Felipe Augusto Braga Viana
Aumento da confiabilidade de Air Data Systems
através do uso de sensores de fluxo térmico e
votação de sinais baseada em detecção de
novidades
Belo Horizonte - MG, Brasil
18/12/2018

Felipe Augusto Braga Viana
Aumento da confiabilidade de Air Data Systems através
do uso de sensores de fluxo térmico e votação de sinais
baseada em detecção de novidades
Dissertação de mestrado submetida à Banca
Examinadora designada pelo Colegiado do
Programa de Pós-Graduação em Engenharia
Elétrica da Escola de Engenharia da Universi-
dade Federal de Minas Gerais, como requisito
para obtenção do grau de Mestre em Enge-
nharia Elétrica
Universidade Federal de Minas Gerais – UFMG
Escola de Engenharia
Programa de Pós-Graduação em Engenharia Elétrica
Orientador: Frank Sill Torres
Belo Horizonte - MG, Brasil
18/12/2018
Felipe Augusto Braga Viana
Aumento da confiabilidade de Air Data Systems através do uso de sensores de
fluxo térmico e votação de sinais baseada em detecção de novidades/ Felipe Augusto
Braga Viana. – Belo Horizonte - MG, Brasil, 18/12/2018-
96 p. : il. (algumas color.) ; 30 cm.
Orientador: Frank Sill Torres
Dissertação (Mestrado) – Universidade Federal de Minas Gerais – UFMG
Escola de Engenharia
Programa de Pós-Graduação em Engenharia Elétrica, 18/12/2018.
1. Air Data System. 2. Robustez. 2. Confiabilidade. 3. Votação de sinais redun-
dantes. 4. Sensor de fluxo térmico. 5. Detecção de novidade 6. Reconhecimento de
padrões. 7. Aprendizado de máquina. I. Frank Sill Torres. II. Universidade Federal de
Minas Gerais. III. Programa de Pós Graduação em Engenharia Elétrica. IV. Aumento
da confiabilidade de Air Data Systems através do uso de sensores de fluxo térmico e
votação de sinais baseada em detecção de novidades.

Dedico este trabalho à minha mãe Regina Márcia Braga Viana (in memorian) e ao meu
pai Maurício Antônio Viana, que sempre me carregaram nos ombros para que eu pudesse
alcançar tudo que quisesse, ao meu avô José Aniceto Viana (in memorian), fonte de
inspiração de soluções criativas para problemas complexos, à minha melhor amiga e
companheira Mariana Tormin, que acreditou em mim quando eu mesmo não conseguia, à
minha irmã Marcela Carolina, que sempre me incentivou, e aos meus amigos, sempre fieis
apesar da reclusão social.
Agradecimentos
Agradeço a UFMG e ao PPGEE, que são exemplos de ensino público de qualidade
e me permitiram não só realizar esse trabalho, mas forneceram todo os degraus que subi
em minha vida acadêmica desde o ensino médio realizado no colégio técnico e passando
pela graduação na engenharia elétrica.
Ao meu orientador Frank Sill, que foi uma peça fundamental em todo o processo
de desenvolvimento dessa dissertação e não deixou a distância continental atrapalhar um
detalhe sequer de nossa comunicação.
À CAPES, que propicia o financiamento adequado ao desenvolvimento de ati-
vidades de pós graduação no PPGEE. O presente trabalho foi realizado com apoio da
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - Brasil (CAPES) - Código
de Financiamento 001.
À Embraer, que incentivou o meu desenvolvimento pessoal e forneceu os dados
necessários para essa pesquisa.
À toda sociedade brasileira, que muitas vezes sem saber financia o desenvolvimento
de pesquisa de qualidade por todo o território nacional. Que o presente trabalho possa em
algum momento contribuir com a sociedade e devolver esse enorme favor.

"Se consegui ver mais longe é porque estava nos ombros de gigantes"
(Isaac Newton)

Resumo
A medição de parâmetros e velocidade do ar em aplicações aeronáuticas tem alta criticidade
pois falhas nos sistemas responsáveis (Air Data Systems - ADS) por tais parâmetros pode
causar a morte de centenas de pessoas, como foi o caso do voo Air France 447 com 228
fatalidades.
Para suprir a demanda de segurança necessária para aplicações aeronáuticas o presente
trabalho busca aumentar a confiabilidade de Air Data Systems através da exploração
de duas vertentes: a utilização de sensores de fluxo térmico para medir velocidade do ar
(airspeed) e o desenvolvimento de um novo votador de sinais redundantes para ser utilizado
no ADS.
A utilização de sensores de fluxo térmico é explorada nesse trabalho através da integração do
modelo de tais sensores em um modelo simplificado de ADS com redundância quádrupla
seguida pela comparação de várias técnicas estabelecidas de votação simples. A nova
proposta de votação de sinais presente aqui utiliza detecção de novidades baseada em
reconhecimento de padrões e aprendizado de máquina e o desempenho desse votador
proposto é comparado com um votador padrão em simulações de um ADS utilizando
dados reais de entrada.
Os resultados indicam que para falhas características de sensores de fluxo térmico o ADS
tem o melhor desempenho ao utilizar um algoritmo de votação de sinais simples baseado
no cálculo da saída como média das entradas redundantes mais próximas que respeitam
um intervalo definido.
Em relação ao votador proposto com detecção de novidades os resultados indicam que
ele possui desempenho melhor que o votador padrão para casos em que a falha tem
comportamento constante, crescente ou relacionado à derivada do valor medido. Para casos
em que a falha tem comportamento proporcional ao valor medido o votador proposto tem
desempenho inferior.
Os resultados obtidos são um passo em direção à melhoria da confiabilidade de Air Data
Systems e mostram aplicabilidade de reconhecimento de padrões para identificação de
falhas, além de abrir caminho para outras pesquisas relacionadas ao tema.
Palavras-chave: Air Data System. Air Data Computer. Votação. Robustez. Confiabilidade.
Redundância. Aquisição de dados. Airspeed. Sensor de fluxo térmico. Detecção de novidade.
Reconhecimento de padrões. Aprendizado de máquina.

Abstract
The measurement of air parameters and airspeed in aeronautical applications has a high
criticality because failures in the Air Data Systems (ADS) for such parameters can cause
the death of hundreds of people, as was the case of Air France flight 447 with 228 fatalities.
To meet this demand, the present work seeks to increase the reliability of Air Data Systems
by exploring two aspects: the use of thermal flow sensors to measure airspeed and the
development of a new redundant signal voter to be used in the ADS.
The use of thermal flow sensors is studied by integrating the model of such sensors into a
simplified ADS model with 4-way redundancy and comparing several established simple
voting techniques. The new signal voting proposal uses novelty detection based on pattern
recognition and machine learning. The performance of the proposed voter is compared to
a standard voter in simulations of an ADS using actual input data.
The results indicate that for thermal flow sensors’s characteristic failures the ADS performs
best when using a simple algorithm based on the calculation of the output as the average
of the nearest redundant inputs that respect a defined interval.
In relation to the proposed voter with novelty detection the results indicate that it performs
better than the standard voter for cases in which the failure is constant, increasing or
related to the derivative of the measured value. For cases in which the failure has behavior
proportional to the measured value the proposed voter has inferior performance.
The results obtained are a step toward improving the reliability of Air Data Systems and
show applicability of pattern recognition for fault identification, as well as pave the way
for other related research.
Keywords: Air Data System. Air Data Computer. Voting. Robustness. Reliability. Re-
dundancy. Data Acquisition. Airspeed. Thermoflow sensor. Novelty detection. Pattern
Recognition. Machine Learning.

Lista de ilustrações
Figura 1 – Representação de um ADS com 6 sensores inteligentes e um computador
de processamento (UTC, 2015). . . . . . . . . . . . . . . . . . . . . . . 27
Figura 2 – Vista lateral de um tubo de pitot com as aberturas para medir pressão
(WIKI, 2007). A abertura central mede a pressão total e as aberturas
laterais medem a pressão estática. . . . . . . . . . . . . . . . . . . . . . 29
Figura 3 – Componentes do sensor de fluxo térmico (MAKINWA; HUIJSING, 2001). 31
Figura 4 – Vista lateral do sensor de fluxo térmico (MAKINWA; HUIJSING, 2001). 33
Figura 5 – Comparação das votações simples aplicadas a quatro sinais. . . . . . . 35
Figura 6 – Representação em blocos da metodologia do trabalho. . . . . . . . . . . 40
Figura 7 – Representação em blocos da metodologia de integração do ADS. . . . . 41
Figura 8 – Modelo Simulink do sensor de fluxo térmico. . . . . . . . . . . . . . . . 48
Figura 9 – Modelo Simulink de cálculo das entradas do sensor. . . . . . . . . . . . 49
Figura 10 – Modelo Simulink com cálculo da entrada e sensor de fluxo conectados. 50
Figura 11 – Modelo Simulink de seleção de votadores. . . . . . . . . . . . . . . . . 51
Figura 12 – Modelo Simulink de seleção de saída dos votadores. . . . . . . . . . . . 51
Figura 13 – Modelo Simulink de teste do votador padrão. . . . . . . . . . . . . . . 52
Figura 14 – Modelo Simulink do votador com detecção de novidades. . . . . . . . . 54
Figura 15 – Primeiro estágio interno do votador com detecção de novidades. . . . . 55
Figura 16 – Segundo estágio interno do votador com detecção de novidades. . . . . 55
Figura 17 – Terceiro estágio interno do votador com detecção de novidades. . . . . 56
Figura 18 – Modelo Simulink da comparação ente valor votado e referência. . . . . 57
Figura 19 – Modelo Simulink do Air Data System. . . . . . . . . . . . . . . . . . . 57
Figura 20 – Erro médio para diferentes quantidades de sensores com falha. . . . . . 66
Figura 21 – Erro médio para diferentes tipos de entradas. . . . . . . . . . . . . . . 67
Figura 22 – Erro médio para diferentes tipos de falhas. . . . . . . . . . . . . . . . . 68
Figura 23 – Erro médio para diferentes frequências de entrada. . . . . . . . . . . . 69
Figura 24 – Erro médio para todos os casos sem outliers . . . . . . . . . . . . . . . 69
Figura 25 – Erro máximo para todos os casos sem outliers . . . . . . . . . . . . . . 70
Figura 26 – Curva de teste normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 27 – Curva de teste com novidade. . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 28 – Erro médio para diferentes quantidades de falhas. . . . . . . . . . . . . 73
Figura 29 – Erro máximo para diferentes quantidades de falhas. . . . . . . . . . . . 74
Figura 30 – Erro médio para diferentes tipos de falhas. . . . . . . . . . . . . . . . . 74
Figura 31 – Erro máximo para diferentes tipos de falhas. . . . . . . . . . . . . . . . 75
Figura 32 – Erro médio para diferentes tipos de entradas. . . . . . . . . . . . . . . 76
Figura 33 – Erro máximo para diferentes tipos de entradas. . . . . . . . . . . . . . 76
Figura 34 – Valor dos sensores e saídas do votador 1 para um caso de split. . . . . . 78
Figura 35 – Valor das saídas do votador 6 para um caso de split. . . . . . . . . . . 79
Figura 36 – Valor dos sensores e saídas do votador 6 para um caso de erro proporcional. 80
Lista de tabelas
Tabela 1 – Parâmetros da utilização do votador padrão. . . . . . . . . . . . . . . . 53
Tabela 2 – Parâmetros do ADS integrado. . . . . . . . . . . . . . . . . . . . . . . 58
Tabela 3 – Parâmetros da entrada para comparação de votadores simples . . . . . 59
Tabela 4 – Parâmetros da falha para comparação de votadores simples . . . . . . 59
Tabela 5 – Parâmetros da entrada para comparação de votadores complexos . . . 62
Tabela 6 – Parâmetros da falha para comparação de votadores complexos . . . . . 62
Tabela 7 – Resultados da prova de conceito do detector de novidades. . . . . . . . 71
Tabela 8 – Tempo de execução dos votadores complexos. . . . . . . . . . . . . . . 83

Lista de abreviaturas e siglas
ADS Air Data System
TAS True Air Speed
CAS Calibrated Air Speed
ANAC Agência Nacional de Aviação Civil
RBAC Regulamento Brasileiro de Aviação Civil
BEA Bureau d’Enquêtes et d’Analyses
ADC Air Data Computer
CTI Calculate Thermoflow Inputs
TF Thermoflow

Lista de símbolos
∆ Intervalo máximo para avaliar e calcular média da maioria
γ Razão do calor específico do ar
qe Pressão estática da atmosfera
ρ Densidade do ar
qc Pressão dinâmica de deslocamento de um corpo no ar
VTAS Velocidade do ar medida em um tubo de pitot
P0 Pressão estática da atmosfera padrão ao nível do mar
ρ0 Densidade padrão do ar ao nível do mar
φ Direção do fluxo medida no sensor de fluxo térmico
U Velocidade do fluxo medida no sensor de fluxo térmico
ans e aew Diferenças devido a assimetria térmica
Sns e Sew Fatores de proporcionalidade
εns e εew Diferenças de fase em relação a referência
δPns e δPew Diferenças entre as potências fornecidas para os aquecedores
α Nível de significância
δ Intervalo de mínima significância

