端到端的飛機尾渦特征參數(shù)估計*

潘衛(wèi)軍 冷元飛 蔣倩蘭 吳天祎

（中國民航飛行學(xué)院空中交通管理學(xué)院 廣漢 618307）

1 引言

尾流是由飛機飛行過程中，空氣受機翼構(gòu)型的影響在翼尖處形成的旋渦流場。尤其在進離場航線上，重型飛機產(chǎn)生的強烈渦流對跟隨飛機會構(gòu)成潛在威脅，從而影響空中交通運營安全[1]。因此，國際民航組織早在1970年特別規(guī)定了飛機起飛和著陸最小間隔要求，以用于避免尾流遭遇風(fēng)險。但近年來隨著空中交通流量的增長，管制對間隔的要求逐漸成為機場高效運營的障礙[2～3]。對飛機實施動態(tài)尾流間隔是保障空中交通安全和提升機場容量的重要手段[4～5]。

對于動態(tài)尾流間隔技術(shù)，飛機尾流渦旋的精確三維測量至關(guān)重要。隨著激光雷達技術(shù)發(fā)展，相干激光雷達已被證明是探測尾渦最有效和最靈活的工具，且已經(jīng)有大量團隊應(yīng)用相干激光雷達對各種大氣環(huán)境條件下尾流展開了觀測實驗[6～7]。通過尾流精確測量，如果能夠?qū)ζ溥M行識別，就可以在保證后續(xù)飛行安全的同時，實現(xiàn)飛機間隔調(diào)整。為了解決這個問題，人工智能技術(shù)的發(fā)展將為我們提供一個可行的方案，其包括被廣泛應(yīng)用于目標識別和圖像處理的機器學(xué)習(xí)和深度學(xué)習(xí)（DL）模型[8]。最近研究[9～10]表明它們可以提供基于流場的精確渦旋識別，然而這些研究并沒有進一步給出對尾流特征參數(shù)的量化評估。

鑒于此，本文旨在實施深度學(xué)習(xí)端到端網(wǎng)絡(luò)構(gòu)建，根據(jù)相干光激光雷達掃描獲得的二維徑向速度流場對尾渦特征參數(shù)表征。

2 數(shù)據(jù)采集

項目團隊前期在四川雙流國際機場（SZX）通過部署相干光激光雷達傳感器（Coherent Doppler LIDAR，CDL）開展了尾流探測活動。如圖1所示，相干光激光雷達設(shè)置在垂直距離20R號跑道中線延長線約1000m的位置，到跑道端延長線垂直距離約500m。其通過循環(huán)掃描精確測量渦流生命演化周期內(nèi)的速度剖面。CDL在仰角方向上掃描捕獲尾流渦旋的位置，每架飛機產(chǎn)生的尾流從機尾到機頭方向觀測為兩個反向旋轉(zhuǎn)的旋渦（clockwise vortex and counterclockwise vortex，CCW 和CW）。尾流數(shù)據(jù)收集在無雨微風(fēng)的良好天氣情況下進行，為相干光激光雷達系統(tǒng)提供最佳探測條件。對于CW和CCW，基于光脈沖相干多普勒頻移探測原理，CDL利用穩(wěn)頻脈沖激光作為探測光源，通過接收大氣中隨風(fēng)飄移氣溶膠的散射回波信號，并解析來獲得激光束視線方向的徑向風(fēng)矢量線。

圖1 激光雷達位置

測量所采用的相干光激光雷達為FBOX-6000，對實時測量的快速響應(yīng)，可在8km的探測半徑內(nèi)實現(xiàn)對流層中下層3D風(fēng)場的精細探測。圖2展示了現(xiàn)場測量情況，高精度光學(xué)鏡采用3D掃描探測的距離高度顯示器（range-height-indication，RHI）定點掃描模式。

圖2 FBOX-6000實地掃描尾渦（RHI mode）

3 模型框架

圖3展示了本文所提的端到端飛機尾流參數(shù)估計深度學(xué)習(xí)框架（以下簡稱WVConv）。該方法包括兩個部分：第一個是用于CDL獲取徑向速度流場特征提取的主干網(wǎng)絡(luò)；第二個是用于對飛機尾流左右渦的特征參數(shù)進行估計的預(yù)測模塊。

圖3 機深度學(xué)習(xí)框架

3.1 主干網(wǎng)絡(luò)

深度學(xué)習(xí)框架的主干網(wǎng)絡(luò)用于提取輸入數(shù)據(jù)的潛在基礎(chǔ)特征。考慮到CDL掃描風(fēng)場不同于傳統(tǒng)光學(xué)傳感器，本文設(shè)計了一個具有深度可分離卷積塊[11]的簡單卷積神經(jīng)網(wǎng)絡(luò)主干，以單通道數(shù)據(jù)作為網(wǎng)絡(luò)原始輸入，支持特征傳播和特征復(fù)用，從而減少計算量和加快模型預(yù)測速度，結(jié)構(gòu)如圖4（a）所示。主干網(wǎng)絡(luò)首先執(zhí)行標準卷積的輸出，然后將個深度可分離卷積模塊堆疊構(gòu)成模型的主體，最后再疊加一層標準卷積層輸出下游解碼任務(wù)的共享特征圖（Fsfm）。

圖4 主干網(wǎng)絡(luò)

深度可分離卷積塊結(jié)構(gòu)如圖4（b）所示，其是由深度卷積（Depthwise Convolution，DW）和逐點卷積（Pointwise Convolution，PW）前后連接組成。DW卷積層的作用是對輸入通道進行濾波過濾，而PW卷積層則是將DW卷積層的輸出進行線性組合以獲得新的特征圖。為了更好地展現(xiàn)網(wǎng)絡(luò)的非線性建模能力，在DW和PW之后使用了線性整流函數(shù)（Relu）。為了防止梯度爆炸，加快模型的收斂速度，提高模型的效率，在Relu之前增加了批標準化層（BN）來實現(xiàn)數(shù)據(jù)分布的自動調(diào)整。

3.2 特征參數(shù)解碼

在近地階段，飛行中飛機產(chǎn)生一對渦流區(qū)域，如圖5所示。渦流區(qū)中CCW和CW的定量描述主要體現(xiàn)在其特征參數(shù)：左渦渦核位置（Lcw,Hcw）和環(huán)量強度Γcw；右渦渦核位置(Lccw,Hccw)和環(huán)量強度Γccw。

圖5 近地渦旋

本文通過深度學(xué)習(xí)框架對雷達獲取的徑向速度流場學(xué)習(xí)，以用于飛機尾渦各參數(shù)表征。研究[12～14]表明將神經(jīng)網(wǎng)絡(luò)用于進行多任務(wù)時，在共享特征圖上針對不同任務(wù)進行解耦有助于提高各模塊的預(yù)測精確度。通過本文中的模型對左右兩尾流渦旋的參數(shù)分別進行解耦估計，利用兩個不同的3×3卷積層對骨干輸出的共享特征圖Fsfm進一步卷積，從而得到左右渦特征圖Fcw和Fccw。對于左渦的渦核定位和環(huán)量估計解耦，也分別利用兩個不同3×3卷積層對上層特征圖Fcw進行特征提取，同理右渦也進行相似操作。由于左右渦的預(yù)測參數(shù)輸出數(shù)量是一樣的，因此最后總共需要4個不同的全連接網(wǎng)絡(luò)（見圖6）同時運行，每個MLP檢測頭都針對相應(yīng)表征參數(shù)（Lpcw,Hpcw）、Γpcw（Lpccw,Hpccw）、Γpccw進行權(quán)重訓(xùn)練。

圖6 MLP結(jié)構(gòu)

3.3 損失函數(shù)

WVConv對飛機尾流左渦的特征參數(shù)估計，可以看作是回歸問題，本文模型訓(xùn)練選擇平滑最小絕對值偏差（Smooth L1）[15]作為預(yù)測特征參數(shù)的損失函數(shù)，其計算式如式（1）。

式中，Lpcw,Hpcw,Γpcw,Lpccw,Hpccw,Γpccw代表模型對左右渦核位置及環(huán)量估計結(jié)果。Lcw,Hcw,Γcw,Lccw,Hccw,Γccw表示各特征參數(shù)標記值，M代表樣本數(shù)量。

因此，對尾流參數(shù)估計的總體優(yōu)化目標為

4 實驗與結(jié)果

4.1 實驗設(shè)備

實驗在Windows10操作系統(tǒng)下進行，并在VScode開發(fā)環(huán)境中使用Python 3.7編程語言和深度學(xué)習(xí)框架PyTorch。計算平臺硬件配置為Dell T640工作平臺，處理器為Intel（R）Xeon（R）GOLD 5218，內(nèi)存為32GB。

4.2 數(shù)據(jù)集構(gòu)建

實時風(fēng)場數(shù)據(jù)由2020年10月15日期間位于SZX的CDL采集生成，具體雷達運行參數(shù)如表1。

WVConv的輸入是一個48×56的二維矩陣，對于每個掃描矩陣的探測角度間隔0.2°，徑向探測距離間隔15m。尾渦數(shù)據(jù)真實特征參數(shù)值根據(jù)參考文獻[16～17]給出的RV標記方法計算得到，并作為深度學(xué)習(xí)模型從徑向速度流場到尾渦特征參數(shù)的學(xué)習(xí)目標。鑒于RV方法的特性，該計算方法將直接構(gòu)成限制深度學(xué)習(xí)網(wǎng)絡(luò)能力的重要因素。所構(gòu)建的數(shù)據(jù)集最終被隨機化分為60%訓(xùn)練集、20%驗證集和20%測試集。其中訓(xùn)練數(shù)據(jù)集（419個）用于神經(jīng)元學(xué)習(xí)權(quán)重的訓(xùn)練數(shù)據(jù)集，驗證集被用于模型超參調(diào)整，測試集被用于模型測試。

表1 CDL掃描參數(shù)

4.3 訓(xùn)練設(shè)置

WVConv模型使用自適應(yīng)矩估計 Adam[18]作為對網(wǎng)絡(luò)梯度下降算法的優(yōu)化器。終止訓(xùn)練被設(shè)置為150個epoch，但如果超過30個epoch中沒有檢測到模型改進，網(wǎng)絡(luò)訓(xùn)練將提前終止，以避免過度擬合訓(xùn)練數(shù)據(jù)，具體訓(xùn)練參數(shù)設(shè)置可見表2。

表2 訓(xùn)練設(shè)置

平均絕對誤差（MAE）是衡量模型預(yù)測性能的重要指標。它通過測量一組預(yù)測中誤差的平均幅度來衡量預(yù)測與最終結(jié)果的接近程度。在這項工作中，對于參數(shù)估計的評價指標采用MAE評價，其計算式：

式中，yi和y?i分別呈現(xiàn)預(yù)測值和實際值，M代表樣本數(shù)量。

4.4 預(yù)測結(jié)果與分析

實驗將本文所提WVConv模型在訓(xùn)練集上進行學(xué)習(xí)，圖7展示了訓(xùn)練階段損失值的迭代圖?？芍Ｐ驮?0輪次之前總體損失值下降較快，之后總體損失值趨于穩(wěn)定，進而早停模型訓(xùn)練。

圖7 損失迭代圖

為了測試所提模型的特征參數(shù)預(yù)測性能。將模型在測試集上進行測試，結(jié)果如表3所示。同時，圖8給出了WVConv模型部分樣本測試示例。

表3 尾渦參數(shù)估計測試結(jié)果

圖8 WVConv模型特征參數(shù)估計

通過表3，可以看出WVConv模型對左右渦水平距離上的估計誤差分別為7.30m和8.16m，對高度的估計誤差為2m和1.59m。WVConv對左右環(huán)量的誤差分別為8.42m2/和8.65m2/s，且得益于深度可分離卷積塊的應(yīng)用，識別速度達到100fps。通過圖8可以發(fā)現(xiàn)所提模型對初級渦的定位能力較強，且尾流環(huán)量估計值準確。隨著尾渦相互誘導(dǎo)演化耗散，模型預(yù)測能力略有下降。綜合來看，微風(fēng)環(huán)境下，所提模型能夠有效對飛機近地尾渦特征參數(shù)進行預(yù)測。

5 結(jié)語

本文中提出了端到端飛機尾流估計框架。其由深度可分離模塊為基礎(chǔ)，設(shè)計一個輕量化簡單骨干網(wǎng)絡(luò)，并以此為基礎(chǔ)分別構(gòu)建不同的預(yù)測模塊估計尾渦特征參數(shù)。實驗使用相干光激光在雙流國際機場采集數(shù)據(jù)，處理后對模型進行訓(xùn)練、測試。結(jié)果表明，模型對尾渦的特征環(huán)量和渦核定位估計效果較好。在本文中，深度人工神經(jīng)網(wǎng)絡(luò)展示了在相干光激光雷達所獲取的徑向速度流場上的分析能力，其明顯優(yōu)勢是快速掃描尾渦場，從而端到端對飛機尾流特征參數(shù)進行估計。

總體而言，所提出的方法有改進的余地，但各特征參數(shù)預(yù)測精度不能優(yōu)于RV方法，除非模型學(xué)習(xí)目標是以其它更準確方式創(chuàng)建。未來可以進一步引入天氣因素，以應(yīng)對在惡劣天氣中對各項特征參數(shù)預(yù)估能力。