民航運輸飛機重著陸研究綜述

錢 宇， 葉 亮

(中國民用航空飛行學院飛行技術學院， 廣漢 618307)

安全是民航業永恒的主題，起降階段是飛機事故發生高風險階段，著陸過程包括下滑、拉平、接地和著陸滑跑。重著陸是指飛機在接地瞬間垂直方向上的載荷超過規定值的一類超限事件。雖然飛機的起落架都設計有緩沖裝置將大部分撞擊的能量通過壓縮減震器中的油液空氣，使其高速穿過小孔以熱能方式耗散沖擊產生的能量，但是起落架減震支柱的壓縮行程有限，而且隨著壓縮行程的增加，傳遞給機身的作用力也會越大[1-2]，輕則影響乘客乘坐體驗，重則可能會導致機體結構損傷并產生次生傷害以至于需要做探傷檢修等程序[3]，中外甚至發生過數起因重著陸導致的機毀人亡的嚴重事件。著陸過程雖然只有短短數秒，但飛行員注意力需要在儀表和目視之間來回切換，根據實際情況做出及時的判斷和準確的調整[4]，因此飛機著陸的好壞不僅從駕駛員的操作水平直接體現，還受諸多環境因素如氣象條件、機場條件等影響，理想的著陸狀態是接地瞬間升力約等于重力，垂直載荷接近1g(g為重力加速度，垂直載荷用重力加速度的倍數表示)。但并不是越輕越好，在某些天氣情況下，飛行員反而會主動選擇“扎實接地”[5]，使著陸看起來很“重”，值得注意的是，著陸重不等于重著陸，前者強調主觀感受，后者更加依賴于客觀數據。航空公司實際運行中，主要通過實施飛行品質監控(flight operation quality assurance，FOQA)對快速存取數據記錄器(quick access recorder, QAR)中的垂直加速度和下降率進行監測，發現“超限事件”，從而判斷是否發生重著陸，但飛行員和機務人員普遍認為此種方法效率低，不夠嚴謹，容易造成錯判漏判[6]。羅帆等[7]認為解決航空行為人的內在局限性或失誤的可能性是提高航空災害預警的重要途徑。因此，對重著陸事件進行全面客觀的評判，尋找誘發重著陸的關鍵致因，有助于承運人開展重著陸預防工作。

現總結中外重著陸研究文獻，介紹重著陸的診斷方法、風險評價方法和預測方法；指出當前研究在預測方面存在的不足，針對主要存在的問題，提出重著陸預防研究的展望。

1 重著陸判斷

飛機著陸載荷主要由起落架載荷和翼根載荷兩部分組成，其中起落架載荷是在機輪接地時地面支持力產生的載荷，翼根載荷超限常出現于飛機的減速下降、拉平階段，懸掛在機翼上的發動機由于慣性而產生過大的向上加速度。因此著陸載荷不僅與起落架構造有關，還與飛機質量和飛行狀態有關。重著陸診斷的根本目的在于發現危害飛機結構安全的事件，因此重著陸的判斷還需要考慮及時性和準確性，將事故風險關口前移，為采取措施提供充足時間可有效減少損失。傳統超限事件分析都是事后分析，缺乏及時性。蔡坤燁等[8]提出一種飛機重著陸的客戶化報文設計方法，通過設置事件的觸發邏輯可以幫助機務人員快速發現重著陸事件并指導檢修。趙新宇[9]、黃杰[10]針對通用航空飛行品質監控，對超限事件進行識別，通過實時判別飛行階段，利用高帶寬、超高速、低延時的“飛天”地空通信系統，實現了飛行各階段的實時診斷和告警，但診斷著陸垂直荷載大用到的方法仍然是單參數的閾值判斷，忽略了其他參數的影響，因為在著陸載荷沒有超限的情況下同樣可能會造成機身結構的損壞。因此重著陸診斷需要使用更為綜合全面的方法。

