我要投搞

标签云

收藏小站

爱尚经典语录、名言、句子、散文、日志、唯美图片

当前位置:lebo视讯 > 地速 >

技术和非技术因素对飞行的影响

归档日期:12-04       文本归类:地速      文章编辑:爱尚语录

  中国民航正在由民航大国向着民航强国迈进,然而从近几年看,我国主力航空公司的安全排名并不是太靠前。虽然民航业内对于安全管理的整顿与改革不遗余力,但是业内不安全现象依然禁而不止。这不得不引起我们的思考:是否过去的行业管理方式已经悄然落后,以至于不能满足当下民航的发展?

  在此,笔者通过将数据分析与传统经验相结合,对影响飞行安全和品质的各个技术和非技术因素进行分析,以新的视角审视现有的管理方式,并且抛砖引玉,通过数据分析帮助我们探索传统的经验认知中是否存在谬误之处。

  关于技术性数据,笔者取得了国内某航空公司2015-2016年某机型落地的8 200个G值数据,以考察哪些技术因素与G值大小有关。对于G值的监控是G航航空安全管理中重点把关的一项内容。笔者在此也以G值为切入点,通过研究G值,从而探索哪些技术因素对于飞行安全和品质有影响。当然,影响G值的因素很多,有人们已知的,也有未知的,笔者在此以某些变量为切入点进行探究,未必包罗万象,但或许会有见微知著的意义。

  笔者所搜集到的数据仅为单一机型的落地数据。由于该机型具有较好的抗侧风稳定性,在进近中相比于其他飞机修正侧滑的量较小,而且笔者看到和搜集的数据中二次接地、跳着陆的数据较长一段时间(两年内)均不存在,因此,笔者认为搜集到的G值数据可以理解为仅与起落架垂直压缩量和翼根载荷有关,因此笔者将因变量Y定义为接地时刻下降率来进行研究。为了方便,笔者在接下来的研究和数据处理中,将对搜集到的接地前下降率值进行对数化处理。

  第一个自变量是接地时刻俯仰角;第二个自变量是接地时刻N1;第三个自变量是接地时刻计算空速;第四个自变量是接地时刻坡度。

  为了获取对数据的整体了解,我们首先对样本数据进行描述性分析,对于连续型自变量和离散型自变量笔者将分别使用散点图和盒状图进行描述。

  从图2可以看出,总体上来看,随着N1数值的增大,相应G值的中位数呈现上升趋势。我们期待在模型分析中得到进一步的结果和原因的分析。

  由图3可知,样本中大部分空速大小的分布在135-145之间。接地时刻的计算空速和Y值的箱形图告诉我们,随着速度的增加,对应Y值总体上呈现增大的趋势。

  一般而言,人们认为坡度增大的时候,飞机的升力会受到破坏,因此下降率会增大。我们将坡度数值取整,得出图4,从图中可以看出随着接地时刻坡度的增大,因变量数值有减小趋势。

  笔者在后面的回归分析中,为了增强回归系数可比性,将每个自变量进行标准化处理。

  通过计算机计算处理,我们得到了相应的统计结果,稍作整理,笔者将进行全模型回归分析,并且通过AIC和BIC准则对全模型进行筛选,由AIC和BIC检验结果,笔者看到判定系数并没有很大的差别。另外结合实际,在落地的过程中,某些情况下,坡度是造成下降度大的原因;而某些情况下,大的下降率间接产生了大的坡度。为了后面的分析,也为了使模型变得更加简洁可用,笔者接受BIC筛选结果,刨除坡度这一自变量,得拟合结果如表1。

  建模的结果说明:1)模型基本满足线)全模型是显著的,且自变量均显著相关(P值小于0.05)。3)模型预测和解释性较好(判定系数为48.38%)。4)从结果来看,接地时刻俯仰角、接地时刻N1以及接地时刻计算空速对G值对数的影响与普遍认识不同。在后面的分析中,笔者会进一步探讨。5)数据本身多重共线.模型分析和建议

  再者,飞机接地前下降率较大时,若飞行员出于本能向后“抽杆”以期待迅速制止下沉,当飞机俯仰姿态短时间变化量过大时,飞机的后半部会绕着水平轴加速下降,如上文所述,飞机本身很可能处于加速下沉阶段,因而可想而知,起落架部分的下沉此时会加剧,压缩也会变得剧烈,机翼的根部载荷也会骤然增大,因而对应的G值也会较大。

  自动油门在落地过程中接通是否一定提升飞行员落地的安全性,是否一定减小重着陆发生率,缺乏有效的参考数据,这一要求的合理性似乎值得商榷。

  根据数据显示,当控制其他变量不变,接地时刻N1每增大1,接地时刻下降率对数值就增大0.55。笔者认为,任何飞机机动都需要油门、操纵舵面和环境相互配合完成,而该机型落地时自动油门都保持接通,往往落地前自动收光不受人工控制,笔者认为自动油门接通是否带来安全性提高,既受经验影响,也缺乏数据对照,是有待论证的。

