全阶段航空氮氧化物排放指数预测模型的计算方法及装置

1.本技术涉及航空污染物排放评估技术领域，特别涉及一种全阶段航空氮氧化物排放指数预测模型的计算方法及装置。


背景技术：

2.近年来，随着航空交通需求的持续增长，人们对航空排放物之于气候、空气质量影响的关注也持续提高。其中，氮氧化物(nox)约占全球人为排放总量的2％，远超其他航空排放物。nox虽不是温室气体，但其在对流层和平流层下部臭氧的化学形成中会促进臭氧的产生同时破坏甲烷，从而产生正辐射强迫，造成全球气候变暖。在机场及其周边区域对空气质量的研究分析中，nox的影响也不可小觑。基于此，各组织机构对于航空nox排放的标准日趋严格。获得准确的排放清单是研究航空排放影响的基础，因此准确预测航空nox排放指数显得格外重要，有利于合理评估航空nox排放的影响，并提出有效的减排措施。
3.相关技术中，为了扭转航空运输对环境带来的不利影响，世界各地机构聚焦于可持续航空燃料(sustainable aviation fuel，saf)，不少发动机生厂商及科研人员进行了一系列关于saf的地面排放测量。
4.然而，相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf，亟待解决。


技术实现要素：

5.本技术提供一种全阶段航空氮氧化物排放指数预测模型的计算方法及装置，以解决相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf等问题。
6.本技术第一方面实施例提供一种全阶段航空氮氧化物排放指数预测模型的计算方法，应用于模型构建阶段，包括以下步骤：建立航空氮氧化物排放数据库；从所述航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据；对所述原始输入数据进行数据预处理，得到处理后的输入数据；利用卷积神经网络搭建模型，建立超参数数据集；利用所述处理后的输入数据和所述超参数数据集训练所述模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。
7.可选地，在本技术的一个实施例中，所述建立航空氮氧化物排放数据库，包括：获取多来源数据，其中，所述多来源数据包括地面排放数据、巡航排放数据和燃烧safs的发动机排放数据；根据所述多来源数据得到所述航空氮氧化物排放数据库。
8.可选地，在本技术的一个实施例中，所述选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据，包括：采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性；选取相关性满足预设条件
的参数的对应排放数据作为所述原始输入数据。
9.可选地，在本技术的一个实施例中，所述利用所述处理后的输入数据和所述超参数数据集训练所述模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型，包括：利用由所述处理后的输入数据和所述超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到所述最佳超参数组合；使用所述最佳超参数组合构建新的模型，在所述训练集和所述验证集上训练，且在测试集上评估所述新的模型的预测能力，直至达到预设预测能力，得到所述航空氮氧化物排放指数预测模型。
10.本技术第二方面实施例提供一种全阶段航空氮氧化物排放指数预测模型的计算方法，应用于排放指数预测阶段，包括以下步骤：基于实时飞行数据，提取任一时刻的燃油流量和环境参数；将飞机发动机特定参数、燃油特性参数和所述燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，输出所述任一时刻的航空氮氧化物排放指数，其中，所述航空氮氧化物排放指数预测模型由利用处理后的输入数据和超参数数据集构建得到。
11.本技术第三方面实施例提供一种全阶段航空氮氧化物排放指数预测模型的计算装置，应用于模型构建阶段，包括：建立模块，用于建立航空氮氧化物排放数据库；生成模块，用于从所述航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据；处理模块，用于对所述原始输入数据进行数据预处理，得到处理后的输入数据；利用模块，用于利用卷积神经网络搭建模型，建立超参数数据集；构建模块，用于利用所述处理后的输入数据和所述超参数数据集训练所述模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。
12.可选地，在本技术的一个实施例中，所述建立模块包括：第一获取单元，用于获取多来源数据，其中，所述多来源数据包括地面排放数据、巡航排放数据和燃烧safs的发动机排放数据；第二获取单元，用于根据所述多来源数据得到所述航空氮氧化物排放数据库。
