Description du projet
L’analyse des mégadonnées et l’intelligence artificielle améliorent les essais et la conception des giravions
Les instruments et les capteurs des aéronefs génèrent de grandes quantités de données pendant les vols d’essai des prototypes, qui ne peuvent être évaluées correctement avec les méthodes et les plateformes conventionnelles. Cela nous empêche de tirer pleinement parti des nouvelles technologies numériques pour renforcer et améliorer la façon dont les essais en vol sont conçus. Par ailleurs, le secteur des essais en vol n’a pas complètement adopté les avantages potentiels des nouveaux algorithmes d’intelligence artificielle (IA) et des évaluations statistiques. Le projet ADMITTED, financé par l’UE, va concevoir et exploiter une plateforme avancée permettant d’analyser l’énorme quantité de données recueillies lors des essais en vol. À cette fin, il adoptera une architecture matérielle et logicielle complexe capable d’assurer l’analyse des mégadonnées. Il appliquera également des algorithmes d’IA spécialisés pour prendre en charge la chaîne de connexion de données, la gestion des séries chronologiques et l’analyse statistique.
Objectif
Flight testing is an important phase during the development of an aircraft to validate the design. During flight, data is gathered and design problems are identified and solved. The collected data are fundamental for the analysis and Aircraft are properly instrumented to generate large amounts of information. Such huge amount of data needs to be properly evaluated and traditional methods and platforms are no more effective.
Flight testing is a significant cost contributor to the aircraft production life cycle and is still extensively deployed. Flight test programmes take several years and more prototypes are built to reduce lead times. Strong adherence to rigour safety and certification requirements and generally unchanged circular advisories inhibit the potential improvement of flight test designs. Innovative algorithms and statistical estimation are not achieving its full potential in the industrialized flight testing environment.
The methods in this proposal increase the quality and productivity of an experiment, leading to a required test point reduction or increased predictive capabilities. The purpose of this project is to define and implement a state-of-the-art platform able to support data analysis. This is achieved by adopting a complex hardware architecture to support big data analysis and implementing specific algorithms to support data correlation, time series management and statistical analysis.
Furthermore, to support flight test engineers, novel approaches based on machine learning are provided to support the technicians in detecting specific flight conditions. The same platform is also adapted to support the development of the Next Generation Civil Tilt Rotor Technology Demonstrator.
Champ scientifique
- natural sciencescomputer and information sciencesdata sciencebig data
- engineering and technologymechanical engineeringvehicle engineeringaerospace engineeringaircraft
- social scienceseconomics and businesseconomicsproduction economicsproductivity
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Mots‑clés
Programme(s)
Régime de financement
RIA - Research and Innovation actionCoordinateur
20093 Cologno Monzese
Italie