基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法技术

本发明专利技术涉及一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，包括以下步骤：将大量QAR数据进行筛选，得到其中俯仰操纵杆在接地前10英尺的累计值大于0的部分；提取高度、俯仰角等五个参数作为机器学习特征；根据所提取的参数，对其数据进行预处理，得到连续高度值、俯仰角累计变化值、最大俯仰角、飞机方向风量四个特征；使用K

【技术实现步骤摘要】
基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法


[0001]本专利技术属于机器学习及数据挖掘
，涉及一种基于飞参数据无监督聚类的飞行员 平飘顶杆行为分析方法。

技术介绍

[0002]在航空行业发达的现代社会，航空安全一直是航空领域最重要的话题之一。根据波音公 司对2009年至2019年重大飞行安全事故数据的统计，最后近地阶段和着陆阶段是最容易 发生飞行安全事故的阶段。在2009
‑
2018年和2019年，尽管这两个阶段在整个飞行阶段仅占 4％，其事故总数和严重事故率却分别高达68％和74％。出现这种情况的主要原因是飞机在这 两个阶段需要大量的飞行员操作，飞行员的误判或操作不当可能会导致严重的后果，如引发 安全事件。因此，对这两个阶段进行研究分析，对航空安全领域具有重要意义。
[0003]1)航空安全事件预测
[0004]航空大数据相关的研究工作最重要的研究目的之一就是尽可能的规避航空安全事件的发 生，而规避安全事件发生最直接的手段便是在其发生前进行预测，并根据预测到可能发生的 安全事件，给出警告，提醒驾驶员采取对应的相关措施进行规避。已有大量国内外相关学者 对不同类型的安全事件提出了各种预测算法，如重着陆，擦机尾，长着陆等。其中重着陆事 件为飞机着陆时向下加速度过大导致，飞机所受向上冲量过大，可能伤害到飞机起落架；擦 机尾事件为飞机在起飞或者着陆时飞机机尾擦地事件；长着陆事件为飞机着陆时着陆距离过 长事件。对于重着陆，早年有相关工作采用BP神经网络或支持向量机(SVM)对其进行预测， 然而其效果欠佳。近年来，有学者在以上工作基础上采用RBF神经网络和K
‑
means聚类算法 对重着陆进行预测，该工作首先对时序数据进切片，随后采用RBF神经网络对其进行预测， 最后采用K
‑
means算法调整和优化RBF神经网络的结构，取得了更好的预测结果。然而，由 于航空数据是时序的，以上方法均难以学习到航空数据在时序维度的特征。
[0005]随着机器学习算法的进步，已有研究采用基于长短期记忆网络(LSTM)的模型，该方法已 被用于降落速度预测和擦机尾事件的预测。该方法不仅可以学习到数据中特征级别的信息， 还可以学习到这些特征在时序层面的信息，自然可以取得更优的效果。除此之外，也有部分 研究对长着陆事件进行研究和预测，已有研究通过差分分析研究了不同QAR参数与长着陆的 相关性，并采用逻辑回归和线性回归的方法对其进行预测。同时，该研究还采用多维线性回 归的方法对先前的预测工作进行了进一步拓展。
[0006]2)安全事件成因分析
[0007]上述航空安全事件预测可以在安全事件发生前给予驾驶员警示，却无法给出发生安全事 件的原因，因此难以根本性杜绝安全事件发生的风险。因此，也有大量研究工作对安全事件 的成因进行挖掘分析。目前有研究利用QAR数据，通过黄金分割法划分安全事故风险空间， 寻找安全事故发生的高风险子空间，随后，其提出一种基于粗糙集理论和粒子
群多目标优化 的创新性算法。还有研究根据QAR中各参数的取值划分不同的安全事件子空间，基于马尔可 夫模型构建风险状态转移函数。此外，还有工作研究了安全事故风险评估模型，将风险定义 为发生的概率和发生的严重程度，并基于该模型开发了试点运行质量评估体系。
[0008]对于风险感知问题，有学者初步研究了风险感知与安全事故的关系，并考虑了三类风险 感知变量，即风险容忍度、风险承担倾向和风险感知。通过对安全事故的分析发现，风险承 担与安全事故之间存在明显的正相关关系。进一步的，有学者将飞机着陆阶段细分为四个子 阶段，并提取QAR参数的均值、方差和最大值作为每个阶段的特征，然后通过逻辑回归、随 机森林和支持向量机算法研究超限事件与这些特征之间的联系。此外，还有学者提出名为 DT
‑
MIL的算法，该算法将多实例学习和循环神经网络与门循环单元相结合。该模型可以发 现一些导致安全事故的异常时间点。另外还有学者利用强化学习构建马尔可夫决策过程，并 发掘不良状态转换点作为安全事件的前兆。以上相关研究工作多是基于参数层面进行分析研 究，即研究飞机数据中部分参数异常的原因，而对参数表征的具体物理含义鲜有解释。
[0009]然而，现有研究工作大多是基于参数层面来研究，而对参数综合情况的物理解释很少。 仅仅在参数层面上的原因解释很难对标实际的原因，导致传统的原因分析方法缺乏实际指导 意义。此外，目前航空安全相关工作中没有对飞行员在拉平阶段推下俯仰操纵杆的事件进行 研究，而此类事件是导致重着陆的主要原因之一，由此造成的后续损害也不容忽视。

