CN115099532A - 基于机器学习的飞行器着陆风险预测方法、系统及设备 - Google Patents
基于机器学习的飞行器着陆风险预测方法、系统及设备 Download PDFInfo
- Publication number
- CN115099532A CN115099532A CN202211002703.9A CN202211002703A CN115099532A CN 115099532 A CN115099532 A CN 115099532A CN 202211002703 A CN202211002703 A CN 202211002703A CN 115099532 A CN115099532 A CN 115099532A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- landing
- stage
- state parameters
- deceleration
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010801 machine learning Methods 0.000 title claims abstract description 31
- 238000013058 risk prediction model Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 19
- 206010034719 Personality change Diseases 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003238 somatosensory effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/02—Automatic approach or landing aids, i.e. systems in which flight data of incoming planes are processed to provide landing data
- G08G5/025—Navigation or guidance aids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于控制技术领域，具体涉及了一种基于机器学习的飞行器着陆风险预测方法、系统及设备，旨在解决现有的飞行器着陆辅助方法并未考虑在不同的着陆或飞行阶段每种操作或要素会产生不同的影响的问题。本发明包括：基于历史数据，根据飞行高度划分为分段历史数据；基于着陆机场的环境参数、驾驶员的个人习惯档案和飞行器当前状态参数，通过着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；基于所述模拟飞行器状态参数，生成着陆辅助建议。本发明能针对性地对各个子阶段的操作状态给出具体的辅助建议，辅助驾驶员在不同天气、跑到上都能在恰当的阶段进行正确的操作，以实现安全平稳着陆。
Description
技术领域
本发明属于控制技术领域，具体涉及了一种基于机器学习的飞行器着陆风险预测方法、系统及设备。
背景技术
着陆阶段冲出风险检测的目的是机载数据、历史数据、性能数据综合分析计算飞机在着陆阶段冲出跑道的风险，帮助航空公司提前感知与预防风险的发生。现行的检测方法主要分为两种，一种是通过历史数据的统计分析，对存在冲出跑道风险的机场与季节进行识别；一种是通过多个着陆性能相关参数拟合一个风险包线，通过检测是否超出包线来检测风险；传统的飞行器着陆辅助方法是将整个飞行器着陆阶段的所有数据作为一个整体过程进行分析，仅考虑了特定的操作参数或特定的要素如天气对整个过程的影响，并未考虑在不同的着陆或飞行阶段每种操作或要素会产生不同的影响，以致于给出不佳的或无法实行的辅助建议。
本发明通过利用多种机器学习的方法，将飞行器着陆阶段细分为多个不同的子阶段，针对不同的阶段飞行操纵上的特性构建不同的风险评估模型，最终得到一个全面的着陆阶段冲出跑道风险的检测结果。
发明内容
为了解决现有技术中的上述问题，即现有的飞行器着陆辅助方法是将整个飞行器着陆阶段的所有数据作为一个整体过程进行分析，仅考虑了特定的操作参数或特定的要素如天气对整个过程的影响，并未考虑在不同的着陆或飞行阶段每种操作或要素会产生不同的影响，以致于给出不佳的或无法实行的辅助建议的问题，本发明提供了一种基于机器学习的飞行器着陆风险预测方法，所述方法包括：
获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
基于所述历史数据，划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段飞行器接地至飞行器地速80节的阶段，所述最终减速阶段飞行器地速80节减速至刹停的阶段；
基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；
基于所述模拟飞行器状态参数，生成着陆辅助建议。
在一些优选的实施方式中，所述历史数据包括历史驾驶员操作数据、历史飞行器状态参数、飞行器性能参数和历史气象数据；
在一些优选的实施方式中，所述通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数，具体包括：
着陆空中阶段模拟，根据历史数据中的飞行器着陆空中阶段时的历史飞行器状态参数，通过聚类的方式获取飞行器状态特征，将所述飞行器状态特征与历史驾驶员操作数据建立相关，获得着陆空中阶段操作数据-飞行器状态特征关系；
根据驾驶员的个人习惯档案、飞行器当前状态参数和着陆空中阶段操作数据-飞行器状态特征关系，模拟获得飞行器进入初始减速阶段时的飞行器模拟状态参数；
初始减速阶段模拟，根据历史数据中的飞行器初始减速阶段时的历史飞行器状态参数，通过线性回归建模的方式，获取不同飞行状态参数下的减速距离，并通过相关性分析获取不同减速距离区间的各飞行状态参数的相关性分值；
根据驾驶员的个人习惯档案和进入初始减速阶段时的飞行器模拟状态参数，模拟获得飞行器进入最终减速阶段时的飞行器模拟状态参数；
最终减速阶段模拟，根据历史数据中的飞行器最终减速阶段时的飞行器状态参数，通过基于最大刹车性能计算方法的减速模型模拟飞行器的刹停距离。
在一些优选的实施方式中，所述着陆空中阶段模拟，具体为：
将着陆空中阶段时的历史飞行器状态参数，为每个飞行器每次着陆绘制下降高度-平飘距离曲线图；
基于所述下降高度-平飘距离曲线图计算下降梯度角；
对着陆空中阶段时的历史飞行器状态参数进行特征提取，获得着陆空中阶段飞行状态特征；
对所述着陆空中阶段飞行状态特征依据下降梯度角进行聚类，获得着陆空中阶段飞行状态聚类特征簇；
分析每个飞行状态聚类特征簇中的下降率、俯仰角pitch、转子转速N1和姿态变化率，获得第一相关关系；所述第一相关关系为表示飞机下降梯度角与下降率、俯仰角pitch、转子转速N1和姿态变化率的关系；
根据所述第一相关关系，计算着陆空中阶段操作数据-飞行器状态特征关系；
根据所述飞行器当前状态参数、着陆空中阶段操作数据-飞行器状态特征关系和驾驶员个人习惯档案，预测飞行器进入初始减速阶段时的飞行器模拟状态参数。
在一些优选的实施方式中，所述初始减速阶段模拟，具体为：
根据历史数据中的飞行器初始减速阶段时的历史飞行器状态参数，通过线性回归建模的方式，获取相同型号飞行器不同飞行状态参数下的减速距离，并通过相关性分析获取不同减速距离区间的各飞行状态参数的相关性分值；所述相关性分值包括开启反推装置的时机的相关性分值和开启反推装置的时长的相关性分值；
根据驾驶员的个人习惯档案、飞行器进入初始减速阶段时的飞行器模拟状态参数、各飞行状态参数的相关性分值和相同型号飞行器不同飞行状态参数下的减速距离，预测飞行器进入最终减速阶段的飞行器模拟状态参数。
在一些优选的实施方式中，所述最终减速阶段模拟，具体为：
基于历史数据中的飞行器最终减速阶段时的历史飞行器状态参数，构建当前天气下目标机场降落跑道的基于最大刹车性能计算方法的减速模型；
基于飞行器进入最终减速阶段时的飞行器模拟状态参数，通过所述前天气下目标机场降落跑道的基于最大刹车性能计算方法的减速模型预测飞行器的刹停距离。
在一些优选的实施方式中，所述基于所述模拟飞行器状态参数，生成着陆辅助建议，具体为：
预设飞行器着陆空中阶段、初始减速阶段和最终减速阶段中各时间点的理想着陆曲线；基于所述模拟飞行器状态参数绘制模拟着陆曲线；计算各个时段的模拟着陆曲线与理想着陆曲线的偏移面积；所述偏移面积以模拟着陆曲线在下方为正；
基于平飘距离、减速距离与刹停距离之和记为着陆距离，计算着陆距离与目标机场降落跑道预设的最佳降落着陆距离的着陆偏差；
计算平飘距离、减速距离和刹停距离与预设的标准距离的平飘距离偏差、减速距离偏差和刹停距离偏差；
根据所述着陆偏差处于预设的偏差区间、平飘距离偏差、减速距离偏差、刹停距离偏差和各个时段的模拟着陆曲线与理想着陆曲线的偏移面积，选择着陆辅助建议。
本发明的另一方面，提出了一种基于机器学习的飞行器着陆风险预测系统，所述系统包括：
历史数据获取模块，配置为获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
数据分段模块，配置为基于所述历史数据，根据飞行高度划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段为飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段为飞行器接地至飞行器地速80节的阶段，所述最终减速阶段为飞行器地速80节减速至刹停的阶段；
着陆阶段预测模块，配置为基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；
着陆辅助建议生成模块，配置为基于所述模拟飞行器状态参数，生成着陆辅助建议。
本发明的第三方面，提出了一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于机器学习的飞行器着陆风险预测方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于机器学习的飞行器着陆风险预测方法。
本发明的有益效果：
（1）本发明通过将飞行器着陆阶段细分为多个不同的子阶段，针对不同的阶段飞行操纵上的特性构建不同的风险评估模型，最终得到一个全面的着陆阶段冲出跑道风险的预测结果，并能针对性地对各个子阶段的操作状态给出具体的辅助建议，辅助驾驶员在不同天气、跑道上都能在恰当的阶段进行正确的操作，以实现安全平稳着陆。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明实施例中基于机器学习的飞行器着陆风险预测方法的效果示意图；
