肖憲波，俞力玲，王浩鋒，李 斌

（中國民航科學技術研究院，北京 100028）

基于BP神經(jīng)網(wǎng)絡和飛行參數(shù)的航段風險評價

肖憲波，俞力玲，王浩鋒，李 斌

（中國民航科學技術研究院，北京 100028）

飛行運行風險的定量評估對于民航安全保障具有重要意義。設計并實現(xiàn)了一種基于BP神經(jīng)網(wǎng)絡算法的航段風險評價系統(tǒng)。該系統(tǒng)將大量飛行情景參數(shù)直接作為飛行風險評估的基礎，通過飛行能力評價體系獲得飛行運行風險度經(jīng)驗數(shù)據(jù)，并使用神經(jīng)網(wǎng)絡實現(xiàn)了任意飛行情景的風險度擬合運算。經(jīng)過真實航班飛行數(shù)據(jù)的測試和飛行品質監(jiān)控系統(tǒng)的驗證表明，該系統(tǒng)可為進近著陸階段任意時刻的飛行運行風險評估提供可靠的結果。

BP神經(jīng)網(wǎng)絡；風險評估；飛行安全；飛行參數(shù)

民航安全是民航發(fā)展的基礎和前提，因此航空運輸安全評價指標體系研究也得到了業(yè)內的持續(xù)關注。航空運輸安全評價系統(tǒng)按研究角度、指標體系側重點的不同可以分為三類：一類側重于事故統(tǒng)計數(shù)據(jù)；一類側重于風險指標（如可控撞地CFIT故障樹）；第三類則側重于人、機、環(huán)境等系統(tǒng)隱患因素。用事故統(tǒng)計數(shù)據(jù)評價風險是從已經(jīng)發(fā)生的事故中總結教訓，是一種“刻舟求劍”的風險分析方法，帶有一定的片面性。通過系統(tǒng)安全影響因素的邏輯分析得到系統(tǒng)風險指標值這一方法，由于影響飛行安全因素多且關系復雜，目前人們對其認識也還不完善，所以要得到相對完善的邏輯分析圖非常困難。側重于人、機、環(huán)境等系統(tǒng)隱患因素的安全評價指標體系則致力于對復雜的航空運輸系統(tǒng)安全問題進行簡單化處理，因而被認為是一種更加切實可行的方案。由于與發(fā)生航空事故相關的因素多且繁雜，又相互作用，因此目前運行的大多數(shù)評價指標體系都是針對某一特定航空運輸安全問題而設，且主要基于后兩類評價指標體系。例如，航空質量等級（airline quality rating，AQR）[1]可以依據(jù)旅客信息和公司結構等對安全做出質量評價，航空系統(tǒng)風險模型（the aviation system risk model，ASRM）[2]則利用人因與分類系統(tǒng)和貝葉斯網(wǎng)絡計算新的安全技術或干預對航空安全所造成的影響，美國飛行安全基金會研發(fā)出的飛行運行風險評估系統(tǒng)（flight operations risk assessment system，F(xiàn)ORAS）運用數(shù)學模型采用層次分析法，不僅可以找出相關風險因素，還可以針對航空公司量身定做進一步追蹤風險因素的趨勢[3]。

不論上述哪一個體系使用的評價方法，都將重點放在對事故的動因分析上，主要目的是考察各因素對風險度的影響程度，所以系統(tǒng)成功的基礎是風險度的數(shù)值估計必須盡可能準確。目前主要的風險度估計方法是借助專家經(jīng)驗對人因等各種因素的后果進行評估。但事實上，這些因素并不直接造成風險，而是通過將飛機至于各種危險的境地而危及飛行安全。可見，如果直接依據(jù)飛機的各種狀態(tài)和情景而非通過人因等因素來進行風險評估，則可以提供更加可靠、更直接的風險度估計值。其中，飛機的即時情境可以通過飛行參數(shù)配合其他環(huán)境、人員參數(shù)來體現(xiàn)?，F(xiàn)在民航運輸飛機上的QAR（quick access recorder，快速存取記錄器）一般包含了上百個飛行參數(shù)，幾乎可以將整個飛行過程完全重現(xiàn)?，F(xiàn)在廣泛應用的基于QAR數(shù)據(jù)的飛行品質監(jiān)控（flight operation quality assurance，F(xiàn)OQA）就是一種基于飛行參數(shù)的評價系統(tǒng)，可通過檢測超限事件的觸發(fā)情況對飛行員的操作進行事后評估，是一種離散分布的邏輯式的簡單的風險評價系統(tǒng)。而我們在這里致力于實現(xiàn)的，則是一個結合多方面情景因素的連續(xù)分布式的較復雜的航段風險評價系統(tǒng)。

基于以上思路，設計實現(xiàn)了一種主要基于飛行數(shù)據(jù)的飛行即時情景的航段風險評估系統(tǒng)。在該系統(tǒng)中，選擇了飛機進近著陸階段（從離機場無線電高度3 000 ft至接地）這一航段為研究對象，利用調查問卷統(tǒng)計樣本情景的風險數(shù)值，并使用BP神經(jīng)網(wǎng)絡構建飛行風險指標評測模型。該模型將基于16個參數(shù)針對即時情景給出風險度的評估值。風險估計的基礎來源于飛機的即時情景，因而準確度較高。該系統(tǒng)的特點和可能應用將在本文最后一節(jié)討論。

1 系統(tǒng)設計

本文研究的航段安全風險評估技術是通過引入風險控制的概念，并綜合考慮飛行環(huán)境和飛行員操作，采用神經(jīng)網(wǎng)絡的數(shù)學方法，以飛行員問卷結果訓練模型，來最終得出航段的風險值。其具體步驟可分為飛行數(shù)據(jù)搜集和飛行情景構建、飛行能力評估體系運用和調查問卷的設計和使用、數(shù)據(jù)處理和BP神經(jīng)網(wǎng)絡的設計和訓練這三個主要部分，其過程可以用圖1來描述。圖中樣本數(shù)據(jù)可通過采集近年來飛行階段發(fā)生的事故和事故征候數(shù)據(jù)獲得；飛行情景是指除飛行員個體以外的與航空安全有關的各種因素所構成的空間，包括機場信息、跑道信息、機組資源管理信息等；問卷調查是設計問卷并向專家級別的飛行員獲取經(jīng)驗信息的過程；神經(jīng)網(wǎng)絡方法為BP神經(jīng)網(wǎng)絡方法；風險評估工具為BP神經(jīng)網(wǎng)絡結構；運營數(shù)據(jù)是來自于飛行數(shù)據(jù)，并可以用來驗證和修正評估模型；風險評估結果為風險度。

圖1 航段安全風險評估模型的構建和使用流程Fig.1 Construction flowchart of proposed flight risk assessment model

1.1 情景參數(shù)的選擇

為充分體現(xiàn)飛行情景和盡可能包含影響當時風險數(shù)值的狀態(tài)因素，構建模型時使用的情景參數(shù)將由4部分構成：①飛行員年齡、技術等級、總飛行時數(shù)等信息；②機型；③機場和跑道信息；④飛行參數(shù)信息，總共包含飛行高度、與跑道距離、與跑道夾角、空速、下降率、俯仰角、坡度、風向、風速等17個參數(shù)。在研究中，情景的選擇則包括飛行品質監(jiān)控結果提供的重要飛行參數(shù)的超限時刻和一些固定時刻，后者被設定為進近著陸過程中離機場地面高度約3 000 ft、2 000 ft、1 000 ft、500 ft、400 ft、300 ft、200 ft、100 ft、50 ft、40 ft、30 ft、20 ft、10 ft和 0 ft時刻。

