Determination of the typical course values of aircraft parameters for the new measurement system in the case of aircraft take-off and landing

• Autorzy: Michałowska Joanna , Tomiło Paweł

Identyfikatory

DOI

10.15199/48.2025.01.56

Warianty tytułu

PL

Określenie typowych wartości parametrów kursu samolotu dla nowego układu pomiarowego w przypadku startu i lądowania samolotu

• Języki publikacji: EN

Abstrakty

EN

The measurements were carried out in a PZL 110 Koliber 150 aircraft using two specially developed measurement systems.The first system uses an Inertial Measurement Unit with 9 degrees of freedom (accelerometer, magnetometer, gyroscope). The second measurement system is based on the use of a logarithmic power detector together with an antenna and microcontroller board. An algorithm was developed that uses an artificial neural network with a variational autoencoder architecture with LSTM layers. Empirical relationships describing the acceleration in three axes, the Euler angle, and the electric scale of the electromagnetic field were observed. It has been demonstrated on the basis of the conducted research that the use of the developed artificial neural network model will be used to generate generalized time courses of the analyzed flight parameters. This type of tool has potential use in pilot training, due to critical factors occurring during the takeoff and landing phases.

PL

Pomiary przeprowadzono w samolocie PZL 110 Koliber z wykorzystaniem opracowanych specjalistycznych dwóch systemów pomiarowych. Pierwszy system wykorzystuje jednostkę pomiaru bezwładnościowego z 9 stopniami swobody (akcelerometr, magnetometr, żyroskop). Drugi system pomiarowy opiera się na wykorzystaniu logarytmicznego detektora mocy wraz z anteną i płytką mikrokontrolera. Opracowano algorytm, który wykorzystując sztuczną sieć neuronową o architekturze wariacyjnego autoenkondera z warstwami LSTM. Zaobserwowano zalezności emiryczne opisujace akcelerację w trzech osiach, kąt Eulera oraz sklałaową elektryczną pola elektromagnetycznego. Wykazano na przykładzie przeprowadzonych badań, ze wykorzystanie opracowanego modelu sztucznej sieci neuronowej posłuży do wygenerowania uogólnionych przebiegów czasowych analizowanych paramety lotu. Tego typu narzędzie ma potencjalne zastosowanie w szkoleniu pilotów, ze względu na czynniki krytyczne występujące podczas faz startu i lądowania.

Słowa kluczowe

EN

artificial neural network; variational autoencoder; aircraft; electromagnetic field

PL

sztuczna sieć neuronowa; wariacyjny autoenkoder; statek powietrzny; inercyjna jednostka pomiarowa; pole elektromagnetyczne

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2025
• Tom: R. 101, nr 1
• Strony: 261--265
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Michałowska Joanna

• Faculty of Electrical Engineering and Computer Science, Lublin University of Technology, Nadbystrzycka 38A, 20-618 Lublin

• https://orcid.org/0000-0002-2353-6305

autor

Tomiło Paweł

• Faculty of Management, Lublin University of Technology, Lublin, Nadbystrzycka 38, 20-618 Lublin

• https://orcid.org/0000-0003-4461-3194

Bibliografia

• [1] Suleman M., Gas P., Analytical, Experimental and Computational Analysis of Heat Released from a Hot Mug of Tea Coupled with Convection, Conduction, and Radiation Thermal Energy Modes, International Journal of Heat and Technology, (2024), vol. 42, no. 2, 359–372, doi: 10.18280/ijht.420201
• [2] Gas P., Miaskows ki A., Influence of the radiofrequency applicators arrangement on the sizes of ablative zones inside hepatic tumor, Archives of Electrical Engineering, (2024), 73 (3), 557-571, doi: 10.24425/aee.2024.150883
• [3] Mazurek P., Michałowska J., Kozieł J., Gad R., Wdowiak A., The intensity of the electromagnetic fields in the coverage of GSM 900, GSM 1800 DECT, UMTS, WLAN in builtup areas, Applications of Electromagnetics in Modern Techniques and Medicine, PTZE (2018), 159 – 162, doi: 10.1109/PTZE.2018.8503156
• [4] Kochan, O., Sapojnyk H., & Kochan R., Temperature field control method based on neural network, In 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), (2013), 1, 21-24, doi: 10.1109/IDAACS.2013.6662632
• [5] Jiang K., Zhang C., Wei B., Li Z., & Kochan, O., Fault diagnosis of RV reducer based on denoising time– frequency attention neural network, Expert Systems with Applications, 238, (2024), doi: 10.1016/j.eswa.2023.121762
• [6] Pytka J., Budzyński P., Tomiło P., Michałowska J., Błażejcza D., Gnapowsk E., Pytka J., Gierczak K., Measurement of aircraft ground roll distance during takeoff and landing on a grass runway, Measurement, (2022), 10.1016/j.measurement.2022.111130
• [7] Michałowska J., Tomiło P., Measurement System of an Electromagneric Field for AIircrafts with the Use of Machine Learning Model, Metrology and Measurement System, (2024), doi: 10.24425/mms.2024.150289
• [8] Tomilo P., Classification of the Condition of Pavement with the Use of Machine Learning Methods, Transport and Telecommunication, (2023), 24 (2), 158 - 166, doi: 10.2478/ttj- 2023-0014
• [9] Leleń M., Biruk -Urban K., Jozwik J., Tomilo P., Modeling and Machine Learning of Vibration Amplitude and Surface Roughness after Waterjet Cutting, Materials,(2023), 16 (19), doi.10.3390/ma16196474
• [10] Sun L., Qin H., Przystupa, K., Cui Y., Kochan O. , Skowron M., & Su, J ., A hybrid feature selection framework using improved sine cosine algorithm with metaheuristic techniques, Energies, (2022), 15 (10), doi: 10.3390/en15103485
• [11] Kingma Google, D.P., Welling M., Delft B., An Introduction to Variational Autoencoders. Foundations and Trends R in Machine Learning, (2019), doi:10.1561/2200000056
• [12] Lindemann B., Müller T., Vietz H. , Jazdi N., Weyich M., A Survey on Long Short-Term Memory Networks for Time Series Prediction, Procedia CIRP (2021), 99, 650–655, doi:10.1016/J.PROCIR.2021.03.088.
• [13]Chunkai Zhang, Yingyang Chen, Ao Yin, Zhen Qin, Xing Zhang, Kel i Zhang, Zoe L. J iang , An Improvement of PAA on Trend-Based Approximation for Time Series, Springer, (2018), doi: 10.48550/arXiv.1907.00700
• [14] Diederik P. Kingma, Max Wel l ing, An Introduction to Variational Autoencoders, Now Foundations and Trends, (2019), doi:10.1561/2200000056