modelowanie faz zni ania il dowania samolotu boeing 767
Transkrypt
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