基于航迹数据的飞行状态识别方法研究.doc
《基于航迹数据的飞行状态识别方法研究.doc》由会员分享，可在线阅读，更多相关《基于航迹数据的飞行状态识别方法研究.doc（8页珍藏版）》请在冰豆网上搜索。
基于航迹数据的飞行状态识别方法研究
张余葛飞
中国民航大学空中交通管理学院
X
关注成功！
加关注后您将方便地在我的关注中得到本文献的被引频次变化的通知！
·新浪微博
·腾讯微博
·人人网
·开心网
·豆瓣网
·网易微博
摘 要：
为了解决航空器航迹识别出现异常飞行状态影响航空器燃油消耗评估等问题,使用Kalman滤波去噪和CCDA算法识别飞行雷达轨迹并生产飞行状态,针对飞行状态异常点采用了直线特征测量数据平滑去噪算法消除了噪声对飞行状态变化点识别影响。
以某扇区进场航空器雷达数据进行算例分析,识别率达到了91%以上。
关键词：
雷达数据;飞行状态识别;Kalman滤波;数据插值;
作者简介：
张余（1994-）,男,湖北武汉人,硕士研究生,主要研究方向为空中交通系统仿真与分析。
收稿日期：
2017-09-19
基金：
国家自然科学基金与中国民航基金联合项目资助（U1333108）
ResearchonFlightStateRecognitionMethodBasedonTrackData
ZHANGYuGEFei
CollegeofAirTrafficManagement,ChinaCivilAviationUniversity;
Abstract：
Inordertosolvetheproblemofaircraftflightidentificationandtheabnormalflightstate,theKalmanfilterdenoisingandCCDAalgorithmareusedtoidentifytheflightradartrajectoryandproducetheflightstate.TheflightfeatureanomalypointisusedtomeasurethesmoothingdenoisingalgorithmEliminatingtheeffectofnoiseonflightstatechangepointrecognition.Anumericalanalysisoftheaircraftradardataofasectoriscarriedout,andtherecognitionrateisabove91%.
Keyword：
radardata;flightstatusidentification;Kalmanfilter;datainterpolation;
Received：
2017-09-19
引言
航空器在不同的飞行状态下燃油消耗水平有较大的差别,因此,识别出准确的飞行状态对于航空器燃油评估具有重要的意义。
由于在雷达数据提取的过程中会频繁出现随机误差、时间记录不连续性、变化跳跃等问题,故需要对观察到的时序数据进行分析。
针对雷达数据缺点,本文主要解决雷达数据中识别误差,提高识别的准确性效果。
目前飞行状态识别研究的现状有:
应用混合估算计算对飞机状态和飞行模式进行估计[1];基于4D航迹预测与冲突探测问题,研究随机线性混合系统预测了飞行状态之间的转换[2];基于非线性滤波方法,研究飞行状态进行估计[3]等。
这些对飞行状态研究仅仅局限于一些管制员本身特点,大量数据调查并收集管制员管制经验抽象化出飞行状态,真实可靠度大打折扣。
本文针对雷达数据本身的特点使用了雷达数据插值和卡尔曼滤波对数据初期进行了有效的处理,接着使用了CCAD算法识别出初步的飞行状态。
而识别出的飞行状态中会产生异常噪声值,对该问题,本文采用了直线特征测量数据平滑去噪算法。
基于雷达数据计算方法得出的状态更接近于真实状态,提高了航空器燃油评估率。
1航空器飞行状态识别
航空器飞行状态主要分为平飞、爬升、下降等,航空器在整个飞行过程伴随着这几个状态间的不断转换。
因此,在航空器燃油评估过程中对飞行状态真实意图的掌握显得尤为重要,故需要识别出较为准确的飞行状态。
在整个识别过程中难点在于空管记录的雷达数据。
空管雷达记录的航空器飞行过程,航迹（track）是指时刻t雷达扫描并记录的航空器i的第k个点空间位置、速度、航向等特征,表示一段时间内,航空器飞行经过的历史痕迹,是一条连续曲线。
雷达扫描周期Δt为4~6s。
1.1雷达高度数据插值算法
雷达在扫描数据的时候会产生延迟[4],无法记录每一秒的数据,需要对其进行填补。
本文研究雷达高度数据插值模型是一种专门针对民航雷达数据缺失的一种填补模型,其目的是为了让航空器记录的雷达数据更加精确[5]。
接下来描述一个求解未记录数据的过程,如图1所示,使其更加直观理解。
图1雷达高度数据插值结构 下载原图
参数介绍:
1）xi表示第i个记录的雷达数据,i=1,2,…,n。
其中雷达数据记录点通常从第一秒开始,最后一秒为最后一个记录点,以相邻的两个记录点数据为函数计算参考值。
2）d表示两个相邻雷达记录点间的未记录点个数,通常计算确定的方法是:
ti+1-ti=Δt,ti表示第1个记录雷达数据对应的时间,Δt表示相邻记录雷达数据时间差。
因此,d=Δt-1。
3）hi表示第i个记录的雷达数据对应的高度值。
4）tj表示未记录点的时间,其求解方法:
tj=ti+C,其中C=1,2,…,d。
tj的求解必须按照时间的先后书序来求解。
雷达高度数据插值算法建立,随机提取两个相邻的雷达记录点xi（ti,hi）和xi+1（ti+1hi+1）,已知这两点的时间和高度具体值确定一次函数方程式。
然后将这两点间的确定未记录点的个数分别求解出每个点对应的时间和高度。
从第一秒雷达记录点开始依次与相邻的记录建立如下一次函数等式方程:
求解出一次函数方式:
按时间的顺序将tj带入到式
（2）中,依次求解出对应的高度。
1.2Kalman滤波数据去噪算法
Kalman滤波器处理的数据[6]要求参数是已知的,如果参数未知,或者参数的值有误差,Kalman滤波器就不能得到最优估计,甚至无法得到状态的估计,即发散。
虽然系统参数有误差时不能得到最优估计,但很多时候能获得和真实还算相近的估计,再加上Kalman滤波可以进行实时的估计。
本文研究的雷达提取出来的高度数据刚好可以符合这些条件。
因此,接下来,去研究非线性Kalman滤波器算法。
其中x（k）为非线性雷达高度数据等待估计状态,w（k-1）为雷达高度数据系统过程噪声,z（k）为雷达高度数据系统测量,v（k）为雷达高度数据测量噪声f（·）和h（·）是非线性的过程方程和测量方程。
设雷达高度数据系统模型具有非线性关系:
已知向前预测状态,根据式（3）可以推出相应的预测值:
则预测的方程:
理论上对数据的估算有两种方式证明:
一是根据合理Kalman滤波器算法理论上推论出来并加以证明估算出非线性系统状态值[7],二是根据设计合理的实验不断对比真实数据说明估算值有效性。
而本文是通过大量的MATLAB仿真实验来证明估算值。
接下来为了估计通过泰勒级数展开式来估计非线性雷达高度数据,建立泰勒级数模[7]:
滤波器增益:
向前一步预测方差:
状态估计方差:
1.3CCAD模式识别算法改进
研究表明航空器燃油消耗与飞行状态直接相关,为对综合航迹进行有效识别需要构建有效且便于工程应用的飞行状态识别算法。
之前已经对模式识别算法进行了初步构建,建立了CCAD（ContinuousChangesinAltitudeDifference）[8]飞行状态识别算法,使用雷达数据对算法进行初次的验证。
平飞状态识别来标记为0,爬升状态识别出来标记为1,下降状态识别出来标记为-1,平滑处理的步长设置为30。
CCDA算法识别流程见图2。
图2CCAD算法流程图 下载原图
CCAD算法虽然在一定程度上能识别出飞行状态,相对粗糙的雷达数据会产生很多识别异常等情况,针对这一问题,本文重点去研究特征识别数据的消噪处理方法研究。
2直线特征测量数据的平滑去噪
航空器在飞行过程中会受到气流影响,使得航空器的飞行状态发生短时间的变化。
因此,在飞行状态识别的过程中会产生大量的噪声值,这些噪声值会提高航空器燃油计算的复杂性,产生误差。
航空器航迹识别的飞行状态数据预先处理[9-11]包括以下2个部分:
野值剔除和直线重构。
2.1均值平滑去噪
假设在某次飞行中,识别飞行状态参数x共记录了n个时刻的值{x1,x2,…,xn},首先计算xi+1-xi=yi,其中yi≠0,然后判断i与阀值6（飞行员做出反应的时间是0~6s）关系,将小于或者等于6的原始飞行状态数据剔除掉。
按照时间序列依次迭代。
航空器的各个飞行状态数据将保留的数据连续的记录在识别状态数据中。
由于航空器飞行状态数据中包含了一些剔除的缺失数据,需要将其引入,本文采用的是均值滑动方法来实现,由此形成多个顺序平均值的新序列,即剔除缺失序列中每一个点的数值均有其前面一个序列均值代替,即:
zt={xi,xi+1,…,xi+t+1};zt表示t个时间点相同飞行状态数据点集合。
式中,zk-1={xj,…,xk-1},k-j≤6;Y表示状态保持不变,N表示状态剔除。
2.2直线重构
目前在诸多的工程实际问题研究中都会遇到直线拟合问题,对于给出识别的n个时刻飞行状态值来重新寻找一条最佳的重组拟合直线。
3案例仿真和验证
3.1案例仿真
以某扇区的航空器某一条进场飞行轨迹为例,运用MATLAB软件进行飞行状态识别分析,其原始雷达轨迹数据参考如表1。
表1部分雷达航迹高度数据记录表 下载原表
图3是关于飞行状态识别的整体流程,在此过程中识别率的关键一步在于飞行状态噪声处理。
图3飞行状态识别流程图 下载原图
利用某航空器的航迹实飞数据,分别选取上述研究的3种状态作为实验的仿真结果。
平飞识别出的状态数据标记0;爬升识别出的状态标记1;下降识别出的状态标记-1。
3种特征数据作为实验仿真的最终训练样本。
为了进一步提高识别效果,对CCAD算法识别出的飞行状态样本数据采用了第2节使用的直线特征测量数据平滑去噪法[12],如图4、图5识别对比图。
图4CCAD算法飞行状态识别图 下载原图
图5飞行状态去噪识别图 下载原图
3.2仿真验证
对于航空器燃油消耗评估算法中识别出准确飞行状态对其非常有意义,每个状态下的燃油消耗算法差别很大,因此,必须验证航空器飞行状态识别率。
本文设置3个对比识别率如下:
1）航迹与飞行状态从记录的第一秒与最后一秒时间的比值识别率,其公式:
式中,t1,T1分别表示航迹起始时间和飞行状态识别的起始时间;tn,Tn分别表示航迹记录结束时间和飞行状态识别截至时间;σ表示目标一的识别率。
2）是航迹变化节点时间与飞行状态变化节点时间比值识别率,其公式:
式中,ti表示航迹变化节点时间,Ti表示飞行状态发生变化节点时间。
η表示目标二的识别率。
3）同一状态中异常状态剔除数量与未剔除数量对比值识别率。
同一飞行状态时间在0~6s判断为异常状态,其公式:
式中,Ni表示同一状态处理前异常状态个数,ni表示同中状态处理异常状态个数,φ表示目标三的识别率。
其中目标一、二识别率依据雷达记录时间。
以三亚进场数
升级会员 