Fault Detection and Flight Data Measurement: Demonstrated on Unmanned Air Vehicles using Neural Networks

این کتاب دو موضوع رایج را در نظر می‌گیرد: تشخیص و جداسازی خطا (FDI) و تخمین داده‌های پرواز با استفاده از سیستم‌های سنجش داده‌های هوای روان (FADS). بررسی ادبیات، آزمایش مقایسه، شبیه سازی و آزمایش تونل باد انجام می شود. در هر دو مورد، یک پلت فرم پهپاد برای اهداف نمایشی در نظر گرفته شده است. در بخش اول کتاب، FDI برای خطاهای حسگر در نظر گرفته شده است که در آن یک رویکرد شبکه عصبی پیاده سازی شده است. FDI هم در دانشگاه و هم در صنعت استفاده می شود و در نتیجه انتشارات زیادی در 50 سال گذشته منتشر شده است. با این حال تعداد کمی از نشریات شبکه‌های عصبی را در مقایسه با تکنیک‌های سنتی مانند برآوردهای مبتنی بر ناظر، تخمین پارامترها و رویکردهای فضای برابری در نظر می‌گیرند. بخش دوم این کتاب بر چگونگی تخمین داده های پرواز (زاویه حمله، سرعت هوا) با استفاده از ماتریس سنسورهای فشار و مدل شبکه عصبی تمرکز دارد. در نتیجه، این کتاب می تواند به عنوان مقدمه ای بر سیستم های FDI و FADS، بررسی ادبیات و مطالعه موردی برای کاربردهای پهپاد عمل کند.

This book considers two popular topics: fault detection and isolation (FDI) and flight data estimation using flush air data sensing (FADS) systems. Literature surveys, comparison tests, simulations and wind tunnel tests are performed. In both cases, a UAV platform is considered for demonstration purposes. In the first part of the book, FDI is considered for sensor faults where a neural network approach is implemented. FDI is applied both in academia and industry resulting in many publications over the past 50 years or so. However few publications consider neural networks in comparison to traditional techniques such as observer based, parameter estimations and parity space approaches. The second part of this book focuses on how to estimate flight data (angle of attack, airspeed) using a matrix of pressure sensors and a neural network model. In conclusion this book can serve as an introduction to FDI and FADS systems, a literature survey, and a case study for UAV applications.