民航事故征候的分析与预测

民航事故征候的分析与预测

0深化阶段:民法事件对民法观念的变化预测以往的安全管理侧重于对事故的分析和处理，而对事故特征的关注较少。飞行事故征候(FlightIncident)是指航空器在飞行实施过程中发生的未构成飞行事故或航空地面事故,但与航空器操作使用有关,影响或可能影响飞行安全的事件。ICAO(InternationalCivilAviationOrganization)安全管理手册介绍了事故、事故征候及近似事故征候之间的关系,即每一起事故发生前,平均有29起事故征候和300起近似事故征候发生。目前,有关研究表明,平均每起飞行事故潜存着360起事故征候。严重事故征候接近事故,常具有非常高的危险性。因此,对事故征候的收集、分析和预测直接关系到航空安全。国内对民航事故征候的分析、预测和处理的研究较少。王永刚等对民航事故征候进行了关联度分析和灰色模型预测,通过对民航事故征候及其影响因子作灰色关联分析发现,机组失误是导致民航事故征候的关键因子。罗晓利研究民航事故征候的分类发现,不良机组资源管理是导致空中航空器间隔小于相关法规和条例所要求间隔距离的最主要因素。目前,国外在该方面的研究也较少。英国Majumdar等对新西兰的空域安全进行了研究,通过对1994—2002年由管制员导致的空中事故征候的随机分析得到,管制员注意力不集中、工作负荷大、不充分的计划和监控是导致事故征候的主要原因。目前,对民航事故征候的分析预测方法有很多,如回归分析预测、变权组合预测、时间序列分析预测及饱和增长趋势预测等,这些常用方法通过大量实际数据,寻求随机性中潜存的统计规律。其数据运算过程中的计算误差容易使结果出现极性差错,从而使正相关变为负相关,歪曲正确现象。民航事故征候灰色预测所需信息较少、计算简便、精度较高,克服了回归模型及经验模型罗列所有影响因素数据的缺点。灰色预测不罗列影响事故征候的因素数据,而从事故征候自身时间数据序列中寻找有用信息,探究其内在规律,建立GM(1,1)模型来预测。民航事故征候灰色预测实质上是以指数型曲线拟合原始数据,其预测结果几何图形是一条较平滑的曲线。但对于波动性较大的事故征候数据列,其拟合较差且预测精度低。残差辨识法、提高预测模型阶数等方法可提高灰色预测模型的预测精度,但是对于波动性较大的非平稳数列,预测精度低,可能增大误差。而基于马尔可夫随机过程的马氏链理论为该问题的解决提供了可能。马尔可夫随机过程理论指出,系统将来所处的状态只与现在的状态有关,而与过去无关。马尔可夫预测根据系统状态间的转移概率预测系统未来的发展。转移概率反映了各随机因素对系统的影响程度及系统各状态间的内在规律性。民航系统是一个动态的时变系统,飞机着陆时的垂直过载大事件又称重着陆,即飞机在着陆接地时垂直加速度(过载)过大,接地载荷超过了该机型的限制值。作为民航系统这一灰色系统的行为特征量,重着陆的发生是非平稳的随机过程。马尔可夫预测适用于随机波动性较大的问题,因此,可根据灰色预测和马尔可夫预测建立过载大事件的灰色马尔可夫预测模型。该模型用灰色预测揭示过载大事件时序变化的总体趋势;用马尔可夫预测确定状态转移规律。过载大事件灰色马尔可夫预测模型能够有效利用历史数据信息,极大地提高对随机波动性较大的数据列的预测精度。本文基于灰色预测方法,并结合马尔可夫链预测理论,建立某一航空公司Boeing机型接地时垂直过载大事件的灰色马尔可夫预测模型。1灰色马尔可夫模型可用于应对垂直过载事件1.1u3000酸设过载大事件的原始数据序列为X(0)(t)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)}。对原始数列中各时刻数据依次累加,得到新数列。累加生成记为AGO(AccumulatedGeneratingOperation)。累加后的数列为生成数列。X(0)经r次累加后的生成(r-AGO)数列记为X(r),根据X(1)(i)=n∑i=1X(0)(k)(i=1,2,⋯,n)X(1)(i)=∑i=1nX(0)(k)(i=1,2,⋯,n),对X(0)作一次累加(1-AGO),则有X(1)={X(1)(1),X(1)(2),…,X(1)(n)}构造数据矩阵X,则X=(-12(X(1)(2)+X(1)(1))1-12(X(1)(3)+X(1)(2))1⋮-12(X(1)(n)+X(1)(n-1))1)构造数据向量Y,则Y=(X(0)(2)X(0)(3)⋮X(0)(n))由累加生成数列X(1)可建立白化形式的微分方程dX(1)dt+aX(1)=u,微分方程一阶一个变量。计系数向量为B,则B=(au)=(XΤX)-1XΤY根据灰色系统理论建立过载大事件GM(1,1)模型为X∧(1)(t+1)=[X(0)(1)-ua]e-at+ua(1)式中t为1,2,…,n;a为发展系数,反映X∧(1)及X∧(0)发展态势;u为灰作用量,其大小反映数据的变化关系,在系统中相当于作用量。