基于卷积神经网络的飞机不稳定进近判断方法及系统

技术领域

本发明涉及飞机不稳定进近判断技术领域，特别是涉及基于卷积神经网络的飞机不稳定进近判断方法及系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

随着生活水平的提高以及航空技术的发展，人们乘坐飞机出行的频次逐渐增多，同时对航空安全提出了更高的要求。飞行安全对于航空公司的发展尤为重要，对于安全风险进行量化，检测已知的安全风险，探测未知的安全风险，制定相应的纠正方案，为航空安全的实时情况，提供客观量化指标。

飞机进近着陆阶段飞行速度变化范围大，突发情况多(近地面空气乱流等)，操作程序复杂，飞机稳定进近状态和着陆动作把控困难，是对飞行员操纵技术要求最高的阶段之一。稳定进近是保障飞机安全着陆的必要条件，因此如何识别进近阶段的不稳定性，有针对性的数据分析，寻找一种准确、高效的不稳定进近评估方法，对提高飞行员的专业技能及航空公司的安全管控尤为重要。

发明内容

为了解决现有技术的不足，本发明提供了基于卷积神经网络的飞机不稳定进近判断方法及系统；

第一方面，本发明提供了基于卷积神经网络的飞机不稳定进近判断方法；

基于卷积神经网络的飞机不稳定进近判断方法，包括：

从机载飞行数据记录设备QAR(Quick access recorder)中获取待分析的飞机飞行数据；将所述待分析的飞机飞行数据进行译码处理，得到航班译码结果；

根据飞机飞行高度，对航班译码结果进行截取，得到译码时序数据；对译码时序数据剔除平飞数据；

对剔除平飞数据的译码时序数据进行预处理，将时序数据转换为图像；

将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型。

第二方面，本发明提供了基于卷积神经网络的飞机不稳定进近判断系统；

基于卷积神经网络的飞机不稳定进近判断系统，包括：

获取模块，其被配置为：从机载飞行数据记录设备QAR(Quick access recorder)中获取待分析的飞机飞行数据；将所述待分析的飞机飞行数据进行译码处理，得到航班译码结果；

截取模块，其被配置为：根据飞机飞行高度，对航班译码结果进行截取，得到译码时序数据；对译码时序数据剔除平飞数据；

预处理模块，其被配置为：对剔除平飞数据的译码时序数据进行预处理，将时序数据转换为图像；

输出模块，其被配置为：将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型。

第三方面，本发明还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。

第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。

与现有技术相比，本发明的有益效果是：

1.适用于多种类型的不稳定进近。CNN模型对于飞机不稳定进近的类型，采用相同的流程进行处理，即通过不断迭代训练，自动提取特征，快速进行分类。对于新的不稳定类型，只需要收集该类型的样本数据，然后加入到训练集样本中，训练新的模型，即可识别该类新增不稳定类型。相比人工审核方式，效率更高，适用性更强。

2.解决多种因素非线性组合的问题。飞机不稳定进近影响因素较多，比如相对气压高度、下降率、姿态、坡度等。飞机的飞行数据是时间序列数据，一次飞行就包含上万行数据。多个因素在多个阈值的范围，再加上时间序列维度，将会产生无数个组合条件。通常的程序只能根据阈值，判断某些特定条件下飞机的状态。本发明将飞机的时间序列数据转化为图像类型，采用CNN模型的特征自动提取，实现高效分类。

3.《飞行标准操作手册》对于稳定进近及不稳定进近定义范围宽泛，CNN模型不仅能够发现有明显特征的不稳定进近，而且对于特征不显著的的不稳定进近航班也能准确识别，传统手段是无法监控到的。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为第一个实施例的神经网络训练阶段方法流程图；

图2为第一个实施例的神经网络实际应用阶段方法流程图；

图3为第一个实施例的神经网络结构示意图；

图4(a)和图4(b)为第一个实施例的飞机不稳定进近预测准确率示意图；

图5为第一个实施例的面积堆叠示意图；

图6(a)为第一个实施例的相对气压高度图；

图6(b)为第一个实施例的进近阶段下降率。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

术语解释：RUA Research of Unstable Approach不稳定进近分析

本发明涉及民用航空、人工智能领域，基于飞机译码的时序格式数据，将时序格式数据转换为图像格式，提出了一种时序数据转图像的处理方法，为时序数据分析提供了一种可行方案，采用卷积神经网络算法，利用图像识别的思维，实现了飞机在进近着陆阶段的不稳定性判定及多因素分析。经过实际测试在约42000个航班数据中，找到443个不稳定进近航班。该方法能够快速准确的实现不稳定落地航班的识别，实用性强，更好的保障飞机安全运行态势，有效的发现和统计分析不安全状态，达到科学管理、预先管控的目标。

