KR101707131B1 - 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법 - Google Patents

비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법 Download PDF

Info

Publication number
KR101707131B1
KR101707131B1 KR1020150170436A KR20150170436A KR101707131B1 KR 101707131 B1 KR101707131 B1 KR 101707131B1 KR 1020150170436 A KR1020150170436 A KR 1020150170436A KR 20150170436 A KR20150170436 A KR 20150170436A KR 101707131 B1 KR101707131 B1 KR 101707131B1
Authority
KR
South Korea
Prior art keywords
flight test
test data
airplane
flight
pattern
Prior art date
Application number
KR1020150170436A
Other languages
English (en)
Inventor
이경선
이찬석
박상선
Original Assignee
한국항공우주산업 주식회사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 한국항공우주산업 주식회사 filed Critical 한국항공우주산업 주식회사
Priority to KR1020150170436A priority Critical patent/KR101707131B1/ko
Application granted granted Critical
Publication of KR101707131B1 publication Critical patent/KR101707131B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G06F17/50—

Landscapes

  • Engineering & Computer Science (AREA)
  • Architecture (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법에 관한 것으로서, 더욱 상세하게는, 항공기의 비행시험 데이터를 분석하여, 비행기동 패턴인식 및 검출하는 시스템에 있어서, 항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받는 데이터 입력부(100) 및 상기 데이터 입력부(100)로 입력된 상기 비행시험 데이터를 이용하여, 비행기동 패턴인식 및 검출하는 데이터 분석부(200)를 포함하며, 상기 데이터 분석부(200)는 기저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단하여 비행기동 패턴 기준값을 정의하고, 정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터를 비교 분석하여, 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하여 검출하는 것을 특징으로 하는 비행기동 패턴인식 및 검출 시스템에 관한 것이다.

Description

비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법 {Flight maneuver pattern recognition and detection system, and method using thereof}
본 발명은 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법 에 관한 것으로, 더욱 상세하게는 Weighted Dynamic Time Warping 알고리즘을 이용하여, 입력되는 항공기의 비행시험 데이터와 미리 저장된 비행기동 패턴을 비교 분석하여 비행기동 패턴을 인식하고, 특정한 비행기동 구간을 자동으로 검출할 수 있는 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법 에 관한 것이다.
초음속 항공기 개발은 설계에서부터 검증이 이루어지기까지 철저한 분석 및 해석을 필요로 하고, 이를 통해 성공적인 항공기 개발과 독자적 능력을 얻게 된다. 개발과정 중 비행시험은 설계가 올바르게 되었는지 시험 및 분석을 통해 검증할 수 있는 중요한 단계이다.
비행시험 중에는 다양한 비행기동을 통해 비행안정성(Safety of flight) 및 조종성(Handling quality) 등을 분석하고, 문제점을 개선하기 위한 방대한 데이터를 수집한다.
비행시험에서는 기동특성을 파악하기 위해 여러 종류의 비행기동을 각 비행마다 수행하게 되며, 이을 통해 수집한 데이터에서 비행기동 특성 및 상태를 파악하는 작업을 수행하게 된다. 즉, 비행시험을 통해 수집한 데이터를 이용하여 각 비행기동에서의 비행특성을 분석함으로써, 항공기의 안전과 조종사의 편의성을 향상시키기 위한 자료로 활용하게 된다.
종래의 비행시험 데이터 분석은 비행기동 구간을 판별하기 위해 분석자가 직접 비행시험 원시 데이터(raw data)로부터 필요 기동을 그림으로 그려보고, 눈으로 확인하여 위치를 파악하고 비행기동을 분석하여, 수작업으로 진행된 바, 분석과정에 많은 시간이 소요될 뿐 아니라, 구간을 분류하는 과정 속에 오류를 유발할 수 있는 가능성이 높은 문제점이 있다.
이에 반면, 본 발명의 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법은 Weighted Dynamic Time Warping 알고리즘을 이용하여, 분류되지 않은 각 비행시험 데이터 내에서 비행기동의 고유한 패턴인식 방법을 통해 자동으로 비행기동을 찾아내는 시스템 및 방법으로, 비행시험 데이터 분석 및 운용 양산 항공기에 대한 사후분석을 하는데 있어 기존에 수작업으로 진행하던 것을 자동으로 분류하고 해석할 수 있다.
국내공개특허 제2004-0051235호("항공기 비행 시험 데이터 분석 시스템", 이하 선행문헌 1)에서는 비행 시험 시에 항공기로부터 측정되는 16진수의 각종 원시 비행 데이터들을 아이씨디에 근거한 10진수 값으로 변환하여 메모리에 저장하고, 작업자의 요청에 따라 메모리에 저장된 비행 시험 데이터들을 그 항목별로 그래프 또는 차트 형식으로 출력하여 비행 시험 분석을 용이하도록 하는 항공기 비행 시험 데이터 분석 시스템을 개시하고 있다.
그렇지만, 상기의 선행문헌 1은 비행 시험의 원시 비행 데이터를 작업자가 용이하게 확인할 수 있도록 관리 및 출력할 뿐, 수작업으로 진행되는 비행 시험 분석의 문제점은 전혀 언급하지 않고 있다.
국내공개특허 제10-2004-0051235호(공개일자 2004.06.18.)
본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 Weighted Dynamic Time Warping 알고리즘을 이용하여, 입력되는 항공기의 비행시험 데이터와 미리 저장된 비행기동 패턴을 비교 분석하여 비행기동 패턴을 인식하고, 특정한 비행기동 구간을 자동으로 검출할 수 있는 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템은, 항공기의 비행시험 데이터를 분석하여, 비행기동 패턴인식 및 검출하는 시스템에 있어서, 항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받는 데이터 입력부(100) 및 상기 데이터 입력부(100)로 입력된 상기 비행시험 데이터를 이용하여, 비행기동 패턴인식 및 검출하는 데이터 분석부(200)를 포함하며, 상기 데이터 분석부(200)는 기저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단하여 비행기동 패턴 기준값을 정의하고, 정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터를 비교 분석하여, 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하여 검출하는 것을 특징으로 한다.
또한, 상기 데이터 분석부(200)는 Weighted Dynamic Time Warping 알고리즘(WDTW 알고리즘)을 이용하여, 하기의 수식을 통해 정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터의 타임시퀀스에 대한 거리척도 값(D(i, j))을 산출하고,
Figure 112017003479599-pat00077

(여기서, 비행기동 패턴 기준값의 타임시퀀스는
Figure 112017003479599-pat00078
이며,
전달받은 비행시험 데이터의 타임시퀀스는
Figure 112017003479599-pat00079
이며,
Figure 112017003479599-pat00080
는 local distance 함수를 의미하며,
local distance 함수는 정의한 비행기동 패턴 기준값의 타임시퀀스와 전달받은 비행시험 데이터의 타임시퀀스에 대해 유클리디언(Euclidian) 거리를 이용하여
Figure 112017003479599-pat00081
로 정의되며,
Figure 112017003479599-pat00082
로 정의되며,
Figure 112017003479599-pat00083
는 비행시험 데이터의 타임시퀀스의 중간 값을 의미하며,
Figure 112017003479599-pat00084
는 가중치의 upper bound에 대한 값을 의미하며,
Figure 112017003479599-pat00085
는 가중치의 경사도에 대한 값을 의미함.)
산출한 상기 거리척도 값을 하기의 수식에 적용하여 상기 타임시퀀스 간의 최소 거리(D(X, Y))를 산출하여 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출하는 것을 특징으로 한다.
Figure 112017003479599-pat00086

(여기서, 타임시퀀스 간의 최소 거리가 기설정된 임계값(threshold)보다 작게 나타날 경우에 적용되며,
Figure 112017003479599-pat00087
는 warping path(
Figure 112017003479599-pat00088
)의 길이를 의미함.)
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 방법은, 항공기의 비행시험 데이터를 분석하여, 비행기동 패턴인식 및 검출하는 방법에 있어서, 데이터 분석부에서 기저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단하여 비행기동 패턴 기준값을 정의하는 기준값 정의 단계(S100), 데이터 입력부에서 항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받는 비행시험 데이터 입력 단계(S200) 및 상기 데이터 분석부에서 상기 기준값 정의 단계(S100)에 의해 정의한 비행기동 패턴 기준값과, 상기 비행시험 데이터 입력 단계(S200)에 의해 입력받은 상기 비행시험 데이터를 비교 분석하여, 입력받은 상기 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출하는 비행시험 분석 단계(S300)로 이루어지는 것을 특징으로 한다.
여기서, 상기 비행시험 분석 단계(S300)는 Weighted Dynamic Time Warping 알고리즘(WDTW 알고리즘)을 이용하여, 하기의 수식을 통해 정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터의 타임시퀀스에 대한 거리척도 값(D(i, j))을 산출하고,

Figure 112017003479599-pat00089

(여기서, 비행기동 패턴 기준값의 타임시퀀스는
Figure 112017003479599-pat00090
이며,
전달받은 비행시험 데이터의 타임시퀀스는
Figure 112017003479599-pat00091
이며,
Figure 112017003479599-pat00092
는 local distance 함수를 의미하며,
local distance 함수는 정의한 비행기동 패턴 기준값의 타임시퀀스와 전달받은 비행시험 데이터의 타임시퀀스에 대해 유클리디언(Euclidian) 거리를 이용하여
Figure 112017003479599-pat00093
로 정의되며,
Figure 112017003479599-pat00094
로 정의되며,
Figure 112017003479599-pat00095
는 비행시험 데이터의 타임시퀀스의 중간 값을 의미하며,
Figure 112017003479599-pat00096
는 가중치의 upper bound에 대한 값을 의미하며,
Figure 112017003479599-pat00097
는 가중치의 경사도에 대한 값을 의미함.)
산출한 상기 거리척도 값을 하기의 수식에 적용하여 상기 타임시퀀스 간의 최소 거리(D(X, Y))를 산출하여 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출하는 것을 특징으로 한다.
Figure 112017003479599-pat00098

(여기서, 타임시퀀스 간의 최소 거리가 기설정된 임계값(threshold)보다 작게 나타날 경우에 적용되며,
Figure 112017003479599-pat00099
는 warping path(
Figure 112017003479599-pat00100
)의 길이를 의미함.)
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
상기와 같은 구성에 의한 본 발명의 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법은 Weighted Dynamic Time Warping 알고리즘을 이용하여, 분류되지 않은 각 비행시험 데이터 내에서 비행기동의 고유한 패턴인식 방법을 통해 자동으로 비행기동을 찾아내는 시스템 및 방법으로, 비행시험 데이터 분석 및 운용 양산 항공기에 대한 사후분석을 하는데 있어 기존에 수작업으로 진행하던 것을 자동으로 분류하고 해석할 수 있는 장점이 있다.
즉, Weighted Dynamic Time Warping 알고리즘을 이용하여, 입력되는 항공기의 비행시험 데이터와 미리 저장된 비행기동 패턴을 비교 분석하여 비행기동 패턴을 인식하고, 특정한 비행기동 구간을 자동으로 검출할 수 있어,
비행시험 분석에서 오류를 최소화할 수 있으며, 추가적인 인력, 유지보수 비용, 처리 시간 등을 절약할 수 있는 장점이 있다.
또한, 효과적인 개발 프로세스 제공으로 개발기간 단축 및 경제성 등의 관점에서 큰 이점이 있다.
더불어, 비행시험 분석 정보의 전문화 및 신뢰성 확보가 가능하여, 현재 운용 항공기 뿐 아니라, 추후 개발되는 항공기에도 용이하게 적용할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템을 간략하게 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템에서 판단한 비행기동 종류별 신호특성을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템에서 local distance 함수를 산출함에 있어서 발생하는 경로 제한을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템에서 WDTW 알고리즘을 이용하여 산출한 복수 개의 타임시퀀스 간의 최소 거리의 최적경로를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템에서의 비행시험 데이터, 거리척도 값, 인식하여 검출한 비행기동의 패턴 및 정의한 비비행기동 패턴 기준값을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 방법을 나타낸 순서도이다.
이하 첨부한 도면들을 참조하여 본 발명의 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법은 Weighted Dynamic Time Warping 알고리즘을 이용하여, 분류되지 않은 각 비행시험 데이터 내에서 비행기동의 고유한 패턴인식 방법을 통해 자동으로 비행기동을 찾아내는 시스템 및 방법으로,
입력되는 항공기의 비행시험 데이터와 미리 저장된 비행기동 패턴을 비교 분석하여 비행기동 패턴을 인식하고, 특정한 비행기동 구간을 자동으로 검출할 수 있는 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법에 관한 것이다.
