CN106127407B - 基于多传感器信息融合的飞机行程打分方法及打分*** - Google Patents
基于多传感器信息融合的飞机行程打分方法及打分*** Download PDFInfo
- Publication number
- CN106127407B CN106127407B CN201610515194.8A CN201610515194A CN106127407B CN 106127407 B CN106127407 B CN 106127407B CN 201610515194 A CN201610515194 A CN 201610515194A CN 106127407 B CN106127407 B CN 106127407B
- Authority
- CN
- China
- Prior art keywords
- sensor information
- overrun
- scoring
- aircraft
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多传感器信息融合的飞机行程打分方法及打分***,其中,基于多传感器信息融合的飞机行程打分方法包括如下步骤:S1,获取飞机飞行过程中的各类传感器信息,根据信息类别对所述传感器信息进行分类;S2,按照分类类别分别获取每类传感器信息对应的超限事件,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值;S3,对多类传感器信息获得的飞机行程的分值进行加权融合,得到飞行行程的最终得分。该方法采用多传感器信息融合,可以充分利用多传感器的优点来弥补单一传感器的不足,提高信息的全面性和精准性。
Description
技术领域
本发明涉及一种飞机行程打分方法,尤其涉及一种基于多传感器信息融合的飞机行程打分方法,同时涉及实现该飞机行程打分方法的打分***,属于飞行信息评估技术领域。
背景技术
近年来,随着航空事业的蓬勃发展,国内飞机的数目与日俱增,空域内航线日益密集,客流量日益加大,这就对飞行安全和飞行员的飞行技术提出了更高的要求。因此,对飞机飞行过程中飞行状态是否良好以及飞行员的飞行技术是否合格适时地做出判断就显得尤为重要。
目前,在飞行安全领域,超限事件的提取以及飞行行程的打分是一个基础性工作,可以作为众多应用的基础性方法;如对飞行状态进行评估,对飞行员的技术进行估计等等;在现有的超限事件的提取以及飞行行程的打分方法中,通过对于QAR(Quick accessrecorder,意为快速存取记录器)数据的统计分析,对飞行过程中特定的危险事件利用构建飞行性能的风险评价模型的方式来判断在飞行过程中的潜在风险,便于及时对潜在的风险进行处理,并及早地采取有效的防范措施。
现在,各航空公司和航空港已建立了各种各样的信息***,为构建飞行性能的风险评价模型提供信息来源。但由于***设计时缺乏统一全面的规划,造成对同一信息目标,各信息***之间存在着信息不完全、信息不一致、甚至信息相悖的问题。使得目前飞机作业***的信息不通畅,这样使机场管理层缺少对信息目标的全面、准确把握,缺少对异常事件的及时应变能力,致使飞行性能的风险评价模型准确性不高。
多传感器信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理,从而得出决策和估计任务所需的信息的处理过程。它具有可靠性强、覆盖范围广、可信度高、反应速度快等特点。采用多传感器信息融合,可以充分利用多传感器的优点来弥补单一传感器的不足,提高信息的全面性和精准性。
发明内容
针对现有技术的不足,本发明所要解决的首要技术问题在于提供一种基于多传感器信息融合的飞机行程打分方法。
本发明所要解决的另一技术问题在于提供一种实现该飞机行程打分方法的打分***。
为实现上述发明目的,本发明采用下述的技术方案:
一种基于多传感器信息融合的飞机行程打分方法,包括如下步骤:
S1,获取飞机飞行过程中的各类传感器信息,根据信息类别对所述传感器信息进行分类;
S2,按照分类类别分别获取每类传感器信息对应的超限事件,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值;
S3,对多类传感器信息获得的飞机行程的分值进行加权融合,得到飞行行程的最终得分。