  结合数据和经验,在维持稳定进近和良好的入口条件下,少量适当增大空速,在自动油门不受控的接地过程中是有助于飞行人员控制下沉从而避免重起落的。

  人是航空运行中的核心。这里的“人”不仅仅指飞行员,更是指参与运行的所有相关人员。

  在这里,笔者还是以飞行员为切入角,从航班生产运行的一个部分开始探究。笔者搜集了400个按照对应G值的不同随机抽取的飞行人员数据,从飞行熟练度、年龄、飞行技术标准、疲劳程度等方面来剖析这些飞行员自身的非技术因素是如何影响飞行安全和飞行品质的,从而探究人们传统的认识和评价是否客观和准确,以及管理中是否存在不应被忽略的漏洞。

  第一个自变量是飞行员3月内操作该机场的次数;第二个自变量是飞行员是否本月有请5天(包括)以上的长假或者存在连续地面时间大于等于5天的情况;第三个自变量是飞行员本次飞行距离上次模拟机训练的月数,包括二类训练、升级训练、转机型训练、复查训练,数值为0-6;第四个自变量为是否属于跨6个时区的飞行;第五个自变量是操纵落地的飞行员年龄;第六个自变量是落地飞行员飞行标准、等级(实习副驾驶=1,成熟副驾驶=2,见习机长=3,成熟机长=4,带队机长=5,教员=6,检查员=7);第七个自变量是落地飞行员婚姻状况(1=已婚,0=未婚);第八个自变量是本月累计飞行60小时以上或该航班前累计执飞过两个存在时差6小时以上的航班(1=是,0=否);第九个自变量是航班是否早于8 a.m.或者晚于8 p.m.起飞(1=是,0=否);第十个自变量是当月飞行小时低于30 hr(1=是,0=否)。

  从图15可以看出,似乎当月飞行少于30小时的样本对应的G值整体与飞行小时大于等于30小时的样本差别不大,只是稍稍向G值较高的区间分布。

  在建模之前,检验显示,每一个自变量的VIF值的平方根都小于2,可以得出结论:拟合模型中不存在共线性。同样为了便于分析,笔者在建模的时候将自变量统一标准化处理,并将Y取对数处理。笔者运用了上述自变量来进行回归分析,由于线性检验结果显示数据不满足线性假设,因此笔者使用协方差回归拟合。再次通过AIC和BIC准则来选择合适的模型,笔者为追求较好的模型解释度而选择AIC筛选模型结果。

  3)适当的飞行量(当月大于60小时/完成两个跨6小时时差飞行)对于飞行品质有利。

  4)模型总体拟合度不高,预测性不强。原因可能因为飞行品质的管理中,飞行员的因素只是所有因素之一,飞行运行包括各方面因素,而笔者所研究的数据很可能只是冰山一角。同时笔者不排除或许有更好的未知的拟合模型。

  结合回归模型,笔者认为数据反映出外部干扰、模拟机训练和熟练度的累积对于飞行员的飞行安全和飞行品质产生着客观的影响。

  在航班计划的设计中,管理者应该考虑避免让飞行人员在地面空闲时间过长,一旦出现,可以将这些飞行员纳入重点考察的范畴。管理者可以适当提醒,也可以在机组搭配上进行适当调控。

  根据笔者对一些差错以上级别的案例的研究以及与当班机组的沟通,相当多的案例中都蕴含着飞行外部事务的干扰。比如,有的机组在执行航班任务后休假,这些案例中对于休假的憧憬就可能成为飞行的干扰项,甚至有些人为了赶时间而刻意加快和打乱飞行的节奏。那么从另一个角度来看,长久不飞会引起飞行员熟练度不够,也会导致飞行品质和飞行安全受到某种程度的不利影响。但是这个时间到底是多久才显著呢?笔者在这里提出了5天,或许更准确的数字需要进一步的探讨。

  笔者认为,模拟机本身对于提高飞行安全和品质应该有着重大作用,但从数据看来,模拟机训练的目的事实上并没有达到。

  笔者相信,现实中,一方面是具备足够飞行经验和技术技能的模拟机教员,一方面是需要有针对性训练的受训个体,然而目前前者这样的优秀资源并没有被合理地与另一方相匹配。笔者建议,模拟机训练应该参考个人飞行的QAR数据,针对每个人的QAR数据进行分析和整理,使得模拟机教员掌握和了解每个人的技术特点,毕竟每个人的能力有强有弱,可以参考数据进行有针对性的科目训练,避免“拍脑门”出科目,或是照本宣科。

  作为管理者,应该在飞行人员熟练度和疲劳度之间做出合理的分割,确保保持适当熟练度的情况下避免人员过于疲劳。

  笔者认为保持飞行熟练度是很重要的,从数据看,60小时的当月飞行量或至少两个连续跨6小时时差的航班,可以保证提升飞行品质。但是笔者在与同事交流的过程中也发现超过60小时飞行会产生一定的疲劳感。回想伊春空难、南航“5.8”空难、虹桥塔台指挥失误等等事故,其背后都有相关人员疲劳积累的因素。不过,到底60小时是否可以当作一个基准,笔者并不能给出明确的结论,在此也只是抛砖引玉。因此,如何把控疲劳和熟练度的分割,如何将其量化,笔者认为这不仅仅考验相关单位的管理者,也同时是一个值得研究的课题。

本文链接:http://paddyspool.com/disu/1107.html