基于關聯(lián)規(guī)則的航空運行不正常事件統(tǒng)計分析

楊昌其，林 靈，吳 磊

（中國民用航空飛行學院空中交通管理學院，廣漢 618000）

0 引言

安全一直是交通運輸行業(yè)的永久主題，尤其是在民航高速發(fā)展的今天。根據(jù)中國民用航空局在《2021 年民航行業(yè)發(fā)展統(tǒng)計公報》中對航班運行總量的統(tǒng)計發(fā)現(xiàn)［1］，過多的航班運輸使空管局面臨巨大的壓力與挑戰(zhàn)。自從美國航空安全自愿報告系統(tǒng)（ASRS）成功運行后，其他國家也都根據(jù)自身國情發(fā)展自己的航空安全報告系統(tǒng)［2］。空管作為民航安全運輸?shù)闹袌粤α浚徽Ｊ录鳛榭展苓\行的重點關注對象，對一線的民航運輸至關重要。黃武［3］發(fā)現(xiàn)在民航空管安全信息的收集、統(tǒng)計分析工作中仍存在著相對滯后、誤差甚至缺失的現(xiàn)象?？罩薪煌ü苤茊T基于現(xiàn)行的空管自動化設備，實時掌握空中交通流量的變化，保障空域容量的安全高效運行。邱歆迪等［4］運用海恩法則在不同層面對企業(yè)的檔案信息安全提供了安全保障策略。為研究民航機場油料供油現(xiàn)狀，伍高輝等［5］根據(jù)“發(fā)生不正常事件總次數(shù)”“油量的不正常事故量”和“航班架次的不正常事故量”三個維度進行分類，統(tǒng)計分析了2007—2017 年十一年來共發(fā)生的所有不正常事件。張云高［6］通過“安全保證”活動發(fā)現(xiàn)信息處理的共性，總結構建不正常事件統(tǒng)一數(shù)據(jù)模型方法，最后建立了主題數(shù)據(jù)庫，為航空公司安全管理提供了理論技術支持。張磊毅［7］根據(jù)民航不正常事件的類型差異并結合實際情況對事件進一步簡化，對今后機務工作的開展有著重要意義。王兵等［8］基于支持度矩陣的改進Apriori算法有效地提高了鉆井隱患的關聯(lián)挖掘，實現(xiàn)對作業(yè)的風險預警。

綜上所述，海恩法則和Apriori 算法等其他模型主要用在其他領域開展研究，很少聚焦于空管安全運行研究。因此，本文以2022 年全年的民航不正常事件為研究對象，對其進行統(tǒng)計分析，并提出相應的安全管理措施，為空管安全運行提供一種新的思路。

1 不正常事件

在民航高速發(fā)展的背景下，空管安全運行一直是需要被重點關注的問題。在民航局空管安全系統(tǒng)中所有需要報告的事件被稱為不正常事件。例如：航空器、車輛、人員、動物等侵入跑道影響正常飛行，導致航空器中斷起飛或者復飛的；氣象服務向航空器提供錯誤的高度表撥正值且未予糾正的，以及由于其他影響機場、進近（終端）及區(qū)域空中交通管制單位不能提供正?？罩薪煌ü苤品盏氖录取?/p>

2 不正常事件的分類

本文所用數(shù)據(jù)為空管安全信息系統(tǒng)（ASIS）提供，包括2022 年空管系統(tǒng)不正常事件共10995件，通過事件類型、時間維度和事發(fā)原因的不同對其進行分類統(tǒng)計。

2.1 按事件類型分類

2022年共收集的空管系統(tǒng)不正常事件10995件中，航空器運行類事件數(shù)量最多為7394 起，占到總數(shù)的67.25%；其次，外來物、非法干擾、無線電干擾類事件數(shù)量為2038 起，占總數(shù)量的18.54%。各類事件的數(shù)量如圖1所示。

圖1 按事件類型分類

2.2 按時間維度分類

按月份分類，2022 年全年平均每月發(fā)生不正常事件916.25 起，7 月份發(fā)生數(shù)量最多，為1547 起，占總數(shù)量的14.07%；6 月份次之，為1347 起；12 月份發(fā)生不正常事件數(shù)量最少，為465起。具體如圖2所示。

圖2 按月份分類統(tǒng)計

按季度分類，2022 年全年各季度平均發(fā)生不正常事件2784.75 起，其中第三季度發(fā)生不正常事件最多，共3499 起，占全年的31.82%；第四季度發(fā)生不正常事件數(shù)量最少，為1701 起。如圖3所示。

