CN111433612B - 用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统 - Google Patents
用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统 Download PDFInfo
- Publication number
- CN111433612B CN111433612B CN201780095883.0A CN201780095883A CN111433612B CN 111433612 B CN111433612 B CN 111433612B CN 201780095883 A CN201780095883 A CN 201780095883A CN 111433612 B CN111433612 B CN 111433612B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- data
- pressure
- neural network
- airspeed
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 title claims description 21
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 14
- 239000012530 fluid Substances 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000003381 stabilizer Substances 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims 5
- 230000002596 correlated effect Effects 0.000 claims 1
- 239000003570 air Substances 0.000 description 38
- 238000011161 development Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000002828 fuel tank Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000000050 ionisation spectroscopy Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- 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
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
使用被训练以独立于任何来自其值基于气流压力测量的空中数据传感器的信号的神经网络来估计飞行器空中数据。
Description
相关申请的交叉引用
Y-G.J.Park1，C.G.Park1，1韩国首尔国立大学，WIND VELOCITY ESTIMATIONWITHOUT AN AIR SPEED SENSOR USING KALMAN FILTER UNDER THE COLORED MEASUREMENTNOISE(在有色测量噪声下使用卡尔曼滤波器在无空速传感器的情况下的风速估计)，ICAS2016_0545。
Mclntyre等人的美国专利文献的2010/0100260A1。
关于联邦政府赞助的研究或开发的声明。
无。
技术领域
本文的技术涉及机器学习和神经网络，并且更具体地涉及用于借助于神经网络来估计飞行器空中数据的方法和装置，该神经网络被训练为独立于任何来自其值基于气流压力测量的传统空中数据传感器的信号。
背景技术
空速，即飞行器相对于其周围的空气质量的速度，是所有飞行器操作中的关键信号。其被飞行员和机载系统两者使用，影响他们的操作决策或控制系统的动作。
特别地，在电传飞行器中，对该空速参数的可用性和完整性的需求已经增加。考虑到功能的高度集成性质，空速对于确保这些飞行器安全或至少在飞行中提供足够的处理质量至关重要。错误的空速值可能导致以前的系统架构通常不会出现的独特的故障情况，从而导致无法接受的稳定性和控制特性的可能。
例如，作为不可靠的空速事件的结果，飞行机组人员可能变得困惑并且无法诊断失速情况。在航空历史上至少发生过一次此类事故。在2009年6月1日，法国航空(AF 447航班)运营的空中客车A330-203从里约热内卢起飞前往巴黎。在测得的空速之间观察到暂时的不一致——可能是皮托管探头被冰晶阻塞的结果。这种不一致引起自动驾驶仪脱离接合，并使飞行机组人员不清楚飞行器空速。机组人员随后无法诊断出由低速和抬头姿势引起的空气动力学失速情况。因此，飞行机组人员呈现缺乏输入，而输入原本能够使得有恢复可能。
附图说明
将结合附图阅读示例性非限制性说明性实施例的以下详细，附图如下：
图1示出了神经网络的示例非限制性开发过程，将其划分为由训练和嵌入网络组成的飞行前开发阶段以及其中实时执行估计的飞行中操作的第二部分。
图2提供了有关飞行计算机机载的神经网络的示例非限制性操作的更多细节。如果与图1相关联，图2将表示项(18)、(15)、(16)、(19)和(10)的更详细的视图。预处理步骤(28)和滤波器(24)是此类详细信息的示例。
图3进一步深入到有关神经网络的示例非限制性输入的细节，其被划分为强制性(31)和替代性(32)。它们同时表示图1中的(17)和(18)，以及图2中的(21)和(22)。图3给出的其他细节与滤波器(35)的示例以及空中数据输出(36)的可能性有关。
具体实施方式
在法航事故之后，不同国家的认证机构扩大了他们对飞行器中错误的空中数据的影响的关注。有些国家现在要求来自两个相同类型传感器的错误数据的后果不导致灾难性故障。对于多于两个的相同类型的传感器，应在可行的情况下将错误数据的后果降至最低。提到要考虑使用独立的信息源、分析冗余或基于模型的故障检测和隔离技术。为了避免这些类型的情况，可以使用冗余的传感器以及加热设备，以减少某些环境影响。
在这一点上，将机构提到的相同类型的传感器的思想与诸如皮托管的常规传感器所使用以测量空中数据的方法联系起来是有帮助的。皮托管不能直接测量空速。相反，皮托管传感器测量总压力和静压力。感测这两个测量值之间的差异，并将其用于计算空中数据，包括飞行器空速和动态压力。
不幸的是，在多种情况下，皮托管传感器的压力线可能被意料以外的物体阻塞。这些阻塞物可能包括但不限于：冰、雨、冰雹、昆虫、火山灰或沙子。皮托管可能还面临其他威胁，这些威胁可能引起错误的空中数据计算。由于它们是外部且隆起的传感器，所以鸟类撞击可能会影响它们。
大型喷气飞行器具有多个皮托管传感器，但是在提供多个感测参数用于比较和分析方面，阻塞的皮托管可能消除冗余传感器的优点。此外，如果所有这些传感器是同一类型，则它们可能都同时被阻塞(常见原因事件)。这将导致基于压力测量的对空速指示和其他参数的识别不准确。故障隔离逻辑可能无法检测到同时故障。这就是机构要求通过添加不同类型的传感器来避免的情况。
在许多其他情况下，不同的传感器(即，使用不同类型的传感器)也是必要的或有帮助的，以便减轻常见原因或常见模式故障。维护错误或开发错误也可以通过使用不同类型的传感器来减轻。
例如，迎角(angle of attack)叶片传感器可以用作不同的传感器。它是一种用于测量飞行器的迎角的空中数据传感器，其中叶片附接到可以自由旋转的轴上。一旦迎角已知，就可以从迎角值与例如重量和高度的一些其他参数的组合中计算出合成空速(此方法由专利US2010/0100260A1使用)。
另一示例是使用激光传感器，也称为LIDAR(光检测和测距)传感器。最近的一些研究建议采用这种传感器来测量空速。一些这样的传感器基于多普勒效应(对于观察者相对于其源移动的波的频率或波长或其他周期性事件的变化)进行操作。其他则将测量基于瑞利散射(其中光子与小于光波长的分子相互作用)。
然而，引入新技术的传感器通常需要特别注意——即，开发用于投票或以其他方式处理其信号的新算法。当然，新型传感器可能会以新的不可预测的方式失效。应该准备系统逻辑来处理这种故障模式。例如，迎角叶片可能由于某种原因而变得卡住。另外，记住，增加传感器的数量意指增加飞行器的重量并增加相关的系统复杂性。
为了避免所有这些问题，正在考虑一些基于模型的方法。例如，为了仅使用全球定位系统和惯性导航系统估计空速，可以使用6DOF运动方程来设计扩展的卡尔曼滤波器(Yong-gonjong Park和Chan Gook Park在2016年的第30届Congress of theInternational Council of the Aeronautical Sciences上提出了他们的论文名为“WindVelocity Estimation Without An Air Speed Sensor Using Kalman Filter Under TheColored Measurement Noise(在有色测量噪声下使用卡尔曼滤波器在无空速传感器的情况下进行风速估计)”)。然而，此方法取决于在卡尔曼滤波器中实现良好且可靠的飞行器模型。由于现代跨音速飞行器可能具有复杂且高度非线性的空气动力学和推力模型，因此该方法可能难以实现和调整，或者变得过于复杂而无法实际实施。
一种新方法
本文的技术提供了一种可信赖的且有利的方法来计算独立的空中数据源，其解决上述问题，即，其被设计为完全独立于传统的空中数据传感器，并且它使用已经存在于现代飞行器系统中的其他传感器。这样的系统将减轻故障的常见原因模式，而不增加飞行器系统的重量、成本和复杂性。
本文中的示例非限制性技术使用低成本的基于软件的神经网络和相关算法来估计空中数据。
“空中数据”的定义
为了本公开的目的，从术语“空中数据”中，可以理解以下选项列表中的任何元素：
迎角：在飞行器主体中的基准与垂直于机翼的平面中的空速矢量之间形成的角；
侧滑角：在飞行器主体中的基准与包含机翼的平面中的空速矢量之间形成的角；
空速：飞行器相对于其周围空气质量的速度；
马赫数：空速的大小与声速之间的比率。
动态压力：在飞行器周围运动的流体的每单位体积的动能。
本文公开的技术不限于总是估计上面提到的整个空中数据集合。取决于特定的实施方式或设计目标，可以将其实现为估计其中一些参数，或者可以仅估计其中一个。同样，如果需要，可以实现一个以上的神经网络来估计这些空中数据信号。
神经网络方法
神经网络是受构成动物大脑的生物神经网络启发的计算系统。这样的系统学习(即，被训练以逐步提高性能)以通过考虑示例来执行任务或估计参数。神经网络由增益和偏置(神经元)的集合组成，它们通过一些非线性激活函数传递。这些神经元被组织成将输入连接到期望的输出的层。
训练神经网络
图1图示了神经网络的示例非限制性开发过程，将其划分为由训练和嵌入网络组成飞行前开发阶段，以及实时执行估计的飞行中操作的第二部分。
本文的示例非限制性实施例的神经网络通过由飞行器模型仿真(11)和真实飞行结果(12)获得的数据在桌面型计算机或其他计算机上进行训练(13)。训练包括收集一系列输入-输出共轭样本(模型或飞行测试数据)，并使用优化算法调整神经网络偏差和增益，以提供最佳可能估计。
如图1所示，在示例非限制性实施例中，可以从两个不同的数据源获得用于训练神经网络的示例：飞行器代表模型(11)或真实飞行测试数据(12)。
1.飞行器的模型(11)。在飞行器的开发过程中，许多分析都使用了飞行器模型。它可以包括从风洞获得的最佳知识、计算流体动力学、以前的经验、数学模型或飞行测试数据。通常，使用模型获得数据可能比使用真实飞行器飞行数据更便宜且更快捷。
2.真实飞行测试数据(12)。在飞行器开发阶段(12)期间沿着飞行记录的信号也可以用作训练神经网络的示例。
无论整个训练数据集合是如何构成的，即它们来自哪个源或来自每个源有多少数据，重要的是它们必须覆盖飞行器的飞行包线。
训练图1所示的网络(13)的过程由使用优化算法来调整神经网络偏置和增益以提供输入变量与期望的输出之间的最佳非线性输入输出关系组成。预期该过程的训练步骤(13)包括以下迭代序列：训练神经网络，验证所获得的关系，分析估计的准确性，以及如果需要重新布置网络的拓扑结构，重新开始此循环，或一旦训练足够完成，冻结获得的关系作为最终结果。
在通过图1所示的方法训练了神经网络之后，神经网络的增益、偏差和拓扑被冻结，并且作为结果准备嵌入飞行器(14)中。冻结的关系被存储在任何机载计算机(27)中的非暂时性存储装置中，该机载计算机(27)能够实时在空中执行相同种类的估计。注意，神经网络(23)(34)不应在该阶段(14)保持训练。
存在不可数数量的可能性用作存储设备。一些选项包括：
1.专用计算机。
2.将神经网络包括作为飞行控制软件的部分，并将其嵌入飞行控制计算机中。
3.嵌入到飞行管理计算机中
4.航空电子软件并嵌入到任何航空电子计算机中。
训练的神经网络的机载操作
一旦达到期望的性能，该神经网络被冻结并在飞行器上的任何机载计算机(27)中实现，以提供如图1和2所示的实时空中数据估计。
图1示出了嵌入式神经网络接收输入(18)和由飞行器传感器(17)测量的数据(块15)，处理数据(块16)并计算输出(块19)。可以使用附加系统来处理所计算的输出(块10)。
当如图1的下部所示嵌入飞行器(14)中时，神经网络接收来自飞行器传感器(15)的输入。这些输入表示先前在训练神经网络算法(11)(12)中使用的相同信号列表，但现在它们由飞行器传感器(17)实时读取或由飞行员(18)作为输入参数告知。通过在预训练的神经网络(16)上输入这些信号，机载计算机实时计算期望的输出。
图2示出了整个机载神经网络系统，并提供了有关飞行计算机机载神经网络的示例非限制性操作的更多细节。如果与图1相关联，图2将表示图1的项(18)、(15)(16)、(19)和(10)的更详细的视图。预处理步骤(28)和滤波器(24)是此类详细信息的示例。
如图2所示，先前训练的神经网络(23)消耗了来自飞行器传感器(21)的实时数据(有时在对其进行预处理(28)之后)，并计算估计的空中数据输出。可以使用一些低通滤波器、卡尔曼滤波器或互补滤波器来对神经网络估计的空中数据对输出进行滤波(24)。取决于特定的实施方式，神经网络的输出(19)可以被滤波(24)(35)以减少信号的噪声行为。可以调整滤波器的带宽(24)(35)以适合特定的实施方式以及所使用的滤波器的类型。测试可能指示在每种情况下建议特定类型的滤波器。示例非限制性实施例覆盖的选项包括例如低通滤波器、卡尔曼滤波器和互补滤波器(24)(35)。例如，通过将神经网络空速估计与在卡尔曼或互补滤波器中测量的飞行器纵向加速度进行合并，估计空速的神经网络可以合理地消除其信号的噪声行为。在一些实施方式中，这种滤波的功能可以是将估计的空中数据与其他输入数据“融合”以提供更准确、可靠和/或鲁棒的输出。
滤波的估计的空中数据可以由诸如飞行控制计算机(25)的一些机载计算机使用，或者可以用于向飞行员(26)显示合成空中数据(诸如空速)。可以消耗神经网络的输出(如前所述，未滤波或滤波的)的一些逻辑(10)是飞行控制系统逻辑(25)(例如，控制法则或通用设计错误监视)和飞行机组人员指示(26)(例如，通过航空电子显示屏的飞行员的估计空速的指示)。
到神经网络的传感器输入
本文公开的方法不需要特别安装在飞行器上的额外传感器的列表来提供估计。示例非限制性实施例在飞行期间使用现代飞行器系统的当前可用的传感器来供应必要的参数，以估计期望的合成空中数据参数(参见图3)。在示例性非限制性实施方式中，精心选择输入列表，以仅由与通常用于测量空中数据的传感器不同类型的传感器形成输入(即，仅由不取决于总压力和静态压力的测量的传感器来形成，其具有可能会被意料以外的物体阻塞的压力管线，诸如皮托管)。
图3进一步深入到有关神经网络的示例非限制性输入的细节，其被划分为强制性(31)和替代性(32)。它们同时表示图1中的(17)和(18)，以及图2中的(21)和(22)。图3给出的其他细节与滤波器(35)的示例以及空中数据输出(36)的可能性有关。
如图3所示，在一个示例非限制性实施方式中，神经网络基于以下“强制性”输入(31)的列表(尽管请参见以下说明，“强制性”在所有实施例和所有上下文中不一定意指“严格必要”)：
·重量(W)：估计的飞行器重量。在一些实施例中，一旦重量估计可能取决于空中数据的可用性，则从飞行管理系统(FMS)接收的值在一些实施方式中表示替代。另一选项是实现一些逻辑以在一些飞行器系统检测到空中数据故障之前冻结存储在存储器中的当前估计重量，然后使用一些估计的燃油流量以随时间对当前重量进行数字积分。
·地面速度(GS)：通常由飞行器的惯性参考单位(IRU)(例如，加速度计和/或陀螺仪传感器)或全球定位系统(GPS)测量，但在一些特定实施方式中也可能由其他系统供应。对应于飞行器相对于地面的速度，被视为惯性参考；
·几何高度(H)：通常由飞行器的全球定位系统(GPS)测量，但在一些特定实施方式中也可能由其他系统供应。对应于海拔高度；
·轨迹角(Gamma)：通常由飞行器的惯性参考单位(IRU)(参见上文)测量，但在一些特定实施方式中也可能由其他系统供应。由于飞行器的惯性速度是与其轨迹相切的向量，因此Gamma是该向量与地球平面之间形成的角度；
·发动机的推力大小(Thrust)，可以使用多个参数来指示发动机在某个时间瞬间或在某个时间瞬间期间为飞行器提供多大推力。例如，可以使用以下各项：风扇速度(N1)、或推力杆角度(TLA)、或发动机压力比(EPR)、或其他。通常，它们是由飞行器的完全授权数字引擎控制(FADEC)测量的，但在一些特定实施方式中也可能由其他系统供应。所选参数应与发动机传递的推力大小有某种物理关系。
·姿势角(Theta)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于在机身中心轴和地球平面之间测量的欧拉角之一；
·纵向加速度负载系数(Nx)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于通过飞行器实际重量归一化的作用在飞行器纵轴上的外力合力。代替Nx，可以使用与飞行器纵向加速度的大小具有某种物理关系的任何参数。
·垂直加速度负载系数(Nz)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于通过飞行器实际重量归一化的作用在飞行器垂直轴上的外力合力。代替Nz，可以使用与飞行器垂直加速度的大小有某种物理关系的任何参数。
·横向加速度负载系数(Ny)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于通过飞行器实际重量归一化的作用在飞行器横轴上的外力合力。代替Ny，可以使用与飞行器横向加速度的大小有某种物理关系的任何参数。
·与标准大气的增量温度(增量温度)：对应于外部空气温度与诸如ISA(国际标准大气ICAO模型)的标准大气模型预期的偏差的计算，但不限于此。该计算使用测量的总空气温度(TAT)、马赫数和压力高度。由于此算法取决于飞行器空中数据系统测量的参数，因此需要特别注意以减轻可能导致空中数据系统丢失的常见原因。然后，使用类似于重量信号的一些逻辑，可能需要对该信号进行预处理。可能保留在丢失空中数据之前计算出的最后一个可信赖值。另一选项是，如果总空气温度(TAT)传感器与空中数据传感器没有常见模式故障(诸如冰晶的存在或设计错误)，则可以用总空气温度(TAT)代替增量温度(TAT)作为估计逻辑的输入。
