"För att förverkliga den fulla potentialen hos dessa elektriska flygare behöver du ett intelligent styrsystem som förbättrar deras robusthet och särskilt deras motståndskraft mot en mängd olika fel", säger Soon-Jo Chung, Bren professor i styrning och dynamiska system på Caltech och Senior forskare vid JPL, som Caltech förvaltar åt NASA. "Vi har utvecklat ett sådant feltolerant system som är avgörande för säkerhetskritiska autonoma system, och det introducerar idén om virtuella sensorer för att detektera eventuella fel med hjälp av maskininlärning och adaptiva styrmetoder."
Flera rotorer innebär många möjliga felpunkter
Ingenjörer bygger dessa hybridelektriska flygplan med flera propellrar, eller rotorer, delvis för redundans: Om en rotor går sönder finns tillräckligt med funktionella motorer kvar för att förbli luftburna. Men för att minska energin som krävs för att flyga mellan urbana platser - säg 10 eller 20 miles - behöver farkosten också fasta vingar. Att ha både rotorer och vingar skapar dock många punkter av möjliga misslyckanden i varje flygplan. Och det lämnar ingenjörer med frågan om hur man bäst upptäcker när något har gått fel med någon del av fordonet.
Ingenjörer skulle kunna inkludera sensorer för varje rotor, men inte ens det skulle räcka, säger Chung. Till exempel skulle ett flygplan med nio rotorer behöva mer än nio sensorer, eftersom varje rotor kan behöva en sensor för att upptäcka ett fel i rotorstrukturen, en annan för att upptäcka om dess motor slutar att gå och ytterligare en för att varna när ett signalledningsproblem inträffar. "Du kan så småningom ha ett mycket redundant distribuerat system av sensorer", säger Chung, men det skulle vara dyrt, svårt att hantera och skulle öka flygplanets vikt. Själva sensorerna kan också misslyckas.
Med NFFT har Chungs grupp föreslagit ett alternativt, nytt tillvägagångssätt. Bygga på tidigare ansträngningar, har teamet utvecklat en metod för djupinlärning som inte bara kan reagera på starka vindar utan också upptäcka, i farten, när flygplanet har drabbats av ett fel ombord. Systemet inkluderar ett neuralt nätverk som är förtränat på verkliga flygdata och sedan lär sig och anpassar sig i realtid baserat på ett begränsat antal föränderliga parametrar, inklusive en uppskattning av hur effektiv varje rotor på flygplanet fungerar vid en given given tidpunkt. tid.
"Detta kräver inga ytterligare sensorer eller hårdvara för feldetektering och identifiering", säger Chung. "Vi observerar bara beteendet hos flygplanet - dess attityd och position som en funktion av tiden. Om flygplanet avviker från sin önskade position från punkt A till punkt B, kan NFFT upptäcka att något är fel och använda den information den har för att kompensera för det felet.”
Och korrigeringen sker extremt snabbt – på mindre än en sekund. "När du flyger flygplanet kan du verkligen känna skillnaden NFFT gör när det gäller att upprätthålla styrbarheten för flygplanet när en motor går sönder", säger stabsforskaren Matthew Anderson, en författare på tidningen och pilot som hjälpte till att genomföra flygtesterna. "Redesignen av realtidskontroll gör att det känns som om ingenting har förändrats, även om du precis har fått en av dina motorer att sluta fungera."
Vi introducerar virtuella sensorer
NFFT-metoden förlitar sig på kontrollsignaler och algoritmer i realtid för att upptäcka var ett fel är, så Chung säger att det kan ge alla typer av fordon i princip gratis virtuella sensorer för att upptäcka problem. Teamet har i första hand testat kontrollmetoden på de flygfordon som de utvecklar, inklusive Autonomous Flying Ambulance, ett hybridelektriskt fordon designat för att snabbt transportera skadade eller sjuka människor till sjukhus. Men Chungs grupp har testat en liknande feltolerant kontrollmetod på markfordon och har planer på att tillämpa NFFT på båtar.
Skrivet av Kimm Fesenmaier
