KR102194238B1 - 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법 - Google Patents

실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법 Download PDF

Info

Publication number
KR102194238B1
KR102194238B1 KR1020200077258A KR20200077258A KR102194238B1 KR 102194238 B1 KR102194238 B1 KR 102194238B1 KR 1020200077258 A KR1020200077258 A KR 1020200077258A KR 20200077258 A KR20200077258 A KR 20200077258A KR 102194238 B1 KR102194238 B1 KR 102194238B1
Authority
KR
South Korea
Prior art keywords
aircraft
model information
risk
information
unit
Prior art date
Application number
KR1020200077258A
Other languages
English (en)
Inventor
임흥식
강지수
고동현
최기영
유동일
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020200077258A priority Critical patent/KR102194238B1/ko
Application granted granted Critical
Publication of KR102194238B1 publication Critical patent/KR102194238B1/ko

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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"
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • 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

Abstract

본 발명은 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리부, 기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정부, 상기 데이터 획득 및 처리부에 의해 처리된 데이터와 상기 항공기 모델 정보 선정부에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부 및 상기 항공기 상태정보 추정부에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부를 포함하는 실시간 항공기 안정성 상실 위험 예측 시스템으로서, 본 발명에 의하면, 비행 중 실시간으로 항공기의 안정성 상실 위험을 사전에 예측함으로써, 항공기가 돌발적인 위험으로부터 조종사가 또는 비행제어 시스템에서 빠르고 능동적인 대처를 할 수 있게 한다.

Description

실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법{SYSTEM AND METHOD FOR ESTIMATING A DANGER OF AIRCRAFT LOSS OF STABILITY}
본 발명은 실시간으로 항공기 안정성 상실 위험을 예측하기 위한 시스템 및 방법으로서, 신경회로망과 확장칼만필터를 이용한 예측 시스템 및 예측 방법에 관한 것이다.
항공기의 안정성은 크게 외부 외란으로부터 원래의 평형상태로 돌아가려는 경향성을 말하며, 항공기의 형상에서 수평, 수직 안정판 등이 안정성을 향상 시킬 수 있다. 하지만, 항공기가 안정성이 뛰어나면 변화에 복원하려는 성질이 커져, 조종사의 조종명령에 잘 반응하지 않고 기동성능이 저하된다. 따라서, 최근 항공기는 기동성을 증대하기 위하여 정안정성 완화 개념을 적용하여 설계를 하고 있으며, 동시에 비행 안정성과 조종성능을 증대하기 위한 전자식 비행제어 시스템을 탑재한다. 이러한 시스템에는 전 비행영역에서 요구 성능을 보장할 수 있는 비행제어법칙이 필수적으로 포함된다.
한편, 항공기가 비행 중 안정성을 상실하고 불안정한 상태에 놓여 위험해지는 경우는 엔진 고장 또는 날개 파손과 같은 구성품의 고장을 제외하면, 대부분 비행 중 복원력보다 큰 외란이 작용하거나 과도한 기동에 의한 특이 자세, 그리고 비행 한계(속도 및 하중계수)를 초과하는 경우 발생한다.
현대 기술의 발달로 위와 같은 위험 상황은 비행 전 해석과 시험을 통해 일부 예측 가능하기 때문에, 도 1과 같이 통상 사전에 확보한 결과들을 바탕으로 비행 간 안정성 상실 위험을 예측할 수 있는 시스템을 탑재하게 된다.
즉, 항공기(70)의 몸체 각 부분에 설치되어 있는 센서들과 측정된 센서 정보들을 모으는 측정부(71)와, 측정부(71)에서 얻어진 정보를 바탕으로 항공기와 안정성 상실 위험이 있는지를 판단하는 안정성 상실 위험 감지부(72)와, 상기 안정성 상실 위험 감지부(72)에서 판단된 위험 여부를 조종사 디스플레이 또는 비행제어시스템에 전달하는 안정성 상실 위험 경고부(73)로 구성된다.
이 같은 종래 시스템의 동작은 먼저, 측정부(71)에서는 항공기 각 부에 설치된 센서 정보들을 모으고 불필요한 노이즈 등이 필터링하여 그 결과를 위험 감지부(72)로 전달한다. 위험 감지부(72)에서 전달받은 정보들은 사전의 해석과 실험 결과들을 바탕으로 얻어진 안정성 상실 위험 기준치와 비교되어, 비행 중 지속적으로 위험 여부를 판단한다. 이 때, 추가적으로 전달 받은 정보들은 사칙연산 또는 주파수 변환 등을 통해 항공기의 안정성을 나타내는 요소(예를 들면, 실속 속도 또는 비행제어 시스템 안정성 여유)로 변형되어 위험 기준치와 비교된다. 위 비교 단계에서는 한 가지 기준치가 아닌 항공기 안정성과 관련된 다양한 기준치가 적용되어 위험 여부를 판단한다. 판단 결과는 경고부(73)로 전달되어 디스플레이 표시 또는 위험 알람을 통해 조종사 또는 비행제어시스템이 인식하여 대처할 수 있도록 한다.
그러나, 이러한 종래 기술에서 위험 판단의 기준은 기존의 해석 결과와 시험 결과만을 바탕으로 정해지므로, 대상 항공기 외 다른 항공기에 적용할 때 많은 수정과 검증 과정이 추가적으로 요구된다. 또한, 예상치 못한 환경적 요인에 의해 사전에 고려하지 못한 상황에 놓이게 될 경우, 위험을 제대로 예측하지 못하는 경우가 생길 수 있다. 이에 더해, 측정하는 시점의 센서 정보만을 가지고 안정성 상실 위험을 판단하므로, 항공기의 안정성 상실 상태 이후 빠르게 불안정 상태로 변화하는 것을 대처하기에 이미 늦은 상황이 되어버리는 문제점이 있다.
이상의 배경기술에 기재된 사항은 발명의 배경에 대한 이해를 돕기 위한 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.
한국등록특허공보 제10-1813697호
본 발명은 상술한 문제점을 해결하고자 안출된 것으로서, 본 발명은 비행 중 실시간으로 항공기의 안정성 상실 위험을 사전에 예측함으로써, 항공기가 돌발적인 위험으로부터 조종사가 또는 비행제어 시스템에서 빠르고 능동적인 대처를 할 수 있도록 돕는 시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 일 관점에 의한 실시간 항공기 안정성 상실 위험 예측 시스템은, 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리부, 기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정부, 상기 데이터 획득 및 처리부에 의해 처리된 데이터와 상기 항공기 모델 정보 선정부에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부 및 상기 항공기 상태정보 추정부에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부를 포함한다.
그리고, 상기 데이터 획득 및 처리부는, 상기 센서들로부터 측정되는 상기 항공기의 상태정보를 저장하는 데이터 획득부, 상기 데이터 획득부에 저장된 데이터를 전처리하는 처리부, 상기 데이터로부터 불필요한 잡음을 제거하는 필터 및 상기 센서들 중 갱신률이 다른 센서들의 정보들을 통합하는 통합기를 포함할 수 있다.
한편, 상기 항공기 모델정보 선정부에 기저장된 항공기 모델정보는, 공력 모델 정보, 엔진모델 정보, 항공기 형상정보, 항공기 구동기 모델 정보, 질량 모델 정보, 무게 중심 모델 정보, 항공기 비행 한계치 모델 정보, 탑재 센서 특성 정보를 포함하는 것을 특징으로 한다.
그리고, 상기 항공기 모델정보 선정부는, 선형 라그란지(Linear Largrange)방법과 선형 탐색(Linear search)기법을 이용하여 상기 기저장된 항공기 모델정보로부터 상기 항공기의 비행 상태 및 조종면 각도에 맞는 항공기 모델 정보를 선정하는 것을 특징으로 한다.
또한, 상기 항공기 모델정보 선정부는, 상기 항공기의 비행 상태 및 조종면 각도가 상기 기저장된 항공기 모델정보의 범위를 벗어날 경우, 선형 또는 3차 스플라인(Cubic spline)기법을 활용해 외삽(Extrapolation)을 수행하여 상기 항공기 모델 정보를 선정하는 것을 특징으로 한다.
다음으로, 상기 위험상태 예측부의 상기 신경회로망은, 상기 항공기 미래 상태정보를 입력층으로 설정하고, 복수 개의 퍼셉트론(Perceptron)으로 구성된 다층 병렬 은닉층(Hidden Layer)과 1개의 퍼셉트론으로 구성된 출력층(Output Layer)을 설정하는 것을 특징으로 한다.
나아가, 상기 위험상태 예측부에 의해 예측된 상기 항공기 안정성 상실 위험을 검증하는 위험 예측결과 검증부 및 상기 위험 예측결과 검증부에 의해 검증된 상기 항공기 안정성 상실 위험에 대한 위험 경고를 출력하는 위험 경고 출력부를 더 포함할 수 있다.
다음으로, 본 발명의 일 관점에 의한 실시간 항공기 안정성 상실 위험 예측 방법은, 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리단계, 기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정단계, 상기 데이터 획득 및 처리단계에 의해 처리된 데이터와 상기 항공기 모델 정보 선정단계에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정단계 및 상기 항공기 상태정보 추정단계에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측단계를 포함한다.
그리고, 상기 항공기 모델정보 선정단계의 기저장된 항공기 모델정보는, 공력 모델 정보, 엔진모델 정보, 항공기 형상정보, 항공기 구동기 모델 정보, 질량 모델 정보, 무게 중심 모델 정보, 항공기 비행 한계치 모델 정보, 탑재 센서 특성 정보를 포함하는 것을 특징으로 한다.
또한, 상기 항공기 모델정보 선정단계는, 선형 라그란지(Linear Largrange)방법과 선형 탐색(Linear search)기법을 이용하여 상기 기저장된 항공기 모델정보로부터 상기 항공기의 비행 상태 및 조종면 각도에 맞는 항공기 모델 정보를 선정하는 것을 특징으로 한다.
그리고, 상기 항공기 모델정보 선정단계는, 상기 항공기의 비행 상태 및 조종면 각도가 상기 기저장된 항공기 모델정보의 범위를 벗어날 경우, 선형 또는 3차 스플라인(Cubic spline)기법을 활용해 외삽(Extrapolation)을 수행하여 상기 항공기 모델 정보를 선정하는 것을 특징으로 한다.
한편, 상기 위험상태 예측단계의 상기 신경회로망은, 상기 항공기 미래 상태정보를 입력층으로 설정하고, 복수 개의 퍼셉트론(Perceptron)으로 구성된 다층 병렬 은닉층(Hidden Layer)과 1개의 퍼셉트론으로 구성된 출력층(Output Layer)을 설정하는 것을 특징으로 한다.
나아가, 상기 위험상태 예측단계에 의해 예측된 상기 항공기 안정성 상실 위험을 검증하는 위험 예측결과 검증단계 및 상기 위험 예측결과 검증단계에 의해 검증된 상기 항공기 안정성 상실 위험에 대한 위험 경고를 출력하는 위험 경고 출력단계를 더 포함할 수 있다.
본 발명의 실시간 항공기 안정성 상실 위험 예측 시스템 및 방법에 의하면, 실시간으로 측정되는 센서 정보로부터 미래 항공기 상태정보를 예측해 안정성 상실 위험을 예측할 수가 있다.
즉, 신경회로망 기반 기계학습 방식으로 입력과 출력 데이터의 변화를 통해 위험 상황을 감지할 수 있으므로, 항공기의 안정성을 표현한 복잡한 비선형 방정식을 계산하거나 알려지지 않는 물리적 현상에 대해 고려하지 않아도 된다.
따라서, 사전에 확보한 데이터 이외의 구간에서도 적용될 수가 있다.
또한, 위험 경고를 디스플레이 화면이나 음성으로 출력하여 조종사가 위험상황 전 미리 대처할 수 있으며, 비행제어 시스템에도 반영하여 위험상황을 효과적으로 방지할 수가 있다.
도 1은 종래의 비행 간 안정성 상실 위험을 예측하는 시스템을 개략적으로 도시한 것이다.
도 2는 본 발명의 실시 예에 따른 안정성 상실 위험 예측 시스템을 나타내는 블록도이다.
도 3은 본 발명의 실시 예에 따른 안정성 상실 위험 예측 방법을 나타내는 흐름도이다.
도 4는 본 발명에서 이용되는 확장칼만필터의 작동순서를 나타내는 흐름도이다.
도 5는 본 발명에서 이용되는 신경회로망의 학습을 위해 데이터를 생성하는 방법을 나타내는 블록도이다.
도 6은 본 발명에서 안정성 상실 위험 예측에 활용되는 신경회로망의 확보 방법에 관한 흐름도이다.
