CN107021237A - 合成空气数据输出生成 - Google Patents
合成空气数据输出生成 Download PDFInfo
- Publication number
- CN107021237A CN107021237A CN201611120518.4A CN201611120518A CN107021237A CN 107021237 A CN107021237 A CN 107021237A CN 201611120518 A CN201611120518 A CN 201611120518A CN 107021237 A CN107021237 A CN 107021237A
- Authority
- CN
- China
- Prior art keywords
- air data
- pneumatic
- data output
- output valve
- aircraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims description 129
- 238000003786 synthesis reaction Methods 0.000 title claims description 129
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000523 sample Substances 0.000 description 23
- 238000005259 measurement Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000007935 neutral effect Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000010763 heavy fuel oil Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000151 deposition Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D43/00—Arrangements or adaptations of instruments
- B64D43/02—Arrangements or adaptations of instruments for indicating aircraft speed or stalling conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D43/00—Arrangements or adaptations of instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
- G01P13/025—Indicating direction only, e.g. by weather vane indicating air data, i.e. flight variables of an aircraft, e.g. angle of attack, side slip, shear, yaw
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
- G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
- G01P21/025—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers for measuring speed of fluids; for measuring speed of bodies relative to fluids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/14—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring differences of pressure in the fluid
- G01P5/16—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring differences of pressure in the fluid using Pitot tubes, e.g. Machmeter
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Small-Scale Networks (AREA)
- Feedback Control In General (AREA)
Abstract
在一个实例中,一种方法包括通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入。所述方法还包括通过人工智能网络处理所述多个非气动输入以生成空气数据输出值,以及将所述空气数据输出值输出至耗能系统以便在基于气动的空气数据输出值被确定为是不可靠时使用。
Description
背景技术
本公开总体涉及空气数据系统,并且更具体地说,涉及可利用人工智能生成用于飞机的空气数据输出的空气数据系统。
现代飞机常常并入空气数据系统,所述空气数据系统基于从围绕飞机定位的各种传感器收集的测量参数来计算空气数据输出。例如,许多现代飞机利用测量探针两端的气流的皮托压力、静压力或其他参数的气动空气数据探针。这类气动空气数据探针常常包括一个或多个空气数据感测端口,诸如静压力端口和/或总压力(即,驻点压力)端口。在探针上流动的空气的一部分转移到气动地连接到感测飞机外部的大气压力的压力传感器的端口。这类测量的压力可用于确定空气数据输出,诸如飞机压力高度、高度速率(例如,垂直速度)、空速、马赫数、迎角、侧滑角或其他空气数据输出。
为了增加系统可靠性,飞机制造商通常并入冗余(例如,备用)系统,所述冗余系统可在主系统故障或以其他方式确定为是不可靠的情况下向耗能系统提供输出。例如,许多飞机并入多个(例如,两个、三个、四个或更多)气动空气数据探针,其中的某些被指定为备用系统以便在主系统被认为不可靠时使用。
发明内容
在一个实例中,方法包括通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入。所述方法还包括通过人工智能网络处理多个非气动输入以生成空气数据输出值,以及将所述空气数据输出值输出至耗能系统以便在基于气动的空气数据输出值被确定为不可靠时使用。
在另一个实例中,合成空气数据系统包括至少一个处理器和计算机可读存储器。所述计算机可读存储器被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入。所述计算机可读存储器被进一步编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过人工智能网络处理多个非气动输入以生成空气数据输出值,并且将所述空气数据输出值输出至耗能系统以便在基于气动的空气数据输出值被确定为不可靠时使用。
附图说明
图1是包括合成空气数据系统的示例性飞机的示意性框图,所述合成空气数据系统可通过人工智能网络处理非气动输入以生成一个或多个空气数据输出值。
图2是示例性人工神经网络的示意图,所述示例性人工神经网络可用来处理非气动输入以生成一个或多个空气数据输出值。
图3是示出通过人工智能网络处理非气动输入以生成一个或多个空气数据输出值的示例性操作的流程图。
具体实施方式
如本文所述,合成空气数据系统可通过人工智能网络处理多个非气动输入以生成一个或多个空气数据输出值。这类非气动输入可包括尤其是:飞机推力参数、飞机发动机节流设置、飞行控制表面位置和/或表面加载参数、飞机剩余燃料重量和/或使用速率、飞机重量、起落架位置(例如,展开或收起)、飞机质量平衡以及(例如,从惯性参考系统接收的)飞机加速度和/或角速率。人工智能网络(诸如人工神经网络)可将所接收的输入与一个或多个空气数据输出值(诸如,空速、高度、马赫数、迎角、侧滑角或其他空气数据输出值)关联。同样地,实现本公开的技术的合成空气数据系统可通过系统生成空气数据输出值,所述系统在设计上不同于传统的直接测量系统(例如,直接测量空气数据值的基于气动的、光学的、超声的或其他基于传感器的系统),并且所述系统可例如在基于传感器的空气数据输出值(诸如基于气动的空气数据输出值)被确定为不可靠时使用。此外,这类空气数据输出值可从由现有飞机系统提供的测量输入而生成,从而降低当并入合成空气数据系统时,在新的和现有的飞机平台上安装另外的传感器或硬件部件所需的时间和成本。
