霍緯綱，李繼龍，王慧芳

（中國(guó)民航大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，天津 300300）

飛機(jī)的著陸過(guò)程大致可分為下滑接地和接地后的減速滑跑2個(gè)階段。下滑接地是飛機(jī)經(jīng)跑道入口從離地垂直高度50 ft點(diǎn)（1 ft（英尺）＝0.304 8 m），以進(jìn)場(chǎng)速度開(kāi)始進(jìn)場(chǎng)，經(jīng)過(guò)下滑拉平至主輪著地的階段。飛機(jī)在下滑接地階段經(jīng)過(guò)的水平距離稱(chēng)為接地距離。接地點(diǎn)遠(yuǎn)事件（long touchdown exceedance，LTE）是指飛行著陸過(guò)程中的接地距離大于規(guī)定范圍的超限事件。該事件是造成飛機(jī)沖出機(jī)場(chǎng)跑道的重要因素之一。目前，民航業(yè)內(nèi)的飛行品質(zhì)監(jiān)控（flight operation quality assurance，F(xiàn)OQA）工作僅依據(jù)飛行下滑接地期間地速的積分距離判定接地點(diǎn)遠(yuǎn)事件的發(fā)生，無(wú)法結(jié)合多個(gè)快速存取記錄器（quick access recorder，QAR）參數(shù)取值檢測(cè)并分析發(fā)生接地點(diǎn)遠(yuǎn)事件的原因。以單個(gè)QAR參數(shù)進(jìn)行超限事件檢測(cè)效率較高，但是很容易出現(xiàn)由于相應(yīng)參數(shù)記錄值缺失而無(wú)法判斷超限事件情形，或由于數(shù)據(jù)噪聲而導(dǎo)致“假事件”現(xiàn)象。一方面，實(shí)際上在某一超限事件發(fā)生時(shí)，會(huì)有若干個(gè)相關(guān)聯(lián)的QAR參數(shù)都有異常變化［1］，如果能綜合運(yùn)用多個(gè)QAR參數(shù)進(jìn)行超限事件檢測(cè)，便可以降低發(fā)生如上問(wèn)題的機(jī)率。另一方面，現(xiàn)有的監(jiān)控標(biāo)準(zhǔn)大多來(lái)自飛機(jī)制造商提供的各種手冊(cè)或航空公司內(nèi)部規(guī)定，這些標(biāo)準(zhǔn)大多只考慮了一般情況。然而飛機(jī)的飛行過(guò)程會(huì)受到運(yùn)行環(huán)境、飛機(jī)自身機(jī)械狀況、飛行員的駕駛水平等眾多因素影響。在天氣異常、或特殊機(jī)場(chǎng)等情形下，飛行員可能必須采取“大尺度”操縱，此類(lèi)操縱也容易被誤判為超限事件。QAR記錄了大量飛行參數(shù)的變化規(guī)律，反映了飛機(jī)運(yùn)行環(huán)境及飛行員對(duì)各種事件的反應(yīng)及處理過(guò)程。因此，若能從多個(gè)QAR參數(shù)的角度檢測(cè)并解釋超限事件，將有助于進(jìn)一步提高FOQA的管理水平。

為提高航空安全管理水平，近年來(lái)研究人員圍繞民航業(yè)內(nèi)積累的大量QAR數(shù)據(jù)開(kāi)展了許多研究工作。文獻(xiàn)［2］通過(guò)對(duì)QAR數(shù)據(jù)聚類(lèi)分析挖掘隱含的著陸階段以油門(mén)和桿位表達(dá)的飛行操作模式，分析FOQA指標(biāo)值與挖掘的操作模式之間的關(guān)聯(lián)關(guān)系，量化飛行操作模式的風(fēng)險(xiǎn)水平。文獻(xiàn)［3］分析了飛機(jī)著陸階段拉平操作過(guò)程中QAR參數(shù)取值的方差特征，在此基礎(chǔ)上采用回歸模型分析了拉平操作對(duì)接地距離及重著陸事件的影響。文獻(xiàn)［4］基于正態(tài)云理論建立了飛行員著陸操作風(fēng)險(xiǎn)評(píng)價(jià)模型。上述研究都是從安全風(fēng)險(xiǎn)評(píng)估的角度開(kāi)展工作［2-4］，這些模型涉及的QAR參數(shù)個(gè)數(shù)相對(duì)較少。另外機(jī)器學(xué)習(xí)算法已被應(yīng)用于從海量多維QAR數(shù)據(jù)集中發(fā)現(xiàn)異常飛行事件［5-10］。文獻(xiàn)［5-6］將多維時(shí)序QAR數(shù)據(jù)轉(zhuǎn)化為高維向量，由基于密度的噪點(diǎn)空間聚類(lèi)（densitybased spatial clustering of applications with noise，DBSCAN）聚類(lèi)算法檢測(cè)異常航班。文獻(xiàn)［7］應(yīng)用聚類(lèi)技術(shù)識(shí)別與飛行風(fēng)險(xiǎn)相關(guān)的QAR參數(shù)。文獻(xiàn)［8］通過(guò)采樣技術(shù)將單個(gè)QAR數(shù)據(jù)轉(zhuǎn)化為多個(gè)時(shí)序向量，由基于高斯混合模型的聚類(lèi)算法檢測(cè)不安全事件。文獻(xiàn)［9］采用向量自回歸模型表示每個(gè)航班的QAR數(shù)據(jù)，基于回歸模型參數(shù)計(jì)算航班之間的距離矩陣，由局部離群因子（local outlier factor，LOF）檢測(cè)算法檢測(cè)異常航班。文獻(xiàn)［10］提出了融合半馬爾可夫和向量自回歸模型的飛行安全隱患檢測(cè)方法。文獻(xiàn)［5-8］中的模型訓(xùn)練前對(duì)QAR數(shù)據(jù)的特征提取方式有可能丟失檢測(cè)飛行安全隱患所需的關(guān)鍵信息，不能較好地捕獲QAR參數(shù)值的時(shí)序特征和參數(shù)之間的耦合關(guān)系。文獻(xiàn)［9-10］的向量自回歸模型僅能表達(dá)QAR參數(shù)之間的線(xiàn)性關(guān)系，且該類(lèi)模型對(duì)噪聲也比較敏感。

隱馬爾可夫模型（hidden Markov model，HMM）為結(jié)構(gòu)最簡(jiǎn)單的動(dòng)態(tài)貝葉斯網(wǎng)，主要用于時(shí)序數(shù)據(jù)的建模。基于HMM 的時(shí)間序列的異常檢測(cè)方法一般主要包含2個(gè)重要步驟：①符號(hào)化時(shí)間序列；②參數(shù)學(xué)習(xí)與概率估計(jì)。符號(hào)化時(shí)，旨在以字符串序列表示原始時(shí)間序列，不僅可以達(dá)到數(shù)據(jù)降維的目的，而且符合HMM 對(duì)觀測(cè)序列的要求。文獻(xiàn)［11］將HMM應(yīng)用于飛機(jī)著陸操作的異常檢測(cè)中，采用K-means聚類(lèi)算法將原始時(shí)間序列轉(zhuǎn)化成由K個(gè)簇標(biāo)記表示的符號(hào)序列。文獻(xiàn)［12］將HMM應(yīng)用在多維時(shí)間序列上的異常檢測(cè)中，分別采用模糊C均值（fuzzy C-means，F(xiàn)CM）聚類(lèi)算法和模糊積分技術(shù)將多維時(shí)間序列轉(zhuǎn)換成單維的符號(hào)序列，提高HMM 的異常檢測(cè)能力。文獻(xiàn)［13］的研究表明如果在符號(hào)化過(guò)程之前不對(duì)原始序列進(jìn)行特征提取，序列中噪聲會(huì)對(duì)異常檢測(cè)效果造成影響，提出了基于感知重要點(diǎn)技術(shù)的符號(hào)化方法，但其需要計(jì)算每個(gè)點(diǎn)對(duì)于時(shí)間序列的影響力，計(jì)算復(fù)雜度較高。文獻(xiàn)［11-12］在符號(hào)化過(guò)程中均沒(méi)有對(duì)原始序列進(jìn)行特征提取。自編碼器是一種由編碼器和解碼器構(gòu)成的無(wú)監(jiān)督學(xué)習(xí)算法，能從大量無(wú)標(biāo)記的數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)的有效信息，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的非線(xiàn)性壓縮和重構(gòu)。文獻(xiàn)［14］提出了基于自編碼器和HMM的多維時(shí)序數(shù)據(jù)異常檢測(cè)模型，由自編碼器生成多維時(shí)間序列的低維特征表示，對(duì)這些特征表示聚類(lèi)處理，實(shí)現(xiàn)多維時(shí)間序列的符號(hào)化，研究表明該模型能顯著提高HMM在多維時(shí)序數(shù)據(jù)上的異常檢測(cè)效果，但自編碼器無(wú)法表達(dá)多維時(shí)序數(shù)據(jù)的時(shí)態(tài)依賴(lài)關(guān)系。

