魏志強,韓孝蘭,胡 楊,張文秀

?

基于航跡數據的空中交通綠色績效計算分析

魏志強1*,韓孝蘭1,胡 楊1,張文秀2

(1.中國民航大學空管學院,天津 300300；2.廈門航空有限責任公司運行控制部,福建 廈門 361011)

為定量、直觀地反映空管運行指揮對飛機溫室效應的影響,首先基于快速存取記錄器(QAR)記錄數據建立飛行參數與飛行軌跡的BP神經網絡匹配模型;然后基于QAR數據對模型進行驗證;之后建立了溫室效應表征參數計算模型;最后根據雷達模擬機上的飛行航跡試驗數據,估算出污染物排放量和總溫變潛勢大小,并對不同管制員的指揮差異性進行對比分析. 結果表明,利用油耗估算模型計算得到的燃油流量估算值和QAR記錄的真實值之間的相對誤差不超過2%,運用油耗指標與溫室效應指標評估管制員水平結果不同.研究結果可以用于定量分析空管運行對溫室效應的影響.

航空運輸；溫室效應；BP神經網絡；油耗估算；航跡數據

隨著航空業(yè)的發(fā)展,民航飛機產生的CO2和NO排放對全球溫室效應的影響日益受到關注.在空中交通績效評估方面,國外將污染物的排放量引入了績效評估體系,但未考慮到溫室效應的影響.例如,Reynolds建立了基于飛行效率的空管績效評估方法,同時將油耗和環(huán)境影響引入評估體系[1];國內主要集中在安全方面,馬躍飛等[2]提出了基于多子網語言決策圖的群體評估模型,能夠評估空管體系的綜合績效水平;韓豫斌等[3]建立基于改進的模糊物元分析法的安全績效評估模型,對空中交通管制系統(tǒng)的安全性進行量化描述.

在飛機環(huán)境評估方面,國際民航組織(ICAO)建立了飛機起降循環(huán)(LTO)基準排放模型[4];Cook等[5]提出了動態(tài)成本指數的概念來研究不同污染物之間的權重關系;韓博等[6-7]對飛機起飛過程細粒子排放特征,以及飛行全過程污染物排放特性做了研究; Shine等[8]為衡量污染物氣體對溫室效應的影響建立了全球溫變潛勢計算模型;Wild等[9]針對飛機污染物排放提出了NO的輻射強迫計算方法; Sridhar等[10]基于以上提出的溫室效應計算模型綜合分析了CO2和尾跡云對溫室效應的影響.上述研究實現(xiàn)了對飛機排放和溫室效應的估算,但未涉及空管運行對飛機產生溫室效應的影響.

在飛行參數與飛行軌跡的匹配與關聯(lián)性研究方面,Khadilkar等[11]運用飛行數據記錄儀的數據建立了針對飛機滑出階段能量平衡原理的燃油消耗估計模型;Tolga運用基于遺傳算法優(yōu)化的神經網絡建立了飛行階段燃油流量計算模型[12];溫瑞英等[13]利用工程化計算方法對民用飛機巡航性能進行了優(yōu)化分析;曹惠玲等[14]運用多元回歸分析方法建立了爬升階段燃油流量的回歸模型.這些模型在進行油耗計算時,需要用到很多飛行參數,其中絕大多數在空管的雷達記錄數據中不存在,不能運用到空管方面的燃油分析.

BP神經網絡是一種由大量的節(jié)點(神經元)和節(jié)點之間的加權連接而成的應用最為廣泛的網絡運算模型[15].歐韜等[16]基于神經網絡對民航安全態(tài)勢進行評估與仿真,徐濤等[17]建立基于神經網絡集成的單個飛行事件噪聲預測模型.快速存取記錄器(QAR)存儲了包括燃油流量參數在內的大量飛機參數數據,但由于QAR數據涉及到航空公司的飛行細節(jié)和核心商業(yè)利益,不能共享給其他民航單位,致使在空管指揮運行中無法使用QAR數據來進行空管運行質量分析.

本文首先從QAR數據中提取出與雷達記錄格式相同的數據(主要是飛行軌跡數據),形成偽雷達數據,從QAR數據中得到與偽雷達數據相匹配的飛機油耗參數,構建基于BP神經網絡的飛機油耗與飛行軌跡匹配模型;然后建立溫室效應表征參數計算模型;之后根據構建的油耗匹配模型和溫室效應表征參數計算模型,利用管制員在模擬機中的雷達記錄數據計算飛機引起溫室效應的總溫變潛勢.上述研究可定量評估空管運行對溫室效應的影響,為提升空中交通運行質量提供參考.

1 飛機燃油流量估算模型

1.1 研究方法

研究采用3層神經網絡,即輸入層、隱含層、輸出層,共5個輸入元(P1, P2, P3 , P4, P5), 分別表示地速、氣壓高度、航向、爬升率和轉彎角速度5個參數;一個輸出元(Y),即燃油流量.

輸入層和輸出層的節(jié)點數分別為5和1,根據經驗得出隱含層節(jié)點數的取值范圍為[6,20].隱含層的傳遞函數采用logsig,輸出層的傳遞函數采用purelin,BP網絡的學習算法采用trainbr,訓練目標設定為0.001,最大訓練次數設為20000.經過不斷調試、校驗、修改和訓練,確定隱含層節(jié)點數為18,網絡的誤差降到了1.0′10-3以下,建模完成.訓練過程中網絡誤差性能的變化如圖1所示.

圖1 訓練過程中網絡誤差性能的變化 Fig.1 Variation of network error performance in the training process

1.2 數據來源

燃油流量是排放量計算的基礎.為此首先搜集航班QAR數據,選取爬升階段的數據,通過作圖示意確定爬升的結束點,進而選取爬升階段的數據.之后對新的QAR數據加工處理得到含有地速、氣壓高度、航向、爬升率、轉彎角速度和總燃油流量的數據庫.具體公式如下:

之后對QAR數據中的異常點進行處理,對于一些爬升率為負值的點,使其值為0;然后,利用公式(3)對每組參數的數據進行歸一化處理,將其轉化為[0,1]之間的數據,以防止樣本值過大,可以提高結果的精確度,同時還可以加快訓練BP神經網絡時的收斂速度.

表1 每個參數的xmax、xmin值 Table 1 the maximum and minimum values of each parameter

1.3 結果與討論

利用樣本QAR數據,輸入神經網絡中進行初步檢驗,得到歸一化后數據的真實曲線與預測曲線如圖3所示.實線表示真實曲線,虛線表示預測曲線.橫坐標表示時間,縱坐標表示未反歸一化的燃油流量.

通過計算真實數值與預測數值之間的絕對誤差為0.02,相對誤差極小,可以看作為0,因此神經網絡模型對各個樣本的診斷結果均正確.

圖2 真實曲線和預測曲線對比 Fig.2 curves ofreal value and predicted value

為進一步分析估算模型的精度,將另一組航班的QAR數據轉化為含有航向、氣壓高度、地速、轉彎角速度、爬升率5個參數的偽雷達數據,輸入模型,得到估算值.

通過公式(4)反歸一化估算出每一時刻的燃油流量;

利用估算值和QAR記錄的真實值,按照時間積分方法,分別得到估算燃油消耗量和真實燃油消耗量,將2組數據進行對比檢驗模型的精度.

基于航跡估算出的燃油流量和QAR文件中記錄的燃油流量數據對比如圖3所示.

在圖3中,由于數據包含了一部分巡航階段的數據,而本文模型主要針對于飛機的離場爬升階段,在最后十幾秒(進入了平飛巡航階段)的真實值與估計值差距較大.由圖3可知,在爬升階段,利用模型得到的估算值和QAR記錄的真實值之間的相對誤差不超過2%,表明真實值和估算值基本吻合,因此證實本研究所建立的模型可以估算燃油消耗和排放數據.

2 溫室效應表征參數計算模型

2.1 發(fā)動機LTO排放模型

發(fā)動機的污染物排放量取決于發(fā)動機類型、燃油消耗量和排放指數.發(fā)動機廠家提供的基準排放指數數據如表2所示.

表2 CFM56-7B26發(fā)動機基準排放數據 Table 2 Basic emission indexes of CFM56-7B26engine

CO2是巡航過程中對環(huán)境影響最大的氣體,其排放量與燃油消耗量成正比,計算如下.

NO的基準排放數據只代表了4種固定推力在基準條件下的排放指數,且僅在高度1000m以下有效.因此需要根據具體的飛行條件,對基準排放指數進行修正,得到實際排放指數.

2.2 排放指數修正模型

(1)數據曲線擬合

將表1發(fā)動機基準數據中的燃油流量和對應的NO排放指數繪制在雙對數坐標系中,并對NO與單發(fā)燃油流量在該坐標系下進行線性擬合,進而建立Wff-EIR擬合曲線,如圖4所示.

圖4 雙對數坐標系下的線性擬合示意Fig.4 Schematic diagram for linear fit on the log10 paper

(2)基準燃油流量

將飛機的實際燃油流量換算成ISA、0m條件下的基準燃油流量ff,即

式中:f為實際燃油流量,kg/h;為外界大氣壓強與標準海平面大氣壓強之比;為外界溫度與標準海平面大氣溫度之比;為馬赫數.

(3)計算排放指數

在雙對數坐標系下對基準燃油流量進行線性插值,得到相應的基準排放指數.在圖1中,已知4個飛行階段的燃油流量和NO指數,將基準燃油流量ff代入式(6)即可計算出基準燃油流量所對應的基準排放指數RI.

實際排放指數計算如下:

NO的排放量計算如下:

2.3 溫室效應表征模型

文獻[5-7]通過定量計算飛機排放的污染物量來評估飛行對環(huán)境的影響,但根據文獻[8]的研究可知,不同的溫室氣體具有不同的輻射效率和生命周期,造成的增溫效果也不同.因此需要建立溫室效應表征模型,進一步評估飛行對環(huán)境的影響. 本文使用絕對脈沖全球溫變潛勢(APGTP)作為溫室氣體的表征參數.APGTP是瞬時釋放的某一溫室氣體在未來某時間造成的全球平均表面溫度的變化,具體計算如下:

其中

將式(11)代入式(10),得

根據式(5)和(9)分別計算出單位時間內飛機產生的CO2和NO的排放量,隨后根據式(12)即可計算出單位時間內飛機飛行造成的全球總溫變潛勢,代表溫室氣體在未來某給定時間造成的溫度變化趨勢.

總溫變潛勢D計算如式(13)所示.

式中:D為總溫變潛勢,K.

3 管制員指揮效果評價分析

圖5 算例計算流程 Fig.5 Flowchart of calculation examples

為了具體分析管制員個體技能對飛機油耗與溫室效應的影響,在實驗室的雷達管制模擬機上,由8名優(yōu)秀的一線管制員在相同的模擬環(huán)境下分別進行管制指揮.具體訓練環(huán)境為中低空爬升段,共7個離場飛機.基于采集的飛機航跡數據,使用燃油流量估算模型和溫室效應表征參數模型進行油耗、污染物排放量及總溫變潛勢計算,具體計算流程如下圖所示.

圖6表示不同管制員指揮下所有航班的油耗和排放量對比情況.

圖6 不同管制員指揮下的總油耗和總排放量情況 Fig.6 Total fuel consumption and emissions under the command of different controllers

圖7表示不同管制員指揮下所有航班的油耗和總溫變潛勢對比情況.

圖7 不同管制員指揮下的總油耗和總溫變潛勢情況 Fig.7 Total fuel consumption and temperature change potential under the command of different controllers

通過對圖6、7對比可知,污染物排放量和總溫變潛勢相對于總油耗的變化趨勢不同.因此需要進一步分析不同管制員指揮下的總溫變潛勢情況.

在油耗指標方面,由圖7可知,4號管制員燃油量最低,與1號管制員相比,要節(jié)油558kg,是最節(jié)油的管制員,相反1號為最費油的管制員.管制員的指揮技能由優(yōu)到劣為:4,5,8,7,3,2,6,1號.

在溫室效應表征參數方面,由圖7可知,8號管制員總溫變潛勢最低,1號為對溫室效應影響最大的管制員,管制員的指揮技能由優(yōu)到劣為:8,4,2,5,7,3,6,1號.CO2的排放指數與環(huán)境因素無關,與油耗成正比關系,油耗越大,其排放量和總溫變潛勢越大.

由于每個管制員的個體差異,在指揮的過程中,會造成同一位置環(huán)境條件下飛機燃油流量和油耗的不同,進而造成不同污染物的排放量的不同,最終使得總溫變潛勢存在差異.CO2和NO是污染物排放的關鍵污染物,占總污染物量的99%以上,過多排放會造成海平面上升,使溫室效應加劇.因此,可以通過提升管制員技能來控制空管運行對溫室效應的影響.

4 結論

4.1 CO2和NO的排放與飛機油耗成正相關性,是航空污染物排放的主力.

4.2 按油耗指標對管制員的排序結果與按溫室效應指標的排序結果并不完全一致.在管制員評價中,不能僅僅只考慮管制工作對飛機油耗的影響.

4.3 管制員的個體技能差異會對總溫變潛勢產生一定的影響,通過提升管制員技能可以控制空管運行對溫室效應的影響.

[1] Reynolds T G. Air Traffic Management Performance Assessment Using Flight Inefficiency Metrics [J]. Transport Policy, 2014,34:63-74.

[2] 馬躍飛,陳 峰,姚 頔,等.基于多子網語言決策圖的空管體系績效評估[J]. 國防科技大學學報, 2017,39(6):134-142.Ma Yue-fei, Chen Feng, Yao Di, et al. Air Traffic Management System Performance Evaluation Based on Linguistic Decision Map with Multi-subnets [J]. Journal of National University of Defense Technology, 2017,39(6):134-142.

[3] 韓豫斌,樸春子.空中交通管制系統(tǒng)安全績效評估模型研究[J]. 航空工程進展, 2016,7(4):477-483.Han Yu-bin, Piao Chun-zi. Research on Safety Performance Assessment Model of ATC (Air Traffic Control) Syetem [J]. Advances in Aeronautical Science and Engineering, 2016,7(4):477-483.

[4] ICAO. Montreal: International Civil Aviation Organization [R]. Airport Air Quality Manual, 2011:38-39.

[5] Cook A, Tanner G, Williams V, et al. Dynamic Cost Indexing Managing Airline Delay Costs [J]. Journal of Air Transport Management, 2010:26-35.

[6] 韓 博,劉雅婷,譚宏志,等.一次航班飛行全過程大氣污染物排放特征 [J]. 環(huán)境科學學報, 2017,37(12):4492-4502.Han Bo, Liu Ya-ting, Tan Hong-zhi, et al. Emission characterization of civil aviation aircraft during a whole flight [J]. Acta Scientiae Circumstantiae, 2017,37(12):4492-4502.

[7] 韓 博,劉雅婷,陳 鑫,等.民航飛機起飛過程細粒子排放特征[J]. 中國環(huán)境科學, 2017,37(5):1620-1627.Han Bo, Liu Ya-ting, Chen Xin, et al. Fine particles emission characterization of civil aviation aircraft during takeoff [J]. China Environmental Science, 2017,37(5):1620-1627.

[8] Shine K P, Fuglestvedt J S, Hailemariam K, et al. Alternatives to the global warming potential for comparing climate impacts of emissions of greenhouse gases [J]. Climatic Change, 2005,68:281- 302.

[9] Wild, Prather O, Akimoto M J, et al. Indirect long-term global radiative cooling from NOemissions [J]. Geophysical Research Letters, 2001,28(9):1719-1722.

[10] Sridhar B, Ng H K, Chen N Y. Integration of linear dynamic emission and climate models with air traffic simulations [R]. AIAA Guidence, Navigation, and Control Conference, 2012,4756:13-16.

[11] Khadilkar H, Balakrishnan H. Estimation of aircraft taxi fuel burn using flight data recorder archives [J]. Transportation Research Part D Transport & Environment, 2012,17(7):532-537.

[12] Tolga B. Modeling the fuel flow-rate of transport aircraft during flight phases using genetic algorithm-optimized neural networks [J]. Aerospace science and technology, 2016,49(3):52-62.

[13] 溫瑞英,魏志強,王紅勇,等.民用飛機巡航性能計算研究[J]. 飛行力學, 2015,4:289-292.Wen Rui-ying, Wei Zhi-qiang, Wang Hong-yong, et al. Calculation and analysis on cruising performance of civil aircraft [J]. Flight Dynamics, 2015,4:289-292.

[14] 曹惠玲,賈 超.基于QAR的飛機爬升階段燃油流量回歸模型研究[J]. 中國民航大學學報, 2013,3:31-35.Cao Hui-ling, Jia Chao. Research of fuel flow regression model of aircraft climb phase based on QAR [J]. Journal of Civil Aviation University of China, 2013,3:31-35.

[15] Yan T S. An Improved genetic algorithm and its blending application with neural network [C]//Proceedings of International Workshop on Intelligent Systems and Applications, 2010:1-4.

[16] 歐 韜,周長春.基于神經網絡的民航安全態(tài)勢評估模型及仿真[J]. 中國安全生產科學技術, 2011,7(2):34-41.Ou Tao, Zhou Chang-chun. Situation assessm ent model of civil aviation safety based on neural network and its simulation [J]. Journal of Safety Science and Technology, 2011,7(2):34-41.

[17] 徐 濤,燕憲金,楊國慶,等.基于神經網絡集成的單個飛行事件噪聲預測模型 [J]. 中國環(huán)境科學, 2014,2:539-544.Xu Tao, Yan Xiao-jin, Yang Guo-qing. Prediction model of noise event for single flight based on neural network ensemble [J]. China Environmental Science, 2014,2:539-544.

Calculation and analysis of air traffic green performance based on flight trajectory data.

WEI Zhi-qiang1*, HAN Xiao-lan1, HU Yang1, ZHANG Wen-xiu2

(1.College of Air Traffic Management, Civil Aviation University of China, Tianjin 300300, China；2.Department of Operation Control, Xiamen Airlines, Xiamen 361011, China)., 2019,39(3)：988~993

In order to study the impact of ATC operations on the aircraft’s greenhouse effect quantitatively and visually, firstly, the BP neural network matching model of flight parameters and flight trajectory was established based on the quick access recorder (QAR) data. Secondly, the model was verified based on the QAR data. Then the greenhouse effect characterization parameter calculation model was established. Finally, pollutant emissions and total temperature change potential were estimated based on the test data of flight track on the radar simulator, and the differences in the command of different controllers were compared and analyzed afterward. The results show that the relative error between the estimated fuel flow calculated by the estimation model of fuel consumption and the real value recorded by QAR was less than 2%. The results of evaluating controllers’ performance by using fuel consumption and greenhouse effect index were different. The research results can be used to quantitatively analyze the impact of ATC operations on the greenhouse effect.

air transportation；greenhouse effect；BP neural network；estimation of fuel consumption；flight trajectory data

X738

A

1000-6923(2019)03-0988-06

魏志強(1979-),男,河南澠池人,副教授,博士,主要研究方向為飛機性能與飛行仿真.發(fā)表論文25篇.

2018-08-03

國家自然科學基金項目(U1533116,U1633125);天津市自然科學基金項目(18JCYBJC23800)

* 責任作者, 副教授, weizhiqia@sina.com