CC BY
1
ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ
Научная статья УДК 656.7.08
doi: 10.61527/1684-7016-2023-4-51-55
Модель прогнозирования авиационных происшествий с помощью искусственного интеллекта
Рафаэль Амирович Сайфутдинов1 Дарья Юрьевна Белогрудова2 Булат Рафаэлевич Сафин3
Ульяновский институт гражданской авиации имени Главного маршала авиации Б. П. Бугаева, Ульяновск, Россия
2'3Ульяновский государственный педагогический университет имени И. Н. Ульянова, Ульяновск, Россия 1 sfraf@mail.ru
Аннотация. Рассмотрена проблема прогнозирования авиационных происшествий, выделен новый метод прогнозирования - с помощью искусственного интеллекта, проанализирована возможность разработки данного метода, а также разработана концепция его использования и внедрения в работу авиапредприятий.
Ключевые слова, безопасность полётов, прогнозирование авиационных происшествий, искусственный интеллект, анализ больших данных, машинное обучение.
INFORMATION TECHNOLOGY Scientific article
Aircraft accident prediction model using artificial intelligence
Rafael A. Sayfutdinov1 Daria Yu. Belogrudova2 Bulat R. Safin3
1Ulyanovsky Institute of Civil Aviation named after Chief Marshal of Aviation B. P. Bugaev, Ulyanovsk, Russia 2' 3Ulyanovsk State Pedagogical University named after I. N. Ulyanov, Ulyanovsk, Russia 1 sfraf@mail.ru
Abstract. The problem of predicting aviation accidents is considered, a new forecasting method is identified -using artificial intelligence, the possibility of developing this method is analyzed, and the concept of its use and implementation in the work of aviation enterprises is developed.
Keywords, flight safety, accident forecasting, artificial intelligence, big data analysis, machine learning.
Безопасность полётов и безопасность авиаци-онно-транспортной системы являются наиболее важными критериями при оценке деятельности Гражданской авиации. Постоянное внедрение
© Сайфутдинов Р.А., Белогрудова Д.Ю., Сафин Б. Р., 2023
новых методик и принципов по улучшению этих показателей является главной целью работы всей отрасли [1].
Статистика авиационных происшествий и инцидентов в гражданской авиации говорит о том, что существующих методов предотвращения авиационных происшествий недостаточно для поддержания высокого уровня безопасности полётов, их
регулярности и экономической эффективности. Это вызвано тем, что задача предупреждения авиационных происшествий до настоящего времени не решена в полном объёме, так как используемые в авиакомпаниях методы управления безопасностью полётов в основном направлены на профилактическую работу с уже произошедшими авиационными событиями и на выявление их опасных тенденций, в то время как прогностические методы управления разработаны недостаточно.
Именно внедрение методов прогнозирования авиационных происшествий может помочь авиапредприятиям раньше обнаруживать потенциальные риски и принимать меры для их устранения, а также рассчитывать вероятность возникновения авиационного происшествия для заблаговремен-ногоегопредупреждения [3].
Важность внедрения таких методов заключается в том, что они позволяют авиапредприятиям и авиакомпаниям выявлять опасные факторы, которые могут привести к авиационным происшествиям, ещё до их возникновения. Это помогает им быстро принимать меры по их устранению до того, как они перерастут в аварию или крупное авиационное происшествие [7].
В связи с этим внедрение методов прогнозирования авиационных происшествий является крайне важным шагом в повышении безопасности полётов и снижении рисков для пассажиров, персонала и авиакомпаний в целом.
Один из возможных новых методов прогнозирования авиационных происшествий - с помощью искусственного интеллекта. Такой метод может основываться на использовании машинного обучения, таких как нейронные сети, деревья решений, а также на анализе данных о происшествиях, собранных со всех авиакомпаний и авиапредприятий (локально одного авиапредприятия) с целью выявления закономерностей и взаимосвязей в больших наборах данных [2].
