基于BP神經網絡的飛機油耗與軌跡匹配模型研究

魏志強, 張文秀

(中國民航大學 空中交通管理學院, 天津 300300)

?

基于BP神經網絡的飛機油耗與軌跡匹配模型研究

魏志強, 張文秀

(中國民航大學 空中交通管理學院, 天津 300300)

研究了基于與QAR記錄相匹配的飛行軌跡數據建立的BP神經網絡油耗模型,利用飛行軌跡數據輸入模型求得油耗估算值,通過與QAR真實燃油數據對比,進行模擬分析。以某些航班的雷達記錄數據為例進行油耗計算,結果表明本實驗模型在燃油方面的估算誤差不超過2%,滿足空管方面對燃油消耗的計算。研究結果可以用于定量分析空管運行對民航節能減排的影響,從而在確保飛行安全、管制容量的前提下更好地兼顧綠色運行的要求,提升空中交通運行質量。

航空運輸; BP神經網絡; 油耗估算; 軌跡數據

0 引言

油耗是航空公司、空管以及相關領域人員一直潛心研究的重要指標之一[1],它更是安全性、經濟性和環境評估必不可少的重要指標。為了降低飛機油耗,空管部門在新技術推廣應用方面開展了大量工作,包括RVSM運行、PBN 技術、平行航路、多機場協同放行(CDM)、連續下降運行(CDA)、SWIM和空中立交橋等[2-3]。但現有空管監視設備存在不能采集飛機油耗數據的局限性,直接影響空管運行質量對節能減排效果的定量評價[4]。

目前,國內外開展了關于飛機油耗估算的大量研究。文獻[5]對民用飛機巡航性能計算進行了研究;文獻[6]建立了能量平衡原理的燃油消耗估計模型;文獻[7]建立了爬升階段燃油流量的回歸模型;文獻[8]基于灰色理論建立了民航燃油消耗量預測模型并進行了應用性分析。這些模型在進行油耗計算時,需要用到很多飛行參數,其中絕大多數在空管的雷達記錄數據中是不存在的,不能運用到空管方面的燃油分析。

BP神經網絡是一種由大量的節點(神經元)和節點之間的加權連接而成的應用最為廣泛的網絡運算模型[9]。例如,基于神經網絡的民航安全態勢評估模型及仿真[10];基于神經網絡集成的單個飛行事件噪聲預測模型[11]。神經網絡是民航各個研究方向的重要橋梁,神經網絡模型可以定性定量評價民航運輸的安全、效益等情況[12-13]。

QAR是飛行技術品質檢查、機務維護、事故調查以及安全評估等的有力工具,它存儲了包括燃油流量參數在內的大量飛機參數數據。但由于QAR數據涉及到航空公司的飛行細節和核心商業利益,不能共享給其他民航單位,致使在空管指揮運行中,無法使用QAR數據來進行空管運行品質分析。

本文首先從QAR數據中提取出與雷達記錄格式相同的數據(主要是飛行軌跡數據),形成偽雷達數據;然后再從QAR數據中得到與偽雷達數據相匹配的飛機油耗參數,構建基于BP神經網絡的飛機油耗與飛行軌跡匹配模型;通過與真實油耗的比對來分析模型的精度,確保模型的準確、可靠。之后根據構建的油耗匹配模型,以某空管單位的雷達記錄數據為例對飛機油耗進行估算分析。上述研究可為定量評估燃油體系提供技術支持,有利于評價空管新技術對節能減排方面的實施情況,也有利于提高航空管制員的服務質量。

1 飛機油耗匹配模型的構建

本文整個研究流程如圖1所示,包括數據搜集和加工處理、模型構建、模型精度分析以及應用等過程。

圖1 整個研究的流程圖Fig.1 Flow chart for the whole research

1.1 數據的選取

搜集10個航班的QAR數據,分別提取這10個航班爬升階段的數據(共9 260個),根據飛機爬升經驗,本文假定飛機在1 500 m氣壓高度開始爬升,通過作圖示意確定爬升的結束點,進而選取爬升階段的數據，如圖2所示。

圖2 選取爬升階段數據示意圖Fig.2 Selecting data in climb stage

QAR存儲了大氣總溫、氣壓高度、地速、航向、風速、風向以及燃油量等飛機參數的變化,每隔4 s記錄一次,這些數據是由4個傳感器同時記錄的；由于傳感器自帶誤差,可能導致這4個傳感器記錄的數據略微不同,本文取這4個數據的平均值作為一個數據,得到一組新的QAR數據。但通過雷達能夠獲得的參數包括地速、氣壓高度、航向、爬升率和轉彎角速度。因此本文對QAR數據加工處理得到含有地速、氣壓高度、航向、爬升率、轉彎角速度和總燃油流量的數據庫。爬升率和轉彎角速度的計算公式分別為:

(1)

(2)

圖3 處理數據的思路圖Fig.3 Concept for data processing

1.2 數據的歸一化處理

首先,要對新QAR數據庫中的異常點進行處理,對于一些爬升率為負值的點,使其值為0;然后,利用式(3)對每組參數的數據進行歸一化處理,將其轉化為[0,1]之間的數據,若不進行歸一化處理,每個參數值過大,將使模型內部的訓練函數無法正常運行。

(3)

表1 參數的最大值和最小值

Table 1 The maximum and minimum values of parameters

參數最大值最小值V/km·h-11000280hp/m120001200ψ/(°)3600rc/m·s-1250ω/(°)·s-13-3Fw/kg·h-180001500

1.3 BP模型的建立

本文的研究對象采用3層神經網絡,即輸入層、隱含層、輸出層。輸入層共5個輸入元(P1,P2,P3,P4,P5), 分別表示地速、氣壓高度、航向、爬升率和轉彎角速度;一個輸出元(Y),即燃油流量。隨機選取處理后的7個航班的QAR數據作為模型的訓練樣本,剩余3個作為后續的模型實例驗證。

輸入層和輸出層的節點數分別為5和1,首先要確定隱含層的節點數,根據經驗得出隱含層節點數的取值范圍為[6,20]。隱含層的傳遞函數采用logsig,輸出層的傳遞函數采用purelin,BP網絡的學習算法采用trainbr,訓練目標設定為0.001,最大訓練次數設為20 000。經過不斷調試、校驗、修改和訓練,隱含層節點數為18,網絡的誤差降到了1e-3以下,建模完成。訓練過程中網絡誤差性能的變化如圖4所示。

圖4 網絡誤差性能的變化Fig.4 Variation of network error performance

1.4 模型的初步檢驗

將上述7個樣本輸入到神經網絡中進行初步檢驗,得到歸一化后燃油流量的真實值與估算值如圖5所示。其中,實線表示真實值,虛線表示估算值。通過計算,真實值與估算值之間的絕對誤差為0.02,相對誤差極小,可以看作為0,因此神經網絡模型對各個樣本的診斷結果均正確。

圖5 真實值和估算值對比Fig.5 Comparison of real values and predicted values

2 模型實例驗證

為進一步分析模型的精度,將剩余3個航班的QAR爬升數據轉化為含有航向、氣壓高度、地速、轉彎角速度、爬升率共5個參數的偽雷達數據,輸入模型,得到估算值。

(4)

利用估算值和QAR記錄的真實值,按照時間積分方法,分別得到估算燃油消耗量和真實燃油消耗量,將兩組數據進行對比，檢驗模型的精度。具體流程如圖6所示。

圖6 實例驗證流程圖Fig.6 Flow chart of example validation

下面列出了真實油耗F、估算油耗F′、絕對誤差ΔF和相對誤差δ的計算公式。

F=∑(Δt)Fwi

(5)

F′=∑(Δt)F′wi

(6)

(7)

(8)

表2 油耗估算精度

Table 2 Estimated fuel accuracy in different flights

航班號F/kgF′/kgΔF/kgδ/%B?2675907899-88-097B?570711891168-205-173B?563076676822028

圖7 燃油流量真實值與估算值的對比Fig.7 Comparison of real values and predicted values of the fuel flow

由表2可知,利用模型得到的估算值和QAR記錄的真實值之間的相對誤差不超過2%。圖7表明真實值和估算值基本吻合,證明本研究所建立的模型可以估算燃油消耗。

3 模型的應用

在研究中,搜集某空管單位、某一時段的雷達記錄數據(主要包括航班號、應答機編碼、時刻、經度、緯度、高度等),經過處理后得到含有地速、氣壓高度、航向、轉彎角速度、爬升率共5個參數的數據,將其輸入本文所構建的飛機油耗匹配模型,以得到飛機的燃油流量。進一步通過積分可求得飛機在該管制空域內飛行時的油耗。

圖8為CCA1348航班高度和估計燃油流量隨時間的變化。由圖可知,隨著高度的增高,飛機的燃油流量總體呈現出減小的趨勢,與實際情況吻合。表3給出了通過模型計算出的某些航班爬升階段的燃油消耗。

