Vergleichende Betrachtung von Deep-Learning-Ansätzen zur automatischen Detektion von Flugmanövern

Abstract

In der vorliegenden Arbeit werden unterschiedliche Ansätze des Deep Learning hinsichtlich der Problemstellung einer automatisierten Erkennung von Flugmanövern miteinander verglichen. Dazu wurden aus dem Stand der Forschung Modellstrukturen für einen ResNet-, einen LSTM- und einen MLP-Ansatz abgeleitet, die anhand von Qualitätskriterien zur Bewertung von Machine-Learning-Modellen einander gegenübergestellt wurden. Zum Training der Modelle wurden Flugdaten aus der Messanlage eines Forschungsflugzeugs des Deutschen Zentrums für Luft- und Raumfahrt verwendet, die im Vorfeld gelabelt, analysiert und aufbereitet wurden. Insgesamt wurden im Zuge dessen 10 Flugmanöver gelabelt. Zu betonen sind der ResNet- und der LSTM-Ansatz, für die jeweils Sensitivitäten von 81,5 % und 91,04 % erzielt werden konnten. Die Tests der Modelle zeigten jedoch, dass die Modelle noch stark überangepasst sind und sich daher noch keiner der betrachteten Ansätze für den Einsatz im Echtzeitbetrieb eignet. Zwar ging aus den Ergebnissen des Vergleichs hervor, dass sich von den drei ausgewählten Ansätzen der LSTM-Ansatz am besten für den Einsatz zur Flugmanöverdetektion eignet. Allerdings zeigten die Ergebnisse ebenso das Potenzial des bisher kaum verwendeten ResNet-Ansatzes für das noch wenig erforschte Feld der Flugmanöverdetektion. Abschließend wurde der Einfluss möglicher Optimierungsansätze für den LSTM-Ansatz erprobt, woraus die Anpassung der Sequenzlänge als vielversprechendste Verbesserungsmaßnahme hervorging.