CN116596295A - 一种国内支线运输飞机安全评价与风险预测方法及系统 - Google Patents
一种国内支线运输飞机安全评价与风险预测方法及系统 Download PDFInfo
- Publication number
- CN116596295A CN116596295A CN202310161908.XA CN202310161908A CN116596295A CN 116596295 A CN116596295 A CN 116596295A CN 202310161908 A CN202310161908 A CN 202310161908A CN 116596295 A CN116596295 A CN 116596295A
- Authority
- CN
- China
- Prior art keywords
- risk
- safety
- event
- total value
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 208000024891 symptom Diseases 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000001932 seasonal effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 238000004141 dimensional analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 206010060891 General symptom Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06Q10/06—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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种国内支线运输飞机安全评价与风险预测方法及系统,方法包括:获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值;根据安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标;基于第一风险总值与飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价;利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。本发明综合考虑与风险相关的要素,提出了更科学、更全面和更精准的安全评价及风险预测系统,提高了安全评价的客观性,降低了风险预测误差。
Description
技术领域
本发明涉及飞机安全评价及风险预测技术领域,具体涉及一种国内支线运输飞机安全评价与风险预测方法及系统。
背景技术
民航运输是国家综合交通运输体系的重要组成部分,在国家经济、政治和人民生活中占有重要的地位,并发挥越来越大的作用。民航运输具有对风险高度敏感的特点,社会公众对民航安全的关注度也越来越高。近年来,民航安全在国家安全生产管理体系中的重要性日益凸显。在民航安全管理工作中,对民航运行安全风险整体水平进行科学准确评价与风险预测,以支持指定针对性安全提升措施,对促进民航运输业的安全健康发展具有重要意义。
在安全评价方面,现有技术常采用熵值法或熵值法与序关系分析法、突变理论等方法结合的方式进行安全评价。在风险预测方面,现有技术常采用ARIMA模型对飞机风险事故进行预测。但是现有安全评价和风险预测,指标体系相对单一,不够科学合理;安全评价方法不够客观;预测模型单一,预测误差大。因此,需要亟需对飞机运输过程中的安全风险事件进行更科学、更全面和更精准的安全评价与风险预测。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中安全评价与风险预测不够科学合理的缺陷,从而提供一种国内支线运输飞机安全评价与风险预测方法及系统,能够综合考虑与风险相关的要素,提出更科学、更全面和更精准的安全评价及风险预测系统。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供了一种国内支线运输飞机安全评价与风险预测方法,包括以下步骤:
获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值;
根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标;
基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价;
基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。
本发明实施例提供的国内支线运输飞机安全评价与风险预测方法,通过对预设安全风险指标体系的各指标进行权重赋值,根据赋值结果计算预设历史时间周期内的安全风险事件的风险总值,通过相关性分析选择风险总值与飞行时间对预设历史周期内的安全风险事件进行指标监控与安全评价,并利用组合预测对预设未来时间周期内的安全风险进行风险预测。本发明综合考虑与风险相关的要素,提出了更科学、更全面和更精准的安全评价及风险预测系统,提高了安全评价的客观性,降低了风险预测误差。
可选地,选取与安全风险事件关联度高的事件要素构建所述安全风险指标体系,所述安全风险指标体系中的事件要素,包括:事件等级、事件类型、事件原因及事发阶段。
本发明综合考虑与风险相关的因素,事件等级代表风险的严重程度,事件类型、事件原因、事发阶段对风险影响最大,所以用事件等级、事件类型、事件原因、事发阶段建立安全风险指标体系,能够解决现有指标体系不够科学合理的问题。
