JP6176717B2

JP6176717B2 - 航空機運航用情報生成装置、航空機運航用情報生成方法、及び航空機運航用情報生成プログラム

Info

Publication number: JP6176717B2
Application number: JP2013184674A
Authority: JP
Inventors: 直樹又吉; 朋子飯島
Original assignee: Japan Aerospace Exploration Agency JAXA
Current assignee: Japan Aerospace Exploration Agency JAXA
Priority date: 2013-09-06
Filing date: 2013-09-06
Publication date: 2017-08-09
Anticipated expiration: 2033-09-06
Also published as: CN105518763B; JP2015051678A; EP3043332A4; EP3043332A1; CN105518763A; HK1222939A1; WO2015033742A1; EP3043332B1

Description

本発明は、航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成装置、航空機運航用情報生成方法、及び航空機運航用情報生成プログラムに関する。

航空機にとって着陸経路上の風擾乱は、航空機の飛行経路、飛行姿勢等をパイロットの意図と無関係に変動させるため、着陸復行、代替地着陸等の運航障害やハードランディング等の事故の要因となっている。変化スケールが１〜１０ｋｍオーダの大規模な風擾乱（ウィンドシア）が主に飛行経路を変動させ、変化スケールが１０〜１００ｍオーダの小規模な風擾乱（乱気流）が主に飛行姿勢を変動させる。国際民間航空機関（ＩＣＡＯ）は、滑走路面から高度５００ｍ以下の着陸経路について、風擾乱の情報を航空機に提供するよう求めている（非特許文献１を参照）。

着陸経路上の風向・風速は、地上設置型、あるいは航空機搭載型のレーダやライダ（レーザレーダ）等の風観測センサにより、１００ｍオーダの空間分解能で観測が可能である。この風観測情報を用いて運航障害や事故の要因となり得る風擾乱を検出し、パイロットに警報情報を提供する装置（特許文献１〜４、非特許文献２を参照）が開発されている。

特公平８−５０９０６１号公報特開２０１２−２１８７３１号公報特開２００２−２６７７５３号公報特開２０１２−１０３０５０号公報

国際民間航空機関（ＩＣＡＯ）、Ａｎｎｅｘ３ "ＭｅｔｅｏｒｏｌｏｇｉｃａｌＳｅｒｖｉｃｅｆｏｒＩｎｔｅｒｎａｔｉｏｎａｌＡｉｒＮａｖｉｇａｔｉｏｎ" 米連邦航空局（ＦＡＡ）、ＴｅｃｈｎｉｃａｌＳｔａｎｄａｒｄＯｒｄｅｒＴＳＯ−Ｃ１１７ａ'ＡｉｒｂｏｒｎｅＷｉｎｄｓｈｅａｒＷａｒｎｉｎｇａｎｄＥｓｃａｐｅＧｕｉｄａｎｃｅＳｙｓｔｅｍｓｆｏｒＴｒａｎｓｐｏｒｔＡｉｒｐｌａｎｅｓ' 木滝、又吉、鈴木、上村、「飛行中の航空機に作用する風の推定」、日本航空宇宙学会誌Ｎｏ．５２４、平成９年９月

上述した従来技術は、観測された着陸経路上の風擾乱の強さ（風速の変化率や変化量）の閾値判定により、警報情報を生成しているが、生成された警報情報が実際の運航障害や事故の発生と相関が低いことが問題となっている。

そこで、本発明の主要な目的は、従来の問題点を解決するものであり、実際の運航障害や事故の発生と相関が高い情報を生成する航空機運航用情報生成装置、航空機運航用情報生成方法、及び航空機運航用情報生成プログラムを提供することである。

本請求項１に係る発明は、航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成装置であって、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施すデータ処理部と、航空機の機種情報と前記データ処理部によって出力された複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、第１の推定モデルによって、着陸難易度を推定する着陸難易度推定部とを有し、前記第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることにより、前記課題を解決するものである。

本請求項２に係る発明は、請求項１に係る発明の構成に加え、前記第１の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることにより、前記課題を解決するものである。
本請求項３に係る発明は、請求項１または請求項２に係る発明の構成に加え、前記データ処理部は、風擾乱推定部を有し、前記風擾乱推定部は、前記気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと前記滑走路の方位データとに前処理を施すことで取得したデータを入力情報として、第２の推定モデルによって、複数の所定高度における風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを推定するものであり、前記第２の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることにより、前記課題を解決するものである。
本請求項４に係る発明は、請求項３に係る発明の構成に加え、前記第２の推定モデルは、前記航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値を、学習データの入力値として用いて構築されたものであることにより、前記課題を解決するものである。
本請求項５に係る発明は、請求項３または請求項４に係る発明の構成に加え、前記第２の推定モデルは、前記航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値周りの標準偏差を、学習データの出力値として用いて構築されたものであることにより、前記課題を解決するものである。
本請求項６に係る発明は、請求項３乃至請求項５のいずれかに係る発明の構成に加え、前記風擾乱推定部は、前記気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、前記滑走路の方位データとを入力情報として、座標変換を施すことにより、複数の所定高度における風速の正対風成分と風速の横風成分とを算出し、前記正対風成分および前記横風成分のそれぞれについて、高度方向に数値微分することにより、複数の所定高度における正対風成分の高度変化率および横風成分の高度変化率を算出し、前記正対風成分と前記横風成分と前記正対風成分の高度変化率と前記横風成分の高度変化率と高度とを入力情報として、前記第２の推定モデルによって、前記風速の正対風成分の変動幅と前記横風成分の変動幅と前記上下風成分の変動幅とを推定するものであることにより、前記課題を解決するものである。
本請求項７に係る発明は、請求項１乃至請求項６のいずれかに係る発明の構成に加え、前記データ処理部は、航空機応答推定部を有し、前記航空機応答推定部は、複数の所定高度における着陸経路上の正対風成分および横風成分と、複数の所定高度における正対風成分の変動幅および横風成分の変動幅および上下風成分の変動幅とを入力情報として、第３の推定モデルによって、複数の所定高度における航空機の飛行状態の変動幅を推定するものであり、前記第３の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることにより、前記課題を解決するものである。
本請求項８に係る発明は、請求項７に係る発明の構成に加え、前記第３の推定モデルは、前記航空機の飛行データに含まれる、航空機の変動データの移動平均値周りの標準偏差を、学習データの出力値として用いて構築されたものであることにより、前記課題を解決するものである。
本請求項９に係る発明は、請求項７または請求項８に係る発明の構成に加え、前記第３の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることにより、前記課題を解決するものである。
本請求項１０に係る発明は、航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成方法であって、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施し、航空機の機種情報と前記前処理によって出力された複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、第１の推定モデルによって、滑走路に対する航空機の着陸難易度を推定し、前記第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることにより、前記課題を解決するものである。
本請求項１１に係る発明は、航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成プログラムであって、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施す手順と、航空機の機種情報と前記前処理によって出力された複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、第１の推定モデルによって、滑走路に対する航空機の着陸難易度を推定する手順とをコンピュータに実行させ、前記第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることにより、前記課題を解決するものである。

本請求項１、１０、１１に係る発明によれば、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データと、航空機の機種情報とを入力情報として、滑走路に対する航空機の着陸難易度を推定することにより、特定の滑走路の情報を反映した着陸難易度を推定することが可能であるため、運航障害や事故の発生と相関性が高く、有用性の高い着陸難易度を提供することができる。

