MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH

Transkrypt

1 P R A C E N A U K O W E P O L I T E C H N I K I W A R S Z A W S K I E J z. 102 Transport 2014 Aleksandra Stycunów, Jerzy Manerowski Politechnika Warszawska, Wydzia Transportu MODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH R kopis dostarczono: czerwiec 2013 Streszczenie: Artyku przedstawia zastosowanie sztucznych sieci neuronowych do modelowania przebiegu pr dko ci, podczas faz zni ania i l dowania samolotu Boeing ER. Zapisy przebiegu lotów pozyskano z pok adowego rejestratora eksploatacyjnego. W badaniu wykorzystano jedena cie ró nych struktur sieci, w celu uzyskania jak najlepszego odwzorowania rzeczywistych danych, przez sztuczn sie neuronow. Najlepsze wyniki uzyskano dla sieci o jednej warstwie ukrytej. Uzyskane wyniki potwierdzaj zasadno stosowania sztucznych sieci neuronowych do modelowania przebiegu lotu. S owa kluczowe: sztuczna sie neuronowa, faza zni ania samolotu, faza l dowania samolotu 1. WPROWADZENIE Dynamiczny rozwój transportu lotniczego [1] wymaga stosowania nowoczesnych rozwi za technologicznych, po to aby zapewni jak najwi kszy poziom bezpiecze stwa pasa erom i podnie efektywno wykonywanych operacji lotniczych [4] i [7]. Sztuczne sieci neuronowe s jedn z metod badawczych, które daj mo liwo odzwierciedlania i analizy danych o nieliniowych przebiegach warto ci. Do g ównych zalet tej metody nale du a szybko procesu przetwarzania informacji, spowodowana równoczesnym przetwarzaniem danych przez wszystkie elementy sieci [3] i [6] oraz odporno na wyst powanie b dów [2] i [5]. Artyku ma na celu zbadanie dok adno ci odwzorowania rzeczywistego przebiegu pr dko ci, samolotu Boeing ER, podczas faz zni ania i l dowania, przez sztuczn sie neuronow.

2 136 Aleksandra Stycunów, Jerzy Manerowski 2. PODZIA FAZ LOTU NA SEGMENTY W celu uzyskania jak najlepszego odwzorowania przebiegu pr dko ci, fazy zni ania i l dowania podzielono na charakterystyczne segmenty. W tablicy 1. zamieszczono szczegó owy opis poszczególnych segmentów. Segmenty I-III dotycz fazy zni ania samolotu, natomiast segmenty IV-VIII dotycz l dowania. Podzia faz zni ania i l dowania na segmenty Tablica 1 Nr segmentu Pocz tek segmentu Koniec segmentu I Opuszczenie przelotowego poziomu lotu FL 290 II Pr dko CAS [kt] 250 [kt] III 250 [kt] 220 [kt]; klapy w pozycji 0 IV 220 [kt]; klapy [kt]; klapy 5 V 200 [kt]; klapy [kt]; klapy 20; wypuszczenie podwozia VI 180 [kt] 150 [kt]; klapy 30 VII 145 [kt] 145 [kt] VIII 140 [kt] 30 [kt]; opuszczenie pasa Za pocz tek tego etapu lotu, a co za tym idzie pocz tek fazy zni ania, przyj to chwil, w której samolot opuszcza przelotowy poziom lotu. Ko cem jest zredukowanie pr dko ci do 30 w z ów. Jest to jednocze nie koniec fazy l dowania samolotu. 3. PARAMETRY SZTUCZNEJ SIECI NEURONOWEJ W badaniu wykorzystano stosunkowo proste struktury sztucznych sieci neuronowych. Wszystkie sieci mia y 4 neurony w warstwie wej ciowej, jedn lub dwie warstwy ukryte, z ró n liczb neuronów [0-6] oraz jednym neuronem w warstwie wyj ciowej (V i ). Sygna ami wej ciowymi by y: -czas (t); -segment (s); -warto pr dko ci przyrz dowej w chwili i-2 (V i-2 ); -warto pr dko ci przyrz dowej w chwili i-1 (V i-1 ). Sygna em wyj ciowym by a warto pr dko ci przyrz dowej w chwili i (V i ). Do oblicze wykorzystany zosta program komputerowy JETNET 2.0, który wykorzystuje algorytm momentowej metody wstecznej propagacji b dów [9]. Okre la on strategi doboru wag, w sieci wielowarstwowej, przy wykorzystaniu gradientowych metod optymalizacji. Do oceny jako ci odwzorowania wykorzystano sum kwadratów ró nic pomi dzy warto ci z modelu i rzeczywistego obiektu ( 2 ) oraz liczb zdarze pozytywnych (l p ). Zastosowan funkcj aktywacji jest funkcja sigmoidalna. Wzory zastosowanych algorytmów, zosta y szerzej opisane w artykule [8].

