elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins

Arts, Emy und Kamtsiuris, Alexander und Meyer, Hendrik und Raddatz, Florian und Peters, Annika und Wermter, Stefan (2022) Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins. Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V.. DLRK2021, 2021-08-31 - 2021-09-02, Bremen. doi: 10.25967/550191.

[img] PDF
850kB

Kurzfassung

Analysis of aircraft trajectory data is used in different applications of aviation research. Areas such as Maintenance, Repair and Overhaul (MRO) and Air Traffic Management (ATM) benefit from a more detailed understanding of the trajectory, thus requiring the trajectory to be divided into the different flight phases. Flight phases are mostly computed from the aircraft’s internal sensor parameters, which are very sensitive and have scarce availability to the public. This is why identification on publicly available data such as Automatic Dependent Surveillance Broadcast (ADS-B) trajectory data is essential. Some of the flight phases required for these applications are not covered by state-of-the-art flight phase identification on ADS-B trajectory data. This paper presents a novel machine learning approach for more detailed flight phase identification. We generate a training dataset with supervised simulation data obtained with the X-plane simulator. The model combines K-means clustering with a Long Short-Term Memory (LSTM) network, the former allows the segmentation to capture transitions between phases more closely, and the latter learns the dynamics of a flight. We are able to identify a larger variety of phases compared to state of the art and adhere to the International Civil Aviation Organisation (ICAO) standard.

elib-URL des Eintrags:https://elib.dlr.de/187792/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Arts, EmyEmy.Arts (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kamtsiuris, AlexanderAlexander.Kamtsiuris (at) dlr.dehttps://orcid.org/0000-0001-5824-8066NICHT SPEZIFIZIERT
Meyer, HendrikHendrik.Meyer (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Raddatz, FlorianFlorian.Raddatz (at) dlr.dehttps://orcid.org/0000-0002-0660-7650NICHT SPEZIFIZIERT
Peters, Annikaapeters (at) informatik.uni-hamburg.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Wermter, Stefanwermter (at) informatik.uni-hamburg.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:3 August 2022
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
DOI:10.25967/550191
Verlag:Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V.
Status:veröffentlicht
Stichwörter:Machine Learning, Long Short-Term Memory, Digital Twin, Maintenance Repair and Overhaul,
Veranstaltungstitel:DLRK2021
Veranstaltungsort:Bremen
Veranstaltungsart:nationale Konferenz
Veranstaltungsbeginn:31 August 2021
Veranstaltungsende:2 September 2021
Veranstalter :DGLR
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Luftfahrt
HGF - Programmthema:Effizientes Luftfahrzeug
DLR - Schwerpunkt:Luftfahrt
DLR - Forschungsgebiet:L EV - Effizientes Luftfahrzeug
DLR - Teilgebiet (Projekt, Vorhaben):L - Digitale Technologien
Standort: Hamburg
Institute & Einrichtungen:Institut für Instandhaltung und Modifikation > Prozessoptimierung und Digitalisierung
Hinterlegt von: Arts, Emy
Hinterlegt am:15 Aug 2022 07:40
Letzte Änderung:24 Apr 2024 20:49

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.