KR20210156480A - 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법 - Google Patents
항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210156480A KR20210156480A KR1020200074125A KR20200074125A KR20210156480A KR 20210156480 A KR20210156480 A KR 20210156480A KR 1020200074125 A KR1020200074125 A KR 1020200074125A KR 20200074125 A KR20200074125 A KR 20200074125A KR 20210156480 A KR20210156480 A KR 20210156480A
- Authority
- KR
- South Korea
- Prior art keywords
- flight
- aircraft
- data
- algorithm
- soundness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 238000013461 design Methods 0.000 claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000012938 design process Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 239000002131 composite material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 239000013585 weight reducing agent Substances 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법을 개시한다. 본 발명은 비행 시험과 학습을 이용하여 항공기의 구조물 건전성에 대해 판단할 수 있는 최적화된 알고리즘을 설계하여 제공할 수 있다.
Description
본 발명은 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법에 관한 발명으로서, 더욱 상세하게는 비행 시험과 학습을 이용하여 항공기의 구조물 건전성에 대해 판단하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법에 관한 것이다.
최근 복합재료를 이용한 구조 개발은 경량화의 중요성이 가장 높은 비행체 개발을 중심으로 급속히 진전하고 있고, 파급 효과로서 타 지상 수송체 및 인프라 구조에 적용되는 단계에 있다.
복합재료를 이용한 구조 설계에서 신뢰성 확보를 위한 최근 연구 동향으로 이론적 예측을 기반으로 한 접근이 아니라 직접 센서를 이용하여 신뢰성을 전 운용 기간에 걸쳐 필요할 때 언제든지 검진 및 감시할 수 있는 기술연구가 이루어지고 있다.
이러한 분야를 Health and Usage Monitoring System(HUMS, 건전성 및 운용성 모니터링 시스템)이라 하고 특히, 구조물에 국한하여 센서가 구조물에 설치, 집적되는 형태의 시스템 기술을 Structural Health Monitoring(SHM, 구조건전성 모니터링 시스템) 이라 한다.
국내 항공기 개발은 비행체의 경량화, 모듈화, 부품의 국산화 등의 여러 부문에서 활발히 진행되고 있다.
특히, 비행체의 경량화는 비행체를 운용하는데 매우 큰 영향을 끼치므로 효용성이 큰 분야이다.
비행체의 경량화를 실현하기 위해서는 기존의 금속에 비해 비강도(specific strength)와 비강성(specific stiffness)이 뛰어난 복합재료를 적용하는 방법이 연구되고 있고 국내에서는 이미 소형항공기 및 무인기개발에 있어 복합재료를 사용해 기체구조를 개발하고 있으며 복합재에 대한 연구도 꾸준하게 이루어지고 있다.
그러나, 복합재료로 제작된 구조물은 제조 시 발생할 수 있는 결함에 의한 물성 저하와 더불어 완성된 제품의 품질 평가가 필수적이다.
예들 들어, Boeing 787은 복합재용 부품에 대하여 전수검사를 실시하여 제작에 사용하고 있다.
또한, 운용 중에 발생하는 반복하중, 외부 물체에 의한 충격 등의 다양한 원인에 의해서 층간분리(Delamination)와 접착박리(Debonding)가 쉽게 일어날 수 있다.
또한 복합재와 금속재의 이종 접합부는 획기적 접합방식의 부재로 항상 손상이 예측되는 구조 취약부(hot spot)로 분류되고 있다.
더욱이, 복합재료에 발생하는 손상은 육안으로 구분이 어려우며, 충격을 받은 부분에서 손상이 생기지 않고 내부 혹은 반대 면에 심각한 손상이 발생되는 경우가 많아서 기존의 비파괴 검사 기법으로 검출하기 힘들고 복합재 본연의 재료적 특성상 기존 금속재용 비파괴 검사법이 무력화되는 경우도 많다.
따라서, 항공기의 비행중에 구조물에서 감지되는 데이터 중 항공기의 구조물 건전성을 판단하기 위해 필요한 데이터를 선택 및 획득하고, 획득한 데이터에 대한 분석과 이를 판단하기 위한 최적화 프로그램이 요구되는 실정이다.
이러한 문제점을 해결하기 위하여, 본 발명은 비행 시험과 학습을 이용하여 항공기의 구조물 건전성에 대해 판단하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법을 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위하여 본 발명의 일 실시 예는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템으로서, 미리 설정된 시나리오를 기반으로 획득한 항공기의 비행 형태와, 상기 비행 형태 및 비행 중에 항공기 구조물에 가해지는 항공기 구조물의 건전성 판단에 요구되는 비행 시험 데이터가 입력되면, 상기 입력된 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 입력된 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며, 상기 분류된 비행시험 데이터를 항공기의 비행 상태와 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성 판단을 위한 알고리즘을 생성하는 알고리즘 모델링부를 포함한다.
또한, 상기 실시 예에 따른 시나리오는 구조물의 건전성 판단을 위한 알고리즘에서 항공기 구조물의 건전성 판단에 요구되는 손상 데이터, 충격 데이터 및 변형 데이터와, 비행 자세, 위치, 속도를 포함한 항법 데이터와, 항공기 데이터 중 적어도 하나 이상을 획득하기 위한 설계 정보인 것을 특징으로 한다.
또한, 상기 실시 예는 구조물의 건전성 판단을 위한 알고리즘에서 항공기 구조물의 건전성 판단에 요구되는 손상 데이터, 충격 데이터 및 변형 데이터와, 비행 자세, 위치, 속도를 포함한 항법 데이터와, 항공기 데이터 중 적어도 하나 이상을 포함하는 시나리오를 설정하는 설계 데이터 입력부; 항공기에 설치되고, 상기 시나리오를 기반으로 비행 시험 데이터를 획득하는 센서 관리부; 및 상기 획득한 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며, 상기 분류된 데이터를 항공기의 비행 상태와, 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성 판단을 위한 알고리즘을 생성하는 알고리즘 모델링부;를 포함하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 알고리즘은 분류된 비행 시험 데이터를 항공기의 비행 상태와 비행 형태에 따라 동기화시켜 날개의 변형 크기, 균열, 볼트 풀림, 충격 크기, 충격 위치, 충격 시간 데이터를 기반으로 항공기 구조물의 건전성을 판단하는 것을 특징으로 한다.
또한, 본 발명의 일 실시 예는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법으로서, a) 설계 데이터 입력부가 항공기 구조물의 건전성 판단에 요구되는 시나리오를 설계하는 단계; b) 알고리즘 모델링부가 항공기에 설치된 센서 관리부로부터 상기 설계된 시나리오에 기반한 비행 시험 데이터를 획득하는 단계; c) 상기 알고리즘 모델링부가 획득한 비행 시험 데이터를 기반으로 학습하는 단계; 및 d) 상기 알고리즘 모델링부가 학습 결과를 기반으로 알고리즘을 설계하는 단계;를 포함한다.
또한, 상기 실시 예는 a) 단계에서 설계되는 시나리오는 구조물 건전성 알고리즘 설계에 필요한 데이터를 획득하기 위해 항공기의 비행 상태와, 비행 형태에 기반한 데이터 획득 정보를 설정하는 것을 특징으로 한다.
또한, 상기 실시 예에 따른 b) 단계의 비행시험 데이터는 구조물 건전성 알고리즘 설계에 필요한 데이터를 획득하기 위해 시나리오에서 설정한 항공기의 비행 상태와, 비행 형태에 따라 실시한 비행을 통해 획득하는 데이터인 것을 특징으로 한다.
또한, 상기 실시 예에 따른 c) 단계의 학습은 구조물 건전성 알고리즘 설계에 필요한 데이터를 획득하기 위해 항공기의 비행 상태와, 비행 형태에 적합한 학습 모델을 구축하여 학습하는 것을 특징으로 한다.
또한, 상기 실시 예는 d) 단계에서 생성되는 알고리즘은 상기 획득한 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며, 상기 분류된 데이터를 항공기의 비행 상태와, 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성을 판단하는 것을 특징으로 한다.
또한, 상기 실시 예는 e) 알고리즘 모델링부가 d) 단계에서 생성된 알고리즘을 설치한 항공기로부터 비행 시험 데이터를 추가 획득하고, 추가 획득한 비행 시험 데이터를 기반으로 분석 및 학습을 통해 알고리즘을 보완하는 단계;를 더 포함하는 것을 특징으로 한다.
또한, 상기 실시 예는 알고리즘 모델링부가 보완된 알고리즘을 기반으로 시나리오를 변경하는 단계;를 더 포함하는 것을 특징으로 한다.
본 발명은 비행 시험과 학습을 이용하여 항공기의 구조물 건전성에 대해 판단하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘을 제공할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템을 나타낸 블록도.
도 2는 도 1의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템의 센서 관리부 구성을 나타낸 블록도.
도 3은 도 1의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템의 동작을 설명하기 위한 예시도.
도 4는 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정을 나타낸 흐름도.
도 5는 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 시나리오 설계 과정을 나타낸 흐름도.
도 6은 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 학습 과정을 나타낸 흐름도.
도 7은 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 알고리즘 설계 과정을 나타낸 흐름도.
도 2는 도 1의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템의 센서 관리부 구성을 나타낸 블록도.
도 3은 도 1의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템의 동작을 설명하기 위한 예시도.
