用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统技术方案

使用被训练以独立于任何来自其值基于气流压力测量的空中数据传感器的信号的神经网络来估计飞行器空中数据。

【技术实现步骤摘要】
【国外来华专利技术】用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统相关申请的交叉引用Y-G.J.Park1，C.G.Park1，1韩国首尔国立大学，WINDVELOCITYESTIMATIONWITHOUTANAIRSPEEDSENSORUSINGKALMANFILTERUNDERTHECOLOREDMEASUREMENTNOISE(在有色测量噪声下使用卡尔曼滤波器在无空速传感器的情况下的风速估计)，ICAS2016_0545。Mclntyre等人的美国专利文献的2010/0100260A1。关于联邦政府赞助的研究或开发的声明。无。
本文的技术涉及机器学习和神经网络，并且更具体地涉及用于借助于神经网络来估计飞行器空中数据的方法和装置，该神经网络被训练为独立于任何来自其值基于气流压力测量的传统空中数据传感器的信号。
技术介绍
空速，即飞行器相对于其周围的空气质量的速度，是所有飞行器操作中的关键信号。其被飞行员和机载系统两者使用，影响他们的操作决策或控制系统的动作。特别地，在电传飞行器中，对该空速参数的可用性和完整性的需求已经增加。考虑到功能的高度集成性质，空速对于确保这些飞行器安全或至少在飞行中提供足够的处理质量至关重要。错误的空速值可能导致以前的系统架构通常不会出现的独特的故障情况，从而导致无法接受的稳定性和控制特性的可能。例如，作为不可靠的空速事件的结果，飞行机组人员可能变得困惑并且无法诊断失速情况。在航空历史上至少发生过一次此类事故。在2009年6月1日，法国航空(AF447航班)运营的空中客车A330-203从里约热内卢起飞前往巴黎。在测得的空速之间观察到暂时的不一致——可能是皮托管探头被冰晶阻塞的结果。这种不一致引起自动驾驶仪脱离接合，并使飞行机组人员不清楚飞行器空速。机组人员随后无法诊断出由低速和抬头姿势引起的空气动力学失速情况。因此，飞行机组人员呈现缺乏输入，而输入原本能够使得有恢复可能。附图说明将结合附图阅读示例性非限制性说明性实施例的以下详细，附图如下：图1示出了神经网络的示例非限制性开发过程，将其划分为由训练和嵌入网络组成的飞行前开发阶段以及其中实时执行估计的飞行中操作的第二部分。图2提供了有关飞行计算机机载的神经网络的示例非限制性操作的更多细节。如果与图1相关联，图2将表示项(18)、(15)、(16)、(19)和(10)的更详细的视图。预处理步骤(28)和滤波器(24)是此类详细信息的示例。图3进一步深入到有关神经网络的示例非限制性输入的细节，其被划分为强制性(31)和替代性(32)。它们同时表示图1中的(17)和(18)，以及图2中的(21)和(22)。图3给出的其他细节与滤波器(35)的示例以及空中数据输出(36)的可能性有关。具体实施方式在法航事故之后，不同国家的认证机构扩大了他们对飞行器中错误的空中数据的影响的关注。有些国家现在要求来自两个相同类型传感器的错误数据的后果不导致灾难性故障。对于多于两个的相同类型的传感器，应在可行的情况下将错误数据的后果降至最低。提到要考虑使用独立的信息源、分析冗余或基于模型的故障检测和隔离技术。为了避免这些类型的情况，可以使用冗余的传感器以及加热设备，以减少某些环境影响。在这一点上，将机构提到的相同类型的传感器的思想与诸如皮托管的常规传感器所使用以测量空中数据的方法联系起来是有帮助的。皮托管不能直接测量空速。相反，皮托管传感器测量总压力和静压力。感测这两个测量值之间的差异，并将其用于计算空中数据，包括飞行器空速和动态压力。不幸的是，在多种情况下，皮托管传感器的压力线可能被意料以外的物体阻塞。这些阻塞物可能包括但不限于：冰、雨、冰雹、昆虫、火山灰或沙子。皮托管可能还面临其他威胁，这些威胁可能引起错误的空中数据计算。由于它们是外部且隆起的传感器，所以鸟类撞击可能会影响它们。大型喷气飞行器具有多个皮托管传感器，但是在提供多个感测参数用于比较和分析方面，阻塞的皮托管可能消除冗余传感器的优点。此外，如果所有这些传感器是同一类型，则它们可能都同时被阻塞(常见原因事件)。这将导致基于压力测量的对空速指示和其他参数的识别不准确。故障隔离逻辑可能无法检测到同时故障。这就是机构要求通过添加不同类型的传感器来避免的情况。在许多其他情况下，不同的传感器(即，使用不同类型的传感器)也是必要的或有帮助的，以便减轻常见原因或常见模式故障。维护错误或开发错误也可以通过使用不同类型的传感器来减轻。例如，迎角(angleofattack)叶片传感器可以用作不同的传感器。它是一种用于测量飞行器的迎角的空中数据传感器，其中叶片附接到可以自由旋转的轴上。一旦迎角已知，就可以从迎角值与例如重量和高度的一些其他参数的组合中计算出合成空速(此方法由专利US2010/0100260A1使用)。另一示例是使用激光传感器，也称为LIDAR(光检测和测距)传感器。最近的一些研究建议采用这种传感器来测量空速。一些这样的传感器基于多普勒效应(对于观察者相对于其源移动的波的频率或波长或其他周期性事件的变化)进行操作。其他则将测量基于瑞利散射(其中光子与小于光波长的分子相互作用)。然而，引入新技术的传感器通常需要特别注意——即，开发用于投票或以其他方式处理其信号的新算法。当然，新型传感器可能会以新的不可预测的方式失效。应该准备系统逻辑来处理这种故障模式。例如，迎角叶片可能由于某种原因而变得卡住。另外，记住，增加传感器的数量意指增加飞行器的重量并增加相关的系统复杂性。为了避免所有这些问题，正在考虑一些基于模型的方法。例如，为了仅使用全球定位系统和惯性导航系统估计空速，可以使用6DOF运动方程来设计扩展的卡尔曼滤波器(Yong-gonjongPark和ChanGookPark在2016年的第30届CongressoftheInternationalCounciloftheAeronauticalSciences上提出了他们的论文名为“WindVelocityEstimationWithoutAnAirSpeedSensorUsingKalmanFilterUnderTheColoredMeasurementNoise(在有色测量噪声下使用卡尔曼滤波器在无空速传感器的情况下进行风速估计)”)。然而，此方法取决于在卡尔曼滤波器中实现良好且可靠的飞行器模型。由于现代跨音速飞行器可能具有复杂且高度非线性的空气动力学和推力模型，因此该方法可能难以实现和调整，或者变得过于复杂而无法实际实施。一种新方法本文的技术提供了一种可信赖的且有利的方法来计算独立的空中数据源，其解决上述问题，即，其被设计为完全独立于传统的空中数据传感器，并且它使用已经存在于现代飞行器系统中的其他传感器。这样的系统将减轻故障的常见原因模式，而不增加飞行器系统的重量、成本和复杂性。本文中的示例非限制性技术使用低成本的基于软件的神经网络和相关算法来估计空中数据。“空中数本文档来自技高网...

【技术保护点】
1.一种生成估计的空中数据的方法，包括：/n在飞行器上，使用传感器来感测除基于气流压力测量的空中数据以外的参数；以及/n响应于除基于气流压力测量的空中数据以外的所感测的所述参数，操作所述飞行器上的经训练的神经网络以估计空中数据。/n

【技术特征摘要】
【国外来华专利技术】1.一种生成估计的空中数据的方法，包括：
在飞行器上，使用传感器来感测除基于气流压力测量的空中数据以外的参数；以及
响应于除基于气流压力测量的空中数据以外的所感测的所述参数，操作所述飞行器上的经训练的神经网络以估计空中数据。


2.根据权利要求1所述的方法，进一步包括：在除空中数据以外的传感器数据上训练所述神经网络。


3.根据权利要求1所述的方法，进一步包括：通过低通滤波器、卡尔曼滤波器或互补滤波器对由所述神经网络估计的所述空中数据进行滤波。


4.根据权利要求1所述的方法，进一步包括：在将所感测的所述参数作为输入应用到所述神经网络之前，对所感测的所述参数进行预处理。


5.根据权利要求1所述的方法，其中，所感测的所述参数包括基本上由W、GS、H、Gamma、Thrust、Theta、Nx、Ny、Nz和增量温度或TAT组成的组。


6.根据权利要求1所述的方法，其中，所感测的所述参数包括H-Stab、Elev、CG、Ice、Phi、TAT、Q、P和R中的一些或全部。


7.根据权利要求1所述的方法，进一步包括：使用卡尔曼滤波器或互补滤波器将神经网络空速估计与至少一个惯性测量合并。


8.根据权利要求1所述的方法，其中，所感测的所述参数独立于气流压力测量。


9.根据权利要求1所述的方法，进一步包括：检测空中数据的故障，并响应于所检测的故障，使用在故障之前捕获的与空中数据有关的值，并保持所述值或用除空中数据以外的传感器参数对它进行更新，并将所更新的值输入所述神经网络。


10.一种用于生成估计的空中数据的系统...

【专利技术属性】
技术研发人员：布鲁诺·贾维尔·卡瓦略，古斯塔沃·乔斯·扎姆布雷诺，莱安德罗·费尔南德斯·贝加莫，朱利亚诺·德·梅洛·卢斯托萨，
申请(专利权)人：埃姆普里萨有限公司，
类型：发明
国别省市：巴西;BR