3 Modelowanie faz zni ania i l dowania samolotu Boeing ER WYNIKI OBLICZE Podczas bada przetestowano jedena cie ró nych struktur sieci, w celu uzyskania jak najlepszej jako ci odwzorowania rzeczywistych danych przez model. Najlepsze wyniki da y proste struktury sieci tj. o jednej warstwie ukrytej. W tablicy 2. zamieszczono wynik symulacji dla struktury, która najlepiej odwzorowa a rzeczywisty przebieg pr dko ci podczas zni ania samolotu. By a to struktura o 4 neuronach w warstwie wej ciowej (WE), 2 neuronach w pierwszej warstwie ukrytej oraz 1 neuronie w warstwie wyj ciowej (WY). Na rys. 1. przedstawiono porównanie rzeczywistego przebiegu pr dko ci przyrz dowej samolotu, podczas zni ania (Vlot), z przebiegiem wygenerowanym przez sztuczn sie neuronow (Vssn). Tablica 2 Dok adno odwzorowania przebiegu pr dko ci przyrz dowej podczas zni ania, dla struktury 421 Struktura sieci Wyniki Liczba neuronów Liczba zdarze WE WY 2 r w warstwie ukrytej pozytywnych l p ,1 [%] 0, Rys. 1. Porównanie przebiegu pr dko ci przyrz dowej i wygenerowanej przez SSN, podczas zni ania samolotu Na rys. 2. przedstawiono wykres zmian warto ci b du 2, w funkcji czasu, dla fazy zni ania. Wzrost warto ci 2 spowodowany jest rosn c rozbie no ci pomi dzy przebiegiem pr dko ci przyrz dowej, pochodz cym z pok adowego rejestratora eksploatacyjnego, a jego odwzorowaniem wygenerowanym przez sztuczn sie neuronow.

4 138 Aleksandra Stycunów, Jerzy Manerowski Rys. 2. Wykres zmian warto ci 2 w czasie, dla fazy zni ania W tablicy 3. zamieszczono wynik symulacji dla struktury, która najlepiej odwzorowa a rzeczywisty przebieg pr dko ci podczas l dowania samolotu. By a to struktura o 4 neuronach w warstwie wej ciowej, 4 neuronach w pierwszej warstwie ukrytej oraz 1 neuronie w warstwie wyj ciowej. Rys. 3. zawiera porównanie przebiegów pr dko ci podczas l dowania samolotu. Tablica 3 Dok adno odwzorowania przebiegu pr dko ci przyrz dowej podczas l dowania, dla struktury 441 Struktura sieci Wyniki Liczba neuronów Liczba zdarze WE WY 2 r w warstwie ukrytej pozytywnych l p ,4 [%] 0, Rys. 3. Porównanie przebiegu pr dko ci przyrz dowej i wygenerowanej przez SSN, podczas l dowania samolotu

5 Modelowanie faz zni ania i l dowania samolotu Boeing ER 139 Na rys. 4. przedstawiono wykres zmian warto ci b du 2, w funkcji czasu, dla fazy l dowania. Wzrost warto ci 2, w ko cowej fazie lotu, spowodowany jest rosn c rozbie no ci pomi dzy przebiegami pr dko ci. Rys. 4. Wykres zmian warto ci 2 w czasie, dla fazy l dowania 5. WNIOSKI Na podstawie analizy wykresów przebiegu pr dko ci przyrz dowej, odczytanej z pok adowego rejestratora eksploatacyjnego, z przebiegiem wygenerowanym przez sztuczn sie neuronow, mo na stwierdzi, e SSN poprawnie odwzorowa a przebiegi pr dko ci w rozpatrywanych fazach lotu. Nieliniowy przebieg pr dko ci najlepiej odwzorowuj proste sieci, o jednej warstwie ukrytej. Interesuj ce wydaje si zbadanie wp ywu czasu trwania operacji na parametry sieci. Bibliografia 1. Aerodata EU - OPS Regulatory Compliance Statement. AeroData Inc., Scottsdale, Duch W.: Fascynuj cy wiat komputerów. Nakom, Pozna, Lula P., Paliwoda-P kosz G., Tadeusiewicz R.: Metody sztucznej inteligencji i ich zastosowania w ekonomii i zarz dzaniu. Wydawnictwo Akademii Ekonomicznej, Kraków, Malarski M.: In ynieria ruchu lotniczego. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, Mulawka J.: Systemy ekspertowe. WNT, Warszawa, Osowski S.: Sieci neuronowe w uj ciu algorytmicznym. Wydawnictwo Naukowo-Techniczne, Warszawa, Stelmach A.: Metoda oceny procesu obs ugi ruchu lotniczego w rejonie lotniska. Praca doktorska. Wydzia Transportu Politechniki Warszawskiej, Warszawa, 2005.

6 140 Aleksandra Stycunów, Jerzy Manerowski 8. Stycunów A., Manerowski J.: Sztuczne sieci neuronowe w zastosowaniu do modelowania fazy zni ania samolotu. Logistyka 2012, nr 4, s Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Kraków, MODELLING OF THE DESCENT AND LANDING OF THE BOEING ER AIRCRAFT USING ARTIFICIAL NEURAL NETWORKS Summary: The paper presents artificial neural networks modelling of the indicated airspeed of Boeing ER 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