基于BP神經(jīng)網(wǎng)絡(luò)的飛機(jī)油耗與軌跡匹配模型研究

魏志強(qiáng), 張文秀

(中國民航大學(xué) 空中交通管理學(xué)院, 天津 300300)

?

基于BP神經(jīng)網(wǎng)絡(luò)的飛機(jī)油耗與軌跡匹配模型研究

魏志強(qiáng), 張文秀

(中國民航大學(xué) 空中交通管理學(xué)院, 天津 300300)

研究了基于與QAR記錄相匹配的飛行軌跡數(shù)據(jù)建立的BP神經(jīng)網(wǎng)絡(luò)油耗模型,利用飛行軌跡數(shù)據(jù)輸入模型求得油耗估算值,通過與QAR真實(shí)燃油數(shù)據(jù)對比,進(jìn)行模擬分析。以某些航班的雷達(dá)記錄數(shù)據(jù)為例進(jìn)行油耗計算,結(jié)果表明本實(shí)驗?zāi)Ｐ驮谌加头矫娴墓浪阏`差不超過2%,滿足空管方面對燃油消耗的計算。研究結(jié)果可以用于定量分析空管運(yùn)行對民航節(jié)能減排的影響,從而在確保飛行安全、管制容量的前提下更好地兼顧綠色運(yùn)行的要求,提升空中交通運(yùn)行質(zhì)量。

航空運(yùn)輸; BP神經(jīng)網(wǎng)絡(luò); 油耗估算; 軌跡數(shù)據(jù)

0 引言

油耗是航空公司、空管以及相關(guān)領(lǐng)域人員一直潛心研究的重要指標(biāo)之一[1],它更是安全性、經(jīng)濟(jì)性和環(huán)境評估必不可少的重要指標(biāo)。為了降低飛機(jī)油耗,空管部門在新技術(shù)推廣應(yīng)用方面開展了大量工作,包括RVSM運(yùn)行、PBN 技術(shù)、平行航路、多機(jī)場協(xié)同放行(CDM)、連續(xù)下降運(yùn)行(CDA)、SWIM和空中立交橋等[2-3]。但現(xiàn)有空管監(jiān)視設(shè)備存在不能采集飛機(jī)油耗數(shù)據(jù)的局限性,直接影響空管運(yùn)行質(zhì)量對節(jié)能減排效果的定量評價[4]。

目前,國內(nèi)外開展了關(guān)于飛機(jī)油耗估算的大量研究。文獻(xiàn)[5]對民用飛機(jī)巡航性能計算進(jìn)行了研究;文獻(xiàn)[6]建立了能量平衡原理的燃油消耗估計模型;文獻(xiàn)[7]建立了爬升階段燃油流量的回歸模型;文獻(xiàn)[8]基于灰色理論建立了民航燃油消耗量預(yù)測模型并進(jìn)行了應(yīng)用性分析。這些模型在進(jìn)行油耗計算時,需要用到很多飛行參數(shù),其中絕大多數(shù)在空管的雷達(dá)記錄數(shù)據(jù)中是不存在的,不能運(yùn)用到空管方面的燃油分析。

BP神經(jīng)網(wǎng)絡(luò)是一種由大量的節(jié)點(diǎn)(神經(jīng)元)和節(jié)點(diǎn)之間的加權(quán)連接而成的應(yīng)用最為廣泛的網(wǎng)絡(luò)運(yùn)算模型[9]。例如,基于神經(jīng)網(wǎng)絡(luò)的民航安全態(tài)勢評估模型及仿真[10];基于神經(jīng)網(wǎng)絡(luò)集成的單個飛行事件噪聲預(yù)測模型[11]。神經(jīng)網(wǎng)絡(luò)是民航各個研究方向的重要橋梁,神經(jīng)網(wǎng)絡(luò)模型可以定性定量評價民航運(yùn)輸?shù)陌踩?、效益等情況[12-13]。

QAR是飛行技術(shù)品質(zhì)檢查、機(jī)務(wù)維護(hù)、事故調(diào)查以及安全評估等的有力工具,它存儲了包括燃油流量參數(shù)在內(nèi)的大量飛機(jī)參數(shù)數(shù)據(jù)。但由于QAR數(shù)據(jù)涉及到航空公司的飛行細(xì)節(jié)和核心商業(yè)利益,不能共享給其他民航單位,致使在空管指揮運(yùn)行中,無法使用QAR數(shù)據(jù)來進(jìn)行空管運(yùn)行品質(zhì)分析。

