北京首都机场绿色滑行时间估算

采用北京首都机场2014年实际CDM地面放行数据确定航空器的污染物排放量与离场排队飞机数量和落地滑入飞机数量的强关联性,构建包含这两个解释变量为影响因素的多元线性回归模型,用以估算几种常见机型在首都机场地面运行时的最小污染物排放量和绿色滑行时间。对比实际污染物排放量与最小污染物排放量,得出首都机场离场地面污染物排放量远远超过最小污染物排放量。     

一种新的扇区拥挤告警指标及应用

针对我国管制扇区日益繁忙拥挤、空管保障系统的相对落后,扇区流量告警机制尚不健全的现状,在分析和研究美国、欧洲、日本扇区流量告警机制基础上,提出当量流量告警指标的概念;采用MMBB工作负荷评估方法确定不同特征航班对应的当量系数,计算出扇区的当量流量,建立一种新型的扇区流量告警方法;应用算例的结果验证了当量流量告警指标在扇区流量告警工作中的有效性和实用性。     

基于航迹误差的空中交通冲突风险计算方法研究

随着我国空中交通流量的日益增加,空中交通冲突现象日益严重,为了量化空中交通的安全性,对航空器之间的飞行冲突风险进行了研究。以冲突过程为研究对象,根据航迹误差服从高斯分布,计算三维冲突概率,结合冲突严重程度,计算冲突风险。以实际发生冲突的两架航空器为例,采用航迹数据进行仿真,该曲线可为管制员提供更好的决策和支持,并验证上述理论的正确性。     

基于机位可调整的航班空中备降优化

为了解决航班空中备降无序的问题,缩短备降时间进而降低运行风险,严格遵照实际飞行运行要求,综合飞行时长、机位属性、备降机场容量等运行限制,将可用机位设为动态调整项,运用整数规划方法,借助Matlab工具构造以备降总时间最短为目标的优化模型。通过对历史运行数据的整理,对2016年3月19日西南地区某日的备降状况进行仿真。结果表明,当备降机场成都、贵阳和西安的使用机位集合为{3:2:2}时,7个航班备降时间平均可缩短12 min,此时优化效果最佳。实际航班数据验证结果较为理想,表明该方案可行有效。     

五边到场交通态势安全评估研究

为提高五边到场交通运行的安全性,基于客观、合理的评估五边到场交通态势的重要性,探讨空中交通复杂性在五边到场交通态势评估中的应用,并利用基于五边到场交通的复杂性图示方法,画出五边到场交通复杂性图,通过对复杂性图的分析来描述当前五边到场交通态势的安全特征,包括航空器与航空器之间发生冲突的可能性以及到场航空器允许插入五边的时间和位置等。结果表明:五边到场交通复杂性图能客观、准确地评估五边到场交通中航空器与航空器之间潜在的冲突大小,通过五边到场交通复杂性来对五边到场交通态势进行安全性评估是可行的。     

基于多算法协作的航班运行风险辨识研究

针对使用单一算法难以大幅提升航班运行风险辨识精度的问题,首先详细分析航班运行工作流程,筛选出重要评估指标15项,精选X航100个航班案例作为数据样本,使用粗糙集理论约简得到9个风险核心指标;然后选用支持向量机(SVM)和神经网络2种机器学习方法,分别建立风险辨识模型计算风险等级,并将其与基于模糊算法的X航风控系统运算结果对比;进而,依据各算法优缺点,构建多算法协作模型;最后使用G航和N航日运行数据检验模型有效性。结果表明:神经网络方法对低风险分辨效果最好;SVM对中高风险辨识能力最强;用所构建的多算法协作模型计算结果的正确率最高可达95%。     

基于集对分析的空中交通管制运行风险评价

为了对空中交通管制运行风险进行有效的分析,首先根据SHEL模型确立管制运行风险评价指标体系,它由人的因素、硬件因素、软件因素、环境因素4个方面的17个因素组成;使用熵权法与超标倍数赋权法综合分析确定各指标权重;针对管制运行风险各评价指标的不确定性,利用集对分析理论进行分析,确定评价样本与指标之间的联系度,并对样本进行"同一""差异""对立"的集对分析来确定评价样本风险等级。结果表明,提出的集对分析模型对风险指标的处理结果与实际情况基本相符,可以用于空中交通管制运行风险评价。     

疲劳及紧张状态管制员通话语音反应特征研究

为预防管制员工作中陷入疲劳及紧张状态,研究处于这2种状态时管制员的管制通话语音反应特征。通过管制模拟试验方式采集管制员在正常、疲劳、紧张和疲劳且紧张等4种状态的管制语音数据,并提取各状态下管制员回复机长的语音次数和反应时间,统计平均每架航班反应次数、整个管制任务及不同时段平均反应时间等3种参数,分析疲劳和紧张导致这些参数的变化特征。研究表明:疲劳和紧张将使管制员完成同等管制任务需要更多反应次数,疲劳时管制员反应速度变慢、稳定性降低,且两者会随工作时间增加变得更差;紧张将使反应时间稳定性降低,并使反应随工作时间增长而变慢。     

机场备降航班保障能力评估与验证

针对航班备降突发性和信息不对称的问题,为准确选择备降机场,降低运行风险,通过梳理可获取的运行数据,初步筛选出机场备降保障能力指标;基于粗糙集理论,利用遗传算法和Johnson算法筛选得到关键指标,使用熵权法建立机场备降保障能力评估模型(方法1);同时,使用神经网络,通过历史数据训练得到评估优选模型(方法2);最后,统计2015—2016年备降航班数据,与两种方法的评估值进行了对比和分析。结果表明,方法 1更适用于大规模备降的极端情况,而方法 2更适用于常规备降情况。两种模型评估结果与实际运行结果趋势一致,证明了评估方法的有效性。