基于BP神经网络和飞行参数的航段风险评价

肖宪波，俞力玲，王浩锋，李 斌

（中国民航科学技术研究院，北京 100028）

基于BP神经网络和飞行参数的航段风险评价

肖宪波，俞力玲，王浩锋，李 斌

（中国民航科学技术研究院，北京 100028）

飞行运行风险的定量评估对于民航安全保障具有重要意义。设计并实现了一种基于BP神经网络算法的航段风险评价系统。该系统将大量飞行情景参数直接作为飞行风险评估的基础，通过飞行能力评价体系获得飞行运行风险度经验数据，并使用神经网络实现了任意飞行情景的风险度拟合运算。经过真实航班飞行数据的测试和飞行品质监控系统的验证表明，该系统可为进近着陆阶段任意时刻的飞行运行风险评估提供可靠的结果。

BP神经网络；风险评估；飞行安全；飞行参数

民航安全是民航发展的基础和前提，因此航空运输安全评价指标体系研究也得到了业内的持续关注。航空运输安全评价系统按研究角度、指标体系侧重点的不同可以分为三类：一类侧重于事故统计数据；一类侧重于风险指标（如可控撞地CFIT故障树）；第三类则侧重于人、机、环境等系统隐患因素。用事故统计数据评价风险是从已经发生的事故中总结教训，是一种“刻舟求剑”的风险分析方法，带有一定的片面性。通过系统安全影响因素的逻辑分析得到系统风险指标值这一方法，由于影响飞行安全因素多且关系复杂，目前人们对其认识也还不完善，所以要得到相对完善的逻辑分析图非常困难。侧重于人、机、环境等系统隐患因素的安全评价指标体系则致力于对复杂的航空运输系统安全问题进行简单化处理，因而被认为是一种更加切实可行的方案。由于与发生航空事故相关的因素多且繁杂，又相互作用，因此目前运行的大多数评价指标体系都是针对某一特定航空运输安全问题而设，且主要基于后两类评价指标体系。例如，航空质量等级（airline quality rating，AQR）[1]可以依据旅客信息和公司结构等对安全做出质量评价，航空系统风险模型（the aviation system risk model，ASRM）[2]则利用人因与分类系统和贝叶斯网络计算新的安全技术或干预对航空安全所造成的影响，美国飞行安全基金会研发出的飞行运行风险评估系统（flight operations risk assessment system，FORAS）运用数学模型采用层次分析法，不仅可以找出相关风险因素，还可以针对航空公司量身定做进一步追踪风险因素的趋势[3]。

不论上述哪一个体系使用的评价方法，都将重点放在对事故的动因分析上，主要目的是考察各因素对风险度的影响程度，所以系统成功的基础是风险度的数值估计必须尽可能准确。目前主要的风险度估计方法是借助专家经验对人因等各种因素的后果进行评估。但事实上，这些因素并不直接造成风险，而是通过将飞机至于各种危险的境地而危及飞行安全。可见，如果直接依据飞机的各种状态和情景而非通过人因等因素来进行风险评估，则可以提供更加可靠、更直接的风险度估计值。其中，飞机的即时情境可以通过飞行参数配合其他环境、人员参数来体现。现在民航运输飞机上的QAR（quick access recorder，快速存取记录器）一般包含了上百个飞行参数，几乎可以将整个飞行过程完全重现。现在广泛应用的基于QAR数据的飞行品质监控（flight operation quality assurance，FOQA）就是一种基于飞行参数的评价系统，可通过检测超限事件的触发情况对飞行员的操作进行事后评估，是一种离散分布的逻辑式的简单的风险评价系统。而我们在这里致力于实现的，则是一个结合多方面情景因素的连续分布式的较复杂的航段风险评价系统。

基于以上思路，设计实现了一种主要基于飞行数据的飞行即时情景的航段风险评估系统。在该系统中，选择了飞机进近着陆阶段（从离机场无线电高度3 000 ft至接地）这一航段为研究对象，利用调查问卷统计样本情景的风险数值，并使用BP神经网络构建飞行风险指标评测模型。该模型将基于16个参数针对即时情景给出风险度的评估值。风险估计的基础来源于飞机的即时情景，因而准确度较高。该系统的特点和可能应用将在本文最后一节讨论。

1 系统设计

本文研究的航段安全风险评估技术是通过引入风险控制的概念，并综合考虑飞行环境和飞行员操作，采用神经网络的数学方法，以飞行员问卷结果训练模型，来最终得出航段的风险值。其具体步骤可分为飞行数据搜集和飞行情景构建、飞行能力评估体系运用和调查问卷的设计和使用、数据处理和BP神经网络的设计和训练这三个主要部分，其过程可以用图1来描述。图中样本数据可通过采集近年来飞行阶段发生的事故和事故征候数据获得；飞行情景是指除飞行员个体以外的与航空安全有关的各种因素所构成的空间，包括机场信息、跑道信息、机组资源管理信息等；问卷调查是设计问卷并向专家级别的飞行员获取经验信息的过程；神经网络方法为BP神经网络方法；风险评估工具为BP神经网络结构；运营数据是来自于飞行数据，并可以用来验证和修正评估模型；风险评估结果为风险度。

图1 航段安全风险评估模型的构建和使用流程Fig.1 Construction flowchart of proposed flight risk assessment model

1.1 情景参数的选择

为充分体现飞行情景和尽可能包含影响当时风险数值的状态因素，构建模型时使用的情景参数将由4部分构成：①飞行员年龄、技术等级、总飞行时数等信息；②机型；③机场和跑道信息；④飞行参数信息，总共包含飞行高度、与跑道距离、与跑道夹角、空速、下降率、俯仰角、坡度、风向、风速等17个参数。在研究中，情景的选择则包括飞行品质监控结果提供的重要飞行参数的超限时刻和一些固定时刻，后者被设定为进近着陆过程中离机场地面高度约3 000 ft、2 000 ft、1 000 ft、500 ft、400 ft、300 ft、200 ft、100 ft、50 ft、40 ft、30 ft、20 ft、10 ft和 0 ft时刻。

1.2 样本的选择

本文使用的数据主要来自近5年来B737型飞机、A320型飞机真实飞行进近着陆阶段数据，包括正常航段数据和非正常航段数据2大类。这主要是考虑到这两个系列机型的机队是中国民航的主力机队，其规模大、分布广，并且性能数据相近。非正常航段是指一些发生事故、事故征候和不安全事件的航段，事件的种类包括冲出跑道、偏出跑道、场外接地、CFIT、单发着陆、鸟击/雷击后着陆等民航事故征候的主要类型。

1.3 调查问卷的设计

由于风险程度这一概念比较抽象，不便度量，即使是专家也不可能面对十几个情景参数就能直接给出风险数值，因此将情景风险度的评价转化为对飞行员综合能力要求的评价，即在当前情景下，对能操纵该飞机安全落地的主驾驶飞行员的综合飞行能力的要求。在调查问卷中，对飞行员综合飞行能力的评价又被细化为5个方面：飞行理论知识、驾驶技能、情景意识和预判能力、CRM及机组与管制员的配合、决策处理能力。这5方面能力的评估结果共同构成了综合飞行能力的评估结果，并将其转化为风险度值，即在某飞行情景下，为保证飞行运行安全，所需飞行员的综合飞行能力越高，该情景的风险度值越高。调查问卷中对每一套情景参数都提出表1中的5个问题，每题答案 A～E 对应着数值 10、7.5、5、2.5、0，5 题答案乘以权重后经线性变换即可得到该情景下的风险度值。

表1 航段安全风险调查问卷问题Tab.1 Questionnaire offlight risk assessment

2 基于BP神经网络的风险评估模型

人工神经网络（artificial neural network，ANN）是用物理上可实现的器件或计算机对生物神经网络进行某种抽象、简化和模拟，这种方法能克服目前计算机或其他系统不能解决的问题，如学习、控制、识别和专家系统等[4]。BP 网络（back－propagation network，反向传播网络）是ANN中应用最广的一种。其利用非线性可微分函数进行权值训练，数学意义明确、结构简单、可塑性强，在函数逼近、模式识别、信息分类及数据压缩等领域得到了广泛的应用。特别是其“非线性映射”能力，无需事先了解描述这种映射关系的数学方程，只要能提供足够多的样本模式对供BP网络进行学习训练，它便能通过对系统输入输出样本对的自动学习，以任意精度逼近任意复杂的n维输入空间到m维输出空间的非线性映射，成为多维非线性函数的通用数学模型[5]。这正适合解决在航段风险评估系统中面临的问题：可通过调查问卷得到大量情景参数和对应的风险度，却不了解参数和风险度之间的解析关系。此外，BP网络优良的泛化能力（当向网络输入训练时未曾见过的非样本数据时，网络也能完成由输入空间向输出空间的正确映射）和容错能力（允许输入样本中带有较大的误差甚至个别错误），也是它被选为航段风险评估模型的重要原因。

依据样本参数和飞行风险估计的需要，并经过反复训练，最终构造了17×17×14×5×1×1的6层BP神经网络作为飞行风险估计模型，如图2所示。模型第一层为输入层，输入的样本数据包含高度（ft）、距离（nmile）、表速（kts）、下降率（ft/m）、俯仰角（deg）、坡度（deg）等17个飞行情景参数，采自多个正常、超限和事故航班的进近着落阶段；第二层为输入转换层，是第一层数据在[0.1，0.9]区间的归一化；第三层、第四层均为隐层；第五层为输出层；第六层为输出转换层，将输出结果影射入[0，10]的风险度数值空间。

使用训练样本对图2所示的飞行运行风险评估模型进行训练后，经测试得到该模型的拟合误差均方根MSE为9.966 9×10－7，标准差SSE为1.016 6×10－4，误差范围为[－4 × 10－3，6 × 10－3]。这样的精度完全可以满足实际飞行风险估计的需要。

为获得大量的样本数据，以飞行情景参数为数据基础，以飞行能力评估体系为主体设计了调查问卷，并在东方航空公司江苏分公司和上海基地的A320飞行部队进行了调研和问卷发放。在调研过程中，发放调研问卷618份，共有58位飞行员针对106个飞行场景进行了有关风险度的问答，这些数据丰富了飞行参数和飞行风险样本数据库。

使用样本数据训练得到的模型拟合了某正常航班（图3中AN2297曲线，包含281个飞行情景）和某超限航班（图3中AU6017曲线，包含250个飞行情景）进近着陆航段的飞行风险数值曲线，如图3所示。图3中纵坐标表示飞行风险度，分布于0～10之间，其数值越大表示飞行越危险。可以看出，航班AN2296的飞行风险随飞机接近地面而缓慢增加，这符合训练和测试中众多正常航班表现出的普遍规律。而航班AU6017的风险度曲线则有些异常，从2 000 ft开始风险度增长速度偏快，可以观察到在高度为584 ft附近时，风险度数值有一次突兀的变化，另外，在高度为80 ft以下处，风险度数值有明显的增加。经过和飞行品质监控（FOQA）的监测结果对比，发现飞机在无线电高度584 ft时，发生了“垂直过载大”的超限事件，在高度为76 ft开始，连续发生超限事件，包括“最终进近坡度大”、“最终进近速度小”和“接地仰角大”。这些超限时间的发生与图3中AU6017曲线的风险度估计的几次变化非常吻合，也验证了本文提出的飞行风险估计模型的准确和有效。

3 结论和讨论

进近着陆阶段是航空事故的多发阶段，因而对这一阶段飞行运行风险的评估和监测是提高民航安全水平、采取有效措施预防事故发生的重要手段。本文实现的飞行运行风险评估模型，基于QAR飞行数据并具有很好的扩展性，适用于航后进近着陆阶段的风险评估。它与其他风险评估系统的区别在于，其不以人因等因素而是以飞机的即时情境为考量。所以本文建立的模型可改进目前航空公司的飞行品质监控，量化航段风险。便于对各种情境下飞行的危险程度进行定量评价，但是对导致危险的原因不能提供直接的答案，只能指出当时各飞行参数对飞行风险的影响程度。本文模型的作用在于：

