Формирование выборки полетов и массивов данных для исследования посадки самолета с использованием методов машинного обучения


Авторы

Петров И. А.1*, Прошкина Н. А.2**, Стрелков В. В.1***

1. ФАУ «Центральный аэрогидродинамический институт имени профессора Н. Е. Жуковского», Жуковский, Московская область, Россия
2. Московский физико-технический институт (национальный исследовательский университет), МФТИ, Институтский пер., 9, Долгопрудный, Московская облаcть, 141701, Россия

*e-mail: peredreyhus1@mail.ru
**e-mail: proshkina.na@phystech.edu
***e-mail: v_strelkov@tsagi.ru

Аннотация

Потенциально доступные объемы информации о полете и тенденция их многократного увеличения в ближайшие годы говорят об актуальности и важности развития новых подходов к исследованию проблем обеспечения безопасности полетов, которые базируются на анализе информации с использованием методов машинного обучения (МО). Достоверность результатов такого анализа в значительной степени определяется качеством предобработки первичной полетной информации и подготовленных массивов для непосредственного применения методов МО. Массивы данных формируются под конкретную прикладную задачу, которую предполагается решать.
В настоящей работе рассматриваются вопросы формирования выборки полетов и массивов данных для их последующего анализа с использованием методов МО применительно к задаче прогнозирования координаты точки приземления самолета на взлетно-посадочной полосе (ВПП). Весь процесс подготовки данных разделен на отдельные этапы, каждый из которых подробно обсуждается и иллюстрируется результатами обработки реальных полетных данных.
В работе использованы записи параметров полетов пассажирского самолета в условиях эксплуатации на маршрутной сети одной из авиакомпаний, архивы METAR, справочные данные об аэродромах посадки и номинальных технических характеристиках воздушного судна.
Показано, что работа по формированию выборки полетов и массивов данных для исследования посадки самолета с использованием методов МО является очень трудоемкой, но необходимой частью в рамках реализации перспективного подхода к исследованию проблем безопасности полетов.

Ключевые слова:

безопасность полетов, машинное обучение, прогнозирование, полетная информация, выборка полетов, массив данных, посадка, координата точки приземления

Библиографический список

  1. G. van Es. A Study of Runway Excursions from a European Perspective. NLR-CR-2010-259. URL: https://skybrary.aero/sites/default/files/bookshelf/2069.pdf
  2. Jenkins M., Aaron R.F. Reducing Runway Landing Overruns. Boeing Aero Magazine. URL: https://www.boeing.com/commercial/aeromagazine/articles/2012_q3/3/
  3. Шаров В.Д. Прогнозирование и предотвращение выкатываний самолета за пределы взлетно-посадочной полосы. - Германия: Lambert Academic Publishing, 2013. С. 112.
  4. Рыбин А.В. Разработка методики детектирования и анализа грубых посадок самолёта на основе численного моделирования происшествия // Труды МАИ. 2015. № 81. URL: https://trudymai.ru/published.php?ID=57761
  5. Еремин А.И., Сельвесюк Н.И. Уточнённая оценка коэффициента опасности посадки при снижении по глиссаде с учётом действия вертикального ветра // Труды МАИ. 2018. № 100. URL: https://trudymai.ru/published.php?ID=93451
  6. Семаков С.Л. Об одном подходе к вероятностной оценке безопасности посадки гражданского самолета // Труды МАИ. 2019. № 104. URL: https://trudymai.ru/published.php?ID=102188
  7. Barry D., Greeves M., Solis T., Angel M. Advanced methods for analysis flight data for runway excursions risk factors. Cranfield University, Airbus Defence&Space. Future Sky Safety. Project: Solutions for Runway Excursions, 2017. URL: https://www.futuresky-safety.eu/wp-content/uploads/2018/03/FSS_P3_CU_D3.5_v2.0.pdf/
  8. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. – М.: Физматлит, 2006. - 813 с.
  9. Онлайн-учебник по машинному обучению от ШАД. URL: https://education.yandex.ru
  10. Lishuai Li R., John Hansman, Rafael Palacios, Roy Welsch. Anomaly detection via a Gaussian Mixture Model for flight operation and safety monitoring // Transportation Research Part C Emerging Technologies, 2016, vol. 64, pp, 45–57. DOI: 10.1016/j.trc.2016.01.007
  11. Janakiraman V., Matthews B., Oza N. Discovery of Precursors to Adverse Events Using Time Series Data // SIAM International Conference on Data Mining, May 5-7, 2016, Miami, FL. DOI: 10.1137/1.9781611974348.72
  12. Melnyk I., Banerjee A., Matthews B., Oza N. Semi-Markov Switching Vector Autoregressive Model-Based Anomaly Detection in Aviation Systems // ACM International Conference on Knowledge Discovery and Data Mining (KDD), 2016. DOI: 10.1145/2939672.2939789
  13. Raphael Monstein, Benoit Figuet, Timothé Krauth, Manuel Waltert and Marcel Dettling. Large Landing Trajectory Dataset for Go-Around Analysis // Engineering Proceedings, 2022, vol. 28 (2). DOI: 10.3390/engproc2022028002
  14. Буров Я.В., Стрелков В.В. Программа расшифровки полетной информации с бортовых параметрических регистраторов пассажирских самолетов «ARINC-конвертор». Свидетельство о регистрации программы для ЭВМ № 2017613196, 13.03.2017.
  15. Alberto Rizzoli. Training Data Quality: Why It Matters in Machine Learning // An Introductory Guide to Quality Training Data for Machine Learning. URL: https://www.v7labs.com/blog/quality-training-data-for-machine-learning-guide
  16. Побединский Г.Г. Системы координат в геодезии и их связи. - Нижний Новгород: Нижегородский государственный архитектурно-строительный университет, 2023. – 144 с.
  17. Geraud de Rivals. Landing Trajectory Computation // 3rd conference of the European Operators Fligh Data Monitoring forum (EOFDM), Cologne, 06 February 2014. URL: https://www.pressreleasepoint.com/european-operators-flight-data-monitoring-eofdm
  18. Емельянов Д.С., Стрелков В.В., Горский Е.Б. Восстановление и кодировка траектории движения самолета на заключительном этапе снижения по глиссаде, выравнивании и пробеге по ВПП // XXX Научно-техническая конференция по аэродинамике (пос. Володарского, 25÷26 апреля 2019): тезисы докладов. – Жуковский: ЦАГИ, 2019. С. 111-112.
  19. Емельянов Д.С. Программа восстановления траектории движения самолета на заключительном этапе снижения по глиссаде, выравнивании и движении по взлетно-посадочной полосе (TrajectoryScan). Свидетельство № 2018664260, 2018.
  20. G. van Es, P. der Geest, Cheng A., Hackler L., Dillard A.E. A Study of Normal Operational Landing Performance on Subsonic, Narrow-Body Jet Aircraft during Instrument Landing System Approaches. Report No. DOT/FAA/AR-07/72007.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход