XiaoMi-AI文件搜索系统
World File Search System起飞程序
LFRZ - 圣纳泽尔蒙图尔 - dircam
一般规定 22.1 一般规定 22.1 避免飞越周围的工业场地。避免飞越周围的工业区。从 LFRZ 出发或飞往 LFRZ 的 IFR 飞行计划也应传送至 LFRSZPZX。往返于 LFRZ 的 IFR 飞行计划必须同时发送至 LFRSZPZX。跑道起飞程序 22.2 跑道起飞程序 22.2 跑道起飞程序 22.2 跑道和设备 22.2.1 跑道和设备 22.2.1 仅限 07 和 25 跑道起飞，经 TWY A 和 B。仅限 07 和 25 跑道起飞，经 TWY A 和 B。跑道起飞建立和结束标准 22.2.2 仅在 ATC 和 ACFT 移动时才执行跑道起飞程序。仅在空中交通管制 (ATC) 在场且飞机移动的情况下才实施 LVP。当 RVR <= 550 米时，同时进行一次移动。每次移动一次，RVR <= 550 米。当 RVR <= 550 米或云高 (DH) 小于 200 英尺时的 LVP 程序。当 RVR <= 550 米或云高 (DH) 低于 200 英尺时，LVP 阶段开始。当 RVR < 200 米时，不进行任何操作。当 RVR < 200 米时，暂停运行。运动区照明 22.2.3 运动区照明 22.2.3 跑道轴向照明、跑道边缘照明、跑道末端照明。轴向和边缘转向照明，TWY 边缘照明。跑道中线灯、跑道边缘灯、跑道末端灯。转弯区中心线及边灯、滑行道边灯。跑道前的等待点配备有照明面板和挥杆。跑道前的等候点配备有照明面板和警示灯。地面标志：轴向跑道、跑道和行驶跑道 / 转弯区的边缘、跑道前的等待点。地面标记：跑道轴线、跑道边缘、滑行道轴线和边缘/掉头区、跑道前的等待点
风速控制和障碍物清除限制起飞...
为了确保在发动机严重失效的情况下飞行安全，商用飞机必须按照 14 CFR § 25.121 的规定达到最低爬升梯度。这些规定的爬升梯度与许多起飞程序中严格的起飞最低标准不相称；许多从布满障碍物的机场起飞的重型飞机被迫绕过障碍物，因为它们的发动机失效爬升梯度远低于安全飞越所需的值。在这里，我们研究了逆风或顺风的存在如何影响模拟 10 节逆风或顺风的发动机失效障碍物清除。我们发现，对于较轻的起飞重量和较低的爬升速度，飞机轨迹对风的敏感度更高。在合理的飞行重量下，实际风可能会消耗掉 FAA 的整个“总净”飞行路径安全裕度。同时，我们看不出任何理由为什么风速责任应该影响选择延长第二段的起飞。
飞机飞越噪音的建模和合成 - CORE
传统上，通过显示噪声指标的轮廓来评估飞机飞越噪音。这些模型可用于研究噪音缓解措施，但它们缺乏回放计算所预测的可听声音的可能性。为此，噪音合成是一种选择，它允许体验由于噪音消减程序或新飞机设计而产生的差异。通过预测机场附近噪音监测点的噪音，展示了一种飞机噪音的噪音合成技术。通过将合成结果与记录的测量值进行比较，获得了有关该技术能力的指标。合成声音和测量声音之间仍然存在差异。据信，这种差异很大一部分是由使用预测经验源噪音模型时固有的不确定性造成的。结果表明，可以捕捉到出发路线之间的差异，从而说明了这种方法在监听不同起飞程序方面的潜力。未来对源噪声预测的改进以及湍流对传播的影响将进一步有助于提高合成飞机噪声的真实感。
飞行数据监控 (FDM) 未知危险检测...
摘要 — 航空公司安全部门分析机上记录的飞机数据 (FDM) 以检查安全事件。此活动依靠人类专家创建一个基于规则的系统，该系统根据一小组参数是否超过一些预定义的阈值来检测已知的安全问题。但是，罕见事件最难手动检测，因为模式通常无法一目了然。专家一致认为，进近和起飞程序都更容易发生安全事故。在本文中，我们进行了描述性和预测性分析，以检测 LEBL 机场 25R 跑道进近阶段的异常情况。从描述的角度来看，聚类技术有助于在数据中发现模式和相关性，并识别类似观察的聚类。此外，这些聚类可能会将某些点揭示为与其他观察值隔离的罕见事件。可以使用预测分析以及更简洁的深度学习 ANN 和自动编码器来检测这种异常事件。该方法依赖于学习“正常”观察的样子，因为它们通常是大多数情况。之后，如果我们处理异常飞行，由于与训练数据的偏差，模型将返回较高的重建误差。这表明预测方法可以作为安全专家和 FDM 分析师极其有用的取证工具。关键词 — 异常检测、危险识别、安全、聚类、深度学习、LSTM、自动编码器、HDBSCAN
飞行数据监控 (FDM) 未知危险检测...
摘要 — 航空公司安全部门分析机上记录的飞机数据 (FDM) 以检查安全事件。此活动依靠人类专家创建一个基于规则的系统，该系统根据一小组参数是否超过一些预定义的阈值来检测已知的安全问题。但是，罕见事件最难手动检测，因为模式通常无法一目了然。专家一致认为，进近和起飞程序都更容易发生安全事故。在本文中，我们进行了描述性和预测性分析，以检测 LEBL 机场 25R 跑道进近阶段的异常情况。从描述的角度来看，聚类技术有助于在数据中发现模式和相关性，并识别类似观察的聚类。此外，这些聚类可能会将某些点揭示为与其他观察值隔离的罕见事件。可以使用预测分析以及更简洁的深度学习 ANN 和自动编码器来检测这种异常事件。该方法依赖于学习“正常”观察的样子，因为它们通常是大多数情况。之后，如果我们处理异常飞行，由于与训练数据的偏差，模型将返回较高的重建误差。这表明预测方法可以作为安全专家和 FDM 分析师极其有用的取证工具。关键词 — 异常检测、危险识别、安全、聚类、深度学习、LSTM、自动编码器、HDBSCAN