基于改进模拟退火的航空器起飞质量估算方法

doi:10.7527/S1000-6893.2022.28090

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于改进模拟退火的航空器起飞质量估算方法

王兵¹^,²(), 邹润原²^,³, 常哲宁²^,³

^1.南京航空航天大学通用航空与飞行学院，南京　210016
^2.国家空管飞行流量管理技术重点实验室，南京　210016
^3.南京航空航天大学民航学院，南京　210016

收稿日期:2022-10-08 修回日期:2022-11-04 接受日期:2022-12-14 出版日期:2022-12-27 发布日期:2022-12-22
通讯作者: 王兵 E-mail:evanwb@163.com
基金资助:
工业与信息化部中欧航空科技合作项目(MJ-2020-S-03)

Aircraft takeoff mass estimation method based on improved simulated annealing algorithm

Bing WANG¹^,²(), Runyuan ZOU²^,³, Zhening CHANG²^,³

^1.College of General Aviation and Flight，Nanjing University of Aeronautics and Astronautics，Nanjing 　210016，China
^2.National Key Laboratory of Air Traffic Flow Management，Nanjing 　210016，China
^3.College of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 　210016，China

Received:2022-10-08 Revised:2022-11-04 Accepted:2022-12-14 Online:2022-12-27 Published:2022-12-22
Contact: Bing WANG E-mail:evanwb@163.com
Supported by:
China-EU Aviation Science and Technology Cooperation Project of the Ministry of Industry and Information Technology(MJ-2020-S-03)

摘要/Abstract

摘要：

航空器起飞质量作为航空器性能的重要参数，对于提高离场轨迹预测精度具有显著效果。考虑到质量参数属于航空公司商业运营数据，难以通过公开渠道获得，提出一种基于历史轨迹数据的航空器起飞质量估算方法。利用航空器的全能量方程，考虑风的影响，根据航空器性能数据库（BADA）性能模型建立航空器起飞质量迭代模型，将禁忌搜索算法中的禁忌表功能引入模拟退火算法，应用改进算法对模型进行高效求解。以典型样本航班为例，估算起飞质量与真实质量的相对误差为2.91%；与BADA参考质量相比，采用估算起飞质量进行轨迹预测时精度得到了有效提高；对15种机型、26 724个航班进行起飞质量估算，所有航班估算质量的平均相对误差值为3.45%，占比97.67%的航班估算质量相对误差绝对值在10%以内。可见，所建立的航空器起飞质量估算方法可适用于大批量航班，为高精度轨迹仿真与预测工作提供了技术支撑。

关键词: 空中交通管理, 起飞质量估算, BADA性能模型, 轨迹预测, 模拟退火算法

Abstract:

Aircraft takeoff mass， an important parameter of aircraft performance， has significant effect on the accuracy of departure trajectory prediction. Aircraft mass is airline commercial operation data， and is difficult to obtain through public accesses. In this paper， a method for aircraft takeoff mass estimation is proposed based on historical trajectory data. Using the total energy model and considering the effect of wind， an iterative model of aircraft takeoff mass is established based on the Base of Aircraft Data（BADA） performance model. Combining the taboo table function in the taboo search algorithm and the simulated annealing algorithm， the improved algorithm is applied to solve the model efficiently. The result of a typical sample flight shows that the relative error between the estimated takeoff mass and the real mass is 2.91%. Compared with the BADA reference mass， the accuracy of trajectory prediction using estimated takeoff mass is effectively improved. Takeoff mass estimation of 15 types of aircraft and 26 724 flights is conducted. The average relative error value of the estimated mass of all flights is 3.45%. The absolute value of relative error of 97.67% of all flights is within 10%， demonstrating accurate estimation results. The proposed method for aircraft takeoff mass estimation can be applied to batch flights and can provide technical support for high-precision trajectory simulation and prediction.

Key words: air traffic management, takeoff mass estimation, BADA performance model, trajectory prediction, simulated annealing algorithm

中图分类号:

V355

王兵, 邹润原, 常哲宁. 基于改进模拟退火的航空器起飞质量估算方法[J]. 航空学报, 2023, 44(16): 328090-328090.

Bing WANG, Runyuan ZOU, Zhening CHANG. Aircraft takeoff mass estimation method based on improved simulated annealing algorithm[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(16): 328090-328090.

