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.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-302145 |
| Date | January 2021 |
| Creators | Isaksson, Ola |
| Publisher | KTH, Flygdynamik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2021:164 |
Page generated in 0.002 seconds