实施例一

本实施例提供了基于卷积神经网络的飞机不稳定进近判断方法；

如图2所示，基于卷积神经网络的飞机不稳定进近判断方法，包括：

S101：从机载飞行数据记录设备QAR(Quick access recorder)中获取待分析的飞机飞行数据；将所述待分析的飞机飞行数据进行译码处理，得到航班译码结果；

S102：根据飞机飞行高度，对航班译码结果进行截取，得到译码时序数据；对译码时序数据剔除平飞数据；

S103：对剔除平飞数据的译码时序数据进行预处理，将时序数据转换为图像；

S104：将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型。

作为一个或多个实施例，所述方法还包括：

S105：将不稳定进近类型对应的飞机飞行数据存储到数据库中；对不稳定进近类型对应的飞机航班列表进行预警展示；

S106：根据不稳定进近类型对应的飞机航班列表，调用译码时序数据，生成对应的图表，并通过图表的形式进行展示。

作为一个或多个实施例，所述方法还包括：

S107：将不稳定进近类型对应的飞机航班列表，和不稳定进近类型对应的图表信息推送给责任人的终端；

S108：接收责任人终端反馈的问题整改方案。

作为一个或多个实施例，所述S101：从机载飞行数据记录设备QAR(Quick accessrecorder)中获取待分析的飞机飞行数据；其中，待分析的飞机飞行数据，具体包括：气压高度、无线电高度、空速、地速、下降率、姿态、坡度、风向、风速、航向、左自动驾驶接通、右自动驾驶接通、下滑道截获、下滑道偏差、航向道截获、航向道偏差、左dme、右dme、左飞行指引坡度偏差、右飞行指引坡度偏差、左飞行指引仰角偏差、右飞行指引仰角偏差、驾驶盘、驾驶杆。

作为一个或多个实施例，所述S101：将所述待分析的飞机飞行数据进行译码处理，得到航班译码结果；其中，译码处理的具体步骤包括：

将所述待分析的飞机飞行数据，以帧结构进行存储得到qar文件；

获取qar文件，然后对qar文件进行帧结构分析，得到帧结构；

根据帧结构获得每个参数的位置，根据参数的位置得到参数对应的参数值。

作为一个或多个实施例，所述S102：根据飞机飞行高度，对航班译码结果进行截取，得到译码时序数据；对译码时序数据剔除平飞数据；具体步骤包括：

截取无线电高度30英尺以上，相对气压高度1800英尺以下的航班飞行数据；判断当前相对气压高度与设定间隔气压高度的差值，剔除平飞数据。

示例性的，截取无线电高度30英尺以上，相对气压高度1800英尺以下的航班飞行数据：首先用当前气压高度减去飞机接地时的气压高度，计算出每一行气压高度的相对气压高度值，然后联合无线电高度数据，筛选出飞机接地前无线电高度30英尺以上，相对气压高度1800英尺以下的航班飞行数据。

示例性的，剔除平飞数据，数据不规范会对算法准确性造成不良影响，因此需要剔除平飞数据。以一个航班处理为例，首先判断上述截取数据总行数，当总行数超过300，则剔除前80行数据。其次，当前行的相对气压高度与其后间隔λ秒的相对气压高度的差值小于y，则剔除当前行数据；其中，y＝10λ，10≤λ≤40，λ为5的整数倍。

当前行的相对气压高度与其后间隔10秒的相对气压高度的差值小于100，或者当前行的相对气压高度与其后间隔40秒的相对气压高度的差值小于400，则剔除当前行数据，按照此逻辑逐行循环。

作为一个或多个实施例，所述S103：对剔除平飞数据的译码时序数据进行预处理，将时序数据转换为图像；具体步骤包括：

将相对气压高度值除以150α替换当前行的相对气压高度；

其中，α为设定权重；

取下降率绝对值除以100α，替换当前行的下降率值；

姿态值减去整列姿态最小值，然后乘以2.5α，替换当前行的姿态值；

pit＝(pit-Min

坡度值减去整列坡度最小值，然后乘以α，替换当前行的坡度值；

aroll＝(aroll-Min

对经过加工处理后的时序列表数据，通过matplotlib插件库生成面积堆叠图像，如图5所示。

经过加工处理后的时序列表数据，包括：相对气压高度、下降率、坡度和姿态；在通过matplotlib插件库生成面积堆叠图像时，数据按顺序排列，将相对气压高度放在最底部，依次再堆叠下降率、坡度和姿态。

