优秀案例经验分享_案例经验分享_大数据优质经验案例

确保信号采集和调节硬件不受环境因素影响可提高数据质量。

案例经验分享_大数据优质经验案例_优秀案例经验分享

空客等飞机原始设备制造商仔细校准传感器和应变计,以准确定义飞机的性能。

案例经验分享_优秀案例经验分享_大数据优质经验案例

气动设备在测试起落架时重现环境条件。

案例经验分享_优秀案例经验分享_大数据优质经验案例

数据采集设备通常直接集成到复杂的测试单元中,例如 DLR 位于斯图加特的高压燃烧室测试台。

高质量、准确和可靠的数据采集和解释是飞行器测试和认证过程的一个基本要素。不断改进工程人员在地面和飞行测试中使用的数据采集方法和技术仍然是设备供应商和原始设备制造商的重点关注对象。

工程人员采用不同的方法来确保航空航天测试中的数据质量。他们采用最佳实践技术进行数据采集和管理,以保持数据准确和结果可靠。温度、压力和振动等环境因素会影响数据质量,必须予以处理。与此同时,数据还必须适合机器学习和人工智能等创新技术在数据分析过程中使用。

定义参数

柯蒂斯-莱特公司首席架构师斯里达尔·卡纳马鲁鲁(Sridhar Kanamaluru)表示,在确定平台性能(例如整个飞行包线内的机身结构载荷以及振动和发动机性能)时,测试数据的质量至关重要。

测试数据还为飞机在故障机制和可能发生故障的条件等安全性方面提供了重要线索。

“在测量精度和可重复性方面,高质量数据与整个测试平台和特定测试条件下的现象相关联,有助于飞机制造商设计和改进机身。”卡纳马鲁鲁说道。

另一方面,HBK公司(Hottinger Brüel & Kjor声学与振动测量公司)测试和测量解决方案产品经理桑德罗·迪·纳塔莱(Sandro Di Natale)指出,数据质量“是验证飞机或航天器是否符合预期关键性能参数时最重要的工具”。

他引用了两个专注于结构完整性的例子,但可以扩展到其他测试领域。第一个是使用测试数据来验证仿真模型并启用虚拟测试,从而适应原始设计。在这里,迪·纳塔莱观察到,质量不高的测试数据“可能导致错误的假设,甚至过度的结构设计,例如使其过于笨重,降低效率”。

第二个例子是测试数据用于飞机认证以证明适航性。糟糕的测试数据可能会高估飞机结构承受预期载荷的能力,并导致运行过程中出现严重问题。

数据采集的最佳做法

根据卡纳马鲁鲁的说法,航空航天测试数据采集的最佳做法包括选择灵敏度、动态范围、频率和时间响应足够高的传感器,以及在较宽温度范围内测试参数的准确性。例如,要测量振动等高频现象,传感器“必须具有适当的频率响应,以便捕捉到所有相关的谐波性能”。这一概念还延伸到数据采集设备,该设备可将传感器测量值转换为适合遥测和/或记录的形式。

他说:“数据采集设备应在较宽的温度范围内提供足够的增益、线性度和滤波能力,以最终传输的形式准确地表示测量值,无论是作为实时遥测信号,还是作为存储在记录仪上供测试后分析的数据。要达到所需的数据质量和精度,必须使用可在较大温度范围内工作的校准传感器和数据采集设备。还应对数据采集设备进行振动测试,以确保它们不受微音影响,并能在测试条件下正常工作。”

与此同时,HBK产品经理克里斯托夫·萨尔彻(Christof Salcher)指出,航空航天测试的主要挑战是通常只有一个原型可用于测试。认识到这一点,整个测量链的可靠性至关重要,并延伸到数据的可用性。

“测试不能简单地重复——这意味着任何测量或测试数据都需要完全可追溯至国家标准,并考虑不确定性水平,”萨尔彻说,“‘一牛顿就是一牛顿,一伏特就是一伏特’的知识确保了从数据中获得正确的见解,而不确定性的评估则确保所有工程师都意识到所获取数据的局限性。”

萨尔彻的建议是寻找一个有专业能力的合作伙伴,能够覆盖从传感器到结果的整个测试链条,并在每一步都拥有最高水平的数据质量。

数据质量的敌人

当试图减少可能损害数据质量的潜在问题时,工程师需要在安装过程中认识到影响信号质量的因素,例如本地接地环路或电源系统中的噪声。卡纳马鲁鲁说:“需要了解传感器和数据采集设备之间的接线中会出现的损耗和干扰类型。差分电路双绞线的适当屏蔽必须与测试仪器系统的总体重量和成本相平衡。在许多情况下,当测量位置有空间限制时,将测量的传感器信号转换为不受环境影响的形式可能是合适的——例如,可将数据采集设备测量的信号转换为以太网数据包通过网络进行传输。”

在这种情况下,传感器和数据采集设备之间的较短布线长度减少了损耗和噪声,而以太网数据包在较长的长度上传输更安全。

温度、压力和振动等变量是高质量数据的最大敌人。传感器和电子产品,尤其是模拟元件会受到此类环境因素的影响,最好的方法是避免这些问题对测量数据的有害影响。如果不可避免,可以考虑技术补偿措施。

“结构测试中有一项是不同温度下的应变测量。可以对导线电阻进行主动补偿,而不只是在测试开始时分流一次。还可以选择与被测材料补偿特性相匹配的应变计,并且可以记录温度并通过使用此信息校正获取的数据来解释影响。”HBK产品管理总监奥尔德雷德(Jon Aldred)说,“在应变测量和温度变化有限的领域中,已经有多种方法可以提高数据质量。这可以很容易地扩展到需要测量的其他物理量,并且减少电磁干扰等其他类型对数据质量的影响。”

不断发展的技术标准

传感器和测量设备通过不断改进以满足现代航空航天测试标准的要求,并在确保数据质量方面发挥着长久的作用。卡纳马鲁鲁认为,传感器和数据采集设备的技术改进最有可能出现在替代电源(如以太网供电PoE)和无线技术(如用于具有集中记录器和遥测功能的分布式仪表系统的IEEE标准1451)方面。

迪·纳塔莱强调了验证和核实领域的几个重要方面,包括可追溯性的关键方面,以及完整文档和元数据的使用。在他看来,仅仅获取结果是不够的,还需要重点关注这些结果是如何获得的。他说:“假设在数据分析过程中,某个传感器的数据与预期范围相去甚远。在这种情况下,最重要的是审阅完整的传感器安装记录——看一眼就可能会发现这传感器的能力或许不够。”

“另一方面,可以对数据进行处理,根据测量的电压和电流计算电功率。查看传感器原始数据可能会发现从传感器信号到用于分析的计算数据的错误。”他补充道。

数据呈指数增长

卡纳马鲁鲁指出,展望未来,数据量会呈指数级增长。被测量的数量、采样率和测试持续时间都增加了。与此同时,机载记录器中使用的固态介质的记录速率和存储容量也会提高。

这些行业的发展导致了所谓的“数据过剩”,完全处理这些数据会影响项目进度。为了应对这一挑战,可以部署机器学习(ML)和人工智能(AI)技术来更快地处理数据并识别数据中的异常情况,无论是在数据收集过程中还是在后期处理中。

卡纳马鲁鲁认为,这些技术对于识别很少发生的异常情况以及在特定平台上发生但在整个机队中不常见的异常情况特别有用。这些异常可能是由仪表系统引起的。例如,由于特定传感器和数据采集设备安装错误,或者由于机身故障。无论哪种情况,机器学习和人工智能技术都可以帮助更快地识别和解决问题,从而加快测试进度。

一个趋势是使用机器学习和人工智能技术在“战术边缘”处理测试数据,为地面任务控制站或测试平台上的测试人员提供实时信息。

边缘处理解决了与遥测大量未处理数据相关的一些带宽限制,遥测处理后的信息有助于减轻地面和机载测试人员的工作量。边缘处理还有助于确定特定的测试配置和测试点是否成功,或者是否需要立即进行另一次测试运行,从而节省大量成本和时间。

展望未来,传感器和数据采集设备制造商正在不断寻求测量链的改进,以提高数据质量。这体现在硬件改进以及数据解释方面的进步。

过去,对不良数据质量的识别通常依赖于测试和分析工程师的经验,而迪·纳塔莱认为,机器学习和人工智能现在提供了快速将测试结果与历史数据进行比较并从预期结果中识别异常的机会,这可以帮助提高测试的质量和速度。此外,通过提高分析自动化程度和减少数据处理过程中的手动步骤,可以实现更多好处。

另一个趋势是模拟仿真的使用越来越多,并且需要与物理测试测量相关联以验证数值模型。测试工程师和仿真工程师结合在一起使用真正的数据协作和分析共享环境。


本文由转载于互联网,如有侵权请联系删除!