بخشی از مقاله
چکیده -
صنعت حمل ونقل هوایی به طور جدی مدیریت خطر در سفرهای هوایی را دنبال میکند. که هدف اصلی آن تشخیص رفتارهای غیرعادی در موقعیتهای مختلف پرواز است. روشهای موجود، دارای محدودیت و مبتنی بر مطالعهی خطرات و اندازهگیری پارامترهای مؤثر بر آن هستند. این پارامترها حقیقت وابستگی فرایند پرواز به تصمیمات انسانی و زمان را پوشش نمیدهند.
در این مقاله از روشی بر اساس مدل پنهان مارکف - HMM - که از روشهای اصلی ارزیابی موقعیت درتلفیق داده محسوب میشود، استفاده شده است. این روش شامل دو سطح خوشهبندی مبتنی بر داده و مبتنی بر مدل است. آزمایشها با داده های هواپیمای B_777 و متغیرهای پیشبینی شده در نسل آینده سیستم پخش اطلاعات پروازی - ADS_B - انجام شده است. سرعت و حساسیت بسیار بالای این روش در تشخیص تغییرات غیر عادی و مؤثر در پارامترهای پرواز هنگام فرود، در نتایج این مقاله به خوبی دیده میشود. مدلسازی پویا مسئله وابستگی به زمان و شرایط را حل کرده است و با توجه به تطابق این روش با سایر سیستمهای کنترل ترافیک هوایی، توسعهی آن برای تمام موقعیتهای پرواز به راحتی امکانپذیر است.
.1 مقدمه
در طول تاریخ بهبود ایمنی سفرهای هوایی توسط شرکتهای هواپیمایی از سختترین مباحث علمی و تکنولوژی بوده است. و پس از هر پیشرفت در استراتژیهای کاهش خطرات، حوادث هوایی باز هم رخ دادهاند. [1] امروزه صنعت هوایی به سمت روشهایی برای ایمنی پرواز حرکت میکند که خطرات را قبل از وقوع شناسایی و اقدام لازم را انجام دهد. اطلاعات دیجیتال ضبط کننده دادههای پرواز - FDR - 4 به طور معمول در ب سیاری از شرکتهای هواپیمایی در پردازشهای ت شخیص خطر استفاده میشود. تمامی روشها قابلیت استفاده از بخشی از دهها پارامتر پرواز موجود در FDR را دارند.
برنامه ضمانت کیفیت فعالیتهای پروازی - FOQA - 5 که دراروپا با نام نظارت بر دادههای پروازی - FDM - 6 شناخته شده است از معروفترین این تلاشها است. در برنامههای تجاری کنونی از روش تشخیص تجاوز از حدود - ED - 7 استفاده شده است که برای تعداد معینی از پارامترهای پرواز، عبور از محدوده مجاز تشخیص و اعلام خطر میکند. این اعلام خطر در وقایع از قبل مطالعه شده نتیجه درست میدهد و نه برای تمام وقایع ممکن.[2] دیگر کارهای انجام شده در ذیل آمده است.
از آخرین تلاشها برای ت شخیص رفتار غیر عادی با ا ستفاده از دادههای FDR ، بسته نرمافزاری گزارش صبح8 است.[3] کارهای بعدی در زمینه روشهای داده کاوی برای تشخیص رفتار غیر عادی در سیستمهای هوافضا بوده است. بعضی از روشهای مبتنی بر آموزش استفاده می کنند، مانند سیستم نظارت قیاسی9 - IMS - که قابلیت کمی در به کارگیری الگوهای وابسته به زمان دار ند
و طبق یه رویکرد غیر نظارتی دار ند و بر روی کاربرد الگوریتم ر شته کاوی برای دادههای گ س سته FDR تمرکز دارند مانند سیستم تلنگر تعویض کابین خلبان.
آقای داس و همکارانش در سازمان ناسا تشخیص ناهنجاری چند هسته ای را توسعه دادهاند که از نوع تک کلاسه الگوریتم 12 SVM استفاده میکند. آقای Srivastava و همکارانش روشی بر پایه داده معرفی کردهاند که با استفاده از خوشهبندی به تشخیص رف تار غیر عادی میپردازد.اخیراٌ در م قا لهای اطلاعات الگوریتمهای بالا به اختصار جمع آوری شده است.
ضرورت وجود یک سیستم با رویکرد واحد در تمام شرایط و موقعیت های پرواز برای تشخیص رفتار غیر عادی به شدت احساس میشود مخصوصاٌ اینکه حمل و نقل هوایی و به صورت عمومی و خصوصی به شدت در حال گسترش است. چرا که متخصصان در مراکز کنترل ترافیک هوایی فرودگاهها با پارمترهای فراوان کار میکنند و امکان بروز خطا و وجود سیستم های خودکار برای هشدار به موقع خطر یک چالش مهم است. این نیاز در فرودگاه ها و دیگر نقاط پر ترافیک خطوط هوایی دو چندان است. یک چالش اساسی ماهیت متغیر با زمان بودن موقعیتهای یک پرواز است بنابراین سیستم باید قابلیت تشخیص رفتار پویا را داشته باشد. و همچنین تطابق با سیستم پخش اطلاعات وابسته به نظارت خودکار - ADS_B - که در ن سل آینده سی ستم حمل و نقل هوایی پیشبینی شده است، بسیار اهمیت دارد.
