基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法技术

本发明专利技术涉及一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，包括以下步骤：将大量QAR数据进行筛选，得到其中俯仰操纵杆在接地前10英尺的累计值大于0的部分；提取高度、俯仰角等五个参数作为机器学习特征；根据所提取的参数，对其数据进行预处理，得到连续高度值、俯仰角累计变化值、最大俯仰角、飞机方向风量四个特征；使用K

【技术实现步骤摘要】
基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法


[0001]本专利技术属于机器学习及数据挖掘
，涉及一种基于飞参数据无监督聚类的飞行员 平飘顶杆行为分析方法。

技术介绍

[0002]在航空行业发达的现代社会，航空安全一直是航空领域最重要的话题之一。根据波音公 司对2009年至2019年重大飞行安全事故数据的统计，最后近地阶段和着陆阶段是最容易 发生飞行安全事故的阶段。在2009
‑
2018年和2019年，尽管这两个阶段在整个飞行阶段仅占 4％，其事故总数和严重事故率却分别高达68％和74％。出现这种情况的主要原因是飞机在这 两个阶段需要大量的飞行员操作，飞行员的误判或操作不当可能会导致严重的后果，如引发 安全事件。因此，对这两个阶段进行研究分析，对航空安全领域具有重要意义。
[0003]1)航空安全事件预测
[0004]航空大数据相关的研究工作最重要的研究目的之一就是尽可能的规避航空安全事件的发 生，而规避安全事件发生最直接的手段便是在其发生前进行预测，并根据预测到可能发生的 安全事件，给出警告，提醒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，其特征在于：该方法包括以下步骤：S1、数据筛选：将大量QAR数据进行筛选，得到其中俯仰操纵杆在接地前10英尺的累计值大于0的部分；S2、参数提取：提取高度、俯仰角、风速、风向、飞机磁航向五个参数作为机器学习特征；S3、参数预处理：根据所提取的参数，对其数据进行预处理，得到连续高度值、俯仰角累计变化值、最大俯仰角、飞机方向风量四个特征；S4、聚类分析：使用K
‑
means聚类算法，将大量平飘顶杆航班数据分为四类：逆风影响类、俯仰影响类、高度影响类、自身影响类；S5、数据分析：基于数据分析，得到其平飘顶杆事件发生的主要原因。2.根据权利要求1所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，其特征在于：在步骤S1中，首先对所有QAR原始数据进行归一化处理，即放大较小值的特征，缩小较大值的特征，使不同特征对最终结果的贡献大致相等；定义为俯仰操纵杆在接地前10英尺的累计值，其中t1和t2分别为接地前10英尺和接地时的时间戳，PitchControl
t
为t时刻的俯仰操作杆的值，若PitchControl
sum
大于0，则判定发生了平飘顶杆。3.根据权利要求2所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法，其特征在于：在步骤S2中，选择风速、风向、高度、飞机磁航向和俯仰角参数作为基本特征，结合飞机的磁航向、风速和风向来计算逆风对飞机的影响；使用风的纵向分量作为特征，计算公式为θ＝α
‑
β，WIN
alg
＝WIN
spd
×
cosθ，其中α代表风向，β代表飞机的磁航向，因此θ＝α
‑
β代表相对于飞机的风向，WIN
spd
表示绝对风速，所以风速相对于飞机的纵向分量用WIN
alg
表示；飞机俯仰控制也与俯仰角在同一方向保持变化的时间长短以及已经走了多远密切相关，提取一段时间内俯仰角和最大俯仰角的累积变化值，计算公式为：ΔPitch
t
＝Pi...

【专利技术属性】
技术研发人员：尚家兴，陈红年，郑林江，王启星，张锐祥，陈浩东，
申请(专利权)人：重庆大学，
类型：发明
国别省市：