تشخيص عيب حس‌گر وضعيت هواپيمايِ بدون سرنشين بر اساس منطق فازي و با شناسايي مدلِ شبكه عصبي

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

تشخيص عيب در سامانه‌هاي هوايي جهت جلوگيري از بسياري از حوادث همواره حائز اهميت بوده است. انجام اين فرآيند به روش‌هاي مختلف امكان‌پذير مي‌باشد. در اين مقاله ابتدا با استفاده از داده‌هاي پروازيِ يك هواپيماي بدون سرنشين و به‌كارگيري شبكه عصبي، مدل هواپيما در محور عرضي شناسايي‌شده‌ است. در ادامه بر اساس مدل به‌دست‌آمده و با استفاده از منطق فازي، واحد تشخيص عيب حس‌گر وضعيت هواپيما طراحي گرديد. نتايج شبيه‌سازي نشان مي‌دهد، نرخ هشدارهاي اضافي به‌طور متوسط يك هشدار در چهار ساعت پرواز و نرخ هشدارهاي ازدست‌رفته به‌طور متوسط يك هشدار در دو ساعت پرواز مي‌باشد. اين مقادير به تائيد كارشناسان سامانه پهپاد رسيد

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 4-hour flight and miss alert rates averaging 1 alert per 2 hours. The results are confirmed by the experts from the UAV system.