图1是包括合成空气数据系统12的飞机10的示意性框图,所述合成空气数据系统12可通过人工智能网络处理非气动输入以生成一个或多个空气数据输出值。如图1中所示,飞机10还可包括气动空气数据探针14A和气动空气数据探针14B(本文共同地称为“气动空气数据探针14”)、空气数据计算机(ADC)16A和空气数据计算机16B(本文共同地称为“空气数据计算机16”)、产生系统18、耗能系统20和数据集中器单元(DCU)22。
气动空气数据探针14定位在飞机10的外部,以感测探针上流动的空气的一个或多个压力。气动空气数据探针14包括气动空气数据探针14周围的气流所转移到的一个或多个空气数据感测端口(未示出)。空气数据感测端口气动地连接到压力传感器(例如,压力变换器或其他压力传感器),所述压力传感器测量所收集的气流以生成可用在确定例如飞机10周围的气流的静压力、总压力(即,驻点压力)或其他压力中的测量的压力。压力传感器的输出电连接到空气数据计算机16,所述空气数据计算机16基于所接收的气动压力生成空气数据输出值。
如图1所示,空气数据计算机16A邻近气动空气数据探针14A,并且空气数据计算机16B邻近气动空气数据探针14B。在其他实例中,空气数据计算机16不需要邻近空气数据探针14。例如,空气数据计算机16可在远离气动空气数据探针14的位置处定位在飞机10的内部内,诸如飞机10的电子舱内。此外,尽管示出为包括两个气动空气数据探针14和两个对应的空气数据计算机16,本公开的各方面不限于此。例如,在其他实例中,飞机10可包括多于或少于气动空气数据探针14和空气数据计算机16中的每一种的两个,并且空气数据计算机16的数量不需要与气动空气数据探针14的数量相匹配。一般来说,飞机10包括一个或多个空气数据计算机16,所述一个或多个空气数据计算机16电子地和/或通信地与一个或多个空气数据探针14耦接,以接收飞机10的外部周围的气流的由一个或多个气动空气数据探针14所感测的测量的气动压力(例如,静压力和总压力)的指示。
空气数据计算机16容纳电子部件,诸如一个或多个处理器、计算机可读存储器或被配置来生成对应于飞机10的一种或多种操作状态的空气数据输出的其他电子部件。这类空气数据输出的非限制性实例包括校正空速、真实空速、马赫数、高度(例如,压力高度)、迎角(即,吹来的气流或相对风与飞机10的机翼的参考线之间的角度)、垂直速度(例如,高度速率)以及侧滑角(即,行进方向与延伸通过飞机10的机头的方向之间的角度)。因此,由空气数据计算机16基于由气动空气数据探针14接收的气动压力而生成的空气数据输出可认为是基于气动的空气数据输出。
如图1进一步所示,飞机10包括产生系统18。产生系统18包括飞机10的操作系统,所述操作系统产生可由合成空气数据系统12使用的非气动输出作为输入来生成空气数据输出值,如在下文进一步所述。例如,产生系统18可包括飞机发动机和/或推力控制系统、飞机燃料系统、飞行管理控制系统、飞机导航系统(诸如惯性参考系统(IRS)、姿态航向参考系统(AHARS)、全球定位系统(GPS)和/或卫星信息系统)、起落架系统或飞机10的其他操作系统。如图所示,产生系统18与数据集中器单元(DCU)22通信地耦接。
数据集中器单元22是包括一个或多个处理器、计算机可读存储器和数据收发器的电子装置,所述数据集中器单元22被配置来从各种飞机系统接收数字信号和/或模拟信号并且格式化所接收的信号以便根据所定义的通信协议(诸如由航空无线电公司(ARINC)429标准定义的协议)进行传输。例如,如图1所示,数据集中器单元22可从产生系统18接收输入并且可通过通信数据总线24传输所述输入以便由一个或多个飞机系统(诸如合成空气数据系统12、空气数据计算机16、耗能系统20或飞机10的其他系统)接收。通信数据总线24可以是通信地耦接飞机10的部件并且使得能够通过定义的通信协议(例如,ARINC 429)在互连的部件之间进行通信的任何数据总线。
耗能系统20可以是飞机10的被配置来从空气数据计算机16和/或合成空气数据系统12接收空气数据输出值以便在飞机10的操作过程中使用的任何操作系统。例如,耗能系统20可包括飞行管理系统、自动飞行控制系统、飞机显示系统(例如,主要的飞行显示器、多功能显示器、控制显示单元或其他显示系统)或者飞机10的在飞机10的操作过程中可利用所接收的空气数据输出值的其他操作系统中的任何一个或多个系统。在一些实例中,某些飞机系统可包括在产生系统18和耗能系统20中。例如,可包括飞行管理计算机作为一个产生系统18,所述飞行管理计算机输出由合成空气数据系统12利用的计算的飞机质量平衡、剩余燃料、燃料使用速率、飞机高度或其他非气动输出,以便生成一个或多个空气数据输出值。此外,可包括飞行管理计算机作为一个耗能系统20,所述飞行管理计算机从合成空气数据系统12接收生成的空气数据输出值,以便在由例如一个或多个空气数据计算机16所确定的基于气动的空气数据输出值被确定为不可靠时使用。因此,产生系统18和耗能系统20可各自包括任何一个或多个飞机系统,并且相应的系统不必对于产生系统18和耗能系统20中的任一个是唯一的。
如图1中所示,合成空气数据系统12通过通信数据总线24通信地连接到空气数据计算机16、耗能系统20和数据集中器单元22。然而,尽管在图1的实例中,合成空气数据系统12通过数据集中器单元22通信地连接到产生系统18,但是在其他实例中,合成空气数据系统12可直接连接到(例如通信地和/或电连接到)任何一个或多个产生系统18。
合成空气数据系统12可包括一个或多个处理器和计算机可读存储器,所述计算机可读存储器被编码有指令,所述指令在由所述一个或多个处理器执行时引起合成空气数据系统12根据本文所述的技术来操作。在一些实例中,合成空气数据系统12可包括一个或多个独立的电子装置,以使得合成空气数据系统与空气数据计算机16和每个耗能系统20分开。在其他实例中,合成空气数据系统12可包括在任何一个或多个空气数据计算机16和/或耗能系统20中,以使得本文归因于合成空气数据系统12的功能由这类其他系统中的一个或多个电子装置执行和/或分布在所述一个或多个电子装置中。例如,在一些实例中,任何一个或多个空气数据计算机16可实现本文归因于合成空气数据系统12的功能。一般来说,合成空气数据系统12包括一个或多个处理器和计算机可读存储器,所述计算机可读存储器被编码有指令,所述指令在由所述一个或多个处理器执行时引起合成空气数据系统12通过人工智能网络处理所接收的非气动输入以生成空气数据输出值。
合成空气数据系统12的一个或多个处理器的实例可包括微处理器、控制器(例如,微控制器)、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他等同的离散或集成的逻辑电路中的任何一种或多种。合成空气数据系统12的计算机可读存储器可配置来在操作期间将信息存储在合成空气数据系统12内。在一些实例中,这类计算机可读存储器被描述为计算机可读存储介质。在一些实例中,计算机可读存储介质可包括非暂时性介质。术语“非暂时性”可指示存储介质未在载波或传播信号中体现。在某些实例中,非暂时性存储介质可存储可随时间变化而改变的数据(例如,存储在RAM或高速缓存中)。在一些实例中,计算机可读存储器是暂时存储器,这意味着所述计算机可读存储器的主要目的不是长期存储。在一些实例中,计算机可读存储器包括和/或被描述为易失性存储器,这意味着当移除给合成空气数据系统12的电力时,所述计算机可读存储器不保持存储的内容。易失性存储器的实例可包括随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和其他形式的易失性存储器。在一些实例中,计算机可读存储器用来存储用于由合成空气数据系统12的一个或多个处理器执行的程序指令。在一个实例中,计算机可读存储器由在合成空气数据系统12上执行的软件或应用程序所使用,以在程序执行期间暂时存储信息。
在一些实例中,合成空气数据系统12的计算机可读存储器还包括一个或多个计算机可读存储介质。计算机可读存储介质与易失性存储器相比可配置来存储更大量的信息。计算机可读存储介质可配置用于信息的长期存储。在一些实例中,计算机可读存储介质包括非易失性存储元件。这类非易失性存储元件的实例可包括磁性硬盘、光盘、软磁盘、闪存存储器或电可编程存储器(EPROM)或电可擦除和可编程(EEPROM)存储器的形式。
在操作中,合成空气数据系统12通过通信数据总线24接收对应于飞机操作参数的非气动输入。例如,在图1的实例中,合成空气数据系统12可通过数据集中器单元22和通信数据总线24从产生系统18接收多个非气动输入。这类非气动输入的实例可包括但不限于对应于以下各项的输入:飞机控制表面位置(例如,副翼、升降舵、方向舵、副翼扰流板(spoileron)、襟翼、缝翼或其他控制表面)和/或控制表面加载、飞机质量和/或质量平衡(例如,当前和/或在预定时间处,诸如在起飞时)、剩余燃料重量、发动机推力参数(例如,发动机N1、N2、EGT、节流设置或其他推力参数)、飞机导航信息(例如,飞机位置、航向、高度、地面速度、空速或其他导航信息)、空气温度信息(例如,静态空气温度、总空气温度、外部空气温度或其他温度信息)、(例如,从IRS接收的)飞机加速度和/或角速率信息、起落架位置信息(例如,展开、收起、在途中或其他起落架位置信息),或其他非气动输入。一般来说,非气动输入可包括指示飞机操作状态的、从非气动源(例如,除气动空气数据探针14之外的源)接收的任何输入。
合成空气数据系统12通过人工智能网络处理多个非气动输入,以生成一个或多个空气数据输出值(例如,校正空速、真实空速、马赫数、压力高度、迎角、侧滑角或其他空气数据输出值)。这类人工智能网络的实例包括人工神经网络、概率图模型(诸如贝叶斯网络、概率分类器和/或控制器(例如,高斯混合模型))或其他形式的人工智能网络。作为一个实例,人工智能网络可以是具有至少一个内部节点层(常常称为神经元的隐藏层)的人工神经网络,所述至少一个内部节点层将一个或多个权重、偏置和/或传递函数应用到多个非气动输入,以将所述多个非气动输入与一个或多个空气数据输出值关联。
在一些实例中,可基于先前获得的数据(例如,飞行测试数据)预先训练人工智能网络,以将多个非气动输入与一个或多个空气数据输出值关联。在某些实例中,合成空气数据系统12可利用单个人工智能网络来从多个非气动输入生成多个空气数据输出值。在其他实例中,合成空气数据系统12可利用多个单独的人工智能网络,所述多个单独的人工智能网络各自将特定组的非气动输入与选择的空气数据输出值关联。例如,合成空气数据系统12可利用第一人工智能网络,所述第一人工智能网络将第一组非气动输入与第一空气数据输出值(例如,迎角)关联,并且可利用第二人工智能网络,所述第二人工智能网络将第二组非气动输入与第二空气数据输出值(例如,侧滑角)关联。第一组非气动输入和第二组非气动输入可以是同一组输入或不同组输入。
在某些实例中,诸如当人工智能网络是人工神经网络时,神经元的隐藏层的权重、偏置和传递函数(例如,通过离线预先训练)可预先定义并且可以是固定的,以使得合成空气数据系统12在合成空气数据系统12的操作期间不修改权重、偏置和传递函数。在其他实例中,合成空气数据系统12可并入主动训练(或“学习”)模式,在所述模式中合成空气数据系统12基于所生成的空气数据输出的反馈和参考值(诸如基于气动的空气数据输出值)来修改由神经元应用的权重、偏置和传递函数。也就是说,在某些实例中,合成空气数据系统12可作为输入接收由例如空气数据计算机16通过从气动空气数据探针14接收的测量压力而生成的一个或多个基于气动的空气数据输出。在这类实例中,合成空气数据系统12可基于从产生系统18接收的非气动输入和由例如空气数据计算机16生成的基于气动的空气数据输出来有效地训练人工智能网络。
在某些实例中,合成空气数据系统12可识别所接收的基于气动的空气数据输出值是否被确定为是可靠的。例如,合成空气数据系统12可从例如空气数据计算机16或一个或多个耗能系统20(诸如,飞行管理计算机、自动飞行控制系统或其他耗能系统20)接收基于气动的空气数据输出值的可靠性的状态指示或其他指示。在其他实例中,合成空气数据系统12可诸如通过将从多个源(例如,多个空气数据计算机16)接收的基于气动的空气数据输出值彼此进行比较或者与阈值进行比较来确定所接收的基于气动的空气数据输出值是否为可靠的。当基于气动的空气数据输出值被确定为可靠时,合成空气数据系统12可通过人工智能网络处理非气动输入和所接收的基于气动的空气数据输出,以生成空气数据输出值(以及任选地训练人工神经网络)。当所接收的基于气动的空气数据输出值被确定为不可靠时,合成空气数据系统12可通过人工智能网络单独处理非气动输入(即,没有处理所接收的基于气动的空气数据输出值),以生成空气数据输出值。
这类主动训练可使合成空气数据系统12能够保持和/或初始化人工神经网络的动态内部状态。此外,主动训练和/或由合成空气数据系统12生成的空气数据输出与所接收的基于气动的空气数据输出的比较可使合成空气数据系统12能够确定由合成空气数据系统12生成的空气数据输出的估计误差。在某些实例中,合成空气数据系统12可基于所述比较生成由合成空气数据系统12生成的空气数据输出的可靠性的指示。
合成空气数据系统12可向一个或多个耗能系统20(例如,通过通信数据总线24)输出所生成的(即,由合成空气数据系统12生成的)空气数据输出值,以便当基于气动的空气数据输出值被确定为不可靠时而使用。在一些实例中,合成空气数据系统12可诸如通过将所接收的基于气动的空气数据输出彼此进行比较和/或与阈值偏差参数进行比较来确定基于气动的空气数据输出值是否为不可靠的。在其他实例中,一个或多个耗能系统20(例如,飞行管理系统)可确定基于气动的空气数据输出值的可靠性,并且可指定由合成空气数据系统12生成的空气数据输出值,以便当基于气动的空气数据输出值被确定为不可靠时而使用。
在某些实例中,可利用由合成空气数据系统12生成的空气数据输出值来确定基于气动的空气数据输出值是否为可靠的。例如,合成空气数据系统12和/或一个或多个耗能系统20可将基于气动的空气数据输出与由合成空气数据系统12生成的空气数据输出进行比较。当例如从空气数据计算机16中的第一个所接收的对应的基于气动的空气数据输出是在来自由合成空气数据系统12生成的空气数据输出的阈值偏差内,并且从空气数据计算机16中的第二个接收的基于气动的空气数据输出超过来自由合成空气数据系统12生成的空气数据输出的阈值偏差时,基于气动的空气数据输出可确定为是不可靠的。在这个实例中,从空气数据计算机16中的第一个接收的基于气动的空气数据输出(其在来自由合成空气数据系统12生成的空气数据输出的阈值偏差内)可确定为是可靠的。从空气数据计算机16中的第二个接收的基于气动的空气数据输出(其超过所述阈值偏差)可确定为是不可靠的。
耗能系统20可利用由合成空气数据系统12生成的一个或多个空气数据输出,以便当对应的基于气动的空气数据输出被确定为不可靠时进行操作。同样地,合成空气数据系统12可提供冗余的(例如,备用的)空气数据系统,所述冗余的空气数据系统当一个或多个基于气动的空气数据输出值被确定为不可靠时生成可用于操作飞机12的空气数据输出值。由合成空气数据系统12生成的空气数据输出值可基于非气动源输入,从而提供在设计上不同于基于气动的空气数据系统的空气数据系统并增强飞机10的操作可靠性。此外,由合成空气数据系统12接收和处理的非气动输入可选自在新的和现有的飞机平台上可用的输入,从而减少将合成空气数据系统12并入这类飞机设计中所需的时间和成本。
图2是示例性人工神经网络26的示意图,所述示例性人工神经网络26可用来处理非气动输入以生成一个或多个空气数据输出值。出于清楚和便于讨论的目的,下面在包括图1的合成空气数据系统12的飞机10的上下文内描述图2的示例性人工神经网络26。
