تشخیص عیب حس‌گر وضعیت هواپیمایِ بدون سرنشین بر اساس منطق فازی و با شناسایی مدلِ شبکه عصبی

تشخیص عیب در سامانه‌های هوایی جهت جلوگیری از بسیاری از حوادث همواره حائز اهمیت بوده است. انجام این فرآیند به روش‌های مختلف امکان‌پذیر می‌باشد. در این مقاله ابتدا با استفاده از داده‌های پروازیِ یک هواپیمای بدون سرنشین و به‌کارگیری شبکه عصبی، مدل هواپیما در محور عرضی شناسایی‌شده‌ است. در ادامه بر اساس مدل به‌دست‌آمده و با استفاده از منطق فازی، واحد تشخیص عیب حس‌گر وضعیت هواپیما طراحی گردید. نتایج شبیه‌سازی نشان می‌دهد، نرخ هشدارهای اضافی به‌طور متوسط یک هشدار در چهار ساعت پرواز و نرخ هشدارهای ازدست‌رفته به‌طور متوسط یک هشدار در دو ساعت پرواز می‌باشد. این مقادیر به تائید کارشناسان سامانه پهپاد رسید

UAV attitude Sensor Fault Detection Based On Fuzzy Logic and by Neural Network Model Identification

Fault detection has always been important in aviation systems to prevent many accidents. This process is possible in different ways. In this paper, we first identify the longitudinal axis plane model using neural network approach. Then based on the obtained model and using fuzzy logic, the aircraft status sensor fault detection unit was designed. The simulation results show that the fault detection system is able to work well, with additional alarms averaging 1 alert per 4hour flight and miss alert rates averaging 1 alert per 2 hours. The results are confirmed by the experts from the UAV system.