其中较优地,在步骤S2中,确定传感器信息所属的分类类别之后,按照分类类别分别获取每类传感器信息对应的超限事件,不同类别的传感器信息对应不同的超限事件。
其中较优地,在步骤S2中,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值,包括如下步骤:
S21,根据传感器信息的分类类别分别找到每类传感器信息对应的超限事件;
S22,获得超限事件中正常区域与临界区域的阈值;
S23,根据传感器信息所属的分类类别获取对应的归一化计算公式;将超限事件中正常区域与临界区域的阈值带入归一化计算公式,分别计算每类传感器信息获得的飞机行程的分值。
其中较优地,在步骤S23中,所述传感器信息主要包括:0/1型数据、确定时刻数据和连续时间数据。
其中较优地,当传感器信息为连续时间数据时,把所述连续时间数据划分为三个区域:正常区域、临界区域和超限区域;通过分别对三个区域的传感器信息进行打分得到所述连续时间数据的最终得分:
其中,S为所述连续时间数据的最终得分;So为超限区域的传感器信息的得分;Sni为i时刻临界区域的传感器信息的得分;Smi为i时刻临界区域的传感器信息的得分。
其中较优地,所述正常区域的传感器信息的得分采用如下公式获得:
所述临界区域的传感器信息的得分采用如下公式获得:
所述超限区域的传感器信息的得分采用如下公式获得:
其中,Sn为传感器信息在正常区域时,获得的飞机行程的分值;Sm为传感器信息在临界区域时,获得的飞机行程的分值;So为传感器信息在超限区域时,获得的飞机行程的分值;Valcur为当前获取的数值;Valmargin为超限事件中正常区域与临界区域的阈值;Valoverrun为超限事件所占的数量;Valmax为统计数据中的最大值。
其中较优地,在步骤S3中,对多类传感器信息获得的飞机行程的分值进行融合之前,对超限事件的分值进行进一步优化处理,具体包括如下步骤:
S31,对历史超限事件出现情况进行统计,根据统计结果,对于一起共现的次数超过共现阈值的超限事件建立相关事件集合列表;
S32,对于相关事件集合列表中的每一对相关事件,当一对相关事件同时出现时,对其中一个超限事件的分值进行减半处理,得到各类传感器信息获得的飞机行程的分值。
一种基于多传感器信息融合的飞机行程打分***,用于实现所述的飞机行程打分方法,包括信息采集单元、分类单元、超限事件计算单元、归一化计算单元和打分单元;
其中,所述信息采集单元用于获取各类传感器信息,并将所述传感器信息传送到所述实时分类单元进行分类处理;
所述分类单元根据不同传感器信息的信息类别,对所述传感器信息进行分类,并将每类传感器信息输入到对应的所述归一化计算单元之中进行归一化计算;
所述超限事件计算单元用于对历史超限事件数据进行分析,得到超限事件中正常区域与临界区域的阈值;所述打分单元用于将所有归一化计算单元传送来的传感器信息获得的飞机行程的分值进行融合打分,得到整个飞行行程的最终得分。
其中较优地,每个归一化计算单元对应一类传感器信息,所述归一化计算单元包括存储模块和计算模块;
其中,所述存储模块用于根据历史获取的每类传感器信息进行分析,得到归一化计算公式,并对归一化计算公式进行存储;
所述计算模块用于获取所述存储模块中存储的归一化计算公式以及所述超限事件计算单元传送来的超限事件中正常区域与临界区域的阈值,计算所述传感器信息获得的飞机行程的分值,并将所述飞机行程的分值传送到所述打分单元。
其中较优地,所述打分单元包括优化处理模块和打分计算模块;
其中,所述优化处理模块用于对历史超限事件进行分析,得到融合打分公式,并对融合打分公式进行存储;
所述打分计算模块用于获取所述优化处理模块中存储的融合打分公式,采用融合打分公式对整个飞行行程中的多类传感器信息获取的进行归一化处理后的分数进行融合,得到飞行行程的最终得分。
本发明所提供的基于多传感器信息融合的飞机行程打分方法,通过对飞机飞行过程中各类传感器采集的信息(以下简称传感器信息)进行归一化计算,得到每类传感器信息获得的飞机行程的分值;对多类传感器信息获得的飞机行程的分值进行加权融合,得到飞行行程的最终得分,采用多传感器信息融合,可以充分利用多传感器的优点来弥补单一传感器的不足,提高信息的全面性和精准性。除此之外,充分考虑超限事件之间存在的相关性,并利用事件之间的相关性特点对于分值进行进一步调整;提高了该打分方法的准确性。
附图说明
图1为本发明所提供的基于多传感器信息融合的飞机行程打分***的结构示意图;
图2为本发明所提供的基于多传感器信息融合的飞机行程打分方法的流程图;
