[发明专利]一种基于QAR数据的飞行员操作操作性能评分方法和设备

说明书

本发明公开了一种基于QAR数据的飞行员操作性能评分方法和设备，包括：采集多次飞行过程中的姿态和航迹数据，提取操作评判参数集；基于飞行操作过程能力指数模型，计算操作性能指数；计算超限率，并确定对应的危险可能性等级和危险严重性等级，计算得到多个操作风险指数；分别对每一操作性能指数进行加权，得到加权后的操作性能指数；根据多个加权后的操作性能指数，计算得到单次飞行的操作性能评分。本发明通过分别计算各个操作评判参数对于操作性能的影响权重因子，使得评分机制细化到每一具体的航班飞行中，评分结果更加精确；且考虑单个飞行员或飞行机队在一段时间内的操作参数变化，为后续的操作提供实时动态的数据支持。

技术领域

本发明属于飞行操作性能评分技术领域，具体涉及一种基于QAR数据的飞行员操作操作性能评分方法和设备。

背景技术

统计事实表明，在航空业，一次安全故障发生之前，每天都会出现数百万次的运行差错。出去较小的年度波动之外，据统计，在过去的10多年里，每 100万次飞机离场发生事故的几率少于一次。而飞行数据分析，是组织获取危险识别内部源的主要手段，因此飞行数据的分析对于飞行员操作性能的评分尤为重要。

现有技术中，基于QAR(Quick Access Recorder，快速存取记录器)数据进行飞行员操作风险的识别，主要采用以下方法：

1.对飞行员的操作参数建立超限及评估模型，并利用该超限及评估模型对飞行操作品质进行评分[张晓微.飞行操作品质评估方法研究.中国民航大学硕士学位论文]，但该方法主要采用PCA(principal components analysis，主成分分析)方法进行建模，操作参数的重要程度依赖于数据样本，不能实时动态地反映机队或个人操作状态的变化。

2.使用主成分分析将飞行员的飞行操作品质进行排名，再用支持向量机以及随机权重粒子群去拟合数据以实现快速判别等级[袁伟良,卢朝阳,卢卫,等. 基于机器学习的飞行品质评估[J]，然而这种方法忽视了对排名合理性的评判。

3.采用熵权法和TOPSIS方法构建飞行员操作品质评分模型(专利公开号为CN111340388A，专利名称为一种基于QAR数据的飞行员操作品质评分方法)，但这种方法仍然过度依赖于历史样本数据。

综上，现有的飞行员操作风险识别方法主要存在以下缺陷：

1.现有的方法对于飞行员的操作只是判断是否超限，单纯地标记超限事件的发生概率来评估飞行员的操作品质，例如仅通过标记飞行员是否发生“直线滑行速度大”的事件来评估飞行员的操作品质。然而，事实上超限事件并不是一个孤立的事件，仅分析事件是否发生，而不分析导致事件发生的相关操作数据，无法为后续正确操作提供指导。

2.现有的方法没有考虑到飞行员以及整个机队的操作技术随着时间的推移可能发生变化，因此不论是个人还是机队超限事件的发生几率不是一成不变的。即使飞行员通过分析模型的结论修正了自身的技术状态，但分析模型仍然使用历史数据对修正后的操作进行品质判定，而判定结果显然是存在偏差的。

3.现有的方法没有考虑到每一评判参数对于飞行安全各自的影响权重，其权重生成仅与全部历史数据样本有关。多数情况下机队或个人超限较多或差异较大时评判参数的权重相对较大，反之较小，但这种情况下超限较多时参数不一定是影响飞行安全的重要参数，超限较小时反而因为是关键参数而影响飞行安全。因此，仅通过全部历史数据本身的参数权重无法正确反映实际的飞行安全权重。

4.现有的方法没有对评估结果进行有效的量化评分，尤其无法对单次飞行进行量化评分，导致评分结果不够精确。

发明内容

本发明的目的是提供一种基于QAR数据的飞行员操作操作性能评分方法和设备，用于解决现有技术中存在的至少一个技术问题。

为了实现上述目的，本发明采用以下技术方案：