KR20190115596A - Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning - Google Patents
Method and apparatus for monitoring the integrity of aircraft fuel system using machine learningInfo
- Publication number
- KR20190115596A KR20190115596A KR1020180038479A KR20180038479A KR20190115596A KR 20190115596 A KR20190115596 A KR 20190115596A KR 1020180038479 A KR1020180038479 A KR 1020180038479A KR 20180038479 A KR20180038479 A KR 20180038479A KR 20190115596 A KR20190115596 A KR 20190115596A
- Authority
- KR
- South Korea
- Prior art keywords
- aircraft
- aircraft fuel
- fuel consumption
- consumption prediction
- prediction system
- Prior art date
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 295
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000010801 machine learning Methods 0.000 title abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims 5
- 239000010410 layer Substances 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002828 fuel tank Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D37/00—Arrangements in connection with fuel supply for power plant
- B64D37/005—Accessories not provided for in the groups B64D37/02 - B64D37/28
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
Description
아래의 실시예들은 항공기 연료 시스템 감시 방법 및 장치에 관한 것으로, 더욱 상세하게는 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치에 관한 것이다. The following embodiments relate to an aircraft fuel system monitoring method and apparatus, and more particularly, to an aircraft fuel system integrity monitoring method and apparatus using machine learning.
1903년 라이트 형제가 첫 비행을 성공한 이래로, 지난 100년간 항공 산업은 폭발적인 발전을 거듭해오며 초소형 무인기, 초음속 비행을 하는 대형항공기, 스텔스 기능을 탑재한 전투기 등 다양한 항공기의 연구 및 개발이 점차 가속화되고 있다. 특히, 항공운송 산업의 경우 1914년 최초의 민간 항공비행을 시작으로 전 세계 시장에서 기술적, 산업적, 경제적으로 눈부신 성장을 이뤄내며 현대사회를 지탱하는 중추적 이동 및 운송수단으로 자리 잡고 있다. 향후 20년간 항공 교통량이 현재의 2배 이상 증가될 것이라 예측되는 가운데, 무한 경쟁 속의 항공사들은 안전성과 신뢰성을 기반으로 하는 효율적인 항공기 운용을 위해 끝없이 노력 중이지만, 증가하는 항공 교통량과 연료의 가격 상승 및 국제환경 정책으로 인한 압박으로 어려움을 겪고 있다. 이와 더불어, 최첨단 기술력과 장비 탑재에도 불구하고 지속적으로 발생하는 항공기 안전사고로 인한 연쇄적인 물적 손해는 항공 운송 산업 성장에 제동을 가하고 있다. Since the Wright brothers' first flight in 1903, the aviation industry has been exploding over the last 100 years, accelerating the research and development of a wide range of aircraft, including ultra-drones, large supersonic aircrafts, and fighters with stealth capabilities. . In particular, the air transport industry, with its first civil aviation flight in 1914, has achieved remarkable growth in the global market, technically, industrially and economically, and has become a pivotal transportation and transportation vehicle supporting modern society. With air traffic expected to more than double over the next two decades, airlines in endless competition are constantly working on efficient aircraft operations based on safety and reliability, but rising air traffic and fuel prices and international We are struggling with pressure from environmental policies. In addition, despite the state-of-the-art technology and equipment installed, the series of material damages caused by the ongoing aircraft safety accidents are dampening the growth of the air transportation industry.
비록 항공기 안전사고가 1970년대 이후 지속적으로 감소하여 2016년 기준 100만 비행 당 사상자 및 기체 손상 발생사고의 비율은 각각 0.25%와 0.64%로 낮아졌지만, 항공 교통량의 비약적인 증가로 여전히 매년 수백여 명의 사상자가 발생하고 있다. Although aircraft safety accidents have continued to decline since the 1970s, the rate of casualties and gas damages per million flights in 2016 has dropped to 0.25% and 0.64%, respectively, yet hundreds of casualties are still lost each year due to the dramatic increase in air traffic. Is occurring.
항공기 안전사고의 원인을 큰 범주에서 살펴보면 조종 과실과 기계적 결함이 전체 사고의 70% 이상을 차지하며, 구체적으로는 불시착, 장비 고장, 조종사 실수, 정비 과실, 연료 고갈 등으로 분류된다. 특히, 사고발생 원인 중 연료 관련 사고의 경우 치명적인 기계적 결함으로 인한 사고뿐만이 아닌 단순 기계 오작동 또는 조종사와 정비사의 부주의에 의한 사고 발생 가능성이 존재한다. 2016년 11월 28일 콜롬비아에 추락하여 탑승자 77명 중 71명의 사상자를 낸 LMI2933기의 사고 원인은 연료 시스템의 전기적 결함으로 인한 연료고갈, 2005년 8월 6일 이탈리아에 추락하여 탑승자 39명중 16명의 사상자를 낸 TUX1153기의 사고원인은 단순 연료 게이지 이상과 연료 미확인으로 인한 사고였다. Looking at the causes of aircraft safety accidents in a large category, maneuvering faults and mechanical faults account for over 70% of all accidents, specifically catastrophic failures, equipment failures, pilot errors, maintenance mistakes, and fuel depletion. In particular, in the case of fuel-related accidents, accidents may occur not only due to fatal mechanical defects but also by simple mechanical malfunctions or inadvertent pilots and mechanics. The cause of the LMI2933, which crashed Colombia on 28 November 2016, killing 71 of 77 passengers, was fuel depleted due to electrical defects in the fuel system, and 16 of 39 passengers crashed into Italy on August 6, 2005. The cause of the casualty of the TUX1153 was more than just a fuel gauge and no fuel.
항공기 연료 시스템은 엔진과 보조 전력 계통에 안정적으로 연료를 공급하고 비행 고도 및 속도 등에 따라 최적의 양과 압력의 연료를 지속적으로 유지해야 하는 핵심적인 항공기의 전자, 기계적 시스템 중 하나로서, 항공기 연료 시스템의 무결성은 무엇보다 중요하다. 단순 결함 및 조종사 또는 정비사의 부주의만으로도 LMI2933기 및 TUX1153기 사고와 같은 수많은 인명피해를 동반한 재난으로 연결되므로, 항공기 연료 시스템은 높은 정확성과 신뢰성을 갖춘 실시간 연료소모량 감시시스템의 추가 탑재를 통해 항공기 연료 시스템의 이상 여부 감지가 요구된다. An aircraft fuel system is one of the key aircraft electronic and mechanical systems that reliably supplies engines and auxiliary power systems and continuously maintains the optimum amount and pressure of fuel based on flight altitude and speed. Integrity is paramount. As simple defects and carelessness of the pilot or mechanic lead to disasters involving numerous casualties, such as LMI2933 and TUX1153 accidents, the aircraft fuel system is equipped with high accuracy and reliability of real-time fuel consumption monitoring systems to add aircraft fuel. It is necessary to detect whether the system is abnormal.
그러나 현재 연료 소모량 예측에 사용되는 기존 수학적 항공기 연료 소모량 모델(Aircraft Fuel Burn Model: AFBM)은 표준화된 항공기를 기반으로 한 모델로서 실제 비행환경에 존재하는 잡음 및 미세 변수가 고려되지 않는다. 뿐만 아니라 개별적인 항공기의 실시간 예측 모델에 활용될 경우, 예측 부정확성의 가능성으로 인해 항공기 연료 시스템의 무결성에 영향을 미치게 될 수 있다. However, the existing mathematical aircraft fuel burn model (AFBM), which is currently used to predict fuel consumption, is a model based on standardized aircraft and does not take into account the noise and fine variables present in the actual flight environment. In addition, when used in real-time predictive models of individual aircraft, the potential for predicting inaccuracies can affect the integrity of the aircraft fuel system.
한국공개특허 10-2010-0076451호는 이러한 연료탱크의 누유 검사 시스템에 관한 것으로, 연료탱크 내부의 온도 변화에 따른 압력 변화량을 보상하여 실제 압력 변화량을 계산함으로써 온도 변화에 따른 누유 판단 오류를 방지하는 장치에 관한 기술을 기재하고 있다. Korean Patent Laid-Open Publication No. 10-2010-0076451 relates to a leak test system of such a fuel tank, and compensates a pressure change amount according to a temperature change inside a fuel tank to calculate an actual pressure change amount to prevent an oil leak determination error due to a temperature change. The description of the device is described.
실시예들은 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치에 관한 것으로, 보다 구체적으로 높은 신뢰성과 정확성이 보장되어야 하는 항공기 연료 시스템의 오류로 인한 사고 발생의 사전 방지를 위하여 실시간 항공기 연료 소모량 예측 장치를 탑재한 보다 신뢰성이 향상된 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치를 제공하는데 있다.Embodiments relate to a method and apparatus for monitoring aircraft fuel system integrity using machine learning, and more particularly, to predict real-time aircraft fuel consumption in order to prevent accidents caused by errors in aircraft fuel systems that must be ensured with high reliability and accuracy. The present invention provides a method and apparatus for monitoring aircraft fuel system integrity using more reliable machine learning.