将式(1)累减还原,得到原始数列对应时刻的预测值,即X∧(0)(t+1)=X∧(1)(t+1)-X∧(1)(t)(2)1.2状态数目n将具有马尔可夫链特点的非平稳随机序列X∧(0)划分为n个状态,任一状态表示为⨂i=[⨂1i,⨂2i](i=1,2,…,n),则⨂1i=A1iX∧(0)(t+1)+B1i(3)⨂2i=A2iX∧(0)(t+1)+B2i(4)式中⨂1i、⨂2i为灰元,随时间t的变化而变化;n为划分的状态数目;A1i、A2i、B1i、B2i为待定系数,由过载大事件数据确定。1.3原始过失大事件时Pij(k)=Mij(k)/Mi(i=1,2,…,n)(5)式中Mij(k)为过载大事件由⨂i状态经过k步转移到⨂j状态的原始过载大事件数据的样本数;Mi为处于⨂i状态的原始过载大事件数据的样本数;Pij(k)为过载大事件由⨂i状态经过k步转移到⨂j状态的概率。状态转移概率矩阵为状态转移概率矩阵P(k)描述了系统各状态转移的全部统计规律。实际运用中,一般只考察1步转移概率矩阵P(1)。设预测时刻过载大事件处于⨂k状态,考察状态转移概率矩阵P(k)第k行。若Max(Pkj(k))=Pk1(k),则认为下一时刻系统最可能由⨂k状态转向⨂1状态。若矩阵P(1)第k行有2个或2个以上元素的概率相同或相近,则状态的未来转向难以确定,此时需考察2步或n步转移矩阵P(2)和P(n)(n≥3)。1.4启动大事件区间过载大事件未来状态转移概率矩阵确定后,也就确定了未来时刻过载大事件的取值区间。用区间中位数作为过载大事件的预测值G(t),即G(t)=12(⊗1i+⊗2i)=12(A1i+A2i)X∧(0)(t)+12(B1i+B2i)(7)2过失大事件的预测精度根据某航空公司1—10月份的3级以上过载大事件发生率的统计数据,检验过载大事件灰色马尔可夫预测模型的预测精度并对过载大事件进行预测。3级以上过载大事件的原始数据见表1。飞机着陆时,着陆垂直加速度(过载)1.5～1.7G(3级)时为轻度警告;1.7～1.8G(2级)时为中度警告;≥1.8G(1级)为严重警告。3级以上过载大事件的发生率,即3级以上的过载大事件在所有过载大事件中所占的比率。2.1u3000过失大事件的gm1,1模型根据表1中原始过载大事件数据建立GM(1,1)模型,并预测11月份的过载大事件。根据1.1节中GM(1,1)模型,计算系数向量B,则B=(au)=(-0.12840.0652)因此,a=-0.1284;u=0.0652。由式(1)得X∧(1)(t+1)=0.6378e0.1284t-0.5078。根据式(2),当t=0时,X∧(0)(1)=X∧(1)(1)=0.13;当t>0时,代入表1数据得X∧(0)(t+1)=0.0768549e0.1284t(8)式中X∧(0)(t+1)为t时刻过载大事件死亡人数的GM(1,1)模型预测值。模型精度检验见表2。根据灰色预测模型精度检验等级参照表,建立的过载大事件GM(1,1)模型的预测精度为一级。该模型较好地反映了过载大事件的变化趋势,可用于过载大事件预测。2.2不同事件状态下经历1种状态的特征1—10月份过载大事件的实际值(X(0)(t))除以对应的预测值(X∧(0)(t)),得到其相对变化率。根据相对变化率将过载大事件预测值分为以下3种状态。⨂1:⨂11=0.79X∧(0)(t+1),⨂21=0.97X∧(0)(t+1)⨂2:⨂12=0.97X∧(0)(t+1),⨂22=1.09X∧(0)(t+1)⨂3:⨂13=1.09X∧(0)(t+1),⨂23=1.32X∧(0)(t+1)2.3—状态转移概率及3级以上过载大事件预测由表3、式(3)和(4),得到过载大事件1步状态转移概率矩阵为Ρ(1)=(013231424023013)由于10月份过载大事件概率状态为⨂2(表3),根据状态转移概率确定方法,考虑状态转移概率矩阵第2行MaxP2j=P22。因此,11月份过载大事件概率状态最可能处于状态⨂2。由式(5)和(6),得到11月份过载大事件概率为G(11)=12(⊗1i+⊗2i)=12(A1i+A2i)X∧(0)(11)+12(B1i+B2i)=12(0.97+1.09)X∧(0)(11)=0.2858同理,可预测12月份的3级以上过载大事件发生率。10—12月份3级以上过载大事件发生率的灰色预测与灰色马尔可夫预测结果见表4。结果表明,灰色马尔可夫预测精度明显高于GM(1,1)模型。3从灰色预测到马尔可夫预测过载大事件受多因素影响,其发生机理复杂。本文在过载大事件灰色预测基础上,引入马尔可夫链预测方法,建立了过载大事件灰色马尔可夫预测模型。