图2是本发明实施例中将飞行器着陆阶段分为着陆空中阶段着陆空中阶段、初始减速阶段和最终减速阶段的示意图；
图3是本发明实施例中不同操作数据下平飘距离的预测对比图；
图4是本发明实施例中平飘距离、减速距离和刹停距离。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于机器学习的飞行器着陆风险预测方法，本方法通过将飞行器着陆阶段细分为多个不同的子阶段，针对不同的阶段飞行操纵上的特性构建不同的风险评估模型，最终得到一个全面的着陆阶段冲出跑道风险的预测结果，并能针对性地对各个子阶段的操作状态给出具体的辅助建议，辅助驾驶员在不同天气、跑到上都能在恰当的阶段进行正确的操作，以实现安全平稳着陆。
本发明的一种基于机器学习的飞行器着陆风险预测方法，包括：
获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
基于所述历史数据，根据飞行高度划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段为飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段为飞行器接地至飞行器地速80节的阶段，所述最终减速阶段为飞行器地速80节减速至刹停的阶段；
基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；
基于所述模拟飞行器状态参数，生成着陆辅助建议。
为了更清晰地对本发明基于机器学习的飞行器着陆风险预测方法进行说明，下面结合图1和图2对本发明实施例中各步骤展开详述。
本发明第一实施例的基于机器学习的飞行器着陆风险预测方法，包括步骤S100-步骤S400，各步骤详细描述如下：
步骤S100，获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
在本实施例中，所述历史数据包括历史驾驶员操作数据、历史飞行器状态参数、飞行器性能参数和历史气象数据；
步骤S200，基于所述历史数据，根据飞行高度划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段为飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段为飞行器接地至飞行器地速80节的阶段，所述最终减速阶段为飞行器地速80节减速至刹停的阶段；
步骤S300，基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；不同驾驶员的操作数据对着陆空中阶段的预测曲线如图3所示，平飘距离、减速距离和刹停距离的分布如图4所示。
在本实施例中，所述通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数，具体包括：
着陆空中阶段模拟，根据历史数据中的飞行器着陆空中阶段时的历史飞行器状态参数，通过聚类的方式获取飞行器状态特征，将所述飞行器状态特征与历史驾驶员操作数据建立相关，获得着陆空中阶段操作数据-飞行器状态特征关系；
根据驾驶员的个人习惯档案、飞行器当前状态参数和着陆空中阶段操作数据-飞行器状态特征关系，模拟获得飞行器进入初始减速阶段时的飞行器模拟状态参数；
在本实施例中，所述着陆空中阶段模拟，具体为：
将着陆空中阶段时的历史飞行器状态参数，为每个飞行器每次着陆绘制下降高度-平飘距离曲线图；
基于所述下降高度-平飘距离曲线图计算下降梯度角；
对着陆空中阶段时的历史飞行器状态参数进行特征提取，获得着陆空中阶段飞行状态特征；
对所述着陆空中阶段飞行状态特征依据下降梯度角进行聚类，获得着陆空中阶段飞行状态聚类特征簇；
分析每个飞行状态聚类特征簇中的下降率、俯仰角pitch、转子转速N1和姿态变化率，获得第一相关关系；所述第一相关关系为表示飞机下降梯度角与下降率、俯仰角pitch、转子转速N1和姿态变化率的关系；
根据所述第一相关关系，计算着陆空中阶段操作数据-飞行器状态特征关系；
根据所述飞行器当前状态参数、着陆空中阶段操作数据-飞行器状态特征关系和驾驶员个人习惯档案，预测飞行器进入初始减速阶段时的飞行器模拟状态参数。
在着陆空中阶段的50英尺到接地中，主要是通过驾驶员进行人工操作飞行器进行降落，在此过程中驾驶员对驾驶杆、脚舵以及油门的控制会影响飞机着陆前的平飘距离、接地地速以及垂直的载荷，着陆空中阶段认为因素影响较大。其中，接地地速将直接影响；
垂直载荷主要影响是，如太小则飞机仍处于平飘阶段，减速装置无法及时发挥作用导致平飘距离过长；如过大，则会影响旅客舒适度甚至损坏机体结构或机上设备。
初始减速阶段模拟，根据历史数据中的飞行器初始减速阶段时的历史飞行器状态参数，通过线性回归建模的方式，获取不同飞行状态参数下的减速距离，并通过相关性分析获取不同减速距离区间的各飞行状态参数的相关性分值；
根据驾驶员的个人习惯档案和进入初始减速阶段时的飞行器模拟状态参数，模拟获得飞行器进入最终减速阶段时的飞行器模拟状态参数；
在本实施例中，所述初始减速阶段模拟，具体为：
根据历史数据中的飞行器初始减速阶段时的历史飞行器状态参数，通过线性回归建模的方式，获取相同型号飞行器不同飞行状态参数下的减速距离，并通过相关性分析获取不同减速距离区间的各飞行状态参数的相关性分值；所述相关性分值包括开启反推装置的时机的相关性分值和开启反推装置的时长的相关性分值；
