Tez No	İndirme	Tez Künye	Durumu
166669	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Aircraft icing detection, identification and reconfigurable control based on Kalman filtering and neural networks / Kalman filtresi ve yapay sinir ağları ile uçak buzlanmalarının tespiti, teşhisi ve yeniden şekilllendirilebilir kontrol Yazar:RAHMİ AYKAN Danışman: PROF.DR. ÇİNGİZ HACIYEV ; Y.DOÇ.DR. FİKRET ÇALIŞKAN Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Havacılık Mühendisliği Ana Bilim Dalı Konu:Havacılık Mühendisliği = Aeronautical Engineering Dizin:	Onaylandı Doktora İngilizce 2005 144 s.
KALMAN FİLTRESİ VE YAPAY SİNİR AĞLARI İLE UÇAK BUZLANMALARININ TESPİTİ, TEŞHİSİ VE YENİDEN ŞEKİLLENDİRİLEBİLİR KONTROL ÖZET Havacılıktaki son gelişmeler ve araştırmalar uçakların kötü hava şartlarında da güvenli bir şekilde uçması konusunda yoğunlaşmıştır. Özellikle 1997 yılında ölümcül bir kaza üzerine NASA tarafından öncelikli bir konu olarak ilan edildikten hemen sonra uçaklarda buzlanma tespiti ve önleyici sistemler ile ilgili birçok çalışma başlatılmıştır. Havada, sıfırın altında sıcaklıklardaki nemli ortamlarda kanatlarda meydana gelen buzlanmanın uçuş performansına olumsuz etkisi eskiden beri bilinmektedir. Buzlanma uçaklarda kanatlarda meydana gelebildiği gibi kuyruk ve kontrol yüzeylerinde, burunda, iniş takımı kapaklarında, motor kaportaları giriş kısımlarında, sensörlerde ve tahliye sistemlerinde meydana gelebilir. Uçaklarda buzlanma, havacılık emniyetini ilgilendirdiği kadar mevcut buz önleyici ve çözücü sistemlerin uçak yakıtına etkisi olduğundan ekonomik açıdan da önemlidir. Buzlanma, oluştuğu yere göre uçak sistemlerini ve/veya hareketini etkiler. Bu çalışmada sadece kanat buzlanmaları göz önüne alınmıştır. Uçakların yerde beklemesi sırasında meydana gelen buzlanmalar da bu çalışmanın dışındadır. Uçuş buzlanmasının tespiti için gelişmiş bazı uçaklarda sensörler kullanılsa da bunlar sadece buzlanmanın oluşma ihtimali hakkında bilgi verir, fakat buzlanmadan dolayı uçağın performansının ne kadar azaldığı ile ilgili bilgi vermez. Mevcut sistemler pilota buzlanma ile ilgili detaylı bilgi verememektedir. Gelişmiş bir buzlanma tespit, izleme ve kontrol sistemi ile atmosferik buzlanma şartları ne olursa olsun gerekli önlemler alınarak askeri ve sivil uçakların kabul edilebilir emniyet sınırları içinde istenilen uçuş yörüngesinin devam ettirmesi sağlanabilir. Bu çalışma ile uçak dinamiklerinin istatistiksel karakteristiklerine göre uçak buzlanmalarının tespit ve teşhis edilmesi ve uçağı tehlikeli buzlanma şartlarından koruyan Buzlanma Toleranslı Uçuş Kontrol Sistemi (BTUKS) adını verdiğimiz yeni bir kontrol sisteminin dizayn edilmesi amaçlanmıştır. Önerilen kontrol sisteminin blok diyagramı Şekil 1'de gösterilmiştir. Aerodinamik yüzeylerde meydana gelen buzlanma uçağın aerodinamik kalitesini azaltır: Uçağın ağırlığı artar, sürükleme artar, taşıma düşer. Kanat profilleri üzerinde literatürde yapılan deneysel çalışmalar baz alınarak uçağın buzlanma modeli ençok etkilenen beş adet kararlılık türevlerinin değiştirilmesi ile temsil edilmiştir. Yapılan çalışmalara paralel olarak kanat buzlanmasından dolayı uçaktaki sürüklemenin 2 dk içinde %400 arttığı ve taşımanın %60 azaldığı varsayılmıştır. Uçağın dinamik karakteristiklerinin Kalman filtresi innovasyon prosesindeki istatistiksel değişiklikleri izlenerek buzlanmanın olup olmadığı tespit edilmiştir. İnnovasyon prosesi gerçek sistemin çıkışı ile matematiksel modele ve önceki çıkış bilgilerine dayalı tahmin edilen çıkış arasındaki fark olarak tanımlanır. Normalleştirilmiş innovasyon prosesinin Chi-square dağılım özelliği kullanılarak eşik değeri hesaplanmış ve buzlanma tespit edilmiştir. XXMevcut tuzlanma algılayıcı larının bilgisi r Yeniden Şekillendirilebilir Kontrol s*. c '"l I ı l Normal uçuş parametreleri T I A. iYSA sistem tanıma I Buzlanma İzleme, Bilgilendirme, Tespit=r-" i ı î K buzlanma"?*, C,i w - u * Kontrolör I I ı m UÇAK- OUKS ^ KF n~C_J Rezidü (artık) üreteci Şekil 1 Önerilen Buzlanma Toleranslı Uçuş Kontrol Sistemi (BTUKS) blok diyagramı Girişleri, ölçülen veya ölçülemeyen 9 adet uçak durumu ve çıkışları 5 adet buzlanma parametresi olan ileri doğru 1 gizli katmanlı bir yapay sinir ağ yapısı önerilmiştir. Buzlanmanın tespit edildiği andan itibaren o andaki uçuş bilgilerine ve olabilecek farklı buzlanma şekillerine göre simülasyonlar yapılarak buzlanmış uçağın YSA modelinin eğitimi ve geçerlilik testi için gerekli bilgiler kümesi oluşturulmuştur. Eğitim kümesindeki gürültüleri azaltmak ve eğitim performansını artırmak için YSA'nın girişlerine mevcut ölçümler yerine Kalman filtresi ile kestirilmiş durumlar kullanılmıştır. Denemelerde hızlı ve doğruluğu yüksek olduğundan Levenberg- Marquardt geriye yayılım algoritması kullanılmıştır. Eğitilmiş YSA modeli, gerçek uçuş bilgilerini kullanarak buzlanma parametrelerinin yeni değerlerini bulmak için kullanılmıştır. Bulunan yeni parametrelere göre kontrol işareti yeniden üretilmiştir. Böylece buzlanmadan dolayı normal kontrol prensibi ile kontrol edilemeyen bir uçağın otomatik olarak kontrolü sağlanmıştır. Buzlanma sonucunda uçağın dinamik matrisinin değiştiği daha önce belirtilmişti. Mevcut kontrol yöntemi ile sistem dinamik matrisindeki bu değişim gözönüne alınmadan kontrol işareti sadece çıkış durumları değerlendirilerek hesaplanmaktadır. Bu durumda hesaplanan kontrol işareti optimal değildir. Ayrıca buzlanma ile ilgili bu çalışmada yapılan simülasyonlar göstermiştir ki yeniden şekillendirilmeyen kontrol işareti ile uçuş belli bir süre daha sürdürüldüğünde uçak artık kontrol edilememektedir, dinamik matrisi tekrar oluşturulmuş ve buna göre optimal kontrol işareti tekrar hesaplanmıştır. XXIÖnerilen metot çok girişli ve çok çıkışlı doğrusal olmayan kararsız F16 savaş uçağı modeline ve doğrusal kararlı A340 yolcu uçağı modeline uygulanmıştır. Bu modellerin 7 dk. Iık zaman içinde gelişen çeşitli seviyelerde kanat buzlanmalarına maruz kaldığı varsayıldı. Uçak bir lineer kuadratik optimal kontrolör ile kararlı hale getirilmiştir. Ayrıca kontrolör kontrol yüzeylerindeki sapma miktarlarını mekanik limitler içinde tutmuştur. Buzlanmanın gelişmesi parametrelerin bir yaklaşımla lineer olarak değiştirilmesi ile temsil edilmiştir. Böylece ağın eğitimi ve testi için gerekli bilgi kümesi oluşturulmuştur. Ağın eğitimi için geçen süre buzlanma için kontrol sisteminin yeniden şekillendirilmesi ve model parametrelerinin denge şartlarından çok uzaklaşmaması gerektiği süreye uygun olarak 30 sn olarak seçilmiştir. Modelin durumlarının ve ölçümlerin kabul edilebilen seviyelerde gürültülü olduğu varsayılmıştır. Ölçüm değerlerinde bu gürültülerin etkisini azaltmak veya ölçülemeyen durumları tahmin etmek amacıyla bütün durumlar Kalman filtresi ile filtrelenmiştir. Kontrol girişleri doğrusal regülatör iie kontrol elemanların mekanik kapasitesi ölçüsünde otomatik olarak elde edilmiştir. Böylece buzlanmadan etkilenen parametreler 0.03 sn zaman aralıklı değiştirilerek 9 durum girişi ve 5 parametre çıkışı olan bir bilgi kümesi elde edilmiştir. Bilgi kümesinin herbir elemanı (9x1) durum vektörü ve (5x1) buzlanma parametre vektöründen oluşmaktadır. İlave bir bir sensör kullanmadan F16 ve A340 uçağında oluşan buzlanma KF innovasyon süreci ile 3 ve 1 dk içinde tespit edilebilmiştir. Aşırı buzlanma şartlarında kontrolü kaybolan F16 uçağının buzlanma parametreleri yapay sinir ağları ile yeteri doğrulukta bulunmuştur. Eğitilmiş yapay sinir ağlarının bulduğu parametrelere göre uçuş kontrol algoritması yeniden şekillendirildiğinde uçakların aşırı buzlanma şartlarında bile güvenli uçabileceği simüiasyoniar sonucunda anlaşılmıştır. Değişik denemeler sonucunda bir gizli katmanlı toplam 10 nörona sahip bir yapay sinir ağ yapısının YSA modelinin performansı açısından (işlem hızı, yakınsama hızı, anlık hata ve toplam hata, minimum karesel hata) yeterince uygun olduğu görülmüştür. Kestirilen buzlanma parametrelerinin bağıl hatalarının %5-7 gibi kabul edilebilir limitler içinde olduğu görülmüştür. Buzlanma parametrelerinin tespit edilebilmesi için buzlanma etkisi ölçüm veya model gürültüleri içinde kaybolmaması gerekir. Kalman Filtresi gürültülerin etkisini azaltmıştır. Uçaklardaki buzlanma aerodinamik, uçuş mekaniği ve performansı gibi değişik konularda uzmanların ortak bir çalışması olması gerekir. Şimdiye kadar yapılan uluslararası kapsamlı çalışmalara bakıldığında tamamı NASA, NATO veya üniversiteler tarafından desteklenmiş ve özel gruplar kurulmuştur. Buna rağmen yapılan çalışmalar yeterli değildir ve buzlanma konusu hala açık bir konudur. Buzlanma problemini çözmek için önerilen metod başka problemleri çözmek için de kullanılabilir: Uçağın winglet, fairing, aerodinamik panel gibi herhangi bir yapısal elemanında, veya elevator, düşey dümen, eleron, spoyler, flap ve slat gibi kontrol yüzeylerinde meydana gelen deformasyonlar veya tamamen kopması, veya çok motorlu uçağın herhangi bir motorunun devre dışı kaldığı durumlarda bu metodun etkili olacağı söylenebilir. Bu şekildeki arızalar az karşılaşılan olaylar değildir. Bu arızalar yıldırım çarpması, sağnak gibi dış olaylardan olabileceği gibi bakım, montaj ve pilot hatalarından da kaynaklanabilir. Ayrıca bu çalışma; uçak kaza-kırım incelemelerinde veya uçağın kullanıcısı olarak performansının iyeleştirilmesi amacıyla yapılacak çalışmalarda gerçek uçuş bilgilerinin işlenip kullanılmasına olanak sağlayan bir uygulama olabilir. xxii
AIRCRAFT ICING DETECTION, IDENTIFICATION AND RECONFIGURABLE CONTROL BASED ON KALMAN FILTERING AND NEURAL NETWORKS SUMMARY The recent improvements and research on aviation have focused on the subject of aircraft safe flight even in the severe weather conditions. As one type of such weather conditions, aircraft icing has been found considerably negative effect on the aircraft flight performance. Particularly, upon a fatal accident in 1997, icing was announced as a top subject by NASA, and then several researches have begun on icing detection and protection systems. The risks of the aircraft icing encountered during flight at freezing temperatures and humid air have been known early 1900s. In addition, ice may occur on wings, control surfaces, horizontal and vertical stabilizers, fuselage nose, landing gear doors, engine intakes, fuselage air data ports and sensors and drain system outputs. Aircraft icing is important for economical reasons as well as aviation safety since most of the existing anti-icing systems on modern aircraft are related to aircraft fuel consumption. Icing effects to the aircraft systems or to the motion depend on the ice location. This study only examines wing icing occurrences. Icing during grounding of aircraft is not in the scope of this study. Although some modern aircraft have sensors to detect icing, they can give only indication of the possibility of icing occurrence, but they cannot provide any information about degraded performance. Detailed information about icing for pilots/autopilots cannot be produced by the existing systems. With the improved ice detection, identification and control system, regardless atmospheric icing conditions, military and commercial aircraft can fly along their predetermined paths in acceptable safety margins by 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. A new detection and control system is proposed so called Icing Tolerant Flight Control System (ITFCS). Its block diagram is shown in Figure 1. Icing in aerodynamic surfaces decreases the aerodynamic quality of aircraft: aircraft weight and drag increase, lift decreases, and the affectivity of angle of attack and pitch angle. According to the experimental studies about airfoil in the literature aircraft icing model is represented by five stability derivatives. In parallel to the past studies, it is assumed that, within 2 minutes, drag increases 400%, and lift decreases 60%. Icing presence is detected by Kalman filtering (KF) innovation process approach by monitoring statistical changes of aircraft states. Innovation process is defined as the difference between actual system output and estimated output based on mathematical model and priori information. Chi-square distribution property of the normalized innovation process is used for the selection of threshold. XVIIr Basting Icing Date c I I I Nominal Ffight Parameters - II* Reconfiguration jf. - 4 NN Icing Identification JL IK icing, Monitoring, Advisory Icing detection £? a Controller L_52. AIRCRAFT EKF rTT Residual Generator Figure 1. Block diagram of proposed Icing Tolerant Flight Control System (ITFCS) A feed forward neural network (NN) structure having 1 hidden layer is embodied such that its inputs are the aircraft estimated states, and its outputs are icing parameters. The necessary training and validation set for the NN model of the iced aircraft are obtained from the simulations, which are performed for various possible icing conditions around flight conditions at ice detection time. In order to decrease noise effects on the states and to increase training performance of the NN, the estimated states by the KF are used. A suitable NN model of the iced aircraft is obtained by using system identification methods and learning algorithms. The Levenberg-Marquardt backpropagation training algorithm is used since it is faster and more accurate in several tests. This trained NN model finds new values of the icing parameters by taking real flight data. These parameters are used for the automatic control of the aircraft that has lost its controllability due to icing. Although aircraft dynamic matrix is changed by icing conditions, existing control algorithm uses outputs of the aircraft and constant gain. However, in this condition, the gain is not optimal anymore. Even the simulations have showed that if the aircraft continues the flight with the existing controller, there would be a catastrophe. In this work, a new controller is designed in terms of the parameters found by the trained NN model. XVIIIThe method is applied to multi input multi output nonlinear unstable F16 military and linear A340 commercial aircraft models. These models are assumed to be affected by wing icing occurrences in different levels accumulating within 7 minutes. The aircraft is stabilized by a linear quadratic optimal controller. In addition, the controller ensures the mechanical limits of the control surface deflections. As an approximation, the accumulation of ice is represented with the linearly varying certain parameters of the aircraft models. Hence, the necessary training and testing data for the neural network models of the aircraft are obtained from the simulations. Training batch time is taken 30 s such that aircraft control system should be reconfigured within this time and the model parameters should not be so different from the existing trim conditions. The states and measurements are assumed to have certain level white noises. In order to decrease measurement noises or estimate non-measurable states all states are filtered through Kalman filter. The control inputs of the flight control system are automatically obtained from linear regulator such that the control deflections are to be within their mechanical limits. Hence, training set having vectors of 9 states as inputs and 5 parameters as outputs are produced by artificially varying parameters in the interval of 0.03 s. On the other hand, the each element of training set has one (9x1) input vector and one (5x1) output vector. Icing at the same level on F16 and A340 aircraft is detected by the KF innovation approach within 3 and 1 min., respectively, without additional physical sensors. Icing parameters of the aircraft which lost their controls have been found through NN models with acceptable accuracy. As the flight control system is reconfigured based upon the new parameters found from NN models, it has been shown in simulations that the aircraft could safely fly in severe icing conditions. In the result of various tests, the selections of 1 hidden layer and 10 neurons have improved the performance of NN models such as computation speed, convergence speed, instant error, resultant error and minimum square error. Relative errors of the estimated icing parameters have been maintained in acceptable margins such as %5-7. In order to find the icing parameters from the evaluation of flight data, the effects of icing should not be hidden under the noise effects. Fortunately, Kalman filtering decreases the noise effects in considerable levels. Aircraft icing is a multi-discipline subject of the specialist on aerodynamics, flight mechanics, flight performance, etc. Although the works on icing till now have been managed by NASA, NATO and a few universities, they are not enough and airframe icing is still an open subject to research. The proposed method for icing may be applied to other problems: Deformations or missing of the parts such as winglet, fairings, aerodynamic panels, elevator, rudder, aileron, spoiler, flap and slat, or one or more engine out conditions. These types of damages are not so uncommon. These could result from not only the external events such as lightening strike and gust but also faults in manufacturing maintenance and pilots. The methods proposed in this work can be used for aircraft accident investigations, improvement of aircraft flight performance by manufacturers or operators such that it provides how flight data can be processed. xix