基于T-S 模糊神經(jīng)網(wǎng)絡的飛行學員飛行技能評價模型構建研究

李 根， 汪海波， 司海青， 潘 亭， 劉海波

（南京航空航天大學通用航空與飛行學院， 南京 210016）

1 引言

在航空飛行中，合格飛行技能的飛行員是保障航空安全的關鍵因素。 70%～80%的航空事故都是由人的因素造成的，60%是由于飛行員的失誤造成［1－3］。 對此，研究人員對飛行員技能評價的方法進行研究，建立了技能評價的評價模型。Kirkland 等［4］為評價飛行員起降滑跑階段的操縱表現(xiàn)，建立了相應的風險評估模型；Payne 等［5］從飛機的姿態(tài)管理和能量管理兩方面，選取了升降控制、平衡能力、速度控制等5 個維度建立了飛行駕駛技術評估體系，對飛行員在起飛、爬升、巡航、轉(zhuǎn)彎、進近和著陸等情境下表現(xiàn)出的飛行技術水平進行評價。 國外研究受制于QAR（ Quick Access Recorder）數(shù)據(jù)的隱私性，QAR 數(shù)據(jù)不易獲取，因此對飛行員技能評價以問卷評價形式居多。

國內(nèi)研究人員基于QAR 數(shù)據(jù)在飛行員績效評價、操作風險識別等方面開展了建模研究。Wang 等［6－7］基于QAR 數(shù)據(jù)對著陸階段飛行員的操縱表現(xiàn)及風險進行了分析，并指出拉平操縱在著陸階段的重要性；陳農(nóng)田等［8］利用灰色關聯(lián)度分析和優(yōu)劣解距離算法，結合所采集到的QAR 數(shù)據(jù)，對飛行員著陸階段的操縱績效評價建立了評價模型；柳忠起等［9］和姚裕盛等［10］在進行飛行員績效評價建模時引入神經(jīng)網(wǎng)絡的方法，較好實現(xiàn)了對飛行員的績效評價，彌補了教員主觀打分評估的缺點，為飛行員的績效評價提供了新方法。

從主、客觀兩方面開展的飛行員技能評價取得了較好的成果，但也存在需要改進提升之處。國外研究多從構建主觀評價量表對飛行員開展技能評價，忽視了客觀飛行數(shù)據(jù)所反應出的操縱技能好壞；而國內(nèi)研究主要針對飛行過程中的某個單一階段，忽視了從起飛到著陸飛行全過程中飛行員操縱行為的表現(xiàn)。 王越［11］研究認為，起落航線飛行恰好涵蓋了從起飛至降落的所有飛行過程，飛行學員的飛行訓練也以起落航線飛行訓練為主。 同時，為在飛行學員逐漸增多的情形下減輕教員的評估任務量，建立能夠進行自動評估的評價模型已經(jīng)成為飛行評價研究的熱點［12］。

神經(jīng)網(wǎng)絡因具有強大的自學習、自組織和自適應能力，被認為是建立自動評估模型的有效方法；模糊系統(tǒng)在處理系統(tǒng)的不確定性、測量的不精確性等模糊問題上展現(xiàn)出較強的適用性。 T-S（Tskagi-Sugeno）模糊神經(jīng)網(wǎng)絡作為模糊理論與神經(jīng)網(wǎng)絡相結合的產(chǎn)物，在集成了2 種方法優(yōu)點同時，有效避免了學習能力缺乏、辨識過程復雜、模型參數(shù)優(yōu)化困難等問題［13］。

本文選用某校118 名飛行學員訓練時采集到的飛行數(shù)據(jù)，使用T-S 模糊神經(jīng)網(wǎng)絡建立飛行學員起落航線飛行技能評價模型，并將模型評價結果與實驗打分結果進行對比，以驗證所建模型的準確性及適用性。

2 評價指標

起落航線飛行又稱五邊飛行，是飛行學員飛行訓練的重要課程，飛行學員可從起落航線飛行訓練中學習起飛、爬升、轉(zhuǎn)向、平飛、下降及降落等飛行技巧。 在飛行技能考核方面，提前設定監(jiān)控指標的標準閾值及評分規(guī)則，在飛行學員進行起落航線飛行訓練時實時監(jiān)控飛行數(shù)據(jù)與超限情況，根據(jù)超限情況完成飛行學員飛行訓練中各個考核指標的評分。

2.1 起落航線飛行程序與任務

起落航線飛行是一個包含了完整飛行過程的飛行科目，該科目的飛行高度一般不超過1500 ft。以跑道磁航向為359°的某機場為例，使用該條跑道進行起落航線飛行訓練，飛行最大高度為1100 ft，飛行程序按時間序列依次為起飛滑跑、第一邊飛行、一轉(zhuǎn)彎、第二邊飛行、二轉(zhuǎn)彎、第三邊飛行、三轉(zhuǎn)彎、第四邊飛行、四轉(zhuǎn)彎、第五邊飛行以及著陸滑跑等11 個飛行階段，飛行航線示意圖如圖1 所示。

圖1 起落航線飛行示意圖Fig.1 Diagram of airfield traffic pattern

起落航線飛行中，不同的飛行階段有不同的所需執(zhí)行或監(jiān)控的任務。 起飛滑跑階段考驗飛行學員對飛機狀態(tài)的控制，飛行學員需控制飛機沿跑道中線加速滑跑，當?shù)竭_抬輪速度時拉起機頭；在進行各邊飛行時，飛行學員需管理好飛機的軌跡與能量，控制飛機按預定高度、航向飛行并防止飛機速度超出閾值；在飛行的各個轉(zhuǎn)彎處，飛行學員操縱飛機在適當位置形成轉(zhuǎn)彎姿態(tài)，監(jiān)控飛機的轉(zhuǎn)彎坡度不超過限值，并在轉(zhuǎn)彎結束前及時改出。

進近及降落階段則為學員任務負荷最重的階段，在四轉(zhuǎn)彎結束時，飛行學員操縱飛機的位置應位于跑道中線延長線且航向與跑道平行，進近時根據(jù)天地線位置及參照點對飛機的能量、航向及高度進行控制，接地前拉平飛機并盡可能控制飛機在跑道接地區(qū)接地，之后沿中線滑跑減速。

2.2 飛行評價指標體系

評價指標的選取是飛行技能評價中非常重要的環(huán)節(jié)，起落航線飛行中，飛行學員按照訓練手冊飛行，各飛行階段都有對應的操作要求，飛行學員的操作情況可以由相關飛行參數(shù)直觀反映。 通過綜合考慮各飛行參數(shù)的意義和在飛行技能評價中的實際價值，根據(jù)起落航線飛行各階段飛行任務特點及起落航線飛行訓練手冊，對評價指標進行選取。

遵循系統(tǒng)性、科學性、可比性與實用性原則，考慮飛行學員的飛行技能可以反映在飛行學員在起落航線各飛行階段對飛機能量、飛行姿態(tài)、飛行航跡等方面的控制，以此為基礎，對飛行學員的飛行技能評價指標進行了初步選取。 飛行能量控制包含對高度、速度及過載等參數(shù)的評價；飛行姿態(tài)控制包含對仰角、坡度等參數(shù)的評價；飛行航跡控制則主要是對航跡參數(shù)的監(jiān)控。 基于此，針對飛行能量控制，選取了一轉(zhuǎn)彎高度偏離、三邊高度偏離、跑道入口高度、抬輪表速、一邊最大爬升率、進近最大下降率、接地率、接地過載、飛行最大過載等9 項評價指標；針對飛行姿態(tài)控制，選取一邊最大仰角、五邊最大仰角、一轉(zhuǎn)彎坡度、二轉(zhuǎn)彎坡度、三轉(zhuǎn)彎坡度、四轉(zhuǎn)彎坡度等6 項評價指標；針對飛行航跡控制，選取了一邊航跡偏離、二邊航跡偏離、三邊航跡偏離、進近航跡偏離、接地位置偏離、著陸滑跑與中線距離等6 項評價指標。

根據(jù)對飛行訓練手冊與飛行學員在各階段飛行任務的特點，初步確定21 項飛行學員起落航線飛行技能評價指標。 為了使指標更具合理性與科學性，本文進行了2 輪專家訪談，每輪訪談專家均在10 人以上，訪談對象均為在航?；蚝剿局芯哂薪虇T資質(zhì)的飛行員培訓領域?qū)I(yè)人員。 經(jīng)對專家意見的協(xié)同性分析，一邊最大仰角、五邊最大仰角等2 項飛行姿態(tài)控制指標與一邊最大爬升率、進近最大下降率等2 項飛行能量控制評價指標具有重復性，其余19 項指標相關性較小，可以較好地實現(xiàn)對飛行學員起落航線飛行全過程的飛行技能評價。 去除一邊最大仰角、五邊最大仰角2 項飛行姿態(tài)控制指標，最終確定了19 項起落航線飛行技能評價指標。

在19 項起落航線飛行技能評價指標的基礎上，將飛行學員飛行技能水平分為5 個等級：優(yōu)秀、良好、中等、及格和不及格，分別對應5 個分數(shù)段：［100 ～89.5）、 ［89.5 ～79.5）、 ［79.5 ～69.5）、［69.5～59.5）、［59.5～0］。 通過查閱飛行訓練手冊對起落航線飛行的飛行操縱及飛行參數(shù)最大閾值要求，細分出飛行學員飛行技能水平等級與各項飛行技能評價指標對應的閾值關系，19項評價指標及其閾值與飛行技能水平等級的關系如表1 所示。 經(jīng)飛行學員起落航線飛行模擬訓練驗證，19 項飛行技能評價指標可以持續(xù)監(jiān)控飛行學員的起落航線飛行操縱表現(xiàn)，能夠用于對飛行學員飛行技能的評價。

表1 飛行技能評價標準Table 1 Evaluation criteria for flight skills

3 評價模型

3.1 T-S 模糊神經(jīng)網(wǎng)絡拓撲結構

T-S 模糊神經(jīng)網(wǎng)絡由前件網(wǎng)絡和后件網(wǎng)絡組成，是一種非線性模糊推理模型，具有計算簡單，易與自適應方法相結合，利于數(shù)學分析的特點［14－16］。 其輸入為飛行學員起落航線飛行各評價指標的評價得分，輸出為飛行學員飛行技能評估值，因此本文所使用的網(wǎng)絡僅考慮多輸入單輸出的情況，其拓撲結構如圖2 所示。

圖2 T-S 模糊神經(jīng)網(wǎng)絡拓撲結構Fig.2 T-S fuzzy neural network topology

3.1.1 前件網(wǎng)絡

1）輸入層。 即網(wǎng)絡中的輸入xi，見式（1）。

式中，n為輸入節(jié)點。

2）模糊化層。 使用隸屬度函數(shù)式計算各輸入變量的隸屬度uij，見式（2）。

式中，cij為隸屬度函數(shù)的中心，bij為隸屬度函數(shù)的寬度，m為輸入?yún)?shù)。

3）模糊規(guī)則計算層。 采用模糊連乘公式計算每種規(guī)則的適應度ωj，見式（3）。

3.1.2 后件網(wǎng)絡

1）輸入層。 即網(wǎng)絡中的輸入xi，其作用為將輸入變量傳至全連接層。

3.2 評價模型初始化

考慮到飛行學員19 項評價指標最大偏離值及評價結果數(shù)據(jù)間的量級差別較大，造成神經(jīng)網(wǎng)絡對飛行學員技能評價的不精確，故對實驗得到的19 個評價指標的最大偏離值與實驗結果進行歸一化處理，見式（7）、式（8），以消除數(shù)據(jù)間量級的差別。

式中，xi為歸一化后的神經(jīng)網(wǎng)絡輸入變量，Xi為實驗獲得的各評價指標的最大偏離值。

基于T-S 模糊神經(jīng)網(wǎng)絡理論，運用MATLAB R2021b 建立一種用于評價飛行學員起落航線飛行技能的評價模型。 根據(jù)飛行學員的技能評價指標，確定模型的輸入數(shù)據(jù)為19 維，輸出數(shù)據(jù)為1維，根據(jù)式（5）選擇20 組系數(shù)p0～p19。 為確定神經(jīng)網(wǎng)絡的中間層數(shù)及學習效率，分別采用中間層為30 層、38 層與46 層以及學習速率為0.03、0.05、0.07 對神經(jīng)網(wǎng)絡進行預訓練。 對比采用不同的中間層數(shù)及訓練速率的預訓練結果，當中間層數(shù)為38，學習速率為0.05 時，T-S 模糊神經(jīng)網(wǎng)絡訓練結果的誤差最小。 因此確定文中所構建神經(jīng)網(wǎng)絡的中間層數(shù)為38 層，神經(jīng)網(wǎng)絡結構為19-38-1。

3.3 評價模型訓練

將飛行學員起落航線飛行實驗所得到的19 個評價指標的最大偏離值作為輸入，由模型輸出獲得飛行學員飛行技能評價結果，并與實驗人工打分結果進行對比，以此驗證該模型的有效性。

選取適當組歸一化后的各指標最大偏離值及實驗結果對T-S 模糊神經(jīng)網(wǎng)絡進行訓練。 將各指標最大偏離值作為模型的輸入，將教員對學員飛行技能水平打分結果即實驗結果作為模型的輸出。 設置神經(jīng)網(wǎng)絡的學習速率為0.05，迭代次數(shù)為5000 次對網(wǎng)絡進行訓練，訓練過程中采用均方誤差作為模型的誤差計算函數(shù)，見式（9）。

式中，yd為網(wǎng)絡期望輸出；yc為網(wǎng)絡實際輸出。

訓練過程中對系數(shù)進行修正，見式（10） ～（11）。

式中，cij為隸屬度函數(shù)的中心，bij為隸屬度函數(shù)的寬度，β為神經(jīng)網(wǎng)絡系數(shù)。

利用訓練數(shù)據(jù)通過多次系數(shù)與參數(shù)修正訓練好網(wǎng)絡后，即可得到基于T-S 模糊神經(jīng)網(wǎng)絡的飛行學員技能評價模型。

4 飛行技能評價

4.1 數(shù)據(jù)獲取

為得到用于飛行技能評價模型訓練及驗證的飛行數(shù)據(jù)及專家打分，設計了針對飛行學員的起落航線飛行實驗，實驗具體流程如圖3 所示。

圖3 起落航線飛行實驗流程圖Fig.3 Flow chart of airfield traffic pattern test

實驗招募118 名男性飛行學員作為受試者，年齡18～20 歲，身體健康，且實驗前休息充分，另有3 名擁有飛行執(zhí)照且具備航校教員資格滿5 年以上的在職飛行教員進行綜合打分。

飛行實驗同時使用5 臺塞斯納172R 飛行模擬訓練器（中天翔翼航空科技有限公司，天津），共進行24 輪飛行實驗。 在實驗中，通過飛行數(shù)據(jù)監(jiān)控軟件實時監(jiān)控并記錄飛行學員操縱參數(shù)。 實驗結束后，由3 名教員根據(jù)飛行實驗時記錄的各指標最大偏離值對照飛行評價指標評價閾值表對飛行學員飛行技能進行綜合打分，并對打分結果進行平均，得到實驗評價結果。 之后，對獲得的各指標最大偏離值及實驗評價結果進行核驗，采集完整且無誤的相關數(shù)據(jù)予以保存。 最終得到110組飛行學員的各指標最大偏離值及實驗評價結果數(shù)據(jù)集。

4.2 評價模型訓練結果

隨機選取80 組歸一化后的各指標最大偏離值及實驗結果對T-S 模糊神經(jīng)網(wǎng)絡進行訓練。 將80 組各指標最大偏離值作為模型輸入，將80 組教員對學員飛行技能水平打分結果即實驗結果作為模型輸出。 網(wǎng)絡訓練過程中的迭代均方誤差如圖4 所示。

圖4 網(wǎng)絡訓練均方誤差Fig.4 MSE of network training

由圖4 可以看出，在前3500 步迭代過程中，該網(wǎng)絡的均方誤差迅速下降，而后趨于平穩(wěn)。 經(jīng)5000 次迭代，網(wǎng)絡的均方誤差達到10－12量級。 從網(wǎng)絡訓練的均方誤差可得，T-S模糊神經(jīng)網(wǎng)絡在進行飛行學員五邊飛行技能評價的學習過程中具有較好的收斂性，使用該網(wǎng)絡所建立的飛行學員技能評價模型能夠快速達到收斂要求。

圖5 為飛行學員技能評價模型對訓練集的模型評價結果。 整體上，模型評價結果與實驗結果具有較好的一致性，僅編號為32、35、80的3 個訓練集樣本的模型評價結果與實驗結果存在較大的誤差，相對于80 組訓練樣本并不具有代表性。 訓練結果表明，基于T-S 模糊神經(jīng)網(wǎng)絡建立的飛行學員技能評價模型具有良好的訓練效果。

圖5 訓練集評價結果Fig.5 Evaluation results of the training set

4.3 評價模型驗證結果

將剩余30 組數(shù)據(jù)集作為測試集輸入至已完成訓練的評價模型，并將得到的輸出結果進行反歸一化，結果如圖6 所示。 根據(jù)圖6 中誤差棒的長短分析可得，飛行學員技能評價模型對測試集的模型評價結果相對誤差有所增長，但增長的幅度較低，整體上飛行學員技能評價模型對測試集的模型評價結果與實驗評價結果誤差較小，能夠?qū)崿F(xiàn)對飛行學員技能評價的目標。 由此表明，T-S模糊神經(jīng)網(wǎng)絡具有較好的學習能力和泛化能力。

圖6 測試集評價結果Fig.6 Evaluation results of the test set

對30 名飛行學員的實驗結果及通過飛行技能評價模型得到的評價結果進行統(tǒng)計，結果如圖7 所示。

圖7 30 名飛行學員飛行技能評價結果Fig.7 Flight skill evaluation results of 30 flight cadets

從圖7 可以看出，30 名飛行學員飛行技能的評價結果在5 個等級中均有分布。 模型評價結果與實驗結果間的絕對誤差均小于0.5，可以滿足所設立評分區(qū)間的容差要求。 在30 名飛行學員中，11 名飛行學員的飛行技能水平評價結果為優(yōu)秀，7 名飛行學員的評價結果為良好，6 名飛行學員的評價結果為中等，4 名飛行學員的評價結果為及格，2 名飛行學員的評價結果為不及格。

評價結果與30 名飛行學員的學習及飛行模擬訓練時長也呈現(xiàn)出正相關性。 在30 名飛行學員中，高年級的學員均在良好等級以上，而6 名被評為及格及以下等級的學員均為2022 年新入學學員。 優(yōu)秀等級的11 名學員利用課余時間進行了大量飛行模擬訓練，其中3 名飛行學員曾獲得飛行模擬比賽最高獎勵；7 名評價結果為良好的飛行學員均為飛行模擬隊成員，在課余時間進行的飛行模擬訓練也使其提高了飛行技能水平；而6 名中等等級的飛行學員進行的飛行模擬訓練較少，飛行技能水平相對較弱；另6 名新入學學員還未進行過飛行模擬訓練，因此評價結果相對較差，但其中4 名學員表現(xiàn)出了較好的飛行潛力。

4.4 準確度分析

將實驗結果和模型評價結果代入到式（14），求得T-S 模糊神經(jīng)網(wǎng)絡的評價準確度EA。

式中，N為評價數(shù)據(jù)組數(shù)（N＝30）；Toutj，Eoutj分別為第j（j＝1，2，…，N）組實驗評價結果和神經(jīng)網(wǎng)絡評價輸出反歸一化后的結果。

為了驗證T-S 模糊神經(jīng)網(wǎng)絡在飛行技能評價方面的優(yōu)越性和準確性，并與已應用于飛行員績效評價的建模方法進行對比，分別使用樸素貝葉斯和BP 神經(jīng)網(wǎng)絡建立評價模型，通過式（14）計算得到3 種評價模型準確度由低至高分別為樸素貝葉斯、BP 神經(jīng)網(wǎng)絡、T-S 模糊神經(jīng)網(wǎng)絡，準確度分別為72.3%、92.1%、97.6%。 T-S 模糊神經(jīng)網(wǎng)絡準確度在3 種方法中是最高的，說明T-S 模糊神經(jīng)網(wǎng)絡在飛行學員技能評價方面具有較強的適應性。

本文建立的評價模型對飛行學員起落航線飛行技能的評價，彌補了由不同教員主觀打分帶來的潛在誤差，同時考慮了各飛行階段特點及不同階段所關注的多項飛行指標。 基于T-S 模糊神經(jīng)網(wǎng)絡建立的飛行學員飛行技能評價模型對飛行學員的飛行訓練評價起到了較好的輔助作用。

5 結論

1） 針對飛行學員飛行技能評價，選取起落航線飛行作為評價飛行技能的飛行科目，結合飛行訓練手冊并經(jīng)與飛行教員進行專家訪談，共選取19 個飛行參數(shù)作為評價指標，形成了飛行學員飛行技能評價指標體系。

2） 使用T-S 模糊神經(jīng)網(wǎng)絡構建了飛行學員飛行技能評價模型，模型的訓練結果和測試結果顯示，該方法適用于飛行學員飛行技能的評價。

3） 通過比較T-S 模糊神經(jīng)網(wǎng)絡與樸素貝葉斯、BP 神經(jīng)網(wǎng)絡分別構建出的飛行技能評價模型準確度，T-S 模糊神經(jīng)網(wǎng)絡所建的模型準確度較其他2 種方法更高，因此在3 種方法里T-S 模糊神經(jīng)網(wǎng)絡具有更好的評價效果。