本發(fā)明涉及一種飛行安全事件分析方法，尤其涉及一種基于情景意識(shí)模型的飛行安全事件分析方法，屬于飛行信息處理技術(shù)領(lǐng)域。

背景技術(shù)：

隨著飛行事業(yè)的快速發(fā)展，飛行安全事件越來(lái)越越受到人們的重視。為了解決飛機(jī)飛行過(guò)程中的飛行安全事件，飛行安全事件的分析必不可少。飛行安全事件的分析在qar(快速存儲(chǔ)記錄器)數(shù)據(jù)分析中是一個(gè)重要的工作。情景意識(shí)(situationawareness，簡(jiǎn)稱sa)被提到了很重要的高度，成為重要分析工具。它幫助我們從駕駛艙內(nèi)部和外部，去覺(jué)察和理解其環(huán)境，并且?guī)椭w行員事先想到潛在的困難，基于目標(biāo)(例如起飛或降落等)的任務(wù)指導(dǎo)飛行員如何克服這些困難。

人們?cè)谏婕暗捷^復(fù)雜的運(yùn)行環(huán)境時(shí)，會(huì)形成基于相關(guān)信息的持續(xù)和綜合的腦部畫(huà)面，作為決策的依據(jù)。這被稱為情景意識(shí)。為什么情景意識(shí)sa在飛行安全評(píng)估中如此重要？作為飛行新手，建立情景意識(shí)滲透了培訓(xùn)的每一個(gè)步驟，從最基本的出事飛行培訓(xùn)到模擬機(jī)培訓(xùn)，到高級(jí)飛行培訓(xùn)，乃至最后進(jìn)入航空公司開(kāi)始日常飛行任務(wù)。只要理論、技能、知識(shí)儲(chǔ)備量是充足的，情景意識(shí)的建立就會(huì)逐漸加強(qiáng)和重復(fù)。因此，情景意識(shí)可以理解為進(jìn)入飛行員的血液，當(dāng)我們?cè)u(píng)估安全飛行表現(xiàn)時(shí)，檢查情景意識(shí)的安全性對(duì)于我們研究安全超限事件的分析就成為最合適的切入點(diǎn)。

qar監(jiān)控著整個(gè)的情景意識(shí)過(guò)程，為事后分析提供了可能。通過(guò)qar大數(shù)據(jù)挖掘，可以重現(xiàn)情景意識(shí)處理過(guò)程，并且評(píng)估飛行員的表現(xiàn)。但是如何根據(jù)情景意識(shí)的處理過(guò)程對(duì)飛行安全事件進(jìn)行分析，并根據(jù)對(duì)飛行安全事件影響的重要性對(duì)特征進(jìn)行排序，從而獲取關(guān)鍵特征，提高主要特征的重要性和重視力度，降低次要特征的重要性和重視力度，在現(xiàn)有的研究中并沒(méi)有涉及。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的技術(shù)問(wèn)題在于提供一種基于情景意識(shí)模型的飛行安全事件分析方法。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用下述的技術(shù)方案：

一種基于情景意識(shí)模型的飛行安全事件分析方法，包括如下步驟：

s1，對(duì)歷史飛行數(shù)據(jù)進(jìn)行分析，建立基于bow-tie的情景意識(shí)模型；

s2，提煉建立的情景意識(shí)模型的特征點(diǎn)，根據(jù)情景意識(shí)模型和提煉的特征點(diǎn)建立初始數(shù)據(jù)詞典；

s3，通過(guò)qar獲取飛行數(shù)據(jù)，在初始數(shù)據(jù)詞典中選取特征類別，根據(jù)選取的特征類別對(duì)獲得的飛行數(shù)據(jù)進(jìn)行分類；

s4，在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征，并優(yōu)化初始數(shù)據(jù)詞典。

其中較優(yōu)地，在步驟s1中，所述基于bow-tie的情景意識(shí)模型，是用情景意識(shí)來(lái)替換bow-tie中的誘因事件，抽象化飛行員的操作為風(fēng)險(xiǎn)情景；

基于bow-tie的情景意識(shí)模型包括7部分：風(fēng)險(xiǎn)情景、原因總結(jié)、改正/控制措施、風(fēng)險(xiǎn)事件、進(jìn)一步改正/控制、進(jìn)一步事件和潛在結(jié)果；

每個(gè)部分均包含飛機(jī)飛行過(guò)程中出現(xiàn)的情況分類。

其中較優(yōu)地，s31，選取作為分類類別的特征類別；

s32，通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)得到弱分類器，將弱分類器加權(quán)求和得到gentleadaboost分類器；

s33，通過(guò)獲取的gentleadaboost分類器對(duì)獲得的飛行數(shù)據(jù)按照選取的特征類別進(jìn)行分類，得到其他特征類別與選取的特征類別的關(guān)系。

其中較優(yōu)地，在步驟s4中，在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征，包括如下步驟：

s41，采用gk聚類算法計(jì)算聚類中心，并獲取各個(gè)特征到聚類中心的距離；

s42，根據(jù)各個(gè)特征到聚類中心的距離對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征；

s43，重復(fù)步驟s41～s42直至選取的特征類別的每一個(gè)類別內(nèi)容中的關(guān)鍵特征均獲取為止。

其中較優(yōu)地，在步驟s4中，所述優(yōu)化初始數(shù)據(jù)詞典是在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，將排序后的特征按照順序更新到初始數(shù)據(jù)詞典中。

