利用機器學習預測QAR嚴重超限事件的分析模型

洪劍敏

摘 要：截止到目前為止，QAR設備已經在民用航空領域得到了極為廣泛的運用，并且已經取得了不錯的成效。但即使如此，我們對于QAR數據的應用還處于一個相當有限的摸索階段。QAR設備雖然擁有著海量的信息存儲，但我們卻不知道如果去運用。本文旨在通過機器學習，挖掘QAR數據中對于嚴重超限事件的分析模型，從而探討降低如何降低此類事件發(fā)生的概率，希望能對今后的航空運輸業(yè)務的安全性能的提升起到積極的促進作用。

關鍵詞：QAR；數據分析；分析模型；機械學習

引文：QAR，全稱快速存取記錄器，是飛機在飛行階段對于飛機的系統(tǒng)參數以及各方面數據進行精確記錄的儀器。目前已經被廣泛的運用在了各類民用航空飛行器中，對于提高飛機的運行控制與技術管理，乃至地面后勤保障工作的效率有著積極的影響。一旦飛機發(fā)現(xiàn)存在性能問題，就可以通過QAR的數據回溯出飛機是產生了哪方面的故障。而更為重要的是，根據這些相關數據，可以通過機械學習的方式，對于超限事件進行分析，從而降低飛機發(fā)生嚴重超限事件的概率。

1.機器學習的概念與分析模型

機器學習，是指通過計算機進行模擬，分析人的行為方式以及學習習慣，從而達到模擬現(xiàn)有的人類學習和知識運用途徑。同過計算機的模擬，不斷的調整學習結構以及行為。通過這以過程的所建立起的檢測研究以及分析，逐步改變人類本身的行為方式以及學習習慣，從而提高自身能力的一種學習方式。目前，機械學習已經被廣泛的運用于生物學、醫(yī)學、計算機等多種領域。

同時，將機器學習運用到預測QAR嚴重超限事件的分析模型中，這一課題在國內還比較罕見，同時，也缺乏相應的理論指導。不過通過機器學習，將QAR數據中所有的嚴重超限事件建立分析模型，研究產生問題的原因，尋找其中的客觀規(guī)律。在未來的飛行行業(yè)中起到預測警示的作用，降低超限事件的發(fā)生概率，也是提高航空運輸業(yè)安全性的重要目標。

2.QAR對于研究飛機嚴重超限事件的重要性

（1）QAR對飛機飛行過程中進行完整的數據記錄

根據國家對于民航的相關管理條例和規(guī)定，要求民用飛機全部裝備快速存取記錄器。該記錄器可以連續(xù)工作長達六百個小時，記錄下飛機在飛行過程中的所數據。然后在飛機降落之后，將記錄數據發(fā)送到專門的服務器山進行譯碼。數據量龐大并且完整，可以記錄下飛機在飛行過程中的一切異常情況，不僅給維修部門的飛機維護工作提供了極大的幫助，并且對于研究飛機的嚴重超限事件也具有極為重要的參考價值。

（2）能夠快速的分析出超限事件發(fā)生的原因

飛機從起飛到降落，主要經歷過的飛行過程包括了：起跑、起飛、巡航、著陸等多個流程。而根據多年來對于各類飛機發(fā)生嚴重超限事件的分析研究。其結果表面：在飛機起飛爬升的前三分鐘和著陸時的八分鐘是發(fā)生超限事件的兩個集中階段。因此，需要使用快速存取記錄器，對于已經診斷出的飛機故障調取相應參數，分析此次超限事件發(fā)生的原因。例如，2014年12月，一架A320客機就因為機組人員發(fā)現(xiàn)剎車由異常反應進行了短停檢查，但在航段報告PFR及測試結果中均未能找出故障信息。最后，還是通過對于QAR數據的調取，發(fā)現(xiàn)了是由于A320的起落架主輪的剎車壓力和剎車溫度明顯偏高，并且剎車腳蹬的數值大于右側。這才及時的排除了故障，保證了飛機的安全飛行。

3.利用機器學習預測QAR嚴重超限事件的積極影響

（1）降低嚴重超限事件發(fā)生的概率

利用機器學習，來預測QAR嚴重超限事件，可以從簡單的模擬分析開始。將QAR所記錄的數據導入機械學習的模擬運算環(huán)境中。對于所產生的超限事件還原其事件發(fā)生時的飛機數據，分析超限事件發(fā)生的原因，排除故障。然后將所有的超限事件發(fā)生原因進行對比，總結客觀規(guī)律，將強飛機操作過程中機組人員的技術規(guī)范管理，降低超限事件發(fā)生的概率，從而提高飛行運輸事業(yè)安全性。

（2）改變了飛機維修模式

在民用飛機領域，對于飛機傳統(tǒng)的維修主要采用了計劃性維修和非計劃性維修兩種維修方式。計劃性維修，是根據飛機的飛行狀況、飛行時長所指定的常規(guī)維修計劃。而非計劃性維修，則是維修人員為了避免在飛機的飛行過程中產生各種故障、外來因素影響，隨時對飛機進行不定期的保修工作。但現(xiàn)如今QAR數據分析成果的發(fā)展，讓傳統(tǒng)的非計劃性維修。乃至與計劃性維修制度都變成了徒勞的無用功。QAR技術可以對飛機的任何位置進行檢查，這樣就導致了QAR一起出現(xiàn)了權威性。地面的機組維修人員更愿意通過QAR去尋找具體的故障，記錄真實的超限事件發(fā)生原因以及出現(xiàn)問題的根源。而通過這項技術，所建立的故障預測維修制度也漸漸的開始形成，并且已經取得了初步的成效。節(jié)約了因為排查飛機故障而造成的時間成本的增加，地面機組成員提高了飛機維修的效率，同時，又降低了嚴重超限事故發(fā)生的概率。

（3）為飛行安全檢查提供了準確的數據支持，

在以往的飛機出現(xiàn)故障，排查事故原因的工程中，往往會出現(xiàn)無法查明有事故發(fā)生，或者是在發(fā)生后無法重新還原事故原因。因此也無法進行事故責任界定，總結分析事故內容出現(xiàn)的原因，提出改變性建議等問題。而在QAR數據的龐大支撐下，能夠對于事故發(fā)生時間飛機的參數進行及時的調取與編譯，還原事故發(fā)生時飛機系統(tǒng)的問題。協(xié)商出切實可行的解決辦法。而更為令人驚訝的是，進行了多次這樣的嚴重超限事故的分析模型研究之后，地面維修人員也基本上認識到了QAR設備的用處，進行悉心的維護與使用工作。而飛機內也會設定出危險警告，一旦在飛機的航班運輸過程中出現(xiàn)超限問題，發(fā)出危險提示，就需要立刻降落，保障人民的生命財產安全。

（4）機器學習的巨大好處

利用機器學習預測QAR嚴重超限事件的分析模型，在本質上來講，其實也是簡化工作量，提高工作效率以及專業(yè)技術水平的一種方式。就比如在戰(zhàn)斗機的引擎的制作問題上，不僅需要先去學習外國，吸取一定的工作經驗與教訓。同時，還需要進行大量的流體力學測驗以及風洞實驗驗證。利用機器學習預測QAR嚴重超限事件的分析模型也是如此。一方面，在進行分析模型的過程中，能夠尋找到飛機的巨大安全隱患以及產生嚴重超限事件的愿意。吸取經驗教訓之后對于這些問題能夠做到及時的補救；而另一方面，這也是增加技術人員對于QAR設備的認識，學習掌握其數據的運用方式，提升自己專業(yè)水平的良好機會。同時，區(qū)別于以往的少數信息掌握，無法對于飛機出現(xiàn)的問題進行判別，這時候，QAR設備存儲量巨大的特點就彰顯無疑。而人腦的記憶能力以及判斷推演能力無法達到頂尖堪比電腦模擬出來的水準？這時候，就需要機器學習的幫助，模擬那些飛行數據，從而得到一個虛擬的飛行環(huán)境，不僅能夠解決嚴重超限事件，還能夠尋找出其他改進措施，提高飛機的安全性能。

總結：利用機器學習預測QAR嚴重超限事件的分析模型，在理論操作新上并不算苦難。需要的，則是包含著學習的熱情，投入到對QAR數據分析模型的分析研究中。通過一系列的資料數據的比對，降低飛機的嚴重超限事件發(fā)生概率。

參考文獻：

[1] 卿立勇，黃圣國，林鈺森. 基于QAR數據的飛機系統(tǒng)故障預測與故障診斷支持系統(tǒng)研究[J]. 2016，（2）：11-12.

[2] 鄭波. 基于QAR數據的民航發(fā)動機排故方法研究[J]. 中國民航飛行學院學報，201，26（1）：47-49.

[3] 曹惠玲，賈超. 基于QAR的飛機爬升階段燃油流量回歸模型研究[J]. 中國民航大學學報，2018，31（3）：31-35

[4] 李孟格. 利用機器學習預測QAR嚴重超限事件的分析模型[J]. 民航學報，2018，000 （004）：P.4-7.

[5] 孫瑞山，韓文律. 基于差異檢驗的飛行超限事件參數特征分析[J]. 中國安全生產科學技術，2017，07（2）：22-27.

[6] 韓靜茹. 基于虛擬融合技術的QAR數據應用模式構思[J]. 科學與財富，2018，（31）：228-229.