<p>En patenterad metod [11] ligger till grund för utförandet av det här examensarbetet där målet var att beskriva metoden i reglertekniska termer. En lösning för att kompensera för gyrodrifter var också önskvärd. En olinjär modell som beskriver flygplanets dynamik har tagits fram och simulerats. Modellen har linjäriserats kring en trajektoria och diskretiserats för att undersöka observerbarheten för systemet. Huruvida ett system är observerbart eller inte avgör om det är möjligt eller inte att applicera ett extended kalmanfilter (EKF) på för att skatta systemets tillstånd. Kalmanfiltret används för att man inte har tillgång till mätningar på systemets alla tillstånd och måste därför skatta dem. Olika tester har gjorts för att undersöka kalmanfiltrets prestanda. Trots att kalmanfiltret är ett optimalt filter kan man inte garantera tillfredsställande resultat eftersom antalet tillgängliga mätbara tillstånd påverkar hur bra skattningar man får.</p>

En patenterad metod [11] ligger till grund för utförandet av det här examensarbetet där målet var att beskriva metoden i reglertekniska termer. En lösning för att kompensera för gyrodrifter var också önskvärd. En olinjär modell som beskriver flygplanets dynamik har tagits fram och simulerats. Modellen har linjäriserats kring en trajektoria och diskretiserats för att undersöka observerbarheten för systemet. Huruvida ett system är observerbart eller inte avgör om det är möjligt eller inte att applicera ett extended kalmanfilter (EKF) på för att skatta systemets tillstånd. Kalmanfiltret används för att man inte har tillgång till mätningar på systemets alla tillstånd och måste därför skatta dem. Olika tester har gjorts för att undersöka kalmanfiltrets prestanda. Trots att kalmanfiltret är ett optimalt filter kan man inte garantera tillfredsställande resultat eftersom antalet tillgängliga mätbara tillstånd påverkar hur bra skattningar man får.

<p>Abstract</p><p>SAAB has for a long time used user controlled pilot models in ARES. ARES is a simulation tool used in the desktop environment for simulations and calculations of the JAS 39 Gripen fighter and other aircraft. ARES stands for ”Aircraft Rigid body Engineering Simulation”. To work with these pilot models has been both time-consuming and inefficient. In this master thesis, new pilot models are developed, where parameters are automatically generated, this will result in that the user doesn’t have to put a lot of work into adjusting the gains for different manoeuvres. This is called gain scheduling.</p><p>To make this possible, simple models of the aircraft were created at different points in the envelope. These models were then used to calculate optimal controllers using LQ-control and pole placement techniques. These models and controllers were then implemented in Simulink. Simulink was then used to test the controllers before they were implemented in ARES.</p><p>Control in all modes except roll attitude and speed by throttle are based on LQ-control in pitch-, roll- and yaw-angular velocity. And through these angular velocities the other angles are controlled by simple controllers, who is generating a reference in angular velocity. The roll attitude controller is based on direct pole placement based upon desired damping and undamped natural frequency, and the speed controller is based upon a model of throttle positions in trimmed states.</p><p>The new pilot models are usable to control:</p><ul><li>Roll rate</li><li>Roll attitude</li><li>Pitch rate</li><li>Pitch attitude</li><li>Angle of attack</li><li>Load factor</li><li>Yaw attitude</li><li>Course angle</li><li>Climb angle</li><li>Mach number</li><li>Climb rate</li></ul><p>These controllers can be combined so that the aircraft can perform desired maneuvers.</p>

Abstract SAAB has for a long time used user controlled pilot models in ARES. ARES is a simulation tool used in the desktop environment for simulations and calculations of the JAS 39 Gripen fighter and other aircraft. ARES stands for ”Aircraft Rigid body Engineering Simulation”. To work with these pilot models has been both time-consuming and inefficient. In this master thesis, new pilot models are developed, where parameters are automatically generated, this will result in that the user doesn’t have to put a lot of work into adjusting the gains for different manoeuvres. This is called gain scheduling. To make this possible, simple models of the aircraft were created at different points in the envelope. These models were then used to calculate optimal controllers using LQ-control and pole placement techniques. These models and controllers were then implemented in Simulink. Simulink was then used to test the controllers before they were implemented in ARES. Control in all modes except roll attitude and speed by throttle are based on LQ-control in pitch-, roll- and yaw-angular velocity. And through these angular velocities the other angles are controlled by simple controllers, who is generating a reference in angular velocity. The roll attitude controller is based on direct pole placement based upon desired damping and undamped natural frequency, and the speed controller is based upon a model of throttle positions in trimmed states. The new pilot models are usable to control: Roll rate Roll attitude Pitch rate Pitch attitude Angle of attack Load factor Yaw attitude Course angle Climb angle Mach number Climb rate These controllers can be combined so that the aircraft can perform desired maneuvers.

This report presents the first steps of development aiming towards making, the open-source aeroelastic code, GEBTAero flight dynamics capable. The implementation was done partly in the Fortran code and part in the GEBTAero Python API with the objective of reusing as much of the existing code as possible with as little substantial architecture modification. The added capacities include the widening of the purview of the software to take into account beam assembly arranged in a plane-like structure, a trim function for the steady level flight was also implemented and the twelve degree of freedom flight mechanics system of equations was introduced in the algorithm. In this short time, unfortunately, few tests were performed fully but important foundation work giving preliminary results was carried out. This includes the verification of the structural modes simulation as well as several bug and inacuracy fixes. / Den här rapporten presenterar de första utvecklingsstegen som syftar till att göra, öppen käll aeroelastisk koden, GEBTAero flygdynamik kapabel. Implementeringen gjordes dels i Fortran-koden och dels i GEBTAero Python API med målet att återanvända så mycket av den befintliga koden som möjligt med så lite väsentlig arkitekturändring. De tillagda kapaciteterna inkluderar utvidgningen av programvaransräckvidd för att ta hänsyn till strålmontering anordnad i en flygplansliknande struktur, en “trim” funktion för jämn nivåflygning implementerades också och de tolv frihetsgraderna flygmekanik system av ekvationer introducerades i algoritmen. Under denna korta tid utfördes tyvärr få tester helt men viktigt grundarbete med preliminära resultat utfördes. Detta inkluderar verifiering av strukturlägen simulering samt flera korrigeringar av fel och felaktigheter.

The primary objective of this thesis is to evaluate the prospect of machine learning methods being used to classify flying qualities based on simulator data (with the focus being on pitch maneuvers). If critical flying qualities could be identified earlier in the verification process, they can be further invested in and focused on with less cost for design changes of the flight control system. Information from manned simulations with given flying quality levels are used to create a replication of the performed pitch maneuver in a desktop simulator. The generated flight data is represented by different measures in the classification to separately train and test the machine learning models against the given flying quality level. The models used are Logistic Regression, Support Vector Machines with radial basis functions (RBF), linear and polynomial kernels along with Artificial Neural Networks.  The results show that the classifiers correctly identify at least 80% of cases with critical flying qualities. The classification shows that the statistical measures of the time signals and first order time derivatives of pitch, roll and yaw rates are enough for classification within the scope of this thesis. The different machine learning models show no significant difference in performance in the scope of this thesis. In conclusion, machine learning methods show good potential for classification of flying qualities, and could become an important tool for evaluating flying qualities of large amounts of simulations, in addition to manned simulations. / Huvuduppgiften med detta examensarbete är att utvärdera huruvida maskininlärning kan användas för att klassificera flygkvaliteter från simulatordata (där fokus ligger på att utvärdera tippmanövrar). Om kritiska flygkvaliteter kan identifieras tidigare i verifikationsprocessen, kan resurser fokuseras för att åtgärda problemet tidigt med mindre kostnader för ändringar av styrsystemet. Information från bemannade simuleringar där flygkvalitetsnivåer har angetts av pilot används för att återskapa tippmanövern i skrivbordssimulatorn. Den genererade flygdatan representeras av olika mått i klassificeringen för att separat träna och testa maskininlärningsmodellerna mot den givna flygkvalitetsnivån. De modeller som används i rapporten är logistisk regression, stödvektormaskiner med radiella basfunktioner (RBF), linjär och polynomisk kärna samt artificiella neurala nätverk. Resultaten visar att klassificerarna korrekt identifierar över 80% av fallen med kritiska flygkvaliteter. Klassificeringen visar att statistiska mått av tidssignalen och första ordningens tidsderivator i tipp, roll och gir är tillräckligt för klassificering inom gränserna av detta examensarbete. De olika maskininlärningsmodellerna visar inga signifikanta skillnader i prestanda med datan som används. Sammanfattningsvis kan maskininlärningsmodellerna anses ha god potential för klassificering av flygkvaliteter, och kan vara ett viktigt verktyg för att klassificera flygkvaliteter för stora mängder flygdata, som komplement till bemannade simuleringar.

In recent times the unmanned quadcopter aircraft has been used for a widening range of applications, but for longer distances it still falls short of conventional airplanes in terms of energy usage. There exists hybrid configurations of unmanned aircraft which combine the mobility of quadcopters and the range of fixed-wing aircraft. The transition between the hovering mode and the gliding mode, however, is a complex non-linear control problem. To solve this a recent study applied a neural network as a closed loop controller. This controller was capable of seamless mode transition and could be trained for any copter configuration using reinforcement learning. The work presented here focuses on improvements to the method of controller design established by said study, mainly focusing on increased realism of the aerodynamic simulations and the addition of control surfaces for increased maneuverability. These improvements resulted in a lift of 37% of the total copter weight and a higher achievable top speed of 8 m/s before instability occurs. To verify these improvements were not only present in the simulations a physical prototype was also constructed which when tested succeeded in hovering flight but failed to sustain any significant forward flight. / På senare tid har obemannade quadcopters kraftigt expanderat sina användningsområden, men för längre sträckor slås de fortfarande av konventionella flygplan när det gäller energiåtgång. Det finns hybridkonfigurationer av obemannade farkoster som kombinerar quadcopterns rörlighet och räckvidden av flygplan. Övergången mellan hovrande läge och horisontell flygning är emellertid ett komplext icke-linjärt reglerproblem. För att lösa detta använde en nyligen genomförd studie ett neuralt nätverk som en regulator i ett återkopplat system. Den här styrenheten kunde sömlöst övergå mellan flyglägen och kunde tränas för valfri copterkonfiguration med hjälp av reinforcement learning. Arbetet som presenteras här fokuserar på förbättringar av metoden för regulatordesign som fastställts av nämnda studie, främst med fokus på ökad realism av de aerodynamiska simuleringarna och tillägget av kontrollytor för ökad manövrerbarhet. Dessa förbättringar resulterade i en genererad lyftkraft upp till 37% av farkostens vikt och en förhöjd maxhastighet till 8 m/s före instabilitet. För att verifiera dessa resultat i verkligheten konstruerades en fysisk prototyp som vid försök lyckades stabilisera sig i hovrande läge men inte upprätthålla någon signifikant framåtfart.