根据驾驶员的个人习惯档案、飞行器进入初始减速阶段时的飞行器模拟状态参数、各飞行状态参数的相关性分值和相同型号飞行器不同飞行状态参数下的减速距离，预测飞行器进入最终减速阶段的飞行器模拟状态参数。
在初始减速阶段的接地到减速至地速80节中，大部分是采用飞机的自动刹车，与飞行员操纵相关的参数为开启反推装置的时机与时长，对减速至80节速的减速距离造成直接影响，初始减速阶段飞机状态的影响较大，人为因素影响较小；
最终减速阶段模拟，根据历史数据中的飞行器最终减速阶段时的飞行器状态参数，通过基于最大刹车性能计算方法的减速模型模拟飞行器的刹停距离。
在本实施例中，所述最终减速阶段模拟，具体为：
基于历史数据中的飞行器最终减速阶段时的历史飞行器状态参数，构建当前天气下目标机场降落跑道的基于最大刹车性能计算方法的减速模型；
所述基于最大刹车性能计算方法的减速模型，基于OLS线性模型进行构建，通过将飞机型号、飞机重量、刹车方式、速度、高度、风、温度、坡度、反推使用等参数，通过性能数据库信息计算得出理论减速距离；或通过OLS线性根据历史数据中80节至40节的减速距离，以40节时预测的减速率计算刹停距离。
基于飞行器进入最终减速阶段时的飞行器模拟状态参数，通过所述前天气下目标机场降落跑道的基于最大刹车性能计算方法的减速模型预测飞行器的刹停距离。天气对飞行器的刹停距离影响较大，具体的，顺风与温度的增加会导致着陆性能的下降，尤其在着陆空中阶段，顺风会对平飘距离产生较大影响；在初始减速阶段和最终减速阶段，顺风和温度均会对减速距离和刹停距离产生较大影响，但每个阶段的影响皆有不同，本发明通过分阶段统计天气因素对平飘距离、减速距离和刹停距离的区别分析能够即使对飞行的状态进行分析并及时给出辅助飞行建议；
在最终减速阶段的地速80节至刹停阶段，由于根据不同的机场运行要求选用不同位置的脱离道进行脱离，飞行员需要采用不同的刹停策略。在本实施例中，所述不同的刹停策略，例如：根据目标机场运行要求，若着陆计划中要求飞机在跑道一端进行掉头，则根据需要飞行员选择较小档位的刹车，使飞机有足够的动能够滑行至跑道一端，以实现降低油耗的目的；或者，根据目标机场的脱离道的长度是否大于预设的阈值，选用与预测的刹停距离对应档位的刹车。在飞行器中，刹车分为两部分，在飞机接地至飞行员脱开自动刹车之前，使用的是飞机自动刹车；飞机自动刹车分为几个档位，如1、2、3、MAX，由飞行员按需选择，并由飞行计算机自行计算刹车装置使用程度；同时在该阶段，飞行员会使用发动机反推装置，辅助减速；在至地速80节时，飞行员通常会收回反推装置，并解除自动刹车，解除的动作为用力踩下脚蹬使刹车量大于飞行计算机基于的刹车量，此时飞行计算机会解除自动刹车，之后飞行员则是采用人工踩踏脚蹬进行刹车（类似汽车踩下刹车踏板）。
步骤S400，基于所述模拟飞行器状态参数，生成着陆辅助建议。如飞机进入跑道后在空中平飘距离太长，导致超过安全的接地区域，或者接地时速度过大，飞机无法在跑道距离内减速至安全速度，导致冲出跑道，则需要本申请给出辅助建议降低着陆空中阶段的速度。
在本实施例中，所述基于所述模拟飞行器状态参数，生成着陆辅助建议，具体为：
预设飞行器着陆空中阶段、初始减速阶段和最终减速阶段中各时间点的理想着陆曲线；基于所述模拟飞行器状态参数绘制模拟着陆曲线；计算各个时段的模拟着陆曲线与理想着陆曲线的偏移面积；所述偏移面积以模拟着陆曲线在下方为正；
基于平飘距离、减速距离与刹停距离之和记为着陆距离，计算着陆距离与目标机场降落跑道预设的最佳降落着陆距离的着陆偏差；
计算平飘距离、减速距离和刹停距离与预设的标准距离的平飘距离偏差、减速距离偏差和刹停距离偏差；
根据所述着陆偏差处于预设的偏差区间、平飘距离偏差、减速距离偏差、刹停距离偏差和各个时段的模拟着陆曲线与理想着陆曲线的偏移面积，选择着陆辅助建议。
所述辅助建议，为从预先设定的辅助建议库中调取特定的飞行器着陆方案；
辅助建议库中，根据各个时段的模拟着陆曲线与理想着陆曲线的偏移面积、着陆偏差、平飘距离偏差、减速距离偏差和刹停距离偏差与对应的飞行策略建立映射；比如：当预设的最初阶段模拟着陆曲线与理想着陆曲线的偏移面积大于预设的偏移阈值时，或预测的平飘距离大于安全阈值，表明系统根据该飞行员的个人习惯档案预测到飞行器拉平的时间偏早，可能会出现姿态变化率过大且姿态变化时间过长导致出现拉平高的结果，系统在着陆空中阶段给出“平飘距离过长，需减少拉平修正量”的辅助建议；当预设的最初阶段模拟着陆曲线与理想着陆曲线的偏移面积为负且小于预设的偏移阈值时，表明系统根据该飞行员的个人习惯档案预测到飞行器出现初始下滑梯度偏小的情况，可能会出现拉平过晚以致携带能量过高接地较晚拉长平飘距离的结果，系统在着陆空中阶段给出“平飘距离过长，预设的高度（40ft）前修正姿态”的辅助建议。
在本实施例中，还包括在保证安全的情况下，根据体感舒适度生成次级辅助建议的步骤，具体为：
预先在飞行器机舱的座位和安全带设置压力传感器，记录每一次着陆任务的体感压力；根据体感压力计算着陆过程中的体感加速度变化率；
在各个时段的模拟着陆曲线与理想着陆曲线的偏移面积、着陆偏差、平飘距离偏差、减速距离偏差和刹停距离偏差均处于理想区间时，根据降低体感加速度变化率的方向生成次级辅助建议。以实现安全舒适地提供飞行服务。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于机器学习的飞行器着陆风险预测系统，包括：
