LandingDiff：一种基于条件扩散的、考虑不确定性的航空安全硬着陆检测方法

《Expert Systems with Applications》：LandingDiff: uncertainty-aware hard-landing detection for aviation safety based on conditional diffusion

硬着陆检测的差分注意力掩码Transformer与条件扩散模型融合框架，通过动态时空注意力机制捕获关键着陆相位特征，并利用条件扩散过程量化预测不确定性，有效区分传感器噪声与真实结构风险，在QAR数据集上验证了优于现有方法的检测精度与鲁棒性。

　　

陈阳 常|安宇|张曦

北京大学先进制造与机器人学院，中国北京 100871

摘要

着陆阶段是飞行操作中最关键的安全部分之一。硬着陆的特点是在触地时垂直加速度过大，对飞机结构完整性、乘客安全和运行可靠性构成严重威胁。然而，现有的检测方法往往难以同时捕捉与任务相关的时间依赖性，并量化由非线性飞行机动和多变运行条件在多变量飞行时间序列中产生的预测不确定性。在这项研究中，我们提出了LandingDiff，这是一个基于任务的条件扩散框架，旨在作为具有不确定性意识的硬着陆检测专家系统。LandingDiff采用了一个差分注意力掩蔽的Transformer模块，利用注意力梯度来识别与任务相关的时间戳。该模块能够识别最具信息量的时间步骤并重建被掩蔽的片段，从而增强编码器捕捉与着陆异常相关的动态变化的能力。关键的是，学习到的潜在特征和预测的参考序列被整合为条件扩散过程中的信息性先验。这种“从粗到细”的机制指导反向去噪步骤，生成精细的概率表示。在推理过程中，采用随机聚合策略来忽略随机噪声，从而得出稳健的风险评估。在真实世界的快速访问记录器（QAR）数据上的实验表明，LandingDiff在不同预测范围内始终优于现有最先进模型在硬着陆检测准确性和稳健性方面的表现。此外，可解释性分析表明，该模型成功捕捉到了硬着陆事件前的关键时间模式，为航空安全管理提供了可操作的见解和置信区间。

引言

随着全球航空交通的持续增长，航空安全仍然是一个核心优先事项。根据Airbus（2025年）的数据，预计未来二十年内全球乘客流量每年将增长3.6%，几乎使全球飞机机队翻倍，给航空安全带来更大挑战。IATA（2025年）报告称，2024年发生了7起致命事故，涉及4060万次飞行，超过了2023年的单起致命事件和五年平均的5起事件。值得注意的是，尽管着陆阶段仅占总飞行时间的一小部分（Boeing，2025年），但它占了这些致命事故的37%。在各种着陆异常中，硬着陆的特点是在触地时垂直加速度过大，存在显著的安全风险，常常导致结构损坏、维护负担和经济损失。

现代航空公司部署了快速访问记录器（QAR）系统来捕获所有飞行阶段的高分辨率飞行数据。这些多变量记录包含了包括空速、垂直加速度以及俯仰和滚转角在内的广泛飞行变量，共同反映了飞机在着陆过程中的动态和飞行员控制行为（Haverdings和Chan，2010年；Wang等人，2014年）。虽然QAR数据理论上为数据驱动的风险评估提供了丰富的基础，但开发可靠的硬着陆检测专家系统在计算上仍然具有挑战性。着陆过程中的动态变化强烈非线性、快速转换和显著的可变性使得建模潜在动态和量化相关不确定性变得困难。

在构建此类诊断系统时，一个关键但常被忽视的挑战是对不确定性的严格量化。着陆阶段的QAR数据本质上具有噪声和复杂性。随机不确定性来自随机环境因素，如风切变和可变的跑道条件，这些因素会对飞行动态引入随机干扰（Khattak等人，2024年）。同时，认知不确定性源于极端硬着陆样本的稀缺和对罕见运行条件了解不足。对于航空安全至关重要的专家系统来说，忽略这些不确定性的“黑箱”预测是不够的。为了支持有效的决策，航空公司需要智能模型，这些模型不仅能准确检测异常，还能提供置信度量，以区分传感器噪声和真正的结构风险。

现有研究已经探索了统计方法（Li等人，2020年；Zhao等人，2021年）和深度学习模型（Chang等人，2025年；Kong等人，2022年；Li等人，2022a年）用于硬着陆检测。统计技术通常依赖于选定飞行变量的概率建模或阈值分析。它们自然提供了可解释的概率度量，但在捕捉现代QAR数据中的高维时间交互方面存在困难。基于深度学习的方法在多变量时间序列方面具有强大的表示能力，并在硬着陆检测方面取得了有希望的结果。然而，它们主要是作为确定性点估计器进行训练的。这些方法通常忽略了着陆动态中的多变量不确定性，并缺乏将时间特征与安全关键事件对齐的特定于任务的机制。因此，它们可能无法为早期预警系统提供所需的可靠性。

最近，去噪扩散概率模型（DDPMs）在模拟时间序列生成的复杂随机模式方面表现出显著的有效性。虽然已经提出了几种用于通用预测的基于扩散的框架（Rasul等人，2021年；Shen和Kwok，2023年；Tashiro等人，2021年），但它们在安全关键航空异常检测中的应用，特别是多变量硬着陆预测方面仍然有限。大多数现有的扩散模型在扩散过程中采用时间独立的高斯噪声计划。这一假设与着陆阶段动态的非平稳和非线性波动不匹配，在着陆过程中关键飞行变量变化迅速。因此，生成的序列平滑了突然的变化，低估了着陆风险中的潜在不确定性。标准扩散模型的一个关键限制是它们依赖于时间独立的高斯噪声计划，这未能考虑到飞机着陆过程中的非平稳和突然的概念性偏差。因此，通用扩散模型常常“平滑”了表明硬着陆的临界极端情况，导致风险被低估。

为了解决这些挑战，我们提出了LandingDiff模型，这是一个基于任务的条件扩散框架，旨在弥合随机生成建模和安全关键异常检测之间的差距。与通用预测器不同，LandingDiff明确作为一个具有不确定性意识的专家系统运行。首先，我们引入了一个差分注意力掩蔽的重建机制，模仿专家的注意力，引导Transformer编码器关注与异常相关的高频转换片段。其次，学习到的时间表示被作为信息性先验注入条件扩散过程。这种双路径设计使框架能够在保持高检测精度的同时描述多变量不确定性。

这项工作的主要贡献有三个方面。

1.

提出了一种差分时间掩蔽策略，通过在表示学习过程中强调动态信息量大的时间步骤来促进与任务相关的时间表示学习

2.

开发了一个条件扩散框架，以提供具有不确定性意识的概率证据。我们利用Transformer预测的先验来指导前向扰动和反向去噪步骤。这种基于任务的条件化使模型能够准确量化垂直加速度的预测不确定性，区别于标准的确定性分类器

3.

我们展示了该系统在航空安全管理中的实际价值。除了在真实世界QAR数据上达到最先进的准确性外，LandingDiff还提供了与飞行员行为相关的可解释风险边界（置信区间）。这为飞行安全专家提供了可操作的见解，将扩散模型的应用从通用预测扩展到值得信赖的安全关键检测

本文的其余部分组织如下。第2节回顾相关工作。第3节介绍所提出的LandingDiff架构。第4节描述实验设置，第5节报告结果和消融研究。第6节总结本文。

相关研究

关于硬着陆异常的先前研究可以大致分为三个方向：统计建模、基于深度学习的检测，以及最近的用于时间序列的扩散概率模型。下面我们简要回顾每个方向，并强调激励LandingDiff的差距。

方法论

在本节中，我们提出了LandingDiff，它将一个注意力掩蔽的Transformer编码器与一个条件去噪扩散概率模型（DDPM）结合起来用于着陆阶段建模。目标是学习给定多变量QAR序列的垂直加速度的条件预测分布，以便进行概率推理，从而增强硬着陆风险评估。整体架构的概述如图1所示。

实验设置

我们通过一个真实世界的案例研究评估了我们方法的有效性，并将其与两个主要类别中的代表性最先进方法进行了比较。实验结果证明了其优越的性能。

分类性能

在三种不同的预测范围内评估了LandingDiff和基线模型的分类性能，分别是类型A（0秒提前）、类型B（2秒提前）和类型C（4秒提前）。准确率、F1分数、召回率和精确率的总结见表2。

在所有实验条件下，LandingDiff始终优于现有的基线模型，显示出更高的准确性和稳健性

结论

飞机硬着陆识别在现代民用航空中仍然是一个关键挑战，因为它要求对多变量飞行时间序列进行严格建模，并量化复杂的动态不确定性。在这项研究中，我们提出了LandingDiff，这是一个基于任务的条件扩散框架，旨在作为可靠的飞行异常检测专家系统。LandingDiff弥合了生成建模和安全关键分类之间的差距。

未引用的参考文献

Li等人，2022年；Li等人，2022年；SCHMIDT，R.K.，2009年。

CRediT作者贡献声明

陈阳 常：概念化、方法论、验证、撰写——原始草稿、撰写——审阅与编辑。安宇：概念化、撰写——审阅与编辑、监督。张曦：概念化、撰写——审阅与编辑、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。