Augmented Imagefication: A Data-driven Fault Detection Method for Aircraft Air Data Sensors

要約

この論文では、航空機の空気データセンサー(ADS)の障害検出(FD)のための拡張イメージフィケーションと呼ばれる新しいデータ駆動型アプローチを提案します。
航空機の空気データセンサーのFD問題を例示するために、ディープニューラルネットワーク(DNN)に基づくエッジデバイス上のオンラインFDスキームが開発されています。
まず、航空機の慣性基準単位の測定値が同等の入力として採用されており、さまざまな航空機/飛行の場合に拡張できます。
トレーニング/テストデータベースに多様性(スケーラビリティ)を提供するために、6つの異なる航空機/飛行条件に関連するデータが収集されます。
次に、DNNベースの飛行状態の予測のためにAugmentedImageficationが提案されます。
生データは畳み込み演算用のグレースケール画像として再形成され、拡張の必要性が分析されて指摘されます。
さまざまな種類の拡張方法、つまり、フリップ、リピート、タイル、およびそれらの組み合わせについて説明します。結果は、画像マトリックスの両方の軸でのオールリピート操作がDNNの最高のパフォーマンスにつながることを示しています。
DNNの解釈可能性は、Grad-CAMに基づいて研究されています。これにより、DNNの理解が深まり、堅牢性がさらに強化されます。
次に、DNNモデルである、拡張されたイメージ化データを備えたVGG-16が、モバイルハードウェアの展開用に最適化されます。
DNNの剪定後、高精度(わずかに0.27%アップ)で高速(時間遅延が87.54%短縮)の軽量モデル(元のVGG-16より98.79%小さい)が得られます。
また、TPEに基づくDNNのハイパーパラメータ最適化が実装され、ハイパーパラメータの最適な組み合わせが決定されます(学習率0.001、反復エポック600、バッチサイズ100で、0.987で最高の精度が得られます)。
最後に、エッジデバイスであるJetson Nanoに基づくオンラインFD展開が開発され、航空機のリアルタイム監視が実現されます。
この方法は、他の同様の分野のFD問題に対処するのに役立つと信じています。

要約(オリジナル)

In this paper, a novel data-driven approach named Augmented Imagefication for Fault detection (FD) of aircraft air data sensors (ADS) is proposed. Exemplifying the FD problem of aircraft air data sensors, an online FD scheme on edge device based on deep neural network (DNN) is developed. First, the aircraft inertial reference unit measurements is adopted as equivalent inputs, which is scalable to different aircraft/flight cases. Data associated with 6 different aircraft/flight conditions are collected to provide diversity (scalability) in the training/testing database. Then Augmented Imagefication is proposed for the DNN-based prediction of flying conditions. The raw data are reshaped as a grayscale image for convolutional operation, and the necessity of augmentation is analyzed and pointed out. Different kinds of augmented method, i.e. Flip, Repeat, Tile and their combinations are discussed, the result shows that the All Repeat operation in both axes of image matrix leads to the best performance of DNN. The interpretability of DNN is studied based on Grad-CAM, which provide a better understanding and further solidifies the robustness of DNN. Next the DNN model, VGG-16 with augmented imagefication data is optimized for mobile hardware deployment. After pruning of DNN, a lightweight model (98.79% smaller than original VGG-16) with high accuracy (slightly up by 0.27%) and fast speed (time delay is reduced by 87.54%) is obtained. And the hyperparameters optimization of DNN based on TPE is implemented and the best combination of hyperparameters is determined (learning rate 0.001, iterative epochs 600, and batch size 100 yields the highest accuracy at 0.987). Finally, a online FD deployment based on edge device, Jetson Nano, is developed and the real time monitoring of aircraft is achieved. We believe that this method is instructive for addressing the FD problems in other similar fields.

arxiv情報

著者 Hang Zhao,Jinyi Ma,Zhongzhi Li,Yiqun Dong,Jianliang Ai
発行日 2022-06-28 13:19:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV パーマリンク