本文提出了一種基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)自編碼器（long short term memory networks auto encoder，LSTM-AE）［15］和HMM 的接地點(diǎn)遠(yuǎn)事件檢測(cè)方法（long touchdown exceedance detection method based on LSTM-AE and HMM，LTED-LSTM-HMM），該方法采用LSTM-AE學(xué)習(xí)多維QAR數(shù)據(jù)的特征表示，使獲得的特征表示能更好地表達(dá)QAR數(shù)據(jù)的時(shí)序信息，并由此建立了基于HMM 的接地點(diǎn)遠(yuǎn)事件檢測(cè)模型，實(shí)驗(yàn)表明了本文方法的有效性。

1 LTED-LSTM-HMM 方法

LTED-LSTM-HMM方法的具體流程如圖1所示。從QAR譯碼文件中截取飛機(jī)著陸階段相關(guān)QAR參數(shù)取值，將生成的數(shù)據(jù)集合劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，其中訓(xùn)練集只包含未發(fā)生接地點(diǎn)遠(yuǎn)事件的QAR樣本，測(cè)試集和驗(yàn)證集包含發(fā)生和未發(fā)生接地點(diǎn)遠(yuǎn)事件的QAR樣本。本文方法首先利用滑動(dòng)窗口將所有QAR樣本按固定分段數(shù)目進(jìn)行分段，按分段位置形成若干QAR片段樣本集。由訓(xùn)練集不同位置的QAR片段樣本訓(xùn)練各個(gè)分段的LSTM 自編碼器網(wǎng)絡(luò)，從而得到QAR樣本各個(gè)片段的低維特征表示。采用Kmeans算法對(duì)這些表示向量集聚類(lèi)處理，實(shí)現(xiàn)QAR樣本的符號(hào)化。在訓(xùn)練集QAR樣本的符號(hào)化序列上，采用Baum-Welch算法［16］構(gòu)建檢測(cè)接地點(diǎn)遠(yuǎn)事件的HMM模型λ1。在模型λ1下，計(jì)算驗(yàn)證集中每個(gè)QAR樣本符號(hào)序列出現(xiàn)的概率，并在出現(xiàn)概率的最大值和最小值之間均勻劃分若干個(gè)值，根據(jù)F1值最大原則來(lái)確定接地點(diǎn)遠(yuǎn)事件檢測(cè)閾值。由包含發(fā)生及未發(fā)生接地點(diǎn)遠(yuǎn)事件QAR樣本片段集訓(xùn)練LSTM 自編碼器，采用K-means算法對(duì)LSTM 編碼器中每個(gè)LSTM 單元隱藏層的輸出向量進(jìn)行聚類(lèi)，實(shí)現(xiàn)QAR樣本每個(gè)片段的符號(hào)化，由所有QAR樣本分段的符號(hào)序列建立HMM模型λ2，采用Viterbi算法［16］確定接地點(diǎn)遠(yuǎn)事件在QAR樣本片段內(nèi)的具體位置。

圖1 接地點(diǎn)遠(yuǎn)事件檢測(cè)方法流程Fig.1 Flowchart of detection method of long touchdown exceedance

1.1 QAR樣本分段及符號(hào)化

圖2 QAR樣本分段方法示意圖Fig.2 Schematic diagram of QAR sample segmentation method

圖3 LSTM-AE訓(xùn)練過(guò)程示意圖Fig.3 Schematic diagram of LSTM-AE training process

1.2 基于HMM 的接地點(diǎn)遠(yuǎn)事件檢測(cè)

HMM是由隱藏狀態(tài)序列和觀測(cè)序列構(gòu)成的雙重隨機(jī)過(guò)程，序列的每一位置對(duì)應(yīng)一個(gè)時(shí)刻的隱藏狀態(tài)和觀測(cè)值。檢測(cè)接地點(diǎn)遠(yuǎn)事件的HMM記為λ1，λ1由Q1、V1、Π1、A1、B1描述，其中Q1表示隱藏狀態(tài)集合，本文每個(gè)狀態(tài)表達(dá)QAR樣本內(nèi)數(shù)據(jù)變化趨勢(shì)，共設(shè)有平穩(wěn)、輕微上升、輕微下降、突然上升和突然下降5種隱狀態(tài)，V1表示所有可觀測(cè)的表達(dá)QAR樣本的符號(hào)集，其取值由符號(hào)化過(guò)程中K-means算法確定，Π1為初始狀態(tài)概率向量，由各個(gè)隱藏狀態(tài)的初始概率組成，A1為狀態(tài)轉(zhuǎn)移概率矩陣，由隱藏狀態(tài)之間的轉(zhuǎn)換概率組成，B1為輸出概率矩陣，由隱藏狀態(tài)下輸出觀測(cè)值的概率組成。

1.3 基于HMM 的接地點(diǎn)遠(yuǎn)事件位置檢測(cè)

本文檢測(cè)接地點(diǎn)遠(yuǎn)事件位置的HMM模型λ2的結(jié)構(gòu)如圖4所示。模型λ2由Q2、V2、Π2、A2、B2刻畫(huà)。Q2表示隱狀態(tài)集合，包含正常、異常2種狀態(tài)，正常表示無(wú)接地點(diǎn)事件發(fā)生，用0表示，異常表示發(fā)生接地點(diǎn)遠(yuǎn)事件，用1表示，V2表示QAR樣本片段的符號(hào)集合，Π2、A2、B2的含義與1.2節(jié)中模型λ1的Π1、A1、B1含義類(lèi)似。將發(fā)生及未發(fā)生接地點(diǎn)遠(yuǎn)事件的QAR樣本集X劃分為訓(xùn)練集和測(cè)試集。按1.1節(jié)描述的分段符號(hào)化原理對(duì)X中的樣本片段符號(hào)化。訓(xùn)練集QAR樣本分段的符號(hào)序列集記為ST，ST中每個(gè)樣本為長(zhǎng)度e的符號(hào)序列。測(cè)試集QAR樣本分段的符號(hào)序列集記為ST，ST中包含eT′N(xiāo)個(gè)片段符號(hào)序列，T′N(xiāo)為測(cè)試集樣本數(shù)目。由ST采用無(wú)監(jiān)督Baum-welch算法［16］訓(xùn)練HMM 模型λ2的參數(shù)?；赩iterbi算法［16］計(jì)算ST中每個(gè)片段符號(hào)序列在模型λ2下的最大概率狀態(tài)轉(zhuǎn)換路徑，由該路徑確定接地點(diǎn)遠(yuǎn)事件在片段內(nèi)的具體位置。具體算法描述如下。

圖4 檢測(cè)接地點(diǎn)遠(yuǎn)事件位置的HMM模型結(jié)構(gòu)示意Fig.4 Structure of HMM model for detecting the position of long touchdown exceedance

算法3 檢測(cè)接地點(diǎn)遠(yuǎn)事件位置算法。

輸入：在ST上訓(xùn)練的HMM模型λ2；測(cè)試集分段符號(hào)序列集ST。

輸出：ST中每個(gè)片段符號(hào)序列中接地點(diǎn)遠(yuǎn)事件位置信息。

Begin

For ST中的每個(gè)符號(hào)序列Sni＝（s1，…，st，…，sw）（1≤i≤e，1≤n≤T′N(xiāo)）

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境

本文實(shí)驗(yàn)數(shù)據(jù)為某航空公司同一架機(jī)型737-800的飛機(jī)242個(gè)航班QAR數(shù)據(jù)，截取了飛機(jī)著陸階段相關(guān)QAR參數(shù)取值。其中180個(gè)航班未發(fā)生接地點(diǎn)遠(yuǎn)事件，62個(gè)航班包含接地點(diǎn)遠(yuǎn)事件。接地點(diǎn)遠(yuǎn)事件檢測(cè)實(shí)驗(yàn)中，訓(xùn)練集由144個(gè)正常QAR樣本組成，測(cè)試集和驗(yàn)證集都由22個(gè)正常QAR 樣本和31個(gè)發(fā)生接地點(diǎn)遠(yuǎn)事件的QAR樣本構(gòu)成。接地點(diǎn)遠(yuǎn)事件位置檢測(cè)實(shí)驗(yàn)中，共使用了115個(gè)QAR樣本，訓(xùn)練集由隨機(jī)抽取的31個(gè)正常QAR 樣本和31個(gè)接地點(diǎn)遠(yuǎn)事件的QAR樣本組成，剩余QAR樣本作為測(cè)試集。實(shí)驗(yàn)的軟件環(huán)境為：Tensorflow1.10.0，Python3.6.2，Windows10 64位操作系統(tǒng)；硬件環(huán)境為：Intel（R）Core（TM）i7-3770處理器，4 GB內(nèi)存。

根據(jù)飛機(jī)著陸過(guò)程的動(dòng)力學(xué)模型［18］，與接地點(diǎn)遠(yuǎn)事件直接相關(guān)的因素包括經(jīng)跑道入口時(shí)的高度、下滑角、拉平階段圓弧運(yùn)動(dòng)的半徑。當(dāng)飛機(jī)高于50 ft的垂直距離進(jìn)入跑道時(shí)，飛機(jī)的接地時(shí)間會(huì)變慢，從而導(dǎo)致接地距離變長(zhǎng)。此外進(jìn)近速度偏大會(huì)導(dǎo)致飛機(jī)下降率大，飛行員有可能拉桿防止重著陸，這也可能導(dǎo)致飛機(jī)接地距離變長(zhǎng)。根據(jù)以上分析，選取了某航空公司在飛行品質(zhì)日常業(yè)務(wù)工作中常用的20個(gè)QAR參數(shù)。這些參數(shù)既包含接地點(diǎn)遠(yuǎn)事件直接機(jī)理因素?cái)?shù)，也含有飛機(jī)姿態(tài)和運(yùn)行狀態(tài)的相關(guān)參數(shù)。表1給出了20個(gè)參數(shù)名稱(chēng)及意義說(shuō)明。

表1 參數(shù)說(shuō)明Table 1 Parameter description

在訓(xùn)練檢測(cè)接地點(diǎn)遠(yuǎn)事件的HMM 過(guò)程中有2個(gè)重要參數(shù)：一個(gè)是QAR樣本的片段個(gè)數(shù)，另一個(gè)是QAR樣本符號(hào)化過(guò)程中K-means算法的聚類(lèi)數(shù)目K。本文中采用步長(zhǎng)為2的滑動(dòng)時(shí)間窗口將每個(gè)QAR樣本劃分為6個(gè)不等長(zhǎng)的多維時(shí)間序列片段。K-means算法的K值由肘部法確定。圖5為肘部法確定符號(hào)個(gè)數(shù)過(guò)程中，聚類(lèi)數(shù)目K與平均畸變程度的變化趨勢(shì)。其中圖5（a）為QAR樣本符號(hào)化的實(shí)驗(yàn)結(jié)果，當(dāng)K＝8時(shí)，平均畸變程度變化較高，因此符號(hào)個(gè)數(shù)取為8；圖5（b）為QAR樣本片段符號(hào)化的實(shí)驗(yàn)結(jié)果，當(dāng)K＝5時(shí)，平均畸變程度變化較高，故符號(hào)個(gè)數(shù)取為5。

圖5 聚類(lèi)數(shù)目K與類(lèi)簇平均畸變程度的變化趨勢(shì)Fig.5 Changing trend between clusters number K and average distortion degree of cluster

2.2 接地點(diǎn)遠(yuǎn)事件檢測(cè)實(shí)驗(yàn)結(jié)果

為了驗(yàn)證LTED-LSTM-HMM 方法的有效性，分別采用了文獻(xiàn)［12］和文獻(xiàn)［14］提出的多維時(shí)間序列異常檢測(cè)方法做對(duì)比。文獻(xiàn)［12］分別采用主成分分析（principal component analysis，PCA）和FCM將多維時(shí)間序列轉(zhuǎn)化成單維時(shí)間序列，再基于正常單維時(shí)間序列進(jìn)行HMM 建模，將訓(xùn)練后的HMM用于異常檢測(cè)；文獻(xiàn)［14］提出了基于自編碼器和HMM的多維時(shí)間序列異常檢測(cè)方法（autoencoder and HMM-based anomaly detection，AHMM-AD），該方法的實(shí)現(xiàn)原理與LTED-LSTMHMM方法相同，主要區(qū)別為：AHMM-AD方法采用具有3層神經(jīng)網(wǎng)絡(luò)的自編器學(xué)習(xí)多維時(shí)間序列片段的低維特征表示。實(shí)驗(yàn)結(jié)果如表2所示。

表2 異常航班數(shù)據(jù)檢測(cè)的對(duì)比實(shí)驗(yàn)Table 2 Comparison experiment of abnormal flight data detection

從表2中的準(zhǔn)確率、召回率、F1值可知，基于PCA和HMM的方法異常檢測(cè)效果較差，可能的原因是：PCA對(duì)QAR樣本降維時(shí)，只取了線(xiàn)性變換后方差最大方向上的樣本信息，忽略了其他投影方向上的信息?；贔CM 和HMM 的方法引入隸屬度的量化方法描述了QAR樣本的各參數(shù)取向量與符號(hào)的關(guān)系，在符號(hào)化轉(zhuǎn)換過(guò)程中使用了所有QAR參數(shù)信息，故異常檢測(cè)效果有所提高。AHMM-AD方法的實(shí)驗(yàn)結(jié)果顯示準(zhǔn)確率比PCA+HMM、FCM+HMM方法提高了約0.06，但F1值分別減少了0.039和0.041。這主要是因?yàn)椋篈HMM-AD方法在符號(hào)序列之前對(duì)QAR樣本片段進(jìn)行了非線(xiàn)性的特征表示，但該方法只能處理等長(zhǎng)多維時(shí)間序列數(shù)據(jù)，表示學(xué)習(xí)過(guò)程中將QAR樣本劃分為了窗口大小為28的等長(zhǎng)時(shí)序片段，在劃分不等長(zhǎng)的QAR樣本時(shí)去除了部分?jǐn)?shù)據(jù)，這導(dǎo)致了召回率和F1值降低。LTED-LSTM-HMM方法通過(guò)固定時(shí)間序列分段數(shù)解決了不等長(zhǎng)QAR樣本的特征表示問(wèn)題，而且基于LSTM自編器的表示考慮了QAR樣本片段內(nèi)的時(shí)序信息。本文的LTED-LSTM-HMM方法與AHMM-AD方法相比，準(zhǔn)確率提高了約0.11，召回率提高了0.286，F(xiàn)1值提高了0.171，實(shí)驗(yàn)結(jié)果表明了本文方法的有效性。

2.3 接地點(diǎn)遠(yuǎn)事件位置檢測(cè)實(shí)驗(yàn)結(jié)果

為便于分析發(fā)生接地點(diǎn)遠(yuǎn)事件的原因，縮小查找異常QAR參數(shù)的范圍，依據(jù)領(lǐng)域?qū)＜医?jīng)驗(yàn)，選取表1中的左右迎角、俯仰角、傾側(cè)角、方向舵偏角、空速、垂直加速度、縱向加速度、下降率8個(gè)QAR參數(shù)取值訓(xùn)練用于檢測(cè)接地點(diǎn)遠(yuǎn)事件位置的HMM 模型λ2。使用22個(gè)正常QAR樣本和31個(gè)接地點(diǎn)遠(yuǎn)事件QAR樣本的318個(gè)數(shù)據(jù)片段作為測(cè)試集。QAR片段的每個(gè)位置都有表征是否接地點(diǎn)遠(yuǎn)事件的標(biāo)簽，該標(biāo)簽由QAR譯碼軟件標(biāo)注。模型λ2的接地點(diǎn)遠(yuǎn)事件位置檢測(cè)準(zhǔn)確率為78.2%，位置檢測(cè)準(zhǔn)確率由檢測(cè)出的真實(shí)接地點(diǎn)遠(yuǎn)事件時(shí)刻點(diǎn)總數(shù)除以檢測(cè)出的接地點(diǎn)遠(yuǎn)事件時(shí)刻點(diǎn)總數(shù)計(jì)算。圖6為某QAR樣本片段實(shí)際狀態(tài)值序列與異常檢測(cè)結(jié)果狀態(tài)值序列的對(duì)比，狀態(tài)值1表示該位置異常，狀態(tài)值0表示該位置正常。圖6的實(shí)線(xiàn)中取值為1的部分表示發(fā)生接地點(diǎn)遠(yuǎn)事件的真實(shí)位置，虛線(xiàn)中取值為1的部分表示本文模型檢測(cè)出的發(fā)生接地點(diǎn)遠(yuǎn)事件位置。虛線(xiàn)取值為1的片段可以覆蓋實(shí)線(xiàn)取值為1的部分，因此本文方法能在QAR片段內(nèi)正確標(biāo)識(shí)出發(fā)生接地點(diǎn)遠(yuǎn)事件的位置。從實(shí)驗(yàn)結(jié)果中還發(fā)現(xiàn)，接地點(diǎn)遠(yuǎn)事件位置大多出現(xiàn)在QAR樣本片段的開(kāi)始部分。

圖6 真實(shí)與異常檢測(cè)結(jié)果狀態(tài)值序列對(duì)比Fig.6 Comparison of state value sequence between real and anomaly detection results

選取2.2節(jié)實(shí)驗(yàn)過(guò)程中離檢測(cè)閾值較近的觀測(cè)概率較高的2個(gè)發(fā)生接地點(diǎn)遠(yuǎn)事件的QAR樣本和觀測(cè)概率最低的正常QAR樣本的原始參數(shù)取值進(jìn)行對(duì)比。圖7分別展示了4個(gè)樣本在發(fā)生接地點(diǎn)遠(yuǎn)事件的片段10 s內(nèi)空速、俯仰角、左迎角、縱向加速度、下降率5個(gè)QAR參數(shù)取值變化趨勢(shì)。從圖7（a）可知，發(fā)生接地點(diǎn)遠(yuǎn)事件的3個(gè)樣本空速都低于正常樣本的取值。但是根據(jù)領(lǐng)域?qū)＜医?jīng)驗(yàn)，著陸過(guò)程中空速越大越容易發(fā)生接地點(diǎn)遠(yuǎn)事件。本文中發(fā)現(xiàn)的3個(gè)樣本雖然空速較低，但卻出現(xiàn)了地速偏大造成接地點(diǎn)遠(yuǎn)事件的情況。結(jié)合其他5個(gè)參數(shù)的取值原因分析如下：①?gòu)膱D7（b）和圖7（c）可以看出，發(fā)生接地點(diǎn)遠(yuǎn)事件的3個(gè)樣本的俯仰角、左迎角片段取值較大，為了獲得合適的升力，飛行員有可能收油門(mén)降低速度。另外從圖7（e）中無(wú)接地點(diǎn)遠(yuǎn)事件樣本的下降率變化趨勢(shì)整體高于其他3個(gè)異常樣本。俯仰角大，下降率低都有可能延長(zhǎng)飛機(jī)下滑拉平距離，導(dǎo)致飛機(jī)超出接地區(qū)接地。②從圖7（d）可知，接地點(diǎn)遠(yuǎn)事件樣本2和樣本3的減速方向上的縱向加速度大于正常樣本，這使得接地點(diǎn)遠(yuǎn)事件樣本2和樣本3的空速低于正常樣本。但從圖7（e）發(fā)現(xiàn)，樣本2和樣本3的下降率比正常樣本低很多，這有可能是飛行員為了防止大下降率，造成重著陸事件，從而延遲了飛機(jī)接地時(shí)間。

圖7 有無(wú)接地點(diǎn)遠(yuǎn)事件QAR樣本典型參數(shù)取值對(duì)比Fig.7 Comparison of typical parameter values between the normal and the long touchdown exceedance QAR sample

3 結(jié) 論

1）LSTM自編碼器能較好地學(xué)習(xí)反映不等長(zhǎng)QAR樣本的特征表示，因此與已有的基于HMM的多維時(shí)序異常檢測(cè)方法相比，LTED-LSTMHMM方法能更好地檢測(cè)包含接地點(diǎn)遠(yuǎn)事件的航班。

2）通過(guò)QAR樣本片段建立的HMM和Viterbi算法，本文方法能以較高的準(zhǔn)確率確定接地點(diǎn)遠(yuǎn)事件在QAR片段內(nèi)的發(fā)生位置，由此得到除地速之外的其他QAR參數(shù)異常取值，輔助領(lǐng)域?qū)＜曳治霭l(fā)生接地點(diǎn)遠(yuǎn)的原因。

下一步可把本文方法推廣應(yīng)用于其他典型超限事件檢測(cè)及分析，以期提高航空安全管理水平。