13.可选地，在本技术的一个实施例中，所述生成模块包括：分析单元，用于采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性；选择单元，用于选取相关性满足预设条件的参数的对应排放数据作为所述原始输入数据。
14.可选地，在本技术的一个实施例中，所述构建模块包括：训练单元，用于利用由所述处理后的输入数据和所述超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到所述最佳超参数组合；构建单元，用于使用所述最佳超参数组合构建新的模型，在所述训练集和所述验证集上训练，且在测试集上评估所述新的模型的预测能力，直至达到预设预测能力，得到所述航空氮氧化物排放指数预测模型。
15.本技术第四方面实施例提供一种全阶段航空氮氧化物排放指数预测模型的计算装置，应用于排放指数预测阶段，包括：提取模块，用于基于实时飞行数据，提取任一时刻的燃油流量和环境参数；计算模块，用于将飞机发动机特定参数、燃油特性参数和所述燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，输出所述任一时刻的航空氮氧化物排放指数，其中，所述航空氮氧化物排放指数预测模型由利用处理后的输入数
据和超参数数据集构建得到。
16.本技术第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的全阶段航空氮氧化物排放指数预测模型的计算方法。
17.本技术第六方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的全阶段航空氮氧化物排放指数预测模型的计算方法。
18.本技术实施例可以利用卷积神经网络技术提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，提高巡航排放的预测准确度，同时保证氮氧化物排放的预测不依赖于发动机排放数据库，并预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf等问题。
19.本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
20.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
21.图1为根据本技术实施例提供的一种全阶段航空氮氧化物排放指数预测模型的计算方法应用于模型构建阶段的流程图；
22.图2为根据本技术实施例提供的一种全阶段航空氮氧化物排放指数预测模型的计算方法应用于排放指数预测阶段的流程图；
23.图3为根据本技术一个具体实施例的全阶段航空氮氧化物排放指数预测模型的计算方法的搭建航空氮氧化物排放指数预测模型的流程图；
24.图4为根据本技术一个具体实施例的全阶段航空氮氧化物排放指数预测模型的计算方法的基于排放指数模型计算特定阶段发动机排放指数的计算方法图；
25.图5为根据本技术一个具体实施例的全阶段航空氮氧化物排放指数预测模型的计算方法的不同数据集下模型预测所得的排放指数与实际测量值的对比效果图；
26.图6为根据本技术一个具体实施例的全阶段航空氮氧化物排放指数预测模型的计算方法的与现有技术预测航空氮氧化物排放指数的对比效果图；
27.图7为根据本技术一个具体实施例的全阶段航空氮氧化物排放指数预测模型的计算方法的cfm56-2-c1发动机燃烧safs实际值与本发明预测值的对比效果图；
28.图8为根据本技术实施例提供的一种全阶段航空氮氧化物排放指数预测模型的计算装置应用于模型构建阶段的结构示意图；
29.图9为根据本技术实施例提供的一种全阶段航空氮氧化物排放指数预测模型的计算装置应用于排放指数预测阶段的结构示意图；
30.图10为根据本技术实施例的电子设备的结构示意图。
具体实施方式
31.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。
32.下面参考附图描述本技术实施例的全阶段航空氮氧化物排放指数预测模型的计算方法。针对上述背景技术中提到的相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf的问题，本技术提供了一种全阶段航空氮氧化物排放指数预测模型的计算方法，在该方法中，可以利用卷积神经网络技术提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，提高巡航排放的预测准确度，同时保证氮氧化物排放的预测不依赖于发动机排放数据库，并预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于icao eedb，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf等问题。
33.具体而言，图1为本技术实施例所提供的一种全阶段航空氮氧化物排放指数预测模型的计算方法的流程示意图。
34.如图1所示，该全阶段航空氮氧化物排放指数预测模型的计算方法，应用于模型构建阶段，包括以下步骤：
35.在步骤s101中，建立航空氮氧化物排放数据库。
36.可以理解的是，航空排放环节主要可以分为两类：一类是着陆和起飞(lto)循环造成的地面排放，是影响机场及周边区域空气质量的主要污染源；一类是在飞行器爬升结束及着陆开始之间形成的巡航排放，对全球或区域造成气候影响。针对地面排放，航空nox(氮氧化物)排放指数主要依据国际民用航空组织(icao)发动机排放数据库(eedb)发布的地面测量数据获得，并在此基础上参考实时飞行数据加以修正；针对巡航排放，巡航条件下的实时测量数据难以获得，航空nox排放指数主要依据波音燃油流量法2(bffm2)或dlr燃油流量法计算获得，将巡航条件下的燃油流量换算到海平面条件下，再通过海平面条件下测得的排放指数外推计算得到巡航条件下的排放指数。其中，bffm2目前被广泛应用于排放清单。已知的巡航排放测量数据与燃油流量法计算所得的排放数据仍存在不小的偏差。由于商用飞机的大部分飞行时间和90％燃料以巡航模式在对流层上部和平流层下部消耗，巡航排放占据主导地位，因此需要一种能够准确预测航空全阶段尤其是巡航阶段nox排放的模型。
37.在实际执行过程中，本技术实施例可以建立航空氮氧化物排放数据库，从而为后续生成模型的原始输入数据提供依据，进而提高巡航排放的预测准确度，保证可以预测全阶段的航空氮氧化物排放指数。
38.可选地，在本技术的一个实施例中，建立航空氮氧化物排放数据库，包括：获取多来源数据，其中，多来源数据包括地面排放数据、巡航排放数据和燃烧safs的发动机排放数据；根据多来源数据得到航空氮氧化物排放数据库。
39.可以理解的是，目前可获得的数据源包括2023年2月最新更新的icao eedb、schulte和schlager等以及haschberger等通过实地跟踪测量所得到的巡航排放数据、anderson和beyersdorf等进行的替代航空燃料试验(aafex
‑ⅰ
)所得到的地面排放数据，剔
除eedb中处于停运状态的发动机的16组排放数据后，共获得3308组地面排放数据、21组巡航排放数据和238组aafex
‑ⅰ
排放数据。
40.在实际执行过程中，本技术实施例可以获取多来源数据，从而为后续建立航空氮氧化物排放数据库并加以筛选提供依据，其中，多来源数据包括但不限于地面排放数据、巡航排放数据和燃烧safs的发动机排放数据，本技术实施例可以剔除处于停运状态的发动机排放数据，根据多来源数据得到航空氮氧化物排放数据库，从而进一步地提高巡航排放的预测准确度，保证可以预测全阶段的航空氮氧化物排放指数。
41.在步骤s102中，从航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据。
42.作为一种可能实现的方式，本技术实施例可以进行特征选择，从航空氮氧化物排放数据库中，选择满足一定高相关性特征条件的排放数据，作为航空氮氧化物排放指数模型的原始输入数据，从而提高巡航排放的预测准确度。
43.需要说明的是，预设高相关性特征条件可以由本领域技术人员根据实际情况进行设置，在此不作具体限制。
44.可选地，在本技术的一个实施例中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据，包括：采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性；选取相关性满足预设条件的参数的对应排放数据作为原始输入数据。
45.一些实施例中，可以采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性，本技术实施例可以选取相关性满足一定条件的参数的对应排放数据作为原始输入数据，从而保证提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，例如，选择相关性较大的参数的对应排放数据作为原始输入数据，进而提高巡航排放的预测准确度。
46.需要说明的是，满足预设条件的参数可以由本领域技术人员根据实际情况进行设置，在此不作具体限制。
47.在步骤s103中，对原始输入数据进行数据预处理，得到处理后的输入数据。
48.在实际执行过程中，本技术实施例可以对原始输入数据进行数据预处理，例如，包括但不限于对发动机涵道比、压力比、最大额定推力、燃油流量、燃油芳烃含量占比、环境温度、环境压力和排放指数的对应数据作为航空氮氧化物排放指数模型等原始输入数据进行预处理，将获得的所有数据向量化，进行数据清洗，剔除原始输入数据中的异常值和重复数据，例如，通过剔除得到2074组输入数据，包括1815组地面数据、21组巡航数据、238组aafex
‑ⅰ
排放数据，可以将剔除后的输入数据分为训练集、验证集、测试集3组，对地面数据和aafex
‑ⅰ
中燃烧传统航空燃料的地面数据采取6:2:2的划分比例，对巡航数据和aafex
