[发明专利]航空电子设备中的机器学习

说明书

本文档涉及用于管理飞机的飞行的系统和方法，包括从飞机的飞行的记录中接收数据(200)的步骤；所述数据包括来自传感器的数据和/或来自机载航空电子设备的数据；基于接收到的数据(200)确定在点N处的飞机状态(220)；通过应用借助于机器学习(292)学习到的模型，基于飞机在点N处的状态(220)来确定飞机在点N+1处的状态(240)。发展描述了飞行参数SEP、FF和N1的使用；根据各种算法和神经网络的离线和/或在线无监督机器学习。描述了软件方面。

技术领域

本发明总体上涉及航空电子设备领域。特别地，本发明涉及用于预测飞机的未来状态的方法和系统。

背景技术

现有技术中已知的方法(例如，WO 2017042166或US9290262)通常基于对飞机的性能进行建模的数据集。

用于对飞机性能进行建模的各种方法是已知的。诸如“BADA”(“Base of AircraftData(飞机数据基础)”的缩写)或EUCASS(“欧洲航空航天科学会议”)的“Safety-Line(安全线)”之类的工具具有限制。BADA模型在关于推力和阻力方面受到限制。EUCASS模型仅适用于由涡轮喷气发动机推动(即，N1驱动)的飞机。

航空技术问题通常涉及许多不同的参数，并且因此，当前可用的优化收敛很少、较差或根本不收敛。当建模的过程是大规模的(并且取决于视角遵循不同的模型)时，通常会明确地观察到收敛性(或朝向局部极小值的收敛性)的这种缺乏。

基于并入飞机的物理方程的模型的方法通常取决于模型的质量和对飞机的实际行为的了解。实际上，在面对给定飞机的实际行为中的可变性时，与面对“平均”(建模的)飞机的实际行为中的可变性相比，这些模型通常并不鲁棒。

工业上需要用于优化飞机的操作中的全部或一些的改进的方法和系统。

发明内容

本文档涉及用于管理飞机的飞行的系统和方法，包括从飞机的飞行的记录中接收数据(200)的步骤；该数据包括来自传感器的数据和/或来自机载航空电子设备的数据；基于接收到的数据(200)确定在点N处的飞机状态(220)；通过应用借助于机器学习(292)学习到的模型，基于飞机在点N处的状态(220)来确定飞机在点N+1处的状态(240)。发展描述了飞行参数SEP、FF和N1的使用；根据各种算法和神经网络的离线和/或在线无监督机器学习。描述了软件方面。描述了一种用于管理飞机的飞行的方法，该方法包括以下步骤：从飞机的飞行的记录中接收数据；该数据包括来自传感器的数据和/或来自机载航空电子设备的数据；基于接收到的数据确定在点N处的飞机状态；通过应用由机器学习学习到的模型，基于飞机在点N处的状态来确定飞机在点N+1处的状态。在该实施例中，学习是端到端进行的，即，学习包括PERFDB(性能计算)步骤和TRAJ/PRED(轨迹计算)步骤；通过对输入数据实现的学习直接确定输出数据。

在一个实施例中，基于飞机在点N处的状态来确定飞机在点N+1处的状态的步骤包括以下步骤：通过应用由机器学习学习到的模型，基于在点N处的飞机状态来确定飞行参数SEP、FF和N1；以及借助于轨迹计算，基于飞行参数SEP、FF和N1的值来确定在点N+1处的飞机状态，其中，SEP值表示可用于飞机爬升的能量，FF值表示燃油重量的变化，以及N1值表示影响燃油消耗的发动机的第一级旋转速度。

在一个实施例中，机器学习是无监督的。无监督学习旨在基于未加标签的(或未标记的)数据查找下层结构。类别编号和定义未先验给出。这种类型的学习包括例如深度学习技术。与这种类型的学习相关联的优势包括对累积的大数据使用大量的计算能力，不需要人类控制以及对人类而言不一定能够理解但可能是高效的趋势、模式或关系的发现。