如图2所示,人工神经网络26包括输入节点28A-28N(本文共同地称为“输入28”)、内部节点(或神经元)30A-30M(本文共同地称为“神经元30”并且常常称为隐藏层)和输出节点32。应理解,在图2的实例中,输入节点28N的字母“N”和内部节点30M的字母“M”表示任意数字,以使得输入28和神经元30中的每一个可分别包括任意数量的输入节点和内部节点。在某些实例中,人工神经网络26包括多个神经元30,所述神经元30的数量比输入28的数量少一个。也就是说,虽然输入节点28N的字母“N”表示任意数子,但是在一些实例中,内部节点“30M”的字母“M”表示比由字母“N”所表示的任意数字少一个的数字。
尽管输入28中的每一个对应于从产生系统18接收的多个非气动输入中的一个,但是在合成空气数据系统12处理从空气数据计算机16接收的基于气动的空气数据输出的实例中,输入28中的某些可对应于所接收的基于气动的空气数据输出。每个神经元30将权重、偏置和传递函数(例如,S型函数)应用到每个输入28,以生成由神经元30提供的中间输出。在图2示出的实例中,由神经元30提供的中间输出被提供为到输出节点32的输入。输出节点32将预定的权重、偏置和/或传递函数应用到中间输出以生成特定的空气数据输出值(例如,校正空速、真实空速、马赫数、压力高度、迎角、侧滑角或其他空气数据输出值)。
在图2的实例中,人工神经网络26处理输入28以在输出节点32处生成单个空气数据输出值。然而,在其他实例中,人工神经网络26可处理输入28以确定多个空气数据输出(即,在多个输出节点处)。在某些实例中,人工神经网络26可表示将第一组输入(例如,输入28)与(例如,输出节点32处的)第一空气数据输出值关联的第一人工神经网络。在这类实例中,(图1的)合成空气数据系统12可利用第二人工神经网络,所述第二人工神经网络通过在神经元30处利用不同的权重、偏置和传递函数来将第二组输入与第二、不同的空气数据输出值关联。第一组输入(例如,输入28)可与第二组输入相同或不同。
作为实例,合成空气数据系统12可利用人工神经网络26,所述人工神经网络26在神经元30处使用对应于输入28的第一组非气动输入和第一组权重、偏置和传递函数而在输出节点32处生成第一空气数据输出值(例如,迎角)。合成空气数据系统12可利用(例如,相同体系结构形式的神经网络26的)第二人工神经网络,所述第二人工神经网络在神经元的隐藏层处使用第二组非气动输入和第二组权重、偏置和传递函数而在输出节点处生成第二空气数据输出值(例如,侧滑角)。第二组非气动输入(其被利用来生成侧滑角空气数据输出值)可以是与第一组非气动输入相同的一组非气动输入或一组不同的非气动输入。
在一些实例中,合成空气数据系统12可存储多个人工神经网络,所述多个人工神经网络各自可用来生成相同类别的空气数据输出值(例如,侧滑角、迎角、校正空速或其他类别的空气数据输出值)。所述多个人工神经网络可利用不同组输入和不同的权重、偏置和传递函数来生成相同类别的空气数据输出值。在这类实例中,合成空气数据系统12可基于到多个人工神经网络的输入的可用性和/或确定的可靠性来选择所述多个人工神经网络中的哪一个用来生成所述类别的空气数据输出值。例如,合成空气数据系统12可接收和/或确定到所述多个人工神经网络中的每一个的每个输入的可靠性和/或精确度状态。合成空气数据系统12可选择例如多个人工神经网络中的第一个以便在生成所述类别的空气数据输出值中使用。在到多个人工神经网络中的所选择的第一个的一个或多个输入被确定为不可靠(或不精确)并且到所述人工神经网络中的第二个的每个输入被确定为可靠(和精确)的情况下,合成空气数据系统12可选择所述多个人工神经网络中的第二个以便在生成所述类别的空气数据输出值中使用。以此方式,合成空气数据系统12可通过使得能够基于多个、不同组的非气动输入中的任一个生成空气数据输出值而增加空气数据输出生成的鲁棒性。
虽然图2的示例性人工神经网络26被示出为包括神经元30的单一隐藏层的前馈神经网络,但是在一些实例中,人工神经网络26可采取递归神经网络的形式,在所述递归神经网络中,单元(例如,输入28、神经元30和/或输出节点32)之间的连接形成使人工神经网络26能够存储每个节点的内部状态从而模拟动态时间行为的有向循环。此外,在一些实例中,人工神经网络26可包括两层或更多层神经元30。
如本文所述,由合成空气数据系统12实现的人工神经网络26可用来基于从飞机的各种产生系统接收的非气动输入而生成一个或多个空气数据输出值。非气动输入的使用可提供在飞机的操作(例如用于受控飞行)期间可使用的并且通过在设计上不同于基于气动的空气数据系统的系统而生成的空气数据输出值。因此,通过人工神经网络26由合成空气数据系统12生成的空气数据输出值的使用可通过增加可引起基于气动的空气数据系统的反常行为的环境或其他条件不会不利地影响合成空气数据系统12的可能性来帮助增加飞机的操作可靠性。
图3是示出通过人工智能网络处理非气动输入以生成一个或多个空气数据输出值的示例性操作的流程图。出于清楚和便于讨论的目的,下文在图1的飞机10和图2的人工神经网络26的上下文内描述所述示例性操作。
可接收多个非气动输入(步骤34)。例如,合成空气数据系统12可接收由产生系统18通过数据集中器单元22并通过通信数据总线24所生成的多个非气动输入。可确定是否启用人工智能网络的主动训练(步骤36)。例如,合成空气数据系统12可确定是否启用人工智能网络26的主动训练模式。在启用主动训练(步骤36的“是”分支)的实例中,可基于例如生成的空气数据输出值的反馈值和/或接收的参考值(诸如对应的基于气动的空气数据输出值)来修改人工智能网络的参数(步骤38)。在不启用主动训练(步骤36的“否”分支)的实例中,可省略(或跳过)修改人工智能网络的参数的步骤。
可通过人工智能网络处理多个非气动输入,以生成空气数据输出值(步骤40)。例如,合成空气数据系统12可通过人工神经网络26处理多个非气动输入,以在输出节点32处生成空气数据输出值。
可确定基于气动的空气数据输出值是否为不可靠的(步骤42)。例如,任意一个或多个耗能系统20可确定由空气数据计算机16生成的基于气动的空气数据输出值是否为可靠的或者基于气动的空气数据输出值是否为不可靠的。在基于气动的空气数据输出值未被确定为不可靠(步骤42的“否”分支)的实例中,可利用基于气动的空气数据输出值以便进行操作,诸如用于飞机10的受控飞行(步骤44)。在基于气动的空气数据输出值被确定为不可靠(步骤42的“是”分支)的实例中,可利用由合成空气数据系统12生成的空气数据输出值以便进行操作,诸如用于飞机10的受控飞行(步骤46)。例如,在某些实例中,可利用由一个或多个不同的(例如,主要的)系统生成的空气数据输出值以便进行飞行,并且响应于由一个或多个主要系统生成的空气数据输出值不可靠的确定,由合成空气数据系统12生成的空气数据输出值可用作备用空气数据输出值。
虽然上文描述的示例性操作包括确定是否启用人工智能网络的主动训练的步骤36,但是其他示例性操作可不包括步骤36。例如,当人工神经网络被适配成使得主动训练不可靠时,合成空气数据系统12可能不主动地确定是否启用主动训练。相反,响应于接收多个非气动输入,合成空气数据系统12可直接前进至步骤40。类似地,在人工神经网络被适配成使得一直启用主动训练的实例中,响应于接收多个非气动输入,合成空气数据系统12可直接前进至步骤38,而无需主动地确定是否启用主动训练。
根据本公开的技术,合成空气数据系统可通过人工智能网络处理对应于飞机操作参数的多个非气动输入,以生成一个或多个空气数据输出值。合成空气数据系统可输出一个或多个空气数据输出值以便当例如基于气动的空气数据输出值被确定为不可靠时使用。因此,如本文所述的合成空气数据系统可为在设计上不同于传统的基于气动的空气数据系统的耗能系统提供生成的空气数据输出值的源,从而帮助增强飞机操作的可靠性。
以下是本发明的可能实施方案的非排他性描述。
方法包括通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入。所述方法还包括通过人工智能网络处理多个非气动输入以生成空气数据输出值,以及将所述空气数据输出值输出至耗能系统以便在基于气动的空气数据输出值被确定为不可靠时使用。
另外和/或可替代地,上一段的方法可任选地包括以下特征、配置、操作和/或另外部件中的任何一个或多个。
所述多个非气动输入可包括飞机发动机推力参数、飞机发动机节流设置、飞行控制表面位置、飞行控制表面加载、飞机燃料使用速率、飞机重量、起落架位置、飞机质量平衡、飞机加速度和飞机角速率中的一个或多个。
