論文の概要: Data-driven Method for Estimating Aircraft Mass from Quick Access
Recorder using Aircraft Dynamics and Multilayer Perceptron Neural Network
- arxiv url: http://arxiv.org/abs/2012.05907v1
- Date: Thu, 10 Dec 2020 04:44:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 22:53:57.697528
- Title: Data-driven Method for Estimating Aircraft Mass from Quick Access
Recorder using Aircraft Dynamics and Multilayer Perceptron Neural Network
- Title（参考訳）: 航空機ダイナミクスと多層パーセプトロンニューラルネットワークを用いたクイックアクセスレコーダからの航空機質量推定のためのデータ駆動方式
- Authors: Xinyu He, Fang He, Xinting Zhu, Lishuai Li
- Abstract要約: 乗客と荷物を積載する航空機は、安全上の危険をもたらす可能性がある。
航空会社はこのツールを使って航空機のペイロードをよりよく利用することができる。
- 参考スコア（独自算出の注目度）: 4.828353666660018
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate aircraft-mass estimation is critical to airlines from the
safety-management and performance-optimization viewpoints. Overloading an
aircraft with passengers and baggage might result in a safety hazard. In
contrast, not fully utilizing an aircraft's payload-carrying capacity
undermines its operational efficiency and airline profitability. However,
accurate determination of the aircraft mass for each operating flight is not
feasible because it is impractical to weigh each aircraft component, including
the payload. The existing methods for aircraft-mass estimation are dependent on
the aircraft- and engine-performance parameters, which are usually considered
proprietary information. Moreover, the values of these parameters vary under
different operating conditions while those of others might be subject to large
estimation errors. This paper presents a data-driven method involving use of
the quick access recorder (QAR)-a digital flight-data recorder-installed on all
aircrafts to record the initial aircraft climb mass during each flight. The
method requires users to select appropriate parameters among several thousand
others recorded by the QAR using physical models. The selected data are
subsequently processed and provided as input to a multilayer perceptron neural
network for building the model for initial-climb aircraft-mass prediction.
Thus, the proposed method offers the advantages of both the model-based and
data-driven approaches for aircraft-mass estimation. Because this method does
not explicitly rely on any aircraft or engine parameter, it is universally
applicable to all aircraft types. In this study, the proposed method was
applied to a set of Boeing 777-300ER aircrafts, the results of which
demonstrated reasonable accuracy. Airlines can use this tool to better utilize
aircraft's payload.
- Abstract（参考訳）: 安全管理と性能最適化の観点から、正確な航空機質量推定は航空会社にとって重要である。
乗客と荷物を積載する航空機は、安全上の危険をもたらす可能性がある。
対照的に、航空機のペイロード輸送能力を完全に活用していないことは、その運用効率と航空会社の収益性を損なう。
しかし、飛行毎の航空機質量の正確な決定は、ペイロードを含む各航空機部品の重量を測ることは現実的ではないため実現不可能である。
既存の航空機質量推定法は、通常プロプライエタリな情報と見なされる航空機およびエンジンの性能パラメータに依存する。
さらに、これらのパラメータの値は異なる操作条件下で異なるが、他のパラメータは大きな推定誤差を受ける可能性がある。
本稿では,全機にデジタル飛行データレコーダであるクイックアクセスレコーダ(QAR)を用いて,各飛行中に初期航空機の上昇量を記録するためのデータ駆動方式を提案する。
物理モデルを用いてQARが記録した数千のパラメータの中から適切なパラメータを選択する必要がある。
その後、選択したデータを処理し、初期上昇航空機質量予測モデルを構築するための多層パーセプトロンニューラルネットワークへの入力として提供する。
提案手法は,航空機質量推定におけるモデルベースおよびデータ駆動手法の利点を提供する。
この方法は航空機やエンジンパラメーターに明示的に依存していないため、全ての航空機タイプに普遍的に適用される。
本研究はボーイング777-300erの航空機に提案手法を適用し,その精度を実証した。
このツールを使って航空機のペイロードをよりよく活用することができる。
関連論文リスト
- On the Generalization Properties of Deep Learning for Aircraft Fuel Flow Estimation Models [2.7336487680215815]
本稿では,燃料消費予測におけるディープラーニングモデルの一般化能力について検討する。
本稿では,ニューラルネットワークアーキテクチャとドメイン一般化技術を統合する新しい手法を提案する。
以前は目に見えない航空機に対して、航空機へのノイズの導入とエンジンパラメーターはモデルの一般化を改善した。
論文 参考訳（メタデータ） (2024-10-10T08:34:19Z) - Big data-driven prediction of airspace congestion [40.02298833349518]
国立航空宇宙システム(NAS)内の特定の空域セクターの航空機数を正確に予測する新しいデータ管理・予測システムを提案する。
前処理ステップでは、システムは受信した生データを処理し、それをコンパクトなサイズに減らし、コンパクトなデータベースに格納する。
予測段階において、システムは歴史的軌跡から学習し、そのセグメントを使用して、セクター境界交差、気象パラメータ、その他の航空交通データなどの重要な特徴を収集する。
論文 参考訳（メタデータ） (2023-10-13T09:57:22Z) - Improved Aircraft Environmental Impact Segmentation via Metric Learning [1.6317061277457001]
この研究は、計量学習を用いて航空機の環境影響セグメンテーションのための重み付き距離メトリクスを学習する。
本研究は, 航空機の環境影響をよりよく反映して, 航空機のセグメンテーションの精度を高めることができることを示すものである。
論文 参考訳（メタデータ） (2023-06-24T01:14:48Z) - Inferring Traffic Models in Terminal Airspace from Flight Tracks and
Procedures [52.25258289718559]
本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。
任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
論文 参考訳（メタデータ） (2023-03-17T13:58:06Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Airplane Type Identification Based on Mask RCNN and Drone Images [0.0]
本稿では,マスク領域畳み込みニューラルネットワークを用いた航空機の検出結果に基づいて,空港における航空機の種類を特定するための実践的なアプローチを提案する。
検出された平面の長さは、検出された平面の2つのファーセスト点の間の距離を測定することで計算することができる。
論文 参考訳（メタデータ） (2021-08-29T10:25:13Z) - From industry-wide parameters to aircraft-centric on-flight inference:
improving aeronautics performance prediction with machine learning [5.171090309853363]
航空機の性能モデルは、特に燃料効率の良い飛行計画において重要な役割を担っている。
実際には、メーカーは1つの要素のチューニングを通じて、航空機のライフサイクルを通してわずかに修正されたガイドラインを提供し、より良い燃料予測を可能にしている。
これは制限があり、特に航空機の性能に影響を及ぼすそれぞれの特徴の進化を反映していない。
本論文の重要な貢献は,航空機の飛行中に連続的に記録される大量のデータを活用するために,機械学習の利用を促進することである。
論文 参考訳（メタデータ） (2020-05-11T17:40:17Z) - Model-Based Meta-Reinforcement Learning for Flight with Suspended
Payloads [69.21503033239985]
吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。
接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
論文 参考訳（メタデータ） (2020-04-23T17:43:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。