基于快速存取记录器数据的飞行俯仰操作特征提取方法

doi:10.11772/j.issn.1001-9081.2025010120

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (1): 322-330.DOI: 10.11772/j.issn.1001-9081.2025010120

基于快速存取记录器数据的飞行俯仰操作特征提取方法

张秀艳¹, 刘文涛¹, 王新²()

^1.中国民航大学安全科学与工程学院，天津 300300
^2.中国民航科学技术研究院，北京 100028

收稿日期:2025-02-07 修回日期:2025-04-11 接受日期:2025-04-11 发布日期:2026-01-10 出版日期:2026-01-10
通讯作者: 王新
作者简介:张秀艳（1983—），女，天津人，讲师，博士，主要研究方向：民航安全风险与应急管理、飞行数据分析
刘文涛（2000—），男，安徽阜阳人，硕士研究生，主要研究方向：飞行数据分析
基金资助:
国家重点研发计划项目(2023YFB4302903);天津市教委科研计划项目(2022KJ083);中央高校基本科研业务费资助项目(3122021031)

Feature extraction method of flight pitch operation based on quick access recorder data

Xiuyan ZHANG¹, Wentao LIU¹, Xin WANG²()

^1.College of Safety Science and Engineering，Civil Aviation University of China，Tianjin 300300，China
^2.China Academy of Civil Aviation Science and Technology，Beijing 100028，China

Received:2025-02-07 Revised:2025-04-11 Accepted:2025-04-11 Online:2026-01-10 Published:2026-01-10
Contact: Xin WANG
About author:ZHANG Xiuyan， born in 1983， Ph. D.， lecturer. Her research interests include civil aviation safety risk and emergency management， flight data analysis.
LIU Wentao， born in 2000， M. S. candidate. His research interests include flight data analysis.
Supported by:
National Key Research and Development Program of China(2023YFB4302903);Tianjin Municipal Education Commission Research Program(2022KJ083);Fundamental Research Funds for the Central Universities(3122021031)

摘要/Abstract

摘要：

快速存取记录器（QAR）数据分析效率低导致对QAR数据进行特征提取至关重要。针对QAR数据特征提取对于时序趋势特征关注不足的问题，融合分段三次Hermite插值（PCHIP）模块和序关系分析法（G1）赋权模块形成模型插值赋权部分分段三次Hermite插值-序关系分析法（PG），然后结合卷积自编码器（CAE）构建PG-CAE模型，提出一种基于QAR数据的飞行俯仰操作特征提取方法，旨在为飞行级异常检测等分析提供支持。首先，利用PCHIP统一数据长度；其次，利用G1赋权模块根据飞行操作与飞行姿态的因果时序相关性确定权重，从而量化飞行俯仰操作数据的时序重要性；再次，使用CAE模块对赋权后的数据进行特征提取；最后，基于某航司A319机型406个航段的俯仰操作数据进行模型验证。实验结果表明：通过引入PCHIP与G1模块， PG-CAE模型的结果明显优于CAE模型，从而以重构误差来度量单一数据样本与原始数据的符合度，并将它作为模型是否可接受的底线标准，同时以标准差来度量模型对数据集整体趋势特征的提取能力，最终确定具有5重卷积池化层的CAE5模型为最优模型结构，它的重构误差为0.032 84、标准差为（0.162 1，0.280 5）。此外，结合K-means算法，对比PG-CAE特征提取后的点聚类效果与未经特征提取的曲线聚类效果，进一步证明PG-CAE模型可将时序趋势数据的线簇数据提取为二维特征的点簇数据，从而服务于基于QAR数据飞行级异常检测等研究。

关键词: 飞行操作, 特征提取, 快速存取记录器, 卷积自编码器, 序关系分析法

Abstract:

Low efficiency of Quick Access Recorder （QAR） data analysis highlights the importance of feature extraction from QAR data. In response to issue of insufficient focus on temporal trend features in QAR data feature extraction， Piecewise Cubic Hermite Interpolating Polynomial （PCHIP） module and ordering relation algorithm （G1） weight assignment module were integrated to form the interpolation weighting， Piecewise Cubic Hermite Interpolating Polynomial — ordering relation algorithm （PG）， then a Convolutional AutoEncoder （CAE） was combined to construct PG-CAE model， and a flight pitch operation feature extraction method based on QAR data was proposed to support analyses such as flight-level anomaly detection. Firstly， the PCHIP was used to standardize data length. Secondly， the G1 weight assignment module was used to determine the weights according to causal temporal correlation between flight operations and flight attitudes， thereby quantifying temporal importance of flight pitch operation data. Thirdly， the CAE module was employed to extract features from the weighted data. Finally， the model validation was performed on the basis of pitch operation data from 406 flight segments of a certain airline's A319 aircraft. Experimental results indicate that PG-CAE model outperforms CAE model significantly by introducing PCHIP and G1 modules， so as to employ the reconstruction error to measure compliance of individual data samples with original data， which determines model acceptability， and use standard deviation to assess model's capability to extract overall trend features from dataset. Ultimately， CAE5 model with a 5- convolutional-pooling layers is identified as the optimal model structure， demonstrating a reconstruction error of 0.032 84 and standard deviations of （0.162 1， 0.280 5）. Furthermore， by combining K-means algorithm， a comparison of point clustering effect after PG-CAE feature extraction with curve clustering effect without feature extraction further demonstrates that PG-CAE model can extract line cluster data of temporal trend data as point cluster data of two-dimensional features， serving research such as flight-level anomaly detection based on QAR data.

Key words: flight operation, feature extraction, Quick Access Recorder (QAR), Convolutional AutoEncoder (CAE), ordering relation algorithm

中图分类号:

TP183

张秀艳, 刘文涛, 王新. 基于快速存取记录器数据的飞行俯仰操作特征提取方法[J]. 计算机应用, 2026, 46(1): 322-330.

Xiuyan ZHANG, Wentao LIU, Xin WANG. Feature extraction method of flight pitch operation based on quick access recorder data[J]. Journal of Computer Applications, 2026, 46(1): 322-330.

图/表 16

图1 数据采样的示意图

Fig. 1 Schematic diagram of data sampling

图2 PG-CAE模型的结构

Fig. 2 Structure of PG-CAE model

表1 模型各变量的含义

Tab. 1 Meaning of each variable in model

变量	含义
$P C k m k$	俯仰指令经预处理的数据
$P C k m$	$P C k m k$ 经过插值后补齐维度的数据
$P C k m *$	$P C k m$ 经标准化后的数据
$W$	G1法计算所得权重
$G_P C k m *$	$P C k m *$ 与 $W$ 作Hadamard积
$R_P C k m *$	$G_P C k m *$ 经CAE重构的数据

表1 模型各变量的含义

Tab. 1 Meaning of each variable in model

变量	含义
$P C k m k$	俯仰指令经预处理的数据
$P C k m$	$P C k m k$ 经过插值后补齐维度的数据
$P C k m *$	$P C k m$ 经标准化后的数据
$W$	G1法计算所得权重
$G_P C k m *$	$P C k m *$ 与 $W$ 作Hadamard积
$R_P C k m *$	$G_P C k m *$ 经CAE重构的数据

图3 预处理的过程

Fig. 3 Process of pre-processing

表2 rn 赋值参考

Tab. 2 rnassignment reference

r_n	说明
1.0	指标U_n_-1与U_n 具有同样重要性
1.2	指标U_n_-1比U_n 稍微重要
1.4	指标U_n_-1比U_n 明显重要
1.6	指标U_n_-1比U_n 强烈重要
1.8	指标U_n_-1比U_n 极端重要
1.1，1.3，1.5，1.7	对应两两相邻指标判断中间情况

图4 CAE模块的结构

Fig. 4 Structure of CAE module

图5 PCHIP的效果

Fig. 5 PCHIP rendering

图6 G1权重值

Fig. 6 G1 weight value

图7 重构误差对比

Fig. 7 Comparison of reconstruction errors

图8 特征可视化

Fig. 8 Feature visualization

表3 各模型的标准差

Tab. 3 Standard deviation of each model

模型	标准差σ（σ₁，σ₂）
CAE5	（0.162 1，0.280 5）
CAE6	（0.797 1，1.038 9）

图9 PCHIP模块的效果图

Fig. 9 Effect diagram of PCHIP module

图10 G1模块的效果图

Fig. 10 Effect diagram of G1 module

表4 消融实验里的标准差

Tab. 4 Standard deviations in ablation experiments

模型	标准差σ（σ₁，σ₂）
无PCHIP+G1	（0.325 8，0.316 5）
PCHIP+无G1	（0.911 6，1.135 2）
PCHIP+G1	（0.162 1，0.280 5）

图11 K-means分组的用时

Fig. 11 Time for K-means grouping

图12 点簇与线簇的分组效果对比

Fig. 12 Grouping effect comparison of point clusters and line clusters

参考文献 24

[1]	张秀艳，刘然.基于灰色二次指数平滑的QAR参数关联度预测［J］.综合运输， 2021， 43（1）： 76-81.
	ZHANG X Y， LIU R. Prediction of QAR parameters correlation based on secondary exponential smoothing-grey correlation method ［J］. China Transportation Review， 2021， 43（1）： 76-81.
[2]	杨慧，孟凡星.改进的SAX符号化算法在QAR数据中的应用［J］.计算机应用， 2012， 32（5）： 1484-1487.
	YANG H， MENG F X. Application of improved SAX algorithm to QAR data ［J］. Journal of Computer Applications， 2012， 32（5）： 1484-1487.
[3]	WANG Z， LIANG M， DELAHAYE D. A hybrid machine learning model for short-term estimated time of arrival prediction in Terminal Manoeuvring Area ［J］. Transportation Research Part C： Emerging Technologies， 2018， 95： 280-294.
[4]	CHEN J， CHEN S， LIU Z， et al. Health monitoring of landing gear retraction/extension system based on optimized fuzzy c-means algorithm ［J］. IEEE Access， 2020， 8： 219611-219621.
[5]	王岩韬，高艺，时统宇.基于QAR数据的飞行控制系统故障研究综述［J］.中国安全科学学报， 2024， 34（4）： 1-9.
	WANG Y T， GAO Y， SHI T Y. A review of flight control system fault research based on QAR data ［J］. China Safety Science Journal， 2024， 34（4）： 1-9.
[6]	胡珉，白雪，徐伟，等.多维时间序列异常检测算法综述［J］.计算机应用， 2020， 40（6）： 1553-1564.
	HU M， BAI X， XU W， et al. Review of anomaly detection algorithms for multidimensional time series ［J］. Journal of Computer Applications， 2020， 40（6）： 1553-1564.
[7]	SALEKSHAHREZAEE Z， LEEVY J L， KHOSHGOFTAAR T M. Feature extraction for class imbalance using a convolutional autoencoder and data sampling ［C］// Proceedings of the IEEE 33rd International Conference on Tools with Artificial Intelligence. Piscataway： IEEE， 2021： 217-223.
[8]	WANG Q， QIN K， LU B， et al. Time-feature attention-based convolutional auto-encoder for flight feature extraction ［J］. Scientific Reports， 2023， 13： No.14175.
[9]	QIN K， WANG Q， LU B， et al. Flight anomaly detection via a deep hybrid model ［J］. Aerospace， 2022， 9（6）： No.329.
[10]	CHEN H， SHANG J， ZHENG L， et al. SDTAN： scalable deep time aware attention network for interpretable hard landing prediction ［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（9）： 10211-10223.
[11]	DANG X， HUA C， RONG C. Automated anomaly detection and causal analysis for civil aviation using QAR data ［J］. Applied Sciences， 2025， 15（5）： No.2250.
[12]	段照斌，杜海龙，张鹏.基于QAR2Vec模型的QAR数据特征提取［J］.中国安全科学学报， 2021， 31（1）： 145-152.
	DUAN Z B， DU H L， ZHANG P. Feature extraction of QAR data based on QAR2Vec model ［J］. China Safety Science Journal， 2021， 31（1）： 145-152.
[13]	张鹏，杨涛，刘亚楠，等.基于CNN-LSTM的QAR数据特征提取与预测［J］.计算机应用研究， 2019， 36（10）： 2958-2961.
	ZHANG P， YANG T， LIU Y N， et al. Feature extraction and prediction of QAR data based on CNN-LSTM ［J］. Application Research of Computers， 2019， 36（10）： 2958-2961.
[14]	GUO C， SUN Y， XU T， et al. An improved Transformer method for prediction of aircraft hard landing based on QAR data ［J］. International Journal of Aeronautical and Space Sciences， 2025， 26（4）： 2043-2057.
[15]	HELGO M. Deep learning and machine learning algorithms for enhanced aircraft maintenance and flight data analysis ［J］. Journal of Robotics Spectrum， 2023， 1： 90-99.
[16]	曾琛.基于Energy-Metrics的训练飞行数据异常识别方法［J］.科学技术与工程， 2024， 24（25）： 10993-11001.
	ZENG C. Training flight data abnormal recognition method based on Energy-Metrics ［J］. Science Technology and Engineering， 2024， 24（25）： 10993-11001.
[17]	张秀艳，王琪.飞机离地姿态与飞行操作“因果-时序”耦合动态Bayes网络模型［J］.清华大学学报（自然科学版）， 2024， 64（6）： 1070-1081.
	ZHANG X Y， WANG Q. Dynamic Bayesian networks model for causal-time series coupling in aircraft takeoff attitude and flight operations ［J］. Journal of Tsinghua University （Science and Technology）， 2024， 64（6）： 1070-1081.
[18]	汪磊，孙景陆，王文超，等.基于QAR数据的着陆超限风险贝叶斯网络分析模型［J］.安全与环境学报， 2023， 23（1）： 26-34.
	WANG L， SUN J L， WANG W C， et al. Bayesian network analysis model on landing exceedance risk based on flight QAR data ［J］. Journal of Safety and Environment， 2023， 23（1）： 26-34.
[19]	RABBATH C A， CORRIVEAU D. A comparison of piecewise cubic Hermite interpolating polynomials， cubic splines and piecewise linear functions for the approximation of projectile aerodynamics ［J］. Defence Technology， 2019， 15（5）： 741-757.
[20]	陈农田.基于序关系法的飞行员安全行为评价指标权重系数的确定［J］.数学的实践与认识， 2016， 46（1）： 155-161.
	CHEN N T. Weight factors determination of the evaluation indexes of pilots safety behavior based on ordering relation ［J］. Mathematics in Practice and Theory， 2016， 46（1）： 155-161.
[21]	RYU S， CHOI H， LEE H， et al. Convolutional autoencoder based feature extraction and clustering for customer load analysis ［J］. IEEE Transactions on Power Systems， 2020， 35（2）： 1048-1060.
[22]	贾琪，王晓丹，周来恩，等.改进卷积自编码器的局部特征描述算法［J］.计算机工程与应用， 2017， 53（19）： 184-191.
	JIA Q， WANG X D， ZHOU L E， et al. New local feature description algorithm based on improved convolutional auto-encode ［J］. Computer Engineering and Applications， 2017， 53（19）： 184-191.
[23]	蒋辉，闫秋艳，姜竹郡.面向多元时间序列异常检测的对称正定自编码器方法［J］.计算机应用， 2024， 44（10）： 3294-3299.
	JIANG H， YAN Q Y， JIANG Z J. Symmetric positive definite autoencoder method for multivariate time series anomaly detection ［J］. Journal of Computer Applications， 2024， 44（10）： 3294-3299.
[24]	ZENDEHBAD S A， RAZAVI A S， SANJANI M A， et al. TraxVBF： A hybrid Transformer-xLSTM framework for EMG signal processing and assistive technology development in rehabilitation ［J］. Sensing and Bio-Sensing Research， 2025， 47： No.100749.