Sumário
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2 REFERENCIAIS TEÓRICOS . . . . . . . . . . . . . . . . . . . . . . 27
2.1 Air Data Systems (ADS) . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Tubo de pitot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 Sensor de fluxo térmico . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Técnicas de votação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Detecção de novidades utilizando reconhecimento de padrões . . . . 36
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1 Análise de técnicas de votação simples . . . . . . . . . . . . . . . . . 40
3.2 Prova de conceito do detector de novidades . . . . . . . . . . . . . . 42
3.3 Desenvolvimento de votador complexo com detecção de novidades 43
3.4 Análise de votadores complexos . . . . . . . . . . . . . . . . . . . . . 45
4 IMPLEMENTAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1 Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Sensor de fluxo térmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.2 Cálculo das entradas dos sensores . . . . . . . . . . . . . . . . . . . . . . 48
4.1.3 Sistema com quatro sensores de fluxo térmico . . . . . . . . . . . . . . . . 49
4.1.4 Votadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.1.4.1 Votador Padrão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.4.2 Votador com detector de novidades . . . . . . . . . . . . . . . . . . . . . . . 53
4.1.5 Comparação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.6 ADS integrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2 Execução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1 Análise de técnicas de votação simples . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Prova de conceito do detector de novidades . . . . . . . . . . . . . . . . . 60
4.2.3 Análise de votadores complexos . . . . . . . . . . . . . . . . . . . . . . . 61
5 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1 Análise de técnicas de votação simples . . . . . . . . . . . . . . . . . 65
5.2 Prova de conceito do detector de novidades . . . . . . . . . . . . . . 71
5.3 Análise de votadores complexos . . . . . . . . . . . . . . . . . . . . . 72
5.3.1 Pré análise dos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3.2 Análise de duas falhas split . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3.3 Análise do erro proporcional no detector de novidades . . . . . . . . . . . . 79
5.3.4 Análise estatística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3.5 Análise dos tempos de execução . . . . . . . . . . . . . . . . . . . . . . . 82
6 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
ANEXOS 91
ANEXO A – DETALHES DA EXECUÇÃO . . . . . . . . . . . . . . 93
A.1 Prova de conceito do detector de novidades . . . . . . . . . . . . . . 93
A.2 Simulação do ADS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
A.2.1 Técnicas de votação simples . . . . . . . . . . . . . . . . . . . . . . . . . 95
A.2.2 Técnicas de votação complexa . . . . . . . . . . . . . . . . . . . . . . . . 95
A.2.3 Análise de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
23
1 Introdução
O movimento de uma aeronave é definido pelo conjunto de características do ar na
região em que ela se encontra em conjunto com sua forma geométrica, posição e velocidade
em relação ao fluxo. Com estas informações é possível calcular as forças e momentos
aerodinâmicos gerados no avião em questão (NELSON, 1989). Medir essas propriedades é
essencial e crítico para informar o piloto na tomada de decisões e para utilizar tais medidas
como entradas de algoritmos de controle nos sistemas da aeronave. Como aviões podem
carregar centenas de pessoas por milhares de quilômetros, falhas podem ser catastróficas
e, portanto, essas medidas devem ser feitas considerando o alto grau de confiabilidade
necessário para essa operação.
"Air Data Systems" (ADS) são sistemas responsáveis por medir e processar informa-
ção do fluxo de ar no entorno da aeronave, provendo essa informação para outros sistemas.
Com esta integração entre os sistemas, malhas de controle complexas são construídas
utilizando as medidas realizadas pelo ADS em um avião. O ADS mais comum utilizado
em aeronaves comerciais tem como transdutor primário um tubo de pitot, responsável por
medir pressão. Esse equipamento é descrito em detalhe na seção 2.2.
A principal desvantagem do tubo de pitot é a possibilidade do sensor congelar
em situações específicas, invalidando completamente suas medidas. Isso aconteceu, por
exemplo, no acidente do voo 447 da Air France em 2009 que resultou em 228 fatalidades.
Nesse acidente as investigações concluíram que a aeronave caiu após inconsistências entre
as medidas de airspeed, provavelmente devido ao congelamento dos tubos de pitot, o que
fez o piloto automático se desativar. Após reações incorretas da tripulação a essa situação
o resultado final foi a perda de sustentação da aeronave e sua queda (BEA, 2012). Esse é
o acidente com mais mortes na história da Airfrance e do Airbus A330.
Outro exemplo interessante de acidente relacionado ao ADS é o voo 888T da
Airways Germany, em que 7 pessoas faleceram. Apesar das investigações apontarem uma
série de procedimentos incorretos, o sistema de votação da medida de ângulo de ataque
da aeronave contribuiu para o resultado. O voo de teste de um Airbus A320 foi realizado
após manutenção, na qual a aeronave foi lavada e água ficou alojada nos sensores de
ângulo de ataque. Essa água congelou após a decolagem, fazendo com que dois dos três
sensores fornecessem medidas incorretas. A votação do ângulo de ataque validou as medidas
incorretas devido a estarem concordantes entre si e descartou os valores provenientes do
único sensor correto. Após outras falhas de procedimento da tripulação o avião acabou
caindo no mar mediterrâneo (BEA, 2008).
Devido à criticidade da medição de velocidade em uma aeronave e da existência da
24 Capítulo 1. Introdução
possibilidade de falhas nos sistemas atuais, existe uma demanda para o estudo de maneiras
de aumentar a confiabilidade destas medidas. Uma possibilidade é a utilização de sensores
de velocidade com princípios de funcionamento distintos do tubo de pitot, dentre eles
sensores de fluxo térmico. Este tipo de sensor vem ganhando atenção nos últimos anos
(HAASL; STEMME, 2007).
Sensores de fluxo térmico tem como princípio de funcionamento a medição da
velocidade de um fluido através da interação térmica entre esse fluido e o sensor. Apesar do
princípio de funcionamento desse tipo de sensor ser conhecido, sua aplicação na aeronáutica
não é usual. Desenvolvimentos recentes nesta área estão proporcionando sensores mais
avançados, como feito por Makinwa e Huijsing (2001). A aplicação de tecnologias novas
em aeronaves não é fácil, uma vez que a confiabilidade e robustez são essenciais nessa
área e que soluções adequadas para fornecer o nível adequado de segurança precisam estar
muito bem estabelecidas.
ADS utilizam de redundância para atingir o nível de segurança requerido pelas
entidades certificadoras. Para tratar as medidas redundantes, algoritmos de votação e
consolidação são utilizados. Assim, outra possibilidade para aumentar a confiabilidade e
segurança desses sistemas é estudar melhorias nas técnicas de votação para consolidação
das medidas dos sensores redundantes.
O objetivo deste trabalho é dar um passo em direção a melhoria da confiabilidade
de "Air Data Systems" em aplicações aeronáuticas. Para atingir esse objetivo duas vertentes
serão exploradas. A primeira é o estudo de como utilizar sensores de fluxo térmico com
alta confiabilidade em um ADS. A segunda é o desenvolvimento e estudo de uma nova
técnica de votação utilizando reconhecimento de padrões.
Para o estudo de confiabilidade de sensores de fluxo térmico, a exploração de como
atingir esse objetivo passa pela integração do modelo de um sensor de fluxo térmico no
modelo simplificado de um ADS com redundância, inserção de falhas típicas desse sensor
nesse modelo e comparação do comportamento de diferentes técnicas de votação aplicadas
a esse sistema. Comparando o desempenho das diferentes técnicas, é possível escolher a
melhor para esse tipo de sistema e sensor.
A etapa de estudo das técnicas de votação envolve a análise de como técnicas de
reconhecimento de padrões se comportam com dados reais típicos dessa aplicação e o
desenvolvimento de um votador utilizando tal técnica, que em seguida tem seu desempenho
comparado com uma técnica padrão da indústria.
O restante da dissertação é estruturada da seguinte maneira: O capítulo 2 introduz
o estado da arte dos sistemas de medição de velocidade em aeronaves, sensores de fluxo
térmico, tubos de pitot, técnicas de votação e detecção de novidade. Em seguida, o
capítulo 3 descreve a metodologia para atingir o objetivo proposto. O capítulo 4 discute a
25
implementação da metodologia. O capítulo 5 mostra e analisa os resultados obtidos. Por
fim, o capítulo 6 destaca as principais conclusões obtidas com este trabalho.

27
2 Referenciais teóricos
2.1 Air Data Systems (ADS)
Um ADS comercial típico pode ser encontrado descrito em UTC (2015) como
um sistema que integra sensores e processamento de informações para gerar parâmetros
críticos de "air data", incluindo pressão estática e dinâmica, velocidade, altitude, ângulo
de ataque e deslizamento lateral ("sideslip"). A figura 1 mostra um ADS de seis sensores,
cada um composto de um tubo de pitot e uma central de processamento. O tubo de
pitot é o transdutor que transforma a grandeza física em sinais elétricos, que depois de
digitalizados são enviados para serem consolidados pelo "Air Data Computer" (ADC). A
redundância dos sensores é necessária para atingir o nível requerido de segurança para
operação da aeronave. O processo de cálculo dos níveis de segurança e sua demonstração
é regido por normas internacionais desenvolvidas por comitês especiais e documentos
emitidos pelas autoridades de cada país (SAE, 1996) (SAE, 2010). Atingir estes níveis de
segurança utilizando os processos adequados deve ser demonstrado para as autoridades
regulamentadoras para que a aeronave obtenha permissão para circular naquele país
(ANAC, 2014). O maior desafio em desenvolver um ADS está em conseguir projetar um
sistema que é confiável, seguro, redundante, tolerante a falhas e integrado a outros sistemas,
o que resulta em uma alta complexidade.
Figura 1 – Representação de um ADS com 6 sensores inteligentes e um computador de
processamento (UTC, 2015).
Os diversos sinais produzidos por um ADS são tipicamente transmitidos pra outros
sistemas do avião seguindo o protocolo de comunicação ARINC 429, que podem utilizar
as informações para diferentes propósitos (RADIO, 2004). As informações sobre o ar
fornecidas pelo ADS são algumas das mais importantes em uma aeronave. Até nos sistemas
e aviões mais simples a velocidade (airspeed) é utilizada a todo momento pelo piloto em
28 Capítulo 2. Referenciais teóricos
todas as manobras críticas e navegabilidade. Em modelos mais complexos, o sistema de
controle de voo pode utilizar os valores de airspeed em conjunto com outras informações
de diferentes sistemas para identificar a proximidade da velocidade mínima de sustentação
do avião (velocidade de stall) e emitir um alerta caso esteja muito próxima. O sistema
de controle de voo também utiliza essa informação para calcular as cargas dinâmicas do
avião e limitar e controlar suas manobras em voo (GRACEY, 1980).
Os requisitos de aeronavegabilidade necessários para permitir a operação de um
avião são definidos pela autoridade de cada país, embora acordos de cooperação favoreçam
o estabelecimento de um padrão bem semelhante entre os países. É o caso da norma do
governo brasileiro para aviões de transporte denominada RBAC 25 (ANAC, 2014), que
reedita um documento estrangeiro com as normas a serem seguidas.
A norma em questão não estabelece requisitos específicos para o ADS, mas para
instrumentos, avisos, manobras e limites, que em sistemas modernos computadorizados
dependem extensivamente dos dados provenientes do ADS. A definição dos requisitos que
devem ser atingidos por um ADS em um modelo específico envolve o estudo cuidadoso
da RBAC 25 e da integração dos sistemas nesse modelo, incluindo informações sobre a
taxa de atualização dos dados e precisão necessários para atingir os objetivos específicos
de cada sistema.
Este trabalho foca na medição de airspeed feita pelo ADS, e o requisito mais
relevante para essa informação no RBAC 25 é a seção 25.1323 que especifica requisitos
para o sistema de indicação de airspeed. São definidos requisitos de intervalos de medição,
condições de calibração e o erro máximo, que é o mais útil para esse trabalho e definido
em 3% ou 5 nós, o que for maior (ANAC, 2014).
É importante destacar que o airspeed medido é em relação a massa de ar na qual
o avião se desloca e é justamente isso que o piloto precisa para manter o avião no ar da
melhor maneira possível. No entanto, se essa massa de ar se desloca em relação ao solo, o
piloto precisa derivar a velocidade do avião em relação ao solo utilizando outras medidas
ou outros sistemas. Isso é relevante para a navegação e conseguir levar a aeronave de um
ponto a outro, que também é um dos objetivos de sua operação (GRACEY, 1980).
2.2 Tubo de pitot
O tubo de pitot é o transdutor utilizado na maioria dos ADS para converter
grandezas físicas em sinais elétricos. Ele é composto por dois tubos concêntricos mantidos
a uma pequena distância da fuselagem do avião para evitar interferência dela no fluxo
de ar. O tubo de dentro contém uma abertura alinhada com a direção do movimento e é
responsável por medir a pressão total. A pressão total é o resultado da interação do corpo
com ar ao se movimentar. O tubo externo contém aberturas perpendiculares ao movimento
2.2. Tubo de pitot 29
e é responsável por medir a pressão estática, característica do ambiente. Na base dos
tubos, transdutores convertem as pressões em sinais elétricos que então são digitalizados. A
diferença entre a pressão total e pressão estática é chamada pressão dinâmica (ou pressão
de impacto) e é utilizada para calcular a velocidade relativa entre o ar e o tubo de pitot.
Essa velocidade é chamada de "airspeed" (NELSON, 1989). A figura 2 mostra um diagrama
com as aberturas citadas para medir a pressão.
Figura 2 – Vista lateral de um tubo de pitot com as aberturas para medir pressão (WIKI,
2007). A abertura central mede a pressão total e as aberturas laterais medem
a pressão estática.
Existem definições diferentes para os nomes e significados das velocidades que
podem ser calculadas através das medidas de pressão do tubos de pitot dependendo de
qual o contexto e aplicação em que o sensor está inserido. Neste trabalho vamos apresentar
as definições feitas em Gracey (1980) e utilizadas pela NASA.
A "True Air Speed" (TAS) é definida como a velocidade real do avião em relação
à massa de ar já corrigida para erros de medição. Seu cálculo considera efeitos de com-
pressibilidade, densidade e pressão do fluido. As informações necessárias para esse cálculo
são a pressão dinâmica, pressão estática e temperatura do ar. Portanto a TAS indica a
velocidade real da aeronave independente da sua altitude, variações de temperatura e
pressão atmosférica.
A "Calibrated Air Speed" (CAS) é a velocidade calculada utilizando somente a
pressão dinâmica já corrigida para erros de medição. Seu cálculo considera efeitos de
compressibilidade mas ignora variações devido a densidade e pressão do fluido. O efeito da
densidade do ar e pressão estática são calibrados para o nível do mar em uma atmosfera
padrão. Isso significa que a CAS indica a velocidade real da aeronave somente ao nível do
mar em condições atmosféricas padrão.
Como exemplo da comparação entre TAS e CAS, imagine o cenário de um avião
voando ao nível do mar em condições atmosféricas semelhantes à padrão. Nesse momento
TAS e CAS tem o mesmo valor. Em seguida esse avião aumenta sua altitude em relação ao
nível do mar e as condições atmosféricas se alteram. Tipicamente a pressão, temperatura
e densidade do ar diminuem com a altitude. Nessa nova condição o valor de TAS é maior
30 Capítulo 2. Referenciais teóricos
do que o valor de CAS. TAS é uma medida da velocidade real do avião em relação ao
ar, já CAS não mostra mais a velocidade real mas continua sendo proporcional à pressão
sentida pelo avião ao se deslocar, o que também tem utilidade para o piloto.
O cálculo de TAS para valores subsônicos (menor do que a velocidade do som) é
feito através da fórmula 2.1, proveniente da equação de Bernoulli para fluidos compressíveis.
Nesta equação γ é a razão dos calores específicos do ar, qe é a pressão estática, ρ é a
densidade do ar e qc é a pressão dinâmica. Para esta fórmula, o valor de γ é fixado em 1.4
como especificado em Nelson (1989).
VTAS =
√√√√√ 2γqe
(γ + 1)ρ
(qc + qe
qe
)(γ−1)/γ
− 1
 (2.1)
A fórmula para CAS é a mesma, com a diferença de que os valores de p e ρ são
fixos para os valores a nível do mar P0 e ρ0.
O tubo de pitot é vastamente utilizado há décadas devido a ser simples, confiável
e estar relacionado intimamente com a pressão do ar provocada pelo deslocamento do
corpo no fluido, uma informação de extrema importância para o piloto. Isso significa que
mesmo instrumentos simples de baixíssima complexidade, capazes de medir somente CAS,
já são o suficiente para aviões pequenos ou antigos serem manobrados dentro dos requisitos
necessários.
Devido às condições climáticas que uma aeronave enfrenta durante sua operação e a
como os tubos de pitot estão dispostos na fuselagem, além de como são construídos, existem
situações em que ele pode congelar. Nesse caso, o sensor não consegue medir a pressão
externa, nem total e nem estática, fazendo com que suas medidas não correspondam a
realidade. Em casos como esse o piloto deve perceber que a medida de velocidade está
errada e ignorá-la, navegando através de outros instrumentos e pontos visuais. Fazer isso
não é trivial e falhas desse tipo causaram acidentes recentes, como a já citada queda do
Airfrance (BEA, 2012). Outra restrição do sensor é que ele deve estar alinhado com o
fluxo do movimento, dentro de um desvio máximo permitido, para medir corretamente
a velocidade. O tubo de pitot também interfere na aerodinâmica do avião e, portanto,
a quantidade e local dos sensores deve ser cuidadosamente estudada em uma busca por
redundância e performance.
Apesar das limitações e situações específicas em que pode falhar, o tubo de pitot
tem um histórico sólido e confiável de utilização na aeronáutica. Mesmo com mais pontos
positivos do que negativos esse instrumento não é perfeito e existe espaço para buscar
melhorar a confiabilidade de medidas de airspeed, seja estudando sensores diferentes ou
algoritmos mais robustos.
2.3. Sensor de fluxo térmico 31
2.3 Sensor de fluxo térmico
Existe uma extensa linha de pesquisa em sensores de fluxo térmico, como podemos
ver no estudo bibliográfico de Haasl e Stemme (2007). Todos se baseiam no princípio de
medir a velocidade de um fluido usando a interação térmica entre este fluido e o sensor.
Apesar do princípio comum, existem vários tipos de configuração, materiais e aplicações
para sensores de fluxo térmico. Tomando como base o estudo de Haasl e Stemme (2007) é
possível escolher um sensor que está próximo do cenário aeronáutico. Esse sensor é descrito
nos artigos Makinwa e Huijsing (2000) e Makinwa e Huijsing (2001): foi desenvolvido para
funcionar no ar, possui uma grande faixa de medida, capaz de medir velocidade e direção
do fluxo, é recente, apresenta melhorias em relação a um sensor de fluxo térmico comercial
e tem um modelo de funcionamento completo descrito em seus artigos.
O sensor de fluxo térmico descrito em Makinwa e Huijsing (2001) está mostrado
na figura 3 e é composto por quatro sensores de temperatura (termopilhas) e quatro
aquecedores (resistores) dispostos nas bordas de um chip de silício quadrado. Além disso,
o componente contém um diodo no centro que mede a temperatura média do chip e a
eletrônica responsável pela lógica de controle necessária para a operação do sensor.
Figura 3 – Componentes do sensor de fluxo térmico (MAKINWA; HUIJSING, 2001).
O componente mostrado funciona em modo de diferença de temperatura média
constante (Constant Average Temperatura Difference - CATD). Neste modo a temperatura
medida pelo diodo central é comparada com uma temperatura de referência e os aquecedores
são acionados para que a diferença de temperatura entre a referência e o medido pelo
diodo seja constante.
Para realizar a medição da velocidade e direção do fluxo de ar que passa pelo sensor,
32 Capítulo 2. Referenciais teóricos
considera-se o efeito de resfriamento assimétrico em cada termopilha. Observando a figura
3, dado um fluxo horizontal da direita para a esquerda, as termopilhas "east-west" (ew)
serão resfriadas de maneira assimétrica perdendo mais calor na extremidade da direita
do que na extremidade da esquerda. Existem dois sensores "ew" espacialmente paralelos
e ligados em série para que a sensibilidade da assimetria térmica seja maior. O mesmo
efeito acontece quando há um fluxo vertical, em que o resfriamento assimétrico ocorre nos
componentes "north-south" (ns).
Uma técnica de modulação térmica Sigma Delta é usada para manter o sensor
operando em temperatura constante, o que significa que a assimetria térmica detectada
pelas termopilhas funciona em malha fechada alimentando a escolha de qual aquecedor
deve ser acionado de maneira a corrigir a diferença medida. Um comparador ligado à saída
da termopilha cria uma série de pulsos que ligam ou desligam os aquecedores relacionados.
Se o comparador detecta a extremidade "east" mais fria, então o aquecedor "e" é ligado, e
vice versa.
Esta técnica de operação elimina a necessidade de um ADC para obter a medida
do sistema. A saída do sensor de velocidade é o fluxo de bits que representa a potência
dissipada por cada resistor. A informação necessária para calcular a velocidade é a diferença
de potência entre os resistores opostos. Assim, a diferença entre a potência dos resistores
"e" e "w" é chamada δPew e a diferença entre os resistores "n" e "s" de δPns. A velocidade
do fluxo é proporcional à soma dos quadrados de δPew e δPns e a direção do fluxo é obtida
considerando os valores de δP como os componentes ortogonais do vetor velocidade. Os
valores obtidos em ensaio com este sensor têm um erro máximo de 4% para a velocidade e
4o para a direção do fluxo (MAKINWA; HUIJSING, 2001).
As equações (2.2), (2.3) e (2.4) que calculam a velocidade e direção do fluxo a
partir de δPew e δPns são apresentadas em Makinwa e Huijsing (2000). Nessas equações: φ
é a direção calculada do fluxo; U é a velocidade calculada do fluxo; ans e aew são diferenças
devido a assimetria térmica; Sns e Sew são fatores de proporcionalidade; εns e εew são
diferenças de fase em relação a referência, para orientação da direção; δPns e δPew são as
diferenças entre as potências fornecidas para os aquecedores.
Como pode ser observado na figura 4, o sensor de fluxo térmico apresentado é
protegido do contato direto com o fluxo de ar ao ser fixado em um fino disco liso de
cerâmica que o separa do objeto de medição. Esta configuração é uma vantagem na
aplicação aeronáutica pois o sensor pode ser colocado no local mais propício da fuselagem
da aeronave sem interferir em sua aerodinâmica.
2.4. Técnicas de votação 33
φ = tan−1
vnscos(εew)− vewsen(εns)
vnssen(εew) + vewcos(εns)
 (2.2)
U = v
2
ns + v2ew − 2vnsvewsen(εns − εew)
cos2(εns − εew) (2.3)
vns =
δPns − ans
Sns
vew =
δPew − aew
Sew
(2.4)
Figura 4 – Vista lateral do sensor de fluxo térmico (MAKINWA; HUIJSING, 2001).
2.4 Técnicas de votação
Técnicas de votação para consolidação de sinais redundantes são estudadas e
aplicadas de maneira ampla, como pode ser observado em Askari, Nourani e Namazi
(2011), em que várias técnicas são mencionadas.
Uma técnica é a realização da média simples dos sinais de entrada para compor
a saída do votador. Esta é a maneira mais simples de diminuir a influência de um sinal
com falhas no valor consolidado da medida, apesar de não remover sua influência. Outra
técnica é o cálculo da saída como a mediana dos sinais de entrada. No caso de um número
ímpar de sinais isso corresponde a escolher o sinal do meio para ser igual a saída. No caso
de um número par de sinais, isso corresponde a fazer a média simples dos dois sinais do
meio.
Além desses dois tipos, Askari, Nourani e Namazi (2011) propõem também a
votação pela média da maioria, em que a diferença entre os sinais de entrada é comparada
a um intervalo pré-definido ∆. Quando as diferenças são menores que ∆ os sinais são
considerados válidos e a saída é a média de todos que cumpriram o requisito. Se um
sinal estiver muito diferente, a diferença dele para os outros será maior que o limiar e ele
não será considerado no cálculo. Caso a distribuição dos valores dos sinais seja tal que a
34 Capítulo 2. Referenciais teóricos
diferença entre eles é menor que o limiar em mais do que um subconjunto de sinais, então
aquele subconjunto que tiver a maioria dos sinais é escolhido para o cálculo. Por exemplo,
para o caso de 4 sinais de entrada, pode acontecer dos sinais A, B e C cumprirem o critério
do ∆ e os sinais C e D também. Nesse caso o subconjunto ABC que contém a maioria dos
sinais é escolhido.
O trabalho de Alves e Torres (2016) introduz uma variação da média da maioria,
em que o valor de limiar não é utilizado. Nesta técnica, são escolhidos os dois sinais dentre
todos os disponíveis que têm a menor diferença entre si, e a saída é a média deles.
As opções citadas até agora são técnicas de votação simples, em que a saída é
resultado de um cálculo utilizando os valores instantâneos das entradas. Abaixo um resumo
de todas elas:
Media = (Sinal1 + Sinal2 + Sinal3 + Sinal4)4 (2.5)
Mediana = SinaisDoMeio(Sinal1, Sinal2, Sinal3, Sinal4)2 (2.6)
Media damaioria = SomaNoIntervalo(Sinal1, Sinal2, Sinal3, Sinal4)
QuantidadeNoIntervalo
(2.7)
Media dosmais proximos = SomaMaisProximos(Sinal1, Sinal2, Sinal3, Sinal4)2 (2.8)
Para demonstrar e comparar as quatro técnicas simples citadas a figura 5 abaixo
demonstra qual seria o valor de saída da votação utilizando cada uma dessas técnicas para
um sistema redundante com quatro entradas de valor fixo. As linhas cheias de diferentes
cores representam as medidas de quatro entradas. As linhas tracejadas mostram o resultado
para as técnicas citadas até agora. Hipoteticamente nesse caso o intervalo ∆ da técnica de
médias da maioria é 0,2.
É possível perceber que todas as técnicas obtém como resultado um valor entre os
dados de entrada, mas não é possível julgar qual delas tem um resultado "melhor" sem
informações sobre o que está gerando os sinais. Se nenhum desses sinais tiver uma falha e
essas variações estiverem dentro de flutuações normais para esse sistema teórico, todas as
votações calculam sinais consolidados diferentes mas igualmente válidos.
O artigo de Oliveira e Galvão (2011) apresenta um algoritmo de votação mais
complexo. Sua técnica se difere das outras por não ser uma fórmula simples de cálculo
da saída, mas uma série de algoritmos de detecção de falhas que funcionam em paralelo,
2.4. Técnicas de votação 35
Figura 5 – Comparação das votações simples aplicadas a quatro sinais.
analisando constantemente os sinais de entrada. No caso de nenhuma falha ter sido
detectada e todos os sinais de entrada serem considerados válidos, a saída é a mediana da
entrada. A medida que um sinal é considerado com falha ele é removido, e a mediana é
calculada com os outros sinais. As maneiras de detecção de falhas dos sinais são descritas
abaixo:
• Miscompare: Se a diferença entre um sinal de entrada e valor votado da saída no
ciclo anterior foi maior que um limiar pre-estabelecido ele é considerado com falha
de miscompare.
• Range: Se o valor de um sinal de entrada estiver fora dos limites de operação
pré-estabelecidos, ele é considerado com falha de "range".
• Oscilação: Se apenas um dos sinais estiver oscilando dentro de uma faixa de frequência
preestabelecida e com uma amplitude maior do que um limiar, aquele sinal é
considerado com falha de oscilação.
• Split: Se quatro sinais estiverem em uma configuração de dois pares com valores
próximos dentro do par mas valores diferentes entre os pares, usando limiares prees-
tabelecidos, eles são considerado em split. Nesse caso todos os sinais são considerados
com falha.
Cada detecção de falha contém filtros para realizar análise dinâmica no tempo dos sinais e
critérios de considerar um sinal válido de novo após uma falha ser detectada. Além disso a
36 Capítulo 2. Referenciais teóricos
saída é alterada de maneira amortecida a cada alteração no número de sinais considerados
válidos. Por padrão, a técnica foi descrita para funcionar em um sistema de redundância
de 4 entradas.
2.5 Detecção de novidades utilizando reconhecimento de padrões
Reconhecimento de padrões é uma técnica que busca identificar padrões e regula-
ridades em dados de maneira automática. Reconhecimento de padrões está relacionado
com inteligência artificial e aprendizado de máquina, mas os três não são sinônimos.
Aprendizado de máquina é uma abordagem possível para implementar reconhecimento
de padrões, que por sua vez é uma abordagem possível para implementar inteligência
artificial (BISHOP, 2006). O reconhecimento de padrões é feito utilizando um conjunto
de características ou atributos extraídos dos elementos sob análise para determinar sua
categoria mais provável (ALVES; TORRES, 2016).
A detecção de novidades, por sua vez, é uma aplicação do reconhecimento de
padrões, em que o objetivo é identificar padrões potencialmente diferentes do normal,
o que pode indicar falhas ou defeitos. Para isso é necessário saber o que é o normal no
cenário analisado e identificar quando dados se afastam desse padrão. A identificação
da novidade pode se basear em diferentes princípios: probabilística, distância, domínio,
reconstrução ou teoria da informação (ALVES; TORRES, 2016).
A seguir vamos detalhar a técnica utilizada no trabalho de Alves e Torres (2016).
Em seu texto ele escolhe desenvolver um detector de novidades de classe única baseado em
distância de mahalanobis entre modelos gaussianos multivariados, utilizando aprendizado
de máquina para treinar seu detector sobre o que é o normal em sua aplicação.
A distância de mahalanobis é uma técnica de cálculo da distância entre duas
amostras que mede a semelhança entre elas. Quanto menor a distância de mahalanobis,
menor a diferença entre as amostras. O conceito é semelhante ao da distância euclidiana,
mas a distância de mahalanobis é vastamente utilizada para detectar outliers em que os
dados são modelados com variáveis aleatórias (TODESCHINI et al., 2013).
O modelo gaussiano multivariado é um modelo probabilístico utilizado para repre-
sentar uma subpopulação. Na aplicação de Alves e Torres (2016) esse modelo é criado a
partir dos dados de treinamento do detector de novidades e a distância de mahalanobis é
calculada entre ele e a amostra que se deseja classificar.
O detector de novidades desenvolvido por Alves e Torres (2016) funciona da seguinte
maneira. Primeiro o sistema é treinado utilizando como dados de entradas diversas curvas
de aquecimento de um forno. Como resultado de treinamento são obtidos um modelo
gaussiano multivariado que representa as amostras de treinamento e um valor limite.
2.5. Detecção de novidades utilizando reconhecimento de padrões 37
Depois, durante a operação, o detector de novidades recebe curvas de aquecimento e
calcula a distância de mahalanobis entre essa curva e o modelo gaussiano. Se essa distância
for menor do que o limite, a curva é considerada normal. Se a distância for maior do que o
limite, a curva é classificada como tendo novidades. O objetivo é funcionar identificando e
sinalizando a ocorrência de uma falha, sem corrigir o resultado.
A técnica descrita foi escolhida para ser estudada porque é poderosa para encontrar
outliers e o aumento da confiabilidade do ADS envolve, como já descrito na seção 2.4,
detecção de falhas nos sinais redundantes. Assim, existe o potencial da aplicação da
detecção de novidades para identificar tais falhas.

39
3 Metodologia
Como citado no capítulo 1 o objetivo deste trabalho é explorar como melhorar a
confiabilidade de Air Data Systems, demanda que existe nos sistemas aeronáuticos atuais.
Foram ainda citadas duas vertentes para atingir esse objetivo: estudar a integração de
sensores de fluxo térmico em ADS e estudar novos algoritmos que melhorem a confiabilidade
das medidas.
O estudo de como utilizar sensores de fluxo térmico com alta confiabilidade em
um ADS é feito através da integração do modelo de um ADS contendo redundância com
o modelo de tais sensores. Em seguida, defeitos específicos de sensores de fluxo térmico
são inseridos no modelo e o comportamento do ADS é observado. Nesse cenário é possível
analisar, portanto, como um ADS se comporta quando uma falha típica desse tipo de
sensor ocorre. Como resultado desse estudo espera-se obter a descrição e a comparação do
comportamento do ADS para diferentes tipos de votações tipicas.
A exploração de um novo algoritmo de votação que possa melhorar o desempenho
da consolidação de sinais em um ADS é inspirada pela técnica de detecção de novidades
descrita na seção 2.5. A aplicação de uma técnica de reconhecimento de padrões em um
sistema de controle aeronáutico é uma das grandes novidades desse trabalho. Para fazê-lo,
primeiramente uma prova de conceito da técnica aplicada a dados reais aeronáuticos é
realizada. Espera-se obter de resultado um indicativo sólido se a técnica serve para detectar
novidades nesse tipo de dado ou não.
Em seguida um novo votador é implementado utilizando detecção de novidades e
integrado ao mesmo ADS já criado para explorar a utilização de sensores de fluxo. Dessa
vez o desempenho do ADS na presença de falhas é comparado entre o novo votador e um
padrão da indústria. Como resultado é esperado que o desempenho dos dois votadores
possa ser comparado. A esperança é que o desempenho do votador proposto seja superior,
o que indicaria um avanço no aumento da confiabilidade desses sistemas. A figura 6 resume
em um fluxo todos os passos descritos até agora da metodologia.
As próximas seções desse capítulo descrevem com mais detalhes essa metodologia.
A seção 3.1 explica como é pensada a integração de sensores de fluxo no ADS, a seção 3.2
explica a prova de conceito da detecção de novidades, a seção 3.3 explica o processo de
desenvolvimento e características desejadas do novo votador e por fim a seção 3.4 detalha
a metodologia para comparar o desempenho do novo votador.
40 Capítulo 3. Metodologia
Figura 6 – Representação em blocos da metodologia do trabalho.
3.1 Análise de técnicas de votação simples
A primeira etapa do trabalho é analisar como técnicas de votação bem estabelecidas
funcionam quando aplicadas a um ADS composto por sensores de velocidade de fluxo
térmico. Devido a escolha de utilizar esse tipo de sensor, saber como uma falha interfere
em seu funcionamento e como essa falha pode ser mitigada através de votação de sinais é
relevante.
O cenário utilizado para a análise é um ADS com 4 sensores redundantes, escolhido
por ser o estado da arte utilizado na indústria e no votador utilizado como padrão
(OLIVEIRA; GALVãO, 2011). Quatro técnicas de votação foram escolhidas para serem
observadas: (1) Média dos sinais; (2) Mediana dos sinais; (3) Média da maioria e; (4)
Média dos mais próximos; todas explicadas em detalhe do capitulo 2.4. Essas técnicas
são as referências em votação de sinais de maneira simples, utilizando apenas o valor
instantâneo dos sinais para calcular um valor consolidado. Essas técnicas não utilizam
análises temporais ou outras técnicas de detecção de erro para selecionar os sinais a serem
votados.
Um modelo do ADS contendo quatro sensores redundantes e a votação dos seus
valores é criado com cada uma das técnicas descritas. Eles são simulados e comparados
entre si para realização da análise. Esses modelos tem como entradas a velocidade e ângulo
do fluxo de ar para qual queremos simular o sistema, parâmetros de funcionamento dos
votadores e parâmetros de funcionamento dos sensores de fluxo térmico, incluindo as falhas
3.1. Análise de técnicas de votação simples 41
modeladas.
A simulação de um modelo é executada variando uma gama de parâmetros para
observar o comportamento em diferentes cenários: forma do sinal de entrada; valor da
entrada; frequência do sinal de entrada; tipo de relação da falha com a entrada; valor do
erro associado à falha; localização e número de falhas.
O valor resultante da votação é a medida consolidada do ADS. Este valor é
comparado com a entrada de referência do modelo para saber o erro e a performance do
votador. É possível então comparar as performances das técnicas de votação e analisar
como cada uma se comporta integrada ao ADS composto de sensores de fluxo térmico. A
figura 7 mostra o método descrito até aqui para estudar a integração do sensor de fluxo
térmico para um votador. Para comparar o desempenho de vários votadores esse cenário é
repetido para cada um deles.
Figura 7 – Representação em blocos da metodologia de integração do ADS.
A realização das simulações do ADS respeitando os critérios colocados de análise
resulta em uma comparação objetiva entre os votadores aplicados ao sensor de fluxo. As
falhas inseridas são específicas desse tipo de sensor e como resultado é possível saber qual
técnica de votação tem melhor resultado para aumento da sua confiabilidade e permitir
sua aplicação em ambiente aeronáutico.
42 Capítulo 3. Metodologia
3.2 Prova de conceito do detector de novidades
A detecção de novidade foi escolhida para ser analisada e possivelmente utilizada
em um novo método de votação devido aos bons resultados demonstrados onde foi proposta
da maneira que a apresentamos aqui (ALVES; TORRES, 2016). Se tais resultados puderem
ser atingidos em uma aplicação aeronáutica ela pode se provar uma técnica de detecção
de erro tão ou mais poderosa do que as já utilizadas pelo votador padrão descrito por
Oliveira e Galvão (2011).
Assim, a próxima etapa é o estudo de como o detector de novidades pode ser usado
no contexto de melhoria do nível de confiabilidade de um ADS. Para fazer isso busca-se
uma prova de conceito da técnica de Alves e Torres (2016) aplicada a dados reais de
airspeed. Se a técnica funcionar bem para esses dados de maneira controlada, então o
processo de implementar um novo votador pode ser iniciado.
Os dados de entrada desse estudo são curvas da velocidade de uma aeronave durante
a sua decolagem. A etapa de decolagem foi escolhida por ser uma manobra muito frequente
e característica de aeronaves. Existem diferentes perfis de curvas de decolagem que variam
para cumprir os requisitos de aeronavegabilidade dependendo do modelo da aeronave,
aeródromo no qual é feita a decolagem e configuração do avião naquele voo. Considerando
condições ideais de manobra e um modelo fixo de veículo, suas manobras são feitas a
otimizar seu funcionamento, o que torna o perfil da decolagem consistente o suficiente
para ser associado a técnica de detecção de novidades e espera-se que o resultado dessa
etapa mostre isso.
As curvas citadas são medidas reais de velocidade de um modelo de avião realizadas
durante a etapa de ensaio em voo deste modelo. Medidas de dois protótipos diferentes
do mesmo modelo foram usadas. Além das medidas de velocidade, o sinal lógico real de
travamento do trem de pouso foi utilizado como marcador do final da decolagem para a
obtenção das curvas. Esses dados foram cedidos pela Embraer S.A. para a realização deste
trabalho com a condição da descaracterização dos valores para a proteção de informações
sensíveis da empresa. Essa descaracterização muda os valores absolutos das medidas de
maneira que características sensíveis dos aviões não possa ser extraída mas mantém a
coerência entre os dados e os valores dentro de um intervalo representativo da realidade.
Entendeu-se que isso não altera o trabalho ou as conclusões derivadas dele.
O método de treinamento utilizado para o detector de novidades consiste na
sequência de passos descrita abaixo, utilizada em Alves e Torres (2016).
1. Separar uma curva do resto dos dados de treinamento.
2. Criar um modelo de mistura Gaussiana com todas as curvas, exceto a que foi
separada.
3.3. Desenvolvimento de votador complexo com detecção de novidades 43
3. Calcular a distância de Mahalanobis entre a curva que foi separada e o modelo
Gaussiano.
4. Repetir os passos 1, 2 e 3 para cada uma das curvas do conjunto de treinamento,
obtendo uma lista de distâncias de Mahalanobis, uma para cada curva.
5. Calcular um valor de Limite que seja maior do que 95% das distâncias de Mahalanobis
calculadas.
6. Criar um modelo de mistura Gaussiana com todas as curvas de treinamento, sem
exceção.
O resultado do treinamento é o modelo Gaussiano que contém todas as curvas de treina-
mento e o valor limite.
Dado uma nova curva, sua análise é feita calculando a distância de Mahalanobis
entre essa curva e o modelo de mistura gaussiana resultante do treinamento e comparando-a
com o valor limite obtido do treinamento. Se a distância é menor que o limite, a nova
curva é classificada como sem novidades. Se a distância é maior que o limite, a nova curva
é classificada como tendo novidades.
A validação cruzada é feita através de um k-fold com os dados disponíveis, detalhado
na seção 4.2.2. O resultado esperado da validação que prova o funcionamento adequado do
conceito é que o maior número possível de curvas de teste sejam classificadas adequadamente
como COM ou SEM novidades. A média de classificação correta dos k-fold deve ser calculada
pra esta análise.
3.3 Desenvolvimento de votador complexo com detecção de novi-
dades
O objetivo seguinte é o desenvolvimento de uma técnica de votação complexa nova
com o objetivo de aumentar a confiabilidade da consolidação de dados do ADS.
O estado da arte de técnicas semelhantes de votação complexa (OLIVEIRA;
GALVãO, 2011) utiliza um votador simples que calcula o sinal consolidado com base nos
sinais de entrada que são considerados válidos e técnicas de detecção de erro paralelas
que decidem se os sinais de entrada são ou não válidos ao longo do tempo. O votador
desenvolvido segue a mesma linha, sendo que as escolhas principais passam a ser qual
votador simples utilizar para consolidar o sinal e quais técnicas de detecção de erro incluir.
O votador simples escolhido para ser utilizado é o mesmo utilizado no votador
padrão, de maneira que será possível observar o impacto da alteração nas técnicas de
detecção de erro sobre a performance do votador desenvolvido. Para a parte de detecção
44 Capítulo 3. Metodologia
de erro a ideia é utilizar a detecção de novidades se a sua prova de conceito explicada em
3.2 funcionar.
A aplicação da detecção de erro utilizando a detecção de novidades tem mais
elementos do que já explicado na prova de conceito. A lógica dessa técnica é analisar uma
curva completa e calcular se ela tem ou não uma novidade em relação ao esperado. Por
causa disso, só faz sentido executar o algoritmo quando todos os dados da curva estão
disponíveis. Para garantir isso utiliza-se uma entrada de gatilho no votador, que executa a
detecção de novidades quando há uma borda de subida no gatilho. Como entrada desse
gatilho utiliza-se o sinal de trava do trem de pouso. Ele permanece em FALSO enquanto o
trem de pouso está aberto e transita para VERDADEIRO assim que ele termina de ser
recolhido, funcionando como claro indicativo de que a decolagem terminou.
Observando as curvas de decolagem disponíveis, foi percebido empiricamente que
o intervalo de 60s captura bem a manobra completa. Dessa maneira, quando o sinal de
gatilho é acionado, os últimos 60s de dados são considerados como sendo a curva a ser
caracterizada.
Quando o número de sinais válidos se altera, pode ocorrer um degrau instantâneo
no valor consolidado. para evitar isso, escolheu-se utilizar uma lógica de amortecimento
semelhante ao presente em Oliveira e Galvão (2011) para o sinal consolidado quando
ocorrerem essas transições. O amortecimento promove uma interpolação linear entre os
valores na transição durante um período definido, evitando o degrau.
Considerando as escolhas mostradas acima, o votador complexo baseado em detecção
de novidades funciona da seguinte maneira:
1. Em cada ciclo o sinal consolidado é calculado utilizando uma técnica de votação
simples aplicada a todos os sinais de entrada considerados válidos.
2. Os valores dos últimos 60s dos sinais de entrada são armazenados utilizando uma
janela móvel.
3. Se acontecer uma borda de subida no sinal de gatilho significa que a decolagem
acabou. O detector de novidades é executado para cada sinal de entrada usando os
dados armazenados.
4. Caso alguma novidade seja encontrada em um sinal de entrada, aquele sinal é
considerado inválido e removido da consolidação daquele momento em diante.
5. Sempre que o número de sinais válidos se alterar o amortecimento promove uma
transição suave entre o valor consolidado anterior e atual.
Espera-se que esse votador complexo tenha ganhos de confiabilidade para o ADS
já que a detecção de erro é individual para cada sinal, podendo funcionar para quaisquer
3.4. Análise de votadores complexos 45
número de sinais com falha. As detecções de erro atuais baseiam-se nas relações dos sinais
entre si e tem um limite duro de aplicabilidade. Em uma situação em que 3 sinais estão
com falha e 1 está saudável, é esperado que o votador complexo desenvolvido tenha sucesso
em identificá-los, o que seria mais raro no votador de Oliveira e Galvão (2011). Além disso
é importante notar que é feita uma escolha ao definir o escopo desse votador proposto
e utilizar somente uma técnica de detecção de erro (a detecção de novidades) apenas na
manobra de decolagem.
3.4 Análise de votadores complexos
A última etapa do trabalho é a comparação do votador desenvolvido utilizando a
detecção de novidades com um votador considerado estado da arte para consolidação de
sinais (OLIVEIRA; GALVãO, 2011).
Essa comparação é feita de maneira semelhante ao que já foi descrito em 3.1. Um
sistema para cada votador é criado e simulado variando parâmetros de entrada. Depois, a
medida consolidada do ADS é comparada com a entrada de referência do modelo para
calcular o erro e a performance do votador.
Apesar das semelhanças com a comparação de votadores simples, a comparação
desses dois votadores complexos exige mudanças na metodologia. Primeiramente que a
detecção de novidades, como explicado nas seções 3.2 e 3.3, funciona depois de treinada
para uma curva característica. Assim foram utilizadas as mesmas curvas de decolagem da
prova de conceito do detector de novidades para as simulações nessa etapa.
Outra diferença em relação à comparação de votadores simples é que tanto o
votador de referência quanto o desenvolvido neste trabalho têm como base o aumento
da sua performance através de técnicas de detecção de erro temporais que trabalham em
paralelo a uma votação simples. É necessário um tempo de análise do comportamento dos
sensores para que os votadores complexos atuem no sentido de remover algum que por
ventura possua uma falha. Especificamente para o detector de novidades, ele precisa de
observar a decolagem completa para atuar. Assim, decidiu-se simular 60s de decolagem
seguidos por mais 10s de operação, realizando a comparação da performance somente nos
10 segundos finais de operação.

