Методика оптимального полета
Продолжение работ по методике оптимального полета, проводимой в авиакомпании «Сахалинские авиатрассы» (статья опубликована в журнале «Проблемы безопасности полетов», № 9, 2008), количественной оценки качества техники пилотирования на основе обработки и экспертной оценки данных записей бортовых параметрических регистраторов. Рассмотрены вопросы самонастройки и самоорганизации системы управления рисками, связанными с выполнением полета и «человеческим фактором».
Кратко суть методики сводится к следующему. Из записи параметрического самописца одного полета выбирают контрольные точки по всему профилю полета. Далее вводят градации отклонений от оптимального управления:
- оптимальное управление (0 баллов);
- отклонения 1 уровня (1 балл);
- отклонения 2 уровня (3 балла);
- отклонения 3 уровня (6 баллов).
Затем эти отклонения нормируют по уровням. Программа при расшифровке полетной информации (ПИ) определяет физическое значение параметра в контрольной точке и уровень отклонения. Каждому уровню присваивается балл, который суммируется и выдается в виде конечного итогового балла за полет. Таким образом выводится количественная оценка индивидуальной техники пилотирования.
Проблема состоит в том, что после получения балльной оценки оглашают рейтинговые оценки техники пилотирования пилотов. Первая реакция пилотов, находящихся внизу рейтинга, сводится к утверждению, что система необъективна, границы и уровни отклонений по контрольным точкам расставлены неправильно. Поэтому чем грамотнее и правильнее расставлены границы по уровням отклонений, тем точнее методика отражает реальное состояние дел с количественной оценкой полета.
На первом этапе нашей работы мы руководствовались FOM(РЛЭ) по исследуемому типу ВС и мнением командно-инструкторского состава летного подразделения. Однако в результате постоянной обработки ПИ за один проход программы, помимо экспресс-анализа, были получены физические значения параметров в 78-ми контрольных точках Boeing 737 и 81-ой контрольной точки на DHC 8. На сегодняшний день обработано порядка 4000 полетов по Boeing 737 и 1500 полетов по DHC 8. Все эти информационные массивы помещены в реляционную базу данных. Информационный массив довольно представительный. Поэтому было принято решение воспользоваться этой базой данных и обработать материал с применением известных методик статистического анализа. После изучения материала было решено воспользоваться методом однофакторного дисперсионного анализа [1].
Применительно к обработке контрольных точек полета суть этого метода анализа сводится к следующему:
1. По статистическому материалу строится закон распределения и плотность распределения вероятности (рис. 1).
В результате обработки 2367 полетов получен материал для анализа, приведенный на рис. 1. В представленном случае исследовалась контрольная точка Vпос.-Vref (разница между фактической и расчетной скоростью посадки) для Boeing 737. Особо отмечаем, что исходные данные вручную не корректировались, отчет сформирован автоматически. Как видно из рис. 1 плотность распределения вероятности очень близко подходит к гауссовскому распределению, то есть наша случайная величина распределена по нормальному (гауссовскому) закону. Гауссовское распределение характеризуется двумя параметрами:
μ – матожидание (среднее арифметическое);
σ – дисперсия (среднеквадратичное отклонение).
Увеличить butirin2008-10-01.jpg (325кб)
Рис. 1
2. По конкретной контрольной точке полета вычисляется математическое ожидание:
где N - количество обработанных полетов;
Xi - физическое значение параметра в контрольной точке i-го полета.
3. По этой же контрольной точке вычисляется дисперсия:
где N - количество обработанных полетов;
Xi - физическое значение параметра в контрольной точке i-го полета;
μ - математическое ожидание этой контрольной точки.
4. В зависимости от параметра откладываем 1 дисперсию от математического ожидания в одну сторону или 0,5 дисперсии по обе стороны от математического ожидания. Это диапазон, который классифицируется как оптимальное управление.
5. В зависимости от параметра откладываем 2 дисперсию от математического ожидания в одну сторону или 1 дисперсию по обе стороны от математического ожидания. Это диапазон, который классифицируется как отклонение 1 уровня.
6. В зависимости от параметра откладываем 2,6 дисперсии от математического ожидания в одну сторону или 1,3 дисперсии по обе стороны от математического ожидания. Это диапазон, который классифицируется как отклонение 2 уровня.
7. В зависимости от параметра откладываем 4 дисперсии от математического ожидания в одну сторону или 2 дисперсии по обе стороны от математического ожидания. Это диапазон, который классифицируется как отклонение 3 уровня. Это отклонение иногда приравнивается к нарушению.
В результате обработки наша случайная величина распределена по нормальному (гауссовскому) закону с параметрами:
μ = 1,36 – матожидание;
σ = 5,51 – дисперсия.
Очень важно получить эти оценочные параметры. Исходя из них, можно установить границы по уровням отклонений. В нашем конкретном случае это выглядит следующим образом:
- оптимальное управление – -1,40>ΔV> 4,12;
- отклонения 1 уровня – -4,15>ΔV> 6,87;
- отклонения 2 уровня – -5,80>ΔV> 8,52;
- отклонения 3 уровня – -9,66>ΔV> 12,38.
Скорость измеряется в узлах kts (1kts=1,8532 км/ч).
Аналогичные параметры рассчитаны по всем нормируемым контрольным точкам полета. Полученный устойчивый результат очень близок к теории и свидетельствует о правильности применяемых алгоритмов поиска контрольных точек и статистической обработки данных. При этом решается главная проблема - определяются параметры процесса (математическое ожидание и дисперсия) по каждой контрольной точке. Что в свою очередь позволяет расставить четкие и теоретически и эмпирически выверенные границы по уровням отклонений. То есть, получен «механизм», который по мере накопления статистического материала сам себя настраивает и корректирует. В теории управления есть закон, согласно которому система только тогда устойчива и управляема, когда в контур управления включено устройство, осуществляющее отрицательную обратную связь. При получении вышеуказанных статистических данных появляется информация для принятия решения, а это не что иное, как регулятор уровня обратной связи в контуре управления системы. Причем руководство авиакомпании вправе само устанавливать уровень границ по отклонениям и, как следствие, регулировать и устанавливать требуемый уровень безопасности полетов (БП). То есть требовать от пилота более точного, четкого, более «чистого» выполнения полета. А это и есть не что иное, как проактивное управление рисками.
Приведем пример еще одного отчета, который можно получить, используя методику оптимального полета. Сразу отметим, что это рабочий, промежуточный материал. Он получил название «Цветовой индикатор техники пилотирования».
Суть его сводится к следующему. Если вывести все отклонения по всем контрольным точкам всех полетов одного пилота на стандартный лист (экран) и обозначить разными цветами уровни отклонений: оптимальное управление – белый (а); отклонения 1 уровня – зеленый (б); отклонения 2 уровня – желтый (в); отклонения 3 уровня – красный (г), получится картина, приведенная на рис. 2.
Увеличить butirin2008-10-04.jpg (188кб)
Рис. 2
Цветовая визуализация цифрового материала позволяет одним взглядом оценить сильные и слабые стороны техники пилотирования конкретного пилота, выявить опасные тенденции, определить некорректно установленные границы по уровням отклонений (48, 49 контрольные точки, красная полоса (г) в центре).
Мы не можем управлять каким-либо процессом, если не имеем о нем количественных, оценочных показателей. А как узнать, что такое качество техники пилотирования? Необходим некий интегральный критерий, объединяющий в единое целое профессиональные качества и характеризующий летное мастерство пилота. Причем необходимо исследовать не пограничные состояния системы, а базовые основные показатели. И не вербальные ее характеристики, а количественные оценки. Имея на руках цифровые показатели, мы имеем регулятор, при помощи которого можно либо вывести систему из «штопора», либо наоборот ввергнуть ее в «пике». Высший пилотаж в этой работе - создать самоорганизующуюся систему. Необходимо походить к вопросу обеспечения соответствующего уровня БП с позиций синергетики-науки, занимающейся изучением процессов самоорганизации, возникновения и поддержания устойчивости структур самой различной природы. И здесь без однозначной, количественной оценки техники пилотирования, необходимой для организации обратной связи в конечном итоге, никак не обойтись. Цель - хорошо детерминированная, устойчивая и управляемая, самоорганизующаяся система по работе с рисками, связанными с выполнением полета. Используя однофакторный дисперсионный анализ, мы получили инструментарий, при помощи которого по мере накопления статистического материала (обработанных полетов), можно непрерывно уточнять граничные значения контролируемых параметров по уровням отклонений, а это по сути своей и является самоорганизацией системы.
За последние 45 лет анализ аварийности, проводимый службами безопасности, констатирует, что более 75-80% причин аварий и катастроф порождаются деятельностью человека в полете и на земле, пресловутый «человеческий фактор». При изучении проблемы «человеческого фактора», в нашей авиакомпании был внедрен в эксплуатацию метод оптимального полета для эскадрилий Boeing 737 и DHC 8. Сразу же выявились сильные и слабые места каждого пилота, определился его потенциал. И теперь можно на цифрах оценить уровень подготовки пилота, степень надежности. Имея количественные показатели индивидуальной техники пилотирования можно регулировать и влиять на систему управления рисками и принятия решений по конкретному человеку, выявлять опасные тенденции, работать над их устранением. Накапливая статистический материал, расшифровывая полеты и используя описанную выше методику однофакторного дисперсионного анализа, мы уточняем границы по уровням отклонений. А это, в свою очередь, повышает точность и достоверность методики оптимального полета, дает более четкую дифференциацию пилотов по уровню профессионализма и значительно снижает риски и количество претензий со стороны летного состава. То есть мы получили систему, которая по мере эксплуатации, увеличении статистической базы данных улучшает свои характеристики. Причем в роли регулятора выступает человек, профессионал - руководитель летного подразделения, либо руководитель более высокого ранга. Осуществляет он это при помощи изменения уровней граничных отклонений по контрольным точкам полета, ужесточая, либо наоборот, загрубляя эти границы, используя при этом полученную статистику в качестве фундаментальной основы и подбирая эмпирическим путем необходимый уровень безопасности полетов, приемлемый для авиакомпании. Следовательно, самое главное - регулятор находится в руках руководителя, отвечающего за состояние уровня безопасности полетов. При включении в контур управления не только командно-летный состав летного подразделения, но и инспекции по безопасности полетов авиакомпании, процесс дублируется. Получается более жесткая, более детерминированная обратная связь.
Сейчас все зависит только от того, насколько грамотно и разумно распорядятся полученной информацией лица, принимающие решения. Но главное сделано, определена причина и есть регуляторы. При этом очень важно исследовать не пограничные состояния системы, а выявить основные базовые критерии, характеризующие систему в целом, вычислить реперные точки и исследовать индивидуальную технику пилотирования. Данная система выстроена в нашей авиакомпании, но можно выстроить аналогичную структуру и в отрасли в целом.
Отраслевая база данных по методике оптимального полета по предварительной оценке позволит:
1. Определить риски для БП.
2. Обеспечить принятие корректирующих действий, необходимых для поддержания приемлемого уровня БП.
3. Проводить постоянный мониторинг и регулярно оценивать обеспечиваемый уровень БП.
4. Постоянно повышать общий уровень БП.
5. Производить мониторинг уровня профессионализма пилотов.
6. Принимать решения о присвоении пилоту класса на базе четких количественных критериях.
7. Разрабатывать и практически применять методики по выявлению опасных тенденций в технике пилотирования по эксплуатируемым типам ВС.
8. Строить тренды технического состояния ВС за все время эксплуатации.
Первые четыре пункта взяты из Государственной программы обеспечения безопасности полетов воздушных судов гражданской авиации [2, 3]. Как видно предложенная методика крайне актуальна и своевременна.
Отдельно хотим остановиться на вопросе корректного использования полученного материала. Только индивидуальная и конфиденциальная работа пилота-инструктора, шеф-пилота с линейным пилотом, только система упреждающих мероприятий, поиска опасных тенденций в технике пилотирования может дать желаемый результат. В нашей авиакомпании дополнительно выдается сравнительная информация об индивидуальном балле пилота за полет и среднем балле по эскадрилье. Это неплохо стимулирует личную самооценку пилота.
Затронем вопрос об использовании материалов расшифровки данных бортовых самописцев для долгосрочного контроля летно-технических характеристик ВС. В настоящее время на иностранных ВС, как правило, стоят очень хорошие бортовые параметрические самописцы. Это уже SSFDR (твердотельный накопитель) с 50 и выше количеством регистрируемых параметров. Если в каждом полете в автоматическом режиме программно определять основные характеристики самолета и двигателей, а затем все это накапливать в базе данных, то можно без особых усилий построить тренды любых параметров ВС за любые отрезки времени, заниматься долгосрочным мониторингом летно-технических характеристик ВС. В нашей программе, например, просчитывается градиент набора высоты в каждом контролируемом полете и тренд градиента можно построить за все время эксплуатации ВС в авиакомпании. Накапливаемая база данных может обеспечить мощный инженерный мониторинг ВС за все время, с которого начато накопление статистики. Наша авиакомпания уже более 10 лет эксплуатирует иностранные ВС. За эти годы мы накопили серьезные практические навыки и имеем большие наработки. Три программы экспресс-анализа по трем типам ВС внесены в отраслевой реестр специального программного обеспечения.
Заключение
В разделе 6 главы 4 Государственной программы обеспечения безопасности полетов воздушных судов гражданской авиации ведется речь о формировании научно-теоретических и методических основ предотвращения авиационных происшествий и анализа эффективности принятых профилактических мероприятий. Методика оптимального полета:
- апробирована на протяжении 3-х лет в авиакомпании «САТ» на 2-х типах ВС, содержит базу данных из 5500 полетов, показала правильность методологического подхода, корректность полученных данных, устойчивый результат, который согласуется с теорией;
- позволяет создать самонастраивающуюся, самоорганизующуюся систему по контролю рисков, связанных с выполнением полетов, как в авиакомпаниях на местах, так и по отрасли в целом;
- позволяет создать мощную отраслевую базу данных по пилотам и по ВС для дальнейшей аналитической работы;
- позволяет осуществить переход от ретроактивного к проактивному управлению уровнем БП.
Авторы надеются, что внедрение методики оптимального полета будет нашим уникальным путем в решении части проблем по управлению БП, и, пользуясь терминологией синергетики, той точкой бифуркации в развитии системы ГА, которая позволит перейти количеству (процент контроля) в качество (балл за полет). Следствием этого будет переход от ретроактивного к проактивному управлению рисками с элементами самоорганизации в авиакомпаниях и отрасли в целом.
Литература
1. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. – М.: Мир, 1982.
2. Государственная программа обеспечения безопасности полетов воздушных судов гражданской авиации РФ от 16.05.2008 г.
3. ICAO Doc 9859/AN 460.