按照此顺序生成的堆叠图有利于提高模型的准确率。稳定进近的航班相对气压高度生成的直角三角形斜边为直线，不稳定进近的航班相对气压高度生成的直角三角形斜边为曲线，以此特征作为堆叠图像的底部使得图像更易读。同时，Y轴显示统一的刻度值，使得每个图像高度、形状有统一的参考，也有利于提高模型的准确率。

为了减小计算量，图像大小设定为450*300像素，图像大小可以根据计算机性能改变。

作为一个或多个实施例，所述S104：将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型；其中，卷积神经网络的具体网络结构包括：

依次连接的输入层、第一卷积层、第一激活层、第一最大池化层、第一Dropout层、第二卷积层、第二激活层、第三卷积层、第三激活层、第二最大池化层、第二Dropout层、第一全连接层、第四激活层、第三Dropout层、第二全连接层和输出层。

进一步地，如图3所示，所述卷积神经网络的工作原理包括：

所述输入层，用于输入经过预处理的译码时序数据；

所述第一卷积层，用于初次提取面积堆叠图像的特征，根据不同的卷积核生成不同的特征图；

第一激活层，利用rule激活函数，加入非线性因素，将特征映射到高维的非线性区间；

第一最大池化层，用于对第一激活层的输出值进行降采样操作；

第一Dropout层，用于减少过拟合现象；

第二卷积层，用于提取经过抽象化的图像特征，根据不同的卷积核生成进一步抽象的特征；

第二激活层，利用rule激活函数，加入非线性因素，将特征进一步映射到高维的非线性区间；

第三卷积层，用于提取经过抽象化的图像特征，根据不同的卷积核生成进一步抽象的特征；

第三激活层，利用rule激活函数，加入非线性因素，将特征进一步映射到高维的非线性区间；

第二最大池化层，用于对第三激活层的输出值进行降采样操作；

第二Dropout层，用于减少过拟合现象；

第一全连接层，用于连接所有的特征，将输出值送给rule分类器。

第四激活层，利用rule激活函数，加入非线性因素，将特征进一步映射到高维的非线性区间；

第三Dropout层，用于减少过拟合现象；

第二全连接层，用于连接所有的特征，将输出值送给softmax分类器；

输出层，用于输出当前飞机的不稳定进近类型：稳定和不稳定。

进一步地，所述卷积神经网络的激活函数为Relu函数。

进一步地，所述卷积神经网络的优化器为adam。

作为一个或多个实施例，所述S104：将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型；其中，训练后的卷积神经网络，训练步骤包括：

构建卷积神经网络；

构建训练集和验证集；其中，所述训练集为已知不稳定进近类型标签的图像；

载入训练集中的稳定和不稳定航班图像数据，进行归一化处理，将像素缩放到0-1范围内，设定标签，并按照标签将训练集打乱顺序；

载入验证集中的稳定和不稳定航班图像数据，进行归一化处理，将像素缩放到0-1范围内，设定标签，并按照标签将训练集打乱顺序；

将处理后的训练集中稳定和不稳定的数据相拼接，标签相拼接，形成训练集的数据和标签列表；

将处理后的验证集中稳定和不稳定的数据相拼接，标签相拼接，形成验证集的数据和标签列表；

利用训练集对卷积神经网络进行训练，迭代训练若干次后，利用验证集对卷积神经网络进行验证，测试准确率和损失函数值的大小，当迭代次数达到设定次数或者，损失函数值达到最小值，或者测试准确率超过设定阈值，则得到训练后的卷积神经网络。

示例性的，选取概率在0.6以上的不稳定航班。

进一步地，如图1所示，构建训练集和验证集的具体步骤包括：

从机载飞行数据记录设备QAR(Quick access recorder)中获取历史飞机飞行数据；将历史飞机飞行数据进行译码处理，得到历史航班译码结果；

根据飞机飞行高度，对历史航班译码结果进行截取，得到历史译码时序数据；

对历史译码时序数据剔除平飞数据；对剔除平飞数据的历史译码时序数据进行预处理，将时序数据转换为图像；

对图像按照比例进行划分，得到训练集和验证集；每个训练集和验证集，均包含稳定航班和不稳定航班图像。

将原始时序数据转换为图像格式，选定指定的航班数据，根据高度执行文件数据筛选，剔除平飞数据，将时序数据转换为图像格式。划分训练集和测试集，然后进行标签处理，将数据输入到设定的卷积神经网络模型进行训练，生成最终训练模型。训练过程中训练集与验证集的准确率变化及损失函数值变化，如图4(a)和图4(b)所示，模型准确率在85％以上。