历史数据获取模块，配置为获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
数据分段模块，配置为基于所述历史数据，根据飞行高度划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段为飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段为飞行器接地至飞行器地速80节的阶段，所述最终减速阶段为飞行器地速80节减速至刹停的阶段；
着陆阶段预测模块，配置为基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；
着陆辅助建议生成模块，配置为基于所述模拟飞行器状态参数，生成着陆辅助建议。
本发明的第三实施例，提出一种加载所述基于机器学习的飞行器着陆风险预测方法的全动模拟机；
所述全动模拟机获取航线中的历史卫星图像、气象信息和等高线图像；获取正常降落的飞行器视角图像，并在全动模拟机的机舱中进行显示；记录正常飞行中设置于飞行器上的传感器获取的传感器数据，用于场景还原；
在着陆任务开始时，随机设置由主训人员设置着陆初或始状态，并调用训练人员的个人习惯档案，通过所述基于机器学习的飞行器着陆风险预测方法或基于机器学习的飞行器着陆风险预测系统自动生成辅助飞行建议；
由飞行员根据所述飞行建议执行着陆任务，并记录实际着陆曲线；
着陆任务完成后，根据着陆偏差、平飘距离偏差、减速距离偏差、刹停距离偏差、各个时段的模拟着陆曲线与理想着陆曲线的偏移面积、和接地动能对本轮任务进行评分，并根据实际着陆曲线与理想着陆曲线的偏移面积生成操作校正建议。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于机器学习的飞行器着陆风险预测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第四实施例的一种电子设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于机器学习的飞行器着陆风险预测方法。
本发明第五实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于机器学习的飞行器着陆风险预测方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的飞行器着陆风险预测方法，其特征在于，所述方法包括：
获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
基于所述历史数据，根据飞行高度划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段为飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段为飞行器接地至飞行器地速80节的阶段，所述最终减速阶段为飞行器地速80节减速至刹停的阶段；
基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；
基于所述模拟飞行器状态参数，生成着陆辅助建议。
2.根据权利要求1所述的基于机器学习的飞行器着陆风险预测方法，其特征在于，所述历史数据包括历史驾驶员操作数据、历史飞行器状态参数、飞行器性能参数和历史气象数据。
3.根据权利要求2所述的基于机器学习的飞行器着陆风险预测方法，其特征在于，所述通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数，具体包括：
着陆空中阶段模拟，根据历史数据中的飞行器着陆空中阶段时的历史飞行器状态参数，通过聚类的方式获取飞行器状态特征，将所述飞行器状态特征与历史驾驶员操作数据建立相关，获得着陆空中阶段操作数据-飞行器状态特征关系；
根据驾驶员的个人习惯档案、飞行器当前状态参数和着陆空中阶段操作数据-飞行器状态特征关系，模拟获得飞行器进入初始减速阶段时的飞行器模拟状态参数；
初始减速阶段模拟，根据历史数据中的飞行器初始减速阶段时的历史飞行器状态参数，通过线性回归建模的方式，获取不同飞行状态参数下的减速距离，并通过相关性分析获取不同减速距离区间的各飞行状态参数的相关性分值；
根据驾驶员的个人习惯档案和进入初始减速阶段时的飞行器模拟状态参数，模拟获得飞行器进入最终减速阶段时的飞行器模拟状态参数；
最终减速阶段模拟，根据历史数据中的飞行器最终减速阶段时的飞行器状态参数，通过基于最大刹车性能计算方法的减速模型模拟飞行器的刹停距离。
4.根据权利要求3所述的基于机器学习的飞行器着陆风险预测方法，其特征在于，所述着陆空中阶段模拟，具体为：
将着陆空中阶段时的历史飞行器状态参数，为每个飞行器每次着陆绘制下降高度-平飘距离曲线图；
基于所述下降高度-平飘距离曲线图计算下降梯度角；
对着陆空中阶段时的历史飞行器状态参数进行特征提取，获得着陆空中阶段飞行状态特征；
对所述着陆空中阶段飞行状态特征依据下降梯度角进行聚类，获得着陆空中阶段飞行状态聚类特征簇；
分析每个飞行状态聚类特征簇中的下降率、俯仰角pitch、转子转速N1和姿态变化率，获得第一相关关系；所述第一相关关系为表示飞机下降梯度角与下降率、俯仰角pitch、转子转速N1和姿态变化率的关系；