47
4 Implementação
Para fazer a análise de técnicas de votação aplicadas a um sensor de fluxo térmico
foi escolhido utilizar o ambiente de simulação Simulink, parte do Matlab. Este software
permite utilizar modelos construídos com blocos matemáticos e lógicos e programação por
script para realizar as simulações e analisar os resultados.
4.1 Modelos
4.1.1 Sensor de fluxo térmico
O modelo do sensor de fluxo térmico foi construído seguindo as instruções e fórmulas
matemáticas do artigo de (MAKINWA; HUIJSING, 2000) e mostradas em 2.3. Dentre
vários sensores listados na revisão feita por Haasl e Stemme (2007), esse modelo foi o
escolhido por estar mais próximo da aplicação aeronáutica. Ele foi desenvolvido para operar
no ar, tem grande faixa de operação, não interfere e nem precisa estar em contato direto
com o fluxo, consegue medir velocidade e ângulo e é uma melhoria de um sensor comercial
já disponível no mercado. Suas entradas são as diferenças de potências δPns, δPew, os
desbalanceamentos térmicos nas termopilhas ans e aew, as constantes de proporcionalidade
Sns e Sew e os parâmetros de diferenças de fase em relação a referência Ens e Eew. As
saídas são os valores de velocidade e direção do fluxo, medidas pelo sensor. O bloco
construído que representa essas informações pode ser observado na figura 8.
Não foram considerados no modelo o circuito eletrônico do sensor. O modelo
matemático descrito em Makinwa e Huijsing (2000) e já descrito na seção 2.3, mais
especificamente as fórmulas 2.2, 2.3 e 2.4, já levam em conta possíveis defeitos de fabricação
e operação do sensor, sendo esses os parâmetros ans e aew representando a assimetria
térmica na termopilha, os parâmetros Sns e Sew fatores de proporcionalidade e εns e εew
diferenças de fase em relação a referência para orientação da direção.
Ao invés de estudar o efeito de todas as falhas causadas por valores incorretos
desses parâmetros, foi decidido focar no efeito de um deles na operação do sensor. Dentre
os parâmetros citados a assimetria térmica é escolhida por ser considerada representativa
para esse tipo de sensor, pois uma alteração nela tem o mesmo efeito de uma medida
errada de diferença de potência δPns ou δPew e afeta tanto o cálculo de velocidade quanto
de ângulo.
Assim, os parâmetros ans e aew foram escolhidos para modelar o erro padrão
característico e as falhas que queremos inserir nos sensores, e por consequência durante a
simulação os parâmetros Sns e Sew são fixados em 1 e os parâmetros Ens e Eew fixados em
48 Capítulo 4. Implementação
Figura 8 – Modelo Simulink do sensor de fluxo térmico.
0 para que não interfiram nos valores dos sensores.
A modelagem dos defeitos utilizando esses parâmetros permite que a simulação
demonstre o efeito representativo de uma falha característica de sensores de fluxo térmico
na operação integrada de um ADS.
4.1.2 Cálculo das entradas dos sensores
As simulações planejadas na seção 3 utilizam como entradas dados de velocidade,
sendo eles gerados artificialmente como na seção 3.1, ou reais obtidos da Embraer como
nas seções 3.2 e 3.4. A entrada dos sensores de fluxo, por outro lado, utiliza a diferença
de potência. Observa-se então a necessidade da implementação de um modelo que realize
essa adequação entre as grandezas.
Este bloco tem como entradas a velocidade (Speed) e ângulo (Angle) do fluxo de
ar e um sinal de controle para a execução do bloco (Enable). Como saídas ele fornece
os sinais de potência δPns e δPew e os sinais de desbalanceamento térmico ans e aew. A
figura 9 mostra essa interface.
A conversão matemática das entradas nas saídas especificadas é a aplicação inversa
das fórmulas do modelo do sensor de fluxo térmico de 4.1.1. A diferença é que outras
funções são incluídas nesse bloco: modelagem do erro natural do sensor de fluxo medido
4.1. Modelos 49
Figura 9 – Modelo Simulink de cálculo das entradas do sensor.
na prática e inserção de falhas nos sensores.
O erro natural do sensor é inserida diretamente nos sinais de δP através da soma
do valor calculado com um valor aleatório que produz erro máximo de 4% na velocidade.
Esse valor origina-se de medições experimentais em (MAKINWA; HUIJSING, 2001).
A possibilidade de inserir falhas é controlada através de parâmetros fixos decididos
antes da simulação ser executada. Os tipos de falhas são Derivativa, Constante, Proporcional
e Rampa, e serão descritos com mais detalhes na seção 4.2.1 que explica a execução. O
modelo insere as falhas calculando os valores de saída de ans e aew levando em conta o
tipo e a amplitude da falha escolhidas.
O sinal de enable do bloco foi inserido para que os valores só sejam realmente
calculados e fornecidos quando ele estiver ativado. Isso é necessário pois há uma janela de
tempo no início da simulação em que algumas inicializações são feitas e nesse período o
cálculo dos valores é pausado.
4.1.3 Sistema com quatro sensores de fluxo térmico
O modelo de cálculo das entradas dos sensores 4.1.2 é conectado ao modelo do
sensor de fluxo térmico 4.1.1. Essa junção permite utilizar como entrada velocidade do
fluxo e modela por completo o comportamento do sensor de fluxo térmico, seu erro padrão
e falhas inseridas. A figura 10 abaixo mostra essa configuração.
O Air Data System utilizado neste trabalho é composto por quatro sensores de
fluxo térmico dispostos de maneira redundante. Dessa maneira, o modelo da figura 10 é
utilizado quatro vezes para compor o ADS. A entrada de todos eles são os mesmos sinais
de velocidade e ângulo, mas as saídas são bem diferentes, uma vez que os componentes
aleatórios do erro padrão são inseridos. Além disso a quantidade de falhas no sistema
também é um parâmetro da simulação e varia, de maneira que a existência ou não de
50 Capítulo 4. Implementação
Figura 10 – Modelo Simulink com cálculo da entrada e sensor de fluxo conectados.
falhas em cada uma das quatro instâncias é controlada individualmente.
4.1.4 Votadores
Modelos de todos os votadores descritos em 2.4 e do votador desenvolvido em 3.3
foram implementados para que pudessem ser utilizados nas simulações. Dentro do ADS
esses votadores foram incluídos de maneira que o parâmetro V oterSelection pudesse ser
usado para escolher qual votador utilizar em uma simulação específica. A figura 11 mostra
essa implementação.
As entradas e saídas de todos os votadores foram padronizadas para que eles fossem
intercambiáveis nas simulações. Todos possuem quatro entradas para os sinais redundantes
medidos pelos sensores. Além disso todos possuem uma entrada de Enable que habilita
ou não a execução do bloco. De Saída, eles possuem um sinal consolidado de velocidade
Speed, resultado da votação e um sinal de V alidity que indica se o valor votado deve ser
considerado válido ou não. A seleção de qual votador será conectado ao sinais de saída
está mostrado na figura 12.
Dependendo da necessidade as saídas dos votadores foram alteradas para que
estivessem de acordo com esse padrão. Por exemplo, o votador padrão possui entradas
de validade individuais para cada sensor. Como a simulação não leva em conta falhas
anunciadas pelo próprio sensor essas entradas foram fixas em True para esse votador. Outro
exemplo é que muitos dos votadores simples não possuem inteligência para considerar o
4.1. Modelos 51
Figura 11 – Modelo Simulink de seleção de votadores.
Figura 12 – Modelo Simulink de seleção de saída dos votadores.
52 Capítulo 4. Implementação
valor votado válido ou não. Nesse caso o sinal de validade de saída foi fixo em True para
esses votadores.
4.1.4.1 Votador Padrão
Devido à complexidade do votador padrão utilizado, proposto por Oliveira e Galvão
(2011), foi utilizado um fluxo de implementação que envolveu o teste funcional isolado
de cada macro-componente descrito no artigo e depois um teste integrado do votador,
com inserção de sinais predefinidos para observar a operação do sistema, garantindo uma
extensa verificação do modelo. Além disso, este votador possui uma série de parâmetros
que modificam a sua operação e devem ser escolhidos para cada aplicação. O processo
de implementação também envolveu a escolha mais apropriada de parâmetros para a
aplicação do sensor de fluxo com suas características de operação. A figura 13 mostra o
ambiente de teste do votador padrão.
Figura 13 – Modelo Simulink de teste do votador padrão.
Ao final da implementação os parâmetros mostrados na tabela 1 foram escolhidos
para serem usados na instância desse trabalho, adequados para a operação requerida e
comparação com outros métodos.
Alguns dos parâmetros citados na tabela merecem uma explicação mais detalhada. O
valor do erro padrão TF_DefaultError é escolhido como 4 devido a aplicação, que sabemos
devido às curvas de decolagem, tem velocidades variando de 0 a até aproximadamente 100.
4.1. Modelos 53
Parâmetro Valor
TF_DefaultError 4
Flagged_DebounceWindowSize 10
Flagged_DebounceSamplesToTrue 7
Miss_Threshold 2*TF_DefaultError
Miss_TimeConstant 1
Miss_FilteredThresholdOFF 1*TF_DefaultError
Miss_FilteredThresholdON 2*TF_DefaultError
Range_SignalUpperLimit 10000
Range_SignalLowerLimit -10000
Range_PersistentTime 1
Osc_LowFrequency 4Hz
Osc_HighFrequency 49Hz
Osc_Threshold 1
Osc_PersistentTimer 0.5
Split_MaxDiffToPair TF_DefaultError
Split_MinDiffToSplit 2*TF_DefaultError
Split_PersistentTimer 1
Con_HealingTimer 1
Fader_FaderTimer 0.2
TS 0.01
Tabela 1 – Parâmetros da utilização do votador padrão.
Nesse caso o erro padrão aleatório do votador de 4% aplicado ao valor máximo esperado
resulta no valor 4 para essa constante. Outros parâmetros são definidos em relação ao
TF_DefaultError, como por exemplo Miss_Threshold, definido como 2 x TF_DefaultError.
Esse valor é escolhido porque, como já é esperado que o valor do sensor varie dentro do
erro padrão, só faz sentido detectar um erro de Miscompare se a diferença for maior. A
mesma dependência existe para os parâmetros de Miscompare e Split.
A descrição completa de todos os componentes internos e lógicas do votador padrão
pode ser encontrada em Oliveira e Galvão (2011). O modelo criado neste trabalho replicou
as lógicas como descritas.
4.1.4.2 Votador com detector de novidades
A implementação do votador com detecção de novidades seguiu a lógica explicada
na seção 3.3. Ele possui, portanto, quatro entradas para os sinais redundantes, uma entrada
de Trigger que indica ao votador o momento em que a curva de interesse está completa e
uma entrada de Reset. Suas saídas são o valor votado e a qualidade do sinal, sendo que
essa última é um número inteiro que indica quantos sinais o votador considera válidos
naquele momento. A figura 14 mostra a interface do bloco.
Os blocos internos do votador desenvolvido estão descritos separadamente nas três
54 Capítulo 4. Implementação
Figura 14 – Modelo Simulink do votador com detecção de novidades.
figuras 15, 16 e 17. O estágio de entrada do modelo está na primeira delas e conta com um
filtro passa baixa para cada sinal recebido. A necessidade deste filtro foi identificada na
primeira vez em que o votador foi integrado ao ADS. Nessa ocasião percebeu-se que o ruído
causado pelo erro padrão aleatório de 4% do sensor de fluxo térmico era percebido sempre
como uma novidade pelo detector, uma vez que os dados utilizados para treinamento
originais não possuem tal oscilação. O filtro foi inserido e ajustado para suavizar a onda
que é lida pelo detector de novidade e permitir uma comparação adequada com os dados
de treinamento. É importante notar que o filtro não altera os sinais considerados para
cálculo do valor votado, apenas para a detecção de novidades. Isso significa que o ruído
inserido continua influenciando o cálculo da saída e que atrasos de fase devido aos filtros
afetam somente o tempo em que a detecção de novidade ocorre e não o valor votado.
Efeitos de temporização e atrasos são discutidos em detalhe na seção 5.3.5.
Logo após os filtros há um detector de novidade para cada sinal de entrada. Eles
funcionam armazenando em janela móvel os valores dos últimos 60 segundos de execução.
Apenas quando o sinal de Trigger na sua entrada tem uma borda de subida que o detector
compara a curva armazenada com a curva esperada de uma decolagem padrão. Se há
diferenças significativas, considerando os fatores já explicados em 3.2, a saída do bloco vai
pra True, indicando que há novidade.
Em seguida há o estágio de cálculo do valor votado mostrado na figura 16, em
que foi utilizado o método de cálculo através da mediana dos sinais de entrada. Note que
o bloco recebe os valores dos sinais sem passar pelo filtro e as saídas dos detectores de
novidades como validade dos sinais. Se uma novidade é detectada a validade daquele sinal
4.1. Modelos 55
Figura 15 – Primeiro estágio interno do votador com detecção de novidades.
muda para False e ele passa a ser desconsiderado no cálculo do valor consolidado.
Figura 16 – Segundo estágio interno do votador com detecção de novidades.
56 Capítulo 4. Implementação
Por último há o estágio de Fader na figura 17 que provoca uma transição suave
no sinal de saída sempre que a quantidade de sinais válidos se altera.
Figura 17 – Terceiro estágio interno do votador com detecção de novidades.
4.1.5 Comparação
A lógica de comparação é responsável por identificar a diferença entre o valor
calculado pelo votador Speed_V oter e a referência SpeedReference, que para o ADS
implementado é a própria entrada de velocidade do sistema. Na figura 18 pode-se ver
que a diferença absoluta entre os dois, assim como a porcentagem que essa diferença
representa, são nossos valores de interesse calculado. Um limite inferior de 0.1 é colocado
para o cálculo de porcentagem para que valores pequenos de velocidade não provoquem
uma distorção nos dados. A entrada de Reset funciona para interromper o cálculo quando
está ativada (evitando dados incorretos). Por último, a entrada que contém a informação
de validade da saída do votador V alidOut_V oter não é utilizada.
4.1.6 ADS integrado
A integração dos blocos descritos nas seções anteriores resulta no modelo completo
do Air Data System, denominado ADS_model. Seu diagrama principal pode ser observado
na figura 19.
Pode-se ver no modelo todos os estágios que já descrevemos. As entradas são a
velocidade (InputSpeed) e ângulo (InputAngle) do fluxo, um sinal de Reset e o sinal
NLG_UL, sigla para NoseLandingGearUpLock, responsável por indicar o momento em
que a decolagem acaba e servir como acionamento para o detector de novidades.
O bloco ThermoflowSensors contém a configuração de quatro sensores de fluxo
térmico redundantes descritos em 4.1.3. O bloco V oters contem todos os votadores, como
explicado em 4.1.4. Por último, Comparison contém a lógica mostrada em 4.1.5.
4.1. Modelos 57
Figura 18 – Modelo Simulink da comparação ente valor votado e referência.
Figura 19 – Modelo Simulink do Air Data System.
As saídas do modelo são as quatro medidas de velocidade dos sensores Speed1..4,
a velocidade consolidada do votador escolhido SpeedV oter, a validade dessa informação,
V alidityV oter, além dos erros absolutos e percentuais AbsoluteError e PercentError.
Além dos elementos visíveis na figura, o modelo integrado do ADS também utiliza
vários parâmetros fixos, definidos antes da simulação, sendo que alguns já foram citados
58 Capítulo 4. Implementação
nas seções anteriores. A lista completa deles e o seu valor está na tabela 2.
Parâmetro Valor padrão Uso
TS 0.01 Taxa de execução da simulação
EndTime - Tempo total da simulação
VoterSelection - Votador a ser utilizado
TF_DefaultError 4 Erro padrão na saída
TF_DefaultErrorPercent 0.04 Erro padrão na saída (%)
CTI_InputDeviationPercent_ns 0.0198 Erro padrão no componente ns
CTI_InputDeviationPercent_ew 0.0198 Erro padrão no componente ew
CTI_ErrorType_ns[1...4] - Tipo de erro ns nos sensores 1 a 4
CTI_ErrorAmp_ns[1...4] - Amplitude do erro ns nos sensores 1 a 4
CTI_ErrorType_ew[1...4] - Tipo de erro nos ew sensores 1 a 4
CTI_ErrorAmp_ew[1...4] - Amplitude do erro ns nos sensores 1 a 4
CTI_StartSeed[1...4] - Semente aleatória do erro padrão
Tabela 2 – Parâmetros do ADS integrado.
Os parâmetros sem valor na tabela não possuem um valor padrão e precisam ser
definidos para cada simulação. A sigla CTI de alguns parâmetros indica que eles são usados
pelo bloco que calcula a entrada do sensor de fluxo (Calculate Thermoflow Inputs). Já a
sigla TF representa parâmetros do sensor de fluxo (Thermo F low) mas que são utilizadas
em diversas partes do modelo em que são relevantes. Os outros parâmetros dizem respeito
a simulação como um todo.
O parâmetro TF_DefaultError dessa tabela é o mesmo que já foi mostrado na tabela
1. Ele juntamente com o parâmetro TF_DefaultErrorPercent, CTI_InputDeviationPercent_ns
e CTI_InputDeviationPercent_ew são maneiras diferentes de representar a mesma coisa,
o erro padrão do sensor de fluxo definido em 4% em sua caracterização (MAKINWA;
HUIJSING, 2001). TF_DefaultError vale 4 considerando a máxima operação dos sistema,
TF_DefaultErrorPercent representa o valor percentual e CTI_InputDeviationPercent_(ns|ew)
são os valores do erro em cada componente ortogonal do sensor para que no final o erro
seja de 4%.
4.2 Execução
Após a criação dos modelos é necessário criar um arcabouço que seja responsável por
sua simulação e definir valores de entradas para a execução seguindo os moldes estabelecidos
pela metodologia. Nas seções seguintes serão explicadas as decisões e implementações
escolhidas para realizar isso e obter os dados de saída necessários.
Para detalhes sobre como executar os scripts e indicação de quais são os arquivos
de entrada e saída das etapas, consulte o anexo A.
4.2. Execução 59
4.2.1 Análise de técnicas de votação simples
A comparação entre as técnicas de votação simples envolve simular os votadores
2, 3, 4 e 5 implementados. Um script se encarrega de realizar essa simulação em vários
cenários diferentes, variando parâmetros que alteram a entrada do modelo e a falha inserida
no sensor de fluxo térmico. A tabela 3 lista as possíveis alternativas de três parâmetros
relacionados à entrada e a tabela 4 lista as possíveis alternativas de três parâmetros
relacionados à falha inserida. O scrip simula todas as combinações possíveis entre esses
parâmetros. Dado o número de possibilidades para cada parâmetro e excluindo a variação
de frequência para tipos de entrada constante e rampa é possível obter 1008 configurações
distintas.
Tipo da entrada Valor da entrada Frequência(Hz) da entrada
Constante 1 0,1
Rampa 10 1,0
Senoidal 100 5,0
Rotacional - 10,0
Tabela 3 – Parâmetros da entrada para comparação de votadores simples
Tipo da falha Valor do erro Quantidade de falhas
Derivativo 0,1 1
Proporcional 1 2
Constante 10 3
Rampa - 2 (split)
Tabela 4 – Parâmetros da falha para comparação de votadores simples
A escolha desses parâmetros foi feita para observar um universo de cenários bem
expandido dentro do que é realista. O objetivo não é definir a relação entre o desempenho
e a variação de nenhum dos parâmetros, mas analisar a comparação entre os votadores no
geral, tendo um universo diversificado de situações para utilizar.
Os tipos de entrada escolhidas tentam representar situações realistas. O tipo fixo
é simplesmente um valor que não se altera no tempo. A entrada em rampa começa em
zero e cresce linearmente, terminando com duas vezes o valor definido para a entrada.
A entrada senoidal é uma senoide de amplitude igual ao valor definido para a entrada e
variando na frequência escolhida para a entrada, deslocada no eixo Y para não ter valor
negativo. A entrada rotacional é mais peculiar pois representa a situação em que um fluxo
de velocidade constante igual ao valor escolhido muda a direção com que passa pelo sensor.
Isso significa que essa entrada tem valores diferentes para δPns e δPew variando no tempo
de maneira senoidal e cossenoidal. Como cada direção é um componente ortogonal da
velocidade do fluxo, a amplitude da velocidade é constante.
60 Capítulo 4. Implementação
Os valores reais esperados para a operação desse sensor está em torno de 100m/s,
portanto esse parâmetro é variado de 1m/s até 100m/s. A frequência de operação típica
de sensores de velocidade vai 10Hz até 100Hz, portanto escolheu-se variá-la de um valor
bem baixo 0,1Hz até o valor de 10Hz.
As falhas são inseridas no modelo do sensor através da alteração do valor do seu
parâmetro ans. O tipo de falha constante muda o parâmetro para o valor escolhido por toda
a simulação. O tipo de falha em rampa altera ans crescendo linearmente de 0 até 2 vezes
do valor especificado do erro. No caso proporcional, o parâmetro de desbalanceamento
térmico ans é igual a entrada do sensor multiplicada pelo valor escolhido da falha. No caso
derivativo, a mesma multiplicação, mas considerando a derivada da entrada.
Os valores dos erros associados às falhas, representados por variações em ans, foram
escolhidos empiricamente ao observar como a saída do sensor de fluxo é alterada para uma
dada relação entre ans e a entrada do sistema.
Em relação a quantidade das falhas, foram escolhidos os cenários com 1, 2 e 3
falhas distribuídas em posições e com sinais aleatórios. Outro caso especial é o de duas
falhas mas com sinais iguais. Isso provoca a criação de dois pares de sinais que concordam
entre si, chamado split. Como o votador padrão tem uma lógica específica para identificar
esse tipo de falha ela foi incluída na comparação.
Cada uma das 1008 combinações possíveis dos parâmetros corresponde a uma
amostra do experimento. Cada amostra, por sua vez, é uma média de 20 simulações fixas
em uma combinação de parâmetros. Isso é feito para que uma resposta adequada da
simulação seja obtida considerando os aspectos pseudo aleatórios inseridos no modelo. Ao
realizar a média de 20 simulações, por exemplo, a posição de uma falha se torna irrelevante
pois ela foi colocada em um lugar aleatório para cada uma das simulações, mas o efeito de
uma falha no desempenho se mantém e é medida. Cada execução simula 10s de operação.
Esse valor foi escolhido por representar um intervalo de tempo realístico em que uma
variação errônea na velocidade deve ser percebida.
4.2.2 Prova de conceito do detector de novidades
Os dados de entrada utilizados são cedidos pela Embraer S.A. e correspondem a
valores descaracterizados de medidas reais. Dentre os dados de entrada, além da medida de
velocidade há também o sinal NLG_UP ("Nose Landing Gear Up Lock") que foi escolhida
para representar o fim da manobra de decolagem da aeronave. Dessa maneira, ao coletar
as curvas de decolagem, utiliza-se os 60s anteriores à borda de subida do sinal NLG_UP.
O intervalo de 60 segundos foi escolhido empiricamente por ser suficiente para conter a
manobra de interesse completa.
A primeira etapa é justamente a separação e classificação das curvas utilizando
4.2. Execução 61
esse critério em duas categorias. Essa classificação é facilitada por um script que mostra
ao usuário a curva de interesse e pede a ele uma classificação manual daquela curva.
Os dois tipos de decolagem em que as curvas foram separadas são o tipo 1, uma
decolagem mais suave em que a velocidade da aeronave se estabiliza em um patamar antes
do fechamento do trem de pouso e o tipo 2, uma manobra mais aguda em que o objetivo
é alcançar maior altitude mais rápido e portanto a velocidade não se estabiliza antes
do fechamento do trem de pouso. A utilização de uma ou outra manobra na decolagem
depende do piloto, aeródromo ou ensaio sendo realizado.
Os dois tipos de curvas têm semelhanças mas também diferenças significativas.
Treinar um sistema sem essa separação poderia significar deixar o detector relaxado de
mais, ou seja, queremos identificar falhas que se manifestem alterando a curva menos do
que a diferença entre tipos de decolagem. Após a separação foi decidido também utilizar
somente as decolagens tipo 1 no restante do trabalho, ignorando as curvas do tipo 2. As
implicações dessa definição de escopo do trabalho são discutidas com mais detalhes na
seção 5.
Em seguida, com as curvas já selecionadas e classificadas, é realizada a validação
do método de detecção de novidade. Isso ocorre através de um k-fold com k igual a 9
em um conjunto de 117 curvas. Isso significa que o processo de treinamento e teste foi
repetido 13 vezes, separando as curvas em um conjunto de treinamento com 108 curvas
e um conjunto de teste com 9 curvas, de maneira que todas as curvas estão presentes
no grupo de teste exatamente uma vez. Essas curvas de teste são originais dos dados de
decolagem, e portanto, sem novidades. Por causa disso, em cada repetição também são
incluídas no conjunto de teste 9 curvas com novidades, criadas a partir da modificação
das curvas sem novidades.
Esse processo resulta em um total de 234 classificações de curvas feitas pelo detector
de novidades. Como saída da execução obtêm-se um log de execução e o valor consolidado
de quantas vezes a detecção de novidade foi testada, e dessas vezes quantas eram acertos,
falsos positivos ou falsos negativos.
4.2.3 Análise de votadores complexos
A comparação das técnicas de votação complexas é feita de maneira semelhante ao
já descrito para as técnicas simples, com diferenças que serão detalhas a seguir.
Primeiramente, a detecção de novidades desenvolvida aqui funciona comparando
uma curva de decolagem de entrada com um sistema treinado para observar esse tipo de
manobra. Então para essa simulação será utilizada como entrada do modelo uma curva
formada pela junção de uma decolagem seguida por outra forma de onda de um tipo
especificado.
62 Capítulo 4. Implementação
Das 117 curvas de decolagem tipo 1, 97 são escolhidas aleatoriamente para realizar
o treinamento do detector de novidades. 20 curvas são reservadas para serem utilizadas na
simulação do sistema. A escolha por utilizar 20 curvas de decolagem para teste se baseia
no número de simulações por amostra que são realizadas, exatamente 20, como já descrito
anteriormente. Dessa maneira cada uma das 20 curvas de teste é utilizada uma vez para
gerar cada amostra do experimento. É importante destacar que a etapa de análise de
votadores complexos descrita aqui é um experimento independente da prova de conceito da
seção anterior 4.2.2, o que significa que a separação das curvas segue um caminho próprio.
Por último, devido ao custo computacional elevado da detecção de novidades, a
variação de valores dos parâmetros e consequentemente a quantidade total de simulações
foi reduzida. Os parâmetros variados são: forma do sinal de entrada; valor da entrada; tipo
de relação da falha com a entrada; valor do erro associado à falha; localização e número de
falhas. Os valores escolhidos estão mais próximos dos valores nominais esperados durante
a operação após a decolagem, totalizam 192 combinações. A tabela 5 lista as alternativas
dos parâmetros relacionados à entrada do sistema e a tabela 6 lista as alternativas dos
parâmetros relacionados à falha inserida.
Tipo da entrada Valor da entrada Frequência(Hz) da entrada
Rampa 1 0,2
Senoidal 10 -
Rotacional - -
- - -
Tabela 5 – Parâmetros da entrada para comparação de votadores complexos
Tipo da falha Valor do erro Quantidade de falhas
Derivativo 1 1
Proporcional 5 2
Constante - 3
Rampa - 2 (split)
Tabela 6 – Parâmetros da falha para comparação de votadores complexos
A entrada do tipo constante foi removida por não ser tão diferente assim da entrada
em rampa, que é bem representativa da realidade. O valor de entrada 100 também é
desnecessário porque nessa simulação esse valor é adicionado à curva de decolagem que
já termina em um valor representativo da realidade. A frequência foi fixada em um valor
também representativo para a aplicação. Os valores das falhas foram alterados de 3 para
2, escolhendo valores intermediários dos valores antigos.
Por último, o tempo total de execução da simulação foi escolhido para ser 70
segundos. 60 são devido a curva de decolagem, que tem essa duração. Após ela terminar a
simulação roda mais 10 segundos com o tipo de entrada escolhido. Esses valores de entrada
4.2. Execução 63
após a decolagem usam como referência o último valor dessa curva, ou seja, uma entrada
em rampa começa no valor inicial igual a último valor da decolagem e cresce. Uma entrada
senoidal oscila em torno do último valor da decolagem, etc.