基于快速存取记录器数据的飞行俯仰操作特征提取方法

Feature extraction method of flight pitch operation based on quick access recorder data

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 24

相关文章 15

编辑推荐

Metrics

[1]	郭伟, 王曼婷, 曲海成. 基于多尺度感知的多维空间融合水下图像增强算法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 224-232.
[2]	王闯, 俞璐, 陈健威, 潘成, 杜文博. 开集域适应综述[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2727-2736.
[3]	陈庆礼, 郭渊博, 方晨. 面向数据异构的聚类联邦学习算法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1086-1094.
[4]	王瑜, 方贤进, 杨高明, 丁一峰, 杨新露. 基于注意力掩码与特征提取的人脸伪造主动防御[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 904-910.
[5]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[6]	张天骐, 谭霜, 沈夕文, 唐娟. 融合注意力机制和多尺度特征的图像水印方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 616-623.
[7]	王晓曼, 陈艳平, 杨采薇, 黄瑞章, 秦永彬. 多方向梯度特征提取的嵌套命名实体识别方法[J]. 《计算机应用》唯一官方网站, 2025, 45(11): 3547-3554.
[8]	文连庆, 陶冶, 田云龙, 牛丽, 孙宏霞. 基于流的轻量化高质量文本到语音转换方法[J]. 《计算机应用》唯一官方网站, 2025, 45(10): 3277-3283.
[9]	梁杰涛, 罗兵, 付兰慧, 常青玲, 李楠楠, 易宁波, 冯其, 何鑫, 邓辅秦. 基于坐标几何采样的点云配准方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 214-222.
[10]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[11]	付帅, 郭小英, 白茹意, 闫涛, 陈斌. 改进的CloFormer模型与有序回归相结合的年龄评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2372-2380.
[12]	陈彤, 杨丰玉, 熊宇, 严荭, 邱福星. 基于多尺度频率通道注意力融合的声纹库构建方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2407-2413.
[13]	龙伍丹, 彭博, 胡节, 申颖, 丁丹妮. 基于加强特征提取的道路病害检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2264-2270.
[14]	刘瑞华, 郝子赫, 邹洋杨. 基于多层级精细特征融合的步态识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2250-2257.
[15]	吴郅昊, 迟子秋, 肖婷, 王喆. 基于元学习自适应的小样本语音合成[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1629-1635.