民航资源网2022年10月15日消息：QAR作为全量飞行记录数据，在飞行品质监控方面发挥越来越大的作用，为航空公司的安全运行和飞行训练提供越来越有力的支撑。

　　图表1 QAR包含全量飞行数据

　　进近着陆是飞行阶段中关键环节，航空公司投入了大量精力来持续监控和提升飞行员进近着陆的技能水平和运行质量。航空公司都在积极对QAR在进近着陆阶段发挥得量化评估作用进行研究和探索，但一直缺乏相对稳定、成熟的数学模型支撑，其评估指标和评估结果依赖飞行员的专业能力，一直缺乏自动、简单、灵活的专项工具支撑，需要在多个系统中收集数据，通过手工结合Excel的方式进行计算和度量（部分数据分析人员已经开始使用Python来代替Excel），其评估成本高、周期长，难以实时计算出进近着陆评估结果，更加难以进行趋势和偏差分析。

　　图表2 航空公司*为关注进近着陆阶段

　　有经验的数据处理专家清洗一个航段的QAR数据大概需要10分钟，根据业务专家确定的计算模型，通过Excel进行参数修正、编写计算逻辑大概需要30分钟。评估结果发布后，由于缺乏有效的数据存储手段，其评估结果难以重复使用，无法实现特定周期的趋势和偏差分析。

　　图表3 Excel模式费时费力，无法形成数据资产

　　本设计思路尝试探讨通过自动化的数据采集、清洗和存储，来实现符合行业标准并被广泛接受的评估指标和数据模型，进而实现评估指标和评估结果的可视化，*终实现QAR到进近着陆评价的自动化准确感知，为安全评估和飞行训练提供决策支撑。

　　图表4 设计思路

　　一、关键点设计思路

　　1、多机型QAR数据清洗

　　通过分析多机型QAR数据，抽象出计算模型需要的字段和数据，实现字段、数据集和数据域的灵活配置。

　　与进近评估相关的参数主要包括：气压高度、无线电高度、空地电门、CAS、GS、下降率、仰角变化率、俯仰姿态角度、横滚姿态角度、HEAD、Direction、Wind_Speed、VFE、近地警告、Longitude Position、Latitude Position、Localizer Deviation、Glide Deviation、襟翼构型、起落架位置、减速板位置等参数对应的字段，因不同机型其字段及采集策略不同，可通过ini文件来存储各机型配置。

　　2、多机型模型设计

　　支持空客系列、波音系列和CRJ系列多种机型数学计算模型配置和调整，可通过xml文件存储各机型数学模型配置。

　　3、进近着陆指标可视化

　　结合多种可视化图形，直观呈现指标及指标走势，包括堆积图、散点图和驾驶舱。

　　为了解决进近着陆评估的复杂性和非一致性，根据飞行员的实际飞行经验和飞机制造商提供的算法依据，结合局方飞行品质监控标准，通过九大核心评估指标，包括着陆襟翼到位、放起落架、低高度使用减速板、下滑道偏离、航向道偏离、俯仰姿态、横滚姿态、下降率、近地警告实现进近着陆评价的量化、可视，准确呈现进近着陆短板，进而指导航空公司开展有针对性的飞行训练，持续提升航空公司安全运行水平。

　　二、关键点实现设计

　　1、多机型QAR数据清洗

　　CSV格式的QAR数据，因采集频次和跳变的原因，需要对数据进行相关的清洗、截取和修正，才能使用QAR数据进行进近着陆评估。核心步骤如下：

　　图表5 多机型QAR数据清洗

　　S1：数据清洗

　　每个CSV文件包含多行，每行对应一个数据采集时刻(单位：秒)，即第i行表示QAR记录过程中的第i秒的飞行参数。每行对应多个QAR采集参数，大部分参数采集频率为1HZ(每秒采样1次)，部分参数采集频率高于1HZ(*大8HZ)，这类参数将在同一行中多次出现，也有部分参数为几秒采样1次(*小0.5HZ)，这类参数则隔几行出现1次，其采集频次与工程值参数采集模式相关，包括连帧型、跳帧型、超级帧型、双字槽型和密集采样型。数据清洗重点完成跨天时间和参数跳变两大问题。

　　S2：参数选取

　　提取进近着陆数学模型中需要的QAR参数，包括襟翼构型、起落架位置、减速板位置、下滑、航向、俯仰姿态、仰角变化率、横滚姿态角度、下降率、近地警告等等。

　　S3：数据修正

　　结合QAR数据采集特点，对异常数据进行识别、删除和推断补全。采用如下方法进行修正：

　　异常数据识别：CSV文件不完整，没有从起飞到着陆的全过程；CSV文件为出发地和目的地都相同的飞行训练数据；译码输出的CSV文件参数错位，即在参数1那一列中的某一行，显示参数2的数据；参数取值超出理论取值范围；参数取值出现不合逻辑的跳变等。

　　删除操作：对于异常数据的CSV文件格式异常情况，视作无效数据而弃用；对于CSV文件本身格式正确，仅是参数取值偶有异常的数据，仅删去CSV文件中的异常数据，之后结合其他参数推断补全。

　　推断补全：对于速度、经纬度、高度等连续数值类参数，取前后平均值；对于襟翼状态、缝翼状态等离散的状态类参数，取前值或后值填充。

　　2、多机型计算模型

　　通过分析航空公司的调研内容，参考ICAO、CAAC和飞机制造商标准，梳理出进近着陆评价的九大核心指标，包括：着陆襟翼到位、放起落架、低高度使用减速板、下滑道偏离、航向道偏离、俯仰姿态、横滚姿态、下降率和近地警告。通过超限预警和偏离度量两大维度来计算九大指标的评分，超限预警模型和偏离度量模型为各机型预留配置项，一方面实现了模型的算法标准稳定，另一方面适应不同机型（系列）细微差异。通过XML实现指标度量配置的相关示例。

　　3、进近着陆指标可视化

　　采用包括堆积图、散点图和驾驶舱等可视化手段，直观呈现进近着陆指标的度量及预警。堆积图实现分航段总体评估，并在实现统一航段不同指标分布；散点图呈现从进近到着陆点的能量分布，并能够识别出偏离航段；驾驶舱实现九大指标的预警分布，含预警次数。

　　4、评价数据存储

　　通过评价模型对海量QAR数据进行计算后，得出的评价结果，形成关系型数据，并存储在CSV文件中，便于后续数据重复使用。

　　三、效能评估

　　通过以上关键设计和实现，有效提升了进近评估效率，飞机落地后5分钟即可呈现评估结果，实现飞行实时进近评估，通过海量数据批量计算，能够辅助实现运行趋势分析和较大运行偏离，极大的节省了数据统计、计算和报告需要投入的人工。

　　单航班评估效能：3秒内得出进近着陆评价结果

　　海量航班评估效能：10秒内得出20航段评价结果，效能与航段数呈线性关联。符合f(x)=0.5*x，每0.5秒处理一个航段。

　　图表6 评价时间函数

　　通过以上设计和实现思路，可以快速构建原型，与飞行机组持续验证、调整、优化，形成符合客观事实的度量指标和计算模型后，进而采用稳定的IT技术，实现QAR数据采集、评价模型配置和数据可视化的软件构建，为航空公司的进近着陆评估提供专项工具支撑。（作者：胡占桥 来源：数智航旅）