CN114638444B - 针对突发故障下的跳伞时间预测方法、系统、设备 - Google Patents
针对突发故障下的跳伞时间预测方法、系统、设备 Download PDFInfo
- Publication number
- CN114638444B CN114638444B CN202210541304.3A CN202210541304A CN114638444B CN 114638444 B CN114638444 B CN 114638444B CN 202210541304 A CN202210541304 A CN 202210541304A CN 114638444 B CN114638444 B CN 114638444B
- Authority
- CN
- China
- Prior art keywords
- data
- preprocessed
- parachute
- airplane
- parachute jumping
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D17/00—Parachutes
- B64D17/62—Deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENTS OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明属于机器学习、数据预测技术领域,具体涉及一种针对突发故障下的跳伞时间预测方法、系统、设备,旨在解决现有技术无法准确、高效的预测在飞机突发故障下待跳伞人员的跳伞时机的问题。本系统包括:获取输入数据;对输入数据进行预处理;判断飞机是否处于突发故障状态;生成跳伞移动轨迹、跳伞落地点的范围;计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。本发明实现了在飞机突发故障下待跳伞人员的跳伞时机的准确、高效的预测。
Description
技术领域
本发明属于机器学习、数据预测技术领域,具体涉及一种针对突发故障下的跳伞时间预测方法、系统、设备。
背景技术
跳伞具有运动复杂性高、危险性高、强度大、节奏快、联络难度大等特点,对跳伞员身体素质需求高,且受气候条件影响较大。在跳伞员离机后,气候因素会增加跳伞员判断落点方位的难度,导致偏离目标落点,而在夜间跳伞也会由于光线暗、视野小,跳伞难度骤升。因此,如何选择合适的跳伞时机,保障跳伞人员的人身安全以及居民的财产安全至关重要,尤其是在飞机(例如:小型机、教练机、战斗机)突发故障的情况下。基于此,本发明提出了一种针对突发故障下的跳伞时间预测方法。
发明内容
为了解决现有技术中的上述问题,即为了解决现有技术无法准确、高效的预测在飞机突发故障下待跳伞人员的跳伞时机的问题,本发明第一方面,提出了一种针对突发故障下的跳伞时间预测方法,该方法包括:
步骤S100,获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
步骤S200,对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
步骤S300,基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转步骤S400,否则跳转步骤S100;
步骤S400,获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
步骤S500,根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
步骤S600,基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述飞机下坠点的范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
在一些优选的实施方式中,所述预处理包括数据异常值点的去除、数据标准化。
在一些优选的实施方式中,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围,其方法为:
根据所述预处理传感器数据,获取飞机的故障类型;
基于飞机的故障类型,分析飞机的全机参数和飞行动力学特征,重新建模,得到飞机突发故障时新的非线性模型;
根据所述预处理3D环境数据、所述预处理传感器数据,通过所述非线性模型,得到待跳伞人员跳伞后飞机的移动轨迹,并结合所述当前位置设定范围内的预处理GIS地图数据,得到下坠点范围;
基于所述当前位置设定范围内的预处理GIS地图数据以及所述下坠点范围,获取下坠点范围内对应的地貌状况,并计算飞机下坠后产生的冲击力以及破坏范围。
在一些优选的实施方式中,所述飞机突发故障时新的非线性模型包括引擎故障的非线性动力学模型、液压失灵的非线性动力学模型、油箱失灵的非线性动力学模型、金属疲劳的非线性动力学模型;
所述引擎故障的非线性动力学模型为:
其中,表示滚转角,表示俯仰角,表示偏航角,、、表示绕飞机体坐标系三
轴向的惯性矩,和分别为频率和阻尼,表示空气动力的增益,表示输出给飞机引
擎的控制信号值,表示下标,表示飞机飞行过程中的阻力系数,、、和、、分别表
示、、的一阶导数量和二阶导数量;
当待跳伞人员跳伞后,即待跳伞人员通过弹射座椅推力器完成弹射时,飞机的俯仰角为:
其中,、分别表示待跳伞人员通过弹射座椅推力器进行弹射前后飞机的俯仰
角,表示弹射座椅推力器弹射后,飞机俯仰角的变化量,表示竖直方向的加速度,表示