실시예들은 연료 시스템 내의 센서로부터 측정된 연료량과의 유사성을 비교하여 시스템의 이상 유무를 판단하며, 연료 시스템에서 발생 가능한 결함 인지 및 사고 예방을 통해 항공기의 비행 신뢰성을 향상시키는 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치를 제공하는데 있다. The embodiments compare the similarity with the amount of fuel measured from the sensor in the fuel system to determine the abnormality of the system, and the aircraft utilizing the machine learning which improves the flight reliability of the aircraft by detecting the defects and preventing accidents that may occur in the fuel system. To provide a fuel system integrity monitoring method and apparatus.
일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법은, 항공기 연료 시스템의 센서로부터 항공기의 연료를 측정하는 단계; 신경망(Neural Networks: NN) 기반으로 구성된 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 획득하는 단계; 상기 항공기 연료 시스템의 센서로부터 측정된 연료량과 상기 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교하는 단계; 및 상기 항공기 연료 시스템의 센서로부터 측정된 연료량과 상기 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량이 미리 정해진 유사성 기준과 차이가 있는 경우 항공기 연료 시스템의 이상으로 판단하는 단계를 포함하여 이루어질 수 있다. An aircraft fuel system integrity monitoring method according to an embodiment includes measuring fuel of an aircraft from a sensor of the aircraft fuel system; Obtaining predicted fuel consumption from an aircraft fuel consumption prediction system configured based on neural networks (NN); Comparing the fuel amount measured from the sensor of the aircraft fuel system with the fuel consumption predicted from the aircraft fuel consumption prediction system; And determining an abnormality of the aircraft fuel system when the fuel amount measured by the sensor of the aircraft fuel system and the fuel consumption estimated from the aircraft fuel consumption prediction system differ from a predetermined similarity criterion.
상기 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람하는 단계를 더 포함하여 이루어질 수 있다. If it is determined that the aircraft fuel system is abnormal, it may further comprise the step of alarming the pilot or manager.
상기 항공기 연료 소모량 예측 시스템은, 상기 신경망은 항공기의 속도와 고도에 따른 연료 소모량 데이터로 학습할 수 있다. In the aircraft fuel consumption prediction system, the neural network may learn fuel consumption data according to the speed and altitude of the aircraft.
상기 항공기 연료 소모량 예측 시스템은, 항공기의 속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습할 수 있다. The aircraft fuel consumption prediction system may generate a data in which fuel consumption is output through the hidden layer by inputting the speed and altitude of the aircraft, and repeatedly learning the data.
상기 항공기 연료 소모량 예측 시스템은, 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조일 수 있다. The aircraft fuel consumption prediction system may have a multi-layer perceptron (MLP) structure.
상기 항공기 연료 소모량 예측 시스템은, Levenberg- Marquardt(LM) 방법을 기반으로 최적화될 수 있다. The aircraft fuel consumption prediction system may be optimized based on the Levenberg-Marquardt (LM) method.
다른 실시예에 따른 항공기 연료 시스템 무결성 감시 장치는, 센서를 통해 항공기의 연료를 측정하는 항공기 연료 시스템; 신경망(Neural Networks: NN) 기반으로 구성되며, 연료 소모량을 예측하는 항공기 연료 소모량 예측 시스템; 상기 항공기 연료 시스템의 센서로부터 측정된 연료량과 상기 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교하여, 미리 정해진 유사성 기준과 차이가 있는 경우 항공기 연료 시스템의 이상으로 판단하는 이상 유무 판단부를 포함하여 이루어질 수 있다. An aircraft fuel system integrity monitoring apparatus according to another embodiment includes an aircraft fuel system for measuring fuel of an aircraft through a sensor; An aircraft fuel consumption prediction system configured based on neural networks (NN) and predicting fuel consumption; And comparing the fuel amount measured by the sensor of the aircraft fuel system with the fuel consumption predicted from the aircraft fuel consumption prediction system, and determining whether there is an abnormality of the aircraft fuel system when there is a difference from a predetermined similarity criterion. Can be.
상기 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람하는 알람부를 더 포함하여 이루어질 수 있다. If it is determined that the aircraft fuel system is abnormal, it may further comprise an alarm unit for alarming the pilot or manager.
상기 항공기 연료 소모량 예측 시스템은, 속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습될 수 있다. The aircraft fuel consumption prediction system may be repeatedly learned by generating data outputting fuel consumption through a hidden layer by inputting speed and altitude.
상기 항공기 연료 소모량 예측 시스템은, 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조일 수 있다. The aircraft fuel consumption prediction system may have a multi-layer perceptron (MLP) structure.
상기 항공기 연료 소모량 예측 시스템은, Levenberg- Marquardt(LM) 방법을 기반으로 최적화될 수 있다. The aircraft fuel consumption prediction system may be optimized based on the Levenberg-Marquardt (LM) method.
또 다른 실시예에 따른 항공기 연료 소모량 예측 시스템은, 신경망(Neural Networks: NN) 기반으로 구성되어 항공기의 연료 소모량을 예측하며, 상기 신경망은 항공기의 속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습될 수 있다. According to another embodiment, the aircraft fuel consumption prediction system is configured based on neural networks (NN) to predict fuel consumption of the aircraft, and the neural network inputs the speed and altitude of the aircraft to output fuel consumption through the hidden layer. It can be learned repeatedly by generating the data.
상기 항공기 연료 소모량 예측 시스템은, 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조일 수 있다. The aircraft fuel consumption prediction system may have a multi-layer perceptron (MLP) structure.
상기 항공기 연료 소모량 예측 시스템은, Levenberg- Marquardt(LM) 방법을 기반으로 최적화될 수 있다. The aircraft fuel consumption prediction system may be optimized based on the Levenberg-Marquardt (LM) method.
실시예들에 따르면 예측 부정확성의 가능성으로 인한 신뢰성 문제를 고려하여 신경망(NN)을 기반으로 설계함에 따라 실시간 항공기 연료 시스템 무결성 감시를 통한 항공기의 신뢰성을 향상시키는 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치를 제공할 수 있다. According to the embodiments, the aircraft fuel system integrity monitoring using the machine learning to improve the reliability of the aircraft through the real-time aircraft fuel system integrity monitoring as the design based on the neural network (NN) in consideration of the reliability problem due to the possibility of predictive inaccuracy A method and apparatus can be provided.
실시예들에 따르면 연료 시스템 내의 센서로부터 측정된 연료량과의 유사성을 비교하여 시스템의 이상 유무를 판단하며, 연료 시스템에서 발생 가능한 결함 인지 및 사고 예방을 통해 항공기의 비행 신뢰성을 향상시키는 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치를 제공할 수 있다.According to embodiments, the system compares the similarity with the amount of fuel measured from a sensor in the fuel system to determine whether there is an abnormality of the system, and utilizes machine learning to improve flight reliability of the aircraft by identifying possible defects and preventing accidents in the fuel system. One aircraft fuel system integrity monitoring method and apparatus can be provided.
도 1은 일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 신경망 내부구조를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 신경망 학습을 위한 기존 항공기 연료 소모량 모델(AFBM)의 데이터를 나타내는 도면이다.
도 5는 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)의 구조를 설명하는 도면이다.
도 6은 일 실시예에 따른 예측 시스템의 학습 횟수에 따른 성능평가를 나타내는 도면이다.
도 7은 일 실시예에 따른 잡음 강인성에 대한 성능평가를 나타내는 도면이다. 1 is a view for explaining an aircraft fuel system integrity monitoring method according to an embodiment.
2 is a flowchart illustrating a method of monitoring aircraft fuel system integrity according to an exemplary embodiment.
3 is a diagram for describing an internal structure of a neural network, according to an exemplary embodiment.
4 is a diagram illustrating data of an existing aircraft fuel consumption model (AFBM) for neural network training, according to an embodiment.
5 is a diagram illustrating a structure of an aircraft fuel consumption prediction system (AFCP) according to an embodiment.
6 is a diagram illustrating a performance evaluation according to the number of learning of a prediction system, according to an exemplary embodiment.
7 is a diagram illustrating performance evaluation of noise robustness according to an exemplary embodiment.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.Hereinafter, exemplary embodiments will be described with reference to the accompanying drawings. However, the described embodiments may be modified in many different forms, and the scope of the present invention is not limited to the embodiments described below. In addition, various embodiments are provided to more fully describe the present invention to those skilled in the art. Shape and size of the elements in the drawings may be exaggerated for more clear description.
항공기 연료 시스템은 핵심적인 항공기의 전자, 기계적 시스템 중 하나로서 안전한 비행을 위한 연료 시스템의 신뢰성은 무엇보다 중요하다. 하지만 현대의 항공기는 최첨단 기술과 장비의 탑재에도 불구하고 단순결함 및 조종사 또는 정비사의 부주의만으로도 여전히 많은 사고가 발생하고 있으며, 사고 방지를 위해 항공기 연료 시스템은 신뢰성을 갖춘 실시간 모니터링 시스템을 통한 시스템의 이상 여부 감지가 요구된다. Aircraft fuel systems are one of the key aircraft electronic and mechanical systems, and the reliability of fuel systems for safe flight is paramount. However, even though modern aircrafts are equipped with state-of-the-art technology and equipment, many accidents still occur due to simple defects and carelessness of pilots or mechanics. Whether detection is required.
이에, 본 실시예에서는 높은 신뢰성과 정확성이 보장되어야 하는 항공기 연료 시스템의 오류로 인한 사고 발생의 사전 방지를 위하여 실시간 항공기 연료 소모량 예측 장치를 탑재한 항공기 연료 시스템 무결성 감시 기법을 제공하고자 한다. 신경망을 기반으로 한 항공기 연료 소모량 예측 장치는 Levenberg-Marquardt 알고리즘을 통해 학습되었으며, B747-100 항공기 데이터를 활용한 모의시험을 통해 기존 항공기 연료 시스템의 수학적 모델 대비 제안된 항공기 연료 예측 장치의 외부 환경 잡음에 대한 강인함과 우수성을 확인할 수 있었다.Accordingly, the present embodiment is to provide an aircraft fuel system integrity monitoring technique equipped with a real-time aircraft fuel consumption prediction device in order to prevent the occurrence of an accident due to an error of the aircraft fuel system to ensure high reliability and accuracy. The aircraft fuel consumption prediction device based on neural network was learned through Levenberg-Marquardt algorithm, and the external environmental noise of the proposed aircraft fuel prediction device compared to the mathematical model of the existing aircraft fuel system through simulation using B747-100 aircraft data. It was confirmed that the strength and excellence for.
도 1은 일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법을 설명하기 위한 도면이다.1 is a view for explaining an aircraft fuel system integrity monitoring method according to an embodiment.
도 1을 참조하면, 실시예들은 무결성이 보장되어야 할 항공기 연료 시스템의 이상 유무 판별을 통한 시스템 신뢰성 강화를 위해 실시간 항공기 연료 소모량 예측 시스템(Aircraft Fuel Consumption Predictor: AFCP)을 제공할 수 있다. 항공기 연료 소모량 예측 시스템(AFCP)의 구현을 위해 대표적인 비선형 학습 모델인 신경망(Neural Networks: NN)(101)을 활용하였으며, 신경망(NN)(101)의 최적화 학습을 위해 높은 예측 안정성을 갖는 Levenberg-Marquardt 학습 알고리즘을 적용할 수 있다. 항공기 연료 소모량 예측 시스템(AFCP)의 학습 데이터는 Bela P. Collins가 제안한 Advanced Fuel Burn Model-MOD 830725와 B747-100 항공기 표준모델을 기반으로 연료 소모에 영향을 미치는 주요 변수인 비행 속도 및 고도, 그리고 두 변수에 의한 연료 소모량을 확보할 수 있다. Referring to FIG. 1, embodiments may provide a real-time aircraft fuel consumption prediction system (AFCP) to enhance system reliability by determining whether an aircraft fuel system should be guaranteed integrity. Neural Networks (NN) 101, a representative nonlinear learning model, was used for the implementation of the aircraft fuel consumption prediction system (AFCP), and Levenberg- with high predictive stability for optimal learning of the Neural Network (NN) 101. The Marquardt learning algorithm can be applied. The training data for the aircraft fuel consumption prediction system (AFCP) is based on Bela P. Collins's Advanced Fuel Burn Model-MOD 830725 and B747-100 aircraft standard models, which are the key variables that affect fuel consumption, flight speed and altitude, and Fuel consumption from two variables can be obtained.
도 1은 항공기 연료 소모량 예측 시스템(AFCP)을 포함한 제안된 항공기 연료 시스템의 무결성 감시 구조를 나타내며, 항공기 연료 시스템(120)의 센서로부터 측정된 연료량과 제안된 항공기 연료 소모량 예측 시스템(AFCP)(110)으로부터 예측된 연료 소모량을 비교하여 항공기 연료 시스템의 이상 유무를 판단한다. 즉, 항공기 연료 시스템(120)의 센서로부터 측정된 연료량과 제안된 항공기 연료 소모량 예측 시스템(AFCP)(110)으로부터 예측된 연료 소모량의 유사성 여부를 판단(130)하여 유사하지 않은 경우 조종사 또는 관리자에게 알람(140)할 수 있다. 1 shows the integrity monitoring structure of a proposed aircraft fuel system including an aircraft fuel consumption prediction system (AFCP), and the fuel quantity measured from a sensor of the aircraft fuel system 120 and the proposed aircraft fuel consumption prediction system (AFCP) 110. The fuel consumption estimated from) is compared to determine the abnormality of the aircraft fuel system. That is, it is determined whether the fuel amount measured from the sensor of the aircraft fuel system 120 and the fuel consumption predicted from the proposed aircraft fuel consumption prediction system (AFCP) 110 are similar (130) to the pilot or the manager if they are not similar. Alarm 140 may be.
이를 통해 항공기 연료 시스템에 대한 무결성 감시를 기반으로 연료 시스템에서 발생 가능한 결함을 사전에 조종사가 인지하고 사고 예방을 통한 비행 안정성을 향상시킬 수 있다. This enables pilots to be aware of possible defects in the fuel system based on integrity monitoring of the aircraft's fuel system and improve flight stability through accident prevention.
항공기 연료 소모량 예측을 위해 최적 설계된 항공기 연료 소모량 예측 시스템(AFCP)은 모의실험을 통해 현재 연료 소모량 예측에 사용되는 기존 수학적 항공기 연료 소모량 모델(Aircraft Fuel Burn Model: AFBM)과 유사한 성능을 확보하였음을 확인하였다. 또한, 실제 상황에서의 적합성 평가를 위해 잡음 대 성능비를 비교한 결과, 기존 항공기 연료 소모량 모델(AFBM) 대비 외부 환경 잡음에 대해 보다 향상된 강인함을 보여주어 항공기 연료 시스템의 무결성 감시를 위한 실질적인 활용을 기대할 수 있다.The aircraft fuel consumption prediction system (AFCP), which is optimally designed for the prediction of aircraft fuel consumption, has shown simulations to achieve similar performance to the existing mathematical Aircraft Fuel Burn Model (AFBM) used to estimate fuel consumption. It was. In addition, the comparison of noise-to-performance ratio for real-world suitability evaluation shows that it is more robust against external environmental noise compared to the existing aircraft fuel consumption model (AFBM), and it is expected to be practically used for monitoring the integrity of the aircraft fuel system. Can be.
일 실시예에 따른 항공기 연료 소모량 예측 시스템은 기계학습의 한 분야인 신경망(Neural Networks: NN) 기반으로 구성되어 항공기의 연료 소모량을 예측하며, 신경망은 항공기의 속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습될 수 있다. According to an embodiment, the aircraft fuel consumption prediction system is based on neural networks (NN), which is a field of machine learning, to predict fuel consumption of an aircraft, and the neural network receives fuel through a hidden layer by inputting an aircraft speed and altitude. The consumption can be repeatedly learned by generating the output data.
여기서, 항공기 연료 소모량 예측 시스템은 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조일 수 있다. 또한, 항공기 연료 소모량 예측 시스템은 Levenberg- Marquardt(LM) 방법을 기반으로 최적화될 수 있다. Here, the aircraft fuel consumption prediction system may have a multi-layer perceptron (MLP) structure. In addition, the aircraft fuel consumption prediction system can be optimized based on the Levenberg-Marquardt (LM) method.
이러한 일 실시예에 따른 항공기 연료 소모량 예측 시스템을 이용하여 항공기 연료 시스템 무결성 감시 장치 및 방법을 제공할 수 있다. An aircraft fuel system integrity monitoring apparatus and method may be provided using an aircraft fuel consumption prediction system according to one embodiment.
일 실시예에 따른 항공기 연료 시스템 무결성 감시 장치는 항공기 연료 시스템, 항공기 연료 소모량 예측 시스템 및 이상 유무 판단부를 포함하여 이루어질 수 있다. 또한, 실시예에 따라 알람부를 더 포함하여 이루어질 수 있다. An aircraft fuel system integrity monitoring apparatus according to an embodiment may include an aircraft fuel system, an aircraft fuel consumption prediction system, and an abnormality determination unit. In addition, according to the embodiment may further comprise an alarm unit.
항공기 연료 시스템은 센서를 통해 항공기의 연료를 측정할 수 있다. The aircraft fuel system can measure the fuel of the aircraft through sensors.
항공기 연료 소모량 예측 시스템은 항공기 연료 시스템, 신경망(Neural Networks: NN) 기반으로 구성되며, 연료 소모량을 예측할 수 있다. 여기서, 항공기 연료 소모량 예측 시스템에 대해서는 앞에서 설명하였으므로 중복되는 설명은 생략하기로 한다. The aircraft fuel consumption prediction system is based on the aircraft fuel system, Neural Networks (NN), and can predict fuel consumption. Here, since the aircraft fuel consumption prediction system has been described above, redundant descriptions will be omitted.
이상 유무 판단부는 항공기 연료 시스템의 센서로부터 측정된 연료량과 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교하여, 미리 정해진 유사성 기준과 차이가 있는 경우 항공기 연료 시스템의 이상으로 판단할 수 있다. The abnormality determination unit may compare the fuel amount measured by the sensor of the aircraft fuel system with the fuel consumption predicted from the aircraft fuel consumption prediction system, and determine that the aircraft fuel system is abnormal when there is a difference from a predetermined similarity criterion.
그리고, 알람부는 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람할 수 있다. The alarm unit may alert the pilot or the manager if it is determined that the aircraft fuel system is abnormal.
