Methodologies of On-line tuning of flight control laws
Méthodologies de réglage automatique temps-réel de lois de pilotage
Résumé
This thesis deals with the tuning of flight control laws for civilian carrier aircraft, during its development phase. Due to the limited representativeness of the models used for the initial tuning, flight control laws may require several flight test iterations to achieve satisfactory performance. It is a long and costly process and the aircraft manufacturer thus wants to shorten it. As we have noticed that flight test data are less used than models, we have designed methodologies allowing a better use of these data for a control law tuning purpose. An aircraft being a parameter varying system, we must keep in mind that these data are valid in a small region of the flight domain only. As a consequence, the modifications made to the control laws, interpolated using parameters of the flight domain, must be passed on solely in this region. We considered two cases : an offline retuning work (i.e. performed in design office) and an online tuning (i.e. directly on the aircraft during a test flight). Both the notions of interpolation and local data made us choose a local learning method in order to interpolate the control laws. This method is a form of neural networks known as “mixture of experts”. Its structure will allow us to divide the flight domain into several sub-domains, to which we will allocate a local model. Therefore, we designed a generic methodology allowing to generate data to be interpolated, to define the mixture of experts structure and to perform a learning task on it. The data generation is a significant part of this methodology and considering the interpolation of control laws, it is not trivial. We thus propose an inversion based synthesis method for feedforward control laws. The mixture of experts structuring consists in choosing an optimal meshing of the flight domain, selecting the type of local model and managing the weightings applied to each local model. The methodology has been tested on two applications, pointed out by Airbus as reflecting the issue at stake. The first one deals with the estimation of the aircraft aerodynamic sideslip and the second one deals with a feedforward control law compensating for the side-effects yielded by the airbrakes extension. These examples show how the proposed methodology helps systematizing a tuning process which has been until then tedious.
Cette thèse s'inscrit dans le cadre du réglage des lois de pilotage d'un avion de transport civil en phase de dévelop-pement. De par la représentativité limitée des modèles utilisés pour leur réglage initial, certaines lois de pilotages requièrent plusieurs itérations en essais en vol avant d'atteindre un niveau de performance satisfaisant. Il s'agit d'un processus long et coûteux que l'industriel cherche à raccourcir autant que possible. En partant du constat que les données issues des essais en vol sont peu utilisées par rapport aux modèles, nous avons élaboré des méthodologies permettant une exploitation utile de ces données à des fins de réglage de lois de commande. L'avion étant un système à paramètres variants, il faut alors tenir compte du fait que ces données ne sont valables que pour une petite région de son domaine de vol. Par conséquent, les modifications apportées sur les lois de commande, interpo-lées à l'aide des paramètres du domaine de vol, devront être répercutées uniquement dans cette petite région. Nous avons envisagé deux cas : celui d'un travail de retouche hors ligne (i.e. effectué en bureau d'études) et celui d'un réglage en ligne (i.e. directement sur l'avion pendant un vol d'essai). Ces deux aspects d'interpolation et de données locales nous ont fait choisir une méthode d'apprentissage locale pour interpoler les lois de commande. Il s'agit d'une forme de réseau de neurones appelée mélange d'experts dont la structure permet de diviser le domaine de vol en plusieurs sous-domaines et d'affecter à chacun d'eux une modélisation locale. Nous avons ensuite élaboré une méthodologie générique permettant de générer les données à interpoler, de définir la structure du mélange d'experts et d'effectuer son apprentis-sage à la fois dans un cadre hors ligne et en ligne. L'aspect génération de données constitue une part importante de la méthodologie. En effet, dans le cadre d'une loi de commande, l'obtention des données amenées à être interpolées n'est pas triviale. Nous proposons alors une méthode de synthèse basée sur l'inversion de données temporelles, pour le cas de lois feedforward. La structuration du mélange d'experts se compose du choix d'une subdivision optimale du domaine de vol, d'une sélection du type de la modélisation locale et de la gestion des pondérations affectées à chacun des modèles locaux. La méthodologie a fait l'objet de deux applications identifiées par Airbus comme reflétant le problème posé. La première concerne l'estimation du dérapage aérodynamique de l'avion et la seconde une loi feedforward de compensation d'aérofreins. Ces exemples montrent comment la méthode a permis de systématiser un processus de réglage fonctionnant jusque là « à tâtons » .