弹射座椅推力器的弹射时间,表示飞机的质量,表示飞机在水平方向上的速度,表示
弹射座椅推力器的推力在轴上的分量,表示弹射座椅推力器的安装包角,为弹射座椅
推力器的滚转角,为弹射座椅推力器的迎角,表示弹射座椅推力器的倾斜角。
在一些优选的实施方式中,所述跳伞时间预测模型基于卷积神经网络、长短期记忆人工神经网络、特征处理模块及机器学习模型构建;
所述卷积神经网络、长短期记忆人工神经网络,用于并行提取设定时间段内的输入数据的特征,将卷积神经网络提取的特征作为第一特征;将长短期记忆人工神经网络提取的特征作为第二特征;
所述特征处理模块,配置为将提取的第一特征、第二特征进行融合,将融合后的特征作为第三特征;对所述第三特征、所述第一特征进行残差连接、层归一化处理,将处理后的特征作为第四特征;
所述机器学习模型为支持向量机回归模型,用于对所述第四特征进行支持向量回归运算后获得所述待跳伞人员跳伞时间的预测结果。
在一些优选的实施方式中,所述卷积神经网络的卷积核的长度与长短期记忆人工神经网络中时间步的大小一致。
在一些优选的实施方式中,所述损失函数为:
本发明的第二方面,提出了一种针对突发故障下的跳伞时间预测系统,包括:数据获取模块、预处理模块、故障状态判断模块、跳伞数据计算模块、飞机数据计算模块、时间预测模块;
所述数据获取模块,配置为获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
所述预处理模块,配置为对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
所述故障状态判断模块,配置为基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转跳伞数据计算模块,否则跳转数据获取模块;
所述跳伞数据计算模块,配置为获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
所述飞机数据计算模块,配置为根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
所述时间预测模块,配置为基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述飞机下坠点的范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
本发明的第三方面,提出了一种电子设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的针对突发故障下的跳伞时间预测方法。
本发明的第四方面,提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的针对突发故障下的跳伞时间预测方法。
本发明的有益效果:
本发明实现了在飞机突发故障下待跳伞人员跳伞时机的准确、高效的预测。
1)本发明在飞机突发状况后,先计算待跳伞人员的跳伞移动轨迹、跳伞落地点的范围;然后计算待跳伞人员跳伞后的飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;最后基于跳伞落地点的范围、飞机下坠点的范围、飞机下坠后产生的冲击力及破坏范围,通过预构建的跳伞时间预测模型,获取待跳伞人员跳伞时间的预测结果。提升了跳伞时间预测的准确率,提高了跳伞人员跳伞的安全性。
2)以并行结构组合卷积神经网络与LSTM网络,将二者提取的数据特征拼接后进行预测,在提高预测准确率的同时,降低了网络复杂度。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的针对突发故障下的跳伞时间预测方法的流程示意图;
图2是本发明一种实施例的针对突发故障下的跳伞时间预测系统的框架示意图;
图3是本发明一种实施例的跳伞时间预测模型的训练过程以及应用过程的简略示意图;
图4是本发明一种实施例的跳伞时间预测模型结构的框架示意图;
图5是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的针对突发故障下的跳伞时间预测方法,如图1所示,包括以下步骤:
步骤S100,获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
步骤S200,对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
步骤S300,基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转步骤S400,否则跳转步骤S100;
步骤S400,获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
步骤S500,根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
步骤S600,基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述飞机下坠点的范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
为了更清晰地对本发明针对突发故障下的跳伞时间预测系统进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
