Enhancing Automated Flight Condition Recognition in Helicopters: A Functional Data Analysis Approach

In the recent years, the Health and Usage Monitoring Systems (HUMS) for helicopters have become of primary importance, allowing to guarantee structural integrity of the rotorcraft, increasing the level of safety and reducing the operating costs associated to maintenance. The latest works demonstrated that rather than analyzing dynamics components' behaviour over time, being able to obtain an actual and precise Design Spectrum is more effective for the estimation of the helicopter's health and usage status. This has paved the way to Flight Regime Recognition (FCR) algorithms, which enables to detect the maneuvers carried out by the aircraft through on-board sensors measurements. This work aims to support a recently developed FCR algorithm, trained and tested on a large dataset of 460 flights from two distinct helicopter models. In this Thesis a Functional Data Analysis approach has been adopted in order to improve the FCR Algorithm performance and enhance the meaning of its final output. To do that the statistical depth and the functional boxplot have been applied to the maneuvers distributions belonging to 49 different classes. The Repeatability and Similarity indexes have been defined in order to describe the classes' distribution. Specifically the former describes the maneuvers dispersion within a class, the latter expresses quantitatively how much two classes are similar. The correlation between these two metrics and the FCR algorithm performance has been investigated in order to justify why the algorithm struggles in identifying some maneuvers. With the identified patterns we have acted accordingly modifying the algorithm and, as a consequence, improving its performance. Besides that, an automated framework for the mislabelling detection based on the statistical depth has been designed for the FCR Algorithm support during the pre-processing phase. Regarding the FCR Algorithm's output enhancement, thanks to the Maneuver's Severity definition, now the target regimes are not only correctly classified but also a maneuver quality assessment of different flight categories is provided. Last but not least, the Repeatability metric is applied to different scenarios where the helicopters are engaged in different types of Missions, in order to investigate how the maneuvers’ dispersion changes. As a matter of fact, the variability in terms of magnitudes of the curves helps in defining what is the uncertainty related to the measure of Residual Useful Life of the helicopter determined by the HUMS.

Negli ultimi anni gli Health and Usage Monitorning Systems (HUMS) hanno acquisito maggiore importanza al fine di garantire integrità strutturale dell'elicottero, aumentando il livello di sicurezza e riducendo i costi operativi legati alla manutenzione. Gli ultimi studi hanno dimostrato che, piuttosto di analizzare il comportamento dinamico dei componenti dell'elicottero nel tempo al fine di rilevare guasti, essere in grado di ottenere uno spettro legato all'uso dell'elicottero veritiero e preciso è più efficace per la stima dello stato di salute e di uso dell' aeromobile. Ciò ha aperto la strada agli algoritmi di riconoscimento di manovre (FCR), che consentono di individuare le manovre attuate dall'elicottero attraverso le misurazioni effettuate da sensori di bordo. Questo lavoro ha come obiettivo quello di supportare un'algoritmo FCR di recente sviuppo, precedentemente allenato e testato su 460 voli provenienti da due modelli di elicottero diversi, al fine di incrementare le sue performance ed aumentare il significato del relativo output. Tutto ciò adottando un approccio di analisi funzionale dei dati. Nello specifico, considerando gruppi di manovre appartenenti a 49 classi diverse, sono stati applicati degli strumenti statistici conosciuti come statistical depth e functional boxplot. In seguito, al fine di analizzare le distribuzioni legate alle varie classi, abbiamo definito gli indici di Ripetibilità e Similarità. In particolare, il primo indice descrive la dispersione delle manovre appartenenti a ciascuna classe, il secondo esprime in maniera quantitativa quanto due classi siano simili. Per cercare di giustificare perchè l’algoritmo faccia fatica ad identificare alcune classi di manovre, è stata fatta un analisi di correlazione tra questi due indici e le performance dell' algoritmo. In base ai risultati ottenuti, abbiamo apportato delle modifiche all'algoritmo FCR e, conseguentemente, migliorato le sue performance. Oltre a ciò, è stato definito un nuovo approccio per il riconoscimento di mislabels basato sulla statistical depth al fine di supportare l'algoritmo nella fase di pre-processing. Riguardo al miglioramento dell'output dell'algoritmo FCR in termini di informazioni fornite, grazie alla definizione di Severità di Manovra, adesso non solo le manovre vengono classificate correttamente ma inoltre viene fornita una valutazione della qualità delle manovre relativamente alle diverse classi riconosciute. Per ultimo, l'indice di Ripetibilità è stato applicato a scenari diversi dove l'elicottero è coinvolto in tipologie di missioni differenti, al fine di capire come cambia la dispersione delle manovre all'interno delle classi. Infatti, la variabilitè in termini di forma e ampiezza delle curve, catturata dall'indice di Ripetibilità, aiuta a definire l'incertezza legala al calcolo della vita utile dell'elicottero determinata dagli HUMS.