Real-Time Flight Anomaly Prediction Across Simulated and Real-World Data using GRU-WAE-MMD = GRU-WAE-MMD를 활용한 시뮬레이션 및 실제 데이터 기반 실시간 비행 이상 예측 모델

국문 초록 (Abstract)

딥러닝 모델의 급속한 성장은 항공 부문에 해결책을 제공하고 비행 안전성을 향상 시킬 수 있게 한다. 다양한 종류의 이상 정보를 포착하는 기내 항공기 상태 모니터링 시스템에도 불구하고, 예기치 않은 기저 하드웨어 오작동으로 인해 부정확한 이상 탐지가 발생할 수 있다. 게다가, 기술적 세부 정보의 복잡성으로 인해 이용 가능한 기록된 비행 데이터가 부족하다는 점을 고려할 때, 기존의 딥러닝 탐지 기술은 이상 사전 예측보다는 사후 이상 탐지에 중점을 두고 있다. 따라서 개선된 안전 요소를 달성하기 위해서는 대안 예측 메커니즘이 필수적이다.
이 중요한 요구 사항을 해결하기 위해, 본 논문은 특정 처리 기술 및 이상 점수 계산과 함께 딥러닝 모델 GRU (Gated Recurrent Unit)와 WAE-MMD를 기반으로 한 실시간 이상 예측 프레임워크를 소개한다. 이 아키텍처는 비행 이상이 발생하기 전에 다양한 유형에서 효과적인 예측을 보여주며, 조종사가 예측된 이상을 피하거나 임박한 경우 잠재적인 결과를 완화할 수 있는 추가 시간을 제공하기 때문에 예방적인 방식으로 이상을 처리하는데 적합한다. 실험은 실시간 요건 에서 실제 시나리오와 모의 비행 모두에서 수행되었으며, 각 유형의 분석된 이상에 시간적 요구 사항을 고려할 때 이상 예측에 견고함을 보여주었다.

다국어 초록 (Multilingual Abstract)

The rapid growth of deep learning models offers remarkable solutions for the aviation sector and enables enhancements in flight safety. Despite the advanced on-board aircraft health monitoring systems which capture various kinds of anomalous parameters, unexpected underlying hardware malfunction could lead to inaccurate anomaly detection. Moreover, given the scarcity of available recorded flight data, amplified by the complexity among technical parameters, the existing deep learning detection techniques are focused on ongoing anomaly detection, rather than anomaly forecasting. Hence, a robust alternative prediction mechanism is essential for achieving an improved factor of safety.
To deal with this critical requirement, the paper introduces a real-time oriented anomaly prediction framework based on deep learning models GRU (Gated Recurrent Unit) and WAE-MMD (Wasserstein Autoencoder-Maximum Mean Discrepancy), along with specific data processing techniques and anomaly scores metrics, aiming to promptly predict technical flight anomalies. This architecture demonstrates effective prediction across various types of flight deviations before their occurrence, making it a suitable approach for handling anomalies in a preventive manner, as it provides additional time for the crew to avoid the predicted anomaly, or, in imminent cases, mitigate the potential consequences. Experiments were performed on both real scenarios and simulated flights, in real-time conditions, and showed robustness in predicting anomalies given hard deadlines particular to each type of analyzed anomaly.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Study Background 1
• 1.2. Related works 3
• 1.3. Purpose of Research 5
• Chapter 2. Proposed model 11
• 2.1. General description 11
• 2.2. Construction of the datasets 14
• 2.3. Data processing 17
• 2.4. Gated Recurrent Unit (GRU) 20
• 2.5. Wasserstein Autoencoder – Maximum Mean Discrepancy (WAE-MMD) 23
• 2.6. Inference pipeline 29
• 2.7. Score thresholding 31
• Chapter 3. Experimental results 33
• 3.1. Experimental setup 33
• 3.2. ADS-B data results – historical data 34
• 3.3. MSFS Data Results - real-time data 37
• Chapter 4. Conclusion 40
• Bibliography 41
• 초록 44