模拟训练系统中量化评估的重要性与实现方法

刘胜新，周 超

（南京莱斯信息技术股份有限公司，江苏 南京210007）

我国民航事业的快速发展、航班数量急剧增加，截至目前航班起降架次为上百万架次。民航的发展需要有一支具有高素质的空管队伍做保障。同样的，高素质的人才队伍需要由相应的训练设施、训练环境、训练条件、训练方法来保障。所以为保证空中交通流量的增加和空中交通运行的安全、高效，只有对空管人员的管制技巧、管制理论、管制方法等进行模拟操作训练，多层次多方位的训练，处理能力和快速应变能力的训练，全面提高人员的素质水平和操作技能，才能实现保证飞行安全和航班正常的要求。本文提出一种量化评估的培训管制思路，通过数字化的方式进行可精确计量的评估方式，可提高管制培训的效率，为民航更多更快的增加人才储备。

1 管制评估现状

目前的民航事业需要更多的空中交通管制员保障飞行安全。未来一年预计有数百名新参加工作的管制员需要进行培训，约上万管制员需要复训，预计未来需要参与培训的管制员会增长更多。现阶段中国管制员基础培训、岗位培训等多个环节都规范了大量的雷达管制模拟实践、程序管制模拟实践及机场塔台管制模拟实践环节。《空中交通管制岗位培训大纲——机场管制（WM-TM-2006-003）》《民用航空空中交通管制模拟机评估管理规定（AP-70-TM-2003-01）》等中国民用航空局下发的规范，详细规定了各个岗位管制训练培训的要求。其中交通运输部令2016年第46号《民用航空空中交通管制培训管理规则》规定：“空中交通管制员每年至少应当进行一次复习培训和考核。机场、进近、区域管制员模拟机培训时间不少于40小时”。

现有管制员技能考核时教官缺乏明确合理的考评依据，全由教官进行人为主观评判。同时原有的培训考核管理模式以师傅带徒弟模式为主，考核需要由具备管制带班主任、检查员、监察员、高级管制岗位教员、中级管制岗位教员资格的考官（2名）进行考核工作培训内容。这样的考核时间长，消耗人力较多。同时培训考核判断依据很多由培训教员自行掌握，有较大随意性。同时管制教员培训水平高低对管制学员的见习工作影响很大，管制领导层无法精确掌握学员培训进度和培训质量，效率较低，导致很多管制学员不清楚自己的见习进度，知识掌握不够全面。不清楚管制员的业务水平高低，存在一定的隐患。

相较于国内的研究，国外的各个机构处于领先地位。比如NASA有Future Flight Central Tower Simulator，CAE-Link公司的Virtual Tower Visual Simulator及Cell-ITS的DATS-Durable Aviation系统等是现今较为著名的成熟塔台模拟训练系统。在ATC模拟机的考核中，基于教员对情况的主观评估，计算机评估工具可以帮助教员分析学员的表现，同时也能减少教员之间的主观差异，提高培训的整体质量，支持对复杂条件下新考核项目的实验。

目前国际上的培训机构有德国DFS（Deutsche Flugsicherung）和英国NATS（National Air Traffic Service）与瑞典北欧空管学院。其中DFS和NATS这些大型的培训机构拥有自己专用的训练设施，可以满足机构内部新管制员的培训需求。这些模拟训练系统设施可以将空中交通管制员从见习开始的每一次理论考核情况、见习情况、放单情况、每年复习培训以及特殊培训等培训情况记录到系统中。系统会智能判断该管制员见习到什么程度，理论和实际操作培训时长是否达到民航局要求，什么时候能够申请放单，每年的复习培训是否完成，是否缺失某一专项培训而不能上岗执勤。极大地提升了中心管理层对管制员技术能力。

我国其他领域智能考核的发展状况：首先是汽车驾考的应用，机动车道路考试系统采用人工智能技术、传感器技术、网络技术、高精度GPS/GIS定位技术等实现大部分考试项目的自动评判，摒弃了以往考生成绩全部由考官打分的方式，同时能够更好地监视考试中考生及考官的情况。

其次是航海模拟器的智能考核：教练员可根据公约要求和我国海事局的有关培训要求来制定训练考核的目标，然后要向学员明确在训练考核中的注意事项，完成训练考核科目的下达。学员在利用模拟器进行训练考核时，系统实时采集学员的当前本船姿态、当前环境等综合信息，将评判点之后的学员操作记录形成学员的操作库，然后和标准库中规则进行模糊逻辑判断。

这两个领域的评估方法都希望能够避开教练员的主观意见，并且减少人工操作以及更好地记录训练者的状况。

2 现有技术进展

目前大数据与数据挖掘技术取得了长足的进步。大数据可以从结构化和非结构化的数据中，筛选有价值的信息。大数据技术是可通过大并发的模式采集MySQL和Oracle、Redis和MongoDB等数据库中的数据，可瞬时预处理100Mbps以上数据，基于MySQL的列式存储Infobright和Hadoop、GreenPlum、Exadata等分布式计算集群进行统计和分析，并对数据进行挖掘的一种技术。数据挖掘可从大量不完全与有噪声的数据中分析挖掘出结构化的信息结构，并用这些信息结构建立相关模型，为用户提供决策性的支持。

随着航空业的发展，模拟训练管制数据呈爆炸式增长。管制培训过程中留下的语音数据，管制操作数据，可依托现有的大数据存储和处理技术，通过采集、计算、归类、挖掘与聚类分析等方法对空管培训数据进行量化分析，并利用语音识别技术分析管制通话数据，利用CNN等语言处理方法进行语义分析，抽取结构化指令信息，用于验证和发现量化评估的关键知识信息。

3 管制量化评估的方法实现

管制量化评估系统模型（见图1），使用德尔菲法、层次分析法、聚类分析法、模糊数学法，将与决策有关的元素按一定准则进行分层，在此基础之上进行定性和定量分析，并将集合中的对象按照一定的规则进行分组，达到同一个组中的对象有很大的相似性。模型通过以上方法对培训人员、培训时间、培训科目及培训过程中的基础训练数据、实时训练过程数据及语音数据，结合评估规则指标集对相关数据进行解析、分析、记录，统计，并根据设定的评估规则和评判模型对训练进行智能评估模型验证与优化。平台可生成评估报告并将培训信息长期存储于系统中，形成结构化的训练数据，为后续的模型优化提供大数据样本。

图1 管制量化评估模型

管制量化评估系统模型可通过接收管制培训系统的基础训练数据、实时训练过程数据及语音数据，结合搜集的管制评估数据对相关数据进行解析、分析、记录，使用研制的评估模型单元进行训练过程的实时跟踪评估。

管制指标体系的确定是管制量化评估系统模型的基础，本模型通过将指标分为区调管制培训评估指标、进近管制培训评估指标和塔台管制培训评估指标，每类评估指标以规则、通话、安全、效率、人机界面五个方面进行评价，并分别设置相应的三级指标。根据统计学方法和层次分析法对所建立的指标进行权重的确定，同时结合历史培训大数据，通过制定二级和三级指标的评价标准来制定管制量化评估的评估指标体系。

培训考核智能评估指标权重的确定有很多方法值得类比和选择，由于考核指标体系满足针对性、动态性、可量化性和层次性，每个相对独立的指标也有可能会存在潜在的相互联系，因此，确定权重的方法需要满足存在多个指标且体系较为复杂等条件。在众多赋权方式中，大多以主客观来进行区分，即主观赋权法与客观赋权法。在主观赋权法中比较有代表性的就是层次分析法、德尔菲法等。层次分析法是通过建立目标、准则与方案层，在不同层级内对指标进行划分和设置，通过重要度的判断最终确定权重。德尔菲法就是通过专家评审打分而得到的最终权重。为了避免主观性占据因素太多，当专家打分出现较大差异时，可以持续循环修改，直到最终专家打分保持相对统一。结合众多考虑最终选择层次分析法作为管制员统一培训考核智能评估指标权重确定的方法。同时层次分析法满足了指标层次性多样化的原则，通过打分得到的权重可以反映单位的实际运行状态。

结合评估指标分析，模型将评估指标体系中的三级考核指标转化为与管制量化评估中关联的数据，通过获取培训中的相关数据，为后续量化评估模型提供数据分析的信息。结合评估指标对培训过程中的各类数据进行剖析，数据信息主要由3类组成。包含：（1）训练基础数据；（2）培训过程数据；（3）相关分析培训评估参数指标集记录。培训训练数据可通过模拟机的输出接口进行获取，数据以文本文件或者数据库表的方式存储。

训练基础数据主要是与评估指标有关的各类地图场景相关的静态数据和管制员受训的地图场景密切关联，包含机场跑道信息、扇区信息、管制区信息、告警区信息、移交参数及间隔信息、协议间隔标准信息等。

培训过程数据是指在培训过程中与管制指挥相关的数据，主要数据项包含：练习基础信息（登录信息、练习信息、航班计划信息、席位扇区分配信息）、实时训练信息（机长操作指令信息、航迹信息、告警信息、五边信息、移交信息、人机界面操作信息、管制语音信息）等。

培训评估指标集信息是指本次训练使用的指标集及各个指标的设置参数。在训练开始前，教员可以根据培训类型选择不同的培训考核指标作为本次培训的考核指标。培训评估指标集可以分为基础培训、复训、资格考试等；当指标进行选取后，本次使用的指标集将会与练习匹配关联，关联后的指标集用于管制培训的培训效果评估及评估结果展示。

4 结束语

综上所述，目前在民航模拟训练系统中存在管制员技能考核时缺乏明确合理依据的现状。文章提出的管制量化评估模型可实现由传统方法的定性经验评判到定量客观评判的跨越式转变，为保障空管系统的安全运行提供了理论依据和技术支持，同时有利于进行科学的班组资源搭配，便于对管制员组织专项的技能培训和针对性的复习训练，提高培训的效果与质量，实现各班组的最优化运行。