一種基于支持向量機分類的重著陸預測方法
【技術領域】
[0001] 本發明提供一種基于支持向量機分類的重著陸預測方法，即基于支持向量機的重 著陸預測模型，屬于航空飛行安全管理預測技術領域。
【背景技術】
[0002] 飛行安全一直是航空安全管理的重要課題。飛行安全的復雜性在于：不僅要考慮 影響飛行安全的各種客觀和主觀因素，還要對飛行的各個階段進行動態的安全控制。一般 情況下，飛機的整個飛行過程可分為滑跑、起飛、爬升、巡航、下降、進近、著陸和滑行等幾個 階段。數據顯示，著陸階段具有最高的飛行事故發生率，因此對飛機著陸安全的預防與控制 具有重要意義。重著陸，也稱硬著陸，是著陸階段對飛行安全影響極為重要的安全隱患。頻 繁發生重著陸會加速起落架的疲勞損傷，嚴重時會造成機毀人亡。空客的維修手冊對重著 陸的定義如下：飛機著陸時垂直加速度超過規定極限值或者垂直方向上的速度超過規定 值，即為重著陸。飛參數據，實時記錄著飛機的飛行狀態信息，綜合反映了飛機的飛行健康 狀況，已有研究證明，可通過飛參數據的分析開展飛行安全的研究。
[0003] 本發明在前述研究基礎之上，提出一種基于支持向量機的重著陸預測方法。該方 法包括對飛參數據的收集、處理分析和基于支持向量機的預測模型及其優化等，在飛機著 陸之前實現了重著陸的預測，對飛機著陸安全的預測和預警具有重要意義。
【發明內容】
[0004] 1、目的:本發明的目的在于針對飛機著陸安全問題的重要性和飛參數據研究的不 足，提供一種基于支持向量機分類的重著陸預測方法。該模型綜合考慮了飛行高度和著陸 架次兩個維度的飛參數據信息并提出飛參數據處理和分析的方法，基于處理和分析后的飛 參數據，建立基于支持向量機分類的重著陸預測模型，實現重著陸的預測。
[0005] 2、技術方案：
[0006] 本發明是一種基于支持向量機分類的重著陸預測方法，該方法實現的具體步驟如 下：
[0007] 步驟一:飛參數據初選，提供數據分析基礎
[0008] 飛參數據初選是指對原始飛參數據進行初步篩選，去除無用數據，保留研究所需 數據的過程。飛參數據初選包括以下內容:根據原始飛參數據繪制散點圖，利用SPSS軟件， 橫坐標軸為飛行時長，單位為秒(s)，縱坐標軸為無線電高度，高度為米(m)。判定無線電高 度達到較小值且法向加速度在相應的時刻范圍內取得最大值為該次飛機飛行的著陸時刻， 并以該時刻的法向加速度為該次飛行的著陸載荷值；當著陸載荷值超過規定限值時，判定 此次著陸為重著陸，否則，判定未發生重著陸;其次，在標定著陸時刻后，截斷著陸時刻以后 的數據，保留著陸時刻以前作為研究對象的數據;本發明重點為在飛機著陸之前對重著陸 做出預測，故飛機著陸后數據沒有價值，需將其剔除；
[0009] 步驟二:對飛參數據進行基于飛行高度的切片處理
[0010] 判斷飛機著陸時刻，提取著陸載荷值。根據原始飛參數據，判斷每一次飛機的著陸 時刻并獲取此時的著陸載荷值；當著陸載荷值超過規定限值時，判定此次著陸為重著陸，否 貝IJ，判定為正常著陸。與此同時，產生一個新的二分變量，該變量的值為"重著陸"（記為 "hard"）和"正常著陸"（記為"normal"），分別代表重著陸和正常著陸，作為預測模型的輸出 變量，然后剔除掉著陸后的數據；
[0011] 本發明基于高度變化的重著陸預測理念，對飛參數據按照飛行高度進行切片處 理；由于飛參數據采集的起始點不一致，初選后的飛參數據，不同飛行架次的飛行高度數據 區間具有不一致性;為保證研究的飛參數據表現出相對一致的數據特征，需要設定統一的 飛行高度范圍（如9m-2m)，而該范圍之外的數據將被剔除；
[0012] 飛參數據切片處理是指按照飛行高度值，每間隔一定高度值截取一部分飛參數據 的處理方法，截取后的飛參數據將作為數據分析的基礎，其余數據將被剔除；如在9m-2m的 高度范圍內，每隔0.5m對飛參數據進行一次截取，則可以截取15次；
[0013] 步驟三:基于支持向量機分類的重著陸預測模型
[0014] 支持向量機最初用于二元分類問題，該方法的核心就是獲得距離兩類數據點集最 大的分類超平面;鑒于飛參數據的多樣性和復雜性，本文考慮線性不可分數據集RnL 1Ki =1，2,…N)，fiERd為由飛參輸入變量組成的向量，N表示訓練集的樣本量;LiE { + 1，-1}為 是否發生重著陸的分類變量，+1表示發生重著陸，-1表示正常著陸；引入非負松弛變量2 0，（i = 1，2，-·Ν);假設飛參數據滿足以下關系式：
[0015] w · fi+b+ε? 2+1 對于Li =+1
[0016] w · fi+b-ε? <-1 對于Li = -I
[0017] 等價于：
[0018] Li(w · fi+b)+￡i-l > 0
[0019] 最優超平面滿足條件：