可选地,根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值的过程,包括:按照所述事件等级计算各等级风险事件中所有事件要素的风险值,所述事件等级包括:一般事件、征候及事故;所述一般事件风险值=一般事件类型数量×一般事件类型权重+一般事件原因数量×一般事件原因权重+一般事件事发阶段数量×一般事件事发阶段权重;所述征候风险值=征候类型数量×征候类型权重+征候原因数量×征候原因权重+征候事发阶段数量×征候事发阶段权重;所述事故风险值=事故类型数量×事故类型权重+事故原因数量×事故原因权重+事故事发阶段数量×事故事发阶段权重;计算所有事件等级的第一风险总值,所述第一风险总值=一般事件风险总值+征候风险总值+事故风险总值。
本发明基于安全风险指标体系计算安全风险事件的风险总值,首先由专家根据风险严重程度不同对事件等级、事件类型、事件原因及事发阶段赋权重,因为计算机智能赋值方法只能根据数量赋权重,并不能分辨出各种指标的严重程度。其次根据赋值结果计算预设单位时间内的风险总值,事件等级不同权重也不同,按照事件等级计算不同等级事件的风险总值,将不同等级事件的风险总值相加得到预设单位时间内的风险总值。本发明所得风险总值能够反映运输航空飞机的风险程度。
可选地,所述通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标的过程,包括:计算第一风险总值和飞行时间之间、第一风险总值与飞行起落次数之间、飞行时间与飞行起落次数之间的皮尔逊相关值;根据计算结果确定第一风险总值、飞行时间、飞行起落次数三者之间的相关性;为防止发生共线性问题选取所述第一风险总值与所述飞行时间作为安全评价与风险预测的分析指标。
本发明通过相关性分析提前验证了风险总值与飞行时间及飞行起落之间存在强相关性,代表了支线运输飞机的特点,因此在后续安全评价与风险预测过程中选择风险总值与分型时间作为分析指标,能够保证安全评价与风险预测的客观性与精准性。
可选地,所述基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价的过程,包括:获取预设历史时间周期内飞机的飞行时间;通过所述第一风险总值累加的方式计算预设历史时间周期内的第二风险总值,并计算预设时间周期内的平均风险值并进行安全评价,所述平均风险值=所述第二风险总值/所述飞行时间;选取监控安全风险情况的监控指标,并通过计算各个事件要素的要素风险总值、要素平均风险、要素平均严重度对各个事件要素进行监控分析。
本发明基于预设单位时间内的风险总值计算预设历史时间周期内的平均风险值,能够分析一段时间内的飞机运输整体安全状态。此外对事件类型、事件原因及事发阶段这三个事件要素进行分析,选取风险总值、平均风险及平均严重度作为对各个事件要素进行监控分析的参考指标,能够分析出不同的事件类型、不同的事件原因或不同的事发阶段所对应的风险程度与严重程度。
可选地,所述基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测的过程,包括:利用组合预测模型分析所述飞行时间与所述风险总值之间的关系,并根据分析结果获得所述风险总值与所述飞行时间的对应关系;构建季节性预测模型并预测预设未来时间周期内的飞行时间;将所述飞行时间输入至组合预测模型,并根据所述风险总值与所述飞行时间的对应关系计算各种预测模型下的预测风险总值;基于预设权重赋值方式对各种预测模型进行权重赋值,并根据权重赋值结果计算预设未来时间周期内的第三风险总值,作为风险预测结果。
本发明通过组合预测模型分析风险总值与飞行时间的对应关系,通过季节性预测模型预测预设未来时间周期内的飞行时间,然后根据组合预测模型所体现的对应关系预测不同模型下飞行时间所对应的风险总值。最后对组合预测模型的各模型进行权重赋值,根据权重赋值结果计算预设未来时间周期内的风险总值,并将此值作为风险预测结果。本发明基于组合模型的飞机风险预测,能够解决风险预测模型单一,结果误差大的问题,将所有组合模型计算结果利用赋权重法进行权重计算,计算风险预测的最终结果,使预测结果更科学合理。
可选地,所述组合预测模型,包括:通过线性回归模型、Lasso回归模型、岭回归模型及支持向量机回归模型进行线性相关预测;通过BP神经网络模型进行非线性相关预测;通过K近邻回归模型进行不安全事件发生的突发性预测。
本发明通过线性回归、Lasso回归、岭回归、支持向量机回归等模型拟合线性关系,通过BP神经网络体现数据的非线性关系,通过K近邻回归体现不安全事件发生的突发性组合预测模型,全面考虑了风险的线性趋势性特征、季节性特征和偶然性因素作用的非线性特征,预测结果更客观。
第二方面,本发明实施例提供了一种国内支线运输飞机安全评价与风险预测系统,所述系统包括:
权重赋值模块,用于获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值;
风险计算模块,用于根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标;
安全评价模块,用于基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价;
风险预测模块,用于基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。
本发明实施例提供的国内支线运输飞机安全评价与风险预测系统,通过对预设安全风险指标体系的各指标进行权重赋值,根据赋值结果计算预设历史时间周期内的安全风险事件的风险总值,通过相关性分析选择风险总值与飞行时间对预设历史周期内的安全风险事件进行指标监控与安全评价,并利用组合预测对预设未来时间周期内的安全风险进行风险预测。本发明综合考虑与风险相关的要素,提出了更科学、更全面和更精准的安全评价及风险预测系统,提高了安全评价的客观性,降低了风险预测误差。
第三方面,本发明实施例提供了一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
第四方面,本发明实施例提供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使所述计算机执行第一方面,或者第一方面任意一种可选实施方式中所述的方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的流程示意图;
