一种基于飞参面板数据模型的重着陆预测方法技术

一种基于飞参面板数据模型的重着陆预测方法，该方法有七大步骤：步骤一：飞参数据初选，提供数据分析基础；步骤二：对飞参数据进行切片处理；步骤三：对飞参数据进行相关性分析；步骤四：利用因子分析对飞参数据进行降维处理；步骤五：建立飞参面板数据模型；步骤六：检验飞参面板数据模型；步骤七：评价模型预测结果。通过以上七个步骤选择出最优的基于飞参面板数据的重着陆预测模型，从而实现在不同飞行高度水平下对此次着陆是否发生重着陆做出多次预测。

【技术实现步骤摘要】

本专利技术提供，即基于飞参面板数据 的重着陆预测模型，属于航空飞行安全管理预测

技术介绍
飞行安全一直是航空安全管理的重要课题。飞行安全的复杂性在于：不仅要考虑 影响飞行安全的各种客观和主观因素，还要对飞行的各个阶段进行动态的安全控制。一般 情况下，飞机的整个飞行过程可分为滑跑、起飞、爬升、巡航、下降、进近、着陆和滑行等几个 阶段。数据显示，着陆阶段具有最高的飞行事故发生率，因此对飞机着陆安全的预防与控 制具有重要意义。重着陆，也称硬着陆，是着陆阶段对飞行安全影响极为重要的安全隐患。 频繁发生重着陆会加速起落架的疲劳损伤，严重时会造成机毁人亡。空客的维修手册对重 着陆的定义如下：飞机着陆时垂直加速度超过规定极限值或者垂直方向上的速度超过规定 值，即为重着陆。飞参数据，实时记录着飞机的飞行状态信息，综合反映了飞机的飞行健康 状况，已有研究证明，可通过飞参数据的分析开展飞行安全的研究。 本专利技术在前述研究基础之上，提出一种基于飞参面板数据模型的重着陆预测方 法。该方法包括对飞参数据的切片处理、降维分析和飞参面板数据建模等，在飞机着陆之前 实现了重着陆的预测，对飞机着陆安全的预测和预警具有重要意义。
技术实现思路
1、目的：本专利技术的目的在于针对飞机着陆安全问题的重要性和飞参数据研究的不 足，提供。该模型综合考虑了飞行高度和着 陆架次两个维度的飞参数据信息并提出飞参数据处理和分析的方法，基于处理和分析后的 飞参数据，建立飞参面板数据模型，实现重着陆的预测。 2、技术方案： 本专利技术，该方法实现的具体步骤如 下： 步骤一：飞参数据初选，提供数据分析基础 飞参数据初选是指对原始飞参数据进行初步筛选，去除无用数据，保留研究所需 数据的过程；飞参数据初选包括以下内容：首先，根据原始飞参数据绘制散点图，判断每一 次飞机的着陆时刻并获取此时的着陆载荷值；当着陆载荷值超过规定限值时，判定此次着 陆为重着陆，否则，判定未发生重着陆；其次，去除着陆后数据；本专利技术重点为在飞机着陆 之前对重着陆做出预测，故飞机着陆后数据没有价值，需将其剔除。 步骤二：对飞参数据进行切片处理 本专利技术基于高度变化的重着陆预测理念，对飞参数据按照飞行高度进行切片处 理；由于飞参数据采集的起始点不一致，初选后的飞参数据，不同飞行架次的飞行高度数据 区间具有不一致性。为保证研究的飞参数据表现出相对一致的数据特征，需要设定统一的 飞行高度范围（如9m-2m)，而该范围之外的数据将被剔除； 飞参数据切片处理是指按照飞行高度值，每间隔一定高度值截取一部分飞参数据 的处理方法，截取后的飞参数据将作为数据分析的基础，其余数据将被剔除；如在9m-2m的 高度范围内，每隔0. 5m对飞参数据进行一次截取，则可以截取15次； 步骤三：对飞参数据进行相关性分析 为定量化地测定飞参变量之间关系的密切程度，需对飞参变量做相关性分析。即 通过统计分析方法计算相关系数来了解飞参变量间的相关关系，本专利技术采用Pearson相关 检验方法。 步骤四：利用因子分析对飞参数据进行降维处理 降维处理是指，将多个变量整合成少数几个变量来研究总体的方法，该方法可以 降低模型分析中变量的维度进而简化模型。