1.1 仿真建模

仿真建模法是一種輔助判斷重著陸的直接方法，該方法以飛機制造商給出的荷載標準為依據，采用動力學分析的方法判斷飛機在著陸時荷載是否超過手冊中規定的標準。袁心等[11]建立了在大氣擾動環境下飛機起降事故仿真動力學模型，可結合起落架模型的仿真結果和飛行數據記錄器(flight data recorder, FDR)對事故調查起輔助作用。Sartor等[12]認為飛機的數據分析一般具有保守性，不能準確評估飛機實際的情況，如飛機的垂直加速度傳感器記錄頻率是8 Hz,但飛機接地瞬間往往小于0.125 s，因而提出建立飛行參數傳感器仿真(flight parameter sensor simulation, FPSS)模型，通過貝葉斯靈敏性分析方法改變輸入如質量、重心，俯仰角、下降率、輪胎狀態等參數，計算出起落架精確值和模擬值之間的誤差，使重著陸的判斷更為精確。Lee等[13]通過結合多體動力學(multi-body dynamics, MBD)模型和線性仿真代替傳統的非線性著陸仿真，將著陸模型轉換為飛機剛體模型+起落架輪胎模型的分體式著陸模型，如圖1所示，結果表明相比后者，有著更好的計算性能。

但是，仿真建模需要占用大量的計算資源和以海量數據做支撐，而且重著陸常規檢修程序復雜耗時，85%的檢查卻現根本沒有損壞[14],存在耗時、效率低等缺點。中國許多學者針對這一問題開展了研究，提出基于機器學習的故障診斷方法，通過分析與重著陸相關的參數，挖掘數據規律，找到重著陸診斷的潛在方法，提高診斷效率的同時避免了FOQA超限監測中人為主觀性對重著陸判斷的影響。

1.2 機器學習

1.2.1 神經網絡

神經網絡算法是深度學習的基礎，其具有自適應與自組織、泛化能力、非線性映射能力、高度并行性等特點，廣泛應用于分類、預測等領域。

曹海鵬等[15]通過討論飛機的接地姿態和受力分析，選取垂直加速度、下降率、水平加速度、橫滾角和俯仰率5個QAR參數作為引起重著陸的主要因素，將其數據作為三層BP(back propagation)神經網絡的輸入，以表示重著陸嚴重程度的數字作為輸出，如圖2所示。用1 000個樣本數據參與訓練，經檢驗，該神經網絡能判斷出單一因素引起或者復合因素引起的重著陸，準確率較高。于健等[16]同樣采用BP神經網絡，考慮了與飛行員操作相關的兩個參數，分別是駕駛桿位置和駕駛盤位置，用100個事件樣本數據對著陸垂直載荷大事件進行診斷，經測試在診斷的同時還能識別出飛行員的動作特征，為后續深入的風險分析做了鋪墊。郭媛媛等[17]通過統計近30年的災難性事故樣本，得到14種致因和沖出跑道、硬著陸、碰撞3種事故類型，將其分別作為BP神經網絡和Elman神經網絡的輸入和輸出，訓練出進近著陸階段事故致因和事故類型的隱含關系，可預測可能出現的事故類型。張帥[18]建立基于飛行品質監控的超限裕度模型，挑選與著陸垂直荷載大相關的5個超限事件裕度值作為BP神經網絡輸入，經訓練該模型能判斷著陸垂直荷載大事件是否發生并找出是由哪些超限事件引起的。

