Aircraft Atypical Approach Detection and Analysis using Functional Data Analysis and Machine Learning
Analyse et détection des trajectoires d'approches atypiques des aéronefs à l'aide de l'analyse de données fonctionnelles et de l'apprentissage automatique
Résumé
Improving aviation safety generally involves identifying, detecting and managing
undesirable events that can lead to final events with fatalities. Previous studies conducted by the French National Supervisory Authority have led to the identification of
non-compliant approaches presenting deviation from standard procedures as undesirable events.
This thesis aims to explore functional data analysis and machine learning techniques
in order to provide algorithms for the detection and analysis of atypical trajectories in
approach from ground side.
Four research directions are being investigated. The first axis aims to develop a postop analysis algorithm based on functional data analysis techniques and unsupervised
learning for the detection of atypical behaviours in approach. The model is confronted
with the analysis of airline flight safety offices, and is applied in the particular context
of the COVID-19 crisis to illustrate its potential use while the global ATM system is
facing a standstill. The second axis of research addresses the generation and extraction
of information from radar data using new techniques such as Machine Learning. These
methodologies allow to improve the understanding and the analysis of trajectories, for
example in the case of the estimation of on-board parameters from radar parameters.
The third axis proposes novel data manipulation and generation techniques using the
functional data analysis framework. Finally, the fourth axis focuses on extending the
post-operational algorithm into real time with the use of optimal control techniques,
giving directions to new situation awareness alerting systems.
L'amélioration de la sécurité aérienne implique généralement l'identification, la détection et la gestion des événements indésirables qui peuvent conduire à des événements finaux mortels. De précédentes études menées par la DSAC, l'autorité de surveillance française, ont permis d'identifier les approches non-conformes présentant des déviations par rapport aux procédures standards comme des événements indésirables. Cette thèse vise à explorer les techniques de l'analyse de données fonctionnelles et d'apprentissage automatique afin de fournir des algorithmes permettant la détection et l'analyse de trajectoires atypiques en approche à partir de données sol. Quatre axes de recherche sont abordés. Le premier axe vise à développer un algorithme d'analyse post-opérationnel basé sur des techniques d'analyse de données fonctionnelles et d'apprentissage non-supervisé pour la détection de comportements atypiques en approche. Le modèle sera confronté à l'analyse des bureaux de sécurité des vols des compagnies aériennes, et sera appliqué dans le contexte particulier de la période COVID-19 pour illustrer son utilisation potentielle alors que le système global ATM est confronté à une crise. Le deuxième axe de recherche s'intéresse plus particulièrement à la génération et à l'extraction d'informations à partir de données radar à l'aide de nouvelles techniques telles que l'apprentissage automatique. Ces méthodologies permettent d'améliorer la compréhension et l'analyse des trajectoires, par exemple dans le cas de l'estimation des paramètres embarqués à partir des paramètres radar. Le troisième axe, propose de nouvelles techniques de manipulation et de génération de données en utilisant le cadre de l'analyse de données fonctionnelles. Enfin, le quatrième axe se concentre sur l'extension en temps réel de l'algorithme post-opérationnel grâce à l'utilisation de techniques de contrôle optimal, donnant des pistes vers de nouveaux systèmes d'alerte permettant une meilleure conscience de la situation.
Origine | Fichiers produits par l'(les) auteur(s) |
---|