Predicting trim parameter of an aircraft using ANFIS

Abstract

Aircrafts have an important role in transportation because they are fast, safe and comfortable. Aircrafts are mostly exposed to weather conditions and external cases affecting flight comfort and safety during take-off and landing. To prevent shocks and oscillations caused by these cases and to maintain the balance and stability of an aircraft, horizontal stabilization is adjusted using trim value. Determination of suitable trim value is important for flight comfort. In this study, the prediction of the trim value of an Airbus A319 using the Adaptive Network-Based Fuzzy Inference System (ANFIS) is emphasized. Different ANFIS models are trained and tested using four different membership functions. Actual flight data taken from black box of an Airbus A319 are used in these training and test procedures. In this study, it is shown that the models designed using ANFIS have been successful to predict real trim values.

Keywords

• ANFIS
• Aircraft
• Trim
• Balance and stability

Uçağın trim parametresinin ANFIS kullanılarak tahmin edilmesi

Öz

Uçaklar, hızlı, güvenli ve konforlu olmalarından dolayı ulaşım sektöründe önemli bir yere sahiptir. Uçaklar, en çok kalkış ve iniş esnasında, uçuş konfor ve güvenliğini etkileyen hava olaylarına ve dış etmenlere maruz kalmaktadır. Bu etmenlerin meydana getirdiği sarsıntı ve salınımları önlemek, uçağın denge ve kararlılığını korumak için yatay stabilize ile trim verilir. Bu trim değerinin belirlenmesi, uçuş konforu için önemlidir. Bu çalışmada uçağın trim değerinin uyarlamalı ağ tabanlı bulanık çıkarım sistemi (Adaptive Network Based Fuzzy Inference System, ANFIS) ile tahmini üzerinde durulmuştur. Oluşturulan ANFIS modellerinde 4 farklı üyelik fonksiyonu kullanılarak, eğitim ve test işlemleri yapılmıştır. Bu eğitim ve test işlemlerinde, Airbus A319 uçağının kara kutusundan alınan gerçek uçuş verileri kullanılmıştır. Bu çalışmada ANFIS kullanılarak yapılan modellemelerin, gerçek trim değerinin tahmininde başarılı olduğu görülmüştür.

Anahtar Kelimeler

• ANFIS
• Hava Aracı
• Trim
• Denge ve kararlılık

Kaynakça

1. M. Güngör, Cumhuriyetin Kuruluşundan Bugüne Yerli Uçak Üretimi ve Havayolu Taşımacılığı. Yüksek Lisans Tezi. İstanbul Üniversitesi, Sosyal Bilimler Enstitüsü, İstanbul, 2019.
2. TTS, Module 13 – Aircraft Aerodynamics, Structures and Systems for EASA Part 66, TTS- Total Training Support Ltd, United Kingdom, 2016.
3. ICAT, Module 13- Aircraft Aerodynamics, Structures & Systems, International Centre for Aerospace Training, United Kingdom, 2014.
4. M. Konar and A. Bağış, Uçuş kontrol sistemi hız ve yakıt parametrelerinin ANFIS ve yapay sinir ağları kullanılarak eşzamanlı hesaplanması. IEEE 24. Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU’2016), 1389-1392, 2016.
5. E. Lakovic and D. Lotinac, Aircraft landing control using fuzzy logic and neural networks. Sweden: IRCSE, Mälardalen University, 2010.
6. K. Terrell and S. Zein-Sabatto, Intelligent reconfigurable control system for aircraft flight control. IEEE SoutheastCon, pp. 1-7, 2017.
7. D. M. Liu, G. Naadimuthu and E. S. Lee, Trajectory tracking in aircraft landing operations management using the adaptive neural fuzzy inference system. Computers & Mathematics with Applications, 56(5), Sep., 1322-1327, 2008. https://doi.org/10.1016/ j.camwa.2007.11.052
8. İ. Türkmen and Y. Korkmaz, Uçaklardaki hava veri bilgisayarında basınç irtifasının bulanık mantık sistemine dayalı uyarlanır ağ ile hesaplanması. IEEE 19th Signal Processing and Communications Applications Conference (SIU’2011), pp. 1141-1144. 2011.https://doi.org/10.1109/SIU.2011.5929857

9. A. K. Singh and R. Dahiya, Dynamic modeling and control of aircraft surfaces using hybrid intelligent controllers. IOSR Journal of Electrical and Electronics Engineering, 12,(6), 21-40, 2017. https://doi.org/ 10.9790/1676-1206012140
10. A. Al-Mahadin and F. Bouslama, Neuro-fuzzy techniques for the identification of aircraft wake vortex encounters. Advances in Science and Engineering Technology International Conferences -ASET, pp. 1-6, 2018. https://doi.org/10.1109/ICASET.2018.8376808
11. M. N. Raheema and A. S. Abdullah, Design of prediction system for aircraft's position based on inverse control technique using adaptive neuro-fuzzy interference system (ANFIS). Journal of University of Babylon, Pure and Applied Sciences, 27(1), 238-247, 2019.https://doi.org/ 10.29196/jubpas.v27i1.2117
12. L. Yingjie and W. Baoshu, Study on the control course of ANFIS based aircraft auto-landing. Journal of Systems Engineering and Electronics, 16(3), 583-587, 2005.
13. A. G. Roy and N. K. Peyada, Aircraft aerodynamic parameter estimation using ANFIS-PSO method. International Conference on Theoretical, Applied, Computational and Experimental Mechanics (ICTACEM), 2014.
14. A. Kumar, and A. K. Ghosh, ANFIS-Delta method for aerodynamic parameter estimation using flight data. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 233(8), 3016-3032, 2019. https://doi.org/10.1177/2F09544 10018791621
15. M. Konar and A. Bağış, Uçuş kontrol sistemi hız parametresinin adaptif ağ yapılı bulanık sonuç çıkarım sistemi kullanılarak belirlenmesi. IEEE 17. Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU’2009), Antalya, Türkiye, sayfa.993-996, 2009.
16. C. M. Ezhilarasu and I. K. Jennions, A system-level failure propagation detectability using ANFIS for an aircraft electrical power system. Applied Sciences, 10(8), 1-22, 2020.https://doi.org/ 10.3390/app10082854
17. A. Bagis and M. Konar, ABC and DE algorithms based fuzzy modeling of flight data for speed and fuel computation. International Journal of Computational Intelligence Systems, 11(1), .790-802, 2018. https://dx.doi.org/10.2991/ijcis.11.1.60
18. J. S. R. Jang, ANFIS: Adaptive-Network-Based Fuzzy Inference System. Transactions on Systems Man and Cybernetics, 23(3), 665-685, 1993.https://doi.org/ 10.1109/21.256541
19. O. Doğan, Uyarlamalı sinirsel bulanık çıkarım sisteminin (ANFIS) talep tahmini için kullanımı ve bir uygulama. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 31(1), 257-288, 2016. https://doi.org/10.24988/deuiibf.2016311513
20. E. L. Lehmann, and G. Casella, Theory of point estimation. New York: Springer, 1998.https://doi.org/ 10.1007/b98854