根据所述第一相关关系，计算着陆空中阶段操作数据-飞行器状态特征关系；
根据所述飞行器当前状态参数、着陆空中阶段操作数据-飞行器状态特征关系和驾驶员个人习惯档案，预测飞行器进入初始减速阶段时的飞行器模拟状态参数。
5.根据权利要求4所述的基于机器学习的飞行器着陆风险预测方法，其特征在于，所述初始减速阶段模拟，具体为：
根据历史数据中的飞行器初始减速阶段时的历史飞行器状态参数，通过线性回归建模的方式，获取相同型号飞行器不同飞行状态参数下的减速距离，并通过相关性分析获取不同减速距离区间的各飞行状态参数的相关性分值；所述相关性分值包括开启反推装置的时机的相关性分值和开启反推装置的时长的相关性分值；
根据驾驶员的个人习惯档案、飞行器进入初始减速阶段时的飞行器模拟状态参数、各飞行状态参数的相关性分值和相同型号飞行器不同飞行状态参数下的减速距离，预测飞行器进入最终减速阶段的飞行器模拟状态参数。
6.根据权利要求5所述的基于机器学习的飞行器着陆风险预测方法，其特征在于，所述最终减速阶段模拟，具体为：
基于历史数据中的飞行器最终减速阶段时的历史飞行器状态参数，构建当前天气下目标机场降落跑道的基于最大刹车性能计算方法的减速模型；
基于飞行器进入最终减速阶段时的飞行器模拟状态参数，通过所述前天气下目标机场降落跑道的基于最大刹车性能计算方法的减速模型预测飞行器的刹停距离。
7.根据权利要求6所述的基于机器学习的飞行器着陆风险预测方法，其特征在于，所述基于所述模拟飞行器状态参数，生成着陆辅助建议，具体为：
预设飞行器着陆空中阶段、初始减速阶段和最终减速阶段中各时间点的理想着陆曲线；基于所述模拟飞行器状态参数绘制模拟着陆曲线；计算各个时段的模拟着陆曲线与理想着陆曲线的偏移面积；所述偏移面积以模拟着陆曲线在下方为正；
基于平飘距离、减速距离与刹停距离之和记为着陆距离，计算着陆距离与目标机场降落跑道预设的最佳降落着陆距离的着陆偏差；
计算平飘距离、减速距离和刹停距离与预设的标准距离的平飘距离偏差、减速距离偏差和刹停距离偏差；
根据所述着陆偏差处于预设的偏差区间、平飘距离偏差、减速距离偏差、刹停距离偏差和各个时段的模拟着陆曲线与理想着陆曲线的偏移面积，选择着陆辅助建议。
8.一种基于机器学习的飞行器着陆风险预测系统，其特征在于，所述系统包括：
历史数据获取模块，配置为获取飞行器着陆过程的历史数据和驾驶员个人习惯档案；
数据分段模块，配置为基于所述历史数据，根据飞行高度划分为着陆空中阶段、初始减速阶段和最终减速阶段，获得分段历史数据；所述着陆空中阶段为飞行器距地高度为50英尺至接地的阶段，所述初始减速阶段为飞行器接地至飞行器地速80节的阶段，所述最终减速阶段为飞行器地速80节减速至刹停的阶段；
着陆阶段预测模块，配置为基于着陆机场的环境参数、所述驾驶员的个人习惯档案和飞行器当前状态参数，通过基于所述分段历史数据构建的着陆风险预测模型模拟该驾驶员操纵下的着陆空中阶段、初始减速阶段和最终减速阶段的模拟飞行器状态参数；所述模拟飞行器状态参数包括飞行器着陆空中阶段时的模拟飞行器状态参数、飞行器进入初始减速阶段的模拟飞行器状态参数、飞行器进入最终减速阶段的模拟飞行器状态参数、平飘距离、减速距离和刹停距离；
着陆辅助建议生成模块，配置为基于所述模拟飞行器状态参数，生成着陆辅助建议。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的基于机器学习的飞行器着陆风险预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的基于机器学习的飞行器着陆风险预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211002703.9A CN115099532B (zh) | 2022-08-22 | 2022-08-22 | 基于机器学习的飞行器着陆风险预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211002703.9A CN115099532B (zh) | 2022-08-22 | 2022-08-22 | 基于机器学习的飞行器着陆风险预测方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115099532A true CN115099532A (zh) | 2022-09-23 |
| CN115099532B CN115099532B (zh) | 2022-12-06 |
Family
ID=83300022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211002703.9A Active CN115099532B (zh) | 2022-08-22 | 2022-08-22 | 基于机器学习的飞行器着陆风险预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099532B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612415A (zh) * | 2024-01-24 | 2024-02-27 | 中国民用航空飞行学院 | 一种基于飞行数据进行着陆安全评估方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2948468A1 (fr) * | 2009-07-23 | 2011-01-28 | Airbus Operations Sas | Procede et dispositif d'aide au controle lateral d'aeronef lors d'une phase d'approche |