因子分析正是一种"降维"的统计分析方法，其 基本原则是在尽可能损失较少原始信息的前提下，将多个变量综合成少数几个指标来研究 总体各方面的信息，并且综合后的少数几个指标所包含的信息彼此不重复，即变量不相关； 飞参数据中存在多个飞参变量，过多的变量会产生严重的相关性，一方面会造成模型的冗 余，降低模型运行效率；另一方面无用的信息也会造成模型偏差，因此，本文采用因子分析 对飞参数据进行降维处理，以从众多飞参变量中提取关键有价值的数据信息，降维处理后 得到的因子将作为模型建立的数据基础； 步骤五：建立飞参面板数据模型 面板数据回归模型有多种类别，如混合模型、变截距模型、变系数模型等等；为验 证何种面板数据模型更为有效，依次建立飞参面板数据混合模型、飞参面板数据变截距模 型和飞参面板数据变系数模型，并通过模型检验，选出最优模型；飞参面板数据模型的建立 基于经过降维处理的飞参因子，飞参因子fj ht(j = 1，2,…，k ;h = 1，2,…，N ;t = 1，2,…， T)表示在第t次着陆、高度h处的第j个飞参因子的取值，为面板数据，其中k为模型中飞 参因子的总个数，则飞参面板数据模型的一般表示形式为： Lht= ah+blhflht+b2hf2ht+~+b khfkht+uht 等价于： Lht= a h+bhfht+uht(h = 1，2，…，N ;t = 1，2，…，T) 其中，Lht表示在第t次着陆、高度h处着陆载荷的预测值；ah表示随高度变化的模 型常数项或截距；f ht为飞参因子；bh为飞参因子系数，表示相应的飞参因子对模型的影响 程度；Uht为模型误差项； (1)飞参面板数据混合模型 在该模型中，着陆载荷值的预测结果不受飞行高度的影响，即在不同飞行高度状 态下，对着陆载荷值的预测值基本保持一致，即S i= a _j= a，b ;= b _j= b，模型可改写为： Lht= a+bf ht+uht(h = 1，2，…，N ;t = 1，2，…，T) (2)飞参面板数据变截距模型 在该模型中，根据飞行高度影响是常数还是随机变量的不同，可分为固定影响模 型和随机影响模型两种，这两种模型的选择可通过豪斯曼检验方法得出。首先，利用豪斯曼 检验确定飞行高度影响的类型；其次，建立飞参面板数据变截距模型；在该模型中，着陆载 荷值的预测结果受到飞行高度的影响，且该影响只表现在模型的截距上，可通过^的差异 得以体现；而飞参因子对着陆载荷值预测的影响不随飞行高度的变化发生改变，即a ,， h= b _j= b，模型可改写为： Lht= ah+bfht+uht(h = 1，2，…，N ;t = 1，2，…，T) (3)飞参面板数据变系数模型 在该模型中，着陆载荷值的预测结果受到飞行高度的影响，且该影响不仅仅表现 在模型的截距上，还表现在飞参因子对着陆载荷值预测的影响随着飞行高度的变化而发生 改变；这种影响可由化和b h的差异在模型中体现，即a a y匕辛b j，则模型可表示为： Lht= a h+bhfht+uht(h = 1，2，…，N ;t = 1，2，…，T) 建立飞参面板数据模型后，需要对三类面板数据模型进行检验，模型检验内容包 括模型整体的显著性检验、飞参因子对着陆载荷影响程度的显著性检验以及飞参因子变量 的自相关性检验等；此外，通过协方差检验，从三类飞参面板数据模型中筛选出与飞参面板 数据最相符的模型； 步骤六：检验飞参面板数据模型 为考量个体是否会对面板数据模型产生影响以及选取何种面板数据模型最为有 效，需要对模型进行检验；通过模型的检验与优选，可以提高参数估计的有效性并减少模型 的预测偏差；协方差分析检验，作为一种将回归分析和方差分析相结合的因变量影响因素 分析方法，常常用于混合模型、变截距模型和变系数模型三类面板数据模型的优选； 为检验个体是否对模型产生影响，即判定混合模型是否有效，提出假设H1: Hya1= a2 =…=awbi = b2 =…=bw 若已经证实个体本文档来自技高网...

