飛機起飛著陸性能計算模型及其應用分析

靖丹　王路寧　黃建民

摘? ?要：本文在對飛機起飛著陸過程進行簡要分析的基礎上，介紹了飛機起飛降落性能計算模型建立必要性，然后采用支持向量機（SVM）進行建模，并對某型飛機高原起飛滑跑距離實測數據進行了建模和驗算，結果表明，該模型具有很好的推廣性能，對相關研究具有一定的參考價值。

關鍵詞：起飛著陸性能? 支持向量機? 計算模型

中圖分類號：V212? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2020）02（a）-0004-02

相關研究數據表明飛機的起降對于飛機的飛行安全至關重要，其計算模型對于飛機的設計和運營具有重要的意義。飛機的起降過程是其在地面與空中進行狀態轉換，需要受環境氣候、機型、機場、人員等諸多因素的影響。另外，起飛與著陸是飛機完成一次飛行必經的兩個階段，因此，除有良好的空中飛行性能外，也必須具備良好的起飛和著陸性能。尤其是起飛性能對于飛行安全的影響較大，是飛機飛行性能的重要組成部分。在飛行安全方面，對于民航飛機來講，根據統計起飛與初始的爬行階段雖然僅占整個航班時間的2%，但是其事故發生率卻高達20%，從經濟角度講，由于其受影響的因素也比較多，從一定程度上限制了飛機負載能力，降低了經濟性。

1? 飛機起飛著陸過程分析

1.1 起飛過程

飛機在起飛前滑跑到起飛線上，飛行員將桿到起飛位置時用剎車將飛機停止到起飛線上。飛機在起飛時飛行員松開剎車使飛機沿跑道加速滑行。飛行員操縱飛機滑跑過程中對飛機抬頭進行控制，當加速到一定速度后飛行員拉桿抬起前輪。飛機抬頭后需要保持姿態角，然后飛行員握住駕駛桿保持飛機的離地姿態。在飛機離開地面后再增加速度向上飛行。在上升的過程中飛行員要能夠控制好爬升的航跡角，直到飛機達到安全的飛行高度。最后切換到巡航飛行狀態，起飛過程結束。

1.2 著陸過程

飛機著陸主要經歷定高飛行、下滑與地面減速等階段，飛機從安全高度開始下滑，飛行員將收縮油門至慢車位置，著陸速度做直線下滑到5～8m左右，飛行員通過拉桿使得飛機抬頭從而減慢其下降的速度，并拉平飛機，飛機下降到1m左右拉平過程結束，進入到平飄狀態，最后減速飄落接地。在飛機接地后需要經歷無剎車的自由滑跑減速，通常僅需2～3s，然后放下機頭，前輪著地做三點滑跑并使用剎車，直到飛機停止，著陸過程結束。

2? 建立飛機起飛著陸計算模型的必要性

當前針對飛機起飛著陸計算的模型和方法比較多，但大多數都是標準條件下，但是飛行部門要在飛機在非標準大氣條件下的起降性能。大量實踐表明標準條件下的滑跑距離的計算具有較大的誤差，數值計算需要對原始數據有較高的要求，計算起飛相當困難。主要表現在：一是很難收集原始數據，如飛機參數、氣動數據等;二是很難制定對原始數據的修訂方法，如小速度下的高溫修正等。三是各種數據給出不規范以及數據不完整。因此，在進行機場設計時需要經過大量的調研。候洛源提出了一種基于飛機起飛著陸性能計算方法，但是其僅局限于2500m以下飛行高度的計算場合。

對于上述問題的有效解決需要考慮以下方面：一是需要考慮支持向量機等職能計算工具強大的學習能力，將其應用以準確的捕捉數據背后所隱藏的規律。二是要保障飛機起飛著陸性能的觀測數據。根據目前在該方面的研究現狀，本文提出了采用支持向量機、神經網絡等職能計算工具計算飛機起飛滑跑性能的計算思路，該思路能夠充分的利用飛機起飛著陸的性能數據，建立起智能計算模型，能夠大幅度減少人工的測量工作，得到準確的預測結果。

3? 起飛著陸計算模型

3.1 模型的建立

本文建立起飛著陸滑跑距離計算模型為

在建立上述一般模型后，采用學習訓練樣本，就能夠利用恰當的學習機器建立起飛著陸滑跑距離模型，從而建立起數據內在關系，最終實現對未知數據的預測。

3.2 智能計算逼近器

候洛源提出了一種基于自適應神經模糊推定系統，該系統充分應用了模糊邏輯的優點，可用參數較多，從而在不需要先驗知識的的情況下確定合理參數。VN Vapnik等人提出了一種基于支持向量機的機器學習方法，該學習方法以結構風險最小原則來替代傳統的經驗風險最小原則，能夠在有限的樣本下能夠得出由于傳統技術的結果，其復雜程度與樣本的數量無關，能夠獲得全局最優解，以良好的稀疏性能減少的模型的復雜度。支持向量機目前已經成為人工智能研究領域的重要熱點，應用范圍相當廣泛。因此，本文以支持向量機為理論基礎建立飛機滑跑距離的計算模型。

4? 應用實例

本節研究某型飛機高原起飛著陸滑跑距離智能計算中，驗算數據為25組。其中，訓練樣本20組，采用BRBP，RBF，ANFIS神經網絡和支持向量機分別建立智能計算模型進行驗算，采用徑向基核函數：

實驗中，采用如下方法進行歸一化和反歸一化處理：

選取20組訓練樣本，分別釆用BRBP，RBF， ANFIS和支持向量機，建立起飛滑跑距離的輸入輸出智能計算模型，具體步驟如下：

（1）將不同起飛著陸的起飛質量、大氣溫度扥作為網絡學習的輸入參數，將滑跑距離作為網絡輸出，對樣本進行歸一化處理;

（2）分別建立BRBP， RBF， ANFIS和支持向量機智能計算起飛著陸滑跑距離模型;

（3）將歸一處理化后的檢驗樣本代入本模型采用進行預測，并將預測結果進行反歸一化處理;

（4）建立的模型對于訓練樣本集之外的樣本預測能力，表1和表2給出了5組檢驗樣本的推廣誤差結果。

從表1和表2計算的結果看，5組測試樣本中只有支持向量機能夠使得預測結果滿足5%的精度要求。這就表明支持向量機在非線性預測中具有優勢，因此，采用用支持向量機智能計算模型能夠用于起飛著陸性能的預測。

5? 結語

智能計算模型需要建立在大量的飛行數據可獲得性的基礎之上，而飛行部門正好具備這一要求，通過智能計算模型的建立可以有效減少人工工作量，對于飛機的飛行設計提供重要的參考價值。

參考文獻

[1] 蔡良才，王海服，朱占卿，等.高原機場壇機起壇滑跑距離計算方法[J].交通運輸上程學報，2013， 13 （2） ：66，72.

[2] MacKay D J C. Bayesian Interpolation[J]. Neural Com putation， 1992，4（3） ：415-447.

[3] Roger Jang. ANFIS s Adaptive-Network-Based Fuzzy In ference Systems [J].IEEE Transactions on Systems， Man and Cybernetics， 1993，23（3）： 665-685.

[4] 許巍，岑國平.機場最小起降帶的計算機輔助優選[J].空軍工程大學學報：自然利一學版，2003，4（2）：20-23.

[5] 中功璋，高金源，張津.飛機綜合控制與飛行管理[M].北京：北京航空航天大學出版社，2005.