TU Darmstadt / ULB / TUbiblio

Prognosen des Treibstoffverbrauches eines Flugzeuges mit Hilfe von maschinellen Lernalgorithmen

Baumann, Sebastian and Klingauf, Uwe (2017):
Prognosen des Treibstoffverbrauches eines Flugzeuges mit Hilfe von maschinellen Lernalgorithmen.
In: 66. Deutscher Luft- und Raumfahrtkongress der DGLR, München, 5.-7. September 2017, [Conference or Workshop Item]

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.

Item Type: Conference or Workshop Item
Erschienen: 2017
Creators: Baumann, Sebastian and Klingauf, Uwe
Title: Prognosen des Treibstoffverbrauches eines Flugzeuges mit Hilfe von maschinellen Lernalgorithmen
Language: German
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.

Divisions: 16 Department of Mechanical Engineering
16 Department of Mechanical Engineering > Institute of Flight Systems and Automatic Control (FSR)
Event Title: 66. Deutscher Luft- und Raumfahrtkongress der DGLR
Event Location: München
Event Dates: 5.-7. September 2017
Date Deposited: 23 Oct 2017 16:13
Export:

Optionen (nur für Redakteure)

View Item View Item