도 4는 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정을 나타낸 흐름도.
도 5는 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 시나리오 설계 과정을 나타낸 흐름도.
도 6은 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 학습 과정을 나타낸 흐름도.
도 7은 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 알고리즘 설계 과정을 나타낸 흐름도.
이하에서는 본 발명의 바람직한 실시 예 및 첨부하는 도면을 참조하여 본 발명을 상세히 설명하되, 도면의 동일한 참조부호는 동일한 구성요소를 지칭함을 전제하여 설명하기로 한다.
본 발명의 실시를 위한 구체적인 내용을 설명하기에 앞서, 본 발명의 기술적 요지와 직접적 관련이 없는 구성에 대해서는 본 발명의 기술적 요지를 흩뜨리지 않는 범위 내에서 생략하였음에 유의하여야 할 것이다.
또한, 본 명세서 및 청구범위에 사용된 용어 또는 단어는 발명자가 자신의 발명을 최선의 방법으로 설명하기 위해 적절한 용어의 개념을 정의할 수 있다는 원칙에 입각하여 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다.
본 명세서에서 어떤 부분이 어떤 구성요소를 "포함"한다는 표현은 다른 구성요소를 배제하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
또한, "‥부", "‥기", "‥모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어, 또는 그 둘의 결합으로 구분될 수 있다.
또한, "적어도 하나의" 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, 적어도 하나의 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다.
또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시 예에 따라 변경가능하다 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법의 바람직한 실시예를 상세하게 설명한다.
도 1은 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템을 나타낸 블록도이고, 도 2는 도 1의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템의 센서 관리부 구성을 나타낸 블록도이며, 도 3은 도 1의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템의 동작을 설명하기 위한 예시도이다.
도 1 내지 도 3에 나타낸 바와 같이, 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템은 미리 설정된 시나리오를 기반으로 획득한 항공기의 비행 형태와, 상기 비행 형태 및 비행 중에 항공기 구조물에 가해지는 항공기 구조물의 건전성 판단에 요구되는 비행 시험 데이터가 입력되면, 상기 입력된 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 입력된 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며, 상기 분류된 데이터를 항공기의 비행 상태와 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성 판단을 위한 알고리즘을 생성할 수 있도록 설계 데이터 입력부(100)와, 센서 관리부(200)와, 알고리즘 모델링부(300)를 포함하여 구성된다.
상기 설계 데이터 입력부(100)는 항공기 구조물의 건전성 판단에 요구되는 손상 데이터, 충격 데이터 및 변형 데이터와, 비행 자세, 위치, 속도를 포함한 항법 데이터와, 항공기 데이터 중 적어도 하나 이상을 포함하는 시나리오를 설정하는 구성으로서, 데스크탑 PC, 노트북 PC, 태블릿 PC 또는 시나리오 설정을 위한 애플리케이션 프로그램의 설치가 가능한 단말기 등으로 구성될 수 있다.
상기 시나리오는 구조물의 건전성 판단을 위한 알고리즘에서 항공기 구조물의 건전성 판단에 요구되는 필요 데이터를 획득하기 위해 항공기를 어떤 형태로 비행할지 결정하고, 그에 따라 항공기의 구조물 건전성 판단을 위해 비행 중에 구조물에 가해지는 데이터 중에서 필요한 데이터를 적절하게 획득할 수 있도록 한다.
즉, 상기 시나리오는 사용자 또는 관리자로부터 비행 중에 감지되는 손상 데이터, 충격 데이터, 변형 데이터와, 항공기의 비행 자세, 항공기의 위치, 항공기의 속도를 포함한 항법 데이터와, 그 밖의 항공기의 모든 신호, 예를 들면, 고도, 방위, 엔진 상태, 온도 등을 포함한 항공기 데이터를 획득하기 위한 데이터 설계 정보이다.
또한, 상기 시나리오는 설계된 정보를 기반으로 항공기의 비행 시험과정에 적용되어 항공기의 구조물 건전성 판단을 위한 필요 데이터들이 획득될 수 있도록 한다.
또한, 상기 시나리오는 센서 관리부(200)를 통해 획득한 데이터와, 알고리즘 모델링부(300)에서 생성된 알고리즘의 분석 결과에 따라 추가적인 데이터 설계의 보완이 이루어질 수 있고, 데이터 설계의 보완이 완료되면 항공기의 다음 비행 시험에 적용될 수 있다.
상기 센서 관리부(200)는 항공기(400)에 설치되고, 설계 데이터 입력부(100)에서 설계된 시나리오를 기반으로 비행 시험 데이터를 획득하는 구성으로서, 구조물 건전성 센서(210), 항법 센서(220), 항공기 데이터 센서(230), 저장부(240)를 포함하여 구성될 수 있다.
