基于BP神经网络的飞机油耗与轨迹匹配模型研究

魏志强, 张文秀

(中国民航大学 空中交通管理学院, 天津 300300)



基于BP神经网络的飞机油耗与轨迹匹配模型研究

魏志强, 张文秀

(中国民航大学 空中交通管理学院, 天津 300300)

研究了基于与QAR记录相匹配的飞行轨迹数据建立的BP神经网络油耗模型,利用飞行轨迹数据输入模型求得油耗估算值,通过与QAR真实燃油数据对比,进行模拟分析。以某些航班的雷达记录数据为例进行油耗计算,结果表明本实验模型在燃油方面的估算误差不超过2%,满足空管方面对燃油消耗的计算。研究结果可以用于定量分析空管运行对民航节能减排的影响,从而在确保飞行安全、管制容量的前提下更好地兼顾绿色运行的要求,提升空中交通运行质量。

航空运输; BP神经网络; 油耗估算; 轨迹数据

0 引言

油耗是航空公司、空管以及相关领域人员一直潜心研究的重要指标之一[1],它更是安全性、经济性和环境评估必不可少的重要指标。为了降低飞机油耗,空管部门在新技术推广应用方面开展了大量工作,包括RVSM运行、PBN 技术、平行航路、多机场协同放行(CDM)、连续下降运行(CDA)、SWIM和空中立交桥等[2-3]。但现有空管监视设备存在不能采集飞机油耗数据的局限性,直接影响空管运行质量对节能减排效果的定量评价[4]。

目前,国内外开展了关于飞机油耗估算的大量研究。文献[5]对民用飞机巡航性能计算进行了研究;文献[6]建立了能量平衡原理的燃油消耗估计模型;文献[7]建立了爬升阶段燃油流量的回归模型;文献[8]基于灰色理论建立了民航燃油消耗量预测模型并进行了应用性分析。这些模型在进行油耗计算时,需要用到很多飞行参数,其中绝大多数在空管的雷达记录数据中是不存在的,不能运用到空管方面的燃油分析。

BP神经网络是一种由大量的节点(神经元)和节点之间的加权连接而成的应用最为广泛的网络运算模型[9]。例如,基于神经网络的民航安全态势评估模型及仿真[10];基于神经网络集成的单个飞行事件噪声预测模型[11]。神经网络是民航各个研究方向的重要桥梁,神经网络模型可以定性定量评价民航运输的安全、效益等情况[12-13]。

QAR是飞行技术品质检查、机务维护、事故调查以及安全评估等的有力工具,它存储了包括燃油流量参数在内的大量飞机参数数据。但由于QAR数据涉及到航空公司的飞行细节和核心商业利益,不能共享给其他民航单位,致使在空管指挥运行中,无法使用QAR数据来进行空管运行品质分析。

本文首先从QAR数据中提取出与雷达记录格式相同的数据(主要是飞行轨迹数据),形成伪雷达数据;然后再从QAR数据中得到与伪雷达数据相匹配的飞机油耗参数,构建基于BP神经网络的飞机油耗与飞行轨迹匹配模型;通过与真实油耗的比对来分析模型的精度,确保模型的准确、可靠。之后根据构建的油耗匹配模型,以某空管单位的雷达记录数据为例对飞机油耗进行估算分析。上述研究可为定量评估燃油体系提供技术支持,有利于评价空管新技术对节能减排方面的实施情况,也有利于提高航空管制员的服务质量。

1 飞机油耗匹配模型的构建

本文整个研究流程如图1所示,包括数据搜集和加工处理、模型构建、模型精度分析以及应用等过程。

图1 整个研究的流程图Fig.1 Flow chart for the whole research

1.1 数据的选取

搜集10个航班的QAR数据,分别提取这10个航班爬升阶段的数据(共9 260个),根据飞机爬升经验,本文假定飞机在1 500 m气压高度开始爬升,通过作图示意确定爬升的结束点,进而选取爬升阶段的数据，如图2所示。

图2 选取爬升阶段数据示意图Fig.2 Selecting data in climb stage

QAR存储了大气总温、气压高度、地速、航向、风速、风向以及燃油量等飞机参数的变化,每隔4 s记录一次,这些数据是由4个传感器同时记录的；由于传感器自带误差,可能导致这4个传感器记录的数据略微不同,本文取这4个数据的平均值作为一个数据,得到一组新的QAR数据。但通过雷达能够获得的参数包括地速、气压高度、航向、爬升率和转弯角速度。因此本文对QAR数据加工处理得到含有地速、气压高度、航向、爬升率、转弯角速度和总燃油流量的数据库。爬升率和转弯角速度的计算公式分别为:

(1)

(2)

图3 处理数据的思路图Fig.3 Concept for data processing

1.2 数据的归一化处理

首先,要对新QAR数据库中的异常点进行处理,对于一些爬升率为负值的点,使其值为0;然后,利用式(3)对每组参数的数据进行归一化处理,将其转化为[0,1]之间的数据,若不进行归一化处理,每个参数值过大,将使模型内部的训练函数无法正常运行。

(3)

表1 参数的最大值和最小值

Table 1 The maximum and minimum values of parameters

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

1.3 BP模型的建立

本文的研究对象采用3层神经网络,即输入层、隐含层、输出层。输入层共5个输入元(P1,P2,P3,P4,P5), 分别表示地速、气压高度、航向、爬升率和转弯角速度;一个输出元(Y),即燃油流量。随机选取处理后的7个航班的QAR数据作为模型的训练样本,剩余3个作为后续的模型实例验证。

输入层和输出层的节点数分别为5和1,首先要确定隐含层的节点数,根据经验得出隐含层节点数的取值范围为[6,20]。隐含层的传递函数采用logsig,输出层的传递函数采用purelin,BP网络的学习算法采用trainbr,训练目标设定为0.001,最大训练次数设为20 000。经过不断调试、校验、修改和训练,隐含层节点数为18,网络的误差降到了1e-3以下,建模完成。训练过程中网络误差性能的变化如图4所示。

图4 网络误差性能的变化Fig.4 Variation of network error performance

1.4 模型的初步检验

将上述7个样本输入到神经网络中进行初步检验,得到归一化后燃油流量的真实值与估算值如图5所示。其中,实线表示真实值,虚线表示估算值。通过计算,真实值与估算值之间的绝对误差为0.02,相对误差极小,可以看作为0,因此神经网络模型对各个样本的诊断结果均正确。

图5 真实值和估算值对比Fig.5 Comparison of real values and predicted values

2 模型实例验证

为进一步分析模型的精度,将剩余3个航班的QAR爬升数据转化为含有航向、气压高度、地速、转弯角速度、爬升率共5个参数的伪雷达数据,输入模型,得到估算值。

(4)

利用估算值和QAR记录的真实值,按照时间积分方法,分别得到估算燃油消耗量和真实燃油消耗量,将两组数据进行对比，检验模型的精度。具体流程如图6所示。

图6 实例验证流程图Fig.6 Flow chart of example validation

下面列出了真实油耗F、估算油耗F′、绝对误差ΔF和相对误差δ的计算公式。

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

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

图7 燃油流量真实值与估算值的对比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记录的真实值之间的相对误差不超过2%。图7表明真实值和估算值基本吻合,证明本研究所建立的模型可以估算燃油消耗。

3 模型的应用

在研究中,搜集某空管单位、某一时段的雷达记录数据(主要包括航班号、应答机编码、时刻、经度、纬度、高度等),经过处理后得到含有地速、气压高度、航向、转弯角速度、爬升率共5个参数的数据,将其输入本文所构建的飞机油耗匹配模型,以得到飞机的燃油流量。进一步通过积分可求得飞机在该管制空域内飞行时的油耗。

图8为CCA1348航班高度和估计燃油流量随时间的变化。由图可知,随着高度的增高,飞机的燃油流量总体呈现出减小的趋势,与实际情况吻合。表3给出了通过模型计算出的某些航班爬升阶段的燃油消耗。

图8 高度和燃油流量随时间的变化Fig.8 Variation of height and fuel flow with time

Table 3 Estimated fuel consumption in different flights

航班号起始高度/m结束高度/m时间/min飞行距离/km平均速度/km·h-1油耗/kg平均燃油流量/kg·h-1CCA41241600978018421770715845281CCA13481580944019022972213814361CCA18921510978023126569018864898CCA18081510978018719663014474643CDG48421570978019822367615084566CDG48781660978015116866619666649CDG495515101008016718767215595601CES6081600917020120661618775603CES53561740810018622070913794449CES54001860810017919264217225128

4 结束语

本文基于雷达飞行轨迹记录数据构建了BP神经网络飞机爬升阶段油耗估算模型。经过实例验证分析表明,所建立的油耗估算模型精确、可靠,可以直接应用于管制单位的油耗计算和分析。将雷达参数数据输入该模型中,可以估算不同航班、不同机型的燃油消耗,后续可以与同一机型、同一航班的燃油流量以及油耗情况进行比对,实现对空管设施和管制员指挥情况的量化评价,为提高空管服务质量提供技术支持,加快实现节能减排这一目标。

[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.民航空管新技术和航行新技术应用情况回顾[J].中国民用航空,2011,12(1):53-56.

[3] 魏志强,温瑞英,褚双磊.连续下降运行中的飞行参数快速估算方法研究[J].飞行力学, 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] 温瑞英,魏志强,王红勇,等.民用飞机巡航性能计算研究[J].飞行力学,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,贾超.基于QAR的飞机爬升阶段燃油流量回归模型研究[J].中国民航大学学报,2013,31(3):31-35.

[8] 张燕军,孙有朝.基于灰色理论的民航燃油消耗量预测模型及应用[J].环境工程,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] 欧韬,周长春.基于神经网络的民航安全态势评估模型及仿真[J].中国安全生产科学技术,2011,7(2):34-41.

[11] 徐涛,燕宪金,杨国庆.基于神经网络集成的单个飞行事件噪声预测模型[J].中国环境科学,2014,34(2):539-544.

[12] 王衍洋,曹义华.航空运行风险的灰色神经网络模型[J].航空动力学报,2010,25(5):1036-1042.

[13] 汪送,王瑛,李超.BP 神经网络在航空机务人员本质安全程度评价中的应用[J].中国安全生产科学技术,2010,6(6):35-39.

(编辑：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;

时间:2016-09-22 14:55

国家自然科学基金资助(U1533116，21407174)；国家863计划资助(2014AA110501)；航空科学基金资助(20140267002)；天津市应用基础与前沿技术研究计划项目(14JCQNJC08100)

魏志强(1979-)，男，河南渑池人，副教授，硕士生导师，研究方向为飞机性能与飞行仿真。

V212.13

A

1002-0853(2016)06-0025-05