大数据在民航飞行训练中的应用探析

陈艾荔

正德职业技术学院 江苏南京 211106

随着我国航空事业的不断发展，飞行人才缺口逐渐增大。这一状况对民航飞行训练工作提出了较高的要求。结合既往民航飞行训练管理经验来看，传统数据分析模式的弊端较多。而大数据的引入则可弥补上述缺陷。因此，探讨大数据与民航飞行训练的整合具有一定必要性。

1 大数据的应用优势

于民航飞行训练中引入大数据的优势在于：第一，精准评估训练效果。民航开展飞行训练的目的为：通过训练提升飞行员的专业技能[1]。实现上述目标的前提为：飞行训练管理人员可根据实际训练状况，准确评估训练成果。但从当前民航飞行训练状况而言，随着飞行人才需求量的增长，训练任务日益增加。对于管理人员而言，传统数据分析方式，难以为训练评估工作提供可靠支持。而大数据则可借助其在数据挖掘、识别、分析等方面的优势，为管理人员提供准确的训练评估结果。第二，保障飞行安全。民航飞行训练风险主要与被训练飞行员的误操作、飞机设备故障等因素有关。于民航飞行训练中引入大数据后，管理人员可在大数据技术的支持下，精准识别海量训练数据中的风险因素（误操作数据、飞机异常数据），并依据风险因素类型，采取调整训练要点、加强飞机维修等措施，提高飞行训练安全性。

2 大数据在民航飞行训练中的运用分析

这里主要从以下几方面入手，针对大数据在民航飞行训练中的运用进行分析：

2.1 误操作事件识别与处理方面

（1）训练数据预处理。结合既往民航飞行训练经验来看，驾驶员在进行飞行训练期间，容易因技能掌握不当、心理承受能力不足等，而出现误操作现象[2]。由于飞行训练要求较高，加之飞行环境相对复杂，当出现某种误操作时，如驾驶员未能及时处理，可能会诱发其他相关误操作事件。为保障飞行训练的安全性，充分发挥飞行训练的作用，可运用大数据技术-- 关联挖掘算法技术，帮助驾驶员及时识别误操作，并为其后续护理提供支持。

考虑到民航飞行训练数据的特殊类型（多为布尔值、实数），为保障关联分析算法的有效利用，可按照如下模式针对来源于民航飞行训练的原始数据进行预处理：

第一，选择特征值。在处理原始训练数据时，可结合既往飞行训练管理经验，从驾驶员的海量训练数据中选出可反应训练中违规操作的数据，挖掘数据的特征值。当前，民航飞行训练数据中包含的常见检测操作较多，如失速、着陆过载超限、俯仰姿态超限以及油门操纵过猛等。在此基础上，逐一提取各检测操作的特征，并将其转化为字母（以简化后续数据处理）。例如，对于俯仰姿态超限这一操作，可将其特征确定为俯仰角，以A 表示该特征；失速及空速超限均以空速为特征，并以S 替代该特征。第二，数据清洗。原始民航飞行数据量较大，其中涉及较多无效数据。为保障关联挖掘分析结果的可靠性，可于前期原始数据处理环节，从海量训练数据中剔除空缺数据及产生于无效记录时段（降落滑行阶段、前期地面热身阶段等）的数据。第三，数据特征量化归约。为确保关联分析算法在民航飞行训练中的有效运用，可在于驾驶员原始训练数据中直接提取垂直加速度、俯仰角以及空速等特征数据的基础上，根据大数据分析要求，合理计算原始训练数据无法直接体现的特征数据，如飞机升降速度变化率、发动机转速变化率等。例如，在飞机升降速度变化率的计算可按照如下模式完成：计算n 时刻飞机升降速度与n-1 时刻飞机升降速度的差值，并计算n 时刻与n-1 时刻间的差值，两差值之比（速度差值/ 时刻差值）即为飞机升降速度变化率参数。另外，对于以布尔值、实数值形式出现的原始训练数据，则需参照训练指导手册或专业人士（充分了解大数据技术、了解民航飞行训练）的建议，针对布尔值数据、实数值数据进行量化规约处理。

（2）频繁项集、关联规则挖掘。为确定海量训练数据中的关联，可基于关联分析算法，以FP-Groeth 法、Apriori 法，于海量数据中挖掘频繁集。确定频繁集后，可依据上述信息，进一步挖掘训练数据中隐藏的关联规则。

（3）测试分析。为验证关联分析算法的有效性，选用1500组经传统数据分析法分析完成的原始训练数据进行验证。传统数据分析结果显示，1500 组数据中，共涉及18 次误操作事件（俯仰姿态超限、失速等）。关联分析算法共识别出18 次误操作事件，且事件类型与传统数据分析法所提示的信息相符。另外，这一大数据技术还得出如下关联规则：俯仰姿态超限合并失速事件发生时，易引发油门过猛操纵失误；二者单独发生时，也易引发油门过猛操纵失误[3]。

2.2 飞机发动机异常状态预测方面

（1）数据预处理。在运用支持向量机算法（SVM）模型预测飞机发动机异常状态时，可按照提取特征值、清洗无效数据、特征缩放的流程，完成原始训练数据的预处理。例如，在处理空速数据时，可经比例调节法将飞机空速的范围设置于122-127kt 间。

（2）发动机异常预测。运用SVM 模型预测发动机异常的流程为：基于最小化风险原则，从海量数据中确定一个超平面（满足最大间隔分类要求）。选定Gamma、损失函数canshuP 以及惩罚因子C，构建预测模型。为验证该模型的价值，将2000 组训练时飞机发动机数据输入模型中，经模型预测（网格搜索法），确定P 平方评价值为0．621，原始训练数据曲线与模型预测曲线十分贴近。表明该方法的预测价值较高。

3 结语

综上所述，强化大数据技术与民航飞行训练的整合具有一定现实意义。为保障民航飞行训练成效，可参照飞行训练管理要求，将大数据技术融合于飞行训练效果评估、飞机发动机异常状态识别等环节中。为了进一步发挥大数据技术的优势，还可参照大数据技术的特征，不断优化民航飞行训练管理模式，以提高飞行人才培养质量。