其中較優(yōu)地，所述的基于情景意識(shí)模型的飛行安全事件分析方法，其特征在于還包括如下步驟：

s5，通過(guò)qar實(shí)時(shí)獲取現(xiàn)行飛行數(shù)據(jù)，根據(jù)優(yōu)化后的數(shù)據(jù)詞典對(duì)現(xiàn)行飛行數(shù)據(jù)進(jìn)行分析判斷，當(dāng)有發(fā)生風(fēng)險(xiǎn)事件風(fēng)險(xiǎn)時(shí)，發(fā)出預(yù)警。

本發(fā)明所提供的基于情景意識(shí)模型的飛行安全事件分析方法，建立基于bow-tie的情景意識(shí)模型；并提煉建立的情景意識(shí)模型的特征點(diǎn)，建立初始數(shù)據(jù)詞典；通過(guò)對(duì)qar獲取的飛行數(shù)據(jù)進(jìn)行分類和聚類處理，得到初始數(shù)據(jù)詞典中特征類別之間的關(guān)聯(lián)關(guān)系，根據(jù)關(guān)聯(lián)關(guān)系優(yōu)化初始數(shù)據(jù)詞典。優(yōu)化后的數(shù)據(jù)詞典可以用基于bow-tie的情景意識(shí)模型進(jìn)行展示，清楚的顯示各個(gè)部分之間的關(guān)系，可以根據(jù)飛機(jī)飛行過(guò)程中的情景意識(shí)對(duì)結(jié)果進(jìn)行預(yù)測(cè)預(yù)警，也可以根據(jù)飛行結(jié)果對(duì)飛機(jī)安全事件原因進(jìn)行分析，并且評(píng)估飛行員的表現(xiàn)。

附圖說(shuō)明

圖1為本發(fā)明所提供的基于情景意識(shí)模型的飛行安全事件分析方法的流程圖；

圖2為現(xiàn)有的基本bow-tie模型的結(jié)構(gòu)示意圖；

圖3為現(xiàn)有的加強(qiáng)版bow-tie模型的結(jié)構(gòu)示意圖；

圖4為本發(fā)明所提供的一個(gè)實(shí)施例中，基于bow-tie的情景意識(shí)模型的部分結(jié)構(gòu)示意圖；

圖5為本發(fā)明所提供的一個(gè)實(shí)施例中，優(yōu)化后的初始數(shù)據(jù)詞典采用基于bow-tie的情景意識(shí)模型展示的部分結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明的技術(shù)內(nèi)容進(jìn)行詳細(xì)具體的說(shuō)明。

如圖1所示，本發(fā)明提供的基于情景意識(shí)模型的飛行安全事件分析方法，具體包括如下步驟：首先，對(duì)歷史飛行數(shù)據(jù)進(jìn)行分析，建立基于bow-tie的情景意識(shí)模型；其次，提煉建立的情景意識(shí)模型的特征點(diǎn)；并根據(jù)基于bow-tie的情景意識(shí)模型和提煉的特征點(diǎn)建立初始數(shù)據(jù)詞典；然后，通過(guò)qar獲取飛行數(shù)據(jù)，在初始數(shù)據(jù)詞典中選取特征類別，根據(jù)選取的特征類別對(duì)獲得的飛行數(shù)據(jù)進(jìn)行分類；最后，在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征。下面對(duì)這一過(guò)程做詳細(xì)具體的說(shuō)明。

s1，對(duì)歷史飛行數(shù)據(jù)進(jìn)行分析，建立基于bow-tie的情景意識(shí)模型。

在開(kāi)始分析情景意識(shí)之前，根據(jù)對(duì)飛行階段的事故發(fā)生頻次的分析，可以看到61％的事件發(fā)生在著陸階段，而其所占的時(shí)間僅僅為整個(gè)飛行旅程的24％。安全的邊際，在這個(gè)階段，逐漸消失，意味著飛行員的能力有時(shí)無(wú)法滿足任務(wù)需求。因此，著陸階段是所有航空公司更加關(guān)注的熱點(diǎn)，因此，在分析情景意識(shí)時(shí)就從著陸階段的事件入手。

在本發(fā)明所提供的基于bow-tie的情景意識(shí)模型與傳統(tǒng)的情景意識(shí)方法存在很大的區(qū)別。傳統(tǒng)的情景意識(shí)方法并未建立基于飛行安全超限事件的特定模型，而較有影響力的方法就是基于事故/事件樹(shù)和改正方法的系統(tǒng)分析，即bow-tie模型。傳統(tǒng)的bow-tie模型列出了頂級(jí)事件，例如，飛機(jī)故障。應(yīng)用此方法，輸入系列潛在導(dǎo)致故障的誘因事件，如圖2所示，例如：燃油缺乏導(dǎo)致發(fā)動(dòng)機(jī)停車，這個(gè)bow-tie模型的輸出的結(jié)果類似緊急著陸。將部分的可能性和事故的嚴(yán)重性進(jìn)行了定義。圖3給出了一個(gè)加強(qiáng)版的bow-tie模型，涵蓋了控制/改正措施以及惡化因素。

