CN108609202B - 飞行颠簸预测方法及*** - Google Patents

Abstract

本发明公开了一种飞行颠簸预测方法，其步骤包括：在飞机飞行的过程中，使用第一传感器实时采集飞机的颠簸信息和飞行数据，第一传感器设置在飞机上将颠簸信息和飞行数据进行收集，建立飞行数据库；将飞机的飞行数据作为自变量，将颠簸信息作为因变量，对飞行数据库中的数据进行预处理，得到训练集；采用神经网络算法对训练集进行演算，建立因变量和自变量之间的关系式，得到颠簸预测模型。本发明还公开了一种飞行颠簸预测***，通过本发明中的技术方案，可以实时精确地获取飞机的飞行信息，更准确更快速地对可能出现的飞行颠簸进行预警。

Description

飞行颠簸预测方法及***

技术领域

本发明属于飞行安全监控领域，主要涉及一种飞行颠簸预测方法及***。

背景技术

飞机颠簸是飞机在空中飞行时遭遇大气湍流扰动而产生的，轻度颠簸会使乘客感到不适，甚至受伤；颠簸特别严重时,飞机的结构可能由于过载而遭到破坏，甚至解体,严重危及飞行安全。颠簸还和飞机机型，飞行的路线等许多因素有关，比如大型飞机稳定性强，而一些小型飞机因为颠簸容易发生事故。

面对飞机颠簸的问题，现有技术中普遍都是利用气象数据对颠簸进行预测，提前预判到前面有可能存在飞行颠簸后，由飞行机组通过管制员提醒机长。而气象数据观测尺度较大，对云层内部的气流变化和在无云区域的晴空颠簸无法判断，且气候变化速度较快时，气象数据本身的不确定就十分突出。此外，对于山区等复杂地形条件下，气流运动十分复杂，这都给颠簸的时间、位置和高度的准确预报带来了困难 。因此现有技术中利用气象数据对颠簸进行预测的方法很难满足对在突然的颠簸进行更准确更迅捷的预测，以做出相应安全措施。

发明内容

本发明目的在于针对现有技术的缺陷，提供一种飞行颠簸预测方法及***，可以实时精确地获取飞机的飞行信息，更准确更快速地对可能出现的飞行颠簸进行预警。

为了解决上述技术问题，本发明采用以下技术方案：

一种飞行颠簸预测方法，其步骤包括：

模型建立步骤：在飞机飞行的过程中，使用第一传感器实时采集飞机的颠簸信息和飞行数据，第一传感器设置在飞机上；

将颠簸信息和飞行数据进行收集，建立飞行数据库；

将飞机的飞行数据作为自变量，将颠簸信息作为因变量，对飞行数据库中的数据进行预处理，得到训练集；

采用神经网络算法对训练集进行演算，建立因变量和自变量之间的关系式，得到颠簸预测模型。

进一步的，飞行数据包括风速、光照、气温、传感器位置、飞机型号、飞行时间、飞行路径以及飞机的加速度、速度、方向、温度、声音数据、经纬度位置。

进一步的，第一传感器设置在飞机的机头，机翼、尾翼、机身或发动机。

进一步的，神经网络算法为前馈神经网络算法、反馈神经网络算法、自组织神经网络算法或随机神经网络算法。

进一步的，还包括：

预测步骤：在待预测飞机飞行过程中，使用第二传感器实时获取待预测飞机的飞行数据；第二传感器设置在待预测飞机上；

使用上述颠簸预测模型对待预测飞机的飞行数据进行分析，当待预测飞机的飞行数据满足颠簸发生条件时，判断待预测飞机即将遇到颠簸；颠簸发生条件为上述颠簸预测模型中颠簸信息为发生颠簸时飞行数据的取值范围；