生成的空气数据输出值可选自包括以下各项的组:飞机校正空速、飞机真实空速、飞机马赫数、飞机压力高度、飞机迎角、飞机垂直速度和飞机侧滑角。
人工智能网络可包括具有神经元的至少一个内层的人工神经网络,所述神经元的至少一个内层将一个或多个权重、偏置或传递函数应用到所述多个非气动输入中的每一个以生成空气数据输出值。
人工神经网络可以是前馈神经网络。
可预先训练人工神经网络来确定一个或多个权重、偏置或传递函数。
通过人工智能网络处理多个非气动输入以生成空气数据输出值可包括在不改变一个或多个权重、偏置或传递函数的情况下,通过人工神经网络处理多个非气动输入。
预先训练的人工神经网络可基于对应于飞机操作参数的多个非气动输入来修改一个或多个权重、偏置或传递函数。
所述方法还可包括从基于气动的空气数据系统接收基于气动的空气数据输出值,以及识别所接收的基于气动的空气数据输出值是否被确定为是可靠的或者所接收的基于气动的空气数据输出值是否被确定为是不可靠的。通过人工智能网络处理多个非气动输入以生成空气数据输出值还可包括当所接收的基于气动的空气数据输出值被确定为可靠时,通过人工智能网络处理非气动输入和所接收的基于气动的空气数据输出值以生成空气数据输出值,以及当所接收的基于气动的空气数据输出值被确定为不可靠时,通过人工智能网络处理非气动输入而不处理所接收的基于气动的空气数据输出值以生成空气数据输出值。
所述方法还可包括向耗能系统输出空气数据输出值,所述耗能系统至少部分地基于所生成的空气数据值来确定基于气动的空气数据输出值是否不可靠。
所述方法还可包括确定基于气动的空气数据输出值是否为不可靠的。
合成空气数据系统包括至少一个处理器和计算机可读存储器。所述计算机可读存储器被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入。所述计算机可读存储器被进一步编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过人工智能网络处理多个非气动输入以生成空气数据输出值,并且将所述空气数据输出值输出至耗能系统以便在基于气动的空气数据输出值被确定为不可靠时使用。
另外和/或可替代地,上一段的合成空气数据系统可任选地包括以下特征、配置、操作和/或另外部件中的任何一个或多个。
所述多个非气动输入可包括飞机发动机推力参数、飞机发动机节流设置、飞行控制表面位置、飞行控制表面加载、飞机燃料使用速率、飞机重量、起落架位置、飞机质量平衡、飞机加速度和飞机角速率中的一个或多个。
所述计算机可读存储器可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过人工智能网络处理多个非气动输入以生成空气数据输出值,所述空气数据输出值选自包括以下各项的组:飞机校正空速、飞机真实空速、飞机马赫数、飞机压力高度、飞机迎角、飞机垂直速度和飞机侧滑角。
所述计算机可读存储器可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过预先训练的人工神经网络处理多个非气动输入,所述预先训练的人工神经网络具有神经元的至少一个内层,所述神经元的至少一个内层将一个或多个权重、偏置或传递函数应用到多个非气动输入中的每一个以生成空气数据输出值。
所述计算机可读存储器可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统在不改变一个或多个权重、偏置或传递函数的情况下通过预先训练的人工智能网络处理多个非气动输入,以生成空气数据输出值。
所述计算机可读存储器可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统通过基于对应于飞机操作参数的多个非气动输入来修改一个或多个权重、偏置或传递函数而通过预先训练的人工神经网络处理多个非气动输入,以生成空气数据输出值。
所述计算机可读存储器还可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统从基于气动的空气数据系统接收基于气动的空气数据输出值,并且识别所接收的基于气动的空气数据输出值是否被确定为是可靠的或者所接收的基于气动的空气数据输出值是否被确定为是不可靠的。所述计算机可读存储器可被编码有指令,所述指令在由所述至少一个处理器执行时引起合成空气数据系统通过人工智能网络处理多个非气动输入,以至少通过以下方式生成空气数据输出值:引起合成空气数据系统在所接收的基于气动的空气数据输出值被确定为可靠时,通过人工智能网络处理非气动输入和所接收的基于气动的空气数据输出值来生成空气数据输出值,并且当所接收的基于气动的空气数据输出值被确定为不可靠时,通过人工智能网络处理非气动输入而不处理所接收的基于气动的空气数据输出值来生成空气数据输出值。
所述计算机可读存储器还可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统向至少部分地基于所生成的空气数据值来确定基于气动的空气数据输出值是否为不可靠的耗能系统输出空气数据输出值。
所述计算机可读存储器还可被编码有指令,所述指令在由至少一个处理器执行时引起合成空气数据系统确定基于气动的空气数据输出值是否为不可靠的。
虽然已经参考示例性实施方案描述本发明,但是本领域的技术人员将理解,在不背离本发明的范围的情况下,可做出各种改变并可使用等效物来取代其元件。此外,在不背离本发明的基本范围的情况下,可以做出许多修改来使具体情况或材料适应本发明的教义。因此,意图本发明并不限于所公开的具体实施方案,而是本发明将包括落在所附权利要求书的范围内的所有实施方案。
Claims (20)
1.一种方法,其包括:
通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入;
通过人工智能网络处理所述多个非气动输入,以生成空气数据输出值;以及
向耗能系统输出所述空气数据输出值,以便在基于气动的空气数据输出值被确定为不可靠时使用。
2.如权利要求1所述的方法,
其中所述多个非气动输入包括飞机发动机推力参数、飞机发动机节流设置、飞行控制表面位置、飞行控制表面加载、飞机燃料使用速率、飞机重量、起落架位置、飞机质量平衡、飞机加速度和飞机角速率中的一个或多个。
3.如权利要求1所述的方法,
其中所述生成的空气数据输出值选自包括以下各项的组:飞机校正空速、飞机真实空速、飞机马赫数、飞机压力高度、飞机迎角、飞机垂直速度和飞机侧滑角。
4.如权利要求1所述的方法,
其中所述人工智能网络包括具有神经元的至少一个内层的人工神经网络,所述神经元的至少一个内层将一个或多个权重、偏置或传递函数应用到所述多个非气动输入中的每一个以生成所述空气数据输出值。
5.如权利要求4所述的方法,
其中所述人工神经网络是前馈神经网络。
6.如权利要求4所述的方法,
其中预先训练所述人工神经网络来确定所述一个或多个权重、偏置或传递函数。
7.如权利要求6所述的方法,
其中通过所述人工智能网络处理所述多个非气动输入以生成所述空气数据输出值包括在不改变所述一个或多个权重、偏置或传递函数的情况下,通过所述人工神经网络处理所述多个非气动输入。
8.如权利要求6所述的方法,
其中所述预先训练的人工神经网络基于对应于所述飞机操作参数的所述多个非气动输入来修改所述一个或多个权重、偏置或传递函数。
9.如权利要求1所述的方法,其还包括:
从基于气动的空气数据系统接收所述基于气动的空气数据输出值;以及
识别所述接收的基于气动的空气数据输出值是否被确定为是可靠的或者所述接收的基于气动的空气数据输出值是否被确定为是不可靠的;
其中通过所述人工智能网络处理所述多个非气动输入以生成所述空气数据输出值还包括:
当所述接收的基于气动的空气数据输出值被确定为是可靠的时,通过所述人工智能网络处理所述非气动输入和所述接收的基于气动的空气数据输出值来生成所述空气数据输出值;并且
当所述接收的基于气动的空气数据输出值被确定为是不可靠的时,通过所述人工智能网络处理所述非气动输入而不处理所述接收的基于气动的空气数据输出值来生成所述空气数据输出值。
10.如权利要求1所述的方法,其还包括:
向耗能系统输出所述空气数据输出值,所述耗能系统至少部分地基于所述生成的空气数据值来确定所述基于气动的空气数据输出值是否为不可靠的。
11.如权利要求1所述的方法,其还包括:
确定所述基于气动的空气数据输出值是否为不可靠的。
12.一种合成空气数据系统,其包括:
至少一个处理器;以及
计算机可读存储器,所述计算机可读存储器被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统进行以下操作:
通过飞机数据通信总线接收对应于飞机操作参数的多个非气动输入;
通过人工智能网络处理所述多个非气动输入以生成空气数据输出值;并且
向耗能系统输出所述空气数据输出值,以便在基于气动的空气数据输出值被确定为是不可靠时使用。
13.如权利要求12所述的合成空气数据系统,
其中所述多个非气动输入包括飞机发动机推力参数、飞机发动机节流设置、飞行控制表面位置、飞行控制表面加载、飞机燃料使用速率、飞机重量、起落架位置、飞机质量平衡、飞机加速度和飞机角速率中的一个或多个。
14.如权利要求12所述的合成空气数据系统,
其中所述计算机可读存储器被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统通过所述人工智能网络处理所述多个非气动输入以生成所述空气数据输出值,所述空气数据输出值选自包括以下各项的组:飞机校正空速、飞机真实空速、飞机马赫数、飞机压力高度、飞机迎角、飞机垂直速度和飞机侧滑角。
15.如权利要求12所述的合成空气数据系统,
其中所述计算机可读存储器被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统通过预先训练的人工神经网络处理所述多个非气动输入,所述预先训练的人工神经网络具有神经元的至少一个内层,所述神经元的至少一个内层将一个或多个权重、偏置或传递函数应用到所述多个非气动输入中的每一个以生成所述空气数据输出值。
16.如权利要求15所述的合成空气数据系统,
其中所述计算机可读存储器被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统在不改变所述一个或多个权重、偏置或传递函数的情况下通过所述预先训练的人工智能网络处理所述多个非气动输入,以生成所述空气数据输出值。
17.如权利要求15所述的合成空气数据系统,
其中所述计算机可读存储器被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统通过基于对应于所述飞机操作参数的所述多个非气动输入来修改所述一个或多个权重、偏置或传递函数而通过所述预先训练的人工神经网络处理所述多个非气动输入,以生成所述空气数据输出值。
18.如权利要求12所述的合成空气数据系统,
其中所述计算机可读存储器还被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统进行以下操作:
从基于气动的空气数据系统接收所述基于气动的空气数据输出值;并且
识别所述接收的基于气动的空气数据输出值是否被确定为是可靠的或者所述接收的基于气动的空气数据输出值是否被确定为是不可靠的;并且
其中所述计算机可读存储器被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统通过所述人工智能网络处理所述多个非气动输入,以至少通过引起所述合成空气数据系统进行以下操作来生成所述空气数据输出值:
当所述接收的基于气动的空气数据输出值被确定为是可靠的时,通过所述人工智能网络处理所述非气动输入和所述接收的基于气动的空气数据输出值来生成所述空气数据输出值;并且
当所述接收的基于气动的空气数据输出值被确定为是不可靠的时,通过所述人工智能网络处理所述非气动输入而不处理所述接收的基于气动的空气数据输出值来生成所述空气数据输出值。
19.如权利要求12所述的合成空气数据系统,
其中所述计算机可读存储器还被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统向至少部分地基于所述生成的空气数据值来确定所述基于气动的空气数据输出值是否为不可靠的耗能系统输出所述空气数据输出值。
20.如权利要求12所述的合成空气数据系统,
其中所述计算机可读存储器还被编码有指令,所述指令在由所述至少一个处理器执行时引起所述合成空气数据系统确定所述基于气动的空气数据输出值是否为不可靠的。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/962137 | 2015-12-08 | ||
US14/962,137 US9932127B2 (en) | 2015-12-08 | 2015-12-08 | Synthetic air data output generation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107021237A true CN107021237A (zh) | 2017-08-08 |
CN107021237B CN107021237B (zh) | 2021-09-17 |
Family
ID=57754913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611120518.4A Active CN107021237B (zh) | 2015-12-08 | 2016-12-07 | 合成空气数据输出生成 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9932127B2 (zh) |
EP (1) | EP3179254B1 (zh) |
CN (1) | CN107021237B (zh) |
BR (1) | BR102016025416B1 (zh) |
CA (1) | CA2944107C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289035A (zh) * | 2018-12-06 | 2020-06-16 | 罗斯蒙特航天公司 | 声学空气数据传感器和系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10147244B2 (en) * | 2016-06-10 | 2018-12-04 | Simmonds Precision Products, Inc. | Fault source parameter identification |
DE102017111117A1 (de) * | 2017-05-22 | 2018-11-22 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Ermittlung der Luftgeschwindigkeit eines Flugzeugs |
US10852316B2 (en) | 2018-06-15 | 2020-12-01 | Rosemount Aerospace Inc. | Advanced air data system architecture with air data computer incorporating enhanced compensation functionality |
US10913545B2 (en) | 2018-06-15 | 2021-02-09 | Rosemount Aerospace Inc. | Architecture for providing enhanced altitude functionality to aircraft air data system |
US11015955B2 (en) | 2018-06-15 | 2021-05-25 | Rosemount Aerospace Inc. | Dual channel air data system with inertially compensated backup channel |
US10928413B2 (en) | 2018-10-05 | 2021-02-23 | Rosemount Aerospace Inc. | Aircraft freestream data systems |
