基于訓練飛行的數據可視化及飛行動作劃分

曹哲，路晶，岳睿媛，龐璐

（中國民用航空飛行學院計算機學院，廣漢618307）

0 引言

機載飛行數據記錄設備收集記錄了非常豐富的、以飛參數據為核心的飛行記錄數據，是進行飛行評價分析的重要數據來源。現有的訓練飛機安裝了綜合航電系統，該系統能夠對主要的飛行參數進行有效的采樣和實時記錄，可以反映飛行訓練過程中的一些基本特征。

國內外在飛行訓練數據的研究主要集中在飛行動作的識別和飛行品質的評價兩個方面。毛紅保等［1］提出了一種基于奇異值分解的飛行動作評價方法，該方法具有數據降維和去噪的效果，能夠實現飛行動作的定量評價。張玉葉等［2］利用主成分分析參數相關度，提取相關度較大參數數據的時序趨勢變化特征來提高飛行動作的識別效率。沈一超等［3］使用貝葉斯網絡模型對飛行動作進行識別，利用實際飛行數據對形態特征類節點與描述特征類節點進行構建。成肖科［4］采用決策樹分類器對飛行過程進行階段識別，采用參數約簡、C4.5決策樹算法和識別結果聚類等技術，實現飛行階段的劃分。祁明亮［5］利用快速存取記錄器，對飛機著陸階段出現的某一QAR超限事件，利用優化法和數理統計方法，設計了輔助飛行員針對性訓練的分析工具。龍海江［6］利用了QAR數據進行量化分析，找出了引起重著陸的人為原因和環境因素，并且對數據進行了標準化和歸一化的預處理，基于層次聚類的聚類處理，完成了著陸階段的關鍵飛行參數提取。并且對QAR數據進行了相關性的分析，建立了各個變量與著陸載荷的關聯。周超等［7］利用特征優化降維策略，改進了動態時間彎曲算法，實現了高效的飛行操作模式匹配。Xu等［8］提出了一種基于曲線聚類的自動識別重著陸的方法，文章根據不同的重著陸模式進行分類，最后使用k-means的聚類算法實現自動識別，由于飛行訓練的飛機動作較為復雜，基于垂直加速度的接地點識別方法在飛行訓練中會出現誤差。汪磊等［9］應用統計建模方法建立一個重著陸風險定量評價模型。依據重著陸判定參數的分布函數及相應算法評價重著陸發生的可能性和嚴重性,并計算出風險等級。曹海鵬等［10］利用人工神經網絡建立重著陸的診斷模型。Krishna等［11］提出了基于智能飛行數據記錄儀的異常動作監控方法，該方法把異常飛行操作形成專家經驗數據庫，實現了異常飛行動作的智能識別。

本文在飛行規則的基礎上進行飛行動作的劃分，通過飛行動作的組合特點進行飛行科目的識別，通過實驗數據和專家意見對比，證明了該方法的可行性，并且在可視化的基礎上改進了通航飛機接地點的識別方法，這種方法對前三點式飛機的識別準確率更高。

1 訓練飛行的特點

1.1 數據的獲取

在飛行數據采集方面，中國民用航空飛行學院使用的是Garmin提供的G1000系統，數據的收集主要是靠地面人員對機載SD卡進行拷貝，來獲取飛機空中的飛行數據。G1000系統的航空電子組件主要有通訊、導航以及姿態等航空電子組件，在172R的飛機上還配備了兩個彩色LCD顯示器作為PFD和MFD。GIA63集成電子組件是該系統的核心，它主要就是負責采集和處理系統中其他設備輸入的數據和控制命令，因此，飛行訓練中的數據采集主要就是對GIA63集成電子組件的數據采集［12］。

運輸航空數據的傳輸遵循ARINC717傳輸規范，分布在飛機各部位的傳感器進行數據采集，這些信號傳輸至DFDAU組件，經過處理之后傳至記錄器，其中有專門用于飛機著陸識別的電門［13］。

1.2 飛行訓練數據的特點

本文所研究的是中國民航飛行學院的飛行訓練數據，飛行訓練和運輸航空明顯的區別就是數據波動性較大，每個樣本之間的差距較大，產生的這種現象的原因一個是飛行員的差異，另一個就是機型的差異。飛行訓練的駕駛員是飛行時長較少的飛行學員，所以各個學員之間水平的參差不齊導致飛行訓練的數據差異性較大，而運輸航空的駕駛員是飛行時長較長的飛行員，并且對飛行航路有較多的飛行經驗；在機型方面，運輸航空的飛機是重型機和中型機，而訓練所使用的飛機大多為輕型機。

