یافتن موقعیت بهینه دستگاه سنجش فاصله باهدف کاهش ریسک و عدم قطعیت در فاز نشست هواپیما

نوع مقاله : مقاله علمی

نویسندگان
مسعود مرادی راد 1
امیررضا کوثری 2
محمدعلی امیری آتشگاه 3
1 دانشجوی دکترا، گروه مهندسی هوافضا، پردیس بین المللی کیش دانشگاه تهران، تهران، ایران.
2 دانشیار، گروه مهندسی هوافضا، دانشکده علوم و فنون نوین، دانشگاه تهران، تهران، ایران.
3 دانشگاه تهران
10.22034/stme.2024.456850.1061
چکیده
در شرایط غیرایده‌آل جوی، دستگاه سنجش فاصله برای کاهش خطا در فرود هواپیما باید در موقعیت بهینه‌ای باشند. در این راستا، منطق فازی بازه‌ای به‌عنوان روشی کارآمد در تعیین موقعیت بهینه دستگاه سنجش فاصله استفاده می‌شود. با این روش، فاکتورهایی نظیر شرایط هوا، مسیر پرواز و سایر متغیرهای مرتبط، به صورت فازی ارزیابی و موقعیت بهینه دستگاه سنجش فاصله تعیین می‌شود. زمانی که فاصله‌های غیر یکسان از باند فرود نرمال برای هر یک از سنجش‌گرها برقرار باشد، نیاز به شناسایی مناسب‌ترین مکان جهت قرارگیری سنجش‌گر ثانویه وجود دارد. به همین منظور سیستم به صورت پویا طراحی شده‌است، به شکلی که پس از شناسایی سنترلاین مفروض بر اساس نحوه قرارگیری اولیه هر یک از سنجش‌گرها، درنهایت جایگاه مناسب و محل قرارگیری بهینه برای سنجش‌گر ثانویه شناسایی می‌شود. این شرایط تنها در صورت غیر یکسان بودن هر دو سنجش‌گر حاصل خواهد شد. نتایج نشان می‌دهد که استفاده از الگوریتم گرگ خاکستری تأثیر قابل‌توجهی در بهبود شرایط فرود هواپیما دارد. با استفاده از این الگوریتم، کاهش تأثیر توربولانس از 20% به 40% افزایش‌یافته است. احتمال خطای فرود نیز از 10% به 5% کاهش‌یافته و دقت اندازه‌گیری از 85% به 95% افزایش پیدا کرده است. این نتایج نشان‌دهنده بهبود قابل‌توجه در امنیت فرود هواپیما در شرایط غیرایده‌آل می‌باشد. با توجه به کاهش تأثیر توربولانس و افزایش دقت اندازه‌گیری، الگوریتم گرگ خاکستری نقش مهمی در بهبود ایمنی و کارایی فرود هواپیما ایفا می‌کند.
کلیدواژه‌ها
فرود بهینه
سیستم های ناوبری
سیستم اندازه گیری فاصله
پویاسازی مکان یابی
کاهش توربولانس
موضوعات

عنوان مقاله English

Finding the Optimal Position of the Distance Measuring Device with the Aim of Reducing Risk and Uncertainty in the Aircraft Landing Phase

نویسندگان English

Masoud Moradi Rad 1
Amirreza Kousari 2
mohammadali Amiri Atashgah 3
1 Ph.D. Student, Department of Aerospace Engineering, University of Tehran Kish International Campus, Tehran, Iran.
2 Associate Professor, Department of Aerospace Engineering, Faculty of New Science and Technology, University of Tehran, Tehran, Iran
3 Tehran university
چکیده English

Under non-ideal weather conditions, distance measuring equipment (DME) must be optimally positioned to reduce landing errors. In this context, interval type-2 fuzzy logic is used as an efficient method for determining the optimal position of the DME. With this method, factors such as weather conditions, flight path, and other related variables are evaluated fuzzily to determine the optimal position of the DME. When unequal distances from the normal landing strip exist for each of the DMEs, it is necessary to identify the most suitable location for the secondary DME. To this end, the system is designed dynamically so that after identifying the assumed centerline based on the initial placement of each DME, the optimal location for the secondary DME is ultimately determined. These conditions only apply if both DMEs have unequal distances. The results show that the use of the Grey Wolf Optimization (GWO) algorithm has a significant impact on improving aircraft landing conditions. With this algorithm, the reduction in the impact of turbulence has increased from 20% to 40%. The probability of landing error has decreased from 10% to 5%, and measurement accuracy has increased from 85% to 95%. These results indicate a substantial improvement in landing safety under non-ideal conditions. Given the reduction in the impact of turbulence and the increase in measurement accuracy, the GWO algorithm plays a crucial role in enhancing the safety and efficiency of aircraft landings.

کلیدواژه‌ها English

Optimum landing
navigation systems
distance measurement equipment
positioning dynamics
Turbulence Reduce
[1] Öztürk, Ş., & Örs, İ. (2020). An overview for effects on aerodynamic performance of using winglets and wingtip devices on aircraft. https://dergipark.org.tr/en/pub/ijaa/issue/62591/945018.
[2] Ostroumov, I., Marais, K., & Kuzmenko, N. (2022). Aircraft positioning using multiple distance measurements and spline prediction. Aviation, 26(1), 1-10. https://doi.org/10.3846/aviation.2022.16589.
[3] Pytka, J., Budzyński, P., Tomiło, P., Michałowska, J., Błażejczak, D., Gnapowski, E., ... & Gierczak, K. (2022). Measurement of aircraft ground roll distance during takeoff and landing on a grass runway. Measurement, 195, 111130. https://doi.org/10.1016/j.measurement.2022.111130
[4] Lo, S., Chen, Y. H., Enge, P., Pelgrum, W., Li, K., Weida, G., & Soelter, A. (2020). Flight test of a pseudo‐ranging signal compatible with existing distance measuring equipment (DME) ground stations. Navigation, 67(3), 567-582.  https://doi.org/10.1002/navi.376.
[5] Zhuang, H., Zhang, X., Sun, Q., & Chen, Z. (2023). Fuzzy Adaptive Sliding Mode Attitude Control of Quaternion Model for Aircraft Based on Back-stepping Method. 2023 IEEE 12th Data Driven Control and Learning Systems Conference (DDCLS), 243-248. https://doi.org/10.1109/DDCLS58216.2023.10166739.
[6] Singh, D.J., & Verma, N.K. (2022). Design of Fuzzy Control System for Generic Aircraft/UAVs. 2022 Second International Conference on Power, Control and Computing Technologies (ICPC2T), 1-6. https://doi.org/10.1109/ICPC2T53885.2022.9776784.
[7] Tang, L., Yang, M., & Sun, J. (2021). Adaptive fuzzy constraint control for switched nonlinear systems in nonstrict feedback form. International Journal of Adaptive Control and Signal Processing, 35, 1594 - 1611. https://doi.org/10.1002/acs.3277.
[8] Teimoori, M., Taghizadeh, H., Pourmahmoud, J., & Azimi, M.H. (2021). A Multi-Objective Grey Wolf Optimization Algorithm for Aircraft Landing Problem.
      https://doi.org/10.22105/jarie.2021.261337.1230.
[9] G. Feng and J. Ma, “Quadratic stabilization of uncertain discrete-time fuzzy dynamic systems,” IEEE Transactions on Circuits and Systems https://doi.org/10.1109/81.964424.
[10] Ning, B. A. I., Xiaochao, L. I. U., Juefei, L. I., Zhuangzhuang, W. A. N. G., Pengyuan, Q. I., SHANG, Y., & Zongxia, J. I. A. O. (2023). An aircraft brake control algorithm with torque compensation based on RBF neural network. Chinese Journal of Aeronautics.
https://doi.org/10.1016/j.cja.2023.06.010.
[11] Miller, J.D., Godfroy-Cooper, M., & Szoboszlay, Z.P. (2021). Degraded Visual Environment Mitigation (DVE-M) Program, Bumper RADAR Obstacle Cueing Flight Trials 2020. Proceedings of the Vertical Flight Society 77th Annual Forum. https://doi.org/10.4050/F-0077-2021-16747.
[12] Rabah, M., Haghbayan, H., Immonen, E., & Plosila, J. (2022). An AI-in-Loop Fuzzy-Control Technique for UAV’s Stabilization and Landing. IEEE Access, 10, 101109-101123. https://doi.org/10.1109/ACCESS.2022.3208685.
 
 
 

  • تاریخ دریافت 22 اردیبهشت 1403
  • تاریخ بازنگری 03 مرداد 1403
  • تاریخ پذیرش 10 مهر 1403
  • تاریخ اولین انتشار 10 مهر 1403
  • تاریخ انتشار 31 شهریور 1403