步骤S100,获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
在本实施例中,先获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据;
所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;所述传感器数据包括俯仰角、偏航角、滚转角、速度、定时间步数内副翼舵偏角、升降舵舵偏角和油门动作的累计变化值以及其他设备的传感器监测参数;所述接收的塔台数据包括气象以及对飞机飞行的指令;所述当前位置设定范围内的GIS地图数据包括地表的地貌状况,例如城镇、村庄、草地、森林、山脉。
步骤S200,对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
在本实施例中,对输入数据进行预处理,预处理包括数据异常值点的去除、数据标准化,在其他实施例中,可以根据实际需求进行选取数据预处理的方法。
步骤S300,基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转步骤S400,否则跳转步骤S100;
在本实施例中,对输入数据预处理后,根据预处理传感器数据,判断飞机是否处于突发故障状态,若是的话,直接进行跳伞时机预测,若处于正常状态则继续采集输入数据;
本发明中,利用故障临界点分析模型判断飞机是否处于突发故障状态;所述故障临界点分析模型基于1D U-Net网络构建,通过训练用于判断飞机是否处于故障状态。
其中,所述改进的1D U-Net网络中的编码器与解码器的同尺度特征在跨级连接时,经过卷积、残差连接处理后再进行拼接,其方法为:
将编码器中编码模块编码后的特征,通过N个依次相连的残差卷积模块进行处理,处理后与所述解码器中的同尺度特征进行拼接,作为解码器中对应解码模块的输入;
步骤S400,获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
在本实施例中,获取待跳伞人员的体重数据,结合预处理3D环境数据通过飞行力学方法或空气动力学方法,生成待跳伞人员的跳伞移动轨迹,并结合待跳伞人员的当前位置以及当前位置设定范围内的GIS地图数据,进而得到跳伞落地点的范围。其中,飞行力学方法或空气动力学方法为现有技术,此处不再一一阐述。
步骤S500,根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
在本实施例中,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;具体如下:
获取突发故障的飞机的故障类型(即飞机具体出现故障的位置),针对故障类型分析飞行器全机参数和飞行动力学特性,重新建模,得到飞行器突发故障时新的非线性模型;
所述飞机突发故障时新的非线性模型包括引擎故障的非线性动力学模型、液压失灵的非线性动力学模型、油箱失灵的非线性动力学模型、金属疲劳的非线性动力学模型。液压失灵的非线性动力学模型、油箱失灵的非线性动力学模型、金属疲劳的非线性动力学模型均采用现有技术,此处不再一一阐述。
其中,引擎故障的非线性动力学模型为:
其中,表示滚转角,表示俯仰角,表示偏航角,、、表示绕飞机体坐标系三
轴向的惯性矩,和分别为频率和阻尼,表示空气动力的增益,表示输出给飞机电
机的脉宽信号值(本发明优选针对的是新型电动的飞机引擎,因此,需要获取脉宽信号值),表示下标,即第个飞机引擎,表示飞机飞行过程中的阻力系数,、、和、、分别表
示、、的一阶导数量和二阶导数量。
另外,由于本发明针对的是小型机、教练机、战斗机等飞机,跳伞方式优选的是通过弹射座椅推力器弹射,弹射座椅推力器在完成弹射时,推力对飞机的飞行轨迹有较大的影响。因此,在下述实施例中,先计算待跳伞人员通过弹射座椅推力器完成弹射时飞机的俯仰角,然后通过非线性动力学模型,结合预处理的3D环境数据、传感器数据,得到待跳伞人员跳伞后飞机的移动轨迹。
在计算飞机的俯仰角时,本发明假设飞机处于水平飞行状态,则待跳伞人员通过弹射座椅推力器完成弹射时飞机的俯仰角,其获取方法为:
其中,、分别表示待跳伞人员通过弹射座椅推力器进行弹射前后飞机的俯仰
角,表示弹射座椅推力器弹射后,飞机俯仰角的变化量,表示竖直方向的加速度,表示
弹射座椅推力器的弹射时间,表示飞机的质量,表示飞机在水平方向上的速度,表示
弹射座椅推力器的推力在轴上的分量,表示弹射座椅推力器的安装包角,为弹射座椅
推力器的滚转角,为弹射座椅推力器的迎角,表示弹射座椅推力器的倾斜角。
基于所述飞机的移动轨迹,结合当前位置设定范围内的GIS地图数据,计算下坠点范围;
最后,基于所述GIS地图数据以及所述下坠点范围,获取下坠点范围内对应的地貌状况(具体获取地面建筑情况、人员情况、下坠可能碰撞的物体的硬度),进而计算飞机下坠后产生的冲击力以及破坏范围。
步骤S600,基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述飞机下坠点的范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
在本实施例中,基于卷积神经网络、长短期记忆人工神经网络、特征处理模块及机器学习模型构建跳伞时间预测模型,如图4所示;
所述卷积神经网络、长短期记忆人工神经网络(其中,卷积神经网络的卷积核的长度与长短期记忆人工神经网络中时间步的大小一致),用于并行提取设定时间段内的输入数据的特征,将卷积神经网络提取的特征作为第一特征;将长短期记忆人工神经网络提取的特征作为第二特征;
所述特征处理模块,配置为将提取的第一特征、第二特征进行融合,将融合后的特征作为第三特征;对所述第三特征、所述第一特征进行残差连接、层归一化处理,将处理后的特征作为第四特征。
所述机器学习模型为支持向量机回归模型,用于对所述第四特征进行支持向量回归运算后获得所述待跳伞人员跳伞时间的预测结果;
其中,支持向量机回归模型其在训练时,以L1、L2混合范数函数为损失函数,以拉普拉斯函数为核函数,通过启发式随机搜索算法对损失函数中的正则化参数以及拉普拉斯函数中的核宽度参数进行选取,损失函数具体为:
基于上述构建好的跳伞时间预测模型以及损失函数,对模型进行训练,训练完成后,通过训练好的模型获取待跳伞人员跳伞时间的预测结果,如图3所示。
另外,本申请的针对突发故障下的跳伞时间预测方法也可以应用于跳伞模拟训练过程中。例如:在全动飞行模拟机中,跳伞人员根据模拟的跳伞环境,选择合适的跳伞时间,然后,本发明方法计算准确的跳伞时间,反馈给跳伞人员,进而进行跳伞的模拟训练以及教学。
本发明第二实施例的一种针对突发故障下的跳伞时间预测系统,如图2所示,包括:数据获取模块100、预处理模块200、故障状态判断模块300、跳伞数据计算模块400、飞机数据计算模块500、时间预测模块600。
所述数据获取模块100,配置为获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
所述预处理模块200,配置为对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
所述故障状态判断模块300,配置为基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转跳伞数据计算模块400,否则跳转数据获取模块100;
所述跳伞数据计算模块400,配置为获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
所述飞机数据计算模块500,配置为根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
所述时间预测模块600,配置为基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述飞机下坠点的范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
需要说明的是,上述实施例提供的针对突发故障下的跳伞时间预测系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种电子设备,包括:至少一个处理器;以及与至少一个所述处理器通信连接的存储器;其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现上述的针对突发故障下的跳伞时间预测方法。
本发明第四实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现上述的针对突发故障下的跳伞时间预测方法。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图5,其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分509。通讯部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通讯部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种针对突发故障下的跳伞时间预测方法,其特征在于,该方法包括以下步骤:
步骤S100,获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
步骤S200,对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
步骤S300,基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转步骤S400,否则跳转步骤S100;
步骤S400,获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
步骤S500,根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
步骤S600,基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述下坠点范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
2.根据权利要求1所述的针对突发故障下的跳伞时间预测方法,其特征在于,所述预处理包括数据异常值点的去除、数据标准化。
3.根据权利要求1所述的针对突发故障下的跳伞时间预测方法,其特征在于,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围,其方法为:
根据所述预处理传感器数据,获取飞机的故障类型;
基于飞机的故障类型,分析飞机的全机参数和飞行动力学特征,重新建模,得到飞机突发故障时新的非线性模型;
根据所述预处理3D环境数据、所述预处理传感器数据,通过所述非线性模型,得到待跳伞人员跳伞后飞机的移动轨迹,并结合所述当前位置设定范围内的预处理GIS地图数据,得到下坠点范围;
基于所述当前位置设定范围内的预处理GIS地图数据以及所述下坠点范围,获取下坠点范围内对应的地貌状况,并计算飞机下坠后产生的冲击力以及破坏范围。
4.根据权利要求3所述的针对突发故障下的跳伞时间预测方法,其特征在于,所述飞机突发故障时新的非线性模型包括引擎故障的非线性动力学模型、液压失灵的非线性动力学模型、油箱失灵的非线性动力学模型、金属疲劳的非线性动力学模型;
所述引擎故障的非线性动力学模型为:
其中,表示滚转角,表示俯仰角,表示偏航角,、、表示绕飞机体坐标系三轴向的惯性矩,和分别为频率和阻尼,表示空气动力的增益,表示输出给飞机引擎的控制信号值,表示下标,表示飞机飞行过程中的阻力系数,、、和、、分别表示、、的一阶导数量和二阶导数量;
当待跳伞人员跳伞后,即待跳伞人员通过弹射座椅推力器完成弹射时,飞机的俯仰角为:
5.根据权利要求1所述的针对突发故障下的跳伞时间预测方法,其特征在于,所述跳伞时间预测模型基于卷积神经网络、长短期记忆人工神经网络、特征处理模块及机器学习模型构建;
所述卷积神经网络、长短期记忆人工神经网络,用于并行提取设定时间段内的输入数据的特征,将卷积神经网络提取的特征作为第一特征;将长短期记忆人工神经网络提取的特征作为第二特征;
所述特征处理模块,配置为将提取的第一特征、第二特征进行融合,将融合后的特征作为第三特征;对所述第三特征、所述第一特征进行残差连接,残差连接后进行层归一化处理,将层归一化处理后的特征作为第四特征;
所述机器学习模型为支持向量机回归模型,用于对所述第四特征进行支持向量回归运算后获得所述待跳伞人员跳伞时间的预测结果。
6.根据权利要求5所述的针对突发故障下的跳伞时间预测方法,其特征在于,所述卷积神经网络CNN的卷积核的长度与长短期记忆人工神经网络LSTM中时间步的大小一致。
7.根据权利要求5所述的针对突发故障下的跳伞时间预测方法,其特征在于,所述支持向量机回归模型其在训练时,以L1、L2混合范数函数为损失函数,以拉普拉斯函数为核函数,通过启发式随机搜索算法对损失函数中的正则化参数以及拉普拉斯函数中的核宽度参数进行选取。
9.一种针对突发故障下的跳伞时间预测系统,其特征在于,该系统包括:数据获取模块、预处理模块、故障状态判断模块、跳伞数据计算模块、飞机数据计算模块、时间预测模块;
所述数据获取模块,配置为获取飞机在设定航线中飞行时的3D环境数据、传感器数据、接收的塔台数据及当前位置设定范围内的GIS地图数据,作为输入数据;所述3D环境数据包含不同海拔高度的天气状况、气温、气压、风力;
所述预处理模块,配置为对所述输入数据进行预处理,得到预处理后的输入数据;所述预处理后的输入数据包括预处理3D环境数据、预处理传感器数据、预处理塔台数据和当前位置设定范围内的预处理GIS地图数据;
所述故障状态判断模块,配置为基于所述预处理传感器数据,判断飞机是否处于突发故障状态,若是,则跳转跳伞数据计算模块,否则跳转数据获取模块;
所述跳伞数据计算模块,配置为获取待跳伞人员的体重数据,结合所述预处理3D环境数据、所述当前位置设定范围内的预处理GIS地图数据,生成跳伞移动轨迹、跳伞落地点的范围;
所述飞机数据计算模块,配置为根据所述预处理3D环境数据、所述预处理传感器数据和所述当前位置设定范围内的预处理GIS地图数据,计算待跳伞人员跳伞后飞机的移动轨迹、下坠点范围、飞机下坠后产生的冲击力以及破坏范围;
所述时间预测模块,配置为基于所述跳伞移动轨迹、所述待跳伞人员跳伞后飞机的移动轨迹,计算跳伞后在相同时间点待跳伞人员与飞机的最小水平距离、最大水平距离、最小垂直距离、最大垂直距离,并结合所述跳伞落地点的范围、所述下坠点范围、所述飞机下坠后产生的冲击力及破坏范围、所述预处理塔台数据,通过预构建的跳伞时间预测模型,得到待跳伞人员跳伞时间的预测结果。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及与至少一个所述处理器通信连接的存储器;
其中,所述存储器存储有可被所述处理器执行的指令,所述指令用于被所述处理器执行以实现权利要求1-8任一项所述的针对突发故障下的跳伞时间预测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于被所述计算机执行以实现权利要求1-8任一项所述的针对突发故障下的跳伞时间预测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210541304.3A CN114638444B (zh) | 2022-05-19 | 2022-05-19 | 针对突发故障下的跳伞时间预测方法、系统、设备 |
JP2022091131A JP7140936B2 (ja) | 2022-05-19 | 2022-06-03 | 突発故障時の落下傘降下時間に対する予測方法、システム、及び機器 |
US17/843,962 US11505332B1 (en) | 2022-05-19 | 2022-06-18 | Method, system, and device for predicting parachuting time in case of sudden failure |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210541304.3A CN114638444B (zh) | 2022-05-19 | 2022-05-19 | 针对突发故障下的跳伞时间预测方法、系统、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638444A CN114638444A (zh) | 2022-06-17 |
