QAR數據在民航中提供很重要的貢獻，尤其是在飛安品質監控的工作上，飛行品質有了明顯的提高，其有助於對航機人員的操作行為進行監測以及診斷，並即時提出矯正以及優化操作人員的失誤，有效的預防事故的發生。飛安品質監控的最終目的就是超限事件的獲取，然而在超限事件中人工分析存在著客觀性以及時效性的問題。現今在監控到重落地事件發生後，仍須利用人工的方式來判斷發肇因的問題，不但消耗人力成本也非常沒有效率，因此本研究欲利用人工智慧的方式，使用民航機快速儲存記錄器QAR的落地參數資料，並以真實航空公司B777機型的數據當作樣本，建立一套重落地事件推估模型，找到導致重落地事件之肇因，以糾正飛航人員的飛行技術，為此帶來了參考的依據憑證。
本研究以長短期記憶以及倒傳遞神經網路兩種類神經網路進行模型的比對，並比較其效果以及正確率，以找出最佳模型。實驗結果發現分類模型在長短期記憶網路表現較佳。因此利用神經網路分類重落地事件是有可行性的，未來可以將本研究分類模式當作飛安教官在判斷重落地事件的依據，更或是未來直接取代人力判斷，改由電腦直接判斷分類，大大提升效率以及成本。

QAR data provides a very important contribution in civil flight industry, especially in the work of flight safety quality monitoring, the flight quality has been significantly improved. It helps to monitor and diagnose the operational behavior of the aircraft personnel, and immediately proposes corrections and optimizes the operator's mistakes to effectively prevent accidents. The ultimate goal of flight safety quality monitoring is the acquisition of over-limit events. However, there are objectivity and timeliness in manual analysis in over-limit events. Nowadays, after monitoring the recurrence of incidents, it is still necessary to use artificial methods to judge the cause of hard landing, which not only consumes labor costs but also is inefficient. Therefore, this study intends to use the artificial intelligence method , and use the data of the real airline B777 as a sample to create a causal inference model for civil flight's hard landing incidents.In this way, the cause of the harding landing is found to correct the flight technology of the flight personnel, which provides a reference for the flight personnel. 
In this study, we compare the models with long short-term memory and backpropagation, and compare their effects and correctness to find the best model. The experimental results show that the classification model performs better in long short-term memory. Therefore, it is feasible to use the neural network to classify harding landing event. In the future, this research classification model can be used as the basis for flight safety instructors in judging hard landing event,or directly replace the human judgment in the future,  and directly judge the classification by computer, it greatly improve Efficiency and cost.

第一章　緒論	1
1.1	研究背景與動機	1
1.2	研究目的	3
1.3	研究架構	4
 第二章 文獻探討	5
2.1	快速存取記錄器(Quick Access Recorder,QAR)	5
2.1.1	QAR簡介	5
2.1.2	QAR飛行數據的紀錄格式	6
2.2	重落地事件(Harding landing)	7
2.2.1	重落地事件的影響及因素	7
2.2.2	重落地事件之相關研究	8
2.3	類神經網路 (Artificial Neural Network)	9
2.3.1	倒傳遞神經網路(Backpropagation Neural   Network)	10
2.3.2	遞迴歸神經網路（Recurent Neural Netwo-  rk）	11
2.3.3	長短期記憶網路（Long short-term memory）	12
2.4	實驗參數	13
2.4.1	損失函數(Loss Funtion)	13
2.4.2	優化器(Optimizer)	14
 第三章　研究方法與流程	15
3.1	研究流程	15
3.2	研究樣本	16
3.3	重落地事件參數研究	17
3.3.1	著陸階段飛行性能及重落地參數分析研究	20
3.3.2	重落地肇因分類	23
3.4	資料前處理	25
3.5	建立神經網路模型	27
3.6	神經網絡模型參數設定	30
 第四章　實驗結果與資料分析	32
4.1	實驗與評估方式	32
4.2	實驗分析結果	33
4.2.1	基於長短期記憶網路訓練結果	33
4.2.2	基於倒傳遞神經網路分析結果	35
4.3	各模組之比較結果	37
 第五章　結論與建議	39
5.1	結論	39
5.2	研究貢獻	39
5.3	未來研究方向	40
 參考文獻	42

圖目錄
圖 1 倒傳遞神經網路架構圖	11
圖2 遞迴神經網路RNN架構圖	12
圖3  LSTM架構圖	13
圖4 本研究研究流程圖	15
圖5 雷達高度變化圖	20
圖6 俯仰角度變化圖	21
圖7 垂直速度變化圖	21
圖8 校準空速變化圖	22
圖9 機長操縱桿位置變化圖	22
圖10 發動機低壓轉子轉速變化圖	23
圖11 肇因分類模型圖	25
圖12 肇因種類筆數圖	26
圖13 神經網路模型建置流程圖	28
圖14  Flare Timing模型長短期記憶網路架構圖	28
圖15  Flare Force模型長短期記憶網路架構圖	29
圖16 MANEUVER BEFORE LANDING模型長短期記憶網路架構圖	29
 
