A Neural Network Approach For Flight Tests Optimisation

The broad range of data required by the Certification Authority pushed the aviation industry to perform an increasing number of in-flight tests. In addition to this, the required conditions in terms of weight, temperature, wind, pressure, and other physical parameters joined to the necessity of testing machines which are becoming day by day more complex and customizable in every possible condition and configuration, have brought to a stretching of the timeframe and to a considerable increase of the financial effort dedicated to the test activity. Thus, it raised the need for a predictive tool that can estimate the impact of a series of parameters on the helicopter performance in order to reduce the number of flights that are necessary to reach a given target. Starting from historical data of A109S TREKKER, a model for the estimation of pedal requests for low-speed controllability has been built. Among all the available parameters recorded during the test campaign, eight of them were found to be relevant for the estimation of the pedal request. Data has been collected, resampled, cleaned, and divided into three groups: training, validation, and testing. Then, a neural network has been trained to find a function able to link together the eight input parameters and the requested output. Finally, the obtained model has been validated using another set of data coming from a collection of tests that is representative of all the possible test conditions. The results thus obtained show an average prediction error of 3.55% on all azimuth and speed ranges. Instead, focusing only on the azimuth range that goes from 60◦ to 135◦, the average prediction error has been found to be 1.3%. This good approximation in a region that generally highlights the most critical behavior in terms of controllability opens to the possibility of making predictions in terms of maximum speed and weight that the helicopter can have, once the reference parameters and a residual safety margin for pedal stroke are fixed. That might lead to a reduction in the number of flights that are necessary to find the optimal point and, as consequence, to a significant gain in the efficiency of the flight test procedure.

La crescente mole di dati richiesta dagli enti certificatori sta spingendo l’industia aeronautica ad effettuare un numero sempre maggiore di prove di volo. In aggiunta, la necessità di testare macchine che stanno diventando giorno dopo giorno sempre più complesse e personalizzabili in ogni possibile condizione e configurazione, ha portato ad un allungamento dei tempi e ad un considerevole aumento dello sforzo finanziario dedicato alle attività di test. Da ciò, è nata la necessità di uno strumento predittivo capace di stimare l'impatto di una serie di parametri sulle performance dell'elicottero in modo da ridurre il numero di voli necessari a raggiungere un certo obiettivo. Partendo dai dati storici del A109S TREKKER, è stato creato un modello per la stima della richiesta di pedale nella la low-speed controllability. Tra tutti i dati raccolti durante le varie campagne di volo, sono stati selezionati quelli relativi ad otto parametri che sono stati ritenuti significativi per la stima della richiesta di pedale. I dati sono stati raccolti, ricampionati, puliti e divisi in tre gruppi: training, validation e test. Dopo di che, una rete neurale è stata addestrata al fine di trovare una funzione capace di legare questi parametri all'output richiesto. Infine, il modello ottenuto è stato validato utilizzando un set di dati indipendente e rappresentativo di ogni possibile condizione di test. I risultati così ottenuti mostrano un errore di previsione medio del 3.55% su tutti gi azimuth e per tutte le velocità comprese nel range in esame. Invece, focalizzandoci solamente in un range di azimuth compreso tra 60° e 135°, l'errore medio di previsione scende all' 1.3%. Questo dato è significativo in quanto 'approssimazione migliore è stata ottenuta in una regione che, generalmente, evidenzia le maggiori criticità in termini di controllabilità della macchina. Questo apre alla possibilità di fare previsioni in termini di massima velocità e peso che l'elicottero può avere una volta fissate le altre condizioni ed un valore di sicurezza arbitrario in termini di corsa residua del pedale. Questo strumento potrebbe, in futuro, condurre ad una riduzione del numero dei voli necessario a trovare i valori ottimi e, di consequenza, ad un guadagno significativo in termini di efficienza delle procedure di flight testing.