[0021] 其中，C為懲罰參數。
[0022] 本文利用RBF核函數K(fi，fi)將飛參輸入變量映射到高維空間當中，在變換空間中 求解最優的分類超平面。徑向基核函數表示如下：
[0023] K(xi，xj) = exp(-γ I I Xi-Xj I 12)
[0024]其中，γ為徑向基核函數的參數；
[0025] 步驟四：重著陸模型的特征選取和懲罰參數與徑向基核參數的優化
[0026] 為提高支持向量機分類模型在飛機重著陸的預測精度，需要重點解決支持向量機 模型中存在的兩類問題:特征選取和參數優化;這兩類問題對支持向量機模型的運行效率 和預測精度具有較大影響，特征選取旨在為支持向量機模型篩選出最優的輸入變量，既保 證選取最少的輸入變量，同時又盡可能保留原始數據信息，可大大降低模型的運算時間;本 方法選取遞歸特征淘汰法(Recursive Feature Eliminations)進行支持向量機分類預測 模型的特征選取;首先，對模型所有輸入變量進行所有可能的組合，對于η個輸入變量來講， 具有(爲+ Cn2 +…+ CT1)種組合;其次，依次計算出各種輸入變量組合所對應的模型預測 精度；最后，篩選出模型預測精度最高時所對應的輸入變量組合，即為最優的模型輸入變 量;參數優化是指對懲罰參數C與徑向基核函數參數γ在內的兩個參數進行優化，參數C和 γ同樣對模型預測精度具有重大影響，本方法采用網格搜索算法（Grid-Search Algorithm)對支持向量機預測模型進行參數優化;首先，設定參數C和γ的最初取值范圍； 其次，運用10重交叉驗證法并結合R軟件計算出每一組不同參數C和γ組合值對應下的模型 預測精度；最后，比較模型預測精度大小，挑選出模型預測精度最高時所對應的參數值組 合，即為最優的模型參數取值；
[0027]為驗證基于支持向量機分類的重著陸預測模型的有效性，需記錄以下幾項模型預 測結果:TH(True hard landing)表示重著陸事件預測正確，意指事實中發生重著陸且預測 結果為重著陸;FH(False hard landing)表示重著陸事件預測錯誤，意指事實中發生正常 著陸但預測結果為重著陸;TN(True normal landing)表示正常著陸事件預測正確，意指事 實中發生正常著陸且預測結果為正常著陸;FN(False normal landing)表示正常著陸事件 預測錯誤，意指事實中發生重著陸但預測結果為正常著陸;預測結果表示見表1:
[0028]表1模型預測結果記錄指標
[0030]基于上述預測結果指標，建立如下模型評價指標:HR表示重著陸的正確預測率，NR 表示正常著陸的正確預測率，OR表示總體預測正確率，模型評價指標可通過下式獲得：
[0034]通過以上各步驟建立的基于支持向量機分類的重著陸預測方法，為飛機著陸安全 的預測提供了一種方法，即在飛機飛行中預測出飛機的重著陸與否，對飛機著陸安全的預 測和預警具有實用價值。
[0035] 3、本發明的優點有兩個:一是提出了基于飛行高度的飛機重著陸預測理念，即在 飛機處于不同飛行高度狀態時，實現對重著陸是否發生的預測；二是制定了飛參數據處理 和分析的一套方法，并在此基礎上建立支持向量機的預測模型實現對重著陸的多次預測； 三是通過對支持向量機的特征選取和參數優化，提高了預測精度。
【附圖說明】
[0036]圖1是本發明方法流程圖。
[0037]圖2是無線電高度散點圖。
[0038]圖3是著陸載荷分布圖。
【具體實施方式】
[0039]下面將結合附圖和實施案例對本發明做進一步的詳細說明。
[0040]如圖1所示，以某型號無人機為例詳細說明本發明，本發明是一種基于飛參面板數 據模型的重著陸預測方法，本文收集了某型號無人機的部分飛參數據作為研究。獲取的飛 參樣本數據由源于23個著陸架次的10個飛參變量構成，考慮到著陸安全的影響因素，從10 個飛參變量中篩選出7個變量作為進一步研究。這7個飛參變量分別是:無線電高度、升降速 度、地速、法向載荷、升降舵位移、俯仰角和俯仰角速率。所有飛參變量均為數值型變量。 [0041 ]該方法具體步驟如下：
[0042]步驟一:飛參數據初選，提供數據分析基礎
[0043]對無線電高度這一飛參變量繪制散點圖，根據其判斷著陸時刻。選取某一著陸架 次的無線電高度數據作散點圖（如圖2所示），其中垂直于橫坐標軸的虛線所對應的時刻即 為飛機著陸時刻。
[0044]根據飛機各次著陸的著陸載荷值，做出著陸載荷分布圖（如圖3所示），用于判斷各 次飛行是否發生重著陸事件。由圖3中可看出，橫坐標表示23個飛機著陸架次，縱坐標表示 每次著陸時對應的著陸載荷值。判斷重著陸發生與否的著陸載荷閾值為18.Om/s 2,當飛機 著陸載荷值超過18.Om/s2時，則認為此次