近年来,随着机械学习和深度学习的发展,神经网络作为核心技术之一,在各工程领域的识别和分析问题上得到广泛应用。神经网络具有突出的特征提取能力和自学习能力,将初始数据或初级特征直接作为输入,无需专业的加工,放入模型中训练,便能学习大量映射关系而不用揭示数学方程,提供了切实有效的研究新思路。跑道平整度是机场道面评价体系的重要组成部分,不平整的跑道会加剧飞机在滑跑时的振动,加速道面破坏,缩短跑道寿命,造成飞机构件的疲劳损耗,增加磨损。更重要的是,跑道平整度会影响飞行员准确读取仪表数据,增加飞机操纵难度,影响飞行安全。因此对机场跑道平整度进行及时准确评估是非常必要的。传统的评估方法一方面基于道面表面几何特性的评价指标,存在评估角度片面、不准确等问题,另一方面常用的飞机仿真模型与真实飞机有较大差异,现实不适用不方便。借助美国联邦航空局在B737-800和A330-200飞行模拟器中进行的飞行员对37条实测跑道平整度主观评价和驾驶舱竖向加速度的调查数据,以神经网络技术对机场跑道平整度评估是更实用更便捷的方法。本文根据实际工作需求,搭建了 BP神经网络和基于小波变换的卷积神经网络模型,其中BP神经网络用于跑道整体平整度评估,综合考虑多个因素,初步确定跑道平整度能否接受,而基于小波变换的卷积神经网络用于跑道分段平整度评估,进一步确定跑道不平整的具体位置,为跑道的管理、维护提供依据。针对跑道整体平整度评估任务,本文构建了基于误差信息反向传递的BP神经网络模型。首先对现行的平整度评价指标与飞行员评价的关系进行分析,然后构建模型,以国内采用的三种平整度评价指标和飞机总重作为输入,以飞行员对跑道平整度能够接受作为输出进行训练和学习,综合了各指标间的不同特征,考虑了飞行员主观评价和飞机机型,提高跑道平整度整体评估的合理性和实用性。针对跑道分段平整度评估任务,需要首先对跑道进行分段处理,对跑道高程数据和驾驶舱竖向加速度数据切割,使切割出来的分段数据有等量的数据点,并充分包含了平整度特征。然后选取小波基函数Daubechies3对切割以后的跑道段高程数据进行连续小波变换,得到小波系数矩阵,突出了跑道段空间域和频域的特征。搭建卷积神经网络模型,以小波系数矩阵为输入,以基于驾驶舱竖向加速度的驾驶舒适等级为输出进行跑道分段评估。综上,本文针对跑道整体和跑道分段平整度评估任务侧重点的不同,分别搭建BP神经网络模型和基于小波变换的卷积神经网络模型。BP神经网络模型综合考虑多个指标和机型影响,对跑道整体平整度评估准确率可达到95.50%;基于小波变换的卷积神经网络模型利用跑道段在空间域和频域的初级特征,经过训练和学习在测试集上对跑道的驾驶舒适等级评估准确率达到87.39%,能够有效确定跑道不平整的具体位置。研究结果表明,本文提出的神经网络方法可应用于实际的机场跑道平整度评估工作。