技术实现思路

[0010]有鉴于此，本专利技术的目的在于提供一种基于飞参数据无监督聚类的飞行员平飘顶杆行为 分析方法，对飞行员在拉平阶段推下俯仰操纵杆的事件进行深入挖掘分析，从物理层面对其 进行解释，将飞行员执行该操作的原因进行深入解读，既弥补了当前工作对飞行员执行该操 作的相关研究的空缺，又从实际物理层面对其进行探究，得到的结果可以帮助航空公司更好 的了解飞行员的操作意图，进而对飞行员制定更加科学的培训方案。
[0011]为达到上述目的，本专利技术提供如下技术方案：
[0012]一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，该方法包括以下步骤：
[0013]S1、数据筛选：将大量QAR数据进行筛选，得到其中俯仰操纵杆在接地前10英尺的累 计值大于0的部分；S2、参数提取：提取高度、俯仰角、风速、风向、飞机磁航向五个参数 作为机器学习特征；S3、参数预处理：根据所提取的参数，对其数据进行预处理，得到连续 高度值、俯仰角累计变化值、最大俯仰角、飞机方向风量四个特征；S4、聚类分析：使用K
‑
means 聚类算法，将大量平飘顶杆航班数据分为四类：逆风影响类、俯仰影响类、高度影响类、自 身影响类；S5、数据分析：基于数据分析，得到其平飘顶杆事件发生的主要原因。
[0014]进一步，在步骤S1中，首先对所有QAR原始数据进行归一化处理，即放大较小值的特 征，缩小较大值的特征，使不同特征对最终结果的贡献大致相等；
[0015]定义为俯仰操纵杆在接地前10英尺的累计值，其中
t1和t2分 别为接地前10英尺和接地时的时间戳，PitchControl
t
为t时刻的俯仰操作杆的值，若 PitchControl
sum
大于0，则判定发生了平飘顶杆。
[0016]进一步，在步骤S2中，选择风速、风向、高度、飞机磁航向和俯仰角参数作为基本特征， 结合飞机的磁航向、风速和风向来计算逆风对飞机的影响；
[0017]使用风的纵向分量作为特征，计算公式为θ＝α
‑
β，WIN
alg
＝WIN
spd
×
cosθ，其中α代表风 向，β代表飞机的磁航向，因此θ＝α
‑
β代表相对于飞机的风向，WIN
...

【技术保护点】

【技术特征摘要】
1.一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，其特征在于：该方法包括以下步骤：S1、数据筛选：将大量QAR数据进行筛选，得到其中俯仰操纵杆在接地前10英尺的累计值大于0的部分；S2、参数提取：提取高度、俯仰角、风速、风向、飞机磁航向五个参数作为机器学习特征；S3、参数预处理：根据所提取的参数，对其数据进行预处理，得到连续高度值、俯仰角累计变化值、最大俯仰角、飞机方向风量四个特征；S4、聚类分析：使用K
‑
means聚类算法，将大量平飘顶杆航班数据分为四类：逆风影响类、俯仰影响类、高度影响类、自身影响类；S5、数据分析：基于数据分析，得到其平飘顶杆事件发生的主要原因。2.根据权利要求1所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，其特征在于：在步骤S1中，首先对所有QAR原始数据进行归一化处理，即放大较小值的特征，缩小较大值的特征，使不同特征对最终结果的贡献大致相等；定义为俯仰操纵杆在接地前10英尺的累计值，其中t1和t2分别为接地前10英尺和接地时的时间戳，PitchControl
t
为t时刻的俯仰操作杆的值，若PitchControl
sum
大于0，则判定发生了平飘顶杆。3.根据权利要求2所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，其特征在于：在步骤S2中，选择风速、风向、高度、飞机磁航向和俯仰角参数作为基本特征，结合飞机的磁航向、风速和风向来计算逆风对飞机的影响；使用风的纵向分量作为特征，计算公式为θ＝α
‑
β，WIN
alg
＝WIN
spd
×
cosθ，其中α代表风向，β代表飞机的磁航向，因此θ＝α
‑
β代表相对于飞机的风向，WIN
spd
表示绝对风速，所以风速相对于飞机的纵向分量用WIN
alg
表示；飞机俯仰控制也与俯仰角在同一方向保持变化的时间长短以及已经走了多远密切相关，提取一段时间内俯仰角和最大俯仰角的累积变化值，计算公式为：ΔPitch
t
＝Pi...

【专利技术属性】
技术研发人员：尚家兴，陈红年，郑林江，王启星，张锐祥，陈浩东，
申请(专利权)人：重庆大学，
类型：发明
国别省市：