【2023 年第十三届 MathorCup 高校数学建模挑战赛】D 题航空安全风险分析和飞行技术评估问题 27页论文及代码

1 题目

D 题航空安全风险分析和飞行技术评估问题

飞行安全是民航运输业赖以生存和发展的基础。随着我国民航业的快速发展，针对飞行安全问题的研究显得越来越重要。2022 年 3 月 21 日，“3.21”空难的发生终结了中国民航安全飞行 1 亿零 59 万飞行小时的历史最好安全记录。严重飞行事故的发生，不仅会给航空公司带来巨大的经济损失，更会对乘客造成极大的生命威胁。因而需要聚焦飞行安全问题，强化航空安全研究，综合利用现有数据强化科学管理，通过有针对性、系统性的管控手段有效提升从业人员的素质，监测和预警风险，进而降低飞行事故的发生几率。

航空安全大数据主要包括快速存取记录器(Quick Access Recorder， QAR)数据，该数据主要记录飞机在飞行过程中的各项飞行参数；在飞行品质监控（Flight Operational Quality Assurance，FOQA）中，QAR 中超出人为设定限制值的数据记为超限数据。除此之外，在实际研究过程中，还会涉及到飞行中的舱音数据等。本问题主要涉及的是 QAR 数据，QAR 数据相对比较规范。

在飞行品质监控具体研究和应用方面，目前我国民航业内的研究主要分为两个方面，一是针对超限事件的研究、分析和应用；二是对非超限数据的统计分析和应用。对于超限事件的研究，一般是通过规定飞行参数的集中区域设置超限阈值，将超出阈值部分的飞行记录找出来，进行重点分析，防范潜在隐患造成严重飞行事故。目前此类分析是飞行品质监控工作

的主体，较好地保证了现阶段的安全工作，其不足之处在于缺少对超限原因的分析。由于超限并非全部是人为因素引发，例如许多是由于特殊环境条件造成的，甚至有可能是飞机本身的设计、制造因素所致，因此仅通过单纯的超限分析很难识别出来；如果仅基于超限事件对飞行机组进行管理，很容易误入歧途。QAR 超限可用于航空安全管理和飞行训练的数据支持。目前并不倾向于仅以少量的 QAR 超限数据为依据开展飞行训练工作，因此飞行品质监控工作逐渐衍生出另外一种倾向性，即通过挖掘 QAR 全航段数据开展分析，形成特定人员的飞行品质记录。基于不同飞行机组、飞行航线、机场、特定飞行条件下的飞行记录，通过对数据进行建模、分析，计算评估风险倾向性，开展有针对性的安全管理，排查安全隐患，改进安全绩效。目前类似研究主要是大规模读取飞行数据，并进行存储和分析，形成飞行品质服务平台，为风险评估和趋势分析提供数据基础。G 值是飞机飞行过程中过载情况的直接反应，在着陆安全分析中，G 值通常是描述落地瞬间安全性的重要指标。着陆瞬间 G 值指的是飞机接地瞬间前 2 秒和后5 秒数据的最大 G 值。

基于以上背景，请你们团队解决以下问题：

问题 1：有些 QAR 数据存在错误，需要对数据进行预处理，去伪存真，以减少错误数据对研究分析带来的影响。请你们的队伍对附件 1 的数据质量开展可靠性研究，提取与飞行安全相关的部分关键数据项，并对其重要程度进行分析。

问题 2：飞机在从起飞到着陆的整个飞行过程中，通过一系列的飞行

操纵确保飞行安全，这些操纵主要包括横滚操纵、俯仰操纵等。目前，国

内航空公司通过超限监控飞行操纵动作，这种监控方法虽然能够快速分辨出飞机的状态偏差，但是只能告诉安全管理人员发生了什么，而不能立刻得出发生这种偏差的原因。为此，可以通过操纵杆的过程变化情况来分析产生这种偏差的原因。根据附件 1，请你们对飞行操纵进行合理量化描述。下图为 3 次着陆过程中的杆位变化曲线，其中红色曲线描述了一次重着陆

在这里插入图片描述

（着陆 G 值超过给定限制值)过程，该重着陆主要是由于飞行机组在低空有一次不当松杆操纵所致，红色曲线中的接地前 5 秒有一个明显下凸，这就是需要进行量化描述的一次松杆操纵。

问题 3：导致不同超限发生的原因各不相同，有时是特定机场容易出现特定的超限，有时是特定的天气容易出现特定的超限，有时是特定的飞行员容易出现特定的超限。请研究附件 2 的数据，对超限的不同情况进行分析，研究不同超限的基本特征，如分析飞机在哪些航线或者在哪些机场容易出现何种超限等。

问题 4：飞机运行数据的研究一般分为两大类，一类是通过航线运行安全检查（Line Operations Safety Audit，LOSA）获取的飞行员的运行表现，另外一类是根据相关学者建议，基于飞行参数开展飞行技术评估。根据附件 3，请你们建立数学模型，探讨一种基于飞行参数的飞行技术评估方法，分析飞行员的飞行技术，数据表中的“不同资质”代表飞行员的不同技术级别。

问题 5：随着技术的进步，未来在民航客机上安装实时传输的 QAR 数据记录系统已成为可能，这种“实时飞行数据”技术，可以在接近实时的情况下把航班飞行数据传输到地面分析系统，极大地提高风险识别能力和预防水平。假设飞行数据已能实现陆空实时传输，如果你是该航空公司的安全管理人员，请建立航空公司实时自动化预警机制，预防可能的安全事故发生，结合附件 1 的数据，给出仿真结果。

2 论文介绍

基于神经网络模型的飞行安全数据仿真模拟

摘要

飞行安全是民航运输业赖以生存和发展的基础。随着我国民航业的快速发展，针对飞行安全问题的研究显得越来越重要。本文首先参考附件数据并查阅大量资料飞行安全相关的数据进行相关分析处理，建立了基于飞行数据的主成分分析模型、梯度提升决策树（GBDT）模型和 BP-神经网络模型，最终实现航空安全风险分析以及对飞行技术评估。

针对问题一，我们对附件中所给的数据进行了预处理，对缺失值和异常值进行处理，来减少错误数据对研究分析带来的影响。然后对附件中的数据进行可靠性研究，提取出与飞行安全相关的部分关键数据项并通过主成分分析模型对其重要程度进行了分析，综合分析得到排名如下：着陆 G 值，坡度，下降率，计算空速，地速，姿态，海拔高度，无线电高度。

针对问题二，我们首先对附件 1 中的数据进行了一个合理的量化，筛选出所要研究的操纵量（因变量）和飞行数据（自变量）的集合。对于处理后的数据通过 BP-神经网络模型来刻画其映射关系，根据超限值通过 BP-神经网络模型得到操纵值的预测值，并得出偏差修正方式。并使用 MATLAB 软件进行数据训练得到对应的误差与拟合结果，发现该模型的 R 值接近于 1，拟合程度较高，相对误差值很小，效果较好，该模型表现较为稳健，可用于反应飞行数据与操纵数据两者之间的关系。

针对问题三，产生超限的原因各不相同，为了得到不同超限的基本特征信息，首先需对附件 2 提供的数据信息进行数理统计分析，统计不同事件发生的概率，小概率事件

为突发事件不做研究，主要研究正常可分析事件，提取其特征信息见表 5.9 下信息提取，从而得出不同超限的基本特征。

针对问题四，我们首先对附件 3 中的数据进行预处理，提高结果精度。利用 GBDT 算法，建立梯度提升树分类(GBDT)模型，通过飞行员各项飞行数据进行机器训练，预测得到落地主操控人员资质，发现预测结果与落地主操控人员资质吻合程度高，由此可得该模型在基于参数的飞机技术评估方法分析飞行员技术中表现稳健。

针对问题五，设定飞机标准数据，通过实际与标准数据得到飞行数据的偏离程度，通过 BP-神经网络模型得到飞机操纵杆数据预测值。以上述数据构建实时监测模型，对附件 1 中的数据进行仿真，使用 MATLAB 软件在附件 1 的基础上进行数值修正通过求解分析和仿真数据得到的结果发现此模型能够对风险识别和预警做出较为准确的判断，能够对飞行过程中的危险做出自动化的预警来预防可能的安全事故发生。

关键词：主成分分析；BP-神经网络；数理分析；GBDT 梯度提升树；仿真模拟

在这里插入图片描述

3 获取方式

电脑浏览器打开

betterbench.top/#/64/detail