向被判定为即将遇到颠簸的待预测飞机发送颠簸预警。

进一步的，第二传感器设置在待预测飞机的机头，机翼、尾翼、机身或发动机。

本发明还公开了一种飞行颠簸预测***，包括云服务器和第一传感器；

第一传感器设置在飞机上；第一传感器，用于实时采集飞机多次飞行时的颠簸信息和飞行数据，并将颠簸信息和飞行数据发送到云服务器；

云服务器，用于执行如下步骤：

将颠簸信息和飞行数据进行收集，建立飞行数据库；

将飞行数据作为自变量，将颠簸信息作为因变量，对飞行数据库中的数据进行预处理，得到训练集；

采用神经网络算法对训练集进行演算，建立因变量和自变量之间的关系式，得到颠簸预测模型。

进一步的，第一传感器设置在飞机的机头，机翼、尾翼、机身或发动机。

进一步的，还包括第二传感器、数据分析模块及预警模块；

第二传感器设置于待预测飞机上，第二传感器用于实时采集待预测飞机飞行时的飞行数据；并将待预测飞机的飞行数据发送到数据分析模块；

数据分析模块，用于使用上述颠簸预测模型对待预测飞机的飞行数据进行分析，且在飞行数据满足颠簸发生条件时，判断待预测飞机即将遇到颠簸；颠簸发生条件为上述颠簸预测模型中颠簸信息为发生颠簸时飞行数据的取值范围；

预警模块，用于向被判定为即将遇到颠簸的待预测飞机发送颠簸预警。

进一步的，第二传感器设置在待预测飞机的机头，机翼、尾翼、机身或发动机。

与现有技术相比，本发明的有益技术效果如下：

本发明提供了一种飞行颠簸预测方法及***，可以实时获取飞机飞行过程中完整的全面的飞行数据，并将多架飞机多次飞行收集到的大量飞行数据利用智能算法进行演算，可以建立精确高效的颠簸预测模型，同时利用颠簸预测模型更精确更快速对飞机飞行中的颠簸进行预测，为飞机飞行的安全提供保障。

附图说明

图1为本发明中实施例1的飞行颠簸预测模型建立步骤示意图；

图2为本发明中实施例1的飞行颠簸预测步骤示意图；

图3为本发明中实施例2的飞行颠簸预测***的结构示意图；

图4为本发明中实施例2的飞行颠簸预测***的结构示意图。

具体实施方式

为了充分地了解本发明的目的、特征和效果，以下将结合附图与具体实施方式对本发明的构思、具体步骤及产生的技术效果作进一步说明。

实施例1

如图1所示，本实施例1公开了一种飞行颠簸预测方法，其步骤包括：

模型建立步骤S1：

S11、在飞机飞行的过程中，使用第一传感器实时采集飞机的颠簸信息和飞行数据，第一传感器设置在飞机上；

具体的，飞行数据包括风速、光照、气温、传感器位置、飞机型号、飞行时间、飞行路径以及飞机的加速度、速度、方向、温度、声音数据、经纬度位置。

具体的，第一传感器可设置在飞机的机头的驾驶舱，机翼外部、尾翼外部、机身外部、机舱内部、或发动机内部。

在实际应用中，初始进行数据采集时，第一传感器可以设置在飞机的任何部位进行数据的收集，以收集到更全面更完整的飞行数据。

S12、将颠簸信息和飞行数据进行收集，建立飞行数据库；

通过实施步骤S2收集到的基于传感器实时获取的飞机的飞行数据以建立飞行数据库，可以避免如气候数据这类数据存在的不稳定难以预测的问题，同时可以全面地完整地反映出飞机飞行时的机体状态以及所处的气候环境。