在本發(fā)明所提供的實(shí)施例中，將bow-tie模型與情景意識(shí)模型相結(jié)合，使用情景意識(shí)來(lái)替換bow-tie中的誘因事件，抽象化飛行員的操作為事件特征，并應(yīng)用人工智能/機(jī)器學(xué)習(xí)算法來(lái)自動(dòng)化判定事故/事件樹(shù)，給出了更好的邏輯。另外，機(jī)器學(xué)習(xí)可以很容易的將飛行員行為進(jìn)行分類或聚類，具有顯著的統(tǒng)計(jì)意義。

如圖4所示，對(duì)歷史飛行數(shù)據(jù)進(jìn)行分析，建立基于bow-tie的情景意識(shí)模型，基于bow-tie的情景意識(shí)模型包括7部分：風(fēng)險(xiǎn)情景、原因總結(jié)、改正/控制措施、風(fēng)險(xiǎn)事件、進(jìn)一步改正/控制、進(jìn)一步事件和潛在結(jié)果。每個(gè)部分均包含飛機(jī)飛行過(guò)程中出現(xiàn)的情況分類。

以下具體描述每個(gè)部分的情況分類內(nèi)容。在本發(fā)明所提供的實(shí)施例中，僅描述部分對(duì)飛行安全事件影響較大且較常見(jiàn)的情況分類內(nèi)容。關(guān)于風(fēng)險(xiǎn)情景，其包含的情況分類較多，在本發(fā)明所提供的實(shí)施例中，僅描述其中影響較大的前12個(gè)風(fēng)險(xiǎn)情景。第一個(gè)風(fēng)險(xiǎn)情景是指相關(guān)軌跡(下滑道)、相關(guān)油門(mén)和目標(biāo)空速等。如果這些值有異常，那么飛機(jī)自然會(huì)進(jìn)入風(fēng)險(xiǎn)情況。我們需要注意油門(mén)的影響因素：全重、高度、氣溫、下滑到梯度、風(fēng)的影響、目標(biāo)速度等。第二個(gè)風(fēng)險(xiǎn)情景是襟翼構(gòu)型。當(dāng)襟翼角度小時(shí)，飛行速度快速增加，減速較慢。大襟翼比小襟翼角度更適合于順風(fēng)著陸，但是小襟翼構(gòu)型比大襟翼更適合在大風(fēng)中飛行。第三個(gè)風(fēng)險(xiǎn)情景是拉平時(shí)機(jī)晚。第四個(gè)風(fēng)險(xiǎn)情景是拉平過(guò)程掉機(jī)頭。第五個(gè)風(fēng)險(xiǎn)情景是處理跳著陸方法不正確。第六個(gè)風(fēng)險(xiǎn)情景是過(guò)度收油門(mén)產(chǎn)生較強(qiáng)的低頭力矩。第七個(gè)風(fēng)險(xiǎn)情景是錯(cuò)誤習(xí)慣，包括飛行員認(rèn)為飛機(jī)是適宜的，并離開(kāi)控制桿和油門(mén)踏板，兩個(gè)飛行員互相提醒后開(kāi)始調(diào)整，有可能從開(kāi)始很小到后期變大。我們同樣知道在進(jìn)近和降落過(guò)程中，即使是副駕駛，手和腳也不應(yīng)該離開(kāi)控制桿和踏板，因?yàn)橛锌赡軣o(wú)法快速感知風(fēng)險(xiǎn)。30ft是降落中改出的底線，提醒彼此是一種浪費(fèi)時(shí)間和機(jī)會(huì)。上手調(diào)整量小，后期變大有同樣的風(fēng)險(xiǎn)。

以上提到的7種風(fēng)險(xiǎn)情景有可能引起大下降率或操縱桿粗猛(屬于原因歸納的情況分類)，這兩個(gè)是引起重著陸(屬于風(fēng)險(xiǎn)事件的情況分類)的重要原因。風(fēng)險(xiǎn)情景與原因歸納、風(fēng)險(xiǎn)事件之間的關(guān)系以及原因歸納、風(fēng)險(xiǎn)事件等的情況分類在后續(xù)進(jìn)行詳細(xì)的描述。第八個(gè)風(fēng)險(xiǎn)情景是對(duì)平飄的修正。第九個(gè)風(fēng)險(xiǎn)情景是對(duì)低空下沉軌跡過(guò)緩的修正。第十個(gè)風(fēng)險(xiǎn)情景是順風(fēng)著陸，通常順風(fēng)都是從大到小，空氣動(dòng)力學(xué)的性能也會(huì)逐漸變好。如果風(fēng)變化很快，會(huì)影響飛行軌跡，如果變化很慢，則影響油門(mén)。如果操作是穩(wěn)桿(屬于改正/控制措施的情況分類)來(lái)降低飛機(jī)俯仰角，在這個(gè)控制下，順風(fēng)著陸是不合適的，有可能造成重著陸或接地點(diǎn)遠(yuǎn)。