图/表 12

表 1

图 1

表 2

图 2

表 3

图 3

图 4

图 5

图 6

表 4

表 5

图 7

参考文献 26

1	BENAVIDES J V， KANESHIGE J， SHARMA S， et al. Implementation of a trajectory prediction function for trajectory based operations： AIAA-2014-2198［R］. Reston： AIAA， 2014.
2	张洪海，汤一文，许炎. TBO模式下终端区进场交通流优化模型与仿真分析［J］. 航空学报， 2020， 41（7）： 323844.
	ZHANG H H， TANG Y W， XU Y. Optimizing arrival traffic flow in airport terminal airspace under trajectory based operations［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（7）： 323844 （in Chinese）.
3	杨磊，李文博，刘芳子，等. 柔性空域结构下连续下降航迹多目标优化［J］. 航空学报， 2021， 42（2）： 324157.
	YANG L， LI W B， LIU F Z， et al. Multi-objective optimization of continuous descending trajectories in flexible airspace［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（2）： 324157 （in Chinese）.
4	张军峰，蒋海行，武晓光，等. 基于BADA及航空器意图的四维航迹预测［J］. 西南交通大学学报， 2014， 49（3）： 553-558.
	ZHANG J F， JIANG H H， WU X G， et al. 4D trajectory prediction based on BADA and aircraft intent［J］. Journal of Southwest Jiaotong University， 2014， 49（3）： 553-558 （in Chinese）.
5	Coppenbarger R A， Kanning G， Salcido R. Real-time data link of aircraft parameters to the center-TRACON automation system （CTAS）［C］∥4th USA/Europe ATM R&D Seminar. Stamford： ATM， 2001： 1-11.
6	WICKRAMASINGHE N K， BROWN M， MIYAMOTO Y， et al. Effects of aircraft mass and weather data errors on trajectory optimization and benefits estimation： AIAA-2016-0166［R］. Reston： AIAA， 2016.
7	THIPPHAVONG D P， SCHULTZ C A， LEE A， et al. Adaptive algorithm to improve trajectory prediction accuracy of climbing aircraft［J］. Journal of Guidance， Control， and Dynamics， 2012， 36（1）： 15-24.
8	吕波，王超. 改进的扩展卡尔曼滤波在航空器4D航迹预测算法中的应用［J］. 计算机应用， 2021， 41（S1）： 277-282.
	LYU B， WANG C. Application of improved extended Kalman filtering in aircraft 4D trajectory prediction algorithm［J］. Journal of Computer Applications， 2021， 41（S1）： 277-282 （in Chinese）.
9	康南，韩孝兰，胡杨，等. 基于质量估算策略的离场飞机高度剖面预测［J］. 中国民航大学学报， 2019， 37（3）： 11-16.
	KANG N， HAN X L， HU Y， et al. Departure aircraft altitude profile prediction based on aircraft mass estimation strategy［J］. Journal of Civil Aviation University of China， 2019， 37（3）： 11-16 （in Chinese）.
10	SCHULTZ C， THIPPHAVONG D， ERZBERGER H， et al. Adaptive trajectory prediction algorithm for climbing flights： AIAA-2012-4931［R］. Reston： AIAA， 2012.
11	ALLIGIER R， GIANAZZA D， HAMED M G， et al. Comparison of two ground-based mass estimation methods on real data （regular paper）： hal-0100240［R］. Stamford： ATM， 2014.
12	SUN J Z， ELLERBROEK J， HOEKSTRA J M. Aircraft initial mass estimation using Bayesian inference method［J］. Transportation Research Part C： Emerging Technologies， 2018， 90： 59-73.
13	CHATI Y S， BALAKRISHNAN H. Modeling of aircraft takeoff weight using Gaussian processes［J］. Journal of Air Transportation， 2018， 26（2）： 70-79.
14	ALLIGIER R， GIANAZZA D， DURAND N. Machine learning and mass estimation methods for ground-based aircraft climb prediction［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（6）： 3138-3149.
15	ALLIGIER R， GIANAZZA D. Learning aircraft operational factors to improve aircraft climb prediction： A large scale multi-airport study［J］. Transportation Research Part C： Emerging Technologies， 2018， 96： 72-95.
16	SEMKE W， ALLEN N， TABASSUM A， et al. Analysis of radar and ADS-B influences on aircraft detect and avoid （DAA） systems［J］. Aerospace， 2017， 4（3）： 49.
17	ALI B S， TAIB N A. A study on geometric and barometric altitude data in automatic dependent surveillance broadcast （ADS-B） messages［J］. Journal of Navigation， 2019， 72（5）： 1140-1158.
18	Zhang M， Huang Q W， Liu S H， et al. Fuel consumption model of the climbing phase of departure aircraft based on flight data analysis［J］. Sustainability， 2019， 11（16）： 4362.
19	赵军，唐弋棣. 基于QAR数据的民航发动机性能分析［J］. 计算机仿真， 2020， 37（7）： 107-112.
	ZHAO J， TANG Y D. Performance analysis of civil aviation engine based on QAR data［J］. Computer Simulation， 2020， 37（7）： 107-112 （in Chinese）.
20	王兵，张颖，谢华，等. 一种基于机载数据的民用航空器飞行阶段划分方法［J］. 交通运输工程学报， 2022， 22（1）： 216-228.
	WANG B， ZHANG Y， XIE H， et al. A flight phase identification method based on airborne data of civil aircraft［J］. Journal of Traffic and Transportation Engineering， 2022， 22（1）： 216-228 （in Chinese）.
21	王兵. ADS-B历史飞行轨迹数据清洗方法［J］. 交通运输工程学报， 2020， 20（4）： 217-226.
	WANG B. Data cleaning method of ADS-B historical flight trajectories［J］. Journal of Traffic and Transportation Engineering， 2020， 20（4）： 217-226 （in Chinese）.
22	COURCHELLE V， SOLER M， GONZÁLEZ-ARRIBAS D， et al. A simulated annealing approach to 3D strategic aircraft deconfliction based on en-route speed changes under wind and temperature uncertainties［J］. Transportation Research Part C： Emerging Technologies， 2019， 103： 194-210.
23	BAKLACIOGLU T. Modeling the fuel flow-rate of transport aircraft during flight phases using genetic algorithm-optimized neural networks［J］. Aerospace Science and Technology， 2016， 49： 52-62.
24	MURRIETA-MENDOZA A， HAMY A， BOTEZ R M. Four- and three-dimensional aircraft reference trajectory optimization inspired by ant colony optimization［J］. Journal of Aerospace Information Systems， 2017， 14（11）： 597-616.
25	BI J， WU Z， WANG L， et al. A tabu search-based algorithm for airport gate assignment： A case study in Kunming， China［J］. Journal of Advanced Transportation， 2020， 2020： 1-13.
26	温瑞英，李璐，魏志强. 基于遗传算法的分段多参气动阻力研究［J］. 飞行力学， 2021， 39（2）： 27-32， 44.
	WEN R Y， LI L， WEI Z Q. Research on piecewise multi-parameter aerodynamic resistance based on genetic algorithm［J］. Flight Dynamics， 2021， 39（2）： 27-32， 44 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

字段名	全称	描述
TIME	Time stamp	时间戳
PA	Pressure altitude	气压高度
IAS	Indicated air speed	表速
TAS	True air speed	真空速
Mach	Mach number	马赫数
GW	Gross weight	航空器总重
TAT	Total air temperature	总温
MH	Magnetic heading	磁航向
FF	Fuel flow	燃油流量
ROLL	Roll	滚转角
WIN_DIR	Wind direction	风向
WIN_SPD	Wind speed	风速

参数	数值	参数	数值
初始温度	100	邻域解个数	10
降温系数	0.99	最大迭代次数	1 000
终止温度	0.1	最大权重系数	0.9
禁忌表长度	［5， 11］之间的随机整数	最小权重系数	0.4

算法对比	SA	TS-SA
平均起飞质量/kg	69 872	69 257
估算质量平均相对误差/%	3.83	2.91
算法运行时间/s	20.69	13.81

高度/（10³ft）	真实航迹所需时间/s	参考质量下起飞		估算质量下起飞
高度/（10³ft）	真实航迹所需时间/s	时间/s	误差/%	时间/s	误差/%
5	154.98	125.84	18.80	138.60	10.57
10	268.64	232.53	13.44	258.47	3.79
15	462.24	406.50	12.06	446.89	3.32
20	645.65	572.65	11.31	634.43	1.74
25	866.40	750.24	13.41	837.16	3.37
30	1 075.56	948.64	11.80	1 068.95	0.61
34	1 340.12	1 166.53	12.95	1 330.71	0.70

