CN117829599A - 多模态数据融合的无人机起降安全风险评估系统及方法 - Google Patents
多模态数据融合的无人机起降安全风险评估系统及方法 Download PDFInfo
- Publication number
- CN117829599A CN117829599A CN202311843813.2A CN202311843813A CN117829599A CN 117829599 A CN117829599 A CN 117829599A CN 202311843813 A CN202311843813 A CN 202311843813A CN 117829599 A CN117829599 A CN 117829599A
- Authority
- CN
- China
- Prior art keywords
- risk
- aerial vehicle
- unmanned aerial
- index
- evaluation
- 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 57
- 238000012502 risk assessment Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 107
- 239000011159 matrix material Substances 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 15
- 150000001875 compounds Chemical class 0.000 claims description 13
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011282 treatment Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011158 quantitative evaluation Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明提供了多模态数据融合的无人机起降安全风险评估系统及方法，属于人工智能技术领域。多模态数据融合的无人机起降安全风险评估系统中多模态数据感知模块用于将获取数据传入风险评估模块；风险评估模块计算得到湿滑道面无人机起降风险量化值；风险预警模块通过湿滑道面无人机起降风险量化值预测未来风险变化趋势，并给出预警。该方法包括构建湿滑道面无人机起降风险评估指标体系；建立湿滑道面无人机起降风险评估指标体系；确定各风险因素指标的影响权重；划分风险等级。本发明从人‑机‑环境系统工程的角度建立了湿滑道面无人机起降风险评估指标体系，使风险评估结果更为全面合理。
Description
技术领域
本发明提供了多模态数据融合的无人机起降安全风险评估系统及方法，属于人工智能技术领域。
背景技术
无人机产业作为低空经济的重要组成部分，其发展水平被视为衡量国家科技实力和创新能力的重要标志，是各方尤为重视的战略性新兴产业，对经济社会全局和长远发展具有重大引领带动作用。国家对于无人机运行安全问题尤为重视，2023年5月国家市场监管总局(标准委)发布了《民用无人驾驶航空器系统安全要求》强制性国家标准(GB 42590-2023)，该标准由工业和信息化部组织起草，将于2024年6月1日实施。
据国际航空运输协会统计，在各种航空器事故类型中，跑道偏离事故在事故数量上长期居于首位，是社会各界关注的首要事故类型。无人机在处于积水、积雪、结霜和结冰等状态下的湿滑道面起降时，转向能力和刹车能力大幅下降，很容易导致无人机偏离跑道。鉴于此，建立湿滑道面无人机起降安全的风险评估体系，提供前置性、及时性的预警服务对保障无人机运行安全具有重要意义。
目前对湿滑道面无人机起降安全的风险评估大多基于跑道道面湿滑程度，但无人机起降安全受道面、无人机性能和无人机驾驶员等多方面、多层次因素的耦合作用，单一从道面湿滑状态维度无法全面、准确的评估无人机起降风险。因而应同时考虑机场道面、无人机性能和无人机驾驶员等多方面因素的影响开展湿滑道面无人机起降安全风险评估进行系统评估。
发明内容
本发明针对上述问题提供了多模态数据融合的无人机起降安全风险评估系统及方法。
本发明采用如下技术方案：
本发明多模态数据融合的无人机起降安全风险评估系统，包括多模态数据感知模块、风险评估模块、风险预警模块。
数据感知模块：获取跑道环境数据、气象条件数据、无人机性能等数据，将获取的结构化数据、半结构化数据和非结构化数据等多模态数据预处理后传入数据融合模块。
风险评估模块：包括风险因素指标体系构建单元、风险指标权重及评分标准确认单元、灰色评价矩阵构建单元和模糊综合评价单元。
风险因素指标体系构建单元：以人-机-环系统性思维，从气象条件、无人机性能、跑道湿滑状态三个方面对无人机起降风险影响因子进行辨识，构建风险因素指标体系。
风险指标权重及评分标准确认单元：基于层次分析法和变异系数法，采用主客观结合的方法确定各风险因素权重；依据相关管理文件及专家咨询建议，确定各风险因素评分标准。
构建灰色评价矩阵单元：划分无人机起降风险为Ⅰ～Ⅴ五个等级构建评语集，并确定不同风险等级对应的灰度区间，形成灰色评价矩阵。
构建模糊综合评价单元：采用梯形隶属度函数，分析得出各风险因素指标对应各个灰子度的隶属度，形成模糊评价矩阵。
将湿滑道面无人机起降风险因素的模糊评价矩阵和风险指标权重复合运算，得出湿滑道面无人机起降风险量化值。
风险预警模块：包括风险等级判定单元智能预警单元。
风险等级判定单元：根据风险等级划分标准以及湿滑道面无人机起降安全风险值，得出风险值对应的风险等级。
风险预警单元：采用CNN-BILSTM神经网络，结合历史湿滑道面无人机起降风险值数据，预测未来风险状态变化趋势，并给出预警。
本发明所提供的多模态数据融合的无人机起降安全风险评估方法，步骤如下：
步骤1：采集跑道环境、无人机性能、无人机驾驶员等数据。
跑道环境数据通过机场跑道环境监测系统采集；无人机性能数据通过飞行管理系统采集；无人机驾驶员数据通过驾驶员管理系统获取。
对采集的多模态数据进行数据清洗、数据集成、数据转换、数据规约等数据预处理。通过数据清洗对原始数据进行去噪、填补与删除等处理后将其集成在一起，再经过数据转换与规约将其变换成规模更小、特征更明显的预处理数据。
步骤2：构建湿滑道面无人机起降风险评估指标体系。
从跑道环境、无人机性能和无人机驾驶员能力三方面，对影响无人机起降安全的各类指标进行辨识和分级。
无人机驾驶员能力方面，无人机在湿滑道面起降时，不同的驾驶员操纵无人机和应对突发情况的能力不同，无人机偏离跑道风险受驾驶员的飞行时长、特殊情况处理经验、综合素质等因素的影响。因此，选取驾驶员的飞行时长、特殊情况处置数量和《国家职业技能标准》评定的无人机驾驶员级别作驾驶员应对湿滑道面飞机起降能力的衡量指标。
跑道环境方面，根据中国民用航空总局《航空承运人湿跑道和污染跑道运行管理规定》当跑道受到水、雪、冰或霜的污染，将对在其上运行的航空器性能产生影响。不同面积、厚度的道面污染物对航空器性能造成的影响程度不同。选取积水、积雪、结霜、结冰的程度作为道面湿滑状态的衡量指标。
无人机性能方面，无人机的机轮胎压、降落速度和滑移率与无人机的摩擦行为有着很大的相关性，进而影响无人机偏离跑道风险值。因此，选取机轮胎压、降落速度和滑移率作为无人机在湿滑道面起降时性能的衡量指标。
目标层为湿滑跑道无人机起降风险值，用O表示，一级指标为道面湿滑状态、无人机性能和无人机驾驶员能力，用{P1,P2,P3}表示，二级指标为一级指标的细分。道面湿滑状态包括积水、积雪、结霜和结冰，用{P11,P12,P13,P14}表示。无人机性能分为降落速度、机轮胎压、移滑率，用{P21,P22,P23}表示。无人机驾驶员能力指标评估指标分为飞行时长、异常情况处置数和级别，用{P31,P32,P33}表示。
步骤3：确定各风险因素指标的影响权重
湿滑道面无人机起降风险受跑道环境、无人机性能、无人机驾驶员能力等多方面因素的综合影响，各因素包含各层级的子因素，且之间相互关联和制约，使得湿滑道面风险的评估变得复杂且难以量化。层次分析法擅长将复杂系统问题层次化分析，而模糊数学理论能够在考虑多方因素影响的基础上，为了某种目的进行综合决策并做出总体评价。基于湿滑跑道无人机起降风险的特点，本发明采用层次分析法和模糊数学理论来对风险进行分析和评估。
步骤3.1：通过层次分析法确定风险因素指标主观权重。
层次分析法将问题分为若干层次，通过对每一层的因素重要程度进行判断，将各指标的相对重要程度转化为权重值，形成一个多层次的决策。采用1-9标度法建立同一指标层中两两指标相对上层重要程度的判断矩阵A＝(apq)n*n，其中apq表示指标p和q之间的重要程度量化值，n代表A中评价指标的个数，p＝1,2,…,n；q＝1,2,…,n。判断矩阵采用三角矩阵的形式，即对角线上元素值为1，计算出上对角阵数值后，下三角元素采用aqp＝1/apq得到。