第十一個(gè)風(fēng)險(xiǎn)情景是低高度大側(cè)風(fēng)，理論上最好的解決方案是“漂流法”(調(diào)整機(jī)頭角度)和“側(cè)滑法”(改變橫滾角度)。如果順風(fēng)著陸，低高度大角度時(shí)，有很大的機(jī)頭角度變化，同樣需要注意順風(fēng)，新手會(huì)變得手忙腳亂(屬于原因歸納的情況分類)，可以通過(guò)簡(jiǎn)化對(duì)策(屬于改正/控制措施的情況分類)進(jìn)行控制和修訂，可能發(fā)生的風(fēng)險(xiǎn)事件的情況分類是接地點(diǎn)遠(yuǎn)、跳著陸和擦機(jī)尾。最后一個(gè)風(fēng)險(xiǎn)情景是著陸前姿態(tài)小，即所謂的掉機(jī)頭(屬于原因歸納的情況分類)。手忙腳亂和掉機(jī)頭不僅容易引發(fā)重著陸、著陸點(diǎn)遠(yuǎn)，同樣會(huì)引起跳著陸或擦機(jī)尾。

關(guān)于風(fēng)險(xiǎn)情景，其主要包含的情況分類包括：下降率大、抽桿(桿有延遲性)、穩(wěn)桿不當(dāng)、手忙腳亂和掉機(jī)頭等。

關(guān)于改正/控制措施(即事故前的預(yù)防措施)，其主要包含的情況分類包括：穩(wěn)桿有量、平穩(wěn)、順風(fēng)與穩(wěn)桿、簡(jiǎn)化對(duì)策、拉飄減速，姿態(tài)增加后再接地等。

關(guān)于風(fēng)險(xiǎn)事件，其主要包含的情況分類包括：重著陸、接地點(diǎn)遠(yuǎn)、跳著陸、擦機(jī)尾等。

關(guān)于進(jìn)一步改正/控制，其主要包含的情況分類包括：注意高原機(jī)場(chǎng)的著陸距離更長(zhǎng)、跳著陸過(guò)程中情況進(jìn)一步分類等。

跳著陸的主要原因是三個(gè)起落架機(jī)務(wù)同時(shí)著地，或者前起落架先挨地。因?yàn)轱w機(jī)的前半部分距離重心較遠(yuǎn)，前起落架會(huì)跳回空中，姿態(tài)變大，升力也變大，因此飛機(jī)會(huì)跳起來(lái)。擦機(jī)尾的主要原因是在飛機(jī)跳起來(lái)之前，擾流板伸出并打開(kāi)，升力被破壞，姿態(tài)的增大趨勢(shì)更加嚴(yán)重，甚至擦了機(jī)尾。當(dāng)重著陸、著陸點(diǎn)遠(yuǎn)、跳著陸和擦機(jī)尾發(fā)生時(shí)，我們可以進(jìn)一步修正/控制以避免繼續(xù)惡化。例如，如果著陸點(diǎn)遠(yuǎn)，機(jī)場(chǎng)位于高原，我們需要預(yù)留比在平原機(jī)場(chǎng)遠(yuǎn)的著陸距離。

當(dāng)跳著陸發(fā)生時(shí)，我們需要關(guān)注由于過(guò)度降低俯仰角而導(dǎo)致的掉機(jī)頭。另外，如果飛機(jī)跳回空中，擾流板伸出升起，升力破壞，同樣可能發(fā)生重著陸、跳著陸。在發(fā)生重著陸時(shí)，如果跑道剩余不足，預(yù)估跳著陸會(huì)很嚴(yán)重，有一個(gè)控制恢復(fù)措施就是復(fù)飛。重著陸和重、跳著陸的潛在后果又可能造成輪胎或飛機(jī)機(jī)體的結(jié)構(gòu)性損傷。如果落地點(diǎn)遠(yuǎn)，潛在后果可能是沖出跑道。如果有大側(cè)風(fēng)，沖出跑道也可能發(fā)生。

關(guān)于進(jìn)一步事件(即事故前的控制措施)，其主要包含的情況分類包括：預(yù)計(jì)過(guò)重、對(duì)跑道剩余距離沒(méi)有信息和預(yù)計(jì)過(guò)重等。

關(guān)于潛在結(jié)果，其主要包含的情況分類包括：飛機(jī)輪胎甚至機(jī)身產(chǎn)生結(jié)構(gòu)性損傷、沖出跑道等。

關(guān)于基于bow-tie的情景意識(shí)模型中七部分之間的關(guān)系，通過(guò)對(duì)qar獲取的飛行數(shù)據(jù)進(jìn)行分類和聚類處理，可以得到，在后續(xù)進(jìn)行詳細(xì)的描述。

s2，提煉建立的情景意識(shí)模型的特征點(diǎn)，根據(jù)情景意識(shí)模型和提煉的特征點(diǎn)建立初始數(shù)據(jù)詞典。

根據(jù)建立的基于bow-tie的情景意識(shí)模型，可以得到非常清晰的事件原因分析結(jié)構(gòu)。前已述及，根據(jù)對(duì)飛行階段的事故發(fā)生頻次的分析，可以看到61％的事件發(fā)生在著陸階段，而其所占的時(shí)間僅僅為整個(gè)飛行旅程的24％。因此，著陸階段是所有航空公司更加關(guān)注的熱點(diǎn)，在分析情景意識(shí)時(shí)就從著陸階段的事件入手。根據(jù)飛機(jī)歷史飛行數(shù)據(jù)分析，在降落階段，30ft是復(fù)飛的最小離地高度。復(fù)飛動(dòng)作形成需要事件延遲，因此對(duì)于從降落姿態(tài)改出，需要在離地至少30ft以上。而通常飛機(jī)在入跑道口上方50ft為止，俯仰角度1到2度，當(dāng)接地時(shí)，俯仰角通常是4到5度。在本發(fā)明所提供的實(shí)施例中，提煉建立的情景意識(shí)模型的特征點(diǎn)可以采用sift算法、spinimage算法、hog算法、rift算法、textons算法、gloh算法中的一種，由于上述算法均為現(xiàn)有常規(guī)提取特征點(diǎn)的算法，在此便不再贅述了。在本發(fā)明所提供的實(shí)施例中，采用sift算法提取特征點(diǎn)可以參考專利申請(qǐng)?zhí)枮?01510111168.4的中國(guó)申請(qǐng)專利公開(kāi)的一種基于小波變換的改進(jìn)的尺度不變特征匹配算法進(jìn)行特征點(diǎn)的提取。

鑒于此，根據(jù)飛機(jī)飛行過(guò)程中的關(guān)注信息以及上述事件原因分析結(jié)構(gòu)的邏輯來(lái)定義了75個(gè)維度的特征點(diǎn)。例如：在高度維度上，使用qar中的“場(chǎng)高”參數(shù)。首先，針對(duì)一個(gè)機(jī)場(chǎng)的同一條跑道，計(jì)算100ft以下測(cè)量的月度平均高度，以消除季節(jié)和環(huán)境的影響。然后使用5個(gè)特征點(diǎn)來(lái)描述真實(shí)的航跡在100ft、50-100ft、50ft、50ft到接地、接地點(diǎn)，這幾個(gè)階段是否高于平均高度。因?yàn)檫@是一個(gè)實(shí)驗(yàn)性的研究，在本發(fā)明中，qar數(shù)據(jù)取樣頻率是1秒1次，從50ft到接地，通常只記錄了3次，因此沒(méi)有提煉這個(gè)階段。但是只要需要，可以提高采樣率，并重新定義特征的維度，比現(xiàn)在擴(kuò)大10-20倍，正如將與平均值進(jìn)行比較作為特征。關(guān)于下滑道偏離緯度，也使用5個(gè)特征點(diǎn)來(lái)記錄其狀態(tài)，在100ft、50ft-100ft、50ft、50ft到接地點(diǎn)、接地點(diǎn)。關(guān)于空速緯度，在本發(fā)明中，記錄了3個(gè)特征點(diǎn)，mcp目標(biāo)速度在100ft、50ft-100ft、50ft。另外2個(gè)特征點(diǎn)記錄了與空速相關(guān)的vref在50ft到接地點(diǎn)、接地點(diǎn)。關(guān)于俯仰角緯度，記錄了俯仰角6個(gè)特征點(diǎn)，即在100ft、50ft-100ft、50ft、50ft到接地點(diǎn)、接地點(diǎn)、接地以后的月度平均值。最后的部分是評(píng)估重著陸和跳著陸。類似的，另外6個(gè)俯仰角控制的特征點(diǎn)，和另外5個(gè)針對(duì)下降率的特征點(diǎn)。對(duì)于側(cè)風(fēng)和順風(fēng)，5個(gè)特征點(diǎn)，每個(gè)記錄了他們的值和風(fēng)向。一個(gè)特征點(diǎn)用于記錄襟翼構(gòu)型，500ft-50ft大進(jìn)近速度，大接地速度，著陸襟翼構(gòu)型到位晚，接地俯仰角大，接地俯仰角小，落地點(diǎn)近，重著陸，重跳著陸，接地速度小。

提煉建立的情景意識(shí)模型的特征點(diǎn)之后，根據(jù)基于bow-tie的情景意識(shí)模型和提煉的特征點(diǎn)建立初始數(shù)據(jù)詞典。

s3，通過(guò)qar獲取飛行數(shù)據(jù)，在初始數(shù)據(jù)詞典中選取特征類別，根據(jù)選取的特征類別對(duì)獲得的飛行數(shù)據(jù)進(jìn)行分類。

通過(guò)qar獲取飛行數(shù)據(jù)，根據(jù)初始數(shù)據(jù)詞典包含的特征類別對(duì)獲得的飛行數(shù)據(jù)進(jìn)行分類。在本發(fā)明所提供的實(shí)施例中，采用gentleadaboost分類器方法對(duì)對(duì)獲得的飛行數(shù)據(jù)以風(fēng)險(xiǎn)事件與特征點(diǎn)組成的特征類別為相關(guān)值進(jìn)行分類。將相關(guān)值，例如是否“50ft到接地距離過(guò)遠(yuǎn)”或“接地平飄時(shí)間長(zhǎng)”的情況進(jìn)行分類，發(fā)現(xiàn)這些特征的關(guān)系，以及這些特征如何影響平飄情況一直到接地。

先介紹下所使用的方法。adaboost是“自適應(yīng)提升”算法的簡(jiǎn)稱，是機(jī)器學(xué)習(xí)元算法，由yoavfreundandrobertschapire提出，并于2003年獲得了獎(jiǎng)。其他學(xué)習(xí)算法(“弱學(xué)習(xí)”)也被加入作為加權(quán)求和的一部分，作為最后提升分類器的一部分。如果弱分類器將之前的分類有所扭曲，adaboost是自適應(yīng)的。

通過(guò)qar獲取飛行數(shù)據(jù)，根據(jù)初始數(shù)據(jù)詞典包含的特征類別對(duì)獲得的飛行數(shù)據(jù)進(jìn)行分類，具體包括如下步驟：

s31，選取作為分類類別的特征類別；在本發(fā)明所提供的實(shí)施例中，將風(fēng)險(xiǎn)事件與特征點(diǎn)組成的特征類別作為分類類別。例如：“50ft到接地距離遠(yuǎn)”，或“接地平飄時(shí)間長(zhǎng)”。

s32，通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)得到弱分類器，將弱分類器加權(quán)求和得到gentleadaboost分類器，具體包括如下步驟：

s321，初始化訓(xùn)練數(shù)據(jù)的概率分布，剛開(kāi)始為均勻分布，d1＝(w11，w12，...，w1n)，其中，dm表示在第m輪迭代開(kāi)始前，訓(xùn)練數(shù)據(jù)的概率分布(或權(quán)值分布)，wmi表示在第i個(gè)樣本的權(quán)值，初始時(shí)假設(shè)訓(xùn)練數(shù)據(jù)集具有均勻分布，即每個(gè)訓(xùn)練樣本在弱分類器的學(xué)習(xí)中作用相同。

s322，對(duì)m＝1,2,…,m，使用具有權(quán)值分布dm的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)得到一個(gè)弱分類器：gm(x)＝x→{-1，+1}。

其中，使用具有權(quán)值分布dm的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)可以選擇任意樸素貝葉斯，決策樹(shù)，svm等一種模型，并且每一輪迭代都可以用不同的模型。計(jì)算弱分類器gm(x)在訓(xùn)練數(shù)據(jù)集上的分類誤差率em以及gm(x)的系數(shù)αm。其中，

s323，更新訓(xùn)練數(shù)據(jù)的權(quán)值分布dm+1＝(wm+1，1，wm+1，1，...，wm+1，n)，其中，

zm是規(guī)范化因子，這樣，使得dm+1為一個(gè)概率分布。

s324，將m個(gè)基本分類器進(jìn)行線性組合得到最終的gentleadaboost分類器

中,每個(gè)gm(x)是一個(gè)弱分類器，x作為輸入，輸出為一個(gè)實(shí)際值，指出x所屬的類別。弱分類器的輸出符號(hào)反應(yīng)了預(yù)測(cè)目標(biāo)的所屬類別，絕對(duì)值體現(xiàn)了其屬于該類別的置信度。類似的，m-layer分類器會(huì)輸出符號(hào)為正，如果樣本屬于正的分類，反之亦然。

之前的boosting算法都是盡可能的選擇gm(x)，最小化減少每步的所有測(cè)試差錯(cuò)。gentleboost限定了每一步的尺寸。當(dāng)弱分類器進(jìn)行分類時(shí)，gentleboost會(huì)選擇gm(x)等于yi。

s33，通過(guò)獲取的gentleadaboost分類器對(duì)獲得的飛行數(shù)據(jù)按照選取的特征類別進(jìn)行分類，得到其他特征類別與選取的特征類別的關(guān)系。例如：風(fēng)險(xiǎn)情景(其他特征類別)中的相關(guān)軌跡(下滑道)、相關(guān)油門(mén)和目標(biāo)空速、襟翼構(gòu)型、拉平時(shí)機(jī)晚、拉平過(guò)程掉機(jī)頭等很大程度上會(huì)引起飛機(jī)重著陸(選取的特征類別中的風(fēng)險(xiǎn)事件)。

s4，在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征，并優(yōu)化初始數(shù)據(jù)詞典。

在本發(fā)明所提供的實(shí)施例中，將風(fēng)險(xiǎn)事件與特征點(diǎn)組成的特征類別作為選取的特征類別，在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，例如：對(duì)類別內(nèi)容“50ft到接地距離過(guò)遠(yuǎn)”或“接地平飄時(shí)間長(zhǎng)”中的特征通過(guò)聚類進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征，具體包括如下步驟：

s41，采用gk聚類算法計(jì)算聚類中心，并獲取各個(gè)特征到聚類中心的距離。

給定數(shù)據(jù)集x,選擇聚類數(shù)量1＜c＜n,權(quán)重系數(shù)m＞1,終止可容忍系數(shù)ε＞0，范數(shù)誘導(dǎo)矩陣a。隨機(jī)初始化分割矩陣(initializethepartitionmatrixrandomly,)u⁽⁰⁾，使得對(duì)l＝1，2……重復(fù)下述步驟：

首先，計(jì)算聚類中心:

其中，μik是中心集群，代表數(shù)據(jù)點(diǎn)相對(duì)于聚類中心的隸屬度,而xk代表數(shù)據(jù)點(diǎn)(標(biāo)記向量)。

然后，根據(jù)聚類中心計(jì)算第i個(gè)聚類簇的聚類協(xié)方差矩陣：

如果在上述基礎(chǔ)上加入一個(gè)比例矩陣:

γ是比例系數(shù)。提取特征值λij和фij；發(fā)現(xiàn)

λi,max＝maxiλij并設(shè)定對(duì)于可以重新計(jì)算

得到聚類協(xié)方差矩陣之后，計(jì)算各個(gè)特征到聚類中心的距離:

pi為調(diào)整系數(shù)。

最后，更新劃分矩陣:

直到||u^(l)-u^(l-1)||＜∈。

其中，采用gk算法進(jìn)行聚類獲得聚類中心以及各個(gè)特征到聚類中心的距離為本領(lǐng)域常規(guī)技術(shù)手段，算法中涉及公式的進(jìn)一步說(shuō)明可以參見(jiàn)王輝等人發(fā)布的《gk模糊分類算法在gis局部放電模式識(shí)別中的應(yīng)用》(《電力系統(tǒng)保護(hù)與控制》2011年第39卷，第17期)以及專利號(hào)為201410394763.9中公開(kāi)的基于gk模糊聚類的gis局部放電類型識(shí)別方法，在此便不再贅述了。

s42，根據(jù)各個(gè)特征到聚類中心的距離對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征。

s43，重復(fù)步驟s41～s42直至選取的特征類別的每一個(gè)類別內(nèi)容中的關(guān)鍵特征均獲取為止。獲得選取的特征類別的每一個(gè)類別內(nèi)容的關(guān)鍵特征。

在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征，優(yōu)化初始數(shù)據(jù)詞典。其中，優(yōu)化初始數(shù)據(jù)詞典是在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，將排序后的特征按照順序更新到初始數(shù)據(jù)詞典中。優(yōu)化后的初始數(shù)據(jù)詞典采用基于bow-tie的情景意識(shí)模型展示的部分結(jié)構(gòu)示意圖如圖5所示。

好的特征集是好的分類/聚類結(jié)果的基礎(chǔ)。使用過(guò)小的集合很有可能忽略重要的方面，因此使用的數(shù)據(jù)越多越好。另外，在本發(fā)明所提供的實(shí)施例中，有超出預(yù)期的發(fā)現(xiàn)。讓我們來(lái)豐富特征維度和解決方案。例如，在事件原因推理中有些潛在的規(guī)則，例如：

1)根據(jù)排序，給風(fēng)險(xiǎn)情景賦予不同的權(quán)重。例如，快速低高度下降風(fēng)險(xiǎn)排名:a.第一,20ft停止增加俯仰角引發(fā)掉機(jī)頭；b.第二,視力問(wèn)題導(dǎo)致的拉平飄晚；c.第三,進(jìn)跑道前，過(guò)度降油門(mén)，降低俯仰角，引起掉機(jī)頭和降低機(jī)頭的扭矩等。

2)關(guān)注修正/控制的細(xì)節(jié)，例如，對(duì)低高度下降率慢的修正：a.20ft時(shí)過(guò)度增加飛機(jī)俯仰角很容易引發(fā)過(guò)度控制，導(dǎo)致掉機(jī)頭，著陸狀態(tài)不穩(wěn)定；b.當(dāng)拉平啟動(dòng)過(guò)早，接地點(diǎn)過(guò)遠(yuǎn)，注意不要過(guò)度修正/控制；c.增加俯仰角會(huì)引起低高度平飄，例如20ft，降低俯仰角必須一點(diǎn)點(diǎn)來(lái)，不要過(guò)度。

通過(guò)qar大數(shù)據(jù)挖掘，我們重新展現(xiàn)了飛行著陸過(guò)程，并評(píng)估了飛行員的行為。風(fēng)險(xiǎn)情景因?yàn)槟承┰蛞l(fā)事件。針對(duì)風(fēng)險(xiǎn)情景的修正方法也在我們的模型考慮范疇。人工智能和機(jī)器學(xué)習(xí)算法被用于全面自動(dòng)化劃分飛行員行為。我們使用基于監(jiān)督的gentleadaboost分類法，以及基于非監(jiān)督的g-k聚類法。gentleadaboost算法參考超限事件來(lái)訓(xùn)練模型，并評(píng)估測(cè)試結(jié)果，g-k聚類則使用自由的模式。

s5，通過(guò)qar實(shí)時(shí)獲取現(xiàn)行飛行數(shù)據(jù)，根據(jù)優(yōu)化后的數(shù)據(jù)詞典對(duì)現(xiàn)行飛行數(shù)據(jù)進(jìn)行分析判斷，當(dāng)有發(fā)生風(fēng)險(xiǎn)事件風(fēng)險(xiǎn)時(shí)，發(fā)出預(yù)警，使飛行員及時(shí)作出處理。

根據(jù)優(yōu)化的初始數(shù)據(jù)詞典，可以對(duì)qar數(shù)據(jù)進(jìn)行分析，及時(shí)給飛行員以預(yù)警提示，以及時(shí)做出反應(yīng)，防止飛行安全事件的發(fā)生。也可以根據(jù)飛機(jī)飛行結(jié)果對(duì)原因進(jìn)行分析驗(yàn)證。例如，根據(jù)優(yōu)化的初始數(shù)據(jù)詞典給出的事件推理結(jié)果為：某天，一個(gè)航班從城市a飛至城市b，將發(fā)生重著陸，峰值1.77g。當(dāng)天qar記錄的天氣為：左側(cè)風(fēng)8.38節(jié)，大順風(fēng)9.92節(jié)，落地時(shí)順風(fēng)消失。qar數(shù)據(jù)告訴我們：100ft時(shí)，進(jìn)近基本平穩(wěn)。襟翼30，全重56.43噸，進(jìn)近速度－5.25，空速134.56節(jié)。落地時(shí)增加俯仰角度以開(kāi)始平飄時(shí)機(jī)過(guò)早，在這個(gè)事后，下降率太小，最大值574ft/分鐘。由于受大順風(fēng)影響，飛機(jī)很容易不正常平飄。因?yàn)轫橈L(fēng)從大到消失，空氣動(dòng)力變大，因此增加俯仰角變慢。有一個(gè)降低俯仰角的行為，在50ft高度，空速為132.39節(jié)，低于mcp目標(biāo)速度135節(jié)，空氣動(dòng)力性能會(huì)引起升力的缺乏。下降率仍然很小，最大值444.9ft/min，飛行員繼續(xù)減少俯仰角。在50ft到接地，下降率陡然變得過(guò)大，數(shù)值變?yōu)?70.38ft/min。這個(gè)是因?yàn)檫^(guò)度降低的俯仰角。俯仰角增加太慢，引起機(jī)頭下降，最小化俯仰角角度2.45。在著陸前，飛機(jī)開(kāi)始有橫滾，最大角度3.12。航向也有變化，6.11度，左側(cè)副翼偏離。飛行員同時(shí)使用側(cè)滑法和漂流法來(lái)對(duì)抗大側(cè)風(fēng)，理論上是最好的方法。但是同時(shí)，飛行員需要解決大順風(fēng)，情況非常復(fù)雜，容易手忙腳亂。著陸時(shí)，空速132.21節(jié)，大于vref127節(jié)，意味著剩余的空氣動(dòng)力過(guò)強(qiáng)。如果飛行員習(xí)慣于使用大油門(mén)加速和大動(dòng)力，我們推薦飛行員使用襟翼40在風(fēng)速小的情況下。著陸俯仰角很好，沒(méi)有明顯的跳躍。

另一個(gè)例子：2015年，一個(gè)航班從高原城市a飛向高原城市b，著陸時(shí)發(fā)生重著陸，峰值1.82g，并發(fā)生跳著陸，峰值1.80g.qar中的天氣數(shù)據(jù)，6.6節(jié)頂風(fēng)，非常適合飛行。qar數(shù)據(jù)告訴我們：100ft時(shí)飛機(jī)高度高出其他84％的同月同跑道落地的飛機(jī)的高度，因此他的能量很大。襟翼40，全重56.89噸，進(jìn)近速度1.25，空速133.37節(jié)。在50ft，空速132.65節(jié)，高于mcp目標(biāo)速度－131節(jié)，引起升力較大。飛行員降低了俯仰角。在50ft到接地，下降率變得過(guò)大，最大值731.78ft/min。飛行員希望能夠改變飛機(jī)過(guò)高的情況，平飄增加的俯仰角過(guò)慢，引起了掉機(jī)頭，最小俯仰角0.63度。著陸時(shí)，空速129.68節(jié)，比vref126節(jié)大，意味著空氣動(dòng)力較大。著陸俯仰角太小，僅僅2.32度，接近3點(diǎn)接地。因?yàn)闄C(jī)身前半部分遠(yuǎn)離重心，前起落架非常容易發(fā)生跳躍。跳著陸發(fā)生了，前半部分機(jī)身跳起，俯仰角最大達(dá)到5.76度。當(dāng)飛機(jī)仍在空中時(shí)，擾流板和剎車全部打開(kāi)，破壞了飛機(jī)的升力，引起了跳著陸，重著陸。

綜上所述，本發(fā)明所提供的基于情景意識(shí)模型的飛行安全事件分析方法，對(duì)歷史飛行數(shù)據(jù)進(jìn)行分析，建立基于bow-tie的情景意識(shí)模型；提煉建立的情景意識(shí)模型的特征點(diǎn)，根據(jù)情景意識(shí)模型和提煉的特征點(diǎn)建立初始數(shù)據(jù)詞典；通過(guò)qar獲取飛行數(shù)據(jù)，在初始數(shù)據(jù)詞典中選取特征類別，根據(jù)選取的特征類別對(duì)獲得的飛行數(shù)據(jù)進(jìn)行分類；在選取的特征類別的每一個(gè)類別內(nèi)容中通過(guò)聚類對(duì)特征進(jìn)行排序，根據(jù)排序獲取關(guān)鍵特征，優(yōu)化初始數(shù)據(jù)詞典。優(yōu)化后的數(shù)據(jù)詞典可以用基于bow-tie的情景意識(shí)模型進(jìn)行展示，清楚的顯示各個(gè)部分之間的關(guān)系，可以根據(jù)飛機(jī)飛行過(guò)程中的情景意識(shí)對(duì)結(jié)果進(jìn)行預(yù)測(cè)預(yù)警，也可以根據(jù)飛行結(jié)果對(duì)飛機(jī)安全事件原因進(jìn)行分析，并且評(píng)估飛行員的表現(xiàn)。

上面對(duì)本發(fā)明所提供的基于情景意識(shí)模型的飛行安全事件分析方法進(jìn)行了詳細(xì)的說(shuō)明。對(duì)本領(lǐng)域的一般技術(shù)人員而言，在不背離本發(fā)明實(shí)質(zhì)精神的前提下對(duì)它所做的任何顯而易見(jiàn)的改動(dòng)，都將構(gòu)成對(duì)本發(fā)明專利權(quán)的侵犯，將承擔(dān)相應(yīng)的法律責(zé)任。