本文首先從QAR數(shù)據(jù)中提取出與雷達(dá)記錄格式相同的數(shù)據(jù)(主要是飛行軌跡數(shù)據(jù)),形成偽雷達(dá)數(shù)據(jù);然后再從QAR數(shù)據(jù)中得到與偽雷達(dá)數(shù)據(jù)相匹配的飛機(jī)油耗參數(shù),構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的飛機(jī)油耗與飛行軌跡匹配模型;通過與真實(shí)油耗的比對來分析模型的精度,確保模型的準(zhǔn)確、可靠。之后根據(jù)構(gòu)建的油耗匹配模型,以某空管單位的雷達(dá)記錄數(shù)據(jù)為例對飛機(jī)油耗進(jìn)行估算分析。上述研究可為定量評估燃油體系提供技術(shù)支持,有利于評價空管新技術(shù)對節(jié)能減排方面的實(shí)施情況,也有利于提高航空管制員的服務(wù)質(zhì)量。

1 飛機(jī)油耗匹配模型的構(gòu)建

本文整個研究流程如圖1所示,包括數(shù)據(jù)搜集和加工處理、模型構(gòu)建、模型精度分析以及應(yīng)用等過程。

圖1 整個研究的流程圖Fig.1 Flow chart for the whole research

1.1 數(shù)據(jù)的選取

搜集10個航班的QAR數(shù)據(jù),分別提取這10個航班爬升階段的數(shù)據(jù)(共9 260個),根據(jù)飛機(jī)爬升經(jīng)驗,本文假定飛機(jī)在1 500 m氣壓高度開始爬升,通過作圖示意確定爬升的結(jié)束點(diǎn),進(jìn)而選取爬升階段的數(shù)據(jù)，如圖2所示。

圖2 選取爬升階段數(shù)據(jù)示意圖Fig.2 Selecting data in climb stage

QAR存儲了大氣總溫、氣壓高度、地速、航向、風(fēng)速、風(fēng)向以及燃油量等飛機(jī)參數(shù)的變化,每隔4 s記錄一次,這些數(shù)據(jù)是由4個傳感器同時記錄的；由于傳感器自帶誤差,可能導(dǎo)致這4個傳感器記錄的數(shù)據(jù)略微不同,本文取這4個數(shù)據(jù)的平均值作為一個數(shù)據(jù),得到一組新的QAR數(shù)據(jù)。但通過雷達(dá)能夠獲得的參數(shù)包括地速、氣壓高度、航向、爬升率和轉(zhuǎn)彎角速度。因此本文對QAR數(shù)據(jù)加工處理得到含有地速、氣壓高度、航向、爬升率、轉(zhuǎn)彎角速度和總?cè)加土髁康臄?shù)據(jù)庫。爬升率和轉(zhuǎn)彎角速度的計算公式分別為:

(1)

(2)

圖3 處理數(shù)據(jù)的思路圖Fig.3 Concept for data processing

1.2 數(shù)據(jù)的歸一化處理

首先,要對新QAR數(shù)據(jù)庫中的異常點(diǎn)進(jìn)行處理,對于一些爬升率為負(fù)值的點(diǎn),使其值為0;然后,利用式(3)對每組參數(shù)的數(shù)據(jù)進(jìn)行歸一化處理,將其轉(zhuǎn)化為[0,1]之間的數(shù)據(jù),若不進(jìn)行歸一化處理,每個參數(shù)值過大,將使模型內(nèi)部的訓(xùn)練函數(shù)無法正常運(yùn)行。

(3)

表1 參數(shù)的最大值和最小值

Table 1 The maximum and minimum values of parameters

參數(shù)最大值最小值V/km·h-11000280hp/m120001200ψ/(°)3600rc/m·s-1250ω/(°)·s-13-3Fw/kg·h-180001500

1.3 BP模型的建立

本文的研究對象采用3層神經(jīng)網(wǎng)絡(luò),即輸入層、隱含層、輸出層。輸入層共5個輸入元(P1,P2,P3,P4,P5), 分別表示地速、氣壓高度、航向、爬升率和轉(zhuǎn)彎角速度;一個輸出元(Y),即燃油流量。隨機(jī)選取處理后的7個航班的QAR數(shù)據(jù)作為模型的訓(xùn)練樣本,剩余3個作為后續(xù)的模型實(shí)例驗證。