圖8 高度和燃油流量隨時間的變化Fig.8 Variation of height and fuel flow with time

Table 3 Estimated fuel consumption in different flights

航班號起始高度/m結束高度/m時間/min飛行距離/km平均速度/km·h-1油耗/kg平均燃油流量/kg·h-1CCA41241600978018421770715845281CCA13481580944019022972213814361CCA18921510978023126569018864898CCA18081510978018719663014474643CDG48421570978019822367615084566CDG48781660978015116866619666649CDG495515101008016718767215595601CES6081600917020120661618775603CES53561740810018622070913794449CES54001860810017919264217225128

4 結束語

本文基于雷達飛行軌跡記錄數據構建了BP神經網絡飛機爬升階段油耗估算模型。經過實例驗證分析表明,所建立的油耗估算模型精確、可靠,可以直接應用于管制單位的油耗計算和分析。將雷達參數數據輸入該模型中,可以估算不同航班、不同機型的燃油消耗,后續可以與同一機型、同一航班的燃油流量以及油耗情況進行比對,實現對空管設施和管制員指揮情況的量化評價,為提高空管服務質量提供技術支持,加快實現節能減排這一目標。

[1] Cook A,Tanner G,Williams V,et al.Dynamic cost indexing-managing airline delay costs[J].Journal of Air Transport Management,2009,15(1):26-35.

[2] 伊群.民航空管新技術和航行新技術應用情況回顧[J].中國民用航空,2011,12(1):53-56.

[3] 魏志強,溫瑞英,褚雙磊.連續下降運行中的飛行參數快速估算方法研究[J].飛行力學, 2014,32(6):494-497.

[4] Fan A.An assessment of environmental impacts of a nextgen implementation scenario and its implications on policy-making[D].USA:Massachusetts Institute of Technology,2010.

[5] 溫瑞英,魏志強,王紅勇,等.民用飛機巡航性能計算研究[J].飛行力學,2015,33(4):289-292.

[6] Khadilkar H,Balakrishnan H.Estimation of aircraft taxi fuel burn using flight data recorder archives[J].Transportation Research Part D Transport and Environment,2012,17(7):532-537.

[7] 曹惠玲,賈超.基于QAR的飛機爬升階段燃油流量回歸模型研究[J].中國民航大學學報,2013,31(3):31-35.

[8] 張燕軍,孫有朝.基于灰色理論的民航燃油消耗量預測模型及應用[J].環境工程,2012,30(S2):378-380.

[9] Yan T.An improved genetic algorithm and its blending application with neural network[C]//Intelligent Systems and Applications (ISA),2010 2nd International Workshop on.IEEE,2010:1-4.

[10] 歐韜,周長春.基于神經網絡的民航安全態勢評估模型及仿真[J].中國安全生產科學技術,2011,7(2):34-41.

[11] 徐濤,燕憲金,楊國慶.基于神經網絡集成的單個飛行事件噪聲預測模型[J].中國環境科學,2014,34(2):539-544.

[12] 王衍洋,曹義華.航空運行風險的灰色神經網絡模型[J].航空動力學報,2010,25(5):1036-1042.

[13] 汪送,王瑛,李超.BP 神經網絡在航空機務人員本質安全程度評價中的應用[J].中國安全生產科學技術,2010,6(6):35-39.

(編輯：方春玲)

Research on constructing of matching model between fuel consumption and flight trajectories based on BP neural network

WEI Zhi-qiang, ZHANG Wen-xiu

(College of Air Traffic Management, Civil Aviation University of China, Tianjin 300300, China)

This paper establishes BP neural network model based on the flight track data matching with the QAR records. Fuel consumption is calculated by putting the flight track data and then the calculating results are compared with the real QAR fuel consumption data which shows that the calculation error of this model is less than 2%, so it can meet the requirements to calculate fuel consumption for air traffic control. In the end, this paper calculates the fuel consumption using some real radar record data to quantitatively analyze air traffic control’s influence on civil aviation energy-saving and emission reduction. This can improve the air traffic operation quality at the condition of considering safety, air traffic control capacity and also the requirements for green operation.

air transportation; BP neural network; fuel consumption estimation; flight track data

2016-03-30;

2016-09-05;

時間:2016-09-22 14:55

國家自然科學基金資助(U1533116，21407174)；國家863計劃資助(2014AA110501)；航空科學基金資助(20140267002)；天津市應用基礎與前沿技術研究計劃項目(14JCQNJC08100)

魏志強(1979-)，男，河南澠池人，副教授，碩士生導師，研究方向為飛機性能與飛行仿真。

V212.13

A

1002-0853(2016)06-0025-05