基于通道聚类的注意力网络用于可解释的硬着陆预测

《Engineering Applications of Artificial Intelligence》：Channel Clustering-based Attention Network for interpretable hard landing prediction

硬着陆预测中，现有方法多依赖时间对齐且忽视高度维度特征关联，导致模型可解释性不足。本文提出CCAN模型，通过高度对齐重采样不同飞行参数，构建通道聚类模块自动分组相关参数，并引入跨集群注意力机制捕捉参数间复杂依赖关系，结合GRU时序注意力优化特征提取。实验表明，CCAN在44729条A321 QAR数据集上预测精度显著提升，可视化分析可精准定位关键参数交互（如襟翼角度与垂直速度协同影响）。

　　

郝张|孙华波|刘宇|赵新斌|李旭|尚嘉兴|郑林江

重庆大学计算机科学与教育部网络物理社会可靠服务计算重点实验室，中国重庆

摘要

硬着陆事件是飞行降落阶段常见的安全事件，在航空工业中备受关注。现有的硬着陆预测方法往往过分强调时间特征，而忽略了沿高度维度的降落过程。重要的是，基于高度的对齐能够提供更实用的可解释性。此外，这些方法通常无法捕捉各因素之间的依赖关系，在固定时间窗口内也具有有限的可解释性。为了解决这些问题，我们提出了一种基于通道聚类的注意力网络（CCAN），用于预测硬着陆事件并识别其潜在原因。具体来说，我们重新采样并插值不同飞行参数的高度值，将不同航班的降落过程对齐到一个共同的参考框架中，以便后续解释。随后，我们设计了一个通道聚类模块，根据预定义的阈值将飞行参数分组到不同的簇中。然后，我们使用图注意力网络（GAT）来捕捉簇内和簇间不同飞行参数之间的依赖关系。为了进一步揭示降落过程中飞行参数之间的相互作用，我们将注意力机制融入门控循环单元（GRUs）中，以提取有信息的时间特征。我们在包含44,729个空客A321航班的真实世界快速访问记录器（QAR）数据集上进行了实验。实验结果表明，CCAN在硬着陆预测方面优于基线模型，并通过可视化降落过程中飞行参数及其相互作用的高度参考信息，提供了实用的可解释性。

引言

飞行安全是民用航空业的一个基本主题。航空公司将安全视为首要关注点，并通过主动措施和持续监控来预防事故。根据波音公司的统计（The Boeing Company, 2024），在进近和降落阶段，事故数量和死亡率明显高于其他飞行阶段，尽管这些阶段仅占整个飞行时间的相对较短部分。硬着陆是降落阶段典型的不安全事件，指的是最大垂直加速度超过定义阈值的事件。此类事件可能导致飞机结构损坏，在严重情况下，甚至可能危及乘客安全。

近几十年来，航空公司为飞机配备了QAR，以收集飞行过程中来自各种机载传感器的大量时间序列数据。基于QAR数据，航空公司可以更深入地了解安全事件的原因，从而提高飞行安全。现有研究采用了多种方法分析QAR数据，例如异常检测技术（Sun和Ji, 2021；Rong等人, 2022；Zhuang等人, 2024）来自动识别飞行中的潜在风险，聚类算法（Li等人, 2021；Zhong等人, 2024）对硬着陆模式进行分类，基于Transformer的模型（H. Chen等人, 2023）以及其他深度学习方法（Sun和Li, 2021；Wang等人, 2013；Li等人, 2023；H. Chen等人, 2020）来进一步调查超限事件。这些努力不仅提供了飞行安全事件根本原因的见解，还提高了异常检测或预测的准确性。然而，硬着陆预测方法仍存在一些局限性，总结如下：

对齐挑战：大多数现有方法沿时间维度对齐不同的飞行样本，通常使用统一的间隔，例如从触地前30秒到触地（飞机起落架接触地面的瞬间）（Li等人, 2023；Kang等人, 2021）。这种基于时间的数据对齐方法依赖于精确触地时刻的获取，而在实际飞行场景中这往往不切实际。此外，这些方法限制了为飞行员提供可操作指导的能力（Zhong等人, 2024），因为飞行员通常根据飞机相对于地面的高度而不是剩余的降落时间来做出决策。相比之下，无线电高度是飞行员可以实时参考和观察的维度。然而，即使在相同的高度范围内，不同飞行样本的飞行持续时间也可能有所不同。例如，在从地面以上500英尺到触地的高度窗口内，不同飞行样本的持续时间可以从不到20秒到接近50秒不等，如图1所示。一些研究使用相等的高度间隔对齐QAR数据（Hu等人, 2016），这可能导致重要时间或动态信息的丢失。 参数间依赖性：在处理多个飞行变量时，要么采用通道独立策略，要么采用通道依赖策略。通道独立方法（Li等人, 2023；Nie等人, 2022；Zeng等人, 2023）分别处理每个飞行参数，忽略了参数之间的相互依赖性/相互作用，而这对于准确的风险预测至关重要。另一方面，通道依赖方法（H. Chen等人, 2023；Liu等人, 2022；Wu等人, 2021；Zhou等人, 2021；Zhou等人, 2022）综合考虑所有变量，但可能会混合无关信息并引入虚假关系，导致模型错误地找出硬着陆事件的正确原因。例如，模型可能会错误地推断发动机推力减少导致了硬着陆，仅仅因为发动机推力通常在飞机下降时减小，而实际原因在于垂直速度控制。 可解释性限制：当前对飞行安全事件的可解释性分析主要集中在识别最重要的参数（Li等人, 2023；Zhong等人, 2024）或飞行员操作（Wang等人, 2013；Zixuan等人, 2020）上，但无法在基于高度的对齐框架下揭示参数之间的复杂相互关系。例如，Wang等人（2013）发现拉平机动是导致长着陆的最关键因素。此外，Li等人（2021；Li等人, 2023）和Zhong等人（2024）确定了导致硬着陆的三个关键因素——下降率、俯仰角和无线电高度。H. Chen等人（2023）考虑了变量关系，但依赖于触地前的固定时间窗口数据，这限制了其在飞行员决策中的实际应用性。

为了解决上述问题，我们提出了一种基于通道聚类的注意力网络，用于可解释的硬着陆预测。具体来说，我们首先通过重新采样和插值沿无线电高度维度对齐不同的飞行样本。根据不同的高度范围，以不同的间隔进行重新采样和插值，有效减少了信息损失。为了进一步研究飞行参数的参数间依赖性，受到通道混合策略（Chen等人, 2024）的启发，我们将具有强相似性或相互影响的参数分组在一起。与文献中的方法（Chen等人, 2024）不同，我们方法中的簇并不是完全隔离的。我们观察到一些关键飞行参数在多个簇之间具有显著影响，充当“共享元素”，连接不同的簇。为了融入这一核心见解，我们设计了一个带有注意力机制的通道聚类模块，使我们的模型能够更全面地捕捉飞行参数之间的复杂相互关系。随后，我们将注意力机制融入GRUs中，进一步揭示降落过程中不同飞行参数之间的相互作用对硬着陆的影响。具体来说，通过可视化模型内的聚类结果和注意力得分，我们可以揭示参数的分类方式以及参数对最终输出的影响，从而增强了模型的可解释性。最后，我们在包含44,036个A321航班样本的真实世界QAR数据集上进行了实验。实验结果表明，所提出的模型CCAN显著优于现有的最先进基线模型。此外，案例研究通过可视化关键飞行参数，有效地帮助揭示了硬着陆的潜在原因。

我们工作的主要贡献如下：

• 我们探索了一种基于高度的数据对齐策略，而不是传统的基于时间的对齐策略，这对于捕捉详细的飞行行为和提高真实世界飞行场景中硬着陆预测的可解释性至关重要。
• 我们提出了一种基于通道聚类的注意力网络（CCAN），创造性地将通道聚类模块与注意力机制结合，将飞行参数分组到不同的簇中，并在不同簇之间共享关键参数，有效捕捉参数间的依赖性，以实现可解释的预测。
• 我们在真实世界数据集上进行了广泛的实验，实验结果表明，我们的模型显著优于其他基线方法。此外，案例研究进一步揭示了模型如何捕捉导致硬着陆事件的关键参数相互作用。

本文的其余部分组织如下。第2节回顾了相关工作。第3节介绍了数据预处理方法和提出的CCAN模型。第4节说明了数据集、基线和实验细节。第5节讨论了实验结果和可解释性分析。第6节简要总结了我们的工作。

相关工作

本节简要回顾了飞行安全研究和多变量时间序列分类（MTSC）中的通道策略的相关工作。

方法论

本节首先描述了QAR数据预处理，然后介绍了我们提出的用于预测硬着陆事件并提供可解释性分析的模型。

数据集描述

本研究中使用的QAR数据集来自一家中国航空公司运营的44,729个A321航班。每个飞行样本包括145个参数。在领域专家的指导下，我们选择了19个与降落阶段密切相关的参数，如无线电高度、俯仰、滚转和其他关键指标，进行详细分析。这些选定参数的原始采样频率在1 Hz到8 Hz之间变化。

结果与讨论

结论

可解释性仍然是民用航空业中的一个关键挑战。在本文中，我们提出了CCAN模型，旨在提高飞机降落阶段硬着陆事件的预测准确性和可解释性。CCAN引入了一种通道聚类策略，自动将高度相关的飞行参数分组，并识别影响每个组的关键变量，从而有助于结构化地理解参数依赖性。

CRediT作者贡献声明

郝张：写作 – 审稿与编辑，撰写原始草稿，可视化，方法论。 孙华波：写作 – 审稿与编辑，可视化。 刘宇：写作 – 审稿与编辑，可视化。 赵新斌：写作 – 审稿与编辑，可视化。 李旭：写作 – 审稿与编辑，可视化。 尚嘉兴：写作 – 审稿与编辑，可视化。 郑林江：写作 – 审稿与编辑，可视化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作部分得到了国家自然科学基金民航联合基金重点项目（资助编号U2433206和U2033213）、中央高校基本科研业务费（资助编号2023CDJKYJH016和2023CDJKYJH073）以及中国航空科学研究院基本科研业务费（资助编号xxx252060302025022）的支持。