航班运行风险网络的传播与控制改进

2021-08-23王岩韬

系统工程与电子技术 2021年9期

王岩韬,杨拯

(1.中国民航大学空管学院,天津 300300;2.四川航空股份有限公司运行风险控制中心,四川成都 610202)

0 引言

航班运行风险是发生概率与后果严重程度的乘积[1]。由于涉及生命难以定量计算,为此中国民航参照国际民航组织安全管理体系[2],于2015年建立了适用于我国国情的航班运行风险体系,其中包含详细的风险矩阵与赋值。

针对航班运行风险影响种类、形式、数目繁多且随条件不断改变等复杂特点,通过对风险形成、传播过程的机理性分析和研究,构建了科学的风险管控方法,是提高安全水平的必要措施。国外民航的风险管控研究聚焦于风险评估,2007年左右已有实用性成果[3-4],而近年研究方法多以机器学习为特征[5],研究内容也逐步细化至人员疲劳等方面[6],并且无人机飞行风险逐步成为研究热点[7]。

国内于2014年提出了一套具有普遍性、实用性的风险量化体系[8]。后续,机器学习、信息扩展等算法不断引入,评估精度于2019年提升至90%[9-11],并且实现了对起飞、巡航、降落等不同飞行阶段的短时预测[12]。2015年至今,国内各运输航空公司均已建设风险管控系统,多年实践证明风险评估等应用技术问题已得到较好解决,而对于风险产生、传播与控制过程,目前尚缺乏足够和深入研究。

深入分析发现,在上述研究方案中存在一种通用假设,即风险因素间关系是树状结构。但运行风险实则与气象条件、机组资质、机场设施、障碍物、飞机维修甚至政策保障等多因素相关,而各因素间通过业务逻辑、数据流转等相互作用,错综交汇形成网状结构。欧美在民航领域中应用复杂网络理论已有一定代表性的成果,具体包括:Belkoura通过航空网络拓扑结构,从机场、机型、航空公司三方面分析了网络动态特性,并提出网络结构优化方法[13]。Voltes构建了以机场为节点,航线为边的航空网并计算网络脆弱性[14]。Lykou基于航线网络计算拥堵概率[15]。

国内复杂网络及动力学传播理论多用于供应链研究,在民航中最早应用于全国航线网[16]、机场网[17],并依此分析延误与飞行冲突等[18]。近年,邱杨扬建立了飞行区网络用以分析不停航施工风险传播路径[19]。吴明功等通过识别空中交通复杂度用以评价飞行安全与质量[20]。王岩韬等于2020年首次将复杂网络应用于航班运行风险分析,使用SIR(susceptible-infected-relovered)模型分析了风险传播变化规律[21]。

进一步分析以往研究过程发现3个问题:① 仅依照Pearson系数等传统数据相关性构建网络,会出现较多与业务逻辑不符的连边;② 假定传播中节点迅速被感染,而忽略了实际航班运行较多因素未触发时不影响飞行安全,处于潜伏状态的事实;③ 以往大多研究关注于网络传播过程,对抑制传播的网络控制方法研究不够充分,在控制效果评价中仅关注感染范围,不能真实准确反应出实际效果。

鉴于以上,使用民航实际运行数据,首次采用偏秩相关系数建立航班运行风险网络;引入并改进SEIR(susceptible-infected-exposed-recovered)模型,仿真动力学传播过程,分析各节点在网络中的传播效应;定位风险关键节点以提升网络控制效果。研究旨在应用于航班运行中的风险管控工作。

1 复杂网络节点选取

1.1 数据采集

将航班运行涉及到的各类因素分为飞机维修、机场运行、飞行操作、管制指挥以及潜在风险共5大类,采集民航华北区域365天运行数据,具体包含75个风险项和1个当日总运行状态。风险取值[1,5)为低风险/可接受状态;风险取值[5.8)为中风险/缓解后可接受的状态,风险值[8,10]为高风险/不可接受状态。各项数据由机务、机场、飞行、空管等单位依照各工种的工作标准记录,由民航安监部门汇总,如表1所示。因限于篇幅此处仅显示3天数据。

表1 风险网络节点Table 1 Risk network node

1.2 数据分析

网络既会反应节点与节点的关系,同时也会反应节点的自身属性。均值与标准差可以定量地描述节点风险的水平与波动程度。四舍五入整数化后,采用同心圆式布局如图1所示。节点大小用以表示风险均值,节点颜色用以表示标准差,标准差与颜色对应关系为:0-绿色、1-蓝色、2-黄色、3-橙色、4-红色。此处为求直观,图1标注使用文字,具体如下。

(1)由外层到内层,节点的风险均值从1增大至7。内层节点中,除“机组压力程度”风险均值为4,其余均值为5。即指标越靠近圆中心,代表越“不安全”。

(2)集中在外层的节点,均为绿色和蓝色,风险值小,标准差较小;而集中在内层的节点,为黄、橙、红色,风险值大,标准差也较大。

(3)大部分节点均值为1～2,或者5～7。没有风险均值为3的节点,仅有“机组压力程度”1个节点均值为4。

图1 节点属性Fig.1 Node characteristic

分析可见,风险均值较高的内层节点,其标准差也较大,波动明显,表现出对运行安全影响显著。而风险均值低的外层节点其标准差小,表示其波动性小,长期表现较为稳定。结合实际航班运行情况,如“安检”等外层节点对运行安全有影响,但极少发生差错或不安全事件,在运行数据中会长期稳定在一个较小的数值区间。

因此,按非关系属性数据分析,节点可分为两大类:外层的蓝绿低风险节点,共51个;内层的黄橙红高风险节点,共25个。

2 偏秩相关系数建网

2.1 偏秩系数

根据文献[13-21],计算节点之间相关系数,以此关联程度去构建加权与连边是目前较为客观的建网方式。研究发现,Pearson相关系数法适用于指标间的固定比例变动,容易低估数据间相关性。而Spearman相关系数难以区分直接相关与间接相关,往往导致网络中“假相关”的连边出现。此处,采用偏相关系数,控制其余变量,直接得到两节点间关系,从而剔除中介变量的影响,增强相关系数的可靠性[22]。

任意一个n阶偏相关系数(控制n个变量的影响),可由3个(n-1)阶偏相关系数得到。而简单相关系数可视为0阶偏相关系数。以一阶偏相关系数为例:

(1)

式中:rij,h表示节点i和节点j在控制节点h后的偏相关系数;rij表示节点i与j的简单相关系数;同理ri h与rjh表示i与h,j与h的简单相关系数。

计算偏秩相关系数矩阵,P值检验标准设为0.05,去掉矩阵对角线及不显著关系,示例结果如表2所示。

表2 偏秩相关系数矩阵示例Table 2 Example of partial rank correlation coefficient matrix

由上构建网络,计算网络参数,如表3所示。为分析网络组成与连接,使用Modularity探测算法划分社团类别[23],以不同颜色加以区分,如图2所示。可见,该网络共可分为8个社团,且社团分布清晰。

表3 网络节点参数Table 3 Network node parameters

图2 风险网络及社团分布Fig.2 Risk network and community distribution

2.2 风险链路

为进一步分析社团内部及社团间作用关系,采用三角最大过滤图(triangulated maximally filtered graph,TMFG)法对网络过滤[24],所得结果如图3所示。每个节点在网络中所处的位置及主要风险链路相比社团划分结果更为清晰。

图3 主要风险链路图Fig.3 Main risk link diagram

风险链路显示,该网络构成相比文献[21]减少了大量的无效连边,主干链路与实际航班运行吻合度很高,说明了偏秩相关系数建网相比此前文献更为合理。列举部分高风险节点连边如下。

节点50(起落机场天气)所处位置关键,高风险类别的指标如节点21与22(副驾驶与机长飞行经验能力)通过此点影响到起飞、爬升等重要操纵动作。恶劣天气会加剧的飞行操作风险,而机组成员具备丰富经验与能力会降低风险发生。

相比节点22,节点21(机长经验)与节点38(绕飞)、节点41(着陆)等连接更为紧密,而绕飞、着陆等重要操作是由机长亲自操纵完成,与实际运行情况一致。

节点27(机组执勤时间)与节点50、节点26(机组飞行时间)、节点66(目的地机场天气)连接紧密。而恶劣天气更易导致飞机无法按时起降,引起机组飞行时间与执勤时间超时,与实际运行情况一致。

节点5(飞机系统检查)与节点7(航空器放行)、节点3(签署整机接收)直接决定了节点2(机务人员执勤时间)的状态,产生差错最直接影响就是节点64(航路备降)与节点40(进近操作),与实际运行情况一致。

节点10(延程/高原/延伸跨水等能力)直接决定节点58(特殊运行),而节点11(飞机性能衰减情况)与节点57(航路天气)是特殊运行的最重要限制。因此,此4个节点连接紧密与实际运行情况也完全一致。

3 改进SEIR传播模型

SIR模型是在SI(susceptible-infected)与SIS(susceptible-infected-susceptible)等较为传统的病毒传播动力学模型改进而来,SEIR模型则是通过改进SIR模型提出的,可用于网络传播特性分析、节点重要度评价等方面。SEIR模型通过各节点的传播状态分析从而实现对网络风险的评估[25]。

结合民航运行特点与数据分析结果,改造传统的SEIR模型,使其参数设定与国内航班运行现状相匹配[26],改进后的传播规则具体如下。

3.1 传播规则

(1)初始感染节点

初始感染节点即最早产生风险的节点,如数据来源非官方或不可信、飞行参数计算错误、操作操纵出现失误、决策判断中出现错忘漏等。根据第1.2节结果,标准差大的节点其风险均值也高,长期处于不安全状态。为与实际情况相符,此处设标准差大的节点成为初始感染节点的概率更高,初始感染条件概率如表4所示。节点随机进入潜伏期,代表风险来源的不可控,第3.2～第4.3节计算开始于此,而后在网络中传播。

表4 标准差与条件概率对应关系Table 4 Correspondance between standard deviation and conditional probability

(2)易感节点S

易感节点是指未感染的健康节点,未被风险影响到的节点,但当网络传播后,S可能被感染而后进入潜伏期,成为潜伏节点E。感染率由节点的标准差决定,标准差越大,受扰动的可能性越大,感染率越高,即感染率与标准差成正相关关系[27]。因此,依据标准差对节点划分如表5所示。

表5 标准差与感染率对应关系Table 5 Correspondance between standard deviation and infection rate

(3)潜伏节点E

潜伏节点是指具有潜在风险的节点,代表已受到航班运行某一环节中差错影响,但尚未在工作中表现出,也暂时未将差错传递出去。节点处于潜伏期,仍具有一定程度免疫能力,此处恢复概率保守设为5%,代表受到航班运行某一环节的差错影响后,经过核实修正,最终未受影响。

E以一定概率进入感染表现期,成为感染节点I。潜伏期长短由风险均值决定,均值越大,不安全程度越高,受影响后表现越剧烈,进入感染期概率越大[28],其对应关系如表6所示。

表6 均值与进入感染期概率对应关系Table 6 Correspondance between mean and infection probability

(4)感染节点I

感染节点是指已被其他节点的差错影响,可能显现出风险的节点。从潜伏期进入感染表现期后,有较强的传染性,但仍具有一定恢复能力,此处恢复概率保守设为20%,代表即使受到某一环节差错影响,经正确分析并执行标准程序后未受影响,同时终止了差错传递。

(5)恢复节点R

恢复节点是指已完成风险规避或风险管控的节点,代表差错被发现,安全风险被有效管控,已规避其对航班运行产生的影响。在一个特定航班中,R不再具有感染能力,也不再被E或I影响。

(6)传播周期T

传播周期是指网络传播过程的计时单位,该周期与实际飞行航程时间相关,此处不设量纲。从节点被初始感染开始,各节点状态随时间变化而变化,每一个时间单位对应一个传播阶段。

3.2 传播结果

根据第3.1节传播规则,该网络经1 000次传播仿真,结果取均值如图4所示。

图4 SEIR传播过程Fig.4 SEIR propagation process

随着传播周期推进,S曲线趋于稳定;I曲线的峰值为24.11,达到感染峰值时间为9。需要说明的是,在传播规则设定方式与第3.1节相符的基础上,表4～表6等具体赋值可变化。经反复验证,所得结论与第3.2～第4.3节中规律相同。

4 关键点法网络控制

4.1 关键节点

在以往网络控制研究中,大多依照网络特性参数排序来定位关键点,从而制定网络控制方案。然而,度值等特性参数的排序,并不完全等同于节点关键高低的排序[29]。

此处改进选取两类度量值:每个节点感染其他节点次数、被其他节点感染次数。经过1 000次传播计算后再统计,以被其他节点感染次数为横轴,感染其他节点次数为纵轴,所有节点排列成散点图。然后,采用K均值聚类,节点被分为5类,如图5所示。可见,红色与橙色节点在感染其他节点次数与被其他节点感染次数两方面都呈现高值,具体表7所示。说明其在网络传播中的影响力最强,定义其为网络传播关键节点。

图5 SEIR模型传播结果散点图Fig.5 SEIR propagation results scatter plot

表7 感染/被感染次数较多的节点Table 7 Infect/infected frequent nodes

4.2 控制效果

根据现行的航班运行与安全管理政策,表8中关键节点的控制措施可分为两大类[30]。

(1)前置预防措施:包含人员资质能力提升、系统与制度建设两种:① 资质提升可降低被传染概率,提高免疫能力。对应实际中为加强业务培训,增强运行情景意识,掌握标准操作流程,降低被运行环境、航空器等风险节点影响的概率。在模型中,保守设置S感染率降低至10%;② 系统与制度建设可大幅降低自身风险产生的概率。对应实际中使用智能化的监控与运行系统,落实精细化交叉检查制度等。对应模型,设为控制节点不会自发初始感染,但保守设为可被传播感染;

(2)战术处置措施,主要针对于节点已受到风险影响后,采取应急措施将节点恢复至安全水平,即被感染后提高恢复概率。对应实际中是指不良因素出现后,增派专家支持,空地协同处置,及时更新方案有效控制运行风险。对应此处模型,保守设置E与I转为免疫概率为90%。

选取表7中感染次数总和靠前的,且可人为控制的5个节点实施控制措施,具体措施如表8所示,节点50与45涉及的民航局要求的常规训练已然充分,人员方面暂无更为明显有效的提升措施。控制关键节点后的网络传播结果如图6所示。被感染曲线峰值从24.11降为19.67,比未控制前降低了约18.44%,且峰值出现时间推后了两个周期。从传播感染范围与传播周期两方面均说明控制措施起到了较好效果[31]。在航班运行这种特定的风险网络中,无论维修、航空器状况还是天气等因素,其传播最严重结果是对起飞、爬升、巡航、着陆、地面滑行等飞行操纵产生影响。对应实际运行中,安全水平是通过飞行操纵动作而表现出的。因此,对重要操纵动作的感染次数的抑制,更能真实地反应出网络控制的效果。