一种基于机器学习的多任务模式近地告警方法
阅读说明：本技术 一种基于机器学习的多任务模式近地告警方法 (Multi-task mode ground proximity warning method based on machine learning ) 是由 张恒 祁鸣东 彭旭飞 雷雨 曹植 祖肇梓 于 2021-09-10 设计创作，主要内容包括：本申请提供一种基于机器学习的多任务模式近地告警方法,所述方法包括：构建数字地形图,所述数字地形图包括海拔高度；根据基本飞行参数构建飞机反应模型,根据所述飞机反应模型获得拉起过程中的下降高度ΔH；根据飞机初始高度和下降高度ΔH,计算飞机拉起后最低高度；比较海拔高度和飞机拉起后最低高度,判断飞机是否触地,并生成训练数据；构建机器学习模型,并对机器学习模型进行训练；利用机器学习模型,输出近地告警信号。(The application provides a multitask mode ground proximity warning method based on machine learning, which comprises the following steps: constructing a digital terrain map, the digital terrain map comprising an altitude; constructing an airplane reaction model according to basic flight parameters, and obtaining a descending height delta H in the pulling-up process according to the airplane reaction model; calculating the lowest height of the pulled airplane according to the initial height and the descending height delta H of the airplane; comparing the altitude with the lowest altitude of the plane after being pulled up, judging whether the plane touches the ground or not, and generating training data; constructing a machine learning model, and training the machine learning model; and outputting a ground proximity warning signal by using a machine learning model.)
技术领域
本发明涉及一种近地告警系统，特别是一种基于机器学习的多任务模式近地告警方法。
背景技术
在近地告警系统中，包线的设计往往受很多因素的影响，在特定地形条件下，如何在保证飞机的安全性的情况下，提升不同飞行状况的适应能力，传统的方法是手动修改包线的阈值，效率低下，。本方案结合飞机真实性能状态、真实地形图和仿真地形图，对飞机飞行参数进行模拟，用模拟数据训练通用的近地告警机器学习告警模型。达到了根据不同地形、法向过载等环境信息和飞机信息，输出不同的近地告警信号的目的。在精确建模保证准确率的基础上，针对多种任务模式可设计不同环境信息、飞机信息参数，通过机器学习技术训练模型，提高了近地告警方案的生成效率，。
发明内容
本申请提供一种基于机器学习的多任务模式近地告警方法，能够提高告警的效率和准确率。
为了解决上述技术问题，本申请提供一种基于机器学习的多任务模式近地告警方法，所述方法包括：
构建数字地形图，所述数字地形图包括海拔高度；
根据基本飞行参数构建飞机反应模型，根据所述飞机反应模型获得拉起过程中的下降高度ΔH；
根据飞机初始高度和下降高度ΔH，计算飞机拉起后最低高度；比较海拔高度和飞机拉起后最低高度，判断飞机是否触地，并生成训练数据；
构建机器学习模型，并对机器学习模型进行训练；
利用机器学习模型，输出近地告警信号。
优选的，根据基本飞行参数构建飞机反应模型，根据所述飞机反应模型获得拉起过程中的下降高度ΔH，具体包括：
根据告警模式，构建飞机反应模型；
对飞机在飞行过程中的拉起阶段，进行运动学分析，获得拉起过程中的下降高度ΔH；
设置基本飞行参数。
优选的，基本飞行参数包括飞行员的操作响应时间tdelay、飞机航迹倾斜角μ、法向过载n、初始高度L0、初始下降率Vdown0、初始航迹角μ0。
优选的，对飞机在飞行过程中的拉起阶段，进行运动学分析，获得拉起过程中的下降高度ΔH，具体包括：
计算推力FN、阻力D、飞机法向过载n；
根据阻力D、推力FN、和法向过载n，利用公式计算飞机速度V和航迹倾斜角μ；
其中，g为重力加速度，m为飞机质量，；
根据飞机速度V和航迹倾斜角μ，利用公式计算拉起过程中的下降高度ΔH，其中，t0为发生告警的时间，Δt为拉起阶段时间。
优选的，根据飞机初始高度和下降高度ΔH，计算飞机拉起后最低高度；比较海拔高度和飞机拉起后最低高度，判断飞机是否触地，并生成训练数据，具体包括：
利用飞机反应模型对飞机进行多次飞行模拟，并获得飞机是否触地的模拟数据；
根据模拟数据生成对应的标签，所述标签包括告警和不告警；
根据告警和不告警的临界点数据，多次采样，以便获得均衡的训练数据，根据训练数据得到训练集和测试集。
优选的，构建机器学习模型，并对机器学习模型进行训练，具体包括：
构建机器学习模型，机器学习模型的输入为下降速率、水平速率、无线电高度、水平速度、地形接近率、起落架状态、ILS状态，机器学习模型的输出包括不告警模式和告警模式；
利用训练集，对机器学习模型进行训练；
利用测试集，对机器学习模型进行测试。
优选的，机器学习模型包括深度神经网络(Deep Neural Network，DNN)模型、支持向量机、贝叶斯模型和随机森林。
优选的，操作响应时间的取值范围为伽马分布G(4，1)；
航迹角变化率的取值范围为伽马分布G(7，0.3)；
触地时间的取值范围为均匀分布U(20，35)；
起落架状态的取值范围为二项分布(0，1)；
ILS状态的取值范围为二项分布(0，1，2)。
综上所述，本申请提供一种基于机器学习的多任务模式近地告警方法，通过对结合飞机真实性能状态、真实地形图和仿真地形图，对飞机飞行参数进行模拟，用模拟数据训练通用的近地告警机器学习告警模型。达到了根据不同地形、法向过载，输出不同的近地告警信号的目的，可根据不同的参数设置，自动输出对应工况下的特定告警信号，具有更高的灵活性。相较于以往参数化仿真的方法，解决了手动拟合包线、调节告警阈值带来的效率低下的问题。
附图说明
图1为本申请提供的一种近地告警系统的结构示意图；
图2为本申请提供的告警信号发生后的飞机运动阶段示意图；
图3为本申请提供的一种受力分析示意图。
图4为一种推力曲线图。
图5为一种飞机升阻级曲线图。
具体实施方式
机器学习技术能够对非线性数据进行拟合，满足不同地形下的告警包线设计要求。本专利通过模拟不同场景下的地形，针对特定的训练任务，产生不同的告警机制，从而提升飞机性能，总体架构如图1所示。
步骤1：构建数字地形图，所述数字地形图包括海拔高度；
具体的，收集实际的数字地形高程图，建立多种数字地形高程图环境。分别收集城市、平原、山区、海洋等多种数字地形高程图数据，将其作为测试场景。同时采用马尔可夫方法，生成仿真地形图。
步骤2：根据基本飞行参数构建飞机反应模型，根据所述飞机反应模型获得拉起过程中的下降高度ΔH；
步骤2-1：根据告警模式，构建飞机反应模型；
其中，常见的告警模式包括六种，分别是模式1：下降率过大告警，模式2为地形接近率过大告警，分为2A和2B模式，模式3为起飞或复飞掉高告警，模式4为非着陆形态下净空高度不足，根据起落架状态和飞行阶段分为4A，4B，4C，其中4A又根据空速分为地形和起落架告警，4B分为地形和襟翼告警。模式5为下滑道偏离告警，模式6为侧倾角过大告警。
此处以模式1为例，进行研究：
如图2所示，飞机反应模型包括三个阶段：反应阶段、拉起阶段、稳定保持阶段。
其中，在反应阶段，已经产生告警，但是飞机运动状态未发生变化，这个时间定义为反应时间。拉起阶段是从飞机状态开始变化，产生拉起动作，到稳定保持拉起的角度。稳定保持阶段是指航迹角不变的飞行。
步骤2-2：对飞机在飞行过程中的拉起阶段，进行运动学分析，获得拉起过程中的下降高度ΔH；
具体的，拉起过程中的下降高度ΔH包括：
步骤2-2-1：计算推力FN、阻力D、飞机法向过载n；
具体的，推力FN可根据当前马赫数M，高度H，查询推力曲线得到，参见图4。
具体的，法向过载n，可通过机载仪表获取。
具体的，飞机当前所受阻力D，通过飞机的阻力系数CD得到。
D＝1/(2CDρV2SW)
需要说明的是，空气密度ρ＝f(h)可参照标准大气表，V为飞机当前空速，Sw为机翼面积。
需要说明的是，通过升力系数CL和飞机仪表获取的飞机当前马赫数M，通过查询飞机升阻级曲线得到飞机阻力系数CD。参见图5。
需要说明的是，升力系数CL计算方法为：
升力系数CL＝(2L)/(ρV2SW)
式中空气密度ρ＝f(h)可参照标准大气表，V为飞机当前空速，Sw为机翼面积。L为飞机升力。
需要说明的是，飞机升力L，其计算方法为：根据重力G和飞机法向过载n，利用公式n＝L/G，计算得到飞机升力L；式中重力G＝mg，m为飞机质量，g为飞机所处位置的重力加速度。n为法向过载，可通过机载仪表获取。
步骤2-2-2：根据阻力D、推力FN、和法向过载n，利用公式计算飞机速度V变化率和航迹倾斜角μ变化率；
其中，g为重力加速度，m为飞机质量。
步骤2-2-3：根据飞机速度V和航迹倾斜角μ，利用公式计算拉起过程中的下降高度ΔH，其中，t0为发生告警的时间，Δt为拉起阶段时间。
步骤2-3、设置基本飞行参数。
其中，基本飞行参数包括飞行员的操作响应时间tdelay、飞机航迹倾斜角μ、法向过载n、初始高度L0、初始下降率Vdown0、初始航迹角μ0、法向过载n0参数均为随机数。基本飞行参数取值范围如下：
变量意义
变量符号
分布状态
模型参数
巡航速度
V<sub>t</sub>
均匀分布
V<sub>min</sub>-V<sub>max</sub>
操作响应时间
t<sub>delay</sub>
伽马分布
G(4，1)
航迹角变化率
μ
伽马分布
G(7，0.3)
初始下降率
V<sub>down0</sub>
均匀分布
V<sub>downmin</sub>,V<sub>downmax</sub>
触地时间
T
均匀分布
(20，35)
起落架状态
gear
二项分布
0，1
ILS状态
ILS
二项分布
0，1，2
无线电高度
AGL
均匀分布
AGL<sub>max</sub>-AGL<sub>min</sub>
步骤3：根据飞机初始高度和下降高度ΔH，计算飞机拉起后最低高度；比较海拔高度和飞机拉起后最低高度，判断飞机是否触地，并生成训练数据；
步骤3-1、利用飞机反应模型对飞机进行多次飞行模拟，并获得飞机是否触地的模拟数据；
实际应用中，根据数据规定的空间范围内，生成随机数，然后计算不同阈值下，飞机从告警到撞地的时间。
步骤3-1-1、计算无告警模式下的运动轨迹及触地时间。
随机生成无线电高度，随机生成下降率，随机生成地形，随机生成触地时间T，计算无告警模式下的正常轨迹，根据地形高度与拉起掉高与地形高度是否接触，记录T秒内是否触地。
步骤3-1-2、计算告警模式下的轨迹，记录T秒内是否触地。
随机生成操作相应时间tdelay，随机生成法向过载n，同过查询对应飞机模型参数信息，根据步骤2-2计算ΔH。
步骤3-1-3、进行循环多次，分别统计告警和不告警时的触地状态。
步骤3-2、根据模拟数据生成对应的标签，所述标签包括告警和不告警；
情况1
情况2
情况3
情况4
无告警
触地
触地
不触地
不触地
告警
触地
不触地
触地
不触地
标签
告警
告警
不告警
不告警
同理，对其他模式的模拟数据模拟并生成标签。
步骤3-3、根据告警和不告警的临界点数据，多次采样，以便获得均衡的训练数据，根据训练数据得到训练集和测试集。
对告警样本和不告警样本进行随机采样，得到与正反样本数量相同的规模样本。同时，按照训练集：测试集为7：3的比例对样本进行抽取，得到训练集和测试集。
步骤4、构建机器学习模型，并对机器学习模型进行训练；
其中，机器学习模型包括深度神经网络(Deep Neural Networks，DNN)模型，。
步骤4-1、构建机器学习模型，机器学习模型的输入为下降速率、水平速率、无线电高度、水平速度、地形接近率、起落架状态、ILS状态，机器学习模型的输出包括不告警模式和告警模式；
机器学习模型的输入输出设置为：
实际应用中，告警模式1为下降率过大告警，模式2为地形接近率过大告警，分为2A和2B模式，模式3为起飞或复飞掉高告警，模式4为非着陆形态下净空高度不足，根据起落架状态和飞行阶段分为4A，4B，4C，其中4A又根据空速分为地形和起落架告警，4B分为地形和襟翼告警。模式5为下滑道偏离告警，模式6为侧倾角过大告警。
以DNN模型为例，机器学习模型为：
步骤4-2、利用训练集，对机器学习模型进行训练；
根据以上网络架构，采用adam优化器，学习率为0.01，设置droupout比率为0.3，开展训练。采用早停策略，当测试误差增大，停止训练。
步骤4-3、利用测试集，对机器学习模型进行测试。
将训练完成的模型，输入测试数据用于实验，根据测试结果进行模型超参数调优，跳转至4-1，直到性能满足要求。
步骤5、利用机器学习模型，输出近地告警信号。
步骤6、样本更新策略。
当存在新的地形数据模型输入时，或者输入数据取值范围发生变化时，随机选取相关参数，计算得到新样本，加入到样本库中，执行步骤3和步骤4。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种综合探测视界和噪声屏蔽效果的声学隔离方法