Neues mathematisches Tool kann die besten Sensoren für den Job auswählen

Beim Absturz der Boeing 737 Max im Jahr 2019 deutete die geborgene Blackbox aus den Folgen darauf hin, dass ein ausgefallener Drucksensor möglicherweise einen Sturzflug des unglücklichen Flugzeugs verursacht hat. Dieser Vorfall und andere haben eine größere Debatte über die Auswahl, Anzahl und Platzierung von Sensoren ausgelöst, um die Wiederholung solcher Tragödien zu verhindern.

Forscher der Texas A&M University haben nun ein umfassendes mathematisches Rahmenwerk entwickelt, das Ingenieuren helfen kann, fundierte Entscheidungen darüber zu treffen, welche Sensoren zu verwenden sind und wo sie in Flugzeugen und anderen Maschinen positioniert werden müssen.

„Während der frühen Entwurfsphase für jedes Steuersystem müssen wichtige Entscheidungen darüber getroffen werden, welche Sensoren verwendet und wo sie platziert werden sollen, damit das System für die Messung bestimmter physikalischer Größen von Interesse optimiert ist“, sagte Professor Raktim Bhattacharya. „Mit unserer mathematischen Formulierung können Ingenieure das Modell mit Informationen darüber füttern, was erfasst werden muss und mit welcher Genauigkeit, und die Ausgabe des Modells besteht aus den wenigen benötigten Sensoren und deren Genauigkeit.“

Ob Auto oder Flugzeug, komplexe Systeme haben interne Eigenschaften, die es zu messen gilt. Beispielsweise werden in einem Flugzeug Sensoren für Winkelgeschwindigkeit und Beschleunigung an bestimmten Stellen platziert, um die Geschwindigkeit abzuschätzen.

Sensoren können auch unterschiedliche Genauigkeiten aufweisen. Technisch gesehen wird die Genauigkeit durch das Rauschen oder Wackeln bei den Sensormessungen gemessen. Dieses Rauschen wirkt sich darauf aus, wie genau die inneren Eigenschaften vorhergesagt werden können. Genauigkeiten können jedoch je nach System und Anwendung unterschiedlich definiert werden. Zum Beispiel können einige Systeme erfordern, dass das Rauschen in den Vorhersagen einen bestimmten Betrag nicht überschreitet, während andere möglicherweise das Quadrat des Rauschens so klein wie möglich benötigen. In allen Fällen wirkt sich die Vorhersagegenauigkeit direkt auf die Kosten des Sensors aus.

„Wenn Sie eine doppelt so genaue Sensorgenauigkeit erzielen möchten, sind die Kosten wahrscheinlich mehr als doppelt so hoch“, sagte Bhattacharya. „Außerdem ist in einigen Fällen nicht einmal eine sehr hohe Genauigkeit erforderlich. Beispielsweise ist eine teure 4K-HD-Fahrzeugkamera zur Objekterkennung unnötig, da erstens keine feinen Merkmale erforderlich sind, um Menschen von anderen Autos zu unterscheiden, und zweitens die Datenverarbeitung von hochauflösenden Kameras zum Problem wird.“

Bhattacharya fügte hinzu, dass selbst wenn die Sensoren extrem präzise sind, es entscheidend ist zu wissen, wo der Sensor angebracht werden soll, da man einen teuren Sensor an einer Stelle platzieren könnte, wo er nicht benötigt wird. Daher sagte er, dass die ideale Lösung Kosten und Präzision ausbalanciert, indem die Anzahl der Sensoren und ihre Positionen optimiert werden.

Um diese Begründung zu testen, entwarfen Bhattacharya und sein Team ein mathematisches Modell unter Verwendung einer Reihe von Gleichungen, die das Modell eines F-16-Flugzeugs beschrieben. In ihrer Studie war das Ziel der Forscher, die Vorwärtsgeschwindigkeit, die Richtung des Windwinkels in Bezug auf das Flugzeug (den Anstellwinkel), den Winkel zwischen der Ausrichtung des Flugzeugs und dem Horizont (den Nickwinkel) und abzuschätzen Nickrate für dieses Flugzeug. Ihnen standen Sensoren zur Verfügung, die normalerweise in Flugzeugen vorhanden sind, um Beschleunigung, Winkelgeschwindigkeit, Nickrate, Druck und Anstellwinkel zu messen. Darüber hinaus wurde das Modell auch mit erwarteten Genauigkeiten für jeden Sensor versehen.

Ihr Modell zeigte, dass nicht alle Sensoren benötigt wurden, um die Vorwärtsgeschwindigkeit genau abzuschätzen; Messwerte von Winkelgeschwindigkeitssensoren und Drucksensoren reichten aus. Außerdem reichten diese Sensoren aus, um die anderen physikalischen Zustände, wie den Anstellwinkel, abzuschätzen, was die Notwendigkeit eines zusätzlichen Anstellwinkelsensors ausschloss. Tatsächlich hatten diese Sensoren, obwohl sie ein Ersatz für die Messung des Anstellwinkels waren, den Effekt, Redundanz in das System einzuführen, was zu einer höheren Systemzuverlässigkeit führte.

Bhattacharya sagte, dass das mathematische Framework so entworfen wurde, dass es immer die wenigsten Sensoren anzeigt, die benötigt werden, selbst wenn es mit einem Repertoire von Sensoren zur Auswahl ausgestattet ist.

„Nehmen wir an, ein Designer möchte jeden Sensortyp überall platzieren. Das Schöne an unserem mathematischen Modell ist, dass es die unnötigen Sensoren entfernt und Ihnen dann die minimale Anzahl von Sensoren und deren Positionen gibt“, sagte er.

Darüber hinaus stellten die Forscher fest, dass, obwohl die Studie aus der Perspektive der Luft- und Raumfahrttechnik stammt, ihr mathematisches Modell sehr allgemein ist und sich auch auf andere Systeme auswirken kann.

„Da technische Systeme immer größer und komplexer werden, wird die Frage, wo der Sensor platziert werden soll, immer schwieriger“, sagte Bhattacharya. „Wenn Sie also beispielsweise ein wirklich langes Windturbinenblatt bauen, müssen einige physikalische Eigenschaften des Systems mithilfe von Sensoren geschätzt werden, und diese Sensoren müssen an optimalen Stellen platziert werden, um sicherzustellen, dass die Struktur nicht versagt. Das ist nicht trivial und hier kommt unser mathematisches Framework ins Spiel.“

Kontaktinformationen