wij和wjk分別為輸入層與隱含層和隱含層與輸出層的權值

雖然神經網絡有著良好的非線性映射能力，但其本身存在的一些缺陷，如過擬合、過訓練、學習樣本要求高等，而且模型的參數選擇也依賴經驗技巧，無法保證診斷結果最優。

1.2.2 支持向量機

支持向量機(support vector machine, SVM)廣泛應用于模式識別領域，通過設置分類并訓練樣本數據，尋找最優超平面，達到區分樣本的目的。

聶磊[19]提出基于支持向量機SVM的重著陸診斷模型，以飛機著陸受力分析確定的5個風險參數作為訓練數據，使用70組樣本進行訓練，識別率最高高達92.86%。Wang等[20]對比最小二乘支持向量機(least-squares support vector machine, LS-SVM)和反向傳播神經網絡(back propagation artificial neural network, BP-ANN)方法在重著陸診斷中的應用，前者在訓練時間上要顯著優于后者，除此之外，支持向量機有需要樣本少，診斷精度高的優點。王旭輝等[21]構建的重著陸事件決策系統使用SVM算法在診斷的同時還能給出事件誘因所在。許桂梅等[22-25]在優化支持向量機的診斷中做了較多工作，文獻[22-23]使用遺傳算法(genetic algorithm, GA)和粒子群算法(particle swarm optimization, PSO)優化LS-SVM中懲罰系數C和核參數σ的選擇，提高了分類精度和速度。文獻[24-25]通過多種核函數的組合來提高模型精度。賈寶惠等[26]將主起落架緩沖支柱的套筒壓縮行程納入到硬著陸判斷因素，使用改進AdaBoost SVM算法優化弱分類器的評價系數權重，有效降低了重著陸識別的漏判誤判率。

但是，由于神經網絡和SVM的智能方法屬于“黑盒”算法，缺乏對模型的解釋性，高小霞等[27]提出基于模糊關聯分類器(fuzzy associative classifier, FAC)的超限事件診斷方法，將QAR數據通過模糊C均值聚類(fuzzyC-mean algorithm, FCMA)后用Apriori算法挖掘數據之間的規律形成分類規則庫，最后由遺傳算法優化，試驗結果表明，該方法在保證診斷識別率情況下，解釋性要優于最小二乘支持向量機。在一些重要深度學習領域，人們不能一味相信機器的結果，因此，在保證識別準確率的前提下增強模型的解釋性成為研究新方向。

2 重著陸風險分析

重著陸作為一類風險事件，其發生往往不具有偶然性，海恩法則指出: 每一起嚴重事故的背后，必然有29次輕微事故和300起未遂先兆以及1 000起事故隱患。著陸階段的事故類型如擦機尾、著陸跳躍、沖偏出跑道等都和重著陸有著千絲萬縷的聯系，而且與飛行員的操作水平有著直接的關聯，REASON模型很好地說明了事故的致因，如圖3所示。識別風險，通過使用風險評價方法，可以為航空公司后續的風險管理提供一定參考建議。風險分析方法在民航安全如跑道超限[28]、可控飛行撞地[29]等有著廣泛的應用，目前中外普遍采用定性和定量或者二者相結合的方法。

圖3 REASON模型

2.1 定量分析法

2.1.1 統計分析

汪磊等[30-33]提出若干基于統計分析的風險評價方法，文獻[30]根據大部分QAR數據統計分布呈正態分布特點，選擇垂直加速度作為評價指標，用偏離均值μ的距離和程度表示重著陸發生的可能性和嚴重度，由二者乘積定量表示風險值的大小。文獻[31]提出基于QAR數據的曲線相似度方法，用飛行數據曲線的總體趨勢、伸縮變量、平移變量3個指標與由數理統計得到的“標準曲線”差異來評價飛行員著陸操作風險的大小。文獻[32]提出飛行數據正態云概念，以正態云模型刻畫飛行數據的分布，如圖4所示。由云模型理論和信息熵概念確定評價指標權重，模糊貼近度方法確定評價指標與風險等級的相似度，有效降低了因不同標準導致的評價偏差。

圖4 正態云模型[32]

文獻[33]選取飛機著陸階段俯仰角和駕駛桿位移參數為研究對象，使用小波分析方法描述飛行員操作和飛機狀態參數在時域和頻域之間的相關關系，從而對飛行操作進行分析和評價。祁明亮等[34]提出以黃金分割法劃分飛機著陸階段可能觸發超限事件的高風險區域，計算出著陸階段發生超限的平均概率。趙新斌等[35]根據垂直加速度滿足截尾正態分布的特點，劃分出風險區間，利用風險極大化思想優化判別重著陸的標準。

2.1.2 權重分析

Wang等[36]采用多元線性模型對重著陸和非重著陸的關鍵參數進行比較，發現50～0 ft(1 ft=30.48 cm)參數變化較大，飛行員需要時刻注意下降率和地速，邏輯回歸模型表明，接地姿態的俯仰角、橫滾角和襟翼位置與重著陸密切相關。在此基礎上，文獻[37]進一步分析了飛行員操縱桿和油門桿配合對飛機長著陸和重著陸的影響。王冉等[38]通過建立飛機進近著陸距離標準模型，利用灰色接近關聯分析和灰典型相關分析方法找到影響長著陸和重著陸的關鍵參數及其相關性。Qian等[39]引入面板數據聚類的社會經濟學統計方法，提取并對飛機著陸前10～2 m的關鍵飛行數據進行統計和聚類，找出重著陸的關鍵致因。Wang等[40]建立了以FOQA監控標準為指標，以層次分析法(analytic hierarchy process, AHP)確定權重的重著陸風險評估模型。Jasra等[41]采用主成分分析法(principal component analysis, PCA)對在美國境內不同機場運行飛機的飛行參數差異進行了分析。王旭輝[42]根據“人-機-環”風險管理機制建立3層風險因素體系，在層次分析法基礎上提出增量式算法，通過增量信息修正風險因素權重可解釋隨航線運行各風險因素變化情況。汪磊等[43]針對著陸期間飛行員操作駕駛桿、方向舵的控制輸入進行分析，以專家打分方式確定權重，應用功率譜分析法評價操縱水平。郭超超等[44]在層次分析法基礎上提出飛行品質指數(flight quality index, FQI)概念并以此對航空公司可控飛行撞地風險值進行了定量研究。

2.2 定性分析法

定性分析法是從多個維度分析事件性質的方法。SHELL模型用于分析事件中人、軟件、硬件、環境四個要素之間的相互關系，用于重著陸事件可以得到導致重著陸的風險因素[45]。周進[46]、鄭薇[47]在SHELL模型基礎上用熵權法和優劣距離法(technique for order preference by similarity to an ideal solution, TOPSIS)法對引起重著陸的風險因素排序，找出事件發生的主要原因。趙禮強等[48]以Reason模型為基礎，通過采用清晰集定性比較分析法(crisp-set qualitative comparative analysis，CSQCA)研究了45起空難事故，總結出空難事故多因素聯動致因。

2.3 綜合分析法

劉俊杰等[49]以人、機、環、管4方面改進Bow-tie模型，通過數量統計的方式突出風險管控重點。王晴昊等[50]使用系統理論過程分析方法(system theore-tic process analysis, STPA)將飛機進近著陸階段不安全事件視為控制問題，認為不安全事件是由不正確的控制過程導致的，結合飛機進近著陸運動學方程，分析飛機進近著陸階段高度和距離的關系，給出飛機的速度和下滑角在一定范圍內才能保證安全接地的條件。陳農田等[51]以新舟600機型為例，使用層次分析法分解標準操作程序并確定了進近著陸階段對安全性有重大影響的關鍵操作行為，為實施飛行員進近著陸操縱行為風險分析奠定基礎；使用灰色白化權聚類方法建立了用于評價飛行員進近著陸品質的重要指標[52]。劉柳[53]用變量相似度聚類和專家經驗實現參數約簡，定義并量化了著陸階段的風險情景，用bowtie模型對風險情景定性分析出風險與不安全事件的邏輯關系，以此確定貝葉斯網絡的節點和結構，在確定事件的情況下通過反向推理得到事件致因的后驗概率。

3 重著陸預測

將事故風險前移，為采取措施提供充足時間可有效減少損失。傳統超限事件分析都是事后分析，缺乏及時性，指導意義不大。目前重著陸預測主要從三個方面展開：風險、數量、參數。

3.1 事故風險預測

飛行品質監控通過設定監控標準來識別超限事件，但都是基于觸發邏輯的方式，容易存在虛發和漏發警報情況。孫瑞山等[54]采用過程控制方法，將風險告警關口前移，并利用3σ原則確定控制限，基于ISO8258：1991即國標GB/T 4091—2001異常監測準則修正垂直加速度數據的判定準則,使其能提前預測超限風險大小。常文兵等[55]截取著陸階段數據，用支持向量機訓練5個影響參數隨機組合下的預測模型，在少量變量的情況下有較好的預測精度。文獻[53]也通過貝葉斯網絡計算出當發生特定風險情景時導致事件發生的可能性大小。鄭磊等[56]采用動態事件規整(dynamic time warping, DTW)方法將飛行時間序列聚類分析出飛行操縱模式，利用卷積神經網絡做分類訓練，在已知飛行員操作模式的情況下，能表現出較好的重著陸的預測準確率和召回率。陳思等[57-58]利用基于自適應變異粒子群方法(adaptive mutation particle swarm optimizer, AMPSO)改進的支持向量機將預測準確率從80.747%提高至96.340 5%，效果顯著。結合預警參數的實時監控，從而實現重著陸的風險預警。汪磊等[59]使用蒙特卡洛模擬方法對參數進行擴充再根據概率統計預測了飛機著陸擦機尾風險，該方法同樣適用于重著陸的風險預測。Ding等[61]通過對比分析不同算法在重著陸預測中的效果，發現基于K最鄰近分類器的梯度增強決策樹(gradient boosting decision tree, GBDT)模型表現最優，且基于數據驅動的模型要由于基于知識驅動的模型。