【技术保护点】
一种基于飞参面板数据模型的重着陆预测方法，其特征在于：该方法实现的具体步骤如下：步骤一：飞参数据初选，提供数据分析基础飞参数据初选是指对原始飞参数据进行初步筛选，去除无用数据，保留研究所需数据的过程；飞参数据初选包括以下内容：首先，根据原始飞参数据绘制散点图，判断每一次飞机的着陆时刻并获取此时的着陆载荷值；当着陆载荷值超过规定限值时，判定此次着陆为重着陆，否则，判定未发生重着陆；其次，去除着陆后数据；步骤二：对飞参数据进行切片处理基于高度变化的重着陆预测理念，对飞参数据按照飞行高度进行切片处理；由于飞参数据采集的起始点不一致，初选后的飞参数据，不同飞行架次的飞行高度数据区间具有不一致性；为保证研究的飞参数据表现出相对一致的数据特征，需要设定统一的飞行高度范围，而该范围之外的数据将被剔除；飞参数据切片处理是指按照飞行高度值，每间隔一定高度值截取一部分飞参数据的处理方法，截取后的飞参数据将作为数据分析的基础，其余数据将被剔除；在9m‑2m的高度范围内，每隔0.5m对飞参数据进行一次截取，则截取15次；步骤三：对飞参数据进行相关性分析为定量化地测定飞参变量之间关系的密切程度，需对飞参变量做相关性分析，即通过统计分析方法计算相关系数来了解飞参变量间的相关关系，采用Pearson相关检验方法；步骤四：利用因子分析对飞参数据进行降维处理降维处理是指，将多个变量整合成少数几个变量来研究总体的方法，该方法降低模型分析中变量的维度进而简化模型；因子分析正是一种“降维”的统计分析方法，其基本原则是在尽可能损失较少原始信息的前提下，将多个变量综合成少数几个指标来研究总体各方面的信息，并且综合后的少数几个指标所包含的信息彼此不重复，即变量不相关；飞参数据中存在多个飞参变量，过多的变量会产生严重的相关性，一方面会造成模型的冗余，降低模型运行效率；另一方面无用的信息也会造成模型偏差，因此，采用因子分析对飞参数据进行降维处理，以从众多飞参变量中提取关键有价值的数据信息，降维处理后得到的因子将作为模型建立的数据基础；步骤五：建立飞参面板数据模型面板数据回归模型有多种类别，如混合模型、变截距模型、变系数模型；为验证何种面板数据模型更为有效，依次建立飞参面板数据混合模型、飞参面板数据变截距模型和飞参面板数据变系数模型，并通过模型检验，选出最优模型；飞参面板数据模型的建立基于经过降维处理的飞参因子，飞参因子fjht(j＝1，2，…k；h＝1，2，…，N；t＝1，2，…，T)表示在第t次着陆、高度h处的第j个飞参因子的取值，为面板数据，其中k为模型中飞参因子的总个数，则飞参面板数据模型的表示形式为：Lht＝ah+b1hf1ht+b2hf2ht+…+bkhfkht+uht等价于：Lht＝ah+bhfht+uht(h＝1，2，…，N；t＝1，2，…，T)其中，Lht表示在第t次着陆、高度h处着陆载荷的预测值；ah表示随高度变化的模型常数项或截距；fht为飞参因子；bh为飞参因子系数，表示相应的飞参因子对模型的影响程度；uht为模型误差项；(1)飞参面板数据混合模型在该模型中，着陆载荷值的预测结果不受飞行高度的影响，即在不同飞行高度状态下，对着陆载荷值的预测值基本保持一致，即ai＝aj＝a,bi＝bj＝b，模型改写为：Lht＝a+bfht+uht(h＝1，2，…，Nt＝1，2，…，T)(2)飞参面板数据变截距模型在该模型中，根据飞行高度影响是常数还是随机变量的不同，分为固定影响模型和随机影响模型两种，这两种模型的选择通过豪斯曼检验方法得出；首先，利用豪斯曼检验确定飞行高度影响的类型；其次，建立飞参面板数据变截距模型；在该模型中，着陆载荷值的预测结果受到飞行高度的影响，且该影响只表现在模型的截距上，通过ah的差异得以体现；而飞参因子对着陆载荷值预测的影响不随飞行高度的变化发生改变，即ai≠aj,bi＝bj＝b，模型改写为：Lht＝ah+bfht+uht(h＝1，2，…，N；t＝1，2，…，T)(3)飞参面板数据变系数模型在该模型中，着陆载荷值的预测结果受到飞行高度的影响，且该影响不仅仅表现在模型的截距上，还表现在飞参因子对着陆载荷值预测的影响随着飞行高度的变化而发生改变；这种影响由ah和bh的差异在模型中体现，即ai≠aj,bi≠bj，则模型表示为：Lht＝ah+bhfht+uht(h＝1，2，…N；t＝1，2，…，T)建立飞参面板数据模型后，需要对三类面板数据模型进行检验，模型检验内容包括模型整体的显著性检验、飞参因子对着陆载荷影响程度的显著性检验以及飞参因子变量的自相关性检验；此外，通过协方差检验，从三类飞参面板数据模型中筛选出与飞参面板数据最相符的模型；步骤六：检验飞参面板数据模型为考量个体是否会对面板数据模型产生影响以及选取何种面板数据模型最为有效，需要对模型进行检...

【技术特征摘要】

【专利技术属性】
技术研发人员：周晟瀚，常文兵，张佳宁，胡陈，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11