[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

说明书

本发明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‑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；基于数据分析，得到其平飘顶杆事件发生的主要原因。本方法在一定程度上避免了飞机降落阶段可能产生的安全事件，可以为航空科研人员提供对此类问题的新见解，指导航空公司对飞行员进行更加具有针对性的训练考核。

技术领域

本发明属于机器学习及数据挖掘技术领域，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。

背景技术

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。

1)航空安全事件预测

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。

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。

2)安全事件成因分析

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。