Resumen

Este trabajo propone un nuevo algoritmo para la estimación de parámetros aerodinámicos y ruido en sistemas dinámicos de aeronaves. El método de inferencia bayesiano se combina con un filtro de Kalman no acentuado para estimar conjuntamente los estados aumentados y los parámetros de covarianza de ruido desconocidos. Se utiliza un método de Gauss-Newton para maximizar secuencialmente la función de verosimilitud posterior para la estimación de los parámetros desconocidos del ruido. El rendimiento del algoritmo propuesto se evalúa y compara con otros dos UKF mediante un escenario de vuelo de una aeronave determinada. Los resultados indican que el algoritmo propuesto tiene un rendimiento equivalente al UKF simplificado con información previa del ruido y supera ligeramente al UKF paralelo en precisión y eficiencia en esta evaluación del escenario de vuelo. A continuación, la coherencia y precisión del algoritmo se validan mediante una simulación Monte Carlo con covarianza de ruido de proceso aleatorio. Este algoritmo adaptativo proporciona otra forma factible y eficaz de estimar los parámetros aerodinámicos a partir de los datos de vuelo reales de la aeronave con características de ruido desconocidas.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:aeronave, algoritmo, covarianza de ruido de proceso aleatorio, parámetros de covarianza de ruido desconocidos, método de inferencia bayesiano, simulación monte carlo, evaluación de escenarios de vuelo, función de verosimilitud posterior, información de ruido a priori, datos de vuelo reales
• Keywords:aircraft, algorithm, random process noise covariance, unknown noise covariance parameters, bayesian inference method, monte carlo simulation, flight scenario assessment, posterior likelihood function, prior noise information, real flight data