飞机起飞着陆性能计算模型及其应用分析
来源:用户上传
作者:靖丹 王路宁 黄建民
摘 要：本文在对飞机起飞着陆过程进行简要分析的基础上，介绍了飞机起飞降落性能计算模型建立必要性，然后采用支持向量机（SVM）进行建模，并对某型飞机高原起飞滑跑距离实测数据进行了建模和验算，结果表明，该模型具有很好的推广性能，对相关研究具有一定的参考价值。
关键词：起飞着陆性能 支持向量机 计算模型
中圖分类号：V212 文献标识码：A 文章编号：1674-098X（2020）02（a）-0004-02
相关研究数据表明飞机的起降对于飞机的飞行安全至关重要，其计算模型对于飞机的设计和运营具有重要的意义。飞机的起降过程是其在地面与空中进行状态转换，需要受环境气候、机型、机场、人员等诸多因素的影响。另外，起飞与着陆是飞机完成一次飞行必经的两个阶段，因此，除有良好的空中飞行性能外，也必须具备良好的起飞和着陆性能。尤其是起飞性能对于飞行安全的影响较大，是飞机飞行性能的重要组成部分。在飞行安全方面，对于民航飞机来讲，根据统计起飞与初始的爬行阶段虽然仅占整个航班时间的2%，但是其事故发生率却高达20%，从经济角度讲，由于其受影响的因素也比较多，从一定程度上限制了飞机负载能力，降低了经济性。
1 飞机起飞着陆过程分析
1.1 起飞过程
飞机在起飞前滑跑到起飞线上，飞行员将杆到起飞位置时用刹车将飞机停止到起飞线上。飞机在起飞时飞行员松开刹车使飞机沿跑道加速滑行。飞行员操纵飞机滑跑过程中对飞机抬头进行控制，当加速到一定速度后飞行员拉杆抬起前轮。飞机抬头后需要保持姿态角，然后飞行员握住驾驶杆保持飞机的离地姿态。在飞机离开地面后再增加速度向上飞行。在上升的过程中飞行员要能够控制好爬升的航迹角，直到飞机达到安全的飞行高度。最后切换到巡航飞行状态，起飞过程结束。
1.2 着陆过程
飞机着陆主要经历定高飞行、下滑与地面减速等阶段，飞机从安全高度开始下滑，飞行员将收缩油门至慢车位置，着陆速度做直线下滑到5～8m左右，飞行员通过拉杆使得飞机抬头从而减慢其下降的速度，并拉平飞机，飞机下降到1m左右拉平过程结束，进入到平飘状态，最后减速飘落接地。在飞机接地后需要经历无刹车的自由滑跑减速，通常仅需2～3s，然后放下机头，前轮着地做三点滑跑并使用刹车，直到飞机停止，着陆过程结束。
2 建立飞机起飞着陆计算模型的必要性
当前针对飞机起飞着陆计算的模型和方法比较多，但大多数都是标准条件下，但是飞行部门要在飞机在非标准大气条件下的起降性能。大量实践表明标准条件下的滑跑距离的计算具有较大的误差，数值计算需要对原始数据有较高的要求，计算起飞相当困难。主要表现在：一是很难收集原始数据，如飞机参数、气动数据等;二是很难制定对原始数据的修订方法，如小速度下的高温修正等。三是各种数据给出不规范以及数据不完整。因此，在进行机场设计时需要经过大量的调研。候洛源提出了一种基于飞机起飞着陆性能计算方法，但是其仅局限于2500m以下飞行高度的计算场合。
对于上述问题的有效解决需要考虑以下方面：一是需要考虑支持向量机等职能计算工具强大的学习能力，将其应用以准确的捕捉数据背后所隐藏的规律。二是要保障飞机起飞着陆性能的观测数据。根据目前在该方面的研究现状，本文提出了采用支持向量机、神经网络等职能计算工具计算飞机起飞滑跑性能的计算思路，该思路能够充分的利用飞机起飞着陆的性能数据，建立起智能计算模型，能够大幅度减少人工的测量工作，得到准确的预测结果。
3 起飞着陆计算模型
3.1 模型的建立
本文建立起飞着陆滑跑距离计算模型为
在建立上述一般模型后，采用学习训练样本，就能够利用恰当的学习机器建立起飞着陆滑跑距离模型，从而建立起数据内在关系，最终实现对未知数据的预测。
3.2 智能计算逼近器
候洛源提出了一种基于自适应神经模糊推定系统，该系统充分应用了模糊逻辑的优点，可用参数较多，从而在不需要先验知识的的情况下确定合理参数。VN Vapnik等人提出了一种基于支持向量机的机器学习方法，该学习方法以结构风险最小原则来替代传统的经验风险最小原则，能够在有限的样本下能够得出由于传统技术的结果，其复杂程度与样本的数量无关，能够获得全局最优解，以良好的稀疏性能减少的模型的复杂度。支持向量机目前已经成为人工智能研究领域的重要热点，应用范围相当广泛。因此，本文以支持向量机为理论基础建立飞机滑跑距离的计算模型。
4 应用实例
本节研究某型飞机高原起飞着陆滑跑距离智能计算中，验算数据为25组。其中，训练样本20组，采用BRBP，RBF，ANFIS神经网络和支持向量机分别建立智能计算模型进行验算，采用径向基核函数：
实验中，采用如下方法进行归一化和反归一化处理：
选取20组训练样本，分别釆用BRBP，RBF， ANFIS和支持向量机，建立起飞滑跑距离的输入输出智能计算模型，具体步骤如下：
（1）将不同起飞着陆的起飞质量、大气温度扥作为网络学习的输入参数，将滑跑距离作为网络输出，对样本进行归一化处理;
（2）分别建立BRBP， RBF， ANFIS和支持向量机智能计算起飞着陆滑跑距离模型;
（3）将归一处理化后的检验样本代入本模型采用进行预测，并将预测结果进行反归一化处理;
（4）建立的模型对于训练样本集之外的样本预测能力，表1和表2给出了5组检验样本的推广误差结果。
从表1和表2计算的结果看，5组测试样本中只有支持向量机能够使得预测结果满足5%的精度要求。这就表明支持向量机在非线性预测中具有优势，因此，采用用支持向量机智能计算模型能够用于起飞着陆性能的预测。
5 结语
智能计算模型需要建立在大量的飞行数据可获得性的基础之上，而飞行部门正好具备这一要求，通过智能计算模型的建立可以有效减少人工工作量，对于飞机的飞行设计提供重要的参考价值。
参考文献
[1] 蔡良才，王海服，朱占卿，等.高原机场坛机起坛滑跑距离计算方法[J].交通运输上程学报，2013， 13 （2） ：66，72.
[2] MacKay D J C. Bayesian Interpolation[J]. Neural Com putation， 1992，4（3） ：415-447.
[3] Roger Jang. ANFIS s Adaptive-Network-Based Fuzzy In ference Systems [J].IEEE Transactions on Systems， Man and Cybernetics， 1993，23（3）： 665-685.
[4] 许巍，岑国平.机场最小起降带的计算机辅助优选[J].空军工程大学学报：自然利一学版，2003，4（2）：20-23.
[5] 中功璋，高金源，张津.飞机综合控制与飞行管理[M].北京：北京航空航天大学出版社，2005.
转载注明来源:https://www.xzbu.com/1/view-15215774.htm
