Increase the aviation efficiency of UAVs using artificial neural networks
Вантажиться...
Дата
2017
ORCID
DOI
10.20998/2522-9052.2017.2.09
Науковий ступінь
Рівень дисертації
Шифр та назва спеціальності
Рада захисту
Установа захисту
Науковий керівник
Члени комітету
Видавець
NTU "KhPI"
Анотація
Purpose. It is known that the flight of the UAV is conducted by sensors that transmit the performance of the UAV and on the basis of this information is controlled on the UAV and give themthe orders which are necessary to perform the task of flying UAV and normal these faults occur during the flight of unmanned air vehicle (UAV), according to the concepts of aviation is a very critical situation that affects the completion of the mission.These faults are mainly due to failure in the sensors,which canbe divided into. Flight Situation is about the flying situation of the aircraft, such as heading, altitude, airspeed, and vertical speed and angle of attack sensors. And Flight Control Situation, this is about the flight control surfaces such as (rudder, aileron, and elevator deflection), pitch attitude, and roll attitude sensors.This paper presents an effective technique to ensure that the sensors can operate with high efficiency. Methods. Two different approaches are used in this work.The first approach is Neural Network (NN) based tool for the modeling, simulation and analysis of aircraft (SFDIA), sensorsfailure, detection, and identification and accommodation problem.The second approachis Neural Network trained with the (EMRAN) algorithm swhich is a set of conditions that decide how the (EMRAN) structure should be adapted to better suit the training data. Results. The results from the modeling process and analysis of aircraft sensors showed that the neural network based tool (SFDIA) and the (EMRAN) algorithms are able to show high-resolution results in the behavior of sensors and hence in the (UAV) behavior. Conclusions. The capabilities of (SFDIA) are a consequence of the extensive modularity of the whole simulation tool. It allows an easy change of unmanned air vehicle (UAV), dynamics and feedback control law as well as Neural Network (NN) estimators and (SFDIA) scheme.
Мета. Відомо, що політ безпілотного літального апарату (БПЛА) здійснюється за допомогою датчиків, які передають роботу БПЛА, і на основі цієї інформації БПЛА контролюється і дає їм замовлення, необхідні для виконання завдання польоту БПЛА. Несправності в управлінні відбуваються під час польоту БПЛА, відповідно до концепцій авіації – критична ситуація, яка впливає на завершення місії. Ці несправності викликані головним чином збоєм в датчиках, які можна розділити на ситуації з польотом – про політ літальних апаратів (напрямок, висота, повітряна швидкість, вертикальна швидкість і кут атаки) і ситуація з управлінням польотом, це стосується поверхонь управління польотом, таких як кермо, елерон, кермо відхилення і датчики перемикача і регулятора висоти. У цій статті представлений ефективний метод, що дозволяє датчикам працювати з високою ефективністю. Методи. У цій роботі використовуються два різних підходи. Перший підхід заснований на інструменті на основі нейронної мережідля моделювання, симуляції та аналізу літаків, збою датчиків; виявлення, ідентифікації і рішення проблем. Другий підхід – нейронна мережа, що навчається задопомогою алгоритмів, представляє собою набір умов, які визначають, як структура мережі повинна бути адаптована, щоб краще відповідати даним навчання. Результати. Результати моделювання та аналізу датчиків літальних апаратів показали, що інструменти на основі нейронної мережі і алгоритми здатні показувати результати з високою роздільною здатністю щодо поведінки датчиків і, отже, поведінки БПЛА. Висновки. Можливості інструмента є наслідком великої модульності всієї системи моделювання. Це дозволяє легко міняти безпілотні літальні апарати, закони динаміки і контролю зворотнього зв'язку, а також оцінки нейронної мережі.
Мета. Відомо, що політ безпілотного літального апарату (БПЛА) здійснюється за допомогою датчиків, які передають роботу БПЛА, і на основі цієї інформації БПЛА контролюється і дає їм замовлення, необхідні для виконання завдання польоту БПЛА. Несправності в управлінні відбуваються під час польоту БПЛА, відповідно до концепцій авіації – критична ситуація, яка впливає на завершення місії. Ці несправності викликані головним чином збоєм в датчиках, які можна розділити на ситуації з польотом – про політ літальних апаратів (напрямок, висота, повітряна швидкість, вертикальна швидкість і кут атаки) і ситуація з управлінням польотом, це стосується поверхонь управління польотом, таких як кермо, елерон, кермо відхилення і датчики перемикача і регулятора висоти. У цій статті представлений ефективний метод, що дозволяє датчикам працювати з високою ефективністю. Методи. У цій роботі використовуються два різних підходи. Перший підхід заснований на інструменті на основі нейронної мережідля моделювання, симуляції та аналізу літаків, збою датчиків; виявлення, ідентифікації і рішення проблем. Другий підхід – нейронна мережа, що навчається задопомогою алгоритмів, представляє собою набір умов, які визначають, як структура мережі повинна бути адаптована, щоб краще відповідати даним навчання. Результати. Результати моделювання та аналізу датчиків літальних апаратів показали, що інструменти на основі нейронної мережі і алгоритми здатні показувати результати з високою роздільною здатністю щодо поведінки датчиків і, отже, поведінки БПЛА. Висновки. Можливості інструмента є наслідком великої модульності всієї системи моделювання. Це дозволяє легко міняти безпілотні літальні апарати, закони динаміки і контролю зворотнього зв'язку, а також оцінки нейронної мережі.
Опис
Ключові слова
unmanned aircraft vehicle, sensor fault detection, fault diagnosis, aircraft sensors modelingand simulation, безпілотний літальний апарат, виявлення несправностей датчиків, діагностика несправностей, моделювання літальних апаратів, симулювання літальних апаратів
Бібліографічний опис
Kurdi S. T. Increase the aviation efficiency of UAVs using artificial neural networks / S. T. Kurdi, A. H. Reja, A. F. H. Al-Ashmati // Сучасні інформаційні системи = Advanced Information Systems. – 2017. – Т. 1, № 2. – С. 52-57.