圖3 按季度分類統(tǒng)計

2.3 按事發(fā)原因分類

不正常事件發(fā)生原因包括管制、流量、情報、通導、氣象、天氣、環(huán)境、航空公司、航空器、機組、軍航、機場、旅客等，各原因導致發(fā)生不正常事件的統(tǒng)計如圖4所示。

圖4 按事發(fā)原因分類統(tǒng)計

3 不正常事件關聯(lián)統(tǒng)計

3.1 理論基礎

3.1.1 海恩法則

該法則指出：每一起嚴重事故的背后，必然有29 次性質為輕微的事故和300 次未遂先兆及1000 起事故隱患［9］。據(jù)統(tǒng)計，共收集到ASIS系統(tǒng)中不正常事件10995 起，其中空管原因347起，征候為0 起，差錯2 起，未造成差錯的不正常事件共345 起，危險源共1060 條，海恩法則事件比例為0∶2∶345∶1060，如圖5所示。

圖5 海恩法則事件比例

3.1.2 Apriori算法

Apriori 算法是一種最有影響的挖掘布爾關聯(lián)規(guī)則頻繁項集的算法，其核心是基于兩階段頻集思想的遞推算法，從而產生只包含集合的項的所有規(guī)則［10］。

3.1.3 關聯(lián)規(guī)則

關聯(lián)規(guī)則定義為:假設I={ }I1,I2,…,Im是項的集合。給定一個交易數(shù)據(jù)庫D，其中每個事件（Transaction）T 是I 的非空子集，即每一個交易都與一個唯一的標識符TID 對應［11］。關聯(lián)規(guī)則在數(shù)據(jù)庫中的支持度（Support）是D 中事務同時包含X、Y 的百分比，置信（Confidence）是D中事務已經(jīng)包含X 的情況下，包含Y 的百分比，即條件概率。提升度（Lift）表示含有X的條件下同時含有Y的概率與Y的概率的比，即Lift（X-Y）=Confidence（X-Y）/Support（Y）。如果滿足最小支持度閾值和最小置信度閾值且提升度大于1，則認為關聯(lián)規(guī)則是有效的。

3.2 確定不正常事件致因

正確合理地查找出所有不正常事件的事件致因并構建表格，分析各種不正常事件的事件致因，將其分為人、機、環(huán)、管四類。表1的目的在于開展下一步不正常事件的調查工作時，根據(jù)事件致因調查并確定指導性方向，防止調查中數(shù)據(jù)的遺漏，使得調查更加方便。

表1 不正常事件的事件致因對應表

假設將人用Ai 表示、機用Bi 表示、環(huán)用Ci表示，管用Di 表示，不正常事件的致因如表1所示。為統(tǒng)計方便，把表格和所對應的不正常事件的事件致因，不正常事件發(fā)生時所影響的航班數(shù)、所處的高度層等也建立起對應的關系。

3.3 不正常事件與其事件致因的關聯(lián)規(guī)則

根據(jù)表2所示，進行下一步所需不正常事件調查。若表格內無法體現(xiàn)某些不正常事件的重要性質，則需要及時對表格內容進行填充從而完善表格。構建新表格后，分析表格與發(fā)生不正常事件之間的聯(lián)系，F(xiàn) 代表不正常事件的發(fā)生，具體對應事件性質見表2。

表2 不正常事件與其事件致因對應關系

4 不正常事件數(shù)據(jù)分析

通過第3 節(jié)介紹的方法，使用SPSS Modeler軟件建模，分析F、A、B、C、D 之間的關系。本文通過分析B、C 間的關系得出不同致因的支持度大小。

4.1 構建高頻致因“機”與“環(huán)”的關聯(lián)規(guī)則布爾矩陣

首先分析收集到的不正常事件數(shù)據(jù)并構建成布爾矩陣，矩陣中行代表不正常事件的致因“機”B1|B2|…|Bn|和 致 因“環(huán)”C1|C2|…|Cn|。矩陣中列為歷次調查中不正常事件是否發(fā)生的記錄，矩陣中的數(shù)字1 表示該事件致因發(fā)生，0表示該事件致因未發(fā)生，每行中均包含數(shù)字1表示多個事件致因同時發(fā)生。布爾矩陣如表3 所示，表中空白部分為0。

表3 機與環(huán)關聯(lián)規(guī)則布爾矩陣

4.2 將高頻致因產生關聯(lián)規(guī)則后計算出相關支持度

支持度的大小直接代表了“機”和“環(huán)”事件致因的強/中/弱鏈接。設定先導致因為“機”，后繼致因為“環(huán)”。設定強鏈接的支持度≥0.08，弱鏈接的支持度＜0.05，中鏈接的支持度≥0.05，且＜0.08。導入已構建的布爾矩陣，構建關聯(lián)關系網(wǎng)絡模型，計算得到在不同不正常事件中各種致因的支持度大小，并反映出強/中/弱鏈接，如表4所示。

表4 不同嚴重程度的差錯中異常征兆因素的鏈接強度及支持度

當Lift（Bi-Ci）=Confidence（Bi-Ci）/Support（Ci）＞1，且置信度和支持度達到預設值時，則認為該鏈接是有效的強規(guī)則項。本文將最小置信度值設置為0.2。

4.3 結果分析

通過上述關聯(lián)規(guī)則直接分析致因“機”與致因“環(huán)”和不正常事件發(fā)生之間的關系。按照概率降序排序并對其開展排查預警工作，避免因不正常事件而引發(fā)安全問題的發(fā)生。

（1）與不正常事件發(fā)生具有強鏈接的因素作為最優(yōu)先排查對象。通過表4 分析可知，B8 疑似爆胎與C9緊急著陸為強鏈接，支持度為0.12，大于0.08，爆胎會直接導致航空器緊急著陸，在運行中需著重關注這兩方面，在發(fā)生爆胎事故前，除隔熱罩和熱熔塞之外，還需著重考慮飛機本身的胎壓在著陸時產生的沖力以及后續(xù)的摩擦升溫，持續(xù)關注輪胎溫度監(jiān)控，在未發(fā)生航班爆胎事故前做好預警；若執(zhí)飛航班在起飛或著陸滑行中輪胎爆裂，機組應馬上報告管制人員，塔臺應指揮該故障航班保持方向減速，若不可滑行應等待機場牽引車牽引回機坪，同時命令消防車救援，防止火災事故的發(fā)生。

（2）與不正常事件發(fā)生具有中鏈接的因素為次優(yōu)先排查治理對象。B1 雷雨天造成設備關機與C6 備降油量不足為中鏈接，支持度介于0.05～0.08，天氣原因極易導致航空器備降從而油量不足，在航班運行中若由天氣因素導致不正常事件的發(fā)生，應查找出具體天氣現(xiàn)象并提前做好天氣預警。

（3）與不正常事件發(fā)生具有弱鏈接的因素也應當進行定期排查治理。C8 不明飛行物與B10航空器避讓為弱鏈接，支持度為0.02，小于0.05，航空器在執(zhí)行飛行任務時遇不明飛行物應當采取避讓措施，在運行中發(fā)現(xiàn)此類因素時，應當做好預警，提前防范。

5 安全管理建議

本文通過不正常事件的統(tǒng)計分析，從“人-機-環(huán)-管”的角度出發(fā)，“機”和“環(huán)”這兩大類發(fā)生不正常事件的比例高，其中“機”的比例最高。因此，在航空器運行保障中，建議空管運行單位與航空公司加強技術協(xié)同保障，優(yōu)化做好管制員與飛行員空地配合，為機組科學決策和安全運行提供必要的支持，完善航班返航備降、大面積延誤等應急處置預案；各設備運行保障單位要保證設施設備運轉正常。環(huán)境天氣也需要重點關注，由天氣所引起的不正常事件占比較大，應當加強天氣預報的準確性以及對氣象實時監(jiān)控的及時性，加強氣象監(jiān)測和危險天氣預警。軍民航?jīng)_突事件發(fā)生也較多，應當加強軍民航之間的預先溝通和協(xié)調質量，避免軍民航?jīng)_突。疫情期間部分培訓改為線上理論培訓，缺乏實際操作，訓練量減少，技能、情景意識、運行環(huán)境適應性和人員搭配默契度都有所下降，因此需加強教育和培訓。一是加強設備培訓，提高管制員對設備操作不當?shù)娘L險認識，熟練掌握設備運行相關要求，避免出現(xiàn)誤操作引起的差錯及事故；二是完善設備使用規(guī)程，制定設備設置檢查單，嚴格執(zhí)行設備檢查程序，管制員各項工作（例如開合扇區(qū)、交接班等）均按照檢查單逐項確認各項參數(shù)設置是否正確，確保FPASD、LST 以及必要告警等功能常開；三是加大管制現(xiàn)場巡查力度，重點關注設備設置的規(guī)范性，及時糾正設備操作的違章行為。

安全作為民航的底線，“敬畏生命，敬畏規(guī)章，敬畏職責”是每個民航人以及民航學子應傳承的精神，所以，根據(jù)本文所分析的不正常事件以及提出的安全管理建議提前做好防范措施，提高安全技能，保障每次航班的安全運行至關重要。