基于时空特征融合的飞机尾涡识别

潘卫军， 冷元飞， 吴天祎

(中国民用航空飞行学院空中交通管理学院， 广汉 618307)

飞机尾流是飞机飞行时机翼上下表面压力差而在其后方形成的一对反向旋转的湍流漩涡，具有空间尺度大、持续时间长、旋转强烈等特点[1]。作为伴随飞机出现的大气湍流，飞机尾流对航空安全有重大威胁，当后机进入前机的尾流时，可能发生颠簸、横滚，乃至失去控制[2-4]。在大部分国际机场进场与离场航线上，由于飞机起降密集，飞机尾流的影响更大，从而成为制约机场吞吐容量和飞机安全起降的主要因素之一。

为了提高机场容量和避免飞机尾流的危害，国际民航组织(International Civil Aviation Organization, ICAO)于20世纪70年代起陆续制定了飞机之间的间隔规则以规避尾流的危害。研究表明这些规则总体比较保守，过大的间隔很大程度上限制了机场的起降容量，亦容易导致飞机晚点等现象[5-6]。随着经济发展全球化进程的不断提升，空中交通在近几十年来得到了快速发展，这使得机场和空域运行资源日趋紧张。尽管最近受到Covid-19疫情大流行，不断增长的航班需求已停止，但随着各国对疫情的有效管控，可以预见的是航空交通将在不久的将来恢复，亟需发展新的尾流间隔标准[7]。

随着激光雷达探测技术和信息技术的发展，专家提出可以基于尾涡探测技术构建飞机尾流动态尾流间隔系统，在得到飞机尾流的演化轨迹和强度信息的基础上，从而控制飞机尾流间距来提高空域利用率。然而，实现动态尾流间隔的重要前提是检测和识别飞机的尾流。文献 [8-9] 通常基于低级手工制作的特征，根据它们在雷达回波上的对称性来识别尾迹。对于不断发展的近地尾流[10]，使用基于机器学习 (machine learning, ML) 技术的径向速度(radial velocity, RV)方法的唤醒检测方法可能表现不佳并且对环境变化非常敏感。由于尾流受自身特性和环境的影响，尾涡结构的变化使得使用传统的机器学习方法难以应对整个尾涡生命周期。为了实现这一点，深度学习技术[11-12]的发展将提供一个可行的方案。卷积神经网络(convolutional neural network, CNN)被认为是目标识别和图像处理等应用最广泛的深度学习技术之一[13-16]，它可以提供基于空气流场雷达扫描图像的精确涡识别的思路。同时，长短期记忆网络(long short term memory network,LSTM)模型常用于对具有时间属性的数据信息建模[17-19]，它可以用于提供雷达时序扫描回波上的序列特征。本文中，融合CNN和Bi-LSTM的时空特征模型可能提高尾流识别的准确性。

因此，以近地飞机尾流的识别为研究内容，借助相干光多普勒激光雷达对深圳宝安国际机场繁忙航道内的风场进行数据集构建。最后，利用时空特征融合深度学习网络实现对尾涡的准确识别。尾涡的有效识别可以提高飞行安全性，后续利用尾流特征参数进行飞机尾流的短时行为预测，达到预警尾流遭遇目的，从而可以实现飞机动态尾流间隔管理。有助于减少航班延误，缓解机场运行压力，对民航业安全高效发展具有重要意义

尾流数据采集依据脉冲相干探测原理，利用稳频脉冲激光作为照射光源，通过接收大气中随风飘移气溶胶的散射回波信号并与雷达本振光进行相干混频，通过对中频信号的数字鉴频技术来获得激光束视线方向的径向风矢量。相干激光雷达具有测量精度高、测量速度快、数据产品丰富等优点,可实时探测机场中低空和周边风场信息。飞机在进离场高速飞行时，飞行器翼尖附近会产生顺时针(clockwise wake,CW)和逆时针涡流(counterclockwise wake,CCW)，如图1阐述了相干激光雷达(coherent doppler lidar, CDL)对飞机尾流截面扫描示意图。

图1 激光雷达扫描飞机尾涡Fig.1 Lidar scans aircraft wake vortex

在这项研究中，激光雷达测量了2021年3月 20日在深圳宝安机场的飞机尾流涡旋流场。图2所示卫星地图描绘了CDL的安放位置，两条黑色虚线表示从16号跑道边缘到激光雷达扫描段的距离和从激光雷达到跑道延长线的距离。跑道中心线延长线在B点与激光雷达高度指示器(range height indicator，RHI)模式的探测平面相交。激光雷达A到交点B的距离为250 m，跑道入口标志与交点B的距离为1 800 m。