‑ⅰ
中燃烧safs的地面数据采取5:2:3的划分比例，训练集共有1230组数据，验证集共有413组数据，测试集共有431组数据。
49.进一步地，本技术实施例可以划分自变量与因变量，划分发动机涵道比、压力比、最大额定推力、燃油流量、燃油芳烃含量占比、环境温度、环境压力为自变量，划分排放指数为因变量。本技术实施例可以进行标准化处理，通过缩放对数据进行无量纲化，将数据缩小成为均值为0，方差为1的数据。先对训练集自变量数据进行标准化处理，再根据训练集自变
量数据的标准化信息对验证集和测试集的自变量数据进行标准化处理；对训练集因变量数据进行标准化处理，再根据训练集因变量数据的标准化信息对验证集和测试集的因变量数据进行标准化处理，输出xscaler.pkl和yscaler.pkl两个标准化处理文件，从而得到处理后的输入数据，有利于提高巡航排放的预测准确度。
50.在步骤s104中，利用卷积神经网络搭建模型，建立超参数数据集。
51.作为一种可能实现的方式，本技术实施例可以利用卷积神经网络搭建模型，建立超参数数据集，例如，利用卷积神经网络技术搭建模型，设置不同的隐含层数量(1,2)，神经元数(16,32,64,128,256,512,1024)，batch size(16,32,64,128,256,512)，建立超参数数据集，从而利用卷积神经网络技术充分提取icao eedb和现有实地测量排放数据相关参数特征后，保证预测模型对于不同型号发动机不同环境参数不同燃油特性不同飞行阶段nox排放的预测不依赖于eedb，同时降低测量复杂的实地测量成本，其中，超参数包括但不限于隐含层数量、神经元数量、batch size等。
52.在步骤s105中，利用处理后的输入数据和超参数数据集训练模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。
53.另一些实施例中，可以利用处理后的输入数据和超参数数据集训练模型，找到最佳超参数组合，从而构建航空氮氧化物排放指数预测模型，从而保证对整个飞行包线全阶段的航空氮氧化物排放进行预测的同时，提高巡航排放的预测准确度。
54.可选地，在本技术的一个实施例中，利用处理后的输入数据和超参数数据集训练模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型，包括：利用由处理后的输入数据和超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到最佳超参数组合；使用最佳超参数组合构建新的模型，在训练集和验证集上训练，且在测试集上评估新的模型的预测能力，直至达到预设预测能力，得到航空氮氧化物排放指数预测模型。
55.在实际执行过程中，本技术实施例可以利用由处理后的输入数据和超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到适合数据组的最佳超参数组合，可以但不限于设置隐含层数量为1，神经元数量为256，batch size为128；本技术实施例可以使用最佳超参数组合构建新的模型，在训练集和验证集上训练，且在测试集上评估新的模型的预测能力，直至达到预设预测能力，得到航空氮氧化物排放指数预测模型，其中，当测试集上评估新的模型的预测能力较差时，需要更改超参数数据集的范围重新得到适合数据组的最佳超参数组合，保存训练好的模型，输出model.pkl文件，进一步地提高巡航排放的预测准确度，预测全阶段的航空nox排放指数。
56.根据本技术实施例提出的全阶段航空氮氧化物排放指数预测模型的计算方法，可以利用卷积神经网络技术提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，提高巡航排放的预测准确度，同时保证氮氧化物排放的预测不依赖于发动机排放数据库，并预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf的问题。
57.并且，如图2所示，图2为本技术实施例所提供的另一种全阶段航空氮氧化物排放
指数预测模型的计算方法的流程示意图。
58.如图2所示，该全阶段航空氮氧化物排放指数预测模型的计算方法，应用于排放指数预测阶段，包括以下步骤：
59.在步骤s201中，基于实时飞行数据，提取任一时刻的燃油流量和环境参数。
60.一些实施例中，可以根据实时飞行数据，提取任一时刻的燃油流量和环境参数，其中，环境参数包括但不限于环境温度和环境压力，环境压力需要除以101.325kpa，将其无量纲化为标准大气压，从而根据环境变化对于排放指数的影响，预测全阶段的航空氮氧化物排放指数。
61.在步骤s202中，将飞机发动机特定参数、燃油特性参数和燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，输出任一时刻的航空氮氧化物排放指数，其中，航空氮氧化物排放指数预测模型由利用处理后的输入数据和超参数数据集构建得到。
62.可以理解的是，本技术实施例中的飞机发动机特定参数包括但不限于发动机涵道比、压力比和最大额定推力等，燃油特性参数主要指燃油芳烃含量占比，共7个参数，按照涵道比-压力比-最大额定推力-燃油流量-芳烃含量占比-环境温度-标准大气压的顺序输入到排放指数预测模型中。
63.另一些实施例中，可以将飞机发动机特定参数、燃油特性参数和燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，经过航空氮氧化物排放指数预测模型，输出任一时刻的航空氮氧化物排放指数，具体地，输入参数经过xscaler.pkl文件将其标准化处理，输入参数经过model.pkl文件进行预测，预测所得的结果经过yscaler.pkl文件将其反标准化，输出任一时刻的航空氮氧化物排放指数，便于后续其他计算，其中，对整个飞行包线全阶段的排放进行计算，不局限于7％、30％、85％、100％四个推力设置，也不局限于地面阶段和巡航阶段，将两个排放阶段的预测方法合并为一个使用简便的预测模型，进而保证对于不同型号发动机不同环境参数不同燃油特性不同飞行阶段氮氧化物排放的预测不依赖于发动机排放数据库，同时降低测量复杂的实地测量的成本。
64.本技术实施例考虑到不同燃油芳烃含量占比对于排放指数的影响，可以预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。
65.根据本技术实施例提出的全阶段航空氮氧化物排放指数预测模型的计算方法，可以利用卷积神经网络技术提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，提高巡航排放的预测准确度，同时保证氮氧化物排放的预测不依赖于发动机排放数据库，并预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf的问题。
66.根据本技术实施例提出的上述全阶段航空氮氧化物排放指数预测模型的计算方法可以分别应用于模型构建阶段和排放指数预测阶段，下面以一个具体实施例对本技术实施例的具体工作原理进行详细阐述。
67.如图3所示，本技术实施例可以包括以下步骤：
68.步骤s301：地面排放数据。
69.本技术实施例中的多来源数据包括但不限于地面排放数据、巡航排放数据和safs排放数据。
70.步骤s302：巡航排放数据。
71.步骤s303：safs排放数据。
72.步骤s304：航空nox排放数据库。
73.本技术实施例可以获取多来源数据建立航空nox排放数据库。
74.步骤s305：原始输入数据。
75.本技术实施例可以进行特征选择，选择高相关性特征的排放数据作为航空nox排放指数模型原始输入数据。
76.步骤s306：输入数据。
77.本技术实施例可以进行数据清洗，剔除原始输入数据中的异常值和重复数据。
78.步骤s307：训练集。
79.本技术实施例可以将剔除后的输入数据分为训练集、验证集、测试集3组。
80.步骤s308：验证集。
81.步骤s309：测试集。
82.本技术实施例可以进行数据划分，得到测试集。
83.步骤s310：标准化训练集。
84.本技术实施例可以对训练集自变量数据进行标准化处理。
85.步骤s311：标准化验证集。
86.本技术实施例可以根据训练集自变量数据的标准化信息对验证集和测试集的自变量数据进行标准化处理；对训练集因变量数据进行标准化处理，再根据训练集因变量数据的标准化信息对验证集和测试集的因变量数据进行标准化处理。
87.步骤s312：标准化测试集。
88.本技术实施例可以对测试集进行标准化处理，得到标准化测试集。
89.步骤s313：搭建航空nox排放预测初始模型。
90.步骤s314：xscaler.pkl，yscaler.pkl。
91.本技术实施例可以输出xscaler.pkl和yscaler.pkl两个标准化处理文件。
92.步骤s315：模型训练。
93.步骤s316：超参数优化。
94.本技术实施例可以验证集上使用k-fold交叉验证对超参数进行网格搜索实验，找到适合数据组的最佳超参数组合，进行超参数优化，还可以在模型评估后，当决定系数r2《0.9时，进行超参数优化。
95.步骤s317：模型评估。
96.本技术实施例可以使用最佳超参数组合构建新的模型，在训练集和验证集上训练，在测试集上评估模型预测能力。
97.步骤s318：航空nox排放预测模型。
98.本技术实施例可以在进行模型评估后，当决定系数r2》0.9时，利用处理后的输入数据和超参数数据集训练模型，找到最佳超参数组合，以构建航空nox排放指数预测模型。
99.步骤s319：model.pkl。
100.本技术实施例可以保存训练好的模型，输出model.pkl文件。
101.如图4所示，本技术实施例可以包括以下步骤：
102.步骤s401：飞行数据。
103.本技术实施例可以根据实时飞行数据提取任一时刻的燃油流量和环境参数。
104.步骤s402：发动机特定参数。
105.本技术实施例中的飞机发动机特定参数包括但不限于发动机涵道比、压力比和最大额定推力等。
106.步骤s403：燃油特性参数。
107.本技术实施例中的燃油特性参数主要指燃油芳烃含量占比，共7个参数，按照涵道比-压力比-最大额定推力-燃油流量-芳烃含量占比-环境温度-标准大气压的顺序输入到排放指数预测模型中。
108.步骤s404：环境参数燃油流量。
109.步骤s405：航空nox排放预测模型。
110.本技术实施例可以将飞机发动机特定参数、燃油特性参数和燃油流量和环境参数输入至预先构建的航空nox排放指数预测模型。
111.步骤s406：排放指数。
112.本技术实施例可以输出任一时刻的航空nox排放指数，便于后续计算。
113.如图5所示，图5为本技术一个具体实施例的全阶段航空氮氧化物排放指数预测模型的计算方法的原理示意图。
114.如图5所示，本技术实施例保存训练好的模型，输出model.pkl文件。在使用最佳超参数组合构建新的预测模型上训练和测试，使用决定系数r2作为预测指标，得到如图5所示的预测结果，在训练集-验证集和测试集上均能得到远超0.9的r2，表明此预测模型的有效性。
115.实际使用中，获得航空nox排放指数后，与现有技术预测的排放指数对比，得到如附图6所示的预测结果。使用相对均方根误差rrmse和决定系数r2作为预测指标，本技术实施例得到的排放指数较现有技术而言预测精度得到显著提高，进而说明此排放模型对巡航阶段排放指数预测的适用性。
116.为了验证本技术实施例中的排放模型对预测燃烧safs排放指数的有效性，以aafex
‑ⅰ
试验中燃烧两种费托燃料的地面排放数据为例，代入相同的输入参数用以预测，将试验值与预测值进行对比，得到如附图7所示的预测结果，结果表明本技术实施例中的排放模型的预测能达到很好的效果且适用于不同芳烃含量占比的燃料，预测指标r2分别可以达到0.9903和0.9706。
117.其次，图8是本技术实施例的全阶段航空氮氧化物排放指数预测模型的计算装置的结构示意图，应用于模型构建阶段。
118.如图8所示，该全阶段航空氮氧化物排放指数预测模型的计算装置10包括：建立模块100、生成模块200、处理模块300、利用模块400和构建模块500。
119.具体地，建立模块100，用于建立航空氮氧化物排放数据库。
120.生成模块200，用于从航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据。
121.处理模块300，用于对原始输入数据进行数据预处理，得到处理后的输入数据。
122.利用模块400，用于利用卷积神经网络搭建模型，建立超参数数据集。
123.构建模块500，用于利用处理后的输入数据和超参数数据集训练模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。
124.可选地，在本技术的一个实施例中，建立模块100包括：第一获取单元和第二获取单元。
125.其中，第一获取单元，用于获取多来源数据，其中，多来源数据包括地面排放数据、巡航排放数据和燃烧safs的发动机排放数据。
126.第二获取单元，用于根据多来源数据得到航空氮氧化物排放数据库。
127.可选地，在本技术的一个实施例中，生成模块200包括：分析单元和选择单元。
128.其中，分析单元，用于采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性。
129.选择单元，用于选取相关性满足预设条件的参数的对应排放数据作为原始输入数据。
130.可选地，在本技术的一个实施例中，构建模块500包括：训练单元和构建单元。
131.其中，训练单元，用于利用由处理后的输入数据和超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到最佳超参数组合。
132.构建单元，用于使用最佳超参数组合构建新的模型，在训练集和验证集上训练，且在测试集上评估新的模型的预测能力，直至达到预设预测能力，得到航空氮氧化物排放指数预测模型。
133.需要说明的是，前述对全阶段航空氮氧化物排放指数预测模型的计算方法实施例的解释说明也适用于该实施例的全阶段航空氮氧化物排放指数预测模型的计算装置，此处不再赘述。
134.根据本技术实施例提出的全阶段航空氮氧化物排放指数预测模型的计算装置，可以利用卷积神经网络技术提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，提高巡航排放的预测准确度，同时保证氮氧化物排放的预测不依赖于发动机排放数据库，并预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf的问题。
135.并且，图9为本技术实施例的全阶段航空氮氧化物排放指数预测模型的计算装置的结构示意图，应用于排放指数预测阶段。
136.如图9所示，该全阶段航空氮氧化物排放指数预测模型的计算装置20包括：提取模块600和计算模块700。
137.具体地，提取模块600，用于基于实时飞行数据，提取任一时刻的燃油流量和环境参数。
138.计算模块700，用于将飞机发动机特定参数、燃油特性参数和燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，输出任一时刻的航空氮氧化物排放指
数，其中，航空氮氧化物排放指数预测模型由利用处理后的输入数据和超参数数据集构建得到。
139.需要说明的是，前述对全阶段航空氮氧化物排放指数预测模型的计算方法实施例的解释说明也适用于该实施例的全阶段航空氮氧化物排放指数预测模型的计算装置，此处不再赘述。
140.根据本技术实施例提出的全阶段航空氮氧化物排放指数预测模型的计算装置，可以利用卷积神经网络技术提取相关数据特征，对整个飞行包线全阶段的航空氮氧化物排放进行预测，提高巡航排放的预测准确度，同时保证氮氧化物排放的预测不依赖于发动机排放数据库，并预测燃烧不同燃料时的排放指数，弥补不同型号发动机燃烧safs的排放数据存在空白的问题。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持saf的问题。
141.图10为本技术实施例提供的电子设备的结构示意图。该电子设备可以包括：
142.存储器1001、处理器1002及存储在存储器1001上并可在处理器1002上运行的计算机程序。
143.处理器1002执行程序时实现上述实施例中提供的全阶段航空氮氧化物排放指数预测模型的计算方法。
144.进一步地，电子设备还包括：
145.通信接口1003，用于存储器1001和处理器1002之间的通信。
146.存储器1001，用于存放可在处理器1002上运行的计算机程序。
147.存储器1001可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
148.如果存储器1001、处理器1002和通信接口1003独立实现，则通信接口1003、存储器1001和处理器1002可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
149.可选地，在具体实现上，如果存储器1001、处理器1002及通信接口1003，集成在一块芯片上实现，则存储器1001、处理器1002及通信接口1003可以通过内部接口完成相互间的通信。
150.处理器1002可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
151.本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的全阶段航空氮氧化物排放指数预测模型的计算方法。
152.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
153.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
154.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
155.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
156.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
157.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
158.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
159.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种全阶段航空氮氧化物排放指数预测模型的计算方法，其特征在于，应用于模型构建阶段，其中，所述方法包括以下步骤：建立航空氮氧化物排放数据库；从所述航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据；对所述原始输入数据进行数据预处理，得到处理后的输入数据；利用卷积神经网络搭建模型，建立超参数数据集；利用所述处理后的输入数据和所述超参数数据集训练所述模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。2.根据权利要求1所述的方法，其特征在于，所述建立航空氮氧化物排放数据库，包括：获取多来源数据，其中，所述多来源数据包括地面排放数据、巡航排放数据和燃烧safs的发动机排放数据；根据所述多来源数据得到所述航空氮氧化物排放数据库。3.根据权利要求1所述的方法，其特征在于，所述选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据，包括：采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性；选取相关性满足预设条件的参数的对应排放数据作为所述原始输入数据。4.根据权利要求1所述的方法，其特征在于，所述利用所述处理后的输入数据和所述超参数数据集训练所述模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型，包括：利用由所述处理后的输入数据和所述超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到所述最佳超参数组合；使用所述最佳超参数组合构建新的模型，在所述训练集和所述验证集上训练，且在测试集上评估所述新的模型的预测能力，直至达到预设预测能力，得到所述航空氮氧化物排放指数预测模型。5.一种全阶段航空氮氧化物排放指数预测模型的计算方法，其特征在于，应用于排放指数预测阶段，其中，所述方法包括以下步骤：基于实时飞行数据，提取任一时刻的燃油流量和环境参数；将飞机发动机特定参数、燃油特性参数和所述燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，输出所述任一时刻的航空氮氧化物排放指数，其中，所述航空氮氧化物排放指数预测模型由利用处理后的输入数据和超参数数据集构建得到。6.一种全阶段航空氮氧化物排放指数预测模型的计算装置，其特征在于，应用于模型构建阶段，其中，所述装置包括：建立模块，用于建立航空氮氧化物排放数据库；生成模块，用于从所述航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据；处理模块，用于对所述原始输入数据进行数据预处理，得到处理后的输入数据；利用模块，用于利用卷积神经网络搭建模型，建立超参数数据集；
构建模块，用于利用所述处理后的输入数据和所述超参数数据集训练所述模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。7.根据权利要求6所述的装置，其特征在于，所述建立模块包括：第一获取单元，用于获取多来源数据，其中，所述多来源数据包括地面排放数据、巡航排放数据和燃烧safs的发动机排放数据；第二获取单元，用于根据所述多来源数据得到所述航空氮氧化物排放数据库。8.根据权利要求6所述的装置，其特征在于，所述生成模块包括：分析单元，用于采用皮尔逊相关系数和最大互信息系数，分析影响航空氮氧化物排放的因素与排放指数的线性及非线性相关性；选择单元，用于选取相关性满足预设条件的参数的对应排放数据作为所述原始输入数据。9.根据权利要求6所述的装置，其特征在于，所述构建模块包括：训练单元，用于利用由所述处理后的输入数据和所述超参数数据集得到的训练集进行训练，并在验证集上使用k-fold交叉验证对超参数进行网格搜索实验，得到所述最佳超参数组合；构建单元，用于使用所述最佳超参数组合构建新的模型，在所述训练集和所述验证集上训练，且在测试集上评估所述新的模型的预测能力，直至达到预设预测能力，得到所述航空氮氧化物排放指数预测模型。10.一种全阶段航空氮氧化物排放指数预测模型的计算装置，其特征在于，应用于排放指数预测阶段，其中，所述装置包括：提取模块，用于基于实时飞行数据，提取任一时刻的燃油流量和环境参数；计算模块，用于将飞机发动机特定参数、燃油特性参数和所述燃油流量和环境参数输入至预先构建的航空氮氧化物排放指数预测模型，输出所述任一时刻的航空氮氧化物排放指数，其中，所述航空氮氧化物排放指数预测模型由利用处理后的输入数据和超参数数据集构建得到。11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项或者5所述的全阶段航空氮氧化物排放指数预测模型的计算方法。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项或者5所述的全阶段航空氮氧化物排放指数预测模型的计算方法。

技术总结
本申请涉及一种全阶段航空氮氧化物排放指数预测模型的计算方法及装置，其中，方法包括：建立航空氮氧化物排放数据库；从航空氮氧化物排放数据库中，选择满足预设高相关性特征条件的排放数据，以生成模型的原始输入数据；对原始输入数据进行数据预处理，得到处理后的输入数据；利用卷积神经网络搭建模型，建立超参数数据集；利用处理后的输入数据和超参数数据集训练模型，找到最佳超参数组合，以构建航空氮氧化物排放指数预测模型。由此，解决了相关技术中无法预测飞行包线全阶段的排放，地面排放和巡航排放的预测模型均高度依赖于发动机排放数据库，且现有航空氮氧化物预测模型均基于传统航空燃料，不支持SAF等问题。不支持SAF等问题。不支持SAF等问题。


技术研发人员：朱美印 陈龙飞 张芊 于振鸿 钟生辉 徐征 赵一蔚 高梦云 潘康 常刘勇
受保护的技术使用者：北京航空航天大学杭州创新研究院
技术研发日：2023.04.13
技术公布日：2023/7/20