Autolanding control system design with deep learning based fault estimation
Derin öğrenme tabanlı hasar tespitli gürbüz otomatik iniş kontrol sistemi
- Tez No: 559879
- Danışmanlar: DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE
- Tez Türü: Yüksek Lisans
- Konular: Uçak Mühendisliği, Aircraft Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uçak ve Uzay Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uçak ve Uzay Mühendisliği Bilim Dalı
- Sayfa Sayısı: 71
Özet
Dış bozuntular, kısıtlı zaman ve mekan inişi uçuşun en zor ayağı yapmaktadır. Pilotlar iniş ayağında, hava trafiğini iyi yönetebilmeli, kule ile devamlı irtibat halinde olarak her türlü atmosferik koşullarda uçağı güvenli bir şekilde indirmeyi başarabilmelidir. 1970'li yıllarda meydana gelen iki uçak kazası sektörün ve akademinin iniş problemine yaklaşımını değiştirmiştir. İlk olarak irtifa dümeni sıkışan Dc-10 uçağının, pilotun elindeki diğer kontrol yüzeylerini uçağı kararlı hale getirecek şekilde kullanması ve uçağı indirmesiyle sonuçlanması, ardından sol motor kanat bağlantısı kopan uçağın kalkış anından hemen sonra taşıma kaybı sonucu düşmesinin hata toleranslı kontrol sistemleri araştırmalarına ilham olduğu ve bu alandaki araştırmaları hızlandırdığı söylenebilir. Bu çalışmalar sonucu ortaya çıkan kontrol sistemleri pasif ve aktif olarak ikiye ayrılabilir. Pasif hata toleranslı kontrol sistemleri belli boyuttaki hata kümlerine toleranslı sistemler olup hatayı algılama ve izole etme kabiliyetleri yoktur. Aktif hata toleranslı sistemler ise genellikle hatayı fark edip izole eden alt sistemler barındırır ve hata bilgisini kontrolcüyü yeniden kurgulamak için kullanır. Aktif hata toleranslı kontrol sistemleri, pasif kontrol sistemleri ile karşılaştırıldığında daha karmaşık bir yapıya sahipken, dayanımlı olduğu hata kümesi pasif kontrolcülere göre daha geniştir. Bu çalışmada, geniş aerodinamik havuza, atmosfer modeline, eyleyici modellerine ve yerçekimi modeline sahip bir F-16 modeli kullanılmıştır. F-16 modelinin eş hareket eden sağ, sol irtifa dümeni ve aileron kontrol yüzeyleri birbirinden ayrılmıştır. Ayrımdaki amaç, herhangi bir kontrol yüzeyinin sıkışması veya veriminin azalması durumunda uçağın kararlı kontrolüne imkan verecek kontrol yüzeyi sayısının artırılmasıdır. Olasılıksal bir rüzgar modeli F-16 modeline eklenerek zor hava şartlarında iniş modellenmiştir. Rüzgar modeli uzunlamasına eksende olasılıksal, dikey ve yatay eksenlerde ise sabit hızlı olup belirli bir irtifada estiği yönün tam tersine dönerek microburst hava olayını modeller. Rüzgar modelinin olasılıksal ve sabit parametreleri değiştirilerek farklı şiddette ve yapıda hava olayları modellenebilir. Bu çalışmada nonlinear dynamic inversion (NDI) temelli bir kontrolcü kullanılmıştır. NDI kontrolcü iki döngüden oluşmaktadır. Dış döngü güdüm bloğundan gelen referans değişkenler olan irtifa, yatma açısı, yön açısı izlenir, iç döngüde ise uçak gövde ekseni açısal hızları izlenir. Gerekli zaman ayrımı olması için iç döngüde daha hızlı dinamiklerden olan açısal hızlar dış döngüde ise daha yavaş dinamiklerden olan yatma açısı, yön açısı ve irtifa kullanılmıştır. Güdüm bloğu uçağın piste inmesi için gerekli olan referans değişkenlerin üretilmesi içim kullanılmıştır. Güdüm bloğu inişi üç kısma ayırır; yaklaşma, süzülme ve flare. Yaklaşma esnasında uçak pist ile arasındaki yatay eksen farkını azaltmak için gerekli yön değişikliklerini gerçekleştirir. Bu esnada uçak irtifasını koruyarak ve süzülmenin başlayacağı noktaya ulaşır. Süzülme esnasında, uçak negatif uçuş yolu açısı ile kontrollü olarak irtifa azaltarak piste yaklaşır. Flare aşamasında uçak piste değmeden hemen önce burun kaldırarak düşey hızını azaltır ve yapısal elemanlara hasar vermeden iniş gerçekleşir. Yaklaşma başlangıç ve bitiş noktaları uçağın yatay eksende bulunduğu konumdan basit geometrik bağıntılar ile bulunur. Süzülme başlangıç ve bitiş noktaları ise dikeyde pist başından bulunan irtifaya çizilen bir doğrunun uçları olarak bulunur. Flare başlangıç ve bitiş noktaları dört adet sınır koşul denklemi çözülerek bulunur. Bu sınır koşulları yere dokunma hızı, yere dokunma pozisyonu, süzülme uçuş açısı, flare başlangıç pozisyonu denklemleri çözülerek bulunabilir. Güdüm bloğu bu üç iniş aşamasında referans irtifa, yatma açısı ve yön açısı üreterek bu referans değerleri NDI kontrolcüsüne besler. Uçağın inişinin başarılı olup olmadığını sınıflandırmak için başarılı iniş alanı (pillbox) belirlenmiştir. Pillbox pist başlangıcında karesel bir alandır. $400 x 20$ $m^2$ boyutlarında olan pillbox içine inemeyen uçak başarısız bir iniş gerçekleştirmiş sayılır. Başarılı inişin bir başka koşulu ise toplam iniş hızıdır. Uçağın iniş esnasında stall yaşamaması için İniş hızı $60 m/s$ veya daha hızlı olmalıdır. Uçağın dikey iniş hızı yapısal elemanların korunması için önemli bir başarılı iniş koşuludur. Dikey iniş hızı yapısal elemanlara hasar gelmemesi için $-2m/s$ veya daha düşük olmalıdır. İniş esnasında kanatların piste çarpmaması için iniş takımları yere değdiği an yatma açısı on dereceden küçük olmalıdır. Bir iniş ancak tüm bu koşulları sağlıyorsa başarılı olarak sınıflandırılabilir. Yapay sinir ağları insan beynindeki nöranların çalışma prensibinden ilham alınan hesaplama üniteleridir. Yapay sinir ağları 1960'lardan beri konuşulmakta ve üzerine araştırmalar yapılmaktadır. İlk kez 1970'lerde çok katmanlı sinir ağlarının çıkmasıyla yükselişe geçen yapay zeka alanı günümüzde birçok farklı yapıdaki yapay sinir ağının kullanıldığı bir alan haline gelmiştir. Bilgisayar teknolojisinin gelişmesiyle artan hesaplama ve veri işleme kapasitesi, daha derin ve karmaşık yapay sinir ağlarının kullanılmasının önünü açmıştır. Son yıllarda artan ve erişimi kolaylaşan büyük veri havuzlarında derin ve karmaşık yapay sinir ağlarının mevcut yapay zeka modellerinden daha iyi sonuçlar vermesi, alanda derin yapay sinir ağlarının yaygın bir şekilde kullanımını desteklemiştir. Günümüzde farklı problemler için özelleşmiş farklı yapay sinir ağları mevcuttur. Statik regresyon problemlerinde derin sinir ağları, zamana bağlı regresyon ve sınıflama problemlerinde özyineli sinir ağları, fotoğraf veya video regresyon ve sınıflama problemlerinde ise convolutional yapay sinir ağları kullanılmaktadır. Derin öğrenme son zamanlarda en aktif araştırma konularından bir tanesidir. Derin öğrenmenin büyük veri havuzları içinden değerli bağıntılar öğrenebilme becerisi bu alanın birçok disiplinde kullanılmasına yol açmıştır. Bu çalışmada derin öğrenme, uçuş parametrelerinden eyleyici hasarı bilgisi kestirmi yapmak için kullanılmuştır. Binlerce hasarlı ve hasarsız simülasyon koşulmuş, toplam hız, hücum açısı, sapma açısı, gövde ekseni açısal hız değişkenleri ve tekabül eden eyleyici hasar bilgisi etiketleri ile büyük bir veri havuzuna toplanmıştır. Derin filtre adında, derin, tekrarlayan ve konvolüsyonel bir sinir ağı toplanan veri havuzunda, bir ekran kartı vasıtasıyla eğitilmiştir. Derin filtre NDI kontrolcü ile birlikte çalışır. Derin filtre uçuş parametrelerinden eyleyici sağlığı kestirmi yaparak bu bilgiyi kontrolcüye verir, kontrolcü ise bu bilgi ile kendini yeniden yapılandırır. Derin filtreli NDI kontrolcü, başka bir NDI tabanlı, hasar toleranslı kontrol sistemi ile hata tolerans haritaları vasıtasıyla karşılaştırılmıştır. Derin filtreli NDI kontrolcünün karşılaştırılan NDI tabanlı hasar toleranslı kontrolcüye göre daha iyi performans verdiği gözlenmiştir. Kontrolcülerin hasar sonrası uçakta oluşturduğu istenmeyen salınımlar ve bozuntular, hasar sonrası gövde ekseni açısal hızlarının integrasyonu ile hesaplanmış, derin filtreli NDI kontrolcünün karşılaştırılan NDI tabanlı kontrolcüye göre daha az salınım ve bozuntu ürettiği ortaya çıkmıştır.
Özet (Çeviri)
Numerous major external disturbances, constrained space and time make landing one of the most difficult phases of the flight. Pilots on board need to manage air traffic control communications, manually guide the aircraft towards the runway and skilfully overcome possible major disturbances such as wind shears or thunderstorms. Two major incidents in 1970's involving two commercial aircraft where one had to land with a stuck elevator and the other crashed due to a broken pylon, fueled fault tolerant control systems research. Fault tolerant control systems can be separated to active and passive fault tolerant control systems. Passive fault tolerant systems are designed to be inherently robust to failures without detecting or isolating the source of the malfunction. Relatively newer active fault tolerant control systems usually employ a detection and isolation algorithm to detect, isolate the failure/malfunction and use this information to restructure or reschedule the control system. Active fault tolerant control systems are known to be much more complicated than passive control structures however active fault tolerant systems can recover from a wider range of failures or malfunctions than passive fault tolerant control systems. In order to implement a fault tolerant controller, a high fidelity F-16 fighter aircraft was implemented in Simulink environment. The F-16 model has an extensive aerodynamic database, an atmosphere model, actuator models and a gravity model. Furthermore, model left and right elevators and ailerons were separated in order to add redundancy. A stochastic wind model was added to simulate harsh weather conditions occasionally experienced in the real world. Wind model has a stochastic longitudinal component and a constant speed vertical and horizontal components which instantly change direction at a given altitude to simulate a microburst. Baseline controller was chosen to be a nonlinear dynamic inversion (NDI) controller. NDI controller has an inner and outer loop. Inner loop tracks body axis angular rates, and outer loop tracks altitude, bank angle and heading variables coming from the guidance block. Inner loop of NDI controller calculates necessary control inputs by inverting aircraft dynamics which is embedded with an actuator failure model that contains actuator health information. Guidance block generates reference heading, bank angle and altitude variables using aircraft tangential position as input. Guidance block outputs are tracked by the outer loop of the NDI controller. Deep learning has been one of the most active research areas recently. Deep learning is a powerful tool to extract information out of large data sets. In this work deep learning was used to extract actuator failure information from aircraft state trajectories. Thousands of faulty and non faulty simulations were performed and total velocity, angle of attack, sideslip angle, body axis angular rate were recorded with their corresponding labels which indicate the actuator health. A deep, recurrent, convolutional neural net called the deep estimator was trained on the gathered data set, using a graphical processing unit. Deep estimator works together with the NDI controller, detecting a failure through analyzing state trajectories and feeding this information back to the controller where appropriate control inputs are generated. NDI controller with deep estimator is compared against a state of the art fault tolerant autolanding controller with the use of fault tolerant maps. It is observed that the NDI controller with deep estimator outperforms the benchmark controller in severe failures where both elevator and aileron are stuck. Furthermore, smoothness of recovery was also investigated through integration of body angular rates right after the failure. Thorugh quantitative measures, it is observed that NDI controller with deep estimator recovers the aircraft by inducing less oscillations therefore performing a smoother recovery.
Benzer Tezler
- Deep neural networks for robust time delay fault tolerant autonomous landing control system design under severe disturbances
Ağır bozuntular altında derin öğrenme tabanlı gürbüz zaman gecikmeli arıza toleranslı otomatik ıniş kontrol sistemi tasarımı
MUSTAFA ÇAĞATAY ŞAHİN
Yüksek Lisans
İngilizce
2019
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE
- Comparative study of automatic landing design under wind conditions
Rüzgar koşulları altında otomatik iniş tasarımının karşılaştırmalı çalışması
GÜL MENTEŞ GEDİKLİ
Yüksek Lisans
İngilizce
2019
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE
- Vision-aided landing for fixed wing unmanned aerial vehicle
Sabit kanatlı ınsansız hava araçları için görüntü işleme ile otomatik iniş
ENGİN ESİN
Yüksek Lisans
İngilizce
2016
Havacılık MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık ve Uzay Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ TÜRKER KUTAY
- Robust autolanding system design for a combat aircraft on the ground
Muharip hava aracı için yerde gürbüz otomatik iniş sistemi tasarımı
SERDAR AVŞAR
Yüksek Lisans
İngilizce
2023
Havacılık MühendisliğiHacettepe ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİR KUTLUAY
- Çok maksatlı hibrid insansız hava aracı sistemi geliştirilmesi
Development of optionally piloted unmanned aerial vehicle system
HALİL İBRAHİM DONBALOĞLU
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATA MUGAN
DOÇ. DR. VASFİ EMRE ÖMÜRLÜ