賈寶惠，應(yīng)臣偉，王玉鑫

（中國(guó)民航大學(xué)航空工程學(xué)院，天津 300300）

航空安全是航空界永遠(yuǎn)探索的課題，為提高安全性，國(guó)內(nèi)外開展了大量研究并采取了相應(yīng)的技術(shù)。飛機(jī)制造商對(duì)硬著陸的定義為：飛機(jī)著陸時(shí)垂直加速度或橫滾角度超過(guò)對(duì)應(yīng)機(jī)型的極限值，硬著陸會(huì)引起機(jī)翼、起落架和發(fā)動(dòng)機(jī)的結(jié)構(gòu)損壞甚至斷裂，而且會(huì)造成空地邏輯電門的旁通功能，導(dǎo)致接地后擾流板無(wú)法正常升起，造成沖出跑道的危險(xiǎn)。對(duì)飛機(jī)著陸進(jìn)行準(zhǔn)確診斷，是保證飛行安全和減少硬著陸危害的重要環(huán)節(jié)。航空公司依照飛機(jī)制造廠商的規(guī)定，通過(guò)飛行員主觀感受和飛行快速存取記錄器中垂直載荷的門檻值判斷是否發(fā)生硬著陸，該方法存在較高的漏判率和誤判率。漏判導(dǎo)致?lián)p壞的起落架結(jié)構(gòu)不能及時(shí)修理，給飛機(jī)繼續(xù)運(yùn)營(yíng)帶來(lái)安全風(fēng)險(xiǎn)；誤判則會(huì)提高維護(hù)工作的材料成本和時(shí)間成本，給航空公司帶來(lái)較大的經(jīng)濟(jì)損失，因此降低飛機(jī)硬著陸的漏判率和誤判率有助于提高航空公司運(yùn)營(yíng)過(guò)程中的安全性和經(jīng)濟(jì)性。目前，判定是否發(fā)生硬著陸事件，航空公司主要根據(jù)垂直加速度是否超限以及飛行員口頭匯報(bào)，這種判斷方法不夠嚴(yán)謹(jǐn)，忽略了其他導(dǎo)致發(fā)生硬著陸事件的因素。黃圣國(guó)等[1]提出使用神經(jīng)網(wǎng)絡(luò)對(duì)飛機(jī)硬著陸進(jìn)行故障診斷，使飛機(jī)硬著陸診斷的智能化大大提高，在一定程度上提高了硬著陸判斷的準(zhǔn)確率[1]，隨后又提出了支持向量機(jī)的硬著陸故障診斷方法，將傳統(tǒng)的單一判斷因素?cái)U(kuò)展到多因素判斷，并運(yùn)用遺傳算法和粒子群算法優(yōu)化模型參數(shù)，具有較高的判斷精度[2-5]。除此以外，還有通過(guò)分析QAR數(shù)據(jù)[6]，使用貝葉斯算法建模提高硬著陸的準(zhǔn)確率[7]。

本文在分析和研究飛機(jī)硬著陸特征的基礎(chǔ)上，考慮到飛機(jī)著陸時(shí)主起落架內(nèi)部應(yīng)力變化會(huì)引起主起落架緩沖支柱套筒行程的變化，而主起落架支柱套筒壓縮行程同樣可以反映飛機(jī)硬著陸的狀態(tài)，因此將主起落架緩沖支柱套筒壓縮行程的特征量添加為硬著陸的判斷因素，能夠提高判斷模型的精度；其次，針對(duì)硬著陸數(shù)據(jù)的非對(duì)稱性特征，提出一種改進(jìn)的AdaBoostSVM算法，調(diào)整弱分類器的評(píng)價(jià)系數(shù)，增大對(duì)硬著陸識(shí)別能力強(qiáng)的弱分類器的權(quán)重，最后通過(guò)航空公司機(jī)隊(duì)飛機(jī)實(shí)際樣本數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試。與傳統(tǒng)方法相比，結(jié)合主起落架緩沖支柱套筒壓縮行程等因素的改進(jìn)AdaBoostSVM算法具有更高的準(zhǔn)確性和可靠性。

1 飛機(jī)著陸風(fēng)險(xiǎn)參數(shù)和判斷方法

1.1 著陸風(fēng)險(xiǎn)參數(shù)分析

飛機(jī)著陸觸地的方式，可分為對(duì)稱著陸和非對(duì)稱著陸，通過(guò)物理分析的方法，常用的硬著陸判斷因素為下沉率、側(cè)向加速度、橫滾角、垂直加速度和俯仰角度變化率[1]。

飛機(jī)在著陸過(guò)程中發(fā)生硬著陸時(shí)，主起落架結(jié)構(gòu)內(nèi)部受力超過(guò)極限值，導(dǎo)致飛機(jī)起落架結(jié)構(gòu)遭受損壞。假定支柱套筒在壓縮過(guò)程中受力面積基本不變，那么根據(jù)壓強(qiáng)公式，支柱套筒內(nèi)油氣壓強(qiáng)越大，整個(gè)起落架結(jié)構(gòu)受力就越大。由此可知，著陸時(shí)主起落架支柱套筒的壓縮行程也是飛機(jī)發(fā)生硬著陸事件的重要影響因素[8]。考慮飛機(jī)著陸時(shí)主起落架內(nèi)部應(yīng)力的受力情況，把主起落架支柱套筒壓縮行程量增加為一個(gè)新的判斷因素，以此提高判斷模型的精確度。因此本文確定的硬著陸判斷因素共6個(gè)，分別為主起落架支柱套筒壓縮行程量、下沉率、側(cè)向加速度、橫滾角、垂直加速度和俯仰角度變化率。

上述確定的6個(gè)因素，其中主起落架支柱套筒壓縮行程量和下沉率需要根據(jù)飛機(jī)狀態(tài)監(jiān)控功能（ACMF，airplane condition monitoring function） 采集的參數(shù)計(jì)算得出，其余4個(gè)指標(biāo)在ACMF采集的參數(shù)中可以直接獲取。下沉率即為飛機(jī)主起落架處的垂直速度，飛機(jī)在著陸過(guò)程中的速度分析如圖1所示。

圖1 著陸過(guò)程速度分析圖Fig.1 Landing speed analysis

圖1中，VA表示飛機(jī)慣導(dǎo)組件（ADIRU，air data/inertial reference unit）處的垂直速度，ω表示飛機(jī)的俯仰變化率，θ表示飛機(jī)的俯仰角度，L表示飛機(jī)ADIRU到主起落架的距離，Vr表示相對(duì)速度，Vg表示飛機(jī)主起落架的垂直速度，即下沉率。根據(jù)圖1可知

其中：VA、ω、L、θ可從 ACMF 采集的數(shù)據(jù)中獲得。ACMF的采樣頻率為20 Hz，假設(shè)每個(gè)采樣周期內(nèi)的運(yùn)動(dòng)為勻變速運(yùn)動(dòng)，由上述計(jì)算的沉降率來(lái)計(jì)算主起落架支柱套筒壓縮行程，記錄壓縮行程最大值作為一次著陸的特征量可表示為

通過(guò)飛機(jī)狀態(tài)監(jiān)控獲得的實(shí)時(shí)數(shù)據(jù)，由式（1）和式（2）可分別求出下沉率和主起落架支柱套筒壓縮行程量。由此可知，發(fā)生硬著陸事件的6個(gè)因素都可以通過(guò)ACMF數(shù)據(jù)采集功能直接或間接得到。

1.2 改進(jìn)的硬著陸判斷方法

由上述可知，飛機(jī)的硬著陸事件是由多方面因素引起的，航空公司中根據(jù)垂直加速度和飛行員口頭匯報(bào)判斷硬著陸事件，忽略了其他導(dǎo)致硬著陸事件發(fā)生的因素，無(wú)法精確判斷硬著陸事件。為了綜合考慮各個(gè)因素對(duì)硬著陸事件的影響，采用AdaBoostSVM算法對(duì)硬著陸事件進(jìn)行判斷。

AdaBoostSVM算法是在支持向量機(jī)（SVM）和AdaBoost算法基礎(chǔ)上提出的一種智能化判別模型。該算法將支持向量機(jī)作為AdaBoost算法的弱分類器，使其在特征選擇和泛化能力上有很大優(yōu)勢(shì)[9]。AdaBoostSVM算法具體步驟如下：

1）輸入1組帶有分類標(biāo)記的N個(gè)訓(xùn)練樣本{（x1，y1），（x2，y2），…，（xN，yN）}，引入 σ 表示弱分類器的迭代過(guò)程，假設(shè)分類器提升的輪數(shù)為k，即算法整體迭代k次，σ的初始值、最終值和步長(zhǎng)分別為σini=1、σfin=k、σstep=1。

3）當(dāng)步長(zhǎng)σ＜σfin時(shí)，進(jìn)行以下循環(huán)：

a）在已分配權(quán)重的訓(xùn)練集上使用RBFSVM算法訓(xùn)練弱分類器ht；

b）計(jì)算弱分類器ht的訓(xùn)練誤差

c）如果錯(cuò)誤率 εt≥0.5，令 σ = σ - σstep，并轉(zhuǎn)到步驟 a；如果錯(cuò)誤率 εt＜ 0.5，進(jìn)行步驟 d；

d）計(jì)算弱分類器ht的評(píng)價(jià)系數(shù)

4）訓(xùn)練樣本權(quán)重更新

其中：Ct是一個(gè)標(biāo)準(zhǔn)化，存在循環(huán)結(jié)束；

在AdaBoostSVM算法中，弱分類器ht的評(píng)價(jià)系數(shù)αt由錯(cuò)誤率εt計(jì)算得來(lái)，計(jì)算過(guò)程沒(méi)有考慮正負(fù)樣本的錯(cuò)誤率在訓(xùn)練過(guò)程中的差異。然而，由于硬著陸事件中正負(fù)樣本在概率分布上是極度不均衡的，且兩者在重要性上也存在差異，所以硬著陸事件判斷是一個(gè)非對(duì)稱的二類分類問(wèn)題。針對(duì)AdaBoostSVM算法在判斷正負(fù)類非對(duì)稱性硬著陸事件上的局限性，為了使AdaBoostSVM算法更好地適用于硬著陸判斷，對(duì)其進(jìn)行改進(jìn)。在衡量每個(gè)弱分類器的重要性時(shí)，其評(píng)價(jià)系數(shù)不僅受錯(cuò)誤率影響，還需考慮弱分類器對(duì)硬著陸事件的識(shí)別能力。

改進(jìn)的AdaBoostSVM算法描述如圖2所示，當(dāng)誤差率不大于0.5時(shí)，計(jì)算被弱分類器ht正確識(shí)別的硬著陸事件樣本的權(quán)重可表示為

改進(jìn)的AdaBoostSVM算法中，pt能夠體現(xiàn)出弱分類器ht對(duì)硬著陸事件的識(shí)別能力。而kexp（pt）是pt的增函數(shù)，按此方法得到的新評(píng)價(jià)系數(shù)在錯(cuò)誤率εt相同的情況下使得那些能夠探測(cè)到硬著陸事件的弱分類器具有更大的權(quán)值，在最終得到的強(qiáng)分類器中發(fā)揮作用，以此提高硬著陸判別模型的準(zhǔn)確率。

圖2 改進(jìn)的AdaBoostSVM算法流程圖Fig.2 Flowchat of improved AdaBoostSVM algorithm

2 改進(jìn)的AdaBoostSVM算法驗(yàn)證

為了比較改進(jìn)的AdaBoostSVM算法與支持向量機(jī)算法、原始AdaBoostSVM算法的性能，驗(yàn)證改進(jìn)算法在硬著陸判斷模型的準(zhǔn)確率。選用某航空公司機(jī)隊(duì)500次降落的QAR數(shù)據(jù)，經(jīng)過(guò)預(yù)處理后分為300組正常著陸數(shù)據(jù)和200組硬著陸事件數(shù)據(jù)，其中定義硬著陸事件數(shù)據(jù)為正類，正常著陸數(shù)據(jù)為負(fù)類，部分訓(xùn)練樣本數(shù)據(jù)如表1所示。

采用Python語(yǔ)言的SciPy、NumPy和Matplotlib 3個(gè)庫(kù)編寫3種算法程序并進(jìn)行對(duì)比驗(yàn)證。取RBF核支持向量機(jī)在C=0.5、σ=0.8時(shí)，判斷效果最好[6]。3種算法的RBF核函數(shù)均采用懲罰因子為0.5，核參數(shù)為0.8進(jìn)行計(jì)算比較。樣本容量從50到500（數(shù)據(jù)量間隔為50，每次計(jì)算正常著陸數(shù)據(jù)與硬著陸數(shù)據(jù)量比例為3∶2）分別計(jì)算3種算法的識(shí)別率。圖3給出了3種算法進(jìn)行硬著陸判斷識(shí)別率與樣本容量之間的關(guān)系圖。

在圖3中，3條曲線分別表示改進(jìn)的AdaBoostSVM算法、支持向量機(jī)算法和原始AdaBoostSVM算法在不同訓(xùn)練樣本數(shù)據(jù)量下，識(shí)別率的變化趨勢(shì)。從圖中可以看出，在數(shù)據(jù)量小于250時(shí)，SVM算法識(shí)別率較高，在數(shù)據(jù)量為250時(shí)，SVM算法識(shí)別率達(dá)到最高，隨后由于數(shù)據(jù)量過(guò)多出現(xiàn)過(guò)擬合現(xiàn)象，SVM算法識(shí)別率逐漸降低。改進(jìn)的AdaBoostSVM算法和原始AdaBoostSVM算法隨著數(shù)據(jù)量的上升識(shí)別率逐步增加，在數(shù)據(jù)量達(dá)到350以后，識(shí)別率達(dá)到穩(wěn)定狀態(tài)。由于AbaBoostSVM算法具有不易過(guò)擬合的特點(diǎn)，識(shí)別率達(dá)到穩(wěn)定后沒(méi)有出現(xiàn)降低。原始AdaBoostSVM算法識(shí)別率達(dá)到穩(wěn)定時(shí)，識(shí)別水平較改進(jìn)的AdaBoostSVM算法低，改進(jìn)后的AdaBoostSVM算法的弱分類器具有更好的分類性能，SVM算法的最高識(shí)別率與改進(jìn)的AdaBoostSVM算法的穩(wěn)定識(shí)別率基本持平。數(shù)據(jù)量小于250時(shí)，SVM算法識(shí)別率最好，數(shù)據(jù)量大于250時(shí)，改進(jìn)的AdaBoostSVM算法識(shí)別率最好。因此在獲得充分的飛機(jī)狀態(tài)實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)的條件下，改進(jìn)的AdaBoostSVM算法能夠顯著提高判斷模型的識(shí)別率，提高飛機(jī)的安全性。

表1 部分訓(xùn)練樣本數(shù)據(jù)Tab.1 Partial training sample data

圖3 三種算法的樣本容量與識(shí)別率關(guān)系圖Fig.3 Relationship between sample capacity and recognition rate of three algorithms

在飛機(jī)硬著陸事件中，漏判與誤判所造成的后果也是不可同日而語(yǔ)的。誤判會(huì)增加航空公司的運(yùn)營(yíng)成本，漏判會(huì)帶來(lái)飛機(jī)的安全性隱患，要盡量避免。根據(jù)圖3，取3種算法識(shí)別率最高的樣本數(shù)量下進(jìn)行接受者操作特征（ROC，receiver operating characteristic）曲線繪制[10-12]，改進(jìn)的AdaBoostSVM算法和原始AdaBoostSVM算法取樣本容量為450，支持向量機(jī)算法取樣本容量為250，進(jìn)行訓(xùn)練測(cè)試。圖4為3種算法在對(duì)應(yīng)數(shù)據(jù)量下的ROC曲線。

圖4 三種算法的ROC曲線Fig.4 ROC curve of three algorithms

在圖4中，3條曲線分別表示改進(jìn)的AdaBoostSVM算法、SVM算法和原始AdaBoostSVM算法在最高識(shí)別率情況下的ROC曲線。從圖中可以看出，硬著陸事件識(shí)別率相同的情況下改進(jìn)算法的漏判率最低，從而保證了飛機(jī)硬著陸漏判的可能性。在理想情況下，最佳的分類器應(yīng)該盡可能地處于左上角，這就意味著分類器在假陽(yáng)率（FP，false positive）很低的情況下獲得了很高的真陽(yáng)率（TP，ture positive）[10-12]。在硬著陸判斷中，意味著硬著陸事件漏判率很低的情況下，保證了硬著陸事件很高的識(shí)別率。對(duì)不同的ROC曲線進(jìn)行比較的一個(gè)指標(biāo)是曲線下的面積（AUC，areaunderthecurve）[10-12]。AUC給出的是分類器的平均性能值，一個(gè)完美分類器的AUC為1.0，而隨機(jī)猜測(cè)的AUC為0.5。表2為圖4對(duì)應(yīng)ROC曲線的AUC值。

