民航事故征候的分析與預(yù)測

民航事故征候的分析與預(yù)測

0深化階段:民法事件對民法觀念的變化預(yù)測以往的安全管理側(cè)重于對事故的分析和處理，而對事故特征的關(guān)注較少。飛行事故征候(FlightIncident)是指航空器在飛行實(shí)施過程中發(fā)生的未構(gòu)成飛行事故或航空地面事故,但與航空器操作使用有關(guān),影響或可能影響飛行安全的事件。ICAO(InternationalCivilAviationOrganization)安全管理手冊介紹了事故、事故征候及近似事故征候之間的關(guān)系,即每一起事故發(fā)生前,平均有29起事故征候和300起近似事故征候發(fā)生。目前,有關(guān)研究表明,平均每起飛行事故潛存著360起事故征候。嚴(yán)重事故征候接近事故,常具有非常高的危險性。因此,對事故征候的收集、分析和預(yù)測直接關(guān)系到航空安全。國內(nèi)對民航事故征候的分析、預(yù)測和處理的研究較少。王永剛等對民航事故征候進(jìn)行了關(guān)聯(lián)度分析和灰色模型預(yù)測,通過對民航事故征候及其影響因子作灰色關(guān)聯(lián)分析發(fā)現(xiàn),機(jī)組失誤是導(dǎo)致民航事故征候的關(guān)鍵因子。羅曉利研究民航事故征候的分類發(fā)現(xiàn),不良機(jī)組資源管理是導(dǎo)致空中航空器間隔小于相關(guān)法規(guī)和條例所要求間隔距離的最主要因素。目前,國外在該方面的研究也較少。英國Majumdar等對新西蘭的空域安全進(jìn)行了研究,通過對1994—2002年由管制員導(dǎo)致的空中事故征候的隨機(jī)分析得到,管制員注意力不集中、工作負(fù)荷大、不充分的計(jì)劃和監(jiān)控是導(dǎo)致事故征候的主要原因。目前,對民航事故征候的分析預(yù)測方法有很多,如回歸分析預(yù)測、變權(quán)組合預(yù)測、時間序列分析預(yù)測及飽和增長趨勢預(yù)測等,這些常用方法通過大量實(shí)際數(shù)據(jù),尋求隨機(jī)性中潛存的統(tǒng)計(jì)規(guī)律。其數(shù)據(jù)運(yùn)算過程中的計(jì)算誤差容易使結(jié)果出現(xiàn)極性差錯,從而使正相關(guān)變?yōu)樨?fù)相關(guān),歪曲正確現(xiàn)象。民航事故征候灰色預(yù)測所需信息較少、計(jì)算簡便、精度較高,克服了回歸模型及經(jīng)驗(yàn)?zāi)Ｐ土_列所有影響因素?cái)?shù)據(jù)的缺點(diǎn)?；疑A(yù)測不羅列影響事故征候的因素?cái)?shù)據(jù),而從事故征候自身時間數(shù)據(jù)序列中尋找有用信息,探究其內(nèi)在規(guī)律,建立GM(1,1)模型來預(yù)測。民航事故征候灰色預(yù)測實(shí)質(zhì)上是以指數(shù)型曲線擬合原始數(shù)據(jù),其預(yù)測結(jié)果幾何圖形是一條較平滑的曲線。但對于波動性較大的事故征候數(shù)據(jù)列,其擬合較差且預(yù)測精度低。殘差辨識法、提高預(yù)測模型階數(shù)等方法可提高灰色預(yù)測模型的預(yù)測精度,但是對于波動性較大的非平穩(wěn)數(shù)列,預(yù)測精度低,可能增大誤差。而基于馬爾可夫隨機(jī)過程的馬氏鏈理論為該問題的解決提供了可能。馬爾可夫隨機(jī)過程理論指出,系統(tǒng)將來所處的狀態(tài)只與現(xiàn)在的狀態(tài)有關(guān),而與過去無關(guān)。馬爾可夫預(yù)測根據(jù)系統(tǒng)狀態(tài)間的轉(zhuǎn)移概率預(yù)測系統(tǒng)未來的發(fā)展。轉(zhuǎn)移概率反映了各隨機(jī)因素對系統(tǒng)的影響程度及系統(tǒng)各狀態(tài)間的內(nèi)在規(guī)律性。民航系統(tǒng)是一個動態(tài)的時變系統(tǒng),飛機(jī)著陸時的垂直過載大事件又稱重著陸,即飛機(jī)在著陸接地時垂直加速度(過載)過大,接地載荷超過了該機(jī)型的限制值。