图2为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的安全风险指标体系示意图;
图3为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的部分权重赋值情况示意图;
图4为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的风险总值计算结果示意图;
图5为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的按类型二维分析图;
图6为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的按原因二维分析图;
图7为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的天气意外原因安全总风险按照事件类型分析图;
图8为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的其他原因安全总风险按照事件类型分析图;
图9为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的机械原因安全总风险按照事件类型分析图;
图10为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的按飞行阶段二维分析图;
图11为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测方法的BP神经网络预测结果示意图;
图12为本发明实施例提供的一种国内支线运输飞机安全评价与风险预测系统的结构示意图;
图13为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供了一种国内支线运输飞机安全评价与风险预测方法,以ARJ21国内支线运输飞机为例。如图1所示,该方法具体包括如下步骤:
步骤S1:获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值。
具体地,在本发明实施例中,获取2017-2022年的安全风险事件,但不以此为限。如图2所示,在安全风险事件的各种事件信息中选择与安全风险事件关联性高的事件要素构建安全风险指标体系,所形成的安全风险体系包含的事件要素包括:事件等级、事件类型、事件原因及事发阶段。由专家根据风险严重程度对事件等级、事件类型、事件原因及事发阶段赋权重,部分安全风险事件赋值情况如图3所示。
步骤S2:根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标;
具体地,在本发明实施例中,首先根据安全风险事件的各指标的指标值与对应权重,并按照事件等级计算预设单位事件内各等级风险事件中所有事件要素的风险值,预设单位时间以月为例,但不以此为限。计算公式如下:
一般事件风险值=一般事件类型数量×一般事件类型权重+一般事件原因数量×一般事件原因权重+一般事件事发阶段数量×一般事件事发阶段权重;
征候风险值=征候类型数量×征候类型权重+征候原因数量×征候原因权重+征候事发阶段数量×征候事发阶段权重;
事故风险值=事故类型数量×事故类型权重+事故原因数量×事故原因权重+事故事发阶段数量×事故事发阶段权重。
通过将各事件等级的风险值进行累加计算每月所有安全风险事件的第一风险总值,即月风险总值,部分计算结果如图4所示,计算公式如下所示:
第一风险总值=一般事件风险总值+征候风险总值+事故风险总值。
其次,本发明实施例通过分析月风险总值、飞行时间、飞行起落次数三者之间的相关性选择分析指标,因为飞机是ARJ21国内支线运输飞机,所以飞行时间、飞行起落之间存在密切关系(如果是飞国际航线,可能飞行13小时,才两个起落。飞国内支线,飞1-2小时,两个起落,比较有规律)。计算月风险总值和飞行时间之间、月风险总值与飞行起落次数之间、飞行时间与飞行起落次数之间的皮尔逊相关值,计算结果如下表所示:
月风险总值与飞行时间之间的相关性
月风险总值与飞行时间之间的相关性
飞行时间与飞行起落架次之间的相关性
飞行起落架次与月风险总值之间的相关性
**表征在0.01级别(双尾),相关性显著。
月风险总值与飞行时间的皮尔逊相关性是0.856,是强相关;飞行时间与飞机起落的皮尔逊相关性是0.999,是强相关;飞行起落与月风险总值的皮尔逊相关性是0.854,是强相关。为防止发生共线性问题,选取所述月风险总值与所述飞行时间作为安全评价与风险预测的分析指标。
步骤S3:基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价。
具体地,在本发明实施例中,获取预设历史时间周期内飞机的飞行时间,预设历史时间周期以年为例,但不以此为限。通过将一年内每个月的月风险总值进行叠加获得年风险总值,然后计算每年安全风险事件的年平均风险值,并以年平均风险值评价这一年的安全状况。计算公式如下所示:
年平均风险值=100×年风险总值/年飞行时间
其中,100是为了对计算结果进行扩大,方便数据观察与比较,但不以此为限。计算结果如下表所示:
年份 | 平均风险值=100*风险总值/飞行时间 | 安全评价排序(风险值越小安全越好) |
2017年 | 31.89552277 | 6 |
2018年 | 16.62957584 | 1 |
2019年 | 24.56159935 | 4 |
2020年 | 29.69655699 | 5 |
2021年 | 19.08920152 | 2 |
2022年 | 23.2407104 | 3 |
对2017-2022年之间的年平均风险值进行排序,可知:2018年的年平均风险值最小,安全评价最好;2017年的年平均风险值最高,安全状况最差。
本发明实施例从事件信息中,选取与事件关联度最高的事件类型、事件原因、事发阶段三个要素进行分析,设定风险总值、平均风险、平均严重度为风险的重要参考指标,确定其为监控安全风险情况的指标,对各个事件要素进行监控分析。
1.不同事件类型安全风险分析
各参考指标的计算方法如下:
类型总数=每年该事件类型的总和;
风险总值=该类型一般事件数量×该类型一般事件权重+该类型征候数量×该类型征候权重;