도 7은 본 발명에서 위험 예측 결과를 검증하는 방법을 설명하기 위한 순서도이다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시 예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
본 발명의 바람직한 실시 예를 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지의 기술이나 반복적인 설명은 그 설명을 줄이거나 생략하기로 한다.
도 2는 본 발명의 실시 예에 따른 안정성 상실 위험 예측 시스템을 나타내는 블록도이고, 도 3은 본 발명의 실시 예에 따른 안정성 상실 위험 예측 시스템의 작동순서를 나타내는 흐름도이다.
이하, 도 2 및 도 3을 참조하여 본 발명의 일 실시예에 의한 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법을 설명하기로 한다.
이에 앞서, 상세한 설명이 불필요하게 요지를 흐릴 수 있다고 판단되는 경우 그 설명을 생략하며, 관련된 기술에 대한 실시 예들로 한정되지 않고 다른 형태로 구체화될 수 있음을 알려둔다. 여기서 소개하는 실시 예들은 본 발명의 사상이 충분히 전달 될 수 있도록 하기 위해 제공하는 것이다.
이에 앞서, 본 명세서에서 서술되는 주요 용어의 의미는 기술적 사상에 부합되도록 다음과 같이 이해되어야 할 것이다.
"항공기 안정성 상실"이란 항공기가 외란이나 내부 고장, 또는 한계치를 넘어서는 기동 조건에서, 자체 형상 및 보유 조종면을 통해 얻을 수 있는 복원력(또는 조종력)을 통해 안정성을 유지할 수 없는 위험한 상황을 말한다.
한편, 기동성을 중시하는 전투기와 같은 항공기는 의도적으로 항공기의 정적안정성 완화(Relaxed Static Stability)기법을 적용하여 설계되므로 조종안정성 확보를 위한 비행제어시스템이 필수적이다. 또한 무인항공기의 경우에도 조종사 없이 자동비행을 수행해야 하므로 동일하게 요구된다. 상기의 경우와 같이 비행제어시스템이 탑재된 항공기의 경우에도 위 용어의 의미는 동일하게 적용된다. 위 용어는 "불안정"한 상태와 동일하게 사용될 수 있다.
본 발명의 일 실시예에 의한 실시간 항공기 안정성 상실 위험 예측 시스템은 도 2와 같이 구성된다. 항공기 주변부에 또는 내부에 장착된 센서로부터 데이터를 획득하고, 불필요한 잡음 등을 제거하는 데이터 획득 및 처리부(10), 사전에 확보한 해석 결과와 시험 결과를 바탕으로 얻게 되는 항공기 모델 정보를 현재 측정되는 비행 상태에 맞게 선정해 출력해주는 항공기 모델 정보 선정부(20), 측정 데이터와 선정된 항공기 모델 정보를 바탕으로 확장칼만필터를 이용하여 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부(30), 추정된 항공기 미래 상태정보와 사전에 학습된 신경회로망을 이용하여 가까운 미래의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부(40), 예측된 위험상태 결과를 검증하기 위한 위험 예측결과 검증부(50), 검증된 위험 예측결과를 조종사가 확인할 수 있는 디스플레이와 음성 경고장치, 그리고 비행제어시스템으로 전달하는 위험 경고 출력부(60)를 포함한다.
이러한 본 발명의 시스템은 도 3과 같은 순서로 구동되며, 비행 중 단기 미래의 항공기의 비행 상태정보를 추정할 수 있으며, 이를 통해 항공기의 안정성 상실 위험을 예측하고 그 결과를 검증할 수 있다.
상기 데이터 획득 및 처리부(10)는 다양한 센서들로부터 측정되는 항공기 상태정보를 전달받아 임시 저장하는 데이터 획득부와 획득한 데이터를 위험 예측에 효과적으로 활용하기 위해 전처리(pre-process) 과정을 수행하는 처리부로 구성된다. 데이터 획득부에서는 데이터를 전달받는 수신부와, 데이터를 임시 저장하는 저장부를 구비할 수 있으며, 데이터 처리부에서는 불필요한 잡음을 제거할 수 있는 필터, 처리된 결과를 항공기 상태정보 추정부와 항공기 모델 정보 선정부로 전달하는 전달부, 갱신률이 다른 센서 정보들을 통합하는 통합기로 구성되고, 이 같은 구성에 의해 센서 데이터를 획득 및 처리한다(S10).
상기 항공기 모델정보 선정부(20)에서는 사전에 확보하여 기저장된 공력 모델, 엔진모델, 항공기 형상정보, 항공기 구동기 모델, 질량 모델, 무게 중심 모델, 항공기 비행 한계치 모델, 탑재 센서 특성 정보를 구비한 항공기 모델정보 저장부, 선형 라그란지(Linear Largrange)방법과 선형 탐색(Linear search)기법을 이용해 각 모델로부터 비행 상태 및 조종면 각도에 맞는 모델 값을 선정하는 선정기, 보유한 모델의 데이터 범주를 넘어선 경우 선형 또는 3차 스플라인(Cubic spline)기법을 활용해 외삽(Extrapolation)을 수행하는 외삽기를 포함하며, 항공기 모델 정보 개선 및 신경회로망 개선을 위해 재귀 푸리에 변환(Recursive Fourier Transform)과 회기 푸리에 변환(Fourier transform regression) 기법을 통한 항공기 모델 정보를 실시간으로 추정하는 추정기를 추가적으로 구비할 수 있으며, 이 같은 구성에 의해 항공기 모델정보를 선정한다(S20).
상기 항공기 상태정보 추정부(30)에서는 데이터 획득 및 처리부(10)에 의해 처리된 데이터와 항공기 모델 정보 선정부(20)에 의해 선정된 항공기 모델 정보를 취득하는 데이터 입력부, 후술할 확장칼만필터를 활용하여 미래 항공기 상태정보를 예측하는 상태 예측부로 구성됨으로써 항공기 미래 상태정보를 추정한다(S30). 상태 예측부의 확장칼만필터는 측정 센서 특성 및 항공기 불확실성을 고려하여 사전에 설계되고 성능이 검증되었다고 가정한다.
상기 위험상태 예측부(40)에서는 예측된 항공기 상태정보 추정 결과를 신경회로망으로 전달하는 입력부와, 위험 상태를 예측하는 신경회로망이 포함된 위험 예측부로 구성되어, 항공기 안정성 상실 위험상태를 예측한다(S40).
상기 위험상태 예측부(40)에 적용된 신경회로망은 항공기 상태 정보(받음각, 옆미끄럼각, 자세, 각속도, 조종면)을 입력으로 하여 복수 개의 퍼셉트론(Perceptron)으로 구성된 다층 병렬 은닉층(Hidden Layer)과 1개의 퍼셉트론으로 구성된 출력층(Output Layer)을 신경회로망으로 형성한다. 여기서 상기 은닉층은 다층 병렬 배열로 구성하며, 상기 신경회로망은 사전에 학습된다. 학습데이터 생성 방법과 내부 구성은 후술한다.
상기 위험 예측결과 검증부(50)에서는 도 7의 구체적인 방법을 통해서 위험 결과를 검증한다(S50). 데이터 획득 및 처리부(10), 항공기 모델 정보 선정부(20), 그리고 항공기 상태정보 추정부(30)에서 값을 입력 받아(S51) 사전에 데이터를 확보한 비행 구간인지 여부에 따라(S52) 위험 결과 검증을 수행한다. 사전에 데이터를 확보한 구간에서는 미래 상태정보들과 계산된 하중계수를 비행 한계치와 비교하는(S53) 1차 검증부, 추정치와 측정치의 차이 값을 누적하여 증가 추세를 확인하는(S54) 2차 검증부가 포함된 이중 검증 단계로 구성된다. 1차 검증부에서 한계치 값은 실속 받음각, 실속 속도, 한계 자세, 한계 하중계수로 선정한다. 이에 더해 각속도 한계치, 무게 중심 위치 한계, 조종력 한계를 추가적으로 적용할 수 있다. 한계치 값은 측정되는 항공기 진동에 의한 외적요인들과 안전계수 측면에서 일정 여유(margin)을 둘 수 있다. 2차 검증부에서의 경계치는 사전의 확보한 데이터를 기반으로 선정하며, 상기와 마찬가지로 일정 여유를 둘 수 있다. 1차 검증부 또는 2차 검증부에서 1개 이상의 비교치 값이 한계치 또는 경계치를 초과(S55)하는지를 판단하여, 초과할 경우 위험 상태를 유지하거나 위험한 상황으로 예측하여, 위험 경보(S56)를 위험 경고 출력부(60)에 전달한다.
이전 데이터를 확보하지 않은 비행 구간에서는 측정치 값을 누적하여 진폭의 변화율을 계산하여 증가 추세를 확인한다(S57). 이 때, 경계치는 센서 오차 특성 및 진동 요인 등을 고려해 선정하고 일정 여유를 둘 수 있다. 사전에 데이터를 확보한 구간과 동일하게 1개 이상의 비교치 값을 경계치와 비교하여(S58), 경계치를 초과할 경우 위험 상태를 유지하거나 위험한 상황으로 예측하여, 위험 경보(S56)를 위험 경고 출력부(60)에 전달한다.
상기 위험 경고 출력부(60)에서는 전달받은 위험 경고를 표시하는 표시패널부, 위험 경고를 음성으로 출력하는 음성패널부, 위험 경고를 비행제어 시스템에 전달하는 전달부가 포함된다. 추가적으로 컴퓨터로 판독 가능한 기록 매체에 저장되는 저장부를 더 구비할 수 있다.
이를 통해, 위험 경고가 출력될 수 있게 한다(S60).
다음으로, 확장칼만필터를 이용한 항공기 미래 상태정보의 추정과 신경회로망을 이용한 위험상태 예측에 대해 보다 자세히 살펴본다.
1. 확장칼만필터를 활용한 항공기 미래 상태정보 추정부에 대한 설명
도 4는 도 2에서의 항공기 상태정보 추정부(30)에서 항공기 미래 상태를 추정하기 위해 활용되는 확장칼만필터의 작동순서를 나타내는 흐름도이다.
확장칼만필터(Extended Kalman Filter)는 선형시스템(Linear system)에서만 활용 가능한 칼만필터를 비선형시스템(Non-Linear system)에서 활용할 수 있도록 확장한 것을 말하며, 이를 위해 사전에 알고 있는 비선형 시스템 방정식의 미분치와 측정치를 활용해 값을 추정하게 된다. 본 발명에서 비선형 시스템 방정식은 잘 알려진 항공기 힘(Force) 방정식, 모멘트(Moment) 방정식, 운동학(kinematic) 방정식을 활용하며, 샘플링 시간은 항공기 내 타 장비에서 활용하는 샘플링 시간을 고려하여 선정한다. 칼만필터와 관련된 세부적인 수식과 설명은 생략한다.
도 4를 참조하면, 확장칼만필터는 다음과 같은 순서로 작동한다. 먼저, 초기 값 선정(S31) 구간에서는 항공기 초기 상태정보를 선정한다. 이에 더해, 항공기 모델의 불확실성 요소를 고려하여 시스템 잡음 크기와 측정 센서의 특성을 고려하여 측정치 잡음 크기를 선정하고, 이를 반영해 초기 공분산 행렬(Matrix)을 정의한다. 상태정보 추정 및 오차 공분산 예측(S32) 구간에서는 상기 언급한 항공기 비선형 방정식을 활용하여 미래의 항공기 상태 정보를 추정한다. 칼만 이득 계산(S33) 구간에서는 이전 구간(S32)에서 추정된 항공기 상태 정보와 센서로부터 측정되는 측정치와의 신뢰도 기반 가중치를 선정하는 구간이다. 이 구간에서, 항공기 비선형 방정식으로부터 추정되는 항공기 상태정보와 실제 측정하는 측정치와의 차이를 계산한다. 이를 통해, 실제 비행 중 항공기가 비행 전 사전 확보한 모델 결과들에 따라 예측된 구간에서 비행하는지, 아니면 모델 결과를 벗어나는 예상치 못한 비행 구간 또는 운동 방정식으로 모사할 수 없는 비정상 비행 상태인지를 예측할 수 있다. 따라서 위 차이 값의 변화는 위험상태 예측부(40)의 출력 결과를 검증하는데 활용되며, 판단을 위한 경계치 값은 다량의 시뮬레이션 결과 및 비행 시험 결과를 통해 선정될 수 있다. 계산된 칼만 이득에 따라 추정값을 보정(S34)하고, 오차 공분산을 계산한다(S35).
2. 신경회로망을 이용한 항공기 안정성 상실 위험상태 예측 방법에 대한 설명
이하 본 발명에 따른 신경회로망을 이용한 항공기 안정성 상실 위험상태 예측 방법에 대해 구체적으로 설명한다. 하지만 상기와 마찬가지로 세부적인 수식과 설명에 대한 부분은 생략한다.
신경회로망은 기계학습 방식을 통해 다양한 입력과 출력 사이의 복잡한 관계를 결정지어주며, 특히 분류 문제에 활발하게 활용되고 있다. 따라서, 신경회로망은 본 발명에서 해결하려고 하는 것과 같이 비행 중 한 개의 상태정보의 변화가 아닌, 여러 상태정보가 동시에 변화함에 따라 복잡한 방식으로 정의되는 항공기의 안정성 상실 위험 판단 문제에 적용하기에 적합하다.
한편, 신경회로망은 도 6의 흐름도에 따라 확보될 수 있다. 신경회로망 학습을 위한 위험 상황 및 정상 비행 상황의 입출력 학습 데이터 확보(S41)는 도 5의 블록도와 같이 가능하다. 실제 신경 회로망 학습에 비행시험 데이터만을 활용하면 매우 이상적이나, 항공기가 안정성을 상실한 위험 상황에서 비행을 유지해야 하므로 위험하고 데이터 획득에 매우 제한적이다.
도 5의 입력 데이터 생성부(41)는 학습 데이터에서 입력 부분을 생성하기 위한 부분으로서, 기동 모델과 안정성 해석 모델을 포함할 수 있다. 기동 모델은 항공기가 실제 비행 중 가능한 기동을 수행 할 수 있도록 명령을 내어주는 모델로 유도 법칙 명령, 비행 제어 법칙 명령, 조종면 입력 등이 포함될 수 있다. 이 때, 의도적으로 항공기가 불안정한 상태에 진입할 수 있도록 다양한 조합으로 생성해야 한다. 항공기의 기준 좌표계인 바람 좌표계, 동체 좌표계에서 각 축 별 운동 따로, 또는 여러 축 동시에 운동을 할 수 있도록 해야 한다.
안정성 해석 모델은 선형 시스템 및 비선형 시스템 해석 방법을 사용하여, 항공기의 시뮬레이션 모델의 비행 구간과 조종 명령에 따른 항공기 안정성을 예측할 수 있다. 대표적으로 선형 해석에는 계단 응답 특성 및 주파수 응답 특성 등이 있으며, 비선형 해석에는 분기(Bifurcation) 해석 등을 활용할 수 있다.
항공기 시뮬레이션 모델(42)은 실제 항공기 운동을 모사할 수 있도록 구성되며, 항공기 운동 모델, 센서 모델, 대기 및 중력 모델, 공력 및 추력 모델, 비행 제어 법칙 등이 포함될 수 있다. 사전에 확보한 해석 및 비행 시험 데이터가 위에 포함된다.
안정성 상실 위험 판단 모델(43)은 시뮬레이션 또는 비행시험 데이터로부터 항공기의 위험 여부를 판단하는 모델로서, 연속적인 시간의 흐름에서 계속적으로 항공기의 안정성을 판단해야 한다. 판단 기준으로는 비행 한계치, 항공기 상태 정보의 변화 추세 등이 포함된다.
이와 같이 확보된 학습 데이터는 학습용 입력 데이터로 변환(S42) 후 신경회로망 학습 기법을 통해 학습되며(S43), 학습 데이터 일부는 신경회로망 성능 검증(S44)에 활용된다. 본 발명에서는 학습 기법으로 반복적인 탐색을 피할 수 있고 도함수를 갖는 한 어떤 네트워크도 훈련시킬 수 있는 스케일된 켤레 기울기 역전파(Scaled Conjugate Gradient)를 사용하였으나, 학습 기법은 위 방법에 한정되지 않는다.
본 발명에서는 항공기 상태정보(받음각, 옆미끄럼각, 속도, 자세, 각속도) 및 조종면 각도를 입력 데이터로 선정하여, 이에 맞는 입력층을 설정하였으며 은닉층은 다층 병렬 형태로 구성하였다. 출력층의 경우 위험 여부만을 판단하므로 1개의 출력층을 활용한다. 추가적으로, 항공기 미래 상태 정보 추정부(30)의 추정에 활용되는 추정치와 측정치의 차이 값을 추가 입력 층에 반영하고 출력 층에 차이 값의 위험 경계 값을 추가하여 항공기 위험 상태 검증에 활용할 수 있다.
이상과 같은 본 발명은 예시된 도면을 참조하여 설명되었지만, 기재된 실시 예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정 예 또는 변형 예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이며, 본 발명의 권리범위는 첨부된 특허청구범위에 기초하여 해석되어야 할 것이다.
10 : 데이터 획득 및 처리부
20 : 데이터 획득 및 처리부
30 : 데이터 획득 및 처리부
40 : 데이터 획득 및 처리부
50 : 위험 예측결과 검증부
60 : 위험 경고 출력부
S10 : 센서데이터 획득 및 처리 단계
S20 : 항공기 모델정보 선정 단계
S30 : 항공기 미래 상태정보 추정 단계
S40 : 항공기 안정성 상실 위험상태 예측 단계
S50 : 위험 예측결과 검증 단계
S60 : 위험 경고 출력 단계

Claims (13)

  1. 삭제
  2. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리부;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정부;
    상기 데이터 획득 및 처리부에 의해 처리된 데이터와 상기 항공기 모델 정보 선정부에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부; 및
    상기 항공기 상태정보 추정부에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부를 포함하고,
    상기 데이터 획득 및 처리부는,
    상기 센서들로부터 측정되는 상기 항공기의 상태정보를 저장하는 데이터 획득부;
    상기 데이터 획득부에 저장된 데이터를 전처리하는 처리부;
    상기 처리부에 의해 전처리된 데이터로부터 불필요한 잡음을 제거하는 필터; 및
    상기 센서들 중 갱신률이 다른 센서들의 정보들을 통합하는 통합기를 포함하는,
    실시간 항공기 안정성 상실 위험 예측 시스템.
  3. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리부;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정부;
    상기 데이터 획득 및 처리부에 의해 처리된 데이터와 상기 항공기 모델 정보 선정부에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부; 및
    상기 항공기 상태정보 추정부에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부를 포함하고,
    상기 항공기 모델정보 선정부에 기저장된 항공기 모델정보는,
    공력 모델 정보, 엔진모델 정보, 항공기 형상정보, 항공기 구동기 모델 정보, 질량 모델 정보, 무게 중심 모델 정보, 항공기 비행 한계치 모델 정보, 탑재 센서 특성 정보를 포함하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 시스템.
  4. 청구항 3에 있어서,
    상기 항공기 모델정보 선정부는,
    선형 라그란지(Linear Largrange)방법과 선형 탐색(Linear search)기법을 이용하여 상기 기저장된 항공기 모델정보로부터 상기 항공기의 비행 상태 및 조종면 각도에 맞는 항공기 모델 정보를 선정하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 시스템.
  5. 청구항 4에 있어서,
    상기 항공기 모델정보 선정부는,
    상기 항공기의 비행 상태 및 조종면 각도가 상기 기저장된 항공기 모델정보의 범위를 벗어날 경우, 선형 또는 3차 스플라인(Cubic spline)기법을 활용해 외삽(Extrapolation)을 수행하여 상기 항공기 모델 정보를 선정하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 시스템.
  6. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리부;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정부;
    상기 데이터 획득 및 처리부에 의해 처리된 데이터와 상기 항공기 모델 정보 선정부에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부; 및
    상기 항공기 상태정보 추정부에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부를 포함하고,
    상기 위험상태 예측부의 상기 신경회로망은,
    상기 항공기 미래 상태정보를 입력층으로 설정하고, 복수 개의 퍼셉트론(Perceptron)으로 구성된 다층 병렬 은닉층(Hidden Layer)과 1개의 퍼셉트론으로 구성된 출력층(Output Layer)을 설정하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 시스템.
  7. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리부;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정부;
    상기 데이터 획득 및 처리부에 의해 처리된 데이터와 상기 항공기 모델 정보 선정부에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정부; 및
    상기 항공기 상태정보 추정부에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측부를 포함하고,
    상기 위험상태 예측부에 의해 예측된 상기 항공기 안정성 상실 위험을 검증하는 위험 예측결과 검증부; 및
    상기 위험 예측결과 검증부에 의해 검증된 상기 항공기 안정성 상실 위험에 대한 위험 경고를 출력하는 위험 경고 출력부를 더 포함하는,
    실시간 항공기 안정성 상실 위험 예측 시스템.
  8. 삭제
  9. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리단계;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정단계;
    상기 데이터 획득 및 처리단계에 의해 처리된 데이터와 상기 항공기 모델 정보 선정단계에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정단계; 및
    상기 항공기 상태정보 추정단계에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측단계를 포함하고,
    상기 항공기 모델정보 선정단계의 기저장된 항공기 모델정보는,
    공력 모델 정보, 엔진모델 정보, 항공기 형상정보, 항공기 구동기 모델 정보, 질량 모델 정보, 무게 중심 모델 정보, 항공기 비행 한계치 모델 정보, 탑재 센서 특성 정보를 포함하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 방법.
  10. 청구항 9에 있어서,
    상기 항공기 모델정보 선정단계는,
    선형 라그란지(Linear Largrange)방법과 선형 탐색(Linear search)기법을 이용하여 상기 기저장된 항공기 모델정보로부터 상기 항공기의 비행 상태 및 조종면 각도에 맞는 항공기 모델 정보를 선정하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 방법.
  11. 청구항 10에 있어서,
    상기 항공기 모델정보 선정단계는,
    상기 항공기의 비행 상태 및 조종면 각도가 상기 기저장된 항공기 모델정보의 범위를 벗어날 경우, 선형 또는 3차 스플라인(Cubic spline)기법을 활용해 외삽(Extrapolation)을 수행하여 상기 항공기 모델 정보를 선정하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 방법.
  12. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리단계;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정단계;
    상기 데이터 획득 및 처리단계에 의해 처리된 데이터와 상기 항공기 모델 정보 선정단계에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정단계; 및
    상기 항공기 상태정보 추정단계에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측단계를 포함하고,
    상기 위험상태 예측단계의 상기 신경회로망은,
    상기 항공기 미래 상태정보를 입력층으로 설정하고, 복수 개의 퍼셉트론(Perceptron)으로 구성된 다층 병렬 은닉층(Hidden Layer)과 1개의 퍼셉트론으로 구성된 출력층(Output Layer)을 설정하는 것을 특징으로 하는,
    실시간 항공기 안정성 상실 위험 예측 방법.
  13. 항공기에 장착된 센서들로부터 데이터를 획득하고 잡음을 제거하는 데이터 획득 및 처리단계;
    기저장된 항공기 모델 정보로부터 상기 항공기의 비행 상태에 맞는 항공기 모델 정보를 선정하는 항공기 모델 정보 선정단계;
    상기 데이터 획득 및 처리단계에 의해 처리된 데이터와 상기 항공기 모델 정보 선정단계에 의해 선정된 상기 항공기 모델 정보를 입력 받아 확장칼만필터를 이용하여 상기 항공기의 항공기 미래 상태정보를 추정하는 항공기 상태정보 추정단계; 및
    상기 항공기 상태정보 추정단계에 의해 추정된 상기 항공기 미래 상태정보 및 기학습된 신경회로망을 이용하여 상기 항공기의 미래 일정 시점에서의 항공기 안정성 상실 위험을 예측하는 위험상태 예측단계를 포함하고,
    상기 위험상태 예측단계에 의해 예측된 상기 항공기 안정성 상실 위험을 검증하는 위험 예측결과 검증단계; 및
    상기 위험 예측결과 검증단계에 의해 검증된 상기 항공기 안정성 상실 위험에 대한 위험 경고를 출력하는 위험 경고 출력단계를 더 포함하는,
    실시간 항공기 안정성 상실 위험 예측 방법.
KR1020200077258A 2020-06-24 2020-06-24 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법 KR102194238B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200077258A KR102194238B1 (ko) 2020-06-24 2020-06-24 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200077258A KR102194238B1 (ko) 2020-06-24 2020-06-24 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법