65
5 Resultados
Como foi discutido ao longo desse trabalho, o seu objetivo principal é aumentar a
confiabilidade de Air Data Systems. Em outras palavras, busca-se fazer com que a diferença
entre a medida de airspeed consolidada de um sistema e o valor real de tal grandeza seja o
menor possível para um leque amplo de situações.
A meta desse capítulo é verificar através de dados e comparações objetivas se o
objetivo geral do trabalho foi atingido e em qual grau, discutindo suas particularidades,
pontos positivos e negativos.
A metodologia proposta na seção 3 engloba várias etapas para verificar se as técnicas
e ideias propostas terão sucesso nesse objetivo. Nas etapas seguintes os resultados das
simulações e testes propostos serão apresentados e discutidos. Serão mostrados os resultados
da integração do sensor de fluxo térmico no ADS e a comparação das técnicas de votação
simples nesse modelo na seção 5.1. Em seguida a aplicação da detecção de novidades
a dados reais de aviação será discutida na seção 5.2. Por fim o votador proposto nesse
trabalho é comparado a um votador padrão na seção 5.3, sendo essa a maior contribuição
desse texto. Para detalhes sobre a execução, arquivos e scripts, consulte o anexo A.
5.1 Análise de técnicas de votação simples
Nesta seção de análise dos votadores simples a seguinte notação é adotada nos
gráficos e texto para se referir a cada um dos quatro votadores:
• Votador 2: Mediana dos sinais de entrada
• Votador 3: Média dos sinais de entrada
• Votador 4: Média da maioria dos sinais próximos de entrada
• Votador 5: Média dos dois sinais mais próximos de entrada
Para analisar o desempenho de cada uma das técnicas escolheu-se analisar princi-
palmente o erro percentual médio de cada uma. O erro absoluto iria diluir muito o efeito
para valores pequenos em comparação com valores grandes e indicar um resultado errôneo.
A saturação inferior com valor 0.1 no denominador inserida no modelo de comparação
descrito em 4.1.5 evita o oposto, que variações pequenas no valor absoluto para cenários
de baixa velocidade gerem um erro percentual extremamente grande.
66 Capítulo 5. Resultados
Para a análise o erro médio é comparado para os cenários criados com a variação
dos parâmetros descritos na tabela ??. A figura 20 mostra o erro percentual médio dos
votadores para diferentes quantidades de sensores com falhas a uma frequência constante
de 0,1Hz. Há a separação também entre 2 falhas aleatórias e 2 falhas de mesmo sinal,
formando um split, como explicado na seção 4.2.1. Nesses gráficos o erro está representado
em escala logarítmica. Observando essa figura é possível notar que os votadores 2, 4 e 5
têm comportamentos parecidos e boa performance para apenas um sensor com falha, com
valores médios de erro de até 3% para os votadores 2 e 5 e igual a 4,5% para o votador 4.
Já o votador 3 tem um desempenho bem pior, com erros atingindo 711%. O votador 3 é o
único que sempre utiliza o valor de todas entradas para o cálculo da saída e isso se reflete
no seu desempenho. Ele consegue diminuir a influência de uma falha na saída mas não
remover completamente. Observando o comportamento para duas falhas aleatórias e duas
falhas em split pode-se perceber que o votador 2 piora significativamente, atingindo um
erro em torno de 1300% nesses casos. Já o votador 3 piora ainda mais o e atinge erros
de até 1417%. O votador 4 tem o melhor desempenho para esses casos, com erro de 4,8%
para duas falhas aleatórias e 11% para o caso de split. O votador 5, por sua vez, apesar
de se mostrar pior do que o votador 4, tem valores ainda bem melhores do que os outros,
67% e 118% respectivamente. Para 3 falhas todos os votadores tem desempenhos muito
ruins, na casa de 2800%. Esse é o cenário mais difícil pois não há nenhuma maneira de
saber qual é o único sensor saudável do sistema.
Figura 20 – Erro médio para diferentes quantidades de sensores com falha.
5.1. Análise de técnicas de votação simples 67
A próxima etapa é analisar como os erros dos votadores se comportam ao variarmos
o tipo de entrada do sistema para uma frequência fixa de 0,1Hz. A figura 21 mostra
os valores de erro médio para os diferentes tipos de entrada. Pode-se ver ao analisar
esses gráficos que os votadores 4 e 5 têm desempenho próximo e são consistentemente
melhores do que os votadores 2 e 3 para todos os cenários. É possível ver também que
o comportamento de todos os votadores é melhor para os casos de entrada constante e
rotacional (que também possui módulo constante) e piores para os casos de entrada em
rampa e oscilatória. O melhor votador é o 4, que teve seu menor erro médio para entrada
constante (284%) e seu maior para oscilatória (1300%).
Figura 21 – Erro médio para diferentes tipos de entradas.
O próximo gráfico mostrado na figura 22 contém os dados para variações dos tipos
de erro em uma frequência fixa de 0,1Hz. A variação desse fator causa um erro maior para
todos os votadores para os casos derivativos e rampa mas não interfere na relação entre os
votadores, de maneira que os votadores 4 e 5 são sempre os melhores, com o 4 ainda tendo
uma pequena vantagem em relação ao 5 em todos os casos. O pior erro médio chega ao
valor de 1875% para o votador 3 no erro em rampa e o melhor fica com o votador 4 no
erro proporcional, com valor de 387%.
Alterar a frequência de entrada também não muda o desempenho relativo dos
votadores. Os votadores 4 e 5 têm consistentemente melhor desempenho, e o 4 ainda possui
uma leve vantagem. Isso pode ser observado na figura 23 que mostra os erros médios de
tipos de entradas que variam no tempo (oscilatória e rotacional) para diferentes frequências.
68 Capítulo 5. Resultados
Figura 22 – Erro médio para diferentes tipos de falhas.
Pode-se observar também nesse gráfico que o aumento da frequência provoca um aumento
grande no erro médio para todas as técnicas, com pico em 5Hz, e diminuindo um pouco
para 10Hz. A diferença chega a ser uma ordem de grandeza com a mudança de 0,1Hz para
1Hz e de mais uma ordem de grandeza ao passar para 5Hz.
Segundo as análises anteriores podemos concluir que a quantidade de falhas é o
único fator que altera o desempenho relativo dos votadores. Principalmente ao observarmos
os desempenhos para 1 falha, em que apenas o votador 3 tem um desempenho ruim, e para
3 falhas, em que todos os votadores têm desempenho ruim. Analisando o tipo de entrada,
tipo de falha e frequência, apesar de alguns casos se mostrarem piores do que outros no
geral, a relação entre os votadores permanece: os votadores 4 e 5 têm desempenho melhor,
sendo o 4 consistentemente o melhor de todos.
Uma análise geral com todos os casos é feita abaixo. A diferença é que os pontos
extremos ("outliers") de desempenho de cada votador são removidos ao considerar somente o
quantil inferior de 95% dos pontos. Poucos pontos de valores extremamente altos interferem
no cálculo do erro médio e máximo para os votadores. Desconsiderá-los deixa nossa análise
mais perto da realidade de operação.
As figuras 24 e 25 mostram os valores médios e máximos dos erros dos votadores,
respectivamente. O votador 4 (média da maioria) possui o melhor desempenho dos votadores
simples com um erro médio geral de 135,76% e um erro máximo de 1,79E4%. Em segundo
5.1. Análise de técnicas de votação simples 69
Figura 23 – Erro médio para diferentes frequências de entrada.
lugar o votador 5 (média dos mais próximos) tem um desempenho mais que duas vezes
pior, com erro médio de 400% e máximo de 2,69E5%. Em seguida aparece o votador 2
(mediana) com valores de erro médio de 1778,4% e máximo de 4,93E5%. Em último lugar
o votador 3 (média) tem um erro médio mais de 20 vezes maior que o votador 4, na casa
dos 3097%. Seu erro máximo chega a 1,22E6%.
Figura 24 – Erro médio para todos os casos sem outliers
70 Capítulo 5. Resultados
Figura 25 – Erro máximo para todos os casos sem outliers
A conclusão de que o votador que calcula a saída como a média da maioria dos
sinais de entrada é o melhor para os casos testados é diferente dos resultados obtidos em
Viana e Torres (2018), em que o votador que utiliza a mediana foi considerado o melhor.
Existem diferenças substanciais da metologia que explicam essas diferenças.
A primeira grande diferença é que o artigo em questão escolheu os valores das
entradas dos sensores de maneira que elas estivessem distribuídas em um intervalo de ±
4% da referência, mas cada entrada tem uma posição fixa nesse intervalo, de maneira
que as falhas simuladas nos sensores precisam ter sua posição especificada e essa posição
interfere nos resultados obtidos. As simulações realizadas no trabalho atual tomaram o
cuidado de distribuir o valor do erro padrão do sensor e a posição da falha inserida de
maneira aleatória.
Outra diferença considerável é que dos 4 cenários considerados no artigo, 2 são
referentes a somente um sensor com falha. Observando os resultados mostrados acima é
possível ver que para uma falha o desempenho do votador 2 (2,17%) é realmente melhor
do que o votador 4 (4,53%), embora os valores sejam próximos. Outro cenário observado
no artigo é o de 2 falhas opostas, em que os dois sensores mais distantes em módulo da
referência falham com erros de sinais opostos. Esse cenário é uma situação específica para
duas falhas em que o votador 2 ataca com mais precisão e tem desempenho melhor.
Analisando essas diferenças é possível ver que os resultados do artigo Viana e Torres
(2018) estão limitados devido à metodologia e escopo escolhidos para serem utilizados.
O trabalho atual amplia o escopo ao utilizar elementos aleatórios nas simulações que
tornam irrelevante as localizações e comportamentos específicos das falhas. Além disso
o cenário com 3 falhas também é trazido para análise. Podemos concluir que o trabalho
atual apresenta um cenário mais completo e bem estabelecido de comparação entre os
5.2. Prova de conceito do detector de novidades 71
métodos de votação, e sob essa ótica o votador 4 que calcula a média da maioria dos sinais
tem melhor desempenho.
5.2 Prova de conceito do detector de novidades
Seguindo os detalhes do k-fold explicados na seção 4.2.2 foram realizadas 13
bateladas de teste, cada uma com 18 curvas (9 originais e 9 modificadas para ter novidades).
No total são 234 classificações utilizando o detector de novidades. Abaixo pode-se observar
na figura 26 uma curva de teste original obtida dos dados e na figura 27 uma curva
modificada pra conter novidades. As modificações para inserir novidades foram arbitrárias
e diferentes para cada curva, mas as mesmas em cada uma das 13 bateladas. A figura 27
contém um degrau inserido para ser a novidade. Outras novidades inseridas incluem degraus
em outras posições e amplitudes e soma da curva com formas de ondas arbitrárias, como
a senoide. Os resultados obtidos da execução de todas as classificações estão sintetizados
na tabela 7.
Figura 26 – Curva de teste normal. Figura 27 – Curva de teste com novidade.
Número de classificações totais: 234
Número de classificações corretas: 230 (98,29%)
Número de falsos positivos: 4
Número de falsos negativos: 0
Tabela 7 – Resultados da prova de conceito do detector de novidades.
Com esses dados conclui-se que o detector de novidades funciona bem para o caso
proposto, com uma taxa de acerto de 98% para detectar novidades. Os falsos positivos
encontrados mostram que em alguns casos o detector acusou uma novidade em uma curva
que originalmente deveria ser considerada normal. Isso significa que o limite escolhido para
a detecção de novidades poderia ser relaxado. O fato de que nenhum falso negativo ser
detectado é importante, pois mostra que nenhuma vez ocorreu o caso de uma curva com
72 Capítulo 5. Resultados
novidades ser classificada como normal. Para aplicações de alta confiabilidade como a que
estamos estudando esse fator é muito importante. A alteração do limite para diminuir os
falsos positivos deve levar isso em conta e ser cuidadosamente ajustado caso uma aplicação
futura tente melhorar a performance do algoritmo.
5.3 Análise de votadores complexos
A seção atual apresenta os resultados obtidos das simulações realizadas com os
votadores complexos, um deles proposto nesse trabalho e outro selecionado como padrão
da indústria.
O votador proposto traz como novidade para o ambiente aeronáutico a utilização
de reconhecimento de padrões baseado em aprendizado de máquina para identificar falhas
em sensores de velocidade e com isso melhorar a confiabilidade de Air Data Systems, que
atualmente não utilizam tal técnica em sua composição. O votador é treinado com dados
típicos de decolagem e então durante sua operação analisa se os dados lidos pelos sensores
batem com o aprendido durante o treinamento. Se um desvio significativo é detectado o
sensor é marcado como falhado e isolado, melhorando a qualidade da medida do ADS.
Espera-se que a utilização desse novo votador melhore o desempenho dos sistema
de medição de airspeed na presença de sensores com falhas. A comparação entre o erro do
votador proposto e o erro do votador padrão em um mesmo cenários de falha irá dar um
indicativo sólido do desempenho dos dois e será possível avaliar se a técnica proposta traz
ou não ganhos.
5.3.1 Pré análise dos resultados
A primeira etapa da análise dos resultados das simulações dos votadores complexos
é semelhante ao realizado para os votadores simples. O objetivo é analisar se existem
indícios da influência da variação dos parâmetros nos resultados obtidos. Será analisado
de maneira isolada se a variação da quantidade de falhas, tipo de erro e tipo de entrada
alteram o desempenho relativo dos votadores.
O detector de novidades funciona após a decolagem ter terminado, analisando os
60s de dados anteriores a esse momento. O votador padrão também precisa de um um certo
período, que varia dependendo de sua configuração e da técnica de detecção de erro, para
detectar uma falha. Dessa maneira faz sentido restringir a comparação do desempenho dos
dois votadores complexos ao período posterior a esse instante, nesse caso o período será
restrito aos 10s após o término da decolagem. Para efeitos de nomenclatura, o votador
padrão também poderá ser chamado de votador 1 e o votador com detecção de novidades
de votador 6.
5.3. Análise de votadores complexos 73
A primeira análise é como o desempenho dos votadores é influenciado pela quanti-
dade de falhas presentes no sistema. A figura 28 mostra o erro médio para essa situação.
É possível ver que o votador 6 é melhor para os casos de 1 e 2 falhas, incluindo split, e o
votador 1 é melhor para 3 falhas. De maneira semelhante para ambos, o caso com 1 falha
possui erros bem menores do que os outros. O votador 1 tem seu melhor desempenho para
1 falha, com erro médio de 3,86% e pior para 2 falhas split, com erro médio de 210,42%.
Já o votador 6 tem seu melhor desempenho também para 1 falha, com erro de 1,02% e
pior para 3 falhas, 154,04%. A figura 29 mostra o erro máximo para os mesmos cenários.
Os valores são diferentes mas a comparação entre os votadores é a mesma.
Figura 28 – Erro médio para diferentes quantidades de falhas.
Com esse comportamento observado em mente nota-se que o caso com 1 falha é
facilmente contornado por ambos os votadores, independente de outros fatores como tipo
ou amplitude. Isso muda bastante para maior número de falhas.
Em seguida é feita uma análise de como o tipo de erro influencia no desempenho
dos votadores. A figura 30 mostra o erro médio e a figura 31 o erro máximo para diferentes
tipos de relação entre o erro no sensor e a entrada. É possível ver que o votador 6 teve um
desempenho melhor para os casos de erro derivativo, constante e rampa, com o menor erro
médio de 1,5% para o caso derivativo. O votador 1 foi melhor para o erro proporcional, com
valor de 29%. Os piores valores de erro foram 268% para o votador 1 com o erro derivativo
e 253% para o votador 6 com o erro proporcional. Os erros máximos tem comportamentos
semelhantes em relação a qual votador tem melhor desempenho em cada caso.
74 Capítulo 5. Resultados
Figura 29 – Erro máximo para diferentes quantidades de falhas.
Figura 30 – Erro médio para diferentes tipos de falhas.
5.3. Análise de votadores complexos 75
Figura 31 – Erro máximo para diferentes tipos de falhas.
É importante destacar que a mudança de comportamento dos votadores ao alterar
o tipo de falha foi muito aguda, maior inclusive do que observado ao alterar a quantidade
de falhas. Especialmente a disparidade entre os comportamentos considerando o erro
proporcional e o erro derivativo. Isso é um indício forte de que o comportamento da falha
no sensor altera significativamente a capacidade do votador de detectá-la. Especificamente
pode-se dizer que o votador 6 é particularmente ruim em detectar falhas do tipo proporcional
e que o votador 1 é igualmente ruim para falhas derivativas.
Analisando como o tipo de entrada influencia o desempenho dos votadores as
figuras 32 referente ao erro médio e 33 referente ao erro máximo são geradas. Existe uma
leve diferença no comportamento, com o votador 6 sendo melhor para entradas em rampa
e oscilatórias, e pior para entradas rotacionais. Ainda sim os valores de erro são próximos
(entre 50% e 120%) nos votadores para esses casos, o que leva a conclusão de que o tipo
de entrada não é um fator relevante para o desempenho da votação aplicada a esse tipo de
sensor.
Considerando as análises variando número de falhas, tipo de falha e tipo de entrada
percebe-se que existem indícios de que o votador proposto nesse trabalho é melhor em
alguns casos em comparação com o padrão. Além disso, as diferenças observadas ao variar
o tipo de erro são muito grandes, indicando que esse fator tem um grande papel na
performance dos votadores. A quantidade de falhas também influencia o desempenho, mas
76 Capítulo 5. Resultados
Figura 32 – Erro médio para diferentes tipos de entradas.
Figura 33 – Erro máximo para diferentes tipos de entradas.
5.3. Análise de votadores complexos 77
de maneira menos aguda por causa de dois fatores: primeiro que no caso de uma falha os
dois votadores têm desempenhos muito parecidos e muito bons e segundo que o caso com
duas falhas em split é especial pois o erro não conta toda a história do desempenho do
votador 1, comportamento que é analisado na seção 5.3.2. Por último, o tipo de entrada
tem pouca influência no desempenho e é possível raciocinar que o motivo para isso está na
identificação de falhas dos votadores complexos. Tal identificação é realizada primariamente
durante o período de decolagem, sendo que o tipo de entrada interfere nos dados somente
após esse período.
A primeira vista pode parecer estranho o valor alto dos erros mostrados já que
a prova de conceito da detecção de novidades obteve mais de 98% de classificações
corretas, mas existem elementos distintos entre os dois experimentos. Na prova de conceito
as novidades inseridas foram arbitrárias. Na simulação do ADS para a comparação dos
votadores complexos, os erros de medição dos sensores são consequência das falhas inseridas
em seus modelos e portanto bem diferentes das novidades da prova de conceito. Isso significa
que temos erros representativos da operação do sensor e que o desempenho do detector
nessa situação é diferente. Erros grandes significam novidades não detectadas, e o motivo
pode variar. O caso identificado de desempenho ruim para erro proporcional é discutido
em detalhes na seção 5.3.3.
5.3.2 Análise de duas falhas split
O comportamento do votador 1 para duas falhas em split merece ser estudado em
detalhe. Esse tipo de falha ocorre quando os quatro sensores fornecem medidas que se
organizam de maneira semelhante a dois pares. Em cada par duas medidas estão próximas
e concordam entre si. Entre os diferentes pares os valores são diferentes e distantes. Essa
situação é uma das mais difíceis para o votador, pois é virtualmente impossível saber
qual dos pares está correto tendo como informação apenas os valores medidos naquele
momento.
Devido a extrema dificuldade em saber qual é o valor correto nessa situação o
design do votador 1 tem uma técnica de detecção de erro exclusiva para identificar essa
condição de separação em dois pares. Mesmo observando e detectando o comportamento
ainda não é possível saber qual o par correto. Por isso, nessa situação, o votador 1 tem
por design o comportamento de congelar o valor de saída no último valor válido e sinalizar
que o seu valor votado não é mais confiável.
O funcionamento do votador 1 nessa condição pode ser observado com detalhes
nos gráficos da figura 34. O primeiro gráfico mostra os quatro valores lidos dos sensores.
Na condição separada para análise dois dos sensores possuem falhas de mesma direção,
causando a separação das medidas em dois pares, o que pode ser observado. O segundo
gráfico mostra a saída do votador, que é congelada perto dos 18s, quando ele identifica
78 Capítulo 5. Resultados
que há uma condição de split. Em vermelho no mesmo gráfico o erro entre o valor votado
e a referência aumenta a medida que o tempo passa porque os valores dos sensores estão
aumentando e o valor consolidado do votador permanece estático. No terceiro gráfico é
possível ver a saída do votador que sinaliza a validade do seu valor votado. No instante em
que ele identifica o split e congela a saída a validade vai de True para False, informando
que o valor não é mais confiável.
Figura 34 – Valor dos sensores e saídas do votador 1 para um caso de split.
Esse comportamento do votador 1 causa os resultados observados na seção 5.3.1 em
que ele possui um erro alto para duas falhas em split. Apesar da sinalização da falha ocorrer
o fato de que o valor votado continua errado permanece e isso aparece nos resultados.
A comparação com o votador 6 é inevitável e a figura 35 mostra suas saídas para o
mesmo caso em que o votador 1 foi analisado. A detecção de erro do votador proposto
funciona independentemente para cada sinal, comparando a curva obtida em cada sensor
com a esperada para uma decolagem e detecta uma novidade se houver falha naquele
sensor, removendo-o do cálculo do valor votado. O caso de split é sentido pelo votador
6 como duas novidades em dois sensores independentemente, como pode ser observado
no segundo gráfico da figura, em que dois detectores de novidade são ativados no tempo
5.3. Análise de votadores complexos 79
de 60s. Os valores dos sensores em que as novidades são detectadas são removidos e o
valor consolidado é calculado com base nos sensores sem falhas. O primeiro gráfico da
figura mostra exatamente isso acontecendo, com o valor de saída sendo reajustado e o erro
caindo quando a novidade é detectada.
Figura 35 – Valor das saídas do votador 6 para um caso de split.
Relembrando a análise feita na seção 5.3.1, o erro médio para split na figura 28 é
um indicativo de que o votador 6 tem um desempenho melhor do que o votador 1 para o
caso de split, ou seja, ele consegue identificar pelo menos em alguns casos os sensores com
falha nessa situação.
5.3.3 Análise do erro proporcional no detector de novidades
Devido ao desempenho ruim do votador 6 para o caso de erro proporcional, uma
investigação mais detalhada sobre seu comportamento é valiosa. A figura 36 mostra o
cenário de falhas proporcionais de grande amplitude inseridas em 3 dos 4 sensores.
Analisando o segundo gráfico é possível ver que o valor votado está acompanhando
os sensores com falha e o erro em relação a referência se torna muito grande. No terceiro
80 Capítulo 5. Resultados
Figura 36 – Valor dos sensores e saídas do votador 6 para um caso de erro proporcional.
gráfico fica claro o porquê: apesar do valor do erro ser muito grande durante a etapa de
decolagem, nenhuma novidade é detectada pelo votador 6. Isso está dentro do esperado
após ver os resultados desse votador para erros desse tipo.
O motivo da detecção de novidades não funcionar para esse caso é que uma das
etapas incluídas no seu processo é a normalização da curva de entrada. Dessa maneira é
possível dizer que a detecção de novidades está muito mais interessada na forma da curva
do que em seus valores absolutos. A vantagem é que decolagens que têm diferentes valores
finais de velocidade mas o mesmo perfil são consideradas adequadas, ao mesmo tempo
como efeito colateral um erro proporcional em relação ao valor da entrada gera uma curva
que está diferente do esperado mas que não é identificada como tal. Pode-se concluir que
efetivamente esse tipo de falha não é adequadamente identificado e corrigido pelo detector
de novidades.
5.3. Análise de votadores complexos 81
5.3.4 Análise estatística
Nesta etapa o objetivo é responder a seguinte pergunta: "O votador 6 (proposta)
tem um desempenho melhor do que o votador 1 (padrão)?". Para fazer isso será levado em
conta a análise feita na seção 5.3.1.
Como há indícios de que o tipo de erro tem uma grande influência no desempenho
dos votadores, a pergunta sobre qual votador tem melhor desempenho é separada por essa
fator e a análise é feita separadamente para cada um dos tipos de erro. Além disso, há
indícios de que o votador 6 é melhor para erros do tipo derivativo, constante e rampa, e
que o votador 1 é melhor para erro do tipo proporcional. Também é levado em conta que
o erro padrão para o sensor de fluxo térmico é 4%, como já exposto anteriormente, o que
significa que só faz sentido dizer que um ou outro votador é melhor se a diferença entre
eles for maior do que esse valor, considerado a mínima significância. Assim, as seguintes
hipóteses são definidas:
Erro derivativo, constante e rampa
• H0 (hiótese nula): O erro médio do votador 1 não é maior do que o erro médio do
votador 6 em pelo menos 0,04 (representando 4%).
• H1 (hipótese alternativa): O erro médio do votador 1 é maior do que o erro médio
do votador 6 em pelo menos 0,04 (representando 4%).
Erro proporcional
• H0 (hiótese nula): O erro médio do votador 6 não é maior do que o erro médio do
votador 1 em pelo menos 0,04 (representando 4%).
• H1 (hipótese alternativa): O erro médio do votador 6 é maior do que o erro médio
do votador 1 em pelo menos 0,04 (representando 4%).
Considerando a separação das 192 amostras em 4 grupos por tipo de erro, cada
subgrupo tem 48 amostras. Os testes estatísticos são realizados em cada subgrupo separa-
damente. Devido a um número de amostras (N) maior do que 30, segundo o teorema do
limite central, é possível considerar verdadeira a premissa de que as médias das amostras
segue uma distribuição normal mesmo que as amostras não tenham essa distribuição. Isso
permite a utilização de testes paramétricos para a comparação (CAMPELO, 2018).
Outra informação de muita relevância é que as amostras são pareadas, o que
significa que para uma configuração específica de execução (entrada, erro, etc) existem
duas amostras que estão relacionadas, uma do votador 6 e uma do votador 1.
Considerando esses elementos expostos foram realizados t-test para testar as
hipóteses apresentadas (CAMPELO, 2018). Os dados de entrada do t-test são as diferenças
82 Capítulo 5. Resultados
dos erros dos votadores, considerando o pareamento. O nível de significância escolhido é α
igual a 0,05 e o intervalo de mínima significância é δ igual a 0,04. O número de amostras
(N) é 48 para cada teste. Devido às hipóteses considerarem um valor ser maior que outro
o teste é feito somente para um dos lados (unilateral), observando a cauda da direita.
Os testes foram executados no matlab com as entradas e parâmetros descritos.
Para maiores detalhes sobre o script utilizado o anexo A explica com mais detalhes essa
etapa. Os resultados obtidos estão listados abaixo.
Erro derivativo
Há evidências suficientes para rejeitar a hipótese nula H0 e aceitar a hipótese alternativa
H1 de que o erro médio do votador 1 é maior do que o erro médio do votador 6 em pelo
menos 0,04 (M=2,67, SD=3,37). Valor t(47)=5,41, p<0.001. Intervalo de confiança (1,86;
inf).
Erro constante
Há evidências suficientes para rejeitar a hipótese nula H0 e aceitar a hipótese alternativa
H1 de que o erro médio do votador 1 é maior do que o erro médio do votador 6 em pelo
menos 0,04 (M=0,22, SD=0,28). Valor t(47)=4,38, p<0.001. Intervalo de confiança (0,15;
inf).
Erro rampa
Há evidências suficientes para rejeitar a hipótese nula H0 e aceitar a hipótese alternativa
H1 de que o erro médio do votador 1 é maior do que o erro médio do votador 6 em pelo
menos 0,04 (M=0,14, SD=0,24). Valor t(47)=3,00, p<0.001. Intervalo de confiança (0,09;
inf).
Erro proporcional
Há evidências suficientes para rejeitar a hipótese nula H0 e aceitar a hipótese alternativa
H1 de que o erro médio do votador 6 é maior do que o erro médio do votador 1 em pelo
menos 0,04 (M=1,96 , SD=3,33). Valor t(47)=3,99, p<0.001. Intervalo de confiança (1,15;
inf).
Principalmente devido ao valor p < 0.001 em todos os testes, os resultados sugerem
fortemente que o votador 6 proposto nesse trabalho tem um desempenho melhor para erros
do tipo derivativo, constante ou rampa em comparação ao votador 1 padrão. Também
sugere de maneira enfática que o votador 1 padrão tem um desempenho melhor em
comparação ao votador 6 para erros do tipo proporcional.
5.3.5 Análise dos tempos de execução
Os tempos de execução das simulações foi registrado para os dois votadores comple-
xos. Na tabela 8 é possível ver os valores totais e por simulação, considerando que foram
realizadas 20 simulações para cada uma das amostras colhidas.
5.3. Análise de votadores complexos 83
Votador 1 (padrão) Votador 6 (proposto)
Tempo de execução total: 16337s 88064s
Tempo médio de execução por simulação: 3,4s 18,35s
Tabela 8 – Tempo de execução dos votadores complexos.
Observa-se que o votador 6 demora 5,4 vezes mais tempo para executar em compa-
ração com o votador 1. Esse resultado, no entanto, não tem muita significância prática.
A implementação do votador 6 foi realizada em cima de dois pontos cruciais que tiram
a validade da comparação dos tempos de execução. A primeira é que os resultados do
treinamento do reconhecimento de padrões foi armazenado em um arquivo em disco que é
acessado toda vez que a detecção de novidades é executada. A segunda é que a função de
cálculo da distância de mahalanobis não pôde ser compilada junto com o modelo para a
execução e o simulink precisa chamar o matlab para a executar externamente.
Esses dois pontos que nada têm a ver com o algoritmo de detecção de novidades
têm um impacto muito grande em tempo de execução e impede uma comparação adequada
em relação às velocidades dos votadores. Um primeiro passo em um trabalho futuro seria
resolver esses pontos e realizar uma comparação de performance temporal adequada.
Ainda sim é possível afirmar que o tempo de execução gasto pelo votador 6
está adequado para implementação em um sistema real. É possível fazer essa afirmação
considerando como o pior caso 5,4 vezes mais lento que o padrão. O diferencial dessa
técnica é que ela não é executada em todos os ciclos mas somente quando ocorre uma
borda de subida na sua entrada de gatilho. Em uma situação real isso ocorreria uma vez
após a decolagem e um longo período se passaria até a próxima execução. Seria possível,
portanto, executar a detecção de novidades gradualmente através de alguns ciclos após
o gatilho ocorrer e ter o resultado com atraso. Para a aplicação em questão isso seria
completamente aceitável e provavelmente indistinguível de uma execução mais rápida. As
alterações necessárias para que a execução possa funcionar dessa maneira também é uma
ideia de trabalho futuro.