3.2 事故數量預測

通過預測超限事件發生的數量從而揭示事故發生趨勢，可以為航空公司掌握運行質量，提高安全水平并及時做出預防措施提供參考依據。

文獻[47,60]使用BP神經網絡對航空公司重著陸事故數量做了預測。許桂梅等[62]利用遺傳算法優化的最小二乘支持向量機對某航空公司重著陸超限事件進行了預測研究，其短期預測和長期預測均表現出較好的預測精度。陳農田等[63]使用灰色馬爾科夫模型預測了進近著陸不安全事件數量。但是事故數量預測并不能從根本上杜絕重著陸的發生，只是單純反映數字發展趨勢，不能揭示事故發展規律。因此需要從飛行參數入手，探討重著陸發生的一般規律。

3.3 參數預測

由于QAR數據的記錄特點，飛行參數是一種典型的多元時間序列，記為X,X=(X1,…,Xi,…,Xm),Xi=(x1i,…,xji,…,xni)(i=1,2,…,m;j=1,2,…n;n,m∈N),其中Xi表示第i時刻的觀測序列，n表示觀測序列的長度，m表示記錄參數的個數。X用矩陣形式可表示為

(1)

將式(1)在三維空間中繪制如圖5所示。

圖5 多元飛行數據時間序列三維圖[64]

通過機器學習、時間序列分析等方法對飛行參數進行預測，提前預知飛機飛行狀態，從而保證飛機運行在安全的包線內。

Hu等[65]將9～2 m飛行高度范圍內以每0.5 m切片的7個飛行參數進行相關性分析降維到3個以優化SVM輸入參數，使重著陸預測精度由46.78%提高到52.74%。Qiao等[66]在飛行數據切片基礎上建立徑向基(radial basis function, RBF)神經網絡的預測模型，該模型采用K均值聚類算法確定模型參數，預測精度由BP神經網絡的66.52%提高到72.27%。巴塔西等[67]使用曲線擬合方法和自回歸滑動平均模型(autoregressive moving average mo-del, ARMA)模型對飛行參數時間序列進行了預測。將連續航班的著陸載荷看成是一個隨機過程，王旭輝等[68]用模糊加權Markov方法對著陸載荷進行狀態預測，并根據預測的載荷序列來劃分重著陸等級，達到風險控制的目的。傳統循環神經網絡(recurrent neural network, RNN)神經網絡算法存在梯度消失問題，BP神經網絡結構簡單，不能充分挖掘數據，支持向量機SVM又由于沒有考慮時序特征，因此在預測飛行參數上不夠精確。Tong等[69]引入長短時記憶網絡(long short-term memory, LSTM)對飛機著陸垂直荷載時間序列進行預測，由于LSTM可記憶時間序列長期依賴關系，相比于SVM的預測方法，使均方誤差(mean square error, MSE)能達到10-4。Zhang等[70]同時比較了LSTM與SVM模型、BP模型、邏輯回歸(logistic regression, LR)模型在重著陸預測方面的能力，結果表明，LSTM在精度和召回值都保持較高水平。Geoffrey等[71]通過建立基于機器學習的多層神經網絡預測模型，利用起落架接地實驗數據如減震器參數、輪胎參數和速度參數預測起落架的荷載。Jeong等[72]建立MBD模型，輸入飛行參數，通過Levenberg-Marquardt反向傳播算法訓練ANN神經網絡，能準確估算出起落架應變和著陸產生的載荷。由于著陸階段人機環影響錯綜復雜，Lu等[73]采用自回歸的方式對飛機著陸模型(aircraft landing model, ALM)著陸階段各變量序列進行預訓練，使用預訓練的飛機著陸模型能使LSTM預測精度顯著提高。各預測方法對比如表1所示。

表1 預測方法對比

4 控制策略

為避免重著陸，需要飛行員操作和飛機系統工程的共同努力。飛機系統主要是通過分析系統控制問題從而優化飛機在著陸過程中的可操作性。李曉明[74]建立了以飛機狀態、飛行員操作為輸入，飛機姿態變化為輸出的靜態預測模型，在此基礎上結合(proportion integral differential, PID)控制模型用BP神經網絡對QAR時間序列進行動態預測，實現對飛行姿態的在線調節。雖然PID控制簡單易實施，但魯棒性較差[75]。考慮到飛機在著陸時容易受到地面效應影響，從而影響飛機的操縱性，Lan等[76]研究了飛機在強風著陸過程中的穩定控制問題，建立模糊邏輯動態模型，提出基于方向舵和副翼的抑制和控制策略。

隨著飛機自動化水平的提高，飛機在絕大部分時間都可以使用自動駕駛程序，并具備特定條件下的自動著陸功能[77]，飛行員的意義更多體現在如何處置突發情況并做出正確判斷上，由于飛行員是執行飛行任務的核心控制人員，約束并發現飛行員的不安全行為，在一定程度上能防止事故的發生。通過飛行員安全績效評價，實現對飛行員全場景全時段的操作品質量化，為航空公司制定安全戰略提供可靠依據。

5 結論和展望

通過對民航運行飛機重著陸四個方面的總結研究，得到以下結論和展望：

(1)重著陸診斷方面，基于多參數的機器學習方法只需要在診斷模型中輸入目標航班的相應QAR數據，調節模型參數，經過訓練便能輸出診斷結果是否重著陸和導致重著陸的主要飛行參數，該方法數據來源廣泛，簡單易操作，適用范圍廣，能大大降低人為主觀性對事件定性判斷的影響。通過改進算法，優化模型參數選取等方法可提升診斷準確率和效率，但在現有算法得基礎上效果提升并不顯著且由于深度學習等智能算法的內在局限性對診斷結果也缺乏解釋性。因此，未來可以建立基于多元數據的著陸仿真模型對重著陸進行監測，通過綜合飛機參數數據、飛行運行數據、機場環境數據等信息實現對飛機的仿真模擬和場景回放，對重著陸事件進行精確識別，相比于神經網絡的算法識別過程，建模仿真對識別結果有著更好的可解釋性，但大數據的耦合問題和時間成本過長問題也對建模過程提出了更高的要求和挑戰。

(2)重著陸風險分析方面，現有研究大多基于航空公司的飛行手冊、標準操作程序、飛行品質監控體系，結合基于概率的統計學分析法和基于事件的人因模型方法，從定性和定量兩方面對重著陸進行風險識別、風險分類和風險評估，但風險的量化缺乏統一的標準，包括指標的選取和權重的確定過程，仍然需要憑借主觀經驗，結論中指出的風險致因如粗猛帶桿、收油門過早、拉平過早等定性描述或建議對飛行員的實際指導意義有限。未來可以通過建立并完善飛行員技能全生命周期的管理體系，統一飛行員操作量化和評價標準，改進和提升飛行員著陸操縱水平，實現對飛行著陸風險的源頭管控，增強飛機安全接地的“軟實力”。

(3)重著陸預測方面，一方面將航空公司連續航班的著陸載荷作為隨機序列進行預測，可以得到未來一段時間內航空公司發生重著陸事件數量和概率，為承運人了解運行風險，及時采取行動提供參考；另一方面將飛行參數作為時間序列，利用人工智能算法對數據序列自身進行預測，得到飛機在未來短時間內的飛行數據，從而達到提前預測和告警的目的，但對接地時刻參數突變的趨勢預測能力較弱，實用價值較低。未來，除了改進算法提高預測適用能力以外，還可以結合飛行控制系統開發可靠的自動著陸系統，將預測的數據用于系統輸入，從而調整飛機的著陸姿態、推力，速度在控制范圍內，但對飛機和機場的導航設施、傳感器、計算系統設計等有較高要求。