Для разработки такого метода необходимы высокая компетенция в области машинного обучения, статистического анализа, понимания авиационных процессов и процедур безопасности полётов. Поэтому для успешной организации машинного обучения необходимы хорошо подготовленные и обученные специалисты в области анализа данных и машинного обучения, а также необходимо иметь доступ к соответствующему программному обеспечению и аппаратному обеспечению для обработки и анализа больших объёмов данных [5].
Также необходимы большие объёмы данных, которые могут включать информацию о прошлых авиационных происшествиях и инцидентах, о штатных полётах, погодных условиях, техническом состоянии самолётов, обучении пилотов и других факторах, влияющих на безопасность полётов. Эти данные могут быть собраны с помощью современных технологий сбора и обработки данных (Big Data Analysis). По итогу необходимо создать базу данных, данные из которой будут использоваться для алгоритмов машинного обучения [4].
Когда алгоритмы обучения достаточно точно спрогнозируют вероятность возникновения авиационных происшествий на основе предоставленных данных, их можно будет применять в реальном времени для непрерывного мониторинга безопасности полётов [2].
Создание модели для прогнозирования авиационных происшествий зависит от многих факторов, таких как доступность данных, качество данных, объём данных, используемые алгоритмы машинного обучения и т. д. Если доступны достаточно качественные данные и используются эффективные методы машинного обучения, то можно создать достаточно точную модель прогнозирования авиационных происшествий [6]. Однако необходимо учитывать, что авиационная индустрия является сложной и динамической, поэтому создание точной модели может потребовать значительных усилий и времени.
Для внедрения модели прогнозирования авиационных происшествий с помощью искусственного интеллекта следует выполнить следующие шаги:
1. Подготовкаданных.
Сбор, очистка, преобразование и агрегация данных. Собрать данные о происшествиях, связанных с авиации, с помощью различных источников, таких как базы данных авиакомпаний, базы данных аэропортов, базы данных воздушного движения и других. Также данные о погоде, данные о техническом состоянии самолётов, данные о персонале и т. д. Необходимо подготовить все данные, которые будут использоваться для обучения модели.
Для успешной интеграции модели машинного обучения необходимо иметь надёжный и обновляемый источник данных об авиационных
происшествиях и инцидентах. Это важный этап, поскольку качество данных напрямую влияет на точность модели.
2. Выбор алгоритма.
Для этого необходимо провести анализ данных и выбрать алгоритм, который наилучшим образом справляется с поставленной задачей. Выбор конкретного алгоритма зависит от конкретной задачи, размера и качества данных, доступных вычислительных ресурсов и других факторов. Важно также провести сравнительный анализ нескольких алгоритмов и выбрать наиболее подходящий для конкретной задачи.
Для прогнозирования авиационных происшествий одним из наиболее эффективных алгоритмов машинного обучения может быть глубокое обучение, так как оно может обрабатывать и выделять сложные нелинейные связи между данными. Кроме того, глубокое обучение позволяет использовать большой объём данных, что может быть критически важно для прогнозирования авиационных происшествий, которые могут быть редкими и сложными.
Среди наиболее распространённых алгоритмов глубокого обучения, используемых для прогнозирования, могут быть рекуррентные нейронные сети (RNN), сверхточные нейронные сети (CNN) и глубокие нейронные сети (DNN).
Однако конкретный выбор алгоритма для прогнозирования авиационных происшествий будет зависеть от многих факторов, таких как доступность данных, объём требуемых ресурсов, необходимость интерпретации результатов, а также конкретные требования к точности прогнозирования.
3. Обучение модели.
С использованием алгоритмов машинного обучения обучить модель на собранных данных. Модель может предсказывать вероятность возникновения происшествия на основе определённых факторов, таких как погодные условия, техническое состояние самолёта, уровень обучения пилота и т. д. Это может потребовать значительных вычислительных ресурсов, поэтому рекомендуется использовать облачные сервисы, например, Amazon Web Services, Google Cloud Platform или Microsoft Azure.