下面呈现了神经网络的第二输入列表。该列表(32)包含在一些特定实施方式中可以提高估计的准确性的信号和/或在先前提到的强制性信号不可用的情况下可以表示替代方案的信号。因此，如上文所使用的术语“强制性”并不意指示例实施例在没有特定信号的情况下不能起作用或被设计。
·水平稳定器位置(H-Stab)：通常由水平稳定器控制单元(HSCU)供应，但在一些特定实施方式中也可能由其他系统供应。对应于飞行器水平稳定器相对于飞行器中预定基准的偏转的测量。
·抬升器位置(Elev)：通常由属于主要飞行控制系统的传感器供应，但在一些特定实施方式中也可能由其他系统供应。对应于飞行器的抬升器相对于飞行器中的预定参考的偏转的测量。
·重心(CG)：估计的飞行器重心。在一些实施例中，一旦CG估计可能取决于空中数据可用性，则从飞行管理系统(FMS)接收的值在一些实施方式中表示替代性。另一选项是保留CG的最后一个可信赖的计算值，然后从这一点开始对燃油消耗量进行积分，以在一些飞行器系统检测到空中数据故障时估计CG行程。
·冰检测标志(Ice)：通常由空中管理系统(AMS)供应，但在一些特定实施方式中也可能由其他系统供应。对应于布尔标志，指示冰的存在；
·倾斜角(Phi)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于在机翼轴和地球平面之间测量的欧拉角之一；
·总空气温度(TAT)：通常由飞行器的空中数据系统测量，这意指必须采取特殊措施以减轻TAT的损失，但在一些特定实施方式中也可能由其他系统供应。对应于在气流停滞点(可能在皮托管内)测量的空气温度；
·俯仰率(Q)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于飞行器围绕机翼形成的轴的角变化率；
·横滚率(P)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于飞行器围绕由机身形成的轴线的角变化率；
·横摆率(R)：通常由飞行器的惯性参考单位(IRU)测量，但在一些特定实施方式中也可能由其他系统供应。对应于飞行器围绕垂直于机翼和机身轴线两者的轴的角变化率；
在本文描述的输入列表包括被选择用于训练神经网络(11)(12)的子集。这些子集可以根据期望的神经网络输出(36)并且还基于将用于估计的神经网络(23)(34)的多少而变化。
示例非限制性传感器信号预处理
存在用于估计的信号在被应用于神经网络(23)(34)之前被预处理(28)(33)的一些情况。例如，在一些应用中，估计的重量和估计的重心可以是空中数据的函数。然后，考虑到神经网络可能需要在空中数据完全丢失的情况下起作用的事实，并考虑到权重是其强制性输入(31)之一，因此选项是期望的。一种可能的解决方案是使用飞行管理系统(FMS)通知的重量或重心。如果这些值已经包含有关燃油消耗的信息，即，如果重量值随时间以表示燃油消耗的幅度减小，并且如果重心相应移动，则它们可能是良好的替代。然而，在无法通过这些信号适当地通知燃油消耗的情况下，则另一可能性是保留最后一个可信赖的计算值，然后从这一点开始对燃油消耗进行积分，或者替代地使用燃油箱中的燃油量。在这两种情况下，由于来自飞行管理系统(FMS)的值可能在估计结果(尤其是重量)上假设重要的漏洞，因此对这些信号进行某种形式的验证可能是必需的，因为它们通常取决于当飞行器在地面上时飞行员给出的手动输入。验证将防止由于人为错误而导致错误的神经网络估计。
与重量和重心估计有关的另一种预处理(28)(33)与一些联锁有关，如果飞行器已假设异常姿势，则这些联锁可以冻结估计。它们可以由定义飞行包线的阈值形成，在这些包线以外，估计值将返回较大的误差。例如，联锁可以与Ny、Nz、Phi、Theta、Alpha一起使用，甚至可以通过指示冰的存在的标记来使用。
尽管已经结合当前被认为是最实用和优选的实施例描述了本发明，但是应当理解，本发明不限于所公开的实施例，相反，其旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。
Claims (15)
1.一种生成估计的空速数据和/或包括在飞行器周围运动的流体的每单位体积的动能的动态压力的方法，包括：
在飞行器上，仅使用不取决于总压力或静态压力的任何测量的多个传感器来感测除基于气流压力测量的空中数据以外的感测的参数的集合，感测的参数的所述集合覆盖所述飞行器的飞行包线并且包括：
(a)估计的飞行器重量；
(b)地面速度GS；
(c)几何高度；
(d)轨迹角Gamma；
(e)发动机的推力大小；
(f)姿势角Theta；
(g)纵向加速度负载系数Nx；
(h)横向加速度负载系数Ny；
(i)垂直加速度负载系数Nz；以及
(j)与标准大气的增量温度或总空气温度；以及
在所述飞行器上，用连接到所述多个传感器的至少一个处理器，操作训练的神经网络以基于除基于气流压力测量的空中数据以外的感测的参数的所述集合来估计空速数据和/或包括在飞行器周围运动的流体的每单位体积的动能的动态压力，而不需要通过基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力的其他传感器或皮托管的测量。
2.根据权利要求1所述的方法，进一步包括：在所感测的参数的所述集合上训练所述神经网络。
3.根据权利要求1所述的方法，进一步包括：通过低通滤波器、卡尔曼滤波器或互补滤波器对由所述神经网络估计的所述空速数据进行滤波。
4.根据权利要求1所述的方法，进一步包括：在将所感测的参数的所述集合作为输入应用到所述神经网络之前，对所感测的所述参数进行预处理。
5.根据权利要求1所述的方法，其中，所感测的参数的所述集合包括以下中的一些或全部：水平稳定器位置H-Stab、抬升器位置Elev、重心CG、冰检测标志Ice、倾斜角Phi。
6.根据权利要求1所述的方法，进一步包括：使用卡尔曼滤波器或互补滤波器将神经网络空速估计与至少一个惯性测量合并。
7.根据权利要求1所述的方法，进一步包括：检测由取决于基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力的皮托管或其他传感器感测的空中压力数据的缺失，并响应于所检测的缺失，使用空速数据值，所述空速数据值与由取决于基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力的皮托管或其他传感器之前感测的空中压力数据相关并且在所检测的缺失之前捕获，并保持所捕获的空速值或用所感测的参数的所述集合对所捕获的空速数据值更新，并将所更新的值输入所述神经网络，使得当取决于基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力的皮托管或其他传感器中存在故障时，然后所述神经网络基于所感测的参数的所述集合估计的所述空速数据能够被用于操作所述飞行器。
8.一种用于生成估计的空速数据和/或包括在飞行器周围运动的流体的每单位体积的动能的动态压力的系统，包括：
飞行器上的传感器，所述传感器不取决于基于能够被意料以外的物体阻塞的压力管线的总压力和静态压力的测量，所述传感器产生感测的参数，所述感测的参数覆盖所述飞行器的飞行包线并且包括：(a)地面速度GS、(b)轨迹角Gamma、(c)姿势角Theta、(d)纵向加速度负载系数Nx、(e)横向加速度负载系数Ny、(f)垂直加速度负载系数Nz和(g)增量温度或总空气温度TAT；以及
连接到所述传感器的处理器，所述处理器操作训练的神经网络以响应于所述感测的数据来估计空速数据和/或包括在飞行器周围运动的流体的每单位体积的动能的动态压力，而不需要基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力的诸如皮托管的传感器的测量，
其中，所述处理器被配置为检测基于传感器的测量的缺失，所述传感器基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力，并且所述处理器被配置为使用所述感测的参数来更新在所检测的缺失之前捕获的空中数据相关值，使得当基于能够被意料以外的物体阻塞的压力管线来测量总压力或静态压力的其他传感器或皮托管中存在故障时，则使用基于所述感测的参数而不是故障的传感器估计的空速数据来操作所述飞行器。
9.根据权利要求8所述的系统，其中，所述处理器被配置为在将所估计的空速数据提供给飞行计算机和/或显示器之前，对所估计的空速数据执行低通滤波、卡尔曼滤波或互补滤波。
10.根据权利要求8所述的系统，其中，所估计的空速数据包括空速。
11.根据权利要求8所述的系统，其中，所估计的空速数据包括马赫数。
12.根据权利要求8所述的系统，其中，所估计的空速数据包括迎角。
13.根据权利要求8所述的系统，其中，所估计的空速数据包括侧滑角。
14.根据权利要求8所述的系统，其中，所估计的空速数据包括动态压力。
15.一种在飞行器上使用的训练神经网络的方法，包括：
向神经网络输入包括模型数据和/或飞行测试数据的训练数据，所述训练数据包括不取决于基于能够被意料以外的物体阻塞的压力管线的总压力和静态压力的测量的感测的参数，所述感测的参数包括：(a)地面速度GS、(b)轨迹角Gamma、(c)姿势角Theta、(d)纵向加速度负载系数Nx、(e)横向加速度负载系数Ny、(f)垂直加速度负载系数Nz和(g)与标准大气的增量温度或总空气温度TAT，其中所述感测的参数覆盖所述飞行器的飞行包线；以及
训练所述神经网络，以在基于能够被意料以外的物体阻塞的压力管线来测量总压力和或静态压力的传感器故障时，仅基于不取决于基于能够被意料以外的物体阻塞的压力管线的总压力或静态压力的测量的参数来估计空速数据和/或包括在飞行器周围运动的流体的每单位体积的动能的动态压力，
其中，训练所述神经网络，以独立于任何来自其值基于气流压力测量的空中数据传感器的信号，来估计飞行器空中数据。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/BR2017/000121 WO2019071327A1 (en) | 2017-10-11 | 2017-10-11 | NEURONAL NETWORK SYSTEM HAVING TRAINING BASED ON A COMBINATION OF MODEL AND FLIGHT INFORMATION FOR ESTIMATING AIRCRAFT AIR DATA |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111433612A CN111433612A (zh) | 2020-07-17 |
| CN111433612B true CN111433612B (zh) | 2023-10-13 |
Family
ID=60409090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780095883.0A Active CN111433612B (zh) | 2017-10-11 | 2017-10-11 | 用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11747360B2 (zh) |
| CN (1) | CN111433612B (zh) |
| WO (1) | WO2019071327A1 (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3066755B1 (fr) * | 2017-05-23 | 2019-06-07 | Airbus Operations | Procede et dispositif de surveillance et d'estimation de parametres relatifs au vol d'un aeronef. |
| US11029706B2 (en) | 2018-12-07 | 2021-06-08 | The Boeing Company | Flight control system for determining a fault based on error between a measured and an estimated angle of attack |
| US11066189B2 (en) * | 2018-12-07 | 2021-07-20 | The Boeing Company | Flight control system for determining estimated dynamic pressure based on lift and drag coefficients |
| US11385632B2 (en) * | 2018-12-21 | 2022-07-12 | The Boeing Company | Sensor fault detection and identification using residual failure pattern recognition |
| KR102555374B1 (ko) * | 2018-12-27 | 2023-07-14 | 삼성전자주식회사 | 전자 장치 및 그 제어 방법 |
| WO2021058100A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multisensory learning system for traffic prediction |
| GB2593541A (en) * | 2020-03-27 | 2021-09-29 | Airbus Operations Ltd | Control system |
| CN112269031B (zh) * | 2020-10-22 | 2022-05-10 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于神经网络的旋翼无人机实时风速估计方法 |
| CN113759751A (zh) * | 2020-10-30 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种基于仿真系统的强化学习方法、装置和系统 |
| GB2603777A (en) * | 2021-02-11 | 2022-08-17 | Airbus Operations Ltd | Aircraft control system |
| CA3143784A1 (en) | 2021-02-18 | 2022-08-18 | The Boeing Company | Apparatus, systems, and methods for managing common mode pneumatic events |
| US20220319257A1 (en) * | 2021-03-31 | 2022-10-06 | Beta Air, Llc | Aircraft motion observer configured for use in electric aircraft |
| FR3127047B1 (fr) * | 2021-09-15 | 2023-09-22 | Airbus Operations Sas | Système et procédé d’estimation automatique d’une vitesse d’un aéronef lors d’un vol de l’aéronef. |
| CN114371313B (zh) * | 2021-12-08 | 2023-12-01 | 中国航空工业集团公司北京长城计量测试技术研究所 | 一种基于神经网络的拖锥管道系统时间延迟补偿方法 |
| US20230249845A1 (en) * | 2022-02-07 | 2023-08-10 | Hamilton Sundstrand Corporation | Artificial intelligence and/or machine learning (ai/ml) monitor systems |
| CN114154353B (zh) * | 2022-02-07 | 2022-04-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种光纤结冰探测传感器数据重构方法、系统及存储介质 |
| CN114994365B (zh) * | 2022-04-18 | 2023-04-28 | 北京理工大学 | 一种基于空气炮测试的加速度计输出信号降噪方法 |
| CH719968A1 (de) * | 2022-08-17 | 2024-02-29 | Kopter Group Ag | Luftdatenanzeigeeinrichtung und Verfahren zur Kalibrierung dieser Einrichtung |
| GB2621842A (en) * | 2022-08-23 | 2024-02-28 | Bae Systems Plc | Training data for air data estimation in aircraft |
| WO2024042310A1 (en) * | 2022-08-23 | 2024-02-29 | 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 |
| EP4328594A1 (en) * | 2022-08-23 | 2024-02-28 | BAE SYSTEMS plc | Air data estimation in aircraft |
| WO2024042309A1 (en) * | 2022-08-23 | 2024-02-29 | Bae Systems Plc | Air data estimation in aircraft |
| EP4328547A1 (en) * | 2022-08-23 | 2024-02-28 | BAE SYSTEMS plc | Training data for air data estimation in aircraft |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5901272A (en) * | 1996-10-24 | 1999-05-04 | The United States Of America As Represented By The Secretary Of The Navy | Neural network based helicopter low airspeed indicator |
| US7257470B2 (en) * | 2004-10-29 | 2007-08-14 | Rosemount Aerospace Inc. | Fault isolation method and apparatus in artificial intelligence based air data systems |
| CN101171495A (zh) * | 2005-05-09 | 2008-04-30 | 法国空中巴士公司 | 在进场着陆的阶段对飞机飞行驾驶辅助的方法和装置 |
| CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
| CN101871948A (zh) * | 2010-06-09 | 2010-10-27 | 中国科学院深圳先进技术研究院 | 风电场风速预测系统及方法 |
| CN201926569U (zh) * | 2010-11-01 | 2011-08-10 | 黄祖旭 | 一种低浓度烟尘采样管 |
| JP2012126201A (ja) * | 2010-12-14 | 2012-07-05 | Kawasaki Heavy Ind Ltd | 飛行制御装置およびこれを備える飛行体 |
| CN103268416A (zh) * | 2013-05-20 | 2013-08-28 | 华北电力大学（保定） | 基于stcp-bp的风速预测方法 |
| CN103365296A (zh) * | 2013-06-29 | 2013-10-23 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
| CN105319388A (zh) * | 2014-06-30 | 2016-02-10 | 波音公司 | 基于mems的共形空速传感器 |
| CN106340207A (zh) * | 2015-07-06 | 2017-01-18 | 空中客车运营简化股份公司 | 用于飞行器的飞行管理组件、监视该组件的方法和飞行器 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5751609A (en) * | 1996-10-24 | 1998-05-12 | The United States Of America As Represented By The Secretary Of The Navy | Neural network based method for estimating helicopter low airspeed |
| US7296006B2 (en) * | 2002-11-25 | 2007-11-13 | Simmonds Precision Products, Inc. | Method of inferring rotorcraft gross weight |
| 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 |
-
2017
- 2017-10-11 WO PCT/BR2017/000121 patent/WO2019071327A1/en active Application Filing
- 2017-10-11 CN CN201780095883.0A patent/CN111433612B/zh active Active
- 2017-10-11 US US16/754,999 patent/US11747360B2/en active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5901272A (en) * | 1996-10-24 | 1999-05-04 | The United States Of America As Represented By The Secretary Of The Navy | Neural network based helicopter low airspeed indicator |
| US7257470B2 (en) * | 2004-10-29 | 2007-08-14 | Rosemount Aerospace Inc. | Fault isolation method and apparatus in artificial intelligence based air data systems |
| CN101171495A (zh) * | 2005-05-09 | 2008-04-30 | 法国空中巴士公司 | 在进场着陆的阶段对飞机飞行驾驶辅助的方法和装置 |
| CN101853531A (zh) * | 2010-05-25 | 2010-10-06 | 北京航空航天大学 | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 |
| CN101871948A (zh) * | 2010-06-09 | 2010-10-27 | 中国科学院深圳先进技术研究院 | 风电场风速预测系统及方法 |
| CN201926569U (zh) * | 2010-11-01 | 2011-08-10 | 黄祖旭 | 一种低浓度烟尘采样管 |
| JP2012126201A (ja) * | 2010-12-14 | 2012-07-05 | Kawasaki Heavy Ind Ltd | 飛行制御装置およびこれを備える飛行体 |
| CN103268416A (zh) * | 2013-05-20 | 2013-08-28 | 华北电力大学（保定） | 基于stcp-bp的风速预测方法 |
| CN103365296A (zh) * | 2013-06-29 | 2013-10-23 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
| CN105319388A (zh) * | 2014-06-30 | 2016-02-10 | 波音公司 | 基于mems的共形空速传感器 |
| CN106340207A (zh) * | 2015-07-06 | 2017-01-18 | 空中客车运营简化股份公司 | 用于飞行器的飞行管理组件、监视该组件的方法和飞行器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111433612A (zh) | 2020-07-17 |
| WO2019071327A1 (en) | 2019-04-18 |