图2 深圳宝安机场数据采集Fig.2 Shenzhen Bao’an airport data collection

根据相干光激光雷达原理可知，尾流扫描探测天然具有时序性和空间性,CDL雷达输出可以看成不同时刻的扫描序列X={x1,x2,…,xn}，也可以看作不同块组成的矩阵M={m1,m2,…,mn}。本文提出的尾流识别模型采用了并行处理，Bi-LSTM和CNN网络分别提取CDL雷达探测风场的时空特征，将两类特征融合后输入分类器进行识别。具体来说，首先对尾流数据集进行预处理，分为两个输入部分：序列输入SIN和块输入PIN。这两部分分别输入到Bi-LSTM 和CNN神经网络模块，Bi-LSTM提取数据集的时间序列特征，CNN用于提取数据集的空间域特征。在特征提取后，然后再融合两种类型的特征。最后，通过全连接得到预测的结果。总体框架如图3所示。

图3 时空特征融合模型框架Fig.3 Spatiotemporal feature fusion model framework

2.1 Bi-LSTM时间域特征提取

相干激光雷达循环往返周期扫描探测区域，相邻探测角之间的回波序列数据之间具有很强的时间依赖性， LSTM可以被应用于提取一个扫描片内不同扫描角度下雷达回波数据的时序特征。图4展示了LSTM的结构，其由输入层、隐藏层和输出层组成。LSTM 单元结构有3个输入：t时刻下的输入xt；
t-1时刻下隐含层的输入值ht-1和单元状态ct-1。LSTM 结构有2个输出：t时刻下隐含层的输出值ht和单元状态ct。在 LSTM 中存在遗忘门以避免长期依赖问题，并能够控制单元状态中信息的利用。

图4 长短期记忆网络Fig.4 Long-short term memory network

Bi-LSTM通过 LSTM 循环层的堆叠相比LSTM能够对时间域信息进行双向编码并学习表示，从而关注输入序列中每一个点的完整的过去和未来的上下文信息[20]。如图5所示，在本文中2层Bi-LSTM网络处理径向速度风场，在两个方向的序列数据，包括具有两个单独隐藏层的前向和后向方式，然后前馈融合到相同的输出层。

图5 Bi-LSTM结构Fig.5 Bidirectional long short-term memory

通过学习分别得到前向和后向输入特性h1、h2为

(1)

(2)

然后，完整的 Bi-LSTM 的通过拼接(CONTACT)隐藏层向量前向和后向过程的输出得到融合特征S，计算过程可表示为

S=CONTACT[h1,h2]

(3)

2.2 CNN空间域特征提取

尾涡径向速度流场的空间域特征由CNN提取。研究表明将图像矩阵分成多个Patch是提取空间信息局部特征的关键[21]。实验首先将风场数据分成多个Patch，然后将CNN应用于此Patch集合，卷积过程表示为

(4)

式(4)中：输出通道为c；
p为内核大小和步幅。

如图6所示为本文提出的 3层 CNN 网络。网络架构的第一层是实现输入Patch，获得的每个特征图都可以看成是卷积在整个Patch上激活相应的滤波器。然后，每个卷积层后带有 ReLU 的激活函数以生成空间域特征图。

图6 CNN网络架构Fig.6 CNN network architecture

空间域特征的输出可表达为

P=CNN(PIN)

(5)

2.3 时空特征融合

时空特征融合方法只拼接特征信息而不改变内容，保留了特征信息的完整性，可用于多特征信息融合。具体来说，在特征维度拼接中，数量拼接后的通道增加，但每个特征下的信息不增加，拼接的每个通道映射对应的卷积内核。两个全连接稠密层堆叠(fully connected neural network, FCN)在一起用于特征分类,表达式为

O=FCN[S,P]

(6)

式(6)中：S为时间域融合特征；
P为空间域特征。

3.1 数据集构建

实时风场数据集是由CDL采用距离高度显示器(range height indication, RHI)扫描模式垂直于飞机飞行方向进行剖面扫描生成。在深圳宝安机场现场探测时，测风雷达设定其激光波长1.55 μm，采样频率1 GHz，其他具体运行参数设置如表1。激光雷达测量值包含时间戳和位置(距离、方位角和仰角),从现场探测结果显示激光测风雷达能有效监测到飞机翼尖涡。通过CDL实地探测共获得了1 401 份有效样本并用于构建模型数据集。这些数据以比例6∶2∶2被分为训练数据、验证数据、测试数据3部分。每个数据集中含有尾流的样本标签为正(T)，未含有尾流的数据样本标签为负(F)。使用的具有完整变量的 CNN、Bi-LSTM 、CNN与Bi-LSTM融合模型在训练集上进行训练并在测试集上进行验证。

表1 激光雷达运行参数Table 1 Lidar operating parameters

由于背景风场的影响，对输入数据归一化处理，其计算表达式为

(7)

式(7)中：X为雷达获取的风场数据。

3.2 实验参数设置

实验在Windows10操作系统下进行，编程语言为Python，使用的深度学习框架为PyTorch。计算平台硬件配置为Dell T640工作平台，其处理器为Intel(R) Xeon(R) GOLD 5218，内存为32 GB。

根据模型参数的设计，本文中模型Bi-LSTM的层数设置为两层，每个输入方向的输入隐藏单元个数设置为37，输出单位个数为64。CNN模型中步长和核大小都设置为3，训练批次设置为20，采用自适应Adam优化器，优化器动量因子设置为 0.9，学习率设为 0.000 5。交叉熵函数用于神经网络模型训练的损失函数。

为了更加客观地描述模型的性能，使用召回率R(recall)、准确率A(accuracy)及F1分数作为评价指标。具体而言，准确率准确度是正确预测观测值的比率、召回率为训练模型捕获了多少真正的阳性结果，反映了模型对尾涡识别的鲁棒性，F1分值则是精确率和召回率的综合评价指标，暗示了预测模型的泛化性能。

(8)

(9)

(10)

式中：TP(true positive)表示实际类别为正，模型预测类别也为正；
FP(false positive)表示实际类别为负，模型预测类别为正；
TN(false negative)表示实际类别为负，模型预测类别也为负；
FN(false negative)表示实际类别为正，模型预测类别为负。

3.3 数据增强

大规模数据集有利于神经网络模型学习[17-18]。为了提高模型的鲁棒性，在预处理前通过使用均值平滑变换来增强数据，均值平滑函数定义为

(11)

式(11)中：s表示中心为(x,y)、尺寸为m的滤波器。

从图7可以看出，均值平滑后的数据几乎没有改变原始数据的形态。通过RV方法[18]对尾流参数的反演表明，流场均值平滑处理只改变了径向速度差的大小，不影响飞机尾流涡旋的涡核中心和对称特性。这表明均值平滑方式有助于模拟当前涡流的后期演化过程，以增加尾流数据的样本量。

图7 数据增强Fig.7 Data augmentation

3.4 实验结果

图8显示了CNN、BI-LSTM、时空特征融合模型在训练集和验证集上的学习性能，其中图8(a)记录了所有模型在每个训练 epoch 后的训练损失率变化。融合特征模型的召回率呈现出更快的下降速度，表明此模型能够很快地进行收敛。图8(b)展示了所有模型在每个训练 epoch 后的验证召回率迭代。可以观察到时空特征融合模型的召回率在最初的 10 个 epoch 中比其他模型提高得更快，表明其识别效果更好。

图8 训练集损失率和验证集召回率迭代曲线图Fig.8 Training set loss and validation set recall iteration

在接下来的模型测试结果如表2所示，双向LSTM 表现出良好的时间序列识别能力。融合特征模型对风场尾涡的识别能力优于其他模型，这得益于时间域特征和空间域特征的融合。

表2 不同模型能比较Table 2 Performance comparison of different models

在这项工作中，提出时空特征融合深度学习模型来解决近地飞机尾流识别任务。在模型中，CNN 被设计用于从相干光激光雷达获取的原始数据中提取流场的空间域特征。然后，Bi-LSTM作为一种高级循环记忆模型编码来提取激光雷达回波时序信息。结果表明，时空融合模型不需要任何特征工程，在尾流识别任务中达到97.13%的识别准确率，验证了所提方法的优越性能。因此，本文中的特征融合模型能够在风场数据中有效发现时空特征，以达到尾流识别监测功能。未来将进一步挖掘所提时空融合模型在飞机尾流特征参数估计中的潜力。