Tytuł artykułu
Treść / Zawartość
Pełne teksty:
Identyfikatory
Warianty tytułu
Model sztucznej sieci neuronowej do szacowania względnej wysokości samolotu
Języki publikacji
Abstrakty
The main purpose of the publication is to develop an artificial neural network model capable of estimating aircraft altitude based on accelerometer and gyroscope readings. The developed network structure uses LSTM, SE and transform encoder layers. Measurement data for training, validation and testing of the neural network were obtained from tests using an original measurement system developed. The developed device set was placed on the Koliber 150 aircraft. In order to verify the correctness of the model, the values estimated by the model were compared with those estimated by the Kalman filter algorithm using the double integration algorithm. The developed artificial neural network model has an overall estimation error of 7.43m, while the error for the Kalman filter was 20.27m. It has been shown that the use of the proposed model allows achieving satisfactory accuracy in aircraft altitude estimation due to the model's ability to adapt to the drift in the Inertial Measurement Unit (IMU).
Głównym celem publikacji jest opracowanie modelu sztucznej sieci neuronowej, który będzie w stanie oszacować wysokość samolotu na podstawie wskazań akcelerometru i żyroskopu. Opracowana struktura sieci wykorzystuje warstwy LSTM, SE i enkodera transformatorowego. Dane pomiarowe do uczenia, walidacji i testowania sieci neuronowej uzyskano z badan za pomocą opracowanego autorskiego system pomiarowego. Opracowane urządzenie umieszczono na samolocie Koliber 150. W celu weryfikacji poprawności modelu wartości oszacowane zostały porównane z wartościami, które oszacowano na podstawie algorytmu filtrem Kalmana z zastosowaniem algorytmu podwójnego całkowania. Opracowany model sztucznej sieci neuronowej charakteryzuje się ogólnym błędem estymacji wynoszącym 7.43m, zaś błąd dla filtru Kalmana wyniósł 20.27m. Wykazano że zastosowanie zaproponowanego modelu pozwala na osiągnięcie zadowalającej dokładności przy estymacji wysokości samolotu dzięki zdolności modelu do adaptacji do dryftu w Inercyjnej jednostce pomiarowej (IMU).
Wydawca
Czasopismo
Rocznik
Tom
Strony
116--119
Opis fizyczny
Bibliogr. 13 poz., rys., tab.
Twórcy
autor
- Faculty of Management, Lublin University of Technology, Lublin, Nadbystrzycka 38, 20-618 Lublin
autor
- Faculty of Electrical Engineering and Computer Science, Lublin University of Technology, Lublin, Nadbystrzycka 38A, 20-618 Lublin
autor
- Faculty of Management, Lublin University of Technology, Lublin, Nadbystrzycka 38, 20-618 Lublin
autor
- Faculty of Mechanical Engineering, Lublin University of Technology, Nadbystrzycka 36, 20-618 Lublin
autor
- Department of Measuring-Information Technologies, Lviv Polytechnic National University, 79013 Lviv
autor
- Faculty of Mathematics and Information Technology, Lublin University of Technology, Lublin, Nadbystrzycka 38, 20-618 Lublin
Bibliografia
- [1] Rychlicki M., Kasprzyk Z., Rosiński A., Analysis of Accuracy and Reliability of Different Types of GPS Receivers. Sensors, 20, (2020), 6498, doi:10.3390/S20226498
- [2] Noureldin A., Karamat T.B., Georgy J., Fundamentals of Inertial Navigation Satellite-Based Positioning and Their Integration. Fundamentals of Inertial Navigation Satellite-Based Positioning and their Integration, Springer, (2013), 1–313, doi:10.1007/978- 3-642-30466-8/COVER
- [3] Filippeschi A., Schmitz N., Miezal M., Bleser G., Ruffaldi E., Stricker D., Fortino G., Ghasemzadeh H., Li W., Zhang Y., et al., Survey of Motion Tracking Methods Based on Inertial Sensors: A Focus on Upper Limb Human Motion, Sensors, Vol. 17, (2017) 1257, doi:10.3390/S17061257
- [4] Jamil F., Kim D., Improving Accuracy of the Alpha–Beta Filter Algorithm Using an ANN-Based Learning Mechanism in Indoor Navigation System, Sensors, Vol. 19, (2019) 3946, doi:10.3390/S19183946
- [5] Kulisz M., Zagórski I., Józwik J., Korpysa J., Research Modelling and Prediction of the Influence of Technological Parameters on the Selected 3D Roughness Parameters as Well as Temperature Shape and Geometry of Chips in Milling AZ91D Alloy, Material, Vol. 15, (2022), 4277, doi:10.3390/MA15124277
- [6] Tomiło P., Classification of the Condition of Pavement with the Use of Machine Learning Methods. Transport and Telecommunicatio, Vol. 24, (2023), 158–166, doi:10.2478/TTJ- 2023-0014,
- [7] Revach G., Shlezinger N., Ni X., Escoriza A.L., Van Sloun R.J.G., Eldar Y.C. KalmanNet, Neural Network Aided Kalman Filtering for Partially Known Dynamics, IEEE Transactions on Signal Processing, Vol. 70, (2022) 1532–1547, doi:10.1109/TSP.2022.3158588
- [8] 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, (2024), 238, 121762
- [9] Pytka J., Budzyński P., Tomiło P., Michałowska J., Błażejczak D., Gnapowski E., Pytka J., Gierczak K., Measurement of Aircraft Ground Roll Distance during Takeoff and Landing on a Grass Runway, Measurement, Vol. 195, (2022), 111130 ,doi:10.1016/J.MEASUREMENT.2022.111130
- [10] Graves A. Supervised Sequence Labelling with Recurrent Neural Networks. Springer (2012), doi:10.1007/978-3-642- 24797-2
- [11] Hochreiter S., Schmidhuber J., Long Short-Term Memory. Neural Comput, Vol. 9, (1997), 1735–1780 doi:10.1162/NECO.1997.9.8.1735.
- [12] Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser Ł., Polosukhin I. Attention Is All You Need. Adv Neural Inf Process Syst, (2017), 5999–6009,
- [13] Hu J., Shen L., Albanie S., Sun G., Wu E., Squeeze-and- Excitation Networks, IEEE Trans Pattern Anal Mach Intell, Vol. 42,(2020) 2011–2023, doi:10.1109/TPAMI.2019.2913372
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-bde1acdc-4ef2-44d7-addb-5d279f0d80dd
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.