-
Hintergrund der Erfindung
-
Technisches Gebiet
-
Die
vorliegende Erfindung betrifft allgemein das Gebiet der Systemtests
und insbesondere die Ermittlung, ob ein Testmanöver mit Mehrfach-Status-Variablen
neue Daten erzeugt.
-
Beschreibung des Standes
der Technik
-
Flugzeugtests
sind kostspielige und zeitraubende Aspekte bei der Zulassung von
Flugzeugen zur Verwendung.
-
Üblicherweise
wird für
ein Flugzeug eine Anzahl von Flugtests durchgeführt, wobei jeder Flugtest eine
Anzahl vorausgeplanter Manöver
umfasst. Während
des Flugtests zeichnen die Instrumente verschiedene das Flugzeug
während
der Tests betreffende Daten auf.
-
Die
Flugtests wiederholen zwar nicht die Manöver von vorausgegangenen Flugtests
oder Manöver;
trotzdem bringen einige Manöver
keine zusätzlichen
Informationen bezüglich
des Flugzeugs aus den Daten, die bisher auch schon bei anderen Manövern registriert
wurden. Wenn durch ein Manöver
keine neuen Daten erhalten werden, von einem vollständig neuen
Datenerfassungsmodell, könnten
Manöver zur
Beibehaltung der Effizienz Kandidaten für die Modifikation oder das
Entfernen aus dem Flugtest sein, sowohl in Bezug auf die Zeit als
auch die Kosten für den
Flugtest.
-
In
dem EP-Patent Nr. 0 892 248 ist ein computergestütztes Navigationssystem angegeben,
das einem Anwender eine Reihe von Manöveranweisungen liefert, um
von einem ersten zu einem zweiten Ort in einem geografischen Gebiet
zu gelangen. Die Serie von Manöveranweisungen
wird aus einer Liste von Dateneinheiten abgeleitet, die eine Flugstrecke vom
ersten zum zweiten Ort darstellen. Die Liste von Dateneinheiten
umfasst Daten, die eine Mehrzahl von Orten entlang der Flugroute
darstellen, an denen Manöveranweisungen
geliefert werden. Das Manövererzeugungsprogramm
bestimmt einen, und vorzugsweise nicht mehr als einen Manövertyp,
der aus einer zuvor bestimmten Anzahl von Manövertypen für jeden Ort der Mehrzahl der
entlang der Flugroute befindlichen Orte ausgewählt wurde. Das Manövererzeugungsprogramm
führt eine
Reihe von Tests aufgrund der jedem Ort entsprechenden Daten durch. Jeder
der Mehrzahl von Manövertypen
ist durch einen eindeutigen Testsatz charakterisiert, der aus einer
zuvor bestimmten Obermenge von Tests ausgewählt wurde.
-
Kurze Beschreibung der
Erfindung
-
Dementsprechend
betrifft die Erfindung in einem ersten Aspekt ein Verfahren zur
Erzeugung eines optimierten Flugzeug-Flugtests, das Folgendes enthält: Bilden
eines ersten Flugzeug-Flugtests, der eine Mehrzahl von Flugmanövern enthält, um Flugtestdaten
zu erhalten, Erstellen wenigstens einer Datenvariablen für jedes
der Mehrzahl von Flugmanöver
des ersten Flugzeug-Flugtests, Zusammenfassen der Flugtestdaten
jedes der Flugmanöver
in einem ursprünglichen
Datensatz, Entfernen von Flugtestdaten aus dem ursprünglichen
Datensatz zur Erzeugung eines revidierten Datensatzes, Vergleichen der
Datenvariablen jedes Flugmanövers
mit dem geänderten
Datensatz, Entfernen jedes Flugmanövers aus dem ersten Flugzeug-Flugtest,
wenn die Datenvariablen des Flugmanövers im Vergleich zu dem geänderten
Datensatz vorteilhaft sind, um den optimierten Flugzeug-Flugtest
zu erzeugen, und Erhalten jedes Flugmanövers innerhalb des ersten Flugzeug-Flugtests, wenn die
Datenvariablen des Flugmanövers
im Vergleich zu dem geänderten
Datensatz unvorteilhaft sind, um den optimierten Flugzeug-Flugtest
zu erzeugen.
-
Gemäß einem
zweiten Aspekt betrifft die Erfindung ein System zur Optimierung
von Flugtestdaten, die in Flugzeug-Flugtests erhalten wurden, mit einem
Computersystem zur Ausführung
eines Algorithmus, wobei der Algorithmus wenigstens eine Datenvariable
für jedes
einer Mehrzahl von Flugmanövern
aus einem ersten Flugzeug-Flugtest erstellt, er jede Datenvariable
aus jedem Flugmanöver
in einen ursprünglichen
Datensatz zusammenfasst, er die Datenvariablen eines ersten Flugmanövers aus
dem ursprünglichen
Datensatz entfernt, um einen geänderten
Datensatz zu erzeugen, die Datenvariablen des ersten Flugmanövers mit
dem geänderten
Datensatz vergleicht, jedes Flugmanöver aus dem ersten Flugzeug-Flugtest entfernt,
wenn die Datenvariablen des ersten Flugmanövers im Vergleich zu dem geänderten
Datensatz vorteilhaft sind, um einen optimierten Flugzeug-Flugtest zu
erzeugen, und wobei der Algorithmus das erste Flugmanöver in dem
ersten Flugzeug-Flugtest aufrecht erhält, wenn die Datenvariablen
des ersten Flugmanövers
im Vergleich zu dem geänderten
Datensatz unvorteilhaft sind, um den optimierten Flugzeug-Flugtest
zu erzeugen.
-
Ein
besseres Verständnis
der Erfindung lässt sich
durch Bezugnahme auf die folgende detaillierte Beschreibung der
bevorzugten Ausführungsform
erzielen.
-
Kurze Beschreibung der
Zeichnungen
-
Für ein vollständiges Verständnis der
vorliegenden Erfindung und deren Vorteile wird in Verbindung mit
den beigefügten
Zeichnungen auf die folgende detaillierte Beschreibung Bezug genommen, wobei
die Figuren Folgendes darstellen:
-
1A eine
Schulungsdatei der Gleichung X = Y zwischen 0 < X < 1,
2 < X < 3 und 4 < X < 5;
-
1B dieselbe
Gleichung X = Y, Bereich 0 < X < 5, aber ohne die
Datenlücken
der Schulungsdatei;
-
1C einen
Mustererkennungs-Vergleich zwischen den Schulungsdateien gegenüber der
Testdatei;
-
2A eine
in drei Blöcken
angeordnete anormale Verteilung von Schulungsdateidaten;
-
2B eine
Testdatei mit Zufallsdaten, die den Bereich 0 < X < 10
und 0 < Y < 1 umfasst;
-
2C die
vorliegende Erfindung, die diejenigen Testdateidaten außerhalb
der Schulungsdatei markiert;
-
2D die
elektronische Bildanzeige des Ergebnisses der Testdatei, die die
für die
Erzeugung der 2C erforderlichen Daten lieferte;
-
3A eine
dreivariable Testdatei im Vergleich zu den Testdateiergebnissen,
wobei das Beispiel ein Variablenpaar mit einer Störgröße DM bei
35 verwendet;
-
3B die
Daten von 3A mit einer DM von 15;
-
3C die
Daten von 3A mit einer DM von 7;
-
4 die
Fähigkeit
der vorliegenden Erfindung, unter Verwendung von Flugzeugdaten-Distributionen
neue Informationen in einer Testdatei nachzuweisen;
-
5 die
Wechselwirkung zwischen einer von zwei variablen Verknüpfungen;
-
6 die
Wechselwirkung zwischen den beiden Variablenverknüpfungen
gemäß 5,
wobei ein anderer Flug als Testdatei verwendet wird;
-
7A ein
Beispiel für
ein Variablenpaar, vertikale Last und seitliche Beschleunigung;
-
7B ein
Beispiel für
ein Variablenpaar, seitliche Beschleunigung und Rollbeschleunigung;
-
7C ein
Beispiel für
ein Variablenpaar, seitliche Beschleunigung und Anstellwinkel;
-
8 eine
Datenteilsatz-Analysedarstellung, die einen Vergleich eines Flugs
mit einer Testdatei des zuvor getätigten Fluges darstellt;
-
9 in
Tabellenform die Menge an wertvollen Information in jedem Flugtest,
verglichen mit einer Testdatei, die aus allen zuvor getätigten Flügen zusammengestellt
wurde;
-
10 den
Prozentsatz nützlicher
Informationen in jedem Flugtest (y-Achse), bei Vergleich mit einer
Schulungsdatei aller zuvor getätigten
Flüge (x-Achse);
-
11 die
enge Beziehung zwischen der Menge an neuen Informationen in der
unabhängigen (y-Achse),
im Vergleich zum Prozentsatz nützlicher Informationen
in unabhängigen
Variablen (x-Achse);
-
12A Manöverkandidaten
für die
Elimination;
-
12B verschiedene Manöverkandidaten für die Elimination;
-
12C verschiedene Manöverkandidaten für die Elimination;
-
13 eine
typische Variablenkombination, die zeigt, dass alle Daten in den
Testdateien tatsächlich
in die Schulungsdatei einbezogen sind;
-
14 wenigstens
einen brauchbaren Datenpunkt unter Verwendung der statistischen
Parameter Flug A Lauf B Manöver,
im Vergleich zu der Schulungsdatei-Datenbank unter Verwendung der selben
Variablenkombination;
-
15 ein
Beispiel für
aus drei hypothetischen Flügen
erfasste Daten;
-
16 den
Prozentsatz von aufgelaufenen Manövern, die während der Durchführung des
Flugtests als Kandidaten für
die Elimination (y-Achse) ausgewählt
wurden als laufende Flugstrecke (x-Achse);
-
17A einen Flugtest mit allen Daten (Vertikalbelastung
gegenüber
lateraler Beschleunigung);
-
17B einen Flugtest nach 41,1 % Datenreduktion
(Vertikallast gegenüber
lateraler Beschleunigung);
-
17C einen Flugtest mit allen Daten (Vertikallast
gegenüber
Anstellwinkel);
-
17D einen Flugtest nach 41,1 % Datenreduktion
(Vertikallast gegenüber
Ausstellwinkel);
-
17E einen Flugtest mit allen Daten (laterale Beschleunigung
gegenüber
Rollbeschleunigung);
-
17F einen Flugtest nach 41,1 % Datenreduktion
(laterale Beschleunigung gegenüber
Rollbeschleunigung);
-
17G einen Flugtest mit allen Daten (laterale Beschleunigung
gegenüber
Anstellwinkel);
-
17H einen Flugtest nach 41,1 % Datenreduktion
(laterale Beschleunigung gegenüber
Anstellwinkel);
-
18 die
Methodik der vorliegenden Erfindung in Flussdiagramm-Form;
-
19 Schritt 5 von 18 ausführlicher;
-
20 Schritt 7 von 18 ausführlicher;
-
21 Schritt 9 von 18 ausführlicher.
-
Detaillierte Beschreibung
der bevorzugten Ausführungsform
-
Die
vorliegende Erfindung umfasst einen hoch entwickelten Mustererkennungs-Algorithmus, gekoppelt
mit einem Fehlerdiagnosemodell und basierend auf einem Satz von
statistischen Hypothesetests. Ein derartig hoch entwickelter Mustererkennungs-Algorithmus,
entwickelt von Argonne National Laboratory und Multivariate State
Estimation Technique (MSET) genannt, hat die Tauglichkeit zur Erkennung
der Anzahl nützlicher
Informationen in einer aus multivariablen Daten bestehenden Testdatei
im Vergleich zu den in einer Schulungsdatei-Datenbank enthaltenen
Daten nachgewiesen. Die vorliegende Erfindung, die Algorithmen wie
z.B. MSED (es können
andere geeignete Algorithmen benutzt werden) verwendet, kann Situationen
analysieren, bei denen Tausende von verschiedenen Variablen verwendet werden.
Diese Merkmale machen es der vorliegenden Erfindung möglich, jeglichen
Datenerfassungsprozess einschließlich Flugtests zu verbessern.
Der MSET-Algorithmus wurde nach einem Vertrag mit der Regierung
der Vereinigten Staaten ins Leben gerufen.
-
Die
Nutzung der vorliegenden Erfindung zur Bestimmung der Menge an wertvollen
Informationen in einer Testdatei unter Vergleich mit den Informationen
in einer Schulungsdatei umfasst eine Schulungsphase, eine Systemphase
sowie eine Testphase. In der Schulungsphase verwendet die vorliegende
Erfindung die Schulungsdatei zur Festlegung normaler Datenbegrenzungen
und Selbstlernelemente, um normale Ablaufsreaktionen und Korrelationen
zwischen Variablen oder Sensoren zu erkennen.
-
In
der Systemphase wird ein Schätzwert
für jeden
Datenpunkt in der Testdatei berechnet, indem man die Testdatei-Datenpunktwerte
mit vergleichbaren Datenpunkten in der Übungsdatei vergleicht. Die Differenz
zwischen dem Testdatei-Datenpunktwert und
dem Schätzwert
((Bewertungsfehler) wird dann in der Testphase durch eine auf Statistik
basierenden Hypothesetest ausgewertet, um zu bestimmen, welche Testdatei-Datenpunkte
verwendbare Informationswerte enthalten (z.B. welche Testdatenpunkte sich
maßgeblich
und aussagekräftig
von den schon angesammelten Datenpunkten unterscheiden).
-
Das
Hauptkriterium für
die erfolgreiche Anwendung der vorliegenden Erfindung umfasst einen geringen
Grad von gegenseitiger Korrelation unter den gesammelten Sensormesswerten.
Wichtige Entscheidungen bei Anwendung der vorliegenden Erfindung
beinhalten das Bestimmen von Parametereinstellungen (durchschnittliche
Test-Störungsgröße, Abweichungs-Teststörungsgröße, Fehlalarmwahrscheinlichkeit;
oder z.B. die fehlende Alarmwahrscheinlichkeit). Unterschiedliche
von Parametereinstellungen erhöhen
oder verringern die Anfälligkeit des
Algorithmus.
-
Die
folgenden Figuren und Beschreibungen illustrieren die Fähigkeit
der vorliegenden Erfindung, neue Informationen in einer Testdatei
zu erkennen, wenn diese mit vorhandenen Informationen in einer Schulungsdatei
verglichen werden, unter Anwendung theoretischer Distributionen.
-
1A zeigt
ein Beispiel für
eine Schulungsdatei der Gleichung X = Y zwischen 0 < X < 1, 2 < X < 3 und 4 < X < 5. Die Variablen
in dieser Distribution haben ein hohes Maß (Korrelationskoeffizient
r = 1,0) an Korrelation. Die in 1B dargestellte
Testdatei enthält
dieselbe Gleichung X = Y, Bereich 0 < X < 5, aber
ohne die Datenlücken
der Schulungsdatei.
-
Ein
Mustererkennungsvergleich zwischen der Schulungsdatei im Vergleich
zu der Testdatei (in 1C dargestellt) hebt die in
der Testdatei gefundenen Daten 110 hervor, die nicht in
der Schulungsdatei enthalten sind. Man könnte argumentieren, dass die Testdateidaten 110 „wertvolle" Daten seien, da
sie die Lücken
der Übungsdatei
füllen.
Die Testdateidaten 115 könnten als überflüssig betrachtet werden, da sie
bereits in der Schulungsdatei vorhanden sind. Demzufolge beträgt die Menge
an in dieser Testdatei enthaltenen „wertvollen" Daten im Vergleich
zur Schulungsdatei 2/5 bzw. 40%.
-
2A zeigt
eine anormale Verteilung von in drei Blöcken 205 angeordneten
Schulungsdateidaten. Die Korrelation zwischen X und Y beträgt nahezu Null
(r = 0,124). Eine Testdatei von Zufallsdaten 210 (vgl. 2B)
erfasst den Bereich 0 < X < 10 und 0 < Y < 1. Man hätte erwarten
können,
dass die vorliegende Erfindung unter diesen Umständen nicht gut arbeitet, da
die Korrelation zwischen den beiden Variablen in der Schulungsdatei
fast nicht vorhanden ist. Jedoch zeigt 2C, das
die vorliegende Erfindung in der Lage ist, diese Testdateidatenpunkte 220 außerhalb
der Schulungsdatei hervorzuheben. 2D zeigt
die elektronische Darstellung des Ergebnisses der Testdatei der
vorliegenden Erfindung, die die für die Erzeugung der 2C erforderlichen
Daten lieferte.
-
Zur
Veranschaulichung der Bedeutung der vorliegenden Erfindung sei der
Störgröße (DM)
genannte Parameter hervorgehoben. Eine Schulungsdatei und eine Testdatei
wurden beide wahllos aus derselben dreivariablen Distribution (drei
Variablen) mit einem Korrelationskoeffizienten zwischen XY von r
= 0,791 und zwischen XZ von r = 0,367. Alpha (Wahrscheinlichkeit
der fehlerhaften Ablehnung) und Beta (Wahrscheinlichkeit der fehlerhaften
Akzeptanz) erzeugt und blieben während
des gesamten Tests bei 0,1. Die Störgröße für den Durchschnittstest gibt
die Anzahl von Standardabweichungen an, um die der Durchschnitt
der alternativen Hypothesenverteilung relativ zur Null-Hypothesenverteilung
verschoben ist.
-
Da
beide in 3A dargestellte Dateien aus derselben
Distribution erzeugt wurden, fand die vorliegende Erfindung (mit
einem DM = 35) keine wertvollen Daten in der Testdatei gemäß 3A.
In 3A subsumieren die Schulungsdaten 310 (gefüllte Punkte)
und Testdateidaten 320 (nicht ausgefüllte Punkte) alle neuen Daten,
weshalb keine neuen Daten erstellt werden. Wenn wir jedoch die Empfindlichkeit
des Algorithmus (indem z.B. der DM auf 15 verringert wird und dann
bis hinunter auf 7) erhöhen, steigt
die Anzahl der in der Testdatei als nützlich identifizierten Datenpunkte
an (vgl. 3B und 3C). In 3B sind
im Diagramm neue Daten 330 (Striche) vorhanden, während in 3C mehr
neue Daten 330 vorhanden sind. Wenn folglich derartige
Mustererkennungs-Algorithmen verwendet werden, sollte berücksichtigt
werden, dass beim Parametrisieren ein empfindliches Gleichgewicht
erzielt werden muss.
-
4 zeigt
die Fähigkeit
der vorliegenden Erfindung, neue Informationen in einer Testdatei
zu erkennen, wenn Flugzeugdatendistributionen verwendet werden. 4 zeigt
einen Vergleich einer theoretischen Distribution im Vergleich zu
einer Distribution mit Flugzeugdaten. Eine aus Datenvariablen (Motorleistungswert
gegen Gebläsedrehzahl)
von einem Flugzeugflug zusammengestellte Schulungsdatei wird mit
einer aus den beiden selben Variablen erstellten Testdatei entlang
einer diagonalen Linie verglichen (sich zufällig außermittig bewegend). Da die Testdateilinie
die Daten der Schulungsdatei kreuzt, zeichnet sich der Anteil der
Daten 410 (gestrichelte Linie) aus der diagonalen Linientestdatei 420 (gefüllte Punkte)
ab.
-
Vergleiche
zwischen Flugzeugdatendistributionen zeigen die Fähigkeit
der vorliegenden Erfindung, die Menge an wertvollen Daten zu bestimmen, die
in einer Distribution erhalten werden, wenn diese miteinander verglichen
werden. Mit jedem Datenpunkt können
nicht nur zwei, sondern Hunderte von Variablen miteinander in Zusammenhang
stehen. Einer der Vorteile bei der Verwendung eines Mustererkennungsalgorithmus
ist die Fähigkeit,
mit einer großen
Anzahl von Variablen assoziierte Datenpunkte im mehrdimensionalen
Raum zu analysieren. Zur einfacheren Darstellung sind die hier verwendeten Vergleichsbeispiele
auf zwei Diagramme zweier signifikanter Variablen beschränkt.
-
5 zeigt
einen zwischen zwei Flugzeugflügen
angestellten Vergleich, bei dem den Flugzeugmotor betreffende Daten
gesammelt wurden. Datendistributionen von drei Variablen (Pegelwinkel
der Motorleistung, Gebläsedrehzahl
N1 und Hochdruck-Rotordrehzahl
N2) wurden verwendet, um die Menge und Lage der während des
Flugs XXA (Testdatei) gesammelten Daten im Vergleich zu den in Flug
XXB (Schulungsdatei) gesammelten Motordaten zu illustrieren. 5 zeigt
die Wechselwirkungen zwischen einer oder zwei variablen Verknüpfungen. Die
Menge an neuen oder wertvollen Informationen 530 (Striche)
in der Testdatei 520 (nicht ausgefüllte Punkte) und 530 im
Vergleich zu der Schulungsdatei 510 (gefüllte Punkte)
wurde auf ca. 19% geschätzt.
-
Wenn
Flug XXA zuerst geflogen worden wäre anstatt Flug XXB und wenn
die Flugingenieure daran interessiert gewesen wären, die Menge an neuen oder
wertvollen in Flug XXB gesammelten Informationen zu bestimmen (betreffend
die drei selben Variablen), würden
Flug-XXA-Daten in der Schulungsdatei platziert und Flug-XXB-Daten
würden
in der Testdatei platziert. 6 stellt
die Wechselwirkung zwischen diesen beiden dar, wenn Flug XXB als Testdatei
verwendet wurde. Die Menge an wertvollen Informationen 630 (Striche)
in der Testdatei Flug XXB im Vergleich zu der Schulungsdatei Flug
XXA (sowohl gefüllte
als auch unausgefüllte
Punkte) wurde auf ca. 16 % geschätzt.
-
Zur
Demonstration der Fähigkeit,
diesen Ansatz dazu zu verwenden, Daten außerhalb einer Schulungsdatei
in einer höheren
(fünf Dimensionen) Situation
mit multiplen Variablen zu verwenden, wurde eine Schulungsdatei
eines Flugmanövers
(während
eines Flugtests) mit einer Testdatei eines anderen Manövers verglichen,
unter Verwendung von Daten, die fünf Variablen enthielten, die
mit jedem Datenpunkt verbunden waren. Der Lauf G eines speziellen
Flugs, Manöver
9G Hochziehkurve (wind up turn) (geplant Mach 1,1 bei 15.000 Fuß) wurde
als Schulungsdatei verwendet und ein zweiter Flug, Lauf M, Manöver 5,86
g 360 Rolle (L) (geplant Mach 1,2 bei 5000 Fuß) wurde als Testdatei verwendet.
Schulungs- und Testdateivariablen umfassten vertikale Last (N2),
seitliche Beschleunigung (Ny), Rollbeschleunigung, welche Luftgeschwindigkeit,
sowie Anstellwinkel. Die Auswertung gab zu erkennen, dass ca. 53
% der in der Testdatei gemachten Beobachtungen außerhalb
der Schulungsdatei lagen. 7A bis 7C stellen
die Interaktion zwischen drei der Variablenkombinationen dar. In
jedem dieser Beispiele werden signifikante neue Daten 730 (Striche)
außerhalb
der Schulungsdatei 710 (gefüllte Punkte) identifiziert.
-
Zur
weiteren Illustration der vorliegenden Erfindung wurde ein Flugtest
zur Sammlung struktureller Flugzeugdaten durchgeführt. Verfügbare Flugtestdaten
wurden aus 16 Flügen
zusammengestellt, die aus 163 Manövern und 47.711 Beobachtungen
bestanden. Ablesedaten bestanden aus 28 unabhängigen Variablen (Luftgeschwindigkeit,
Flugzeug-Gesamtfluggewicht, Anstellwinkel usw.) und 33 abhängigen Variablen
(vertikale Heckscherung, Mittelrumpf-Endmoment, usw.). Wenn jeder
nachfolgende Flug mit einer aus den vorangegangenen Flügen erzeugten
Schulungsdatei verglichen wird, zeigt sich im Laufe des Tests ein
Anhaltspunkt, wie viele neue und nützliche Daten in jedem Flug
erhalten werden können. 8 stellt
eine Datenteilsatz-Analysefigur dar, die einen Abgleich eines Flugs
gegen eine Testdatei des zuvor getätigten Fluges zeigt. Teilsätze 810, 815 und 820 stellen
die Schulungsdateidaten dar, wobei Teilsatz 830 den Prozentsatz
an Informationen aus der Testdatei darstellt, der außerhalb
der Schulungsdatei liegt.
-
Für sich liefert 9 in
jedem Flugtest eine weitere Illustration der Menge an wertvollen
Information aus einem zuvor erfassten Flugtest, verglichen mit einer
Schulungsdatei, die aus allen zuvor getätigten Flügen zusammengestellt wurde.
-
Wenn
das Testprogramms fortschreitet und mehr Daten in die Schulungsdatei
aufgenommen werden, verringert sich die Menge neuer Daten in jedem
Flug allmählich. 10 illustriert
den Prozentsatz wertvoller Informationen in jedem Flugtest (y-Achse)
im Vergleich mit einer Schulungsdatei aller zuvor getätigten Flüge (x-Achse).
Während
der gesamte Leistungsumfang in der Schulungsdatei erfasst wird,
wird es für
nachfolgende Testflüge
viel schwieriger, neue Informationen hinzuzufügen. Wenn ein Flugtestprogramm
den Punkt erreicht, an dem nachfolgende Testflüge keine signifikante Menge
an neuen Informationen mehr liefern können, sollte überlegt
werden, das Flugtestprogramm zu beenden.
-
Zur
Reduzierung von Flugtestkosten kann die vorliegende Erfindung mit
einer Flugsimulation verwendet werden. Die Strategie zur Reduktion
von Flugtestkosten reduziert die Anzahl spezieller Manöver, die
keine oder nützliche
Informationen beisteuern. Wenn jedes Manöver mit einer Schulungsdatei aus
allen anderen verbliebenen Testmanövern verglichen wird, gibt
der resultierende Schätzwert
von neuen Informationen in jedem Manöver einen Hinweis auf die Kosteneffizienz
der jeweiligen einzelnen Manöverdatensammlung.
Manöver,
die wenig oder keine signifikante Menge an wertvollen Informationen oder
einen Beitrag zum Programm liefern, werden aus der Schulungsdatei
entfernt, bevor der nächste Vergleich
durchgeführt
wird, bis alle Manöver
eliminiert sind, die keine neuen Erkenntnisse liefern.
-
Zur
Illustration dieser Strategie wurden in dem Programm enthaltene
Daten mit Speicherkonfiguration QA analysiert, um eine Liste von
Speicherkonfiguration-QA-Manöver-Eliminationskandidaten zu
erhalten. Die Speicherkonfiguration QA-Daten bestanden aus 6 von
16 Flugtestprogrammflügen,
65 von 163 Manövern
und 11.968 von 47.711 Überwachungspunkten.
Die Überwachungsdaten
bestanden aus 28 unabhängigen
Variablen (Luftgeschwindigkeit, Flugzeug-Gesamtfluggewicht, Anstellwinkel usw.)
und 22 abhängigen
Variablen (vertikale Heckscherung, Mittelrumpf-Endmoment, usw.).
Da bei Flugsimulationen lediglich Daten unabhängiger Variablen gesammelt
werden, wurden in der Analyse ausschließlich unabhängige Variablen verwendet. Wenn
die Simulation zur Sammlung von Daten verwendet wird, kann die Anzahl
von Daten, die abhängige
Variablen betreffen, aufgrund der Korrelation zwischen abhängigen und
unabhängigen
Variablen geschätzt
werden. 11 zeigt ein Schaubild, das die
enge Beziehung zwischen der Menge an neuen Informationen in der
Unabhängigen
(y-Achse), im Vergleich zum Prozentsatz nützlicher Informationen in unabhängigen Variablen
(x-Achse) illustriert. In der Simulation gesammelte neue Informationen
bezüglich
unabhängiger
Variablen bedeuten, dass neue abhängige Variableninformationen
in einem Flugtest gesammelt würden.
-
Bei
der Verwendung der vorliegenden Erfindung zur Speicherkonfiguration
QA-Flugtestdaten (Simulationsdaten
waren nicht erhältlich)
galten 27 von 65 oder 41,54% der Manöver als Lieferanten insignifikanter
neuer Datenmengen und wurden als sichere Kandidaten für die Elimination
angesehen, vorausgesetzt, dass kein Sicherheitsrisiko bestand (vg. 12A und B). 12A zeigt
Manöverkandidaten für die Elimination. 12B zeigt verschiedene Manöverkandidaten 1205 für die Elimination.
Es wurden Datensätze
berücksichtigt,
die eine insignifikante neue Datenmenge lieferten, wenn die Menge
an neuen Daten in dem Datensatz weniger oder gleich 0,5 % betrug.
Der Prozentsatz von 0,5 % wurde gewählt, da 0,5 % weniger als einen
Datenpunkt darstellt.
-
Flug
A Lauf 12 war eines der Manöver,
bei dem ermittelt wurde, dass es keine wertvollen Daten enthielt
(d.h. null neue Beobachtungen), wenn man es mit einer Datenbank
anderer Manöver
verglich. 13 zeigt eine typische Kombination
von Variablen, die zeigt, dass alle Daten in der Testdatei 1320 tatsächlich in
der Schulungsdatei 1310 enthalten sind. Andere Zweivariablen-Kombinationen
führen zum
selben Ergebnis.
-
Unter
Verwendung derselben statistischen Parameter wurde festgestellt,
dass Flug A Lauf 12 wenigstens einen wertvollen Datenpunkt 1430 (gestrichelt)
aufwies, wenn das Manöver
mit der Schulungsdatei-Datenbank 1410 (gefüllte Punkte)
verglichen wurde. Dieser wertvolle Punkt ist dargestellt (14)
unter Verwendung derselben Variablenkombination. 14 zeigt
wenigstens einen verwendbaren Datenpunkt unter Verwendung der statistischen
Parameter Flug A Lauf 12 Manöver,
im Vergleich zu der Schulungsdatei-Datenbank unter Verwendung derselben
Variablenkombination.
-
Einer
der Hauptbelange beim Einsatz der Reduktionsmethoden der vorliegenden
Erfindung liegt in der Vorstellung, signifikante Mengen an redundanten
Daten sammeln zu müssen,
bis ein Leistungsumfang erhalten wird. 15 liefert
ein einfaches Beispiel für
in drei hypothetischen Flügen
(in alphabetischer Reihenfolge) gesammelte Daten. Wenn unsere Mustererkennungsdaten-Sammlungsoptimierungsanalyse
auf diese Situation angewendet werden würde, würde sich höchstwahrscheinlich herausstellen,
dass die Flüge
A und B signifikante Mengen an redundanten Daten enthalten und Eliminationskandidaten
sind. Jedoch waren die Flüge
A und B höchstwahrscheinlich
notwendig, um Flug C auszuführen,
so dass keine Reduzierung der Flugtestprogrammkosten erhalten werden
konnte, indem dieses Verfahren verwendet wurde und lediglich Flug
C durchgeführt
wurde.
-
Aufgrund
dieser Sache würden
die Reduktionstechniken für
die Mustererkennungs-Flugtestprogrammkosten
wahrscheinlich nicht viele nützliche
Informationen liefern, wenn Flugtestprogramme geplant werden könnten, die
eine geringe, überschaubare
Anzahl von Variablen oder Sensoreingaben verwenden. Leider nimmt
die Anzahl der erfassten unabhängigen
und abhängigen
Variablen, die in Flugtestsensoren und Flugschreibern gespeichert
werden, mit weiteren Flugtestprogrammen immer mehr zu. Die Bestimmung,
ob ein Flugzeug im 15 A-, B- oder C-Bereich agiert,
wird eine schwierige Aufgabe, wenn 100 Variablen, die in 4950 Kombinationen
aus zwei Variablen resultieren, zusammenwirken. Mit dem Anstieg
der Variablenanzahl wird die Notwendigkeit zur Verwendung einer
Mustererkennungs-Datensammel-Optimierungsanalyse
zur Unterstützung der
Flugtestplaner beim möglichst
kostengünstigen Sammeln
von Flugtestdaten immer dringender.
-
Bei
dem oben beschriebenen speziellen Flugzeug-Speicherkonfigurations-Flugtest
zeigten 41,5 % der Manöver
keine wertvollen Informationen. Die meisten dieser Manöver lagen
am Anfang oder am Ende des Flugtestprogramms. Am Ende des Testflugprogramms
angeordnete Manöver,
die keine wertvollen Informationen lieferten, dienten kaum dem Zweck
der Datensammlung und hätten
für die
Elimination in Betracht gezogen werden können, hätte dieses Hilfsmittel zur
Verfügung
gestanden. Dies hätte das
Flugtestprogramm um konservative 20% reduziert.
-
16 zeigt
den Prozentsatz an aufgelaufenen Manövern, die als Kandidaten für die Elimination (Y-Achse)
ausgewählt
wurden, während
das QA-Speicherkonfigurations-Flugtestprogramm
fortschritt (X-Achse). Der aufgelaufene Prozentsatz von Manövern mit
redundanten Informationen (Kandidaten für die Elimination) erhöhte sich
bei Fortführung des
Programms nicht, sondern schwankte um 40 % während des gesamten Testprogramms.
-
Wie
zuvor erwähnt,
galten 27 von 65 oder 41,54% der Manöver als Lieferanten bedeutungsloser
neuer Datenmengen als die vorliegende Erfindung verwendet wurde,
um die Konfiguration QA-Flugtestdaten abzuspeichern und wurden als
geeignete Kandidaten für
die Elimination angesehen, vorausgesetzt, dass dadurch kein Sicherheitsrisiko entstand
(vgl. Tabelle 12A und B). Die vorliegende Erfindung ermöglicht das
Sammeln dieser Informationen unter Verwendung der Flugsimulation
vor Beginn des Testprogramms, und wenn alle der 27 nicht neue Daten
liefernden Manöver
entfernt werden könnten
(d.h. nie geflogen werden), würde
die Datenmenge in dem Flugtestprogramm um 41,1% reduziert und die
Menge der Manöver
um 41,54%. In diesem Beispielsfall sind mit jedem entfernten Datenpunkt
28 unabhängige
Variablen verbunden. 17A bis 17H zeigen
mehrere Speicherkonfigurationen 29A Flugtest zwei Variablen vor/nach Vergleich,
wenn alle Daten berücksichtigt
wurden und wenn die Daten der 27 nicht mitwirkenden Manöver entfernt
wurden. Signifikante Punkte (Punkte an den Kantengrenzen) sind noch
vorhanden, obgleich 41,1 % der Datenpunkte entfernt wurden.
-
18 zeigt
die Methodik der vorliegenden Erfindung in Flussdiagramm-Form. In
Schritt 1 wird für
einen Systemtest eine Anfrage eingegeben, in diesem Fall ein Flugtest
für ein
spezifisches Flugzeug. Sobald die Anfrage eingegeben ist, werden
die Ziele und Anforderungen für
die Sammlung der Flugtestdaten in Schritt 2 definiert.
Der Flugtest, der aus zahlreichen Flügen und Manövern besteht, die so ausgebildet
sind, dass sie die Datensammlungsziele und -anforderungen erfüllen, wird
der Flugtestkonstruktions, -analyse- und Entwicklungsgruppe in Schritt 3 vorgeschlagen.
Unter Verwendung ihrer Erfahrungen entwickeln dann die Flugtestingenieure den
Flugtest. In Schritt 4 wird der vorgeschlagene Flug, wie
er durch die Flugtestkonstruktionsgruppe entwickelt wurde, unter
Verwendung eines Simulators mit den verschiedenen Flügen und
Manövern durchgeführt, und
die Flugdaten werden für
die Analyse gesammelt.
-
In
Schritt 5 werden die Flugsimulationsdaten unter Verwendung
eines statischen Algorithmus zur Datensammlungs-Optimierung ausgewertet,
um zu bestimmen, welche Manöver
wenige Informationen liefern und für das Entfernen aus dem Flugtest
in Frage kommen. Zusätzlich
werden die Flüge
und Manöver
in Bezug auf die Datensammlungseffektivität priorisiert. In Schritt 6 werden
keine neuen Daten sammelnde Manöver
des Flugtests als mögliche
Kandidaten für
die Entfernung aus dem Flugtest identifiziert. Diese werden der
Flugtestkonstruktions, -analyse- und Entwicklungsgruppe zur Auswertung
vorgelegt. Dann bestimmt in Schritt 7 die Flugtestkonstruktionsgruppe,
welche Manöverkandidaten
entfernt werden können
und der Flugtest wird unter Verwendung der in Schritt 5 bestimmten
priorisierten Datensammlungsinformationen umkonzipiert, so dass der
Flugtest in der wirtschaftlichsten Datensammlungsweise durchgeführt wird.
-
In
Schritt 8 wird der tatsächliche
Flugtest mit der reduzierten Anzahl von Flügen und Manövern durchgeführt, um
die tatsächlichen
Flugtestdaten zu sammeln. In Schritt 9 werden die tatsächlichen
in Schritt 8 gesammelten Flugtestdaten analysiert, während der
Test durchgeführt
wird, um die tatsächliche Menge
an gesammelten signifikanten Daten zu bestimmen, unter Verwendung
der Datensammlungsoptimierungstechniken in Schritt 5. Nach
Beendigung des Flugtest werden die vervollständigten Flugtestdaten ebenfalls
analysiert, um die Richtigkeit der auf der Flugsimulation basierenden
früheren
Schätzungen
zu bestimmen.
-
19 stellt
Schritt 5 von 18 ausführlicher dar. In Schritt 5.1 wird
jeder Flugsimulationsdatenpunkt, der aus einem Vektor besteht, welcher
aus zahlreichen unabhängigen
Variablen zusammengesetzt ist, wie z.B. Geschwindigkeit, Höhe, und
Flugzeitmarken, die anzeigen, wann die Daten während der verschiedenen Flugsimulationsflüge und -manöver gesammelt
wurden, während
des Flugsimulationsfluges gesammelt. In Schritt 5.2 werden
die Flugsimulationsdaten für
jedes Flugtestmanöver
in eine Datenbank-Tabellendatei umgesetzt, wobei Flugtestflugnummer,
Manövernummer
und Zeitmarker in getrennten Spalten aufgenommen werden, um die Identifikation
zu erleichtern. Eine separate Reihe in der Tabelle kann für jeden
gesammelten Datenvektor vorgesehen sein und eine separate Spalte
in der Tabelle kann jeder unabhängigen
Variable zugeordnet sein.
-
In
Schritt 5.3 werden die Tabelleninformationen für jedes
Manöver
zu einer großen
Datenbankdatei kombiniert. Eine typische große Datenbankdatei kann über 50.000
Reihen und 50 Spalten umfassen. In Schritt 5.4 wird die
Wichtigkeit jeder unabhängigen
Variablen, die jedem Vektor zugeordnet ist, bestimmt. Eine Bestimmung
wird ebenfalls für
die Anzahl von unabhängigen
Variablen- Alarmkriterien
für die
Identifizierung gemacht, wenn ein einer Testdatei zugeordneter Vektor
als außerhalb
der Datenregion bezüglich
einer Testdatei erkannt wird. Dann wird in Schritt 5.5 eine
Bestimmung für
die Menge an signifikanten Datenkriterien durchgeführt, die
jene Manöver
identifizieren, die Daten sammeln, die keine neuen Erkenntnisse
bringen, wenn man sie mit den anderen Manövern des Testflugs vergleicht.
Die signifikanten Datenkriterien umfassen den Prozentsatz von Daten
in einer Testdatei, der als außerhalb
der mit einer Schulungsdatei assoziierten Datenregion angesehen
wird.
-
Dann
wird in Schritt 5.6 der Wert an Dateninformationen eines
Manövers
aus der Hauptdatenbankdatei entfernt. Dieser Datensatz ist die Testdatei.
Der verbleibende Teil der Datenbankinformationsdatei ist die Schulungsdatei.
Die Testdatei und die Schulungsdatei werden in Textdateien konvertiert, damit
diese dann durch einen nachfolgenden hoch entwickelten Mustererkennungsalgorithmus
wie z.B. den Multivariate State Estimation Technique (MSET), der
von Argonne National Laboratory entwickelt wurde, analysiert und
evaluiert werden können.
-
In
Schritt 5.7 wird die grundlegende Beschreibung der Bestimmung,
welche Vektoren innerhalb der Testdatei in der Norm liegen oder
außerhalb der
Vektorregion liegen und so neue Daten repräsentieren, die in der Schulungsdatei
enthalten sind, bestimmt. Dies wird durch Aufbau eines Systemmodels erreicht,
das analytisch abgeleitete Werte aller überwachten Sensoren liefert
und das in einen auf Statistiken basierenden Hypothesetest eingebunden
wird, der den analytisch bestimmten Signalwert mit den durch die
Testdatei gemessenen Werten vergleicht, um die Entwicklung oder
das Vorhandensein von neuen Daten zu bestimmen. Drei grundlegende
Modelle des Flugs für
den Algorithmus umfassen einen Übungsalgorithmus
für das
Sammeln von repräsentativen
Daten von Sensoren während
normaler Systemabläufe,
ein auf Empirie basierendes Modell für die Bestimmung des Systemstatus,
und ein Fehlermeldungssystem, das auf Statistik basiert.
-
Das Übungssystem
wird verwendet, um einen Schulungssatz oder Sollwerte zu erzeugen,
deren Daten Idealerweise alle erwarteten normalen Betriebsstadien
des Systems umfassen. Das systemmodellierende Modul (die Testdatei)
wird verwendet, um die Werte aller im Verfahren vorhandenen und überwachten
Signale zu schätzen.
Das Fehlersuchsystem wird verwendet, um Störungen durch eine Auswertung
der Differenz zwischen den geschätzten und
den gemessenen Signalwerten zu entdecken. Ein Algorithmus (z.B.
MSET) wird verwendet, um beginnende Fehler zwischen der laufenden
und der normalen Reaktion zu erkennen. Anstatt jedoch beginnende
Fehler zu erkennen, schätzt
der Algorithmus, welche Vektoren in der Testdatei anormale Reaktion zeigen
oder welche als neue oder nützliche
Datenpunkte betrachtet werden könnten,
wenn man sie mit den in der Schulungsdatei gespeicherten Vektordaten
vergleicht.
-
In
Schritt 5.8 wird eine Testdatei erzeugt. Dies wird unter
Verwendung der mit einem Manöver aus
der Schulungsdatei-Datenbank assoziierten Daten durchgeführt. Die
mit der Testdatei assoziierten Daten werden in Schritt 5.8.1 zum
Zwecke der Manöveranalyse
aus der Schulungsdatei entfernt. In Schritt 5.8.2 wird
dann weiter die Testdatei absichtlich mit bestimmten Daten durchsetzt,
von denen bekannt ist, dass sie außerhalb der Schulungsdatei
liegen. Dann wird in Schritt 5.8.3 ein Vergleich der Testdatei
mit der Schulungsdatei durchgeführt,
unter Verwendung des hoch entwickelten Mustererkennungsalgorithmus.
Nachdem der Vergleich durchgeführt wurde,
werden dann in Schritt 5.8.4 die Mustererkennungsalgorithmus-Parameter wie z.B.
fälschliche
Ablehnungswahrscheinlichkeit, fälschliche
Annahmewahrscheinlichkeit, Empfindlichkeit für aufeinanderfolgenden Wahrscheinlichkeits-Verhältnis-Test,
abgeglichen, um sicherzustellen, dass der Algorithmus optimal arbeitet,
wenn er Daten erkennt, die außerhalb
der Schulungsdatei liegen.
-
In
Schritt 5.9 wird weiterhin, sobald die Algorithmusparameter,
die Anzahl an unabhängigen Alarmkriterien
und die Kriterien, die dazu führen, dass
Daten für
Manöver
nicht gesammelt werden, ermittelt wurden, die Testdatei, durchsetzt
mit falschen Daten für
die optimale Bestimmung der Algorithmus-Parameterwerte, in ihrem
Ursprungszustand, d.h. nach Entfernen der zugeführten Daten, wieder in die
Schulungs-Hauptdatenbank zurückgeführt. An diesem
Punkt kann der Algorithmus die vollständige Analyse jedes Manövers der
simulierten Flugdaten oder des Systemtests beginnen.
-
In
Schritt 5.10 wird die Analyse der Flugtestmanöver durchgeführt. In
Schritt 5.10.1 werden die mit einem speziellen Manöver assoziierten
Daten aus der Schulungsdatei entfernt und in eine Testdatei überführt.
-
Die
Schulungsdatei wird normalisiert oder einer normalen Datenverteilung
angepasst. Wenn festgestellt wird, dass die Testdatei des Manövers keine neuen
Daten beisteuert, werden diese Manöverdaten aus der Schulungsdatei
entfernt und das Klassifizierungsverfahren der Manöver im Hinblick
auf Datensammlungstauglichkeit beginnt wieder von vorn.
-
Dann
wird in Schritt 5.10.2 die Testdatei unter Verwendung des
Algorithmus mit der Schulungsdatei, die mit den Daten aller verbleibender
Manöver assoziiert
ist, verglichen, um die Abweichung des Manövers vom Normalen zu bestimmen.
Sobald der Vergleich durchgeführt
wurde, werden in Schritt 5.10.3 die mit dem Manöver assoziierten
Daten in die Schulungsdatei zurückgeführt und
das nächste
Manöver
wird entfernt und in die Testdatei eingegeben. Dieses Verfahren
wird wiederholt, bis die Daten aller Manöver in die Testdatei überführt wurden
und mit der Schulungsdatei verglichen wurden, die die Daten aller
anderen nicht in der Testdatei befindlichen Daten enthält. Die
resultierende Abschätzung
der neuen Informationen jedes Manövers gibt einen Hinweis auf die
Kosteneffektivität
der einzelnen Manöverdaten. Ein
keine neuen Erkenntnisse bringendes Manöver enthält überwiegend überflüssige Informationen, wenn man
dieses mit den Daten der restlichen Manöver in der Schulungsdatei vergleicht.
-
Nachdem
der Vergleich in Schritt 5.10 abgeschlossen wurde, wird
eine Tabelle vorbereitet, die die Flugtestmanöver und den Prozentsatz an
wertvollen Informationen umfasst, die in jedem einzelnen Manöver enthalten
sind. Der Prozentsatz an wertvollen Informationen wird durch Bestimmung
der Anzahl von Vektoren berechnet, die die Anzahl von Alarmkriterien
der unabhängigen
Variablen erfüllen,
geteilt durch die Gesamtzahl an Vektoren in dem Manöver. Die
Flugtestingenieure wählen
dann das Manöver
mit dem geringsten Prozentsatz an wertvollen Informationen aus.
Wenn dieser Wert geringer ist als der zuvor festgelegte Wert- für die Kriterien
zur Identifizierung eines Manövers,
das keine neue Informationen beisteuernden Daten liefert, kann der
Flugtestingenieur die Manöverdaten
aus der Hauptschulungsdatei entfernen.
-
Dann
wird in Schritt 5.12 eine Aufzeichnung aller derjenigen
Manövervektorwerte
beibehalten, die mit den Variablenalarmen für die keine neuen Erkenntnisse
liefernden Daten Manöverdaten
assoziiert sind, die aus der Schulungsdatei für die weitere Analyse entfernt
wurden. Wenn ein Manöver
lediglich einen signifikanten Datenvektor erfasst, der einen Hinweis
darauf liefert, dass die Daten sich außerhalb des Schulungsdateibereichs
befinden, kann der Vektorwert entscheidende Informationen liefern
und rechtfertigen, das das Manöver
in dem Flugtest erhalten bleibt, wenn auch lediglich ein einziger
signifikanter Vektorwert erfasst wurde.
-
Nachdem
das erste keine neuen Erkenntnisse liefernde Datenerfassungsmanöver identifiziert und
aus der Hauptschulungsdatendatei entfernt wurde, sollte in Schritt 5.13 das
Verfahren der Analyse der simulierten Daten wiederholt werden (von
Schritt 5.9 bis 5.11). Folglich sollte danach
jedes Mal, wenn ein keine neuen Daten lieferndes Manöver entfernt wird,
die Analyse der Schulungsdatei gegen eine Testdatei für jedes
Manöver
wie oben beschrieben wiederholt werden, um sicherzustellen, dass
alle Daten, die keine neuen Erkenntnisse liefern, sorgfältig analysiert
und identifiziert werden. Schließlich wird in Schritt 5.14 eine
Auflistung aller keine neuen Erkenntnisse liefernder Manöver und
Manövervektorwerte,
die mit Variablenalarmen assoziiert sind, für die Präsentation für die Flugtestingenieure aufbereitet.
