一种多源异构飞行事故航迹数据融合方法

技术领域

本发明公开了一种多源异构飞行事故航迹数据融合方法，涉及飞行事故数据处理的方法，属于数据处理的技术领域。

背景技术

对于航空事故原因分析来说，飞行数据记录器(FDR)、快速存储记录器(QAR)、舱音记录器(CVR)、空管(ATC)雷达等数据，这些数据表现形式不同，FDR和QAR数据通常已经解码为ASCII数据形式，CVR为声音信息，而ATC雷达数据为视频信息，它们之间的物理属性、测量范围和精度都不一样，无法直接利用传统的数据融合方法如Kalman滤波等方法进行融合，目前并没有统一的数学工具与方法对异构数据进行信息融合，只能针对具体的问题进行分析和算法设计。而且由于很多航空事故会伴随剧烈爆炸，有可能会损坏黑匣子中的FDR数据，造成某部分数据的缺失；在飞机失事前几秒钟由于供电故障等影响也会造成FDR数据没有记录，这直接造成了飞行事故关键时间段的还原十分困难。黑匣子的记录介质容量也有限，所以很多数据的记录间隔都很长，而飞行事故中飞机状态变化剧烈，很多瞬态的关键数据在记录过程中会有遗漏，这也不利于对最终事故过程的还原和事故原因的查找。

目前商用化的飞行事故再现仿真和分析软件，都是将事故飞机黑匣子中的FDR数据进行驾驶舱仪表和视景仿真环境的回放，并加入时间配准过的CVR话音记录对飞行事故整个过程进行再现。但是FDR数据本身存在的记录干扰或在飞行事故中受到的损坏都会使记录数据造成影响，使得商业化的飞行事故再现仿真和分析软件无法使用，得不到准确的飞行事故航迹数据。所以针对飞行事故数据的异构、缺失、稀疏、异常和不同步问题，需要设计先进的数据融合算法，估计出事故发生时准确的飞行事故航迹数据，为飞行事故调查和原因分析提供有效的工具。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了一种多源异构飞行事故航迹数据融合方法，实现了多源数据频率和数据格式的统一，解决了飞行事故数据的异构、缺失、稀疏、异常和不同步导致飞行事故轨迹数据不准确的技术问题。

本发明为实现上述发明目的采用如下技术方案：

(1)由于各个数据源的时间基准不同，在进行数据融合之前，首先有必要对各种数据源进行时基配准处理。配准的基本原理是寻找各个数据源之间所记录的共同数据或相关的事件。FDR和QAR数据的来源相同，都是机载计算机将各传感器的数据进行处理后在总线上进行统一传输的，然后以一定的频率记录到FDR或QAR记录器上，所以它们之间直接可以用机载计算机上的统一时间基准；CVR数据记录了舱音信息，利用HMM、小波等算法将特殊的事件从CVR记录仪中准确提取出来，这部分的信息可以用来与FDR等数据中的开关量等进行时间配准处理，空管雷达视频数据可以提供飞机较连续的飞行状态信息，这部分数据可以与FDR或QAR连续数据中的某些飞行状态变量进行联系，从而在一些特定时刻进行同步处理；

(2)采用基于小波分析方法对飞行事故数据中的突变异常值进行识别定位，并进行异常数据的剔除，然后估计出系统误差和随机误差并加以补偿，小波变换具有空间局部化的性质，因此利用小波变换分析信号的奇异性及奇异位置和奇异的大小是比较有效的，根据信号变化的快慢选择适当的分解尺度，应用小波良好的局部分析能力可以方便地解决异常值的检测问题，包括突变时间、类型和幅值的大小，通过经验值选定判断异常值的阈值进而对异常值进行识别和剔除；

(3)利用基于最小二乘插值和飞行动力学模型(FDM)数据加权的算法，对飞行事故航迹数据进行缺失补充。对于FDR缺失的数据或非正常数据被剔除的部分，需要有比较有效的手段进行数据补充，常用的方法有各种数据拟合算法，但这类方法没有考虑飞机本身的动力学特性，完全利用时间序列分析的方法进行补充，如果在缺失数据中包含些瞬态状态变动较大的情况，利用数据拟合方法得到的数据就会有很大的误差，将最小二乘插值和FDM进行综合加权组合弥补后，飞行航迹曲线连续性较好，与原始纯净数据吻合度更高，较为真实地反映了实际飞参记录数据的缺陷，提高了数据的准确性和可信度；

(4)基于概率图模型的数据融合算法，可以对包括文本数据、视频数据、音频数据分别进行概率建模，转变为概率图模型中节点之间的概率关系，FDR采集的飞行状态信号和空管雷达数据，假定被可加性传感器或外界噪声污染，考虑到噪声信号的变化，用混合高斯模型来描述信号；接着将各种数据转化为的概率节点组合成完整的概率图模型；然后使用期望最大化算法进行模型节点参数估计，完成多源数据融合处理。

