的历史飞行参数数据，并对所获取的历史飞行参数数据进行清洗处理后作为样本集；

步骤二、按照预设步长将清洗处理后各航段的飞行参数数据分成若干个等长的时间段，并获取飞机每个时间段的能量状态以及飞机状态特征点集、进近状态特征点集；

步骤三、合并样本集中所有相近或相等的能量状态，形成各能量状态下的飞机状态特征点集和进近状态特征点集；采用K-means聚类算法对飞机状态特征点集和进近状态特征点集进行聚类，得到稳定进近识别模型；基于稳定进近识别模型获得各能量状态下稳定进近的飞机状态边界函数和进近状态边界函数；

步骤四、基于稳定进近的飞机状态边界函数和进近状态边界函数，对待测飞行参数数据进行飞机不稳定进近航段识别，并采用控制变量降维的方法获取不稳定进近航段诱因。

优选地，所述步骤一中，所述飞行参数包括：连续变化型飞行参数、离散型飞行参数；所述连续变化型飞行参数包括飞行状态参数、非精密进近飞行参数、精密进近飞行参数。

优选地，所述飞行状态参数包括：下降率、空速、滚转角、俯仰角、发动机低压转子转速、无线电高度；所述离散型飞行参数包括：减速板手柄位置、襟翼手柄位置、起落架收放手柄位置；所述非精密进近飞行参数包括：飞机的经度、纬度和磁航向；所述精密进近飞行参数包括：下滑道偏差、航向道偏差。

优选地，所述步骤二中，飞机各航段中每个时间段的能量状态的获取方法为：基于各时间段内空速、无线电高度的中位数，计算飞机各航段中每个时间段的能量状态，如式3所示：

式中，E_m为时间段S_m的能量状态，g为重力加速度，V_T,m、h_m分别为时间段S_m内飞机空速、无线电高度的中位数。

优选地，所述步骤二中，飞机状态特征点集的获取方法包括：从所述飞行参数中获取飞机状态参数，所述飞机状态参数包括：下降率、滚转角、俯仰角、发动机低压转子转速；

对于下降率、发动机低压转子转速，基于各时间段内对应飞机状态参数的均值作为飞机状态特征参数；

对于滚转角、俯仰角，基于各时间段内对应飞机状态参数的方差作为飞机状态特征参数；

基于下降率、滚转角、俯仰角、发动机低压转子转速对应的飞机状态特征参数，构建飞机状态特征点集。

优选地，所述步骤二中，进近状态特征点集的获取方法包括：对于精密进近飞行参数下滑道偏差、航向道偏差，基于各时间段内对应飞行参数的均值作为进近状态特征参数；

对于非精密进近飞行参数，基于着陆跑道磁航向、飞机磁航向计算航向道偏差，基于飞机当前时刻的经度、纬度以及着陆跑道入口的经度、纬度，计算相应时刻飞机与着陆跑道入口的直线距离，基于飞机与着陆跑道入口的直线距离获得当前时刻理想下滑道高度，将理想下滑道高度与无线电高度之差作为下滑道偏差；基于各时间段内航向道偏差的均值以及下滑道偏差的均值作为进近状态特征参数；

基于精密进近飞行参数、非精密进近飞行参数得到的进近状态特征参数，构建进近状态特征点集。

优选地，所述步骤三中，合并样本集中所有相近或相等的能量状态，形成各能量状态下的飞机状态特征点集和进近状态特征点集的方法包括：

若所有航段中各时间段的能量状态偏差小于预设阈值，则将对应时间段的飞机状态特征点集、进近状态特征点集进行合并，形成各能量状态下的飞机状态特征点集和进近状态特征点集。

优选地，所述步骤四具体包括：

对待测飞行参数数据通过步骤一进行清洗处理后，通过所述离散型飞行参数初步识别不稳定进近航段，对于初步识别为稳定进近的航段，进一步通过步骤二～步骤三得到待测飞行参数数据合并后的飞机状态特征点集、进近状态特征点集，基于步骤三获得的各能量状态下稳定进近的飞机状态边界函数和进近状态边界函数，识别不稳定进近航段，并采用控制变量降维的方法获取不稳定进近航段诱因。

