search query: @supervisor Saarela, Olli / total: 148
results-list
reference: 71 / 148
« previous | next »
Author:Salonen, Tuomo
Title:Lentokoneen parametripohjaisen rasitusten laskentamenetelmän toimivuuden arviointi
An Assessment of the Feasibility of a Parameter Based Aircraft Strain Monitoring Method
Publication type:Master's thesis
Publication year:2005
Pages:107      Language:   fin
Department/School:Konetekniikan osasto
Main subject:Lentotekniikka   (Kul-34)
Supervisor:Saarela, Olli
Instructor:Tikka, Jarkko
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark TKK  5294   | Archive
Abstract (eng): The objective of the thesis is to evaluate applicability of the parameter based aircraft strain monitoring method.
The method has been developed to estimate the fatigue life expended (FLE) based upon actual usage for Finnish Air Force's (FiAF) F-J8 Hornets.
The inputs for the method are the flight parameters that all FAF F-18s record on every flight.
The principal components of the method are Processing of flight parameter data, Inverse Simulation; Pre-processing of Neural Network (NN) input data and modelling of strains by a Neural Network.
The Inverse Simulation is used to compute the control surface deflections.
The FLE of the aircraft in question can be computed from the strains by using a transfer function and a Fatigue Life Analysis Program.

The strains produced by the method are compared to the results measured by strain gauges, which provides an estimation of the total performance.
The method is also applied to two structurally critical details; a bulkhead and a leading edge flap hinge.
In addition, all the components are examined separately and their error sources are evaluated.
Cross validation and some other methods are used for choosing among NN models, such as different network architectures.
Teaching and operation of NNs are also discussed.

The flight parameters are recorded at a low sampling frequency; hence the method can model only low frequency variations in strains.
Therefore the strain gauge data is low-pass filtered with a cut-off of 7 Hz.
The quality of the parameters is quite good except for a few parameters.
The performance of the Inverse Simulation in not adequate for this purpose: only leading edge flap deflections can be modelled accurately enough.
Therefore the Inverse Simulation needs some improvements.
NNs proved to be promising tools for strain modelling.
The best results were achieved by a Multi-Layer Perceptron Network.
A drawback in using NNs is that a lot of data is needed for training, validation and testing.

According to the research the method can be used for estimating the FLE.
For the bulkhead the errors in strains were less than 10 percent and the FLE on average could also he estimated with good accuracy.
On the other hand, the modelled strains for the leading edge flap hinge were not very accurate.
The results can still be used for estimating the FLE.
In this research, there was not enough data available.
Hence the performance of the method could not be estimated in a reliable way, but the proof of concept could be reached.
Abstract (fin): Tämän diplomityön tarkoituksena on arvioida tutkimuksen kohteena olevan neuroverkkoja hyödyntävän laskentamenetelmän soveltuvuus F-18 Hornetin rakenteiden rasitusten laskentaan ja eliniän kulutuksen seurantaan.
Menetelmän syötteenä käytetään normaalivarustellun koneen tallentamia lentotilaa kuvaavia parametreja.
Tämä data on käytettävissä jokaisen koneyksilön jokaiselta lennolta, joten menetelmän tulokset perustuvat koneen todelliseen käyttöön.
Laskentamenetelmän vaiheet ovat lentoparametridatan muokkaus, käänteissimulointi, neuroverkon syötedatan esikäsittely ja neuroverkkolaskenta.
Käänteissimulointi tarkoittaa tässä yhteydessä lentotilaa vastaavien ohjainpintapoikkeutusten määrittämistä.
Menetelmän ulostulo on rakenteen venymäspektri, josta siirtofunktion ja materiaalin väsymismallin avulla voidaan laskea rakenneyksityiskohdan eliniän kulutus.

Kokonaisarvio laskentamenetelmän toimivuudesta tehdään vertaamalla laskettuja venymiä koelennoilla venymäliuskoilla mitattuihin venymiin.
Lisäksi menetelmää sovelletaan kahteen rakenneyksityiskohtaan; runkokaareen ja etureunasiivekkeen saranaan, joille lasketaan eliniän kulutus menetelmällä mallinnetuista venymistä.
Tulosta verrataan mitatuista venymistä laskettuun eliniän kulutukseen.
Työssä tutkitaan myös menetelmän osien virhelähteitä ja toimivuutta.
Neuroverkkojen osalta käsitellään menetelmään soveltuvia neuroverkkorakenteita, verkon opetusta ja valmiin verkon mallinnuskykyä.
Valinta verkkorakenteiden välillä tehdään pääasiassa ristiinvalidointivirheen perusteella.

Menetelmällä pyritään kuvaamaan 7 Hz rajataajuudella alipäästösuodatettuja venymiä, sillä normaalivarustellun koneen tallentamilla lentoparametreilla pystytään kuvaamaan vain lentotilassa alhaisella taajuudella tapahtuvat muutokset.
Tärkeimmät lentotilaa kuvaavat parametrit tallentuvat hyvälaatuisina, vaikka muutamien parametrien tallentamisessa esiintyykin puutteita.
Käänteissimulaatio toimi huonosti lentoparametridatalla.
Sillä ei pystytty mallintamaan neuroverkon syötteenä käytettäviä ohjainpintapoikkeutuksia riittävän hyvin lukuun ottamatta etureunasiivekkeen poikkeutusta.
Neuroverkot osoittautuivat lupaaviksi työkaluiksi lentokoneen kokemien rasitusten mallintamisessa.
Parhaat tukokset saavutettiin monikerros-perceptronverkoilla.
Verkkojen opetuksen ja testauksen vaatima suuri datamäärä osoittautui tutkimuksessa ongelmaksi.

Tutkimuksessa havaittiin, että menetelmällä pystytään mallintamaan rakenteen eliniän kulutusnopeus hyvällä tarkkuudella.
Runkokaaren tapauksessa venymien mallinnusvirhe oli alle 10 % ja keskimääräisessä eliniän kulutusnopeudessa saavutettiin hyvä tarkkuus.
Etureunasiivekkeen saranan lasketuissa venymissä esiintyi paikoittain suuria virheitä, mutta tulokset olivat elinikälaskennassa hyödynnettävällä tasolla.
Toimivuuden arvioinnissa ei ollut käytössä tarpeeksi tutkimusmateriaalia menetelmän tarkkuuden määrittämiseksi luotettavalla tasolla.
Menetelmän toimivuus pystyttiin kuitenkin osoittamaan.
ED:2006-02-02
INSSI record number: 30572
+ add basket
« previous | next »
INSSI