در این مقاله برای تشخیص رفتار غیر عادی پرواز از متغیرهای پیشبینی شده در استفاده شده است و با استفاده از مدل پنهان مارکف - HMM - رفتار عادی فرایند فرود مدلسازی شده و با استفاده از آن بروز هر نوع تغییر غیر عادی در متغیرهای پرواز حین فرود به سرعت تشخیص داده میشود و میتواند در هشدار قبل از وقوع حادثه برای امداد رسانی بهتر استفاده شود. این روش در مدلسازی فرایندهای تصادفی و پویا کارایی خیلی خوبی دارد. در واقع این کار، تلاش برای ایجاد یک چارچوب در زمینه ایجاد یک سیستم به منظور تشخیص رفتار غیر عادی پرواز بر پایه HMM است. چرا که HMM با ساختارهای متنوع و الگوریتمهای مناسب خود به خوبی با دیگر پردازشها تطبیق پذیر است.
در این مقاله ابتدا توضیحی برای سطح کاربرد HMM در تلفیق داده در بخش 2، سپس برر سی نظری HMM و کاربرد در زمینه تشخیص رفتار غیر عادی فرود هواپیما در بخش 3و4 و مدلسازی و نتایج در بخش 5 گفته میشود و بحث و کارهای آینده در بخش 6 بیان میشود.
.2 جایگاه HMM در تلفیق داده13
یکی از معروفترین مدلهای ا ستفاده شده در مبحث تلفیق داده، مدل 14JDL میباشد.[9] تعریف زیر توسط گروه JDL برای تلفیق داده ارائه شده است: " تلفیق داده، فرایند ترکیب دادهها برای بهبود تخمین و پیشبینی حالات است." تلفیق داده در سطوح مختلف انجام می شود. و کاربرد HMM مربوط به سطوح 2 و 3 است که برای ارزیابی وضعیت و تهدید استفاده میشود,9] .[10 کار ارائه شده در این مقاله در واقع ارزیابی وضعیت در کاربرد فرود هواپیما است.
.3 مدل مارکف پنهان [11]HMM
HMM نوعی از فرایند تصادفی مارکف دو تایی حالت15 محدود است. که از دو فرایند مارکف - زنجیره مارکف - تشکیل شده است. یک فرایند با ماتریس گذر حالت و دیگری در هر حالت با یک توزیعی از مشاهدات به صورت ماتریس احتمالات م شاهدات بیان می شود. در واقع سی ستم با توزیع احتمالات گذر حالت از یک حالت به حالت دیگر میرود و در هر حالت شرایط سیستم به صورت سمبلهای مشاهدات با استفاده از توزیع احتمالات مشاهدات در خروجی دیده میشود. بدین معنا که حالات سیستم پنهان است اما شرایط و وضعیت سیستم با مشاهدات دیده میشود
شکل :1 ساختار HMM استاندارد. حالت پنهان - qt - و مشاهده - Ot -
.3.1 اجزای یک [9]HMM
یک HMM گسسته، ، با تعداد حالات N و تعداد سمبل مشا هدات M ب یان میشود. فضای حالات به صورت S={s1,s2'…'sN} و فضای مشاهدات به صورت V={v1,v2'…'vM} است
که در روابط فوق A بیانگر احتمالات گذر حالات است، B بیانگر توزیع احتمال سمبلهای گسسته در همه حالتها و بیانگر توزیع احتمالات اولیه حالات است. aij احتمال تغییر حالت سیستم از i به j و bj - k - توزیع احتمال سمبلها برای حالت j است. و حالت لحظه t با qt و مشاهده همان لحظه با Ot نمایش داده شده است.
پارامتر های '% $' با آموزش مدل بدست میآید در این مقاله آموزش با استفاده از الگوریتم حداکثر امید ریاضی - EM - 16 که با نام بام ولچ17 م شهور ا ست انجام شده ا ست. زمانی که و پارامتر های آن مشخص شد. میتوان برای محاسبه راستی آزمایی - L - 18 از یک رشته مشاهدات استفاده شود که مقدار آن از رابطه - - 5 بدست میآید.
.4 الگوریتم پیشرو
O رشته مشاهدات در مدت زمان T است O= - o1,o2'…'oT - در یک مسئله تشخیص، هدف مقایسه O با یک مدل و یافتن میزان تشابه به آن است. برای محاسبه L از الگوریتم پیشرو استفاده میشود.
در الگوریتم پیشرو مقدار احتمال مشاهده یک زنجیره مشاهده - - O1,O2,...,Ot را در حالت i و زمان t بیان میکند. برای به صورت زیر بدست میآید.
رابطه - - 8 مشخص میکند که چگونه به حالت sj در زمان t+1 از میان N حالت ممکن میرسیم. محاسبات برای تمام حالتها در زمان t انجام میشود و برای تمام زمان های t = 1,2,..,T تکرار میشود.
در طی محاسبات تعداد زیادی عمل ضرب بین احتمالات کمتر از یک رخ میدهد که باعث میشود جواب نهایی به صفر نزدیک شود و مشکل وقتی حادتر میشود که جواب نهایی از مقدار قابل نمایش کامپیوتر کمتر شود. م شکل با ا ستفاده از یک فاکتور مقیاس ct توسط رابطه - - 10 قابل حل است.