计算判断矩阵A每行所有元素的乘积再计算出mp的n次方根/>接下来归一化处理/>K＝(K1,K2,…,Kn)T即为各类指标的影响权重。
引入相容指数CI来验证其一致性，其中AWp＝∑apqwq,wp是的第p分量；为i的最大特征值，若CI<0.1，则认为判断矩阵的一致性可以接受，否则需要重新建立两两判断矩阵。
步骤3.2：通过变异系数法确定风险因素指标的客观权重
通过层次分析法确定风险因素指标的主观权重后，需要进一步根据变异系数法确定风险因素指标的客观权重。变异系数法基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重，考虑指标变异性大小的同时兼顾指标之间的相关性，完全利用数据自身的客观属性进行科学评价。
根据湿滑道面无人机起降风险评估体系中的风险因素个数确立n＝9项评价指标，根据跑道偏离事故数据原因评定确立m个待评判样本，构建原始指标数据矩阵：
式(1)中aij表示第i个样本中第j项评价指标的值。
对各指标数据进行无量纲化处理：
amin与ama；为aij中的最大值与最小值；
计算各个指标的指标变异性，以标准差的形式来表征：
式(3)中Sj表示第j项指标的标准差。
通过计算第j项评价指标的变异系数进而得到各指标的权重：
式(4)中Lj代表各指标的权重。
步骤3.3：主客观综合赋权
假设通过层次分析法和变异系数法确定的指标权重向量为K、L，则主客观综合赋权的结果为：
W＝aK+(1-a)L (5)
式(5)中W代表各指标的权重向量，α(0<α<1)代表倾向系数，表示对层次分析法赋权结果的偏向程度。
以上完成各级风险因素的权重计算，得到湿滑跑道无人机起降风险各因素的相对重要性权重向量，为下面风险综合评价提供基础。
步骤4：确定各风险因素的评分标准
按照风险因素值与湿滑跑道无人机起降风险的正相关程度确定指标评分标准，正相关程度由低到高分别对应分值1、2、3、4、5分。
步骤4.1：跑道环境指标评估标准
依据《运输机场跑道表面状况评估和报告规则》，参考不同数据数值对无人机偏离跑道可能造成的影响，结合跑道每三分之一段雨、雪、冰的厚度及覆盖率，设计机场跑道湿滑状态评分标准如表1。
表1机场跑道道面湿滑状态评分标准
步骤4.2：无人机性能指标评估标准
无人机机轮胎压对无人机的临界滑水速度有着很大的相关性，进而影响无人机偏离跑道风险值。由于摩擦行为与降落速度和滑移率密切相关，因此在分析无人机偏离跑道风险时还需考虑滑移率。无人机性能对应的评估标准如表2。
表2某机型无人机性能评分标准
步骤4.3：无人机驾驶员能力指标评估标准
从飞行时长、特殊情况处置数、驾驶员级别三方面判断无人机驾驶员对飞机的操纵能力。无人机驾驶员能力评分标准如表3。
表3无人机驾驶员能力评分标准
步骤5：风险值量化评估
步骤5.1：建立灰色评价矩阵
步骤5.1.1：确定评语集
将湿滑道面无人机起降安全风险划分为5个风险等级，评语集分别为“低风险”、“较低风险”、“中等风险”、“较高风险”和“高风险”，分别对应5个灰类，对应(0,01]范围的5个区间：(0,0.2]、(0.2,0.4]、(0.4,0.6]、(0.6,0.8]和(0.8,1]，如表4。
表4湿滑道面无人机起降风险评语集划分标准
步骤5.1.2：确定样本矩阵及灰类构造可能度函数
根据图4湿滑道面无人机起降风险评估体系，假设二级风险指标Pij对应的评分为dij。取灰类的阈值N表示风险因素类别数；ni表示第i类风险所包含的风险因素个数)为5个子区间的中间值，则 确定灰色评价等级值为：C＝(0.1,0.3,0.5,0.7,0.9)。
由上述即可构风险因素指标Pij的可能度函数如下：
第1灰类k＝1，风险等级为很低，灰数为[0,0.1,0.2]，对应的可能度函数为：
式(6)中，表示第1灰类对应的可能度函数；
第2灰类k＝2，风险等级为很低，灰数为[0,0.3,0.6]，对应的可能度函数为：
式(7)中，表示第2灰类对应的可能度函数；
第3灰类k＝3，风险等级为中等，灰数为[0,0.5,1]，对应的可能度函数为：
式(8)中，表示第3灰类对应的可能度函数；
第4灰类k＝4，风险等级为高，灰数为[0,0.7,1.4]，对应的可能度函数为：
式(9)中，表示第4灰类对应的可能度函数；
第5灰类k＝5，风险等级为很高，灰数为[0.9,∞)，对应的可能度函数为：
式(10)中，表示第5灰类对应的可能度函数；
步骤5.1.3：计算灰色评价系数及灰色评价矩阵
由上述可能度函数及样本矩阵，求出二级风险指标Pij(k＝1,2,3,4,5；i＝1,2,…,N；j＝1,2,…,ni；N表示风险因素类别数；ni表示第i类风险所包含的风险因素个数)属于第k子类的(k＝1,2,3,4,5)的灰度可能度函数值计算第k子类的总灰色评估系数/>
二级风险指标Pij对应的第k子类灰色评估系数为：
则二级风险指标Pij的灰色评估权值为：
由灰色评估权值构成Pij的灰色评估权向量为
由二级指标的灰色评估权向量Rij构成一级指标的灰类评价矩阵Ri如下：
式(13)中，ni表示第i类风险所包含的风险因素个数。
步骤5.2：风险量化评估
由计算出的风险指标的权重与灰类评价矩阵复合运算得到一级风险指标Pi的灰色综合评判矩阵Bi，如下式：
将一级风险指标Pi的灰色综合评判矩阵Bi组合成灰色评价权矩阵将灰色评价权矩阵B与一级风险指标的权重W复合运算，计算出目标层风险综合评价值：
将灰类评价权值按灰色水平赋值，由灰色评价等级向量CT＝(0.1,0.3,0.5,0.7,0.9)T，得出湿滑道面无人机起降风险值Z：
Z＝X·CT (16)
将计算出的湿滑道面无人机起降风险值与表4中的风险等级划分标准相对应，得出风险等级。
步骤6风险状态趋势预测
为提升风险防控的前瞻性和主动性，本发明所提供的多模态数据融合的无人机起降安全风险评估方法，采用深度学习理论，设计了基于道面湿滑无人机起降安全风险状态预测模型。根据湿滑道面无人机起降风险值因受跑道环境的影响具有随时间动态变化的特性，将CNN-BILSTM神经网络结构应用于风险状态的预测，CNN-BILSTM神经网络结构。
将逐小时监测的湿滑道面无人机起降风险值数据经预处理后输入CNN神经网络提取空间特征，再输入到BILSTM层，训练前向网络与后向网络拟合数据，获取数据时间前后序的特征。将BILSTM网络的输出作为全连接层的输入数据，最终输出风险等级的预测值。
有益效果
1、湿滑道面无人机起降风险的影响因素有很多，对其风险进行综合评价是一项复杂的工作。本发明从人-机-环境系统工程的角度建立了湿滑道面无人机起降风险评估指标体系，使风险评估结果更为全面合理。
2、基于层次分析法和变异系数法，对风险因素进行主客观综合赋权，弥补了单一赋权法的不足。依据机场相关管理文件及专家咨询建议，构建了湿滑道面无人机起降风险因素评分准则。构建了湿滑道面无人机起降风险指标评分准则。基于灰色定权聚类理论构建了湿滑道面无人机起降安全风险的灰色评价矩阵。
3、基于灰色定权聚类理论构建湿滑道面无人机起降安全风险的灰色评价矩阵，解决了湿滑道面无人机起降太多不确定性因素导致的风险难以量化的问题。
4、利用梯形隶属度函数改进模糊综合评价模型，设计了无人机在湿滑道面起降的风险评估模型，实现了风险的量化评估和风险等级判定。
5、基于深度学习算法，采用CNN-BILSTM神经网络设计了道面湿滑状态无人机起降风险等级预测模型，及时、准确、科学地预测风险状态的发展趋势，为无人机运行安全风险防范提供了支持，预判风险变化趋势并给出前置预警。
6、分别从跑道环境、无人机性能、无人机驾驶员能力三个方面对湿滑道面无人机起降风险的影响因素进行辨识，确立各方面的风险参数，构建了湿滑道面无人机起降安全风险评估指标体系。综合采用层次分析法和变异系数法对湿滑道面无人机起降安全风险指标权重进行主客观综合赋权，以弥补单一赋权法的不足，提高权重的合理性。
附图说明
图1为多模态数据融合的无人机起降安全风险评估系统原理图；
图2为多模态数据融合的无人机起降安全风险评估系统的湿滑道面无人机起降风险评估流程图；
图3为多模态数据融合的无人机起降安全风险评估方法的湿滑道面无人机起降风险指标体系；
图4为多模态数据融合的无人机起降安全风险评估系统所应用的CNN-BILSTM神经网络结构。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。
如图1所示：1、多模态数据融合的无人机起降安全风险评估系统，该系统包括多模态数据感知模块、风险评估模块、风险预警模块；多模态数据感知模块用于将获取跑道环境、气象条件、无人机性能的数据传入风险评估模块；风险评估模块结合多模态数据感知模块所传入的数据进行计算得到湿滑道面无人机起降风险量化值；风险预警模块通过湿滑道面无人机起降风险量化值预测未来风险变化趋势，并给出预警。