CN114638444B true CN114638444B (zh) | 2022-09-02 |
Family
ID=81953192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210541304.3A Active CN114638444B (zh) | 2022-05-19 | 2022-05-19 | 针对突发故障下的跳伞时间预测方法、系统、设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11505332B1 (zh) |
JP (1) | JP7140936B2 (zh) |
CN (1) | CN114638444B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113525714B (zh) * | 2021-07-30 | 2023-05-12 | 浙江工商大学 | 一种基于神经网络的民航飞机故障预测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912776A (zh) * | 2016-04-07 | 2016-08-31 | 中国人民解放军空军空降兵学院 | 一种基于多刚体模型的跳伞员坠落运动仿真方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5182999A (ja) * | 1975-01-16 | 1976-07-21 | Toride Kk | Kokayohinangu |
JPH08156893A (ja) * | 1994-12-05 | 1996-06-18 | Mitsubishi Precision Co Ltd | パラシュート用誘導制御装置及びパラシュート誘導制御システム |
KR20050118271A (ko) * | 2003-02-21 | 2005-12-16 | 라이프-팩 테크놀러지스, 인코포레이티드 | 빌딩 탈출 장치 |
GB2522926A (en) * | 2014-02-11 | 2015-08-12 | Ge Aviat Systems Ltd | Method of identifying anomalies |
US20170354887A1 (en) * | 2016-06-08 | 2017-12-14 | Bruce Bollermann | Systems & methods for parachute flight simulation |
US9863772B1 (en) * | 2016-06-27 | 2018-01-09 | Intel Corporation | Skydiving trajectory and coordination feedback system |
US10782524B2 (en) * | 2017-06-09 | 2020-09-22 | Mark Haley | Skydiving tracker: an integrated system for flight data collection and virtual reality simulators for improving skydiving safety |
US11417220B2 (en) * | 2018-11-27 | 2022-08-16 | Honeywell International Inc. | Systems and methods for providing an integrated flight management display with interactive time-based functionality |
JP2022034865A (ja) * | 2020-08-19 | 2022-03-04 | 愛三工業株式会社 | ヘリコプタ |
CN112817296B (zh) * | 2020-12-30 | 2022-05-17 | 中国人民解放军空军预警学院 | 一种基于飞行数据与深度学习的飞行故障预测方法及装置 |
CN112668651A (zh) * | 2020-12-30 | 2021-04-16 | 中国人民解放军空军预警学院 | 一种基于飞行数据与生成式对抗神经网络的飞行故障预测方法及装置 |
-
2022
- 2022-05-19 CN CN202210541304.3A patent/CN114638444B/zh active Active
- 2022-06-03 JP JP2022091131A patent/JP7140936B2/ja active Active
- 2022-06-18 US US17/843,962 patent/US11505332B1/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912776A (zh) * | 2016-04-07 | 2016-08-31 | 中国人民解放军空军空降兵学院 | 一种基于多刚体模型的跳伞员坠落运动仿真方法 |
Non-Patent Citations (1)
Title |
---|
"民机弹射降落伞离机充气过程和安全分析";张延泰等;《空气动力学学报》;20220430;第40卷(第2期);第79-87页 * |