图3a为本发明所提供的一个实施例中,对于0/1型数据,某个行程中发生超限事件的数据分布图;
图3b为本发明所提供的一个实施例中,对于连续时间数据,行程中所有在下落过程中1000ft到100ft航段的下滑道偏离量的统计图;
图4a为本发明所提供的一个实施例中,超限事件出现次数的直方图;
图4b为本发明所提供的一个实施例中,两个高频超限事件共现次数的直方图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
本发明提供的基于多传感器信息融合的飞机行程打分***,通过对飞机飞行过程中的数据进行分析,给出飞行过程中的超限事件信息并融合多类传感器信息对整个飞行行程进行打分。该飞机行程打分***可以视为是一个总体的评估***,而非针对某一两个具体的超限事件分析。在执行中,该飞机行程打分***将基于多传感器信息的打分问题视为一个多来源数据的分数层融合问题,通过构建可靠的分数归一化函数,利用根据大数据挖掘得出的相关性信息对各类传感器信息进行优化处理,并采用有效的分数层融合策略,对整个飞机行程的状态进行打分。
如图1所示,本发明所提供的基于多传感器信息融合的飞机行程打分***,包括信息采集单元、分类单元、超限事件计算单元、归一化计算单元和打分单元。其中,信息采集单元用于获取各类传感器采集的信息(以下简称传感器信息),并将获取的传感器信息传送到分类单元进行分类处理。分类单元接收各类传感器信息,根据不同传感器信息的信息类别,对其进行分类,并将传感器信息输入到其所对应的归一化计算单元之中进行归一化计算。超限事件计算单元用于对历史超限事件数据进行分析,得到超限事件中正常区域与临界区域的阈值,不同类型的传感器信息对应不同的超限事件。
在本发明所提供的实施例中,该飞机行程打分***包含多个归一化计算单元,每个归一化计算单元对应一类传感器信息,根据超限事件计算单元传送来的超限事件中正常区域与临界区域的阈值计算该类传感器信息对应的飞机行程的分值。归一化计算单元包括存储模块和计算模块。其中,存储模块用于根据历史获取的单个传感器信息进行分析,得到归一化计算公式,并对归一化计算公式以及相应的参数进行存储,不同的归一化计算单元的存储模块针对不同来源不同类型的传感器信息,在计算其分值时,采用不同的归一化计算公式。相同类型的传感器信息取值不同,在计算其分值时,仍然可能采用不同的归一化计算公式,如分段线性函数。计算模块用于获取存储模块中存储的归一化计算公式以及超限事件计算单元传送来的超限事件中正常区域与临界区域的阈值,计算该归一化计算单元对应的该类传感器信息应该获得的飞机行程的分值,并将该飞机行程的分值传送到打分单元。计算模块主要是根据传感器信息类型的不同,将得到的传感器信息录入到不同的计算公式中进行计算,使得获取的不同传感器信息的计算结果都可以落在相同的度量衡区间中,便于后期对整个飞行过程的打分。
打分单元主要是用于将所有归一化计算单元传送来的该类传感器信息获得的飞机行程的分值进行融合打分,得到整个飞行行程的综合分数,即最终得分。打分单元包括优化处理模块和打分计算模块。其中,优化处理模块用于对历史超限事件进行分析,利用事件之间的相关性特点对于其分值进行进一步调整,得到融合打分公式,并对融合打分公式以及相应的参数进行存储。例如:对于一些相关性很强的超限事件(这些超限事件的集合可以通过训练数据进行统计获取),当其同时在一个飞行轨迹中出现时,降低其惩罚分数,使得获取的归一化分数更为准确和合理,具体处理过程在下文中进行详细的描述。
打分计算模块用于获取优化处理模块中存储的融合打分公式,采用融合打分公式对整个飞行行程中的多类传感器获取到的已经归一化处理后的分数进行融合,将其综合结果作为该飞行行程的最终得分。
图2所示是本发明提供的基于多传感器信息融合的飞机行程打分方法的流程图,具体包括如下步骤:
S1,获取飞机飞行过程中的各类传感器信息,根据信息类别对传感器信息进行分类,确定传感器信息所属的分类类别。
在获取飞机飞行过程中各类传感器信息之前,对历史获取的每类传感器信息进行分析,得到每类传感器信息的归一化计算公式。便于后期对飞机飞行过程中获取的各类传感器信息进行归一化计算。在本发明所提供的实施例中,不同来源不同类型的传感器信息采用不同的归一化计算公式进行处理,相同类型的传感器信息取值不同,在计算其分值时,仍然可能采用不同的归一化计算公式,如分段线性函数。综合考虑不同类信息的特点以及其对飞行过程中飞机飞行安全的影响。
