结合ResNet和特征工程的QAR数据预测方法

为解决QAR数据存在的数据缺失、数据异常等问题,提出一种将神经网络模型与特征工程相结合的方法,用于实现对飞机的QAR数据中飞行状态参数的精准预测。首先通过引入ResNet(残差神经网络)模型大幅加深了预测网络模型的深度,同时缓解了深层网络带来的梯度消失/爆炸问题,完成了预测精度的一次提升。之后通过Pearson相关系数与随机森林相结合的特征提取方法提取训练特征,训练后得到更加精确的预测模型,完成了预测精度的二次提升。结果表明,特征工程与模型优化相结合的处理方法更加精确、高效,为QAR缺失数据补充和QAR数据异常检测提供了一种新方法,提升了数据的质量,可更好地进行数据分析与挖掘工作。

基于时间间隔的飞机进近污染物减排研究

近年来,随着民航业的高速发展,飞机燃油消耗和污染排放已成为热门话题。在最后进近过程中,逆风导致着陆率降低,增加飞机的飞行时间,从而增加燃油消耗和污染物排放。基于时间间隔(TBS)改变了最后进近的间隔规则,用基于时间的间隔取代两架飞机之间的基于距离间隔。论文引入TBS间隔,以取代目前DBS间隔。结合浦东机场52天气象数据和航班数据,研究TBS运行标准与DBS运行标准相比节省的时间。建立燃油消耗及污染物排放修正模型,根据国际民航组织(ICAO)飞机发动机排放数据库,计算TBS运行标准与DBS运行标准的油耗和污染物排放。根据计算结果,进近着陆阶段,与DBS运行标准相比,TBS运行标准将降低燃油消耗568.0t,减少HC排放201.36g,CO排放2255.44g,NOX排放9023.81g,节油率和减排率均在20%以上。结果表明,与DBS相比,TBS对燃油消耗和污染物排放具有明显的优化效果。

基于改进GoogLeNet的飞机尾流快速识别

为了识别繁忙近地空域中的飞机尾流,提高空中交通管制的智能化水平,结合激光雷达特性和尾流演化特点,通过改进GoogLeNet网络和组合残差结构,提出了一种针对尾流快速识别的卷积神经网络模型。在双流的进离场区域使用多普勒激光雷达对风场进行采样,得到目标区域的径向速度场;所采集的数据预处理后输入到模型分别进行训练、验证、测试。结果表明,相比于AlexNet、GoogLeNet模型,所提出卷积神经网络模型以0.45 M的低参数量在飞机尾流的识别准确度达到98.44%,在实验平台上的检测速度达到160 Fps/s。该模型可在复杂的环境下,快速准确地识别飞机尾涡。

基于时空特征融合的飞机尾涡识别

为了实现动态尾流缩减技术,减少进近阶段前机尾流对后机飞行安全的影响。依据相干激光雷达(coherent Doppler lidar,CDL)扫描风场循环周期性特点,提出一种基于时空特征融合的飞机尾涡识别模型。首先,CDL扫描生成的径向速度风场转换成序列输入和块输入。然后,双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)网络用于提取序列输入的时间域特征,卷积神经网络(convolutional neural network,CNN)网络用于提取径向速度风场块输入的空间域特征。最后,将融合的时间域和空间域特征输入全连接层分类器,得到最终分类识别结果。实验团队在深圳宝安机场附近采集风场,并构建尾流数据集来验证所提得融合模型。结果表明:基于CNN和Bi-LSTM时空特征融合模型具有较好的分类性能,在尾涡识别上的准确率、召回率、F_(1)分数分别达到97.13%、97.50%、97.03%,且相比单一模型是一种更有效的识别方式,能够获得实时高效尾流预警。

基于形态学和K近邻算法的飞机尾流识别

航空器尾流的准确识别对于实现动态尾流间隔缩减技术具有重要意义。与传统利用尾流特征对称关系的方法相比,研究关注飞机尾流的形态特征,提出了一种基于数学形态学和K近邻算法(KNN)的飞机尾涡识别框架。在模型中,主要工作如下:1)根据数学形态学中开闭算子提取飞机尾涡样本的形态特征;2)引入卷积神经网络的池化层来降低特征维度;3)通过KNN机器学习模型识别所提取的尾涡特征。实验在双流机场(ZUUU)的02跑道附近布置Wind3D 6000多普勒激光雷达,通过采集进近风场数据来对模型进行验证。结果表明,所提模型分类准确率、精确率、召回率和F1-score分别为97.1%、92.6%、91.1%和91.9%。

