TU Darmstadt / ULB / TUbiblio

A Hybrid Model for the Estimation of Time-Variant Aircraft Parameters

Enkelmann, Franz Alexander Richard (2024)
A Hybrid Model for the Estimation of Time-Variant Aircraft Parameters.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00027405
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Knowing the health of the aircraft supports safe, efficient, and sustainable operations. It allows maintenance measures and retrofits of the aircraft in service to be used economically. To meet the safety criteria for flight operations, a reliable assessment is required. On the other hand, the assessment methods must become more precise. This ensures technical modifications that even have a minor impact on the health of the aircraft, such as sharkskin, can be classified as significant. If such modifications are used fleet-wide and in a targeted manner, their potential can better be utilized. To address the demand for increased precision, machine learning methods are used in the context of prognostics and health management. However, the safety criterion in aviation manifests the need for reliable and comprehensive methods, which are experienced in physical model building. Consequently, the combination of both, the hybrid model, found a branch of research to profit from the individual advantages. The hybrid model is considered in this thesis to estimate and predict aircraft system states accurately and physically consistently. The states are set to include time-variant aircraft parameters representing system degradation and recovery within the aircraft life cycle. Their estimation is assumed to be a key element for health assessment. However, present approaches to hybrid model building are shown to be inappropriate in such state estimation tasks. Therefore, a new hybrid model is developed in this thesis. The developed hybrid model is characterized by a parameter scheduling structure and a recursive filter method for system identification. Thus, a data-driven model, an artificial neural network, can extend a physical model. Furthermore, requirements are defined in initialization, generalization, interpretation, and recovery, addressed within the development process. The new hybrid model offers stepwise learning while considering measurement noise and joint state estimation. In this way, the parameters and the weights of the artificial neural network are considered states besides the dynamical states. Consequently, both model parts adapt simultaneously. To handle nonlinearities, a modified unscented Kalman filter is implemented. The use of state constraints further improves physical consistency and filter stability. The developed hybrid model is evaluated using an unmanned aircraft system example. Therefore, a flight test platform is introduced, and a flight simulation environment is developed. A database of flight tests and flight simulations is built, including aircraft modifications that abstract degradation and recovery effects. In four test series, the aircraft is investigated by estimating the system states, including selected parameters, using different physical models and databases. In detail, the unmodified and aerodynamically modified aircraft are considered. In the case of real flight tests, the aircraft’s main wing area is extended, and the virtual aircraft’s parameters are changed in the case of flight simulations. The hybrid model can estimate and predict the aircraft system states. The modified parameters are estimated physically consistently in some of the test series. In conclusion, the developed hybrid model can estimate and predict system degradation and recovery in perspective and meets the defined requirements. However, two dilemmas are recognized, which require further improvement. One concerns the hybrid model structure, and the other one the learning algorithm, the filtering procedure. The open hybrid model structure involves an artificial neural network, whose weighting enables high adaptability to the considered database but decreases the model’s generalizability. Second, the application-specific initialization of the covariance matrices of the filtering procedure allows for high adaptability but negatively affects the filtering quality. As a result, anomalies within the database cannot be properly detected and separated. Finally, the new hybrid model is discussed in the context of artificial and natural intelligence. Descriptions learned via data-driven models are compared to the system knowledge that can be physically experienced. The main contribution is extending a physical model by an artificial neural network, which is recursively and simultaneously adapted. For future work, the expansion of physical knowledge using artificial intelligence is proposed, where any dynamical systems can be considered.

Typ des Eintrags: Dissertation
Erschienen: 2024
Autor(en): Enkelmann, Franz Alexander Richard
Art des Eintrags: Erstveröffentlichung
Titel: A Hybrid Model for the Estimation of Time-Variant Aircraft Parameters
Sprache: Englisch
Referenten: Klingauf, Prof. Dr. Uwe ; Kirchner, Prof. Dr. Eckhard
Publikationsjahr: 17 Juni 2024
Ort: Darmstadt
Kollation: xxv, 236 Seiten
Datum der mündlichen Prüfung: 10 Januar 2024
DOI: 10.26083/tuprints-00027405
URL / URN: https://tuprints.ulb.tu-darmstadt.de/27405
Kurzbeschreibung (Abstract):

Knowing the health of the aircraft supports safe, efficient, and sustainable operations. It allows maintenance measures and retrofits of the aircraft in service to be used economically. To meet the safety criteria for flight operations, a reliable assessment is required. On the other hand, the assessment methods must become more precise. This ensures technical modifications that even have a minor impact on the health of the aircraft, such as sharkskin, can be classified as significant. If such modifications are used fleet-wide and in a targeted manner, their potential can better be utilized. To address the demand for increased precision, machine learning methods are used in the context of prognostics and health management. However, the safety criterion in aviation manifests the need for reliable and comprehensive methods, which are experienced in physical model building. Consequently, the combination of both, the hybrid model, found a branch of research to profit from the individual advantages. The hybrid model is considered in this thesis to estimate and predict aircraft system states accurately and physically consistently. The states are set to include time-variant aircraft parameters representing system degradation and recovery within the aircraft life cycle. Their estimation is assumed to be a key element for health assessment. However, present approaches to hybrid model building are shown to be inappropriate in such state estimation tasks. Therefore, a new hybrid model is developed in this thesis. The developed hybrid model is characterized by a parameter scheduling structure and a recursive filter method for system identification. Thus, a data-driven model, an artificial neural network, can extend a physical model. Furthermore, requirements are defined in initialization, generalization, interpretation, and recovery, addressed within the development process. The new hybrid model offers stepwise learning while considering measurement noise and joint state estimation. In this way, the parameters and the weights of the artificial neural network are considered states besides the dynamical states. Consequently, both model parts adapt simultaneously. To handle nonlinearities, a modified unscented Kalman filter is implemented. The use of state constraints further improves physical consistency and filter stability. The developed hybrid model is evaluated using an unmanned aircraft system example. Therefore, a flight test platform is introduced, and a flight simulation environment is developed. A database of flight tests and flight simulations is built, including aircraft modifications that abstract degradation and recovery effects. In four test series, the aircraft is investigated by estimating the system states, including selected parameters, using different physical models and databases. In detail, the unmodified and aerodynamically modified aircraft are considered. In the case of real flight tests, the aircraft’s main wing area is extended, and the virtual aircraft’s parameters are changed in the case of flight simulations. The hybrid model can estimate and predict the aircraft system states. The modified parameters are estimated physically consistently in some of the test series. In conclusion, the developed hybrid model can estimate and predict system degradation and recovery in perspective and meets the defined requirements. However, two dilemmas are recognized, which require further improvement. One concerns the hybrid model structure, and the other one the learning algorithm, the filtering procedure. The open hybrid model structure involves an artificial neural network, whose weighting enables high adaptability to the considered database but decreases the model’s generalizability. Second, the application-specific initialization of the covariance matrices of the filtering procedure allows for high adaptability but negatively affects the filtering quality. As a result, anomalies within the database cannot be properly detected and separated. Finally, the new hybrid model is discussed in the context of artificial and natural intelligence. Descriptions learned via data-driven models are compared to the system knowledge that can be physically experienced. The main contribution is extending a physical model by an artificial neural network, which is recursively and simultaneously adapted. For future work, the expansion of physical knowledge using artificial intelligence is proposed, where any dynamical systems can be considered.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

In der Luftfahrt wird stets nach einem sicheren, effizienten und nachhaltigen Betrieb von Luftfahrzeugen gestrebt. Unterstützt wird dieser durch das Wissen um die Gesundheit der im Betrieb befindlichen Systeme, was eine ökonomische Wartung und Instandhaltung sowie Nachrüstung erlaubt. Um die Sicherheitskriterien für den Flugbetrieb zu erfüllen, ist eine zuverlässige Bewertung notwendig. Andererseits ist eine hohe Genauigkeit der Bewertungsmethoden erforderlich. Dadurch wird sichergestellt, dass technische Änderungen, die sich auch nur geringfügig auf die Gesundheit des Flugzeugs auswirken, wie beispielsweise Haifischhaut, als signifikant eingestuft werden können. Wenn solche Modifikationen flottenweit und gezielt eingesetzt werden, kann ihr Potential besser ausgenutzt werden. Um die Anforderung einer hohen Genauigkeit zu erfüllen, werden im Kontext der Prognostik und des Gesundheitsmanagements maschinelle Lernverfahren eingesetzt. Die Sicherheitskritikalität von Luftfahrtsystemen manifestiert allerdings den Gebrauch zuverlässiger und nachvollziehbarer Methoden, wie der physikalischen Modellbildung. Folglich bietet sich die Kombination der beiden Ansätze zu einem hybriden Modell an, was einen eigenen Forschungszweig eröffnet und die jeweiligen Vorteile zusammenführt. In dieser Arbeit wird das hybride Modell zur Schätzung und Vorhersage der Systemzustände eines Luftfahrzeugs betrachtet. Dabei werden den Zuständen zeitvariante Parameter zugeordnet, die perspektivisch eine Degradation und Erholung im Lebenszyklus der betrachteten Systeme abbilden können. Vorausgesetzt wird, dass die Kenntnis über die Parameter das Gesundheitsmanagement elementar stützt. Die bisherigen Ansätze zur hybriden Modellbildung eignen sich jedoch nicht. Daher wird in dieser Arbeit ein neues hybrides Modell entwickelt. Die Neuentwicklung zeichnet sich durch eine Modellstruktur geplanter Parameter aus, die mit einem rekursiven Filterverfahren identifiziert werden. Dieser Ansatz erlaubt die Erweiterung eines physikalischen Modells durch ein datengetriebenes, das künstliche neuronale Netzwerk. Darüber hinaus werden für die Entwicklung Anforderungen im Bereich der Initialisierung, Generalisierung, Interpretation und Adaption definiert. Das entwickelte hybride Modell erlaubt schrittweises Lernen, die Berücksichtigung von Messrauschen sowie eine gemeinsame Schätzung der beiden beteiligten Modelle. Neben den dynamischen Zuständen werden somit die physikalischen Parameter und Gewichte des künstlichen neuronalen Netzes als Zustände definiert, was eine gleichzeitige Anpassung erlaubt. Nichtlinearitäten werden mit der Wahl des modifizierten Unscented Kalman Filters aufgefangen, dessen Stabilität zusätzlich durch die Begrenzung ausgewählter Systemzustände erhöht wird. Zur Bewertung des Ansatzes werden ein unbemanntes Luftfahrzeug als Versuchsplattform ausgewählt und eine Simulationsumgebung entwickelt. Mit der Durchführung von Flugversuchen und Flugsimulationen wird eine Datenbasis aufgebaut, die eine Abstraktion von Degradations- und Erholungseffekten beinhaltet. In vier Testserien wird das Luftfahrzeug unter Schätzung der Systemzustände und ausgewählter Parameter untersucht, wobei das physikalische Modell und die verwendete Datenbasis Variationen enthalten. Im Detail wird das unmodifizierte und aerodynamisch modifizierte Luftfahrzeug betrachtet, dessen Hauptflügelfläche technisch erweitert oder dessen Parametrierung innerhalb der Simulationsumgebung verändert wird. Der Ansatz zur hybriden Modellbildung erfüllt die definierten Anforderungen und ermöglicht eine Schätzung und Vorhersage aerodynamischer Degradation und Erholung. Allerdings werden zwei Dilemmata festgestellt, die zum einen die hybride Modellstruktur und zum anderen den Lernalgorithmus, das Filterverfahren, betreffen. Die offene hybride Modellstruktur beinhaltet ein künstliches neuronales Netz, dessen Gewichtung eine hohe Anpassungsfähigkeit an die betrachtete Datenbasis ermöglicht, die Generalisierbarkeit des Modells jedoch verringern kann. Die anwendungsspezifische Initialisierung der Kovarianzmatrizen des Filterverfahrens ermöglicht ebenfalls eine hohe Anpassungsfähigkeit, diese kann sich aber negativ auf die Filterqualität auswirken, sodass Anomalien innerhalb der Datenbasis nicht mehr sachgemäß erkannt und getrennt werden. Abschließend wird der neue Ansatz zur hybriden Modellbildung im Kontext künstlicher und natürlicher Intelligenz diskutiert. Im Zuge dessen wird die maschinell erlernte Abbildung dem physikalisch erfahrbaren Systemwissen gegenübergestellt. Wesentliche Beiträge dieser Arbeit bestehen in der Erweiterung eines physikalischen Modells durch ein künstliches neuronales Netz, das rekursiv und gleichzeitig angepasst wird. Für weiterführende Forschungen wird die Erweiterung physikalischen Wissens unter Verwendung künstlicher Intelligenz empfohlen, wobei beliebige dynamische Systeme betrachtet werden können.

Deutsch
Freie Schlagworte: hybrid, physical, data-driven, modelbuilding, artificial intelligence, aircraft, unmanned aircraft system, phm, prognostics, health management, predictive, maintenance, neural network, unscented kalman filter, experimental, flight simulation
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-274054
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Fachgebiet für Flugsysteme und Regelungstechnik (FSR)
Hinterlegungsdatum: 17 Jun 2024 12:04
Letzte Änderung: 18 Jun 2024 05:15
PPN:
Referenten: Klingauf, Prof. Dr. Uwe ; Kirchner, Prof. Dr. Eckhard
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 10 Januar 2024
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen