Segmentation of Flight Stages: An Unsupervised Learning Model for Aviation Data

Year 2020, , 1178 - 1186, 31.12.2020

Oğuz Bektaş

https://doi.org/10.35414/akufemubid.698756

Cited By: 2

Abstract

Due to their functions and characteristics, the aircrafts function in multiple variable regimes throughout their operations. In the cases of take-off, landing, climbing, cruise flight, rolling etc., the condition monitoring data from an aircraft differ and their values vary according to the environment and applications in which they are in. In this article, it is aimed to classify the flight data clusters in the same group as more distinctive than other clusters and to determine flight regimes for these data. For this purpose, the "Self-Organizing Maps" method, which uses a type of unsupervised neural network training, is used and the clustering is completed with a competitive learning and mapping system. Thus, it is possible to work on regime basis by marking different data in multiple regime dimensions.

Keywords

Aerospace, Aircrafts, Flight Data and Regimes, Unsupervised Learning, Self-Organizing Maps, Clustering

Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması

Abstract

Hava araçları, işlevleri ve yapıları gereği, bulundukları operasyon boyunca birden fazla değişken rejim içinde bulunmaktadırlar. Kalkış, iniş, tırmanış, düz uçuş, yatay düzlemde dönüş vb durumlarda hava aracından elde edilen veriler farklılık göstermekte ve sinyal değerleri içinde bulundukları çevre ve uygulamalara göre değişmektedir. Bu makalede, aynı grupta bulunan uçuş veri kümelerinin diğer veri kümelerine göre daha ayırt edici olan karakteristik özelliklerine göre sınıflandırılması ve uçuş rejimlerinin bu kümeler amacıyla saptanması amaçlanmıştır. Bu amaçla, yapay sinir ağlarının gözetimsiz bir eğitim biçimini kullanan "Özdüzenleyici Haritalar" yöntemi kullanılmış ve bölümlendirme işlemi rekabetçi öğrenme ve haritalama sistemiyle tamamlanmıştır. Böylece, birden fazla boyutta bulunan farklı verilerin işaretlenerek, rejim bazında çalışılmasına olanak sağlanmıştır.

Keywords

Havacılık, Hava Araçları, Uçuş Verileri ve Rejimleri, Gözetimsiz Öğrenme, Özdüzenleyici Haritalar Yöntemi, Kümeleme

References

• Aballe, A., Bethencourt, M., Botana, F., and Marcos, M. 1999. Using wavelets transform in the analysis of electrochemical noise data. Electrochimica Acta, 44(26), 4805-4816.
• Bektaş, O. 2020a. Kestirimci Bakım İçin Döner Mekanizma Bozulma Eğrisinin Tanımlanması. Avrupa Bilim ve Teknoloji Dergisi, (19), 420-428. DOI: 10.31590/ejosat.708257
• Bektaş, O. 2020b. Uçak İtki Takatinin Segmentasyonu. 8. Ulusal Havacılık Ve Uzay Konferansı (UHUK'2020) , Ankara, Turkey.
• Bracewell, R. N. 1986. The Fourier transform and its applications. New York: McGraw-Hill.
• Chui, C. K., and Chen, G. 2017. Kalman filtering. Springer International Publishing, 19-26.
• Garguet-Duport, B., Girel, J., Chassery, J. M., and Patou, G. 1996. The use of multiresolution analysis and wavelets transform for merging SPOT panchromatic and multispectral image data. Photogrammetric Engineering and remote sensing, 62(9),1057-1066.
• Jack Lam, S. S. 2014. Enhanced trajectory based similarity prediction with uncertainty quantification. Annual Conference of the Prognostics and Health Management Society, 623-634.
• Koçyiğit, Y., and Korürek, M. 2010. EMG işaretlerini dalgacık dönüşümü ve bulanık mantık sınıflayıcı kullanarak sınıflama. İTÜDERGİSİ, 4(3).
• Kohonen, T. 1990. The self-organizing map. Proceedings of the IEEE, 78(9): 1464-1480. Kohonen, T. 2001. Self-Organizing Maps. In Springer Series in Information Sciences, 30, 501.
• Lindon, J. C., and Ferrige, A. G. 1980. Digitisation and data processing in Fourier transform NMR. Progress in Nuclear Magnetic Resonance Spectroscopy, 14(1), 27-66.
• McLachlan, G., and Peel, D. 2004. Finite mixture models. John Wiley & Sons.
• Ozaktas, H., and Kutay, M. 2001. The fractional Fourier transform. European Control Conference (ECC) IEEE, 1477-1483.
• Özçalıcı, M. 2017. Özdüzenleyici Haritalar Yardımıyla Piyasa Bölümlendirmesi: Türkiye İkinci El Otomobil Piyasası Örneği. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi, 12(2), 23-36.
• Özçalıcı, M. 2016. Hisse Senetlerinin Özdüzenleyici Haritalarla Kümelendirilmesi: BIST50 Endeksinde Yer Alan Hisseler Üzerine Bir Uygulama. Istanbul University Journal of the School of Business, 45(1), 22-33.
• Peter Wittek, S. C. 2017. Somoclu: An Efficient Parallel Library for Self-Organizing Maps . Journal of Statistical Software, 78(9), 1-21 .
• Ramasso, E. 2014. Investigating computational geometry for failure prognostics. International Journal of Prognostics and Health Management, 5(1), 1-18.
• Saxena, A., Goebel, K., Simon, D., & Eklund, N. 2008. Damage propagation modeling for aircraft engine run-to-failure simulation. International Conference on Prognostics and Health Management. Denver: IEEE.
• Sugeno, M. 1993. Fuzzy hierarchical control of an unmanned helicopter. Fifth IFSA World Congress, Seoul, 179-182.
• Wittek, P., 2013. Somoclu: An efficient distributed library for self-organizing maps. arXiv, 1305.1422, 1-7.
• Wittek, P., Gao, S. C., Lim, I. S., & Zhao, L. 2017. Somoclu: An Efficient Parallel Library for Self-Organizing Maps. Journal of Statistical Software, 78(9), 1-21