作為民航系統(tǒng)這一灰色系統(tǒng)的行為特征量,重著陸的發(fā)生是非平穩(wěn)的隨機(jī)過程。馬爾可夫預(yù)測適用于隨機(jī)波動性較大的問題,因此,可根據(jù)灰色預(yù)測和馬爾可夫預(yù)測建立過載大事件的灰色馬爾可夫預(yù)測模型。該模型用灰色預(yù)測揭示過載大事件時序變化的總體趨勢;用馬爾可夫預(yù)測確定狀態(tài)轉(zhuǎn)移規(guī)律。過載大事件灰色馬爾可夫預(yù)測模型能夠有效利用歷史數(shù)據(jù)信息,極大地提高對隨機(jī)波動性較大的數(shù)據(jù)列的預(yù)測精度。本文基于灰色預(yù)測方法,并結(jié)合馬爾可夫鏈預(yù)測理論,建立某一航空公司Boeing機(jī)型接地時垂直過載大事件的灰色馬爾可夫預(yù)測模型。1灰色馬爾可夫模型可用于應(yīng)對垂直過載事件1.1u3000酸設(shè)過載大事件的原始數(shù)據(jù)序列為X(0)(t)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)}。對原始數(shù)列中各時刻數(shù)據(jù)依次累加,得到新數(shù)列。累加生成記為AGO(AccumulatedGeneratingOperation)。累加后的數(shù)列為生成數(shù)列。X(0)經(jīng)r次累加后的生成(r-AGO)數(shù)列記為X(r),根據(jù)X(1)(i)=n∑i=1X(0)(k)(i=1,2,?,n)X(1)(i)=∑i=1nX(0)(k)(i=1,2,?,n),對X(0)作一次累加(1-AGO),則有X(1)={X(1)(1),X(1)(2),…,X(1)(n)}構(gòu)造數(shù)據(jù)矩陣X,則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)構(gòu)造數(shù)據(jù)向量Y,則Y=(X(0)(2)X(0)(3)?X(0)(n))由累加生成數(shù)列X(1)可建立白化形式的微分方程dX(1)dt+aX(1)=u,微分方程一階一個變量。計(jì)系數(shù)向量為B,則B=(au)=(XΤX)-1XΤY根據(jù)灰色系統(tǒng)理論建立過載大事件GM(1,1)模型為X∧(1)(t+1)=[X(0)(1)-ua]e-at+ua(1)式中t為1,2,…,n;a為發(fā)展系數(shù),反映X∧(1)及X∧(0)發(fā)展態(tài)勢;u為灰作用量,其大小反映數(shù)據(jù)的變化關(guān)系,在系統(tǒng)中相當(dāng)于作用量。將式(1)累減還原,得到原始數(shù)列對應(yīng)時刻的預(yù)測值,即X∧(0)(t+1)=X∧(1)(t+1)-X∧(1)(t)(2)1.2狀態(tài)數(shù)目n將具有馬爾可夫鏈特點(diǎn)的非平穩(wěn)隨機(jī)序列X∧(0)劃分為n個狀態(tài),任一狀態(tài)表示為?i=[?1i,?2i](i=1,2,…,n),則?1i=A1iX∧(0)(t+1)+B1i(3)?2i=A2iX∧(0)(t+1)+B2i(4)式中?1i、?2i為灰元,隨時間t的變化而變化;n為劃分的狀態(tài)數(shù)目;A1i、A2i、B1i、B2i為待定系數(shù),由過載大事件數(shù)據(jù)確定。1.3原始過失大事件時Pij(k)=Mij(k)/Mi(i=1,2,…,n)(5)式中Mij(k)為過載大事件由?i狀態(tài)經(jīng)過k步轉(zhuǎn)移到?j狀態(tài)的原始過載大事件數(shù)據(jù)的樣本數(shù);Mi為處于?i狀態(tài)的原始過載大事件數(shù)據(jù)的樣本數(shù);Pij(k)為過載大事件由?i狀態(tài)經(jīng)過k步轉(zhuǎn)移到?j狀態(tài)的概率。狀態(tài)轉(zhuǎn)移概率矩陣為狀態(tài)轉(zhuǎn)移概率矩陣P(k)描述了系統(tǒng)各狀態(tài)轉(zhuǎn)移的全部統(tǒng)計(jì)規(guī)律。實(shí)際運(yùn)用中,一般只考察1步轉(zhuǎn)移概率矩陣P(1)。設(shè)預(yù)測時刻過載大事件處于?k狀態(tài),考察狀態(tài)轉(zhuǎn)移概率矩陣P(k)第k行。若Max(Pkj(k))=Pk1(k),則認(rèn)為下一時刻系統(tǒng)最可能由?k狀態(tài)轉(zhuǎn)向?1狀態(tài)。若矩陣P(1)第k行有2個或2個以上元素的概率相同或相近,則狀態(tài)的未來轉(zhuǎn)向難以確定,此時需考察2步或n步轉(zhuǎn)移矩陣P(2)和P(n)(n≥3)。1.4啟動大事件區(qū)間過載大事件未來狀態(tài)轉(zhuǎn)移概率矩陣確定后,也就確定了未來時刻過載大事件的取值區(qū)間。用區(qū)間中位數(shù)作為過載大事件的預(yù)測值G(t),即G(t)=12(?1i+?2i)=12(A1i+A2i)X∧(0)(t)+12(B1i+B2i)(7)2過失大事件的預(yù)測精度根據(jù)某航空公司1—10月份的3級以上過載大事件發(fā)生率的統(tǒng)計(jì)數(shù)據(jù),檢驗(yàn)過載大事件灰色馬爾可夫預(yù)測模型的預(yù)測精度并對過載大事件進(jìn)行預(yù)測。3級以上過載大事件的原始數(shù)據(jù)見表1。飛機(jī)著陸時,著陸垂直加速度(過載)1.5～1.7G(3級)時為輕度警告;1.7～1.8G(2級)時為中度警告;≥1.8G(1級)為嚴(yán)重警告。3級以上過載大事件的發(fā)生率,即3級以上的過載大事件在所有過載大事件中所占的比率。2.1u3000過失大事件的gm1,1模型根據(jù)表1中原始過載大事件數(shù)據(jù)建立GM(1,1)模型,并預(yù)測11月份的過載大事件。根據(jù)1.1節(jié)中GM(1,1)模型,計(jì)算系數(shù)向量B,則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。根據(jù)式(2),當(dāng)t=0時,X∧(0)(1)=X∧(1)(1)=0.13;當(dāng)t>0時,代入表1數(shù)據(jù)得X∧(0)(t+1)=0.0768549e0.1284t(8)式中X∧(0)(t+1)為t時刻過載大事件死亡人數(shù)的GM(1,1)模型預(yù)測值。模型精度檢驗(yàn)見表2。根據(jù)灰色預(yù)測模型精度檢驗(yàn)等級參照表,建立的過載大事件GM(1,1)模型的預(yù)測精度為一級。該模型較好地反映了過載大事件的變化趨勢,可用于過載大事件預(yù)測。2.2不同事件狀態(tài)下經(jīng)歷1種狀態(tài)的特征1—10月份過載大事件的實(shí)際值(X(0)(t))除以對應(yīng)的預(yù)測值(X∧(0)(t)),得到其相對變化率。根據(jù)相對變化率將過載大事件預(yù)測值分為以下3種狀態(tài)。?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—狀態(tài)轉(zhuǎn)移概率及3級以上過載大事件預(yù)測由表3、式(3)和(4),得到過載大事件1步狀態(tài)轉(zhuǎn)移概率矩陣為Ρ(1)=(013231424023013)由于10月份過載大事件概率狀態(tài)為?2(表3),根據(jù)狀態(tài)轉(zhuǎn)移概率確定方法,考慮狀態(tài)轉(zhuǎn)移概率矩陣第2行MaxP2j=P22。因此,11月份過載大事件概率狀態(tài)最可能處于狀態(tài)?2。由式(5)和(6),得到11月份過載大事件概率為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,可預(yù)測12月份的3級以上過載大事件發(fā)生率。10—12月份3級以上過載大事件發(fā)生率的灰色預(yù)測與灰色馬爾可夫預(yù)測結(jié)果見表4。結(jié)果表明,灰色馬爾可夫預(yù)測精度明顯高于GM(1,1)模型。3從灰色預(yù)測到馬爾可夫預(yù)測過載大事件受多因素影響,其發(fā)生機(jī)理復(fù)雜。本文在過載大事件灰色預(yù)測基礎(chǔ)上,引入馬爾可夫鏈預(yù)測方法,建立了過載大事件灰色馬爾可夫預(yù)測模型。