Application des techniques d'apprentissage automatique pour la détection et la prédiction de turbulence d'aéronefs en vol

    Li, Tianyi (1993-....) (2023)
Thèse
Accès libre
    • Application des techniques d'apprentissage automatique pour la détection et la prédiction de turbulence d'aéronefs en vol
    • Machine Learning for the real time detection and prediction of atmospheric turbulence on board of the aircraft
    • 4 septembre 2023
    • turbulence en vol
    • apprentissage automatique
    • séries temporelle
    • Intelligence Artificielle
    • turbulence
    • machine learning
    • time series
    • Artificial Intelligence
    • Les phénomènes de turbulence atmosphérique sévère sont la principale cause de blessures en vol dans le transport aérien civil. Leur fréquence et leur gravité augmente en raison des changements climatiques. Il n'y a pas de méthode embarquée de détection de turbulence précise et fiable à court terme.

      Pour résoudre ce problème, nous présentons dans cette thèse FUTURA (FUnctional shape feature for real time TURbulence Alerting), une approche basée sur les données pour la détection de la turbulence en temps réel qui utilise uniquement les données de capteurs déjà existantes à bord de l'avion. FUTURA fusionne trois technologies : le filtre de Kalman, l'analyse des données fonctionnelles et la détection d'anomalies des séries temporelles pour une identification précoce de la turbulence. Dans la première étape, nous proposons d'utiliser le filtre de Kalman en régime stationnaire pour approximer les signaux bruts de manière récursive. L'approximation fonctionnelle ne permet pas seulement d'éliminer implicitement le bruit des données, mais également de tirer parti des propriétés mathématiques des fonctions approximées. Dans la deuxième étape, les caractéristiques géométriques fonctionnelles sont extraites de l'approximation fonctionnelle obtenue lors de la première étape. Les caractéristiques géométriques extraites capturent la relation entre plusieurs variables et fournissent une nouvelle représentation des données originales qui peut nous aider à mieux identifier les comportements anormaux dans les séries temporelles multivariées. Pour finir, une technique de détection d'anomalies de séries temporelles est utilisée sur les caractéristiques géométriques extraites afin d'attribuer un score d'anomalie à chaque instance. En considérant les turbulences comme des anomalies et en établissant un seuil sur les scores d'anomalie, nous pouvons distinguer parmi les vols lesquels rencontreront prochainement des turbulences.

      Afin d'examiner les performances de FUTURA, une série d'expériences est réalisée. La méthode est évaluée en utilisant des données des séries temporelles multivariées provenant de vols ayant rencontré différents niveaux de perturbation d'air, y compris des turbulences sévères, et des comparaisons sont effectuées avec des méthodes basées sur Gradient Boosting utilisées dans la littérature récente pour la prédiction de la turbulence. Les expérimentations démontrent que FUTURA est capable d'identifier 40% des turbulences sévères (taux de vrais positifs) 30 secondes à l'avance tout en maintenant un taux de faux positifs nul, ce qui surpasse non seulement les méthodes basées sur Gradient Boosting, mais répond également à l'exigence d'absence de fausses alarmes pour optimiser l'expérience passager et la fiabilité opérationnelle de l'avion.
    • Severe atmospheric turbulence phenomena are the leading causes of in-flight injuries in civil air transport in the context of the increasing frequency and severity of turbulence due to climate changes. There is no precise and reliable short term on-board turbulence prediction method.

      To address this problem, in this thesis, we propose FUTURA (FUnctional shape feature for real time TURbulence Alerting), a data-driven approach for real time turbulence prediction that utilizes only the sensor data already existing on-board of the aircraft. FUTURA fuses the three technologies, namely Steady State Kalman Filter (SSKF), Functional Data Analysis (FDA) and time series anomaly detection for turbulence early identification.

      In the first step, we put forward Steady State Kalman Filter (SSKF) to approximate raw signals in a recursive manner. The functional approximation can not only implicitly remove the data noise, but also allow us to make use of the mathematical properties of the approximated functions. In the second step, functional shape features are extracted from the functional approximation obtained in the first step. The extracted shape features capture the relationship among multiple variables and provide a new representation of original data that can help us better identify the abnormal behavior in multivariate time series data. Finally, a time series anomaly detection method is applied on the extracted shape features to give an anomaly score to each instance. Turbulence is considered as an anomaly and by setting a threshold on anomaly scores, we can distinguish which flights will shortly encounter turbulence and which flights will not.

      To investigate the performance of FUTURA, a sequence of experiments are conducted. The method is evaluated using multivariate time series sensor data coming from flights that encountered different levels of air disturbance including severe turbulence and comparisons are made with Gradient Boosting based methods that are utilized in the recent literature for turbulence prediction task. Experimental results show that FUTURA can distinguish 40 % of the severe turbulence cases (true positive rate) 30 seconds in advance while keeping a zero false positive rate, which not only outperforms the gradient boosting based methods, but also meets the zero false alarm requirement for optimizing the passenger experience and the aircraft operational reliability.
    • Accès libre

Citation bibliographique

Li, Tianyi (1993-....) (2023), Application des techniques d'apprentissage automatique pour la détection et la prédiction de turbulence d'aéronefs en vol [Thèse]