도 1은 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템을 나타낸 도면이다. 도 1을 참조로 하여 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템을 상세히 설명한다.
본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 시스템은 도 1에 도시된 바와 같이, 데이터 입력부(100) 및 데이터 분석부(200)를 포함하여 구성될 수 있으며, 초음속 항공기의 비행시험 데이터를 이용하여 비행기동 패턴을 인식하고, 특정한 기동 구간을 자동으로 검출할 수 있다.
각 구성에 대해서 자세히 알아보자면,
상기 데이터 입력부(100)는 항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받을 수 있으며,
상기 데이터 분석부(200)는 상기 데이터 입력부(200)로 입력된 상기 비행시험 데이터를 이용하여, 비행기동 패턴인식 및 검출할 수 있다.
비행시험 데이터는 다양한 종류의 데이터가 수집되기 때문에, 각 비행기동을 명확하게 식별할 수 있는 유용한 데이터만을 사용하는 것이 효과적이다.
이에 따라, 상기 데이터 분석부(200)는 항공기의 비행시험에 따라 얻어지는 비행시험 데이터의 비행기동 패턴인식 및 검출에 앞서서, 비행기동의 종류를 정의하고 비행기동 패턴의 특징을 분석하는 것이 바람직하다.
상세하게는, 미리 저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단할 수 있으며, 판단한 비행기동의 신호특성을 비행기동 패턴인식 및 검출을 위한 기준값으로 정의할 수 있다.
상기 데이터 분석부(200)는 미리 저장된 과거의 비행시험 데이터를 분석하여 비행기동의 신호특성, 즉, 비행기동 패턴의 특성을 분석할 수 있다.
비행기동의 패턴으로는 Pitch Doublet Sequence, Roll Sequence, Yaw Doublet Sequence, Wings Level Sideslip 등으로 정의할 수 있으며, 각 비행기동의 패턴은 도 2에 도시된 바와 같이, 뚜렷한 신호특성을 보인다.
즉, 도 2에 도시된 바와 같이, Pitch Doublet Sequence, Roll Sequence의 경우, 각각 Pitch와 Roll stick 입력신호에 뚜렷한 특징을 관찰할 수 있고, Yaw Doublet Sequence, Wings Level Sideslip의 경우, Yaw pedal 입력 신호에 뚜렷한 특징을 관찰할 수 있다.
상기 데이터 분석부(200)는 이러한 신호특성을 기준값으로 정의한 후, 상기 데이터 입력부(100)를 통해서 입력되는 항공기의 비행시험 데이터의 비행기동을 인식하게 된다.
미리 저장된 과거의 비행시험 데이터를 분석하여, 비행기동 패턴 기준값을 정의하고 난 후, 상기 데이터 분석부(200)는 정의한 비행기동 패턴 기준값과 새로이 전달받은 상기 비행시험 데이터를 비교 분석하여, 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하여 검출할 수 있다.
종래의 패턴인식과 관련된 다양한 분야에서는 Dynamic Time Warping 알고리즘(이하, DTW 알고리즘이라 함.)을 이용하여 음성인식이나 제스처 인식을 수행하여 왔을 뿐, 이를 비행기동 패턴인식에 사용되지 않고 있습니다. 또한, DTW 알고리즘을 그대로 이용할 경우, 조종사의 비행기동 습관 및 길이에 따라 오인식이 일어나는 단점이 발생할 가능성이 높다.
자세하게는, 종래의 DTW 알고리즘을 이용하여 비행기동 패턴인식을 수행할 경우, 2개의 타임시퀀스, 즉, 비행기동 패턴 기준값의 타임시퀀스와 새로이 입력되는 비행시험 데이터의 타임시퀀스에 대한 유사성의 정보를 거리척도 값(Distance value)으로 수치화하여 계산하게 된다. 즉, 같은 비행기동일수록 거리척도 값이 작게 나타난다. 그렇지만, DTW 알고리즘은 2개의 타임시퀀스에 대한 위상 차이(phase difference)를 고려치 않고 동일한 가중치 값을 이용하기 때문에, 상술한 바와 같이, 조종사의 비행기동 습관 및 길이에 따라 오인식이 일어나는 단점이 있다.
이에 따라, 상기 데이터 분석부(200)는 상기의 DTW 알고리즘의 단점이 보완된 Weighted Dynamic Time Warping 알고리즘(이하, WDTW 알고리즘이라 함.)을 이용하는 것이 바람직하다.
상기 데이터 분석부(200)는 상기 WDTW 알고리즘을 이용하여, 하기의 수학식 1을 통해 상기 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터의 타임시퀀스에 대한 거리척도 값(D(i, j))을 산출할 수 있다.
Figure 112017003479599-pat00101
여기서, 비행기동 패턴 기준값의 타임시퀀스는
Figure 112017003479599-pat00026
이며,
삭제
전달받은 비행시험 데이터의 타임시퀀스는
Figure 112017003479599-pat00027
이며,
Figure 112017003479599-pat00102
는 local distance 함수를 의미하며,
삭제
이 때, local distance를 산출하기 위해선, 도 3과 같은 경로제한이 발생하기 때문에, local distance 함수는 제한된 경로 내에서 정의한 비행기동 패턴 기준값의 타임시퀀스와 전달받은 비행시험 데이터의 타임시퀀스에 대해 유클리디언(Euclidian) 거리를 이용하여
Figure 112017003479599-pat00103
로 정의되며,
Figure 112017003479599-pat00104
로 정의되며,
삭제
Figure 112017003479599-pat00031
는 비행시험 데이터의 타임시퀀스의 중간 값을 의미하며,
Figure 112015117808050-pat00032
는 가중치의 upper bound에 대한 값을 의미하며,
Figure 112015117808050-pat00033
는 가중치의 경사도에 대한 값을 의미하며, 가중치의 경사도에 대한 값은 실험적으로 산출해낸 상수이다.
즉, 수학식 1은 2개의 타임시퀀스
Figure 112015117808050-pat00034
와
Figure 112015117808050-pat00035
에 대한 거리척도 값이다.
상술한 DTW 알고리즘을 이용할 경우에 발생하는 조종사의 비행기동 습관 및 길이에 따른 오인식을 해결하기 위하여, 상기 데이터 분석부(200)는 warping path(
Figure 112015117808050-pat00036
의 길이
Figure 112015117808050-pat00037
를 통한 정규화(Normalization) 과정을 거쳐 두 타임시퀀스, 즉, 2개의 타임시퀀스
Figure 112015117808050-pat00038
와
Figure 112015117808050-pat00039
간의 최소 거리를 산출하게 된다.
다시 말하자면, 상기 데이터 분석부(200)는 상기 수학식 1을 통해서 산출한 상기 거리척도 값을 하기의 수학식 2에 적용하여 상기 타임시퀀스 간의 최소 거리(D(X, Y))를 산출할 수 있다.
Figure 112017003479599-pat00105
여기서, 타임시퀀스 간의 최소 거리가 기설정된 임계값(threshold)보다 작게 나타날 경우에 적용되며,
Figure 112015117808050-pat00041
는 warping path(
Figure 112015117808050-pat00042
)의 길이를 의미한다.
이를 통해서, 상기 데이터 분석부(200)는 비행기동 패턴 기준값과 비행시험 데이터를 상기 WDTW 알고리즘을 이용하여, 비행기동 패턴 기준값과 비행시험 데이터간의 최소 거리를 산출할 수 있다.
일 예를 들자면, 도 4는 T-50 항공기의 개발용 비행시험 데이터를 토대로 산출한 비행기동 패턴 기준값과 비행시험 데이터간의 최소 거리를 나타낸 도면이다. 검정색에 가까워질수록 거리척도 값이 작은 것을 의미하기 때문에, 두 데이터 간의 유사성이 높음을 알 수 있으며, 도 4와 같이, 입력신호 전체에 대해 일정 크기의 구간별 데이터를 순차적으로 계산하여 최소 거리를 산출하는 것이 바람직하다.
더불어, 도 5는 상기 데이터 분석부(200)에서 입력받은 비행시험 데이터를 통해서 비행기동 패턴인식을 수행한 결과를 나타낸 도면이다.
상세하게는, 첫 번째 그래프는 입력받은 비행시험 데이터를 의미하며,
두 번째 그래프는 상기 데이터 분석부(200)에서 WDTW 알고리즘을 이용하여 산출한 비행기동 패턴 기준값과 비행시험 데이터간의 최소 거리를 의미하며,
세 번째 및 네 번째 그래프는 비행기동 패턴 기준값을 토대로 산출한 비행시험 데이터에 포함되어 있는 비행기동 패턴을 의미하며,
다섯 번째 그래프는 비행기동 패턴 기준값을 의미한다.
도 6은 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 방법을 나타낸 순서도이다. 도 6을 참조로 하여 본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 방법을 상세히 설명한다.
본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 방법은 도 6에 도시된 바와 같이, 기준값 정의 단계(S100), 비행시험 데이터 입력 단계(S200) 및 비행시험 분석 단계(S300)로 이루어질 수 있다.
각 단계에 대해서 자세히 알아보자면,
상기 기준값 정의 단계(S100)는 상기 데이터 분석부(200)에서 미리 저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단하여, 비행기동 패턴 기준값을 정의할 수 있다.
비행시험 데이터는 다양한 종류의 데이터가 수집되기 때문에, 각 비행기동을 명확하게 식별할 수 있는 유용한 데이터만을 사용하는 것이 효과적이다.
이에 따라, 상기 데이터 분석부(200)는 항공기의 비행시험에 따라 얻어지는 비행시험 데이터의 비행기동 패턴인식 및 검출에 앞서서, 비행기동의 종류를 정의하고 비행기동 패턴의 특징을 분석하는 것이 바람직하다.
상술한 바와 같이, 비행기동의 패턴으로는 Pitch Doublet Sequence, Roll Sequence, Yaw Doublet Sequence, Wings Level Sideslip 등으로 정의할 수 있으며, 각 비행기동의 패턴은 도 2에 도시된 바와 같이, 뚜렷한 신호특성을 보인다.
즉, 도 2에 도시된 바와 같이, Pitch Doublet Sequence, Roll Sequence의 경우, 각각 Pitch와 Roll stick 입력신호에 뚜렷한 특징을 관찰할 수 있고, Yaw Doublet Sequence, Wings Level Sideslip의 경우, Yaw pedal 입력 신호에 뚜렷한 특징을 관찰할 수 있다.
상기 비행시험 데이터 입력 단계(S200)는 상기 데이터 입력부(100)에서 항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받을 수 있다.
상기 비행시험 분석 단계(S300)는 상기 데이터 분석부(200)에서 상기 기준값 정의 단계(S100)에 의해 정의한 비행기동 패턴 기준값과 상기 비행시험 데이터 입력 단계(S200)에 의해 입력받은 상기 비행시험 데이터를 비교 분석하여, 입력받은 상기 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출할 수 있다.
상세하게는, 상기 비행시험 분석 단계(S300)는 상기 WDTW 알고리즘을 이용한다.
상기 비행시험 분석 단계(S300)는 상기 WDTW 알고리즘을 이용하여, 상기의 수학식 1을 통해 상기 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터의 타임시퀀스에 대한 거리척도 값(D(i, j))을 산출할 수 있다.
상술한 DTW 알고리즘을 이용할 경우에 발생하는 조종사의 비행기동 습관 및 길이에 따른 오인식을 해결하기 위하여, 상기 비행시험 분석 단계(S300)는 상기 비행기동 패턴 기준값과 상기 비행시험 데이터 간의 위상차이(phase difference)에 따른 가중치를 계산하고, warping path(
Figure 112015117808050-pat00043
의 길이
Figure 112015117808050-pat00044
를 통한 정규화(Normalization) 과정을 거쳐 두 타임시퀀스, 즉, 2개의 타임시퀀스
Figure 112015117808050-pat00045
와
Figure 112015117808050-pat00046
간의 최소 거리를 산출하게 된다.
다시 말하자면, 상기 비행시험 분석 단계(S300)는 상기 수학식 1을 통해서 산출한 상기 거리척도 값을 상기의 수학식 2에 적용하여 상기 타임시퀀스 간의 최소 거리(D(X, Y))를 산출할 수 있다.
이를 통해서, 상기 비행시험 분석 단계(S300)는 비행기동 패턴 기준값과 비행시험 데이터를 상기 WDTW 알고리즘을 이용하여, 최소 거리를 산출할 수 있다.
본 발명의 일 실시예에 따른 비행기동 패턴인식 및 검출 방법에 대한 인식성능을 정량적으로 평가하기 위하여, 전체 비행시험 데이터를 이용해서 각 비행기동의 인식 및 검출 실험을 수행한 결과로서, 하기의 표 1과 같이 실험결과를 정리할 수 있다.
비행기동 종류 Correct False 합계 PD PF
Pitch doublet 16 1 16 100 6.25
Roll doublet 26 3 26 100 11.5
Yaw doublet 19 0 20 95.0 0.0
Wing level sideslip 7 4 8 87.5 50.0
합계 68 8 70 97.14 11.43
즉, 실험결과 총 70개의 비행기동 중 68개의 비행기동에 대해 정확히 인식 및 검출하고 8개의 오검출 결과를 얻었다. 이를 통해서, 인식하고자 하는 비행기동을 올바르게 검출한 확률(PD)은 97.14%, 잘못된 기동을 검출한 확률(PF)은 11.43%로서, 비행시험 분석에서 오류를 최소화하여, 비행시험 분석 정보의 전문화 및 신뢰성 확보할 수 있는 장점이 있다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 데이터 입력부
200 : 데이터 분석부

Claims (4)

  1. 항공기의 비행시험 데이터를 분석하여, 비행기동 패턴인식 및 검출하는 시스템에 있어서,
    항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받는 데이터 입력부(100); 및
    상기 데이터 입력부(100)로 입력된 상기 비행시험 데이터를 이용하여, 비행기동 패턴인식 및 검출하는 데이터 분석부(200);
    를 포함하며,
    상기 데이터 분석부(200)는
    기저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단하여 비행기동 패턴 기준값을 정의하고,
    정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터를 비교 분석하여, 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하여 검출하는 것을 특징으로 하는 비행기동 패턴인식 및 검출 시스템.
  2. 제 1항에 있어서,
    상기 데이터 분석부(200)는
    Weighted Dynamic Time Warping 알고리즘(WDTW 알고리즘)을 이용하여,
    하기의 수식을 통해 정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터의 타임시퀀스에 대한 거리척도 값(D(i, j))을 산출하고,

    Figure 112017003479599-pat00106

    (여기서, 비행기동 패턴 기준값의 타임시퀀스는
    Figure 112017003479599-pat00107
    이며,
    전달받은 비행시험 데이터의 타임시퀀스는
    Figure 112017003479599-pat00108
    이며,
    Figure 112017003479599-pat00109
    는 local distance 함수를 의미하며,
    local distance 함수는 정의한 비행기동 패턴 기준값의 타임시퀀스와 전달받은 비행시험 데이터의 타임시퀀스에 대해 유클리디언(Euclidian) 거리를 이용하여
    Figure 112017003479599-pat00110
    로 정의되며,
    Figure 112017003479599-pat00111
    로 정의되며,
    Figure 112017003479599-pat00112
    는 비행시험 데이터의 타임시퀀스의 중간 값을 의미하며,
    Figure 112017003479599-pat00113
    는 가중치의 upper bound에 대한 값을 의미하며,
    Figure 112017003479599-pat00114
    는 가중치의 경사도에 대한 값을 의미함.)
    산출한 상기 거리척도 값을 하기의 수식에 적용하여 상기 타임시퀀스 간의 최소 거리(D(X, Y))를 산출하여 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출하는 것을 특징으로 하는 비행기동 패턴인식 및 검출 시스템.
    Figure 112017003479599-pat00115

    (여기서, 타임시퀀스 간의 최소 거리가 기설정된 임계값(threshold)보다 작게 나타날 경우에 적용되며,
    Figure 112017003479599-pat00116
    는 warping path(
    Figure 112017003479599-pat00117
    )의 길이를 의미함.)
  3. 항공기의 비행시험 데이터를 분석하여, 비행기동 패턴인식 및 검출하는 방법에 있어서,
    데이터 분석부에서 기저장된 과거의 비행시험 데이터를 분석하여, 비행기동의 종류 및 비행기동의 신호특성을 판단하여 비행기동 패턴 기준값을 정의하는 기준값 정의 단계(S100);
    데이터 입력부에서 항공기의 비행시험에 따라 얻어지는 비행시험 데이터를 입력받는 비행시험 데이터 입력 단계(S200); 및
    상기 데이터 분석부에서 상기 기준값 정의 단계(S100)에 의해 정의한 비행기동 패턴 기준값과, 상기 비행시험 데이터 입력 단계(S200)에 의해 입력받은 상기 비행시험 데이터를 비교 분석하여, 입력받은 상기 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출하는 비행시험 분석 단계(S300);
    로 이루어지는 것을 특징으로 하는 비행기동 패턴인식 및 검출 방법.
  4. 제 3항에 있어서,
    상기 비행시험 분석 단계(S300)는
    Weighted Dynamic Time Warping 알고리즘(WDTW 알고리즘)을 이용하여,
    하기의 수식을 통해 정의한 비행기동 패턴 기준값과 전달받은 상기 비행시험 데이터의 타임시퀀스에 대한 거리척도 값(D(i, j))을 산출하고,

    Figure 112017003479599-pat00118

    (여기서, 비행기동 패턴 기준값의 타임시퀀스는
    Figure 112017003479599-pat00119
    이며,
    전달받은 비행시험 데이터의 타임시퀀스는
    Figure 112017003479599-pat00120
    이며,
    Figure 112017003479599-pat00121
    는 local distance 함수를 의미하며,
    local distance 함수는 정의한 비행기동 패턴 기준값의 타임시퀀스와 전달받은 비행시험 데이터의 타임시퀀스에 대해 유클리디언(Euclidian) 거리를 이용하여
    Figure 112017003479599-pat00122
    로 정의되며,
    Figure 112017003479599-pat00123
    로 정의되며,
    Figure 112017003479599-pat00124
    는 비행시험 데이터의 타임시퀀스의 중간 값을 의미하며,
    Figure 112017003479599-pat00125
    는 가중치의 upper bound에 대한 값을 의미하며,
    Figure 112017003479599-pat00126
    는 가중치의 경사도에 대한 값을 의미함.)
    산출한 상기 거리척도 값을 하기의 수식에 적용하여 상기 타임시퀀스 간의 최소 거리(D(X, Y))를 산출하여 전달받은 비행시험 데이터에 포함되어 있는 비행기동의 패턴을 인식하고 검출하는 것을 특징으로 하는 비행기동 패턴인식 및 검출 방법.
    Figure 112017003479599-pat00127

