基于飞行数据的民机异常进近形成机制研究

飞行安全基金会的飞行事故分布特征分析表明进近阶段事故是绝大多数航空灾难的主要原因。业界已开展进近阶段风险控制研究，利用飞行数据监控进近着陆阶段事故，界定稳定进近所需机组情景意识能力等条件，探测并纠正不安全进近趋势。但防止进近阶段事故的研究由于缺少异常进近形成机制的理论指导进展缓慢。本课题将从已有航班的海量运行数据挖掘异常进近过程信息，重构其飞行剖面，解耦导致异常进近状态的诱因，揭示异常进近的形成机制。研究包括：以飞行数据译码信息为驱动数据，利用核函数方法构建特征空间，建立基于计算智能方法的进近状态辨识模型，从模式识别的角度研究异常进近及其组织过程；在此基础上研究异常进近过程中飞行参数的分布规律，揭示不稳定进近过程的形成机制；开展海量异构飞行数据支撑下的异常进近模式诱因分析，构建具备一般性的进近状态飞行参数评估体系，实现进近过程的趋势测控，为民机进近阶段的风险预警提供理论依据。

进近阶段各种因素错综复杂，是飞行事故的多发阶段。目前，预防飞行事故、控制飞行风险的措施主要有事故成因分析后的安全培训和基于飞行安全评价模型进行风险评估。两种方法都未能实现对事故形成机制的深入研究。本课题以下降进近阶段飞机姿态控制为研究背景，对下降进近阶段飞行安全影响因素进行分析，并建立飞行姿态动态控制模型，为预防飞行风险控制提供了参考。飞行安全影响因素众多，通过进行理论分析，总结下降进近阶段影响飞行安全的因素包括：飞行环境、飞行状态与飞行员操作，其中飞行员操作是主要因素。结合QAR 飞行数据进行数据分析，证明了理论分析的正确性。以中国民航机队历年进近阶段事件工程实例为样本，研究基于智能方法的异常事件识别算法，探讨基于多参数输入的诊断方法，并针对小样本空间建模问题进行了模型参数的优化研究。针对风险诱因对于进近阶段事件的直接形成影响或者潜在风险影响的权重相异这一问题，提出一种增量层次分析法，解决风险因子权重排序问题，使得指标体系可以表征时间维度中飞机性能衰退等现象。考虑到环境因素变化相对较慢，采取将飞行环境进行分类的方法，在分类环境下进行分析与建模。在飞行环境分类的基础上，提出了采用BP 神经网络建立飞行姿态预测模型的方法。以飞机状态及飞行员操作为训练样本的输入，飞机的姿态角变化作为输出，训练BP 网络，得到静态预测模型。针对模型训练精度不高的问题，提出了改善网络结构的三种方法，并进行了对比实验，优化了网络的性能。实验结果表明，飞机的姿态变化符合“人-机-环”的研究思路。为实现飞机姿态角的控制，在静态模型的基础上进行改进，在训练样本中保留原始数据的时间信息，建立基于时间序列的神经网络动态辨识模型。利用神经网络PID 控制方法，以动态辨识模型为控制对象，进行在线姿态控制，实现了飞机姿态角的闭环控制，建立了“人-机-环”的飞行姿态动态控制模型。模型提供了一个飞行姿态控制的验证平台，为飞行过程的风险预防提供了有效的分析手段。基于理论研究基础，课题组在飞行品质监控平台中建立了相应机型的进近事件监控程序，实现工程数据的监控分析及事件监控应用。并利用CEFA仿真系统开展过程场景仿真研究，探讨了飞机建模、虚拟仪表模型、三维场景重构、航迹数据拟合等问题，实现了事件的视景仿真。