利用机器学习预测QAR严重超限事件的分析模型

洪剑敏

摘 要：截止到目前为止，QAR设备已经在民用航空领域得到了极为广泛的运用，并且已经取得了不错的成效。但即使如此，我们对于QAR数据的应用还处于一个相当有限的摸索阶段。QAR设备虽然拥有着海量的信息存储，但我们却不知道如果去运用。本文旨在通过机器学习，挖掘QAR数据中对于严重超限事件的分析模型，从而探讨降低如何降低此类事件发生的概率，希望能对今后的航空运输业务的安全性能的提升起到积极的促进作用。

关键词：QAR；数据分析；分析模型；机械学习

引文：QAR，全称快速存取记录器，是飞机在飞行阶段对于飞机的系统参数以及各方面数据进行精确记录的仪器。目前已经被广泛的运用在了各类民用航空飞行器中，对于提高飞机的运行控制与技术管理，乃至地面后勤保障工作的效率有着积极的影响。一旦飞机发现存在性能问题，就可以通过QAR的数据回溯出飞机是产生了哪方面的故障。而更为重要的是，根据这些相关数据，可以通过机械学习的方式，对于超限事件进行分析，从而降低飞机发生严重超限事件的概率。

1.机器学习的概念与分析模型

机器学习，是指通过计算机进行模拟，分析人的行为方式以及学习习惯，从而达到模拟现有的人类学习和知识运用途径。同过计算机的模拟，不断的调整学习结构以及行为。通过这以过程的所建立起的检测研究以及分析，逐步改变人类本身的行为方式以及学习习惯，从而提高自身能力的一种学习方式。目前，机械学习已经被广泛的运用于生物学、医学、计算机等多种领域。

同时，将机器学习运用到预测QAR严重超限事件的分析模型中，这一课题在国内还比较罕见，同时，也缺乏相应的理论指导。不过通过机器学习，将QAR数据中所有的严重超限事件建立分析模型，研究产生问题的原因，寻找其中的客观规律。在未来的飞行行业中起到预测警示的作用，降低超限事件的发生概率，也是提高航空运输业安全性的重要目标。

2.QAR对于研究飞机严重超限事件的重要性

（1）QAR对飞机飞行过程中进行完整的数据记录

根据国家对于民航的相关管理条例和规定，要求民用飞机全部装备快速存取记录器。该记录器可以连续工作长达六百个小时，记录下飞机在飞行过程中的所数据。然后在飞机降落之后，将记录数据发送到专门的服务器山进行译码。数据量庞大并且完整，可以记录下飞机在飞行过程中的一切异常情况，不仅给维修部门的飞机维护工作提供了极大的帮助，并且对于研究飞机的严重超限事件也具有极为重要的参考价值。

（2）能够快速的分析出超限事件发生的原因

飞机从起飞到降落，主要经历过的飞行过程包括了：起跑、起飞、巡航、着陆等多个流程。而根据多年来对于各类飞机发生严重超限事件的分析研究。其结果表面：在飞机起飞爬升的前三分钟和着陆时的八分钟是发生超限事件的两个集中阶段。因此，需要使用快速存取记录器，对于已经诊断出的飞机故障调取相应参数，分析此次超限事件发生的原因。例如，2014年12月，一架A320客机就因为机组人员发现刹车由异常反应进行了短停检查，但在航段报告PFR及测试结果中均未能找出故障信息。最后，还是通过对于QAR数据的调取，发现了是由于A320的起落架主轮的刹车压力和刹车温度明显偏高，并且刹车脚蹬的数值大于右侧。这才及时的排除了故障，保证了飞机的安全飞行。

3.利用机器学习预测QAR严重超限事件的积极影响

（1）降低严重超限事件发生的概率

利用机器学习，来预测QAR严重超限事件，可以从简单的模拟分析开始。将QAR所记录的数据导入机械学习的模拟运算环境中。对于所产生的超限事件还原其事件发生时的飞机数据，分析超限事件发生的原因，排除故障。然后将所有的超限事件发生原因进行对比，总结客观规律，将强飞机操作过程中机组人员的技术规范管理，降低超限事件发生的概率，从而提高飞行运输事业安全性。

（2）改变了飞机维修模式

在民用飞机领域，对于飞机传统的维修主要采用了计划性维修和非计划性维修两种维修方式。计划性维修，是根据飞机的飞行状况、飞行时长所指定的常规维修计划。而非计划性维修，则是维修人员为了避免在飞机的飞行过程中产生各种故障、外来因素影响，随时对飞机进行不定期的保修工作。但现如今QAR数据分析成果的发展，让传统的非计划性维修。乃至与计划性维修制度都变成了徒劳的无用功。QAR技术可以对飞机的任何位置进行检查，这样就导致了QAR一起出现了权威性。地面的机组维修人员更愿意通过QAR去寻找具体的故障，记录真实的超限事件发生原因以及出现问题的根源。而通过这项技术，所建立的故障预测维修制度也渐渐的开始形成，并且已经取得了初步的成效。节约了因为排查飞机故障而造成的时间成本的增加，地面机组成员提高了飞机维修的效率，同时，又降低了严重超限事故发生的概率。

（3）为飞行安全检查提供了准确的数据支持，

在以往的飞机出现故障，排查事故原因的工程中，往往会出现无法查明有事故发生，或者是在发生后无法重新还原事故原因。因此也无法进行事故责任界定，总结分析事故内容出现的原因，提出改变性建议等问题。而在QAR数据的庞大支撑下，能够对于事故发生时间飞机的参数进行及时的调取与编译，还原事故发生时飞机系统的问题。协商出切实可行的解决办法。而更为令人惊讶的是，进行了多次这样的严重超限事故的分析模型研究之后，地面维修人员也基本上认识到了QAR设备的用处，进行悉心的维护与使用工作。而飞机内也会设定出危险警告，一旦在飞机的航班运输过程中出现超限问题，发出危险提示，就需要立刻降落，保障人民的生命财产安全。

（4）机器学习的巨大好处

利用机器学习预测QAR严重超限事件的分析模型，在本质上来讲，其实也是简化工作量，提高工作效率以及专业技术水平的一种方式。就比如在战斗机的引擎的制作问题上，不仅需要先去学习外国，吸取一定的工作经验与教训。同时，还需要进行大量的流体力学测验以及风洞实验验证。利用机器学习预测QAR严重超限事件的分析模型也是如此。一方面，在进行分析模型的过程中，能够寻找到飞机的巨大安全隐患以及产生严重超限事件的愿意。吸取经验教训之后对于这些问题能够做到及时的补救；而另一方面，这也是增加技术人员对于QAR设备的认识，学习掌握其数据的运用方式，提升自己专业水平的良好机会。同时，区别于以往的少数信息掌握，无法对于飞机出现的问题进行判别，这时候，QAR设备存储量巨大的特点就彰显无疑。而人脑的记忆能力以及判断推演能力无法达到顶尖堪比电脑模拟出来的水准？这时候，就需要机器学习的帮助，模拟那些飞行数据，从而得到一个虚拟的飞行环境，不仅能够解决严重超限事件，还能够寻找出其他改进措施，提高飞机的安全性能。

总结：利用机器学习预测QAR严重超限事件的分析模型，在理论操作新上并不算苦难。需要的，则是包含着学习的热情，投入到对QAR数据分析模型的分析研究中。通过一系列的资料数据的比对，降低飞机的严重超限事件发生概率。

参考文献：

[1] 卿立勇，黄圣国，林钰森. 基于QAR数据的飞机系统故障预测与故障诊断支持系统研究[J]. 2016，（2）：11-12.

[2] 郑波. 基于QAR数据的民航发动机排故方法研究[J]. 中国民航飞行学院学报，201，26（1）：47-49.

[3] 曹惠玲，賈超. 基于QAR的飞机爬升阶段燃油流量回归模型研究[J]. 中国民航大学学报，2018，31（3）：31-35

[4] 李孟格. 利用机器学习预测QAR严重超限事件的分析模型[J]. 民航学报，2018，000 （004）：P.4-7.

[5] 孙瑞山，韩文律. 基于差异检验的飞行超限事件参数特征分析[J]. 中国安全生产科学技术，2017，07（2）：22-27.

[6] 韩静茹. 基于虚拟融合技术的QAR数据应用模式构思[J]. 科学与财富，2018，（31）：228-229.