(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111270700.9 (22)申请日 2021.10.2 9 (71)申请人 重庆大学 地址 400030 重庆市沙坪坝区正 街174号 (72)发明人 尚家兴　陈红年　郑林江　王启星　 张锐祥　陈浩东　 (74)专利代理 机构 重庆青飞知识产权代理有限 公司 50283 代理人 程红霞 (51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 基于飞参数据无监督聚类的飞行员平飘顶 杆行为分析方法 (57)摘要 本发明涉及一种基于飞参数据无监督聚类 的飞行员平飘顶杆行为分析方法， 包括以下步 骤： 将大量QAR数据进行筛选， 得到其中俯仰操纵 杆在接地前10英尺的累计值大于0的部分； 提取 高度、 俯仰角等五个参数作为机器学习特征； 根 据所提取的参数， 对其数据进行预处理， 得到连 续高度值、 俯仰角累计变化值、 最大俯仰角、 飞机 方向风量四个特征； 使用K ‑means聚类算法， 将大 量平飘顶杆航班数据分为四类： 逆风影响类、 俯 仰影响类、 高度影响类、 自身影 响类； 基于 数据分 析， 得到其平飘顶杆事件发生的主要原因。 本方 法在一定程度上避免了飞机降落阶段可能产生 的安全事件， 可以为航空科研人员提供对此类问 题的新见解， 指导航空公司对飞行员进行更加具 有针对性的训练考核。 权利要求书2页 说明书6页 附图3页 CN 114004292 A 2022.02.01 CN 114004292 A 1.一种基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法， 其特征在于： 该方 法包括以下步骤： S1、 数据筛选： 将大量QAR数据进行筛选， 得到其中俯仰操纵杆在接地前10英尺的累计 值大于0的部分； S2、 参数提取： 提取高度、 俯仰角、 风速、 风向、 飞机磁航向五个参数作为机器学习特 征； S3、 参数预处理： 根据所提取的参数， 对其数据进行预处理， 得到连续 高度值、 俯仰角累 计变化值、 最大俯仰角、 飞机方向风 量四个特 征； S4、 聚类分析： 使用K ‑means聚类算法， 将大量平飘顶杆航班数据分为四类： 逆风影响 类、 俯仰影响类、 高度影响类、 自身影响类； S5、 数据分析： 基于数据分析， 得到其平飘顶杆事 件发生的主 要原因。 2.根据权利要求1所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法， 其特征在于： 在步骤S1 中， 首先对所有QAR原始数据进行归一化处理， 即放大较小值的特征， 缩小较大值的特 征， 使不同特 征对最终结果的贡献 大致相等； 定义 为俯仰操纵杆在接地前10英尺的累计值， 其中t1和t2 分别为接地前10英尺和接地时的时间戳， PitchControlt为t时刻的俯仰操作杆的值， 若 PitchControlsum大于0， 则判定发生了平飘顶杆。 3.根据权利要求2所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法， 其特征在于： 在步骤S2中， 选择风速、 风向、 高度、 飞机磁航向和俯仰角参数作为基本特征， 结合飞机的磁航向、 风速和风向来计算逆风对飞机的影响； 使用风的纵向分量作为特征， 计算公式为θ＝α ‑β， WINalg＝WINspd×cosθ， 其中α代表风 向， β 代表飞机的磁航向， 因此θ＝α ‑β 代表相对于飞机的风向， WINspd表示绝对风速， 所以风 速相对于飞机的纵向分量用W INalg表示； 飞机俯仰控制也与俯仰角在同一方向保持变化的时间长短以及已经走了多远密切相 关， 提取一段时间内俯仰角和最大俯仰角的累积变化值， 计算公式为： ΔPitcht＝Pitcht+1‑ Pitcht, 其中Pitch为俯仰角， ΔPitch为俯仰角变化值， PitchTotalChange为俯仰角变化累计值。 4.根据权利要求3所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法， 其特征在于： 在步骤S3中， 对提取的参数， 进行预处理， 通过提取到的高度数据得到连续高 度值， 根据俯仰角数据得到俯仰角累计变化值和最大俯仰角， 根据风速、 风向、 飞机磁航向 数据得到飞机方向风 量特征数据。 5.根据权利要求4所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法， 其特征在于： 在步骤S4中， 采用基于欧氏距离度量的K ‑means聚类算法， 根据样本之间的距 离将样本集划分为k个簇， 使同一个簇内的点紧密相连， 而不同簇之间的距离尽可能远； 将 QAR数据表示为(N,d)维度的X表 示， 其中N和d分别表 示飞行记录和特征的数量； 将飞行记录 记录i表示为xi∈Rd,i＝1,2, …,N； 首先算法 随机生成k个 聚类中心， 第j个中心点表示为uj (0≤j≤k)， 代表一个类别； 对于每个数据点xi， 根据其与聚类中心之间的欧几里德距离计 算该数据点应属的类， 并将其分配给最近的簇ci， 即ci＝argjmin||xi‑uj||2； 然后， 对于每个权　利　要　求　书 1/2 页 2 CN 114004292 A 2类 j ， 按 照 重 新 计 算 类的 质心 ， 重复 上 述 过 程 ， 直 到 达到最小值， 其中J表示各个簇的平方距离之和。 6.根据权利要求5所述的基于飞参数据无监督聚类的飞行员平飘顶杆行为分析方法， 其特征在于： 采用轮廓系数来选择最合适的k值并评估算法性能， 轮廓系数结合了凝聚度和 分离度进行评估， 令 di表示飞行记录i到同一簇中其他记录的平均距离， dij为记录i到其他 簇j所有记录的平均距离， 则记录i的轮廓系数为 权　利　要　求　书 2/2 页 3 CN 114004292 A 3