本发明采用上述技术方案，具有以下有益效果：通过综合使用时基配准、异常识别与剔除、缺失数据补充和基于概率图的数据融合技术，将多种数据来源和多种数据构型的飞行事故数据转化到统一的数据处理框架下，能够在飞机事故分析和原因调查中增加数据关联度，做到数据的互相校准和验证，同时简化数据分析流程，减少了分析人员的工作量，有助于及时发现飞行事故中重要的时间点和异常事件。

附图说明

图1是本发明多源数据融合的示意图。

图2是本发明基于概率图模型融合异构数据的构思。

图3是本发明FDR飞行数据的概率图模型示意图。

图4是本发明空管雷达视频数据的概率图模型示意图。

图5是本发明多源异构飞行事故航迹数据的概率图模型示意图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

在多源数据融合的实施过程中，如图1所示需要有几个主要的步骤，首先对各种数据来源进行统一的时间基准的校正，保证各种数据在每一个时间采样点上保持同步；接着对FDR数据或QAR数据进行非正常状态数据的识别，对异常数据进行剔除；然后利用对应机型的飞行动力学模型FDM在FDR数据和QAR数据中断位置进行配平，并进行必要的数据补充，如果FDR的某些参数采样点过于稀疏，也可以采用插值和FDM加权平均的方法生成新数据点；最后将进行补充的数据和异构数据如CVR和ATC雷达视频数据进行异构融合，生成最终的飞行状态估计量。具体的实施步骤包括：

(1)基本的多源飞行状态数据时基配准主要可以分别基于两类信息进行同步，对于模拟量来说，我们寻找各来源数据之间共同记录的参数，在某些特定点进行同步，如到达某个特定高度等；而对于离散的开关量，我们通过开关事件的时间点进行同步。这样多个来源的数据都能进行相互的配准操作。

(2)非正常的飞行事故航迹数据采用小波分析理论进行识别和剔除。根据信号变化的快慢，选择适当的分解尺度，应用小波良好的局部分析能力，可以解决异常值的检测问题，包括突变时间、类型和幅值的大小。具体步骤可分为三步，一维小波分解、小波分解高频系数的阈值量化、一维小波的重构。

(3)对于缺失的数据或非正常数据被剔除的部分，采用基于最小二乘插值和动力学模型FDM数据加权的算法进行缺失补充。设实测的数据为y(t)，通常在一时间段内，可以用一个时间变量的n阶多项式描述：

y(t)＝a₁tⁿ+a₂t^n-1+…+a_nt+a_n+1(1)

假设现有N+1个等时间间隔的量测数据，依次为y_k,y_k+1,…,y_k+N，间隔为T，设初始量测点对应的时刻为t_k＝0，则第y_k+l个量测点对应的时刻为t_k+lT＝lT。由上式得：

y_k+l＝a₁(lT)ⁿ+a₂(lT)^n-1+…+a_n(lT)+a_n+1(2)

采用最小二乘法写出用N+1个点，n阶多项式估算出l时刻数据估值的计算式：

其中，

Y＝[y_k,y_k+1,…,y_k+N]^T(5)

然后将对应机型的飞行动力学模型FDM数据，和最小二乘法插值得到的数据进行加权处理：

X_i＝mX_1i+nX_2i(6)

其中：X_i是i时刻拟合后的数据；m，n为权值；X_1i、X_2i分别为i时刻FDM数据和最小二乘法的拟合值。

权值的选取基于如下原则：数据长度大，缺损数据较多时，FDM飞行动力学数据占权重较大，即m>n；数据长度小，缺损数据较少时，最小二乘法拟合数据占权重较大，即m<n。权值可根据大量数据训练后，根据训练结果适当选取。这种数据填充方法既可以利用FDM动力学模型的特性，又可以利用最小二乘法来弥补数据较少时，FDM数据的不足，拟合出的数据更加合理可信。

(4)最后多源异构数据采用概率图模型方法进行异构融合。

基于概率图模型的异构融合方法如图2，核心思想是基于各种飞行事故数据的先验分布概率，对包括文本数据、视频数据、音频数据分别进行概率建模，转变为概率图模型中节点之间的概率关系，假定被可加性传感器或外界噪声污染，考虑到噪声信号的变化，用混合高斯模型来描述信号；接着融入仿真模型，将各种数据转化为的概率节点组合成完整的概率图模型；然后基于观测数据使用期望最大化(EM)算法进行模型节点参数估计，完成多源异构数据融合处理。具体的概率图模型构建包括以下步骤：

首先对FDR数据进行概率图建模。设数据信号x_d是由FDR采集的飞行状态信号，有固定的采样时间间隔，相应于采样时间点n的信号值为x_dn。信号x_d是根据飞机真实位置信号d来描述的，现在假定d被可加性传感器或外界噪声污染，我们对噪声信号进行描述，考虑到噪声信号的变化，我们用混合高斯模型来描述信号。用r表示数据的频域谱分量，每个分量的均值都为零，精度矩阵是η_r矩，先验概率是π_r矩。把这些量视为频率域的量，则对于每个分量，精度矩阵就对应于频谱模板的逆。这样有

其中，N(x_d|μ,v_d)表示随机变量x_d的Gauss分布，具有均值和精度矩阵v_d，其定义为协方差阵的逆阵。所以可以表示为：

图3给出了FDR数据的图模型表示，由结点和带箭头的线段组成，其中带阴影的圆圈结点表示能观测的变量，而空心的圆圈结点表示没有观测到的标量，方框形式的结点表示模型的参数。带箭头的线段代表概率的条件依赖关系，即箭头方向的结点依赖于箭尾方向的结点。FDR数据的概率图模型实际上表示的过程是FDR可观测的数据是首先按照p(r)从抽取频域谱分量r开始，然后由Gauss分布p(d|r)抽取信号d。最后观测到的数据信号x_d再从Gauss分布p(x_d|d)中抽取出来。

接着对空管雷达视频数据进行概率图建模。把观测的图像帧记为x_r，这是一个向量，其元素为x_rn，相应于第n个像素的灰度值。这个向量是根据原始图像v来描述的，而原始图像分别在x和y方向上平移了一个l＝(l_x,l_y)，所以有：

x_rn＝v_n-l(9)

而且被具有精度矩阵的可加性噪声所污染。为了考虑原始图像的变化，v用一个混合高斯模型来描述。把其分量表示为s，每个分量都是具有均值μ_s，精度矩阵φ_s，以及先验概率π_s的Gauss随机变量。均值作为图像的模板，因而有：

其中，G_l表示平移算子，即(G_lv)n＝v_n-l；平移l的先验概率假定是一般的，即p(l)＝常数。

图4给出了雷达视频数据的概率图模型表示，根据图中的模型可以看出，产生可观测图像的过程是按概率p(s)＝π(s)从抽取隐现分量s开始的。紧接着由Gauss分布p(v|s)抽取信号v。图像表示为像素灰度的向量，其中精度矩阵对角元定义了这些灰度值的置信水平。然后，图像x_r将由平移的Gauss分布p(x_r|v,l)得到。

然后将两种模型融合成单一的概率图模型，其它种类的异构数据建模也和这两种模型的建模类似。FDR飞行状态信息与雷达视频中目标位置l_x和l_y有关。由于雷达捕捉范围较大，我们可以将l_x和l_y看做是FDR飞行状态信息d的线性函数。我们利用线性映射来近似这种依赖关系，即用一个均值为零，精度矩阵为v_x和v_y的Gauss分布来描述：

p(l_x|d_x,d_y)＝N(l_x|α_x1d_x+α_x2d_y+β,v_x)(11)

p(l_y|d_x,d_y)＝N(l_y|α_y1d_x+α_y2d_y+β,v_y)(12)

在模型里，利用隐含的飞行状态数据d将两个模型融合了起来，相应的图形表示如图5所示，虚线方框内表示独立同分布的帧，表示包含在方框内的所有模型变量取值都是帧依赖的，而虚线方框外的所有变量都是帧独立的。

最后使用利用期望最大值(EM)算法进行参数估计与状态跟踪。建立所有变量的联合分布，此处观测变量是x_d和x_r，而隐含变量是r，d，s，v，l。根据所建立的概率图模型，联合概率分布是：

p(x_d,x_r,r,d,s,v,l)＝p(x_d|d)p(d|r)p(r)p(x_r|v,l)p(v|s)p(s)p(l|d)(13)

这个模型的参数是

θ＝{π_r,η_r,v_d,α_x,β_x,v_x,α_y,β_y,v_y,π_s,μ_s,φ_s,ψ}(14)

这里需要解决基于数据来跟踪飞行状态，即对每一帧得到真实飞行状态数据的估计按照概率建模方法，需要计算的不是单个d的值，而需要计算每一帧在给定数据时的后验概率分布p(d|x_d,x_r)。这个分布提供了一个最大可能的位置，即：

同时也得到模型取这个值的可信度也就是概率。连续使用E步和M步对概率进行计算和待定参数的估计，并进行模型内部状态的跟踪，如果EM算法收敛，可以保证在噪声环境下进行平滑的飞行事故航迹数据的多源异构融合。