1.2 樣本的選擇

本文使用的數(shù)據(jù)主要來自近5年來B737型飛機、A320型飛機真實飛行進近著陸階段數(shù)據(jù)，包括正常航段數(shù)據(jù)和非正常航段數(shù)據(jù)2大類。這主要是考慮到這兩個系列機型的機隊是中國民航的主力機隊，其規(guī)模大、分布廣，并且性能數(shù)據(jù)相近。非正常航段是指一些發(fā)生事故、事故征候和不安全事件的航段，事件的種類包括沖出跑道、偏出跑道、場外接地、CFIT、單發(fā)著陸、鳥擊/雷擊后著陸等民航事故征候的主要類型。

1.3 調查問卷的設計

由于風險程度這一概念比較抽象，不便度量，即使是專家也不可能面對十幾個情景參數(shù)就能直接給出風險數(shù)值，因此將情景風險度的評價轉化為對飛行員綜合能力要求的評價，即在當前情景下，對能操縱該飛機安全落地的主駕駛飛行員的綜合飛行能力的要求。在調查問卷中，對飛行員綜合飛行能力的評價又被細化為5個方面：飛行理論知識、駕駛技能、情景意識和預判能力、CRM及機組與管制員的配合、決策處理能力。這5方面能力的評估結果共同構成了綜合飛行能力的評估結果，并將其轉化為風險度值，即在某飛行情景下，為保證飛行運行安全，所需飛行員的綜合飛行能力越高，該情景的風險度值越高。調查問卷中對每一套情景參數(shù)都提出表1中的5個問題，每題答案 A～E 對應著數(shù)值 10、7.5、5、2.5、0，5 題答案乘以權重后經(jīng)線性變換即可得到該情景下的風險度值。

表1 航段安全風險調查問卷問題Tab.1 Questionnaire offlight risk assessment

2 基于BP神經(jīng)網(wǎng)絡的風險評估模型

人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）是用物理上可實現(xiàn)的器件或計算機對生物神經(jīng)網(wǎng)絡進行某種抽象、簡化和模擬，這種方法能克服目前計算機或其他系統(tǒng)不能解決的問題，如學習、控制、識別和專家系統(tǒng)等[4]。BP 網(wǎng)絡（back－propagation network，反向傳播網(wǎng)絡）是ANN中應用最廣的一種。其利用非線性可微分函數(shù)進行權值訓練，數(shù)學意義明確、結構簡單、可塑性強，在函數(shù)逼近、模式識別、信息分類及數(shù)據(jù)壓縮等領域得到了廣泛的應用。特別是其“非線性映射”能力，無需事先了解描述這種映射關系的數(shù)學方程，只要能提供足夠多的樣本模式對供BP網(wǎng)絡進行學習訓練，它便能通過對系統(tǒng)輸入輸出樣本對的自動學習，以任意精度逼近任意復雜的n維輸入空間到m維輸出空間的非線性映射，成為多維非線性函數(shù)的通用數(shù)學模型[5]。這正適合解決在航段風險評估系統(tǒng)中面臨的問題：可通過調查問卷得到大量情景參數(shù)和對應的風險度，卻不了解參數(shù)和風險度之間的解析關系。此外，BP網(wǎng)絡優(yōu)良的泛化能力（當向網(wǎng)絡輸入訓練時未曾見過的非樣本數(shù)據(jù)時，網(wǎng)絡也能完成由輸入空間向輸出空間的正確映射）和容錯能力（允許輸入樣本中帶有較大的誤差甚至個別錯誤），也是它被選為航段風險評估模型的重要原因。

依據(jù)樣本參數(shù)和飛行風險估計的需要，并經(jīng)過反復訓練，最終構造了17×17×14×5×1×1的6層BP神經(jīng)網(wǎng)絡作為飛行風險估計模型，如圖2所示。模型第一層為輸入層，輸入的樣本數(shù)據(jù)包含高度（ft）、距離（nmile）、表速（kts）、下降率（ft/m）、俯仰角（deg）、坡度（deg）等17個飛行情景參數(shù)，采自多個正常、超限和事故航班的進近著落階段；第二層為輸入轉換層，是第一層數(shù)據(jù)在[0.1，0.9]區(qū)間的歸一化；第三層、第四層均為隱層；第五層為輸出層；第六層為輸出轉換層，將輸出結果影射入[0，10]的風險度數(shù)值空間。

