الگوریتم شناسایی مانور پروازی بالگرد مبتنی بر فیلتر کالمن توسعه‌یافته تطبیقی

تفکیک شرایط پروازی جهت محاسبه زمان سپری شده در هر یک از آنها، برای پایش میزان بهره‌برداری بالگرد ضروری است. خلبانان در حین عملیات، رژیم‌های پروازی مختلفی را اجرا می‌کنند که هر یک را با ترکیبی از پارامترها تشخیص می‌دهند. از این رو، رژیم‌های پروازی بالگرد را می‌توان به صورت برداشت کیفی و توصیفی خلبانان از حالت پروازی، تعریف کرد. با این وجود، رابطه بین پارامترهای پروازی و مانورها یک تابع بسیار پیچیده بوده و مدل ریاضی دقیقی برای شناسایی رژیم پروازی در دسترس نیست. در این پژوهش تلاش شده است با بهره‌گیری از بیان توصیفی خلبانان، ابزاری جهت شناسایی رژیم‌های پروازی بالگرد فراهم گردد. بدین منظور، با ایجاد یک ماتریس اتصال مبتنی بر توصیف مانور، داده‌های اندازه‌گیری شده در حالت ‌پروازی فیلتر شده و به کمک الگوریتم شناسایی، رژیم‌های پروازی بالگرد شناسایی می‌گردند. الگوریتم شناسایی رژیم پروازی مبتنی بر روش داده‌کاوی، بر اساس فیلتر کالمن توسعه‌یافته تطبیقی (aekf) ارائه شده است. استفاده از الگوریتم aekf منجر به عدم نیاز به بانک داده مفصل، کاهش حساسیت به مقادیر اولیه و تغییرات و همچنین افزایش دقت تخمین با گذشت زمان، بر خلاف روش‌های موجود شناسایی برخط مانورهای بالگرد شده است. توانایی الگوریتم پیشنهادی، با داده‌های شبیه‌سازی پروازی حاصل از یک مدل دینامیکی بالگرد صحه‌گذاری شده، ارزیابی شده است.

Helicopter flight maneuver recognition algorithm based on adaptive extended Kalman filter

The flight condition distinguishing is essential for calculation of elapsed time in each regime. The pilots perform different flight regimes during operation which recognize them by combination of flight parameters. Thus, the flight regimes can be defined based on the qualitative descriptions by pilots. Nevertheless, the relation between flight parameters and maneuvers is so complicated and there is no precise mathematic model for flight regime recognition. In this research, a flight regime recognition algorithm is developed based on the qualitative description of maneuvers. A connection matrix is formed using maneuver description to filter the measured flight data and the algorithm identifies the flight regimes. The proposed flight regime recognition algorithm utilized the adaptive extended Kalman filter (AEKF). Using AEKF results in no need for big flight data bank, less sensitivity to initial values and variations, and increases the accuracy during time in contrast with the exiting online regime recognition methods. The algorithm effectiveness is evaluated for the simulated flight data from a validated helicopter dynamic model.