CN117194982B - 民航客机着陆载荷风险预警方法、系统及电子设备 - Google Patents
民航客机着陆载荷风险预警方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117194982B CN117194982B CN202311146188.6A CN202311146188A CN117194982B CN 117194982 B CN117194982 B CN 117194982B CN 202311146188 A CN202311146188 A CN 202311146188A CN 117194982 B CN117194982 B CN 117194982B
- Authority
- CN
- China
- Prior art keywords
- landing
- landing load
- early warning
- model
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001419 dependent effect Effects 0.000 claims abstract description 20
- 238000007726 management method Methods 0.000 claims abstract description 18
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 7
- 230000010006 flight Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000001485 positron annihilation lifetime spectroscopy Methods 0.000 claims description 2
- 101100234002 Drosophila melanogaster Shal gene Proteins 0.000 description 4
- 235000015076 Shorea robusta Nutrition 0.000 description 4
- 244000166071 Shorea robusta Species 0.000 description 4
- 238000007670 refining Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种民航客机着陆载荷风险预警方法、系统及电子设备,其方法包括:S1、构建融合有多元线性回归及岭回归的着陆载荷预警模型,着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数;S2、将民航客机着陆载荷样本数据库的样本数据输入着陆载荷预警模型进行模型训练;S3、采集预测民航客机的数据输入着陆载荷预警模型并输出着陆载荷预测值;S4、对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。本发明着陆载荷预警模型基于航班运行过程中的多维度数据得出着陆载荷预测及风险预警结果,便于重着陆风险的提前处置与管控,便于规划着陆过程,实现对航班运行的风险管控。
Description
技术领域
本发明涉及民航客机着陆载荷大预警与管控领域,特别涉及民航安全运行领域,尤其涉及一种民航客机着陆载荷风险预警方法、系统及电子设备。
背景技术
民航业高速发展,安全是民航的生命线、高压线,事故可能造成人员伤亡和财产损失,对于民航来说影响是巨大的。但安全不是绝对的,事故也不可能完全避免。着陆载荷大事件是着陆过程中一类发生频繁的不安全事件,不仅会对飞机造成损伤,同时也会影响跑道安全,一直作为行业的重点风险进行管控。民航运行过程中,诸多的安全管理理念和先进的技术均已用于提高航空公司的安全运行水平。因此,如何实现对着陆载荷值的提前预测、预警与管控,是着陆载荷大事件避免及管控亟需解决的技术难题。
发明内容
本发明的目的在于解决背景技术所指出的技术问题,提供一种民航客机着陆载荷风险预警方法、系统及电子设备,构建融合有多元线性回归及岭回归的着陆载荷预警模型,模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,通过样本数据进行模型训练,在采集预测民航客机的数据后能够实现着陆载荷的预测,基于对样本数据进行着陆载荷风险预警分类能够设定着陆载荷风险预警等级,实现结合着陆载荷预测值进行风险预警等级判断而得到风险预警等级,实现了航班着陆运行的着陆载荷预测及风险预警。
本发明的目的通过下述技术方案实现:
一种民航客机着陆载荷风险预警方法,其方法包括:
S1、构建融合有多元线性回归及岭回归的着陆载荷预警模型,着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:
y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数;
S2、构建民航客机着陆载荷样本数据库,民航客机着陆载荷样本数据库的样本数据包括SHEL模型因子源数据和所对应的着陆载荷,SHEL模型因子源数据包括民航客机着陆前的飞行监测数据、天气数据、着陆机场管理数据及民航客机对应飞行员的能力数据,着陆载荷为对应QAR数据记录的载荷数据;
将民航客机着陆载荷样本数据库的样本数据输入着陆载荷预警模型,着陆载荷预警模型从SHEL模型因子源数据中对应提取SHEL模型因子作为自变量进行模型训练;
S3、采集预测民航客机所对应的SHEL模型因子源数据输入训练后的着陆载荷预警模型并输出着陆载荷预测值。
进一步的技术方案是:本发明还包括如下方法:
S4、设定着陆载荷风险预警等级,着陆载荷风险预警等级包括软警告、飞行技术类事件硬警告和飞行事件类事件硬警告,软警告等级所对应着陆载荷风险预警范围为大于等于A1且小于A2;飞行技术类事件硬警告所对应着陆载荷风险预警范围为大于等于A2且小于A3;飞行事件类事件硬警告所对应着陆载荷风险预警范围为大于等于A3;
对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
优选地,在步骤S1中设定研究着陆机场;步骤S2中民航客机着陆载荷样本数据库的样本数据及所采集预测民航客机的数据均来源于研究着陆机场;所述着陆载荷预警模型针对研究着陆机场进行着陆载荷预测。
优选地,SHEL模型因子包括操作员技术等级、当日航班已飞行时间、当日航班已飞行段数、操作员近三年着陆载荷大警告发生次数、航班是否为夜航、风向与航向的夹角、风速、是否为雨/雪天气、跑道能见度、跑道长度、RCLL灯、SFL灯、REDL灯、PALS CAT灯、TDZL灯、着陆机场标高、着陆基准速度Vref、50ft时空速相对Vref的大小、接地时空速相对Vref的大小、接地时飞机的下降率、操纵员拉操作杆的时机、接地时仰角、操纵员收油门的时机、飞机着陆重量。
优选地,在步骤S2中,QAR数据记录的载荷数据为通过QAR数据记录的主轮接地前2秒至前轮接地后5秒飞机立轴方向的载荷,着陆载荷筛选出QAR数据记录的载荷数据中的极大值。
优选地,所述着陆载荷预警模型中多元线性回归采用Pearson相关性分析对各个自变量、因变量进行分析,剔除Pearson相关性分析中检验P值低于P1的自变量或将检验P值低于P1的自变量对应模型参数设置为零。
优选地,所述着陆载荷预警模型中岭回归分析时对各个自变量进行标准化处理并将标准化岭回归系数稳定且绝对值小于X1的自变量剔除或将自变量对应模型参数设置为零;将岭参数K值逐渐增大调节处理,将标准化岭回归系数从一个较大值迅速开始震动趋于零的自变量剔除或将自变量对应模型参数设置为零。
优选地,所述SHEL模型因子先经过SHEL模型从民航客机着陆载荷样本数据库提取初始因子,然后进行初始因子增减调整处理得到。
一种民航客机着陆载荷风险预警系统,包括数据采集模块、着陆载荷预警模型和输出及预警模块,所述着陆载荷预警模型内部包括民航客机着陆载荷样本数据库和SHEL模型因子提取修改模块,所述民航客机着陆载荷样本数据库由数据采集模块采集得到样本数据,所述数据采集模块用于采集样本数据和待预测民航客机的数据,所述SHEL模型因子提取修改模块内部存储有SHEL模型因子;着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数;所述输出及预警模块用于输出着陆载荷预测值,同时对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
一种电子设备,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行实现本发明民航客机着陆载荷风险预警方法的步骤。
本发明较现有技术相比,具有以下优点及有益效果:
(1)本发明构建融合有多元线性回归及岭回归的着陆载荷预警模型,模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,通过样本数据进行模型训练,在采集预测民航客机的数据后能够实现着陆载荷的预测,基于对样本数据进行着陆载荷风险预警分类能够设定着陆载荷风险预警等级,实现结合着陆载荷预测值进行风险预警等级判断而得到风险预警等级,实现了航班着陆运行的着陆载荷预测及风险预警。
