基于航跡數(shù)據(jù)的空中交通綠色績效計(jì)算分析

魏志強(qiáng),韓孝蘭,胡 楊,張文秀

?

基于航跡數(shù)據(jù)的空中交通綠色績效計(jì)算分析

魏志強(qiáng)1*,韓孝蘭1,胡 楊1,張文秀2

(1.中國民航大學(xué)空管學(xué)院,天津 300300；2.廈門航空有限責(zé)任公司運(yùn)行控制部,福建 廈門 361011)

為定量、直觀地反映空管運(yùn)行指揮對飛機(jī)溫室效應(yīng)的影響,首先基于快速存取記錄器(QAR)記錄數(shù)據(jù)建立飛行參數(shù)與飛行軌跡的BP神經(jīng)網(wǎng)絡(luò)匹配模型;然后基于QAR數(shù)據(jù)對模型進(jìn)行驗(yàn)證;之后建立了溫室效應(yīng)表征參數(shù)計(jì)算模型;最后根據(jù)雷達(dá)模擬機(jī)上的飛行航跡試驗(yàn)數(shù)據(jù),估算出污染物排放量和總溫變潛勢大小,并對不同管制員的指揮差異性進(jìn)行對比分析. 結(jié)果表明,利用油耗估算模型計(jì)算得到的燃油流量估算值和QAR記錄的真實(shí)值之間的相對誤差不超過2%,運(yùn)用油耗指標(biāo)與溫室效應(yīng)指標(biāo)評估管制員水平結(jié)果不同.研究結(jié)果可以用于定量分析空管運(yùn)行對溫室效應(yīng)的影響.

航空運(yùn)輸；溫室效應(yīng)；BP神經(jīng)網(wǎng)絡(luò)；油耗估算；航跡數(shù)據(jù)

隨著航空業(yè)的發(fā)展,民航飛機(jī)產(chǎn)生的CO2和NO排放對全球溫室效應(yīng)的影響日益受到關(guān)注.在空中交通績效評估方面,國外將污染物的排放量引入了績效評估體系,但未考慮到溫室效應(yīng)的影響.例如,Reynolds建立了基于飛行效率的空管績效評估方法,同時將油耗和環(huán)境影響引入評估體系[1];國內(nèi)主要集中在安全方面,馬躍飛等[2]提出了基于多子網(wǎng)語言決策圖的群體評估模型,能夠評估空管體系的綜合績效水平;韓豫斌等[3]建立基于改進(jìn)的模糊物元分析法的安全績效評估模型,對空中交通管制系統(tǒng)的安全性進(jìn)行量化描述.

在飛機(jī)環(huán)境評估方面,國際民航組織(ICAO)建立了飛機(jī)起降循環(huán)(LTO)基準(zhǔn)排放模型[4];Cook等[5]提出了動態(tài)成本指數(shù)的概念來研究不同污染物之間的權(quán)重關(guān)系;韓博等[6-7]對飛機(jī)起飛過程細(xì)粒子排放特征,以及飛行全過程污染物排放特性做了研究; Shine等[8]為衡量污染物氣體對溫室效應(yīng)的影響建立了全球溫變潛勢計(jì)算模型;Wild等[9]針對飛機(jī)污染物排放提出了NO的輻射強(qiáng)迫計(jì)算方法; Sridhar等[10]基于以上提出的溫室效應(yīng)計(jì)算模型綜合分析了CO2和尾跡云對溫室效應(yīng)的影響.上述研究實(shí)現(xiàn)了對飛機(jī)排放和溫室效應(yīng)的估算,但未涉及空管運(yùn)行對飛機(jī)產(chǎn)生溫室效應(yīng)的影響.

在飛行參數(shù)與飛行軌跡的匹配與關(guān)聯(lián)性研究方面,Khadilkar等[11]運(yùn)用飛行數(shù)據(jù)記錄儀的數(shù)據(jù)建立了針對飛機(jī)滑出階段能量平衡原理的燃油消耗估計(jì)模型;Tolga運(yùn)用基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)建立了飛行階段燃油流量計(jì)算模型[12];溫瑞英等[13]利用工程化計(jì)算方法對民用飛機(jī)巡航性能進(jìn)行了優(yōu)化分析;曹惠玲等[14]運(yùn)用多元回歸分析方法建立了爬升階段燃油流量的回歸模型.這些模型在進(jìn)行油耗計(jì)算時,需要用到很多飛行參數(shù),其中絕大多數(shù)在空管的雷達(dá)記錄數(shù)據(jù)中不存在,不能運(yùn)用到空管方面的燃油分析.

BP神經(jīng)網(wǎng)絡(luò)是一種由大量的節(jié)點(diǎn)(神經(jīng)元)和節(jié)點(diǎn)之間的加權(quán)連接而成的應(yīng)用最為廣泛的網(wǎng)絡(luò)運(yùn)算模型[15].歐韜等[16]基于神經(jīng)網(wǎng)絡(luò)對民航安全態(tài)勢進(jìn)行評估與仿真,徐濤等[17]建立基于神經(jīng)網(wǎng)絡(luò)集成的單個飛行事件噪聲預(yù)測模型.快速存取記錄器(QAR)存儲了包括燃油流量參數(shù)在內(nèi)的大量飛機(jī)參數(shù)數(shù)據(jù),但由于QAR數(shù)據(jù)涉及到航空公司的飛行細(xì)節(jié)和核心商業(yè)利益,不能共享給其他民航單位,致使在空管指揮運(yùn)行中無法使用QAR數(shù)據(jù)來進(jìn)行空管運(yùn)行質(zhì)量分析.

本文首先從QAR數(shù)據(jù)中提取出與雷達(dá)記錄格式相同的數(shù)據(jù)(主要是飛行軌跡數(shù)據(jù)),形成偽雷達(dá)數(shù)據(jù),從QAR數(shù)據(jù)中得到與偽雷達(dá)數(shù)據(jù)相匹配的飛機(jī)油耗參數(shù),構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的飛機(jī)油耗與飛行軌跡匹配模型;然后建立溫室效應(yīng)表征參數(shù)計(jì)算模型;之后根據(jù)構(gòu)建的油耗匹配模型和溫室效應(yīng)表征參數(shù)計(jì)算模型,利用管制員在模擬機(jī)中的雷達(dá)記錄數(shù)據(jù)計(jì)算飛機(jī)引起溫室效應(yīng)的總溫變潛勢.上述研究可定量評估空管運(yùn)行對溫室效應(yīng)的影響,為提升空中交通運(yùn)行質(zhì)量提供參考.

1 飛機(jī)燃油流量估算模型

1.1 研究方法

研究采用3層神經(jīng)網(wǎng)絡(luò),即輸入層、隱含層、輸出層,共5個輸入元(P1, P2, P3 , P4, P5), 分別表示地速、氣壓高度、航向、爬升率和轉(zhuǎn)彎角速度5個參數(shù);一個輸出元(Y),即燃油流量.

輸入層和輸出層的節(jié)點(diǎn)數(shù)分別為5和1,根據(jù)經(jīng)驗(yàn)得出隱含層節(jié)點(diǎn)數(shù)的取值范圍為[6,20].隱含層的傳遞函數(shù)采用logsig,輸出層的傳遞函數(shù)采用purelin,BP網(wǎng)絡(luò)的學(xué)習(xí)算法采用trainbr,訓(xùn)練目標(biāo)設(shè)定為0.001,最大訓(xùn)練次數(shù)設(shè)為20000.經(jīng)過不斷調(diào)試、校驗(yàn)、修改和訓(xùn)練,確定隱含層節(jié)點(diǎn)數(shù)為18,網(wǎng)絡(luò)的誤差降到了1.0′10-3以下,建模完成.訓(xùn)練過程中網(wǎng)絡(luò)誤差性能的變化如圖1所示.

圖1 訓(xùn)練過程中網(wǎng)絡(luò)誤差性能的變化 Fig.1 Variation of network error performance in the training process

1.2 數(shù)據(jù)來源

燃油流量是排放量計(jì)算的基礎(chǔ).為此首先搜集航班QAR數(shù)據(jù),選取爬升階段的數(shù)據(jù),通過作圖示意確定爬升的結(jié)束點(diǎn),進(jìn)而選取爬升階段的數(shù)據(jù).之后對新的QAR數(shù)據(jù)加工處理得到含有地速、氣壓高度、航向、爬升率、轉(zhuǎn)彎角速度和總?cè)加土髁康臄?shù)據(jù)庫.具體公式如下:

之后對QAR數(shù)據(jù)中的異常點(diǎn)進(jìn)行處理,對于一些爬升率為負(fù)值的點(diǎn),使其值為0;然后,利用公式(3)對每組參數(shù)的數(shù)據(jù)進(jìn)行歸一化處理,將其轉(zhuǎn)化為[0,1]之間的數(shù)據(jù),以防止樣本值過大,可以提高結(jié)果的精確度,同時還可以加快訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)時的收斂速度.

表1 每個參數(shù)的xmax、xmin值 Table 1 the maximum and minimum values of each parameter

1.3 結(jié)果與討論

利用樣本QAR數(shù)據(jù),輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行初步檢驗(yàn),得到歸一化后數(shù)據(jù)的真實(shí)曲線與預(yù)測曲線如圖3所示.實(shí)線表示真實(shí)曲線,虛線表示預(yù)測曲線.橫坐標(biāo)表示時間,縱坐標(biāo)表示未反歸一化的燃油流量.

通過計(jì)算真實(shí)數(shù)值與預(yù)測數(shù)值之間的絕對誤差為0.02,相對誤差極小,可以看作為0,因此神經(jīng)網(wǎng)絡(luò)模型對各個樣本的診斷結(jié)果均正確.

圖2 真實(shí)曲線和預(yù)測曲線對比 Fig.2 curves ofreal value and predicted value

為進(jìn)一步分析估算模型的精度,將另一組航班的QAR數(shù)據(jù)轉(zhuǎn)化為含有航向、氣壓高度、地速、轉(zhuǎn)彎角速度、爬升率5個參數(shù)的偽雷達(dá)數(shù)據(jù),輸入模型,得到估算值.

通過公式(4)反歸一化估算出每一時刻的燃油流量;

利用估算值和QAR記錄的真實(shí)值,按照時間積分方法,分別得到估算燃油消耗量和真實(shí)燃油消耗量,將2組數(shù)據(jù)進(jìn)行對比檢驗(yàn)?zāi)Ｐ偷木?

基于航跡估算出的燃油流量和QAR文件中記錄的燃油流量數(shù)據(jù)對比如圖3所示.

在圖3中,由于數(shù)據(jù)包含了一部分巡航階段的數(shù)據(jù),而本文模型主要針對于飛機(jī)的離場爬升階段,在最后十幾秒(進(jìn)入了平飛巡航階段)的真實(shí)值與估計(jì)值差距較大.由圖3可知,在爬升階段,利用模型得到的估算值和QAR記錄的真實(shí)值之間的相對誤差不超過2%,表明真實(shí)值和估算值基本吻合,因此證實(shí)本研究所建立的模型可以估算燃油消耗和排放數(shù)據(jù).

2 溫室效應(yīng)表征參數(shù)計(jì)算模型

2.1 發(fā)動機(jī)LTO排放模型

發(fā)動機(jī)的污染物排放量取決于發(fā)動機(jī)類型、燃油消耗量和排放指數(shù).發(fā)動機(jī)廠家提供的基準(zhǔn)排放指數(shù)數(shù)據(jù)如表2所示.

表2 CFM56-7B26發(fā)動機(jī)基準(zhǔn)排放數(shù)據(jù) Table 2 Basic emission indexes of CFM56-7B26engine

CO2是巡航過程中對環(huán)境影響最大的氣體,其排放量與燃油消耗量成正比,計(jì)算如下.

NO的基準(zhǔn)排放數(shù)據(jù)只代表了4種固定推力在基準(zhǔn)條件下的排放指數(shù),且僅在高度1000m以下有效.因此需要根據(jù)具體的飛行條件,對基準(zhǔn)排放指數(shù)進(jìn)行修正,得到實(shí)際排放指數(shù).

2.2 排放指數(shù)修正模型

(1)數(shù)據(jù)曲線擬合

將表1發(fā)動機(jī)基準(zhǔn)數(shù)據(jù)中的燃油流量和對應(yīng)的NO排放指數(shù)繪制在雙對數(shù)坐標(biāo)系中,并對NO與單發(fā)燃油流量在該坐標(biāo)系下進(jìn)行線性擬合,進(jìn)而建立Wff-EIR擬合曲線,如圖4所示.

圖4 雙對數(shù)坐標(biāo)系下的線性擬合示意Fig.4 Schematic diagram for linear fit on the log10 paper

(2)基準(zhǔn)燃油流量

將飛機(jī)的實(shí)際燃油流量換算成ISA、0m條件下的基準(zhǔn)燃油流量ff,即

式中:f為實(shí)際燃油流量,kg/h;為外界大氣壓強(qiáng)與標(biāo)準(zhǔn)海平面大氣壓強(qiáng)之比;為外界溫度與標(biāo)準(zhǔn)海平面大氣溫度之比;為馬赫數(shù).

(3)計(jì)算排放指數(shù)

在雙對數(shù)坐標(biāo)系下對基準(zhǔn)燃油流量進(jìn)行線性插值,得到相應(yīng)的基準(zhǔn)排放指數(shù).在圖1中,已知4個飛行階段的燃油流量和NO指數(shù),將基準(zhǔn)燃油流量ff代入式(6)即可計(jì)算出基準(zhǔn)燃油流量所對應(yīng)的基準(zhǔn)排放指數(shù)RI.

實(shí)際排放指數(shù)計(jì)算如下:

NO的排放量計(jì)算如下:

2.3 溫室效應(yīng)表征模型

文獻(xiàn)[5-7]通過定量計(jì)算飛機(jī)排放的污染物量來評估飛行對環(huán)境的影響,但根據(jù)文獻(xiàn)[8]的研究可知,不同的溫室氣體具有不同的輻射效率和生命周期,造成的增溫效果也不同.因此需要建立溫室效應(yīng)表征模型,進(jìn)一步評估飛行對環(huán)境的影響. 本文使用絕對脈沖全球溫變潛勢(APGTP)作為溫室氣體的表征參數(shù).APGTP是瞬時釋放的某一溫室氣體在未來某時間造成的全球平均表面溫度的變化,具體計(jì)算如下:

其中

將式(11)代入式(10),得

根據(jù)式(5)和(9)分別計(jì)算出單位時間內(nèi)飛機(jī)產(chǎn)生的CO2和NO的排放量,隨后根據(jù)式(12)即可計(jì)算出單位時間內(nèi)飛機(jī)飛行造成的全球總溫變潛勢,代表溫室氣體在未來某給定時間造成的溫度變化趨勢.

總溫變潛勢D計(jì)算如式(13)所示.

式中:D為總溫變潛勢,K.

3 管制員指揮效果評價分析

圖5 算例計(jì)算流程 Fig.5 Flowchart of calculation examples

為了具體分析管制員個體技能對飛機(jī)油耗與溫室效應(yīng)的影響,在實(shí)驗(yàn)室的雷達(dá)管制模擬機(jī)上,由8名優(yōu)秀的一線管制員在相同的模擬環(huán)境下分別進(jìn)行管制指揮.具體訓(xùn)練環(huán)境為中低空爬升段,共7個離場飛機(jī).基于采集的飛機(jī)航跡數(shù)據(jù),使用燃油流量估算模型和溫室效應(yīng)表征參數(shù)模型進(jìn)行油耗、污染物排放量及總溫變潛勢計(jì)算,具體計(jì)算流程如下圖所示.

圖6表示不同管制員指揮下所有航班的油耗和排放量對比情況.

圖6 不同管制員指揮下的總油耗和總排放量情況 Fig.6 Total fuel consumption and emissions under the command of different controllers

圖7表示不同管制員指揮下所有航班的油耗和總溫變潛勢對比情況.

圖7 不同管制員指揮下的總油耗和總溫變潛勢情況 Fig.7 Total fuel consumption and temperature change potential under the command of different controllers

通過對圖6、7對比可知,污染物排放量和總溫變潛勢相對于總油耗的變化趨勢不同.因此需要進(jìn)一步分析不同管制員指揮下的總溫變潛勢情況.

在油耗指標(biāo)方面,由圖7可知,4號管制員燃油量最低,與1號管制員相比,要節(jié)油558kg,是最節(jié)油的管制員,相反1號為最費(fèi)油的管制員.管制員的指揮技能由優(yōu)到劣為:4,5,8,7,3,2,6,1號.

在溫室效應(yīng)表征參數(shù)方面,由圖7可知,8號管制員總溫變潛勢最低,1號為對溫室效應(yīng)影響最大的管制員,管制員的指揮技能由優(yōu)到劣為:8,4,2,5,7,3,6,1號.CO2的排放指數(shù)與環(huán)境因素?zé)o關(guān),與油耗成正比關(guān)系,油耗越大,其排放量和總溫變潛勢越大.

由于每個管制員的個體差異,在指揮的過程中,會造成同一位置環(huán)境條件下飛機(jī)燃油流量和油耗的不同,進(jìn)而造成不同污染物的排放量的不同,最終使得總溫變潛勢存在差異.CO2和NO是污染物排放的關(guān)鍵污染物,占總污染物量的99%以上,過多排放會造成海平面上升,使溫室效應(yīng)加劇.因此,可以通過提升管制員技能來控制空管運(yùn)行對溫室效應(yīng)的影響.

4 結(jié)論

4.1 CO2和NO的排放與飛機(jī)油耗成正相關(guān)性,是航空污染物排放的主力.

4.2 按油耗指標(biāo)對管制員的排序結(jié)果與按溫室效應(yīng)指標(biāo)的排序結(jié)果并不完全一致.在管制員評價中,不能僅僅只考慮管制工作對飛機(jī)油耗的影響.

4.3 管制員的個體技能差異會對總溫變潛勢產(chǎn)生一定的影響,通過提升管制員技能可以控制空管運(yùn)行對溫室效應(yīng)的影響.

[1] Reynolds T G. Air Traffic Management Performance Assessment Using Flight Inefficiency Metrics [J]. Transport Policy, 2014,34:63-74.

[2] 馬躍飛,陳 峰,姚 頔,等.基于多子網(wǎng)語言決策圖的空管體系績效評估[J]. 國防科技大學(xué)學(xué)報, 2017,39(6):134-142.Ma Yue-fei, Chen Feng, Yao Di, et al. Air Traffic Management System Performance Evaluation Based on Linguistic Decision Map with Multi-subnets [J]. Journal of National University of Defense Technology, 2017,39(6):134-142.

[3] 韓豫斌,樸春子.空中交通管制系統(tǒng)安全績效評估模型研究[J]. 航空工程進(jìn)展, 2016,7(4):477-483.Han Yu-bin, Piao Chun-zi. Research on Safety Performance Assessment Model of ATC (Air Traffic Control) Syetem [J]. Advances in Aeronautical Science and Engineering, 2016,7(4):477-483.

[4] ICAO. Montreal: International Civil Aviation Organization [R]. Airport Air Quality Manual, 2011:38-39.

[5] Cook A, Tanner G, Williams V, et al. Dynamic Cost Indexing Managing Airline Delay Costs [J]. Journal of Air Transport Management, 2010:26-35.

[6] 韓 博,劉雅婷,譚宏志,等.一次航班飛行全過程大氣污染物排放特征 [J]. 環(huán)境科學(xué)學(xué)報, 2017,37(12):4492-4502.Han Bo, Liu Ya-ting, Tan Hong-zhi, et al. Emission characterization of civil aviation aircraft during a whole flight [J]. Acta Scientiae Circumstantiae, 2017,37(12):4492-4502.

[7] 韓 博,劉雅婷,陳 鑫,等.民航飛機(jī)起飛過程細(xì)粒子排放特征[J]. 中國環(huán)境科學(xué), 2017,37(5):1620-1627.Han Bo, Liu Ya-ting, Chen Xin, et al. Fine particles emission characterization of civil aviation aircraft during takeoff [J]. China Environmental Science, 2017,37(5):1620-1627.

[8] Shine K P, Fuglestvedt J S, Hailemariam K, et al. Alternatives to the global warming potential for comparing climate impacts of emissions of greenhouse gases [J]. Climatic Change, 2005,68:281- 302.

[9] Wild, Prather O, Akimoto M J, et al. Indirect long-term global radiative cooling from NOemissions [J]. Geophysical Research Letters, 2001,28(9):1719-1722.

