基于灰色马尔可夫方法的机场FOD事件预测

《基于灰色马尔可夫方法的机场FOD事件预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第34卷第3期2016年6月中国民航大学学报JOURNAL0FCIVILAVIATIONUNⅣERSITYOFCHINAV01．34No．3June2016基于灰色马尔可夫方法的机场FOD事件预测王维，张清栋(中国民航大学机场学院，天津300300)摘要：航空器外来物损伤事件(FOD)具有原因复杂、随机发生等特点。因此很难用一般方法进行预测。采用灰色马尔可夫方法对机场未来一定时间序列航空器外来物损伤事件进行预测．建立灰色马尔可夫预测模型，实例分析表明灰色理论预测值恰好位于马尔可夫链转移概率的预测区间内．验证表明，预测结果具有较好的准确性并且

2、该方法具有很好的适用性，能为机场航空器损伤事件的预防管理提供必要的数据支持。关键词：机场；预测模型；灰色马尔可夫：航空器FOD事件：评价方法中图分类号：V351．11文献标志码：A文章编号：1674—5590(2016)03—0028—05AirportFODincidentpredictionbasedonGrey-MarkovmethodWANGWei，ZHANGQingdong(AirpoaEngineeringCollege，CAuc,T／删讥300300，China)Abstract：CausesofaircraftFODinci

3、dentsarecomplexandrandom，SOitisdifficulttousegeneralmethodtopredictinci．dent．Grey—MarkovmethodisusedtopredictaircraftFODincidentsinfuturesequenceandGrey-Markovpre-dictionmodelisestablished，thecalculationresultshowsthatgreytheorypredictingdatajustlocateinMarkovchainpredicti

4、oninterval．Thepredictionresultisprovedaccurateandthemethodisapplicable，whichcanpro-videnecessarystatisticalsupportforairportFODpreventionmanagement．Keywords：airport；predictionmodel；Grey-Markov；aircraftFODincident；evaluationmethod随着中国民航业的快速发展，民航安全越来越受到各方关注，航空器的安全运行变得尤为重要。目前

5、威胁航空器地面安全运行的原因之一是机场道面外来物FOD(foreignobjectdebris)。FOD的种类非常多，如飞机和发动机的连接件(螺帽、螺钉、垫圈、保险丝等)、机械和修理工具、飞行行李物品、钥匙锁扣、野生动物、树叶、石头和沙子、道面破损材料、木块、塑料或聚乙烯材料、纸制品、飞行区的冰碴等㈣。这些物件可能小到不起眼，却严重威胁航空器和人员的安全，轻则损伤航空器，重则造成机毁人亡的严重事故。航空器FOD损伤事件每年给全球航空业造成至少135亿美元的直接或间接经济损失[31。巨大的人员伤亡风险和经济损失引起了国际航空业对FOD风险管理

6、的高度重视[41。为解决对FOD预测防范的实际问题，各国都加强了相关技术和预防管理的研究，并取得了一定的成果【51。然而并没有相关研究结合了某种理论，对FOD的航空器损伤事件进行预测并得出科学的预测数据，从而给机场的预测管理提供参考依据。灰色理论和马尔可夫链都可以对未来时变序列进行预i贝lJ[6-71，然而航空器FOD损伤事件受到其他许多因素的影响，并且事件发生具有很大的波动性，FOD的产生也是动态的时变事件，单独使用这两种方法导致预测结果精确度偏低[81，没有参考价值。使用两种方法的灰色马尔可夫预测模型，将灰色理论航空器FOD事件的时变趋

7、势和马尔可夫链的转移状态进行结合，具有可靠预测结果和精度。1灰色马尔可夫理论1．1灰色系统和马尔可夫系统机场航空器FOD损伤事件具有很大的随机性和不确定性，即存在着不明的“灰色”空间，故可使用灰收稿日期：2015—07—02；修回日期：2015—09—20基金项目：中国民航大学波音技术挑战项目(20140159204)作者简介：王维(1960一)，男，河北丰南人，教授，硕士，研究方向为机场工程．第34卷第3期王维，张清栋：基于灰色马尔可夫方法的机场FOD事件预测一29一色系统进行预测。灰色系统GM(1，1)将随机变量都视为灰色变量、随机过程

8、视为灰色过程，因而不需要大量历史数据f9J。灰色基本模型通过时序数据累加，滤掉原始序列中可能的随机量，从上下波动的时间序列中寻找某种隐含的规律性，进而得到随机性弱化而规律性增强的