Ein wissensbasierter Systemansatz zur automatisierten Flugzustandsüberwachung

Mit zunehmenden Optimierungen von Betriebsabläufen und komplexeren Technologien in der Luftfahrt wachsen die Anforderungen an die Steuernden, Situationen zu beurteilen und Handlungen zu einer erfolgreichen Flugdurchführung abzuleiten. Aufgrund von neuen Datenlinks sind mehr und mehr Informationen im Cockpit verfügbar. Gleichzeitig sorgen Optimierungen im operationellen Betrieb, zum Beispiel durch denWunsch einer reduzierten Besatzung oder den Betrieb von unbemannten Flugsystemen, zu einer Reduktion des Situationsbewusstseins ohne entsprechende Gegenmaßnahmen. Die Entwicklung von komplexeren Assistenzsystemen ist die Folge, welche durch ihre Umsetzung auf Basis von Maschinencode ebenfalls immer komplexer werden, und somit Ergebnisse für den Steuernden intransparenter. Dies kann bei der Verwendung zu einem zusätzlichenMangel an Situationsbewusstsein führen, da nötige Zusammenhänge aus den Ergebnissen nicht erkannt werden und falsche Handlungen abgeleitet werden. Intransparente Ergebnisse können auch dazuführen, dass sie von dem Menschen nicht verstanden werden und auf Grund mangelnder Nachvollziehbarkeit ignoriert werden. Aus dem Grund befasst sich diese Arbeit mit einem wissensbasierten Systemansatz zur automatisierten Evaluierung des operationellen Flugzustands. Es wird untersucht und gezeigt, wie eine eigenschaftsgraphbasierte Wissensrepräsentation zur Abbildung von komplexem operationellen Wissen genutzt werden kann. Die Trennung zwischen dem Wissenskern und dem System zur Nutzung des Wissens soll einen Ansatz für die Verbesserung existierender, aber auch neuer Assistenzsysteme zeigen. Es wird untersucht, ob das vorgestellte Systemkonzept eine vollständige Abbildung von hybridem Wissen ermöglicht. Die Untersuchungen dazu werden sowohl theoretisch als auch in zwei praktischen Anwendungen durchgeführt. Die theoretische Betrachtung vergleicht die weitverbreitete Nutzung von schemabasierten Datenbankrepräsentationen mit der eigenschaftsgraphbasierten Datenbankanwendung mittels einer Komplexitätsanalyse von Beispielabfragen. Ergänzt um einen qualitativen Vergleich wird die Leistungsfähigkeit des Eigenschaftsgraphen für die Anwendung zur automatisierten Flugzustandsbewertung beschrieben. Die Umsetzung in Stufe 1 beschreibt die Verwendung des Systemansatzes für ein Cockpitassistenzsystem in einem kommerziellen Verkehrsflugzeug. Hierbei wird das Wissen in Form von Regeln, Fakten und Meta-Wissen abgebildet und gezeigt, dass die Trennung zwischen System und Wissen für die Anwendung möglich ist und die Wissensrepräsentation und Analyse eine Steigerung in der Transparenz und Nachvollziehbarkeit der Systemergebnisse ermöglichen. Die Validierung der Anwendung nutzt die Erkenntnisse aus der Entwicklung sowie Ergebnisse in zwei Befragungen, um die Leistungsfähigkeit des wissensbasierten Ansatzes qualitativ einzuordnen. Die Umsetzung in Stufe 2 befasst sich mit der Abbildung von gelerntem unscharfen Wissen in der Anwendung einer Geräusch- und Antriebsüberwachung eines unbemannten Forschungsflugzeuges. Der Fokus hierbei ist auf der Untersuchung zur Abbildung von unabhängigem Wissen zur Redundanz von Antriebssensoren als auch zu einer Möglichkeit zur Evaluierung von unbekannten Vorkommnissen in Form von anormalen Geräuschen. Für die Antriebsüberwachung wird ein Regressionsmodell gelernt, das den Gesamtpegel sowie relevante Frequenzamplituden nutzt, um den Schub zu schätzen und im Rahmen des wissensbasierten Systems gegen Schubvorgaben zu vergleichen, und so nötige Systembenachrichtigungen auslöst. Die Leistungsfähigkeit wird anhand von verschieden Parametervariationen und der Auswertung mit realen Flugdaten dargestellt. Für die Geräuschüberwachung wird das Frequenzspektrum in Abschnitte geteilt und mit Hilfe des AnormalyDetection - Algorithmus eine Heuristik zur statistischen Beschreibung des normalen Betriebszustandes erzeugt und an fünf anormalen Zuständen validiert. Die Implementierung des maschinell gelernten Wissens wird beschrieben, um die Leistungsfähigkeit der hybriden Wissensrepräsentation zu zeigen. Optimized operation procedures and more complex technologies in aviation result in increasing demands operators evaluate situations and derive actions for a successful flight procedure. Based on new data links, more and more information is available in the cockpit and for the crew. Further, single pilot operations or the use of unmanned aerial systems are the result of optimization in operation procedures correlating with a loss of situational awareness if not counter measured. The development of complex assist systems are the consequence, resulting in more complex software code which may lead to less transparent results, thus situational awareness may increase. As an identification of important context is not assured, wrong actions may be performed by the crew. Thus, nontransparent result information may be ignored by the crew in consequence of a missing understanding and trust in results caused by a missing traceability. To overcome these issues this thesis investigates a knowledge based system approach for an automatic operational flight state evaluation. It is shown a propertygraph based knowledge representation can map complex operational knowledge. The separation between a knowledge core and a system using the knowledge is an approach to improve existing or new assist system designs. Furthermore, the entire mapping of a hybrid knowledge is investigated within a system concept. The investigations are presented theoretically as well as based on two exemplary implementations. In the theoretic examination a common relational database with a property-graph database is compared. A complexity analysis evaluates exemplary requests on these database structures. In addition a qualitative comparison of the property-graph representation performance for a automatic flight state evaluation is discussed. Application 1 described the use of the flight state evaluation as a cockpit supervision system for a commercial aircraft. Therefore, the knowledge is represented as facts, rules and meta-knowledge that show that the separation between knowledge base and system is possible. The knowledge representation and analysis enable an increased transparency and traceability of system notifications. The validation of the application uses results from two surveys to classify the performance of the knowledge based approach. Application 2 studies the representation of trained uncertain knowledge for a noise and propulsion monitoring based on measurements with an unmanned research aircraft. The focus is on an independent knowledge representation for a redundant propulsion sensor as well as for detecting unknown occurrence based on an abnormal noise. For this purpose, the propulsion monitor is trained with a linear regression using a noise level and relevant frequency amplitudes to estimate the thrust. This is compared with the commanded thrust and necessary notifications are triggered. The performance is evaluated using different parameter sets validated with measured flight data. For the noise monitor the frequency spectrum is split into segments to train a heuristic that is a statistical description of the normal operational condition implemented with an AnormalyDetection algorithm. Finally, the implementation of the machine learning algorithm in the knowledge based is described to show the capability of hybrid knowledge representation.