[发明专利]一种飞机着陆距离精准预测方法

说明书

本发明提供了一种飞机着陆距离精准预测方法，选择机场高度、飞机着陆质量、机场跑道坡度、风、环境温度五个影响飞机着陆距离的主要因素，构建BP神经网络模型，隐藏层设为12，利用LM和GA算法对BP神经网络模型进行优化，利用所选机型着陆软件收集飞机着陆距离预测所需基础数据，计算结果显示，依据所构建的模型和改进算法，飞机着陆距离预测结果与实际值相比较，最大绝对误差在6.66m之内，最大相对误差在0.038％之内。本发明的方法可辅助航空公司对民用航空器着陆距离进行计算分析，以便更精准的对飞机所需跑道长度等进行预测，为保障民用航空器安全着陆提供实践参考，有良好的应用前景。

技术领域

本发明属于机器学习技术领域，尤其是涉及一种飞机着陆距离精准预测方法。

背景技术

为了保障飞机着陆的安全，中国民航航空局针对飞机在湿跑道和污染跑道上运行，制定并下发了《航空承运人湿跑道和污染跑道运行管理规定》的咨询通告，通告中明确提出，在某些特殊情况下(如,机场运行条件变差时)需要在着陆前评估距离。目前主要通过飞机制造厂商提供的性能手册或开发的性能软件来评估着陆距离，其中前者较为复杂繁琐，不适合飞行员在着陆前使用；后者要求飞机上必须装载电子飞行包等相关性能计算软件，使用限制较大。针对以上问题，谷润平等利用多元线性回归方法预测了飞机湿、污染跑道着陆距离，其推导出的简化模型算法简单、实用，但精度相对较低；夏俊等利用飞机原始气动数据和推进数据计算了飞机的着陆距离，但由于这些数据极为机密，使得该方法适用于飞机制造厂商，较难应用于航空公司的实际运行；温瑞英等利用支持，考虑机场、气象、飞机三个主要因素，对飞机着陆距离进行了预测，但精度不够高；蔡良才等建立了高原机场着陆时的数学模型，并对着陆距离进行了预测，但考虑因素较为单一。孙瑞山等将相似理论与一系列可以影响飞机着陆的因素等等相联系，得出一种无量纲方程，同时再使用真实着陆数据与回归方程，由不同的俯仰角解出不同的预测方程，但考虑因素较为单一，同时精度较低。

现有技术中计算飞机的着陆距离角度单一或者精度不够高。人工神经网络(ANNs)是一种具有更好学习能力(基于过去的经验或历史数据)并辅助智能制造的现代工具，Shettigar AK等学者通过使用反向传播算法(BP)、遗传算法(GA)、人工蜂群(ABC)和使用自反馈循环训练的BP算法，使用从基于物理的模型收集的数据对ANN进行训练，将人工神经网络训练和开发为正向和反向映射模型，对开发的神经网络(BPNN、GA-NN、RNN、ABC-NN)进行了参数研究，以优化神经网络参数，结果发现神经网络预测结果与实验值一致，精度较高。Sibalija等学者采用贝叶斯正则化神经网络，建立了一个高度精确的过程模型，以确定线材的最佳加工条件，并获得了令人信服的最佳解决方案。Manjunath Patel GC学者利用神经网络模型对铸造质量进行预测，同时为所需的铸造质量确定合适的铸造变量集，结果表明，所有开发的神经网络模型都能够做出有效的预测，获得的结果将帮助铸造人员实现挤压铸造过程的精确控制。KitturJK等学者利用反向传播神经网络(BPNN)算法对高压压铸过程进行了正反向建模，以快射速、强化压力、相变点和保持时间为输入参数，而表面粗糙度、硬度和孔隙率作为系统的输出。输入输出1000个训练数据，进行批量训练。结果表明，BPNN方法能够有效地进行正向和反向映射，精度较高，可进行实践应用。Rangaswamy等学者利用LM(Levenberg-Marquardt)算法训练的神经网络(NN)用于预测复合材料接头的破坏载荷(FL)和剪切强度(SS)的行为，结果表明NN算法的平均绝对百分比误差仅为2.27％，比多元线性回归(MLR)方程预测的平均绝对百分比误差低0.85％；Patel,GCM等学者基于神经网络的方法处理挤压铸造过程的正向和反向建模，利用反向传播神经网络和遗传算法神经网络进行表面粗糙度和抗拉强度行为的正向和反向映射，结果表明遗传算法调整神经网络(GA-NN)模型预测性能在正向映射中较好，而BPNN在反向映射中产生更好的结果。鉴于BP神经网络模型在均有较好的应用效果和精度预测能力，因此，选择BP神经网络模型作为飞机着陆距离的预测方法，并结合LM算法和GA算法，对预测结果进行优化，同时综合考虑机场高度、飞机着陆质量、机场跑道坡度、风、环境温度五个因素，对飞机着陆距离进行高精度的预测。

发明内容