85
6 Conclusão
Existe uma demanda de aumento da confiabilidade de Air Data Systems devido a
grande criticidade da aplicação desses sistemas na aeronáutica. O objetivo deste trabalho
é explorar como fazer isso através de dois caminhos, estudando a integração de sensores de
fluxo térmico em um ADS e propondo um novo algoritmo de votação de sinais redundantes
que utiliza reconhecimento de padrões para identificar falhas.
Os resultados mostram que a integração de quatro sensores de fluxo térmico
redundantes em um ADS permite que o sistema atinja um grau de tolerância a falhas
bom para 1 e 2 sensores com defeito ao analisarmos técnicas de votação simples. Para o
caso de 3 falhas, o desemprenho do ADS é ruim. A técnica de votação que calcula o valor
consolidado dos sensores redundantes como a médias dos sensores mais próximos em um
intervalo ∆ (ASKARI; NOURANI; NAMAZI, 2011) tem o melhor desempenho dentre as
votações comparadas e é a responsável pelo grau citado de confiabilidade. O erro médio
para esse votador nos casos de 1 e 2 falhas ficou próximo de 4,5%, um pouco acima do valor
de 3% definido pelo requisito aeronáutico. A simulação de defeitos específicos de sensores
de fluxo térmico permite obter uma resposta significativa dos efeitos e comportamentos do
sistema para essa categoria de sensores. É possível ver que devido às características desse
sensor ele ainda não está maduro para atender os requisitos aeronáuticos desse tipo de
medida atuando isoladamente, embora esteja perto. Ele pode ser utilizado em conjunto
com tubos de pitot padrão para aumentar a confiabilidade do sistema como um todo ou
ainda ser fisicamente melhorado para diminuir seu erro padrão de 4%.
O desenvolvimento de uma nova técnica de votação complexa passa pela prova de
conceito da detecção de novidades (ALVES; TORRES, 2016) em dados reais de decolagem
de aviões. Esse estudo nos permite concluir que a técnica é aplicável para o cenário
proposto, com uma taxa alta de classificação correta (98,29%) e nenhum falso negativo.
O votador complexo desenvolvido utiliza a detecção de novidades durante a decola-
gem para identificar sensores com falhas e os removerem do cálculo do valor consolidado
de airspeed. Seu desempenho integrado em um ADS com sensores de fluxo térmico é
comparado ao desempenho de outro votador complexo (OLIVEIRA; GALVãO, 2011) pa-
drão para esse sistema. Conclui-se dessa comparação que para esse tipo de sensor e falhas
características o votador proposto tem desempenho superior para erros que são derivativos,
constantes ou crescentes em relação à entrada e o votador padrão tem desempenho superior
para erros que são proporcionais à entrada. O custo computacional dos dois votadores
complexos foi analisado apenas superficialmente, sendo que o votador proposto tem vários
pontos óbvios de melhoria. Nas simulações desse trabalho ele se mostrou 5,4 vezes mais
86 Capítulo 6. Conclusão
lento que o padrão.
Esse resultado para o votador proposto é muito positivo pois indica que há espaço
para melhorar a confiabilidade dos ADS atuais e que técnicas de reconhecimento de padrões
são uma alternativa viável para tal. O fato de que ele não é superior em todos os cenários
em comparação com o votador padrão é um reflexo de como esse tipo de votador complexo
funciona: utilizando várias técnicas de detecção de erros em paralelo para aumentar as
chances de identificar quais sensores estão saudáveis e quais apresentam defeitos. A técnica
de reconhecimento de padrões é diferente do empregado comumente e pode muito bem
ser utilizada em conjunto com outras técnicas já estabelecidas em um mesmo votador
para atingir níveis de confiabilidade maiores ainda do que o demonstrado neste trabalho.
Pode-se concluir que o objetivo deste trabalho de caminhar em direção ao aumento da
confiabilidade de Air Data Systems foi atingido com êxito.
Os trabalhos futuros que podem ser inspirados daqui são muitos. Primeiramente
como acabamos de citar, o desenvolvimento de um votador que contenha os pontos positivos
do votador proposto nesse trabalho junto com os pontos positivos do votador padrão
utilizado para comparação tem potencial de atingir níveis mais altos ainda de confiabilidade
para ADS.
Outro ponto que pode ser mais explorado é a utilização do votador simples de
média da maioria, que teve o melhor desempenho dentre os votadores simples, como parte
de um votador complexo. Os dois votadores complexos analisados nesse trabalho tinham
como votação básica interna a mediana das entradas saudáveis.
A implementação do votador proposto em um sistema embutido real, com as
devidas otimizações em relação ao tempo de execução e estudo da maneira mais eficiente
de salvar o resultado do treinamento da detecção de novidades é um próximo passo
desafiador e interessante. Existem pontos simples que podem ser alterados para diminuir
seu custo computacional, mas uma alternativa ligeiramente mais complexa para garantir
sua aplicabilidade é fatiar sua execução em vários ciclos do sistema. Como a detecção de
novidades é executada uma vez por decolagem no cenário proposto, não há impacto que
ela demore vários ciclos para concluir, desde que seja o mais preciso possível.
O votador proposto neste trabalho foi treinado para detectar falhas em um tipo de
decolagem padrão, mas na prática a curva de velocidade durante a decolagem está sujeita
a variações dependendo de decisões do piloto e características do aeródromo. Um estudo
de muita relevância para essa aplicação é analisar quais e quantas categorias de decolagem
podem ser definidas para serem utilizadas como treinamento do detector de novidades.
Por último, a técnica de detecção de novidades baseada em reconhecimento de
padrões se provou útil e poderosa na aplicação desse trabalho, o que estimula a busca por
outros sistemas nos quais ela também possa ser utilizada, principalmente na detecção de
87
falhas em sistemas com redundância.