运输机与四转弯训练机相关进近的TCAS告警研究

为了保障运输机和训练机能够安全高效地实行相关运行模式,对正在四转弯的训练机与运输机相关进近进行了TCAS告警风险研究。结合TCAS系统告警逻辑,建立了飞机冲突告警模型;根据运输机和训练机飞行程序及运动特点,分别建立了两类飞机在相关进近中的运动模型;结合跑道参数和飞机性能数据,采用蒙特卡洛方法随机生成按正态分布的飞机位置、速度等初始参数集;生成的初始参数代入运动模型,并结合飞机冲突告警模型对现行相关进近规定下以及更小间隔标准下的TCAS告警情况进行仿真实验。研究表明:运输机与四转弯训练机在现行规定下进行相关进近时不会触发TCAS告警;从TCAS告警的角度看,运输机和训练机相关进近时的间隔标准尚有缩减的空间,最低可缩减至3.4 km。

基于ConvLSTM的飞机尾流时空预测

飞机尾流预测在动态尾流间隔系统中十分重要。通过结合激光雷达技术,提出了一种基于卷积长短期记忆网络(ConvLSTM)的飞机尾流预测模型,以预测激光雷达(LIDAR)的下一个扫描面。实验团队前期在深圳宝安机场使用激光雷达探测对尾流数据进行采集并进行预处理。然后,构建了ConvLSTM神经网络模型以对尾涡径向速度场进行外推预测。通过采集的数据对所建立模型进行训练、验证、测试。实验结果表明:模型能够有效对尾流进行时空预测,测试的RMSE值为3.30,证明了ConvLSTM在预测飞机尾流耗散演化的潜在用途。

基于特征融合的随机森林飞机尾流识别

为提高民航运输的高效性和安全性,利用随机森林模型,结合多普勒激光雷达技术,提出一种基于径向速度极差特征和边缘轮廓特征融合的方法,实现对飞机尾流的准确识别。将在双流机场采集的数据样本进行速度极差特征提取,同时将样本数据映射成灰度图,通过形态学梯度提取图像轮廓特征,再将二者融合,并以此构建随机森林尾流识别模型,最后进行对比实验。实验结果表明,特征融合后随机森林模型的分类准确率、精确率、召回率、F1-score分别为95.8%、87.3%、89.4%、88.4%,高于单一特征方式和决策树模型识别结果。本文提出的方法能够对具有复杂背景风场中的尾涡进行检测。

端到端的飞机尾涡特征参数估计

为了实现繁忙机场的动态尾流间隔调整,提出了一种基于深度学习网络和相干光激光雷达技术的端到端飞机尾流特征参数估计模型。首先,基于深度可分离卷积块构建轻量化主干网络以提取径向速度场的潜在基础特征。然后针对飞机尾流左右涡旋,构建相应的特征参数预测模块。最后,使用经半自动RV方法处理的风场测量用于模型参数输出的监督学习。团队在双流国际机场安置激光雷达扫描飞机航迹线区域风场构建数据集对模型训练、验证和测试。实验结果表明,定制的参数估计模型预测环量误差低至8.42m2/s、位置定位误差低至1.59m,模型能够有效辅助管制员进行空中交通智能化管理。

基于旋转修正模型的飞机尾流数值模拟研究

针对现有CFD数值模拟对飞机尾流研究过于简化,仅通过矩形机翼半模进行对称不能完整模拟全局流场的问题,论文对典型中型机A330_200全机模型进行网格划分与数值模拟研究。针对进近阶段选择典型迎角,使用添加旋转修正的SST-RC模型模拟全机尾流场结构。结果表明,由于后掠角的存在,尾流实际为四涡系结构,左右对称。外侧涡对由机翼上下表面压力差诱导产生,翼梢小翼在机翼处将翼尖涡分解为两处较小的涡并在翼尖后5m处合并;下侧涡对由机翼后掠角诱导产生,随后与水平尾翼产生的翼尖涡耦合并向后传递,在约一倍翼展处合并为一条涡系。确定了后续应在机翼翼尖外缘处、翼梢小翼转折处、水平尾翼外缘处三处对尾流场结构进行控制。