輸入層和輸出層的節(jié)點(diǎn)數(shù)分別為5和1,首先要確定隱含層的節(jié)點(diǎn)數(shù),根據(jù)經(jīng)驗得出隱含層節(jié)點(diǎn)數(shù)的取值范圍為[6,20]。隱含層的傳遞函數(shù)采用logsig,輸出層的傳遞函數(shù)采用purelin,BP網(wǎng)絡(luò)的學(xué)習(xí)算法采用trainbr,訓(xùn)練目標(biāo)設(shè)定為0.001,最大訓(xùn)練次數(shù)設(shè)為20 000。經(jīng)過不斷調(diào)試、校驗、修改和訓(xùn)練,隱含層節(jié)點(diǎn)數(shù)為18,網(wǎng)絡(luò)的誤差降到了1e-3以下,建模完成。訓(xùn)練過程中網(wǎng)絡(luò)誤差性能的變化如圖4所示。

圖4 網(wǎng)絡(luò)誤差性能的變化Fig.4 Variation of network error performance

1.4 模型的初步檢驗

將上述7個樣本輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行初步檢驗,得到歸一化后燃油流量的真實(shí)值與估算值如圖5所示。其中,實(shí)線表示真實(shí)值,虛線表示估算值。通過計算,真實(shí)值與估算值之間的絕對誤差為0.02,相對誤差極小,可以看作為0,因此神經(jīng)網(wǎng)絡(luò)模型對各個樣本的診斷結(jié)果均正確。

圖5 真實(shí)值和估算值對比Fig.5 Comparison of real values and predicted values

2 模型實(shí)例驗證

為進(jìn)一步分析模型的精度,將剩余3個航班的QAR爬升數(shù)據(jù)轉(zhuǎn)化為含有航向、氣壓高度、地速、轉(zhuǎn)彎角速度、爬升率共5個參數(shù)的偽雷達(dá)數(shù)據(jù),輸入模型,得到估算值。

(4)

利用估算值和QAR記錄的真實(shí)值,按照時間積分方法,分別得到估算燃油消耗量和真實(shí)燃油消耗量,將兩組數(shù)據(jù)進(jìn)行對比，檢驗?zāi)Ｐ偷木?。具體流程如圖6所示。

圖6 實(shí)例驗證流程圖Fig.6 Flow chart of example validation

下面列出了真實(shí)油耗F、估算油耗F′、絕對誤差ΔF和相對誤差δ的計算公式。

F=∑(Δt)Fwi

(5)

F′=∑(Δt)F′wi

(6)

(7)

(8)

表2 油耗估算精度

Table 2 Estimated fuel accuracy in different flights

航班號F/kgF′/kgΔF/kgδ/%B?2675907899-88-097B?570711891168-205-173B?563076676822028

圖7 燃油流量真實(shí)值與估算值的對比Fig.7 Comparison of real values and predicted values of the fuel flow

由表2可知,利用模型得到的估算值和QAR記錄的真實(shí)值之間的相對誤差不超過2%。圖7表明真實(shí)值和估算值基本吻合,證明本研究所建立的模型可以估算燃油消耗。

3 模型的應(yīng)用

在研究中,搜集某空管單位、某一時段的雷達(dá)記錄數(shù)據(jù)(主要包括航班號、應(yīng)答機(jī)編碼、時刻、經(jīng)度、緯度、高度等),經(jīng)過處理后得到含有地速、氣壓高度、航向、轉(zhuǎn)彎角速度、爬升率共5個參數(shù)的數(shù)據(jù),將其輸入本文所構(gòu)建的飛機(jī)油耗匹配模型,以得到飛機(jī)的燃油流量。進(jìn)一步通過積分可求得飛機(jī)在該管制空域內(nèi)飛行時的油耗。

圖8為CCA1348航班高度和估計燃油流量隨時間的變化。由圖可知,隨著高度的增高,飛機(jī)的燃油流量總體呈現(xiàn)出減小的趨勢,與實(shí)際情況吻合。表3給出了通過模型計算出的某些航班爬升階段的燃油消耗。

圖8 高度和燃油流量隨時間的變化Fig.8 Variation of height and fuel flow with time

Table 3 Estimated fuel consumption in different flights

航班號起始高度/m結(jié)束高度/m時間/min飛行距離/km平均速度/km·h-1油耗/kg平均燃油流量/kg·h-1CCA41241600978018421770715845281CCA13481580944019022972213814361CCA18921510978023126569018864898CCA18081510978018719663014474643CDG48421570978019822367615084566CDG48781660978015116866619666649CDG495515101008016718767215595601CES6081600917020120661618775603CES53561740810018622070913794449CES54001860810017919264217225128

4 結(jié)束語

本文基于雷達(dá)飛行軌跡記錄數(shù)據(jù)構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)飛機(jī)爬升階段油耗估算模型。經(jīng)過實(shí)例驗證分析表明,所建立的油耗估算模型精確、可靠,可以直接應(yīng)用于管制單位的油耗計算和分析。將雷達(dá)參數(shù)數(shù)據(jù)輸入該模型中,可以估算不同航班、不同機(jī)型的燃油消耗,后續(xù)可以與同一機(jī)型、同一航班的燃油流量以及油耗情況進(jìn)行比對,實(shí)現(xiàn)對空管設(shè)施和管制員指揮情況的量化評價,為提高空管服務(wù)質(zhì)量提供技術(shù)支持,加快實(shí)現(xiàn)節(jié)能減排這一目標(biāo)。

[1] Cook A,Tanner G,Williams V,et al.Dynamic cost indexing-managing airline delay costs[J].Journal of Air Transport Management,2009,15(1):26-35.

[2] 伊群.民航空管新技術(shù)和航行新技術(shù)應(yīng)用情況回顧[J].中國民用航空,2011,12(1):53-56.

[3] 魏志強(qiáng),溫瑞英,褚雙磊.連續(xù)下降運(yùn)行中的飛行參數(shù)快速估算方法研究[J].飛行力學(xué), 2014,32(6):494-497.

[4] Fan A.An assessment of environmental impacts of a nextgen implementation scenario and its implications on policy-making[D].USA:Massachusetts Institute of Technology,2010.

[5] 溫瑞英,魏志強(qiáng),王紅勇,等.民用飛機(jī)巡航性能計算研究[J].飛行力學(xué),2015,33(4):289-292.

[6] Khadilkar H,Balakrishnan H.Estimation of aircraft taxi fuel burn using flight data recorder archives[J].Transportation Research Part D Transport and Environment,2012,17(7):532-537.

[7] 曹惠玲,賈超.基于QAR的飛機(jī)爬升階段燃油流量回歸模型研究[J].中國民航大學(xué)學(xué)報,2013,31(3):31-35.

[8] 張燕軍,孫有朝.基于灰色理論的民航燃油消耗量預(yù)測模型及應(yīng)用[J].環(huán)境工程,2012,30(S2):378-380.

[9] Yan T.An improved genetic algorithm and its blending application with neural network[C]//Intelligent Systems and Applications (ISA),2010 2nd International Workshop on.IEEE,2010:1-4.

[10] 歐韜,周長春.基于神經(jīng)網(wǎng)絡(luò)的民航安全態(tài)勢評估模型及仿真[J].中國安全生產(chǎn)科學(xué)技術(shù),2011,7(2):34-41.

[11] 徐濤,燕憲金,楊國慶.基于神經(jīng)網(wǎng)絡(luò)集成的單個飛行事件噪聲預(yù)測模型[J].中國環(huán)境科學(xué),2014,34(2):539-544.

[12] 王衍洋,曹義華.航空運(yùn)行風(fēng)險的灰色神經(jīng)網(wǎng)絡(luò)模型[J].航空動力學(xué)報,2010,25(5):1036-1042.

[13] 汪送,王瑛,李超.BP 神經(jīng)網(wǎng)絡(luò)在航空機(jī)務(wù)人員本質(zhì)安全程度評價中的應(yīng)用[J].中國安全生產(chǎn)科學(xué)技術(shù),2010,6(6):35-39.

(編輯：方春玲)

Research on constructing of matching model between fuel consumption and flight trajectories based on BP neural network

WEI Zhi-qiang, ZHANG Wen-xiu

(College of Air Traffic Management, Civil Aviation University of China, Tianjin 300300, China)

This paper establishes BP neural network model based on the flight track data matching with the QAR records. Fuel consumption is calculated by putting the flight track data and then the calculating results are compared with the real QAR fuel consumption data which shows that the calculation error of this model is less than 2%, so it can meet the requirements to calculate fuel consumption for air traffic control. In the end, this paper calculates the fuel consumption using some real radar record data to quantitatively analyze air traffic control’s influence on civil aviation energy-saving and emission reduction. This can improve the air traffic operation quality at the condition of considering safety, air traffic control capacity and also the requirements for green operation.

air transportation; BP neural network; fuel consumption estimation; flight track data

2016-03-30;

2016-09-05;

時間:2016-09-22 14:55

國家自然科學(xué)基金資助(U1533116，21407174)；國家863計劃資助(2014AA110501)；航空科學(xué)基金資助(20140267002)；天津市應(yīng)用基礎(chǔ)與前沿技術(shù)研究計劃項目(14JCQNJC08100)

魏志強(qiáng)(1979-)，男，河南澠池人，副教授，碩士生導(dǎo)師，研究方向為飛機(jī)性能與飛行仿真。

V212.13

A

1002-0853(2016)06-0025-05