89
Referências
ALVES, E. M. A.; TORRES, F. S. Aumento de confiabilidade de sistemas embutidos
usando redundância e algoritmos de decisões baseados em reconhecimento de padrões.
XXI Congresso Brasileiro de Automática - CBA2016, 2016. Citado 4 vezes nas páginas
34, 36, 42 e 85.
ANAC. Regulamento Brasileiro da Aviacao Civil 25 - RBAC 25. [S.l.]: Agencia Nacional
de Aviacao Civil, 2014. Citado 2 vezes nas páginas 27 e 28.
ASKARI, S.; NOURANI, M.; NAMAZI, A. Fault-tolerant a/d converter using analogue
voting. IET Circuits, Devices & Systems, 2011. Citado 2 vezes nas páginas 33 e 85.
BEA. Accident on 27 November 2008 off the coast of Canet-Plage (66) to the Airbus
A320-232 registered D-AXLA operated by XL Airways Germany. [S.l.]: Bureau d’Enquetes
et d’Analyses, 2008. Citado na página 23.
BEA. Final Report On the accident on 1st June 2009 to the Airbus A330-203. [S.l.]:
Bureau d’Enquetes et d’Analyses, 2012. Citado 2 vezes nas páginas 23 e 30.
BISHOP, C. M. Pattern Recognition and Machine Learning. [S.l.]: Springer, 2006. Citado
na página 36.
CAMPELO, F. Lecture Notes on Design and Analysis of Experiments. 2018.
<https://github.com/fcampelo/Design-and-Analysis-of-Experiments>. Version 2.12.
Creative Commons BY-NC-SA 4.0. Citado na página 81.
GRACEY, W. Measurement of Aircraft Speed and Altitude. [S.l.]: NASA Reference
Publication 1046, 1980. Citado 2 vezes nas páginas 28 e 29.
HAASL, S.; STEMME, G. Comprehensive Microsystems, Chapter 2.07: Flow Sensors.
[S.l.]: Elsevier Science, 2007. Citado 3 vezes nas páginas 24, 31 e 47.
MAKINWA, K. A. A.; HUIJSING, J. H. A wind-sensor interface using thermal sigma
delta modulation techniques. Sensors and Actuators A 92 (2001) 280-285, 2000. Citado
3 vezes nas páginas 31, 32 e 47.
MAKINWA, K. A. A.; HUIJSING, J. H. A smart wind sensor using thermal sigma-delta
modulation techniques. Sensors and Actuators A 97-98 (2002) 15-20, 2001. Citado 7
vezes nas páginas 13, 24, 31, 32, 33, 49 e 58.
NELSON, R. C. Flight Stability and Automatic Control. 1. ed. [S.l.]: McGraw-Hill Book
Company, 1989. Citado 3 vezes nas páginas 23, 29 e 30.
OLIVEIRA, L. C. R. de; GALVãO, R. K. H. A four-signal voting algorithm for aircraft
redundant sensors. 21st Brazilian Congress of Mechanical Engineering - COBEM 2011,
2011. Citado 9 vezes nas páginas 34, 40, 42, 43, 44, 45, 52, 53 e 85.
RADIO, I. A. ARINC SPECIFICATION 429 PART 1-17. [S.l.]: AERONAUTICAL
RADIO, INC, 2004. Citado na página 27.
90 Referências
SAE. Guidelines and Methods for Conducting the Safety Assessment Process on Civil
Airborne Systems and Equipment. [S.l.]: SAE International, 1996. Citado na página 27.
SAE. Guidelines for Development of Civil Aircraft and Systems. [S.l.]: SAE International,
2010. Citado na página 27.
TODESCHINI, R. et al. Locally centred mahalanobis distance: A new distance measure
with salient features towards outlier detection. Analytica Chimica Acta, 2013. Citado na
página 36.
UTC. SmartProbe R© Air Data Systems. [S.l.]: UTC Aerospace Systems, 2015. Citado 2
vezes nas páginas 13 e 27.
VIANA, F. A. B.; TORRES, F. S. Reliable integration of thermal flow sensors into
air data systems. VIII Brazilian Symposium on Computing Systems Engineering, 2018.
Citado na página 70.
WIKI. Pitot tube types. [S.l.]: Wikimedia Commons, 2007. Citado 2 vezes nas páginas 13
e 29.
Anexos

93
ANEXO A – Detalhes da execução
Esta seção descreve os scripts e passos realizados para efetivamente executar a
metodologia proposta no capítulo 3 de metodologia e analisar os dados obtidos, utilizando
o modelo do ADS explicado na seção anterior 4.1. A prova de conceito do detector de
novidades não utiliza o modelo do ADS, mas dados de entrada que são explicados.
A explicação de como a execução é feita cita os arquivos e pastas utilizados durante
o desenvolvimento. A pasta raiz com todos os artefatos desenvolvidos é denominada
"Models". Nessa pasta se encontra um arquivo "READ-ME.txt" que cita a organização dos
artefatos e modelos e pode servir como referencia.
A.1 Prova de conceito do detector de novidades
As entradas utilizadas para a prova de conceito estão em "Models/model_02/inputs/
Aircraft_data". A pasta "raw" contém os dados cedidos pela Embraer para utilização, já
descaracterizados dos valores originais. Existem dados de dois modelos de aviões, 002 e
003, e cada arquivo .mat dessas pastas é o dado de um voo diferente. Um voo pode conter
uma ou mais decolagens, que é a manobra de interesse escolhida para ser usada.
Os script dessa etapa estão em "Models/model_02/02_Novelty_Detection". O
primeiro a ser executado é "generate_curves_from_aircraft_data.m" que utiliza os dados
em "raw" como entrada para gerar tabelas com as curvas de interesse. O script em questão
lê os arquivos de dados procurando por bordas de subida do sinal NLG_UP e mostra
cada curva de velocidade nos 60 segundos anteriores a essa transição para o usuário, que
classifica manualmente as curvas mostradas entre dois tipos de decolagem bem sucedidas
ou como erradas. O resultado da execução do script é uma tabela com todas as curvas
analisadas e a classificação de cada uma delas e está armazenado na mesma pasta de
inputs, no diretório "selected_curves".
O próximo passo é a execução do script "kfold_validation_NoveltyDetection.m".
Ele usa a tabela de curvas classificadas e seleciona somente o tipo de decolagem 1. Em
seguida realiza um k-fold com k igual a 9 em um conjunto de 117 curvas. Adicionalmente
às 9 curvas sem novidades selecionadas do conjunto de dados original, para cada batelada
de validação o scrip inclui 9 curvas com novidades, sendo essas versões modificadas das
curvas sem novidades do teste.
O treinamento do detector de novidades para ser utilizado no votador complexo
que utiliza essa técnica é feita pelo script "train_NoveltyDetection.m". Esta etapa utiliza
97 curvas escolhidas aleatoriamente para treinamento e reserva 20 curvas para a etapa de
94 ANEXO A. Detalhes da execução
execução, feita posteriormente ao simular o modelo do ADS.
As saídas da prova de conceito estão na pasta "Models/model_02/results/
NoveltyTrain". O resultado do k-fold executado está no arquivo "kfold_validation_log.txt"
e o resultado do treinamento nos arquivos "NoveltyTrainResult_type1takeoff.mat". Esse
arquivo .mat contém os parâmetros de saída do treinamento e as curvas separadas entre
treinamento e teste para fácil utilização.
Dentro da pasta de scripts há também o arquivo "RunNoveltyDetection.m", criado
para executar a detecção de novidades sob uma curva de entrada utilizando como base o
resultado do treinamento. Na etapa posterior de simulação do ADS a detecção de novidade
é executada chamando esse script.
A.2 Simulação do ADS
Os arquivos de simulação do modelo ADS estão em "Models/model_02/
01_ADS_Model". O modelo principal que contém todas as lógicas descritas em 4.1
é ADS_model.slx. Os blocos referenciados por esse modelo podem ser bibliotecas do
Simulink, estando salvas em outros arquivos ou pastas. Portanto todas as outras subpastas
presentes dentro de "Models" devem ser preservadas e adicionados no path do Matlab para
o funcionamento adequado.
O arquivo "default_ADS_options.m" contém a inicialização de todos os parâmetros
necessários para a simulação do ADS em uma estrutura "Options" que deve ser passada
para a função que simula o modelo. Para utilizar um valor diferente do padrão para a
simulação basta alterá-lo individualmente.
O script "execute_ADS_simulation.m" é o responsável por preparar todo o ambiente
e simular o modelo do ADS. Ele não só simula o modelo, mas realiza todo o processo
de variar parâmetros de entrada, armazenar os resultados e logs de execução para a
obtenção de todos os dados de um votador. Esse script deve ser chamado uma vez para
cada votador (simples ou complexo) que se deseja obter dados de desempenho. O fluxo de
tarefas executadas pelo script está mostrado abaixo.
• Ler a estrutura "Options" de entrada. A estrutura contém todos os parâmetros
necessários para a simulação, incluindo em forma de lista os parâmetros que devem
ser variados para obtenção dos dados de um votador (tipo, valor e frequência da
entrada, tipo, valor e quantidade de falhas).
• Registrar o log de execução ".txt" com todos os passos do script, incluindo tempo
de execução. Para possibilidade de reprodutibilidade a semente do gerador pseudo
aleatório é registrada.
A.2. Simulação do ADS 95
• Para cada combinação única de parâmetros variáveis, executar a simulação do ADS
20 vezes. Isso é feito chamando a função "single_model_run" do próprio arquivo
20 vezes. Em seguida fazer a média simples dos valores de saída das 20 simulações
através da função "calc_consolidated_simOut".
• Armazenar o resultado da simulação para cada uma das combinações únicas de
parâmetros em um arquivo ".mat"
Após execução a função presente no arquivo "get_ADS_result.m" consegue extrair
e consolidar os dados obtidos. Passando para ela uma estrutura contendo os resultados do
passo anterior e a opção desejada é possível: obter os dados temporais de uma saída; fazer
a média de uma saída para um range definido de combinações de parâmetros; plotar uma
saída. Essas opções são exploradas na etapa de análise dos dados.
O arquivo "ADS_simulations_calls_and_analysis.m" contém trechos de códigos
utilizados para realizar as simulações propostas, além de trechos utilizados para debug e
testes. Um trecho desse arquivo mostra a maneira mais simples de executar uma simulação
para um votador:
Options = default_ADS_options();
Options.VoterSelection = 2;
execute_ADS_simulation(Options);
A.2.1 Técnicas de votação simples
Para a coleta de dados dos votadores simples a chamada presente no arquivo
"ADS_simulations_calls_and_analysis.m" é utilizada. Como é possível observar lá, são
feitas quatro chamadas para a função "execute_ADS_simulation.m" uma vez para cada
votador simples.
Os resultados estão localizados na pasta "Models/model_02/results/
<data>_ADS_model_full_execution". Em diferentes pastas, dependendo da data, pode-se
encontrar os resultados para os votadores simples, denominados Votador 2, Votador 3,
Votador 4 e Votador 5.
A.2.2 Técnicas de votação complexa
No arquivo "ADS_simulations_calls_and_analysis.m" há uma seção dedicada para
a chamada da execuções das simulações para comparar os votadores complexos. Há uma
diferença para esse tipo de votador, porque como explicado na seção 3.4, eles utilizam
como entrada curvas de velocidade reais de uma decolagem.
96 ANEXO A. Detalhes da execução
A diferença na preparação da execução consiste em abrir o arquivo que contém o
resultado do treinamento da detecção de novidades e selecionar as curvas separadas para
teste desse arquivo. As opções de simulação são alteradas para receberem essas curvas
como entrada e as utilizarem na execução do modelo. Além disso o tempo da simulação
é alterado para 70 segundos e os parâmetros que devem ser variados são alterados para
ficarem de acordo com o requerido para os votadores complexos.
Com a opção adequada selecionada, a mesma função "execute_ADS_simulation.m"
pode ser chamada e utilizar as curvas de decolagem como entradas. Como essas curvas tem
60s de duração, o tempo após o término da curva é preenchido com um valor constante
igual ao último valor da curva adicionado ao tipo de entrada (ex: oscilatória) escolhida
para aquela execução.
Os reaultados estão no mesmo local dos votadores simples, sendo que os votadores
complexos são aqueles de número 1 (votador padrão) e 6 (votador com detector de
novidades).
A.2.3 Análise de resultados
Os scripts de análise de resultado estão em "Models/model_02/results". Eles
utilizam como entrada os arquivos de resultados gerados nas etapas anteriores. Os scripts
estão divididos entre análise dos votadores simples em "SimpleVotersAnalysis.m" e análise
dos votadores complexos em "ComplexVotersAnalysis.m".
Ambos os script funcionam de maneira semelhante, carregando os resultados das
simulações e em seguida utilizando a função "get_ADS_result.m" para obter os sinais
de interesse e gerar os gráficos escolhidos. Essa função foi desenvolvida para ajudar a
obtenção e geração dos gráficos com menor esforço, sendo necessário passar para ela como
entrada o intervalo de interesse dos parâmetros, o nome do sinal e a operação desejada.
Todos os gráficos mostrados na seção 5 são gerados por esses scripts. Além disso o
script de análise dos votadores complexos também realiza os testes de hipótese que são
mostrados para essas técnicas ao apresentar os resultados. A seção inicial de cada um
deles contém algumas variáveis de controle que podem ser alterada manualmente para
controlar com refinamento qual seção do script será executada. Isso é útil para o caso
de ser necessário executar somente uma parte da análise ao invés dela inteira, como por
exemplo executar somente os testes de hipótese sem re-gerar os gráficos.