利用深度学习和变换域特征，从飞机事件记录（QAR）数据中估计可解释的紧急驾驶响应（EDR）

《ADVANCED ENGINEERING INFORMATICS》：Interpretable EDR estimation from aircraft QAR data using deep learning and transform domain features

本研究提出了一种基于飞机快速存取记录器（QAR）数据的新方法，结合小波变换与Transformer-GRU模型，用于湍流耗散率（EDR）的估计。通过构建包含中国东方航空数据的湍流数据集，优化特征后训练模型，并利用SHAP分析验证可解释性。实验表明，该方法有效提升了EDR估计的准确性和跨航空公司数据的泛化能力，解决了传统方法在尺度一致性和量化精度上的不足。

　　

庄子博|于振宇|李毅|顾文瀚|张浩|陈朴伟

中国民用航空大学航空气象研究所，天津 300000，中国

摘要

涡流耗散率（EDR）是评估空气动力湍流强度的关键指标。准确估计EDR对于提高飞行安全和运营效率至关重要。本研究提出了一种基于飞机快速访问记录器（QAR）数据的EDR估计方法，该方法结合了小波变换和Transformer–GRU模型。首先，通过使用位置信息将大量QAR数据与EDR样本对齐，构建了一个全面的湍流数据集。随后，应用小波变换将与湍流相关的QAR数据分解为多个频率尺度上的子序列。在此分解之后，从这些子序列中计算统计特征以形成高级特征，然后使用Boruta算法对这些特征进行筛选以获得优化特征。接着，开发了一个Transformer–GRU模型来捕获特征和时间依赖性，从而从这些优化特征中提取用于EDR估计的关键信息。此外，还使用了基于SHAP的可解释性分析来验证模型的准确性和物理可解释性。实验结果表明，该框架通过整合小波分解、特征优化和混合深度学习，解决了现有频谱和湍流监测方法的基本局限性——如尺度一致性假设和定量精度不足的问题——从而提高了EDR估计的准确性。估计结果与机载EDR测量结果具有良好的一致性，并显示出在多家航空公司数据集上的强大泛化潜力。

引言

空气湍流以突然且不规则的气流运动为特征，对飞行中的飞机构成了重大挑战，导致飞机快速纵向和横向震动。这些扰动可能危及飞行安全，导致结构损坏、乘客受伤和航班延误[1]。一个显著的例子发生在2024年9月6日，当时一架从新加坡飞往广州的Scoot航班遇到了严重湍流，导致飞机高度下降了16米，并有七名乘客受伤，据FlightAware报道。因此，准确的湍流估计和有效管理对于确保飞行安全和提高乘客舒适度至关重要。

EDR是一个用于量化湍流强度的关键指标，其值的范围是从0到1

与传统的飞行员报告（PIREPs）不同，后者依赖于飞行员的主观评估[3]，EDR提供了一个基于物理的客观度量方法来评估大气湍流对飞机的影响。

美国国家大气研究中心（NCAR）开发的EDR计算方法通过分析垂直风速来评估湍流强度[4]。这种方法在波音737–700/800系列飞机上得到了广泛采用，并显示出与湍流事件的强相关性。然而，商业算法的专有性质使得计算过程不透明。在中国，只有少数航空公司（如中国东方航空和厦门航空）实施了这种EDR估计技术。相比之下，现有的开源EDR算法在捕捉强湍流应变值方面表现较差，且准确性较低，同时受到固有局限性和误差来源的制约。

现有的EDR估计方法虽然基础，但在应对现代航空湍流的复杂性方面存在固有局限性。垂直风谱方法和垂直加速度方法主要在频域分析垂直加速度和垂直风速，但它们假设湍流尺度是均匀的。这忽略了不同飞机传感器的数据具有多频率特性的关键点[7]，[8]。这导致在湍流表现为短时爆发和长距离模式的不同环境中出现误差。同样，湍流检测方案虽然提供了基于规则的检测[16]，但受到二进制或分类输出的约束，无法提供精确安全干预所需的精细定量EDR值。核心研究障碍包括：无法融合多源数据（例如位置、运动学和环境QAR参数）；可解释性不足，从而影响对安全关键应用的信任；以及由于数据变异性而导致的跨航空公司可扩展性差。这些差距迫切需要一种创新的方法，该方法结合了变换域特征提取和混合深度学习技术，同时捕获局部和全局依赖性，以实现准确、可解释和可泛化的EDR估计。

因此，本研究引入了一种基于人工智能的数据驱动方法来估计EDR，旨在提供NCAR产品的替代方案，并提高飞行中湍流的识别能力。该方法将中国东方航空的QAR数据与NCAR算法在湍流事件期间得出的相应EDR值相关联。它从QAR数据中提取湍流的物理特征，并应用AI技术来估计EDR值。此外，还基于物理原理评估了该方法的可解释性。通过利用多样化的QAR数据集，该方法能够在各种飞行路线上实现精确的EDR估计。

相关工作

EDR提供了一种与飞机类型或飞行条件无关的标准化湍流强度度量标准。自2001年以来，国际民航组织（ICAO）已将EDR作为飞机湍流报告的标准[4]。目前，NCAR开发的商业EDR估计算法与观测到的湍流数据吻合良好。除了商业解决方案外，研究人员还研究了其他EDR估计技术。

数据集构建模块

QAR数据包含了进行EDR估计所需的全面飞行参数。为了阐明我们EDR估计算法所选参数[26]，表1总结了缩写、全名及其与湍流分析的相关性。

所使用的EDR数据标签采用了中国东方航空实施的NCAR算法（EDR下行链路）。该算法的触发机制控制EDR数据的下行传输，原始数据每20分钟传输一次。

特征参数

当飞机遇到湍流时，相关的主要参数在3.1节中有详细说明。在本研究中，我们使用了中国东方航空提供的下行链路EDR样本以及中国民用航空研究院（CAST）的QAR数据。

从中国东方航空收集的EDR样本涵盖了大约1,500次航班的数据，涵盖了2021年1月至12月中国主要国内航线的飞行数据。时间覆盖范围在四个季节中均匀分布。

可解释性分析和物理一致性

在对模型进行分析和评估之后，有必要检查各种参数对EDR估计的影响，以全面了解EDR。选择XGBoost模型作为SHAP（Shapley Additive exPlanations）分析的解释模型（EM），以阐明特征的重要性。SHAP分析的结果如图13所示。

图13(a)显示了对EDR估计影响最大的前四个特征：VRTG_cD_Energy

结论与讨论

本研究的目的是开发一种使用QAR数据估计EDR的方法。采用Transformer–GRU模型来拟合和估计EDR，同时利用SHAP值来探索模型参数的可解释性。主要结论如下：

1.

通过利用运营数据，Transformer–GRU模型通过捕获关键特征和建模时间序列有效地估计了EDR。低训练误差、低MSE以及R2值超过0.5

CRediT作者贡献声明

庄子博：撰写 – 原始草稿、可视化、软件、方法论、正式分析。

于振宇：方法论、正式分析。

李毅：数据管理。

顾文瀚：资源获取、调查、数据管理。

陈朴伟：撰写 – 审稿与编辑、调查、资金获取、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

致谢

作者衷心感谢天津市自然科学基金（项目编号：25JCZDJC00280）、国家自然科学基金（项目编号：42575206）和中央高校基本科研业务费（项目编号：3122025096）提供的支持和资金。