基于BP 神經(jīng)網(wǎng)絡的試飛訓練安全性量化模型

馬菲，張瓊，賴培軍，岳一笛

1.中國商飛 民用飛機試飛中心，上海 200232

2.西北工業(yè)大學 航空學院，西安 710072

3.南京航空航天大學 民航學院，南京 210016

試驗飛行（簡稱試飛）是航空領(lǐng)域中的一項重要任務，隨著航空系統(tǒng)越來越復雜，試飛員面臨的挑戰(zhàn)也與日俱增，對試飛員的技能水平和心理素質(zhì)提出極高的要求。試飛員的飛行訓練是確保試飛安全的重要環(huán)節(jié)，備受關(guān)注，但相關(guān)安全性指標的量化一直是難點。為了提高試飛訓練品質(zhì)、保障試飛安全，利用人因工程的理論和方法，識別出飛行訓練關(guān)鍵要素，利用反向傳播（Back-Propagation，BP）神經(jīng)網(wǎng)絡實現(xiàn)試飛訓練過程中的安全性分級量化。

人因工程是一門涵蓋人、機器和環(huán)境3 個要素的學科，旨在優(yōu)化人機系統(tǒng)的設(shè)計和操作，從而提高工作效率和安全性［1］。采用人因工程分析，能全面捕獲試飛訓練過程中的各影響要素，試飛員的飛行安全受到多個因素的影響，包括人的身心特征、試飛訓練科目的復雜度和環(huán)境等。以人、機、環(huán)作為切入點，分析試飛訓練過程中影響試飛安全的因素，并選取人、試飛訓練科目及環(huán)境三因素，建立試驗飛行訓練過程中的安全性分級量化分析指標體系［2］。

為了實現(xiàn)安全性分級量化分析，本研究將運用人因工程的指標量化處理方法，將各個因素轉(zhuǎn)化為可量化的指標?？紤]本研究中需要融合的數(shù)據(jù)類型相似度較低（定制手環(huán)和非接觸式面部識別系統(tǒng)組合采集），屬于多模態(tài)數(shù)據(jù)，而BP 神經(jīng)網(wǎng)絡模型具有極強的非線性映射關(guān)系，自身的學習能力能確定輸入和輸出之間的關(guān)系，對于不同用戶輸入，可以個性化定制權(quán)重參數(shù)，同時處理缺失值情況，在處理復雜問題、多輸入多輸出問題方面優(yōu)勢突出。因此選擇基于BP 神經(jīng)網(wǎng)絡方法構(gòu)建試驗飛行訓練過程中的安全性分級量化分析模型，以量化處理后試飛員訓練過程中安全性分級量化分析指標為模型輸入，經(jīng)模型訓練、測試后，輸出試驗飛行訓練安全性分級量化分析等級。為了更加全面地評估試飛員在高風險試飛科目訓練過程中的身體狀態(tài)，本研究利用定制手環(huán)和非接觸式面部識別系統(tǒng)來采集試飛員的身體節(jié)律數(shù)據(jù)，通過分析訓練過程中科目復雜度和難度對試飛員心理特征和生理特征的影響，建立基于BP 神經(jīng)網(wǎng)絡的試飛訓練安全性量化分析模型，計算量化指標和預警指標。首次在飛行試驗領(lǐng)域建立了安全性量化模型，依據(jù)量化結(jié)果可優(yōu)化試驗飛行訓練課程，提高試飛員訓練品質(zhì)，為試飛安全提供保障。

1 研究現(xiàn)狀

1.1 國內(nèi)外研究現(xiàn)狀

近年來，飛行員的行為建模和安全分析成為廣泛關(guān)注的研究領(lǐng)域［3］。為了有效解決該問題，研究者們采用了多種方法，包括專家系統(tǒng)、層次分析、序關(guān)系分析、模糊理論以及神經(jīng)網(wǎng)絡等。在環(huán)境方面，高原機場一直是試飛領(lǐng)域的重點，文獻［4］通過對高原機場飛行員駕駛行為和高原環(huán)境進行仿真，研究了穿越風場飛行時的失控風險。在人因方面，飛行員的可靠性問題一直備受關(guān)注，文獻［5］提出了一種基于效能指數(shù)的將人的可靠性引入飛機作戰(zhàn)評估效能分析方法，并對不同任務場景下的飛行員可靠性進行了分析，該評估方法更貼近客觀實際，但局限于效能分析，缺乏人因方面所必須的預測和智能化實時評價。文獻［6］將訓練飛行時飛行員的生理信號和飛行操作參數(shù)作為輸入，建立了一種基于BP 神經(jīng)網(wǎng)絡的飛行員飛行訓練品質(zhì)評估模型，該評估模型能夠有效地將飛行員生理信號與飛行訓練參數(shù)相結(jié)合，對飛行員的飛行訓練品質(zhì)進行評價，但關(guān)于安全性方面未開展分析和研究。在飛行員行為建模和安全分析的研究領(lǐng)域，文獻［7］通過分析訓練過程中典型飛行參數(shù)與機動動作的因果關(guān)系，通過專家經(jīng)驗與先驗知識構(gòu)建基于動態(tài)貝葉斯網(wǎng)絡的機動動作識別模型，該評估方法能夠根據(jù)飛行過程中的參數(shù)信息進行機動動作識別及飛行訓練評估，提高了飛行訓練評估的效率。在民航業(yè)，試飛系統(tǒng)理論事故模型與過程尤為重要，因此可以對飛行訓練中的風險源進行識別及管控，構(gòu)建飛行訓練仿真模型以對飛行訓練的安全狀況進行定量表征。除此之外，在試飛安全領(lǐng)域，通過監(jiān)測飛行員的生理數(shù)據(jù)，可以實時了解其認知負荷水平和情緒狀態(tài)，幫助飛行員及時調(diào)整自身狀態(tài)，提高工作效率和飛行安全性。與傳統(tǒng)的主觀評價相比，生理測量具有客觀性和實時性，能夠提供更為準確和可靠的評估結(jié)果。

1.2 民機試驗飛行訓練心理和生理特征分析

在目前的飛行試驗體系中，采用主觀量表和客觀身體檢查對試飛員的生理指標進行評估。主觀量表由試飛員根據(jù)自身身體狀態(tài)的判斷，填寫身體自查表，自查內(nèi)容包括循環(huán)系統(tǒng)、呼吸系統(tǒng)、消化系統(tǒng)、運動系統(tǒng)、內(nèi)分泌系統(tǒng)、五官、泌尿系統(tǒng)、神經(jīng)系統(tǒng)、運動系統(tǒng)等?？陀^身體檢查由航醫(yī)進行，包括血壓、心率、體溫等生理指標，評估試飛員是否能夠執(zhí)行試飛任務。在心理指標方面，多采用主觀量表進行評估。當試飛員發(fā)生重大變動時，填寫癥狀自評量表（SCL90），量表內(nèi)容包括：軀體化、強迫癥狀、人際關(guān)系敏感、抑郁、焦慮、敵對、恐怖、偏執(zhí)及精神病性。心理測量為觸發(fā)性，檢查次數(shù)較少。

目前的民機試驗飛行訓練研究中，對試飛員生理指標和心理指標分析多在數(shù)據(jù)種類上進行橫向拓展與延伸，指標數(shù)據(jù)的采集也多為主觀問卷式評定的定性方法，缺乏定量的分析。并且采集時間也僅限于飛行訓練前或訓練后，跨度較為粗略寬泛，沒有針對于飛行訓練過程中試飛員狀態(tài)的實時變化的研究及精準數(shù)據(jù)的采集。因此，基于前人學者研究的指標分析，在不同場景下分不同維度進行人因指標選擇，繼而建立安全分級量化模型，依托定制手環(huán)和非接觸式面部識別系統(tǒng)，采用定量方法實時識別影響飛行訓練的關(guān)鍵影響因素，明確試驗飛行訓練課程和試飛規(guī)劃技術(shù)優(yōu)化方向。

2 試驗飛行訓練安全性分級量化分析模型

試驗飛行訓練過程中的安全性分級量化分析由如下步驟組成：

1）風險要素根源的辨識：以人體節(jié)律數(shù)據(jù)為基礎(chǔ)，分為疲勞、情緒、健康3 個維度，匹配試飛科目風險等級和環(huán)境，識別影響試驗飛行過程中影響試飛安全的風險要素根源。

2）預警指標選擇：以第1 步為基本條件，通過預警指標的遴選規(guī)則，確認詳細的預警指標。

3）在已選好的預警指標下，建立試驗飛行過程中的安全性分級量化分析指標體系。

4）收集訓練樣本數(shù)值，在BP 神經(jīng)網(wǎng)絡中輸入訓練樣本數(shù)值，開展訓練及測試。測試結(jié)束后，BP 神經(jīng)網(wǎng)絡模型創(chuàng)建完畢［8-10］。

5）建立預警指標體系，確立預警指標的預警閾值，建立試驗飛行訓練安全性分級量化指標預警區(qū)間。

6）結(jié)合預警體系建立試驗飛行過程中的安全性分級量化分析BP 神經(jīng)網(wǎng)絡模型，輸入身體節(jié)律數(shù)據(jù)得到最后預警結(jié)果。

7）將預警結(jié)果按照從高到低的原則劃分為高風險、中風險、低風險，對應風險等級分別為Ⅰ級、Ⅱ級和Ⅲ級，分別用“紅黃綠”3 種顏色標示。試驗飛行訓練過程中安全性分級量化分析步驟和判定原則如表1 所示。

危險的預警結(jié)果出現(xiàn)時，該模型會對預警指標數(shù)值開始判斷，通過對預警數(shù)據(jù)與試飛科目和環(huán)境匹配度分析，以此優(yōu)化試驗飛行訓練課程和試飛規(guī)劃技術(shù)，提升民機試飛安全。圖1是試驗飛行過程中的安全性分級量化分析全部過程。

圖1 試驗飛行訓練安全性分級量化分析全部過程Fig.1 Entire analysis process of quantitative classification of safety in experimental flight training

2.1 安全風險因素及安全性分級量化分析指標體系構(gòu)建

2.1.1 基于人因工程的試驗飛行訓練影響因素

中國民用航空局文件《循證訓練（EBT）實施方法》中明確飛行員的勝任力（Competency）是用來有效預測和評價飛行員工作績效水平的一個重要維度，能夠通過在特定條件下運用相關(guān)知識、技能和態(tài)度執(zhí)行活動或任務的行為予以顯現(xiàn)和觀察。勝任力是飛行員在特定條件下執(zhí)行任務綜合能力的衡量體現(xiàn)，是用來有效預測和評價飛行員工作績效水平的一個重要維度。多國實踐經(jīng)驗表明，EBT 最大程度提升了飛行員的勝任力，并降低了運營人未來的培訓成本［11］。試驗飛行考慮試驗機本身的安全性無法完全達到或未經(jīng)驗證無法確認是否已達到適航標準，因此比航線運營存在著更高的風險［12］，對試飛員技能狀態(tài)的精準把控和勝任力的提升也應有更高的要求。

基于人因工程理論［13-14］，本文將試飛員的勝任力分解為技能和非技能2 個維度。其中技能勝任力展示試飛員對飛機系統(tǒng)、試飛環(huán)境、運行規(guī)定和運行風險等關(guān)鍵信息的知識儲備和認知能力。而試飛員身體素質(zhì)、精神壓力等非技能勝任力也顯著影響著試飛員對試驗飛行的適應能力、差錯的免疫能力和特情的對抗能力。因此，試驗飛行訓練過程的影響因素從影響試飛員技能勝任力和非技能勝任力兩方面進行分析確認。

影響技能勝任力的因素主要反映試飛員的工作負荷，可分解為試飛科目復雜程度和試飛特情處置。試飛科目復雜程度越高，意味著試飛過程的實施難度越大，風險越高，飛行操作越復雜，要求試飛員需要更加嚴謹、準確、熟練地人工操控飛機；試飛特情處置考驗試飛員的情景意識和信息處理能力，能否持續(xù)監(jiān)控并評估飛機系統(tǒng)狀態(tài)和整體運行環(huán)境，及時識別潛在風險并制定有效應對預案。

非技能勝任力借助現(xiàn)今大數(shù)據(jù)驅(qū)動對生理指標的數(shù)據(jù)采集技術(shù)，主要分解為相對代謝率、心率、血氧飽和度、疲勞程度和壓力程度，揭示了試飛員在飛行過程中身體的適應性和負荷。相對代謝率和心率反映了試飛員在飛行過程中的能量消耗和心血管負荷。高強度的飛行任務可能導致飛行員相對代謝率和心率的顯著增加，從而增加身體疲勞和心血管負擔。通過監(jiān)測相對代謝率和心率，可以及時調(diào)整飛行任務的強度和時長，確保飛行員不會過度消耗體力和心力。血氧飽和度是衡量試飛員身體供氧水平的重要指標。在高空飛行中，氧氣稀薄，血氧飽和度下降可能導致認知能力減退、判斷失誤等問題。疲勞和壓力程度也是影響試飛員表現(xiàn)的重要因素。長時間的試驗飛行訓練可能導致試飛員疲勞，從而影響他們的注意力、反應速度和決策能力。此外，高壓力的工作環(huán)境可能增加試飛員的緊張情緒，從而影響對飛行任務的適應性。綜合上述分析，形成試驗飛行訓練試飛員勝任力影響因素矩陣圖，如圖2 所示。

圖2 試驗飛行訓練試飛員勝任力影響因素矩陣圖Fig.2 Matrix diagram of factors influencing competence of test pilots in experimental flight training

2.1.2 基于人因工程的試驗飛行訓練安全性分級量化分析指標體系構(gòu)建

總結(jié)試飛員技能勝任力在試驗飛行訓練過程中的顯性影響因素，對各個影響因素進行量化［8，15］，分別確認各項量化后的顯性因素影響方向和影響權(quán)重，建立安全性分級量化分析指標體系，如表2 所示。

表2 安全性分級量化分析指標體系Table 2 Indicator system for analysis of quantitative classification of safety

2.2 人因工程量化

基于試飛員佩戴模擬檢測手環(huán)系統(tǒng)，在開展訓練過程中的身體節(jié)律數(shù)據(jù)，反映出做高風險或者高難度動作時的身體節(jié)律異常值，具體量化預警指標。

2.2.1 相對代謝率量化

一是完善組織領(lǐng)導體制。要將建設(shè)服務型黨組織長效機制工作列為黨建工作的重要內(nèi)容，作為年度考核的重要指標，確保服務工作認識到位、責任到位、精力到位。要選優(yōu)配強黨組織書記和各委員并建立健全議事制度，黨組織書記是機關(guān)黨組織服務工作第一責任人，要定期組織開展服務工作研究，結(jié)合部門實際分析服務需求與重點，研究服務工作思路與載體建設(shè)，推動及時解決工作中出現(xiàn)的實際問題。

通過相對代謝率（Relative Metabolic Rate，RMR）量化，實現(xiàn)試飛環(huán)境中試飛強弱的指標量化，計算方法如式（1）所示［16］：

式中：能量代謝量表征一定時間內(nèi)以已定的工作速度和工作損耗的能量數(shù)值；基本代謝量指人體靜息狀況下保持生命體態(tài)特征必需損耗的能量，基本代謝量計算如式（2）［16］所示：

其中：B為基本代謝率；S為人體表面積；t為訓練持續(xù)時長?；敬x量數(shù)值通常比較平穩(wěn)，基本不大于日常平均值的12%。

平穩(wěn)代謝量等于基本代謝量加保持體態(tài)穩(wěn)定所增多的代謝量，一般平穩(wěn)代謝量約占基本代謝量的15%，用式（3）描述平穩(wěn)代謝量［16］：

式中：R為平穩(wěn)代謝率，一般約為基本代謝率B的1.15 倍。

2.2.2 單位能力代謝量及單位心率量化

通過不同試飛員的年齡、性別、身體抗壓水平、身體素質(zhì)水平，獲取的試飛強弱程度和試飛科目復雜程度也有所不同。試飛員參與試驗飛行訓練時，所承受的壓力不同，那么單位心率以及單位能力代謝也不一樣，也就是說疲勞強度不一樣。

2.2.3 單位能力代謝量及單位血氧飽和度量化

在試驗飛行訓練過程中，試飛員的能力代謝率和血氧飽和度是重要的生理指標，可以用來評估試飛員在訓練過程中身體的代謝狀況和氧氣供應情況。這些指標的量化分析可以提供客觀的數(shù)據(jù)，用于評估試飛員在試驗飛行訓練中的身體狀況和飛行安全性。實際訓練過程中的數(shù)據(jù)采集是通過手環(huán)監(jiān)測獲取的。

單位能力代謝量Mt是指試飛員在單位時間內(nèi)完成飛行任務所需的能量消耗量。為了量化單位能力代謝量，建立以下公式：

式中：QT+Δt和QT為飛行任務所消耗的能量，可以通過試飛員在訓練過程中的心率、身體運動強度和身體代謝率等生理參數(shù)來獲得；Δt表示身體節(jié)律數(shù)據(jù)持續(xù)采集的單位時間，試飛員佩戴定制手環(huán)的持續(xù)采集頻率為5 min/次。另外，單位血氧飽和度Mb是指試飛員在單位時間內(nèi)血液中的氧氣含量。血氧飽和度的量化建立以下公式進行計算：

式中：BT+Δt和BT為血氧含量，可以通過試飛員在訓練過程中的呼吸頻率、呼吸深度和氧氣攝入量等生理參數(shù)來獲得。

2.2.4 實際訓練負荷率和疲勞寬放率量化

實際訓練負荷率和疲勞寬放率是在試驗飛行訓練過程中評估試飛員負荷和疲勞水平的重要指標。實際訓練負荷率是指試飛員在訓練過程中所承受的身體和心理負荷的程度。試飛員進行高強度試飛任務時，需面對極端的環(huán)境條件和飛行操作要求，會導致身體疲勞和心理壓力。通過測量試飛員的心率、呼吸頻率以及其他生理指標，可以定量評估試飛員在訓練過程中所承受的負荷水平。這些數(shù)據(jù)的分析和總結(jié)可以幫助了解試飛員在飛行任務中的身體適應情況，進而調(diào)整訓練計劃和保證試飛員的身體健康。

實際訓練負荷率可以用來衡量試飛員在訓練過程中所承受的身體和心理負荷，而疲勞寬放率則是評估試飛員在訓練后的恢復和放松程度。

為了量化實際訓練負荷率Rf，建立以下公式：

式中：完成任務所需的能量消耗量QT可以通過試飛員在訓練過程中的心率、身體運動強度和身體代謝率等生理參數(shù)來估計。試飛員的最大能量消耗量QM可以通過相關(guān)的生理測試和測量來確定。另外，疲勞寬放率R建立以下公式進行計算：

式中：試飛員的訓練過程中的休息時間Tr和連續(xù)訓練時間Td可以通過記錄試飛員在訓練過程中的實際時間來確定。

2.2.5 實際訓練負荷率和壓力寬放率量化

實際訓練負荷率和壓力寬放率是評估試飛員負荷和壓力水平的重要指標，對于保障試飛員的身心健康以及提高飛行訓練效果具有重要作用。

壓力寬放率是評估試飛員在訓練后的壓力釋放和恢復程度的指標。試飛員在高強度的飛行訓練中面對巨大的心理壓力，這可能會導致他們的壓力水平持續(xù)升高。為了保障試飛員的心理健康和工作表現(xiàn)，需關(guān)注他們在訓練后的壓力釋放和恢復情況。通過觀察試飛員的情緒、睡眠質(zhì)量以及心理疲勞程度等因素，可評估試飛員的壓力寬放率，并及時采取必要的措施來幫助他們緩解壓力和恢復精力。

為了有效評估試飛員的實際訓練負荷率和壓力寬放率，使用人工智能算法分析試飛員的生理和心理數(shù)據(jù)，能夠更準確地判斷他們在訓練過程中的負荷水平和壓力釋放程度。人工智能技術(shù)可以快速處理和解讀大量的數(shù)據(jù)，并從中發(fā)現(xiàn)規(guī)律和趨勢，從而為試飛員的訓練提供更加科學和個性化的指導。

2.3 安全性分級量化分析模型構(gòu)建過程

2.3.1 BP 神經(jīng)網(wǎng)絡化

BP 神經(jīng)網(wǎng)絡是由輸入層、隱含層以及輸出層共同構(gòu)成的神經(jīng)網(wǎng)絡［17-18］，結(jié)構(gòu)如圖3 所示。圖中：X1～Xn分別表示輸入層的n個輸入，Y1～Ys分別表示輸出層的s個輸出；隱含層中神經(jīng)元個數(shù)用p描述；隱含層p個神經(jīng)元和輸出層s個神經(jīng)元之間的權(quán)值是W11～Wsp。

圖3 BP 神經(jīng)網(wǎng)絡的結(jié)構(gòu)Fig.3 Structure of BP neural network

2.3.2 安全性分級量化分析BP 神經(jīng)網(wǎng)絡模型

通過MATLAB 軟件設(shè)定神經(jīng)網(wǎng)絡，并創(chuàng)建試驗飛行訓練過程中的安全性分級量化分析BP神經(jīng)網(wǎng)絡模型。首先選取表2 的指標數(shù)值進行簡化處置，采用對應的參數(shù)描述不同指標之間的關(guān)聯(lián)，其次選取易得且關(guān)聯(lián)大的數(shù)據(jù)指標作為反饋二者之間共有特性的指標，最后將選取好的數(shù)據(jù)指標輸入試驗飛行訓練過程中的安全性分級量化分析BP 神經(jīng)網(wǎng)絡模型，通過手環(huán)監(jiān)測數(shù)據(jù)，確定最大值、最小值基本條件，并分別對正向定量指標以及負向定量指標實施無量綱化處置，如式（8）和式（9）所示：

式中：Xi為量化前指標；X正、X負為量化后正、負指標。

2.3.3 BP 神經(jīng)網(wǎng)絡訓練流程

BP 神經(jīng)網(wǎng)絡是一種常用的前饋神經(jīng)網(wǎng)絡，其訓練過程主要通過反向傳播算法來實現(xiàn)［19-20］。BP 神經(jīng)網(wǎng)絡訓練流程可分為以下幾個步驟：

1）初始化權(quán)重和偏置：為了開始訓練，需要隨機初始化神經(jīng)網(wǎng)絡中的權(quán)重和偏置。通常，權(quán)重和偏置的初始值可以使用隨機數(shù)來生成。

2）前向傳播：將訓練樣本輸入神經(jīng)網(wǎng)絡，并通過每1 層的激活函數(shù)計算各層的輸出值。具體地，對于第l層的輸出yl，可以通過式（10）計算得出。

式中：wl為第l層到第（l-1）層的權(quán)重矩陣；bl為第l層的偏置向量；f為激活函數(shù)。

3）計算誤差：將神經(jīng)網(wǎng)絡的輸出值與實際值進行比較，得到誤差。常用的誤差函數(shù)包括均方誤差（MSE）和交叉熵（Cross Entropy）等。

4）反向傳播：根據(jù)誤差，使用鏈式法則計算每1 層的誤差貢獻，并更新權(quán)重和偏置。具體地，對于第l 層的權(quán)重和偏置，可以通過式（11）和式（12）進行更新。

式中：η為學習率；E為誤差函數(shù)；?E/?wl和?E/?bl為誤差對權(quán)重和偏置的偏導數(shù)。

重復步驟2）～步驟4）：根據(jù)更新后的權(quán)重和偏置，再次進行前向傳播和反向傳播，直到達到預設(shè)的停止條件，如達到最大迭代次數(shù)或誤差小于某個閾值。

2.3.4 確定隱含層節(jié)點數(shù)

BP 神經(jīng)網(wǎng)絡訓練的輸出結(jié)果隨隱含層節(jié)點數(shù)的變化而起伏。以設(shè)置完成的BP 神經(jīng)網(wǎng)絡輸入信號、輸出信號為基本前提，輸入層節(jié)點數(shù)和輸出層節(jié)點數(shù)分別是s和p，用任意實數(shù)表示。通過下式獲得隱含層節(jié)點數(shù)m：

式中：α為1～10 之間的整數(shù)。在標準精確度設(shè)計模型下，通常選取少量數(shù)目為隱含層節(jié)點數(shù)。

2.3.5 確定輸出層節(jié)點數(shù)

評估結(jié)果與輸出節(jié)點的選取相互關(guān)聯(lián)，所以希望輸出應在BP 神經(jīng)網(wǎng)絡的學習和測試階段先行確立。通過主成分剖析方法下的評估結(jié)果作希望輸出的數(shù)值，Ⅰ（高風險）預警（0 0 1）、Ⅱ（中風險）預警（0 1 0）、Ⅲ（低風險）預警（1 0 0）設(shè)置的3 個輸出節(jié)點［10，21］。

2.4 安全性分級量化預警指標體系建立

基于安全性分級量化分析指標體系，設(shè)計開發(fā)試飛安全風險量化人因模型服務系統(tǒng)，如圖4所示。利用定制手環(huán)和非接觸式面部識別系統(tǒng)進行數(shù)據(jù)采集工作，功能如圖5 所示。

圖4 試飛安全風險量化人因模型服務系統(tǒng)結(jié)構(gòu)圖Fig.4 Structural diagram of service system of experimental flight safety risk quantification human factors model

圖5 定制手環(huán)和非接觸式面部識別系統(tǒng)Fig.5 Customized wristband and non-contact facial recognition system

2.4.1 數(shù)據(jù)清洗

首先對采集的數(shù)據(jù)進行數(shù)據(jù)清洗，并檢測無效樣本。以判斷視頻中人物是否眨眼為例，對面部識別采集到的視頻數(shù)據(jù)，對每一幀使用人臉識別算法，提取眼部位置，計算上下眼瞼位置差異隨時間變化情況（橫坐標表示時間，縱坐標表示上下眼瞼距離），多條線表示多個檢測指標，幾個尖銳峰表示上下眼瞼距離為0，則說明閉眼。正常情況如圖6 所示，20 s 時間內(nèi)有幾次閉眼，若視頻樣本中沒有出現(xiàn)這類尖銳峰，需要進一步檢查。

圖6 視頻數(shù)據(jù)樣本檢測Fig.6 Video data sample detection

2.4.2 預警指標體系建立過程

根據(jù)定制手環(huán)和非接觸式面部識別系統(tǒng)共同采集的樣本數(shù)據(jù)，計算健康、壓力、疲勞、情緒穩(wěn)定性等4 個指標的平均值與標準差，通過式（14）～式（16）產(chǎn)生正常區(qū)間、預警區(qū)間、異常區(qū)間的預警閾值，以此建立預警指標體系。

其中，健康指數(shù)并未根據(jù)用戶個人歷史數(shù)據(jù)分布調(diào)整，有2 個原因，其一是不同人的健康指數(shù)可以比較，相對客觀，調(diào)整分布后會破壞可比性；其二是每個用戶健康指數(shù)變化不是很大；因此所有用戶使用相同的健康指數(shù)的預警指標體系，即正常區(qū)間，預警區(qū)間，異常區(qū)間。健康指數(shù)分布如圖7 所示。

圖7 健康指數(shù)分布圖Fig.7 Distribution chart of health index

疲勞指數(shù)為反向指數(shù)，指數(shù)越大表示越不疲勞，以用戶各自基準數(shù)據(jù)進行計算，再根據(jù)用戶歷史數(shù)據(jù)進一步修正，以此計算疲勞度偏離平均值程度（n倍標準差），轉(zhuǎn)換為疲勞指數(shù)，基本符合正態(tài)分布，如圖8 所示。

圖8 疲勞指數(shù)分布圖Fig.8 Distribution chart of fatigue index

情緒穩(wěn)定性需要在用戶歷史數(shù)據(jù)基礎(chǔ)上進一步修正，計算偏離平均值程度（n倍標準差），轉(zhuǎn)換為情緒指數(shù)，基本符合正態(tài)分布，如圖9所示。

圖9 情緒穩(wěn)定性指數(shù)分布圖Fig.9 Distribution chart of emotional stability index

壓力指數(shù)為反向指數(shù)，指數(shù)越大表明壓力越小，因此需要對模型輸出打分做處理，并基于用戶歷史數(shù)據(jù)進一步修正，計算偏離平均值程度（n倍標準差），轉(zhuǎn)換為壓力指數(shù)，基本符合正態(tài)分布，如圖10 所示。

圖10 壓力指數(shù)分布圖Fig.10 Distribution chart of stress index

綜合指數(shù)以健康指數(shù)、疲勞指數(shù)、情緒指數(shù)、壓力指數(shù)作為參考，采用幾個指數(shù)的加權(quán)和，計算出整體指數(shù)。由于幾個分量已經(jīng)基于用戶歷史情況修正，因此綜合指數(shù)不再做修正。整體分布基本符合正態(tài)分布，如圖11 所示。

圖11 綜合指數(shù)分布圖Fig.11 Distribution chart of composite index

基于以上，建立試驗飛行訓練安全性分級量化指標預警區(qū)間，如表3 所示。

表3 試驗飛行訓練安全性分級量化預指標警區(qū)間Table 3 Pre-indicator warning zone for quantitative safety classification in experimental flight training

3 試驗分析

為驗證本文模型的試驗飛行訓練過程中的安全性分級量化分析效果，隨機選取10 名試飛員作為試驗對象，利用某型號模擬機進行不同風險等級試飛科目的訓練，包括正常起落飛行、典型性能和飛行品質(zhì)試飛科目如縱向靜穩(wěn)定性、橫航向靜穩(wěn)定性、最小離地速度試飛、失速試飛等。通過定制手環(huán)和非接觸式面部識別系統(tǒng)進行多次、不重復的試驗飛行訓練，持續(xù)采集身體節(jié)律數(shù)據(jù)。并在每次試驗結(jié)束后，要求試飛員填寫調(diào)查問卷，進行主觀感受采樣。

問卷調(diào)查結(jié)果顯示，隨著試飛訓練風險等級的升高，試飛員主觀感受自身的情緒、疲勞、壓力感受無明顯變化。針對身體節(jié)律指標數(shù)據(jù)，將其作為試驗飛行過程中的安全性分級量化分析BP神經(jīng)網(wǎng)絡模型中的輸入數(shù)據(jù)，并用該數(shù)據(jù)開展BP 神經(jīng)網(wǎng)絡訓練及測試。表4、表5 分別是該模型輸入數(shù)據(jù)和期望與實際預警輸出對比，由表4可見實際輸出和期望輸出偏差不超過2%，輸出結(jié)果與實際情況一致。

表4 試驗飛行訓練過程中的安全性分級量化模型輸入數(shù)據(jù)Table 4 Input data for quantitative classification model of safety during process of experimental flight training

表5 試驗飛行訓練過程中的安全性分級量化模型期望和實際預警輸出數(shù)據(jù)Table 5 Expected and actual warning output data for quantitative classification model of safety during experimental flight training

通過非接觸式面部識別系統(tǒng)捕捉細微的臉部數(shù)據(jù)變化，分析面部血流周期性的變化信息，進而得到相關(guān)生理指標。本研究使用成熟的ResNet模型，通過引入殘差學習結(jié)構(gòu)，解決了深度神經(jīng)網(wǎng)絡中的梯度消失和梯度爆炸問題，從而使得訓練更深層次的網(wǎng)絡成為可能。通常神經(jīng)網(wǎng)絡層數(shù)越深，表達能力就越強，越能提取復雜信息，但層數(shù)到一定限度后會出現(xiàn)“退化”現(xiàn)象，為緩解此問題，ResNet架構(gòu)中首先提出shot cut 設(shè)計。堆疊的幾層網(wǎng)絡稱為一個模塊，對于某個模塊，其可以擬合的函數(shù)為F（x），如果真實映射為H（x），與其讓F（x）直接學習H（x），不如學習殘差H（x）-x，即F（x）=H（x）-x，這樣原本的前向路徑上就變成用F（x）+x來擬合H（x）。筆者認為這樣可能更易于優(yōu)化，因為用F（x）擬合成0 相對更容易。因此對于冗余模塊，只需F（x）-0 即可得到恒等映射，性能不減。ResNet 包括18、34、50、101、152 層的模型，隱含層節(jié)點數(shù)直接關(guān)系BP 神經(jīng)網(wǎng)絡輸出性能，由于通常通道數(shù)越多，生成的feature map 越小，權(quán)衡計算量與效果后，本文采用34 層的模型（整個網(wǎng)絡共有1+2×3+2×4+2×6+2×3+1=34 層），即ResNet34，具體模型堆疊信息見表6。

表6 ResNet34 模型模塊堆疊詳細信息Table 6 Details of ResNet34 model module stack

圖12～圖14 分別表示的是同一試驗樣本在不同條件和環(huán)境下進行試驗飛行訓練過程中的風險預測。圖中藍色線表示情緒穩(wěn)定性數(shù)值、綠色線表示健康指數(shù)數(shù)值、黃色線表示疲勞指數(shù)數(shù)值，縱軸為預警指數(shù)，指數(shù)0～20 為高風險區(qū)域，20～50 為中風險區(qū)域，50～100 為低風險區(qū)域。

圖12 試驗飛行訓練過程中的安全性分級量化模型實際輸出數(shù)據(jù)：中低風險科目、日間Fig.12 Actual output data of quantitative classification model of safety during experimental flight training process：Medium to low risk subjects and daytime

圖13 試驗飛行訓練過程中的安全性分級量化模型實際輸出數(shù)據(jù)：高風險科目、日間Fig.13 Actual output data of quantitative classification model of safety during experimental flight training process：High risk subjects and daytime

圖14 試驗飛行訓練過程中的安全性分級量化模型實際輸出數(shù)據(jù)：中低風險科目、夜間Fig.14 Actual output data of quantitative classification model of safety during experimental flight training process：Medium to low risk subjects and nighttime

當其他條件恒定時，員工在不同的訓練風險等級和環(huán)境下，本文模型預警到試驗飛行訓練過程所涉及的情緒、壓力、疲勞、健康等預警等級也不同。當訓練科目風險等級越高，試驗飛行訓練過程中人員的壓力、情緒和疲勞指數(shù)也越高。因此作者認為應以試驗飛行訓練安全為基礎(chǔ)，設(shè)置合適的訓練科目風險等級、訓練強度和訓練負荷，避免因人員過于疲勞或訓練壓力過大引發(fā)試驗飛行訓練過程中的安全風險。預測結(jié)果與訓練過程中實際科目風險等級基本吻合，可見該模型的預警輸出結(jié)果準確可靠。

4 結(jié)論

本文利用人因工程理論和方法，構(gòu)建了基于BP 神經(jīng)網(wǎng)絡的試飛訓練安全性量化分析模型，實驗表明模型輸出偏差小于2%，模型預測結(jié)果與訓練過程中實際風險等級基本吻合，可有效地用于試飛訓練過程中風險預警，為合理安排試飛訓練負荷、調(diào)整任務強度、優(yōu)化項目進度等提供依據(jù)，同時提高試飛員訓練品質(zhì)，為試飛安全提供保障。