TransCNN：基于多普勒激光雷达的飞机尾涡检测与动态安全间隔评估混合框架

《IEEE Aerospace and Electronic Systems Magazine》：TransCNN: A Hybrid Framework for Aircraft Wake Vortex Detection and Safety Interval Assessment

为解决固定间隔尾流分离标准保守性高、适应性差导致的机场运行效率瓶颈问题，研究人员开展了基于Transformer与CNN融合的飞机尾涡识别研究。通过设计多尺度混合注意力卷积模块（HMSAC）和全局特征融合模块（GFF），构建TransCNN模型对激光雷达径向速度场（RVF）数据进行局部-全局特征协同提取。实验表明该模型识别准确率达99.09%，较传统支持向量机（SVM）提升12.09%，结合马尔可夫链蒙特卡洛（MCMC）模拟验证了其在提升飞行安全与运行效率方面的优越性能。

　　

随着航空业的快速发展，空域环境日益复杂，固定间隔的尾流分离标准因其过度保守的间距和对动态条件适应能力有限，已无法满足现代运行需求。国际民航组织（ICAO）和美国联邦航空管理局（FAA）发布的尾流湍流分离标准在当前技术发展阶段显得较为粗糙保守，导致机场终端区容量面临瓶颈效应。这主要是由于空中交通管制过程中起飞距离和着陆间隔的增加，降低了单位时间内跑道可起降的飞机数量，进而导致跑道利用率低并影响航班延误。若能在保证飞行安全的前提下合理缩短近地阶段的飞机间隔，将有望提升跑道利用效率。

为建立更合理的航空器起降间隔标准，提升实际机场容量和空中交通运行效率，许多研究聚焦于尾流湍流的观测与演化。传统研究通过计算流体动力学（CFD）数值模拟、风洞和水洞实验以及现场雷达探测进行，但风洞和水洞实验成本高昂且设备复杂，数值模拟计算资源需求大且泛化能力有限。相比之下，激光雷达（LiDAR）系统运维成本较低，更适用于晴好天气下的实际机场环境应用。然而激光脉冲回波中复杂背景噪声的存在，使得从LiDAR系统中提取有用信息具有挑战性。

针对上述问题，本研究提出一种名为TransCNN的双分支协同学习框架，结合卷积神经网络（CNN）和Transformer架构以对齐多维学习任务。该框架包含增强CNN分支局部特征提取效果的多尺度混合注意力卷积模块（HMSAC），以及将Transformer分支获取的全局信息融入CNN特征图的全局特征融合模块（GFF）。研究采用多普勒激光雷达在青岛胶东国际机场进近区域获取的尾涡数据进行验证，结果表明TransCNN模型在基于LiDAR的尾涡识别中表现卓越。

关键技术方法包括：1）利用双多普勒激光雷达在跑道端侧方布设，采集B738机型尾涡的径向速度场（RVF）数据，通过高斯滤波方法增强数据集以补充采样间隔内的缺失数据；2）设计Transformer分支通过多头自注意力（MSA）机制捕获RVF的全局动态依赖性，CNN分支通过HMSAC模块融合不同膨胀率的空洞卷积自适应提取多尺度局部特征；3）构建GFF模块实现CNN局部特征与Transformer全局特征的跨模态融合，通过空间池化生成全局描述符与Transformer特征进行注意力加权。

模型架构设计

TransCNN网络包含五个阶段，输入尺寸为64×64×1，通过步长为2的卷积层逐步降低空间维度并增加通道数。Stage 2保持32×32空间尺寸，Stage 3和Stage 5通过步长2进一步下采样。最终卷积层（Conv2d, 3×3）整合学习特征，全连接层将高维特征映射至分类标签。HMSAC模块采用膨胀率分别为1、2、3的空洞卷积并行提取多尺度特征，通过高效通道注意力（ECA）机制强化重要通道特征。GFF模块将CNN特征图的全局平均池化与最大池化描述符投影为查询矩阵，与Transformer输出的键值矩阵进行缩放点积注意力计算，通过残差连接保留原始局部信息。

实验验证结果

在包含9316帧无尾涡样本和4892帧B738尾涡有效片段的数据集上，TransCNN的准确率（Acc.）达99.09%，精确率（P）99.04%，召回率（R）98.34%，F1-score 98.69%，较支持向量机（SVM）准确率提升12.09%，较随机森林（RF）提升7.26%。GradCAM可视化显示HMSAC模块使CNN更聚焦于涡核区域，特别是负涡对（深蓝色区域）。消融实验表明单独使用CNN分支时准确率下降2.21%，而加入高斯滤波数据增强后模型识别能力提升0.16%。

尾涡耗散规律分析

基于TransCNN模型对ZSQD机场2023年3月至2024年4月历史LiDAR数据的识别结果，统计B738机型在不同风场条件下的尾涡耗散时间。侧风导致尾涡横向漂移偏离飞行路径，增强湍流加速结构耗散；逆风则延长尾涡存续时间，但强逆风会促使尾涡更早进入快速衰减阶段。具体而言，无风条件下耗散时间为76.61秒，当侧风增至5节、逆风为6节时耗散时间缩短至26.81秒。

运行效率提升验证

通过蒙特卡洛模拟对10000架次B738航班进行动态间隔评估，设定连续两帧LiDAR未识别尾涡则判定无风险。模拟结果显示：相较于RECAT-EU固定间隔标准，TransCNN模型可节省34小时运行时间，增加1576架次航班；相较于管制员实际操作（Ctrl. Act. Op.）节省25.67小时，增加1190架次航班，且能保证10000架次航班安全。这表明基于尾涡识别的动态间隔缩减方案可显著提升机场运行效率。

研究结论表明，TransCNN框架通过融合Transformer的全局感知能力和CNN的局部特征提取优势，实现了对激光雷达径向速度场数据的高精度解析。提出的HMSAC和GFF模块有效提升了模型对尾涡多尺度形态变化的适应性，高斯滤波数据增强方法增强了模型鲁棒性。该技术为动态尾流间隔标准制定提供了数据支撑，通过实时尾涡风险预警显著降低管制员工作负荷，对提升空域容量和飞行安全具有重要实践意义。未来可探索将LiDAR扫描序列转化为标签序列的生成式建模方法，构建多雷达多任务的通用化识别框架。