Stabilerer Luftlage Per Mathematik kommt man zu robusteren Flugsystemen

Anbieter zum Thema

Treston Deutschland GmbH

KNAPP AG

Shining 3D Tech Co., Ltd

Mit mathematischen Modellen optimiert man an der Hochschule München die Performance technischer Systeme. Jetzt wird versucht, damit das Verhalten von Flugzeugrotoren oder Drohnen vorauszusagen ...

Je präziser mathematische Modelle die Realität beschreiben, desto sicherer sind technische Systeme, die mit ihrer Hilfe getestet und gesteuert werden, sagt Sabine Wisbacher, Ingenieurin für Luft- und Raumfahrt an der HS München. Doch Patentrezepte gebe es bei dieser Art der Systemidentifikation nicht. Jede Anwendung ist einfach gesagt anders. Beim Forschungsprojekt „ARCTIS“ werden deshalb Rotorblätter für die übernächste Helikoptergeneration entwickelt. Die zukünftigen Helis sollen dabei durch ein adaptives Design leiser und energieeffizienter werden. Die Grundvoraussetzung, um das Ziel zu erreichen, sind laut Wisbacher aber Modelle, welche die Rotorblätter detailgetreu darstellen können. Und nur mithilfe solcher Modelle ließe sich – lange bevor die Rotoren gebaut werden – die Performance simulieren und schließlich optimieren. Und im Rahmen des Forschungsprojekts „EndeAR“ arbeitet man daran, die Flugroute von autonomen Drohnen zu optimieren. Auch bei diesem Thema spielen folglich mathematische Modelle eine Schlüsselrolle. Denn die Systeme müssen während des Fluges aus den gerade ermittelten Daten – etwa Fluggeschwindigkeit, -höhe, Geografie der Umgebung und Windgeschwindigkeit – Steuerbefehle generieren, die die Drohne dann sicher ans Ziel bringen, wie die Ingenieurin erklärt. Beides Mal geht es also darum, den Zusammenhang zwischen Eingangs- und Ausgangsdaten – das ist die Systemidentifikation – mathematisch darzustellen.

„Grey Box“-Modelle machen per Algorithmus das Fliegen sicherer

Die Modelle, die man dafür nutzen kann, sind aber unterschiedlich, wie Wismann anmerkt. Es gibt einmal die sogenannten „Grey Box“-Modelle, die mit bereits vorhandenen Algorithmen arbeiten. Diese könnten genutzt werden, wenn der Zusammenhang zwischen Eingangs- und Ausgangsdaten bereits bekannt sei. Das Ziel der Modellierungen ist es dann, alle Informationen zu nutzen, um die Performance zu verbessern. Bei der Modellierung eines Drohnenfluges nutzt das Team an der Hochschule München die Bewegungsgleichungen, Messungen aus Windkanal- und Freiflugversuchen, sowie aktuelle Wetter- beziehungsweise Bilddaten zur Identifikation von Hindernissen. Mithilfe all dieser Informationen ließe sich dann die automatische Steuerung trainieren, um sie schließlich unempfindlicher und damit robuster zu machen.

„Black Box“-Modelle können aus Ergebnissen lernen

Dann gibt es noch die „Black Box“-Modelle, zu denen man dann greift, wenn das Ergebnis noch offen ist. Dann müssen die Algorithmen, die das Modell steuern, aber erst identifiziert werden, betont Wismann. Dabei arbeite man sich quasi vom Bekannten zum Unbekannten vor. Bei der Simulierung einer künftigen adaptiven Rotorsteuerung wird das Modell dabei mit bekannten Ausgangsdaten beziehungsweise den dazugehörigen Ergebnissen trainiert, heißt es. Das System lernt dann durch Abgleich dieser Daten, Ergebnisse vorauszusagen. Man denke beispielsweise daran, inwieweit Akuatoren, die in ein Helikopterrotorblatt zur Umsetzung der Steuerung integriert werden, in der Lage sind, das Profil des Blattes zu verändern, um die Effizienz in Sachen Energiebedarf zu steigern, oder die Flugsicherheit. Danach gehe es darum, „Black Box“-Modellierungen so zu modifizieren, dass man sie in Zukunft – wenn der Helikopter tatsächlich gebaut wird und abhebt – direkt nutzen kann. Dann können die Aktuatoren während des Fluges gesteuert und das Profil entsprechend angepasst werden.

(ID:50694030)