终端区动态容量预测模型

为有效预测终端区动态容量,提出了一种危险天气影响下的动态容量预测模型。该模型根据危险天气预报概率的大小,将受影响空域的范围做区间化处理,认为危险天气预报概率大于70%的空域为完全避让空域,危险天气预报概率在70%以下的空域为可能避让空域。引入航班进离场优化排序和危险天气避让路径规划策略,以平均航班延误最小为目标,采用捕食搜索算法予以求解;并根据终端区实际容量评估的一般流程,运用仿真方法预测一定延误水平下的动态容量区间。以某机场终端区为例,验证了模型的有效性。     

人工蜂群优化BP神经网络的太阳电池阵电流预测

通过对卫星太阳电池阵输出电流影响因子进行分析,提出了一种基于人工蜂群（Artificial bee colony,ABC）算法优化BP神经网络的太阳电池阵输出电流预测方法。将太阳入射角、卫星太阳电池阵工作温度、卫星星时等遥测量变换后作为神经网络输入,进行输出电流预测。考虑到神经网络对初始权值及偏置敏感的特点,采用ABC改进算法对神经网络初始参数进行优化。该模型可用于卫星太阳电池阵电流输出能力分析、太阳电池阵预警及异常检测等。实验测试表明,模型能够取得较高预测精度,同星预测均方根误差（Mean squared error, MSE）为0.10 A,跨星预测均方根误差为0.12 A,其精度明显优于传统数据拟合方法。利用该模型及本文提出的预警策略进行预警,对于7年5个月的正常卫星数据没有发生误报,对于某异常卫星数据能够及时进行预警。     

基于数字孪生的航班链延误动态预测模型

针对复杂多变的航班运行环境，提出一种基于数字孪生的航班链延误动态预测模型，以改善传统预测方法的精度及自适应性。模型基于数字孪生航班链系统构建，采用滑动窗口下的多通道特征建模完成单元级航班延误预测，并提出一种混合优化策略进行模型参数的动态优化，最后通过孪生数据驱动的链式分析方法实现了全航班链的延误分析与修正。采用国内航班数据进行实验，得到在各个窗口下的航班延误平均绝对误差（Mean absolute error, MAE）为11.79 min，低于其他基线模型和静态模型；且引入孪生数据驱动分析和修正后，紧随其后的航班预测误差比此前进一步降低了6.44%。结果表明，模型有利于数字孪生航班链系统实现虚实交互，并具有优良的预测精度和自适应性。     

基于对比学习的终端区相似气象场景识别（英文）

为了提高终端区相似气象场景（Similar weather scenarios,SWSs）的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。     

基于深度学习与高斯差分法的ADS-B异常数据检测模型（英文）

受地形结构、气象条件等多种因素的影响,用于低空通航飞行器定位的广播式自动相关监视(Automatic dependent surveillance-broadcast,ADS-B)设备获取的位置信息存在异常数据。为检测异常数据,提出一种基于深度学习与高斯差分法的ADS-B异常数据检测模型。首先,依据ADS-B位置数据的特点,将ADS-B位置数据转换到以起飞点为原点的坐标系中,利用运动学原理去除ADS-B位置数据中的离群点。然后,利用高斯差分法(Difference of Gaussian,DoG)获取位置数据的细节信息。最后,利用长短期记忆单元(Long short-term memory,LSTM)神经网络优化在ADS-B位置数据中梯度减小严重的循环神经网络(Recurrent neural network,RNN)。通过LSTM神经网络构成的seq2seq(Sequence to sequence)模型对位置数据进行重构,利用重构误差检测异常数据。通过实际数据对模型进行验证和对比分析表明:利用seq2seq模型对ADS-B位置数据重构的方法能有效地检测异常数据,运行时间得到减少,而且相较于RNN神经网络,检测的平均准确率提高了近2.7%,相较于传统的异常检测模型具有更高的准确率。     

基于深度学习的离场航空器滑行时间预测（英文）

随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。     

性能基导航中对称面内飞行技术误差模型(英文)

飞行技术误差(FTE)与导航系统误差(NSE)是性能基导航(PBN)中总系统误差(TSE)的主要组成部分。性能基导航的实施需要对总系统误差进行航前预测以及航行中的短期动态预测。当飞行技术误差预测值与导航系统误差预测值的和大于PBN导航的规定值时,将无法运行PBN导航。因此,对于总系统误差的两个主要误差分量需要精确建模和透彻分析。采用LQG/LTR方法针对ARIC模型设计了多输入多输出纵向飞行控制系统,分析了在湍流扰动下进近飞行器对称面内的飞行技术误差。基于奇异值理论提出了对称面内飞行技术误差的映射函数以及边界估计模型。模型是基于对对称面内飞行技术误差成型机理的分析提出的,提供了一种基于成型机理的分析和估计方法,从而避免了昂贵试飞和单纯的数据拟合。基于真实数据的仿真验证了对称面内飞行技术误差的理论分析。研究同时揭示了当自动飞行控制系统(AFCS)接通时性能基导航中对称面内飞行技术误差部分由湍流扰动引致,且随湍流强度的增强而增大。     

