面向商用飞机自由飞行阶段的飞行员态势感知增强方法技术

一种面向商用飞机自由飞行阶段的飞行员态势感知增强方法，在离线阶段构建并利用飞机历史飞行数据训练基于注意力机制的深度学习模型后，在在线阶段根据飞机自由飞行过程中由机载广播式自动相关监视系统

【技术实现步骤摘要】
面向商用飞机自由飞行阶段的飞行员态势感知增强方法


[0001]本专利技术涉及的是一种飞行控制领域的技术，具体是一种面向商用飞机自由飞行阶段的飞行员态势感知增强方法
。

技术介绍

[0002]商用飞机在自由飞行阶段要求飞行员保持飞行间隔，确保飞行安全
。
然而，受限于航空公司的运营限制，本机无法获得周围飞机的飞机性能数据，进而导致本机无法采用基于运动学模型的方法预测周围飞机的四维飞行航迹，限制了飞行员的态势感知能力
。

技术实现思路

[0003]本专利技术针对现有技术无法利用周围飞机的历史飞行信息预测周围飞机未来的飞行航迹
、
速度和航向信息，提出一种面向商用飞机自由飞行阶段的飞行员态势感知增强方法，在飞机自由飞行过程中，将周围飞机的历史飞行数据作为输入，使用训练完成的深度学习模型预测周围飞机未来的飞行信息，增强飞机的态势感知能力，及时检测飞行冲突，确保飞行安全
。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种面向商用飞机自由飞行阶段的飞行员态势感知增强方法，在离线阶段构建并利用飞机历史飞行数据训练基于注意力机制的深度学习模型后，在在线阶段根据飞机自由飞行过程中由机载广播式自动相关监视系统
(ADS
‑
B)
获取的周围飞机的历史飞行数据输入训练后的深度学习模型以预测周围飞机的经度
、
纬度
、
高度
、
速度和航向，然后通过驾驶舱交通信息显示系统
(CDTI)
向飞行机组显示周围飞机的未来飞行信息，识别空域中潜在的飞行威胁，增强飞机在自由飞行过程中的态势感知能力
。
[0006]本专利技术涉及一种实现上述方法的系统，包括：数据采集及处理单元
、
深度学习模型搭建与训练单元
、
飞行信息预测单元以及态势显示单元，其中：数据获取与处理单元获取飞机的历史飞行数据并删除历史飞行数据中的异常值，进而构造用于训练深度学习模型的数据集；模型搭建与训练单元搭建基于注意力机制的深度学习模型，并利用构造的数据集对深度学习模型进行训练，进而得到训练完成的模型；飞行信息预测单元将飞机自由飞行过程中由机载
ADS
‑
B
获取的周围飞机的飞行数据输入训练完成的深度学习模型，从而预测周围飞机未来的飞行信息；态势显示单元通过
CDTI
将深度学习模型预测的周围飞机的未来飞行信息向飞行员显示，增强飞机在自由飞行过程中的态势感知能力
。
[0007]所述的历史飞行数据，包括飞行时间
、
经度
、
纬度
、
高度
、
速度和航向
。
[0008]所述的飞行信息包括：周围飞机的经度
、
纬度
、
高度
、
速度和航向信息
。
技术效果
[0009]本专利技术将构建的深度学习模型与自由飞行场景相结合，面向商用飞机自由飞行场景，构建了一种基于注意力机制的深度学习模型，基于商用飞机在自由飞行阶段通过
ADS
‑
B
获取的周围飞机的历史飞行信息对周围飞机未来的经度
、
纬度
、
高度
、
速度和航向信息进行
预测，并通过
CDTI
向飞行机组显示周围飞机的未来飞行信息，提升自由飞行阶段飞行冲突检测和态势感知能力
。
附图说明
[0010]图1为本专利技术流程图；
[0011]图2为实施例数据处理示意图；
[0012]图3为实施例深度学习模型示意图
。
具体实施方式
[0013]如图1所示，为本实施例涉及一种面向商用飞机自由飞行阶段的飞行员态势感知增强方法，包括如下步骤：
[0014]第一步，首先收集大量飞机在飞行过程中通过
ADS
‑
B
发送的历史飞行数据，并使用
excel
表保存每个航班的历史飞行数据，其中：相同时刻的飞行数据保存在
excel
表中的相同行，其次删除历史飞行数据中的异常值，确保数据的有效性
。
[0015]所述的飞机历史飞行数据包括飞行时间
、
经度
、
纬度
、
高度
、
速度和航向数据
。
[0016]所述的历史飞行数据中的异常值包括重复记录的数据和错误数据
。
[0017]所述的使用
excel
表保存的历史飞行数据为时间序列格式
。
[0018]第二步，如图2所示，分别对获取的每一架飞机的历史飞行数据进行处理，每一时刻的历史飞行数据包括飞行时间
、
经度
、
纬度
、
高度
、
速度和航向，其次从第一行数据开始，依次将每一架飞机的历史飞行数据中的前
N
行数据作为输入数据，将与输入数据相邻的后
M
行数据作为输出数据并逐行向后迭代扩展，然后对输入输出数据进行归一化处理，进而得到用于训练深度学习模型的数据集
。
[0019]所述的获取的不同飞机的历史飞行数据使用不同表格保存，其中：表格中的不同行的数据对应飞机位于不同飞行时刻的飞行信息
。
[0020]所述的前
N
行数据为前三十行数据；后
M
行数据为后四行数据
。
[0021]第三步，如图3所示，搭建基于注意力机制的深度学习模型，图中
(x1，
x2，
x3，
x
m
)
表示输入深度学习模型的历史不同时刻的经度
、
纬度
、
高度
、
速度和航向信息，
(y1，
y2,y3，
y
k
)
表示深度学习模型输出的未来不同时刻的经度
、
纬度
、
高度
、
速度和航向数据，
C
表示中间向量，然后利用制作的数据集对搭建的深度学习模型进行训练
。
[0022]所述的基于注意力机制的深度学习模型采用编码器
‑
解码器框架，其中编码器模块使用双向
LSTM
神经网络，隐藏节点个数为
90
，解码器模块采用
LSTM
神经网络，隐藏节点个数为
180。
[0023]所述的注意力机制利用编码器与解码器输出的隐藏状态计算中间变量，其中：
T
x
表示输入信息的长度，
α
ij...