    (여기서, 타임시퀀스 간의 최소 거리가 기설정된 임계값(threshold)보다 작게 나타날 경우에 적용되며,
    Figure 112017003479599-pat00128
    는 warping path(
    Figure 112017003479599-pat00129
    )의 길이를 의미함.)
KR1020150170436A 2015-12-02 2015-12-02 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법 KR101707131B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150170436A KR101707131B1 (ko) 2015-12-02 2015-12-02 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150170436A KR101707131B1 (ko) 2015-12-02 2015-12-02 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법

Publications (1)

Publication Number Publication Date
KR101707131B1 true KR101707131B1 (ko) 2017-02-15

Family

ID=58111628

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150170436A KR101707131B1 (ko) 2015-12-02 2015-12-02 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법

Country Status (1)

Country Link
KR (1) KR101707131B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401103A (zh) * 2023-06-08 2023-07-07 北京飞安航空科技有限公司 一种飞行员便携式电子图囊的数据安全管理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040051235A (ko) 2002-12-12 2004-06-18 한국항공우주산업 주식회사 항공기 비행 시험 데이터 분석 시스템
KR20120060359A (ko) * 2010-12-02 2012-06-12 한국항공우주산업 주식회사 회전익 항공기의 비행 패턴의 인식 방법, 이를 구현하는 비행 패턴 인식 장치 및 기록 매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040051235A (ko) 2002-12-12 2004-06-18 한국항공우주산업 주식회사 항공기 비행 시험 데이터 분석 시스템
KR20120060359A (ko) * 2010-12-02 2012-06-12 한국항공우주산업 주식회사 회전익 항공기의 비행 패턴의 인식 방법, 이를 구현하는 비행 패턴 인식 장치 및 기록 매체

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116401103A (zh) * 2023-06-08 2023-07-07 北京飞安航空科技有限公司 一种飞行员便携式电子图囊的数据安全管理系统
CN116401103B (zh) * 2023-06-08 2023-07-28 北京飞安航空科技有限公司 一种飞行员便携式电子图囊的数据安全管理系统

Similar Documents

Publication Publication Date Title
EP2930578B1 (en) Failure cause classification apparatus
KR102058427B1 (ko) 검사 장치 및 방법
CN103714338B (zh) 图像处理装置和图像处理方法
KR102461384B1 (ko) 분광 정량화를 위한 감소된 오긍정 식별
CN110533095B (zh) 一种基于改进随机森林的航班飞行风险行为识别方法
EP3951620A1 (en) Information processing device, personal identification device, information processing method, and storage medium
CN104216350A (zh) 感测数据分析系统及方法
JP2017049246A (ja) 分光法を用いる識別
US20200257885A1 (en) High speed reference point independent database filtering for fingerprint identification
US11580425B2 (en) Managing defects in a model training pipeline using synthetic data sets associated with defect types
US11630135B2 (en) Method and apparatus for non-intrusive program tracing with bandwidth reduction for embedded computing systems
CN105334185A (zh) 基于光谱投影判别的近红外模型维护方法
CA2661551C (en) A method of determining the probability that data is associated with a source of a plurality of sources
CN117056834A (zh) 基于决策树的大数据分析方法
CN111860277A (zh) 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN116481791A (zh) 钢结构连接稳定性监测系统及其方法
KR101707131B1 (ko) 비행기동 패턴인식 및 검출 시스템, 이를 이용한 패턴인식 및 검출 방법
CN108507607B (zh) 一种基于核函数的微弱信号检测方法
US20180137270A1 (en) Method and apparatus for non-intrusive program tracing for embedded computing systems
US11507961B2 (en) Fabricated data detection method
CN114694771A (zh) 样品分类方法、分类器的训练方法、设备和介质
CN113239075A (zh) 一种施工数据自检方法及系统
US20180252680A1 (en) Method and Apparatus for Acoustic Emissions Testing
CN113553888B (zh) 人员身份验证方法、装置、设备及存储介质
US20230401290A1 (en) Information processing device, personal identification device, information processing method, and storage medium

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20200204

Year of fee payment: 4