大数据让飞行更安全

舒平

“大数据”作为时下最火热的IT行业词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据商业价值的利用逐渐成为各行业人士争相追捧的焦点和热点。

研究机构Gartner对于“大数据”（Big data）给出了这样的定义：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

随着谷歌Map Reduce和Google File System （GFS）的发布，大数据不仅只用来描述大量的数据，还涵盖了处理数据的速度等方面。因此，“大数据”除了具有大量（Volume）、高速（Velocity）、多样（Variety）、真实（Veracity）等特征外，更多的是体现数据的价值（Value），没有价值的数据最多称之为“大量的数据”，而不能叫做“大数据”。而我们使用的飞行品质数据同样具有以上这些特征。

飞行事故带来的思考

回顾那些历史上发生的空难，每一次的搜救和调查过程都对航空史有着巨大的影响。导致空难的原因有很多，如果时光倒流，这样的事故又是否能够规避呢？

法航AF447空难

2009年6月1日，法国航空A330-203/F-GZCP号飞机在执行AF447航班任务时，在巴西圣佩德罗和圣保罗岛屿附近坠毁，机上216名乘客以及12名机组人员全部罹难。此空难为法国航空成立以来最严重的空难，亦是A330最严重及首次商业飞行空难。

法国航空事故调查局（BEA）给出此次空难原因是：测量空速的皮托管失效后，副驾驶操作失误导致飞机失速坠海。该飞机皮托管制造商为泰雷兹公司，在2003至2008年间，欧洲航空安全局（EASA）收到17宗装在A330/340客机上的泰雷兹C16195AA皮托管故障报告，但泰雷兹坚称他们的皮托管通过安全测试，能在极端天气下运行。早在2007年9月，空客建议把C16195AA皮托管更换为C16195BA皮托管，后者更能提供结冰保护。但直到发生AF447航班事故后的2009年8月，法航才把所有空中客车机队的皮托管更换为BA型。这是一起典型的机件故障引发的空难。

如果有针对17宗装在A330/340客机的泰雷兹AA皮托管故障报告及其相关飞行品质数据分析，在建立飞行数据模型的基础上，是否能够得出其影响程度，从而提前告知飞行员？答案是肯定的。

巴西天马航空3054航班空难

2007年7月17日傍晚时分，巴西天马航空A320-233/PR-MBK号飞机执行JJ3054航班任务，大雨中在降落圣保罗孔戈尼亚斯国际机场35L跑道时，因飞机右发反推失效，跑道道面湿滑，加上机场跑道太短（1940米），飞机失控冲出跑道末端、穿越机场围界和一条高峰时段的高速公路之后，撞入天马航空在加油站附近的办公大楼并起火。机上181位乘客、6位机组人员及12名地面人员共199人在事故中丧生。

2008年11月，有关当局发表了一份2500页的报告，详细指出机长、空客公司、天马航空及机场均需为空难负责。尤其指出，机场当局在跑道附近施工却没有做好排水，在空难发生当晚，在滂沱大雨下仍不关闭该跑道，属于严重失职。这是一起典型的机场因素导致的空难。如果有针对35L跑道各种天气情况下的飞行品质数据分析，是否能够引起机场方面的足够重视，至少给机长一个放心落地的理由？答案是肯定的。

科尔根航空3407航班事故

2009年2月12日晚上，美国科尔根航空DHC-8-400/N200WQ飞机执行新泽西的纽瓦克自由国际机场至纽约的水牛城布法罗尼亚加拉国际机场3407航班任务，由于机组过度疲劳，在飞机出现结冰减至失速速度时，机组操作失误导致飞机失速坠落，机上44名乘客、5名机组人员及1名地上的居民共50人死亡。

2010年2月10日，美国国家运输安全委员（NTSB）发表了最后调查报告，指出空难成因是机组失误。过度疲劳是重要致因，两名机师缺乏足够及有质量的睡眠疲劳飞行，导致在失速中做出一系列反常动作。这是一起典型的由于机组疲劳导致的空难。如果有针对科尔根航空公司所属飞行员的驾驶行为分析数据，是否能够更早的发现疲劳驾驶问题？答案是肯定的。

河南航空8387航班空难

2010年8月24日20时51分，河南航空J190-100LR/B-3130号飞机执行VD8387航班任务，在伊春林都机场实施30号跑道VOR/DME进近过程中，在跑道入口端外1110米处擦树，最终撞毁在30号跑道入口端外跑道延长线690米处，造成机上96人（其中乘客91人，机组5人）中44人（其中乘客41人，机组3人）死亡。

2012年6月29日，国家安全生产监督管理总局发布空难调查报告，认定空难直接原因：机长违反飞行手册，在低于公司最低运行标准的情况下，仍然实施进近；飞行机组违反规定，在飞机进入辐射雾后，飞行机组失去着陆所必需的目视参考的情况下，仍然穿越最低下降高度实施着陆；在撞地前出现无线电高度语音提示后，仍未采取复飞措施，导致飞机撞地。

飞行员驾驶作风和习惯是导致该起事故的主要因素。事后在分析该机长以往QAR监控事件时，发现其“最终进近下降率大”的三级事件发生率是全公司所有飞行员中最高的。如果早前针对该飞行员，甚至所有飞行员进行了定期的驾驶习惯、行为分析，是否能够提早的为其敲响警钟？答案是肯定的。如果之前做过相关数据分析，这些灾难本可避免。

开展飞行品质监控基站建设

飞行品质监控是国际上公认的保证飞行安全的重要手段之一，已得到世界民航业的普遍认可。为提高航空安全水平，中国民航从1997年开始实施QAR监控项目，目前基于手机无线网的无线QAR（WQAR）已经十分成熟，并大量安装在我国的民用运输飞机上。

正是在这一大背景下，民航局决定在中国民航科学技术研究院开展飞行品质监控基站建设。WQAR数据由各个运输航空公司进行采集，之后通过直接、间接两种方式传至民航飞行品质监控基站。自此开始，整个飞行品质监控基站的数据处理工作可分为数据接收、译码及监控、飞行品质数据在线分析以及报表发布及浏览四个阶段。

地面接收站接收到通过专线传来的WQAR数据后，AGS等译码监控工具开始工作，产生的结构数据文件直接进入数据仓库用于日常分析使用；产生的工程值文件进入Hadoop分布式文件系统进行存储，待有特定需求时，从其中提取相应数据进入数据仓库，用作在线分析使用。在线分析系统针对飞行品质数据仓库中的数据进行在线分析，产生各种预定义以及自行定义的报表，并发布在飞行品质监控（FOQA）门户网站上，供有权限的特定用户浏览。

基于飞行品质数据建立分析模型

通过对飞行品质数据仓库中的数据进行集中分析处理后，建立各种分析模型，除了提供事件监控外，还在人、飞机、环境、管理等多角度提供辅助，不仅能提高飞行安全性，还能提高安全管理水平。分析模型体现了飞行品质数据分析的最大价值。

飞机数据模型

通过模型计算出当某个零部件失效、半失效状态下，飞机的行为特征，进而总结出机长正确的应对方式。例如，出现“AA皮托管故障”时，“飞机电子中央监控系统（Electronic Centralized Aircraft Monitor，ECAM）显示最高速度，但没有显示最低速度……”，“机组应压低机头以增加飞行速度防止失速”。

机场数据模型

通过模型可以计算出某个跑道在不同的天气（雨、雪、风、霜）条件下，各种机型的着陆滑跑距离，从而总结出机场跑道的开放/关闭条件。例如，如果通过模型计算出相当比例的A320飞机在大雨中的湿滑跑道上着陆滑跑距离超过1500米，则下大雨时，A320飞机不宜在着陆可用距离（LDA）小于2000米的跑道上着陆。

机长数据模型

通过模型可以计算出各个航班操作飞行员（PF）在各个飞行阶段的超限事件发生率及其分布状况，从而有针对地总结出合格或基本合格PF的平均水平和分布区间。例如，如果通过模型计算出某些PF的操作水平异于大数据统计下的平均水平和分布区间，对这样的飞行员就要慎重使用并加强培训。

发动机空停数据

通过模型可以计算出各类发动机空停前一个或几个航班的相关参数表现，从而建立起导致各类空停的参数特征并找出最为敏感的一个或多个参数，总结出预防发动机空中停车的预测模型和检查方案，减少发动机空中停车的发生。例如，如果通过模型计算出某台发动机相关参数与空停预测模型的参数特征类似，就可以通过相应的检查方案进行检查，将发生空停的风险尽量消灭在地面。

如果我们能够针对之前所有事故或严重事故征候进行有针对性分析并建模，应用飞行品质的大数据进行检验和验证，并计算出各种状态下的平均水平和正常、基本正常区间，那么其安全价值将无限大，正如国际民航组织《安全管理手册》插图所展示的安全管理的业务转型：通过对飞行品质数据的建模与分析，由出现事故/事故征候后进行调查分析的“事后诸葛亮”模式转变为建立模型——预期结果——发现问题的“前知五百年，后知五百载”的诸葛孔明预测模式为主，为保障民航的持续安全提供可靠的“大数据”支撑。