In a controller design process, Monte-Carlo simulations for investigating the effects of uncertainty produce big data. Due to the rapid development of machine learning and deep learning data analysis such as anomaly detection and parameter estimation using artificial intelligence is investigated in aerospace systems. However, these methods are criticized for their lack of explanation. From these perspectives, this paper proposes an estimation framework developed from Physics-informed neural networks by adding an integration-based loss. Compared to existing physical-based neural networks, the suggested method confirmed more stable performance through experiments and theories. Four types of uncertainty in a missile system, such as uncertainty in burnout time, rocket motor tilt angle, location of the center of pressure, and control fin bias are identified individually. From testing a hundred simulation data, the average and maximum estimation error is within 3 percent of the mean value of each uncertainty. From analysis with the traditional methodologies, it is proved that the proposed method has the robustness to noise. As long as structured uncertainty, the unknown parameters can be identified and this framework applies to other aerospace systems.
비행 시스템의 제어기를 설계할 때 불확실성의 영향을 판단하기 위하여 몬테 카를로 시뮬레이션을 수행하고 그 결과 많은 데이터가 생성된다. 딥러닝, 머신러닝의 빠른 발전으로 인공지능을 활용한 데이터 분석이 항공우주 분야에서 연구되고 있다. 그러나 이런 방법들은 블랙박스 성질로 인하여 신뢰를 얻기 힘들기 때문에 본 연구에서는 물리 기반 인공신경망을 기반으로 발전시킨 추정 프레임워크를 제안하였다. 본 방법에서는 새로운 적분 기반 손실 함수를 추가하여 기존의 물리 기반 인공신경망과의 비교했을 때, 제시한 방법이 더 안정적인 성능을 실험 및 이론을 통해 확인하였다. 미사일 시스템을 기준으로 연소 시간 오차, 추력 모터 틸트각 오차, 공력 중심 위치 오차, 공력 핀 바이어스 네 가지의 오차 요인이 개별적으로 추정되었다. 100개의 시뮬레이션 데이터를 테스트하였을 때 평균 및 최대 추정 오차가 오차의 평균값 대비 3퍼센트 이내의 작은 결과가 나왔다. 또한 이 방법은 노이즈가 크게 존재하는 상황에서도 5퍼센트 이내의 추정 오차가 나오며, 전통적인 파라미터 추정 방법과 딥러닝과의 비교를 통해 노이즈에 대한 강건성을 확인하였다. 구조적인 불확실성이라면 본 연구의 방법을 통해 그 값을 추정할 수 있으며 이 방법은 다른 항공우주 시스템에도 적용 가능하다.