表目錄
表 1 QAR參數介紹	19
表2 重落地肇因分類描述	24
表3 神經網路模型參數配置表	31
表4 Flare Timing長短期記憶網路模型評估結果	34
表5 Flare Force長短期記憶網路模型評估結果	34
表6 Maneuver Before Landing長短期記憶網路模型評估結果	35
表7 Flare Timing倒傳遞神經網路模型評估結果	36
表8 Flare Force倒傳遞神經網路模型評估結果	36
表9 Maneuver Before Landing倒傳遞神經網路模型評估結果	37
表10 各模組比較結果	38
表11 Flare Timing實際分類與網路輸出對照表	38
表12 Flare Forde實際分類與網路輸出對照表	38

Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. arXiv preprint arXiv:1409.0473. 
Wang, L., Wu, C., & Sun, R. (2014). An analysis of flight Quick Access Recorder (QAR) data and its applications in preventing landing incidents. Reliability Engineering & System Safety, 127, 86-96.
U.S. Department of Transportation - Federal Aviation Administration: 5. 4 December 2004 [10 October 2011]
General Accounting Office. Efforts to Implement Flight Operational Quality Assurance Programs. December 1997: 4 [10 October 2011]
XU, G. M., & HUANG, S. G. (2010). Airplane's hard landing diagnosis using LS-SVM [J]. Systems Engineering-Theory & Practice, 4.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. science, 313(5786), 504-507.
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.
Tai, K. S., Socher, R., & Manning, C. D. (2015). Improved semantic representations from tree-structured long short-term memory networks. arXiv preprint arXiv:1503.00075.Utgoff, P. E., & Stracuzzi, D. J. (2002). Many-layered learning. Neural Computation, 14(10), 2497-2529.
Chauvin, Y., & Rumelhart, D. E. (2013). Backpropagation: theory, architectures, and applications. Psychology Press.
Sembiring, J., Drees, L., & Holzapfel, F. (2013). Extracting unmeasured parameters based on quick access recorder data using parameter-estimation method. In AIAA Atmospheric Flight Mechanics (AFM) Conference (p. 4848).
Werbos, P. J. (1990). Backpropagation through time: what it does and how to do itComputation, 9(8):1735–1780, 1997.
Danny Cheng, Tracy Jen & Morris Yang(2016). The Development of Civil Aviation Safety Data Collection and Processing Systems Study . Journal of Aviation Safety and Management,4(3),292-310
Wen-lin Guan Wen-huan Chang Yen-ping Chang(2015). The Development of Civil Aviation Safety Data Collection and Processing Systems Study . Journal of Aviation Safety and Management,4(2),333-362

James M. Burin, “Stabilized Landings – A Runway Excursion Prevention Tool,” 2011 NBAA Safety Committee- Runway Excursion Prevention Project. 12th, Feb., 2009.
IATA. (2018). Safety Report 2017. International Air Transport Association. 

于健, 董健康, & 李佳. (2010). 基于神经网络的飞机着陆垂直载荷大诊断技术研究. 中国民航飞行学院学报, (4), 16-18.
曹琳. (2011). QAR 原理分析及在飞机维护中的应用 (Doctoral dissertation).
汪磊, 孙瑞山, 吴昌旭, 崔振新, & 陆正. (2014). 基于飞行 QAR 数据的重着陆风险定量评价模型. 中国安全科学学报, 24(2), 88-92.
飛安調查委員會. (2017). 台灣飛安統計報告. 
曹海鹏. (2008). B737 重着陆诊断技术研究 (Master's thesis, 南京航空航天大学).
鄭永安（2014）。人為因素與飛航安全。科學發展，495，20-24
張芳瑜. (2018). 航機落地超限之操作肇因分析. 中原大學工業與系統工程研究所學位論文, 1-76.
周長春(2015). QAR深度挖掘和應用.
劉莉雯(2018)。QAR在中國民航中的應用。信息與電腦，13，153-154
澳門民航局調查報告Aviation Occurrence Investigation Final Report INCID/01/2018 - Aircraft Damage Caused by Hard Landing (Beijing Capital Airlines)
许桂梅, & 黄圣国. (2010). 基于 LS-SVM 的飞机重着陆超限事件预测. 中國制造業信息化, 39(19), 61-64.
曹海鹏, 舒平, & 黄圣国. (2008). 基于神经网络的民用飞机重着陆诊断技术研究 (Doctoral dissertation).