1.本发明属于数据挖掘、航空安全、风险评估领域，具体涉及一种飞行着陆品质监控与评估方法及系统。
背景技术：
：：2.在航空行业发达的现代社会，航空安全一直是航空领域最重要的话题之一。根据波音公司对2009年至2019年重大飞行安全事故数据的统计，最后着陆阶段是非常容易发生飞行安全事故的阶段。主要原因是飞机在这个阶段需要大量的飞行员操作和复杂的环境变化，飞行员的误判或操作不当可能会导致严重的后果，如引发安全事件。因此，对着陆阶段进行研究分析，对航空安全领域具有重要意义。3.在着陆安全事件中，重着陆是较为典型的着陆安全事件，是指当飞机着陆瞬间，起落架与地面产生的冲击载荷(一般用垂直加速度表示)超过规定限度的事件。在着陆阶段的安全事件中，重着陆是其中一类发生频繁的不安全事件，2006～2011年我国民航共发生重着陆不安全事件125起，约占着陆阶段不安全事件总数的20％。1993～2002年，全球发生了385起事故，其中重着陆导致2架飞机损毁、47架严重损坏、11架轻微损坏。作为典型着陆不安全风险事件，重着陆不仅会给乘客带来不好的飞行体验，损害航空公司形象，还会加速机翼、起落架、发动机、飞机整体结构的疲劳损伤甚至断裂，增大着陆安全事故的发生几率，给航空公司带来巨大经济损失，情况严重时会引发灾难性事故后果，对旅客生命安全造成威胁。4.目前对于重着陆的研究主要分为两类：第一类是基于管理学和心理学的重着陆研究，第二类是基于qar(快速存取记录器，带保护装置的机载飞行数据记录设备)数据的重着陆研究。5.第一类的研究人员一般是飞行领域的专业人员，他们对民航飞行领域有着较为深刻的认识，主要从管理学和心理学方面分析重着陆的产生原因以及防止措施。石淼等对飞机重着陆问题进行了分析和思考，将重着陆原因总结为三大类：天气原因、飞行员操作技术原因和其他原因。李嘉华则将重着陆的原因归纳为：非稳定进近、飞行操纵不当和环境或特殊天气条件下引起的误判三类。针对上述重着陆原因，作者分别从飞行员操纵技术要点、注意力分配、飞行员形态、着陆机场天气情况预报等方面给出了改进建议。6.第二类则是基于qar的重着陆研究，将这类研究称为数据驱动的研究，因为这类研究主要是采用机器学习和风险评估模型对qar数据进行分析和挖掘，从数据中找到重着陆的发生原因或者发生概率。与基于管理和心理学的研究相比，这类研究以数据说话，因此其结果也更加客观，且能够帮助飞行专家发现一些新的有用信息，基于qar数据的重着陆研究已逐渐成为当前的主流。曹海鹏等设计了一个三层bp神经网络对重着陆进行预测，也有学者研究了基于svm的重着陆预测模型。童超等人则利用深度学习框架来解决重着陆问题，针对qar数据的时序特点，提出了基于长短期记忆网络的重着陆预测框架。这些方法都是重着陆发生之前进行的预测，以此希望尽可能的规避重着陆的发生。在风险评估方面，汪磊提出了基于qar的重着陆风险定量评估模型，该模型将重着陆风险定义为重着陆发生的概率与发生重着陆事件的严重性的乘积，他又在此基础上进一步对风险模型进行完善，且同时考虑了重着陆、冲偏出跑道、擦机尾三类事件。7.但是，现有的风险评估方法仅仅考虑了发生概率和发生严重性两个方面对重着陆进行风险评估，而对于一些导致该风险的特殊时间点或者特殊时间段的特征参数没有进行探究。技术实现要素：8.本发明的目的在于解决上述现有技术中存在的难题，提供一种飞行着陆品质监控与评估方法及系统，便于航空公司了解航班重着陆风险程度和探究其风险原因，便于实现海量航班数据管理以及自动化评估，还能够通过可视化展示风险变化趋势等有价值的信息。9.本发明是通过以下技术方案实现的：10.本发明的第一个方面，提供了一种飞行着陆品质监控与评估方法，所述方法利用飞机的原始qar数据获得与重着陆相关的measurement指标，并利用measurement指标获得重着陆风险值。11.本发明的进一步改进在于：12.所述方法包括：13.(1)采集飞机的原始qar数据；14.(2)从原始qar数据中提取出飞行参数测量值，即measurement数据；15.(3)对数据进行预处理；16.(4)构建重着陆风险评估模型，获得重着陆风险值。17.本发明的进一步改进在于：18.所述步骤(2)的操作包括：19.利用measurement软件从原始qar数据中提取出飞行参数测量值，即measurement数据。20.本发明的进一步改进在于：21.所述步骤(3)的操作包括：22.(31)对原始qar数据进行预处理；23.(32)对measurement数据进行预处理。24.本发明的进一步改进在于：25.所述步骤(4)的操作包括：26.(41)从预处理后的measurement数据中提取与重着陆相关的数据作为measurement指标，并绘制每个measurement指标的箱线图；27.(42)建立各个measurement指标的参考范围，并确定各个measurement指标的权重；28.(43)获得重着陆风险值。29.本发明的进一步改进在于：30.所述步骤(41)中的绘制每个measurement指标的箱线图的操作包括：31.选择从接地时刻向前取30秒、向后取20秒，总共50秒的时间段作为着陆区间；32.针对每个航段，首先提取着陆区间内的垂直载荷vrtg的变化曲线，然后获取变化曲线的峰值，如果峰值大于阈值，则判定该航段为重着陆航段，如果峰值小于或等于阈值，则判定该航段为非重着陆航段；33.绘制每个measurement指标的箱线图，箱线图中包括非重着陆航段和重着陆航段。34.本发明的进一步改进在于：35.所述步骤(42)的操作包括：36.根据箱线图挑选出重着陆与非重着陆航段区分显著的measurement指标；37.针对每个重着陆与非重着陆航段区分显著的measurement指标，获得该measurement指标在着陆区间内的90％的测量值所在的范围，将该范围作为该measurement指标的参考范围；根据区分重着陆航段与非重着陆航段的能力，设定该measurement指标的权重，权重的取值范围为[0～1]。[0038]本发明的进一步改进在于：[0039]所述步骤(43)的操作包括：[0040]利用下式计算获得一个航段的重着陆风险值risk:[0041][0042]其中，m表示所有用于计算重着陆风险值的measurement指标的集合，mi是第i个measurement指标，i{*}为符号函数，其表示：当括弧中的条件成立时，i{*}＝1，否则i{*}＝0，wi是第i个measurement指标的权重；[0043]macthrule表示满足计算规则，具体如下：计算规则rule包括三种取值类型：left、right和both，其中，left表示测量值左偏出参考范围，right表示测量值右偏出参考范围，both表示测量值左偏出或者右偏出参考范围。[0044]本发明的第二个方面，提供了一种飞行着陆品质监控与评估系统，所述系统包括：[0045]采集单元，用于采集飞机的原始qar数据；[0046]提取单元，与所述采集单元连接，用于从原始qar数据中提取出飞行参数测量值，即measurement数据；[0047]预处理单元，与采集单元、提取单元分别连接，用于对数据进行预处理；[0048]风险值计算单元，与预处理单元连接，用于构建重着陆风险评估模型，获得重着陆风险值；[0049]可视化单元：与采集单元、提取单元、预处理单元、风险值计算单元分别连接，用于对数据进行可视化显示。[0050]与现有技术相比，本发明的有益效果是：利用本发明，航空公司能够了解航班重着陆风险程度和探究其风险原因，便于实现海量航班数据管理以及自动化评估，还能够通过可视化展示风险变化趋势等有价值的信息。附图说明[0051]图1不同插值方法效果图；[0052]图2风速风向变换图；[0053]图3measurement表内容示例；[0054]图4-1touchdowngate1(200英尺高度)至50英尺阶段飞机的最大下降率箱线图；[0055]图4-2touchdowngate1(200英尺高度)至50英尺阶段飞机的最小下降率箱线图；[0056]图5-1重着陆的ivv曲线；；[0057]图5-2非重着陆的ivv曲线；[0058]图6-150ft至接地的平均下降率箱线图对比结果；[0059]图6-250ft至接地的最大下降率箱线图对比结果；[0060]图6-350ft至接地的最小下降率箱线图对比结果；[0061]图750ft至接地时间箱线图对比结果；[0062]图8着陆阶段的最小vrtg值；[0063]图9着陆阶段最大俯仰角箱线图对比结果；[0064]图10接地时刻最大俯仰角箱线图对比结果；[0065]图1150ft至接地阶段最大俯仰角箱线图对比结果；[0066]图12接地时刻最大绝对横滚角箱线图对比结果；[0067]图1350ft至接地阶段最大绝对横滚角箱线图；[0068]图14-1接地时刻能量箱线图；[0069]图14-250ft时刻能量箱线图；[0070]图15-1接地时刻飞机地速箱线图；[0071]图15-250ft时刻飞机地速箱线图；[0072]图16-1着陆阶段最大地速箱线图；[0073]图16-2着陆阶段最大空速箱线图；[0074]图17着陆阶段最大侧向加速度箱线图对比结果；[0075]图1850ft至接地阶段最小侧风箱线图对比结果；[0076]图19重着陆风险值对比箱线图；[0077]图20重着陆风险与vrtg峰值关系散点图；[0078]图21本发明系统的总体框架图；[0079]图22本发明系统的实现框架图；[0080]图23基于teblueau的数据钻取分析；[0081]图24-1重着陆风险案例分析；[0082]图24-2重着陆风险案例分析；[0083]图24-3重着陆风险案例分析；[0084]图24-4重着陆风险案例分析；[0085]图25本发明方法的步骤框图。具体实施方式[0086]下面结合附图对本发明作进一步详细描述：[0087]特征参数对于重着陆风险程度以及风险原因的研究有极大的实际意义。本发明利用measurement数据的某些时间点或者时间段的特征参数，同时考虑该特征偏离正常范围的程度来构建重着陆风险评估模型，便于航空公司了解航班重着陆风险程度和探究其风险原因。本发明在此基础上将其系统工具化，以便于实现海量航班数据管理以及自动化评估，还能够通过可视化展示风险变化趋势等有价值的信息。[0088]本发明提供了一种飞行着陆品质监控与评估方法，如图25所示，所述方法包括：[0089](1)采集飞机的原始qar数据：[0090]飞机的原始qar数据完整地记录了飞机整个飞行阶段的各项参数，包括飞机自身的状态参数、飞行员的控制命令参数、外部环境参数等。表1列出了一些典型的qar数据。[0091][0092][0093]表1[0094](2)从原始qar数据提取出飞行参数测量值，即measurement数据：[0095]可以采用现有的工具“measurement”从原始qar数据提取出飞行参数测量值，称提取出来的数据为measurement数据。[0096]measurement是teledyne公司研发的一款面向航空应用领域的数据测量和采集工具，它可以从原始的qar数据中，通过译码、计算、测量、聚合等操作，提取出用户感兴趣的飞行参数测量值。measurement提取的飞行参数测量值分为以下4类：[0097]·informationmeasurements：这类measurements信息包含了某个航班的基本信息，如机型、起飞机场icao代码、着陆机场icao代码、航班号等。[0098]·scalarmeasurements：这类measurements信息为从某航段的某个单独采样时刻(单位：秒)获取的测量值，如：touchdown时刻。[0099]·aggregatemeasurements：这类measurements信息为从某个预定义的时间范围，按预定义的聚合方法进行聚合得到的测量值，时间范围包括两个时间点、飞行阶段或者整个航段，聚合方法包括sum、max、min、average等。[0100]·combinedaggregatemeasurements：这类measurements通过对多个范围内相同的测量对象进行聚合得到测量值，如航段的所有巡航阶段。[0101]measurement本身已预定义了很多常用的测量值，此外，它还支持用户在已有的measurement定义上进行扩展，得到自定义的measurement。[0102](3)对数据进行预处理：[0103]首先对原始的qar数据进行预处理，例如为了获得飞机的轴向风和侧向风的大小，需要对原始qar数据中的风速、风向、磁航向三个参数进行处理，得到轴向风和侧向风两个新的飞行参数，还需要对不同频率的原始qar数据的处理以及对状态类型的参数数值化；[0104]在对原始的qar数据预处理完成之后，再对measurement数据进行预处理。[0105]步骤(3)的操作具体如下：[0106](31)对原始qar数据进行预处理：[0107]绝大部分qar数据是数值类型的，如无线电高度、空速、地速、俯仰角、下降率、垂直载荷等，而另一些参数则是离散的状态变量。例如起落架状态，其主要包含air和ground两种状态，分别与起落架空地电门的开、关相对应，air表示起落架在空中(未接地)，ground表示起落架接地。为了对飞机的起落架状态进行可视化，需要将air和ground两种状态转换为数值类型，为了使结果尽可能直观，本发明将air状态变换为1，ground状态变换为0。其他的离散型状态参数(ap_egd1、ap_egd2、athr_egd、flap_level1、flap_level2)也可以采取类似的操作。[0108]此外，不同qar数据的采样频率也不一样，为了细粒度地对qar数据变化曲线进行可视化，并能在同一张图中对不同参数曲线进行对比分析，本发明需要对一些采样频率较低的数据进行插值处理，将其采样频率扩展为最高采样频率(8hz)。针对不同类型的数据，需采取不同的插值手段。例如，对于无线电高度这样的数值型参数，可以采用线性插值法，由于无线电高度自身的采样频率是4hz，要扩展为8hz，只需要在相邻的两个数据点x1,x2之间插入它们的平均值(x1+x2)/2即可。但是对于起落架状态这种离散状态参数，则不适合采取线性插值法，假设air状态对应1，ground状态对应0，则插值之后可能得到中间值0.5，该值没有相应的起落架状态与之对应，对于这类参数，本发明采取“覆盖”插值法，即插值点用距离该点最近的前面的点进行覆盖(即当前点和最近的前面的点的值相同)，两种插值的效果如图1所示。综上，针对不同类型、不同采样频率的qar参数，需根据具体情况采取相应的插值方法进行处理。[0109]除了上述数据变换和插值处理之外，还需要对一些参数进行高级变换，其中包括风速风向这两个参数。研究表明，着陆阶段的风切变也是导致着陆不安全事件的原因之一，然而风切变是相对于飞机的飞行方向来说的(逆风变顺风、左侧风变右侧风等)，直接从风速和风向参数中很难获取风切变的确切信息，因此需要结合飞机的磁航向和风速风向来计算风对飞机的作用。计算方法为：首先计算风向与飞机磁航向的夹角θ＝β-α，其中β为风向，为α磁航向，然后利用三角函数关系计算风速在平行和垂直于飞机航向的分量，如下：[0110][0111]其中winspd表示风速，wincrs表示侧风大小，正值表示左侧风，负值表示右侧风，winalg表示轴向风大小，正值表示顺风，负值表示逆风，其计算示意图如图2所示。[0112](32)对measurement数据进行预处理：[0113]本发明基于measurement数据，进行了数据的预处理操作，包括数据清洗、缺失值填充、数据关联等。对于aircrafttype字段预处理，本发明首先对flight表(flight表是从measurement数据库中导出得来，是一种包含了各种飞行参数字段(例如飞行时间，飞机型号即aircrafttype等字段)的aircrafttype字段进行分析，发现该字段中会出现同一种机型对应两种名称的情况，例如b737和737，对这类字段，本发明采取将字段值统一为标准值的处理方式，例如将所有“737”修改为“b737”。对于字段内容的缺失处理，在measurement数据当中，存在起飞和着陆机场相关字段存在部分航段为空的情况，对这类数据进行机场相关分析时，统一将其归为其他机场类别。[0114]measurement表存储了多个航段的measurement测量值具体信息，其内容如图3所示，包含flightid、measurementcode、measurementdesc等字段，表2列出了measurement表中的字段名称和具体的含义。其中flightid字段指定了测量值来自哪一个航段，因此通过flightid可以将flight表与measurement表进行关联，从而得到某个航段的所有measurement测量值。[0115][0116][0117]表2[0118]为了确定measurementcode是否能作为某种测量方式的唯一标识，本发明分析了measurementcode和measurementdesc、measurementname、measurementrange、rangetype、aggregate之间的对应关系，结果如表3所示。可以看到，measurementcode与measurementdesc之间存在一一对应关系，但与其他字段之间不存在一一对应关系。但是对于同一个measurementcode，其measurementdesc、measurementname、measurementrange、rangetype、aggregate都是唯一的，因此可以将measurementcode作为某种测量方式的唯一标识。[0119][0120]表3[0121]本发明选择部分跟着陆安全相关的字段，提取其measurementvalue测量值，以箱线图进行展示，发现部分测量值存在明显的异常。以着陆阶段的下降率(ivv)为例，如图4-1和图4-2所示，图4-1为touchdowngate1(200英尺高度)至50英尺阶段飞机的最大下降率箱线图，图4-2为最小下降率，可以看出，最大和最小下降率中会包含一些明显偏离正常值范围的值(大于10000或小于-10000)。[0122]除了该参数外，发现部分其他参数也存在类似的异常值情况。为解决上述问题，本发明提出了基于规则的异常值过滤方法，结合专家经验，给出主要的measurement指标的正常值范围。在对measurement数据进行清洗时，将超出该范围的measurement测量值剔除，从而得到质量较高的数据。[0123](4)构建重着陆风险评估模型：[0124](41)从预处理后的measurement数据中提取与重着陆相关的数据作为measurement指标，并绘制每个measurement指标的箱线图，箱线图中包括非重着陆和重着陆两部分：[0125]首先，为了针对重着陆事件进行分析，本发明将预处理后的qar数据中的着陆区间提取出来，选择从接地时刻向前取30秒，向后取20秒，总共50秒作为着陆区间，本发明针对这一区间内分析飞机各个参数的变化规律。针对每个航段首先提取着陆区间垂直载荷(vrtg)的变化曲线，然后获取vrtg曲线的峰值，若该峰值大于阈值，则判定该航段发生重着陆，即重着陆航段，如果小于或等于阈值，则判定该航段没有发生重着陆，即非重着陆航段，通过该阈值即可将航段分为重着陆航段和非重着陆航段，下面绘制箱线图时也是根据该阈值分成非重着陆和重着陆两部分。[0126]本实施例中基于qar数据进行分析，机型均为a320，共包含53个重着陆航段(vrtg峰值大于1.8g)和101个非重着陆航段。[0127]由于重着陆的发生通常与飞机下降率关系密切，本发明进一步对下降率(ivv)曲线进行可视化分析，如图5-1和图5-2所示。由此可以看出，在进入50英尺高度以前，重着陆航段的ivv波动更大，而非重着陆航段的ivv更平稳一些。此外，在50ft到接地这段区间，两者的ivv曲线特点呈现出显著差异，如图5-1和图5-2所示，重着陆航段ivv曲线呈“下凸”形状，而非重着陆航段呈“上凸”形状。这种特点说明飞机在进入50ft高度之后，重着陆航段没有及时将飞机的下降率控制下来，因为飞机快速接地，导致较大的垂直载荷。而非重着陆在进入50ft高度之后，下降率控制较为明显，因此飞机接地时的下降率较小，避免了重着陆的发生。当飞机进入50ft高度时，及时有效地控制飞机的下降率是避免重着陆的关键。[0128]从预处理后的measurement数据中提取与重着陆相关的数据，作为measurement指标：[0129]通过系统梳理得到measurement指标包括两类：一类是scalarmeasurement，另一类是aggregatemeasurement。表4给出了与重着陆相关的scalarmeasurement指标，表5给出了重着陆相关的aggregatemeasurement指标(这些指标是从qar数据中直接提取出来的，根据选择的不同参数和不同时间点，命名为不同的measurement指标,例如airspeedattouchdown，意思是飞机在着陆时刻的空速值。)。[0130][0131][0132]表4[0133][0134][0135]表5[0136]基于上述梳理的measurement指标结果，最终选择了49个measurement指标进行提取，本发明针对重着陆航段和非重着陆航段，采用箱线图对比它们在不同指标上的区别，从而辅助发现哪些指标对于计算重着陆风险具有比较重要的参考意义。[0137]图6-1到图6-3展示了avg_ivv_50ft_td、max_ivv_50ft_td和min_ivv_50ft_td(50ft至接地的平均、最大、最小下降率)指标的箱线图，可以看到，重着陆(hardlanding)航段的下降率显著高于非重着陆(normallanding)航段的下降率。图6-1到图6-3中的纵坐标是下降率，三个图对比了重着陆类航班和非重着陆类航班的下降率范围，比如重着陆类航班的下降率更大(纵坐标的负数表示方向，数值大小表示下降速度大小)，在图6-1到图6-3中，重着陆航班的三种下降率(平均，最大，最小)都要大于非重着陆的下降率，所以下降率这个参数对于区分重着陆和非重着陆重要程度比较高。[0138]图7展示了time_50ft_td(50ft至接地所用时间)的箱线图对比结果，从图7中可以看到，重着陆航段的50英尺至接地时间明显低于非重着陆航段的50英尺至接地时间。[0139]图8展示了min_vrtg_land(着陆阶段的最小vrtg值)的箱线图对比结果，从图中可以看到，在着陆阶段，重着陆航段的最小vrtg明显低于非重着陆航段的最小vrtg值，且重着陆航段的最小vrtg值波动范围更大，说明重着陆航段在着陆阶段通常伴随着较大的vrtg波动。[0140]图9给出了max_pitch_land(着陆阶段的最大俯仰角)的箱线图对比结果，从图中可以看到，在着陆阶段，重着陆航段的最大俯仰角明显高于非重着陆航段的最大俯仰角，说明重着陆航段在着陆阶段存在较大的姿态变化，没有非重着陆航段的姿态稳定。[0141]图10给出了max_pitch_td(接地时刻的最大俯仰角)的箱线图对比结果，同样，重着陆航段的俯仰角明显更高。[0142]图11给出了max_pitch_50ft_td(50ft至接地阶段最大俯仰角)的箱线图对比结果。与前面不同的是，这里重着陆航段的最大俯仰角并没有显著高于非重着陆航段。其主要区别在于，重着陆航段的俯仰角最大值波动范围比非重着陆航段波动范围更大，说明重着陆航段在这段时间内飞机的姿态变化更加剧烈。因此，保持飞机在50ft至接地阶段的姿态稳定也有助于降低重着陆风险。[0143]图12给出了max_abs_roll_td(接地时刻的最大绝对横滚角)的箱线图对比结果。从图12中可以看到，重着陆航段在接地时刻的最大横滚角绝对值显著高于非重着陆航段，说明重着陆航段接地时刻普遍具有一个比较大的横滚姿态。[0144]图13给出了max_abs_roll_50ft_td(50ft至接地阶段最大绝对横滚角)的箱线图对比结果，结果与图12类似。[0145]图14-1和图14-2分别给出了接地和50ft高度时刻飞机的能量(动能+重力势能，单位：兆焦)箱线图对比结果，可以看到，重着陆航段的平均能量显著高于非重着陆航段，说明能量有一定影响。[0146]图15-1和图15-2分别给出了接地和50ft高度时刻飞机地速的箱线图对比结果，可以看到，重着陆航段的平均地速显著高于非重着陆航段，说明地速过大会一定程度上增加重着陆风险。[0147]图16-1和图16-2给出了着陆阶段最大地速(gs)和最大空速(ias)的箱线图对比结果。可以看到，重着陆航段在着陆阶段的最大地速和空速都要显著高于非重着陆航段。[0148]图17给出了max_abs_latg_land(着陆阶段最大侧向加速度)的箱线图对比结果，可以看到重着陆航段明显更高。[0149]图18给出了min_win_lat_50ft_td(50ft至接地阶段最小侧风)箱线图对比结果，可以看到，重着陆航段的最小侧风明显更大，说明重着陆航段通常在50ft至接地阶段遭受了更大的侧风，进一步说明环境因素(侧风)是导致重着陆事件的原因之一。[0150]风险评估突出对任意一个航班数据(包括重着陆和非重着陆的)通过着陆之前的综合参数信息来评估重着陆风险程度，比如有的航班在50ft时刻ivv过大，通过重着陆风险评估可以评估其发生重着陆的风险大小。[0151]根据上面的统计分析结果，本发明设计重着陆风险评估模型，模型包含两个阶段，分别是measurement参考范围建立阶段和风险计算阶段，具体如下：[0152](42)建立各个measurement指标的参考范围：[0153]根据箱线图挑选出重着陆与非重着陆航段区分显著的measurement指标，然后以这些指标为基础，针对非重着陆航段，计算非重着陆航段的measurement测量值(该measurement测量值是接地前30秒至接地后20秒这50秒内的不同参数的不同时间点或者时间段的测量值，比如max_ivv_50ft_td表示，从接地前50英尺至接地这个时间段内最大的下降率值，其他的参数也是根据measurement数据预处理部分得到的)的90％范围(是指90％的测量值位于该范围内)，作为该measurement指标的参考范围。[0154]针对每一个选定的measurement指标，根据其区分重着陆与非重着陆航段的能力给定其权重，权重取值范围为[0～1]。[0155](43)计算重着陆风险值[0156]针对一个航段，首先获得该航段的各个measurement测量值，然后依次针对每一个measurement测量值，判断其是否超过了步骤(42)所建立的参考范围，若超出了参考范围，则将其风险值累加上该measurement指标对应的权重(即乘以权重)，最后对风险值进行归一化处理，得到该航段的重着陆风险值risk。[0157]以接地时的ivv(下降率)为例，非重着陆的ivv参考范围是[-200～-400](即90％的ivv均位于该范围内。),对于给出的一个单独航段，这个航段的接地时刻的ivv为-500，即-500超出了参考范围的范围100(-500-(-400))，计算大小的时候取绝对值，即500的速度超出了正常范围(200至400)的速度100，[0158]本发明给出了重着陆相关的measurement指标权重及其计算规则，如表6所示，其中计算规则rule有三种取值类型，分别是left、right和both，rule＝left表示当航段的该measurement指标左偏出指标参考范围，则在重着陆风险中累加该权重。例如，某measurement指标的参考范围为[100～200]，当前航段的这个measurement指标的测量值为50，则这个航段的该指标左偏出(即小于参考范围的下限)指标参考范围。[0159]本发明重着陆风险值的计算公式(即评估模型)：[0160][0161]其中m表示所有用于计算风险的measurement指标的集合(即挑选出来的所有重着陆与非重着陆航段区分显著的measurement指标)，mi属于m，也就是第i个measurement指标，i{*}为符号函数，当括弧中的条件成立时，i{*}＝1，否则i{*}＝0，分母通过对所有权重求和实现归一化，保证计算出来的风险值都属于[0,1]之间。wi是第i个measurement指标的权重。[0162]对于给定航段的第i个measurement指标，判断这个指标的测量值是左偏出参考范围还是右偏出参考范围，左偏出是该指标的测量值小于参考范围的下限部分，右偏出就是该指标的测量值大于参考范围的上限部分。例如，参考范围为[100-200]，指标的测量值为40就是左偏出参考范围60(100-40＝60)，指标的测量值为230就是右偏出参考范围30(230-200＝30)，上述公式中的“matchrulei”就是将该mi指标与此规则匹配并按此计算。[0163]“left”是指“只有左偏出”满足规则，“右偏出”则不满足规则，“right”反之；“both”是指“左偏出或者右偏出”都满足规则。如果规则是“左偏出”，则上式中的“matchrulei”表示只有左偏出时，i等于1，右偏出或者在参考范围内时，i等于0；如果规则是“both”,则“matchrulei”表示左偏出或右偏出时，i都等于1，只有在参考范围内时，i等于0。[0164]使用本发明时，每次都要挑选出重着陆与非重着陆航段区分显著的measurement指标，然后建立每个指标的参考范围和权重，最后根据计算公式获得风险值。[0165]nomeasurementweightrule1avg_ivv_50ft_td1left2max_ivv_50ft_td0.7left3min_ivv_50ft_td0.5left4time_50ft_td0.6left5min_vrtg_land0.3right6max_pitch_land0.4right7max_pitch_td0.3right8max_pitch_50ft_td0.2both9max_abs_roll_td0.3right10max_abs_roll_50ft_td0.2right11energy_td0.3right12energy_50ft0.2right13gs_td0.3right14gs_50ft0.2right15max_gs_land0.1right16max_ias_land0.2right17gw_td0.2right18ias_td0.1right19max_abs_latg_land0.2right20max_win_lat_50ft_td0.1right[0166]表6[0167]本发明基于100个非重着陆航段的qar数据，统计了49个measurement指标的90％参考范围，结果如表7所示，其中lower_bound和upper_bound分别表示90％参考范围的左右边界。表6中的20个是列举的部分相关指标，是为了举例说明不同指标的权重，表7中给出的49个是全部和重着陆相关的指标，给出的是参考范围的边界值。[0168][0169][0170]表7[0171]本发明基于评估模型，计算出52个重着陆航段和100个非重着陆航段的风险值，通过箱线图对比，结果如图19所示，可以看到，重着陆航段的风险值(平均值约0.4)显著高于非重着陆航段的风险值(平均值约0.05)。[0172]图20进一步通过散点图给出了重着陆风险值与vrtg峰值之间的关系，从图20中可以看到，整体来说，重着陆风险值与vrtg之间存在一定的正相关性，对于重着陆航段，这种关系更加明显，对与非重着陆航段，其相关性不是很显著。[0173]本发明还提供了一种飞行着陆品质监控与评估系统，具体如下：[0174]所述系统包括：[0175]采集单元，用于采集飞机的原始qar数据；[0176]提取单元，与所述采集单元连接，用于从原始qar数据提取出飞行参数测量值，即measurement数据；[0177]预处理单元，与采集单元、提取单元分别连接，用于对数据进行预处理；[0178]风险值计算单元，与预处理单元连接，用于构建重着陆风险评估模型，获得重着陆风险值；[0179]可视化单元：与采集单元、提取单元、预处理单元、风险值计算单元分别连接，用于对数据进行可视化显示。[0180]为了便于将以上风险评估模型工具化，本发明从三个方面对此工具化系统进行设计。[0181]首先将所有航班的模型评估结果(即对每个航班用上述方法进行计算获得的风险值)进行集中存储管理，其次能够自动对增量航班(新增加的航班)利用模型进行评估，最后从整体维度，对飞行的着陆品质进行可视化展示，能够用于衡量飞机的着陆品质，即着陆质量。[0182]对于航班关键数据集中管理，飞行着陆品质评估模型需要航班的一些关键数据完成计算，面对每年千万级的航班量，本发明需要对关键数据进行及时采集、规范管理，并及时支持高效查询。对于增量航班评估自动化，本发明不仅要用来评估历史航段数据，更需要对新增航班的飞行着陆品质进行评估。当航班数据有新增时，需要自动实现数据采集、风险计算、数据存储的模型评估全流程。最后对于飞行着陆品质可视化展现，本发明的系统存储的海量航班数据中隐藏着风险变化趋势等有价值的信息，可以将此类价值信息可视化。[0183]本发明系统总体框架如图21所示，数据源主要由airfase提供(airfase是一种译码软件，最原始的qar数据需要通过airfase译码之后转换成csv文件以便于数据分析)，后端数据库采用mysql来存储系统的一些中间信息，风险计算采用python实现，通过调用pythonflask接口，以http请求的方式获取航段风险值。