• 登录  |  注册

  • 基于QAR事件测量的研究实践与思考——QAR大数据研究的前站

    刘化宝 编 辑:陈虹莹 2021-11-02 09:28:00

      摘要:飞行品质监控作为改善训练方案、保证航空安全的重要手段,近年来普遍得到了世界民航业的认可。民航局2012年颁布咨询通告《飞行品质监控(FOQA)实施与管理》对航空公司建立和实施符合局方要求的飞行品质监控项目提供了指导。2013年率先在世界范围内首次实施国家FOQA项目 --“中国民航飞行品质监控基站”,目前日均接收3100+飞机,16000+个数据,日均数据量达到150GB,2018年QAR原始数据量超过50TB。如何定性、定量地利用这些数据,为飞行安全、飞行训练的设计决策提供帮助和启发,提高航空公司、民航运输业的运行水平,是我们一直在思考的问题。

      本文从某航对QAR数据的应用探索为出发点,通过研究传统QAR事件监控的方法,提出事件测量的方案,用数据来描述问题、诊断问题,旨在给出QAR数据应用的优化方案,并为未来民航业飞行大数据建设提出设想。

      关键词:飞行品质监控;测量;大数据

      一、事件测量概述

      事件测量是分析学中的一个概念。在QAR事件测量中,事件既包括安全事件,也包括运行事件如节油、维护等事件;测量是将原始数据通过各种变换、组合甚至复杂的算法,从而得到一个描述当前航班某一种特点的值。简单的测量包括:开始收起落架时高度、平均巡航速度等。复杂的测量包括:飞机落地滑跑阶段偏离跑道中心线最大值、起飞时机尾离地最小距离、航班落地冲偏出跑道风险等。事件测量的一个主要特点是每个测量值针对每个航班都会有一个值。

      二、事件测量与传统QAR事件监控的比较

      (一)传统的QAR事件监控

      传统的QAR事件监控,是一种描述性分析。预先设定某个参数的阈值,当航班运行中出现超过这个阈值时,事件就会被监控并记录下来。通过统计事件记录对该类别事件进行分析和研究。类似的应用包括航空公司内部的重点关注事件监控、局方发布的飞机飞行品质监控项目规范、局方的红色事件监控等。监控人员得到数据之后,可以制作统计表单、进行归总分析。可以是超限事件的监控(如下表),也可以对单个项目进行分析。

      表2-1 2018年某月份QAR重点监控项目分析

     

      不论是上述哪一个方面的应用,传统QAR事件监控都是基于超过一定的阈值,对超限事件加总与分析,不能够实现对未触发超限事件的一般事件进行分析。

      (二)事件测量

      事件测量是一种规则性分析。它不仅仅是对超限事件进行监控与统计,也对事件所有发生情况进行统计与分析。其特征主要体现在以下几个方面:

      1.增加时间序列

      时间序列(或称动态数列)是指在相等间隔的时间段内依照一定的采样率对一组或者以上的变量按照时间变化的序列进行组合。时间序列数据本质上反映的是某个或者一组随机变量随时间不断变化的趋势。

    首先,通过增加一个时间维度,根据飞机飞行阶段,可以了解某一事件一段时间内的分布情况。比如,通过事件测量,可以获得机队所有航班的接地距离分布情况。 

      图2-1 接地距离分布(正态分布:均值601米,标准差106米,合理波动范围495-707米)

      其次,可以随意拆分、截取某时间段内的数据。比如,在复飞的项目中,通过设置事件测量的初始时间点为按压TOGA电门的时刻,结束时间点为收起落架手柄的时刻,然后研究这两个时刻之间飞机高度的变化值,从而得出机队复飞收起落架时的高度变化。

      2. 基于“客户”需求,设定测量标准

      根据管理的需要从而人为设定测量逻辑,并且不再需要设定标准阈值。比如可以自定义一个事件测量名称为“放襟翼时的飞行速度”。设定测量逻辑为:机组移动襟翼手柄从0到1的时刻,飞机速度是多少,从而得出机组开始放襟翼1时的速度分布,获得机队放襟翼时的速度集中区间,也可以获得有多少人超过了速度240开始放襟翼(没有超速放襟翼,但是属于异常放襟翼的情况)。

      类似方法可以测量某一事件的各种所需维度,以落地距离为例,比如:某位飞行员所有的落地距离分布、某个机队所有飞行员的落地距离分布、最近一年机队的落地距离分布和某个机场的落地距离分布,也可以获得某一类别人员的落地距离分布等。

      3.从单一事件监控,转变为多事件相关性分析

      原先的监控模式是基于某一个事件超限,然后找到这个超限的时间点,之后对其他参数进行分析。而事件测量可以通过组合多个事件监控点(类似于建立一个公式模型),形成一个新的测量事件,比如:在“滑行开始时襟翼手柄位置”的项目中,通过组合所有航班、飞机在地面、发动机启动、飞机地速大于等于5节、发动机防冰电门开、襟翼手柄位置等多个监控事件,测量出公司B737机队未按照手册规定在滑行前设置起飞襟翼的航班数量与关联数据。

      4.事件测量的关注点是群体,不仅仅是个体

      事件测量项目着眼于公司所有航班运行情况,包含公司运行数据中未触发监控阈值的数据。比如在接地距离分析项目中,我们不仅仅关注接地距离超过2500英尺的事件个体,也关注公司整体接地距离的分布,以及在软件系统里所有航空公司中的排名情况。

      三、事件测量工作流程解构与应用

      通过与第三方软件商合作,利用航空大数据分析系统的数据快速运算能力以及综合分析能力,使用事件测量方法,帮助航司发现飞行运行中可能潜在的系统风险,为后续风险成因推论以及风险控制措施的产生提供数据支持。

      (一)规范项目数据范围

      研究中使用的数据范围很广泛,比如某航司通过对B737-800机队中102架飞机在2015年1月至2018年12月期间产生的共计约43万笔有效运营航班(排除训练航班)QAR数据进行分析,同时还综合FOC系统中实际运行数据、飞行员资质信息、机场METAR和TAF天气数据和机场导航数据资料等。

      (二)确定研究主题

      研究主题可以是航班运行中的安全事件、风险评价事件,也可以是航司SOP以及日常航班运行提出的研究项目(举例如下图)。

     

      图3-1 分析主题列表

      (三) 建立分析维度

      根据航空安全管理中的SHELL模型,经过飞行专家讨论确定分析维度,其中涵盖了硬件、环境和人员因素。针对以上各个分析主题,按照所列的分析维度进行深入挖掘。

     

      图3-2  分析维度列表

      (四)构建测量逻辑

      在项目流程的具体实施中,最重要的环节是确定测量逻辑。测量逻辑可以是系统数据中的测量值或者事件,也可以是人为构建的测量方案。通过整体的数据分析可以产生两方面的信息:

      一是机队安全风险水平的评估,通过与系统数据集中其他公司均值比较可以得出公司所处行业水平和排位;二是分析数据的合理波动范围。数据合理波动范围的确定使用整体分布的均值±1倍标准差。项目分析方法流程框图如下(图8),本文将结合案例来探讨分析方法流程的具体应用。

     

      图3-3 分析方法流程框图

      (五)事件测量项目的结论与应用

      项目结论的应用,主要基于在研究过程中发现的问题,有针对性地调整安全管理政策、更新技术标准、修订训练方案等;也可以基于测量数据,从不同的维度定义飞行员的操纵品质(简称“飞行员画像”)。下面通过“放襟翼时的空速”案例,分享一下某航在事件测量方面的应用探索。

      2019年一季度,B737 机队时有发生接近 250 节放襟翼的事件。项目组利用数据测量系统分析机队操作襟翼时空速的分布,了解机队大速度操作襟翼的具体情况(包括放襟翼1、5、15、30的速度分布),同时结合波音手册推荐的放襟翼计划,进一步规范机队的操作习惯,降低此类风险。

      研究过程主要按照以下几个步骤实施:

      首先,确定分析主题。公司超速放襟翼,主要集中在“接近250节操作放襟翼1”,所以确定研究的“测量逻辑”主要为进近阶段襟翼手柄从 0 设置到 1 时,空速与对应时刻飞机襟翼 0 机动速度(Vref40+70)的差值(Δ)。在分析的过程中,项目组考虑到可能存在某一类别人员习惯性地大速度放襟翼,所以在项目的实施过程中,我们增加了人员资质的维度,具体包括飞行员参与事件发生率排名和作为操纵飞行员事件发生率排名(具体包括参与航班量、参与事件航班量、参与事件发生率、操纵事件航班量、操纵事件发生率)。

      其次,设定测量标准。一方面,项目组希望能够了解公司机队整体Δ(差值)分布情况(见图4);另外一方面,项目组也希望了解机队中在各种速度下放襟翼事件的发生率以及人员的类别和集中情况,具体包括Δ(差值)≥15、≥20、≥25以及≥30节。

      第三步,分析测量结论。在测量系统中,输入“测量逻辑”和“测量标准”,对公司统计周期内的QAR数据、FOC数据、资质信息等航班数据进行测量运行,既可以得出相应结论。下面以“Δ(差值)≥25 节”为例,展示公司在该项目中的结论。

     

      图3-4 放襟翼1时空速与襟翼0机动速度差值≥25节统计分布

      注:机队差值大于等于25节共1088班,航班占比0.32%。

     

      图3-5 放襟翼1时空速与襟翼0机动速度差值≥25节参与事件发生率排名

      注:上图为参与事件发生率排行,其中左侧坐标轴为参与事件发生率(柱状图);右侧坐标轴为参与事件航班量(折线图),比如机长1的参与事件发生率为15%、参与事件航班量为94班。

     

      图3-6 放襟翼 1 时空速与襟翼 0 机动速度差值≥25 节操纵事件发生率排名

      注:上图为作为操纵飞行员事件发生率排行,其中左侧坐标轴为作为操纵飞行员事件发生率(柱状图);右侧坐标轴为作为操纵飞行员事件航班量(折线图)。

      第四步,应用测量结论。通过测量可以发现,在机队中存在较大速度放襟翼的情况,“Δ(差值)≥25 节”的事件发生率为0.32%,而且个别人员的发生率较高(比如图11中,机长1作为操纵飞行员时,其发生率为20.3%)。项目组分析公司SOP和波音手册,发现两本手册均没有对“多大速度才可以放襟翼1”进行清晰的描述,只在波音FCTM中表述“放襟翼过程中,在接近当前襟翼位置机动速度且减速小于该机动速度之前,应选择下一襟翼位置”。经过详细的讨论和分析,项目组一致认为需要对“多大速度才可以放襟翼1”进行明确的要求以防止超速放襟翼的情况。在向技术主管部门陈述项目研究过程与结论之后,项目组通过发布技术通告以及制作月度安全教育材料等方式,告知飞行员合理的放襟翼速度区间,并规定“大于UP速度加15海里/小时,不应放襟翼”;在之后的SOP修订过程中,公司也将这句话写进手册,明确放襟翼的标准。

      四、事件测量的不足

      事件测量存在上述诸多优点,但在研究中我们同时发现存在一些问题。具体包括:

      (一)基于事件测量项目的有效样本数量小

      一个航空公司100多架飞机在三年里面大概有43万架次有效运营航班,数量庞大。不过在风险分析中,由于公司的航班运行情况一直处于较好的水平,可能存在风险的航班数量很少。比如在可控飞行撞地风险中,公司数据中并无Alert和Warning等级事件触发,所以只能针对Caution和Information Only等级事件进行分析,这就存在分析研究目标性不强的问题。

      (二) 数据的真实性要求高

      这是整个项目分析研究中遇到的最大问题。数据的真实性主要出现在数据的采集和数据的清洗过程中容易产生误差。

      (三)测量定义要准确

      如何将手册文字描述转化成数学公式或者机器语言,在项目初始阶段花费了大量的时间,并且后期也需要反复调整。

      (四)依赖于第三方软件商

      航空公司虽然有大量的飞行数据,并且有长期进行数据监控的团队,但是在数据分析方面缺少专家。第三方软件公司具有数据分析能力和研究专家,但是缺乏对于飞行知识的了解。如何让两者有机地结合,是项目进展过程中始终要面对的问题。另一方面,将公司飞行数据交给第三方软件公司,也存在机密数据可能泄露的问题。

      (五)测量结论的量化

      虽然通过系统软件可以测量公司相关风险的发生率或者事件的危险性,但是如果没有对比,就不了解本公司在行业中所处的位置。在项目的实施过程中,由于系统中主要是国外的航空公司,文化和管理绩效方面存在差异,与这类航空公司对比具有一定的局限性。缺少国内同行业的标准和排名,是我们在项目结论方面面临的一个重要问题。

      五、对事件测量的展望与政策建议

      “十四五”期间将是中国从民航大国向民航强国迈进的关键阶段,行业应着力推动飞行数据的研究与应用,完善QAR事件测量模型、集中力量、挖掘数据应用深度与广度,制定与民航强国目标相匹配的数据应用政策,推动机队建设的高质量发展。

      (一)完善事件测量模型建设,丰富测量维度

      事件测量是飞行品质监控的一种手段,通过自定义各类事件的测量标准和测量逻辑,让系统的监控手段更加丰富。一方面,结合航司飞行员标准操作程序,用QAR数据定性、定量地分析机队对于手册规章的执行情况,并对公司技术手册标准提供合理化建议,改善公司的技术标准。另一方面,QAR事件测量可以量化飞行员操纵品质,建立针对每位飞行员的飞行品质档案,包含起飞、巡航、落地等飞行各个阶段的关键参数;结合运行规范、标准程序和运行环境等,对这些参数所对应的飞行操纵行为进行评价,最终形成每位飞行员操纵技能量化的评估,形成“飞行员画像”。

      第三,通过建立针对飞行员心理作风方面的行为指标,可以分析飞行员在日常的飞行过程中跟作风有关的行为指标,强化飞行作风的养成。通过建立健全QAR测量制度,推进行业安全技术水平和安全文化建设,持续推动“三个敬畏”转化为行业人员的自觉行为规范,不断压实责任、强化“三基”,为民航高质量发展奠定坚实的安全基础。

      (二)加强合作,促进稀缺资源配置的一致性与协同性

      在数据分析的过程中,数据的收集、整理、分析、建模整合的过程中,技能的缺乏和人才短缺是始终面临的最大问题。航空公司有飞行员、具有很强的专业知识,但是缺乏专业的“数学分析专家”;院校、研究机构有强大的“研究人员”,但缺少航空背景。因此,加强两者之间的合作就显得尤为重要。另外一方面目前大多数航空公司都建立了QAR数据分析应用团队,争相尝试挖掘QAR数据更多的应用,但是每家航司的进展快慢和专注的方向或多或少存在差异。

      安全涉及国计民生,是行业共同的话题,建议民航局成立专项研究机构,统一数据测量研究方案,建立统一数据的定义,形成行业数据分析标准;组织行业专题论坛,推动各航司之间的协作,互通有无,使数据更加被人理解、促进项目的应用、推广与获得成功。共同推进民航的安全水平。

      (三) 推进“绿色QAR”,挖局QAR测量数据的应用范围

      近年来我国航空业发展迅猛,飞行员数量不足是整个行业的发展瓶颈,在此背景下,普遍存在飞行员“三新”人员多,技术水平参差不齐的现象。如何完善训练方案、提高运行质量、增强行业安全, QAR测量为我们提供了很好的思路。

      在训练方面,通过QAR事件测量分析可以查找到机队训练中的薄弱环节,完善公司的技术标准、训练方案;对个体暴露的能力弱项,制作针对性的训练科目和场景,做到定制化学习和训练方案。QAR 作为EBT的一个数据来源,通过“绿色”QAR 规范确定 QAR 的使用规范和相关人员的胜任力要求,以实现从 QAR 分析到训练需求的转化。

      在安全方面,通过对机队QAR事件的统计,尤其是涉及核心风险项目的QAR事件进行测量,了解QAR单项事件与核心风险之间的相关性,在“冰山”到来之前做好安全防御。

      在运行方面,数据测量的群体数据分析可以研究某一类人群的操纵品质和特点,也可以研究在某些特殊机场运行人员的数据特点,完善进入某一类别机场运行人员的准入和退出机制,为特殊类别机场飞行人员管理提供数据支持。

      最后,建立飞行员全生命周期的QAR数据管理,让飞行活动的每个细节都能够被定性、定量的记录与统计,制作飞行员全生命周期的画像,为飞行员的招聘(选拔)、员工敬业度、学习与发展、人力资源规划等各个方面提供数据支持,让招聘单位做到“有据可依,招贤纳士”,也让监管单位做到“合情合理,安心监管”。

      (四)提高数据应用质量,从管理者培训开始

      不论是航空公司飞行干部还是局方的监管人员都避免不了和QAR数据的接触,周报、月报、专项报告等都需要关注、分析和决策,管理者需要与飞行绩效不良的飞行员进行沟通和技术指导,关注数据趋势,保证队伍的技术稳定。管理者的行为引导了航司数据的使用风气。

      在航司不断意识到QAR数据是一个观察飞行和提升安全的重要数据来源后,加大了对其重视和使用程度,但是在一定程度上也暴露了一些认知的不足以及处理方式的问题,导致了基层飞行员普遍抵制QAR数据的应用。建议对利益的相关者尤其是管理者进行培训,让他们理解“绿色QAR”的意义,切实理解QAR译码软件的原理,了解QAR译码测量点的发展和在机队管理中的应用,切实提高其数据分析和统计能力、解决问题的正确思路,树立解决问题的积极态度。

      (五) 深度研究,向大数据应用转变

      事件测量是大数据研究的基础,精确的自定义事件,为大数据的研究创造了条件。未来随着大规模并行处理(MPP)数据库、数据挖掘、分布式文件系统、分布式数据库、机器学习和深度算法等技术的应用,建议将QAR数据测量方案向大数据应用方向推进,研究数据与安全事件、训练方案之间的因果关系,加强预测性主动分析,将QAR数据转换成有价值的、可实操的信息数据,并且利用预测性结果得出的建议性决策信息,让管理者能够看到组织如今处于哪个位置、即将走向哪个位置,从而实现运行管理的最优化,为行业行稳致远保驾护航。(作者:刘化宝)

    参考文献

      [1] 何少勋等著.中国民航飞行品质监控基站工程应用软件及工具系统集成采购项目需求说明书[M].北京:北京中软国际信息技术有限公司,2016.

      [2] Measurement Capture User Guide and Installation Manual[M]. Los Angeles: Teledyne Controls,2016.

      [3] 中国民航飞行品质监控基站统计分析年报[R].北京:中国民航科学技术研究院,2018.

      [4] 李广乾.小数据是理解数据中台的关键[J].北京:国务院发展研究中心,2020.

      [5] 李健.加强三基建设推进依法治理为新时代民航强国建设提供高质量的安全保障[J].北京:中国民用航空局,2018.

      [6] 彭峥,胡华清.民航强国科技创新的战略要求及发展方向[J].北京:科技导报,2020.

      [7] EMS系统基础培训[R].上海:GE中国研究开发中心,2018.

      [8] 飞行品质监控(FOQA)实施与管理[R].北京:中国民用航空局飞行标准司,2015.

      [9] 崔晓阳.基于超限事件的飞行品质监控方法研究[D].天津:中国民航大学硕士学位论文,2013.

      [10] 雅克·菲茨恩兹等.人力资源与大数据分析[M].北京:人民邮电出版社,2018.

      [11] 吉恩·皮斯.HR的大数据思维[M].北京:人民邮电出版社,2018.

      [12] 托马斯·达文波特.数据化转型[M].杭州:浙江人民出版社,2018.