面向商用飞机数据驱动节能飞行控制的下一代混合方法

《Aerospace》：A Next-Generation Hybrid Approach for Data-Driven Fuel-Efficient Flight Control of Commercial Aircraft Ukbe üsame Ucar, Zülfü Kuzu and Hakan Aygün

　　

本研究提出了一种新型混合优化方法，用于在巡航阶段综合考虑飞行相关变量与气象约束，以最小化商用飞机的燃油消耗。该新方法称为决策树–鲁棒多元回归–哈里斯鹰优化算法（Decision Tree–Robust Multiple Regression–Harris Hawks Optimization Algorithm, DRHA），综合了基于决策树的数据分割、鲁棒多元回归建模以及哈里斯鹰优化算法（Harris Hawks Optimization, HHO）。在此背景下，研究人员采用软件在环（Software-in-the-Loop, SIL）框架，在MATLAB/Simulink与美国联邦航空管理局（Federal Aviation Administration, FAA）批准的X-Plane飞行模拟器之间建立实时数据交换，从而为波音737-800飞机开发了比例-积分-微分（Proportional–Integral–Derivative, PID）速度控制器。在该框架下，研究人员从1032个不同场景中获取了基于仿真的燃油消耗数据集，这些场景涵盖高度、速度、飞机重量、风速和风向的多种组合，旨在反映广泛的实际飞行运行条件。对比分析结果表明，所提出的DRHA方法在燃油消耗方程建模方面显著优于传统统计方法和基于机器学习的方法；所获得的平均绝对误差（Mean Absolute Error, MAE）和决定系数 R² 值分别为1.24和0.90。此外，借助DRHA方法，在不同条件下对PID控制器参数进行了优化，与手动整定的控制器相比可实现0.07%至5.33%的燃油节省。在不同高度、飞机重量和风况下进行的测试验证了该算法的鲁棒性与适应性。该方法有望为多种类型飞机和实时控制系统提供可扩展且适应性强的解决方案。

研究背景与动机方面，全球客运与货运运输的年均复合增长率预计在2019至2043年间分别达到3.6%和3.2%，由此带来的空中交通增长将加剧燃油消耗、噪声污染及温室气体排放。航空管理机构、航空公司、飞机制造商和发动机制造商已采取多项措施应对这一问题。飞机燃油消耗直接受气动阻力、推力、发动机性能及飞行状态等飞行动力学方程的影响，而由于飞机动力学具有非线性与欠驱动特征，飞行控制问题尤为复杂。比例-积分-微分（PID）控制器因其结构简单、易于实现而被广泛应用于飞行控制系统，但在真实飞行环境中，外部扰动和参数不确定性使得其系数的手工整定既耗时又容易出错。为克服手工整定的困难，现代元启发式与群智能优化算法逐渐成为研究热点。与此同时，X-Plane等经认证的飞行模拟器能够在降低成本和风险的同时提供高保真飞行动态数据，为控制策略开发与验证提供了可靠平台。此外，回归分析、支持向量机（Support Vector Machine, SVM）和决策树等数据驱动方法常用于建立系统变量间的数学模型，但直接求解复杂方程难以获得全局最优解；因此，将元启发式算法引入模型求解与参数优化成为有效途径。在此背景下，开展面向商用飞机巡航阶段燃油消耗的PID参数与速度联合优化研究具有重要意义。

研究人员在《Aerospace》期刊发表了该项研究。研究以波音737-800为对象，提出了一种两阶段集成框架：第一阶段基于MATLAB/Simulink与X-Plane之间的UDP实时数据交换，利用软件在环仿真（Software-in-the-Loop Simulation, SILS）生成巡航阶段燃油消耗数据集；第二阶段将数据驱动的燃油消耗代理模型直接作为目标函数，采用DRHA算法优化PID增益与飞行速度，以获得最小燃油消耗。该研究的核心贡献在于将仿真数据生成、数据驱动建模与优化控制参数确定整合为单一混合框架，克服了传统研究仅关注PID整定或仅关注燃油建模的局限，为波音737-800提供了一种兼顾燃油经济性与控制可行性的系统化决策支持架构。

所采用的关键技术方法可概括为：以MATLAB/Simulink与FAA认证X-Plane经UDP实时通信的软件在环仿真框架获取1032组样本数据；通过决策树（Decision Tree）对数据进行划分，利用基于Huber损失的鲁棒多元回归建立全局燃油消耗代理模型，并借助HHO算法优化各簇误差修正项，最终组成DRHA框架；再以该代理模型为目标函数，优化不同飞行与气象条件下的PID增益与速度，采用平均绝对误差MAE、均方误差（Mean Square Error, MSE）和决定系数 R² 评价模型精度。

研究结果可归纳为以下方面：在燃油消耗预测模型的方法对比中，研究人员将8种统计方法、XGBoost、随机森林、支持向量机和K近邻等机器学习方法与DRHA进行比较，结果显示鲁棒多元回归效果最佳，而DRHA综合表现最优，MAE为1.24、决定系数 R² 为0.90，并据此建立了如公式30所示的燃油消耗方程。在不同高度的燃油节省效果方面，研究人员在初始燃油为8700磅、时长600秒的条件下，将优化后的PID系数与手动整定结果进行比较：在32,000英尺高度，重量为100,000、120,000、140,000和160,000磅时燃油消耗分别降低0.754%、5.33%、0.527%和0.251%；在34,000英尺高度分别降低0.99%、2.035%、1.030%和0.731%；在36,000英尺高度分别降低0.071%、1.320%、1.276%和2.388%；在38,000英尺高度分别降低0.920%、0.799%、2.852%和0.296%。在不同风向下的燃油消耗表现方面，以100,000磅重量、40节风速为例，0°风向时各高度燃油降低0.103%至1.234%，90°风向时降低0.620%至2.811%，180°风向时降低0.579%至0.684%，表明DRHA在不同风况下均具有稳定优化能力。在DRHA最优解与X-Plane SIL验证对比中，研究人员将优化所得PID参数与速度重新代入MATLAB/Simulink–X-Plane闭环SIL环境进行验证，最优结果与实际仿真结果之间的MAE为1.29至1.51，MSE为2.30至2.84，平均百分比偏差为2.12%至2.51%，说明代理模型与高保真仿真环境具有较高一致性；此外，所有场景下的最优解均在2分钟内获得。

讨论与结论部分指出，面向商用飞机的DRHA算法能够成功优化PID控制参数和飞行速度以实现燃油消耗最小化；由1032个波音737-800仿真场景生成的数据集真实反映了飞行条件，并支持对算法的全面评估。该研究的主要贡献在于构建了融合数据驱动与自然启发优化技术的通用解决方案架构，区别于传统参数建模方法；研究表明，手动整定PID参数所面临的困难和潜在误差可通过该混合系统有效解决，且优化变量在多种飞行场景下均能一致地改善燃油消耗。具体而言，使用优化系数进行的SIL仿真在燃油效率方面优于手动整定PID控制器；DRHA与常用回归和机器学习模型相比具有更低的误差和更高的 R² 值；在高度32,000至38,000英尺、重量100,000至160,000磅范围内，燃油消耗降低幅度为0.07%至5.33%；最优DRHA结果与X-Plane验证结果之间的平均偏差在飞行场景中介于2.12%至2.51%之间。因此，PID控制算法应用于该机型具有显著的工程与运行价值。未来研究可将DRHA嵌入实时飞行系统以实现飞行中的在线优化；在硬件在环（Hardware-in-the-Loop, HIL）环境中验证该控制算法对于向真实飞行过渡至关重要；此外，可进一步融合深度学习、强化学习或进化算法，构建支持多目标优化的新型混合架构，同时将飞行舒适性、振动抑制和航线偏离最小化等目标函数与燃油效率一起纳入优化体系。