系统的调度通过xxljob实现，前端通过tableau进行页面的可视化呈现风险的统计分析。其中xxljob是一个轻量级分布式任务调度平台，在系统中用于调度执行定时任务，完成增量航班的数据获取、风险计算等功能；okhttp是一个处理网络请求的开源项目，是安卓端的轻量级框架；mybatis是一个优秀的持久层框架，它支持自定义sql、存储过程以及高级映射，对原生的jdbc进行了封装，支持多款数据库。在本发明中用于读取airface的sqlserver数据库的数据，存储到mysql数据库中；flask是一个实用python编写的轻量级web应用框架，较其他同类型框架更为灵活、轻便、安全且容易上手，本发明在flask框架搭建的web服务器上，部署了航班风险计算的核心算法，系统可通过调用数据结构，完成航班风险的计算。mysql是一种关系型数据库管理系统，管理数据库将数据保存在不同的表中，而不是将所有数据放在一个大仓库内，这样就增加了速度并提高了灵活性；tableau是一个成熟的bi软件，本发明中该工具将mysql中存储的航班风险等结构化数据进行可视化展示。[0184]本发明的系统采用前后端分离的方式进行开发实现，如图22所示。[0185]本发明系统后端建立了一个mysql数据库，用于存储航班信息、measurements、reference、航班风险等数据；基于java的mybatis框架对airfase的sqlserver数据库中存储的航班信息、measurements等数据进行高效读取，按配置关系进行结构化之后，写入到系统的mysql数据库中；使用okhttp技术调取数据接口，完成航班的着陆品质计算后，将结果存储于mysql数据库中；基于python的flask框架，将飞行着陆品质评估模型的算法部署在web服务器上，并通过数据接口的方式供系统调用完成计算。[0186]前端使用tableau直接对接mysql数据库，使用数据库中的结构化数据，绘制成可视化图表；使用折线图、箱线图等实现趋势变化、航司对比、关键机场的展示，同时合理利用仪表盘，实现数据的聚合和钻取，其效果如图22所示。图22中的“筛选”是对于风险因子的筛选，即针对重着陆相关度高的measurement指标的筛选，而此筛选是通过对measurement预处理和通过画箱线图(图6-图18)来进行筛选的，筛选出这些measurement指标后再利用风险评估模型来计算风险值。[0187]图22中的“风险因子展示”是指通过箱线图来可视化该measurement指标，可以直观的看出该指标和重着陆的相关程度，此部分为可视化部分，也就是工具作用。[0188]图22中的“计算reference”指计算所述参考范围。[0189]图22中的“mesurement参数配置表”是measurement数据预处理部分得到的，配置measurement参数是将原来50s内的所有qar数据配置为各个不同的measurement指标，例如接地时刻的ivv指标、50ft高度的空速指标。[0190]本发明的一个实施例如下：[0191]【实施例】[0192]本实施例从非重着陆航段中挑选出风险值最大的一个航段(风险值：0.3594)，对其垂直载荷(vrtg)、下降率(ivv)、俯仰角(pitch)和侧风(cross_wind)进行可视化，结果如图24-1到图24-4所示。可以看到，虽然该航段并未促发重着陆超限事件，但是其ivv曲线跟前面分析的重着陆航段ivv曲线模式具有一定的相似性，且该航段从50ft到接地所用的时间较短(约5秒)。观察其俯仰角变化，可以看到在进入50ft高度时，飞机的姿态较小，俯仰角不到1度。通过侧风分析可以看到，该航段着陆过程中一直存在较大的侧风(8～10节)。因此，通过初步分析，可以判断由于侧风环境因素导致该航段风险较高。[0193]本发明首先通过提取重着陆相关的measurement指标，然后对这些指标进行重着陆与非重着陆分布范围的箱线图对比，选择区分度明显的指标，以此为基础建立measurement参考范围，然后针对每一个重着陆相关指标，根据其区分能力来指定其权重，结合上一阶段超出指标参考范围的值以计算航段总的重着陆风险值。通过实验数据的实际结果表明，重着陆航段的风险值显著高于非重着陆航段的风险值，以证明本发明提出的重着陆风险评估模型的有效性。此外，为了将飞行着陆品质模型工程化，本发明设计了一个系统，将所有航班的模型评估结果进行集中存储管理，自动对增量航班利用模型来进行评估，以及从整体维度对飞行着陆品质进行可视化展示。[0194]最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。当前第1页12当前第1页12