Baumann, Sebastian ; Klingauf, Uwe (2017)
Prognosen des Treibstoffverbrauches eines Flugzeuges mit Hilfe von maschinellen Lernalgorithmen.
66. Deutscher Luft- und Raumfahrtkongress der DGLR. München (5.-7. September 2017)
Konferenzveröffentlichung, Bibliographie
Kurzbeschreibung (Abstract)
Mit Hilfe von Systemen zur Datenaufzeichnung wie dem Flight Data Recorder lassen sich die Daten der Flugzeugsensoren erfassen. Diese können in-situ in Form von Berichten an Fluggesellschaften und Wartungsbetriebe bereits während des Fluges übertragen oder für nachträgliche Analysen gespeichert werden. Damit lassen sich Aussagen zur aktuellen Flugzeugperformanz in Bezug auf den Verbrauch oder die Emissionen ermitteln. Zurzeit dienen diese Daten in einer hoch aggregierten Form über Mittelwerte überwiegend als Eingang für statistische Modellierungen oder physikalische Abschätzungen. Die berechneten Metriken werden als Leistungskennzahlen des Flugzeuges rollierend ermittelt und mit Buchwerten aus den Handbüchern oder mit Angaben aus den Systemen zur Performanzüberwachung verglichen. Dieses Vorgehen stellt jedoch nur eine situative, aggregierte Punktbewertung eines stabilen Flugzustands dar. Der Datenaggregation liegen strikte Gültigkeitsgrenzen für die Parameterschwankungen mit Bezug zu zeitlichen Aspekten sowie den Parameteramplituden zu Grunde. Weiterhin bestimmen die voreingestellten Trigger-Bedingungen der Aufzeichnungslogik maßgeblich die Anzahl und Qualität der übermittelten Reporte, sodass nur wenige Datenpunkte für Leistungsanalysen zur Verfügung stehen. Zur Verbesserung von realen Leistungsanalysen können sogenannte Full Flight Daten verwendet werden, welche die Zeitreihen aller Flugzeugparameter über die gesamte Flugmission beinhalten. Im Gegensatz zu den klassischen Abschätzungen werden bei dem vorliegenden Beitrag datenbasierte Ansätze mit Werkzeugen des maschinellen Lernens aus dem Bereich der künstlichen Intelligenz vorgestellt, mit denen Modellbildungen des Treibstoffflusses auf Basis der Full Flight Daten entwickelt werden. Damit werden detaillierte Aussagen zur Diagnose und Prognose des Treibstoffverbrauches ermöglicht. Der Beitrag beschäftigt sich mit der Modellentwicklung und den Ergebnissen unterschiedlicher Analysen, die auf einer Vielzahl von operationellen Flugdatenaufzeichnungen einer Fluggesellschaft basieren. Die vorliegende Arbeit beschreibt die Lernmethoden und zeigt die Prognoseergebnisse für zwei unterschiedliche datenbasierte Prognoseverfahren, zu denen neuronale Netze und Entscheidungsbäume zählen. Abschließend werden die zukünftige Anwendung des Beitrages und ein Ausblick für Tätigkeiten der Autoren angebracht.
Typ des Eintrags: | Konferenzveröffentlichung |
---|---|
Erschienen: | 2017 |
Autor(en): | Baumann, Sebastian ; Klingauf, Uwe |
Art des Eintrags: | Bibliographie |
Titel: | Prognosen des Treibstoffverbrauches eines Flugzeuges mit Hilfe von maschinellen Lernalgorithmen |
Sprache: | Deutsch |
Publikationsjahr: | 23 Oktober 2017 |
Veranstaltungstitel: | 66. Deutscher Luft- und Raumfahrtkongress der DGLR |
Veranstaltungsort: | München |
Veranstaltungsdatum: | 5.-7. September 2017 |
Kurzbeschreibung (Abstract): | Mit Hilfe von Systemen zur Datenaufzeichnung wie dem Flight Data Recorder lassen sich die Daten der Flugzeugsensoren erfassen. Diese können in-situ in Form von Berichten an Fluggesellschaften und Wartungsbetriebe bereits während des Fluges übertragen oder für nachträgliche Analysen gespeichert werden. Damit lassen sich Aussagen zur aktuellen Flugzeugperformanz in Bezug auf den Verbrauch oder die Emissionen ermitteln. Zurzeit dienen diese Daten in einer hoch aggregierten Form über Mittelwerte überwiegend als Eingang für statistische Modellierungen oder physikalische Abschätzungen. Die berechneten Metriken werden als Leistungskennzahlen des Flugzeuges rollierend ermittelt und mit Buchwerten aus den Handbüchern oder mit Angaben aus den Systemen zur Performanzüberwachung verglichen. Dieses Vorgehen stellt jedoch nur eine situative, aggregierte Punktbewertung eines stabilen Flugzustands dar. Der Datenaggregation liegen strikte Gültigkeitsgrenzen für die Parameterschwankungen mit Bezug zu zeitlichen Aspekten sowie den Parameteramplituden zu Grunde. Weiterhin bestimmen die voreingestellten Trigger-Bedingungen der Aufzeichnungslogik maßgeblich die Anzahl und Qualität der übermittelten Reporte, sodass nur wenige Datenpunkte für Leistungsanalysen zur Verfügung stehen. Zur Verbesserung von realen Leistungsanalysen können sogenannte Full Flight Daten verwendet werden, welche die Zeitreihen aller Flugzeugparameter über die gesamte Flugmission beinhalten. Im Gegensatz zu den klassischen Abschätzungen werden bei dem vorliegenden Beitrag datenbasierte Ansätze mit Werkzeugen des maschinellen Lernens aus dem Bereich der künstlichen Intelligenz vorgestellt, mit denen Modellbildungen des Treibstoffflusses auf Basis der Full Flight Daten entwickelt werden. Damit werden detaillierte Aussagen zur Diagnose und Prognose des Treibstoffverbrauches ermöglicht. Der Beitrag beschäftigt sich mit der Modellentwicklung und den Ergebnissen unterschiedlicher Analysen, die auf einer Vielzahl von operationellen Flugdatenaufzeichnungen einer Fluggesellschaft basieren. Die vorliegende Arbeit beschreibt die Lernmethoden und zeigt die Prognoseergebnisse für zwei unterschiedliche datenbasierte Prognoseverfahren, zu denen neuronale Netze und Entscheidungsbäume zählen. Abschließend werden die zukünftige Anwendung des Beitrages und ein Ausblick für Tätigkeiten der Autoren angebracht. |
Fachbereich(e)/-gebiet(e): | 16 Fachbereich Maschinenbau 16 Fachbereich Maschinenbau > Fachgebiet für Flugsysteme und Regelungstechnik (FSR) |
Hinterlegungsdatum: | 23 Okt 2017 16:13 |
Letzte Änderung: | 22 Aug 2018 10:42 |
PPN: | |
Export: | |
Suche nach Titel in: | TUfind oder in Google |
![]() |
Frage zum Eintrag |
Optionen (nur für Redakteure)
![]() |
Redaktionelle Details anzeigen |