Machine learning for flight simulation

The work carried out in this thesis aims to verify the possibility of applying Machine Learning to the field of flight simulation. The topic was researched in the interest of Reiser Simulation and Training GmbH, a German company located in Bavaria, south of Munich, that produces flight simulators and maintenance rigs. The simulated aircraft is the H135, a helicopter developed by Airbus Helicopters (AH); the flight data was collected in a flight campaign previously carried out by the company. The simulated systems are the First Limit Indicator (FLI), a tool that provides the pilot with clear and simple information about engine limitations, and the helicopter engines. The results obtained by training the Machine Learning model are compared with the real data or the data simulated by the classical model. The deviation of the Machine Learning model is compared to the acceptable tolerance defined by the current European regulation present for the certification of helicopter flight simulators, EASA CS-FSTD(H). The study is developed by first giving an overview of the topics covered - Machine Learning and Flight Simulators. Subsequently, details on the characteristics of the different simulations (one for FLI and two for the engines) and their results are described. The results obtained show a possibility of application of Machine Learning, even managing to reach in some cases the performances required by EASA for the top-level flight simulators. In order to obtain Machine Learning models whose performance is comparable to a classical simulator are required a larger amount of data, more computing power to process them, and finally targeted filtering.

Il lavoro svolto in questa tesi mira a verificare la possibilità di applicare il Machine Learning al campo della simulazione di volo. L’argomento è stato studiato nell’interesse di Reiser Simulation and Training GmbH, un’azienda tedesca situata in Baviera, a sud di Monaco, che produce simulatori di volo e rig di manutenzione. Il velivolo simulato è H135, elicottero sviluppato da Airbus Helicopters (AH); i dati di volo sono stati raccolti in una campagna di volo effettuata in precedenza dall’azienda. I sistemi simulati sono lo strumento First Limit Indicator (FLI), uno strumento che fornisce al pilota una chiara e semplice informazione sulle limitazioni di motori, e i motori dell’elicottero. I risultati ottenuti allenando il modello di Machine Learning sono comparati con i dati reali o con quelli simulati dal modello classico. Il discostamento del modello di Machine Learning è confrontato con la tolleranza accettabile definita dall’attuale normativa europea presente per la certificazione dei simulatori di volo di elicotteri, EASA CS-FSTD(H). Il documento si sviluppa dando anzitutto una breve introduzione dei temi trattati – Machine Learning e Simulatori di volo. Successivamente sono riportati i dettagli sulle caratteristiche delle diverse simulazioni e i relativi risultati. I risultati ottenuti mostrano una possibilità di applicazione del Machine Learning, riuscendo anche a raggiungere in alcuni casi le prestazioni richieste da EASA per i simulatori di volo di massimo livello. Per ottenere modelli di Machine Learning le cui prestazioni sono comparabili ad un simulatore classico sono necessari una maggiore quantità di dati, maggiore potenza di calcolo per processarli, ed infine un filtraggio mirato.