航班運行風險網絡的傳播與控制改進

2021-08-23 12:47:54王巖韜

系統工程與電子技術 2021年9期

王巖韜,楊拯

(1.中國民航大學空管學院,天津 300300;2.四川航空股份有限公司運行風險控制中心,四川成都 610202)

0 引言

航班運行風險是發生概率與后果嚴重程度的乘積[1]。由于涉及生命難以定量計算,為此中國民航參照國際民航組織安全管理體系[2],于2015年建立了適用于我國國情的航班運行風險體系,其中包含詳細的風險矩陣與賦值。

針對航班運行風險影響種類、形式、數目繁多且隨條件不斷改變等復雜特點,通過對風險形成、傳播過程的機理性分析和研究,構建了科學的風險管控方法,是提高安全水平的必要措施。國外民航的風險管控研究聚焦于風險評估,2007年左右已有實用性成果[3-4],而近年研究方法多以機器學習為特征[5],研究內容也逐步細化至人員疲勞等方面[6],并且無人機飛行風險逐步成為研究熱點[7]。

國內于2014年提出了一套具有普遍性、實用性的風險量化體系[8]。后續,機器學習、信息擴展等算法不斷引入,評估精度于2019年提升至90%[9-11],并且實現了對起飛、巡航、降落等不同飛行階段的短時預測[12]。2015年至今,國內各運輸航空公司均已建設風險管控系統,多年實踐證明風險評估等應用技術問題已得到較好解決,而對于風險產生、傳播與控制過程,目前尚缺乏足夠和深入研究。

深入分析發現,在上述研究方案中存在一種通用假設,即風險因素間關系是樹狀結構。但運行風險實則與氣象條件、機組資質、機場設施、障礙物、飛機維修甚至政策保障等多因素相關,而各因素間通過業務邏輯、數據流轉等相互作用,錯綜交匯形成網狀結構。歐美在民航領域中應用復雜網絡理論已有一定代表性的成果,具體包括:Belkoura通過航空網絡拓撲結構,從機場、機型、航空公司三方面分析了網絡動態特性,并提出網絡結構優化方法[13]。Voltes構建了以機場為節點,航線為邊的航空網并計算網絡脆弱性[14]。Lykou基于航線網絡計算擁堵概率[15]。

國內復雜網絡及動力學傳播理論多用于供應鏈研究,在民航中最早應用于全國航線網[16]、機場網[17],并依此分析延誤與飛行沖突等[18]。近年,邱楊揚建立了飛行區網絡用以分析不停航施工風險傳播路徑[19]。吳明功等通過識別空中交通復雜度用以評價飛行安全與質量[20]。王巖韜等于2020年首次將復雜網絡應用于航班運行風險分析,使用SIR(susceptible-infected-relovered)模型分析了風險傳播變化規律[21]。

進一步分析以往研究過程發現3個問題:① 僅依照Pearson系數等傳統數據相關性構建網絡,會出現較多與業務邏輯不符的連邊;② 假定傳播中節點迅速被感染,而忽略了實際航班運行較多因素未觸發時不影響飛行安全,處于潛伏狀態的事實;③ 以往大多研究關注于網絡傳播過程,對抑制傳播的網絡控制方法研究不夠充分,在控制效果評價中僅關注感染范圍,不能真實準確反應出實際效果。

鑒于以上,使用民航實際運行數據,首次采用偏秩相關系數建立航班運行風險網絡;引入并改進SEIR(susceptible-infected-exposed-recovered)模型,仿真動力學傳播過程,分析各節點在網絡中的傳播效應;定位風險關鍵節點以提升網絡控制效果。研究旨在應用于航班運行中的風險管控工作。

1 復雜網絡節點選取

1.1 數據采集

將航班運行涉及到的各類因素分為飛機維修、機場運行、飛行操作、管制指揮以及潛在風險共5大類,采集民航華北區域365天運行數據,具體包含75個風險項和1個當日總運行狀態。風險取值[1,5)為低風險/可接受狀態;風險取值[5.8)為中風險/緩解后可接受的狀態,風險值[8,10]為高風險/不可接受狀態。各項數據由機務、機場、飛行、空管等單位依照各工種的工作標準記錄,由民航安監部門匯總,如表1所示。因限于篇幅此處僅顯示3天數據。

表1 風險網絡節點Table 1 Risk network node

1.2 數據分析

網絡既會反應節點與節點的關系,同時也會反應節點的自身屬性。均值與標準差可以定量地描述節點風險的水平與波動程度。四舍五入整數化后,采用同心圓式布局如圖1所示。節點大小用以表示風險均值,節點顏色用以表示標準差,標準差與顏色對應關系為:0-綠色、1-藍色、2-黃色、3-橙色、4-紅色。此處為求直觀,圖1標注使用文字,具體如下。

(1)由外層到內層,節點的風險均值從1增大至7。內層節點中,除“機組壓力程度”風險均值為4,其余均值為5。即指標越靠近圓中心,代表越“不安全”。

(2)集中在外層的節點,均為綠色和藍色,風險值小,標準差較小;而集中在內層的節點,為黃、橙、紅色,風險值大,標準差也較大。

(3)大部分節點均值為1～2,或者5～7。沒有風險均值為3的節點,僅有“機組壓力程度”1個節點均值為4。

圖1 節點屬性Fig.1 Node characteristic

分析可見,風險均值較高的內層節點,其標準差也較大,波動明顯,表現出對運行安全影響顯著。而風險均值低的外層節點其標準差小,表示其波動性小,長期表現較為穩定。結合實際航班運行情況,如“安檢”等外層節點對運行安全有影響,但極少發生差錯或不安全事件,在運行數據中會長期穩定在一個較小的數值區間。

因此,按非關系屬性數據分析,節點可分為兩大類:外層的藍綠低風險節點,共51個;內層的黃橙紅高風險節點,共25個。

2 偏秩相關系數建網

2.1 偏秩系數

根據文獻[13-21],計算節點之間相關系數,以此關聯程度去構建加權與連邊是目前較為客觀的建網方式。研究發現,Pearson相關系數法適用于指標間的固定比例變動,容易低估數據間相關性。而Spearman相關系數難以區分直接相關與間接相關,往往導致網絡中“假相關”的連邊出現。此處,采用偏相關系數,控制其余變量,直接得到兩節點間關系,從而剔除中介變量的影響,增強相關系數的可靠性[22]。

任意一個n階偏相關系數(控制n個變量的影響),可由3個(n-1)階偏相關系數得到。而簡單相關系數可視為0階偏相關系數。以一階偏相關系數為例:

(1)

式中:rij,h表示節點i和節點j在控制節點h后的偏相關系數;rij表示節點i與j的簡單相關系數;同理ri h與rjh表示i與h,j與h的簡單相關系數。

計算偏秩相關系數矩陣,P值檢驗標準設為0.05,去掉矩陣對角線及不顯著關系,示例結果如表2所示。

表2 偏秩相關系數矩陣示例Table 2 Example of partial rank correlation coefficient matrix

由上構建網絡,計算網絡參數,如表3所示。為分析網絡組成與連接,使用Modularity探測算法劃分社團類別[23],以不同顏色加以區分,如圖2所示。可見,該網絡共可分為8個社團,且社團分布清晰。

表3 網絡節點參數Table 3 Network node parameters

圖2 風險網絡及社團分布Fig.2 Risk network and community distribution

2.2 風險鏈路

為進一步分析社團內部及社團間作用關系,采用三角最大過濾圖(triangulated maximally filtered graph,TMFG)法對網絡過濾[24],所得結果如圖3所示。每個節點在網絡中所處的位置及主要風險鏈路相比社團劃分結果更為清晰。

圖3 主要風險鏈路圖Fig.3 Main risk link diagram

風險鏈路顯示,該網絡構成相比文獻[21]減少了大量的無效連邊,主干鏈路與實際航班運行吻合度很高,說明了偏秩相關系數建網相比此前文獻更為合理。列舉部分高風險節點連邊如下。

節點50(起落機場天氣)所處位置關鍵,高風險類別的指標如節點21與22(副駕駛與機長飛行經驗能力)通過此點影響到起飛、爬升等重要操縱動作。惡劣天氣會加劇的飛行操作風險,而機組成員具備豐富經驗與能力會降低風險發生。

相比節點22,節點21(機長經驗)與節點38(繞飛)、節點41(著陸)等連接更為緊密,而繞飛、著陸等重要操作是由機長親自操縱完成,與實際運行情況一致。

節點27(機組執勤時間)與節點50、節點26(機組飛行時間)、節點66(目的地機場天氣)連接緊密。而惡劣天氣更易導致飛機無法按時起降,引起機組飛行時間與執勤時間超時,與實際運行情況一致。

節點5(飛機系統檢查)與節點7(航空器放行)、節點3(簽署整機接收)直接決定了節點2(機務人員執勤時間)的狀態,產生差錯最直接影響就是節點64(航路備降)與節點40(進近操作),與實際運行情況一致。

節點10(延程/高原/延伸跨水等能力)直接決定節點58(特殊運行),而節點11(飛機性能衰減情況)與節點57(航路天氣)是特殊運行的最重要限制。因此,此4個節點連接緊密與實際運行情況也完全一致。

3 改進SEIR傳播模型

SIR模型是在SI(susceptible-infected)與SIS(susceptible-infected-susceptible)等較為傳統的病毒傳播動力學模型改進而來,SEIR模型則是通過改進SIR模型提出的,可用于網絡傳播特性分析、節點重要度評價等方面。SEIR模型通過各節點的傳播狀態分析從而實現對網絡風險的評估[25]。

結合民航運行特點與數據分析結果,改造傳統的SEIR模型,使其參數設定與國內航班運行現狀相匹配[26],改進后的傳播規則具體如下。

3.1 傳播規則

(1)初始感染節點

初始感染節點即最早產生風險的節點,如數據來源非官方或不可信、飛行參數計算錯誤、操作操縱出現失誤、決策判斷中出現錯忘漏等。根據第1.2節結果,標準差大的節點其風險均值也高,長期處于不安全狀態。為與實際情況相符,此處設標準差大的節點成為初始感染節點的概率更高,初始感染條件概率如表4所示。節點隨機進入潛伏期,代表風險來源的不可控,第3.2～第4.3節計算開始于此,而后在網絡中傳播。

表4 標準差與條件概率對應關系Table 4 Correspondance between standard deviation and conditional probability

(2)易感節點S

易感節點是指未感染的健康節點,未被風險影響到的節點,但當網絡傳播后,S可能被感染而后進入潛伏期,成為潛伏節點E。感染率由節點的標準差決定,標準差越大,受擾動的可能性越大,感染率越高,即感染率與標準差成正相關關系[27]。因此,依據標準差對節點劃分如表5所示。

表5 標準差與感染率對應關系Table 5 Correspondance between standard deviation and infection rate

(3)潛伏節點E

潛伏節點是指具有潛在風險的節點,代表已受到航班運行某一環節中差錯影響,但尚未在工作中表現出,也暫時未將差錯傳遞出去。節點處于潛伏期,仍具有一定程度免疫能力,此處恢復概率保守設為5%,代表受到航班運行某一環節的差錯影響后,經過核實修正,最終未受影響。

E以一定概率進入感染表現期,成為感染節點I。潛伏期長短由風險均值決定,均值越大,不安全程度越高,受影響后表現越劇烈,進入感染期概率越大[28],其對應關系如表6所示。

表6 均值與進入感染期概率對應關系Table 6 Correspondance between mean and infection probability

(4)感染節點I

感染節點是指已被其他節點的差錯影響,可能顯現出風險的節點。從潛伏期進入感染表現期后,有較強的傳染性,但仍具有一定恢復能力,此處恢復概率保守設為20%,代表即使受到某一環節差錯影響,經正確分析并執行標準程序后未受影響,同時終止了差錯傳遞。

(5)恢復節點R

恢復節點是指已完成風險規避或風險管控的節點,代表差錯被發現,安全風險被有效管控,已規避其對航班運行產生的影響。在一個特定航班中,R不再具有感染能力,也不再被E或I影響。

(6)傳播周期T

傳播周期是指網絡傳播過程的計時單位,該周期與實際飛行航程時間相關,此處不設量綱。從節點被初始感染開始,各節點狀態隨時間變化而變化,每一個時間單位對應一個傳播階段。

3.2 傳播結果

根據第3.1節傳播規則,該網絡經1 000次傳播仿真,結果取均值如圖4所示。

圖4 SEIR傳播過程Fig.4 SEIR propagation process

隨著傳播周期推進,S曲線趨于穩定;I曲線的峰值為24.11,達到感染峰值時間為9。需要說明的是,在傳播規則設定方式與第3.1節相符的基礎上,表4～表6等具體賦值可變化。經反復驗證,所得結論與第3.2～第4.3節中規律相同。

4 關鍵點法網絡控制

4.1 關鍵節點

在以往網絡控制研究中,大多依照網絡特性參數排序來定位關鍵點,從而制定網絡控制方案。然而,度值等特性參數的排序,并不完全等同于節點關鍵高低的排序[29]。

此處改進選取兩類度量值:每個節點感染其他節點次數、被其他節點感染次數。經過1 000次傳播計算后再統計,以被其他節點感染次數為橫軸,感染其他節點次數為縱軸,所有節點排列成散點圖。然后,采用K均值聚類,節點被分為5類,如圖5所示。可見,紅色與橙色節點在感染其他節點次數與被其他節點感染次數兩方面都呈現高值,具體表7所示。說明其在網絡傳播中的影響力最強,定義其為網絡傳播關鍵節點。

圖5 SEIR模型傳播結果散點圖Fig.5 SEIR propagation results scatter plot

表7 感染/被感染次數較多的節點Table 7 Infect/infected frequent nodes

4.2 控制效果

根據現行的航班運行與安全管理政策,表8中關鍵節點的控制措施可分為兩大類[30]。

(1)前置預防措施:包含人員資質能力提升、系統與制度建設兩種:① 資質提升可降低被傳染概率,提高免疫能力。對應實際中為加強業務培訓,增強運行情景意識,掌握標準操作流程,降低被運行環境、航空器等風險節點影響的概率。在模型中,保守設置S感染率降低至10%;② 系統與制度建設可大幅降低自身風險產生的概率。對應實際中使用智能化的監控與運行系統,落實精細化交叉檢查制度等。對應模型,設為控制節點不會自發初始感染,但保守設為可被傳播感染;

(2)戰術處置措施,主要針對于節點已受到風險影響后,采取應急措施將節點恢復至安全水平,即被感染后提高恢復概率。對應實際中是指不良因素出現后,增派專家支持,空地協同處置,及時更新方案有效控制運行風險。對應此處模型,保守設置E與I轉為免疫概率為90%。

選取表7中感染次數總和靠前的,且可人為控制的5個節點實施控制措施,具體措施如表8所示,節點50與45涉及的民航局要求的常規訓練已然充分,人員方面暫無更為明顯有效的提升措施。控制關鍵節點后的網絡傳播結果如圖6所示。被感染曲線峰值從24.11降為19.67,比未控制前降低了約18.44%,且峰值出現時間推后了兩個周期。從傳播感染范圍與傳播周期兩方面均說明控制措施起到了較好效果[31]。在航班運行這種特定的風險網絡中,無論維修、航空器狀況還是天氣等因素,其傳播最嚴重結果是對起飛、爬升、巡航、著陸、地面滑行等飛行操縱產生影響。對應實際運行中,安全水平是通過飛行操縱動作而表現出的。因此,對重要操縱動作的感染次數的抑制,更能真實地反應出網絡控制的效果。