modelowanie faz zni ania il dowania samolotu boeing 767

PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ
z. 102
Transport
2014
Aleksandra Stycunów, Jerzy Manerowski
Politechnika Warszawska, WydziaI Transportu
MODELOWANIE FAZ ZNI+ANIA I L-DOWANIA
SAMOLOTU BOEING 767-300ER PRZY U+YCIU
SZTUCZNYCH SIECI NEURONOWYCH
RKkopis dostarczono: czerwiec 2013
Streszczenie: ArtykuI przedstawia zastosowanie sztucznych sieci neuronowych do modelowania
przebiegu prKdkoQci, podczas faz zniSania i lTdowania samolotu Boeing 767-300ER. Zapisy przebiegu
lotów pozyskano z pokIadowego rejestratora eksploatacyjnego. W badaniu wykorzystano jedenaQcie
róSnych struktur sieci, w celu uzyskania jak najlepszego odwzorowania rzeczywistych danych, przez
sztucznT sie[ neuronowT. Najlepsze wyniki uzyskano dla sieci o jednej warstwie ukrytej. Uzyskane
wyniki potwierdzajT zasadnoQ[ stosowania sztucznych sieci neuronowych do modelowania przebiegu
lotu.
S5owa kluczowe: sztuczna sie[ neuronowa, faza zniSania samolotu, faza lTdowania samolotu
1. WPROWADZENIE
Dynamiczny rozwój transportu lotniczego [1] wymaga stosowania nowoczesnych
rozwiTza_ technologicznych, po to aby zapewni[ jak najwiKkszy poziom bezpiecze_stwa
pasaSerom i podnieQ[ efektywnoQ[ wykonywanych operacji lotniczych [4] i [7].
Sztuczne sieci neuronowe sT jednT z metod badawczych, które dajT moSliwoQ[
odzwierciedlania i analizy danych o nieliniowych przebiegach wartoQci. Do gIównych
zalet tej metody naleST duSa szybkoQ[ procesu przetwarzania informacji, spowodowana
równoczesnym przetwarzaniem danych przez wszystkie elementy sieci [3] i [6] oraz
odpornoQ[ na wystKpowanie bIKdów [2] i [5].
ArtykuI ma na celu zbadanie dokIadnoQci odwzorowania rzeczywistego przebiegu
prKdkoQci, samolotu Boeing 767-300ER, podczas faz zniSania i lTdowania, przez sztucznT
sie[ neuronowT.
136
Aleksandra Stycunów, Jerzy Manerowski
2. PODZIA; FAZ LOTU NA SEGMENTY
W celu uzyskania jak najlepszego odwzorowania przebiegu prKdkoQci, fazy zniSania
i lTdowania podzielono na charakterystyczne segmenty. W tablicy 1. zamieszczono
szczegóIowy opis poszczególnych segmentów. Segmenty I-III dotyczT fazy zniSania
samolotu, natomiast segmenty IV-VIII dotyczT lTdowania.
Tablica 1
Podzia5 faz zni<ania i l=dowania na segmenty
Nr segmentu
I
II
III
IV
V
VI
VII
VIII
PoczTtek segmentu
Opuszczenie przelotowego poziomu lotu
PrKdkoQ[ CAS 280-310 [kt]
250 [kt]
220 [kt]; klapy 1
200 [kt]; klapy 5
180 [kt]
145 [kt]
140 [kt]
Koniec segmentu
FL 290
250 [kt]
220 [kt]; klapy w pozycji 0
200 [kt]; klapy 5
180 [kt]; klapy 20; wypuszczenie podwozia
150 [kt]; klapy 30
145 [kt]
30 [kt]; opuszczenie pasa
Za poczTtek tego etapu lotu, a co za tym idzie poczTtek fazy zniSania, przyjKto chwilK,
w której samolot opuszcza przelotowy poziom lotu. Ko_cem jest zredukowanie prKdkoQci
do 30 wKzIów. Jest to jednoczeQnie koniec fazy lTdowania samolotu.