平均风险=100×该类型风险总值/总飞行时间(小时);
平均严重度=该类型风险总值/(该类型一般事件数量+该类型征候数量);
平均风险参考线=各类型平均风险之和/事件类型的种类数;
平均严重度参考线=各类型平均严重度之和/事件类型的种类数。
其中,“该类型一般事件权重”与“该类型征候权重”的赋值,是通过飞行、机务、空管等专业的专家根据风险情形、以往经验确定的。分析运输航空事件的安全风险指标,计算安全风险总值、平均风险和平均严重度,计算结果如下表所示:
根据计算结果绘制成二维图以反映2017年-2022年ARJ21-700型飞机运输航空安全风险指数按事件类型的安全风险情况,如图5所示。图中横坐标是严重度,纵坐标是风险,细竖线是平均严重度参考线,粗横线是平均风险参考线。将图中区域划分为A区和B区,A区位于平均风险和平均严重度以上(细竖线以右和粗横线以上),说明整体风险高。B区在平均严重以下,在平均风险以上(细竖线以左和粗横线以上),说明风险高,严重度低。经过分析从图中可以看出:
(1)处于A区,风险总值、平均严重度都较高,此类事件类型属于发生数量并不多,但都包含了一般征候,严重程度较为严重的运输航空事件,包括:
鸟击,一般征候4起,一般事件15起;
零部件缺失/损坏/磨损,一般征候3起,一般事件10起;
雷击/电击,一般征候1起,一般事件1起;
外来物击伤,一般征候1起,一般事件1起;
发动机停车,一般征候1起。
(2)处于B区,事件类型风险总值较高,而平均严重度不高,此类事件属于发生数量较多,但严重事件比例不高的事件,包括:
风切变,共发生一般事件189起;
失控/失速,共发生一般事件172起;
系统失效/故障/卡阻,共发生一般事件89起;
可控飞行撞地/障碍物,共发生一般事件73起。
2.不同事件原因安全风险分析
各参考指标的计算方法如下:
原因总数=每年事件原因的总和;
风险总值=该类型一般事件数量×该一般事件原因权重+该征候数量×该征候原因权重;
平均风险=100×该原因风险总值/总飞行时间(小时);
平均严重度=该原因风险总值/(该类型一般事件数量+该类型征候数量);
平均风险参考线=各原因平均风险之和/事件原因的种类数;
平均严重度参考线=各原因平均严重度之和/事件原因的种类数。
其中,“该一般事件原因权重”与“该征候原因权重”的赋值,是通过飞行、机务、空管等专业的专家根据风险情形、以往经验确定的。将运输航空事件按照原因分析,计算各原因安全风险总值、平均风险和平均严重度,计算结果如下表所示:
根据计算结果绘制成二维图以反映2017年-2022年ARJ21-700型飞机运输航空安全风险指数按各类原因的安全风险情况,如图6所示。经过分析从图中可以看出:
(1)处于A区,天气意外和其他原因风险总值与平均严重度都较高。天气意外原因造成的风切变事件风险最高,占天气意外原因风险总值的51%,其次是鸟击风险值较高,占天气意外原因风险总值的26%,如图7所示。
其他原因造成的零部件缺失/损坏/磨损事件风险最高,占其他原因风险总值的35%,其次是失控/失速风险值较高,占其他原因风险总值的25%,如图8所示。
(2)处于B区的是机械原因,此类原因引发事件的安全风险总值较高,但平均严重度不高。机械原因造成的失控/失速事件风险最高,占机械原因风险总值的42%,其次是系统失效/故障/卡阻风险值较高,占其他原因风险总值的23%,如图9所示。
3.不同飞行阶段安全风险分析
各参考指标的计算方法如下:
事件阶段数量=每年事件发生阶段的总和;
风险总值=该类型一般事件数量×该一般事件发生阶段权重+该征候数量×该征候发生阶段权重;
平均风险=100×风险总值/总飞行时间(小时);
平均严重度=风险总值/(该类型一般事件数量+该类型征候数量);
平均风险参考线=各阶段平均风险之和/事件阶段的种类数;
平均严重度参考线=各阶段平均严重度之和/事件阶段的种类数。
其中,“该一般事件发生阶段权重”与“该征候发生阶段权重”的赋值,是通过飞行、机务、空管等专业的专家根据风险情形、以往经验确定的。将运输航空按飞行阶段分析,计算各阶段安全风险总值、平均风险和平均严重度,计算结果如下表所示:
/>
根据计算结果绘制成二维图反映2017年-2022年ARJ21-700型飞机运输航空安全风险指数按各阶段安全风险情况,如图10所示。经过分析从图中可以看出:
(1)A区:最后进近阶段(仪表飞行规则)、初始爬升阶段、未知阶段总风险水平和平均严重度都较高。
(2)B区:着陆滑跑阶段、巡航阶段总风险水平较高,但平均严重度不高。
最后进近阶段(仪表飞行规则)、初始爬升阶段、未知阶段安全风险指数较高的原因是:2017年-2022年ARJ21-700型飞机运输航空所发生的10起一般征候,均发生在上述三个阶段;
最后进近阶段(仪表飞行规则)对应事件等级一般征候2起(鸟击1起,发动机停车1起。);一般事件204起(风切变135起,可控飞行撞地/障碍物19起,中止进近/复飞17起,系统失效/故障/卡阻16起,失控/失速7起,鸟击3起,超速2起,超高障碍物/升空物体1起,迷航/偏航1起,其他1起,油泄漏/溢出1起,返航/备降1起)。
初始爬升阶段对应事件等级一般征候1起(雷击/电击);一般事件46起(风切变32起,超速6起,可控飞行撞地/障碍物2起,其他2起,返航/备降1起,鸟击1起,偏离姿态/高度1起,失控/失速1起)。
未知阶段对应事件等级一般征候7起(鸟击3起,零部件缺失/损坏/磨损3起,外来物击伤1起。);一般事件26起(零部件缺失/损坏/磨损8起,其他物体击伤6起,配载/装载3起,其他3起,爆胎/轮胎脱层/扎破2起,雷击/电击1起,鸟击1起,雹击/冰击1起,外来物击伤1起)
步骤S4:基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。
具体地,在本发明实施例中,ARJ21机型为国内支线飞机,飞行时间与飞行起落相关性高。考虑风险总值、飞行时间、飞行起落高相关性的基础上,通过散点图观察其整体特征,采取线性回归(最小二乘法)、Lasso回归、岭回归(Ridge)、支持向量机(SVR)回归方法进行线性相关预测,通过BP神经网络体现数据的非线性,通过K近邻(KNN)回归体现不安全事件发生的突发性,将所有上述组合模型计算结果利用CRITIC客观赋权重法进行权重计算,从而计算风险预测的最终结果,使结果更科学合理。
1.线性回归(最小二乘法)
变量:自变量X:{飞行时间};因变量Y:{风险总值};
分析步骤:(1)通过分析F值,分析其是否可以显著地拒绝总体回归系数为0的原假设(P<0.05),若呈显著性,表明之间存在着线性关系,至于线性关系的强弱,需要进一步进行分析。
(2)通过R2值分析模型拟合情况,同时对VIF值进行分析,若模型呈现共线性(VIF大于10或者5,严格为10),建议使用岭回归或者逐步回归。
(3)分析X的显著性;如果呈现出显著性(P<0.05),则用于探究X对Y的影响关系。
(4)结合回归系数B值,对比分析X对Y的影响程度。
(5)确定得到模型公式,代表风险总值与飞行时间的对应关系。
分析结果:线性回归分析结果如下表所示,线性回归用于研究自变量与因变量之间的线性关系,F检验的显著性P值为0.000***,水平上呈现显著性,拒绝回归系数为0的原假设,因此模型基本满足要求。
模型公式如下所示:
预测风险值=4.227+0.016×飞行时间
2.Lasso回归
变量:变量X:{飞行时间};变量Y:{风险总值}
分析步骤:(1)通过交叉验证方法,确定λ值。λ值的选择原则是使得Lasso模型的均方误差最小。
(2)通过λ和回归系数图,确定模型筛选的变量情况,其中标准化系数为零的变量可以认为被Lasso回归模型剔除。
(3)得到Lasso回归模型公式(代表风险总值与飞行时间的对应关系)和预测情况,并且列出保留和被剔除的变量。
分析结果:Lasso回归是用于解决共线性问题的有偏估计回归:参数λ=0.04,变量截距项、飞行时间被保留,没有变量被删除。模型公式如下所示:
预测风险值=4.227+0.016×飞行时间
3.岭回归(Ridge)
变量:变量X:{飞行时间};因变量Y:{风险总值}
分析步骤:(1)通过岭迹图,确定K值。K值的选择原则是各个自变量的标准化回归系数趋于稳定时的最小K值。一般情况下,K值越小,偏差越小(可主观判断,或系统自动生成)。
(2)通过分析F值,分析该模型是否有意义(P<0.05),若呈显著性,表明之间存在着回归关系。
(3)通过R2值分析模型拟合情况(一般情况下,R2越接近1,拟合度越好)。
(4)分析X的显著性;如果呈现出显著性(P<0.05),则用于探究X对Y的影响关系。
(5)结合回归系数B值,对比分析X对Y的影响程度。
(6)确定得到模型的公式,代表风险总值与飞行时间的对应关系。
分析结果:岭回归分析结果如下表所示,基于F检验显著性P值为0.000***,水平上呈现显著性,拒绝原假设,表明自变量与因变量之间存在着回归关系。
同时,模型的拟合优度R2为0.732,模型表现较为良好。
模型公式如下所示:
预测风险值=4.26+0.016×飞行时间
4.支持向量机(SVR)回归
变量:变量X:{飞行时间};变量Y:{风险总值}
分析步骤:(1)通过训练集数据来建立支持向量机(SVR)回归模型。
(2)将建立的支持向量机(SVR)回归模型应用到训练、测试数据,得到模型评估结果。
(3)由于支持向量机(SVR)回归具有随机性,每次运算的结果不一样,若保存本次训练模型,后续可以直接上传数据代入到本次训练模型进行计算预测。
其中,支持向量机回归无法像传统模型一样得到确定的方程,通常通过测试数据预测精度来对模型进行评价。
5.BP神经网络
建立基于多层感知器神经网络(MLP)的预测模型,经过多次BP神经网络预测,预测结果如图11所示。
6.K近邻(KNN)回归
变量:变量X:{飞行时间};变量Y:{总风险值}
分析步骤:(1)通过训练集数据来建立K近邻(KNN)回归模型。
(2)将建立的K近邻(KNN)回归模型应用到训练、测试数据,得到模型评估结果。
(3)若K近邻(KNN)选择了数据洗牌功能,每次运算的结果不一样,若保存本次训练模型,后续可以直接上传数据代入到本次训练模型进行计算预测。
其中,K近邻(KNN)无法像传统模型一样得到确定的方程,通常通过测试数据预测精度来对模型进行评价。
7.季节性模型分析
本发明实施例利用季节性ARIMA模型对飞行时间进行预测。
变量:时间序列变量:{飞行时间};时间项:{日期}(时间项为日期,预测的是飞行时间)
分析步骤:(1)将时间序列分解成趋势数据、季节性数据、随机数据,以初步判断数据的季节性效应。
(2)季节性ARIMA模型要求时间序列满足平稳性检验,若P<0.05,说明序列为平稳序列。若原始时间序列不满足平稳性,对其进行差分以及季节差分,直至序列满足平稳性为止。
(3)查看最终差分序列图,同时对时间序列进行偏(自相关分析),根据截尾情况估算其P、Q值;
其中,ARIMA模型要求模型具备纯随机性,即模型残差为白噪声,查看模型检验表,根据Q统计量的P值(P值大于0.05为白噪声);结合信息准则AIC和BIC值进行分析,AIC和BIC值越小说明模型越优;查看模型对序列的拟合程度R2,越接近1说明模型效果越好。
分析结果:季节性ARIMA模型用于预测具有周期性、季节性的时间序列:模型的拟合优度R2为0.926,模型表现优秀。未来6期预测结果如下表所示:
8.根据预测的飞行时间预测未来6个月风险
将预测的飞行时间输入到线性回归模型、Lasso回归模型、岭回归模型、支持向量机回归模型、BP神经网络模型及K近邻回归模型对风险总值进行预测,预测结果如下表所示:
9.CRITIC客观赋权重
本发明实施例采用CRITIC权重法对各个预测模型进行权重赋值。CRITIC权重法是一种客观赋权法。其思想在于用两项指标,分别是对比强度和冲突性指标。对比强度使用标准差进行表示,如果数据标准差越大说明波动越大,权重会越高;冲突性使用相关系数进行表示,如果指标之间的相关系数值越大,说明冲突性越小,那么其权重也就越低。对于多指标多对象的综合评价问题,CRITIC法去消除一些相关性较强的指标的影响,减少指标之间信息上的重叠,更有利于得到可信的评价结果。
变量:{线性回归(最小二乘法)、Lasso回归、岭回归(Ridge)、支持向量机(SVM)回归、BP神经网络、K近邻(KNN)回归}
分析步骤:(1)根据权重计算结果对各指标的权重进行分析。
(2)通过权重计算结果得到权重分析矩阵。
(3)对分析进行总结。
分析结果:CRITIC权重法是对各变量的权重(重要性)进行计算:线性回归(最小二乘法)的权重为13.085%、Lasso回归的权重为13.085%、岭回归(Ridge)的权重为13.085%、支持向量机(SVM)回归的权重为15.056%、BP神经网络的权重为16.288%、K近邻(KNN)回归的权重为29.4%。
根据权重计算最终的第三风险总值,作为风险预测结果,计算公式如下所示:
第三风险总值=线性回归×13.085%+Lasso回归×13.085%+岭回归×13.085%+支持向量机回归×15.056%+BP神经网络×16.288%+K近邻回归×29.4%
本发明实施例提供的国内支线运输飞机安全评价与风险预测方法,通过对预设安全风险指标体系的各指标进行权重赋值,根据赋值结果计算预设历史时间周期内的安全风险事件的风险总值,分析风险总值、飞行时间、飞行起落三者之间的相关性选择风险总值与飞行时间对预设历史周期内的安全风险事件进行指标监控与安全评价,并利用组合预测对预设未来时间周期内的安全风险进行风险预测。本发明综合考虑与风险相关的要素,提出了更科学、更全面和更精准的安全评价及风险预测系统,提高了安全评价的客观性,降低了风险预测误差。
本发明实施例提供了一种国内支线运输飞机安全评价与风险预测系统,如图12所示,系统包括:
权重赋值模块1,用于获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值。详细内容参见上述方法实施例中步骤S1的相关描述,在此不再进行赘述。
风险计算模块2,用于根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标。详细内容参见上述方法实施例中步骤S2的相关描述,在此不再进行赘述。
安全评价模块3,用于基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价。详细内容参见上述方法实施例中步骤S3的相关描述,在此不再进行赘述。
风险预测模块4,用于基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。详细内容参见上述方法实施例中步骤S4的相关描述,在此不再进行赘述。
本发明实施例提供的国内支线运输飞机安全评价与风险预测系统,通过对预设安全风险指标体系的各指标进行权重赋值,根据赋值结果计算预设历史时间周期内的安全风险事件的风险总值,通过相关性分析选择风险总值与飞行时间对预设历史周期内的安全风险事件进行指标监控与安全评价,并利用组合预测对预设未来时间周期内的安全风险进行风险预测。本发明综合考虑与风险相关的要素,提出了更科学、更全面和更精准的安全评价及风险预测系统,提高了安全评价的客观性,降低了风险预测误差。
图13示出了本发明实施例中计算机设备的结构示意图,包括:处理器901和存储器902,其中,处理器901和存储器902可以通过总线或者其他方式连接,图13中以通过总线连接为例。
处理器901可以为中央处理器(Central Processing Unit,CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器902作为一种非暂态计算机可读存储介质,可用于存储非暂态服务器程序、非暂态计算机可执行程序以及模块,如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态服务器程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器901所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器902中,当被处理器901执行时,执行上述方法实施例中的方法。
上述计算机设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,实现的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种国内支线运输飞机安全评价与风险预测方法,其特征在于,包括如下步骤:
获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值;
根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与飞行时间作为分析指标;
基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价;
基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。
2.根据权利要求1所述的国内支线运输飞机安全评价与风险预测方法,其特征在于,选取与安全风险事件关联度高的事件要素构建所述安全风险指标体系,所述安全风险指标体系中的事件要素,包括:事件等级、事件类型、事件原因及事发阶段。
3.根据权利要求2所述的国内支线运输飞机安全评价与风险预测方法,其特征在于,根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值的过程,包括:
按照所述事件等级计算预设单位事件内各等级风险事件中所有事件要素的风险值,所述事件等级包括:一般事件、征候及事故;
一般事件风险值=一般事件类型数量×一般事件类型权重+一般事件原因数量×一般事件原因权重+一般事件事发阶段数量×一般事件事发阶段权重;
征候风险值=征候类型数量×征候类型权重+征候原因数量×征候原因权重+征候事发阶段数量×征候事发阶段权重;
事故风险值=事故类型数量×事故类型权重+事故原因数量×事故原因权重+事故事发阶段数量×事故事发阶段权重;
计算预设单位时间内所有安全风险事件的第一风险总值,所述第一风险总值=一般事件风险总值+征候风险总值+事故风险总值。
4.根据权利要求1所述的国内支线运输飞机安全评价与风险预测方法,其特征在于,所述通过相关性分析选取所述第一风险总值与所述飞行时间作为分析指标的过程,包括:
计算第一风险总值和飞行时间之间、第一风险总值与飞行起落次数之间、飞行时间与飞行起落次数之间的皮尔逊相关值;
根据计算结果确定第一风险总值、飞行时间、飞行起落次数三者之间的相关性;
为防止发生共线性问题选取所述第一风险总值与所述飞行时间作为安全评价与风险预测的分析指标。
5.根据权利要求3所述的国内支线运输飞机安全评价与风险预测方法,其特征在于,所述基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价的过程,包括:
获取预设历史时间周期内飞机的飞行时间;
通过所述第一风险总值累加的方式计算预设历史时间周期内的第二风险总值,并计算预设时间周期内的平均风险值并进行安全评价,所述平均风险值=所述第二风险总值/所述飞行时间;
选取监控安全风险情况的监控指标,并通过计算各个事件要素的要素风险总值、要素平均风险、要素平均严重度对各个事件要素进行监控分析。
6.根据权利要求3所述的国内支线运输飞机安全评价与风险预测方法,其特征在于,所述基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测的过程,包括:
利用组合预测模型分析所述飞行时间与所述风险总值之间的关系,并根据分析结果获得所述风险总值与所述飞行时间的对应关系;
构建季节性预测模型并预测预设未来时间周期内的飞行时间;
将所述飞行时间输入至组合预测模型,并根据所述风险总值与所述飞行时间的对应关系计算各种预测模型下的预测风险总值;
基于预设权重赋值方式对各种预测模型进行权重赋值,并根据权重赋值结果计算预设未来时间周期内的第三风险总值,作为风险预测结果。
7.根据权利要求6所述的国内支线运输飞机安全评价与风险预测方法,其特征在于,所述组合预测模型,包括:
通过线性回归模型、Lasso回归模型、岭回归模型及支持向量机回归模型进行线性相关预测;
通过BP神经网络模型进行非线性相关预测;
通过K近邻回归模型进行不安全事件发生的突发性预测。
8.一种国内支线运输飞机安全评价与风险预测系统,其特征在于,包括:
权重赋值模块,用于获取飞机预设历史时间周期内的安全风险事件,并根据风险严重程度对预设安全风险指标体系的各指标进行权重赋值;
风险计算模块,用于根据所述安全风险事件的各指标的指标值与对应权重计算预设单位时间内的第一风险总值,并通过相关性分析选取所述第一风险总值与飞行时间作为分析指标;
安全评价模块,用于基于所述第一风险总值与所述飞行时间对预设历史时间周期内的安全风险事件进行指标监控与安全评价;
风险预测模块,用于基于所述第一风险总值与所述飞行时间,并利用组合预测模型对预设未来时间周期内的安全风险进行风险预测。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的国内支线运输飞机安全评价与风险预测方法。
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使所述计算机执行权利要求1-7中任一项所述的国内支线运输飞机安全评价与风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161908.XA CN116596295A (zh) | 2023-02-23 | 2023-02-23 | 一种国内支线运输飞机安全评价与风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310161908.XA CN116596295A (zh) | 2023-02-23 | 2023-02-23 | 一种国内支线运输飞机安全评价与风险预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116596295A true CN116596295A (zh) | 2023-08-15 |
Family
ID=87588648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310161908.XA Pending CN116596295A (zh) | 2023-02-23 | 2023-02-23 | 一种国内支线运输飞机安全评价与风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596295A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140851A1 (en) * | 2014-11-18 | 2016-05-19 | Ziv LEVY | Systems and methods for drone navigation |
CN107993308A (zh) * | 2017-09-08 | 2018-05-04 | 北京航空航天大学 | 一种独立式无人机飞行安全监测与信息管理系统 |
CN108985621A (zh) * | 2018-07-13 | 2018-12-11 | 南京航空航天大学 | 基于风险管控的区域多机场不正常航班恢复方法 |
CN110400061A (zh) * | 2019-07-05 | 2019-11-01 | 中国民航科学技术研究院 | 一种飞行安全综合评估的方法、装置、控制器及存储介质 |
CN111598327A (zh) * | 2020-05-12 | 2020-08-28 | 华东师范大学 | 一种航空风险评价方法、装置及计算机设备 |
KR102231588B1 (ko) * | 2020-06-29 | 2021-03-24 | 항공안전기술원 | 항공안전점검 감독장치 |
CN114331052A (zh) * | 2021-12-13 | 2022-04-12 | 阿里云计算有限公司 | 航空运行风险的确定方法、计算设备及存储介质 |
CN114493055A (zh) * | 2022-04-18 | 2022-05-13 | 中国飞机强度研究所 | 一种基于fta的飞机恶劣气候环境故障测试分析方法 |
CN115689276A (zh) * | 2022-10-11 | 2023-02-03 | 飞天联合(北京)系统技术有限公司 | 一种飞行品质事件风险监控方法、装置及计算设备 |
-
2023
- 2023-02-23 CN CN202310161908.XA patent/CN116596295A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140851A1 (en) * | 2014-11-18 | 2016-05-19 | Ziv LEVY | Systems and methods for drone navigation |
CN107993308A (zh) * | 2017-09-08 | 2018-05-04 | 北京航空航天大学 | 一种独立式无人机飞行安全监测与信息管理系统 |
CN108985621A (zh) * | 2018-07-13 | 2018-12-11 | 南京航空航天大学 | 基于风险管控的区域多机场不正常航班恢复方法 |
CN110400061A (zh) * | 2019-07-05 | 2019-11-01 | 中国民航科学技术研究院 | 一种飞行安全综合评估的方法、装置、控制器及存储介质 |
CN111598327A (zh) * | 2020-05-12 | 2020-08-28 | 华东师范大学 | 一种航空风险评价方法、装置及计算机设备 |
KR102231588B1 (ko) * | 2020-06-29 | 2021-03-24 | 항공안전기술원 | 항공안전점검 감독장치 |
CN114331052A (zh) * | 2021-12-13 | 2022-04-12 | 阿里云计算有限公司 | 航空运行风险的确定方法、计算设备及存储介质 |
CN114493055A (zh) * | 2022-04-18 | 2022-05-13 | 中国飞机强度研究所 | 一种基于fta的飞机恶劣气候环境故障测试分析方法 |
CN115689276A (zh) * | 2022-10-11 | 2023-02-03 | 飞天联合(北京)系统技术有限公司 | 一种飞行品质事件风险监控方法、装置及计算设备 |
Non-Patent Citations (4)
Title |
---|
曾亮;: "多层次模糊评估法在民航不安全事件风险评估中的应用", 中国安全科学学报, no. 01 * |
王剑辉;邓伟;夏正洪;万健;: "运输航空飞行安全风险评价方法", 中国安全科学学报, no. 12 * |
胡杰;: "基于飞行训练的航空安全风险模糊评估方法", 制造业自动化, no. 12 * |
蔡复青等: ""基于使用与维修数据的飞机使用可靠性研究"", 《系统工程及电子技术》, pages 1 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN106844663B (zh) | 一种基于数据挖掘的船舶碰撞风险评估方法及系统 | |
CN109559025A (zh) | 一种桥梁检监测一体化健康状况评估体系及其使用方法 | |
CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
WO2022147853A1 (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
US11396825B2 (en) | Turbine diagnostic feature selection system | |
KR102231588B1 (ko) | 항공안전점검 감독장치 | |
CN106779222B (zh) | 机场地面等待时间预测方法及装置 | |
Wang et al. | Modeling weather impact on ground delay programs | |
CN112712250A (zh) | 一种高原机场运行安全保障能力评价方法及系统 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN110796315B (zh) | 基于时效信息和深度学习的离港航班延误预测方法 | |
CN114333317B (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
Mosallam | Remaining useful life estimation of critical components based on Bayesian Approaches. | |
CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
CN116596295A (zh) | 一种国内支线运输飞机安全评价与风险预测方法及系统 | |
Misra et al. | Assessment of aircraft damage due to bird strikes: a machine learning approach | |
Burnaev | Rare failure prediction via event matching for aerospace applications | |
CN116956702A (zh) | 一种用电安全预警方法、介质及系统 | |
CN113807587B (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
Orugbo et al. | RCM and AHP hybrid model for road network maintenance prioritization | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 | |
Dojutrek et al. | A fuzzy approach for assessing transportation infrastructure security | |
Andrews et al. | Three novel bird strike likelihood modelling techniques: The case of Brisbane Airport, Australia |
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 |