【技术保护点】

【技术特征摘要】
1.
一种面向商用飞机自由飞行阶段的飞行员态势感知增强方法，其特征在于，在离线阶段构建并利用飞机历史飞行数据训练基于注意力机制的深度学习模型后，在在线阶段根据飞机自由飞行过程中由机载广播式自动相关监视系统
(ADS
‑
B)
获取的周围飞机的历史飞行数据输入训练后的深度学习模型以预测周围飞机的经度
、
纬度
、
高度
、
速度和航向，然后通过驾驶舱交通信息显示系统
(CDTI)
向飞行机组显示周围飞机的未来飞行信息，识别空域中潜在的飞行威胁，增强飞机在自由飞行过程中的态势感知能力
。2.
根据权利要求1所述的面向商用飞机自由飞行阶段的飞行员态势感知增强方法，其特征是，包括：第一步，首先收集大量飞机在飞行过程中通过
ADS
‑
B
发送的历史飞行数据，并使用
excel
表保存每个航班的历史飞行数据；所述的飞机历史飞行数据包括飞行时间
、
经度
、
纬度
、
高度
、
速度和航向数据；所述的历史飞行数据中的异常值包括重复记录的数据和错误数据；第二步，分别对获取的每一架飞机的历史飞行数据进行处理，每一时刻的历史飞行数据包括飞行时间
、
经度
、
纬度
、
高度
、
速度和航向，其次从第一行数据开始，依次将每一架飞机的历史飞行数据中的前
N
行数据作为输入数据，将与输入数据相邻的后
M
行数据作为输出数据并逐行向后迭代扩展，然后对输入输出数据进行归一化处理，进而得到用于训练深度学习模型的数据集；第三步，搭建基于注意力机制的深度学习模型，图中
(x1,x2,x3,x
m
)
表示输入深度学习模型的历史不同时刻的经度
、
纬度
、
高度
、
速度和航向信息，
(y1,y2,y3,y
k
)
表示深度学习模型输出的未来不同时刻的经度
、
纬度
、
高度
、
速度和航向数据，
C
表示中间向量，然后利用制作的数据集对搭建的深度学习模型进行训练；第四步，在自由飞行过程中，由飞机利用机载
ADS
‑
B
获取周围飞机的历史飞行数据，并对获取的数据进行处理；第五步，将自由飞行过程中获取的周围飞机的历史飞行数据输入到训练完成的深度学习模型，进而由深度学习模型预测周围飞机未来的飞行信息；第六步，通过
CDTI
将预测的周围飞机的未来飞行信息显示给飞行员，为飞行员决策提供支持，从而及时检测空域飞行冲突，增强飞机的态势感知能力
。3.
根据权利要求2所述的面向商用飞机自由飞行阶段的飞行员态势感知增强方法，其特征是，所述的使用
excel
表保存的历史飞行数据为时间序列格式；相同时刻的飞行数据保存在
excel
表中的相同行，其次删除历史飞行数据中的异常值，确保数据的有效性；所述的获取的不同飞机的历史飞行数据使用不同表格保存，其中：表格中的不同行的数据对应飞机位于不同飞行时刻的飞行信息；所述的前
N
行数据为前三十行数据；后
M
行数据为后四行数据
。4.
根据权利要求2所述的面向商用飞机自由飞行阶段的飞行员态势感知增强方法，其特征是，所述的基于注意力机制的深度学习模型采用编码器
‑
解码器框架，其中编码器模块使用双向
LSTM
神经网络，隐藏节点个数为
90
，解码器模块采用
LSTM
神经网络，隐藏节点个数为
180
；所述的注意力机制利用编码器与解码器输出的隐藏状态计算中间变量，

【专利技术属性】
技术研发人员：王淼，刘永琦，罗悦，王国庆，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：