الگوریتم شناسایی مانور پروازی بالگرد مبتنی بر فیلتر کالمن توسعه‌یافته تطبیقی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی / دانشگاه صنعتی مالک اشتر

2 دینامیک پرواز و کنترل، مجتمع هوافضا، دانشگاه صنعتی مالک اشتر، تهران، ایران

چکیده

تفکیک شرایط پروازی جهت محاسبه زمان سپری شده در هر یک از آنها، برای پایش میزان بهره‌برداری بالگرد ضروری است. خلبانان در حین عملیات، رژیم‌های پروازی مختلفی را اجرا می‌کنند که هر یک را با ترکیبی از پارامترها تشخیص می‌دهند. از این رو، رژیم‌های پروازی بالگرد را می‌توان به صورت برداشت کیفی و توصیفی خلبانان از حالت پروازی، تعریف کرد. با این وجود، رابطه بین پارامترهای پروازی و مانورها یک تابع بسیار پیچیده بوده و مدل ریاضی دقیقی برای شناسایی رژیم پروازی در دسترس نیست. در این پژوهش تلاش شده است با بهره‌گیری از بیان توصیفی خلبانان، ابزاری جهت شناسایی رژیم‌های پروازی بالگرد فراهم گردد. بدین منظور، با ایجاد یک ماتریس اتصال مبتنی بر توصیف مانور، داده‌های اندازه‌گیری شده در حالت ‌پروازی فیلتر شده و به کمک الگوریتم شناسایی، رژیم‌های پروازی بالگرد شناسایی می‌گردند. الگوریتم شناسایی رژیم پروازی مبتنی بر روش داده‌کاوی، بر اساس فیلتر کالمن توسعه‌یافته تطبیقی (AEKF) ارائه شده است. استفاده از الگوریتم AEKF منجر به عدم نیاز به بانک داده مفصل، کاهش حساسیت به مقادیر اولیه و تغییرات و همچنین افزایش دقت تخمین با گذشت زمان، بر خلاف روش‌های موجود شناسایی برخط مانورهای بالگرد شده است. توانایی الگوریتم پیشنهادی، با داده‌های شبیه‌سازی پروازی حاصل از یک مدل دینامیکی بالگرد صحه‌گذاری شده، ارزیابی شده است.

کلیدواژه‌ها

عنوان مقاله [English]

Helicopter flight maneuver recognition algorithm based on adaptive extended Kalman filter

نویسندگان [English]

  • Mostafa Khazaee 1
  • iman jahandideh 2
1 Aerospace Complex, Malek Ashtar University of Technology, Tehran, Iran
2 Flight Dynamics and Control , Aerospace Complex, Malek Ashtar University of Technology, Tehran, Iran
چکیده [English]

The flight condition distinguishing is essential for calculation of elapsed time in each regime. The pilots perform different flight regimes during operation which recognize them by combination of flight parameters. Thus, the flight regimes can be defined based on the qualitative descriptions by pilots. Nevertheless, the relation between flight parameters and maneuvers is so complicated and there is no precise mathematic model for flight regime recognition. In this research, a flight regime recognition algorithm is developed based on the qualitative description of maneuvers. A connection matrix is formed using maneuver description to filter the measured flight data and the algorithm identifies the flight regimes. The proposed flight regime recognition algorithm utilized the adaptive extended Kalman filter (AEKF). Using AEKF results in no need for big flight data bank, less sensitivity to initial values and variations, and increases the accuracy during time in contrast with the exiting online regime recognition methods. The algorithm effectiveness is evaluated for the simulated flight data from a validated helicopter dynamic model.

کلیدواژه‌ها [English]

  • Health and Usage Monitoring (HUMS)
  • Flight Regime Recognition (FRR)
  • usage spectrum
  • Adaptive Extended Kalman Filter (AEKF)

مراجع

[1] S. Ayyalasomayajula, N. Nigam, P. Chen, A. Sridharan, I. Chopra, A Tool-kit for Rotorcraft Regime Recognition Codes Validation, AIAA Atmospheric Flight Mechanics Conference, Denver, Colorado, 2017.
[2] AC 27-1B: Advisory Circular on Certification Of Normal Category Rotorcraft, Change 6 ed., US Department of Transportation - Federal Aviation Administration, 2014.
[3] ADS-51-HDBK: Aeronautical Design Standard Handbook: Rotorcraft And Aircraft Qualification (RAQ) Handbook, St. Louis, Missouri: US Army Aviation and Troop Command - Aivation R&D Center, 1996.
[4] B. Dickson, J. Cronkhite, S. Bielefeld, L. Killian, R. Hayden, Feasibility Study of a Health and Usage Monitoring System (HUMS): Usage and Structural Life Monitoring Evaluation, NASA Lewis Research Center, 1996.
[5] J. Zakrajsek, P. Dempsey, Rotorcraft Health Management Issues and Challenges, NASA Center for Aerospace Information, 2006.
[6] P.J. Dempsey, D.G. Lewicki, D.D. Le, Investigation of Current Methods to Identify Helicopter Gear Health, IEEE Aerospace Conference, pp. 1-13, 2007.
[7] AC 29-2C: Advisory Circular on Certification of Transport Category Rotorcraft, Change 4 ed., US Department of Transportation, Federal Aviation Administration, 2014.
[8] D. C. Lombardo, Helicopter Flight Condition Recognition: A Minimalist Approach, Australian Joint Conference on Artificial Intelligence, 1998.
[9] D. He, S. Wu, E. Bechhoefer, Development of Regime Recognition Tools for Usage Monitoring, IEEE Aerospace Conference Proceedings, 2007.
[10] S. Wu, E. Bechhoefer, D. He, A Practical Regime Prediction Approach for HUMS Applications, American Helicopter Society 63rd Annual Forum, Virginia Beach, VA, 2007.
[11] H. Keiqobadi, S.A. Seyyedin, Detection of Flight Disorder in Airplane Landing Operation using Hidden Markov Model, 6th Conference on Artificial Intellingece and Robotics, Qazvin, Iran, 2016. (in Persian)
[12] H. MohamadKhanlou, M.R. Taghizadeh, Vibration Response Analysis of Pilot Body's Dynamic Models in Flight Maneuvering, Journal of Aeronautical Engineering, Vol. 1, pp. 56-44, 2019. (in Persian)
[13] B.J. Baskett, ADS-33-PRF: Aeronautical Design Standard on Performance Specification Handling Qualitites Requirements for Military Rotorcraft, Redstone Arsenal, Alabama: US Army Aviation and Missile Command, Aviation Engineering Directorate, 2000.
[14] A. Mohamed, K. Schwarz, Adaptive Kalman Filtering for INS/GPS, Journal of Geodesy, Vol. 73, No. 4, pp. 193-203, 1999.
[15] A. Almagbile, J. Wang, W. Ding, Evaluating the Performances of Adaptive Kalman Filter Methods in GPS/INS Integration, Journal of Global Positioning Systems, Vol. 9, No. 1, pp. 33-40, 2010.
[16] S. Akhlaghi, N. Zhou, Z. Huang, Adaptive adjustment of noise covariance in Kalman filter for dynamic state estimation, IEEE Power & Energy Society General Meeting, Chicago, IL, USA, 2017.
[17] D. Simon, Optimal State Estimation: Kalman, H_inf, and Nonlinear Approaches, Hoboken, New Jersey: John Wiley & Sons, Inc. , 2006.
[18] N. Zhou, D. Meng, Z. Huang, G. Welch, Dynamic State Estimation of a Synchronous Machine Using PMU Data: A Comparative Study, IEEE Transactions on Smart Grid, Vol. 6, No. 1, pp. 450-460, 2014.
[19] J. A. Lusardi, C. L. Blanken, M. B. Tischler, Piloted Evaluation of a UH-60 Mixer Equivalent Turbulence Simulation Model, American Helicopter Society 59th Annual Forum, Phoenix, Arizona, 2003.
[20] J. Howlett, UH-60A Black Hawk Engineering Simulation Program - Vol. I:Mathematical Model, NASA Ames Research Center, 1988.
[21] J. Howlett, UH-60A Black Hawk Engineering Simulation Program - Vol II: Background Report, NASA Ames Research Center, 1988.
[22] R.E. Rajnicek, Application of Kalman Filtering to Real-time Flight Regime Recognition Algorithms in a Helicopter Health and Usage Monitoring System, Embry-Riddle Aeronautical University, Daytona Beach, 2008.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار