CN113033621B - 一种识别民航飞机不稳定进近及其诱因的方法 - Google Patents
一种识别民航飞机不稳定进近及其诱因的方法 Download PDFInfo
- Publication number
- CN113033621B CN113033621B CN202110243081.8A CN202110243081A CN113033621B CN 113033621 B CN113033621 B CN 113033621B CN 202110243081 A CN202110243081 A CN 202110243081A CN 113033621 B CN113033621 B CN 113033621B
- Authority
- CN
- China
- Prior art keywords
- state
- approach
- flight
- parameters
- airplane
- 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.)
- Active
Links
- 238000013459 approach Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0607—Rate of change of altitude or depth specially adapted for aircraft
- G05D1/0653—Rate of change of altitude or depth specially adapted for aircraft during a phase of take-off or landing
- G05D1/0676—Rate of change of altitude or depth specially adapted for aircraft during a phase of take-off or landing specially adapted for landing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
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
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,Em为时间段Sm的能量状态,g为重力加速度,VT,m、hm分别为时间段Sm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VGz、空速VT、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δs、襟翼手柄位置δf、起落架收放手柄位置δlg;所述非精密进近飞行参数包括:飞机的经度LonA、纬度LatA和磁航向ψA;所述精密进近飞行参数包括:下滑道偏差Δgs、航向道偏差Δh。
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pi,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pi是否处于3σ范围内:
μ-3σ<pi<μ+3σ (1)
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,...,Sn}。
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Sm为例,其能量状态Em如式(3)所示:
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VGz,m、滚转角φm、俯仰角θm和发动机低压转子转速N1,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:
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:
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ψR和飞机磁航向ψA,i之差作为航向道偏差,如式(6)所示:
Δh,i=ψR-ψA,i (6)
其中,Δh,i、ψA,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LonA,1、纬度LatA,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,LonR、LatR分别为着陆跑道入口的经、纬度,RE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LonA,i,LatA,i代入式(7),则获得当前时刻i飞机与跑道入口直线距离li,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,Δgs,i为时刻i的下滑道偏差。
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,...,En。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Ebias<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δs、襟翼手柄位置δf、起落架收放手柄位置δlg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:
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243081.8A CN113033621B (zh) | 2021-03-05 | 2021-03-05 | 一种识别民航飞机不稳定进近及其诱因的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243081.8A CN113033621B (zh) | 2021-03-05 | 2021-03-05 | 一种识别民航飞机不稳定进近及其诱因的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033621A CN113033621A (zh) | 2021-06-25 |
CN113033621B true CN113033621B (zh) | 2022-01-18 |
Family
ID=76467909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110243081.8A Active CN113033621B (zh) | 2021-03-05 | 2021-03-05 | 一种识别民航飞机不稳定进近及其诱因的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033621B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114661067A (zh) * | 2022-05-06 | 2022-06-24 | 广东汇天航空航天科技有限公司 | 飞行控制方法、装置及电子设备 |
CN116361728B (zh) * | 2023-03-14 | 2024-01-23 | 南京航空航天大学 | 基于实时飞行数据的民航飞机系统级异常前兆识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699132A (zh) * | 2013-12-05 | 2014-04-02 | 中国航空无线电电子研究所 | 一种用于辅助目视盘旋进近的装置及方法 |
CN106951700A (zh) * | 2017-03-14 | 2017-07-14 | 中国民航管理干部学院 | 一种基于能量管理的进近稳定性评估方法 |
CN110033194A (zh) * | 2019-04-17 | 2019-07-19 | 中国民航科学技术研究院 | 一种飞机不稳定进近探测与评价方法及电子设备 |
CN112257152A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 基于机载数据的民用航空器飞行阶段识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096663B (zh) * | 2015-08-04 | 2018-02-16 | 中国商用飞机有限责任公司 | 一种自动起飞和进近参考系统和方法 |
CN106557837B (zh) * | 2016-11-04 | 2020-05-19 | 北京航空航天大学 | 飞机连续下降进近轨迹的获取方法及装置 |
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 |
-
2021
- 2021-03-05 CN CN202110243081.8A patent/CN113033621B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699132A (zh) * | 2013-12-05 | 2014-04-02 | 中国航空无线电电子研究所 | 一种用于辅助目视盘旋进近的装置及方法 |
CN106951700A (zh) * | 2017-03-14 | 2017-07-14 | 中国民航管理干部学院 | 一种基于能量管理的进近稳定性评估方法 |
CN110033194A (zh) * | 2019-04-17 | 2019-07-19 | 中国民航科学技术研究院 | 一种飞机不稳定进近探测与评价方法及电子设备 |
CN112257152A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 基于机载数据的民用航空器飞行阶段识别方法 |
Non-Patent Citations (2)
Title |
---|
基于灰色聚类方法的航空公司飞机进近着陆阶段安全性评估;周长春 等;《中国安全生产科学技术》;20120731;全文 * |
基于飞行数据的民机着陆安全影响因素研究;王冉 等;《交通信息与安全》;20191231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033621A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033621B (zh) | 一种识别民航飞机不稳定进近及其诱因的方法 | |
US9911339B2 (en) | Experimental real-time performance enhancement for aircraft | |
US10643480B2 (en) | Method and apparatus for probabilistic alerting of aircraft unstabilized approaches using big data | |
EP2623943B1 (en) | System and method for real-time aircraft performance monitoring | |
US7431243B1 (en) | Guidance and control for an autonomous soaring UAV | |
CN112257152A (zh) | 基于机载数据的民用航空器飞行阶段识别方法 | |
US20090267798A1 (en) | The communication of landing conditions | |
Goblet et al. | Identifying phases of flight in general aviation operations | |
CN109191921B (zh) | 一种基于4d轨迹预测的空管监视数据仿真方法 | |
EP3570135A1 (en) | Optimized trajectory to noise improvement with auto-takeoff | |
CN112732687A (zh) | 基于数据清洗的航空飞行数据可视化处理系统及分析方法 | |
US20190310642A1 (en) | Method and device for controlling trajectory of a follower aircraft | |
CN110727286B (zh) | 用于确定下降剖面的方法和系统 | |
US20070150170A1 (en) | Method for assisting low altitude navigation of an aircraft | |
Le Fablec et al. | Using Neural Networks to Predict Aircraft Trajectories. | |
CN115064009A (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN109754193A (zh) | 基于航空器性能的ads-b航迹去噪方法 | |
Sun et al. | Bayesian inference of aircraft initial mass | |
Wang et al. | Airspace risk management using surveillance track data: Stabilized approaches | |
CN113723561A (zh) | 一种基于数据驱动的飞机近地告警系统飞行阶段判定方法 | |
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 | |
Vitale et al. | An innovative angle of attack virtual sensor for physical-analytical redundant measurement system applicable to commercial aircraft | |
CN114692760B (zh) | 下降率估算模型构建、下降率估算方法、装置及电子设备 | |
Wang et al. | Feasibility of using historical flight track data to nowcast unstable approaches | |
Meijers | Data-driven predictive analytics of runway occupancy time for improved capacity at airports |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |