LSTM 循环神经网络辅助的飞机失速预测以增强态势感知
机器学习
2020-12-10 v1
摘要
自人类进入动力飞行以来，已有多起可归因于飞机失速的事故。多数现代飞机配备先进警告系统以警示飞行员潜在失速，以便采取必要恢复措施。但这些警告在飞机实际进入失速前窗口期往往很短，要求飞行员迅速动作以防失速。本文提出一种基于深度学习的方法，在失速警告触发前提前预测即将发生的失速。我们利用长短期记忆（LSTM）循环神经网络（RNN）的能力，提出一种从时序飞行传感器数据预测潜在失速的新方法。探索了三种不同神经网络架构。在 26400 秒模拟器飞行数据上训练的神经网络模型能以 >95% 准确率在失速警告触发前约 10 秒预测潜在失速。这可显著增强飞行员应对意外失速的准备，并为传统失速警告系统增加一层安全冗余。
引用
@article{arxiv.2012.04876,
title = {LSTM recurrent neural network assisted aircraft stall prediction for enhanced situational awareness},
author = {Tahsin Sejat Saniat and Tahiat Goni and Shaikat M. Galib},
journal= {arXiv preprint arXiv:2012.04876},
year = {2020}
}