US11061048B2 (en) | 2019-03-07 | 2021-07-13 | Bnsf Railway Company | Systems and methods for communicating information associated with wind pressures |
US10935564B2 (en) * | 2019-03-07 | 2021-03-02 | Bnsf Railway Company | Systems and methods for determining wind velocity |
DE102019214984A1 (de) * | 2019-09-30 | 2021-04-01 | Robert Bosch Gmbh | Inertialsensor und computerimplementiertes Verfahren zur Selbstkalibrierung eines Inertialsensors |
US11686742B2 (en) | 2020-11-20 | 2023-06-27 | Rosemount Aerospace Inc. | Laser airspeed measurement sensor incorporating reversion capability |
US11851193B2 (en) | 2020-11-20 | 2023-12-26 | Rosemount Aerospace Inc. | Blended optical and vane synthetic air data architecture |
WO2024042309A1 (en) * | 2022-08-23 | 2024-02-29 | Bae Systems Plc | Air data estimation in aircraft |
GB2621842A (en) * | 2022-08-23 | 2024-02-28 | Bae Systems Plc | Training data for air data estimation in aircraft |
GB2621843A (en) * | 2022-08-23 | 2024-02-28 | Bae Systems Plc | Air data estimation in aircraft |
CN116382071B (zh) * | 2023-02-08 | 2023-12-22 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002267489A (ja) * | 2001-03-14 | 2002-09-18 | Advanced Technology Inst Of Commuter Helicopter Ltd | 高度表示装置および速度表示装置 |
EP1256811A2 (en) * | 2001-05-08 | 2002-11-13 | Rosemount Aerospace Inc. | Multi-function air data probes using neural network for sideslip compensation |
US20070130096A1 (en) * | 2005-12-01 | 2007-06-07 | Rosemount Aerospace, Inc. | Fault detection in artificial intelligence based air data systems |
CN101088112A (zh) * | 2004-12-22 | 2007-12-12 | 法国空中巴士公司 | 输入数值的方法和设备 |
US20150100184A1 (en) * | 2013-08-02 | 2015-04-09 | Honeywell International Inc. | System and method for computing mach number and true airspeed |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4300200A (en) | 1978-12-01 | 1981-11-10 | Westland Aircraft Limited | Helicopter airspeed indicating system |
US6466888B1 (en) * | 1999-08-26 | 2002-10-15 | The United States Of America As Represented By The Secretary Of The Navy | Neural network system for estimation of aircraft flight data |
US6561020B2 (en) | 2001-05-08 | 2003-05-13 | Rosemount Aerospace Inc. | Method to calculate sideslip angle and correct static pressure for sideslip effects using inertial information |
US7257470B2 (en) | 2004-10-29 | 2007-08-14 | Rosemount Aerospace Inc. | Fault isolation method and apparatus in artificial intelligence based air data systems |
US8761970B2 (en) * | 2008-10-21 | 2014-06-24 | The Boeing Company | Alternative method to determine the air mass state of an aircraft and to validate and augment the primary method |
US20110184592A1 (en) * | 2010-01-26 | 2011-07-28 | Honeywell International Inc. | Alternate airspeed computation when air data computer (adc) fails |
US20130204544A1 (en) | 2012-02-03 | 2013-08-08 | Gulfstream Aerospace Corporation | Methods and systems for determining airspeed of an aircraft |
US8857255B2 (en) | 2012-08-22 | 2014-10-14 | Rosemount Aerospace Inc. | Moisture resistant air data probes |
US8914164B1 (en) * | 2013-08-02 | 2014-12-16 | Honeywell International Inc. | System and method for computing mach number and true airspeed |
-
2015
- 2015-12-08 US US14/962,137 patent/US9932127B2/en active Active
-
2016
- 2016-10-03 CA CA2944107A patent/CA2944107C/en active Active
- 2016-10-31 BR BR102016025416-7A patent/BR102016025416B1/pt active IP Right Grant
- 2016-11-30 EP EP16201353.6A patent/EP3179254B1/en active Active
- 2016-12-07 CN CN201611120518.4A patent/CN107021237B/zh active Active
-
2018
- 2018-02-15 US US15/897,537 patent/US10723479B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002267489A (ja) * | 2001-03-14 | 2002-09-18 | Advanced Technology Inst Of Commuter Helicopter Ltd | 高度表示装置および速度表示装置 |
EP1256811A2 (en) * | 2001-05-08 | 2002-11-13 | Rosemount Aerospace Inc. | Multi-function air data probes using neural network for sideslip compensation |
CN101088112A (zh) * | 2004-12-22 | 2007-12-12 | 法国空中巴士公司 | 输入数值的方法和设备 |
US20070130096A1 (en) * | 2005-12-01 | 2007-06-07 | Rosemount Aerospace, Inc. | Fault detection in artificial intelligence based air data systems |
US20150100184A1 (en) * | 2013-08-02 | 2015-04-09 | Honeywell International Inc. | System and method for computing mach number and true airspeed |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289035A (zh) * | 2018-12-06 | 2020-06-16 | 罗斯蒙特航天公司 | 声学空气数据传感器和系统 |
CN111289035B (zh) * | 2018-12-06 | 2023-10-31 | 罗斯蒙特航天公司 | 声学空气数据传感器和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107021237B (zh) | 2021-09-17 |
BR102016025416A2 (pt) | 2017-06-13 |
EP3179254B1 (en) | 2018-09-05 |
CA2944107A1 (en) | 2017-06-08 |
CA2944107C (en) | 2023-08-29 |
US9932127B2 (en) | 2018-04-03 |
US10723479B2 (en) | 2020-07-28 |
US20170158347A1 (en) | 2017-06-08 |
BR102016025416B1 (pt) | 2022-05-17 |
EP3179254A1 (en) | 2017-06-14 |
US20180170572A1 (en) | 2018-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107021237A (zh) | 合成空气数据输出生成 | |
US11747360B2 (en) | Neural network system whose training is based on a combination of model and flight information for estimation of aircraft air data | |
CN104773304B (zh) | 空气动力学结构的负荷估计系统 | |
CA2961111C (en) | Fault source parameter indentification | |
CN108196532B (zh) | 一种基于非线性自适应观测器的无人机纵向飞行控制系统故障检测与分离方法 | |
Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
CN107960122A (zh) | 飞行器和使飞行器稳定的方法 | |
Holtsov et al. | Comparison of the UAV adaptive control with the robust control based on mu-synthesis | |
CN106774385A (zh) | 一种采用自适应变结构的飞艇定点悬停控制方法 | |
CN109857127A (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
WO2024042310A1 (en) | Training data for air data estimation in aircraft | |
Rasheed | Grey box identification approach for longitudinal and lateral dynamics of UAV | |
Saderla et al. | Parameter estimation of UAV from flight data using neural network | |
Ahsan et al. | Verification of equilibrium point stability for linearization of an aircraft model | |
CN112278334A (zh) | 用于控制火箭的着陆过程的方法 | |
KR101298619B1 (ko) | 헬리콥터 성능계획표 실시간 자동화 생성 시스템 및 pc기반 헬리콥터 성능계산 시뮬레이션 프로그램이 저장된 컴퓨터 판독 가능한 기록매체 | |
Donofrio | All weather, gps free and data-driven synthetic sensor for angle of attack and sideslip estimation | |
Lerro et al. | Development and evaluation of neural network-based virtual air data sensor for estimation of aerodynamic angles | |
Kufieta et al. | Application and comparison of neural networks and optimization algorithms as a virtual angle of attack sensor | |
EP4328547A1 (en) | Training data for air data estimation in aircraft | |
EP4328594A1 (en) | Air data estimation in aircraft | |
Goswami | Real-time aerodynamic load estimation and aircraft prognostic control using distributed flush air data system (FADS) sensor network | |
Adamski | Development and Deployment of a Dynamic Soaring Capable UAV using Reinforcement Learning | |
Fernandez | UAV Parameter Estimation Through Machine Learning | |
Chapman et al. | Investigation of Roll-Yaw Coupling for Fixed-Wing Unmanned Air Vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |