Kalman Filtresi Ve Yapay Sinir Ağları Yardımıyla Uçak Buzlanmalarının Tespiti, Teşhisi Ve Yeniden Şekillendirilebilir Kontrol

Abstract

Askeri ve sivil uçakların bütün hava koşullarında güvenli uçabilmesi buzlanmalarının tespit edilmesini ve ona karşı önlem alınmasını gerektirmiştir. Bu çalışma ile uçak dinamiklerinin istatistiksel karakteristiklerine göre uçak buzlanmalarının tespit ve teşhisi ve uçağı tehlikeli buzlanma şartlarına uyarlayan yeni bir kontrol sistemi amaçlanmıştır. Kanat profilleri üzerinde literatürde yapılan deneysel çalışmalara göre uçağın buzlanma modelinde beş adet parametrenin değiştiği kabul edilmiştir. Uçağın dinamik karakteristiklerinin Kalman filtresi innovasyon sürecindeki istatistiksel değişiklikleri izlenerek buzlanmanın olup olmadığı tespit edilmiştir. Girişleri; ölçülen veya ölçülemeyen ama kestirilebilen uçak durumları ve çıkışları buzlanma parameteleri olan sistem tanıma tabanlı bir yapay sinir ağ yapısı oluşturulmuştur. Değişen buzlanma şartlarında simülasyonlar yapılarak buzlanmış uçağın yapay sinir ağ modelinin eğitimi ve geçerlilik testi için gerekli bilgiler kümesi oluşturulmuştur. Eğitim kümesindeki gürültüleri azaltmak ve eğitim performansını artırmak için yapay sinir ağının girişlerine mevcut ölçümler yerine Kalman filtresi ile kestirilmiş durumlar kullanılmıştır. Eğitilmiş yapay sinir ağı modeli daha sonra buzlanmadan dolayı artık normal kontrol işareti ile kontrol edilemeyen uçağın yeniden şekillendirilebilir kontrolü için kullanılmıştır. Önerilen metot doğrusal olmayan F16 savaş uçağı modeline ve doğrusal A340 yolcu uçağı modeline uygulanmış ve yöntemin başarılı olduğu gözlenmiştir.

In military and commercial aviation, the flight in all weather conditions has necessitated the correctly detecting icing and taking reasonable measures against it. This work aims at the detection and identification of airframe icing based on statistical properties of aircraft dynamics and reconfigurable control protecting aircraft from hazardous icing conditions. Icing model of aircraft is represented by five parameters based on past experiments for iced wing airfoils. Icing is detected by a Kalman filtering innovation sequence approach. A neural network structure is embodied such that its inputs are the aircraft estimated measurements, and its outputs are the icing parameters. The necessary training and validation set for the neural network model of the iced aircraft are obtained from the simulations, which are performed for various icing conditions. In order to decrease noise effects on the states and to increase training performance of the neural network, the estimated states by the Kalman filter are used. A suitable neural network model of the iced aircraft is obtained by using system identification methods and learning algorithms. This trained network model is used as an application for the control of the aircraft that has lost its controllability due to icing. The method is applied to F16 military and A340 commercial aircraft mathematical models and the results are promising.