4. Тестирование модели.
Протестировать модель на отдельной выборке данных, которые не использовались в обучении модели. Это необходимо для проверки точности, эффективности и общей производительности модели.
Если модель не прошла тестирование, то её необходимо настроить, внести изменения в её параметры, а также рассмотреть данные, использованные для обучения.
5. Развёртывание модели (интеграция в систему управления безопасностью полётов).
После успешного тестирования модель готова к интеграции в систему управления безопасностью полётов авиапредприятия. Интеграция может быть выполнена с помощью API или другого программного интерфейса, предоставляемого моделью.
Модель может быть развернута в виде программного приложения или сервиса, который будет использоваться для прогнозирования авиационных происшествий. Модель будет давать прогнозные результаты на основе входных данных, которые были использованы для её обучения.
6. Обучение персонала.
Одним из ключевых моментов в успешной интеграции модели является подготовка персонала авиапредприятия. Необходимо провести обучение сотрудников, ответственных за работу с системой управления безопасностью полётов, по вопросам использования новой модели прогнозирования авиационных происшествий и её результатов для принятия решений в области безопасности полётов.
7. Мониторинг и управление.
После интеграции модели необходимо проводить систематический мониторинг её работы для обнаружения проблем и возможности улучшения её производительности. Также модель машинного обучения должна быть постоянно адаптирована к новым условиям и требованиям авиапредприятия. Кроме того, модель должна регулярно обновляться с учётом новых данных об авиационных происшествиях и обновлёнными алгоритмами машинного обучения.
Очень важно периодически обновлять и совершенствовать модель, так как изменения в данных или процессах безопасности полётов могут привести к изменению её качества и точности прогнозирования.
Таким образом, модель прогнозирования авиационных происшествий с помощью искусственного интеллекта может выдавать вероятности возникновения происшествий на основе данных об их истории, современных условиях эксплуатации авиатранспорта и т. д., а также может выявить ранее неизвестные риски или тенденции в области безопасности полётов.
Этот метод прогнозирования авиационных происшествий может быть полезен как для авиакомпаний, так и для государственных органов, ответственных за безопасность полётов. Он позволит им оперативно реагировать на угрозы безопасности полётов и принимать меры по их предотвращению.
Создание и внедрение модели машинного обучения для прогнозирования авиационных происшествий является сложным процессом, требующим определённых знаний и опыта в области машинного обучения, искусственного интеллекта, анализа данных и безопасности полётов. Однако если процесс правильно организовать, то это может значительно повысить уровень безопасности полётов и снизить количество авиационных происшествий.
СПИСОК источников
1. Безопасность полётов: учебное пособие / составители: Б. В. Зубков, С. Е. Прозоров: под ред. Б. В. Зубкова. Ульяновск : УВАУ ГА (И), 2013. 451 с.
2. ChenC.,&Li Z. (2019). Artificial Intelligence for Accident Prediction in Aviation. In Intelligent Transportation Systems - Theory and Practice (pp. 29-51). Springer.
3. Проактивное управление безопасностью полётов: (сайт). URL: http://aviajournal.com/con-tent/view/proaktivnoe-upravlenie-bezopasnostyu-poletov (дата обращения: 12.09.2023).
4. Big Data Analytics for Aviation Safety .(2017). Technical Report. Federal Aviation Administration: (сайт). URL: https://www.faa.gov/data_research (датаобращения: 15.09.2023).
5. Сайфутдинов Р. А., Глушков В. А., Гайни-ева Д. А., Кузнецова А. С. Информационная система управления профессиональными рисками II Образование и информационная культура: теория и практика: Сборник научных трудов. Ульяновск, 2017. С.99-103.
6. Сайфутдинов Р. А., Гаврющенко А. П., Маг-деева Д. Р., Карсакова Е. Д. Управление безопасностью технологических процессов //Информационные технологии в образовании. Материалы всероссийской очной научно-практической конференции. 2019.С. 101-104.
