一种面向航空器自主运行场景的风险评估方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

一种面向航空器自主运行场景的风险评估方法
申请号	CN202310642704.8	申请日	2023-06-01	公开(公告)号	CN116579614A	公开(公告)日	2023-08-11
申请人	南京航空航天大学;			发明人	张洪海; 李一可; 石宗北; 钟罡; 刘皞;
摘要	本发明公开了一种面向航空器自主运行场景的风险评估方法，属于航空技术领域，围绕航空器自主运行风险识别问题，拟采用“风险量化‑特征提取‑智能识别”的思路，结合面向自主运行的空域运行风险定义与分类方法，构建航空器自主运行风险关联关系规则库，开展航空器自主运行安全风险智能识别技术研究，构建各类自主运行风险智能识别模型，涵盖航空器空中相撞、危险接近、可控撞地、飞行偏航、机组飞行失误等，实现航空器自主运行模型下运行风险的时空位置、严重程度、影响范围的主动识别，为航空器机载航迹自主规划提供全飞行航程、多风险领域的风险信息支持。能够在一定程度上减少风险事故的发生、损伤等问题。
权利要求	1.一种面向航空器自主运行场景的风险评估方法，其特征在于，包括如下步骤：(1)获取机载自主感知数据、空地一体协同数据和多信息融合数据，获得空中潜在威胁目标的信息； (2)基于获取的相关数据，进行数据处理，结合航空器自主运行环境、航空器空域运行风险因素、航空器安全事故调查数据以及对风险识别的分类，构建航空器自主运行安全风险关联关系规则库； (3)提取航空器自主运行安全风险特征指标，基于EVENT碰撞风险识别、多层神经网络风险识别和系统动力学风险识别，分别建立自主运行模式下空中相撞、危险接近和可控撞地的运行风险识别模型，构建机载自主运行风险智能识别模型； (4)对机载自主运行风险进行识别，获取风险识别结果。 2.根据权利要求1所述的一种面向航空器自主运行场景的风险评估方法，其特征在于，所述步骤(2)中的安全风险的量化过程具体如下：A、开展航空器自主运行模式与环境分析，系统梳理航空器自主运行条件下“人、机、环、管”方面的风险要素； B、采用数据挖掘和头脑风暴的方法，建立航空器自主运行条件下飞行安全风险影响因素库； C、通过对风险因素的结构化定义和预设，量化研判航空器自主运行风险因素所属层次和类别，提炼航空器自主运行风险表征指标体系。 3.根据权利要求2所述的一种面向航空器自主运行场景的风险评估方法，其特征在于：所述风险要素包括显性风险和隐性风险，所述显性风险包括航空器空中碰撞风险、近地告警风险和危险接近风险，所述隐性风险包括飞行偏航风险、机组飞行失误风险、通信失效风险和航空危险天气风险。 4.根据权利要求1所述的一种面向航空器自主运行场景的风险评估方法，其特征在于：所述步骤(3)中对于航空器空中相撞风险，构建EVENT碰撞风险识别模型，基于经典Event模型对航空器进行垂直方向碰撞风险评估，在具体评估时，建立空间直角坐标系，航空器相对于垂直方向间隔层做侧向和纵向的运动，穿越间隔层形成扩展碰撞盒。 5.根据权利要求4所述的一种面向航空器自主运行场景的风险评估方法，其特征在于，所述航空器垂直方向碰撞风险计算公式具体如下：线段HI为碰撞盒穿越间隔层时在纵向上的位移：线段HG为碰撞盒在侧向上的位移： FE，GF分别为碰撞盒的长度和宽度： FE＝G＝2a GF＝KJ＝2b 综上，航空器垂直方向碰撞风险计算公式为：其中，式中，a，b，h为航空器的机身长度、翼展以及机身高度；u，w，w为航空器在纵向、侧向以及垂直方向的相对速度；Sx为航路纵向间隔标准。 6.根据权利要求1所述的一种面向航空器自主运行场景的风险评估方法，其特征在于：所述步骤(3)中碰撞风险识别时两机之间的距离计算方法如下：航空器自主运行系统功能函数为G G＝G'(r,v)‑g0 其中G’(r,v)为飞机之间的距离，g0为碰撞安全界限；飞机p在t＝i时刻的速度关系为： vpi＝vpi‑1+a×Δti upi＝upi‑1+a×Δti 两机的运动参数为vi、ui，vi、ui分别代表水平方向速度、垂直方向速度，vxi与vyi代表两个速度分量，a为加速度； αi＝ψi+Δψi xpi＝xpi‑1+[vxi‑1cos(αi‑1)+vyisin(αi‑1)]Δtypi＝ypi‑1+[vxi‑1sin(αi‑1)‑vyicos(αi‑1)]Δtzpi＝zpi‑1+(vpzi‑vpzi‑1)Δt其中，α代表航迹角，ψ代表转弯率，Δψ代表转弯率的变化率，Φ是转弯坡度，g是重力加速度，xpi、ypi、zpi分别为i时刻x、y、z轴的坐标，Di为i时刻的两机距离。 7.根据权利要求1所述的一种面向航空器自主运行场景的风险评估方法，其特征在于：所述步骤(3)中对航空器危险接近风险，建立多智能体agent强化学习识别模型，对航空器危险接近的概率与时空位置进行综合识别。 8.根据权利要求1所述的一种面向航空器自主运行场景的风险评估方法，其特征在于：所述多信息融合数据包括航空器的实时地理位置、飞行高度、飞行速度和天气状况。 9.根据权利要求1所述的一种面向航空器自主运行场景的风险评估方法，其特征在于：所述识别结果包括时空位置、相关风险的发生概率、严重程度与影响范围。
说明书全文	一种面向航空器自主运行场景的风险评估方法技术领域 [0001] 本发明属于航空技术领域，尤其是涉及一种面向航空器自主运行场景的风险评估方法。背景技术 [0002] 近年来，我国民航事业的迅猛发展为我国创造了巨大的经济效益和社会效益，由于航空器种类繁杂，飞行时间、飞行空域以及飞行环境具有一定不确定性，航空器运行风险管理不断向智能化、可预测的方向发展，为预战术和战术阶段的航迹规划提供风险参考。目前国外关于航空器运行风险的研究大部分集中在风险评估方面，对风险的智能识别研究并不成熟；短时风险预测大多是基于航迹预测的基础上实现的，已经形成部分研究成果，还没有实现预战术和战术阶段的应用。国内航空器风险识别主要集中在典型、静态运行风险的识别，缺乏全面、动态的运行风险识别方案。面向大范围、高密度空域内安全自主运行的需求，实现对航空器自主运行风险的精准预测与自动预警，形成航迹规划与决策依据，能够在一定程度上减少风险事故的发生、损伤等问题，为航空器自主运行提供安全保障支撑。发明内容 [0003] 本发明的目的是提供一种面向航空器自主运行场景的风险评估方法，解决上述技术存在的国内航空器风险识别缺乏全面、动态的运行风险识别方案的问题。 [0004] 为实现上述目的，本发明提供了一种面向航空器自主运行场景的风险评估方法，包括如下步骤： [0005] (1)获取机载自主感知数据、空地一体协同数据和多信息融合数据，获得空中潜在威胁目标的信息； [0006] (2)基于获取的相关数据，进行数据处理，结合航空器自主运行环境、航空器空域运行风险因素、航空器安全事故调查数据以及对风险识别的分类，构建航空器自主运行安全风险关联关系规则库； [0007] (3)提取航空器自主运行安全风险特征指标，基于EVENT碰撞风险识别、多层神经网络风险识别和系统动力学风险识别，分别建立自主运行模式下空中相撞、危险接近和可控撞地的运行风险识别模型，构建机载自主运行风险智能识别模型； [0008] (4)对机载自主运行风险进行识别，获取风险识别结果。 [0009] 优选的，所述步骤(2)中的安全风险的量化过程具体如下： [0010] A、开展航空器自主运行模式与环境分析，系统梳理航空器自主运行条件下“人、机、环、管”方面的风险要素； [0011] B、采用数据挖掘和头脑风暴的方法，建立航空器自主运行条件下飞行安全风险影响因素库； [0012] C、通过对风险因素的结构化定义和预设，量化研判航空器自主运行风险因素所属层次和类别，提炼航空器自主运行风险表征指标体系。 [0013] 优选的，所述风险要素包括显性风险和隐性风险，所述显性风险包括航空器空中碰撞风险、近地告警风险和危险接近风险，所述隐性风险包括飞行偏航风险、机组飞行失误风险、通信失效风险和航空危险天气风险。 [0014] 优选的，所述步骤(3)中对于航空器空中相撞风险，构建EVENT碰撞风险识别模型，基于经典Event模型对航空器进行垂直方向碰撞风险评估，在具体评估时，建立空间直角坐标系，航空器相对于垂直方向间隔层做侧向和纵向的运动，穿越间隔层形成扩展碰撞盒。 [0015] 优选的，所述航空器垂直方向碰撞风险计算公式具体如下： [0016] 线段HI为碰撞盒穿越间隔层时在纵向上的位移： [0017] [0018] 线段HG为碰撞盒在侧向上的位移： [0019] [0020] FE，GF分别为碰撞盒的长度和宽度： [0021] FE＝G＝2a [0022] GF＝KJ＝2b [0023] 综上，航空器垂直方向碰撞风险计算公式为： [0024] [0025] 其中，式中，a，b，h为航空器的机身长度、翼展以及机身高度；u，w，w为航空器在纵向、侧向以及垂直方向的相对速度；Sx为航路纵向间隔标准。 [0026] 优选的，所述步骤(3)中碰撞风险识别时两机之间的距离计算方法如下： [0027] 航空器自主运行系统功能函数为G [0028] G＝G'(r,v)‑g0 [0029] 其中G’(r,v)为飞机之间的距离，g0为碰撞安全界限； [0030] 飞机p在t＝i时刻的速度关系为： [0031] vpi＝vpi‑1+a×Δti [0032] upi＝upi‑1+a×Δti [0033] 两机的运动参数为vi、ui，vi、ui分别代表水平方向速度、垂直方向速度，vxi与vyi代表两个速度分量，a为加速度； [0034] αi＝ψi+Δψi [0035] [0036] [0037] xpi＝xpi‑1+[vxi‑1cos(αi‑1)+vyisin(αi‑1)]Δt [0038] ypi＝ypi‑1+[vxi‑1sin(αi‑1)‑vyicos(αi‑1)]Δt [0039] zpi＝zpi‑1+(vpzi‑vpzi‑1)Δt [0040] [0041] 其中，α代表航迹角，ψ代表转弯率，Δψ代表转弯率的变化率，Φ是转弯坡度，g是重力加速度，xpi、ypi、zpi分别为i时刻x、y、z轴的坐标，Di为i时刻的两机距离。 [0042] 优选的，所述步骤(3)中对航空器危险接近风险，建立多智能体agent强化学习识别模型，对航空器危险接近的概率与时空位置进行综合识别。 [0043] 优选的，所述多信息融合数据包括航空器的实时地理位置、飞行高度、飞行速度和天气状况。 [0044] 优选的，所述识别结果包括时空位置、相关风险的发生概率、严重程度与影响范围。 [0045] 因此，本发明采用上述一种面向航空器自主运行场景的风险评估方法，具有以下有益效果：本发明为航空器自主运行安全风险智能识别提供了一种方法，为航空器机载航迹自主规划提供全飞行航程、多风险领域的风险信息支持。采用“风险量化‑特征提取‑智能识别”的思路，结合面向自主运行的空域运行风险定义与分类方法，构建航空器自主运行风险关联关系规则库，开展航空器自主运行安全风险智能识别技术研究，构建各类自主运行风险智能识别模型。 [0046] 下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明 [0047] 图1为本发明所提供的方法流程图； [0048] 图2为本发明所提供的具体实施方式示意图； [0049] 图3为本发明所提供的经典Event模型； [0050] 图4为本发明所提供的扩展碰撞盒示意图。具体实施方式 [0051] 实施例 [0052] 以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 [0053] 如图1，一种面向航空器自主运行场景的风险评估方法，包括如下步骤： [0054] (1)获取机载自主感知数据、空地一体协同数据和其他多信息融合数据，多信息融合数据包括航空器的实时地理位置、飞行高度、飞行速度和天气状况，获得空中潜在威胁目标的信息； [0055] (2)基于获取的相关数据，进行数据处理，结合航空器自主运行环境、航空器空域运行风险因素、航空器安全事故调查数据以及对风险识别的分类，构建航空器自主运行安全风险关联关系规则库； [0056] (3)提取航空器自主运行安全风险特征指标，基于EVENT碰撞风险识别、多层神经网络风险识别和系统动力学风险识别，分别建立自主运行模式下空中相撞、危险接近和可控撞地的运行风险识别模型，构建机载自主运行风险智能识别模型； [0057] (4)对机载自主运行风险进行识别，获取风险识别结果，识别结果包括时空位置、相关风险的发生概率、严重程度与影响范围。 [0058] 步骤(2)中的安全风险的量化过程具体如下： [0059] A、开展航空器自主运行模式与环境分析，系统梳理航空器自主运行条件下“人、机、环、管”方面的风险要素；风险要素包括显性风险和隐性风险，显性风险包括航空器空中碰撞风险、近地告警风险和危险接近风险，隐性风险包括飞行偏航风险、机组飞行失误风险、通信失效风险和航空危险天气风险。 [0060] B、采用数据挖掘和头脑风暴的方法，建立航空器自主运行条件下飞行安全风险影响因素库； [0061] C、通过对风险因素的结构化定义和预设，量化研判航空器自主运行风险因素所属层次和类别，提炼航空器自主运行风险表征指标体系。 [0062] 步骤(3)中对于航空器空中相撞风险，构建EVENT碰撞风险识别模型，基于经典Event模型对航空器进行垂直方向碰撞风险评估如图3所示，在具体评估时，建立空间直角坐标系，航空器相对于垂直方向间隔层做侧向和纵向的运动，穿越间隔层形成扩展碰撞盒，如图4所示。 [0063] 航空器垂直方向碰撞风险计算公式具体如下： [0064] 线段HI为碰撞盒穿越间隔层时在纵向上的位移： [0065] [0066] 线段HG为碰撞盒在侧向上的位移： [0067] [0068] FE，GF分别为碰撞盒的长度和宽度： [0069] FE＝G＝2a [0070] GF＝KJ＝2b [0071] 综上，航空器垂直方向碰撞风险计算公式为： [0072] [0073] 其中，式中，a，b，h为航空器的机身长度、翼展以及机身高度；u，w，w为航空器在纵向、侧向以及垂直方向的相对速度；Sx为航路纵向间隔标准。 [0074] 步骤(3)中碰撞风险识别时两机之间的距离计算方法如下： [0075] 航空器自主运行系统功能函数为G [0076] G＝G'(r,v)‑g0 [0077] 其中G’(r,v)为飞机之间的距离，g0为碰撞安全界限； [0078] 飞机p在t＝i时刻的速度关系为： [0079] vpi＝vpi‑1+a×Δti [0080] upi＝upi‑1+a×Δti [0081] 两机的运动参数为vi、ui，vi、ui分别代表水平方向速度、垂直方向速度，vxi与vyi代表两个速度分量，a为加速度； [0082] αi＝ψi+Δψi [0083] [0084] [0085] xpi＝xpi‑1+[vxi‑1cos(αi‑1)+vyisin(αi‑1)]Δt [0086] ypi＝ypi‑1+[vxi‑1sin(αi‑1)‑vyicos(αi‑1)]Δt [0087] zpi＝zpi‑1+(vpzi‑vpzi‑1)Δt [0088] [0089] 其中，α代表航迹角，ψ代表转弯率，Δψ代表转弯率的变化率，Φ是转弯坡度，g是重力加速度，xpi、ypi、zpi分别为i时刻x、y、z轴的坐标，Di为i时刻的两机距离。 [0090] 步骤(3)中对航空器危险接近风险，需建立多智能体agent强化学习识别模型，对航空器危险接近的概率与时空位置进行综合识别，假设参与协商的双方为Agent A和Agent B，它们计划执行的行动分别为PA和PB，则D＝(PA，PB)表示一项交易，属于协商集合。每个Agent具有一个效用函数(如utility i)，表示在有风险的情况下，Agent对某些飞行所造成的收益或损失的偏好感觉或反应的数量指标，其愿望获得满足的程度越高，效用值越大，反之亦相反。MCP中的效用函数建立在成本函数的基础上。某个交易的效用可定义为该交易相对于冲突交易而言成本的减少，即Agent i从这个交易中获得利益的多少。Agent i在交易D中的成本定义为C(Di)，则交易D对于Agent i的效用是Agent i执行冲突交易的成本C(Ti)与执行交易D的成本C(Di)之差： [0091] Utility i(D)＝C(Ti)‑C(Di) [0092] 如果Utility i<0，则表示与执行冲突交易相比，Agent i执行交易D将遭受损失。 [0093] 实施流程如图2所示，具体包括如下步骤： [0094] 步骤1：关系抽取与数据处理。进行获取航空器安全事件分析、自主运行致险规则分析、自主运行风险表征分析等。 [0095] 基于机器学习进行事件抽取，包括事件触发词检测和事件判定，首先将通过爬虫脚本获取的事件报告语料，经过自然语言文本预处理将文本进行清洗和过滤，将不规则的文本结构在jieba分词，并基于本文的抽取需要建立空管领域词库；利用CRF词法分析系统判断句子中每一个词语的词性，遍历词语判断是否为事件触发词，通过语义分析判断出各个论元在事件中担任的角色；最后，判定抽取出的事件是否符合事件三元组的格式化要求，若不符合要求则再次数据预处理，重复事件抽取流程，若符合事件要求，则将其存储至事件库中。 [0096] 数据的提取与处理。对自主运行风险特征数据、自主运行空地协同数据、航空器本体感知数据等数据进行提取，并进行数据处理。 [0097] 事件抽取的评价。 [0098] [0099] [0100] [0101] 其中，TP表示正确抽取的事件数量；FP表示抽取结果错误的数量；FN表示成功抽取事件的数量。 [0102] 事件句是由x个事件分词后的词汇组成的集合w＝{wi1,wi2,···,wiX}，经过词性标注后的事件集合为Event＝{i1‑wordi1,i2‑wordi2,···,ix‑wordix}。 [0103] 步骤2：判断关系标志词。遍历文本预处理后的分词结果，并与进行标志词列表进行匹配判别，句中包含关系标志词的进行显性关系提取，句中不含关系标志词的进行事件的隐性关系抽取。 [0104] 基于模式匹配的显性关系抽取。以标志词为界进行事件句子切割，根据标志词进行匹配，匹配成功后的事件通过规则模板的对应关系，得到显性事件对。 [0105] 基于STPA方法的隐性关系抽取。确立不同类型事件场景下的控制结构，将发生的事件在控制结构中相应不安全控制行为的位置进行识别，确定事件演化序列，得到隐性事件对。 [0106] 将存在逻辑关系的事件两两相连，组成事件对，以.xlsx的形式存储至事件对库当中。 [0107] 基于获取的相关数据，结合航空器自主运行环境、航空器空域运行风险因素、航空器安全事故调查数据以及对风险识别的分类，构建航空器自主运行安全风险关联关系规则库。 [0108] 步骤3：综合考虑航空器自主运行环境与实际需求，分析航空器自主运行模式与环境，梳理航空器自主运行条件下“人、机、环、管”等方面的危险源及风险要素，包括航空器空中碰撞风险、近地告警风险、危险接近风险等直接显性风险与飞行偏航风险、机组飞行失误风险、通信失效风险、航空危险天气风险等隐性风险。采用数据挖掘、头脑风暴等方法，建立航空器自主运行条件下飞行安全风险影响因素库。对风险因素的结构化定义和预设，量化研判航空器自主运行风险因素所属层次和类别，提炼航空器自主运行风险表征指标体系。基于EVENT碰撞风险识别、多层神经网络风险识别、系统动力学风险识别，分别建立自主运行模式下的运行风险识别模型，从而构建机载自主运行风险智能识别模型。 [0109] 步骤4：对时空位置，严重程度、影响范围以及致因关系等进行不同维度的分析。 [0110] 因此，本发明采用上述一种面向航空器自主运行场景的风险评估方法，以解决现有的国内航空器风险识别缺乏全面、动态的运行风险识别方案的问题。本发明所提供的方法，为航空器机载航迹自主规划提供全飞行航程、多风险领域的风险信息支持。 [0111] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。