端到端的飛機尾渦特征參數(shù)估計*

潘衛(wèi)軍 冷元飛 蔣倩蘭 吳天祎

（中國民航飛行學院空中交通管理學院 廣漢 618307）

1 引言

尾流是由飛機飛行過程中，空氣受機翼構型的影響在翼尖處形成的旋渦流場。尤其在進離場航線上，重型飛機產(chǎn)生的強烈渦流對跟隨飛機會構成潛在威脅，從而影響空中交通運營安全[1]。因此，國際民航組織早在1970年特別規(guī)定了飛機起飛和著陸最小間隔要求，以用于避免尾流遭遇風險。但近年來隨著空中交通流量的增長，管制對間隔的要求逐漸成為機場高效運營的障礙[2～3]。對飛機實施動態(tài)尾流間隔是保障空中交通安全和提升機場容量的重要手段[4～5]。

對于動態(tài)尾流間隔技術，飛機尾流渦旋的精確三維測量至關重要。隨著激光雷達技術發(fā)展，相干激光雷達已被證明是探測尾渦最有效和最靈活的工具，且已經(jīng)有大量團隊應用相干激光雷達對各種大氣環(huán)境條件下尾流展開了觀測實驗[6～7]。通過尾流精確測量，如果能夠對其進行識別，就可以在保證后續(xù)飛行安全的同時，實現(xiàn)飛機間隔調(diào)整。為了解決這個問題，人工智能技術的發(fā)展將為我們提供一個可行的方案，其包括被廣泛應用于目標識別和圖像處理的機器學習和深度學習（DL）模型[8]。最近研究[9～10]表明它們可以提供基于流場的精確渦旋識別，然而這些研究并沒有進一步給出對尾流特征參數(shù)的量化評估。

鑒于此，本文旨在實施深度學習端到端網(wǎng)絡構建，根據(jù)相干光激光雷達掃描獲得的二維徑向速度流場對尾渦特征參數(shù)表征。

2 數(shù)據(jù)采集

項目團隊前期在四川雙流國際機場（SZX）通過部署相干光激光雷達傳感器（Coherent Doppler LIDAR，CDL）開展了尾流探測活動。如圖1所示，相干光激光雷達設置在垂直距離20R號跑道中線延長線約1000m的位置，到跑道端延長線垂直距離約500m。其通過循環(huán)掃描精確測量渦流生命演化周期內(nèi)的速度剖面。CDL在仰角方向上掃描捕獲尾流渦旋的位置，每架飛機產(chǎn)生的尾流從機尾到機頭方向觀測為兩個反向旋轉的旋渦（clockwise vortex and counterclockwise vortex，CCW 和CW）。尾流數(shù)據(jù)收集在無雨微風的良好天氣情況下進行，為相干光激光雷達系統(tǒng)提供最佳探測條件。對于CW和CCW，基于光脈沖相干多普勒頻移探測原理，CDL利用穩(wěn)頻脈沖激光作為探測光源，通過接收大氣中隨風飄移氣溶膠的散射回波信號，并解析來獲得激光束視線方向的徑向風矢量線。

圖1 激光雷達位置

測量所采用的相干光激光雷達為FBOX-6000，對實時測量的快速響應，可在8km的探測半徑內(nèi)實現(xiàn)對流層中下層3D風場的精細探測。圖2展示了現(xiàn)場測量情況，高精度光學鏡采用3D掃描探測的距離高度顯示器（range-height-indication，RHI）定點掃描模式。

圖2 FBOX-6000實地掃描尾渦（RHI mode）

3 模型框架

圖3展示了本文所提的端到端飛機尾流參數(shù)估計深度學習框架（以下簡稱WVConv）。該方法包括兩個部分：第一個是用于CDL獲取徑向速度流場特征提取的主干網(wǎng)絡；第二個是用于對飛機尾流左右渦的特征參數(shù)進行估計的預測模塊。

圖3 機深度學習框架

3.1 主干網(wǎng)絡

深度學習框架的主干網(wǎng)絡用于提取輸入數(shù)據(jù)的潛在基礎特征?？紤]到CDL掃描風場不同于傳統(tǒng)光學傳感器，本文設計了一個具有深度可分離卷積塊[11]的簡單卷積神經(jīng)網(wǎng)絡主干，以單通道數(shù)據(jù)作為網(wǎng)絡原始輸入，支持特征傳播和特征復用，從而減少計算量和加快模型預測速度，結構如圖4（a）所示。主干網(wǎng)絡首先執(zhí)行標準卷積的輸出，然后將個深度可分離卷積模塊堆疊構成模型的主體，最后再疊加一層標準卷積層輸出下游解碼任務的共享特征圖（Fsfm）。

圖4 主干網(wǎng)絡

深度可分離卷積塊結構如圖4（b）所示，其是由深度卷積（Depthwise Convolution，DW）和逐點卷積（Pointwise Convolution，PW）前后連接組成。DW卷積層的作用是對輸入通道進行濾波過濾，而PW卷積層則是將DW卷積層的輸出進行線性組合以獲得新的特征圖。為了更好地展現(xiàn)網(wǎng)絡的非線性建模能力，在DW和PW之后使用了線性整流函數(shù)（Relu）。為了防止梯度爆炸，加快模型的收斂速度，提高模型的效率，在Relu之前增加了批標準化層（BN）來實現(xiàn)數(shù)據(jù)分布的自動調(diào)整。

3.2 特征參數(shù)解碼

在近地階段，飛行中飛機產(chǎn)生一對渦流區(qū)域，如圖5所示。渦流區(qū)中CCW和CW的定量描述主要體現(xiàn)在其特征參數(shù)：左渦渦核位置（Lcw,Hcw）和環(huán)量強度Γcw；右渦渦核位置(Lccw,Hccw)和環(huán)量強度Γccw。

圖5 近地渦旋

本文通過深度學習框架對雷達獲取的徑向速度流場學習，以用于飛機尾渦各參數(shù)表征。研究[12～14]表明將神經(jīng)網(wǎng)絡用于進行多任務時，在共享特征圖上針對不同任務進行解耦有助于提高各模塊的預測精確度。通過本文中的模型對左右兩尾流渦旋的參數(shù)分別進行解耦估計，利用兩個不同的3×3卷積層對骨干輸出的共享特征圖Fsfm進一步卷積，從而得到左右渦特征圖Fcw和Fccw。對于左渦的渦核定位和環(huán)量估計解耦，也分別利用兩個不同3×3卷積層對上層特征圖Fcw進行特征提取，同理右渦也進行相似操作。由于左右渦的預測參數(shù)輸出數(shù)量是一樣的，因此最后總共需要4個不同的全連接網(wǎng)絡（見圖6）同時運行，每個MLP檢測頭都針對相應表征參數(shù)（Lpcw,Hpcw）、Γpcw（Lpccw,Hpccw）、Γpccw進行權重訓練。

圖6 MLP結構

3.3 損失函數(shù)

WVConv對飛機尾流左渦的特征參數(shù)估計，可以看作是回歸問題，本文模型訓練選擇平滑最小絕對值偏差（Smooth L1）[15]作為預測特征參數(shù)的損失函數(shù)，其計算式如式（1）。

式中，Lpcw,Hpcw,Γpcw,Lpccw,Hpccw,Γpccw代表模型對左右渦核位置及環(huán)量估計結果。Lcw,Hcw,Γcw,Lccw,Hccw,Γccw表示各特征參數(shù)標記值，M代表樣本數(shù)量。

因此，對尾流參數(shù)估計的總體優(yōu)化目標為

4 實驗與結果

4.1 實驗設備

實驗在Windows10操作系統(tǒng)下進行，并在VScode開發(fā)環(huán)境中使用Python 3.7編程語言和深度學習框架PyTorch。計算平臺硬件配置為Dell T640工作平臺，處理器為Intel（R）Xeon（R）GOLD 5218，內(nèi)存為32GB。

4.2 數(shù)據(jù)集構建

實時風場數(shù)據(jù)由2020年10月15日期間位于SZX的CDL采集生成，具體雷達運行參數(shù)如表1。

WVConv的輸入是一個48×56的二維矩陣，對于每個掃描矩陣的探測角度間隔0.2°，徑向探測距離間隔15m。尾渦數(shù)據(jù)真實特征參數(shù)值根據(jù)參考文獻[16～17]給出的RV標記方法計算得到，并作為深度學習模型從徑向速度流場到尾渦特征參數(shù)的學習目標。鑒于RV方法的特性，該計算方法將直接構成限制深度學習網(wǎng)絡能力的重要因素。所構建的數(shù)據(jù)集最終被隨機化分為60%訓練集、20%驗證集和20%測試集。其中訓練數(shù)據(jù)集（419個）用于神經(jīng)元學習權重的訓練數(shù)據(jù)集，驗證集被用于模型超參調(diào)整，測試集被用于模型測試。

表1 CDL掃描參數(shù)

4.3 訓練設置

WVConv模型使用自適應矩估計 Adam[18]作為對網(wǎng)絡梯度下降算法的優(yōu)化器。終止訓練被設置為150個epoch，但如果超過30個epoch中沒有檢測到模型改進，網(wǎng)絡訓練將提前終止，以避免過度擬合訓練數(shù)據(jù)，具體訓練參數(shù)設置可見表2。

表2 訓練設置

平均絕對誤差（MAE）是衡量模型預測性能的重要指標。它通過測量一組預測中誤差的平均幅度來衡量預測與最終結果的接近程度。在這項工作中，對于參數(shù)估計的評價指標采用MAE評價，其計算式：

式中，yi和y?i分別呈現(xiàn)預測值和實際值，M代表樣本數(shù)量。

4.4 預測結果與分析

實驗將本文所提WVConv模型在訓練集上進行學習，圖7展示了訓練階段損失值的迭代圖。可知模型在40輪次之前總體損失值下降較快，之后總體損失值趨于穩(wěn)定，進而早停模型訓練。

圖7 損失迭代圖

為了測試所提模型的特征參數(shù)預測性能。將模型在測試集上進行測試，結果如表3所示。同時，圖8給出了WVConv模型部分樣本測試示例。

表3 尾渦參數(shù)估計測試結果

圖8 WVConv模型特征參數(shù)估計

通過表3，可以看出WVConv模型對左右渦水平距離上的估計誤差分別為7.30m和8.16m，對高度的估計誤差為2m和1.59m。WVConv對左右環(huán)量的誤差分別為8.42m2/和8.65m2/s，且得益于深度可分離卷積塊的應用，識別速度達到100fps。通過圖8可以發(fā)現(xiàn)所提模型對初級渦的定位能力較強，且尾流環(huán)量估計值準確。隨著尾渦相互誘導演化耗散，模型預測能力略有下降。綜合來看，微風環(huán)境下，所提模型能夠有效對飛機近地尾渦特征參數(shù)進行預測。

5 結語

本文中提出了端到端飛機尾流估計框架。其由深度可分離模塊為基礎，設計一個輕量化簡單骨干網(wǎng)絡，并以此為基礎分別構建不同的預測模塊估計尾渦特征參數(shù)。實驗使用相干光激光在雙流國際機場采集數(shù)據(jù)，處理后對模型進行訓練、測試。結果表明，模型對尾渦的特征環(huán)量和渦核定位估計效果較好。在本文中，深度人工神經(jīng)網(wǎng)絡展示了在相干光激光雷達所獲取的徑向速度流場上的分析能力，其明顯優(yōu)勢是快速掃描尾渦場，從而端到端對飛機尾流特征參數(shù)進行估計。

總體而言，所提出的方法有改進的余地，但各特征參數(shù)預測精度不能優(yōu)于RV方法，除非模型學習目標是以其它更準確方式創(chuàng)建。未來可以進一步引入天氣因素，以應對在惡劣天氣中對各項特征參數(shù)預估能力。