基于改进灰色B型关联度的低噪声飞机选型

李东亚，胡荣，江超，战绪仁

（1.南京航空航天大学民航学院，南京 211106；2.山东省胶州市规划局，山东胶州 266300）

近年来，我国经济发展迅速，航空需求不断增加，伴随着机场数量和规模、航班数量的不断增加，频繁的航班起降给机场周围居民带来了越来越不能忽视的噪声影响。对于机场噪声的解决，一方面可从优化飞行程序、合理规划土地等思路出发，另一方面可从选择低噪声机型的思路出发。就目前来看，航空公司在选择飞机机型时大多是基于经济性考虑，而对于噪声问题关注较少。2012年颁布的《国务院关于促进民航业发展的若干意见》明确指出：切实打造绿色低碳航空，建立大型机场噪音监测系统，鼓励航空公司引进节能环保机型，淘汰高耗能老旧飞机。随着我国民航业的进一步发展，机场噪声问题势必会成为我国航空业发展的制约因素。因此，低噪声飞机选型问题亟需加强研究。

基于国内外文献，相关学者对飞机选型问题的研究大致可分为两个方面：一方面，从航空公司盈利运营角度来讲，文献[1－4]从经济性的维度阐述了飞机选型的原理和方法；文献[5－6]从机队组成的维度研究其对航空公司飞机选型的影响；文献[7]从航线网络的维度对各备选机型进行航线适应性数据分析，进而从飞机性能角度对备选机型做出优劣顺序的初步评估；文献[8]指出政府政策对飞机采购和飞机选型方面的影响巨大，等等。另一方面，从环境保护角度出发，文献[9]从技术、运营成本维度对支线飞机在美国航空体制下的燃油效率进行了评估，得出支线飞机会比干线客机节油10%～60%的结论。文献[10]从燃油消耗和环境保护的维度对航空公司飞机选型的相关工作进行了论述。文献[11]从当地空气污染、气候变化和噪音影响三个方面对航空公司飞机选型和飞机使用频率进行了分析。文献[12]采用邓氏关联分析法，对同一航班不同机型的历史数据集进行了分析，选择出了能够最大限度地降低监测点噪声值的机型，等等。

根据国内外研究现状分析可看出，国内外对飞机选型的研究已取得一定成果，但尚有不足之处，主要表现在以下几点：

（1）从研究内容来看，目前国内外飞机选型研究多从经济性方面考虑，对环境因素特别是噪声考虑较少。随着民航运输业发展及环境保护意识增强，机场噪声问题得到越来越多的关注，亟需加强研究。

（2）从研究方法来看，灰色关联分析法较适用于机场噪声问题的研究，但邓氏关联度并不适用噪声值求关联度，原因有二：其一，邓氏关联度本身就存在诸多缺陷[13，14]；其二，邓氏关联度是单纯从相近性的角度来考虑的，但考察两序列监测点的相似程度，关键是对趋势的判断。

（3）此外，在数据处理上，现有研究无量纲化处理暂不能凸显数据特征[13]，作积的方式消除了各机型的差异程度，而且考虑到监测点位置的不同，对噪声要求的高低，要通过不同的权重来凸显此监测点的特征。随着研究深入，对数据处理精度要求提高，数据处理方式亟需改进。

针对上述研究不足，本文引入灰色B型关联分析法，针对原始监测数据，进行无量纲化处理，同时调整权重来设置噪声敏感点，并改进灰色B型关联度的计算方法，通过比较关联度值的大小，得到最优低噪声机型排序，以期为航空公司飞机选型提供理论指导与实施建议。

1 灰色 B型关联分析法

灰色关联分析是对信息不完整的灰色系统进行系统分析的新技术，其基本思想是通过比较数据序列曲线几何形状的接近程度来判断其联系紧密程度。灰色B型关联分析的主要优势在于：综合描述了相近性物理特征的位移差、描述相似性物理特征的速度差和加速度差，以事物发展运动规律为基础，全面分析事物发展过程中的异同性，从而更加科学合理地描述两序列关联程度。相对于仅考虑相近性或相似性的灰色关联度算法模型构造思想而言，同时考虑相近性和相似性的构造思想显得更为科学、合理，这也是未来研究的一种趋势[14]。

灰色B型关联度的原理为

2 低噪声飞机选型分析

2.1 原始数据分析

取国内某机场一个月内的同一航班所产生的噪声的实际监测数据[12]，采用有效感觉噪声级（EPNL）表示，共设置12个固定监测站点分布在机场外围。噪声数据监测采用BK3639E型噪声监测终端，内置4592型户外麦克风，监测设备符合《电声学声级计》（GB/T 3785.1-2010）标准，监测符合《机场周围飞机噪声测量方法》（GB9661-88）。如表1所示，共有6个可评价机型分别是 B738、B733、B737、A321、A333、B763，12个监测点分别为监测点1—12，表中最优值是指在同一监测点位置处各机型中最小的噪声值，该序列构成参考序列。

2.2 无量纲化处理

数据无量纲化处理的目的是消除不同指标在单位、量级上的差异，使得不同的量纲和数量级可以进行比较。但是对于表1中的不同机型同一指标在不同位置监测点的数据仍然采用一致的无量纲方法势必会削弱甚至是消除各机型噪声信息的差异，若在此基础上对评价对象进行比较，得出的结论必然是对实际情况的一种失真，以致无法取得满意的效果。故本文不采取一般通用的初值化、均值化等容易消除表1数据差异的无量纲方法，而采用各噪声数据除以10的处理方法（数值的大小不影响序关系）[15]，最大限度保留数据的差异性，使得实际求得的关联度不被夸大或者忽略。处理后的数据如表2所示。

2.3 数据处理过程

再具体计算最优序列

当k=3、6、10时，ωi分别为10%、15%、15%，k=1、2、4、5、7、8、9、11、12时，ωi=6.67%，位移差结果如表3所示。

表1 同一航班不同机型各噪声监测点的噪声平均值单位：dB（EPNL）

表2 监测点噪声数据无量纲化的处理结果

表3 各机型序列与最优值序列位移差绝对值

表4 加权后各机型位移差、速度差、加速度差

表5 加权后的关联度

3 分析结果

关联度γij反应的是第j个被评价对象与评价最优序列Xi相互关联的程度，因此，如果γi1>γi2，则表明第1个样本比第2个样本好。所以各机型与最优序列关联程度排序为B733、B738、B737、A321、A333、B763，故在该航班中，选择B733机型可获得最小噪声值。

分析结果与文献[12]的排序略有差异，主要是由于监测点3、监测点6和监测点10的权重差异问题，并将求关联度公式中求平均值改进为按权重相加求和。监测点所属区域不同，对噪声接受限值不同，根据《机场周围飞机噪声环境标准》（GB9660-88），一类区域标准值不大于70 dB，二类区域标准值不大于75 dB。故对噪声敏感监测点3、6、9取更大的权重，以期选出的机型更符合实际。若不考虑权重问题，其他处理方法相同，则可得到各机型与最优序列关联度如表6。可得到各机型与最优序列关联度排序为 B738、B733、B737、A321、B763、A333，与文献[12]中排序相同。故基于改进灰色B型关联度的低噪声飞机选型方法可行，结果符合实际。

表6 不加权的关联度

4 结语

首先回顾国内外飞机选型的研究成果，提出从降低机场噪声的角度进行飞机选型。其次，选用基于相近性和相似性的灰色B型关联度进行分析，计算出各机型与最优噪声序列的灰色关联度。在计算过程中，对无量纲化方法加以改进，使其最大限度地保留原始数据的差异性，从而使实际求得的关联度不被夸大或者忽略。同时兼顾监测点的差异性，赋予其不同权重，以真实反映实际。最后与现有文献研究结果对比，研究结果显示：

（1）考虑特殊监测点权重则最优机型为B733，最优机型次序依次为 B733、B738、B737、A321、A333、B763。

（2）不考虑特殊监测点权重则最优机型为B738，最优机型次序为 B738、B733、B737、A321、B763、A333。综上所述，采用改进灰色关联度方法为航空公司从降低噪声的角度来进行飞机选型，算法简单，切实有效，具有较高的实用参考价值。

当然，如何有效综合机场噪声、飞机经济性等因素开展飞机选型工作有待进一步研究。

[1]Paul Clark.Buying the Big Jets[M].Ashgate Publishing Limited,2007:23-80.

[2]姚姗姗，魏法杰.现代飞机系统的经济性分析[J].飞机设计，2007，27(6)：72-75.

[3]鄂国庆，徐英哲，李文杰.固定翼时间域航空电磁系统的飞机选型问题[J].物探与化探，2012，36(4)：595-597.

[4]冯博，樊治平.一种航空客机选型的随机多属性决策方法[J].运筹与管理，2013，22(1)：201-207.

[5]汪瑜，孙宏.航空公司机队的鲁棒性规划启发式算法[J].系统工程理论与实践，2013，33(4)：963-969.

[6]Peter Belobaba,Amedeo Odoni,Cynthia Barnhart.The global airline industry[M].WILEY,2009:359-380.

[7]谢春生，赵煜，李海斌.飞机选型应进行的航线分析研究[J].空中交通管理，2009，20(5)：27-30.

[8]Peter Belobaba.Airline fleet planning models[J].Airline Management,2006,4(2):33-36.

[9]Raffi Babikian,Stephen P.Lukachko,Ian A.Waitz.The historical fuel efficiency characteristics of regional aircraft from technological,operational,and cost perspectives[J].Journal of Air Transport Management,2002,8(6):389-400.

[10]David Carter,Daniel A Rogers.Does fuel hedging make economic sense?The case of the US airline industry[R].San Diego:Social Science Electronic Publishing,2004:490-495.

[11]MosheGivoni,PietRietveld.Theenvironmentalimplications of airlines'choice of aircraft size[J].Transportation Research,2009,43(5):500-510.

[12]谷飞，徐涛.灰色关联度分析法在机场噪声监测点集中的应用[J].信息安全与技术，2014，16(1)：65-68.

[13]刘思峰，蔡华，杨英杰，等.灰色关联分析模型研究进展[J].系统工程理论与实践，2013，33(8)：2041-2046.

[14]田民，刘思峰，卜志坤.灰色关联度算法模型的研究综述[J].统计与决策，2008，21(1)：24-27.

[15]刘思峰，谢乃明，Forrest Jeffery.基于相似性和接近性视角的新型灰色关联分析模型[J].系统工程理论与实践，2010，30(5)：881-887.