| US20200309810A1 (en) | 2020-10-01 |
| US11747360B2 (en) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111433612B (zh) | 用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统 | |
| Hansen et al. | Diagnosis of airspeed measurement faults for unmanned aerial vehicles | |
| EP3006899B1 (en) | Systems and methods for attitude fault detection based on air data and aircraft control settings | |
| Imai et al. | Airplane flight safety using error-tolerant data stream processing | |
| Johansen et al. | On estimation of wind velocity, angle-of-attack and sideslip angle of small UAVs using standard sensors | |
| Rhudy et al. | Aircraft model-independent airspeed estimation without pitot tube measurements | |
| US9650152B2 (en) | Flight envelope protection system for unmanned aerial vehicles | |
| US20130197739A1 (en) | Methods and systems for aircraft health and trend monitoring | |
| D’Amato et al. | UAV sensor FDI in duplex attitude estimation architectures using a set-based approach | |
| Lyu et al. | A thrust model aided fault diagnosis method for the altitude estimation of a quadrotor | |
| Tian et al. | Design and evaluation of UAV flow angle estimation filters | |
| Lerro et al. | Survey on a neural network for non linear estimation of aerodynamic angles | |
| Fravolini et al. | Experimental evaluation of two pitot free analytical redundancy techniques for the estimation of the airspeed of an UAV | |
| Mishra et al. | Efficient Estimation of Probability of Exceeding Performance Limits for Automatic Landing Systems using Subset Simulation | |
| Hansen et al. | Fault diagnosis and fault handling for autonomous aircraft | |
| Lu | Fault diagnosis and fault-tolerant control for aircraft subjected to sensor and actuator faults | |
| Tian et al. | UAV flight test evaluation of fusion algorithms for estimation of angle of attack and sideslip angle | |
| Hazbon et al. | Digital twin concept for aircraft system failure detection and correction | |
| Samy et al. | Fault detection and flight data measurement: Demonstrated on unmanned air vehicles using neural networks | |
| Lu et al. | Air data sensor fault detection and diagnosis with application to real flight data | |
| US10921457B2 (en) | Method and device for detecting a fault of a barometric pressure measuring system arranged aboard a flying device | |
| Lerro | Survey of certifiable air data systems for urban air mobility | |
| Nebula et al. | Virtual air data: A fault-tolerant approach against ADS failures | |
| Vitale et al. | Innovative real time estimator for redundancy of angle of attack sensors in commercial aircraft | |
| Hazbon Alvarez et al. | Digital twin concept for aircraft sensor failure |
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 |