3. PARAMETRY SZTUCZNEJ SIECI NEURONOWEJ
W badaniu wykorzystano stosunkowo proste struktury sztucznych sieci neuronowych.
Wszystkie sieci miaIy 4 neurony w warstwie wejQciowej, jednT lub dwie warstwy ukryte,
z róSnT liczbT neuronów [0-6] oraz jednym neuronem w warstwie wyjQciowej (Vi).
SygnaIami wejQciowymi byIy:
-czas (t);
-segment (s);
-wartoQ[ prKdkoQci przyrzTdowej w chwili i-2 (Vi-2);
-wartoQ[ prKdkoQci przyrzTdowej w chwili i-1 (Vi-1).
SygnaIem wyjQciowym byIa wartoQ[ prKdkoQci przyrzTdowej w chwili i (Vi).
Do oblicze_ wykorzystany zostaI program komputerowy JETNET 2.0, który
wykorzystuje algorytm momentowej metody wstecznej propagacji bIKdów [9]. OkreQla on
strategiK doboru wag, w sieci wielowarstwowej, przy wykorzystaniu gradientowych metod
optymalizacji.
Do oceny jakoQci odwzorowania wykorzystano sumK kwadratów róSnic pomiKdzy
wartoQciT z modelu i rzeczywistego obiektu (i2) oraz liczbK zdarze_ pozytywnych (lp).
ZastosowanT funkcjT aktywacji jest funkcja sigmoidalna.
Wzory zastosowanych algorytmów, zostaIy szerzej opisane w artykule [8].
Modelowanie faz zniSania i lTdowania samolotu Boeing 767-300ER…
137
4. WYNIKI OBLICZE@
Podczas bada_ przetestowano jedenaQcie róSnych struktur sieci, w celu uzyskania jak
najlepszej jakoQci odwzorowania rzeczywistych danych przez model. Najlepsze wyniki
daIy proste struktury sieci tj. o jednej warstwie ukrytej.
W tablicy 2. zamieszczono wynik symulacji dla struktury, która najlepiej odwzorowaIa
rzeczywisty przebieg prKdkoQci podczas zniSania samolotu. ByIa to struktura
o 4 neuronach w warstwie wejQciowej (WE), 2 neuronach w pierwszej warstwie ukrytej
oraz 1 neuronie w warstwie wyjQciowej (WY). Na rys. 1. przedstawiono porównanie
rzeczywistego przebiegu prKdkoQci przyrzTdowej samolotu, podczas zniSania (Vlot),
z przebiegiem wygenerowanym przez sztucznT sie[ neuronowT (Vssn).
Tablica 2
Dok5adnoDF odwzorowania przebiegu prGdkoDci przyrz=dowej podczas zni<ania, dla
struktury 421
WE
4
Struktura sieci
Liczba neuronów
w warstwie ukrytej
2
WY
1
Wyniki
Liczba zdarze_
i2Qr
pozytywnych lp
91,1 [%]
0,35396 10-2
Rys. 1. Porównanie przebiegu prKdkoQci przyrzTdowej i wygenerowanej przez SSN, podczas
zniSania samolotu
Na rys. 2. przedstawiono wykres zmian wartoQci bIKdu i2, w funkcji czasu, dla fazy
zniSania. Wzrost wartoQci i2 spowodowany jest rosnTcT rozbieSnoQciT pomiKdzy
przebiegiem prKdkoQci przyrzTdowej, pochodzTcym z pokIadowego rejestratora
eksploatacyjnego, a jego odwzorowaniem wygenerowanym przez sztucznT sie[
neuronowT.
138
Aleksandra Stycunów, Jerzy Manerowski
Rys. 2. Wykres zmian wartoQci i2 w czasie, dla fazy zniSania
W tablicy 3. zamieszczono wynik symulacji dla struktury, która najlepiej odwzorowaIa
rzeczywisty przebieg prKdkoQci podczas lTdowania samolotu. ByIa to struktura
o 4 neuronach w warstwie wejQciowej, 4 neuronach w pierwszej warstwie ukrytej oraz
1 neuronie w warstwie wyjQciowej. Rys. 3. zawiera porównanie przebiegów prKdkoQci
podczas lTdowania samolotu.
Tablica 3
Dok5adnoDF odwzorowania przebiegu prGdkoDci przyrz=dowej podczas l=dowania, dla
struktury 441
WE
4
Struktura sieci
Liczba neuronów
w warstwie ukrytej
4
WY
1
Wyniki
Liczba zdarze_
i2 Qr
pozytywnych lp
98,4 [%]
0,56618 10-3
Rys. 3. Porównanie przebiegu prKdkoQci przyrzTdowej i wygenerowanej przez SSN, podczas
lTdowania samolotu
Modelowanie faz zniSania i lTdowania samolotu Boeing 767-300ER…
139
Na rys. 4. przedstawiono wykres zmian wartoQci bIKdu i2, w funkcji czasu, dla fazy
lTdowania. Wzrost wartoQci i2, w ko_cowej fazie lotu, spowodowany jest rosnTcT
rozbieSnoQciT pomiKdzy przebiegami prKdkoQci.
Rys. 4. Wykres zmian wartoQci i2 w czasie, dla fazy lTdowania
5. WNIOSKI
Na podstawie analizy wykresów przebiegu prKdkoQci przyrzTdowej, odczytanej
z pokIadowego rejestratora eksploatacyjnego, z przebiegiem wygenerowanym przez
sztucznT sie[ neuronowT, moSna stwierdzi[, Se SSN poprawnie odwzorowaIa przebiegi
prKdkoQci w rozpatrywanych fazach lotu.
Nieliniowy przebieg prKdkoQci najlepiej odwzorowujT proste sieci, o jednej warstwie
ukrytej.
InteresujTce wydaje siK zbadanie wpIywu czasu trwania operacji na parametry sieci.
Bibliografia
1. Aerodata EU - OPS Regulatory Compliance Statement. AeroData Inc., Scottsdale, 2008.
2. Duch W.: FascynujTcy Qwiat komputerów. Nakom, Pozna_, 1997.
3. Lula P., Paliwoda-PKkosz G., Tadeusiewicz R.: Metody sztucznej inteligencji i ich zastosowania
w ekonomii i zarzTdzaniu. Wydawnictwo Akademii Ekonomicznej, Kraków, 2007.
4. Malarski M.: InSynieria ruchu lotniczego. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa,
2006.
5. Mulawka J.: Systemy ekspertowe. WNT, Warszawa, 1996.
6. Osowski S.: Sieci neuronowe w ujKciu algorytmicznym. Wydawnictwo Naukowo-Techniczne,
Warszawa, 1996.
7. Stelmach A.: Metoda oceny procesu obsIugi ruchu lotniczego w rejonie lotniska. Praca doktorska.
WydziaI Transportu Politechniki Warszawskiej, Warszawa, 2005.
140
Aleksandra Stycunów, Jerzy Manerowski
8. Stycunów A., Manerowski J.: Sztuczne sieci neuronowe w zastosowaniu do modelowania fazy zniSania
samolotu. „Logistyka” 2012, nr 4, s. 85.
9. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Kraków, 1993.
MODELLING OF THE DESCENT AND LANDING OF THE BOEING 767-300ER
AIRCRAFT USING ARTIFICIAL NEURAL NETWORKS
Summary: The paper presents artificial neural networks modelling of the indicated airspeed of Boeing
767-300ER aircraft during descent and landing. The data were gained from the flight data recorder. Eleven
different neural network structures were tested to reach the highest level of reconstruction of actual data. The
network with one hidden layer gives the most accurate results. The results confirm feasibility of application
of artificial neural networks to modelling of the flight phases.
Keywords: artificial neural network, descent of the aircraft, landing of the aircraft