Segmentation of Flight Stages: An Unsupervised Learning Model for Aviation Data

Uçuş Aşamalarının Bölümlendirilmesi: Havacılık Verilerinde Gözetimsiz Öğrenme Uygulaması

Abstract

Due to their functions and characteristics, the aircrafts function in multiple variable regimes throughout their operations. In the cases of take-off, landing, climbing, cruise flight, rolling etc., the condition monitoring data from an aircraft differ and their values vary according to the environment and applications in which they are in. In this article, it is aimed to classify the flight data clustersin the same group as more distinctive than other clusters and to determine flight regimes for these data. For this purpose, the "Self-Organizing Maps" method, which uses a type of unsupervised neural network training, is used and the clustering is completed with a competitive learning and mapping system. Thus, it is possible to work on regime basis by marking different data in multiple regime dimensions.

Özet

Hava araçları, işlevleri ve yapıları gereği, bulundukları operasyon boyunca birden fazla değişken rejimiçinde bulunmaktadırlar. Kalkış, iniş, tırmanış, düz uçuş, yatay düzlemde dönüş vb durumlarda havaaracından elde edilen veriler farklılık göstermekte ve sinyal değerleri içinde bulundukları çevre veuygulamalara göre değişmektedir. Bu makalede, aynı grupta bulunan uçuş veri kümelerinin diğer verikümelerine göre daha ayırt edici olan karakteristik özelliklerine göre sınıflandırılması ve uçuşrejimlerinin bu kümeler amacıyla saptanması amaçlanmıştır. Bu amaçla, yapay sinir ağlarının gözetimsizbir eğitim biçimini kullanan "Özdüzenleyici Haritalar" yöntemi kullanılmış ve bölümlendirme işlemirekabetçi öğrenme ve haritalama sistemiyle tamamlanmıştır. Böylece, birden fazla boyutta bulunanfarklı verilerin işaretlenerek, rejim bazında çalışılmasına olanak sağlanmıştır.