도 2는 일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법을 나타내는 흐름도이다.2 is a flowchart illustrating a method of monitoring aircraft fuel system integrity according to an exemplary embodiment.
도 2를 참조하면, 일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법은, 항공기 연료 시스템의 센서로부터 항공기의 연료를 측정하는 단계(210), 신경망(Neural Networks: NN) 기반으로 구성된 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 획득하는 단계(220), 항공기 연료 시스템의 센서로부터 측정된 연료량과 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교하는 단계(230), 및 항공기 연료 시스템의 센서로부터 측정된 연료량과 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량이 미리 정해진 유사성 기준과 차이가 있는 경우 항공기 연료 시스템의 이상으로 판단하는 단계(240)를 포함하여 이루어질 수 있다. Referring to FIG. 2, according to an exemplary embodiment, an aircraft fuel system integrity monitoring method includes measuring aircraft fuel from a sensor of an aircraft fuel system (210), and predicting aircraft fuel consumption based on neural networks (NNs). Obtaining 220 the estimated fuel consumption from the system, comparing the estimated fuel consumption from the aircraft fuel consumption prediction system with the amount of fuel measured from the sensor of the aircraft fuel system, and measuring from the sensor of the aircraft fuel system If the estimated fuel consumption and the estimated fuel consumption from the aircraft fuel consumption prediction system differ from a predetermined similarity criterion, the determination may be made as an abnormality of the aircraft fuel system (240).
또한, 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람하는 단계(250)를 더 포함하여 이루어질 수 있다. In addition, if it is determined that the aircraft fuel system is abnormal, it may further comprise a step (250) to alert the pilot or manager.
아래에서 일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법을 하나의 예를 들어 보다 구체적으로 설명하기로 한다. Hereinafter, an aircraft fuel system integrity monitoring method according to an embodiment will be described in more detail with one example.
일 실시예에 따른 항공기 연료 시스템 무결성 감시 방법은 일 실시예에 따른 항공기 연료 시스템 무결성 감시 장치를 통해 보다 구체적으로 설명할 수 있다. 여기서, 일 실시예에 따른 항공기 연료 시스템 무결성 감시 장치는 항공기 연료 시스템, 항공기 연료 소모량 예측 시스템 및 이상 유무 판단부를 포함하여 이루어질 수 있다. 또한, 실시예에 따라 알람부를 더 포함하여 이루어질 수 있다. An aircraft fuel system integrity monitoring method according to an embodiment may be described in more detail through an aircraft fuel system integrity monitoring apparatus according to an embodiment. Here, the aircraft fuel system integrity monitoring apparatus according to an embodiment may include an aircraft fuel system, aircraft fuel consumption prediction system and abnormality determination unit. In addition, according to the embodiment may further comprise an alarm unit.
단계(210)에서, 항공기 연료 시스템의 센서로부터 항공기의 연료를 측정할 수 있다. In step 210, fuel of the aircraft can be measured from a sensor of the aircraft fuel system.
단계(220)에서, 신경망(Neural Networks: NN) 기반으로 구성된 항공기 연료 소모량 예측 시스템에서 예측된 연료 소모량을 획득할 수 있다. In operation 220, an estimated fuel consumption may be acquired in an aircraft fuel consumption prediction system configured based on neural networks (NNs).
여기서, 항공기 연료 소모량 예측 시스템은 신경망은 항공기의 속도와 고도에 따른 연료 소모량 데이터로 학습할 수 있다. 보다 구체적으로, 항공기 연료 소모량 예측 시스템은 항공기의 속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습할 수 있다. Here, in the aircraft fuel consumption prediction system, the neural network may learn fuel consumption data according to the speed and altitude of the aircraft. More specifically, the aircraft fuel consumption prediction system may generate a data that outputs fuel consumption through the hidden layer by inputting the speed and altitude of the aircraft, and may repeatedly learn the data.
항공기 연료 소모량 예측 시스템은 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조일 수 있다. 그리고 항공기 연료 소모량 예측 시스템은, Levenberg- Marquardt(LM) 방법을 기반으로 최적화될 수 있다. The aircraft fuel consumption prediction system may be a multi-layer perceptron (MLP) structure. And the aircraft fuel consumption prediction system can be optimized based on the Levenberg-Marquardt (LM) method.
단계(230)에서, 이상 유무 판단부는 항공기 연료 시스템의 센서로부터 측정된 연료량과 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교할 수 있다. In operation 230, the abnormality determination unit may compare the fuel amount measured from the sensor of the aircraft fuel system with the fuel consumption predicted from the aircraft fuel consumption prediction system.
그리고, 단계(240)에서, 이상 유무 판단부는 항공기 연료 시스템의 센서로부터 측정된 연료량과 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량이 미리 정해진 유사성 기준과 차이가 있는 경우, 항공기 연료 시스템의 이상으로 판단할 수 있다. In operation 240, the abnormality determination unit determines that the fuel amount measured by the sensor of the aircraft fuel system and the fuel consumption predicted from the aircraft fuel consumption prediction system are different from the predetermined similarity criteria. can do.
단계(250)에서, 알람부는 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람할 수 있다. In operation 250, the alarm unit may alert the pilot or the manager if it is determined that the aircraft fuel system is abnormal.
아래에서 일 실시예에 따른 항공기 연료 소모량 예측 시스템에 대해 구체적으로 설명하고, 항공기 연료 소모량 예측 시스템의 성능평가를 통해 항공기 연료 소모량 예측 시스템을 포함하는 항공기 연료 시스템 무결성 감시 방법 및 장치를 설명한다. Hereinafter, an aircraft fuel consumption prediction system according to an embodiment will be described in detail, and an aircraft fuel system integrity monitoring method and apparatus including an aircraft fuel consumption prediction system through performance evaluation of the aircraft fuel consumption prediction system will be described.
먼저, 현재 연료 소모량 예측에 사용되는 기존 수학적 항공기 연료 소모량 모델(Aircraft Fuel Burn Model: AFBM)에 대해 설명한다. First, the existing mathematical aircraft fuel burn model (AFBM), which is currently used to predict fuel consumption, is described.
기존 항공기 연료 소모량 모델(AFBM)은 공기역학 및 엔진 특성과 에너지 균형관계를 기반으로 Collins가 제안한 기존 항공기 연료 소모량 모델(AFBM)을 고려한다. 기존 항공기 연료 소모량 모델(AFBM)은 현재까지 다양한 연구에서 활용되고 있으며 그 신뢰성이 높다(비특허문헌 1). 항공기의 에너지 균형관계식은 물리적 변수를 통해 다음 식과 같이 표현할 수 있다.The existing aircraft fuel consumption model (AFBM) considers the existing aircraft fuel consumption model (AFBM) proposed by Collins based on aerodynamics and engine characteristics and energy balance. The existing aircraft fuel consumption model (AFBM) has been used in various studies to date and has high reliability (Non-Patent Document 1). The energy balance relation of an aircraft can be expressed as the following equation through physical variables.
[수학식 1][Equation 1]
여기서, E T 는 항공기 추력 에너지이고, E D 는 항력 에너지이며, 와 는 각각 운동 에너지와 위치 에너지의 변화량을 나타낸다. Where E T is aircraft thrust energy, E D is drag energy, Wow Denote the amount of change in kinetic energy and potential energy, respectively
[수학식 1]의 에너지 균형관계식을 기반으로 하여 항공기 추력 을 정의하면 다음 식과 같이 나타낼 수 있다. Aircraft thrust based on energy balance equation in [Equation 1] If is defined, it can be expressed as the following equation.
[수학식 2] [Equation 2]
여기서, d는 비행구간의 거리이고, 는 진대기속도(True Airspeed)이며, 는 항공기 날개의 면적이다. 은 마하계수(Mach Number)의 함수이며, 비선형 양한곡선의 형태를 갖는 무차원 항력계수 C D 의 함수로 나타낼 수 있다. 은 고도에 따른 공기의 밀도이며, 제안하는 시스템의 모델은 미국 표준 대기를 기준으로 한다. Where d is the distance of the flight segment, Is the true airspeed, Is the area of the aircraft wing. Is a function of the Mach number and can be expressed as a function of the dimensionless drag coefficient C D in the form of a nonlinear positive curve. Is the density of air according to altitude, and the model of the proposed system is based on the American standard atmosphere.
[수학식 2]에서 마하계수 M은 다음 식과 같이 정의될 수 있다. In Equation 2, the Mach coefficient M may be defined as follows.
[수학식 3][Equation 3]
여기서, K n 은 항공기 항력 계수의 상수이고, 은 마하 계수의 비율이다.Where K n is a constant of the aircraft drag coefficient, Is the ratio of Mach coefficients.
[수학식 2]에서 밀도는 36,089ft를 기준으로 하는 고도 h의 함수로 다음 식과 같이 정의될 수 있다.In Equation 2, the density can be defined as a function of altitude h based on 36,089 ft .
[수학식 4][Equation 4]
기존 항공기 연료 소모량 모델(AFBM)에서의 항공기는 비행로(상승, 순항, 하강) 및 내부 운동으로 인한 항공기 추력의 변화는 고려되지 않기 때문에 [수학식 2]를 간략화하면 다음 식과 같이 표현할 수 있다. The aircraft in the conventional aircraft fuel consumption model (AFBM) does not take into account changes in aircraft thrust due to flight paths (rising, cruising, falling) and internal movement, so that Equation 2 can be simplified as shown in the following equation.