机型	BADA参考质量/（10³kg）	总航班数	估算RE≤5%		估算RE≤10%		估算质量 MRE/%	参考质量 MRE/%
机型	BADA参考质量/（10³kg）	总航班数	航班数	航班占比/%	航班数	航班占比/%	估算质量 MRE/%	参考质量 MRE/%
A320	64	4 370	3 457	79.11	4 300	98.40	3.18	4.51
A332	190	874	697	79.75	853	97.60	3.18	11.62
A321	72	4 897	3 860	78.82	4 773	97.47	3.25	5.57
B788	189.11	267	203	76.30	263	98.50	3.31	14.92
A333	174	1 980	1 556	78.59	1 937	97.83	3.26	9.33
A388	482	132	102	77.27	130	98.48	3.26	35.37
A319	60	1 435	1 138	79.30	1 424	99.23	3.37	4.38
B738	65.3	7 194	5 261	73.13	7 010	97.44	3.47	4.31
E190	32	851	709	83.31	795	93.42	3.50	26.40
A20N	68	900	615	68.33	860	95.56	3.85	3.01
B77L	280.01	354	234	66.10	346	97.74	3.85	14.29
A21N	83	1 668	1 135	68.05	1 644	98.56	3.88	8.06
B789	201.69	414	282	68.12	406	98.07	4.08	16.67
B737	60	942	579	61.46	916	97.24	4.34	2.90
B77W	290.3	446	296	66.37	443	99.33	4.52	21.08
总计		26 724	20 124	75.30	26 100	97.67	3.45	6.90

基于改进模拟退火的航空器起飞质量估算方法

Aircraft takeoff mass estimation method based on improved simulated annealing algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张百川, 毕文豪, 张安, 毛泽铭, 杨咪. 基于Transformer模型的空战飞行器轨迹预测误差补偿方法[J]. 航空学报, 2023, 44(9): 327413-327413.
[2]	水笑雨, 王艳军, 王子明, 彭明田, 孙强. 考虑机场公平性的机场群航班时刻分配[J]. 航空学报, 2023, 44(8): 327212-327212.
[3]	伍国华, 王天宇. 基于自适应模拟退火的大规模星座测控资源调度算法[J]. 航空学报, 2023, 44(12): 327759-327759.
[4]	王飞, 韩翔宇. 基于分形插值的空中交通流量短期预测[J]. 航空学报, 2022, 43(9): 325585-325585.
[5]	谢华, 黎子弘, 杨磊, 朱永文, 刘芳子. 容量受限下城市对航班四维航迹优化[J]. 航空学报, 2022, 43(8): 325581-325581.
[6]	赵嶷飞, 王梦琦. 空中交通工程学理论内涵与关键科学技术[J]. 航空学报, 2022, 43(12): 26537-026537.
[7]	罗庆, 张涛, 单鹏, 张文涛, 刘子豪. 基于改进Q学习的IMA系统重构蓝图生成方法[J]. 航空学报, 2021, 42(8): 525792-525792.
[8]	张军峰, 游录宝, 杨春苇, 胡荣. 基于多目标帝国竞争算法的进场排序与调度[J]. 航空学报, 2021, 42(6): 324439-324439.
[9]	陈志杰, 汤锦辉, 王冲, 程季锃, 曹珊, 邵欣. 人工智能赋能空域系统,提升空域分层治理能力[J]. 航空学报, 2021, 42(4): 525018-525018.
[10]	杨磊, 李文博, 刘芳子, 陈雨童, 赵征. 柔性空域结构下连续下降航迹多目标优化[J]. 航空学报, 2021, 42(2): 324157-324157.
[11]	陈雨童, 胡明华, 杨磊, 张昊然, 赵征. 受限航路空域自主航迹规划与冲突管理技术[J]. 航空学报, 2020, 41(9): 324045-324045.
[12]	张洪海, 汤一文, 许炎. TBO模式下终端区进场交通流优化模型与仿真分析[J]. 航空学报, 2020, 41(7): 323844-323844.
[13]	潘成胜, 行贵轩, 戚耀文, 杨力. 多状态空间信息网络拓扑生成优化算法[J]. 航空学报, 2020, 41(4): 323546-323546.
[14]	奚之飞, 徐安, 寇英信, 李战武, 杨爱武. 基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测[J]. 航空学报, 2020, 41(12): 324183-324183.
[15]	叶博嘉, 鲍序, 刘博, 田勇. 基于机器学习的航空器进近飞行时间预测[J]. 航空学报, 2020, 41(10): 324136-324136.