本发明公开了以下技术效果：

本发明通过采用K-means构建稳定进近识别模型，基于所有能量状态下的飞机状态特征点集、进近状态特征点集合并结果，对稳定进近识别模型进行训练，得到各能量状态稳定进近的飞机状态边界函数和进近状态边界函数，通过判断待测飞行参数数据的特征点集是否在边界函数内，能够对海量飞行数据中的不稳定进近航段进行快速准确识别，且通过控制变量降维的方法与边界函数的结合，实现了对不稳定进近诱因的准确判断，提高了不稳定进近识别精度，解决现有方法主观因素影响大、判断结果易产生偏差的技术问题，且有效节省了人工识别成本，对飞行品质监控、不稳定进近诱发的飞行事故与安全性分析具有积极意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明识别民航飞机不稳定进近及其诱因的方法流程图；

图2为本发明采用控制变量降维的方法获取不稳定进近航段诱因的方法流程图。

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、完整地描述，显然，所描述的实施例仅仅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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1所示，本实施例提供一种识别民航飞机不稳定进近及其诱因的方法，包括如下步骤：

步骤一、获取飞机各航段不稳定进近相关的历史飞行参数数据，并对所获取的历史飞行参数数据进行清洗处理后作为样本集；具体包括：

首先，获取与分析飞机不稳定进近相关的飞行参数数据；

其中，所述飞行参数包括：连续变化型飞行参数、离散型飞行参数；所述连续变化型飞行参数包括：飞行状态参数、非精密进近飞行参数、精密进近飞行参数；所述飞行状态参数包括：下降率V_Gz、空速V_T、滚转角φ、俯仰角θ、发动机低压转子转速N₁、无线电高度h；所述离散型飞行参数包括：减速板手柄位置δ_s、襟翼手柄位置δ_f、起落架收放手柄位置δ_lg；所述非精密进近飞行参数包括：飞机的经度Lon_A、纬度Lat_A和磁航向ψ_A；所述精密进近飞行参数包括：下滑道偏差Δ_gs、航向道偏差Δ_h。

其次，对获取的飞行参数数据进行清洗。具体包括：

1)对获取的飞行参数数据进行预处理：基于飞机进近阶段起止时间进行数据截取，基于截取的飞行参数数据，采用数据抽取方式，将连续变化型飞行参数采样率统一至1Hz；本实施例中，选择飞行员断开自动驾驶的无线电高度为进近阶段起点，飞机离地50ft的无线电高度为进近阶段终点。

2)基于预处理后的飞行参数数据，对错误数据点进行修正，完成飞行参数数据清洗；

基于3σ原则获取飞行参数数据中的错误数据点；

设某参数在时刻i的记录值为p_i，μ和σ分别为该参数在进近阶段的均值和标准差。通过式(1)判断p_i是否处于3σ范围内：

μ-3σ＜p_i＜μ+3σ (1)

若p_i符合式(1)，则该数据点正确，无需修正；反之，则以该点前2s及后2s数据的均值

取代该值，

如式(2)所示：

步骤二、按照预设步长将清洗处理后各航段的飞行参数数据分成若干个等长的时间段，并获取飞机每个时间段的能量状态以及飞机状态特征点集、进近状态特征点集。

设定固定时间间隔T，以T为步长将进近阶段划分为n个等长的时间段{S₁,S₂,...,S_n}。

飞机在最后进近过程中，各个时间段的能量状态呈单调递减趋势，从而采用能量状态来描述飞机的进近飞行状态。选取各时间段内空速(飞机相对于空气的速度)及无线电高度的中位数，计算在该时间段的飞机能量状态。以时间段S_m为例，其能量状态E_m如式(3)所示：

其中，g为重力加速度，V_T,m、h_m分别为时间段S_m内飞机空速、无线电高度的中位数。对所有航段划分的时间段分别计算能量状态，从而获得各航段的能量状态

表示j航段的第m个时间段的能量状态。

将飞行参数分为飞机状态参数和进近状态参数；其中，飞机状态参数有下降率V_Gz,m、滚转角φ_m、俯仰角θ_m和发动机低压转子转速N_1,m。对下降率和发动机低压转子转速，选取各时间段内的均值作为飞机状态特征参数，如式(4)所示：

其中，

分别为第m个时间段下降率、发动机低压转子转速的均值。

对滚转角和俯仰角，选取各时间段内的方差作为飞机状态特征参数：

其中，

分别为第m个时间段滚转角和俯仰角的方差。

若飞行参数数据中有航向道偏差Δ_h、下滑道偏差Δ_gs记录，则该航段为精密进近，可直接从飞行参数数据中选取Δ_h、Δ_gs并取各时间段的均值

作为进近状态特征参数。

若飞行参数数据中无航向道偏差和下滑道偏差记录，则该航段为非精密进近，可首先以着陆跑道磁航向ψ_R和飞机磁航向ψ_A,i之差作为航向道偏差，如式(6)所示：

Δ_h,i＝ψ_R-ψ_A,i (6)

其中，Δ_h,i、ψ_A,i分别为时刻i时的航向道偏差、飞机磁航向，i∈[1,T]。

其次，从飞行参数数据中选取飞机在自动驾驶断开时的经度Lon_A,1、纬度Lat_A,1和无线电高度h₁，根据半正矢公式求解获得飞机在自动驾驶断开时与跑道入口的直线距离l₁，如式(7)所示：

其中，Lon_R、Lat_R分别为着陆跑道入口的经、纬度，R_E为地球半径。

以上经纬度均为弧度单位。若以飞机在任意时刻i(i∈[1,T])的经纬度Lon_A,i，Lat_A,i代入式(7)，则获得当前时刻i飞机与跑道入口直线距离l_i，进一步获得当前时刻i理想下滑道高度为

从而针对非精密进近，计算理想下滑道高度与无线电高度之差作为下滑道偏差，即：

其中，Δ_gs,i为时刻i的下滑道偏差。

分别以式(6)和式(8)计算非精密进近下的航向道和下滑道偏差，并仍取T时间内的均值

作为进近状态特征参数。

通过上述过程确定描述飞机进近状态的特征参数。即在对应能量状态E_m下，飞机状态特征点集

和进近状态特征点集

步骤三、合并样本集中所有相近或相等的能量状态，形成各能量状态下的飞机状态特征点集和进近状态特征点集；采用K-means聚类算法对飞机状态特征点集和进近状态特征点集进行聚类，得到稳定进近识别模型；基于稳定进近识别模型获得各能量状态下稳定进近的飞机状态边界函数和进近状态边界函数。

针对特定机场进近程序和特定机型，求取稳定进近航段飞行参数数据的均值，获得标准航段飞行参数数据，所述标准航段飞行参数数据含有n个能量状态E₁,E₂,...,E_n。以该标准航段的能量状态为依据，通过计算两个能量状态间的偏差，搜索全部飞行参数数据中相近或相等的能量状态并形成n'个数据集：

其中，

表示a航段的第m个能量状态，

表示标准航段的第k个能量状态，k∈[1,n]。对a航段的所有能量状态进行遍历，与标准航段的能量状态E⁰进行对比，找到a航段中任一能量状态

相近或相等的标准能量状态

当E_bias＜1％时，可认为两能量状态相近，并予以合并。对所有航段均进行上述操作，将所有相近或相等能量状态的特征点集进行合并，形成对应能量状态下的飞机状态特征点集和进近状态特征点集。

采用K-means聚类算法对同一能量状态的飞机状态特征点集和进近状态特征点集进行聚类分析。K-means聚类算法收敛速度快，可用于不稳定进近航段的自动识别，只需设定簇的数量即可。由于航段中出现不稳定进近的概率较低，即绝大部分航段样本属于稳定进近，因此，在进行聚类分析时，将簇的数量定为1，即在簇内的飞机状态状态特征点集或进近状态特征点集认定为稳定进近，簇外的状态特征点集认定为不稳定进近。分别通过每个能量状态下的状态特征点集进行训练后，得到2n'个训练成功的稳定进近识别模型。得到稳定进近识别模型后，运用BORDER边界点检测算法，获得边界点集。由于边界点的反向K近邻(RkNN)个数小于聚类内部点的RkNN个数，从而可计算每个点的RkNN个数，并将RkNN个数少于第10％分位数的点定义为边界点，得到边界点集。对边界点集进行曲面拟合，从而得到稳定进近飞机状态特征点集的边界函数

和进近状态特征点集的边界函数

其中，运用BORDER边界点检测算法获取边界点集的方法包括：

1)计算聚类拟合后的数据点集中每个点的RkNN数目；

2)根据RkNN数目对数据点集中的数据点进行排序，若某点RkNN个数少于10％分位数，则将该点作为边界点进行输出。

通过状态特征点集是否在边界内来判别飞机在某一能量状态下的进近稳定性，当状态特征点集在边界函数内时，认为该状态特征点集为稳定进近航段的状态特征点集，反之为不稳定进近航段的状态特征点集。重复上述步骤，可对任一航段进近过程中的所有能量状态判别其是否处于稳定状态。

若通过样本集识别出的不稳定进近航段占全部航段的比例超过5‰，则调整T:＝T+1，重新执行步骤二。

步骤四、基于稳定进近的飞机状态边界函数和进近状态边界函数，对待测飞行参数数据进行飞机不稳定进近航段识别，并采用控制变量降维的方法获取不稳定进近航段诱因。

其中，对待测飞行参数数据通过步骤一进行清洗处理后，还包括通过所述离散型飞行参数初步识别不稳定进近航段，具体为：

基于清洗处理后的待测飞行参数数据，参照机型的进近着陆检查单和飞行操作手册，根据减速板手柄位置δ_s、襟翼手柄位置δ_f、起落架收放手柄位置δ_lg参数判别飞行员是否按照规定操作，若出现动作遗漏、延迟或操作次序颠倒，则判为不稳定进近，分析过程结束；若正确，则识别为稳定进近并进入步骤二，否则，识别为不稳定进近，并基于离散型飞行参数中未按照规定操作的参数得到不稳定进近的诱因。

对于初步识别为稳定进近的航段，进一步通过步骤二～步骤三得到待测飞行参数数据合并后的飞机状态特征点集、进近状态特征点集，基于步骤三获得的飞机状态特征点集的稳定边界函数

和进近状态特征点集的稳定边界函数

识别不稳定进近航段，并分析该航段为不稳定进近航段的诱因。不稳定进近航段的诱因的识别方法如下：

如图2所示，对识别为不稳定进近的进近状态特征点集，有

进一步采用控制变量降维的方法，判别其不稳定进近的诱因。具体做法是，若识别进近状态特征点集为不稳定进近，分别控制参数

与

将其分别带入边界函数

以判断是否在边界内。在分析参数

时，令

中

在分析参数

时，令

中

若

且

则不稳定的诱因为航向道偏差；若

且

则不稳定的诱因为下滑道偏差；若

且

则不稳定的诱因为航向道偏差和下滑道偏差。

类似地，若识别飞机状态特征点集为不稳定进近，即

则可分别控制参数

进行控制变量降维分析，以判别飞机状态特征引发的不稳定诱因。如图2所示，将各参数分别代入边界函数

当其中任一参数使边界函数

则可判定为相应的不稳定进近诱因：若

可判定发动机低压转子转速偏差为诱因；若

可判定俯仰角偏差为诱因；若

可判定滚转角偏差为诱因；若

可判定下降率偏差为诱因。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种识别民航飞机不稳定进近及其诱因的方法，其特征在于，包括：

步骤一、获取飞机各航段不稳定进近相关的历史飞行参数数据，并对所获取的历史飞行参数数据进行清洗处理后作为样本集；

步骤二、按照预设步长将清洗处理后各航段的飞行参数数据分成若干个等长的时间段，并获取飞机每个时间段的能量状态以及飞机状态特征点集、进近状态特征点集；

步骤三、合并样本集中所有相近或相等的能量状态，形成各能量状态下的飞机状态特征点集和进近状态特征点集；采用K-means聚类算法对飞机状态特征点集和进近状态特征点集进行聚类，得到稳定进近识别模型；基于稳定进近识别模型获得各能量状态下稳定进近的飞机状态边界函数和进近状态边界函数；