(2)本发明着陆载荷预警模型基于航班运行过程中的多维度数据得出着陆载荷预测及风险预警结果,便于重着陆风险的提前处置与管控,在重着陆风险不可避免时,能够赢得充足时间预案,在着陆过程中采取控制措施降低重着陆发生的可能性,使着陆载荷在可接受的范围内;本发明能够知晓航班着陆过程中的风险点以及可控制的变量,进而规划着陆过程,实现对航班运行的风险管控,为机场和航空公司开展着陆载荷大事件风险管控提供较为精确的指导。
附图说明
图1为实施例二中民航客机着陆载荷风险预警方法的方法流程图;
图2为实施例二中民航客机着陆载荷风险预警系统的原理结构框图;
图3为实施例中岭回归在不同k值时计算的岭迹图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明:
实施例一
如图1所示,一种民航客机着陆载荷风险预警方法,其方法包括:
S1、构建融合有多元线性回归及岭回归的着陆载荷预警模型,着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:
y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数。在本实施例中,优选举例的SHEL模型因子包括操作员技术等级(从低到高按分为13个等级,赋值1-13)、当日航班已飞行时间(预计航班的计划飞行时间,单位:小时)、当日航班已飞行段数(操作员当日已完成的航班次数,该航班在当日的飞行次数)、操作员近三年着陆载荷大警告发生次数(航班近三年发生着陆载荷大警告的次数)、航班是否为夜航(着陆时间晚于当地日落时间且早于日出时间时赋值为1,早于日落时间且晚于日出时间时赋值为0)、风向与航向的夹角(着陆跑道航向与风向的夹角,单位:度)、风速(着陆瞬间风速,单位:节)、是否为雨/雪天气(有雨雪天气时赋值1,没有时赋值0)、跑道能见度(机场能见度代替跑道能见度,单位:千米)、跑道长度(着陆跑道长度,单位:千米)、RCLL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、SFL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、REDL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、PALS CAT灯(有相关灯光时赋值1,没有相关灯光时赋值0)、TDZL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、着陆机场标高(着陆机场标高,单位:百英尺)、着陆基准速度Vref(单位:节)、50ft时空速相对Vref的大小(单位:节)、接地时空速相对Vref的大小(单位:节)、接地时飞机的下降率(单位:百英尺/分钟)、操纵员拉操作杆的时机(操纵员拉操作杆的时机是以飞机无线电高度表示,单位:英尺)、接地时仰角(接地瞬间飞机的仰角,单位为度)、操纵员收油门的时机(操纵员收油门的时机是以飞机无线电高度表示,单位:英尺,操作员为飞行员)、飞机着陆重量(着陆时飞机的重量,单位:吨)。其中,当日航班已飞行时间、当日航班已飞行段数、航班是否为夜航、风向与航向的夹角、着陆基准速度Vref、50ft时空速相对Vref的大小、接地时空速相对Vref的大小、接地时飞机的下降率、操纵员拉操作杆的时机、接地时仰角、操纵员收油门的时机、飞机着陆重量主要来源于飞行监测数据,风速、是否为雨/雪天气、跑道能见度主要来源于天气数据,跑道长度、RCLL灯、SFL灯、REDL灯、PALS CAT灯、TDZL灯、着陆机场标高主要来源于着陆机场管理数据,操作员技术等级、操作员近三年着陆载荷大警告发生次数主要来源于民航客机对应飞行员的能力数据。
在一些实施例中,SHEL模型因子先经过SHEL模型(航班运行过程中人员、机器、环境、管理方面的各种因素,帮助建立了更加完备的变量集合)从民航客机着陆载荷样本数据库提取初始因子,然后进行初始因子增减调整处理得到。
S2、构建民航客机着陆载荷样本数据库,民航客机着陆载荷样本数据库的样本数据包括SHEL模型因子源数据和所对应的着陆载荷,SHEL模型因子源数据包括民航客机着陆前的飞行监测数据、天气数据、着陆机场管理数据及民航客机对应飞行员的能力数据,着陆载荷为对应QAR数据记录的载荷数据。
在一些优选实施例中,着陆载荷预警模型中多元线性回归采用Pearson相关性分析对各个自变量、因变量进行分析,剔除Pearson相关性分析中检验P值低于P1的自变量或将检验P值低于P1(举例取值为0.05)的自变量对应模型参数设置为零。根据举例的24个自变量(即SHEL模型因子),着陆载荷预警模型利用举例的一定量样本数据,得到24个自变量的Pearson相关性分析如下表:
在一些优选实施例中,着陆载荷预警模型在多元线性回归之后,24个自变量会剔除一部分,然后对剩余的自变量进行如下剔除处理:着陆载荷预警模型中岭回归分析时对各个自变量进行标准化处理并将标准化岭回归系数稳定且绝对值小于X1的自变量剔除或将自变量对应模型参数设置为零;将岭参数K值逐渐增大调节处理(本实施例举例的岭回归在不同k值时计算的岭迹图,如图3所示,由此可见,k=0.7时的回归系数、标准化回归系数、VIF值拟合度更好,本实施例举例如下表),将标准化岭回归系数从一个较大值迅速开始震动趋于零的自变量剔除或将自变量对应模型参数设置为零。
由此可以得到举例数据下的着陆载荷值预测函数表达式如下:y′=2.37497+0.00269x1-0.00711x2+0.00636x4+0.02351x5+0.04956x8-0.00321x9-0.25500x11+0.03013x12+0.01987x14+0.00075x16-0.00356x17-0.00354x18-0.00470x19-0.01389x20-0.02887X22。由此,本发明可以帮助了解航班着陆过程中的风险点以及可控制的变量,便于进行规划着陆过程,实现对航班运行的风险管控;同时为机场和航空公司开展着陆载荷大事件风险管控提供较为精确的指导。
将民航客机着陆载荷样本数据库的样本数据输入着陆载荷预警模型,着陆载荷预警模型从SHEL模型因子源数据中对应提取SHEL模型因子作为自变量进行模型训练;
S3、采集预测民航客机所对应的SHEL模型因子源数据(包括民航客机着陆前的飞行监测数据、天气数据、着陆机场管理数据及民航客机对应飞行员的能力数据)输入训练后的着陆载荷预警模型并输出着陆载荷预测值。
S4、设定着陆载荷风险预警等级,着陆载荷风险预警等级包括软警告、飞行技术类事件硬警告和飞行事件类事件硬警告,软警告等级所对应着陆载荷风险预警范围为大于等于A1且小于A2;飞行技术类事件硬警告所对应着陆载荷风险预警范围为大于等于A2且小于A3;飞行事件类事件硬警告所对应着陆载荷风险预警范围为大于等于A3;
对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
实施例二
如图1所示,一种民航客机着陆载荷风险预警方法,其方法包括:
S1、设定研究着陆机场(以研究着陆机场作为目标着陆机场,当然可以以某种型号的飞机作为研究对象,其应用于以某种型号飞机为核心的着陆载荷风险预警,进一步细化可以为:以某个航空公司的某种型号的飞机作为研究对象,其进一步细化应用于以某个航空公司、某种型号飞机为核心的着陆载荷风险预警,其预警精度将更高),针对研究着陆机场构建融合有多元线性回归及岭回归的着陆载荷预警模型,着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子(优选地,SHEL模型因子先经过SHEL模型从民航客机着陆载荷样本数据库提取初始因子,然后进行初始因子增减调整处理得到)为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:
y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数。
在本实施例中,优选举例的SHEL模型因子包括操作员技术等级(从低到高按分为13个等级,赋值1-13)、当日航班已飞行时间(预计航班的计划飞行时间,单位:小时)、当日航班已飞行段数(操作员当日已完成的航班次数,该航班在当日的飞行次数)、操作员近三年着陆载荷大警告发生次数(航班近三年发生着陆载荷大警告的次数)、航班是否为夜航(着陆时间晚于当地日落时间且早于日出时间时赋值为1,早于日落时间且晚于日出时间时赋值为0)、风向与航向的夹角(着陆跑道航向与风向的夹角,单位:度)、风速(着陆瞬问风速,单位:节)、是否为雨/雪天气(有雨雪天气时赋值1,没有时赋值0)、跑道能见度(机场能见度代替跑道能见度,单位:千米)、跑道长度(着陆跑道长度,单位:千米)、RCLL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、SFL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、REDL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、PALS CAT灯(有相关灯光时赋值1,没有相关灯光时赋值0)、TDZL灯(有相关灯光时赋值1,没有相关灯光时赋值0)、着陆机场标高(着陆机场标高,单位:百英尺)、着陆基准速度Vref(单位:节)、50ft时空速相对Vref的大小(单位:节)、接地时空速相对Vref的大小(单位:节)、接地时飞机的下降率(单位:百英尺/分钟)、操纵员拉操作杆的时机(操纵员拉操作杆的时机是以飞机无线电高度表示,单位:英尺)、接地时仰角(接地瞬间飞机的仰角,单位为度)、操纵员收油门的时机(操纵员收油门的时机是以飞机无线电高度表示,单位:英尺,操作员为飞行员)、飞机着陆重量(着陆时飞机的重量,单位:吨)。本实施例举例SHEL模型因子包括二十四个因子,如下表格:
其中,当日航班已飞行时间、当日航班已飞行段数、航班是否为夜航、风向与航向的夹角、着陆基准速度Vref、50ft时空速相对Vref的大小、接地时空速相对Vref的大小、接地时飞机的下降率、操纵员拉操作杆的时机、接地时仰角、操纵员收油门的时机、飞机着陆重量主要来源于飞行监测数据,风速、是否为雨/雪天气、跑道能见度主要来源于天气数据,跑道长度、RCLL灯、SFL灯、REDL灯、PALS CAT灯、TDZL灯、着陆机场标高主要来源于着陆机场管理数据,操作员技术等级、操作员近三年着陆载荷大警告发生次数主要来源于民航客机对应飞行员的能力数据。
S2、构建研究着陆机场的民航客机着陆载荷样本数据库,民航客机着陆载荷样本数据库的样本数据包括SHEL模型因子源数据和所对应的着陆载荷,SHEL模型因子源数据包括民航客机着陆前的飞行监测数据、天气数据、着陆机场管理数据及民航客机对应飞行员的能力数据,着陆载荷为研究着陆机场对应民航客机中QAR数据记录的载荷数据。在一些优选实施例中,QAR数据记录的载荷数据为通过QAR数据记录的主轮接地前2秒至前轮接地后5秒飞机立轴方向的载荷,着陆载荷筛选出QAR数据记录的载荷数据中的极大值。
将民航客机着陆载荷样本数据库的样本数据输入着陆载荷预警模型,着陆载荷预警模型从SHEL模型因子源数据中对应提取SHEL模型因子作为自变量进行模型训练;
S3、采集研究着陆机场待预测民航客机(即将在研究着陆机场降落着陆的待预测民航客机)所对应的SHEL模型因子源数据(包括民航客机着陆前的飞行监测数据、天气数据、着陆机场管理数据及民航客机对应飞行员的能力数据)输入训练后的着陆载荷预警模型并输出着陆载荷预测值。本实施例可以输出SHEL模型因子的种类及排序(SHEL模型因子的种类为自变量有哪些,排序是指自变量所对应的模型参数),本发明可以输出本次待预测民航客机预测处理所对应的着陆载荷值预测函数表达式,便于进行可控制自变量的调节处理及知晓风险点(便于及时进行风险点的处置)。
S4、设定着陆载荷风险预警等级,着陆载荷风险预警等级包括软警告、飞行技术类事件硬警告和飞行事件类事件硬警告,软警告等级所对应着陆载荷风险预警范围为大于等于A1且小于A2;飞行技术类事件硬警告所对应着陆载荷风险预警范围为大于等于A2且小于A3;飞行事件类事件硬警告所对应着陆载荷风险预警范围为大于等于A3;不警告所对应着陆载荷风险预警范围为小于A1,本实施例举例取值为:A1=1.6,A2=1.8,A3=2.0。
对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
一种民航客机着陆载荷风险预警系统,包括数据采集模块、着陆载荷预警模型和输出及预警模块,所述着陆载荷预警模型内部包括民航客机着陆载荷样本数据库和SHEL模型因子提取修改模块,所述民航客机着陆载荷样本数据库由数据采集模块采集得到样本数据,所述数据采集模块用于采集样本数据和待预测民航客机的数据,所述SHEL模型因子提取修改模块内部存储有SHEL模型因子;着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数;所述输出及预警模块用于输出着陆载荷预测值,同时对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
一种电子设备,包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行实现本发明民航客机着陆载荷风险预警方法的步骤。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种民航客机着陆载荷风险预警方法,其特征在于:其方法包括:
S1、构建融合有多元线性回归及岭回归的着陆载荷预警模型,着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:
y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数;
S2、构建民航客机着陆载荷样本数据库,民航客机着陆载荷样本数据库的样本数据包括SHEL模型因子源数据和所对应的着陆载荷,SHEL模型因子源数据包括民航客机着陆前的飞行监测数据、天气数据、着陆机场管理数据及民航客机对应飞行员的能力数据,着陆载荷为对应QAR数据记录的载荷数据;
将民航客机着陆载荷样本数据库的样本数据输入着陆载荷预警模型,着陆载荷预警模型从SHEL模型因子源数据中对应提取SHEL模型因子作为自变量进行模型训练;
S3、采集预测民航客机所对应的SHEL模型因子源数据输入训练后的着陆载荷预警模型并输出着陆载荷预测值;
S4、设定着陆载荷风险预警等级,着陆载荷风险预警等级包括软警告、飞行技术类事件硬警告和飞行事件类事件硬警告,软警告等级所对应着陆载荷风险预警范围为大于等于A1且小于A2;飞行技术类事件硬警告所对应着陆载荷风险预警范围为大于等于A2且小于A3;飞行事件类事件硬警告所对应着陆载荷风险预警范围为大于等于A3;
对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
2.按照权利要求1所述的民航客机着陆载荷风险预警方法,其特征在于:在步骤S1中设定研究着陆机场;步骤S2中民航客机着陆载荷样本数据库的样本数据及所采集预测民航客机的数据均来源于研究着陆机场;所述着陆载荷预警模型针对研究着陆机场进行着陆载荷预测。
3.按照权利要求1所述的民航客机着陆载荷风险预警方法,其特征在于:SHEL模型因子包括操作员技术等级、当日航班已飞行时间、当日航班已飞行段数、操作员近三年着陆载荷大警告发生次数、航班是否为夜航、风向与航向的夹角、风速、是否为雨/雪天气、跑道能见度、跑道长度、RCLL灯、SFL灯、REDL灯、PALS CAT灯、TDZL灯、着陆机场标高、着陆基准速度Vref、50ft时空速相对Vref的大小、接地时空速相对Vref的大小、接地时飞机的下降率、操纵员拉操作杆的时机、接地时仰角、操纵员收油门的时机、飞机着陆重量。
4.按照权利要求1所述的民航客机着陆载荷风险预警方法,其特征在于:在步骤S2中,QAR数据记录的载荷数据为通过QAR数据记录的主轮接地前2秒至前轮接地后5秒飞机立轴方向的载荷,着陆载荷筛选出QAR数据记录的载荷数据中的极大值。
5.按照权利要求1所述的民航客机着陆载荷风险预警方法,其特征在于:所述着陆载荷预警模型中多元线性回归采用Pearson相关性分析对各个自变量、因变量进行分析,剔除Pearson相关性分析中检验P值低于P1的自变量或将检验P值低于P1的自变量对应模型参数设置为零。
6.按照权利要求1所述的民航客机着陆载荷风险预警方法,其特征在于:所述着陆载荷预警模型中岭回归分析时对各个自变量进行标准化处理并将标准化岭回归系数稳定且绝对值小于X1的自变量剔除或将自变量对应模型参数设置为零;对岭参数K值逐渐增大调节处理,将标准化岭回归系数迅速开始震动趋于零的自变量剔除或将自变量对应模型参数设置为零。
7.按照权利要求1所述的民航客机着陆载荷风险预警方法,其特征在于:所述SHEL模型因子先经过SHEL模型从民航客机着陆载荷样本数据库提取初始因子,然后进行初始因子增减调整处理得到。
8.一种实现权利要求1~7任一项所述的民航客机着陆载荷风险预警方法的民航客机着陆载荷风险预警系统,其特征在于:包括数据采集模块、着陆载荷预警模型和输出及预警模块,所述着陆载荷预警模型内部包括民航客机着陆载荷样本数据库和SHEL模型因子提取修改模块,所述民航客机着陆载荷样本数据库由数据采集模块采集得到样本数据,所述数据采集模块用于采集样本数据和待预测民航客机的数据,所述SHEL模型因子提取修改模块内部存储有SHEL模型因子;着陆载荷预警模型以着陆载荷值为因变量、以SHEL模型因子为自变量的着陆载荷值预测函数,着陆载荷值预测函数表达式如下:y=β0+β1x1+β2x2+…+βixi+…+βkxk+ε,其中y表示因变量,xi表示第i个自变量,βi表示第i个自变量对应的模型参数,β0表示预设模型参数,ε表示误差项,k表示自变量的总数;所述输出及预警模块用于输出着陆载荷预测值,同时对着陆载荷预测值进行风险预警等级判断并输出对应的风险预警等级。
9.一种电子设备,其特征在于:包括至少一个处理器、至少一个存储器和数据总线;其中:所述处理器与所述存储器通过数据总线完成相互间的通信;所述存储器存储有被所述处理器执行的程序指令,所述处理器调用所述程序指令以执行实现权利要求1至7任一项所述的民航客机着陆载荷风险预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146188.6A CN117194982B (zh) | 2023-09-06 | 2023-09-06 | 民航客机着陆载荷风险预警方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311146188.6A CN117194982B (zh) | 2023-09-06 | 2023-09-06 | 民航客机着陆载荷风险预警方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117194982A CN117194982A (zh) | 2023-12-08 |
CN117194982B true CN117194982B (zh) | 2024-02-13 |
Family
ID=88993616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311146188.6A Active CN117194982B (zh) | 2023-09-06 | 2023-09-06 | 民航客机着陆载荷风险预警方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117194982B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472283A (zh) * | 2018-09-13 | 2019-03-15 | 中国科学院计算机网络信息中心 | 一种基于多重增量回归树模型的危险天气事件预测方法和装置 |
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 |
CN112793797A (zh) * | 2021-02-03 | 2021-05-14 | 东航技术应用研发中心有限公司 | 一种飞机着陆弹跳预警方法和系统 |
WO2021157034A1 (ja) * | 2020-02-06 | 2021-08-12 | Anaホールディングス株式会社 | 航空機危険予測装置および航空機危険予測システム |
WO2021260982A1 (ja) * | 2020-06-22 | 2021-12-30 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN114282792A (zh) * | 2021-12-20 | 2022-04-05 | 中国民航科学技术研究院 | 一种飞行着陆品质监控与评估方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410058B2 (en) * | 2019-03-29 | 2022-08-09 | QuantumiD Technologies Inc. | Artificial intelligence system for estimating excess non-sapient payload capacity on mixed-payload aeronautic excursions |
US20230202676A1 (en) * | 2021-12-28 | 2023-06-29 | Beta Air, Llc | Systems and methods for monitoring impact on electric aircraft |
-
2023
- 2023-09-06 CN CN202311146188.6A patent/CN117194982B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472283A (zh) * | 2018-09-13 | 2019-03-15 | 中国科学院计算机网络信息中心 | 一种基于多重增量回归树模型的危险天气事件预测方法和装置 |
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 |
WO2021157034A1 (ja) * | 2020-02-06 | 2021-08-12 | Anaホールディングス株式会社 | 航空機危険予測装置および航空機危険予測システム |
WO2021260982A1 (ja) * | 2020-06-22 | 2021-12-30 | 株式会社日立製作所 | 予測システムおよび予測方法 |
CN112793797A (zh) * | 2021-02-03 | 2021-05-14 | 东航技术应用研发中心有限公司 | 一种飞机着陆弹跳预警方法和系统 |
CN114282792A (zh) * | 2021-12-20 | 2022-04-05 | 中国民航科学技术研究院 | 一种飞行着陆品质监控与评估方法及系统 |
Non-Patent Citations (4)
Title |
---|
Research on Prediction of Hard Landing for Aircraft Based on Ridge Regression;Xianhui Tian等;《2023 IEEE 5th International Conference on Civil Aviation Safety and Information Technology》;653-658 * |
Risk Assessment and Prediction of Aircraft Fleet Hard Landing Based on QAR Exceedance Events;Xiangzhang, W等;《2022 IEEE 4th International Conference on Civil Aviation Safety and Information Technology》;352-357 * |
基于实时监测参数的民用飞机重着陆预警方法;蔡景等;《交通运输工程学报》;第22卷(第02期);298-309 * |
基于模糊加权Markov方法的飞机重着陆风险控制研究;王旭辉等;《安全与环境学报》;第10卷(第06期);184-187 * |
Also Published As
Publication number | Publication date |
---|---|
CN117194982A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111652427B (zh) | 一种基于数据挖掘分析的航班到达时刻预测方法及系统 | |
CN103247089A (zh) | 用于实时飞机性能监视的系统和方法 | |
CN109284896B (zh) | 人误模式影响分析方法 | |
CN107077141A (zh) | 用于计算飞机性能的系统和用于执行该计算的方法 | |
JP2013096988A (ja) | 航空機パラメータを推定するための方法およびシステム | |
CN109979037A (zh) | Qar参数综合可视化分析方法及系统 | |
Hu et al. | The study on hard landing prediction model with optimized parameter SVM method | |
CN113548187B (zh) | 飞行器座舱压力控制系统及方法 | |
CN106127407B (zh) | 基于多传感器信息融合的飞机行程打分方法及打分系统 | |
CN114282792A (zh) | 一种飞行着陆品质监控与评估方法及系统 | |
CN112990683A (zh) | 一种航班保障流程节点的预警方法及相关设备 | |
CN110390177B (zh) | 离群飞行物确定方法及装置 | |
CN117194982B (zh) | 民航客机着陆载荷风险预警方法、系统及电子设备 | |
Caetano | Aviation accident and incident forecasting combining occurrence investigation and meteorological data using machine learning | |
CN115662196B (zh) | 飞机积冰预报信息处理方法、装置、电子设备及存储介质 | |
CN114282811B (zh) | 基于跨机型SOPs标准化公务机飞行风险监测系统及方法 | |
EP4113095A1 (en) | Wear state prediction method, wear state prediction device and wear state prediction program | |
CN115293225A (zh) | 飞行员平飘顶杆成因分析方法和装置 | |
CN114333428A (zh) | 机场落地航空器间隔管理方法、装置及存储介质 | |
De Visscher et al. | Data mining and Machine Learning techniques supporting Time-Based Separation concept deployment | |
Dziugiel et al. | From statistics, through new requirements to mathematical modelling of SAT aircraft safety | |
CN111721480A (zh) | 一种基于飞行数据的民机机组氧气系统渗漏预警方法 | |
CN113066315B (zh) | 面向民机进近着陆段飞行安全的场景捕获分析方法 | |
Novák et al. | Use of Unmanned Aerial Vehicles in Aircraft Inspection | |
CN116453377B (zh) | 一种对飞机qar数据进行飞行阶段划分的方法 |
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 |