1.3 訓練飛行參數

綜合航電系統中所記錄的飛參數據為結構化時間序列數據，頻率為一秒鐘采集一次，主要分為飛機軌跡參數和飛機姿態參數。

主要飛機軌跡參數的詳細說明見表1，主要飛機姿態參數的詳細說明見表2。

表1 主要飛機軌跡參數

表2 主要飛機姿態參數

2 可視化飛行數據

2.1 參數曲線綜合可視化

對飛參數據可視化可以找出飛參數據之間存在的關聯，為分析事故的產生和起因提供數據支撐。相較于運輸航空，訓練飛行數據存在更多的不確定性，數據的頻率低，數據的波動更加明顯，這給數據的分析帶來了一定困難。本文使用的綜合曲線可視化曲線，選取高度、表速、升降率、垂直加速度、發動機轉速和俯仰角等六個飛參數據建立飛行訓練數據的綜合曲線，選取高度、俯仰角和垂直加速度，是因為接地點的識別需要使用這三個參數，表速、升降率和發動機轉速是飛機狀態的主要參數，通過這六個參數可以比較準確地判斷當前飛機的飛行狀態。由于飛參數據之間數值差異較大，在做綜合曲線分析時需要將數據做歸一化處理，即將數據的變化幅度控制在相近的范圍內，否則會出現數據之間數值差距過大，數值難以統一。處理數據的公式如下：

其中x為歸一化之后的數值，x0為原始數據的數值，xmax和xmin為原始數據中最大值和最小值。使用Python可視化模塊，選取飛行數據中接地附近的數據段建立綜合參數曲線，如圖1所示。

圖1 參數曲線綜合可視化

從曲線綜合可視化的圖表中可以找到數據之間的內在聯系，如在飛機著陸階段俯仰角逐漸增大，主輪接地時俯仰角達到最大，之后減小，垂直加速度會在主輪接地時達到最大，利用這個特性完成對飛機接地點的識別。通過飛機姿態的改變頻率和幅度的變化分析此次飛行的質量。如果飛行姿態的變化過大，除卻必要的飛行動作，最有可能的就是進行了粗猛操作。

2.2 基于綜合參數的接地點識別方法

我國的民航法規《航空承運人飛行品質監控實施和管理》規定，在接地前5 s內到接地后2 s內，著陸垂直載荷大于1.6 g為輕度偏差，大于1.8 g為嚴重偏差。使用飛參數據對飛機著陸情況進行分析是解決重著陸問題一個非常有效的方法。

在研究著陸品質以及接地點的識別中，運輸航空的接地點識別有專門的電門提供著陸信號，而飛行訓練所使用的飛機沒有安裝著陸識別電門，所以接地點的識別需要根據飛參數據中的參數識別。在傳統的接地點識別中經常會使用到的是升降率這一參數，而在訓練飛行中使用單一的升降率參數很難準確的識別，原因主要有兩個：①由于飛行訓練本身的特性，學員的飛行質量較低，容易出現誤判。②飛行訓練中存在類似著陸階段的改變下降率和俯仰角的情況，這使得很難把著陸和飛行動作區分開。基于升降率的識別接地點的方法在飛行訓練中存在不足，本文提出使用俯仰角的識別方法，并且增加無線電高度和垂直加速度這兩個輔助識別參數，增加這兩個參數的原因是為了把在空中的飛行動作和真正的著陸階段區分開來，保證每一次識別出的結果都是真正著陸的結果。

選用俯仰角的識別方法是根據塞斯納172的結構特性，飛機在著陸時先是主輪接地，然后前輪接地，而前三點式飛機在接地前會有平飄的過程，即在接地前拉大飛機的俯仰角度，這種著陸順序必然使飛機主輪接地瞬間俯仰角達到最大，之后俯仰角減小，在前輪接地后保持平穩。如圖2所示。

圖2 著陸飛機拉平示意圖

基于這種著陸特性，選取在著陸階段俯仰角最大的點作為飛機的主輪接地點，俯仰角首次達到飛機平放時的俯仰角作為前輪接地點，通過比對兩個接地點時刻的垂直加速度的大小判斷著陸是否超限。

安裝在飛機上的飛行數據記錄儀可以隨時對飛機姿態變化進行記錄，在中國民航飛行學院的機隊中，飛行訓練數據可以記錄包括經緯度、海拔高度、升降率等重要的飛參數據，為飛行訓練的評估和提升飛行學員的飛行質量提供了數據支持。建立綜合曲線模型，如圖3所示。

圖3 飛機接地點識別

在著陸階段中將俯仰角最大的值判定為主輪接地點，此刻的垂直加速度達到最大，在過后第50個數據首次下降到平放俯仰角即為前輪接地時刻。

3 飛行動作的劃分

3.1 數據的預處理

本文采用的數據平滑去噪的處理方法是卷積平滑算法（Savitzky-Golay）。該算法的思想是用一個窗口寬度為2m+1的窗口對數據進行滑動濾波，對于窗口內的數據用的一個n階多項式擬合：

根據文獻［14］，得知的最小二乘擬合的殘差為：

利用卷積運算求取擬合多項式常數項，對輸入數據進行加權平均，求偏導化簡之后有：

令A={ani}，ani=ni,-M≤n≤M,0≤i≤N,B=ATA，則可以得出：

最終可以得出：

H就是卷積系數。

在Python中的實現如圖4所示。

圖4 數據平滑處理

藍色曲線是原始飛行訓練數據，橙色曲線是經過卷積平滑后的數據曲線。

經過卷積平滑后的數據保持了數據的整體趨勢，而且消除了噪聲帶來的誤差干擾。

3.2 動作的劃分規則

飛行動作的種類主要分為四種，即爬升、平飛、下降和轉彎，所有的飛行都是基于這四個飛行動作的排列組合，對飛行動作的精準劃分是對飛行科目識別和飛行品質評價的基礎。詳細的動作劃分規則如表3所示。

表3 飛行動作的種類

飛行訓練中主要涉及的飛行科目有起落航線、沿DME弧飛行、盤旋等［15］，本文針對這三個科目進行飛行科目的識別，對于一個標準起落航線科目來說，由“爬升+平飛+轉彎+平飛+轉彎+平飛+轉彎+平飛+下降+轉彎+下降”組成的，它的符號表示為［A，B，C，B，C，B，C，B，D，B，D］。為了提高科目識別的準確性，本文將例如起落航線這種復雜的科目定義范圍擴大，只需滿足8個飛行動作即可判定為起落航線科目。沿DME弧飛行科目由“轉彎+航向改變約270°+轉彎”組成；盤旋由“轉彎+航向改變大于270°”組成。

3.3 動作劃分

使用Python可視化平臺對數據進行建模和劃分，將飛行動作之間用紅色點劃分，飛行動作劃分的流程圖如圖5所示。

圖5 飛行動作劃分流程

通過動作劃分規則區分爬升、轉彎和下降動作建立坐標系，x軸、y軸分別為經度和緯度，z軸為高度，以機場標高為0，如圖6—圖8所示，分別是某次飛行訓練的爬升片段、轉彎片段和下降片段。

圖6 飛機爬升動作

圖8 飛機下降動作

圖6 紅色軌跡為某次飛行訓練中爬升的片段，圖7紅色軌跡為某次飛行訓練中轉彎的片段，圖8紅色軌跡為某次飛行訓練中下降的片段。通過對劃分出的飛行動作片段進行組合識別，進行飛行訓練科目的識別。

圖7 飛機轉彎動作

3.4 科目的可視化

通過對飛行動作的劃分，完成飛行科目的自動識別，對起落航線、沿DME弧飛行和盤旋三個科目進行識別，使用Python平臺完成可視化，結果如圖9—圖11所示。

圖9 起落航線

圖11 盤旋

根據3.2節對飛行科目的劃分依據，進行飛行動作的識別，如圖9、圖10和圖11所示，分別為起落航線、沿DME弧飛行和盤旋的識別結果，結果表明，使用飛行動作片段的方法在科目的識別上具有可行性，但在實際過程中存在的一些非標準的科目，在識別上還存在困難。

圖10 沿DME弧飛行

4 結語

本文針對飛行訓練的特點，以及參數綜合曲線的特性，提出了一種基于俯仰角為主，無線電高度和垂直加速度為輔的接地點識別方法；通過飛行動作的特征，制定動作劃分規則，將整個飛行劃分成數個飛行動作，通過動作的符號串匹配飛行科目。實驗表明，基于飛行動作片段的飛行科目識別方法具有可行性。