[发明专利]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

权利要求书

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；

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；

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＝Pitch_t+1-Pitch_t,其中Pitch为俯仰角，ΔPitch为俯仰角变化值，Pitch_TotalChange为俯仰角变化累计值；

在步骤S3中，对提取的参数，进行预处理，通过提取到的高度数据得到连续高度值，根据俯仰角数据得到俯仰角累计变化值和最大俯仰角，根据风速、风向、飞机磁航向数据得到飞机方向风量特征数据；

在步骤S4中，采用基于欧氏距离度量的K-means聚类算法，根据样本之间的距离将样本集划分为k个簇，使同一个簇内的点紧密相连；将QAR数据表示为(N,d)维度的X表示，其中N和d分别表示飞行记录和特征的数量；将飞行记录i表示为x_i∈R^d,i＝1,2,…,N；首先算法随机生成k个聚类中心，第j个中心点表示为u_j(0≤j≤k)，代表一个类别；对于每个数据点x_i，根据其与聚类中心之间的欧几里德距离计算该数据点应属的类，并将其分配给最近的簇c_i，即c_i＝arg_jmin||x_i-u_j||²；然后，对于每个类j，按照重新计算类的质心，重复上述过程，直到达到最小值，其中J表示各个簇的平方距离之和。

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：采用轮廓系数来选择最合适的k值并评估算法性能，轮廓系数结合了凝聚度和分离度进行评估，令d_i表示飞行记录i到同一簇中其他记录的平均距离，d_ij为飞行记录i到其他簇j所有记录的平均距离，则飞行记录i的轮廓系数为