상기 구조물 건전성 센서(210)는 항공기의 몸체부(410)와, 날개부(420) 등에 설치되고, 몸체부(410)와 날개부(420) 사이의 손상 감지 영역(430)에서 발생되는 손상 데이터와, 날개부(420)의 충격 감지 영역(440)에서 발생되는 충격 데이터와, 날개부(420)의 변형 감지 영역(450)에서 발생되는 변형 데이터 등을 획득한다.
상기 항법 센서(220)는 몸체부(410)에 설치되어 항공기의 비행 자세, 항공기의 위치, 항공기의 속도 등을 포함한 항법 데이터를 획득한다.
상기 항공기 데이터 센서(230)는 몸체부(410)에 설치되어 예를 들면, 고도, 방위, 엔진 상태, 온도 등을 포함한 항공기의 모든 신호를 포함한 항공기 데이터를 획득한다.
상기 저장부(240)는 시나리오와, 구조물 건전성 센서(210), 항법 센서(220), 항공기 데이터 센서(230)로부터 획득한 데이터들을 저장하고, 상기 저장된 데이터들은 비행 시험 종료 후 알고리즘 모델링부(300)로 전송된다.
상기 알고리즘 모델링부(300)는 획득한 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며, 상기 분류된 데이터를 항공기의 비행 상태와, 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성 판단을 위한 알고리즘을 생성하는 구성으로서, 서버 시스템으로 구성될 수 있다.
여기서, 인공 지능 모델은 머신 러닝중에서 딥러닝(Deep learning)이라는 방법을 통해 만들어진 분석 모델의 종류라고 볼 수 있다.
따라서, 인공 지능 모델은 딥러닝 모델 또는 딥러닝 분석 모델의 표현으로 사용될 수도 있다.
또한, 머신 러닝은 복잡한 시스템이 명시적으로 프로그래밍되지 않고서, 경험으로부터 자동으로 학습하고 개선할 수 있게 하는 인공 지능의 응용이다.
또한, 머신 러닝 모델들의 정확도 및 유효성은 그들 모델들을 훈련시키는 데 사용되는 데이터에 부분적으로 의존할 수 있다.
또한, 인공 지능 모델은 이전 비행을 통해 축적된 다수의 비행 시험 데이터에 기반하여 센서 관리부(200)로부터 수신된 비행 시험 데이터를 서로 비교 및 분석한다.
또한, 상기 인공 지능 모델은 비교 및 분석을 통해 센서 관리부(200)로부터 수신된 비행 시험 데이터를 학습 데이터로 하여 반복 학습할 수 있고, 상기 반복 학습을 통해 적절한 학습 모델을 구축하여 학습을 수행할 수도 있다.
또한, 상기 알고리즘 모델링부(300)는 인공 지능 모델을 통해 상기 비행 시험 데이터를 비행 중에 감지되는 손상 데이터, 충격 데이터, 변형 데이터와, 항공기의 비행 자세, 항공기의 위치, 항공기의 속도를 포함한 항법 데이터와, 그 밖의 항공기의 모든 신호, 예를 들면, 고도, 방위, 엔진 상태, 온도 등을 포함한 항공기 데이터와 같이, 미리 설정된 데이터 별로 분류한다.
또한, 상기 알고리즘 모델링부(300)는 분류된 비행 시험 데이터를 제자리 비행, 정지 비행, 상승 비행, 하강 비행, 회전 비행, 수평 비행 등의 비행 상태와, 수동 조종 비행, 자동 조종 비행, 프로그래밍 비행 등의 비행 형태에 따라 획득한 비행 시험 데이터들을 동기화시켜 항공기 구조물의 건전성을 판단하는 알고리즘을 생성한다.
즉, 상기 알고리즘은 항공기 구조물의 건전성을 판단하는 프로그램으로써, 항공기의 비행 상태와 비행 형태를 동기화시켜 몸체부(410) 및 날개부(420)의 손상 감지 영역(430), 충격 감지 영역(440), 변형 감지 영역(450)에서 감지되는 몸체의 변형 및 변형 크기, 날개의 변형 및 변형 크기, 몸체부(410) 및 날개부(420)의 균열 발생, 볼트 풀림, 몸체부(410) 및 날개부(420)에 가해지는 충격 크기, 충격 위치, 충격 시간 데이터를 기반으로 항공기 구조물의 건전성을 판단한다.
또한, 상기 알고리즘 모델링부(300)는 생성된 알고리즘을 설치한 항공기로부터 비행 시험 데이터를 추가 획득하면, 상기 추가 획득한 비행 시험 데이터를 기반으로 인공 지능 모델을 이용하여 분석 및 학습을 수행하고, 상기 분석 및 학습 결과에 기반하여 항공기 구조물의 건전성을 판단하는 알고리즘을 보완할 수 있다.
또한, 상기 알고리즘 모델링부(300)는 보완된 알고리즘을 기반으로 최초 설계된 시나리오를 변경하여 비행 시험에 반영되도록 출력함으로써, 상기 변경된 시나리오에 기반한 최적의 비행 시험 데이터와 항공기 구조물의 건전성을 판단하는 알고리즘을 생성할 수 있다.
다음은 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법을 설명한다.
도 4는 본 발명의 일 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정을 나타낸 흐름도이고, 도 5는 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 시나리오 설계 과정을 나타낸 흐름도이며, 도 6은 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 학습 과정을 나타낸 흐름도이고, 도 7은 도 4의 실시 예에 따른 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 과정에서 알고리즘 설계 과정을 나타낸 흐름도이다.
도 1 내지 도 7을 참조하면, 사용자 또는 관리자가 설계 데이터 입력부(100)를 통해 항공기 구조물의 건전성 판단에 요구되는 필요 데이터를 정의하여 시나리오를 설계(S100)한다.
상기 S100 단계에서, 설계 데이터 입력부(100)는 사용자 또는 관리자가 입력하는 항공기 구조물의 건전성을 판단하기 위해 요구되는 필요 데이터를 선정하여 입력(S110)하면, 상기 입력된 필요 데이터를 기반으로 시나리오를 생성(S120)하며, 상기 생성된 시나리오는 항공기에 설치되어 비행 시험(S130)에 반영되도록 한다.
상기 S110 단계 및 S120 단계에서 설계되는 시나리오는 사용자 또는 관리자로부터 비행 중에 감지되는 손상 데이터, 충격 데이터, 변형 데이터와, 항공기의 비행 자세, 항공기의 위치, 항공기의 속도를 포함한 항법 데이터와, 그 밖의 항공기의 모든 신호, 예를 들면, 고도, 방위, 엔진 상태, 온도 등을 포함한 항공기 데이터를 획득하기 위한 데이터 설계 정보이다.
또한, 상기 S100 단계에서 설계 데이터 입력부(100)는 알고리즘 모델링부(300)로부터 보완된 알고리즘을 기반으로 최초 설계된 시나리오의 변경 요청이 입력되면, 상기 변경 요청된 시나리오 변경 정보를 분석하여 시나리오에 반영되도록 추가 수행 할 수 있다(S140).
상기 S100 단계를 수행한 후, 항공기에 설치된 센서 관리부(200)로부터 상기 설계된 시나리오에 기반한 비행 시험 데이터를 획득(S200)하면, 알고리즘 모델링부(300)는 S200 단계에서 획득한 비행 시험 데이터를 기반으로 학습(S300)을 수행한다.
즉, 상기 S300 단계에서, 알고리즘 모델링부(300)는 센서 관리부(200)로부터 비행 시험에서 획득한 비행 시험 데이터를 수신(S310)하고,
상기 알고리즘 모델링부(300)는 인공 지능 모델을 이용하여 비행 시험 데이터를 비행 중에 감지되는 손상 데이터, 충격 데이터, 변형 데이터와, 항공기의 비행 자세, 항공기의 위치, 항공기의 속도를 포함한 항법 데이터와, 그 밖의 항공기의 모든 신호, 예를 들면, 고도, 방위, 엔진 상태, 온도 등을 포함한 항공기 데이터와 같이, 미리 설정된 데이터 별로 분류(S320)한다.
또한, 상기 알고리즘 모델링부(300)는 분류된 비행 시험 데이터를 제자리 비행, 정지 비행, 상승 비행, 하강 비행, 회전 비행, 수평 비행 등의 비행 상태와, 수동 조종 비행, 자동 조종 비행, 프로그래밍 비행 등의 비행 형태에 따라 획득한 비행 시험 데이터들을 동기화(S330)시킨다.
또한, 상기 알고리즘 모델링부(300)는 인공 지능 모델을 이용하여 이전 비행을 통해 축적된 다수의 비행 시험 데이터와, 센서 관리부(200)로부터 수신된 비행 시험 데이터를 서로 비교 및 분석할 수 있고, 상기 인공 지능 모델은 비교 및 분석을 통해 센서 관리부(200)로부터 수신된 비행 시험 데이터를 학습 데이터로 반복 학습(S340)한다.
계속해서, 상기 알고리즘 모델링부(300)는 학습 결과를 기반으로 알고리즘을 설계하는 단계(S400)를 수행한다.
상기 S400 단계에서 알고리즘 모델링부(300)는 S300 단계에서 분류된 비행 시험 데이터를 제자리 비행, 정지 비행, 상승 비행, 하강 비행, 회전 비행, 수평 비행 등의 비행 상태와, 수동 조종 비행, 자동 조종 비행, 프로그래밍 비행 등의 비행 형태에 따라 획득한 비행 시험 데이터들을 동기화시켜 항공기 구조물의 건전성을 판단하는 알고리즘을 생성(S410)한다.
상기 S410 단계에서 생성된 알고리즘은 항공기 구조물의 건전성을 판단하는 프로그램으로써, 항공기의 비행 상태와 비행 형태를 동기화시켜 몸체부(410) 및 날개부(420)의 손상 감지 영역(430), 충격 감지 영역(440), 변형 감지 영역(450)에서 감지되는 몸체의 변형 및 변형 크기, 날개의 변형 및 변형 크기, 몸체부(410) 및 날개부(420)의 균열 발생, 볼트 풀림, 몸체부(410) 및 날개부(420)에 가해지는 충격 크기, 충격 위치, 충격 시간 데이터를 기반으로 항공기 구조물의 건전성을 판단한다.
또한, 상기 알고리즘 모델링부(300)는 상기 S410 단계에서 생성된 알고리즘을 설치한 항공기로부터 비행 시험 데이터를 추가 획득하고, 추가 획득한 비행 시험 데이터를 기반으로 분석 및 학습(S420)을 수행할 수 있다.
또한, 상기 알고리즘 모델링부(300)는 S420 단계에서 재학습을 통해 보완된 알고리즘을 기반으로 시나리오의 변경을 통한 알고리즘 보완 단계(S430)를 추가 수행할 수도 있다.
즉, 상기 S430 단계에서 생성된 보완된 알고리즘을 최초 설계된 시나리오에 반영하여 변경하고, 변경된 시나리오가 비행 시험에 반영되도록 구성함으로써, 상기 변경된 시나리오에 기반한 최적의 비행 시험 데이터와 항공기 구조물의 건전성을 판단하는 알고리즘을 생성할 수 있도록 한다.
따라서, 비행 시험과 학습을 이용하여 항공기의 구조물 건전성에 대해 판단하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘을 제공할 수 있게 된다.
상기와 같이, 본 발명의 바람직한 실시 예를 참조하여 설명하였지만 해당 기술 분야의 숙련된 당업자라면 하기의 특허청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
또한, 본 발명의 특허청구범위에 기재된 도면번호는 설명의 명료성과 편의를 위해 기재한 것일 뿐 이에 한정되는 것은 아니며, 실시예를 설명하는 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한, 상술된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있으므로, 이러한 용어들에 대한 해석은 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
또한, 명시적으로 도시되거나 설명되지 아니하였다 하여도 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기재사항으로부터 본 발명에 의한 기술적 사상을 포함하는 다양한 형태의 변형을 할 수 있음은 자명하며, 이는 여전히 본 발명의 권리범위에 속한다.
또한, 첨부하는 도면을 참조하여 설명된 상기의 실시예들은 본 발명을 설명하기 위한 목적으로 기술된 것이며 본 발명의 권리범위는 이러한 실시예에 국한되지 아니한다.
100 : 설계 데이터 입력부
200 : 센서 관리부
210 : 구조물 건전성 센서
220 : 항법 센서
230 : 항공기 데이터 센서
240 : 저장부
300 : 알고리즘 모델링부
400 : 항공기
410 : 몸체부
420 : 날개부
430 : 손상 감지 영역
440 : 충격 감지 영역
450 : 변형 감지 영역
200 : 센서 관리부
210 : 구조물 건전성 센서
220 : 항법 센서
230 : 항공기 데이터 센서
240 : 저장부
300 : 알고리즘 모델링부
400 : 항공기
410 : 몸체부
420 : 날개부
430 : 손상 감지 영역
440 : 충격 감지 영역
450 : 변형 감지 영역
Claims (11)
- 미리 설정된 시나리오를 기반으로 획득한 항공기의 비행 형태와, 상기 비행 형태 및 비행 중에 항공기 구조물에 가해지는 항공기 구조물의 건전성 판단에 요구되는 비행 시험 데이터가 입력되면,
상기 입력된 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 입력된 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며,
상기 분류된 비행 시험 데이터를 항공기의 비행 상태와 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성 판단을 위한 알고리즘을 생성하는 알고리즘 모델링부(300)를 포함하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템. - 제 1 항에 있어서,
상기 시나리오는 구조물의 건전성 판단을 위한 알고리즘에서 항공기 구조물의 건전성 판단에 요구되는 손상 데이터, 충격 데이터 및 변형 데이터와, 비행 자세, 위치, 속도를 포함한 항법 데이터와, 항공기 데이터 중 적어도 하나 이상을 획득하기 위한 설계 정보인 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템. - 제 1 항에 있어서,
상기 최적화 알고리즘 설계 시스템은 구조물의 건전성 판단을 위한 알고리즘에서 항공기 구조물의 건전성 판단에 요구되는 손상 데이터, 충격 데이터 및 변형 데이터와, 비행 자세, 위치, 속도를 포함한 항법 데이터와, 항공기 데이터 중 적어도 하나 이상을 포함하는 시나리오를 설정하는 설계 데이터 입력부(100);
항공기(400)에 설치되고, 상기 시나리오를 기반으로 비행 시험 데이터를 획득하는 센서 관리부(200); 및
상기 획득한 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며,
상기 분류된 데이터를 항공기의 비행 상태와, 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성 판단을 위한 알고리즘을 생성하는 알고리즘 모델링부(300);를 포함하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템. - 제 1 항에 있어서,
상기 알고리즘은 분류된 비행 시험 데이터를 항공기의 비행 상태와 비행 형태에 따라 동기화시켜 날개의 변형 크기, 균열, 볼트 풀림, 충격 크기, 충격 위치, 충격 시간 데이터를 기반으로 항공기 구조물의 건전성을 판단하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템. - a) 설계 데이터 입력부(100)가 항공기 구조물의 건전성 판단에 요구되는 시나리오를 설계하는 단계;
b) 알고리즘 모델링부(300)가 항공기에 설치된 센서 관리부(200)로부터 상기 설계된 시나리오에 기반한 비행 시험 데이터를 획득하는 단계;
c) 상기 알고리즘 모델링부(300)가 획득한 비행 시험 데이터를 기반으로 학습하는 단계; 및
d) 상기 알고리즘 모델링부(300)가 학습 결과를 기반으로 알고리즘을 설계하는 단계;를 포함하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법. - 제 5 항에 있어서,
상기 a) 단계에서 설계되는 시나리오는 구조물 건전성 알고리즘 설계에 필요한 데이터를 획득하기 위해 항공기의 비행 상태와, 비행 형태에 기반한 데이터 획득 정보를 설정하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법. - 제 5 항에 있어서,
상기 b) 단계의 비행시험 데이터는 구조물 건전성 알고리즘 설계에 필요한 데이터를 획득하기 위해 시나리오에서 설정한 항공기의 비행 상태와, 비행 형태에 따라 실시한 비행을 통해 획득하는 데이터인 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법. - 제 5 항에 있어서,
상기 c) 단계의 학습은 구조물 건전성 알고리즘 설계에 필요한 데이터를 획득하기 위해 항공기의 비행 상태와, 비행 형태에 적합한 학습 모델을 구축하여 학습하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법. - 제 5 항에 있어서,
상기 d) 단계에서 생성되는 알고리즘은 상기 획득한 비행 시험 데이터를 저장하고, 인공 지능 모델을 이용하여 상기 비행 시험 데이터를 미리 설정된 데이터 별로 분류하며, 상기 분류된 데이터를 항공기의 비행 상태와, 비행 형태에 따라 동기화시켜 항공기 구조물의 건전성을 판단하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법. - 제 5 항에 있어서,
e) 상기 알고리즘 모델링부(300)가 d) 단계에서 생성된 알고리즘을 설치한 항공기로부터 비행 시험 데이터를 추가 획득하고, 추가 획득한 비행 시험 데이터를 기반으로 분석 및 학습을 통해 알고리즘을 보완하는 단계;를 더 포함하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법. - 제 10 항에 있어서,
상기 알고리즘 모델링부(300)가 보완된 알고리즘을 기반으로 시나리오를 변경하는 단계;를 더 포함하는 것을 특징으로 하는 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200074125A KR102376362B1 (ko) | 2020-06-18 | 2020-06-18 | 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200074125A KR102376362B1 (ko) | 2020-06-18 | 2020-06-18 | 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210156480A true KR20210156480A (ko) | 2021-12-27 |
| KR102376362B1 KR102376362B1 (ko) | 2022-03-18 |
Family
ID=79177273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200074125A Active KR102376362B1 (ko) | 2020-06-18 | 2020-06-18 | 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102376362B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230102082A (ko) * | 2021-12-30 | 2023-07-07 | 주식회사 딥인스펙션 | 영상 및 설명가능인공지능 기반 항공기 검사 자동화 시스템 |
| KR102698821B1 (ko) * | 2023-10-05 | 2024-08-26 | 한화시스템 주식회사 | 항공기 건전성 관리 방법 및 장치 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102698820B1 (ko) | 2023-10-31 | 2024-08-26 | 한화시스템 주식회사 | 시험 장치 및 시험 방법 |
| KR102730083B1 (ko) | 2023-11-07 | 2024-11-14 | 한화시스템 주식회사 | 점검 장치 및 점검 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130075065A (ko) * | 2011-12-27 | 2013-07-05 | 국방과학연구소 | 항공기의 구조 건전성 감시 방법 |
| KR101586039B1 (ko) | 2014-09-26 | 2016-02-02 | 단암시스템즈 주식회사 | 항공기의 복합 구조 진단 시스템 및 그 방법 |
| JP2019069661A (ja) * | 2017-10-06 | 2019-05-09 | 三菱重工業株式会社 | 航空機の健全性診断装置及び航空機の健全性診断方法 |
-
2020
- 2020-06-18 KR KR1020200074125A patent/KR102376362B1/ko active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130075065A (ko) * | 2011-12-27 | 2013-07-05 | 국방과학연구소 | 항공기의 구조 건전성 감시 방법 |
| KR101586039B1 (ko) | 2014-09-26 | 2016-02-02 | 단암시스템즈 주식회사 | 항공기의 복합 구조 진단 시스템 및 그 방법 |
| JP2019069661A (ja) * | 2017-10-06 | 2019-05-09 | 三菱重工業株式会社 | 航空機の健全性診断装置及び航空機の健全性診断方法 |
Non-Patent Citations (1)
| Title |
|---|
| Kyo-Young Hong et al. Development of machine learning-based artificial intelligence structural health monitoring system for risk detection and warning of composite aircraft. Proceedings of the Society of Aerospace Systems Engineering Conference. Society of Aerospace Systems Engineering. November 2018. p 395-397* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230102082A (ko) * | 2021-12-30 | 2023-07-07 | 주식회사 딥인스펙션 | 영상 및 설명가능인공지능 기반 항공기 검사 자동화 시스템 |
| KR102698821B1 (ko) * | 2023-10-05 | 2024-08-26 | 한화시스템 주식회사 | 항공기 건전성 관리 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102376362B1 (ko) | 2022-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102376362B1 (ko) | 항공기 구조물의 건전성 판단을 위한 최적화 알고리즘 설계 시스템 및 방법 | |
| Fang et al. | Process monitoring, diagnosis and control of additive manufacturing | |
| JP6938200B2 (ja) | アコースティックエミッション試験のための方法及び装置 | |
| JP6313929B2 (ja) | 構造物を監視するための方法及びシステム | |
| EP2489014B1 (en) | Platform health monitoring apparatus and method | |
| JP7017357B2 (ja) | 航空機モニタリングシステム | |
| Qiao et al. | Advancing measurement science to assess monitoring, diagnostics, and prognostics for manufacturing robotics | |
| Parra dos Anjos Lima et al. | Artificial immune systems with negative selection applied to health monitoring of aeronautical structures | |
| KR102118748B1 (ko) | 플랫폼 건전성 모니터링 시스템 | |
| Teixeira Vivaldini et al. | An intelligent hexapod robot for inspection of airframe components oriented by deep learning technique | |
| RU2595066C1 (ru) | Способ оценки нагружения конструкции самолёта при лётных прочностных исследованиях с использованием искусственных нейронных сетей | |
| Lee et al. | In-situ evaluation of hole quality and cutting tool condition in robotic drilling of composite materials using machine learning | |
| Kuhl et al. | Multisensorial self-learning systems for quality monitoring of carbon fiber composites in aircraft production | |
| Simpson et al. | The Canadian and Australian F/A-18 international follow-on structural test project | |
| Papacharalampopoulos et al. | A defect tracking tool framework for multi-process products | |
| EP4016073B1 (en) | Structural inconsistency detection using distance data | |
| Anaya et al. | Damage classification based on machine learning applications for an un-manned aerial vehicle | |
| Lindgren et al. | USAF perspective on foundational challenges for enhanced damage sensing | |
| Luderer et al. | Development and testing of a complementary sensor network for robust estimation of maneuver and gust loads | |
| JP2022070512A (ja) | 作業管理システム及び教師データの生成方法 | |
| US11738886B2 (en) | Automatic digital data feedback and utilization in aircraft part lifecycle | |
| Svirskiy et al. | Methods of modern aircraft structural health monitoring and diagnostics of technical state | |
| Alvarez-Montoya et al. | Gaussian process modeling for damage detection in composite aerospace structures by using discrete strain measurements | |
| Johnson et al. | Diagnostics of tool-part interactions during riveting on an aluminum aircraft fuselage | |
| KR20190127542A (ko) | 음향 방출 시험을 위한 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20200618 |
|
| PA0201 | Request for examination | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20210621 Patent event code: PE09021S01D |
|
| E90F | Notification of reason for final refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Final Notice of Reason for Refusal Patent event date: 20211129 Patent event code: PE09021S02D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20220208 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20220315 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20220315 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20250311 Start annual number: 4 End annual number: 4 |