Also Published As
Publication number | Publication date |
---|---|
US11505332B1 (en) | 2022-11-22 |
JP7140936B2 (ja) | 2022-09-21 |
CN114638444A (zh) | 2022-06-17 |
JP2022119972A (ja) | 2022-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6152123B2 (ja) | 係留ジャイログライダーのコントロールシステム | |
Mayer et al. | A ‘no-flow-sensor’wind estimation algorithm for unmanned aerial systems | |
US20160238481A1 (en) | Aerodynamic Modeling Using Flight Data | |
CN104246641A (zh) | Uav的安全紧急降落 | |
CN114638444B (zh) | 针对突发故障下的跳伞时间预测方法、系统、设备 | |
US5987397A (en) | Neural network system for estimation of helicopter gross weight and center of gravity location | |
Holleman | Summary of flight tests to determine the spin and controllability characteristics of a remotely piloted, large-scale (3/8) fighter airplane model | |
CN117034456A (zh) | 火箭的飞行轨迹评估方法、装置、存储介质及电子设备 | |
KR20220001704A (ko) | Ads-b 데이터 기반의 항로 기상 예측 방법, 장치 및 시스템 | |
Pontzer et al. | Unique aspects of flight testing unmanned aircraft systems | |
Noronha et al. | System identification of a square parachute and payload for the laicansat | |
Qu et al. | Real-time wind vector estimation for a micro UAV | |
Bronz et al. | Flight testing of dynamic soaring part-2: open-field inclined circle trajectory | |
Ibrahim et al. | Flight Testing of a Flying-Wing UAV | |
Polivanov et al. | Key features of the atmospheric boundary layer measurement by small unmanned aerial vehicles | |
Zollitsch et al. | System health management for safe automatic take-off | |
Pereira Figueira et al. | The use of Simulation Tools to Estimate Ship-Helicopter Operating Limitations | |
US20240005207A1 (en) | Method for training at least one artificial intelligence model for estimating the weight of an aircraft during flight based on use data | |
CN115223412A (zh) | 一种跳伞训练方法、装置、系统及可读存储介质 | |
US20230267845A1 (en) | Unmanned aerial vehicle (uav) collision prevention | |
US20230206773A1 (en) | Method and apparatus for managing flight plan | |
Del Cerro et al. | Modeling and identification of a small unmanned helicopter | |
Afanas’ ev et al. | Adaptive Algorithm for Controlling the Soft Vertical Landing of an Unmanned Return Spacecraft. II | |
Stuever et al. | Overview of the preparation and use of an OV-10 aircraft for wake vortex hazards flight experiments | |
Lee Jr | –HANDLING QUALITIES |
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 |