多模态数据感知模块基于跑道环境数据、气象条件数据、无人机性能数据。
风险评估模块包括风险因素指标体系构建单元、风险指标权重及评分标准确认单元、灰色评价矩阵构建单元、模糊综合评价单元；
由风险因素指标体系构建单元对无人机起降风险影响因子进行辨识，构建风险因素指标体系；由风险指标权重及评分标准确认单元依据风险因素指标体系构建单元，确定各风险因素评分标准；
构建灰色评价矩阵单元：划分无人机起降风险为Ⅰ～Ⅴ五个等级，并确定不同风险等级对应的灰度区间，形成灰色评价矩阵；
构建模糊综合评价单元，该单元采用梯形隶属度函数，依据灰色评价矩阵分析得出各风险因素指标对应各个灰子度的隶属度，形成模糊评价矩阵；
利用风险因素评分标准及通过模糊评价矩阵进行权重复合运算，得出湿滑道面无人机起降风险量化值。
风险预警模块包括风险等级判定单元，风险预警单元；
风险等级判定单元：根据风险等级划分标准以及湿滑道面无人机起降安全风险值，得出风险值对应的风险等级；
风险预警单元：采用CNN-BILSTM神经网络，结合历史湿滑道面无人机起降风险值数据，预测未来风险状态变化趋势，并给出预警。
本发明所提供的多模态数据融合的无人机起降安全风险评估方法的实施例如下：
某型号固定翼无人机准备着陆，跑道状况为前1/3跑道覆盖有深度为9mm的积水，积水覆盖率45％，降落速度为210公里/小时，机轮胎压1200kpa，移滑率0.13，机长飞行时长7630小时，处理过2次恶劣天气中的突发特殊情况，职业技能等级为一级。
根据步骤3确立的主客观综合权重分配方法，权重分配过程分为基于层次分析法的主观权重分配和基于CRITIC法的客观权重分配两部分。基于层次分析法的权重分配计算方法，首先利用公式计算出各层次的指标权重分配，之后根据公式确定各层次指标权重分配结果通过一致性检验的基础上，利用加权平均法得到各指标权重的最终分配结果。
本研究选取权重α＝0.8，表示特别倾向于对层次分析法计算得到的权重。
运用公式W＝0.8K+0.2*L计算得到最终的权重分配如表5。
表5湿滑跑道无人机起降风险指标权重结果
根据表2～表4的指标评分标准，得出二级指标评分值为(3,0,0,0,1,1,1,2,5,2)，将经过最大最小归一化后的评分值(0.6,0,0,0,0.2,0.2,0.2,0.4,1,0.4)代入可能度函数，得到可能度函数值。
以二级指标道面积水程度R11为例，演示计算过程。R11评分为0.6，则根据公式(2)得R11属于第一灰类即k＝1的可能度函数值：
同理，可计算出R11属于第二、三、四、五灰类的灰色评估系数的值分别为0、0.8、0.857、0.667。
由公式(8)得二级指标道面积水程度R11对应的灰色评估系数为：
G11＝(0+0+0.8+0.857+0.667)＝2.324
根据公式(12)得出R11属于第一灰类的灰色评估权值为：
同理，可计算出R11属于第二、三、四、五灰类的灰色评估权值为
则R11的灰色评估权向量为：
R11＝(0,0,0.344,0.369,0.287)
同理求出R12和R13的灰色权向量,组合得到一级风险指标道面状况R1的灰色评估权矩阵为：
上述同样的步骤即可算出无人机性能指标R2、无人机驾驶员指标R3的灰色评估权矩阵分别如下：
由表1中R1指标的权重，及R1的灰色评估权矩阵及公式(11)即可算出以一级风险因素指标道面状况R1的综合评价值：
B1＝W′11·R1＝[0,0,0.104,0.112,0.087]
同理可得一级风险因素指标无人机性能r2的综合评价值：
B2＝[0,0.423,0.253,0.182,0.141]
一级风险因素指标无人机驾驶员R3的综合评价值：
B3＝[0,0,0.283,0.36,0.356]
再根据公式(14)可计算出湿滑道面无人机起降总风险综合评价值：
由灰色评价等级向量CT＝(0.1,0.3,0.5,0.7,0.9)T，灰色评价水平赋值得项目总风险值：
根据风险等级对照表，确定湿滑道面无人机起降风险处于中等水平。
采用训练好的湿滑道面无人机起降风险预测模型在对应测试下的测试结果及误差如表6。
表6湿滑道面无人机起降风险预测结果及误差
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (7)
1.多模态数据融合的无人机起降安全风险评估系统，该系统包括多模态数据感知模块、风险评估模块、风险预警模块；多模态数据感知模块用于将获取跑道环境、气象条件、无人机性能的数据传入风险评估模块；风险评估模块结合多模态数据感知模块所传入的数据进行计算得到湿滑道面无人机起降风险量化值；风险预警模块通过湿滑道面无人机起降风险量化值预测未来风险变化趋势，并给出预警。
2.根据权利要求1所述的多模态数据融合的无人机起降安全风险评估系统，其特征在于：多模态数据感知模块基于跑道环境数据、气象条件数据、无人机性能数据。
3.根据权利要求1所述的多模态数据融合的无人机起降安全风险评估系统，其特征在于：风险评估模块包括风险因素指标体系构建单元、风险指标权重及评分标准确认单元、灰色评价矩阵构建单元、模糊综合评价单元；
由风险因素指标体系构建单元对无人机起降风险影响因子进行辨识，构建风险因素指标体系；由风险指标权重及评分标准确认单元依据风险因素指标体系构建单元，确定各风险因素评分标准；
所述的构建灰色评价矩阵单元：划分无人机起降风险为Ⅰ～Ⅴ五个等级，并确定不同风险等级对应的灰度区间，形成灰色评价矩阵；
构建模糊综合评价单元，该单元采用梯形隶属度函数，依据灰色评价矩阵分析得出各风险因素指标对应各个灰子度的隶属度，形成模糊评价矩阵；
利用风险因素评分标准及通过模糊评价矩阵进行权重复合运算，得出湿滑道面无人机起降风险量化值。
4.根据权利要求1所述的多模态数据融合的无人机起降安全风险评估系统，其特征在于：风险预警模块包括风险等级判定单元，风险预警单元；
风险等级判定单元：根据风险等级划分标准以及湿滑道面无人机起降安全风险值，得出风险值对应的风险等级；
风险预警单元：采用CNN-BILSTM神经网络，结合历史湿滑道面无人机起降风险值数据，预测未来风险状态变化趋势，并给出预警。
5.利用权利要求1至4任意一项所述的多模态数据融合的无人机起降安全风险评估系统的评估方法，其特征在于：评估步骤如下：
步骤1：采集跑道环境数据、无人机性能数据、无人机驾驶员数据；该跑道环境数据通过机场跑道环境监测系统采集；无人机性能数据通过飞行管理系统采集；无人机驾驶员数据通过驾驶员管理系统获取；
步骤2：构建湿滑道面无人机起降风险评估指标体系；
通过跑道环境、无人机性能、无人机驾驶员能力，已对影响无人机起降安全的各类指标进行辨识和分级；建立湿滑道面无人机起降风险评估指标体系；
步骤3：采用层次分析法和模糊数学理论来对风险进行分析和评估，确定各风险因素指标的影响权重；
步骤4：确定机场跑道道面湿滑状态评分标准、无人机性能评分标准、无人机驾驶员能力评分标准；
机场跑道道面湿滑状态评分标准如下表：
无人机性能评分标准如下表：
无人机驾驶员能力评分标准如下表：
步骤5：将湿滑道面无人机起降安全风险划分为5个风险等级,分别对应5个灰类，划分标准如下表：
通过将计算出的湿滑道面无人机起降风险值与上表中的风险等级划分标准相对应，得出风险等级；
步骤6风险状态趋势预测，基于步骤5中湿滑道面无人机起降风险值通过CNN-BILSTM神经网络结构应用于风险状态的预测；最终获得风险等级的预测值。
6.根据权利要求5所述的多模态数据融合的无人机起降安全风险评估系统的评估方法，其特征在于：
所述步骤3采用层次分析法和模糊数学理论来对风险进行分析和评估具体步骤如下：
步骤3.1：通过层次分析法确定风险因素指标主观权重；
采用1-9标度法建立同一指标层中两两指标相对上层重要程度的判断矩阵：
A＝(apq)n*n
其中apq表示指标p和q之间的重要程度量化值，n代表A中评价指标的个数，p＝1,2,…,n；q＝1,2,…,n。判断矩阵采用三角矩阵的形式，即对角线上元素值为1，计算出上对角阵数值后，下三角元素采用aqp＝1/apq得到；
计算判断矩阵A每行所有元素的乘积
再计算出mp的n次方根随后归一化处理/> 即为各类指标的影响权重；
步骤3.2：通过变异系数法确定风险因素指标的客观权重；
根据湿滑道面无人机起降风险评估体系中的风险因素个数确立n＝9项评价指标，根据跑道偏离事故数据原因评定确立m个待评判样本，构建原始指标数据矩阵：
式(1)中aij表示第i个样本中第j项评价指标的值；
对各指标数据进行无量纲化处理：
计算各个指标的指标变异性，以标准差的形式来表征：
式(3)中表示指标平均值，Sj表示第j项指标的标准差；
通过计算第j项评价指标的变异系数进而得到各指标的权重：
式(4)中vj表示第j项评价指标的变异系数，Lj代表各指标的权重。
步骤3.3：主客观综合赋权
假设通过层次分析法和变异系数法确定的指标权重向量为K、L，则主客观综合赋权的结果为：
W＝aK+(1-a)L (5)
式(5)中W代表各指标的权重向量，α(0<α<1)代表倾向系数，表示对层次分析法赋权结果的偏向程度。
以上完成各级风险因素的权重计算，得到湿滑跑道无人机起降风险各因素的相对重要性权重向量，为下面风险综合评价提供基础。
7.根据权利要求5所述的多模态数据融合的无人机起降安全风险评估系统的评估方法，其特征在于：
步骤5.1中风险值量化评估具体步骤如下：
步骤5.1：建立灰色评价矩阵；
步骤5.1.1：确定评语集；
将湿滑道面无人机起降安全风险划分为5个风险等级，分别为“低风险”、“较低风险”、“中等风险”、“较高风险”和“高风险”，分别对应5个灰类，对应(0,01]范围的5个区间：(0,0.2]、(0.2,0.4]、(0.4,0.6]、(0.6,0.8]和(0.8,1]；
步骤5.1.2：确定样本矩阵及灰类构造可能度函数；
根据湿滑道面无人机起降风险评估体系，假设二级风险指标Pij对应的评分为dij；
取灰类的阈值其中k＝1,2,3,4,5；i＝1,2,…,N；j＝1,2,…,ni；N表示风险因素类别数；ni表示第i类风险所包含的风险因素个数为5个子区间的中间值，则
确定灰色评价等级值为：C＝(0.1,0.3,0.5,0.7,0.9)；
由上述风险因素指标Pij的可能度函数如下：
第1灰类k＝1，风险等级为很低，灰数为对应的可能度函数为：
式(6)中，表示第1灰类对应的可能度函数；
第2灰类k＝2，风险等级为很低，灰数为对应的可能度函数为：
式(7)中，表示第2灰类对应的可能度函数；
第3灰类k＝3，风险等级为中等，灰数为对应的可能度函数为：
式(8)中，表示第3灰类对应的可能度函数；
第4灰类k＝4，风险等级为高，灰数为对应的可能度函数为：
式(9)中，表示第4灰类对应的可能度函数；
第5灰类k＝5，风险等级为很高，灰数为对应的可能度函数为：
式(10)中，表示第5灰类对应的可能度函数；
步骤5.1.3：计算灰色评价系数及灰色评价矩阵；
由上述可能度函数及样本矩阵，求出二级风险指标Pij(k＝1,2,3,4,5；i＝1,2,…,N；j＝1,2,…,ni；N表示风险因素类别数；ni表示第i类风险所包含的风险因素个数；属于第k子类的(k＝1,2,3,4,5)的灰度可能度函数值计算第k子类的总灰色评估系数/>
二级风险指标Pij对应的第k子类灰色评估系数为：
则二级风险指标Pij的灰色评估权值为：
式(12)中，为二级风险指标Pij对应第k子类的灰色评估权值；
由灰色评估权值构成Pij的灰色评估权向量为
由二级指标的灰色评估权向量Rij构成一级指标的灰类评价矩阵Ri如下：
式(13)中，ni表示第i类风险所包含的风险因素个数；
步骤5.2：风险量化评估；
由计算出的风险指标的权重与灰类评价矩阵复合运算得到一级风险指标Pi的灰色综合评判矩阵Bi，如下式：
将一级风险指标Pi的灰色综合评判矩阵Bi组合成灰色评价权矩阵将灰色评价权矩阵B与一级风险指标的权重W复合运算，计算出目标层风险综合评价值X：
式(15)中，W′为权重W的转置矩阵；
将灰类评价权值按灰色水平赋值，由灰色评价等级向量CT＝(0.1,0.3,0.5,0.7,0.9)T，得出湿滑道面无人机起降风险值Z：
Z＝X·CT (16)
将计算出的湿滑道面无人机起降风险值与步骤5.1.1中5个风险等级中的风险等级划分标准相对应，得出风险等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843813.2A CN117829599A (zh) | 2023-12-28 | 2023-12-28 | 多模态数据融合的无人机起降安全风险评估系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311843813.2A CN117829599A (zh) | 2023-12-28 | 2023-12-28 | 多模态数据融合的无人机起降安全风险评估系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117829599A true CN117829599A (zh) | 2024-04-05 |
Family
ID=90514876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311843813.2A Pending CN117829599A (zh) | 2023-12-28 | 2023-12-28 | 多模态数据融合的无人机起降安全风险评估系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829599A (zh) |
-
2023
- 2023-12-28 CN CN202311843813.2A patent/CN117829599A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508392B (zh) | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 | |
| CN106023655B (zh) | 一种扇区空中交通拥堵状态监测方法 | |
| CN111507586A (zh) | 通航水域水上施工安全风险预警分级方法及系统 | |
| CN104217297B (zh) | 一种轨道交通车站动态安全风险评价方法 | |
| Qiao et al. | Utilization of accident databases and fuzzy sets to estimate frequency of HazMat transport accidents | |
| CN114783183A (zh) | 一种基于交通态势算法的监控方法与系统 | |
| CN105956790B (zh) | 低空飞行态势安全性评估指标及其评估方法 | |
| CN105261240B (zh) | 一种基于聚类分析的扇区运行性能综合检测方法及系统 | |
| CN110705850A (zh) | 一种基于层次分析法的道路风险评估方法 | |
| CN113837621B (zh) | 一种机场飞行区安全风险综合评价方法 | |
| Calle-Alonso et al. | A Bayesian-network-based approach to risk analysis in runway excursions | |
| CN112382086A (zh) | 自动驾驶汽车开放道路测试评价系统的使用方法 | |
| CN105225539B (zh) | 基于主成分分析的扇区运行性能综合指数的方法及系统 | |
| Subramanian et al. | Deep-learning based time series forecasting of go-around incidents in the national airspace system | |
| CN104598993A (zh) | 基于眨眼次数的驾驶员疲劳驾驶预测方法 | |
| CN113887872A (zh) | 一种基于态势评估技术的交通风险分级方法 | |
| CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
| CN112270445B (zh) | 基于统计分析和分类预测的航班延误波及综合评估方法 | |
| CN105205565A (zh) | 一种基于多重回归模型的管制员工作负荷预测方法和系统 | |
| CN117133099A (zh) | 一种用于高速公路高边坡灾变的自动监测系统 | |
| Zhou et al. | The landing safety prediction model by integrating pattern recognition and Markov chain with flight data | |
| CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
| CN114219116A (zh) | 对流天气影响终端区的容量预测方法 | |
| CN117829599A (zh) | 多模态数据融合的无人机起降安全风险评估系统及方法 | |
| CN117172379A (zh) | 一种基于趋势特征值和改进随机森林的煤矿灾害预警方法 |
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 |