本請求項１、１０、１１に係る発明によれば、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施すデータ処理部と、データ処理部の出力データと航空機の機種情報とを入力情報として、第１の推定モデルによって、着陸難易度を推定する着陸難易度推定部とを有し、第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることにより、特定の着陸経路およびパイロットが主観的に評価した評価データを反映した有用性の高い着陸難易度を推定することができる。
本請求項２に係る発明によれば、第１の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることにより、特定の着陸経路およびパイロットが主観的に評価した評価データに加えて、特定の航空機の機種情報を反映した有用性の高い着陸難易度を推定することができる。
本請求項３に係る発明によれば、データ処理部は、風擾乱推定部を有し、風擾乱推定部は、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと滑走路の方位データとに前処理を施すことで取得したデータを入力情報として、第２の推定モデルによって、複数の所定高度における風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを推定するものであり、第２の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることにより、航空機の飛行状態を変動させる要因となる、風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを、特定の着陸経路の情報を反映させて高精度に推定することが可能であるため、有用性の高い着陸難易度を推定することができる。
本請求項４に係る発明によれば、航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値を、第２の推定モデルを構築する際の学習データの入力値として用いることにより、実態に近似した高精度な第２の推定モデルを構築することが可能であるため、精度の高い風速の各成分の変動幅を推定することができる。
本請求項５に係る発明によれば、航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値周りの標準偏差を、第２の推定モデルを構築する際の学習データの出力値として用いることにより、実態に近似した高精度な第２の推定モデルを構築することが可能であるため、精度の高い風速の各成分の変動幅を推定することができる。
本請求項６に係る発明によれば、風擾乱推定部は、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとを入力情報として、座標変換を施すことにより、複数の所定高度における風速の正対風成分と風速の横風成分とを算出し、正対風成分および横風成分のそれぞれについて、高度方向に数値微分することにより、正対風成分の高度変化率および横風成分の高度変化率を算出し、正対風成分と横風成分と正対風成分の高度変化率と横風成分の高度変化率と高度とを入力情報として、第２の推定モデルによって、風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを推定するものであることにより、着陸経路上の複数の所定高度における風向データおよび風速データと滑走路の方位データとから、高精度な風速の各成分の変動幅を推定することができる。
本請求項７に係る発明によれば、データ処理部は、航空機応答推定部を有し、航空機応答推定部は、複数の所定高度における着陸経路上の正対風成分および横風成分と、複数の所定高度における正対風成分の変動幅および横風成分の変動幅および上下風成分の変動幅とを入力情報として、第３の推定モデルによって、航空機の飛行状態の変動幅を推定するものであり、第３の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることにより、着陸難易度の推定にあたり重要な要素となる航空機の飛行状態の変動幅を、特定の着陸経路の情報を反映させて高精度に推定することが可能であるため、有用性の高い着陸難易度を推定することができる。
本請求項８に係る発明によれば、航空機の飛行データに含まれる、航空機の変動データの移動平均値周りの標準偏差を、第３の推定モデルを構築する際の学習データの出力値として用いることにより、実態に近似した高精度な第３の推定モデルを構築することが可能であるため、精度の高い航空機の飛行状態の変動幅を推定することができる。
本請求項９に係る発明によれば、第３の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることにより、特定の着陸経路に加えて、特定の航空機の機種の情報を反映した有用性の高い航空機の飛行状態の変動幅を推定することができる。

本発明の一実施形態である航空機運航用情報生成装置の構成を示す概略図。風擾乱推定部による出力の検証結果の一例を示す説明図。航空機応答推定部による出力の検証結果の一例を示す説明図。航空機運航用情報生成装置によって生成された情報を基に作成された警報画面の一例を示す参考図。

本発明は、航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成装置であって、気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データと、航空機の機種情報とを入力情報として、滑走路に対する航空機の着陸難易度を推定し、実際の運航障害や事故の発生と相関が高い情報を生成するものであれば、その具体的な構成は如何なるものでもよい。

例えば、本発明における気象センサの具体的態様は、風情報を取得することができるものであれば、気象レーダや気象ライダ等、如何なるものでもよい。

以下に、本発明の一実施形態である航空機運航用情報生成装置１０について、図１〜４に基づいて説明する。

航空機運航用情報生成装置１０は、気象センサＳによって取得した観測情報をデータ処理し、航空機運航における各種判断に関する支援情報を生成するものである。航空機運航用情報生成装置１０は、制御部２０、気象センサＳとの間で情報を送受信する送受信部７０、記憶部、入力部、出力部、補助記憶装置等を備え、制御部２０を記憶部に展開されたソフトウェアに従って動作させることにより、後述する各部を実現する。制御部２０は、ＣＰＵ等で構成され、記憶部は、ＲＯＭ、ＲＡＭ等で構成されている。

制御部２０は、図１に示すように、風擾乱推定部４０および航空機応答推定部５０を含むデータ処理部３０と、航空機の着陸難易度を算出する着陸難易度推定部６０とを有している。

まず、データ処理部３０に含まれる風擾乱推定部４０について説明する。風擾乱推定部４０は、図１に示すように、風成分算出部４１と、変化率算出部４２と、変動幅推定部４３とを有している。風擾乱推定部４０の各部による処理内容については、以下の通りである。

まず、風成分算出部４１は、気象センサＳによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとを入力情報として、座標変換を施すことにより、複数の所定高度における滑走路方向に沿った風速の正対風成分と滑走路方向に直交する横方向に沿った風速の横風成分とを算出する。