Publications (1)

Publication Number Publication Date
KR102194238B1 true KR102194238B1 (ko) 2020-12-22

Family

ID=74086391

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200077258A KR102194238B1 (ko) 2020-06-24 2020-06-24 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법

Country Status (1)

Country Link
KR (1) KR102194238B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117909694B (zh) * 2024-03-19 2024-05-17 珠海翔翼航空技术有限公司 基于深度学习模型的飞机飞行中重心位置预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014213853A (ja) * 2013-04-23 2014-11-17 ザ・ボーイング・カンパニーＴｈｅＢｏｅｉｎｇ Ｃｏｍｐａｎｙ 航空機の動作監視システム
KR101813697B1 (ko) 2015-12-22 2017-12-29 한국항공대학교산학협력단 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014213853A (ja) * 2013-04-23 2014-11-17 ザ・ボーイング・カンパニーＴｈｅＢｏｅｉｎｇ Ｃｏｍｐａｎｙ 航空機の動作監視システム
KR101813697B1 (ko) 2015-12-22 2017-12-29 한국항공대학교산학협력단 딥 러닝을 이용한 무인기 비행 제어 시스템 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117909694B (zh) * 2024-03-19 2024-05-17 珠海翔翼航空技术有限公司 基于深度学习模型的飞机飞行中重心位置预测方法及系统

Similar Documents

Publication Publication Date Title
RU2515947C1 (ru) Устройство для оценки аэродинамического коэффициента и устройство для обнаружения отказа/повреждения управляющей поверхности
Urnes et al. Development of the F/A-18A automatic carrier landing system
US5710559A (en) Flight safety monitoring device for aircraft with alarm
US8346408B2 (en) Fault tolerant flight control system
EP2570880B1 (en) A method for real-time model based structural anomaly detection
KR101021801B1 (ko) 적응 미지입력 관측기를 이용한 무인항공기의 조종면 구동기 고장진단방법
Dai et al. Iterative learning control and initial value estimation for probe–drogue autonomous aerial refueling of UAVs
Peng et al. A robust unscented Kalman filter and its application in estimating dynamic positioning ship motion states
Campa et al. On‐line learning neural networks for sensor validation for the flight control system of a B777 research scale model
Matt et al. Frequency domain system identification of a small flying-wing uas
KR102194238B1 (ko) 실시간 항공기 안정성 상실 위험 예측 시스템 및 예측 방법
KR20190115596A (ko) 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치
Caliskan et al. Aircraft icing detection, identification, and reconfigurable control based on Kalman filtering and neural networks
Hardier et al. Design and flight testing of an adaptive gain-scheduled controller using on-line model estimation
Keller et al. Aircraft flight envelope determination using upset detection and physical modeling methods
US11619517B2 (en) Method and system for determining an estimation of an anemometric parameter in an aircraft
Lee et al. Autopilot design for unmanned combat aerial vehicles (UCAVs) via learning-based approach
Hansen et al. Control surface fault diagnosis with specified detection probability—Real event experiences
EP3683641A1 (en) Methods for determining usage in fly-by-wire systems
Weimer et al. Adaptive actuator fault detection and identification for UAV applications
KR102665780B1 (ko) 상호 다중 모델을 이용한 무인 비행체 고장 감지 장치 및 방법
Jayakumar et al. Isolating incipient sensor faults and system reconfiguration in a flight control actuation system
Hansen et al. Control surface fault diagnosis for small autonomous aircraft
CN111522228B (zh) 一种飞行器的检测方法及装置
Giacomelli Fault detection on an aircraft and development of a contingency control strategy

Legal Events

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