航空器从起飞离地开始，在爬升、巡航、进近、着陆整个飞行过程中都会形成尾涡，这是由于飞机机翼上下表面压力差产生的，它是飞机升力的一个副产物，是无法避免的。20 世纪70年代初发生了世界上第一起航空器因为遭遇尾涡而失事坠毁的事故，当时遇难飞机跟进一架波音747，在不慎遭遇前机尾涡后因操纵失控发生空难[1]。2001，美国航空公司587航班因遭遇了两次强烈的前机尾涡[2]，出现大坡度，又因进入前机尾涡下洗区，尾翼与机身脱落，导致飞机坠毁。2012年9月14日，维珍澳洲(Virgin Australia)一架波音737-800客机在巴厘岛附近遭遇一架空中客车A380的尾流，瞬间导致飞机失控、倾斜，最大左倾角达40°，产生事故症候。因此，为避免进入前机的危险尾涡区域而导致的滚转、失速甚至解体等现象，对于飞机尾涡的识别成为了航空研究中的重点问题。目前对于民航客机的尾涡探测与识别研究，主要包括理论分析、CFD(computational fluid dynamics，CFD)数值模拟和雷达实地探测试验等方法[3]。由于现行实验条件下的飞机模型和真实飞机结构之间存在较大差异，同时，复杂多变的大气环境计算机难以预测和模拟的，因此，基于理论分析和数值模拟的尾涡演化与识别结果更需要与机场实地探测的结果作进一步验证。目前针对飞机尾涡的探测工具较为成熟的是多普勒激光雷达。2001年,Holzapfel F等[4]利用多普勒激光雷达在德国开展了多次机场尾涡实地探测实验,给出了估算尾涡涡流环量的方法。2006年，法国Thales公司使用X波段雷达在巴黎附近某机场进行了民航客机的尾涡探测实验[5]。2008年，Frederic等[6]在法国巴黎机场开展了X波段的激光雷达尾涡探测实验。但是，对于航空器尾涡雷达数据的分析与识别一直是航空工业中的难题。近些年，随着人工智能的火热研究，深度学习(Deep Learning，DE)给激光雷达目标识别研究提供了新的思路。基于此,本文结合多普勒激光雷达探测原理,提出了一种基于深度学习理论的算法,并利用YOLO v3网络提取尾涡图像特征来对尾涡进行检测，以辅助决策塔台空管人员对于机场区域尾流间隔的配备[7]。

1 激光雷达实地探测

1.1 机场区域尾涡探测方式

不同机型飞机所产生的尾涡强度和演化规律不尽相同，因此，选取起降航班架次较多，机型丰富的机场有利于保障所获取的雷达数据的丰富性，同时，多尺度样本也能提高于深度学习模型的泛化能力，进一步提高对于尾涡是别的准确率。

本文选取西南地区日航班起降架次大于1 000的某机场，其中包括B767、B777和A330(重型机)，B737、A319和A320以及CRJ200、ERJ190和G650(中型机)以及国产支线客机ARJ21。激光雷达受限于脉冲激光频率和宽度限制，作用距离和分辨率有限，因此激光雷达的安放位置对于数据采集有着极为重要的影响。本文结合机场地形气象条件、跑道运行方式等因素，对特定参数的激光雷达的安装位置进行研究，确定了如图1所示的选址方案，实现对飞机尾涡的多机多点探测。

图1 激光雷达架设位置

实验选取横向探测尾涡方式，即距离高度显示器(Range-Height-Indication，RHI)模式，如图2所示。现场观测时分别将两台Wind3D 6000型激光雷达安放于位置点1、位置点2，同时探测在飞行的不同阶段尾涡的演化情况，位置点3安装辅助测风雷达(如图1所示)，探测同一时刻机场区域内的大气风场，确保能准确获得该区域内飞机尾涡及背景风的雷达数据。

图2 激光雷达扫描模式

1.2 尾涡雷达数据分析

尾涡流场的主要特点是旋转稳定、存在时间长，其强度主要由飞机重量、飞行速度和机翼形状所决定。由流体力学的升力线理论[8]可得：

rc=0.05b0

式(1)～(4)中：b0为两尾涡涡核距离(m)；r0为尾涡涡核半径(m)； Г0为尾涡初始环量(m2/s)；V(r)为尾涡切向速度(m2/s)；B为翼展(m)；M为飞机最大起飞重量(kg)；ρ为当前大气密度(kg/m3)；V为飞行重量M下的最大速度(m/s)；g为重力加速度常量(m/s2)。

而尾涡环量Г是描述尾涡强度最关键的一个指标。涡量是流体的本质特征，涡量对应于流体微团的自旋，能够从局部来刻画流体的运动。在三维空间中，以飞机的几何重心位置为空间原点，以飞行方向为x轴，以尾流在翼展的运输方向为y轴，以垂直于xoy平面的方向为z轴，可将三维尾涡环量定义为：

式中：ωx为尾涡的轴向旋度；环量的数学意义即尾涡流体的切向速度沿一条封闭曲线的积分。

上一篇：一种基于虚拟现实技术的飞机驾驶培训系统
下一篇：没有了