Diese Liste zeigt die Manöverkandidaten
für die Flugtestelimination.
-
20 illustriert
Schritt 7 von 18 genauer. In Schritt 7.1 erhalten
die Flugtestkonstruktions-, -analyse- und -ausführungsgruppen eine Auflistung von
keine neuen Erkenntnisse liefernden Manöver, die als mögliche Kandidaten
für die
Entfernung aus dem Flugtest identifiziert wurden. Die Flugtestingenieure
bestimmen, welche keine neuen Erkenntnisse liefernden Manöver aus
dem Flugtest in Schritt 7.2 entfernt werden können. Kriterien
für die
Elimination können
das Fehlen von Daten, die Wichtigkeit der wenigen erfassten Daten,
oder Flugtestsicherheitsaspekte bei Elimination des Manövers sein,
als auch andere.
-
Sobald
die Flugtestingenieure die in Fig. 7.2 beschriebene Festlegung
abgeschlossen haben, wird in Schritt 7.3 eine endgültige Schulungsdateidatenbank
erzeugt, die aus lediglich denjenigen Manövern besteht, die für den letzten
Testflug ausgewählt wurden.
Eine Tabelle, die den Prozentsatz an wertvollen Informationen auflistet,
die in jedem endgültigen
Flugtestmanöver
unter Durchführung
der Schritt 5.9 bis 5.10 enthalten ist, wird in
Schritt 7.4 erstellt. Die Manöverliste ist priorisiert, wodurch
sie zeigt, welche Manöver
die meisten wertvollen Informationen sammeln, sowie die Datenerfassungs-Kosteneffektivität jedes
Manövers.
Die Flugtestingenieure gestalten den Flugtest reduzierter Größe um, um
die Elimination der keine neuen Erkenntnisse liefernden Manöver, die
zur Entfernung ausgewählt
wurden, anzupassen. Die priorisierte Manöverliste, die die Datenerfassungseffektivität jedes
Manövers
anzeigt, kann auch für
die Umgestaltung des Flugtests verwendet werden, um sicherzustellen,
dass die Umgestaltung des Flugtests so durchgeführt wird, dass die Daten auf
die effizienteste Weise erfasst werden.
-
21 illustriert
Schritt 9 von 18 genauer. In Schritt 9.1 werden
tatsächliche
Flugtestdaten mit Manövermarkern
und Zeitmarkern zur weiteren Verarbeitung in verschiedene Datenbankdateien
und Testdateien übertragen.
Jedes anschließende
Manöver
mit einer Schulungsdatei, die aus vorausgegangenen Manövern zusammengestellt
ist, wird verglichen, um eine Einschätzung zu erhalten, wie viele neue
und wertvolle Daten während
eines Flugtests in Schritt 9.2 erfasst wurden. Da das gesamte
Leistungspaket in die Schulungsdatei aufgenommen ist, wird es für nachfolgende
Manöver
schwierig, neue Informationen hinzuzufügen und die zuzufügende Menge
an neuen Informationen sollte abnehmen.
-
Nach
Beendigung des Flugtests und Verwendung der in Schritt 5 aufgestellten
Parameter, wird der Prozentsatz wertvoller abhängiger und unabhängiger Informationen
in jedem Manöver
bestimmt, wenn man dieses mit einer Schulungsdatei vergleicht, die
aus Daten erzeugt wurde, die alle Flugtestmanöver in Schritt 9.3 enthalten.
Die wertvollen Informationswerte der unabhängigen Variablen, die für jedes
Manöver
im tatsächlichen
Flugtest erhalten wurden, mit denjenigen, die in der Flugsimulation erhalten
wurden, um die Exaktheit des Fluges zu bestimmen.
-
Dann
werden in Schritt 9.4 Diagramme verschiedener Variablenkombinationen,
die die Schulungsdateidaten und die Testdateidaten darstellen, aufbereitet,
um zu bestätigen,
dass die als wertvoll identifizierten Testdateidaten visuell außerhalb
des Schulungsdateigebiets liegen. Der Korrelationskoeffizient zwischen
erhaltenen neuen Informationen aus unabhängigen Variablen im Vergleich
zu neuen Informationen aus abhängigen
Variablen wird bestimmt, um erweiterte zukünftige Abschätzungen
zu erhalten. Schließlich
werden in Schritt 9.6 die Testdateien der Flugsimulationsdaten
mit der Schulungsdatei der tatsächlichen
Flugtestdaten unter Verwendung der in Schritt 5 gesetzten
Parameter verglichen. Jene Simulationsregionen, die noch abgeglichen
werden müssen,
werden hervorgehoben, um die tatsächliche Flugzeugleistung besser
zu repräsentieren
und die Flugsimulation wird verbessert, indem man die Flugsimulationsparameter
abgleicht.
-
Die
folgenden Beispiele illustrieren die Fähigkeit der vorliegenden Erfindung,
neue Informationen in einer Testdatei zu detektieren, wenn Flugzeugdatendistributionen
verwendet werden. 4 zeigt einen Vergleich einer
theoretischen Distribution mit einer Flugzeugdatendistribution.
Eine aus Datenvariablen (Gebläserotorgeschwindigkeit
gegenüber EPLA
Motorleistungspegelwinkel) zusammengestellte Schulungsdatei, die
aus einem Flugzeugflug entnommen wurde, wird mit einer Testdatei
verglichen, die aus denselben beiden Variablen erzeugt ist, die
in einer diagonalen Linie angeordnet sind (sich zufällig außermittig
bewegend). Da die Testdateilinie die Schulungsdateidaten kreuzt,
wird der Anteil der Daten aus der Testdatei (in Pink angeleuchtet)
von der diagonalen Linie außerhalb
der Schulungsdatei deutlich.
-
Vergleiche
zwischen Flugzeugdatendistributionen demonstrieren die Fähigkeit
der Erfindung, die Menge an wertvollen Informationen zu bestimmen, die
in einer Distribution erhalten wird, wenn sie miteinander verglichen
werden. Jeder Datenpunkt kann nicht nur mit zwei, sondern mit hunderten
Variablen assoziiert sein. Einer der Vorteile bei der Verwendung eines
Mustererkennungsalgorithmus ist die Fähigkeit, Datenpunkte zu analysieren,
die mit einer großen
Anzahl von Variablen im multidimensionalen Raum assoziiert sind.
Zur einfacheren Illustration werden Vergleichsbeispiele auf Diagramme
zweier signifikanter Variablen beschränkt.
-
Nachdem
wir nun unsere Erfindung beschrieben haben, wird, was wir als neu
geltend machen und durch ein Patent schützen wollen, in den nachfolgenden
Ansprüchen
dargelegt.