大數據讓飛行更安全

舒平

“大數據”作為時下最火熱的IT行業詞匯，隨之而來的數據倉庫、數據安全、數據分析、數據挖掘等等圍繞大數據商業價值的利用逐漸成為各行業人士爭相追捧的焦點和熱點。

研究機構Gartner對于“大數據”（Big data）給出了這樣的定義：“大數據”是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力的海量、高增長率和多樣化的信息資產。

隨著谷歌Map Reduce和Google File System （GFS）的發布，大數據不僅只用來描述大量的數據，還涵蓋了處理數據的速度等方面。因此，“大數據”除了具有大量（Volume）、高速（Velocity）、多樣（Variety）、真實（Veracity）等特征外，更多的是體現數據的價值（Value），沒有價值的數據最多稱之為“大量的數據”，而不能叫做“大數據”。而我們使用的飛行品質數據同樣具有以上這些特征。

飛行事故帶來的思考

回顧那些歷史上發生的空難，每一次的搜救和調查過程都對航空史有著巨大的影響。導致空難的原因有很多，如果時光倒流，這樣的事故又是否能夠規避呢？

法航AF447空難

2009年6月1日，法國航空A330-203/F-GZCP號飛機在執行AF447航班任務時，在巴西圣佩德羅和圣保羅島嶼附近墜毀，機上216名乘客以及12名機組人員全部罹難。此空難為法國航空成立以來最嚴重的空難，亦是A330最嚴重及首次商業飛行空難。

法國航空事故調查局（BEA）給出此次空難原因是：測量空速的皮托管失效后，副駕駛操作失誤導致飛機失速墜海。該飛機皮托管制造商為泰雷茲公司，在2003至2008年間，歐洲航空安全局（EASA）收到17宗裝在A330/340客機上的泰雷茲C16195AA皮托管故障報告，但泰雷茲堅稱他們的皮托管通過安全測試，能在極端天氣下運行。早在2007年9月，空客建議把C16195AA皮托管更換為C16195BA皮托管，后者更能提供結冰保護。但直到發生AF447航班事故后的2009年8月，法航才把所有空中客車機隊的皮托管更換為BA型。這是一起典型的機件故障引發的空難。

如果有針對17宗裝在A330/340客機的泰雷茲AA皮托管故障報告及其相關飛行品質數據分析，在建立飛行數據模型的基礎上，是否能夠得出其影響程度，從而提前告知飛行員？答案是肯定的。

巴西天馬航空3054航班空難

2007年7月17日傍晚時分，巴西天馬航空A320-233/PR-MBK號飛機執行JJ3054航班任務，大雨中在降落圣保羅孔戈尼亞斯國際機場35L跑道時，因飛機右發反推失效，跑道道面濕滑，加上機場跑道太短（1940米），飛機失控沖出跑道末端、穿越機場圍界和一條高峰時段的高速公路之后，撞入天馬航空在加油站附近的辦公大樓并起火。機上181位乘客、6位機組人員及12名地面人員共199人在事故中喪生。

2008年11月，有關當局發表了一份2500頁的報告，詳細指出機長、空客公司、天馬航空及機場均需為空難負責。尤其指出，機場當局在跑道附近施工卻沒有做好排水，在空難發生當晚，在滂沱大雨下仍不關閉該跑道，屬于嚴重失職。這是一起典型的機場因素導致的空難。如果有針對35L跑道各種天氣情況下的飛行品質數據分析，是否能夠引起機場方面的足夠重視，至少給機長一個放心落地的理由？答案是肯定的。

科爾根航空3407航班事故

2009年2月12日晚上，美國科爾根航空DHC-8-400/N200WQ飛機執行新澤西的紐瓦克自由國際機場至紐約的水牛城布法羅尼亞加拉國際機場3407航班任務，由于機組過度疲勞，在飛機出現結冰減至失速速度時，機組操作失誤導致飛機失速墜落，機上44名乘客、5名機組人員及1名地上的居民共50人死亡。

2010年2月10日，美國國家運輸安全委員（NTSB）發表了最后調查報告，指出空難成因是機組失誤。過度疲勞是重要致因，兩名機師缺乏足夠及有質量的睡眠疲勞飛行，導致在失速中做出一系列反常動作。這是一起典型的由于機組疲勞導致的空難。如果有針對科爾根航空公司所屬飛行員的駕駛行為分析數據，是否能夠更早的發現疲勞駕駛問題？答案是肯定的。

河南航空8387航班空難

2010年8月24日20時51分，河南航空J190-100LR/B-3130號飛機執行VD8387航班任務，在伊春林都機場實施30號跑道VOR/DME進近過程中，在跑道入口端外1110米處擦樹，最終撞毀在30號跑道入口端外跑道延長線690米處，造成機上96人（其中乘客91人，機組5人）中44人（其中乘客41人，機組3人）死亡。

2012年6月29日，國家安全生產監督管理總局發布空難調查報告，認定空難直接原因：機長違反飛行手冊，在低于公司最低運行標準的情況下，仍然實施進近；飛行機組違反規定，在飛機進入輻射霧后，飛行機組失去著陸所必需的目視參考的情況下，仍然穿越最低下降高度實施著陸；在撞地前出現無線電高度語音提示后，仍未采取復飛措施，導致飛機撞地。

飛行員駕駛作風和習慣是導致該起事故的主要因素。事后在分析該機長以往QAR監控事件時，發現其“最終進近下降率大”的三級事件發生率是全公司所有飛行員中最高的。如果早前針對該飛行員，甚至所有飛行員進行了定期的駕駛習慣、行為分析，是否能夠提早的為其敲響警鐘？答案是肯定的。如果之前做過相關數據分析，這些災難本可避免。

開展飛行品質監控基站建設

飛行品質監控是國際上公認的保證飛行安全的重要手段之一，已得到世界民航業的普遍認可。為提高航空安全水平，中國民航從1997年開始實施QAR監控項目，目前基于手機無線網的無線QAR（WQAR）已經十分成熟，并大量安裝在我國的民用運輸飛機上。

正是在這一大背景下，民航局決定在中國民航科學技術研究院開展飛行品質監控基站建設。WQAR數據由各個運輸航空公司進行采集，之后通過直接、間接兩種方式傳至民航飛行品質監控基站。自此開始，整個飛行品質監控基站的數據處理工作可分為數據接收、譯碼及監控、飛行品質數據在線分析以及報表發布及瀏覽四個階段。

地面接收站接收到通過專線傳來的WQAR數據后，AGS等譯碼監控工具開始工作，產生的結構數據文件直接進入數據倉庫用于日常分析使用；產生的工程值文件進入Hadoop分布式文件系統進行存儲，待有特定需求時，從其中提取相應數據進入數據倉庫，用作在線分析使用。在線分析系統針對飛行品質數據倉庫中的數據進行在線分析，產生各種預定義以及自行定義的報表，并發布在飛行品質監控（FOQA）門戶網站上，供有權限的特定用戶瀏覽。

基于飛行品質數據建立分析模型

通過對飛行品質數據倉庫中的數據進行集中分析處理后，建立各種分析模型，除了提供事件監控外，還在人、飛機、環境、管理等多角度提供輔助，不僅能提高飛行安全性，還能提高安全管理水平。分析模型體現了飛行品質數據分析的最大價值。

飛機數據模型

通過模型計算出當某個零部件失效、半失效狀態下，飛機的行為特征，進而總結出機長正確的應對方式。例如，出現“AA皮托管故障”時，“飛機電子中央監控系統（Electronic Centralized Aircraft Monitor，ECAM）顯示最高速度，但沒有顯示最低速度……”，“機組應壓低機頭以增加飛行速度防止失速”。

機場數據模型

通過模型可以計算出某個跑道在不同的天氣（雨、雪、風、霜）條件下，各種機型的著陸滑跑距離，從而總結出機場跑道的開放/關閉條件。例如，如果通過模型計算出相當比例的A320飛機在大雨中的濕滑跑道上著陸滑跑距離超過1500米，則下大雨時，A320飛機不宜在著陸可用距離（LDA）小于2000米的跑道上著陸。

機長數據模型

通過模型可以計算出各個航班操作飛行員（PF）在各個飛行階段的超限事件發生率及其分布狀況，從而有針對地總結出合格或基本合格PF的平均水平和分布區間。例如，如果通過模型計算出某些PF的操作水平異于大數據統計下的平均水平和分布區間，對這樣的飛行員就要慎重使用并加強培訓。

發動機空停數據

通過模型可以計算出各類發動機空停前一個或幾個航班的相關參數表現，從而建立起導致各類空停的參數特征并找出最為敏感的一個或多個參數，總結出預防發動機空中停車的預測模型和檢查方案，減少發動機空中停車的發生。例如，如果通過模型計算出某臺發動機相關參數與空停預測模型的參數特征類似，就可以通過相應的檢查方案進行檢查，將發生空停的風險盡量消滅在地面。

如果我們能夠針對之前所有事故或嚴重事故征候進行有針對性分析并建模，應用飛行品質的大數據進行檢驗和驗證，并計算出各種狀態下的平均水平和正常、基本正常區間，那么其安全價值將無限大，正如國際民航組織《安全管理手冊》插圖所展示的安全管理的業務轉型：通過對飛行品質數據的建模與分析，由出現事故/事故征候后進行調查分析的“事后諸葛亮”模式轉變為建立模型——預期結果——發現問題的“前知五百年，后知五百載”的諸葛孔明預測模式為主，為保障民航的持續安全提供可靠的“大數據”支撐。