步骤四、基于稳定进近的飞机状态边界函数和进近状态边界函数，对待测飞行参数数据进行飞机不稳定进近航段识别，并采用控制变量降维的方法获取不稳定进近航段诱因；

其中控制变量降维的过程包括：

若识别进近状态特征点集为不稳定进近，分别控制参数

与

将其分别带入边界函数

以判断是否在边界内；在分析参数

时，令

中

在分析参数

时，令

中

若

且

则不稳定的诱因为航向道偏差；若

且

则不稳定的诱因为下滑道偏差；若

且

则不稳定的诱因为航向道偏差和下滑道偏差，其中，

为航向道偏差的均值；

为下滑道偏差的均值。

2.根据权利要求1所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述步骤一中，所述飞行参数包括：连续变化型飞行参数、离散型飞行参数；所述连续变化型飞行参数包括飞行状态参数、非精密进近飞行参数、精密进近飞行参数。

3.根据权利要求2所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述飞行状态参数包括：下降率、空速、滚转角、俯仰角、发动机低压转子转速、无线电高度；所述离散型飞行参数包括：减速板手柄位置、襟翼手柄位置、起落架收放手柄位置；所述非精密进近飞行参数包括：飞机的经度、纬度和磁航向；所述精密进近飞行参数包括：下滑道偏差、航向道偏差。

4.根据权利要求3所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述步骤二中，飞机各航段中每个时间段的能量状态的获取方法为：基于各时间段内空速、无线电高度的中位数，计算飞机各航段中每个时间段的能量状态：

式中，E_m为时间段S_m的能量状态，g为重力加速度，V_T,m、h_m分别为时间段S_m内飞机空速、无线电高度的中位数。

5.根据权利要求3所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述步骤二中，飞机状态特征点集的获取方法包括：从所述飞行参数中获取飞机状态参数，所述飞机状态参数包括：下降率、滚转角、俯仰角、发动机低压转子转速；

对于下降率、发动机低压转子转速，基于各时间段内对应飞机状态参数的均值作为飞机状态特征参数；

对于滚转角、俯仰角，基于各时间段内对应飞机状态参数的方差作为飞机状态特征参数；

基于下降率、滚转角、俯仰角、发动机低压转子转速对应的飞机状态特征参数，构建飞机状态特征点集。

6.根据权利要求3所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述步骤二中，进近状态特征点集的获取方法包括：对于精密进近飞行参数下滑道偏差、航向道偏差，基于各时间段内对应飞行参数的均值作为进近状态特征参数；

对于非精密进近飞行参数，基于着陆跑道磁航向、飞机磁航向计算航向道偏差，基于飞机当前时刻的经度、纬度以及着陆跑道入口的经度、纬度，计算相应时刻飞机与着陆跑道入口的直线距离，基于飞机与着陆跑道入口的直线距离获得当前时刻理想下滑道高度，将理想下滑道高度与无线电高度之差作为下滑道偏差；基于各时间段内航向道偏差的均值以及下滑道偏差的均值作为进近状态特征参数；

基于精密进近飞行参数、非精密进近飞行参数得到的进近状态特征参数，构建进近状态特征点集。

7.根据权利要求1所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述步骤三中，合并样本集中所有相近或相等的能量状态，形成各能量状态下的飞机状态特征点集和进近状态特征点集的方法包括：

若所有航段中各时间段的能量状态偏差小于预设阈值，则将对应时间段的飞机状态特征点集、进近状态特征点集进行合并，形成各能量状态下的飞机状态特征点集和进近状态特征点集。

8.根据权利要求3所述的识别民航飞机不稳定进近及其诱因的方法，其特征在于，所述步骤四具体包括：

对待测飞行参数数据通过步骤一进行清洗处理后，通过所述离散型飞行参数初步识别不稳定进近航段，对于初步识别为稳定进近的航段，进一步通过步骤二～步骤三得到待测飞行参数数据合并后的飞机状态特征点集、进近状态特征点集，基于步骤三获得的各能量状态下稳定进近的飞机状态边界函数和进近状态边界函数，识别不稳定进近航段，并采用控制变量降维的方法获取不稳定进近航段诱因。

Images