当飞机飞行时,获取飞机飞行过程中各类传感器采集的信息。根据信息类别对传感器采集的信息进行分类,确定传感器信息所属的分类类别。例如:超限事件109对应的是抬前轮速度大,其对应的传感器信息为确定时刻的速度信息,而超限事件173对应的是下滑道偏离1000-100ft,其对应的传感器信息为连续时间数据。根据不同类型传感器数据采用不同的归一化计算公式进行计算,使得获取的不同传感器信息的计算结果都可以落在相同的度量衡区间中,便于后期对整个飞行过程的打分。
S2,按照分类类别分别获取每类传感器信息对应的超限事件,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值。
在确定传感器采集的信息所属的分类类别之后,按照分类类别分别获取每类传感器信息对应的超限事件。在本发明所提供的实施例中,不同类别的传感器信息对应不同的超限事件,通过对历史超限事件数据进行分析,得到超限事件中正常区域与临界区域的阈值,根据超限事件中正常区域与临界区域的阈值计算每类传感器信息对应的飞机行程的分值。
其中,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值,具体包括如下步骤:
S21,根据传感器信息的分类类别分别找到每类传感器信息对应的超限事件;
获取飞机飞行过程中的多类传感器信息之后,根据其分类类别可以在超限事件计算单元中分别找到各类传感器信息对应的超限事件。根据超限事件列表(B737-800),本发明以三种数据类型的超限事件作为实验示例:
1)超限事件109(抬前轮速度大):在抬前轮的瞬间,其地速大于Vr+15,则判为轻微超限;其地速大于Vr+20,则判为严重超限,其中,Vr为抬前轮速度;
2)超限事件134(起飞收起落架晚):起飞后,在相对海拔高于200ft时没有收起落架则判为轻微超限;在相对海拔高于300ft时没有收起落架则判为严重超限;
3)超限事件173(下滑道偏离1000-100ft):在下落过程相对海拔在1000ft至100ft时,下滑道偏离量持续2s超过1.0则判为轻微超限;下滑道偏离量持续2s超过1.3则判为轻微超限。
S22,获得超限事件中正常区域与临界区域的阈值。
分别找到每类传感器信息对应的超限事件之后,根据每类传感器信息对应的超限事件的定义来判断是否发生超限事件,以及超限事件中正常区域与临界区域的阈值,以便于后期根据该超限事件中正常区域与临界区域的阈值进行归一化计算,得到每类传感器信息获得的飞行行程的分值。
S23,根据传感器信息所属的分类类别获取对应的归一化计算公式;将超限事件中正常区域与临界区域的阈值带入归一化计算公式,分别计算每类传感器信息获得的飞机行程的分值。
多类传感器信息输入到***后,根据其数据类型来将其放入对应的归一化计算单元中;在本发明所提供的实施例中,主要以3个类型的数据为例进行说明:
1)0/1型数据,例如:超限事件134(起飞收起落架晚);
2)确定时刻数据,例如:超限事件109(抬前轮速度大);
3)连续时间数据,例如:超限事件173(下滑道偏离1000-100ft);
如图3a所示,为本发明所提供的一个实施例中,对于0/1型数据,某个行程中发生超限事件的数据分布图;图3b对应的是连续时间数据,5055个行程中所有在下落过程中1000ft到100ft航段的下滑道偏离量的统计图。
在对每类传感器信息进行归一化计算之前,首先对于归一化分数进行定义,具体如下:
1)正常状态分数:0-5;
2)临界状态分数:5-10;
3)超限状态分数:10-20。
按照上述归一化分数对每类传感器信息进行归一化计算,得到获取的该类传感器信息对应的飞行行程的分值,使得获取的不同传感器信息的计算结果都可以落在相同的度量衡区间中,便于后期对整个飞行过程的打分。
对于0/1型数据,如图3a所示,其归一化计算公式为:
正常情况:分数置为0;
超限情况:按照超限程度评分,归一化计算公式为:
其中,S为传感器信息获得的飞行行程的分值,即超限得分;timeall为整个信息采集时间的两倍;timeoverrun为超限事件所占的时间。例如图3a所示为超限事件134,设定timeall为200ft上升为到300ft时间的2倍,timeoverrun为超限事件所占的时间;则:timeoverrun为50,timeall为200,其超限得分为12.5。