| CN102938020A (zh) * | 2012-10-26 | 2013-02-20 | 哈尔滨工程大学 | 一种飞行器着陆效能评测方法 |
| CN102968553A (zh) * | 2012-10-26 | 2013-03-13 | 哈尔滨工程大学 | 一种飞行器着陆风险评测方法 |
| CN106548294A (zh) * | 2016-11-11 | 2017-03-29 | 中国民航大学 | 一种基于飞行数据的着陆操作绩效评价方法及装置 |
| CN107944701A (zh) * | 2017-11-23 | 2018-04-20 | 北京航空航天大学 | 一种飞机着陆过程中冲出跑道风险的检测方法及装置 |
| US20190251852A1 (en) * | 2018-02-15 | 2019-08-15 | Airbus Operations S.A.S. | Decision Aid Method And System For A Landing On A Landing Runway |
| CN110723303A (zh) * | 2019-11-01 | 2020-01-24 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 辅助决策的方法、装置、设备、存储介质及系统 |
| CN112257151A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 航空器飞行阶段划分识别系统 |
| CN112951003A (zh) * | 2021-02-26 | 2021-06-11 | 中国国际航空股份有限公司 | 飞机重着陆检测方法、装置、设备和可读存储介质 |
| US20210287560A1 (en) * | 2020-03-10 | 2021-09-16 | Honeywell International Inc. | Systems and methods providing assist-to-land and emergency land functions |
| CN114446095A (zh) * | 2020-11-05 | 2022-05-06 | 空中客车运营简化股份公司 | 用于辅助飞行器着陆的系统和方法以及飞行器 |
-
2022
- 2022-08-22 CN CN202211002703.9A patent/CN115099532B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2948468A1 (fr) * | 2009-07-23 | 2011-01-28 | Airbus Operations Sas | Procede et dispositif d'aide au controle lateral d'aeronef lors d'une phase d'approche |
| CN102938020A (zh) * | 2012-10-26 | 2013-02-20 | 哈尔滨工程大学 | 一种飞行器着陆效能评测方法 |
| CN102968553A (zh) * | 2012-10-26 | 2013-03-13 | 哈尔滨工程大学 | 一种飞行器着陆风险评测方法 |
| CN106548294A (zh) * | 2016-11-11 | 2017-03-29 | 中国民航大学 | 一种基于飞行数据的着陆操作绩效评价方法及装置 |
| CN107944701A (zh) * | 2017-11-23 | 2018-04-20 | 北京航空航天大学 | 一种飞机着陆过程中冲出跑道风险的检测方法及装置 |
| US20190251852A1 (en) * | 2018-02-15 | 2019-08-15 | Airbus Operations S.A.S. | Decision Aid Method And System For A Landing On A Landing Runway |
| CN110723303A (zh) * | 2019-11-01 | 2020-01-24 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 辅助决策的方法、装置、设备、存储介质及系统 |
| US20210287560A1 (en) * | 2020-03-10 | 2021-09-16 | Honeywell International Inc. | Systems and methods providing assist-to-land and emergency land functions |
| CN112257151A (zh) * | 2020-10-20 | 2021-01-22 | 南京航空航天大学 | 航空器飞行阶段划分识别系统 |
| CN114446095A (zh) * | 2020-11-05 | 2022-05-06 | 空中客车运营简化股份公司 | 用于辅助飞行器着陆的系统和方法以及飞行器 |
| CN112951003A (zh) * | 2021-02-26 | 2021-06-11 | 中国国际航空股份有限公司 | 飞机重着陆检测方法、装置、设备和可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 陈晓飞: "基于精密进场雷达引导的无人机着陆过程仿真", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117612415A (zh) * | 2024-01-24 | 2024-02-27 | 中国民用航空飞行学院 | 一种基于飞行数据进行着陆安全评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115099532B (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5183491B2 (ja) | 着陸滑走路での航空機の完全停止の可能性を予測する方法とシステム | |
| CN102610126B (zh) | 空中交通管理的快速垂直轨迹预测方法及相关atm系统 | |
| CN110059335B (zh) | 一种基于元胞自动机的机场场面运行仿真方法 | |
| US8346455B2 (en) | Method and device for communicating true runway braking performance using data from the flight data management systems of landed aircraft | |
| CN107045638B (zh) | 一种基于情景意识模型的飞行安全事件分析方法 | |
| EP2533122A2 (en) | Climb-optimized auto takeoff system | |
| CN115099532B (zh) | 基于机器学习的飞行器着陆风险预测方法、系统及设备 | |
| CN104246641A (zh) | Uav的安全紧急降落 | |
| Owen | Perception & control of changes in self-motion: A functional approach to the study of information and skill | |
| CN101657771B (zh) | 在飞行器离港期间产生可变推力减小的方法 | |
| Goblet et al. | Identifying phases of flight in general aviation operations | |
| CN102363448A (zh) | 一种飞行模拟器的试验方法 | |
| RU2388663C1 (ru) | Автоматизированная высокоинтеллектуальная система обеспечения безопасности полетов летательного аппарата | |
| CN101256410B (zh) | 一种无人机飞行阶段转换方法 | |
| CN113919169A (zh) | 一种基于模拟感知的航空器场面滑行冲突探测系统 | |
| CN114692290A (zh) | 一种基于改进fram方法的飞机着陆安全品质分析方法 | |
| CN102521901A (zh) | 一种飞行员飞行品质自动评估实现方法 | |
| CN115081759B (zh) | 基于历史飞行数据的节油决策方法、系统和设备 | |
| CN114638444A (zh) | 针对突发故障下的跳伞时间预测方法、系统、设备 | |
| Swihart et al. | Design, integration and flight test of an autonomous ground collision avoidance system | |
| Kwasiborska et al. | Analysis of landing operation including the emergency states | |
| Burdun et al. | Modeling and simulation of airworthiness requirements for an HSCT prototype in early design | |
| Benbassat et al. | General aviation leveloff, roundout, and accident rate analysis | |
| CN115236998B (zh) | 一种仿真飞行中飞机燃油油耗监控系统及方法 | |
| RU2471151C1 (ru) | Способ летного моделирования ручной визуальной посадки самолета на объект |
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 |