如图4(a)所示，经过30轮的训练，训练集和验证集的准确率达到70％左右。经过80轮的训练后，训练集的准确率达到90％以上，验证集的准确率达到80％以上，取得了良好的效果。

如图4(b)所示，经过60轮的训练，训练集和验证集的损失函数值均降低到了0.4左右。经过80轮的训练，训练集的损失函数值继续降低，验证集的损失函数值降低减缓，出现轻微过拟合，需进一步调整参数。

图6(a)为相对气压高度图；图6(b)为进近阶段下降率。

基于生成的模型进行新数据的类别判定。首先载入训练模型，对航班数据进行预处理。其次，根据模型判定为不稳定的航班列表载入数据库。根据列表数据在移动端生成航班的下降率、相对气压高度、姿态、坡度等图，供管理员和相关责任人查看。最后进行问题整改。

作为一个或多个实施例，所述方法的S104：将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型步骤之后，还包括：

S1041：分析不稳定进近类型中的不稳定因素是否为风速的影响；

S1042：分析不稳定进近类型中的不稳定因素是否为驾驶杆操作频繁；

S1043：分析不稳定进近类型中的不稳定因素是否为驾驶盘操作频繁；

S1044：分析不稳定进近类型中的不稳定因素是否为航班下降状态；

S1045：分析不稳定进近类型中的不稳定因素是否为驾驶杆处于强修正状态；

S1046：分析不稳定进近类型中的不稳定因素是否为驾驶盘处于强修正状态；

S1047：输出不稳定进近类型中的不稳定因素。

进一步地，所述S1041：分析不稳定进近类型中的不稳定因素是否为风速的影响；具体步骤包括：

其中，

进一步地，所述S1042：分析不稳定进近类型中的不稳定因素是否为驾驶杆操作频繁；具体步骤包括：

accp_times>46时，航班出现驾驶杆操作频繁问题。

驾驶杆操作次数(accp_times)定义为相对气压高度200英尺以下，驾驶杆的顶点个数，顶点个数的多少代表操作变化次数多少。

进一步地，所述S1043：分析不稳定进近类型中的不稳定因素是否为驾驶盘操作频繁；具体步骤包括：

acwp_times>33时，航班出现驾驶盘操作频繁问题。

驾驶盘操作次数(acwp_times)定义为相对气压高度200英尺以下，驾驶盘的顶点个数，顶点个数的多少代表操作变化次数多少。

进一步地，所述S1044：分析不稳定进近类型中的不稳定因素是否为航班下降状态；具体步骤包括：

ave_max_grads>0.07时，出现快速下沉现象；

定义ave_min_grads<0.01时，航班出现改平现象；

0.01

梯度大小计算：

ave_max_grads＝max((alt

ave_min_grads＝min((alt

其中alt

进一步地，所述S1045：分析不稳定进近类型中的不稳定因素是否为驾驶杆处于强修正状态；具体步骤包括：

max_diff_accp>6时，驾驶杆存在强修正现象；

max_diff_accp＝max(max(ccp

其中，max_diff_accp(驾驶杆操纵量)表示3秒内驾驶杆最大值与最小值的差的最大值；ccp

进一步地，所述S1046：分析不稳定进近类型中的不稳定因素是否为驾驶盘处于强修正状态；具体步骤包括：

max_diff_acwp>80时，驾驶盘存在强修正现象；

max_diff_acwp＝max(max(cwp

其中，max_diff_acwp(驾驶盘操纵量)为取3秒内驾驶盘最大值与最小值的差的最大值，cwp

实施例二

本实施例提供了基于卷积神经网络的飞机不稳定进近判断系统；

基于卷积神经网络的飞机不稳定进近判断系统，包括：

获取模块，其被配置为：从机载飞行数据记录设备QAR(Quick access recorder)中获取待分析的飞机飞行数据；将所述待分析的飞机飞行数据进行译码处理，得到航班译码结果；

截取模块，其被配置为：根据飞机飞行高度，对航班译码结果进行截取，得到译码时序数据；

预处理模块，其被配置为：对译码时序数据剔除平飞数据；对剔除平飞数据的译码时序数据进行预处理，将时序数据转换为图像；

输出模块，其被配置为：将图像输入到训练后的卷积神经网络中，输出当前飞机的不稳定进近类型。

此处需要说明的是，上述获取模块、截取模块、预处理模块和输出模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。

上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。

实施例三

本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

实施例四

本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。