CN116257741A - 基于实时飞行数据的民航飞机飞行异常操作在线识别方法 - Google Patents

基于实时飞行数据的民航飞机飞行异常操作在线识别方法 Download PDF

Info

Publication number
CN116257741A
CN116257741A CN202310247310.2A CN202310247310A CN116257741A CN 116257741 A CN116257741 A CN 116257741A CN 202310247310 A CN202310247310 A CN 202310247310A CN 116257741 A CN116257741 A CN 116257741A
Authority
CN
China
Prior art keywords
flight
data
intention
state
continuous
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
Application number
CN202310247310.2A
Other languages
English (en)
Other versions
CN116257741B (zh
Inventor
高振兴
张洋洋
高岩松
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 CN202310247310.2A priority Critical patent/CN116257741B/zh
Publication of CN116257741A publication Critical patent/CN116257741A/zh
Application granted granted Critical
Publication of CN116257741B publication Critical patent/CN116257741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于实时飞行数据的民航飞机飞行异常操作在线识别方法，提取离散飞行模式数据与连续飞行操作数据和建立参考意图数据集；建立MDP模型和建立人‑机意图数据集，基于人‑机意图数据集进行模型参数学习，获得目标FCM‑HMM模型；基于实时飞行数据输入进行混杂估计，将估计结果作为模型输入输入MDP模型和目标FCM‑HMM模型，推理后对应输出获得参考意图和人‑机意图；通过判断参考意图和人‑机意图间的差异实现对飞行异常操作的在线识别，获得识别结果。本发明能及时有效地识别出民航飞行员的异常操作。在识别到操作异常后，可向飞行员提出预警，甚至自动接管飞机，从而提升防范飞行重大风险的能力。

Description

基于实时飞行数据的民航飞机飞行异常操作在线识别方法
技术领域
本发明涉及民航安全技术与飞行数据应用领域，具体涉及一种基于实时飞行数据的民航飞机飞行异常操作在线识别方法。
背景技术
随着民航飞机机队规模的扩大，民航安全运行的压力持续增大，而人为因素一直是飞行事故和事故征候的主因。飞行品质监控，是在完成每一次航段飞行任务后取得飞行数据，进而筛查飞行中异常事件，在必要情况下人为地分析并总结异常诱因。由于飞行数据是在飞行任务完成后获得的，当前的飞行品质监控本质上是一种基于飞行数据航后分析的反应式安全管理手段，对预防由飞行员主观恶意或客观失能导致的异常操作是无能为力的。
实时飞行数据，是采用空地通信技术将飞行参数实时高速下传，使在线识别飞行操作异常、进一步采取预警提示甚至接管操作成为可能。识别飞行操作异常，需要首先根据标准飞行操作程序和飞行计划，建立标准的飞行状态。其次，基于实时飞行数据，观测并推理飞行员-飞机的实时状态，与标准飞行状态进行对比，从而在线地识别出飞行异常操作。因此，如何基于实时飞行数据在线地识别出飞行异常操作成为目前的迫切需要。
发明内容
为解决上述问题，本发明提出一种基于实时飞行数据的民航飞机飞行异常操作在线识别方法，实现了飞行异常操作的在线监测，对由飞行员主观恶意或客观失能导致的异常操作提供预警。
本发明提供了如下方案：一种基于实时飞行数据的民航飞机飞行异常操作在线识别方法，包括：
根据特定机型的标准操作程序和飞行计划，提取离散飞行模式数据与连续飞行操作数据；基于所述离散飞行模式数据与连续飞行操作数据，建立参考意图数据集；基于所述参考意图数据集和历史飞行数据，建立马尔可夫决策过程模型；
构建民航飞机的随机线性混杂飞行动力学模型和初始模糊C均值聚类隐马尔可夫模型；基于历史飞行数据的混杂估计结果，建立人-机意图数据集，基于所述人-机意图数据集和历史飞行数据对所述初始模糊C均值聚类隐马尔可夫模型进行参数学习，获得目标模糊C均值聚类隐马尔可夫模型；
基于实时飞行数据输入进行混杂估计，获得离散飞行模式和连续状态的估计结果，将所述估计结果作为模型输入分别输入所述马尔可夫决策过程模型和目标模糊C均值聚类隐马尔可夫模型，推理后对应输出获得参考意图和人-机意图；通过判断所述参考意图和人-机意图间的差异实现对飞行异常操作的在线识别，获得识别结果。
优选地，根据特定机型的标准操作程序和飞行计划，提取离散飞行模式数据与连续飞行操作数据，建立参考意图数据集的过程包括，
根据特定机型的标准操作程序和飞行计划，选定飞行阶段，提取离散飞行模式数据与连续飞行操作数据，将离散飞行模式数据与连续飞行操作数据抽象为不同维度的参考意图数据，根据所述不同维度的参考意图数据联合获得所述参考意图数据集。
优选地，所述不同维度的参考意图数据包括纵向维度的参考意图数据、横侧维度的参考意图数据和速度维度的参考意图数据；
所述纵向维度的参考意图数据包括爬升意图数据、高度保持意图数据、下降意图数据，表示为
Figure BDA0004126420100000031
所述横侧维度的参考意图数据包括右偏航意图数据、航向保持意图数据、左偏航意图数据，表示为
Figure BDA0004126420100000032
所述速度维度的参考意图数据包括加速意图数据、速度保持意图数据、减速意图数据，表示为
Figure BDA0004126420100000033
所述参考意图数据集表示为
Figure BDA0004126420100000034
其中，
Figure BDA0004126420100000035
分别为IV、IL、IS中的元素，i＝1,2,…,27代表27种参考意图，j,k,m＝1,2,3分别代表每个维度中的3个意图元素。
优选地，基于所述参考意图数据集和历史飞行数据，建立马尔可夫决策过程模型的过程包括，
基于连续状态空间的飞行参数和基于离散状态空间的参考意图数据集，建立马尔可夫决策过程模型；
所述马尔可夫决策过程模型的状态转移概率为：
Figure BDA0004126420100000036
其中，
Figure BDA0004126420100000037
表示当前时刻tk的意图估计，/>
Figure BDA0004126420100000038
表示下一时刻tk+1的意图估计，xk为tk的连续状态，mk∈{(mV,mL,mS)}为当前时刻飞行模式，
mV为纵向维度相关的飞行模式，H为纵向维度相关的连续飞行参数高度，
Figure BDA0004126420100000049
纵向维度相关的连续飞行参数高度的变化率；
mL为横侧维度相关的飞行模式，
Figure BDA00041264201000000410
为横侧维度相关的连续飞行参数航向，/>
Figure BDA0004126420100000041
为横侧维度相关的连续飞行参数航向的变化率；
mS为速度维度相关的飞行模式，Vg为速度维度相关的连续飞行参数地速，
Figure BDA0004126420100000042
为速度维度相关的连续飞行参数地速的变化率；
θ为扰动或传感器误差导致的不确定量，σk为标准操作的离散输入，uk为标准操作的连续输入，DSt(i,j)为意图转移控制条件：
Figure BDA0004126420100000043
其中，
Figure BDA0004126420100000044
表示飞行员离散操作直接改变飞行模式，Lij＝[Lx,ij Lθ,ij]为标准操作程序对于飞行模式切换逻辑的影响矩阵，根据实际模式下的动力学逻辑以及传感器噪声统计特性得到；/>
由意图转移控制条件得到意图转移概率为：
Figure BDA0004126420100000045
其中，Φ为高斯概率函数，Σθ为θ的协方差矩阵；
由tk时刻意图概率
Figure BDA0004126420100000046
得到tk+1时刻的意图概率为：
Figure BDA0004126420100000047
其中，
Figure BDA0004126420100000048
为参考意图转移概率矩阵。
优选地，获得目标模糊C均值聚类隐马尔可夫模型的过程包括，
基于民航飞机飞行动力学机理，建立用于描述民航飞机的离散飞行模式切换行为和连续动力学行为的随机线性混杂飞行动力学模型；
基于所述随机线性混杂飞行动力学模型和历史飞行数据，进行混杂状态估计，获得混杂状态估计结果；基于所述混杂状态估计结果总结获得人-机意图集；
基于所述混杂状态估计结果与人-机意图集，对所述初始模糊C均值聚类隐马尔可夫模型进行参数学习，建立目标模糊C均值聚类隐马尔可夫模型。
优选地，所述随机线性混杂飞行动力学模型在某一离散飞行模式qk下，连续系统的状态方程和量测方程为：
Figure BDA0004126420100000051
其中，连续状态xk∈X，离散模式qk∈Ω，且
Figure BDA0004126420100000052
基于飞行数据的量测输入yk∈Y，/>
Figure BDA0004126420100000053
分别为状态矩阵和量测矩阵；/>
Figure BDA0004126420100000054
分别是协方差为/>
Figure BDA0004126420100000055
的高斯白噪声；
所述随机线性混杂飞行动力学模型离散飞行模式的切换函数为：
qk+1＝γ(qk,xk,zc,k,zd,k)
其中，zc,k∈Zc是连续控制输入，包括飞行员对高度、速度以及航向的连续变化设置；zd,k∈Zd是离散控制输入，包括接通自动驾驶时飞行员选择的飞行模式，以及襟翼、起落架的离散多值型操作；
实际模式切换条件表达式为：
Figure BDA0004126420100000056
定义模式切换的保护条件为：
G(i,j)＝{[x,zc,zd]T|Lx,ijx+Lθ,ijθ≤0}
其中，Lx,ij和Lθ,ij是常矩阵，
Figure BDA0004126420100000057
是概率密度函数为/>
Figure BDA0004126420100000061
的随机变量，用于描述相应的飞行参数由于量测误差或扰动带来的不确定性。
优选地，基于所述随机线性混杂飞行动力学模型和历史飞行数据，进行混杂状态估计，获得混杂状态估计结果的过程包括，
基于飞行数据量测输入的混杂状态估计算法，根据当前模式的切换保护条件G(i,j)来计算模式转移概率λij,k-1，利用上一时刻估计的连续状态与参数不确定性及两者各自的协方差矩阵计算累积概率密度函数；
以前一时刻的估计为均值、估计协方差为方差的正态分布进行连续飞行状态建模，根据飞行数据记录的二值型开关标志位输入来确定当前的模式概率，基于逆概公式计算获得混合概率：基于所述混合概率获得当前模式的连续系统状态估计的初值
Figure BDA0004126420100000062
及其估计协方差/>
Figure BDA0004126420100000063
根据飞行数据量测输入，计算当前模式下连续系统的后验状态估计概率，并且在当前的模式下，进行连续系统状态估计；根据选取的输入参数的统计特性确定系统噪声协方差阵Qk和量测噪声协方差阵Rk，将后验状态估计的概率建模为正态分布；
将条件模式似然函数p(yk|qk＝j,Yk-1)建模为正态分布，基于前一时刻的模式概率mj,k-1和模式转移概率，确定先验模式概率p(qk＝j|Yk-1)；采用贝叶斯法则更新模式概率mj,k；基于条件模式状态估计及其协方差的加权和，输出连续状态估计
Figure BDA0004126420100000064
及其协方差Pk；根据模式概率的最大值估计离散模式/>
Figure BDA0004126420100000065
优选地，所述人-机意图数据集包括纵向维度的人-机意图数据、横侧维度的人-机意图数据和垂直维度的人-机意图数据；
所述纵向维度的人-机意图数据包括快爬升数据、慢爬升数据、高度保持数据、慢下降数据、快下降数据；
表示为
Figure BDA0004126420100000071
所述横侧维度的人-机意图数据包括快右转数据、慢右转数据、航向保持数据、慢左转数据、快左转数据，
表示为
Figure BDA0004126420100000072
所述垂直维度的人-机意图数据包括快加速数据、慢加速数据、速度保持数据、慢减速数据、快减速数据，
表示为
Figure BDA0004126420100000073
所述人-机意图数据集表示为
Figure BDA0004126420100000074
其中，
Figure BDA0004126420100000075
分别为IV、IL、IS中的元素，i＝1,2,…,125代表125种人-机意图，j,k,m＝1,2,3,4,5分别代表每个维度中的5个意图元素。
优选地，基于所述混杂状态估计结果与人-机意图集，对所述初始模糊C均值聚类隐马尔可夫模型进行参数学习，建立目标模糊C均值聚类隐马尔可夫模型的过程包括，
通过历史飞行数据估计的切换模糊密度
Figure BDA0004126420100000076
和发射模糊密度/>
Figure BDA0004126420100000077
引入模糊逻辑将混合观测空间映射到离散意图空间；
所述目标模糊C均值聚类隐马尔可夫模型包括两个相互关联的机制，其中一个具有有限状态的潜在马尔可夫链，以及一组与每个状态相关的观测值；
当获得观测值时，人-机意图被视为隐藏状态，通过目标模糊C均值聚类隐马尔可夫模型找到隐藏状态的最可能意图序列，表示为：
Figure BDA0004126420100000081
/>
其中，z是隐藏状态序列的表示，Y＝{y1,y2,…,yt}是观察序列，
Figure BDA0004126420100000082
表示模型参数矢量；
Figure BDA0004126420100000083
初始状态模糊密度的向量，/>
Figure BDA0004126420100000084
测量初始状态si的确定度等级；/>
Figure BDA0004126420100000085
切换模糊密度矩阵，当前状态z(t)＝sj，且上一时刻状态z(t-1)＝si，/>
Figure BDA0004126420100000086
度量确定性等级，表示如下：
Figure BDA0004126420100000087
其中，uij表示观测值yi在类j中的隶属度值；
Figure BDA0004126420100000088
在给定状态si的情况下，/>
Figure BDA0004126420100000089
度量观测值yj的确定性等级，表示如下：
Figure BDA00041264201000000810
优选地，通过判断所述参考意图和人-机意图间的差异实现对飞行异常操作的在线识别，获得识别结果的过程包括，
当所述参考意图和人-机意图相同时，表示人-机意图与标准意图相同，没有发生飞行异常操作；
当所述参考意图和人-机意图不相同时，表示人-机意图与标准意图不相同，即发生飞行异常操作；根据人-机意图相对于标准意图发生的偏差，及时提醒机组进行确认，并修正改出。
与现有技术相比，本发明具有如下优点和技术效果：
本发明首次提出基于实时飞行数据的飞行异常操作在线识别方法，该方法能及时有效地识别出民航飞行员的异常操作。在识别到操作异常后，可通过地面人员向飞行员提出预警，甚至可由智能飞行系统接管飞机，从而提升防范飞行重大风险的能力。
飞行异常操作的识别不能简单地通过异常值检测实现。本发明将基于FCM-HMM推理获得的实时人-机意图与基于MDP推理获得的参考意图对比，不仅保证了异常操作识别的准确性，也提升了飞行异常操作检测的完备性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为基于实时飞行数据的民航飞机飞行异常操作在线识别方法总体框架图；
图2为基于参考意图推断的MDP模型参数估计图；
图3为基于人-机意图推断的FCM-HMM模型参数估计图。
具体实施方式
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。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示，本发明提供了一种基于实时飞行数据的民航飞机飞行异常操作在线识别方法，包括以下步骤：
S1：参考特定机型的标准操作程序和飞行计划，提取离散飞行模式与连续飞行操作。基于离散与连续飞行操作，建立参考意图集。基于参考意图集和历史飞行数据，建立马尔可夫决策过程(MDP)模型。
(S1.1)参考特定机型的标准操作程序和飞行计划，选定飞行阶段，提取离散飞行模式与连续飞行操作输入。将离散与连续操作抽象为纵向、横侧与速度三个维度的参考意图，将三者联合组成参考意图集。
如图2所示，纵向维度包含爬升、高度保持、下降三种意图，可表示为
Figure BDA0004126420100000101
横侧维度包含右偏航、航向保持、左偏航三种意图，可表示为
Figure BDA0004126420100000102
速度维度包含加速、速度保持、减速三种意图，可表示为
Figure BDA0004126420100000103
将三者组合得到参考意图集ISt：
Figure BDA0004126420100000104
其中，
Figure BDA0004126420100000105
分别为IV、IL、IS中的元素，i＝1,2,…,27代表了27种参考意图，j,k,m＝1,2,3分别代表了每个维度中的3个意图元素。
(S1.2)如图2所示，选择纵向维度相关的飞行模式mV，连续飞行参数高度H及其变化率
Figure BDA0004126420100000111
选择横侧维度相关的飞行模式mL，连续飞行参数航向/>
Figure BDA00041264201000001113
及其变化率/>
Figure BDA0004126420100000112
选择速度维度相关的飞行模式mS，连续飞行参数地速Vg及其变化率/>
Figure BDA0004126420100000113
基于连续状态空间的飞行参数和基于离散状态空间的参考意图集，建立MDP模型。MDP的状态转移概率为：
Figure BDA0004126420100000114
其中，
Figure BDA0004126420100000115
表示当前时刻tk的意图估计，/>
Figure BDA0004126420100000116
表示下一时刻tk+1的意图估计，xk为tk的连续状态，mk∈{(mV,mL,mS)}为当前时刻飞行模式，θ为扰动或传感器误差导致的不确定量，σk为标准操作的离散输入，uk为标准操作的连续输入，DSt(i,j)为意图转移控制条件：
Figure BDA0004126420100000117
其中，
Figure BDA0004126420100000118
表示飞行员离散操作直接改变飞行模式，Lij＝[Lx,ij Lθ,ij]为标准操作程序对于飞行模式切换逻辑的影响矩阵，可根据实际模式下的动力学逻辑以及传感器噪声统计特性得到。由意图转移控制条件得到意图转移概率为：
Figure BDA0004126420100000119
其中，Φ为高斯概率函数，Σθ为θ的协方差矩阵。则由tk时刻意图概率
Figure BDA00041264201000001110
得到tk+1时刻的意图概率为：/>
Figure BDA00041264201000001111
其中，
Figure BDA00041264201000001112
为参考意图转移概率矩阵。
S2：建立民航飞机的随机线性混杂飞行动力学模型，基于历史飞行数据，建立人-机意图集，进行模糊C均值隐马尔可夫(FCM-HMM)模型参数学习，建立FCM-HMM模型。
(S2.1)基于民航飞机飞行动力学机理，建立随机线性混杂飞行动力学模型。
如图1所示，建立一个随机线性混杂飞行动力学模型，用于描述民航飞机的离散飞行模式切换行为和连续动力学行为。在某一离散飞行模式qk下，连续系统的状态方程和量测方程为：
Figure BDA0004126420100000121
其中，连续状态xk∈X，离散模式qk∈Ω，且
Figure BDA0004126420100000122
基于飞行数据的量测输入yk∈Y，/>
Figure BDA0004126420100000123
分别为状态矩阵和量测矩阵。/>
Figure BDA0004126420100000124
分别是协方差为/>
Figure BDA0004126420100000125
的高斯白噪声。
离散飞行模式的切换函数为：
Figure BDA0004126420100000126
其中，zc,k∈Zc是连续控制输入，包括飞行员对高度、速度以及航向的连续变化设置；zd,k∈Zd是离散控制输入，包括接通自动驾驶时飞行员选择的飞行模式，以及襟翼、起落架等离散多值型操作等。
实际模式切换条件是基于一组给定的自动飞行系统逻辑来描述的切换逻辑，如下式所示：
Figure BDA0004126420100000127
模式切换可分为人工切换(反映在飞行员离散控制输入)和自动切换(满足模式切换条件即自动切换)。
定义模式切换的保护条件为
G(i,j)＝{[x,zc,zd]T|Lx,ijx+Lθ,ijθ≤0} (9)
其中，Lx,ij和Lθ,ij是同(S1.2)中相同的常矩阵。
Figure BDA0004126420100000131
和(S1.2)中定义也相同，是概率密度函数为/>
Figure BDA0004126420100000132
的随机变量，用于描述相应的飞行参数由于量测误差或扰动带来的不确定性，类似于白噪声。
(S2.2)基于所述随机线性混杂飞行动力学模型和历史飞行数据，进行混杂状态估计，获得连续状态的概率密度函数p(xk|Yk)和离散模式的概率密度函数p(qk|Yk)，基于混杂状态估计结果总结获得人-机意图集。
基于飞行数据量测输入的混杂状态估计算法来求解混杂状态估计问题。
根据当前模式切换保护条件G(i,j)来计算模式转移概率λij,k-1。利用上一时刻估计的连续状态与参数不确定性及两者各自的协方差矩阵计算累积概率密度函数。其中，不确定性变量可归结为由外部扰动以及量测误差引入，因此可通过历史飞行数据获得。
连续飞行状态建模为以前一时刻的估计为均值、估计协方差为方差的正态分布。根据飞行数据记录的二值型开关标志位输入来确定当前的模式概率，即mi,k＝p(qk＝i|Yk)，其中，Yk＝{y1,y2,...,yk}为截至tk时刻飞行数据量测输出数据集。从而基于逆概公式计算获得混合概率：
mi|j,k＝p(qk-1＝i|qk＝j,Yk-1) (10)
以此为基础，可以确定当前模式的连续系统状态估计的初值
Figure BDA0004126420100000133
及其估计协方差
Figure BDA0004126420100000134
根据飞行数据量测输入，计算当前模式下连续系统的后验状态估计概率p(xk|qk＝j,Yk)。在当前的模式下，进行连续系统状态估计。根据选取的输入参数的统计特性来确定系统噪声协方差阵Qk和量测噪声协方差阵Rk。在此基础上，将后验状态估计的概率建模为正态分布，正态分布的均值、方差分别选取为估计参数的均值和协方差。
将条件模式似然函数p(yk|qk＝j,Yk-1)建模为正态分布。此处用连续系统状态估计过程中产生的新息(即飞行参数量测输入值和估计值之差)及其协方差作为正态分布的均值和方差。从而，基于前一时刻的模式概率mj,k-1和模式转移概率，确定先验模式概率p(qk＝j|Yk-1)。采用贝叶斯法则更新模式概率mj,k。基于条件模式状态估计及其协方差的加权和，输出连续状态估计
Figure BDA0004126420100000141
及其协方差Pk。根据模式概率的最大值估计离散模式/>
Figure BDA0004126420100000142
随机混杂状态估计算法使用一组卡尔曼滤波器，每个滤波器与每个飞行模式下的连续动力学系统匹配。
根据离散模式与连续状态估计结果，总结析出人-机意图集。如图3所示，类似于参考意图集，人-机意图集也分为三个维度。由于自动飞行系统在执行命令时，内部控制律会自动形成不同的模式(如爬升过程中存在高度捕获与高度保持模式)，因此，每个维度上分为5种意图，纵向维度分为{快爬升，慢爬升，高度保持，慢下降，快下降}，即
Figure BDA0004126420100000143
横侧维度分为{快右转，慢右转，航向保持，慢左转，快左转}，即/>
Figure BDA0004126420100000144
垂直维度分为{快加速，慢加速，速度保持，慢减速，快减速}，即/>
Figure BDA0004126420100000151
经由三者组合得到人-机意图向量集IHM：
Figure BDA0004126420100000152
其中，
Figure BDA0004126420100000153
分别为IV、IL、IS中的元素，i＝1,2,…,125表示125种人-机意图，j,k,m＝1,2,3,4,5表示每个维度上的5个意图元素。
(S2.3)基于所述混杂状态估计结果与人-机意图集，进行FCM-HMM模型参数学习，建立FCM-HMM模型。
基于所述混杂状态估计结果与人-机意图集，对FCM-HMM进行参数学习，即可以通过历史飞行数据估计的切换模糊密度
Figure BDA0004126420100000154
和发射模糊密度/>
Figure BDA0004126420100000155
引入模糊逻辑将混合观测空间映射到离散意图空间。FCM-HMM由两个相互关联的机制组成：一个具有有限状态的潜在马尔可夫链，以及一组与每个状态相关的观测值。当获得观测值时，人-机意图被视为隐藏状态。应用FCM-HMM的目的是找到隐藏状态的最可能意图序列。可以表示为：/>
Figure BDA0004126420100000156
其中，z是隐藏状态序列的表示，Y＝{y1,y2,…,yt}是观察序列，
Figure BDA0004126420100000157
表示模型参数矢量。
Figure BDA0004126420100000158
初始状态模糊密度的向量，/>
Figure BDA0004126420100000159
测量初始状态si的确定度等级；/>
Figure BDA00041264201000001510
切换模糊密度矩阵，当前状态z(t)＝sj，且上一时刻状态z(t-1)＝si，/>
Figure BDA00041264201000001511
度量确定性等级，表示如下：
Figure BDA00041264201000001512
其中，uij表示观测值yi在类j中的隶属度值(由FCM聚类算法确定)。
Figure BDA0004126420100000161
，在给定状态si的情况下，/>
Figure BDA0004126420100000162
度量观测值yj的确定性等级，表示如下：
Figure BDA0004126420100000163
状态估计(即估计隐藏意图)问题可以使用模糊维特比算法来解决。在该算法中，引入辅助变量：
Figure BDA0004126420100000164
其中，在给定观测值Yt＝{y1,y2,…,yt}和当前状态为si的情况下，
Figure BDA0004126420100000165
给出状态序列Zt＝{z1,z2,…,zt-1}的最高概率。模糊维特比算法的基本原理是通过递归关系迭代辅助变量：
Figure BDA0004126420100000166
Figure BDA0004126420100000167
的初始值为：/>
Figure BDA0004126420100000168
N表示状态空间的大小。由于在每个维度的人-机意图集中定义了5种不同的意图，因此本专利中N＝5。
应用在人-机意图推断中的模糊维特比算法如下：首先，初始化模糊辅助变量：
Figure BDA0004126420100000169
其中，
Figure BDA00041264201000001610
表示上一时刻最有可能的意图函数
其次，递归计算模糊辅助变量：
Figure BDA00041264201000001611
最终得到终点时刻T的意图估计：
Figure BDA0004126420100000171
经由最终意图回溯意图序列：
Figure BDA0004126420100000172
由于对于每个不同的飞行模式，一个人-机意图切换到另一个的概率是不同的，因此切换模糊密度对应于每个飞行模式而改变。此外，模糊维特比算法中每个时间步长t的变量ρt(i,j)由下式给出：
Figure BDA0004126420100000173
其中，
Figure BDA0004126420100000174
表示前向模糊密度。前向模糊密度测量获得观察序列Yt的确定度，以及当前状态si。且前向模糊变量的值也由递归确定：
Figure BDA0004126420100000175
在将FCM-HMM算法应用于人-机意图推断之前，首先通过对历史飞行数据进行模糊聚类来确定每个隶属函数的平均值。应用FCM聚类算法将所有飞行数据聚类为五个不同的类别，对应于单个维度中的5个人-机意图。FCM根据聚类中心与数据点之间的距离，向与每个聚类中心相关的每个数据点分配隶属度值。当数据点的值接近聚类中心时，该数据点的隶属度值更可能接近或等于1。
(S3)基于实时飞行数据输入进行混杂估计，获得准确的离散飞行模式和连续状态的估计，作为MDP和FCM-HMM的模型输入。基于MDP推理参考意图，基于FCM-HMM推理人-机意图。通过判断两种意图间的差异实现对飞行异常操作的在线识别，如图1中在线检测部分所示。
在获得标准意图集以及人-机意图集后，针对实时飞行数据，首先采用混杂状态估计，获得较为精确的离散模式和连续状态，而后分别作为MDP(推断参考意图)与FCM-HMM(推断实际人-机意图)的输入，一步滚动对比两个意图之间是否存在差异，即判断等式
Figure BDA0004126420100000181
成立与否。当/>
Figure BDA0004126420100000182
时，表示人-机意图与标准意图相同，没有发生飞行异常操作；当/>
Figure BDA0004126420100000183
时，表示人-机意图与标准意图不相同，即发生飞行异常操作。根据人-机意图相对于标准意图发生的偏差，及时提醒机组进行确认，并修正改出。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，包括：
根据特定机型的标准操作程序和飞行计划，提取离散飞行模式数据与连续飞行操作数据；基于所述离散飞行模式数据与连续飞行操作数据，建立参考意图数据集；基于所述参考意图数据集和历史飞行数据，建立马尔可夫决策过程模型；
构建民航飞机的随机线性混杂飞行动力学模型和初始模糊C均值聚类隐马尔可夫模型；基于历史飞行数据的混杂估计结果，建立人-机意图数据集，基于所述人-机意图数据集和历史飞行数据对所述初始模糊C均值聚类隐马尔可夫模型进行参数学习，获得目标模糊C均值聚类隐马尔可夫模型；
基于实时飞行数据输入进行混杂估计，获得离散飞行模式和连续状态的估计结果，将所述估计结果作为模型输入分别输入所述马尔可夫决策过程模型和目标模糊C均值聚类隐马尔可夫模型，推理后对应输出获得参考意图和人-机意图；通过判断所述参考意图和人-机意图间的差异实现对飞行异常操作的在线识别，获得识别结果。
2.根据权利要求1所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，根据特定机型的标准操作程序和飞行计划，提取离散飞行模式数据与连续飞行操作数据，建立参考意图数据集的过程包括，
根据特定机型的标准操作程序和飞行计划，选定飞行阶段，提取离散飞行模式数据与连续飞行操作数据，将离散飞行模式数据与连续飞行操作数据抽象为不同维度的参考意图数据，根据所述不同维度的参考意图数据联合获得所述参考意图数据集。
3.根据权利要求2所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，
所述不同维度的参考意图数据包括纵向维度的参考意图数据、横侧维度的参考意图数据和速度维度的参考意图数据；
所述纵向维度的参考意图数据包括爬升意图数据、高度保持意图数据、下降意图数据，表示为
Figure FDA0004126420080000021
所述横侧维度的参考意图数据包括右偏航意图数据、航向保持意图数据、左偏航意图数据，表示为
Figure FDA0004126420080000022
所述速度维度的参考意图数据包括加速意图数据、速度保持意图数据、减速意图数据，表示为
Figure FDA0004126420080000023
所述参考意图数据集表示为
Figure FDA0004126420080000024
其中，
Figure FDA0004126420080000025
分别为IV、IL、IS中的元素，i＝1,2,…,27代表27种参考意图，j,k,m＝1,2,3分别代表每个维度中的3个意图元素。
4.根据权利要求1所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，基于所述参考意图数据集和历史飞行数据，建立马尔可夫决策过程模型的过程包括，
基于连续状态空间的飞行参数和基于离散状态空间的参考意图数据集，建立马尔可夫决策过程模型；
所述马尔可夫决策过程模型的状态转移概率为：
Figure FDA0004126420080000031
其中，
Figure FDA0004126420080000032
表示当前时刻tk的意图估计，/>
Figure FDA0004126420080000033
表示下一时刻tk+1的意图估计，xk为tk的连续状态，mk∈{(mV,mL,mS)}为当前时刻飞行模式，
mV为纵向维度相关的飞行模式，H为纵向维度相关的连续飞行参数高度，
Figure FDA00041264200800000312
纵向维度相关的连续飞行参数高度的变化率；
mL为横侧维度相关的飞行模式，θ为横侧维度相关的连续飞行参数航向，
Figure FDA0004126420080000034
为横侧维度相关的连续飞行参数航向的变化率；
mS为速度维度相关的飞行模式，Vg为速度维度相关的连续飞行参数地速，
Figure FDA0004126420080000035
为速度维度相关的连续飞行参数地速的变化率；
θ为扰动或传感器误差导致的不确定量，σk为标准操作的离散输入，uk为标准操作的连续输入，DSt(i,j)为意图转移控制条件：
Figure FDA0004126420080000036
其中，
Figure FDA0004126420080000037
表示飞行员离散操作直接改变飞行模式，Lij＝[Lx,ij Lθ,ij]为标准操作程序对于飞行模式切换逻辑的影响矩阵，根据实际模式下的动力学逻辑以及传感器噪声统计特性得到；
由意图转移控制条件得到意图转移概率为：
Figure FDA0004126420080000038
其中，Φ为高斯概率函数，Σθ为θ的协方差矩阵；
由tk时刻意图概率
Figure FDA0004126420080000039
得到tk+1时刻的意图概率为：
Figure FDA00041264200800000310
其中，
Figure FDA00041264200800000311
为参考意图转移概率矩阵。
5.根据权利要求1所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，获得目标模糊C均值聚类隐马尔可夫模型的过程包括，
基于民航飞机飞行动力学机理，建立用于描述民航飞机的离散飞行模式切换行为和连续动力学行为的随机线性混杂飞行动力学模型；
基于所述随机线性混杂飞行动力学模型和历史飞行数据，进行混杂状态估计，获得混杂状态估计结果；基于所述混杂状态估计结果总结获得人-机意图集；
基于所述混杂状态估计结果与人-机意图集，对所述初始模糊C均值聚类隐马尔可夫模型进行参数学习，建立目标模糊C均值聚类隐马尔可夫模型。
6.根据权利要求5所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，所述随机线性混杂飞行动力学模型在某一离散飞行模式qk下，连续系统的状态方程和量测方程为：
Figure FDA0004126420080000041
/>
其中，连续状态xk∈X，离散模式qk∈Ω，且
Figure FDA0004126420080000042
基于飞行数据的量测输入yk∈Y，/>
Figure FDA0004126420080000043
分别为状态矩阵和量测矩阵；/>
Figure FDA0004126420080000044
分别是协方差为/>
Figure FDA0004126420080000045
的高斯白噪声；
所述随机线性混杂飞行动力学模型离散飞行模式的切换函数为：
qk+1＝γ(qk,xk,zc,k,zd,k)
其中，zc,k∈Zc是连续控制输入，包括飞行员对高度、速度以及航向的连续变化设置；zd,k∈Zd是离散控制输入，包括接通自动驾驶时飞行员选择的飞行模式，以及襟翼、起落架的离散多值型操作；
实际模式切换条件表达式为：
Figure FDA0004126420080000051
定义模式切换的保护条件为：
G(i,j)＝{[x,zc,zd]T|Lx,ijx+Lθ,ijθ≤0}
其中，Lx,ij和Lθ,ij是常矩阵，
Figure FDA0004126420080000055
是概率密度函数为/>
Figure FDA0004126420080000052
的随机变量，用于描述相应的飞行参数由于量测误差或扰动带来的不确定性。
7.根据权利要求5所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，基于所述随机线性混杂飞行动力学模型和历史飞行数据，进行混杂状态估计，获得混杂状态估计结果的过程包括，
基于飞行数据量测输入的混杂状态估计算法，根据当前模式的切换保护条件G(i,j)来计算模式转移概率λij,k-1，利用上一时刻估计的连续状态与参数不确定性及两者各自的协方差矩阵计算累积概率密度函数；
以前一时刻的估计为均值、估计协方差为方差的正态分布进行连续飞行状态建模，根据飞行数据记录的二值型开关标志位输入来确定当前的模式概率，基于逆概公式计算获得混合概率：基于所述混合概率获得当前模式的连续系统状态估计的初值
Figure FDA0004126420080000053
及其估计协方差/>
Figure FDA0004126420080000054
根据飞行数据量测输入，计算当前模式下连续系统的后验状态估计概率，并且在当前的模式下，进行连续系统状态估计；根据选取的输入参数的统计特性确定系统噪声协方差阵Qk和量测噪声协方差阵Rk，将后验状态估计的概率建模为正态分布；
将条件模式似然函数p(yk|qk＝j,Yk-1)建模为正态分布，基于前一时刻的模式概率mj,k-1和模式转移概率，确定先验模式概率p(qk＝j|Yk-1)；采用贝叶斯法则更新模式概率mj,k；基于条件模式状态估计及其协方差的加权和，输出连续状态估计
Figure FDA0004126420080000061
及其协方差Pk；根据模式概率的最大值估计离散模式/>
Figure FDA0004126420080000062
8.根据权利要求5所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，
所述人-机意图数据集包括纵向维度的人-机意图数据、横侧维度的人-机意图数据和垂直维度的人-机意图数据；
所述纵向维度的人-机意图数据包括快爬升数据、慢爬升数据、高度保持数据、慢下降数据、快下降数据；
表示为
Figure FDA0004126420080000063
所述横侧维度的人-机意图数据包括快右转数据、慢右转数据、航向保持数据、慢左转数据、快左转数据，
表示为
Figure FDA0004126420080000064
所述垂直维度的人-机意图数据包括快加速数据、慢加速数据、速度保持数据、慢减速数据、快减速数据，
表示为
Figure FDA0004126420080000071
所述人-机意图数据集表示为
Figure FDA0004126420080000072
其中，
Figure FDA0004126420080000073
分别为IV、IL、IS中的元素，i＝1,2,…,125代表125种人-机意图，j,k,m＝1,2,3,4,5分别代表每个维度中的5个意图元素。
9.根据权利要求5所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，基于所述混杂状态估计结果与人-机意图集，对所述初始模糊C均值聚类隐马尔可夫模型进行参数学习，建立目标模糊C均值聚类隐马尔可夫模型的过程包括，
通过历史飞行数据估计的切换模糊密度
Figure FDA0004126420080000074
和发射模糊密度/>
Figure FDA0004126420080000075
引入模糊逻辑将混合观测空间映射到离散意图空间；
所述目标模糊C均值聚类隐马尔可夫模型包括两个相互关联的机制，其中一个具有有限状态的潜在马尔可夫链，以及一组与每个状态相关的观测值；
当获得观测值时，人-机意图被视为隐藏状态，通过目标模糊C均值聚类隐马尔可夫模型找到隐藏状态的最可能意图序列，表示为：
Figure FDA0004126420080000076
其中，z是隐藏状态序列的表示，Y＝{y1,y2,…,yt}是观察序列，
Figure FDA0004126420080000077
表示模型参数矢量；
Figure FDA0004126420080000078
初始状态模糊密度的向量，/>
Figure FDA0004126420080000079
测量初始状态si的确定度等级；/>
Figure FDA00041264200800000710
切换模糊密度矩阵，当前状态z(t)＝sj，且上一时刻状态z(t-1)＝si，/>
Figure FDA00041264200800000711
度量确定性等级，表示如下：
Figure FDA0004126420080000081
其中，uij表示观测值yi在类j中的隶属度值；
Figure FDA0004126420080000082
在给定状态si的情况下，/>
Figure FDA0004126420080000083
度量观测值yj的确定性等级，表示如下：
Figure FDA0004126420080000084
/>
10.根据权利要求1所述的基于实时飞行数据的民航飞机飞行异常操作在线识别方法，其特征在于，
通过判断所述参考意图和人-机意图间的差异实现对飞行异常操作的在线识别，获得识别结果的过程包括，
当所述参考意图和人-机意图相同时，表示人-机意图与标准意图相同，没有发生飞行异常操作；
当所述参考意图和人-机意图不相同时，表示人-机意图与标准意图不相同，即发生飞行异常操作；根据人-机意图相对于标准意图发生的偏差，及时提醒机组进行确认，并修正改出。
CN202310247310.2A 2023-03-15 2023-03-15 基于实时飞行数据的民航飞机飞行异常操作在线识别方法 Active CN116257741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310247310.2A CN116257741B (zh) 2023-03-15 2023-03-15 基于实时飞行数据的民航飞机飞行异常操作在线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310247310.2A CN116257741B (zh) 2023-03-15 2023-03-15 基于实时飞行数据的民航飞机飞行异常操作在线识别方法

Publications (2)

Publication Number Publication Date
CN116257741A true CN116257741A (zh) 2023-06-13
CN116257741B CN116257741B (zh) 2023-10-03

Family

ID=86679090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310247310.2A Active CN116257741B (zh) 2023-03-15 2023-03-15 基于实时飞行数据的民航飞机飞行异常操作在线识别方法

Country Status (1)

Country Link
CN (1) CN116257741B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010061136A1 (fr) * 2008-11-28 2010-06-03 Snecma Detection d'anomalie dans un moteur d'aeronef
EP2801963A1 (en) * 2013-05-09 2014-11-12 The Boeing Company Providing a description of aircraft intent
CN104573182A (zh) * 2014-12-09 2015-04-29 南京航空航天大学 一种用于飞行器多模态控制系统的设计方法
CN105182988A (zh) * 2015-09-11 2015-12-23 西北工业大学 基于马尔科夫决策过程的飞行员操作行为引导方法
CN114004292A (zh) * 2021-10-29 2022-02-01 重庆大学 基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010061136A1 (fr) * 2008-11-28 2010-06-03 Snecma Detection d'anomalie dans un moteur d'aeronef
EP2801963A1 (en) * 2013-05-09 2014-11-12 The Boeing Company Providing a description of aircraft intent
CN104573182A (zh) * 2014-12-09 2015-04-29 南京航空航天大学 一种用于飞行器多模态控制系统的设计方法
CN105182988A (zh) * 2015-09-11 2015-12-23 西北工业大学 基于马尔科夫决策过程的飞行员操作行为引导方法
CN114004292A (zh) * 2021-10-29 2022-02-01 重庆大学 基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
彭宇;何永福;王少军;刘大同;刘连胜;: "飞行数据异常检测技术综述", 仪器仪表学报, no. 03 *

Also Published As

Publication number Publication date
CN116257741B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
Michelmore et al. Uncertainty quantification with statistical guarantees in end-to-end autonomous driving control
Agamennoni et al. Estimation of multivehicle dynamics by considering contextual information
EP3275758B1 (en) Anomality candidate information analysis apparatus
CN104166787B (zh) 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
Gu et al. A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost
Xiahou et al. Remaining useful life prediction by fusing expert knowledge and condition monitoring information
US11531899B2 (en) Method for estimating a global uncertainty of a neural network
US20130116996A1 (en) Method for integrating models of a vehicle health management system
CN112800616B (zh) 基于比例加速退化建模的设备剩余寿命自适应预测方法
Choi et al. Hybrid machine learning and estimation-based flight trajectory prediction in terminal airspace
Gadepally et al. Driver/vehicle state estimation and detection
US20150186335A1 (en) Assessing performance of a system
Moss et al. Adaptive stress testing of trajectory predictions in flight management systems
CN116353584A (zh) 一种车辆碰撞风险预测系统及车辆
CN116957331A (zh) 风险旅客流量范围预测方法和装置
Sharma et al. Highway discretionary lane changing behavior recognition using continuous and discrete hidden markov model
CN116257741B (zh) 基于实时飞行数据的民航飞机飞行异常操作在线识别方法
Henze et al. Identifying admissible uncertainty bounds for the input of planning algorithms
Kim et al. Development of data-driven conflict resolution generator for en-route airspace
Worrall et al. A context-based approach to vehicle behavior prediction
CN112765813A (zh) 一种序贯Bayesian框架下的设备剩余寿命预测方法
Jigajinni et al. Health management of a typical small aircraft fuel system using an adaptive technique
Akca et al. eTS fuzzy driver model for simultaneous longitudinal and lateral vehicle control
US20220406199A1 (en) Method and device for supervising a traffic control system
Applebaum Fuzzy classification for fault isolation in gas turbine engines

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