[发明专利]基于时序QAR参数曲线聚类的重着陆成因自动推理方法及系统

说明书

本发明涉及一种基于时序QAR参数曲线聚类的重着陆成因自动推理方法及系统，属于机器学习领域。该方法根据QAR参数中VRTG峰值的出现时刻对重着陆情况进行了系统分类，并进一步根据重着陆的成因将第一类重着陆细分为I‑1、I‑2和I‑3三种子类型，然后从IVV、PITCH、HEIGHT等关键参数曲线中特征提取特征向量，并利用K‑means聚类算法对特征向量进行聚类，最后与人工分类的结果进行了比较，从而实现第一类重着陆的成因自动推理。实验结果显示，本发提出的算法分类准确率高达93.1％，且对I‑2和I‑3型重着陆的预测准确率达到了100％，能够很好地实现第一类重着陆的成因自动推理。

技术领域

本发明属于机器学习领域，涉及基于时序QAR参数曲线聚类的重着陆成因自动推理方法及系统。

背景技术

基于QAR参数曲线可视化和基于个体与群体对比分析的重着陆研究方法，通过将飞机飞行过程中的QAR参数直观地呈现给飞行员，并提供个体与群体的差异化对比，能够较好地辅助飞行员分析出重着陆事件的产生原因，从而辅助其进行决策。不过，这类方法也存在一定的缺点，那就是需要人工对曲线结果进行分析，且分析人员需要具备一定的飞行相关专业知识，在一定程度上增加了系统成本。因此本发明提出这样一个问题：在已知飞机发生重着陆事件的前提下，如何让机器通过对QAR数据进行分析，自动推理出重着陆事件的发生原因？要实现该目的，其关键在于如何将前两章关于重着陆成因分析的知识提取出来，抽象成机器能够理解的形式。通过前面的分析可以发现，重着陆与非重着陆航段的主要区别，在于一些关键QAR参数曲线的“形状”不同，若采用传统的特征提取方法，如在一些关键的时间点提取QAR参数值作为特征，显然不能捕捉到这种曲线级别的特征。因此，为实现重着陆成因的自动推理，本发明提出了基于QAR参数曲线聚类的重着陆成因自动推理方法。主要工作包括：首先对重着陆的情况进行系统分类，总结出重着陆的发生原因；然后对着陆阶段的QAR关键参数曲线进行平滑插值处理，将离散的曲线转换为连续曲线，并从曲线中提取特征，得到航段的曲线特征向量；最后采用K-means聚类算法对曲线特征向量进行聚类处理，并将聚类结果与人工分类结果进行对比，验证聚类的准确性。

Li等人已经开展过基于聚类的QAR相关研究，她们主要采用聚类和离群点检测方法，从海量的飞行QAR数据中找到那些参数异常的飞行曲线模式，但还存在一定的缺陷。

发明内容

有鉴于此，本发明的目的在于提供一种基于时序QAR参数曲线聚类的重着陆成因自动推理方法及系统。

为达到上述目的，本发明提供如下技术方案：

基于时序QAR参数聚类的重着陆成因自动推理方法，该方法为：根据QAR参数中VRTG峰值的出现时刻对重着陆情况进行系统分类，根据重着陆的成因将其细分为I-1、I-2和I-3三种子类型，然后从IVV、PITCH、HEIGHT等关键参数曲线中特征提取特征向量，并利用K-means聚类算法对特征向量进行聚类，最后与人工分类的结果进行比较，从而实现第一类重着陆的成因自动推理。

进一步，所述对重着陆情况进行系统分类具体为：

根据重着陆的定义，当着陆阶段VRTG参数的峰值超过一定阈值时，认为发生一次重着陆事件；通过VRTG曲线研究发现，根据VRTG峰值出现的时刻，将重着陆分为三种基本类型：峰值出现在首次接地瞬间、峰值出现在接地之后的几秒、峰值同时出现在接地瞬间和接地之后；将接地瞬间定义为飞机的后起落架首次由AIR状态切换为GROUND状态的时刻，起落架状态参数的采样频率是4Hz，接地瞬间精确到0.25秒；同时，针对第一类重着陆，即峰值出现在首次接地瞬间，允许峰值出现的时刻与接地时刻之间存在一定的偏差，前后不超过1秒。

进一步，所述第一类重着陆的航段发生原因与其IVV和无线电高度曲线的变化规律密切相关，且根据IVV和无线电高度变化不同进一步细分为三个子类别，将这三个子类别分别编号为：I-1、I-2、I-3，分析这三个子类别对应的典型航段的QAR参数个体与群体对比曲线；