融合WGAN-GP深度聚类的飞行训练超限事件关联分析

陈勇刚; 付伟; 龙益柯; 刘太伟; 赵凯

doi:10.12404/j.issn.1671-1815.2507668

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (29) :12820-12833 DOI: 10.12404/j.issn.1671-1815.2507668

航空、航天

融合WGAN-GP深度聚类的飞行训练超限事件关联分析

陈勇刚 ¹^,² ,
付伟 ² ,
龙益柯 ² ,
刘太伟 ² ,
赵凯 ³^,^*

作者信息 +

Association Analysis of Flight Training Exceedance Events Based on WGAN-GP-enhanced Deep Clustering

CHEN Yong-gang ¹^,² ,
FU Wei ² ,
LONG Yi-ke ² ,
LIU Tai-wei ² ,
ZHAO Kai ³^,^*

Author information +

文章历史 +

摘要

针对通航飞行训练超限事件记录具有的瞬时离散、数据稀缺且特征缺失问题,传统的单因素或基于连续数据的分析方法难以捕捉其关联风险模式。提出一种集成数据增强、深度聚类与关联挖掘的风险分析方法。利用带梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)模型对飞行特征快照进行保真增强;引入VBGMM划定飞行参数的区间标签;并运用FP-Growth算法挖掘参数区间组合间的潜在关联。研究共挖掘出259条强关联规则。借助知识图谱,识别了着陆重事件的速度-姿态双峰风险、坡度警戒的变化率失配等四类核心风险模式。跨事件风险网络揭示特定表速区间是连接多类超限事件的共同风险因素。研究为解决类似数值型离散数据风险分析问题提供了思路,将参数区间关联规则转化为拓扑网络,为优化飞行品质监控的预警逻辑,实施针对性的飞行训练,提高风险管控体系效率提供了理论依据与决策支持。

Abstract

General aviation flight training exceedance event records are characterized by instantaneous discreteness, data scarcity, and missing features. Associated risk patterns are difficult to be captured by traditional single-factor or continuous-data-based analysis methods. A risk analysis method integrating data augmentation, deep clustering, and association mining was proposed. Flight feature snapshots were augmented with high fidelity by utilizing the Wasserstein generative adversarial network with gradient penalty(WGAN-GP) model. Flight parameter intervals were delineated by introducing the VBGMM. Latent associations among combinations of parameter intervals were mined by applying the FP-Growth algorithm. A total of 259 strong association rules were mined. Four types of core risk patterns, including the speed-attitude bimodal risk of hard landing events and the rate-of-change mismatch of bank angle warning events, were identified with the assistance of knowledge graphs. Specific indicated airspeed intervals were revealed by the cross-event risk network as common risk factors connecting multiple types of exceedance events. Ideas for solving risk analysis problems of similar numerical discrete data were provided. Parameter interval association rules were transformed into topological networks. Theoretical basis and decision support were provided for optimizing the early warning logic of flight quality monitoring, implementing targeted flight training, and improving the efficiency of the risk control system.

Graphical abstract

关键词

飞行训练 / 超限事件 / 数据增强 / WGAN-GP / 关联规则

Key words

flight training / exceedance events / data augmentation / WGAN-GP / association rules

引用本文

引用格式 ▾

陈勇刚, 付伟, 龙益柯, 刘太伟, 赵凯. 融合WGAN-GP深度聚类的飞行训练超限事件关联分析[J]. 科学技术与工程, 2026, 26(29): 12820-12833 DOI:10.12404/j.issn.1671-1815.2507668

CHEN Yong-gang, FU Wei, LONG Yi-ke, LIU Tai-wei, ZHAO Kai. Association Analysis of Flight Training Exceedance Events Based on WGAN-GP-enhanced Deep Clustering[J]. Science Technology and Engineering, 2026, 26(29): 12820-12833 DOI:10.12404/j.issn.1671-1815.2507668

登录浏览全文

4963

注册一个新账户忘记密码

在通用航空运行中,飞行超限事件是反映飞行安全隐患的重要指标。截至2024年年底,中国通航航空器注册数量已达3 232架^[1],随着飞行总量持续增长和任务复杂化,超限事件风险防控难度日益加大。系统开展超限事件风险分析,对提升通航运行安全管理水平具有重要意义。

当前航空安全风险研究已广泛利用飞行数据记录展开。王菲茵等^[2]、孙宏等^[3]基于飞行数据针对异常飞行风险量化和飞行员风切变处置能力提出了评价体系。汪磊等^[4]、Zhong等^[5]使用飞行数据对着陆阶段影响超限事件发生模式进行识别评估。学者通过多种方式对飞行风险进行分析,其中关联规则挖掘作为常用的风险模式识别手段,广泛应用于化工、铁路及民航等多个安全领域^[6-10]。在航空安全领域,该方法被用于分析特定场景下的风险因素组合。谢嘉仪^[11]、Wang等^[12]、程刚^[13]使用关联算法,将关联分析用于分析不稳定进近事件、可控飞行撞地和飞行员操纵的风险因素。近年来,随着复杂网络可视化技术的发展,学者开始利用网络拓扑结构揭示系统的深层风险。例如,张洪海等^[14]基于自然语言处理挖掘民航管制运行风险主题,并构建了Gephi语义网络以分析风险演化特征;宋洋等^[15]则运用复杂网络理论构建了航班过站保障系统的Gephi有向加权网络模型,精准量化并遴选出关键致因因素。然而,通航飞行训练事件记录因机型设备差异,常导致数据特征缺失严重。为应对此类数据匮乏与样本不均衡问题,数据增强技术在多领域工程安全中展现出巨大潜力。何鹏等^[16]提出改进生成对抗网络(generative adversarial network,GAN)模型以增强极少量的轴承故障数据,显著提升了诊断准确率;李艳辉等^[17]则结合数据增强与深度学习网络,有效解决了油田历史数据匮乏下的预测难题。马文海^[18]、Zhao等^[19]针对高维稀疏数据存在的缺失值和噪声问题,改进数据增强模型,补充数据中的缺失值。安瑞等^[20]使用双分支小波卷积自编码器进行数据增强,对传统聚类方法改进优化,通过无监督学习提升了聚类质量。Yu等^[21]提出了一种基于高斯混合模型的生成对抗网络来生成小样本的数据集,解决聚类中数据缺失问题。上述研究虽取得了显著进展,但其多基于结构完整的连续性时间序列或翔实的文本报告展开。相比之下,通航飞行训练超限事件记录仅为事件发生瞬间的参数快照,具有高度的瞬时离散性与数值耦合性。现有的连续数据增强算法或基于文本的主题网络构建方法难以直接适用于此类内嵌数值的离散快照数据,无法捕捉稳定可靠的底层风险规律。

因此,基于飞行训练超限事件记录数据,引入带梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)数据增强模型,克服特征缺失和样本不均衡问题,结合变分贝叶斯高斯混合模型(variational Bayesian Gaussian mixture model, VBGMM)对飞行参数区间划分构建特征标签,并运用频繁模式增长(frequent pattern growth, FP-Growth)算法挖掘“飞行状态组合”与“超限事件”之间的关联风险模式。旨在将零散的事件记录转化为直观可解释的飞行风险知识,为飞行训练的风险识别与安全管理提供决策支持。

1 通航超限事件数据与预处理

使用的数据集源自中国西南地区一所CCAR-141资质飞行训练学校2018—2024年的超限事件统计月报。原始数据信息庞杂但有效飞行参数多以非结构化文本形式嵌入其中,这些数据均为事件触发时的瞬时飞行参数,不具备连续的时间序列结构,呈现出典型的离散化特征。采用pdfplumber库提取有效信息,最终整理得到共计4 682条超限事件记录。记录内容涵盖了事件发生的机型、时间、运行阶段以及嵌入在描述文本中的若干关键飞行参数,如表1所示。

数据预处理的核心任务是从表1所示的非结构化描述文本中,提取出结构化的数值型飞行参数。通过设计关键词匹配与正则表达式,对描述字段进行自动化解析,提取出高度、表速、俯仰姿态、坡度等关键飞行参数,并将其与事件类型、发生时间等信息整合,形成可供分析的结构化数据集,如表2所示。

由于数据采集受限于不同机型的设备记录与事件触发机制,存在特征不一致、数据稀疏及样本不均衡等问题。为解决此数据质量瓶颈,引入数据增强技术,通过生成高质量的合成样本,在保持原始数据分布特性的前提下,扩充并补全不完整的数据集,为后续的聚类与关联分析提供支撑。

2 数据增强与建模算法框架

2.1 WGAN-GP特征增强方法

为缓解通航非连续正则事件数据中存在的特征缺失问题,在保证数据分布特性的前提下扩充样本规模,采用改进型生成对抗网络WGAN-GP进行特征增强。WGAN-GP通过优化生成器G和判别器D的对抗过程,最小化Wasserstein 距离来衡量生成数据分布P_g与真实数据分布P_r之间的差异。其优化目标函数可表示为

(1)min_Gmax_D_∈Δ$\frac{{\mathrm{E}}_{\mathrm{x}\sim {\mathrm{P}}_{\mathrm{r}}}\left[\mathit{D}\right(\mathit{x}\left)\right]}{{\mathit{E}}_{\mathit{z}\sim {\mathrm{P}}_{\mathrm{z}}}\left\{\mathit{D}\right[\mathit{G}\left(\mathit{z}\right)\left]\right\}}$

式(1)中:E(·)为数学期望;D(·)为判别器函数;Δ为所有满足1-Lipschitz条件的函数所构成的空间;x为真实数据样本;z为从先验分布P_z中采样的噪声向量。为避免传统WGAN中通过权重裁剪强制约束Lipschitz条件带来的优化不稳定问题,WGAN-GP在目标函数中引入了梯度惩罚项,使约束更加平滑稳定。改进后的损失函数为

(2)$ \begin{aligned} L= & E_{\tilde{x} \sim P_{\mathrm{g}}}[D(\tilde{x})]-E_{x \sim P_{\mathrm{r}}}[D(x)]+ \\ & \lambda E_{\hat{x} \sim P_{\hat{x}}^{\wedge}}^{\wedge}\left(\left\|\nabla_{\hat{x}}^{\wedge} D(\hat{x})\right\|_{2}-1\right)^{2} \end{aligned}$

式(2)中:λ为梯度惩罚系数;$\stackrel{\sim }{\mathit{x}}$为由生成器生成的合成样本;$\hat{\mathrm{x}}$为在真实样本与生成样本之间随机插值得到的样本点。梯度惩罚项通过约束判别器在插值样本上的梯度范数接近1,从而在理论上保证最优解的可达性并提升训练稳定性。

WGAN-GP的生成器负责根据噪声向量和已有特征模式生成符合分布特性的增强样本,判别器则评估输入样本的真实性并引导生成器优化。在迭代训练过程中,生成器不断调整参数,使生成样本分布逐渐逼近真实样本分布,从而为后续聚类与关联性分析提供完整且多样化的数据基础。

2.2 变分贝叶斯高斯混合模型

变分贝叶斯高斯混合模型的基本思想是将混合权重、均值和协方差等参数视为随机变量,并赋予相应的先验分布,利用变分推断的方法对后验分布进行近似求解。观测数据集X={x₁,x₂,…,x_N}被假设来源于多个高斯分布的混合,每个样本首先根据混合权重π~Dir(α₀)从多项分布中采样得到一个隐变量z,按照该隐变量对应的均值μ和协方差矩阵Σ从高斯分布中生成观测值,而这些均值与协方差参数本身服从高斯-威沙特(Gaussian-Wishart)先验分布。

VBGMM的优化目标是最大化观测数据在后验分布下的证据下界,表达式为

(3)$\mathcal{L}(q)=E_{q}\left[\ln \frac{p(X, Z, \pi, \boldsymbol{\mu}, \boldsymbol{\Sigma})}{q(Z, \pi, \boldsymbol{\mu}, \boldsymbol{\Sigma})}\right]$

式(3)中:q(Z,π,μ,Σ)为对真实后验分布的变分近似,Z为所有样本隐变量z的集合;p(·)为全联合概率密度。通过迭代优化该目标函数,VBGMM能够自动调整各混合成分的权重,使部分成分权重趋于零,实现聚类数的自适应选择,避免过拟合。采用VBGMM对WGAN-GP增强后的通航事件数据进行聚类划分,利用其概率建模的灵活性和自动确定簇数的优势,捕捉数据的潜在结构,实现对复杂事件特征的合理区间划分。

2.3 FP-Growth关联规则挖掘方法

在完成数据离散化与特征标签构建后,原始的飞行参数数据已被转换为由项集构成的事务数据集,其中每一条事务代表一次超限事件,事务中的项则对应一个具体的“特征=语义化标签”组合。

传统的关联规则挖掘算法如Apriori,其核心瓶颈在于需要多次扫描数据库并生成大量的候选项集,在处理复杂数据集时效率较低。为解决此问题,选用FP-Growth算法。该算法通过构建一棵紧凑的前缀树FP-Tree来存储数据集中的频繁项信息,从而避免了代价高昂的候选项集生成过程,仅需两次数据库扫描即可完成频繁项集的挖掘,显著提升了计算效率。

在挖掘过程中,主要通过3个核心指标:支持度Support、置信度Confidence和提升度Lift来衡量规则的价值。

支持度(Support)指项集X和Y同时在总事务中出现的概率,反映了该规则的普遍性。

(4)Support(X→Y)=$\frac{\mathrm{C}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}(\mathit{X}\bigcup \mathit{Y})}{\mathit{N}}$

式(4)中:Count(X∪Y)为同时包含X和Y的样本数;N为数据集总样本数。

置信度(Confidence)指在包含项集X的事务中,也包含项集Y的条件概率,反映了规则的准确性。

(5)Confidence(X→Y)=$\frac{\mathrm{C}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}(\mathit{X}\bigcup \mathit{Y})}{\mathrm{C}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}\left(\mathit{X}\right)}$

提升度(Lift)指规则的置信度与项集Y单独出现概率的比值。Lift>1表示X的出现对Y的出现有正向提升作用,其值越大表明关联性越强;Lift=1表示两者无关联;<1则表示负相关。

(6)Lift(X→Y)=$\frac{\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{f}\mathrm{i}\mathrm{d}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{e}(\mathit{X}\to \mathit{Y})}{\mathrm{S}\mathrm{u}\mathrm{p}\mathrm{p}\mathrm{o}\mathrm{r}\mathrm{t}\left(\mathit{Y}\right)}$

采用FP-Growth算法旨在筛选出满足最小支持度和最小提升度阈值的强关联规则,以揭示潜在的飞行风险模式。

2.4 关联规则可视化

为直观揭示FP-Growth算法挖掘出的关联规则,识别风险传播的关键环节以及跨事件的共性关联,基于Neo4j图数据库技术构建了超限事件风险知识图谱。为了更清晰地表达网络图元的转换过程与逻辑,将图谱定义为有向图G=(V,E),其具体构建逻辑与数学表达如下。

图谱的节点集合V由飞行参数区间节点集V_p与超限事件节点集V_E构成,即

(7)V=V_P∪V_E

参数区间节点(V_p)将规则中的前项与后项拆解为独立的离散数值型飞行参数区间,以此作为风险因素。

超限事件节点(V_E)代表具体超限事件类型的目标节点,作为风险传播链路的最终汇聚点。

边集合划分为两部分,若参数区间X_i与X_j构成关联规则的前后项推导,则生成带有关联规则编号的有向边(X_i,X_j)∈E_R;若X_j为最终指向事件e_k∈V_E的后项,则生成不带编号的有向边(X_j,e_k)∈E_T。当多条不同的关联规则共享同一条传导路径e时,网络连边会对其包含的所有规则编号进行显示。

节点度通过统计任意风险因子节点v∈V_P所连接的绝对关系总数Deg(v),即与其他节点连接的边数,识别高频风险传播路径的枢纽节点。

3 增强数据一致性与关联挖掘能力验证

为充分论证所提出的WGAN-GP-VBGMM-FPGrowth组合方法,相较于其他成型分析方法在风险识别上的优越性,设计了定性与定量相结合的对比实验。选用“着陆重”事件数据作为代表性案例,因为该事件的数据特征相对完整,缺失值少,能公平直观地评估各生成模型在特征保真与分布重构上的基础能力。

定性可视化对比采用t-分布随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)技术。t-SNE是一种非线性降维技术,常用于高维数据的可视化,能直观地反映数据点的分布特性。为评估不同生成模型的数据保真度,分别使用WGAN-GP模型和条件表格生成对抗网络(conditional tabular generative adversarial network,CTGAN)、生成对抗网络(generative adversarial network,GAN)、变分自编码器(variational autoencoder,VAE)训练300轮,生成与原始数据相同规模的数据集,并将其与原始数据点混合后进行t-SNE降维,结果如图1所示。

从降维结果中可以直观地观察到,选用的WGAN-GP模型与CTGAN生成的数据点能够与原始数据的簇群结构高度融合,在保持原始数据主要分布模式的同时,也合理地填充了稀疏区域。相比之下,GAN生成的数据点严重偏离了原始分布,且呈现出高度集中的簇状,这是典型的模式崩溃现象,表明其未能学习到数据的多样性。而VAE生成的数据分布没有完全崩溃,但也仅学习到了简单和模糊的中心分布,未能捕捉到原始数据中复杂的边缘和亚簇群结构。因此,定性分析初步表明,WGAN-GP在生成数据的真实性和多样性上表现最优。

然而,t-SNE仅提供了定性参考,未验证其生成的数据能否优化下游的聚类稳定性和关联规则挖掘。为此,设计了全流程量化对比实验,从4个维度共8项指标进行综合评估,以全面衡量生成数据的质量。

第一个维度是聚类稳定性,采用调整兰德系数(adjusted Rand index,ARI)和标准化互信息(normalized mutual information,NMI)来衡量。ARI基于排列组合原理计算不同聚类结果中成对样本分配的一致性,NMI则基于信息论衡量两次聚类分布的互信息共享量。这两个指标考察的是数据“分类界限”的清晰度以及每次划分结果的一致性。对每种数据源运行VBGMM聚类10次,计算这10次结果两两之间的均值。得分越接近1,表明该数据的内在簇群结构越清晰稳定,没有因为数据增强而产生模糊的分类边界。

第二个维度是全局保真度,采用最大均值差异(maximum mean discrepancy,MMD)来度量。MMD的算法原理是将两个不同的数据分布映射到高维的再生核希尔伯特空间中,通过计算两者均值特征的距离来衡量分布差异。MMD主要评估生成数据与原始数据在整体分布“宏观”上的相似度。如果把原始飞行参数数据的整体分布看作一个底模,MMD得分越低越接近0,代表两个分布越接近,说明生成的数据复刻了原始数据的整体形状,没有发生明显的全局失真或偏移。

第三个维度是局部结构相似性,通过K近邻(k-nearest neighbors,kNN)距离统计来反映。kNN通过计算每个样本点与其最近的k个邻居之间的距离分布,来捕捉高维空间中的局部流形结构。kNN关注的是数据点在“微观”层面的关系。在真实的飞行训练超限事件中,某些特定的参数往往会呈现出特定的“聚集”现象。对比目标是生成数据的kNN统计值与原始数据“最接近”而非最低。两者越接近,说明生成数据不仅学到了宏观轮廓,还成功还原了原始数据内部细微的局部聚集特征。

第四个维度是下游任务表现,即FP-Growth算法最终挖掘出的风险模式的数量与质量。为保证对比的公平性,将5种数据源输入完全相同的VBGMM聚类和FP-Growth挖掘流程中,重点评估其挖掘出真实、有效的数值型参数区间关联规则的能力,评估结果如表3所示。

实验结果显示了数据质量的显著差异。WGAN-GP模型的MMD为0.010,远低于所有模型,表明其生成的分布与原始数据几乎相同。其kNN统计值为0.432 3±0.210 1,也与原始数据的0.478 0±0.348 5最为接近。相反,GAN和VAE的kNN均值分别低至0.068 8和0.009 4,显示出t-SNE表明的模式崩溃现象,表明模型生成了无效重复的单一数据点,与原始数据分布完全不同。

数据质量的差异直接影响了聚类稳定性。WGAN-GP、原始模型和CTGAN均保持在高稳定区间(ARI > 0.74, NMI > 0.76),表明这三者的数据结构均清晰可辨,VBGMM的聚类结果可靠。而GAN和VAE由于数据质量崩溃,其聚类稳定性也随之大幅下降,证明VBGMM无法在这些数据上找到一致的结构。

在下游的关联规则挖掘任务中,对比CTGAN,WGAN-GP不仅能实现规则数量的提升,而且保证了较高的规则质量。其挖掘出的规则数量为258条,超过原始模型的144条和CTGAN的102条,证明其揭示了更多原始数据中因稀疏而被掩盖的潜在模式。这些新增规则的平均质量最高,其平均提升度达到1.482 2,平均置信度达到0.490 3,均优于原始模型和CTGAN。而GAN和VAE由于其模式崩溃生成了大量重复数据点,分别产生了400条和310条的高规则数量,FP-Growth算法将这些重复的假数据识别为高支持度的频繁项,从而产生了大量基于无效数据的垃圾规则。

综上所述,综合定性与定量分析,提出的WGAN-GP方法是能同时保持数据保真度、维持高聚类稳定性并提升下游风险挖掘任务质量的组合方法。在挖掘出原始数据的潜在规则的同时,保证了这些规则具有最高的平均提升度,其综合效能显著优于其他对比模型。

4 关联规则挖掘与风险模式识别

4.1 俯仰操作粗猛事件结果分析

针对“俯仰操作粗猛”事件的增强数据集,设定最小支持度为0.10、最小提升度为1.00,利用FP-Growth算法挖掘出58条显著的关联规则。这些规则揭示了操纵输入、机体动态响应与飞行状态三者间的复杂耦合关系,表4列举了其中具有代表性的规则样本。

对表4进行分析表明,算法不仅捕捉了跨越红线的临界状态,更显示了特定操作情景下的潜在风险伴生特征。首先是“低速修正”情景,如R1、R2与R4规则所示。在高度868.800~2 292.200 ft与表速26.640~52.980 n mile/h的低空低速区间下,俯仰姿态变化率6.500~10.860 (°)/s的高频波动与坡度变化率0.000~3.840 (°)/s呈现出极强的统计共现关系。从一线飞行实践推演,这反映了学员在低空进近或受气流干扰时,面临飞机低速状态下舵面控制效率降低的问题。学员为迅速挽救轨迹,常采取幅度过大、协调性不足的带推杆操作。这种剧烈的纵向输入极易伴生坡度振荡。如R2规则所示,这种操作常伴随-1.300g~-1.040g的负向垂直加速度突变,在体感上表现为机体的短时失重或突降。

其次是“动能放大过载”情景,如R3与R5规则所示。-1.030g~-0.500g的中等强度负向过载,或0.800g~2.080g的正向超载,常与表速53.320~78.130 n mile/h及78.220~138.900 n mile/h的中高速区间相关。这刻画了另一种操作特征:当飞行器保持较快速度,机体自身带有较大平飞动能时,学员为了改变如R3中4 321.400~6 365.600 ft的高度而粗猛操作驾驶杆。这种输入在较快速度的气动加持下会被瞬间放大。机体容易出现强烈的短时失重感或重压感,最终表现为垂直载荷瞬间突破安全边界。为了厘清这些复杂规则背后的核心结构,将规则拆解,构建了“俯仰操作粗猛”事件的风险网络,如图2所示。

根据节点度数据,该图谱呈现出高度集中的长尾形态。“坡度变化率0.000~3.840 (°)/s”是度中心性最高的节点,共出现了26次。“垂直加速度变化量-1.030g~-0.500g”与“高度868.800~2 292.200 ft”也分别出现了18次与16次。

这一网络特征表明,复杂的关联风险并非均匀分散,而是高度收敛于少数几个“枢纽”参数。从事故链理论的角度来看,只要重点监控并阻断这些高频出现的枢纽节点,就能同时阻断与其相连的大量衍生风险路径。若优先管控“坡度变化率”与“垂直加速度突变”这两个高频枢纽节点的组合,理论上可同时覆盖38条独立的风险路径,管控效率高达65.5%。若替换为管控“坡度变化率”与“特定高度”的组合,则可覆盖37条路径,效率相近。这一定量结果指明:在资源有限的条件下,将监控与训练资源优先投向“坡度变化率与垂直加速度突变”的联合监控,能实现最高的干预回报。

针对上述挖掘出的典型操作情景与网络特征,建议在通航一线实施更具靶向性的前置管控。在飞行品质监控(flight operational quality assurance, FOQA)层面,传统的“过载超限”或“俯仰率破8(°)/s”等单一结果触发指标存在干预滞后性。安全管理部门可将图谱识别出的高频组合,如低速区间叠加横向坡度微动设定为联合预警指标。当系统监测到低空速度与坡度变化率开始异常波动时,即可判定机组高概率处于“低速修正”,系统应提前触发语音提示,防范过载超限的发生。

在飞行员训练与标准作业程序(standard operating procedure,SOP)优化环节,教员可针对规则暴露的高频情景展开专项拆解。针对“低速修正”情景,在模拟机中应增设低能态下的轨迹保持科目。重点强化利用油门与杆力柔和协调控制飞机的肌肉记忆,纠正单一依靠大动作拉杆的错误直觉。针对“动能放大过载”情景,必须向学员明确强调较高速度区间内的杆力梯度变化。在实施较大高度层改变时,严格控制升降舵的输入速率,严禁通过瞬间发力强行改变轨迹,从而将风险图谱揭示的数据规律切实转化为一线操作的安全防线。

4.2 低空下降警戒事件结果分析

针对低空下降警戒事件,增强数据集的FP-Growth挖掘结果揭示出显著的姿态、高度与速度耦合特征。设定相同挖掘参数,共得到23条强关联规则。表5所示为具有代表性的规则样本,其支持度、置信度与提升度均处于较高水平。

对表5进行分析表明,特定区间参数的组合定位了下降过程中的几类典型操作失误。首先是“低能敏感修正”情景,如R1规则所示。当表速处于43.667~67.020 n mile/h的低速区间时,机体的俯仰姿态极易出现-8.650°~3.130°的异常偏离。这反映了学员在低能量状态下试图维持或调整下滑航迹。此时气动效能偏低,学员为了保住高度而进行的俯仰修正动作极易出现过度补偿,这种操作最终导致了机体姿态协调不足。

其次是“高能陡降”情景,如R2、R3与R4规则共同揭示的强关联模式。在坡度-5.600°~4.350°即机翼基本改平的状态下,表速83.660~105.790 n mile/h的中高速度区间与俯仰姿态-16.000°~-8.680°的大幅下俯呈现出极强的共现关系。这种状态通常逼近高度879.200~1 285.200 ft的低空危险区域。这刻画了进近下降阶段的一种典型错误操作:学员未能及时收油门减速,导致下降速度偏大;为了强行丢失高度,学员采取了大幅推杆动作,形成-16°~-8.68°的下俯角。这种“带速度俯冲”是触发低空下降警戒的核心机制。此外,R5规则锁定了高度1 521.400~2 000.200 ft与表速67.260~83.330 n mile/h的组合区间,提示在中低空过渡阶段,俯仰姿态-8.650°~3.130°的轻微姿态不当同样潜伏着下沉率超限的风险。

为进一步厘清这23条规则中各区间因素的主次关系,构建低空下降警戒的核心风险知识图谱,如图3所示。

结合频次统计数据,该网络呈现出以特定的“坡度”参数为中心、向“俯仰姿态”和“高度”辐射的星状结构。“坡度-5.600°~4.350°”是绝对的枢纽节点,在23条规则中参与构建了13条风险路径。“高度1521.400~2 000.200 ft”出现了9次,“俯仰姿态-16.000°~-8.680°”与“高度879.200~1285.200 ft”则各出现了8次。

这种网络拓扑结构揭示了一个重要现象:低空下降的复杂风险高度依附于“坡度-5.600°~4.350°”这一平飞状态因子。这种星状的强耦合结构为设计高效的控制策略提供了思路。只要在关键的复合节点上设置防线,就能同时阻断多条风险衍生的可能。基于此原理,运用路径覆盖计算来评估不同联合管控策略的效率。计算结果显示,若同时管控“坡度”与“高度”两个因素区间,可消除18条独立的风险路径,覆盖率达78.3%。若管控“坡度”与“俯仰姿态”区间组合,则能消除17条路径,覆盖率约为73.9%。这一数据清晰地表明,基于坡度与特定高度联动的干预策略,在阻断整个风险传播网络时的边际效益最为显著。

该量化分析结果可直接用于优化低空段的风险预警与操作训练。在飞控逻辑或地面FOQA中,应突破单一参数限值的局限,将“坡度-5.600°~4.350°”与“高度1521.400~2000.200 ft”的特定高度段视为下降过程中的高敏感组合区间。系统可据此引入复合判定阈值,实现提前预警。在飞行员训练实践中,教员应针对数据揭示的“高能陡降”情景增加专项演练。重点强化表速83.660~105.790 n mile/h状态下的速度与俯仰协同控制意识,严禁学员在动能未有效衰减时,通过-16.000°~-8.680°的大俯仰角盲目追求高度下降,从操作根源上消除风险隐患。

4.3 着陆重事件结果分析

着陆重事件是典型的“能量过剩-姿态配合不足”型风险。基于FP-Growth算法的挖掘结果(表6),共识别出51条强关联规则,揭示了着陆阶段机体运动状态的典型风险模式。

对表6进行分析表明,着陆重风险并非单一模式,而是呈现出显著的“双峰风险”特征。表速参数在多条规则中充当了核心驱动因子。

首先是“带速平接”情景,如R1、R4、R5以及R7规则所示。在表速61.170~76.240 n mile/h或51.510~61.020 n mile/h的较高速度区间下,机体往往伴随着0.110°~4.100°这种极为平缓的俯仰姿态。这种状态组合极易诱发1.800g~2.160g的高垂直载荷。从一线飞行机理推演,这反映了进近末端能量未能充分耗散的典型失误。学员在表速偏高时,未能及时带杆建立正常的拉平姿态。机体以偏小的迎角和偏高的下沉率直接触地,多余的平飞动能瞬间转化为对起落架的垂直冲击。

其次是“低速过度拉平”情景,如R3与R6规则所示。当表速大幅衰减至31.270~48.850 n mile/h的低速区间时,俯仰姿态往往会急剧增大至5.080°~12.120°。这种极端组合带来的后果更为严重,直接导致了2.470g~3.170g的极高垂直载荷。在实际操作中,这常对应于学员发现飞机下沉过快或减速过多时,出于本能而粗猛拉杆抬头。但由于速度过低,机体已无法产生足够的升力来改变下沉轨迹。这种大仰角状态反而加剧了气动升力的突降,导致机体几乎以“失速”状态重重砸向跑道。将关联规则拆解重构,绘制了着陆重事件的核心风险知识图谱,如图4所示。

结合频次统计数据分析,该网络并未呈现分散的发散结构,而是收敛为一个以“表速”为绝对核心的“速度—姿态—载荷”三角耦合闭环。其中,“表速51.510~61.020 n mile/h”是节点度最高的节点,共出现19次;“垂直载荷1.800g~2.160g”出现17次,“俯仰姿态0.110°~4.100°”出现16次。

这种以特定表速区间为绝对枢纽的拓扑结构,为安全科学中的“能量链风险机制”提供了实证。在这个网络中,表速节点代表了着陆初始的动能输入端,俯仰姿态起到了能量耗散与转化的调节作用,而垂直载荷则是动能未能有效控制时所释放的末端破坏。图谱清晰地展示出,无论是第一种模式中姿态建立滞后导致的动能直接冲击,还是第二种模式中大仰角导致的升力急剧破坏,风险的演化本质上都是能量链中段的姿态错误匹配。因此,在实施路径覆盖与前置干预时,必须把握“特定表速与姿态”的联合枢纽节点,从而在能量传递链条的中段切断高载荷的触发路径。

基于图谱揭示的“枢纽”特性与“双峰风险”模式,传统的单参数限值监控策略存在滞后。在FOQA中,系统应能同时识别“表速51.510~61.020 n mile/h且俯仰姿态<4.1°”以及“表速<48.850 n mile/h且俯仰姿态>5.0°”这两种复合临界状态。一旦参数落入此联合区间,即可预测高载荷接地风险,并指导FOQA数据进行针对性的事后讲评。在实机训练中,教员必须将注意力从单纯的“看高度拉平”转移到“根据速度/能量状态动态调整拉平速率”上来,培养学员对速度与姿态耦合关系的敏锐感知,从能量管理的源头化解重着陆风险。

4.4 坡度警戒事件结果分析

坡度警戒事件在所有超限类型中呈现出最复杂的风险特征。基于FP-Growth算法挖掘,共得到高达126条强关联规则,如表7所示。这一数量远超其他事件,且规则的提升度普遍极高,这初步表明坡度警戒并非由单一因素触发,而是多变量高度耦合的系统性结果。

分析表明,该事件存在显著的“大坡度盘旋与纵向异常代偿”情景。如R1至R5规则所示,俯仰姿态、坡度变化率、高度、坡度、俯仰姿态变化率和表速这6个参数区间呈现出极强的关联关系。从一线飞行空气动力学机理推演,当机体处于坡度55.000°~69.800°的盘旋状态,且表速处于46.200~67.340 n mile/h的低速区间时,机翼的垂直有效升力会大幅衰减。此时机体极易在高度103.686~2297.300 ft的中低空出现掉高趋势。学员为了维持高度,往往本能地采取剧烈带杆动作,导致俯仰姿态变化率高达7.460~10.880 (°)/s。然而,学员却未能同步纠正倾斜角,导致坡度变化率仅为0.000~3.400 (°)/s。这种“坡度微动、俯仰却剧烈响应”的操作严重违背了横纵向协调控制原则,极易诱发机体的加速失速。将参数区间拆分并构建了坡度警戒事件的风险知识图谱,如图5所示。

该网络呈现出双核心层级结构。“坡度变化率0.000~3.400 (°)/s”是全网第一枢纽节点,共计出现了61次。“俯仰姿态变化率7.460~10.880 (°)/s”作为第二枢纽,出现了53次。此外,R6规则置信度0.935印证了这两大枢纽节点之间存在极强的正向传导趋势。围绕这一核心层,表速、高度和静态坡度等节点则构成了风险触发的外部约束条件层。

这种以“双变化率”为核心的网络拓扑结构,为动态失稳的诱发机理提供了量化依据。图谱证实,此类风险的根源并非单纯的静态坡度越限,而是横向滚转与纵向俯仰两个动态响应速率之间的严重不匹配。从系统控制理论视角来看,这两个高频枢纽节点构成了风险演化链条上的核心节点。只要针对性地管控这两个动态变化率的耦合通道,就能在失稳初期切断事故链的向外传导。若同时管控“坡度变化率”与“俯仰姿态变化率”这两个核心节点区间,可直接切断82条独立的风险路径,整体覆盖率高达65%。

该分析结果为飞行风险管控提供了根本性的思路转变。传统的单参数阈值告警对这种动态失稳风险的预警往往存在滞后。在飞控逻辑与FOQA监控中,可引入动态趋势与多维耦合预警机制。例如,系统应设定联合阈值:当机体处于大坡度状态,且同时满足0.000~3.400 (°)/s坡度变化率的低位与7.460~10.880 (°)/s俯仰姿态变化率的高位时,即触发纵向失稳预警。在实机与模拟机训练中,教员应针对此数据规律设置专项课目。必须向学员强调,在大坡度盘旋掉高时,严禁单一依靠大动作拉杆来挽救高度;正确的操作应当是首先减小坡度以恢复垂直升力分量,并同步适当增加发动机功率,从空气动力学根源上消除动态失稳的诱发条件。

4.5 跨事件风险识别分析

前述针对单一事件的分析揭示了各自的风险模式,但未能展现不同事件间的深层联系。为挖掘更具根本性的共性风险,识别系统性的安全靶点,有必要在全局视角下对所有风险因子进行重构。

为此,将全部259条关联规则的前项拆分为独立的飞行参数区间节点。为解决聚类划分带来的区间碎片化问题,引入区间交并比(intersection over union, IoU)计算,将交并比超过75%的高度相似区间,如表速43.667~67.020 n mile/h与表速46.200~67.340 n mile/h,合并为统一的代表性节点,如表速43.667~67.340 n mile/h。基于此,构建了如图6所示的跨事件核心风险知识图谱。

结合具体的飞行参数区间,该图谱揭示了单一事件分析中难以察觉的系统性结构。图谱识别出了连接不同事件的共性因素。例如,坡度警戒与俯仰操作粗猛这两类看似不同的事件,共同指向“俯仰姿态变化率6.500~10.880 (°)/s”和“坡度变化率0.000~3.840 (°)/s”这两个核心节点。从空气动力学与操作机理推演,这表明学员在面临动态扰动时,对横滚与纵向响应速率的协同控制存在普遍缺陷。这种动态变化率的控制不当,正是诱发多类动态失稳事件的关键共性根源。

图谱在全局网络中识别出了跨事件的绝对关键节点。在所有合并后的区间节点中,“表速43.667~67.340 n mile/h”展现出最高的网络中心性。它不仅与上述“俯仰姿态变化率”及“坡度变化率”等共性因素建立了联系,还通过“俯仰姿态0.110°~4.100°”这一特定节点,与低空下降警戒及着陆重事件建立了关联路径。这表明,“表速43.667~67.340 n mile/h”这一特定的低能量飞行状态,成为连接多种飞行姿态与轨迹失控事件的核心枢纽。

在传统的通航安全管理中,往往倾向于针对单一事件的末端表象进行对应干预,如仅针对重着陆强调轻柔接地。而跨事件图谱表明,各类复杂的超限事件在底层共享着相同的能量失衡机制。因此,管控“表速43.667~67.340 n mile/h”的能量输入,能有效阻断风险在不同事件间的传递和演化。

这一结论为一线的训练与监控指明了方向。在FOQA中,对低速区间能量状态的异常管理应被提升至最高优先级。在飞行员基础训练阶段,教员应围绕该特定低速区间,开展大量包含横纵向姿态协同、油门功率精确分配的综合防御性飞行科目。只有补齐学员在核心低能量状态下的操纵短板,才能从根本上降低多种事件发生的可能。

5 结论

(1)针对通航领域内嵌数值的离散事件记录型数据,提出了关联风险分析框架。引入WGAN-GP数据增强模型以解决此类数据因机型设备差异而导致的严重稀疏性和特征不完整问题,提升了原始数据的可用性。后续采用VBGMM聚类方法进行客观的自动区间划分,利用FP-Growth进行关联挖掘。将原始零散的事件记录,转化为直观可解释的飞行风险知识,为处理类似结构的事件型数据提供新思路。

(2)通过对259条强关联规则进行分析,识别四类超限事件各自独特的核心风险结构与主导模式。俯仰操作粗猛事件为操纵驱动与状态响应的双路径风险;低空下降警戒事件表现为以坡度状态为枢纽的姿态-速度-高度强耦合特性;着陆重事件以表速为核心,并呈现出中速/小仰角与低速/大仰角并存的双峰风险模式;坡度警戒事件则由坡度变化率与俯仰姿态变化率共同主导。

(3)在单一事件分析的基础上,通过对所有风险区间进行重构与合并,进一步揭示了跨事件的共性风险因子。俯仰姿态变化率6.500~10.880 (°)/s与坡度变化率0.000~3.840 (°)/s两个变化率因素,同时与坡度警戒和俯仰操作粗猛事件强关联。俯仰姿态0.110°~4.100°静态姿态区间,同时与坡度警戒和着陆重事件强关联。表速43.667°~67.340°这一低速区间,作为全局关键节点,与上述所有共性风险因子均强关联,连接了全部四类超限事件。后续的安全管控,应重点关注表速这一核心能量状态,通过加强特定低速区间的姿态协同控制,实现对多类事件的系统性预防。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	中国民用航空局. 2024年民航行业发展统计公报[EB/OL]. (2024-12-15) [2025-11-04]. https://www.caac.gov.cn/XXGK/XXGK/TJSJ/202505/t20250515_227513.html.

[2]	Civil Aviation Administration of China. 2024 statistical bulletin on the development of civil aviation industry[EB/OL]. (2024-12-15) [2025-11-04]. https://www.caac.gov.cn/XXGK/XXGK/TJSJ/202505/t20250515_227513.html.

[3]	王菲茵, 袁锦彤, 刘笑辰. 基于QAR的民机异常飞行模式识别及风险评价模型[J]. 中国安全科学学报, 2025, 35(2): 160-167.

[4]	Wang Feiyin, Yuan Jintong, Liu Xiaochen. Anomaly flight mode recognition and risk evaluation model for civil aircraft based on QAR[J]. China Safety Science Journal, 2025, 35(2): 160-167.

[5]	孙宏, 李旭, 王静. 基于QAR飞参数据飞行员风切变处置能力评价模型[J]. 中国民航大学学报, 2024, 42(2): 38-43.

[6]	Sun Hong, Li Xu, Wang Jing. Evaluation model of pilot's wind shear handling capability based on QAR flight parameters data[J]. Journal of Civil Aviation University of China, 2024, 42(2): 38-43.

[7]	汪磊, 张楠, 高杉. 基于QAR数据与关联规则的着陆阶段超限风险评估[J]. 北京航空航天大学学报, 2025, 51(6): 1907-1916.

[8]	Wang Lei, Zhang Nan, Gao Shan. Risk assessment of landing phase exceedance based on QAR data and association rules[J]. Journal of Beijing University of Aeronautics and Astronautics, 2025, 51(6): 1907-1916.

[9]	Zhong Y, Liu T, Fang F, et al. Hard landing pattern recognition and precaution with QAR data by functional data analysis[J]. IEEE Transactions on Aerospace and Electronic Systems, 2024, 60(4): 5101-5113.

[10]	牛凯杰, 范良, 张琳婧, 等. 基于Apriori算法的油气企业隐患关联规则挖掘与对策研究[J]. 化工安全与环境, 2025, 38(4): 14-20, 26.

[11]	Niu Kaijie, Fan Liang, Zhang Linjing, et al. Research on mining and countermeasures of hidden danger association rules in oil and gas enterprises based on Apriori algorithm[J]. Chemical Safety and Environment, 2025, 38(4): 14-20, 26.

[12]	赵健岭, 刘素艳, 孙学浩, 等. 基于深度神经网络关联规则的滚动轴承故障诊断研究[J]. 铁道科学与工程学报, 2026, 23(3): 1484-1496.

[13]	Zhao Jianling, Liu Suyan, Sun Xuehao, et al. Research on fault diagnosis of rolling bearings based on deep neural network association rules[J]. Journal of Railway Science and Engineering, 2026, 23(3): 1484-1496.

[14]	Wang Y, Hou Z, Bu F, et al. Association analysis method of drug-related cases based on Apriori and FP-Growth algorithm[C]// 2020 International Conference on Image, Video Processing and Artificial Intelligence. Bellingham: SPIE, 2020: 520-527.

[15]	韩子威, 朱建生, 王辉, 等. 基于数据驱动的动车组行车故障处置与后续影响因素关联规则研究[J]. 铁道学报, 2025, 47(5): 31-38.

[16]	Han Ziwei, Zhu Jiansheng, Wang Hui, et al. Research on association rules of EMU train operation fault handling and subsequent influencing factors based on data-driven approach[J]. Journal of the China Railway Society, 2025, 47(5): 31-38.

[17]	崔亚君, 祝华远, 李艳丽. 基于灰色关联度分析法的飞行控制系统故障原因分析[J]. 四川兵工学报, 2013, 34(5): 44-45, 49.

[18]	Cui Yajun, Zhu Huayuan, Li Yanli. Analysis of fault causes of flight control system based on grey relational analysis method[J]. Journal of Sichuan Ordnance, 2013, 34(5): 44-45, 49.

[19]	谢嘉仪. 基于QAR飞行大数据的不稳定进近风险分析与预警技术研究[D]. 武汉: 武汉大学, 2021.

[20]	Xie Jiayi. Research on risk analysis and warning technology of unstable approach based on QAR flight big data[D]. Wuhan: Wuhan University, 2021.

[21]	Wang F, Liu X. Human factors association mining for controlled flight into terrain based on QAR data[C]// International Conference on Human-Computer Interaction. Cham: Springer Nature Switzerland, 2024: 297-307.

[22]	程刚. 面向飞行员不安全操纵行为挖掘的QAR数据关联分析方法研究[D]. 武汉: 武汉理工大学, 2020.

[23]	Cheng Gang. Research on QAR data association analysis method for mining pilots' unsafe operating behaviors[D]. Wuhan: Wuhan University of Technology, 2020.

[24]	张洪海, 戴一鸣, 刘文泉, 等. 民航管制运行风险主题发现及演化趋势[J]. 科学技术与工程, 2025, 25(17): 7417-7429.

[25]	Zhang Honghai, Dai Yiming, Liu Wenquan, et al. Topic discovery and evolution trend of civil aviation air traffic control operational risks[J]. Science Technology and Engineering, 2025, 25(17): 7417-7429.

[26]	宋洋, 赵梓池. 基于复杂网络的航班过站保障系统事故、关键致因因素识别[J]. 科学技术与工程, 2025, 25(5): 2184-2192.

[27]	Song Yang, Zhao Zichi. Identification of accidents and key contributing factors in flight turnaround support systems based on complex networks[J]. Science Technology and Engineering, 2025, 25(5): 2184-2192.

[28]	何鹏, 罗智浩, 胡蓉, 等. 基于改进GAN的水力测功器轴承故障在线诊断方法[J]. 科学技术与工程, 2024, 24(14): 5804-5811.

[29]	He Peng, Luo Zhihao, Hu Rong, et al. Online diagnosis method for hydraulic dynamometer bearing faults based on improved GAN[J]. Science Technology and Engineering, 2024, 24(14): 5804-5811.

[30]	李艳辉, 王衍萌. 基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果[J]. 科学技术与工程, 2023, 23(32): 13896-13902.

[31]	Li Yanhui, Wang Yanmeng. Prediction and effect of oilfield water injection flow based on data augmentation and CNN-BiLSTM-Attention[J]. Science Technology and Engineering, 2023, 23(32): 13896-13902.

[32]	马文海. 基于自编码器和数据增强的高维稀疏数据异常检测模型[D]. 哈尔滨: 哈尔滨工程大学, 2023.

[33]	Ma Wenhai. Anomaly detection model for high-dimensional sparse data based on autoencoder and data augmentation[D]. Harbin: Harbin Engineering University, 2023.

[34]	Zhao J, Rong C, Dang X, et al. QAR data imputation using generative adversarial network with self-attention mechanism[J]. Big Data Mining and Analytics, 2023, 7(1): 12-28.

[35]	安瑞, 鲁进, 杨晶晶. 基于双分支小波卷积自编码器和数据增强的深度聚类方法[J]. 计算机科学, 2025, 52(4): 129-137.

[36]	An Rui, Lu Jin, Yang Jingjing. Deep clustering method based on dual-branch wavelet convolutional autoencoder and data augmentation[J]. Computer Science, 2025, 52(4): 129-137.

[37]	Yu H, Wang Q F, Shi J Y. Data augmentation generated by generative adversarial network for small sample datasets clustering[J]. Neural Processing Letters, 2023, 55(6): 8365-8384.