[发明专利]一种基于机器学习的飞行员场景适用性诊断方法及系统

说明书

本发明涉及了一种基于机器学习的飞行员场景适用性诊断方法及系统。本发明将机器学习应用于飞行训练运行数据，采用维归约将原始数据降维，将高维空间的参数信息聚合为人员操作特征和环境条件特征。选取决定飞行任务属性的环境条件特征进行聚类分析，根据聚类结果构建几类典型场景，提出将飞行员在各个场景类别下分别执行场景任务的绩效评分定义为场景适用性。将场景特征和人员操作特征作为输入，将场景适用性作为输出，训练并优选一个分类模型，对飞行员执行新场景任务时的场景适用性做出预测，并通过分类模型逆向诊断影响飞行员场景适用性的显著因素和技能优劣性，本发明对飞行员的技能培训展开及飞行任务分配都有重要的指导意义。

技术领域

本发明涉及飞行技能测试技术领域，特别是涉及一种基于机器学习的飞行员场景适用性诊断方法及系统。

背景技术

中国民航总局公布的数据显示，近十年来，全国民航运输总周转量、旅客周转量、可提供客公里等指标，基本都保持在每年10％以上的高位增长。随着飞机控制系统的高度自动化，人为因素成为造成飞行事故的主要原因。飞行事故分析的统计结果显示，73％的事故直接或间接由飞行员差错导致，而造成飞行员差错的因素有很多，大致可以归纳为以下几个方面：飞行员个人因素、环境因素、航空公司因素和人机接口因素。当前针对飞行员的技能监管主要采用检查的方式，包括定期检查、熟练检查、教员更新检查、实践考试和理论考试等，由检察员/考试员根据飞机典型科目清单进行“勾选框”式判定。在检查过程中，检查员/考试员需要具备甄别飞行员是否具备保证飞行安全的技能所需的良好判断力，容易受到主观偏好和认知偏差的影响，检查结果也很难基于统一的标准。同时，民用航空运输的规模增大带来的是飞行环境更具复杂性和不确定性，飞行员需要处理从未训练过的“黑天鹅”和“灰犀牛”事件，单单仅靠固定项目的清单式检查无法罗列所有的飞行任务场景，无法解释飞行员满足安全飞行的全部技能，也无法预测飞行员面临未经训练或未发生的场景时的飞行表现。

民航业面临高速增长的同时，民用航空安全管理的水平也应当与时俱进。民航局在2020年12月下发的《中国民航运输航空飞行员技能全生命周期管理体系建设实施路线图》中，顺应国际民航运营广泛推行的循证训练(EBT,Evidence-Based Training)做出了适合我国民航管理现状的具体转化和指导，意见强调基于飞行实证数据实施飞行员技能全生命周期管理(PLM,Professionalism Lifecycle Management)，并提出在后续阶段逐步以训练和教学评估代替检查的实施计划。处于PLM计划颁布的初期，现在仍然缺少适用于航空公司运营实际的飞行员数字化评估和诊断方法，尤其是面对多种复杂交变的场景，飞行员在截然不同的任务场景下的飞行绩效可能具有很大的差异，这种差异表现为飞行员针对不同飞行任务场景的适用性不同，本质上是飞行员满足该场景下安全飞行所需的内在核心能力的差异。如何实现飞行员的不同场景下的不同技能的测试，成为一个亟待解决的技术问题。

发明内容

本发明的目的是提供一种基于机器学习的飞行员场景适用性诊断方法及系统，以实现飞行员的不同场景下的不同技能的测试。

为实现上述目的，本发明提供了如下方案：

本发明提供一种飞行员的场景适用性诊断方法，所述诊断方法包括如下步骤：

获取历史飞行运行数据；所述历史飞行运行数据包括飞行自然环境参数、飞行状态参数、设备状态参数和飞行员操作参数的多条飞行运行记录；

对所述历史飞行运行数据进行数据降维，获得降维后的多个主成分特征；多个所述主成分特征包括飞行运行数据中的高维参数信息降维整合后的环境条件信息和人员操作信息；所述高维参数信息包括飞行自然环境参数、飞行状态参数、设备状态参数和飞行员操作参数；

根据解释信息差异将多个主成分特征划分至环境条件特征集合和人员操作特征集合，并构建每个主成分特征集合对应的主成分特征向量；所述解释信息是指由飞行自然环境参数、飞行状态参数和设备状态参数构成的环境条件信息，以及由飞行员操作参数构成的人员操作信息；