Detección y Análisis de Enfoque Inestable Basado en la Gestión de Energía y una Red Neuronal Profunda
Autores: Chiu, Tzu-Ying; Lai, Ying-Chih
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección y Análisis de Enfoque Inestable Basado en la Gestión de Energía y una Red Neuronal Profunda
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Gestión de riesgos
Seguridad en la aviación
Fases de aproximación y aterrizaje
Aproximaciones inestables
Análisis de datos de vuelo
Factores humanos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 16
Citaciones: Sin citaciones
El estudio de la gestión del riesgo en la aviación es clave para mejorar la seguridad en los vuelos. En comparación con las otras fases de operación de vuelo, las fases de aproximación y aterrizaje son más críticas y peligrosas. Este estudio tiene como objetivo detectar y analizar aproximaciones inestables en Taiwán a través de datos históricos de vuelos. Además de factores meteorológicos como baja visibilidad y vientos cruzados, los factores humanos también representan una gran parte del riesgo. De los accidentes estudiados en el informe estocástico de la Fundación de Seguridad Aérea, casi el 70% de los accidentes ocurrieron durante las fases de aproximación y aterrizaje, causados por un control inadecuado de la energía de la aeronave. Dado que la información del registrador de datos de vuelo (FDR) se considera información confidencial de la aerolínea, este estudio calcula las métricas relacionadas con la energía de la aeronave e investiga la influencia de factores no relacionados con el clima en aproximaciones inestables a través de una fuente de acceso público, datos de vuelo de vigilancia dependiente automática (ADS-B). Para evaluar la influencia de los factores relacionados y no relacionados con el clima, se detectan y eliminan los valores atípicos de cada grupo clasificado por etiquetas meteorológicas aplicando un agrupamiento espacial basado en densidad jerárquica de aplicaciones con ruido (HDBSCAN), que se utiliza para detectar vuelos anormales que son anomalías espaciales. Se adoptó un método de aprendizaje profundo para detectar y predecir vuelos de llegada inestables aterrizando en el Aeropuerto de Taipei Songshan. La precisión de la predicción para la energía total normalizada y la desviación de trayectoria de todos los vuelos es del 85.15% y 82.11%, respectivamente. Los resultados muestran que en diferentes condiciones meteorológicas, o sin considerar el clima, los modelos tienen un rendimiento similar y bueno. Las características de entrada se analizaron después de obtener el modelo, y se discuten los vuelos detectados como anormales.
Descripción
El estudio de la gestión del riesgo en la aviación es clave para mejorar la seguridad en los vuelos. En comparación con las otras fases de operación de vuelo, las fases de aproximación y aterrizaje son más críticas y peligrosas. Este estudio tiene como objetivo detectar y analizar aproximaciones inestables en Taiwán a través de datos históricos de vuelos. Además de factores meteorológicos como baja visibilidad y vientos cruzados, los factores humanos también representan una gran parte del riesgo. De los accidentes estudiados en el informe estocástico de la Fundación de Seguridad Aérea, casi el 70% de los accidentes ocurrieron durante las fases de aproximación y aterrizaje, causados por un control inadecuado de la energía de la aeronave. Dado que la información del registrador de datos de vuelo (FDR) se considera información confidencial de la aerolínea, este estudio calcula las métricas relacionadas con la energía de la aeronave e investiga la influencia de factores no relacionados con el clima en aproximaciones inestables a través de una fuente de acceso público, datos de vuelo de vigilancia dependiente automática (ADS-B). Para evaluar la influencia de los factores relacionados y no relacionados con el clima, se detectan y eliminan los valores atípicos de cada grupo clasificado por etiquetas meteorológicas aplicando un agrupamiento espacial basado en densidad jerárquica de aplicaciones con ruido (HDBSCAN), que se utiliza para detectar vuelos anormales que son anomalías espaciales. Se adoptó un método de aprendizaje profundo para detectar y predecir vuelos de llegada inestables aterrizando en el Aeropuerto de Taipei Songshan. La precisión de la predicción para la energía total normalizada y la desviación de trayectoria de todos los vuelos es del 85.15% y 82.11%, respectivamente. Los resultados muestran que en diferentes condiciones meteorológicas, o sin considerar el clima, los modelos tienen un rendimiento similar y bueno. Las características de entrada se analizaron después de obtener el modelo, y se discuten los vuelos detectados como anormales.