基于进近管制区流量的组合方法研究

为了提高西安进近空中交通流量预测的准确性,在综合干预分析模型和计量经济法各自优点的基础上,再以预测误差平方和最小为目标,将预测值的加权问题转化为优化问题,求解得到各种方法预测值的权值,然后,将两种方法所得的预测结果用最优加权法进行组合,得到组合预测值。利用西安进近空域实测流量数据进行的对比实验结果表明:组合预测模型的平均拟合误差为3.61%,组合方法总体上具有较高的预测精度和稳定性,即整体上优于干预分析预测模型,也优于计量经济预测模型。     

温度变化对振动信号传输的影响分析

针对高温振动测试过程中出现的信号传输不稳定问题,建立了热电耦合模型,研究了高温环境对信号稳定传输所产生的影响.在相关热电磁理论的基础上,采用有限元方法建立了分析模型,电信号传输过程中产生的焦耳热与对流换热的共同作用,造成了传输线的温升.依据电信号-温度灵敏度变化关系,得出了外部环境的对流换热系数变化影响电信号传输的规律,建立了相应的误差公式估算输入与输出电信号响应之间的关系.研究结果表明:输入信号有效值越大,导体温升越大,输出与输入电信号间的偏离误差越大.并进一步确定了电信号稳定性传输的影响因素,为提高高温环境下结构测试的准确性提供了有效方法.     

基于深度自编码器的终端区异常航迹识别方法及其在航迹聚类中的应用（英文）

异常航迹识别与交通流分类对复杂空域的安全与效率分析是重要的。一些研究人员使用基于密度的无监督聚类算法提取空域中这两种与管制行为相关的航迹数据。然而,数据质量问题和交通流之间的微小密度差异是这项工作的两个主要难点。为了解决这两个问题,本文提出一种结合稳健自编码器模型(Robust deep auto?en?coder,RDAE)和密度峰值(Density peak,DP)聚类算法的框架。具体地,通过不同的正则化优化方式使得RDAE模型分别用来重构去噪航迹与异常航迹检测。然后,RDAE模型的Encoder输出的非线性降维向量作为DP聚类算法的输入以分类空域中全局的交通流。在含有标签的广州白云机场数据集上的实验表明,所提算法能够自动地捕捉到空域内飞机运动的非常规时空交通模式。RDAE在异常航迹检测以及所提框架在交通流分类上的优越性均通过可视化与定量的结果评估分析。     

2017年华东地区因天气原因大面积航班延误预警(MDRS)统计

本文利用华东地区大面积航班延误预警(MDRS)记录结果,分析了2017年因天气原因MDRS预警启动情况,并根据用户评分对空管中心气象席位服务质量进行初步评估,总结得到如下结论:华东地区因天气原因全年MDRS预警启动69次,其中黄色预警53次,橙色预警16次,未启动红色预警。6月和8月预警次数相对较多,11-12月没有预警记录。导致预警的天气类型主要为对流,其次为低云低能见度、对流和低云低能见度同时发生。预警区域包含浦东机场、虹桥机场、上海终端区、主干航路,其中终端区和航路预警启动较多。时长5-9.9h的预警全年最多,其次为10-14.9h和0-4.9h的预警。为满足用户需求,空管中心气象席位2017年共发布天气通报2 267份,日均发布6.2份,其中6-8月发布数量显著高于均值。与上海终端区MDRS预警相关的首次天气通报,90%以上提前量超过2 h。全年气象席位预报准确性平均得分88.8,"准确"和"较准确"得分占比超过90%,仅考虑MDRS预警启动日则得分74.5,"准确"和"较准确"得分占比超过80%。全年未出现"不准确"得分。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。     

基于支持向量机的航路空域内对流天气避让预测（英文）

随着全球空中交通的快速发展,航班延误问题越来越严重。对流天气是造成航班延误的主要原因之一,已经影响到民航行业的可持续发展,成为一个社会问题。如果能够提前预测与天气有关的航班是否改航,那么空中交通活动的参与者就可以协调调度,极大减少航班延误。本文提出了天气避让预测模型(Weather avoidance prediction model,WAPM),以寻找天气与飞行轨迹之间的关系,并基于历史飞行数据预测未来航班是否改航。由于天气数据量大,采用主成分分析对10维天气指标进行降维以提取90%的信息。然后通过确定径向基函数的超参数c和γ,利用支持向量机来预测飞行是否改航。最后,通过预测准确率、精度、查全率和F1评价模型性能,并与k近邻(k nearest neighbor,kNN)、逻辑回归(Logistic regression,LR)、随机森林(Random forest,RF)和深度神经网络(Deep neural network,DNN)进行比较。对于准确率,WAPM比kNN、LR、RF和DNN方法分别高5.22%、2.63%、2.26%和1.03%;对于精度,WAPM比kNN、LR、RF和DNN方法分别大6.79%、5.19%、4.37%和3.21%;对于查全率,WAPM比kNN、LR、RF分别大4.05%、1.05%、0.04%,比DNN低1.38%;对于F1,WAPM比kNN、LR、RF和DNN方法分别高5.28%、1.69%、1.98%和0.68%。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

不同云微物理方案对飞机结冰气象条件预测评估分析（英文）

飞行安全在复杂气象条件下易受结冰影响而受到威胁。能够结合地形特征并准确预测结冰气象条件是保障飞行安全的重要因素。本文利用中尺度天气预报模型模式，以4种不同的云微物理方案组合对美国华盛顿山地区的两次结冰事件进行了数值模拟。结果表明：预测的液态水含量和温度与现有文献匹配较好，而Morrison方案组合在误差分析中表现最佳。此外，讨论了水平分辨率和云微物理方案对液态水含量和云中液滴平均有效直径预测的敏感性。由于地形所引起的垂直运动是产生云水的主要动因，较高的水平分辨率能够做出更为准确的预测。最后利用IC指数对结冰强度进行了分析，表明结冰严重程度具有明显的时空多变特性，以及对云微物理方案的敏感性。本文工作有望加强对云微物理方案的理解和认识，并为选择适合的云微物理方案进行结冰天气预测提供了依据。     

基于人工神经网络的微重力流动冷凝换热预测

微重力条件下管内流动冷凝换热系数是空间热交换器设计的基础依据,但其实验数据稀缺,故有必要建立精确的预测模型。文中提出了一种基于人工神经网络的微重力下管内流动冷凝换热预测模型。选取误差反向传播（Back propagation, BP）和径向基函数（Radial basis function RBF）两种神经网络,以水力直径、饱和温度、质流密度、干度及与工质热物性有关的参数作为网络输入,冷凝换热系数作为网络输出。结果显示,BP神经网络预测的均方根误差为237、平均绝对百分误差为4.32%;RBF神经网络预测的均方根误差为165、平均绝对百分误差为2.35%。相对于BP神经网络,RBF神经网络精度更高。基于RBF神经网络的微重力下管内流动冷凝换热模型预测值与94%的实验值和数值模拟结果的相对误差在±10%以内。     

香港国际机场航空交通量的无偏灰色马尔科夫预测

针对香港国际机场航空交通量的灰色性和随机波动性,本文采用无偏灰色GM(1,1)代替传统灰色GM(1,1)模型,分析了2001—2012年香港机场航空交通量的数据,预测出2013年香港机场的航空交通量,然后用加权马尔科夫模型对预测结果进行优化。利用Matlab计算得后验差检验C值小于0.35,P值为1,拟合精度等级为好,表明动态无偏灰色马尔科夫能消除传统灰色GM(1,1)模型的固有误差,提高预测精度。加权马尔科夫模型对灰色预测结果优化得2013年香港航空交通量在352 241~370 780架次之间。     

基于灰色系统GM（1，1）模型的疲劳寿命预测方法

将疲劳现象视为存在于一个灰色系统中,提出了运用灰色系统理论,通过建立灰色系统GM(1,1)模型预测构件疲劳寿命的新方法。对某试件的实验数据进行分析和计算。结果表明,该方法使疲劳寿命预测误差由原来的61.4%减小到24.1%,预测结果偏于安全,说明该方法具有较好的预测精度和工程实用价值。     

基于时间卷积轻量级网络的人体运动预测（英文）

针对人体运动高度复杂的运动学和时间相关性,本文提出了一种轻量级的多层残差时间卷积网络模型（Residual temporal convolutional network,RTCN）。该模型使用一维卷积高效获取人体运动的空间结构信息,提取人体运动时间序列中的相关性。在本文所提出的网络模型中应用残差结构来缓解深度网络中梯度消失的问题。在Human 3.6M数据集上进行的实验表明,与最新的方法相比,本文方法有效地改善了运动预测的误差,特别是在长期预测方面。     

基于大规模并行D-W分解算法的空中交通短期流量管理模型研究

针对空中交通短期流量管理问题,给出了整机型的空中交通短期流量管理模型(ST-TFMP)。运用大规模并行的D-W分解算法,结合数据仓储技术,快速解决了航班延误最小问题。同时对算法的计算性能进行了计算估计和实验分析。通过对实际终端区流量进行仿真计算,仿真结果验证了本文提出的并行算法的合理性。