[10] Sridhar B, Ng H K, Chen N Y. Integration of linear dynamic emission and climate models with air traffic simulations [R]. AIAA Guidence, Navigation, and Control Conference, 2012,4756:13-16.

[11] Khadilkar H, Balakrishnan H. Estimation of aircraft taxi fuel burn using flight data recorder archives [J]. Transportation Research Part D Transport & Environment, 2012,17(7):532-537.

[12] Tolga B. Modeling the fuel flow-rate of transport aircraft during flight phases using genetic algorithm-optimized neural networks [J]. Aerospace science and technology, 2016,49(3):52-62.

[13] 溫瑞英,魏志強(qiáng),王紅勇,等.民用飛機(jī)巡航性能計(jì)算研究[J]. 飛行力學(xué), 2015,4:289-292.Wen Rui-ying, Wei Zhi-qiang, Wang Hong-yong, et al. Calculation and analysis on cruising performance of civil aircraft [J]. Flight Dynamics, 2015,4:289-292.

[14] 曹惠玲,賈 超.基于QAR的飛機(jī)爬升階段燃油流量回歸模型研究[J]. 中國民航大學(xué)學(xué)報, 2013,3:31-35.Cao Hui-ling, Jia Chao. Research of fuel flow regression model of aircraft climb phase based on QAR [J]. Journal of Civil Aviation University of China, 2013,3:31-35.

[15] Yan T S. An Improved genetic algorithm and its blending application with neural network [C]//Proceedings of International Workshop on Intelligent Systems and Applications, 2010:1-4.

[16] 歐 韜,周長春.基于神經(jīng)網(wǎng)絡(luò)的民航安全態(tài)勢評估模型及仿真[J]. 中國安全生產(chǎn)科學(xué)技術(shù), 2011,7(2):34-41.Ou Tao, Zhou Chang-chun. Situation assessm ent model of civil aviation safety based on neural network and its simulation [J]. Journal of Safety Science and Technology, 2011,7(2):34-41.

[17] 徐 濤,燕憲金,楊國慶,等.基于神經(jīng)網(wǎng)絡(luò)集成的單個飛行事件噪聲預(yù)測模型 [J]. 中國環(huán)境科學(xué), 2014,2:539-544.Xu Tao, Yan Xiao-jin, Yang Guo-qing. Prediction model of noise event for single flight based on neural network ensemble [J]. China Environmental Science, 2014,2:539-544.

Calculation and analysis of air traffic green performance based on flight trajectory data.

WEI Zhi-qiang1*, HAN Xiao-lan1, HU Yang1, ZHANG Wen-xiu2

(1.College of Air Traffic Management, Civil Aviation University of China, Tianjin 300300, China；2.Department of Operation Control, Xiamen Airlines, Xiamen 361011, China)., 2019,39(3)：988~993

In order to study the impact of ATC operations on the aircraft’s greenhouse effect quantitatively and visually, firstly, the BP neural network matching model of flight parameters and flight trajectory was established based on the quick access recorder (QAR) data. Secondly, the model was verified based on the QAR data. Then the greenhouse effect characterization parameter calculation model was established. Finally, pollutant emissions and total temperature change potential were estimated based on the test data of flight track on the radar simulator, and the differences in the command of different controllers were compared and analyzed afterward. The results show that the relative error between the estimated fuel flow calculated by the estimation model of fuel consumption and the real value recorded by QAR was less than 2%. The results of evaluating controllers’ performance by using fuel consumption and greenhouse effect index were different. The research results can be used to quantitatively analyze the impact of ATC operations on the greenhouse effect.

air transportation；greenhouse effect；BP neural network；estimation of fuel consumption；flight trajectory data

X738

A

1000-6923(2019)03-0988-06

魏志強(qiáng)(1979-),男,河南澠池人,副教授,博士,主要研究方向?yàn)轱w機(jī)性能與飛行仿真.發(fā)表論文25篇.

2018-08-03

國家自然科學(xué)基金項(xiàng)目(U1533116,U1633125);天津市自然科學(xué)基金項(xiàng)目(18JCYBJC23800)

* 責(zé)任作者, 副教授, weizhiqia@sina.com