使用訓練樣本對圖2所示的飛行運行風險評估模型進行訓練后，經(jīng)測試得到該模型的擬合誤差均方根MSE為9.966 9×10－7，標準差SSE為1.016 6×10－4，誤差范圍為[－4 × 10－3，6 × 10－3]。這樣的精度完全可以滿足實際飛行風險估計的需要。

為獲得大量的樣本數(shù)據(jù)，以飛行情景參數(shù)為數(shù)據(jù)基礎，以飛行能力評估體系為主體設計了調查問卷，并在東方航空公司江蘇分公司和上海基地的A320飛行部隊進行了調研和問卷發(fā)放。在調研過程中，發(fā)放調研問卷618份，共有58位飛行員針對106個飛行場景進行了有關風險度的問答，這些數(shù)據(jù)豐富了飛行參數(shù)和飛行風險樣本數(shù)據(jù)庫。

使用樣本數(shù)據(jù)訓練得到的模型擬合了某正常航班（圖3中AN2297曲線，包含281個飛行情景）和某超限航班（圖3中AU6017曲線，包含250個飛行情景）進近著陸航段的飛行風險數(shù)值曲線，如圖3所示。圖3中縱坐標表示飛行風險度，分布于0～10之間，其數(shù)值越大表示飛行越危險?？梢钥闯?，航班AN2296的飛行風險隨飛機接近地面而緩慢增加，這符合訓練和測試中眾多正常航班表現(xiàn)出的普遍規(guī)律。而航班AU6017的風險度曲線則有些異常，從2 000 ft開始風險度增長速度偏快，可以觀察到在高度為584 ft附近時，風險度數(shù)值有一次突兀的變化，另外，在高度為80 ft以下處，風險度數(shù)值有明顯的增加。經(jīng)過和飛行品質監(jiān)控（FOQA）的監(jiān)測結果對比，發(fā)現(xiàn)飛機在無線電高度584 ft時，發(fā)生了“垂直過載大”的超限事件，在高度為76 ft開始，連續(xù)發(fā)生超限事件，包括“最終進近坡度大”、“最終進近速度小”和“接地仰角大”。這些超限時間的發(fā)生與圖3中AU6017曲線的風險度估計的幾次變化非常吻合，也驗證了本文提出的飛行風險估計模型的準確和有效。

3 結論和討論

進近著陸階段是航空事故的多發(fā)階段，因而對這一階段飛行運行風險的評估和監(jiān)測是提高民航安全水平、采取有效措施預防事故發(fā)生的重要手段。本文實現(xiàn)的飛行運行風險評估模型，基于QAR飛行數(shù)據(jù)并具有很好的擴展性，適用于航后進近著陸階段的風險評估。它與其他風險評估系統(tǒng)的區(qū)別在于，其不以人因等因素而是以飛機的即時情境為考量。所以本文建立的模型可改進目前航空公司的飛行品質監(jiān)控，量化航段風險。便于對各種情境下飛行的危險程度進行定量評價，但是對導致危險的原因不能提供直接的答案，只能指出當時各飛行參數(shù)對飛行風險的影響程度。本文模型的作用在于：

1）針對飛行即時情境風險做出定量評價。在足量樣本數(shù)據(jù)支持下，該模型可以對任何情境的飛行運行風險做出定量評估。只要提供情景參數(shù)，該模型可對任意時刻的飛行風險進行評估，對航班則可以提供風險度隨時間變化的曲線。相比于現(xiàn)有的飛行品質監(jiān)控的離散的、片面的等級式評估，本文模型可以提供連續(xù)的、立體的、綜合的量化風險值，使安全管理人員能更詳細、更直觀地掌握飛行安全狀況。

