بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
تشخیص ناهنجاری پرواز در عملیات فرود یک هواپیما با استفاده از مدل پنهان مارکف
چکیده - صنعت حمل ونقل هوایی به طور جدی مدیریت خطر در سفرهای هوایی را دنبال می کند. که هدف اصلی آن تشخیص رفتارهای غیرعادی در موقعیتهای مختلف پرواز است. روشهای موجود، دارای محدودیت و مبتنی بر مطالعه ی خطرات و اندازه گیری 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 روش های اصلی ارزیابی موقعیت در تلفیق داده محسوب می شود، استفاده شده است. این روش شامل دو سطح خوشه بندی مبتنی بر داده و مبتنی بر مدل است. آزمایشها با داده های هواپیمای 777_B 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، توسعه ی آن برای تمام موقعیتهای پرواز به راحتی امکان پذیر است.
۱. 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 داده اندا ۱]. 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) به طور معمول در بسیاری از شرکتهای هواپیمایی در پردازش های تشخیص خطر استفاده می شود. تمامی روشها قابلیت استفاده از بخشی از دهها پارامتر پرواز موجود در FDR را دارند. برنامه ضمانت کیفیت فعالیتهای پروازی (FOQA) که در اروپا با نام نظارت بر داده های پروازی (FDM) شناخته شده
است از معروفترین این تلاش ها است. در برنامه های تجاری کنونی از روش تشخیص تجاوز از حدود (ED) استفاده شده است که برای تعداد معینی از پارامترهای پرواز، عبور از محدوده مجاز تشخیص و اعلام خطر می کند. این اعلام خطر در وقایع از قبل مطالعه شده نتیجه درست میدهد و نه برای تمام وقایع ممکن || ۲ || دیگر کارهای انجام شده در ذیل آمده است. از آخرین تلاش ها برای تشخیص رفتار غیر عادی با استفاده از دادههای FDR، بسته نرم افزاری گزارش صبح است ||۳||. کارهای بعدی در زمینه روش های داده کاوی برای تشخیص رفتار غیر عادی در سیستمهای هوافضا بوده است. بعضی از روشهای مبتنی بر آموزش استفاده می کنند، مانند سیستم نظارت قیاسی (IMS) که قابلیت کمی در به کارگیری الگوهای وابسته به زمان دار ندا||۴|]. و بقیه رویکرد غیر نظارتی دارند و بر روی کاربرد الگوریتم رشته کاوی برای داده های گسسته FDR تمرکز دارند
مانند سیستم تلنگر تعویض کابین خلبان ۵]. آقای داس و همکارانش در سازمان ناسا تشخیص ناهنجاری چند هستهای (MKAD) را توسعه داده اند که از نوع تک کلاسه الگوریتم SVM "استفاده میکند [۶]. آقای Srivastava و همکارانش روشی بر پایه داده معرفی کرده اند که با استفاده از خوشه بندی به تشخیص رفتار غیر عادی می پردازد۷l]. اخیراً در مقاله ای اطلاعات الگوریتم های بالا به اختصار جمع آوری شده است ||۸||||||| ضرورت وجود یک سیستم با رویکرد واحد در تمام شرایط و موقعیت های پرواز برای تشخیص رفتار غیر عادی به شدت احساس می شود مخصوصاً 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 می کنند 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 بازمان 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 نسل آینده سیستم حمل و نقل هوایی پیش بینی شده است، بسیار اهمیت دارد. در این مقاله برای تشخیص رفتار غیر عادی پرواز از متغیرهای پیشبینی شده در ADS_B استفاده شده است و با استفاده از مدل پنهان مارکف (HMM) رفتار عادی فرایند فرود مدل سازی شده و با استفاده از آن بروز هر نوع تغییر غیر عادی در متغیرهای پرواز حین فرود به سرعت تشخیص داده می شود و می تواند در هشدار قبل از وقوع حادثه برای امداد رسانی بهتر استفاده شود. این روش در مدل سازی 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 درتلفیق داده در بخش ۲، سپس بررسی نظری HMM و کاربرد درزمینه تشخیص رفتار غیر عادی فرود هواپیما در بخش ۳ و ۴ و مدل سازی و نتایج در بخش ۵ گفته می شود و بحث و کارهای آینده در بخش ۶ بیان می شود.
۲. جایگاه HMM در تلفیق داده"
یکی از معروفترین مدلهای استفاده شده در مبحث تلفیق داده، مدل JDL المی باشد || ۹ || تعریف زیر توسط گروه JDL برای تلفیق داده ارائه شده است: " تلفیق داده، فرایند ترکیب دادهها برای بهبود تخمین و پیش بینی حالات است." تلفیق داده در سطوح مختلف انجام می شود. و کاربرد HMM مربوط به سطوح ۲ و ۳ است که برای ارزیابی وضعیت و تهدید استفاده می شود۹. ۱۰ با کار ارائه شده در این مقاله در واقع ارزیابی وضعیت در کاربرد فرود هواپیما است.
۳. مدل مارکف پنهان HMM[
HMM نوعی از فرایند تصادفی مارکف دو تایی حالت "
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 مشاهدات بیان می شود. در واقع سیستم 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 ۱).
3.1 اجزای یک HMM
یک HMM گسسته، با تعداد حالات N و تعداد سمبل مشاهدات M بیان می شود. فضای حالات به صورت
و فضای مشاهدات به صورت است. مدل با پارامتر های زیر توصیف میگردد
.
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. احتمال تغییر حالت سیستم از i به j و توزیع احتمال سمبلها برای حالت j است. و حالت لحظه t با و مشاهده همان لحظه با نمایش داده شده است.
پارامترهای با آموزش مدل بدست می آید در این مقاله آموزش با استفاده از الگوریتم حداکثر امید ریاضی (EM) که با نام بام ولچ مشهور است انجام شده است. زمانی که و پارامترهای آن مشخص شد. می توان برای محاسبه راستی آزمایی"(L) از یک رشته م شاهدات استفاده شود که مقدار آن از رابطه (۵) بدست می آید.
۴. الگوریتم پیشرو ||۹|||
رشته مشاهدات در مدت زمان T است در یک مسئله تشخیص، هدف مقایسه O با یک مدل و یافتنمیزان تشابه به آن است. برای محاسبه L از الگوریتم پیشرواستفاده می شود.
در الگوریتم پیشرو مقدار احتمال مشاهده یک زنجیره مشاهده را در حالت i و زمان با بیان می کند. برای به صورت زیر بدست می آید.
برای بقیه مشاهدات که متغیر پیشرو گفته می شود به صورت زیر محاسبه می شود.
رابطه(۸) مشخص میکند که چگونه به حالت در زمان 1 + t از میان N حالت ممکن میرسیم. محاسبات برای تمام حالت ها در زمان با انجام می شود و برای تمام زمان های t=1.2....Tتکرار می شود. جواب نهایی با جمع متغیر پی شرو پایانی برای تمام حالات بدست می آید رابطه (۹).
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 می شود که جواب نهایی از مقدار قابل نمایش کامپیوتر کمتر شود. مشکل با استفاده از یک فاکتور مقیاس Ct توسط رابطه (۱۰) قابل حل است.
و رابطه ای که برای محاسبات مفید است به شکل زیر است.
۵. آزمایش و نتایج
در این مقاله از بانک اطلاعاتی ۳۶۵ پرواز هواپیمای 777_B استفاده شده است، که در پروژه MKAD در سازمان ناسا نیز به کار رفته است. این دادهها در کنترل و هدایت پرواز توسط برج مراقبت پرواز و سیستمهای ناوبری کاربرد دارد. دادهها شامل موقعیت، ارتفاع، فاصله افقی، سرعت افقی و سرعت عمودی است. در استفاده از HMM برای مدل سازی پدیدههای پویا مبحث
آموزش مدل اهمیت بسیاری دارد. بنابراین در HMM گسسته روش ایجاد سمبل از دادههای پیوسته مهم می باشد. همچنین تعداد این سمبلها در حساسیت مدل موثر است. در این مقاله از مقدار متغیرها استفاده کردیم و با استفاده از الگوریتم K_means به ۱۰۰ خوشه
