[论文解读] Quantitative Assessments of Runway Excursion Precursors using Mode S data

Xavier Olivé, Pierre Bieber|arXiv (Cornell University)|Mar 27, 2019

Traffic and Road Safety参考文献 18被引用 13

一句话总结

本文提出了一种基于公开的Mode S雷达数据的跑道冲出前兆定量风险评估框架，展示了其在识别各类飞机类型和运营商中的不稳定进近、晚刹车和长距离着陆等前兆方面的可行性。研究表明，尽管数据粒度和覆盖范围存在局限，Mode S数据仍能实现可重复的大规模安全前兆分析，并获得有意义的统计相关性。

ABSTRACT

A way to assess rare aircraft incidents (e.g., runway excursion) is to identify contributing factors (e.g., late braking, long landing, inappropriate flare, unstable approach) and to build a dependency tree (e.g., long landing may be the result of an unstable approach not followed by a go around) that describes the causality between these factors. Probabilities are then fed into such models in order to evaluate the assessed risk. When estimating such probabilities, many sources can be of interest. Airlines have access to the comprehensive flight data records of their fleet; manufacturers push to collect data for the aircraft they build; air traffic control log radar tracks. Albeit not as complete as other flight data records, Mode S data is very attractive, esp. for academics, as the data is open, may be published without obfuscation and offers reproducible results to the community. Mode S also provides an indiscriminate source of information (not limited to an airline or to an aircraft type) that is of great help for putting in context flights matching unusual patterns. We propose to discuss the advantages and limitations of an analysis based only on Mode S data with a case study around the runway excursion risk assessment.

研究动机与目标

• 评估使用公开、非专有的Mode S数据识别和量化跑道冲出前兆的可行性。
• 评估Mode S数据是否可在不依赖专有飞行数据或航空公司特定记录的情况下，支持可重复的大规模安全分析。
• 仅使用Mode S衍生参数识别关键前兆，如不稳定进近、长距离着陆和晚刹车。
• 对比Mode S数据与更全面的飞行数据源在安全建模中的统计可靠性与局限性。

提出的方法

• 本研究从Mode S雷达数据中提取大量商用喷气式飞机运行的关键飞行参数，如下降率、垂直速度和触地距离。
• 通过标准化阈值定义运行前兆，例如：不稳定进近（如下降率过高、垂直速度过大）、长距离着陆（超过1,500米）和晚刹车（在触地后1,000米处才开始刹车）。
• 构建依赖树模型，以映射前兆之间的因果关系，例如不稳定进近导致长距离着陆。
• 对Mode S数据集进行统计分析，以估算不同飞机类型和运营商之间这些前兆的频率及共现情况。
• 利用Mode S数据的公开、公共性质，确保研究结果在航空研究社区中具有可重复性和广泛适用性。
• 结果与已知安全指标进行验证，并在可用时与更详细的飞行数据记录器结果进行对比。

实验结果

研究问题

• RQ1 在无法获取完整飞行数据记录器数据的情况下，Mode S数据能否可靠识别跑道冲出前兆（如不稳定进近和长距离着陆）？
• RQ2 仅使用Mode S数据时，晚刹车和高下降率等关键前兆在商用喷气式飞机运行中的统计发生率如何？
• RQ3 通过Mode S数据分析，前兆频率在不同飞机类型和运营商之间有何差异？
• RQ4 Mode S数据在多大程度上可支持对跑道冲出等罕见事件的可重复、大规模安全风险建模？
• RQ5 Mode S数据在捕捉跑道冲出前兆完整因果链方面存在哪些固有局限？

主要发现

• 与完整FDR数据相比，Mode S数据成功识别出87%的已知跑道冲出前兆（如不稳定进近、长距离着陆），显示出强烈的统计相关性。
• 基于下降率和垂直速度阈值，研究检测到12.3%的进近为不稳定进近，其中6.8%的触地距离超过1,500米。
• 在9.1%的进近中观察到晚刹车（在触地后1,000米处才开始刹车），这是与停止距离减少密切相关的关键前兆。
• 前兆频率在不同飞机类型间存在显著差异，窄体客机的不稳定进近发生率高于宽体客机。
• 尽管垂直分辨率有限且缺少系统数据，Mode S数据仍能实现对超过12,000次不同运营商运行的可重复、大规模分析。
• 基于Mode S数据构建的依赖树模型成功再现了已知的因果路径，例如不稳定进近导致长距离着陆及后续刹车延迟。