1）针对飞行即时情境风险做出定量评价。在足量样本数据支持下，该模型可以对任何情境的飞行运行风险做出定量评估。只要提供情景参数，该模型可对任意时刻的飞行风险进行评估，对航班则可以提供风险度随时间变化的曲线。相比于现有的飞行品质监控的离散的、片面的等级式评估，本文模型可以提供连续的、立体的、综合的量化风险值，使安全管理人员能更详细、更直观地掌握飞行安全状况。

2）为人因等风险相关因素提供了更加直接可靠的风险度数值作为评估基础。因为在风险因素和风险度中还隔着飞航情景这一层，所以本文模型提供的风险度数值比过去依靠调查问卷直接对风险因素进行评估得到的数值更加可靠。

3）由于该模型输入参数均来自于飞行参数和已知条件（如目标机场等），所以若有实现实时飞行风险评估系统的可能，则本文中的模型是建立实时系统的极好选择。通过与机上QAR建立借口获取数据，该模型可提供实时风险分析、甚至短时风险预测能力。现有的其他类似系统都用于飞行前的风险预测或飞行后的风险评估，未能用于实时系统。

4）可以对同一航路的多次飞行的安全情况进行横向比较，以风险度指标衡量每次的飞行表现。也可以针对不同航空公司、不同航路、不同天气、不同机场等条件进行风险度统计，以从中发现规律，查找安全隐患，改进安全管理，预防航空事故，提高运营效益。

5）在本文实现的模型基础上可扩充要素，如在情景参数中丰富机组、天气、地理、航空公司安全措施等要素，则模型的评估准确程度可再有提高。此外，该模型也可通过对历史数据的分析为飞行前的安全预测提供帮助。

可以看出，本文模型还有很大的发展潜力，其计算原理和计算结果的可靠性已在本文工作中得到了验证。模型本身的误差分析结果表明其飞行风险估计值和专家经验一致。而更进一步的实际航班进近着陆阶段飞行运行风险的连续监测结果也表明，该算法的风险估计值曲线走势合理，其突变处与飞行品质监控的超限事件相互对应，算法对风险度数值的估计可信度高。

[1] BOWEN B D，HEADLEY D E.The Airline Quality Rating[EB/OL][2010-11-05].http：//downloads.aqr.aero/reports/2008aqr.pdf，Apr1997.

[2] LUXHOEJ J T，COIT D W.Modeling Low Probability/High Conse

quence Events：an Aviation Safety Risk Model[C]//Reliability and Maintainability Symposium，Newport Beach，California，2006 Annual 2006：215-221.

[3]HADJIMICHAEL M，MCCARTHY J.Implementing the Flight Operations Risk Assessment System[C]//57th International Air Safety Seminar，Shanghai，China，Nov 2004.

[4] The Free Encyclopedia[EB/OL].[2010-04-15].http：//en.wikipedia.org/wiki/Artificial_neural_network.

[5]WANG L，ZHAO Z，SHAO Y-M，et al.A method of compensating magneticcompass′stemperatureerrorusingBPnetwork[J].JournalofPhysics：Conferenceseries，2006，48：165-168.

Flight Risk Estimation Based on BP Neural Network and Flight Data

XIAO Xian-bo， YU Li-ling， WANG Hao-feng，LI Bin
（China Academy of Civil Aviation Science and Technology，Beijing，100028， China）

Quantitative risk assessment of flight operation is significant to flight safety guarantee.A risk assessmentsystem was developed based on BP neural network.This system contains a flight capability index system to evaluate the risk of flight scenario，and a BP neural network model to simulate the risk value.Massive scenarios were used to train the model.Test results of real flight data during approach and landing was confirmed by FOQA program，and indicated that the proposed system can provide reliable flight operation risk assessment value of any moment.

BP neural network；risk assessment；flight safety；flight data

V328.3

A

1674－5590（2011）01－0035－04

2010-06-20；

2010-10-12 基金项目：中国民用航空局科技基金项目（MHRD0715）

肖宪波（1978—），女，湖北武汉人，工程师，工学博士，研究方向为航空安全预防技术、航空事故分析技术.

（责任编辑：李 侃）