[수학식 5][Equation 5]
그리고, 기존 항공기 연료 소모량 모델(AFBM)에서 정의된 연료 소모량 함수 F i 를 기반으로 하여 [수학식 5]를 변환하면, 연료 소모량 는 다음 식과 같이 정의될 수 있다.And, if [Equation 5] is converted based on the fuel consumption function F i defined in the existing aircraft fuel consumption model (AFBM), fuel consumption Can be defined as
[수학식 6][Equation 6]
여기서, 는 연료 소모량 상수 C n 과 엔진의 개수 N으로 구성되며 다음 식과 같이 나타낼 수 있다. here, Is composed of the fuel consumption constant C n and the number N of engines and can be expressed as
[수학식 7][Equation 7]
아래에서는 본 실시예에 따른 항공기 연료 소모량 예측 시스템(Aircraft Fuel Consumption Predictor: AFCP)에 대해 보다 구체적으로 설명한다. 여기서, 항공기 연료 소모량 예측 시스템(AFCP)은 신경망(Neural Networks: NN) 기반으로 구성될 수 있다. Hereinafter, the aircraft fuel consumption prediction system (AFCP) according to the present embodiment will be described in more detail. Here, the aircraft fuel consumption prediction system (AFCP) may be configured based on neural networks (NN).
도 3은 일 실시예에 따른 신경망 내부구조를 설명하기 위한 도면이다. 3 is a diagram for describing an internal structure of a neural network, according to an exemplary embodiment.
인간의 인식과정 및 신경상태를 수학적으로 모델링하여 영상처리, 음성인식, 패턴 분석 등에서 우수한 성능을 갖는 신경망(NN)은 다양한 분야에서 지대한 관심을 받으며 수많은 최저고하 기법이 파생되고 있다. 신경망(NN)의 형태 중 다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조는 비선형 문제해결에 뛰어나 일반적으로 가장 많이 사용되고 있으며, L 개의 은닉층을 갖는 다층 퍼셉트론(MLP)를 고려할 경우 도 3과 같이 표현할 수 있다.Neural network (NN), which has excellent performance in image processing, speech recognition, pattern analysis, etc. by mathematically modeling human recognition process and neural state, has received great attention in various fields, and many low elevation techniques have been derived. Neural network (NN) the multi-layer perceptron in the form of (Multi-Layer Perceptron: MLP) structure is excellent generally most widely used to solve non-linear problem, be expressed as shown in FIG 3 when considering a multi-layer perceptron (MLP) having an L number of hidden layer have.
도 3의 310에 도시된 바와 같이, z i 는 l 층으로 전달되는 입력 노드이고, w i 는 입력 노드에 따른 가중치이다. z j 는 입력과 가중치의 곱에 따른 임의의 l 층 j 번째 노드의 출력이며, 입출력 관계는 다음 식과 같이 정의될 수 있다.As shown in 310 of FIG. 3, z i is an input node delivered to the l layer, and w i is a weight according to the input node. z j is an output of an arbitrary l - th layer j th node according to a product of an input and a weight, and an input / output relationship may be defined as follows.
[수학식 8][Equation 8]
여기서, Z ( l -1)는 z j 와 연결된 z i 의 전체 벡터값이고, W ( l )는 z j 와 연결된 w i 의 전체 벡터값이다. 는 임계 활성화 정도를 결정짓는 비선형 함수로써, 다양한 형태의 함수 중 선형 포화함수를 미분 가능한 형태로 변형한 다음 식의 시그모이드(Sigmoid) 함수를 사용할 수 있다. Here, Z ( l -1) is the total vector value of z i connected with z j , and W ( l ) is the full vector value of w i connected with z j . Is a nonlinear function that determines the degree of critical activation, and the sigmoid function of the equation can be used after transforming the linear saturation function among the various types of functions into a differential form.
[수학식 9][Equation 9]
다층 퍼셉트론(MLP) 구조에서 단일 출력노드를 고려하여 입력 데이터 N의 k 번째 데이터에 대한 신경망의 입출력 관계식은 비선형 함수 의 다음 식과 같이 정의될 수 있다.Considering the single output node in the multi-layer perceptron (MLP) structure, the neural network input / output relation for the kth data of the input data N is a nonlinear function. Can be defined as
[수학식 10][Equation 10]
여기서, W은 최종 출력에 대한 전체 가중치벡터 이고, X k 은 입력 노드가 m 개일 때 k 번째 데이터의 입력 노드 벡터값 이다.Where W is the overall weight vector for the final output X k is the input node vector of the k- th data when there are m input nodes. to be.
신경망의 가중치 최적화를 위해 기댓값 t ( k )와의 오차의 제곱 합이 최소가 되도록 가중치를 조정하는 최소 자승법(Least Square: LS)을 사용할 수 있다. In order to optimize the weight of the neural network, a Least Square (LS) method may be used in which the weight is adjusted so that the sum of squared errors with the expected value t ( k ) is minimized.
상기의 [수학식 10]에서 정의한 y ( k )을 기반으로 k 번째 t ( k )와의 오차를 정의하면 라 할 수 있으며, 전체 오차의 합에 대한 목적함수 e은 다음 식과 같이 나타낼 수 있다. Defining an error with the k th t ( k ) based on y ( k ) defined in Equation 10 above The objective function e for the sum of the total errors can be expressed as the following equation.
[수학식 11][Equation 11]
이 때, 학습에 따라 반복적으로 갱신되는 횟수를 p라 할 때 데이터 집합의 전체 오차 값을 벡터로 표현하면 가 되며, p 번 갱신된 가중치 W p 의 목적함수 의 행렬식은 다음 식과 같이 정의될 수 있다. In this case, when the number of repetitive updates according to learning is p , the total error value of the data set is expressed as a vector. The objective function of the weight and p updated p times The determinant of can be defined as
[수학식 12][Equation 12]
최소 자승법(LS)은 선형시스템의 최적화 문제의 해결을 위해 가장 광범위하게 사용되나 비선형 시스템의 경우 점진적으로 해를 찾는 방법을 적용할 수 있다. 해를 찾기 위한 학습 알고리즘으로 Gradient Descent, Gauss-Newton, Levenberg-Marquardt 방법 등이 있다. 이들 중 Levenberg-Marquardt 방법은 Gradient Descent과 Gauss-Newton 방법이 결합된 형태로 신경망(NN) 비선형 학습에서 비교적 빠른 해의 수렴 속도와 뛰어난 예측 안정성을 장점으로 내세우며 다양한 분야에서 활용되고 있다(비특허문헌 2). The least-squares method (LS) is the most widely used to solve the optimization problem of linear systems, but in the case of nonlinear systems, a progressive solution can be applied. Learning algorithms to find solutions include Gradient Descent, Gauss-Newton, and Levenberg-Marquardt methods. Among them, the Levenberg-Marquardt method is a combination of Gradient Descent and Gauss-Newton methods, and has been used in various fields, with the advantages of fast convergence speed and excellent predictive stability in neural network (NN) nonlinear learning. 2).
Levenberg-Marquardt 방법을 통해 p+1 번째 학습된 가중치는 다음 식과 같이 정의할 수 있다.The Levenberg-Marquardt method can be defined as the p + 1 th learned weight as the following equation.
[수학식 13][Equation 13]
여기서, 는 파라미터의 곡률을 나타내는 대각행렬이며, 는 감쇠상수로서 Jacobian 역행렬 계산에서 발생하는 발산문제에 효과적으로, 학습 정도에 따라 의 갱신을 통해 신경망(NN) 학습의 국부 최소점 문제에 대응 가능하다. J은 W에 대한 Jacobian 행렬로써 다음 식과 같이 정의될 수 있다. here, Is a diagonal matrix representing the curvature of the parameter, Is an attenuation constant that effectively solves the divergence problem in Jacobian inverse calculations, depending on the degree of learning. By updating the NN, we can cope with the local minimum problem of neural network (NN) learning. J is a Jacobian matrix for W and can be defined as
[수학식 14][Equation 14]
그리고, 의 역행렬은 근사화해 이차 미분 형태인 Hessian 행렬 로 표현할 수 있다.And, The inverse of is approximated to the Hessian matrix, which is the second derivative Can be expressed as
아래에서는 상기에서 설명한 실시예들에 따른 항공기 연료 소모량 예측 시스템(AFCP)의 성능평가를 수행할 수 있다. Below, the performance evaluation of the aircraft fuel consumption prediction system (AFCP) according to the embodiments described above may be performed.
실시예들에 따른 항공기 연료 소모량 예측 시스템(AFCP)의 모의실험 데이터 생성을 위해 보잉사의 B747-100 항공기를 사용하였다. 표 1은 항공기 연료 소모량을 도출하기 위해 필요한 B747-100 항공기의 파라미터와 제한된 모의실험 환경에 따른 범위를 나타낸 것이다.Boeing's B747-100 aircraft was used to generate simulation data of an aircraft fuel consumption prediction system (AFCP) according to the embodiments. Table 1 lists the parameters of the B747-100 aircraft required for deriving aircraft fuel consumption and the range of the simulated environment.
[표 1]TABLE 1
도 4는 일 실시예에 따른 신경망 학습을 위한 기존 항공기 연료 소모량 모델(AFBM)의 데이터를 나타내는 도면이다. 4 is a diagram illustrating data of an existing aircraft fuel consumption model (AFBM) for neural network training, according to an embodiment.
도 4를 참조하면, [수학식 6]의 연료 소모량 과 B747-100의 데이터를 기반으로 생성한 속도와 고도에 따른 연료 소모량 데이터로서 신경망(NN) 학습을 위해 무작위로 생성된 데이터를 보여주고 있다. 4, the fuel consumption of [Equation 6] It shows the fuel consumption data according to the speed and altitude generated based on the data of B747-100 and randomly generated data for neural network (NN) training.
도 5는 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)의 구조를 설명하는 도면이다. 5 is a diagram illustrating a structure of an aircraft fuel consumption prediction system (AFCP) according to an embodiment.
도 5를 참조하면, [수학식 13]의 Levenberg- Marquardt(LM) 방법을 기반으로 최적화될 항공기 연료 소모량 예측 시스템(AFCP)의 내부 구조를 확인할 수 있다. 입력은 속도(510) 및 고도(520)이고, 출력은 연료 소모량 (540)이며, 이를 기반으로 데이터를 생성하여 반복 학습할 수 있다. 일반적으로 신경망(NN)의 은닉층(530)과 파라미터는 문제의 복잡성 및 입출력 데이터 차원에 따른 다양성으로 최적시스템 설계가 요구된다. Referring to FIG. 5, the internal structure of the aircraft fuel consumption prediction system (AFCP) to be optimized based on the Levenberg-Marquardt (LM) method of Equation 13 may be confirmed. Input is speed 510 and altitude 520 and output is fuel consumption 540, and iterative learning may be generated based on the data. In general, the hidden layer 530 and the parameters of the neural network NN require an optimal system design due to the complexity of the problem and the diversity according to the input and output data dimensions.
도 6은 일 실시예에 따른 예측 시스템의 학습 횟수에 따른 성능평가를 나타내는 도면이다. 6 is a diagram illustrating a performance evaluation according to the number of learning of a prediction system, according to an exemplary embodiment.
그리고 표 2는 예측 시스템의 구조에 따른 성능평가(Performance Evaluation) [MSE]를 나타낸다. 여기서, 예측 시스템의 성능평가는 평균제곱오차(Mean Square Error: MSE)를 통해 비교한다.And Table 2 shows the Performance Evaluation [MSE] according to the structure of the prediction system. Here, the performance evaluation of the prediction system is compared by means of Mean Square Error (MSE).
[표 2]TABLE 2
도 6 및 표 2는 SLP(Single-Layer Perceptron) 예측 시스템, Gradient Descent(GD) 기반으로 학습된 MLP(MLP/GD) 예측 시스템 및 Levenberg-Marquardt(LM) 기반으로 학습된 MLP(MLP/LM) 예측 시스템을 50회의 몬테카를로 모의실험 후 평균제곱오차(MSE)의 평균을 나타낸 것으로, 학습 구조와 은닉층 노드에 변화를 주어 비교 평가한다. 학습 횟수는 300회, 초기 가중치값은 범위 내 임의의 값으로 설정한다. 6 and Table 2 show a single-layer perceptron (SLP) prediction system, an MLP (MLP / GD) prediction system trained based on Gradient Descent (GD), and an MLP (MLP / LM) trained based on Levenberg-Marquardt (LM). The prediction system shows the average of the mean square error (MSE) after 50 Monte Carlo simulations. 300 lessons, initial weight Set to any value in the range.
예측 시스템의 구조에 따른 성능평가 비교결과, 비선형 데이터 학습이 불가능한 SLP는 예상한 바와 같이 MLP 구조 대비 상당히 높은 평균제곱오차(MSE)를 보여주었으며, MLP/GD의 경우 은닉 노드 수의 증감과 관계없이 MLP/LM과 비교하였을 때 약 3배 이상 높은 평균제곱오차(MSE)가 나타났다. 이를 통해, 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)인 MLP/LM의 뛰어난 예측 정확성을 확인할 수 있다.As a result of the comparison of the performance evaluation according to the structure of the prediction system, the SLP, which cannot learn nonlinear data, showed a significantly higher mean square error (MSE) compared to the MLP structure as expected, and MLP / GD showed no significant increase or decrease in the number of hidden nodes. Compared to MLP / LM, the mean square error (MSE) was about 3 times higher. Through this, it is possible to check the excellent prediction accuracy of the MLP / LM, the aircraft fuel consumption prediction system (AFCP) according to an embodiment.
일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)은 실시간 비행 데이터를 기반으로 연료 소모량을 예측하는 시스템으로써, 기존 연료 시스템의 연료 측정 게이지 및 수학적으로 정의된 기존 항공기 연료 소모량 모델(AFBM)과 비교하여 높은 예측 정확성 및 안정성이 요구된다. 특히, 실제 비행 항공기는 내, 외부적으로 존재하는 환경 잡음 발생 가능성과 Collins 모델에서 정의되지 않은 다양한 미세변수로 인해 비행 데이터의 손실가능성이 있다. 따라서 항공기 연료 소모량 예측 시스템(AFCP)은 예측 정확성과 더불어 실제 비행에서 발생 가능한 잡음에 대해 강인성을 갖춰야 하므로 정규분포를 따르는 무작위 함수 을 통해 잡음, 을 생성한 뒤 이를 바탕으로 성능 평가를 수행하였다. 와 테스트 데이터는 다음 식과 같이 정의할 수 있다. According to an embodiment, the aircraft fuel consumption prediction system (AFCP) is a system for predicting fuel consumption based on real-time flight data, and compares the fuel gauge and the mathematically defined conventional aircraft fuel consumption model (AFBM) of the existing fuel system. High prediction accuracy and stability are required. In particular, a real flying aircraft has the potential for internal and external environmental noise and the loss of flight data due to various micro variables not defined in the Collins model. Therefore, the aircraft fuel consumption prediction system (AFCP) must be robust against the noise that can occur in real flight as well as the prediction accuracy, so it is a random function that follows a normal distribution. Through noise, After generating the performance evaluation was performed based on this. And test data can be defined as follows.
[수학식 15][Equation 15]
성능평가를 위해 입출력 데이터 150 샘플을 무작위로 생성하였다. 150 samples of random input and output data were randomly generated for performance evaluation.
표 3은 최적 학습된 항공기 연료 소모량 예측 시스템(AFCP)과 기존 수학적 항공기 연료 소모량 모델(AFBM)의 잡음 강인성 비교를 위해 잡음강도 와 잡음의 영향을 받는 간섭 노드(속도 및 고도)를 구분하여 50회의 반복 실험 결과의 평균제곱오차(MSE)의 평균을 나타낸 것이다.Table 3 shows the noise intensity for comparing the noise robustness of the optimally learned aircraft fuel consumption prediction system (AFCP) and the conventional mathematical aircraft fuel consumption model (AFBM). And mean interference error (speed and altitude) affected by noise and mean square error (MSE) of 50 replicates.
[표 3]TABLE 3
항공기 연료 소모량 예측 시스템(AFCP)은 잡음의 간섭을 받는 노드와 무관하게 잡음의 영향력이 와 같이 낮을 경우, 기존 항공기 연료 소모량 모델(AFBM)과 비교하여 무작위 잡음에 따라 미세한 변동은 있지만 평균제곱오차(MSE)가 대체로 유사한 수준인 것을 확인할 수 있다. Aircraft Fuel Consumption Prediction System (AFCP) has the influence of noise regardless of the node When compared to the conventional aircraft fuel consumption model (AFBM), it can be seen that the mean square error (MSE) is about the same level, although there is a slight variation due to random noise.
하지만 잡음의 영향력이 증가할수록 평균제곱오차(MSE)의 차이가 명확해져 에서 약 20-70%, 에서는 약 2배 이상의 평균제곱오차(MSE) 차이가 발생한다. 잡음 민감도의 경우 속도와 비교하여 고도 데이터가 대체로 높은 것을 확인할 수 있다. However, as the influence of noise increases, the difference in the mean squared error (MSE) becomes clearer. About 20-70%, At least about two times the mean square error (MSE) difference occurs. For noise sensitivity, we can see that altitude data is generally high compared to speed.
도 7은 일 실시예에 따른 잡음 강인성에 대한 성능평가를 나타내는 도면이다. 보다 구체적으로, 도 7a는 일 경우 속도 기준 잡음 강인성에 대한 성능평가를 나타내고, 도 7b는 일 경우 속도 기준 잡음 강인성에 대한 성능평가를 나타낸다. 그리고 도 7c는 일 경우 고도 기준 잡음 강인성에 대한 성능평가를 나타내고, 도 7b는 일 경우 고도 기준 잡음 강인성에 대한 성능평가를 나타낸다.7 is a diagram illustrating performance evaluation of noise robustness according to an exemplary embodiment. More specifically, FIG. 7A In this case, the performance evaluation for the speed reference noise robustness is shown. In this case, we represent the performance evaluation for the speed reference noise robustness. And Figure 7c In this case, the performance evaluation for the high reference noise robustness is shown. In this case, it represents the performance evaluation for the high-level reference noise robustness.
도 7을 참조하면, 전체 입력 노드에 잡음 간섭이 있을 경우, 잡음의 영향력에 따라 속도와 고도를 구간별로 나누어 예측오차의 평균을 나타낸 그래프로 X축을 기준으로 정렬된다. Referring to FIG. 7, when there is noise interference in all the input nodes, the graph shows the average of the prediction error by dividing the speed and the altitude by the interval according to the influence of the noise, and is arranged on the X axis.
속도를 기준으로 예측 안정성을 보면, 전 구간에서 대체로 균일하며 잡음의 영향력과 상관없이 기존 항공기 연료 소모량 모델(AFBM) 대비 제안한 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)이 높은 예측 안정성을 보여주는 것을 확인할 수 있다. Looking at the predictive stability based on speed, the aircraft fuel consumption prediction system (AFCP) according to the present embodiment shows a high predictive stability, compared to the conventional aircraft fuel consumption model (AFBM). You can see that.
고도를 기준으로 하였을 경우, 잡음의 영향력이 증가할수록 비록 일부 구간에서는 안정성이 유사함을 보여주었지만, 이를 제외한 전 구간에 걸쳐 기존 항공기 연료 소모량 모델(AFBM) 대비 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)이 높은 연료 소모량 예측 안정성을 갖는 것을 확인할 수 있다. Based on the altitude, although the noise influence increased, the stability was similar in some sections, but the aircraft fuel consumption prediction according to one embodiment compared to the AFBM in all sections except this It can be seen that the system (AFCP) has high fuel consumption prediction stability.
종합적으로, 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)은 항공기 연료 소모량 예측 문제의 복잡성 및 비선형성으로 인해 비교 성능 평가를 통해 최적화된 MLP/LM 구조로 설계된다. 설계된 예측 시스템이 갖춰야 할 잡음 강인성 확인을 위해 기존 수학적 항공기 연료 소모량 모델(AFBM)과 제안된 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)에 무작위 잡음을 삽입하여 비교 성능 평가하였으며, 그 결과 일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)이 간섭 노드와 관계없이 높은 예측력을 보여주었으며, 또한 잡음의 영향이 증가할수록 기존 모델 대비 뛰어난 잡음에 대한 강인성을 확인할 수 있다.Overall, an aircraft fuel consumption prediction system (AFCP) according to one embodiment is designed with an optimized MLP / LM structure through comparative performance evaluation due to the complexity and nonlinearity of the aircraft fuel consumption prediction problem. In order to verify the noise robustness of the designed prediction system, random noise was inserted into the existing mathematical aircraft fuel consumption model (AFBM) and the aircraft fuel consumption prediction system (AFCP) according to the proposed embodiment. The aircraft fuel consumption prediction system (AFCP) according to the embodiment showed a high predictive power irrespective of the interference node, and as the influence of noise increases, the robustness of the noise superior to the existing model can be confirmed.
이상과 같이, 실시예들은 높은 신뢰성과 정확성이 보장되어야 하는 항공기 연료 시스템의 오류로 인한 사고 발생의 사전 방지를 위하여 실시간 항공기 연료 소모량 예측 장치를 탑재한 보다 신뢰성이 향상된 기계학습을 활용한 항공기 연료 시스템 무결성 감시 방법 및 장치를 제공할 수 있다. As described above, the embodiments of the present invention provide an aircraft fuel system using more reliable machine learning equipped with a real-time aircraft fuel consumption prediction device in order to prevent an accident occurrence due to an error of the aircraft fuel system which should ensure high reliability and accuracy. An integrity monitoring method and apparatus can be provided.
실시예들은 연료 시스템 내의 센서로부터 측정된 연료량과의 유사성을 비교하여 시스템의 이상 유무를 판단하며, 연료 시스템에서 발생 가능한 결함 인지 및 사고 예방을 통해 항공기의 비행 신뢰성 향상을 목표로 한다. The embodiments compare the similarity with the amount of fuel measured from the sensor in the fuel system to determine whether there is an abnormality of the system, and aim to improve flight reliability of the aircraft by detecting possible defects and preventing accidents in the fuel system.
일 실시예에 따른 항공기 연료 소모량 예측 시스템(AFCP)은 기존 수학적 항공기 연료 소모량 모델(AFBM)이 내포하는 예측 부정확성의 가능성으로 인한 신뢰성 문제를 고려하여 신경망(NN)을 기반으로 설계하였으며, 최적화를 위해 다양한 구조를 비교 평가하여 LM 학습 알고리즘의 최적화에 적합함을 확인하였다. The aircraft fuel consumption prediction system (AFCP) according to an embodiment is designed based on the neural network (NN) in consideration of reliability problems caused by the possibility of prediction inaccuracy implied by the conventional mathematical aircraft fuel consumption model (AFBM). By comparing and evaluating the various structures, we confirmed that it is suitable for the optimization of the LM learning algorithm.
항공기 연료 소모량 예측 시스템(AFCP)의 잡음 및 미세변수에 대한 강인성 평가를 위해 기존 항공기 연료 소모량 모델(AFBM)과 비교 평가한 결과 항공기 연료 소모량 예측 시스템(AFCP)은 우수한 예측 성능을 보였으며, 기존 모델 대비 잡음 강인성 또한 높게 나타났다. 이로써, 항공기 연료 소모량 예측 시스템(AFCP)은 실시간 항공기 연료 시스템 무결성 감시를 통한 항공기의 신뢰성 향상을 기대할 수 있다.In order to evaluate the robustness of the noise and microvariables of the aircraft fuel consumption prediction system (AFCP), the aircraft fuel consumption prediction system (AFCP) showed excellent prediction performance. Contrast noise robustness is also high. Thus, the aircraft fuel consumption prediction system (AFCP) can expect to improve the reliability of the aircraft through real-time aircraft fuel system integrity monitoring.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The apparatus described above may be implemented as a hardware component, a software component, and / or a combination of hardware components and software components. For example, the devices and components described in the embodiments include, for example, processors, controllers, arithmetic logic units (ALUs), digital signal processors, microcomputers, field programmable arrays (FPAs), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to the execution of the software. For the convenience of understanding, a processing device may be described as one being used, but a person skilled in the art will appreciate that the processing device includes a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of the above, and configure the processing device to operate as desired, or process it independently or collectively. You can command the device. Software and / or data may be any type of machine, component, physical device, virtual equipment, computer storage medium or device in order to be interpreted by or to provide instructions or data to the processing device. It can be embodied in. The software may be distributed over networked computer systems so that they may be stored or executed in a distributed manner. Software and data may be stored on one or more computer readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be embodied in the form of program instructions that can be executed by various computer means and recorded in a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the media may be those specially designed and constructed for the purposes of the embodiments, or they may be of the kind well-known and available to those having skill in the computer software arts. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks. Magneto-optical media, and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described by the limited embodiments and the drawings as described above, various modifications and variations are possible to those skilled in the art from the above description. For example, the described techniques may be performed in a different order than the described method, and / or components of the described systems, structures, devices, circuits, etc. may be combined or combined in a different form than the described method, or other components. Or even if replaced or substituted by equivalents, an appropriate result can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are within the scope of the claims that follow.
Claims (14)
신경망(Neural Networks: NN) 기반으로 구성된 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 획득하는 단계;
상기 항공기 연료 시스템의 센서로부터 측정된 연료량과 상기 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교하는 단계; 및
상기 항공기 연료 시스템의 센서로부터 측정된 연료량과 상기 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량이 미리 정해진 유사성 기준과 차이가 있는 경우 항공기 연료 시스템의 이상으로 판단하는 단계
를 포함하는, 항공기 연료 시스템 무결성 감시 방법. Measuring fuel of the aircraft from a sensor of the aircraft fuel system;
Obtaining predicted fuel consumption from an aircraft fuel consumption prediction system configured based on neural networks (NN);
Comparing the fuel amount measured from the sensor of the aircraft fuel system with the fuel consumption predicted from the aircraft fuel consumption prediction system; And
Determining the abnormality of the aircraft fuel system when the fuel amount measured by the sensor of the aircraft fuel system and the fuel consumption estimated from the aircraft fuel consumption prediction system differ from a predetermined similarity criterion.
Including, aircraft fuel system integrity monitoring method.
상기 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람하는 단계
를 더 포함하는, 항공기 연료 시스템 무결성 감시 방법. The method of claim 1,
Alarming the pilot or manager if it is determined that the aircraft fuel system is abnormal
Further comprising, aircraft fuel system integrity monitoring method.
상기 항공기 연료 소모량 예측 시스템은,
상기 신경망은 항공기의 속도와 고도에 따른 연료 소모량 데이터로 학습하는 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 방법.The method of claim 1,
The aircraft fuel consumption prediction system,
The neural network learns fuel consumption data according to the speed and altitude of the aircraft.
Characterized in that, aircraft fuel system integrity monitoring method.
상기 항공기 연료 소모량 예측 시스템은,
항공기의 속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습하는 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 방법.The method of claim 3,
The aircraft fuel consumption prediction system,
The speed and altitude of the aircraft are input and fuel consumption is output through the hidden layer and repeated learning.
Characterized in that, aircraft fuel system integrity monitoring method.
상기 항공기 연료 소모량 예측 시스템은,
다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조인 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 방법.The method of claim 1,
The aircraft fuel consumption prediction system,
Having a multi-layer perceptron (MLP) structure
Characterized in that, aircraft fuel system integrity monitoring method.
상기 항공기 연료 소모량 예측 시스템은,
Levenberg- Marquardt(LM) 방법을 기반으로 최적화되는 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 방법. The method of claim 1,
The aircraft fuel consumption prediction system,
Optimized based on the Levenberg-Marquardt (LM) method
Characterized in that, aircraft fuel system integrity monitoring method.
신경망(Neural Networks: NN) 기반으로 구성되며, 연료 소모량을 예측하는 항공기 연료 소모량 예측 시스템;
상기 항공기 연료 시스템의 센서로부터 측정된 연료량과 상기 항공기 연료 소모량 예측 시스템으로부터 예측된 연료 소모량을 비교하여, 미리 정해진 유사성 기준과 차이가 있는 경우 항공기 연료 시스템의 이상으로 판단하는 이상 유무 판단부
를 포함하는, 항공기 연료 시스템 무결성 감시 장치. An aircraft fuel system for measuring fuel of the aircraft via sensors;
An aircraft fuel consumption prediction system configured based on neural networks (NN) and predicting fuel consumption;
An abnormality determination unit that compares the fuel amount measured by the sensor of the aircraft fuel system and the fuel consumption predicted from the aircraft fuel consumption prediction system and determines that the aircraft fuel system is abnormal when there is a difference from a predetermined similarity criterion.
Including, aircraft fuel system integrity monitoring device.
상기 항공기 연료 시스템의 이상으로 판단되는 경우, 조종사 또는 관리자에게 알람하는 알람부
를 더 포함하는, 항공기 연료 시스템 무결성 감시 장치.The method of claim 7, wherein
Alarm unit for alarming the pilot or manager when it is determined that the aircraft fuel system is abnormal
Further comprising, aircraft fuel system integrity monitoring device.
상기 항공기 연료 소모량 예측 시스템은,
속도 및 고도가 입력되어 은닉층을 통해 연료 소모량이 출력되는 데이터를 생성하여 반복 학습된 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 장치.The method of claim 7, wherein
The aircraft fuel consumption prediction system,
Learned repeatedly by inputting speed and altitude to generate fuel consumption data through hidden layers
Characterized in that, aircraft fuel system integrity monitoring device.
상기 항공기 연료 소모량 예측 시스템은,
다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조인 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 장치.The method of claim 7, wherein
The aircraft fuel consumption prediction system,
Having a multi-layer perceptron (MLP) structure
Characterized in that, aircraft fuel system integrity monitoring device.
상기 항공기 연료 소모량 예측 시스템은,
Levenberg- Marquardt(LM) 방법을 기반으로 최적화되는 것
을 특징으로 하는, 항공기 연료 시스템 무결성 감시 장치. The method of claim 7, wherein
The aircraft fuel consumption prediction system,
Optimized based on the Levenberg-Marquardt (LM) method
Characterized in that, aircraft fuel system integrity monitoring device.
을 특징으로 하는, 항공기 연료 소모량 예측 시스템.It is composed of Neural Networks (NN) and predicts the fuel consumption of the aircraft. The neural network is repeatedly learned by generating data of fuel consumption through the hidden layer by inputting the speed and altitude of the aircraft.
Characterized in that, aircraft fuel consumption prediction system.
상기 항공기 연료 소모량 예측 시스템은,
다층 퍼셉트론(Multi-Layer Perceptron: MLP) 구조인 것
을 특징으로 하는, 항공기 연료 소모량 예측 시스템.The method of claim 12,
The aircraft fuel consumption prediction system,
Having a multi-layer perceptron (MLP) structure
Characterized in that, aircraft fuel consumption prediction system.
상기 항공기 연료 소모량 예측 시스템은,
Levenberg- Marquardt(LM) 방법을 기반으로 최적화되는 것
을 특징으로 하는, 항공기 연료 소모량 예측 시스템.The method of claim 12,
The aircraft fuel consumption prediction system,
Optimized based on the Levenberg-Marquardt (LM) method
Characterized in that, aircraft fuel consumption prediction system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180038479A KR20190115596A (en) | 2018-04-03 | 2018-04-03 | Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180038479A KR20190115596A (en) | 2018-04-03 | 2018-04-03 | Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190115596A true KR20190115596A (en) | 2019-10-14 |
Family
ID=68171592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180038479A KR20190115596A (en) | 2018-04-03 | 2018-04-03 | Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190115596A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102261840B1 (en) * | 2020-05-18 | 2021-06-08 | 국방과학연구소 | Method and apparatus for detecting of fault, computer-readable storage medium and computer program |
| GB2593196A (en) * | 2020-03-19 | 2021-09-22 | Airbus Operations Ltd | Aircraft fuel system monitoring |
| WO2023059427A1 (en) * | 2021-10-04 | 2023-04-13 | Vortex Control Technologies LLC | Systems and methods for assessing aircraft performance, aircraft fuel efficiencies, and aircraft fuel reduction technologies |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100076451A (en) | 2008-12-26 | 2010-07-06 | 재단법인 국방기술품질원 | An inspecting system of oil storage tank |
-
2018
- 2018-04-03 KR KR1020180038479A patent/KR20190115596A/en not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100076451A (en) | 2008-12-26 | 2010-07-06 | 재단법인 국방기술품질원 | An inspecting system of oil storage tank |
Non-Patent Citations (2)
| Title |
|---|
| B. P. Collins, N. J. Bell, and D. W. Ford, "A Concept for Aviation Fuel Efficiency", Aviation Fuel Consumption Symposium, pp. 10-11, Sep, 1984. |
| X. F Yuan, S. Ma, and S. H. Jiang, "Form-finding of tensegrity structures based on the Levenberg-Marquardt method", Computers and Structures, Vol. 192, pp. 171-180, Nov, 2017. |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2593196A (en) * | 2020-03-19 | 2021-09-22 | Airbus Operations Ltd | Aircraft fuel system monitoring |
| KR102261840B1 (en) * | 2020-05-18 | 2021-06-08 | 국방과학연구소 | Method and apparatus for detecting of fault, computer-readable storage medium and computer program |
| WO2023059427A1 (en) * | 2021-10-04 | 2023-04-13 | Vortex Control Technologies LLC | Systems and methods for assessing aircraft performance, aircraft fuel efficiencies, and aircraft fuel reduction technologies |
| US12002306B2 (en) | 2021-10-04 | 2024-06-04 | Vortex Control Technologies LLC | Systems and methods for assessing aircraft performance, aircraft fuel efficiencies, and aircraft fuel reduction technologies |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yildirim et al. | Aircraft gas turbine engine health monitoring system by real flight data | |
| US9488544B2 (en) | Load estimation system for aerodynamic structures | |
| Alcorta-Garcia et al. | A nonlinear observer-based strategy for aircraft oscillatory failure detection: A380 case study | |
| US20080114506A1 (en) | Hard landing detection | |
| Lee et al. | Data-driven system health monitoring technique using autoencoder for the safety management of commercial aircraft | |
| KR20190115596A (en) | Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning | |
| Zhang et al. | Aircraft damage identification and classification for database-driven online flight-envelope prediction | |
| US11772823B2 (en) | Estimating fatigue damage in a structure | |
| US11807388B2 (en) | Apparatus, method and computer program for monitoring an aircraft engine | |
| Caliskan et al. | Aircraft icing detection, identification, and reconfigurable control based on Kalman filtering and neural networks | |
| Kilic et al. | Sensor fault detection and reconstruction system for commercial aircrafts | |
| Dong et al. | Inflight Parameter Identification and Icing Location Detection of the Aircraft: The Time‐Varying Case | |
| EP3208679B1 (en) | Method of predicting heat exchanger blockage via ram air fan surge margin | |
| Chang et al. | Structural health monitoring of transport aircraft with fuzzy logic modeling | |
| Irshad et al. | Using Rio-Paris flight 447 crash to assess human error and failure propagation analysis early in design | |
| Kilic et al. | Digital twin for Electronic Centralized Aircraft Monitoring by machine learning algorithms | |
| Woodbury et al. | Analysis of virtual sensors for predicting aircraft fuel consumption | |
| Zixuan et al. | Predictive reentry guidance with aerodynamic parameter online correction | |
| JP2007213172A (en) | Method for detecting uncertain risk parameter in monte carlo evaluation | |
| Reed | Development of a parametric-based indirect aircraft structural usage monitoring system using artificial neural networks | |
| Lu | Fault diagnosis and fault-tolerant control for aircraft subjected to sensor and actuator faults | |
| Li et al. | On flight risk quantitative evaluation under icing conditions | |
| Koopman et al. | Artificial Intelligence for Real-Time Tolerance to Critical Flight Data Errors in Large Aircraft | |
| Ying et al. | H∞ parameter identification and H 2 feedback control synthesizing for inflight aircraft icing | |
| Mukhachev et al. | Evaluation of ml algorithms for system dynamics identification of aircraft pressure control system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| E601 | Decision to refuse application | ||
| E801 | Decision on dismissal of amendment |