表2 三種算法ROC曲線的AUC值Tab.2 AUC value of ROC curves of three algorithms

從表2可以看出改進(jìn)的AdaBoostSVM算法AUC的值最大為 0.858 3；SVM算法為 0.807 5；原始AdaBoostSVM算法最低。由此看出，改進(jìn)的AdaBoostSVM算法不僅能夠提高模型的準(zhǔn)確率，而且在相同識(shí)別率的情況下能夠降低飛機(jī)硬著陸的漏判率，提高民用飛機(jī)硬著陸判斷的可靠性，保證民用飛機(jī)的安全，因此該方法能夠提高硬著陸判斷的精度。

3 結(jié)語(yǔ)

本文在分析和研究飛機(jī)硬著陸特征基礎(chǔ)上，增加主起落架支柱套筒壓縮行程特征參數(shù)作為判斷因素；以及針對(duì)硬著陸實(shí)際情況是一個(gè)非對(duì)稱二類分類問(wèn)題，改進(jìn)弱分類器中評(píng)價(jià)系數(shù)的計(jì)算方法，提高算法的精確度。然后采用改進(jìn)的AdaboostSVM算法建立硬著陸的判斷模型，通過(guò)實(shí)際樣本對(duì)3種算法進(jìn)行計(jì)算和分析，仿真結(jié)果表明改進(jìn)的AdaBoostSVM算法在具有充分樣本的情況下能夠顯著提高識(shí)別硬著陸事件的精度，有效降低漏判率和誤判率，降低飛機(jī)運(yùn)行安全風(fēng)險(xiǎn)和公司運(yùn)營(yíng)成本。

[1]曹海鵬,舒 平,黃圣國(guó).基于神經(jīng)網(wǎng)絡(luò)的民用飛機(jī)重著陸診斷技術(shù)研究[J].計(jì)算機(jī)測(cè)量與控制,2008,16(7):906-908.

[2]許桂梅,黃圣國(guó).基于優(yōu)化支持向量機(jī)的飛機(jī)重著陸智能診斷[J].計(jì)算機(jī)測(cè)量與控制,2011,19(2):256-259.

[3]聶 磊,黃圣國(guó),舒 平,等.基于支持向量機(jī)(SVM)的民用飛機(jī)重著陸智能診斷研究[J].中國(guó)安全科學(xué)學(xué)報(bào),2009,19(7):149-153,181.

[4]XU GUIMEI,HUANG S G.Airplane’s hard landing diagnosis using LS-SVM[J].System Engineering-Theory and Practice,2010,30(4):763-768.

[5]WANG X H,SHU P,XIANG R,et al.A Decision Support System Based on Support Vector Machine for Hard Landing of Civil Aircraft[C]//Computer Science-Technology and Applications,IFCSTA’09.International Forum on.IEEE,2009,2:66-70.

[6]WANG L,WU C,SUN R,et al.An Analysis of Hard Landing Incidents Based on Flight QAR Data[C]//International Conference on Engineering PsychologyandCognitiveErgonomics,SpringerInternational Publishing,2014:398-406.

[7]SARTOR P,BECKER W,WORDEN K,et al.Bayesian Sensitivity Analysis of Flight Parameters in the Development of a Hard Landing Indication System[C]//Fifth European Workshop on Structural Health Monitoring 2010,DEStech Publications,Inc,2010:145.

[8]中國(guó)民航學(xué)院飛機(jī)教研室．飛機(jī)結(jié)構(gòu)與系統(tǒng)[M]．北京:兵器工業(yè)出版社,2001:307-386．

[9]LI X,WANG L,SUNG E.A Study of AdaBoost with SVM Based Weak Learners[C]//Proceedings.2005 IEEE International Joint Conference on Neural Networks.IEEE,2005,1:196-201.

[10]ZOU K H,O’MALLEY A J MAURI L.Receiver-operating characteristic analysis for evaluating diagnostic tests and predictive models[J].Circulation,2007,115(5):654-657.

[11]GONEN M.Analyzing receiver operating characteristic curves using SAS[J].American Statistician,2007,62(4):1036.

[12]BROWN C D,DAVIS H T.Receiver operating characteristics curves and related decision measures:a tutorial[J].Chemometrics&Intelligent Laboratory Systems,2006,80(1):24-38.