7. Сайфутдинов Р. А., Белогрудова Д. Ю. Метод прогнозирования авиационных происшествий в системе менеджмента безопасности авиационной деятельности II Вестник Ульяновского государственного технического университета. 2021. №1 (93). С. 49-54.
Информация об авторах
Р. А. Сайфутдинов - доцент кафедры Поискового и аварийно-спасательного обеспечения полётов и техносферной безопасности (ПАСОПиТБ) Ульяновского института гражданской авиации имени Главного маршала авиации Б. П. Бугаева; Д. Ю. Белогрудова - магистрант Ульяновского государственного педагогического университета имени И. Н. Ульянова;
Б. Р. Сафин - магистрант Ульяновского государственного педагогического университета имени И. Н. Ульянова.
REFERENCES
1. Bezopasnost'polyotov: uchebnoe posobie [Flight safety: a textbook], sostaviteli [compiled by]: В. V. Zubkov, S. E. Prozorov: pod red. [edited by] В. V. Zubkov, Ulyanovsk, UVAU GA (I), 2013.451 p.
2. ChenC., & LiZ. (2019). Artificial Intelligence for Accident Prediction in Aviation. In Intelligent Transportation Systems - Theory and Practice (pp. 29-51). Springer.
3. Proaktivnoe upravlenie bezopasnost'yu polyotov: (sait) [Proactive field security management: (website)]. URL: http://aviajournal.com/content/ view/proaktivnoe-upravlenie-bezopasnostyu-poletov (accessed: 12.09.2023).
4. Big Data Analytics for Aviation Safety. (2017). Technical Report. Federal Aviation Administration: (сайт). URL: https://www.faa.gov/data_research (accessed: 15.09.2023).
5. Sayfutdinov R. A., Glushkov V. A., Gaynieva D. A., Kuznetsova A. S. Informacionnaya sistema up-ravleniya professional'nymi riskami [Information management system of professional figures]. Obrazovanie i informacionnaya kul'tura: teoriya i
praktika: Sbornik nauchnyh trudov [Education and information culture: theory and practice: Collection of scientific papers], Ulyanovsk, 2017.pp. 99-103.
6. Sayfutdinov R. A., Gavrushchenko A. P., Mag-deeva D. R., Karsakova E. D. Upravlenie bezopas-nost'yu tekhnologicheskih processov. Informacionnye tekhnologii v obrazovanii. Materialy vserossijskoj ochnoj nauchno-prakticheskoj konferencii [Safety management of technological processes. Information technologies in education. Materials of the Ail-Russian intramural scientific and practical conference]. 2019.
7. Sayfutdinov R. A., Belogrudova D. Yu. Metod prognozirovaniya aviacionnyh proisshestvij v sisteme menedzhmenta bezopasnosti aviacionnoj deyatel'nosti [Method of forecasting aviation accidents in the aviation safety management system], Vestnik Ul'yanovskogo gosudarstvennogo tekhnich-eskogo universiteta [Bulletin of the Ulyanovsk State Technical University], 2021. No. 1 (93). pp. 49-54.
Information about the authors R. A. Sayfutdinov - associate professor of the Department of safety and emergency support of flights and technosphere safety (PA-SOPiTB) of the Ulyanovsk Institute of Civil Aviation named after Chief Marshal of Aviation B. P. Bugaev; D. Y. Belogrudov - master's student of the Ulyanovsk State Pedagogical University named after I. N. Ulya-nov;
B. R. Safin - master's student of the Ulyanovsk State Pedagogical University named after I. N. Ulyanov.
Статья поступила в редакцию 02.11.2023; одобрена после рецензирования 10.11.2023; принята к публикации 23.11.2023.
Thearticlewassubmitted 02.11.2023; approved after reviewing 10.11.2023; accepted for publication 23.11.2023.