S13、将飞机的飞行数据作为自变量，将颠簸信息作为因变量，对飞行数据库中的数据进行预处理，得到训练集；

S14、采用神经网络算法对训练集进行演算，建立因变量和自变量之间的关系式，得到颠簸预测模型。

具体的，神经网络算法为前馈神经网络算法、反馈神经网络算法、自组织神经网络算法或随机神经网络算法。

具体的，其在步骤S11后还包括：

第一传感器实时采集颠簸信息和飞行数据后，将颠簸信息和飞行数据储存至第一储存单元。

如图2所示，还包括：

预测步骤S2：

S21、在待预测飞机飞行过程中，使用第二传感器实时获取待预测飞机的飞行数据；第二传感器设置在待预测飞机上；

具体的，飞行数据包括风速、光照、气温、传感器位置、飞机型号、飞行时间、飞行路径以及飞机的加速度、速度、方向、温度、声音数据、经纬度位置。

具体的，第二传感器设置在待预测飞机的机头的驾驶舱，机翼外部、尾翼外部、机身外部、机舱内部、或发动机内部。

在实际应用中，进行待预测飞机的数据采集时，第二传感器应该尽量设置在第一传感器设置的飞机的位置上，以便收集到的飞行数据中包含的传感器位置与颠簸预测模型中的数据对应，方便颠簸预测模型的分析。

S22、使用颠簸预测模型对待预测飞机的飞行数据进行分析，当待预测飞机的飞行数据满足颠簸发生条件时，判断待预测飞机即将遇到颠簸；颠簸发生条件为颠簸预测模型中颠簸信息为发生颠簸时飞行数据的取值范围；

S23、向被判定为即将遇到颠簸的待预测飞机发送颠簸预警。

具体的，其在步骤S21后还包括：

第二传感器实时采集飞行数据后，将飞行数据储存至第二储存单元。

实施例2

如图3所示，本实施例2公开了一种飞行颠簸预测***，包括云服务器1和第一传感器2；

第一传感器2设置在飞机上；第一传感器2用于实时采集飞机多次飞行时的颠簸信息和飞行数据，并将颠簸信息和飞行数据发送到云服务器；具体的，飞行数据包括风速、光照、气温、传感器位置、飞机型号、飞行时间、飞行路径以及飞机的加速度、速度、方向、温度、声音数据、经纬度位置。

云服务器1，用于执行如下步骤：

S31、将颠簸信息和飞行数据进行收集，建立飞行数据库；

S32、将飞行数据作为自变量，将颠簸信息作为因变量，对飞行数据库中的数据进行预处理，得到训练集；

S33、采用神经网络算法对训练集进行演算，建立因变量和自变量之间的关系式，得到颠簸预测模型。

具体的，第一传感器2设置在飞机的机头的驾驶舱，机翼外部、尾翼外部、机身外部、机舱内部、或发动机内部。

具体的，神经网络算法为前馈神经网络算法、反馈神经网络算法、自组织神经网络算法或随机神经网络算法。

具体的，还包括第一储存单元，用于储存第一传感器2采集到的颠簸信息和飞行数据，等待网络良好时，再由第一传感器将颠簸信息和飞行数据传输到云服务器1。

如图4所示，还包括第二传感器3、数据分析模块4及预警模块5；

第二传感器3设置于待预测飞机上，第二传感器3用于实时采集待预测飞机飞行时的飞行数据；并将待预测飞机的飞行数据发送到数据分析模块；具体的，飞行数据包括风速、光照、气温、传感器位置、飞机型号、飞行时间、飞行路径以及飞机的加速度、速度、方向、温度、声音数据、经纬度位置。

数据分析模块4，用于使用实施例1中的颠簸预测模型对待预测飞机的飞行数据进行分析，且在飞行数据满足颠簸发生条件时，判断待预测飞机即将遇到颠簸；颠簸发生条件为颠簸预测模型中颠簸信息为发生颠簸时飞行数据的取值范围；

预警模块5，用于向被判定为即将遇到颠簸的待预测飞机发送颠簸预警。

具体的，第二传感器3设置在待预测飞机的机头的驾驶舱，机翼外部、尾翼外部、机身外部、机舱内部、或发动机内部。

具体的，还包括第二储存单元6，用于储存第二传感器3采集到的飞行数据，等待网络良好时，再由第二传感器将飞行数据传输到数据分析模块4。

通过本发明中公开的一种飞行颠簸预测方法及***，可以实时获取飞机飞行过程中完整的全面的飞行数据，并将多架飞机多次飞行收集到的大量飞行数据利用智能算法进行演算，可以建立精确高效的颠簸预测模型，同时利用颠簸预测模型更精确更快速对飞机飞行中的颠簸进行预测，为飞机飞行的安全提供保障。

以上详细描述了本发明的较佳具体实施例，应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明构思在现有技术基础上通过逻辑分析、推理或者根据有限的实验可以得到的技术方案，均应该在由本权利要求书所确定的保护范围之中。

Claims (7)

1.一种飞行颠簸预测方法，其特征在于，其步骤包括：

模型建立步骤：在飞机飞行的过程中，使用第一传感器实时采集所述飞机的颠簸信息和飞行数据，所述第一传感器设置在所述飞机上，所述飞行数据包括风速、光照、气温、传感器位置、飞机型号、飞行时间、飞行路径以及飞机的加速度、速度、方向、温度、声音数据、经纬度位置；

将所述颠簸信息和所述飞行数据进行收集，建立飞行数据库；

将所述飞行数据作为自变量，将所述颠簸信息作为因变量，对所述飞行数据库中的数据进行预处理，得到训练集；

采用神经网络算法对所述训练集进行演算，建立所述因变量和所述自变量之间的关系式，得到颠簸预测模型；

预测步骤：在待预测飞机的飞行过程中，使用第二传感器实时获取所述待预测飞机的飞行数据；所述第二传感器设置在所述待预测飞机上；

使用所述颠簸预测模型对所述待预测飞机的飞行数据进行分析，当所述待预测飞机的飞行数据满足颠簸发生条件时，判断所述待预测飞机即将遇到颠簸；所述颠簸发生条件为所述颠簸预测模型中所述颠簸信息为发生颠簸时所述飞行数据的取值范围；

向被判定为即将遇到颠簸的所述待预测飞机发送颠簸预警。

2.如权利要求1所述的飞行颠簸预测方法，其特征在于，所述第一传感器设置在所述飞机的机头、机翼、尾翼、机身或发动机。

3.如权利要求1所述飞行颠簸预测方法，其特征在于，所述神经网络算法为前馈神经网络算法、反馈神经网络算法、自组织神经网络算法或随机神经网络算法。

4.如权利要求1所述的飞行颠簸预测方法，其特征在于，所述第二传感器设置在所述待预测飞机的机头、机翼、尾翼、机身或发动机。

5.一种飞行颠簸预测***，其特征在于，包括云服务器、第一传感器、第二传感器、数据分析模块及预警模块；

所述第一传感器设置在飞机上；所述第一传感器，用于实时采集所述飞机多次飞行时的颠簸信息和飞行数据，并将所述颠簸信息和所述飞行数据发送到所述云服务器；

所述云服务器，用于执行如下步骤：

将所述颠簸信息和飞行数据进行收集，建立飞行数据库；

将所述飞行数据作为自变量，将所述颠簸信息作为因变量，对所述飞行数据库中的数据进行预处理，得到训练集；

采用神经网络算法对所述训练集进行演算，建立所述因变量和所述自变量之间的关系式，得到颠簸预测模型；

所述第二传感器设置于待预测飞机上，所述第二传感器用于实时采集所述待预测飞机飞行时的飞行数据；并将所述待预测飞机的飞行数据发送到所述数据分析模块；

所述数据分析模块，用于使用如权利要求1-4中任一项所述的颠簸预测模型对所述待预测飞机的飞行数据进行分析，且在所述飞行数据满足颠簸发生条件时，判断所述待预测飞机即将遇到颠簸；所述颠簸发生条件为所述颠簸预测模型中所述颠簸信息为发生颠簸时所述飞行数据的取值范围；

所述预警模块，用于向被判定为即将遇到颠簸的所述待预测飞机发送颠簸预警。

6.如权利要求5所述的飞行颠簸预测***，其特征在于，所述第一传感器设置在所述飞机的机头、机翼、尾翼、机身或发动机。

7.如权利要求5所述的飞行颠簸预测***，其特征在于，所述第二传感器设置在所述待预测飞机的机头、机翼、尾翼、机身或发动机。

Images