对于确定时刻数据,通过加入在确定时刻发生前的某时间段内数据,将该问题转化为连续时间数据问题;如超限事件109,可以加入抬前轮时刻前10s的数据,转换成连续时间数据,通过采用连续时间数据的处理方法是来判断该驾驶员在该事件中超速的程度。
对于连续时间数据,如图3b所示,该图为5055个行程中所有在下落过程中1000ft到100ft航段的下滑道偏离量的统计图;由该图可以看出,大部分数据都集中分布在较小的偏离量值,基于此可以从步骤S22中得出正常区域与临界区域的阈值valmargin。根据正常区域以及超限区域的定义,把该部分数据划分为三个区域:正常区域、临界区域和超限区域,其分数归一化公式为:
正常区域:
临界区域:
超限区域:
其中,Sn为传感器信息在正常区域时,获得的飞机行程的分值;Sm为传感器信息在临界区域时,获得的飞机行程的分值;So为传感器信息在超限区域时,获得的飞机行程的分值;Valcur为当前获取的数值;Valmargin为超限事件中正常区域与临界区域的阈值;Valoverrun为超限事件所占的数量;Valmax为统计数据中的最大值。
最后该连续时间数据的最终得分为:
其中,i为连续时间中的任一时刻。
S3,根据各类传感器信息对飞行过程安全性的重要程度,对多类传感器信息对应的飞机行程的分值进行加权融合,得到飞行行程的最终得分。
如图4a所示,是统计50个行程文件后超限事件出现次数的直方图,图4b是统计5055个行程文件后两个高频超限事件共现次数的直方图。由图可以看出,有些超限事件经常会一起出现,本身之间存在极大的相关性,因此可以利用事件之间的相关性特点对于其分值进行进一步调整;如,超限事件167和超限事件198经常一起出现,其说明驾驶员对于速度的掌控存在问题,而超限事件167和超限事件173,一个属于对于速度的感应,一个属于对于下滑道的掌控,其同时出现说明驾驶员在两个方面的操控都有一定的问题;因此,对于后者的惩罚力度应该比对前者的惩罚力度更大一些。基于这样的判断,在对多类传感器信息对应的飞机行程的分值进行融合之前,对超限事件的分值进行进一步优化处理。具体包括如下步骤:
S31,对历史超限事件出现情况进行统计,根据统计结果,对于一起共现的次数超过共现阈值的超限事件建立相关事件集合列表;共现阈值可以根据历史数据或者实际分值精度需求进行设定。
S32,对于相关事件集合列表中的每一对相关事件,当该对相关事件同时出现时,对其中一个超限事件的分值进行减半处理,得到各类传感器信息获得的飞机行程的分值。
对归一化计算之后得到的分值进行一定的优化处理策略后,将其在同等度量衡的基础上进行融合,得出最终的形成分数,其融合打分公式如下:
其中,S为飞行行程的最终得分;Sj为第j类传感器信息获得的飞机行程的分值;Wj为第j类传感器信息获得的飞机行程的分值的加权值;Wj根据实际需要进行设定。这里采用用加权和的方式进行多传感器信息的分数融合,其权值计算可以根据具体情况灵活选取,如:如果数据量比较小,由于加法准则是最为鲁棒的融合策略,权值可以直接置为1;如果某一类超限事件更为重要,可以认为将其权重进行调整,增加了***的灵活性;如果数据量比较大,可以通过训练的方式,如SVM,通过学习获取各传感器信息的权重,提高了该打分方法的灵活性。
综上所述,本发明所提供的基于多传感器信息融合的飞机行程打分方法,通过获取飞机飞行过程中各类传感器采集的信息,根据信息类别对传感器信息进行分类,按照分类类别分别获取传感器信息对应的超限事件,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值;对多类传感器信息获得的飞机行程的分值进行加权融合,得到飞行行程的最终得分。采用多传感器信息融合,可以充分利用多传感器的优点来弥补单一传感器的不足,提高信息的全面性和精准性。除此之外,充分考虑,超限事件之间存在的相关性,并利用事件之间的相关性特点对于分值进行进一步调整;提高了该打分方法的准确性。
上面对本发明所提供的基于多传感器信息融合的飞机行程打分方法及打分***进行了详细的说明。对本领域的一般技术人员而言,在不背离本发明实质精神的前提下对它所做的任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。
Claims (7)
1.一种基于多传感器信息融合的飞机行程打分方法,其特征在于包括如下步骤:
S1,获取飞机飞行过程中的各类传感器信息,根据信息类别对所述传感器信息进行分类;
S2,按照分类类别分别获取每类传感器信息对应的超限事件,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值;其中,所述传感器信息包括0/1型数据、确定时刻数据和连续时间数据;当所述传感器信息为连续时间数据时,把所述连续时间数据划分为三个区域:正常区域、临界区域和超限区域;
所述正常区域的传感器信息的得分采用如下公式获得:
所述临界区域的传感器信息的得分采用如下公式获得:
所述超限区域的传感器信息的得分采用如下公式获得:
通过分别对三个区域的传感器信息进行打分得到所述连续时间数据的最终得分:
其中,S为最终得分,Sni为i时刻正常区域的传感器信息的得分,Smi为i时刻临界区域的传感器信息的得分;Sn为传感器信息在正常区域时,获得的飞机行程的分值;Sm为传感器信息在临界区域时,获得的飞机行程的分值;So为传感器信息在超限区域时,获得的飞机行程的分值;Valcur为当前获取的数值;Valmargin为超限事件中,正常区域与临界区域的阈值;Valoverrun为超限事件所占的数量;Valmax为统计数据中的最大值;
S3,对历史超限事件出现情况进行统计,建立相关事件集合列表,当飞机飞行过程中同时出现相关事件集合列表中记录的相关事件时,对超限事件的分值进行优化处理,得到各类传感器信息获得的飞机行程的分值;对多类传感器信息获得的飞机行程的分值进行加权融合,通过如下公式获得飞行行程的最终得分:
其中,S为最终得分;Sj为第j类传感器信息获得的飞机行程的分值;Wj为第j类传感器信息获得的飞机行程的分值的加权值,所述加权值根据所述超限事件的重要性进行调整。
2.如权利要求1所述的基于多传感器信息融合的飞机行程打分方法,其特征在于在步骤S2中,确定传感器信息所属的分类类别之后,按照分类类别分别获取每类传感器信息对应的超限事件,不同类别的传感器信息对应不同的超限事件。
3.如权利要求1所述的基于多传感器信息融合的飞机行程打分方法,其特征在于在步骤S2中,根据超限事件对每类传感器信息进行归一化计算,得到每类传感器信息获得的飞机行程的分值,包括如下步骤:
S21,根据传感器信息的分类类别分别找到每类传感器信息对应的超限事件;
S22,获得超限事件中正常区域与临界区域的阈值;
S23,根据传感器信息所属的分类类别获取对应的归一化计算公式;将超限事件中正常区域与临界区域的阈值带入归一化计算公式,分别计算每类传感器信息获得的飞机行程的分值。
4.如权利要求1所述的基于多传感器信息融合的飞机行程打分方法,其特征在于:
在步骤S3中,根据历史超限事件的统计结果,对于一起共现的次数超过共现阈值的超限事件建立相关事件集合列表;对于相关事件集合列表中的每一对相关事件,当一对相关事件同时出现时,对其中一个超限事件的分值进行减半处理,得到各类传感器信息获得的飞机行程的分值。
5.一种基于多传感器信息融合的飞机行程打分***,用于实现权利要求1~4中任意一项所述的飞机行程打分方法,其特征在于包括信息采集单元、分类单元、超限事件计算单元、归一化计算单元和打分单元;
其中,所述信息采集单元用于获取各类传感器信息,并将所述传感器信息传送到所述分类单元进行分类处理;
所述分类单元根据不同传感器信息的信息类别,对所述传感器信息进行分类,并将每类传感器信息输入到对应的所述归一化计算单元之中进行归一化计算;
所述超限事件计算单元用于对历史超限事件数据进行分析,得到超限事件中正常区域与临界区域的阈值;所述打分单元用于将所有归一化计算单元传送来的传感器信息获得的飞机行程的分值进行融合打分,得到整个飞行行程的最终得分。
6.如权利要求5所述的基于多传感器信息融合的飞机行程打分***,其特征在于:
每个归一化计算单元对应一类传感器信息,所述归一化计算单元包括存储模块和计算模块;
其中,所述存储模块用于根据历史获取的每类传感器信息进行分析,得到归一化计算公式,并对归一化计算公式进行存储;
所述计算模块用于获取所述存储模块中存储的归一化计算公式以及所述超限事件计算单元传送来的超限事件中正常区域与临界区域的阈值,计算所述传感器信息获得的飞机行程的分值,并将所述飞机行程的分值传送到所述打分单元。
7.如权利要求5所述的基于多传感器信息融合的飞机行程打分***,其特征在于所述打分单元包括优化处理模块和打分计算模块;
其中,所述优化处理模块用于对历史超限事件进行分析,得到融合打分公式,并对融合打分公式进行存储;