2）為人因等風險相關因素提供了更加直接可靠的風險度數(shù)值作為評估基礎。因為在風險因素和風險度中還隔著飛航情景這一層，所以本文模型提供的風險度數(shù)值比過去依靠調查問卷直接對風險因素進行評估得到的數(shù)值更加可靠。

3）由于該模型輸入?yún)?shù)均來自于飛行參數(shù)和已知條件（如目標機場等），所以若有實現(xiàn)實時飛行風險評估系統(tǒng)的可能，則本文中的模型是建立實時系統(tǒng)的極好選擇。通過與機上QAR建立借口獲取數(shù)據(jù)，該模型可提供實時風險分析、甚至短時風險預測能力?，F(xiàn)有的其他類似系統(tǒng)都用于飛行前的風險預測或飛行后的風險評估，未能用于實時系統(tǒng)。

4）可以對同一航路的多次飛行的安全情況進行橫向比較，以風險度指標衡量每次的飛行表現(xiàn)。也可以針對不同航空公司、不同航路、不同天氣、不同機場等條件進行風險度統(tǒng)計，以從中發(fā)現(xiàn)規(guī)律，查找安全隱患，改進安全管理，預防航空事故，提高運營效益。

5）在本文實現(xiàn)的模型基礎上可擴充要素，如在情景參數(shù)中豐富機組、天氣、地理、航空公司安全措施等要素，則模型的評估準確程度可再有提高。此外，該模型也可通過對歷史數(shù)據(jù)的分析為飛行前的安全預測提供幫助。

可以看出，本文模型還有很大的發(fā)展?jié)摿Γ溆嬎阍砗陀嬎憬Y果的可靠性已在本文工作中得到了驗證。模型本身的誤差分析結果表明其飛行風險估計值和專家經(jīng)驗一致。而更進一步的實際航班進近著陸階段飛行運行風險的連續(xù)監(jiān)測結果也表明，該算法的風險估計值曲線走勢合理，其突變處與飛行品質監(jiān)控的超限事件相互對應，算法對風險度數(shù)值的估計可信度高。

[1] BOWEN B D，HEADLEY D E.The Airline Quality Rating[EB/OL][2010-11-05].http：//downloads.aqr.aero/reports/2008aqr.pdf，Apr1997.

[2] LUXHOEJ J T，COIT D W.Modeling Low Probability/High Conse

quence Events：an Aviation Safety Risk Model[C]//Reliability and Maintainability Symposium，Newport Beach，California，2006 Annual 2006：215-221.

[3]HADJIMICHAEL M，MCCARTHY J.Implementing the Flight Operations Risk Assessment System[C]//57th International Air Safety Seminar，Shanghai，China，Nov 2004.

[4] The Free Encyclopedia[EB/OL].[2010-04-15].http：//en.wikipedia.org/wiki/Artificial_neural_network.

[5]WANG L，ZHAO Z，SHAO Y-M，et al.A method of compensating magneticcompass′stemperatureerrorusingBPnetwork[J].JournalofPhysics：Conferenceseries，2006，48：165-168.

Flight Risk Estimation Based on BP Neural Network and Flight Data

XIAO Xian-bo， YU Li-ling， WANG Hao-feng，LI Bin
（China Academy of Civil Aviation Science and Technology，Beijing，100028， China）

Quantitative risk assessment of flight operation is significant to flight safety guarantee.A risk assessmentsystem was developed based on BP neural network.This system contains a flight capability index system to evaluate the risk of flight scenario，and a BP neural network model to simulate the risk value.Massive scenarios were used to train the model.Test results of real flight data during approach and landing was confirmed by FOQA program，and indicated that the proposed system can provide reliable flight operation risk assessment value of any moment.

BP neural network；risk assessment；flight safety；flight data

V328.3

A

1674－5590（2011）01－0035－04

2010-06-20；

2010-10-12 基金項目：中國民用航空局科技基金項目（MHRD0715）

肖憲波（1978—），女，湖北武漢人，工程師，工學博士，研究方向為航空安全預防技術、航空事故分析技術.

（責任編輯：李 侃）