Machine Learning Based Fault Detection in Aircraft Sensors

Kurzfassung

Diese Arbeit befasst sich mit dem Ausbau und Verbesserung des Sensor-Health-Monitoring- Systems (SHM), das für die Erkennung von Fehlern in aufgezeichneten Sensordaten des ISTAR- Forschungsflugzeugs des Deutschen Zentrums für Luft- und Raumfahrt (DLR) entwickelt wurde, durch den Einsatz von Machine-Learning-Verfahren (ML). Zwei ML-Modelle (ein LSTM- Autoencoder und eine Transformer-Architektur) werden zu diesem Zweck entwickelt und evaluiert. Angesichts des Umfangs und der Komplexität des ursprünglichen Structural-Health- Monitoring-Problems (SHM) konzentriert sich diese Arbeit auf die Identifikation von Bias-, Drift- und Gain-Fehlern innerhalb einer ausgewählten Teilmenge der am Flugzeug eingebauten Beschleunigungssensoren und Dehnungsmessstreifen. Eine umfassende Analyse wird für die Vorbereitung und Vorverarbeitung der Modell-Eingaben durchgeführt, die auf das große Volumen und die hohe Dimensionalität der ISTAR-Daten abgestimmt ist. Beide Modelle werden in einem unüberwachten Lernkontext trainiert, um die Eingabesignale der ausgewählten Sensoren zu rekonstruieren, wobei Fehler durch Vergleich des Rekonstruktionsfehlers mit einem zeit- tolerantem, percentilbasierten Schwellwertschema erkannt werden, das die Fehlererkennungsrate und Fehlalarmrate ausbalanciert. Die Evaluierung der entwickelten Modelle an injizierten und realen Fehlern demonstriert die Fähigkeit von ML-basierten Ansätzen zur Erkennung von Sensoranomalien und hebt gleichzeitig die Herausforderungen bei der Anwendung solcher Methoden auf die experimentellen Forschungsdaten von ISTAR hervor