次に、変化率算出部４２は、風成分算出部４１によって取得した正対風成分および横風成分のそれぞれについて、高度方向に数値微分することにより、正対風成分の高度変化率および横風成分の高度変化率を算出する。

次に、変動幅推定部４３は、正対風成分と横風成分と正対風成分の高度変化率と横風成分の高度変化率と高度とを入力情報として、第２の推定モデルによって、入力と同高度における着陸経路上の、正対風成分の変動幅と、横風成分の変動幅と、上下風成分の変動幅とを推定する。変動幅推定部４３では、変化スケールが１０〜１００ｍオーダの比較的小規模な風速変動の主要な生成要因の一つが、風速の高度変化（シア）であるため、入力情報として正対風成分、横風成分の高度変化率を利用している。

上述した第２の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを基に、ニューラルネットワーク、ベイジアンネットワーク、サポートベクターマシーン等の非線形多変量解析手法によって生成されたものである。第２の推定モデルの具体的内容は、以下の通りである。

まず、第２の推定モデルの出力である風速成分の変動幅は、航空機応答推定部５０の入力として使用するため、飛行姿勢を変動させる変化スケールが１０〜１００ｍオーダの風擾乱の情報を含む必要がある。しかし、一般的な１００ｍオーダの空間分解能の風観測センサでは、この情報を直接観測できない。このため、第２の推定モデルの構築に用いる学習データは、以下の方法で生成する。

学習データは、推定対象となる着陸経路上を飛行して着陸した航空機の飛行データを基に生成する。飛行データは、１００例以上等、できるだけ多数を用意することが望ましい。飛行データとしては、例えば、一般的な旅客機が搭載しているフライトデータレコーダ（ＦＤＲ）のデータが使用できる。一般的な航空機運航会社は、ＦＤＲのデータを過去１年分程度保管しており、データ数の確保は容易である。航空機が受けた正対風・横風・上下風の３成分の風の時歴情報（以下、飛行データ算出風）は、飛行データから算出が可能である（非特許文献３を参照）。航空機の飛行データは通常１〜１０Ｈｚ程度のレートで記録されており、通常の着陸時の対地飛行速度は６０ｍ／ｓ程度であることを考慮すれば、例えば２Ｈｚのレートで記録された飛行データに基づく風情報の空間分解能は３０ｍ程度となり、飛行データから算出した３成分の風データには、飛行姿勢を変動させる小規模な風擾乱（変化スケールが１０〜１００ｍオーダ）の情報が十分含まれている。学習データにおいて、レーダ、ライダ等の既存の風観測センサの出力に相当する推定モデルの入力は、飛行データ算出風を風観測センサの空間分解能（１００ｍオーダ）に合うような区間幅（例：１００〜２００ｍの空間分解能に合わせる場合、２〜３秒程度）で移動平均して生成する。学習データにおいて、推定モデルの出力となる正対風・横風・上下風の３成分の風の変動幅は、飛行データ算出風の移動平均値周りの標準偏差として算出する。標準偏差算出のための移動平均は、飛行姿勢を変動させる風擾乱（変化スケールが１０〜１００ｍオーダ）による風速変動を主に表す区間幅（例：通常の大型旅客機の場合、２〜５秒程度）で行う。

ここで、風擾乱推定部４０による出力の検証結果を図２を用いて説明する。この図２から、各風成分（正対風、横風、風の高度変化率、上昇風）は、図２の上段に示す着陸事例の場合よりも、図２の下段に示す着陸復行事例の場合の方が、変動幅が大きくなることが分かる。なお、図２では、風擾乱推定部４０による出力を点線で示し、飛行データ（ＦＤＲ）を実線で示している。

次に、航空機応答推定部５０の処理内容について以下に説明する。

航空機応答推定部５０は、風成分算出部４１によって取得した複数高度における着陸経路上の正対風成分および横風成分と、変動幅推定部４３によって取得した複数高度における着陸経路上の正対風成分の変動幅および横風成分の変動幅および上下風成分の変動幅と、航空機の機種情報とを入力情報として、着陸経路および航空機の機種ごとに設定された第３の推定モデルによって、入力と同高度における航空機の飛行状態（飛行諸元）の変動幅を推定する。

上述した第３の推定モデルは、推定対象の着陸経路上を飛行して着陸した推定対象機種の航空機の飛行データを基に、ニューラルネットワーク、ベイジアンネットワーク、サポートベクターマシーン等の非線形多変量解析手法によって生成されたものである。第３の推定モデルの具体的内容は、以下の通りである。

まず、第３の推定モデルの推定対象とする飛行諸元は、操縦の難易度と相関の高い対気速度、姿勢（ロール、ピッチ）、上下・左右加速度、昇降率、操舵量等が適当であるが、これに限定されるものではない。機種毎に異なる飛行特性を考慮するため、推定モデルは機種毎に構築する。第３の推定モデルの出力である飛行諸元の変動幅は、着陸難易度推定部の入力として使用するため、操縦の難易度と相関が高い周波数帯の飛行諸元の変動情報を含むように推定する。このため、第３の推定モデルの構築に用いる学習データは、以下の方法で生成する。

学習データは、推定対象となる着陸経路上を飛行して着陸した推定対象の機種の航空機の飛行データを基に生成する。ここで、飛行データは、１００例以上等、できるだけ多数を用意することが望ましく、特に、パイロットの操縦特性を平均的に反映するために、多数のパイロットが操縦した飛行データを用意することが望ましい。学習データにおいて、推定モデルの入力となる風データは、風擾乱推定部４０の出力生成と同様の手法で飛行データから生成する。学習データにおいて、推定モデルの出力となる飛行諸元の変動幅は、推定対象の飛行諸元に対応する飛行データの移動平均値周りの標準偏差として算出する（通常、飛行データには、推定対象の飛行諸元の記録が含まれている）。標準偏差算出のための移動平均は、操縦の難易度と相関が高い飛行諸元の変動を主に表す区間幅（例：通常の大型旅客機の場合、２〜４秒程度）で行う。

ここで、航空機応答推定部５０による出力の検証結果を図３を用いて説明する。この図３から、各飛行諸元（上下加速度、左右加速度、ロール角、ピッチ角）は、図３の上段に示す着陸事例の場合よりも、図３の下段に示す着陸復行事例の場合の方が、変動幅が大きくなることが分かる。図３では、航空機応答推定部５０による出力を点線で示し、飛行データ（ＦＤＲ）を実線で示している。

次に、着陸難易度推定部６０の処理内容について以下に説明する。

着陸難易度推定部６０は、航空機の機種情報と航空機応答推定部５０によって取得した複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、着陸経路および航空機の機種ごとに設定された第１の推定モデルによって、複数の区分（例：難易度が低、中、高の３段階）に分けられた着陸難易度を算出する。

第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した推定対象機種の航空機の飛行データと着陸難易度をパイロットが主観的に評価した評価データとを基に、ニューラルネットワーク、ベイジアンネットワーク、サポートベクターマシーン等の非線形多変量解析手法によって生成されたものである。第１の推定モデルの具体的内容は、以下の通りである。

まず、第１の推定モデルの学習データは、推定対象となる着陸経路上を飛行して着陸した推定対象の機種の航空機の飛行データ、および着陸の難易度をパイロットが主観的に評価した評価データを基に生成する。ここで、飛行データは、１００例以上等、できるだけ多数を用意することが望ましく、特に、パイロットの操縦特性を平均的に反映するために、多数のパイロットが操縦した飛行データを用意することが望ましい。また、評価データについても、１００例以上等、できるだけ多数を用意することが望ましい。なお、パイロットの主観評価は、推定モデルの出力と同じ区分分けで行うものとする。学習データにおいて、推定モデルの入力となる航空機の飛行諸元の変動幅は、航空機応答推定部５０の出力生成と同様の手法で飛行データから生成する。学習データにおいて、推定モデルの出力となる着陸の難易度は、パイロットの主観評価データを用いる。この主観評価データは、例えば、パイロットへのアンケート調査を一定期間行うことで収集可能である。

このようにして得られた本実施形態の航空機運航用情報生成装置１０によれば、気象センサＳによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データと、航空機の機種情報とを入力情報として、滑走路に対する航空機の着陸難易度を推定することにより、特定の滑走路の情報を反映した着陸難易度を推定することが可能であるため、図４に示すように、運航障害や事故の発生と相関性が高く、有用性の高い着陸難易度を提供することができる。

また、気象センサＳによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施すデータ処理部３０と、データ処理部３０の出力データと航空機の機種情報とを入力情報として、第１の推定モデルによって、着陸難易度を推定する着陸難易度推定部６０とを有し、第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることにより、特定の着陸経路およびパイロットが主観的に評価した評価データを反映した有用性の高い着陸難易度を推定することができる。

また、第１の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることにより、特定の着陸経路およびパイロットが主観的に評価した評価データに加えて、特定の航空機の機種情報（飛行特性）を反映した有用性の高い着陸難易度を推定することができる。

また、データ処理部３０は、風擾乱推定部４０を有し、風擾乱推定部４０は、気象センサＳによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと滑走路の方位データとに前処理を施すことで取得したデータを入力情報として、第２の推定モデルによって、複数の所定高度における風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを推定するものであり、第２の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることにより、航空機の飛行状態を変動させる要因となる、風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを、特定の着陸経路の情報を反映させて高精度に推定することが可能であるため、有用性の高い着陸難易度を推定することができる。

また、航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値を、第２の推定モデルを構築する際の学習データの入力値として用いることにより、実態に近似した高精度な第２の推定モデルを構築することが可能であるため、精度の高い風速の各成分の変動幅を推定することができる。

また、航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値周りの標準偏差を、第２の推定モデルを構築する際の学習データの出力値として用いることにより、実態に近似した高精度な第２の推定モデルを構築することが可能であるため、精度の高い風速の各成分の変動幅を推定することができる。

また、風擾乱推定部４０は、気象センサＳによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとを入力情報として、座標変換を施すことにより、複数の所定高度における風速の正対風成分と風速の横風成分とを算出し、正対風成分および横風成分のそれぞれについて、高度方向に数値微分することにより、正対風成分の高度変化率および横風成分の高度変化率を算出し、正対風成分と横風成分と正対風成分の高度変化率と横風成分の高度変化率と高度とを入力情報として、第２の推定モデルによって、風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを推定するものであることにより、着陸経路上の複数の所定高度における風向データおよび風速データと滑走路の方位データとから、高精度な風速の各成分の変動幅を推定することができる。

また、データ処理部３０は、航空機応答推定部５０を有し、航空機応答推定部５０は、複数の所定高度における着陸経路上の正対風成分および横風成分と、複数の所定高度における正対風成分の変動幅および横風成分の変動幅および上下風成分の変動幅とを入力情報として、第３の推定モデルによって、航空機の飛行状態の変動幅を推定するものであり、第３の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることにより、通常は航空機製造メーカの非公開情報である航空機の飛行特性情報を使用することなく、着陸難易度の推定にあたり重要な要素となる航空機の飛行状態の変動幅を、特定の着陸経路の情報を反映させて高精度に推定することが可能であるため、有用性の高い着陸難易度を推定することができる。

また、航空機の飛行データに含まれる、航空機の変動データの移動平均値周りの標準偏差を、第３の推定モデルを構築する際の学習データの出力値として用いることにより、実態に近似した高精度な第３の推定モデルを構築することが可能であるため、精度の高い航空機の飛行状態の変動幅を推定することができる。

また、第３の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることにより、特定の着陸経路に加えて、特定の航空機の機種の情報（飛行特性）を反映した有用性の高い航空機の飛行状態の変動幅を推定することができる。

また、各航空機運航会社は、安全性を確保するために、航空機の着陸に際して様々な風の制限（横風成分の最大値の制限等）を課している。本実施形態では、様々な風のパターンの模擬入力に対して、航空機の飛行諸元の変動幅や着陸の難易度が推定可能である。推定された飛行諸元の変動幅を各航空機会社が設定している変動幅の許容値と照合したり、推定された難易度を評価することにより、従来の風の制限の妥当性や制限緩和の検討が可能となる。風の制限が緩和できれば、従来より多くの機会で着陸が可能となり、航空機運航の効率性が高まる。

また、本実施形態では、事例発生時の飛行データから算出した風データを入力することにより、事例発生時の飛行に対する風の影響が、飛行諸元の変動幅や着陸の難易度の形で定量化されるため、着陸時の航空機の事故やインシデントの事例解析に利用することができる。

本発明は、航空交通管制システム、航空機の運航管理システム、航空機の機上電子機器等に利用することができ、産業上の利用可能性を有する。

１０・・・航空機運航用情報生成装置
２０・・・制御部
３０・・・データ処理部
４０・・・風擾乱推定部
４１・・・風成分算出部
４２・・・変化率算出部
４３・・・変動幅推定部
５０・・・航空機応答推定部
６０・・・着陸難易度推定部
７０・・・送受信部
Ｓ・・・気象センサ

Claims

航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成装置であって、
気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施すデータ処理部と、
航空機の機種情報と前記データ処理部によって出力された複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、第１の推定モデルによって、着陸難易度を推定する着陸難易度推定部とを有し、
前記第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることを特徴とする航空機運航用情報生成装置。
前記第１の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることを特徴とする請求項１に記載の航空機運航用情報生成装置。
前記データ処理部は、風擾乱推定部を有し、
前記風擾乱推定部は、前記気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと前記滑走路の方位データとに前処理を施すことで取得したデータを入力情報として、第２の推定モデルによって、複数の所定高度における風速の正対風成分の変動幅と横風成分の変動幅と上下風成分の変動幅とを推定するものであり、
前記第２の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることを特徴とする請求項１または請求項２に記載の航空機運航用情報生成装置。
前記第２の推定モデルは、前記航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値を、学習データの入力値として用いて構築されたものであることを特徴とする請求項３に記載の航空機運航用情報生成装置。
前記第２の推定モデルは、前記航空機の飛行データを基に算出した、航空機が受けた風速の正対風成分と横風成分と上下風成分の時暦情報の移動平均値周りの標準偏差を、学習データの出力値として用いて構築されたものであることを特徴とする請求項３または請求項４に記載の航空機運航用情報生成装置。
前記風擾乱推定部は、前記気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、前記滑走路の方位データとを入力情報として、座標変換を施すことにより、複数の所定高度における風速の正対風成分と風速の横風成分とを算出し、前記正対風成分および前記横風成分のそれぞれについて、高度方向に数値微分することにより、複数の所定高度における正対風成分の高度変化率および横風成分の高度変化率を算出し、前記正対風成分と前記横風成分と前記正対風成分の高度変化率と前記横風成分の高度変化率と高度とを入力情報として、前記第２の推定モデルによって、前記風速の正対風成分の変動幅と前記横風成分の変動幅と前記上下風成分の変動幅とを推定するものであることを特徴とする請求項３乃至請求項５のいずれかに記載の航空機運航用情報生成装置。
前記データ処理部は、航空機応答推定部を有し、
前記航空機応答推定部は、複数の所定高度における着陸経路上の正対風成分および横風成分と、複数の所定高度における正対風成分の変動幅および横風成分の変動幅および上下風成分の変動幅とを入力情報として、第３の推定モデルによって、複数の所定高度における航空機の飛行状態の変動幅を推定するものであり、
前記第３の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データを学習データとして、非線形多変量解析手法によって構築されたものであることを特徴とする請求項１乃至請求項６のいずれかに記載の航空機運航用情報生成装置。
前記第３の推定モデルは、前記航空機の飛行データに含まれる、航空機の変動データの移動平均値周りの標準偏差を、学習データの出力値として用いて構築されたものであることを特徴とする請求項７に記載の航空機運航用情報生成装置。
前記第３の推定モデルは、推定対象機種の航空機の飛行データを学習データとして構築されたものであることを特徴とする請求項７または請求項８に記載の航空機運航用情報生成装置。
航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成方法であって、
気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施し、
航空機の機種情報と前記前処理によって出力された複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、第１の推定モデルによって、滑走路に対する航空機の着陸難易度を推定し、
前記第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることを特徴とする航空機運航用情報生成方法。
航空機運航に用いられる航空機運航用情報を生成する航空機運航用情報生成プログラムであって、
気象センサによって取得された着陸経路上の複数の所定高度における風向データおよび風速データと、滑走路の方位データとに前処理を施す手順と、
航空機の機種情報と前記前処理によって出力された複数の所定高度における航空機の飛行状態の変動幅とを入力情報として、第１の推定モデルによって、滑走路に対する航空機の着陸難易度を推定する手順とをコンピュータに実行させ、
前記第１の推定モデルは、推定対象の着陸経路上を飛行して着陸した航空機の飛行データと、着陸難易度をパイロットが主観的に評価した評価データとを学習データとして、非線形多変量解析手法によって構築されたものであることを特徴とする航空機運航用情報生成プログラム。