所述打分计算模块用于获取所述优化处理模块中存储的融合打分公式,采用融合打分公式对整个飞行行程中的多类传感器信息获取的进行归一化处理后的分数进行融合,得到飞行行程的最终得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610515194.8A CN106127407B (zh) | 2016-07-01 | 2016-07-01 | 基于多传感器信息融合的飞机行程打分方法及打分*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610515194.8A CN106127407B (zh) | 2016-07-01 | 2016-07-01 | 基于多传感器信息融合的飞机行程打分方法及打分*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127407A CN106127407A (zh) | 2016-11-16 |
CN106127407B true CN106127407B (zh) | 2020-10-09 |
Family
ID=57469040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610515194.8A Active CN106127407B (zh) | 2016-07-01 | 2016-07-01 | 基于多传感器信息融合的飞机行程打分方法及打分*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127407B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651220B (zh) * | 2017-01-09 | 2020-11-17 | 中国民航管理干部学院 | 一种基于曲线拟合的飞行员操作质量评估方法 |
CN110533095B (zh) * | 2019-08-27 | 2023-01-17 | 中国民航大学 | 一种基于改进随机森林的航班飞行风险行为识别方法 |
CN111641679B (zh) * | 2020-04-30 | 2023-06-20 | 未来穿戴技术有限公司 | 可穿戴按摩仪的数据传输方法及电子设备 |
CN111881213B (zh) * | 2020-07-28 | 2021-03-19 | 东航技术应用研发中心有限公司 | 一种储存、加工、使用飞行大数据的*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7986809B1 (en) * | 2008-08-19 | 2011-07-26 | United States Of America As Represented By The Secretary Of The Navy | Equation of linked multiple source measurements to a uniquely identified object |
CN101539931A (zh) * | 2009-04-21 | 2009-09-23 | 中国民航大学 | 一种航班动态信息数据整合器及处理方法 |
CN103400018B (zh) * | 2013-07-12 | 2016-03-09 | 中国民用航空飞行校验中心 | 一种飞行程序校验及验证的***和方法 |
CN104765968B (zh) * | 2015-04-21 | 2017-03-15 | 合肥工业大学 | 一种无人机***健康状态测评装置 |
CN105260426A (zh) * | 2015-05-08 | 2016-01-20 | 中国科学院自动化研究所 | 基于大数据的飞机综合健康管理***和方法 |
-
2016
- 2016-07-01 CN CN201610515194.8A patent/CN106127407B/zh active Active
Non-Patent Citations (2)
Title |
---|
《基于专家打分的多源可靠性数据融合方法》;何江 等;《飞机设计》;20120630;第32卷(第3期);第54页左栏第1段至第56页右栏第1段 * |
《基于差异检验的飞行超限事件参数特征分析》;孙瑞山 等;《中国安全生产科学技术》;20110228;第7卷(第2期);22-27 * |
Also Published As
Publication number | Publication date |
---|---|
CN106127407A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127407B (zh) | 基于多传感器信息融合的飞机行程打分方法及打分*** | |
US20210383706A1 (en) | System and methods for improving aircraft flight planning | |
US10818192B2 (en) | Conflict alerting method based on control voice | |
CN103247089B (zh) | 用于实时飞机性能监视的***和方法 | |
CN108609202B (zh) | 飞行颠簸预测方法及*** | |
CN107045638A (zh) | 一种基于情景意识模型的飞行安全事件分析方法 | |
CN111123966A (zh) | 基于机载近地告警***判断飞行阶段的方法 | |
CN113128342B (zh) | 航迹数据预处理方法及空中目标识别方法 | |
Kong et al. | Bayesian deep learning for aircraft hard landing safety assessment | |
Hu et al. | The study on hard landing prediction model with optimized parameter SVM method | |
Gil et al. | E-pilots: A system to predict hard landing during the approach phase of commercial flights | |
Zhou et al. | The landing safety prediction model by integrating pattern recognition and Markov chain with flight data | |
CN105118332B (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN106951700B (zh) | 一种基于能量管理的进近稳定性评估方法 | |
CN114692290A (zh) | 一种基于改进fram方法的飞机着陆安全品质分析方法 | |
CN114462740A (zh) | 飞行任务评估方法、装置、设备和计算机可读存储介质 | |
CN111477036A (zh) | 一种空管自动化***航空器高度异常检测方法 | |
CN111198569A (zh) | 一种新能源辅助应急动力控制方法装置及服务器 | |
Jiang et al. | Research on the flight anomaly detection during take-off phase based on FOQA data | |
Zheng et al. | Risk prediction method of aircraft hard landing based on flight data | |
Jiang et al. | A method for the outlier flights detection of the final approach based on FOQA data | |
CN117194982B (zh) | 民航客机着陆载荷风险预警方法、***及电子设备 | |
Yang et al. | Data-driven long-landing event detection and interpretability analysis in civil aviation | |
CN117874628B (zh) | 一种基于多源传感信息融合的飞机超限识别方法 | |
Zhang et al. | An advanced warning model of airplane hard landing based on Adaboost |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |