潘卫军 冷元飞 蒋倩兰 吴天祎

（中国民航飞行学院空中交通管理学院 广汉 618307）

1 引言

尾流是由飞机飞行过程中，空气受机翼构型的影响在翼尖处形成的旋涡流场。尤其在进离场航线上，重型飞机产生的强烈涡流对跟随飞机会构成潜在威胁，从而影响空中交通运营安全[1]。因此，国际民航组织早在1970年特别规定了飞机起飞和着陆最小间隔要求，以用于避免尾流遭遇风险。但近年来随着空中交通流量的增长，管制对间隔的要求逐渐成为机场高效运营的障碍[2～3]。对飞机实施动态尾流间隔是保障空中交通安全和提升机场容量的重要手段[4～5]。

对于动态尾流间隔技术，飞机尾流涡旋的精确三维测量至关重要。随着激光雷达技术发展，相干激光雷达已被证明是探测尾涡最有效和最灵活的工具，且已经有大量团队应用相干激光雷达对各种大气环境条件下尾流展开了观测实验[6～7]。通过尾流精确测量，如果能够对其进行识别，就可以在保证后续飞行安全的同时，实现飞机间隔调整。为了解决这个问题，人工智能技术的发展将为我们提供一个可行的方案，其包括被广泛应用于目标识别和图像处理的机器学习和深度学习（DL）模型[8]。最近研究[9～10]表明它们可以提供基于流场的精确涡旋识别，然而这些研究并没有进一步给出对尾流特征参数的量化评估。

鉴于此，本文旨在实施深度学习端到端网络构建，根据相干光激光雷达扫描获得的二维径向速度流场对尾涡特征参数表征。

2 数据采集

项目团队前期在四川双流国际机场（SZX）通过部署相干光激光雷达传感器（Coherent Doppler LIDAR，CDL）开展了尾流探测活动。如图1所示，相干光激光雷达设置在垂直距离20R号跑道中线延长线约1000m的位置，到跑道端延长线垂直距离约500m。其通过循环扫描精确测量涡流生命演化周期内的速度剖面。CDL在仰角方向上扫描捕获尾流涡旋的位置，每架飞机产生的尾流从机尾到机头方向观测为两个反向旋转的旋涡（clockwise vortex and counterclockwise vortex，CCW 和CW）。尾流数据收集在无雨微风的良好天气情况下进行，为相干光激光雷达系统提供最佳探测条件。对于CW和CCW，基于光脉冲相干多普勒频移探测原理，CDL利用稳频脉冲激光作为探测光源，通过接收大气中随风飘移气溶胶的散射回波信号，并解析来获得激光束视线方向的径向风矢量线。

图1 激光雷达位置

测量所采用的相干光激光雷达为FBOX-6000，对实时测量的快速响应，可在8km的探测半径内实现对流层中下层3D风场的精细探测。图2展示了现场测量情况，高精度光学镜采用3D扫描探测的距离高度显示器（range-height-indication，RHI）定点扫描模式。

图2 FBOX-6000实地扫描尾涡（RHI mode）

3 模型框架

图3展示了本文所提的端到端飞机尾流参数估计深度学习框架（以下简称WVConv）。该方法包括两个部分：第一个是用于CDL获取径向速度流场特征提取的主干网络；第二个是用于对飞机尾流左右涡的特征参数进行估计的预测模块。

图3 机深度学习框架

3.1 主干网络

深度学习框架的主干网络用于提取输入数据的潜在基础特征。考虑到CDL扫描风场不同于传统光学传感器，本文设计了一个具有深度可分离卷积块[11]的简单卷积神经网络主干，以单通道数据作为网络原始输入，支持特征传播和特征复用，从而减少计算量和加快模型预测速度，结构如图4（a）所示。主干网络首先执行标准卷积的输出，然后将个深度可分离卷积模块堆叠构成模型的主体，最后再叠加一层标准卷积层输出下游解码任务的共享特征图（Fsfm）。

图4 主干网络

深度可分离卷积块结构如图4（b）所示，其是由深度卷积（Depthwise Convolution，DW）和逐点卷积（Pointwise Convolution，PW）前后连接组成。DW卷积层的作用是对输入通道进行滤波过滤，而PW卷积层则是将DW卷积层的输出进行线性组合以获得新的特征图。为了更好地展现网络的非线性建模能力，在DW和PW之后使用了线性整流函数（Relu）。为了防止梯度爆炸，加快模型的收敛速度，提高模型的效率，在Relu之前增加了批标准化层（BN）来实现数据分布的自动调整。

3.2 特征参数解码

在近地阶段，飞行中飞机产生一对涡流区域，如图5所示。涡流区中CCW和CW的定量描述主要体现在其特征参数：左涡涡核位置（Lcw,Hcw）和环量强度Γcw；右涡涡核位置(Lccw,Hccw)和环量强度Γccw。

图5 近地涡旋

本文通过深度学习框架对雷达获取的径向速度流场学习，以用于飞机尾涡各参数表征。研究[12～14]表明将神经网络用于进行多任务时，在共享特征图上针对不同任务进行解耦有助于提高各模块的预测精确度。通过本文中的模型对左右两尾流涡旋的参数分别进行解耦估计，利用两个不同的3×3卷积层对骨干输出的共享特征图Fsfm进一步卷积，从而得到左右涡特征图Fcw和Fccw。对于左涡的涡核定位和环量估计解耦，也分别利用两个不同3×3卷积层对上层特征图Fcw进行特征提取，同理右涡也进行相似操作。由于左右涡的预测参数输出数量是一样的，因此最后总共需要4个不同的全连接网络（见图6）同时运行，每个MLP检测头都针对相应表征参数（Lpcw,Hpcw）、Γpcw（Lpccw,Hpccw）、Γpccw进行权重训练。

图6 MLP结构

3.3 损失函数

WVConv对飞机尾流左涡的特征参数估计，可以看作是回归问题，本文模型训练选择平滑最小绝对值偏差（Smooth L1）[15]作为预测特征参数的损失函数，其计算式如式（1）。

式中，Lpcw,Hpcw,Γpcw,Lpccw,Hpccw,Γpccw代表模型对左右涡核位置及环量估计结果。Lcw,Hcw,Γcw,Lccw,Hccw,Γccw表示各特征参数标记值，M代表样本数量。

因此，对尾流参数估计的总体优化目标为

4 实验与结果

4.1 实验设备

实验在Windows10操作系统下进行，并在VScode开发环境中使用Python 3.7编程语言和深度学习框架PyTorch。计算平台硬件配置为Dell T640工作平台，处理器为Intel（R）Xeon（R）GOLD 5218，内存为32GB。

4.2 数据集构建

实时风场数据由2020年10月15日期间位于SZX的CDL采集生成，具体雷达运行参数如表1。

WVConv的输入是一个48×56的二维矩阵，对于每个扫描矩阵的探测角度间隔0.2°，径向探测距离间隔15m。尾涡数据真实特征参数值根据参考文献[16～17]给出的RV标记方法计算得到，并作为深度学习模型从径向速度流场到尾涡特征参数的学习目标。鉴于RV方法的特性，该计算方法将直接构成限制深度学习网络能力的重要因素。所构建的数据集最终被随机化分为60%训练集、20%验证集和20%测试集。其中训练数据集（419个）用于神经元学习权重的训练数据集，验证集被用于模型超参调整，测试集被用于模型测试。

表1 CDL扫描参数

4.3 训练设置

WVConv模型使用自适应矩估计 Adam[18]作为对网络梯度下降算法的优化器。终止训练被设置为150个epoch，但如果超过30个epoch中没有检测到模型改进，网络训练将提前终止，以避免过度拟合训练数据，具体训练参数设置可见表2。

表2 训练设置

平均绝对误差（MAE）是衡量模型预测性能的重要指标。它通过测量一组预测中误差的平均幅度来衡量预测与最终结果的接近程度。在这项工作中，对于参数估计的评价指标采用MAE评价，其计算式：

式中，yi和ŷi分别呈现预测值和实际值，M代表样本数量。

4.4 预测结果与分析

实验将本文所提WVConv模型在训练集上进行学习，图7展示了训练阶段损失值的迭代图。可知模型在40轮次之前总体损失值下降较快，之后总体损失值趋于稳定，进而早停模型训练。

图7 损失迭代图

为了测试所提模型的特征参数预测性能。将模型在测试集上进行测试，结果如表3所示。同时，图8给出了WVConv模型部分样本测试示例。

表3 尾涡参数估计测试结果

图8 WVConv模型特征参数估计

通过表3，可以看出WVConv模型对左右涡水平距离上的估计误差分别为7.30m和8.16m，对高度的估计误差为2m和1.59m。WVConv对左右环量的误差分别为8.42m2/和8.65m2/s，且得益于深度可分离卷积块的应用，识别速度达到100fps。通过图8可以发现所提模型对初级涡的定位能力较强，且尾流环量估计值准确。随着尾涡相互诱导演化耗散，模型预测能力略有下降。综合来看，微风环境下，所提模型能够有效对飞机近地尾涡特征参数进行预测。

5 结语

本文中提出了端到端飞机尾流估计框架。其由深度可分离模块为基础，设计一个轻量化简单骨干网络，并以此为基础分别构建不同的预测模块估计尾涡特征参数。实验使用相干光激光在双流国际机场采集数据，处理后对模型进行训练、测试。结果表明，模型对尾涡的特征环量和涡核定位估计效果较好。在本文中，深度人工神经网络展示了在相干光激光雷达所获取的径向速度流场上的分析能力，其明显优势是快速扫描尾涡场，从而端到端对飞机尾流特征参数进行估计。

总体而言，所提出的方法有改进的余地，但各特征参数预测精度不能优于RV方法，除非模型学习目标是以其它更准确方式创建。未来可以进一步引入天气因素，以应对在恶劣天气中对各项特征参数预估能力。