Flight data is obtained through remote transmission and reception during flight tests, which can be subject to data acquisition failures due to communication disruptions or sensor malfunctions caused by the flight environment. Conducting a single flight test demands significant resources and personnel, while the acquired flight data holds considerable value, serving as a foundation for analyzing the vehicle's flying trajectory and meetness of the goals, refining future development directions, and addressing issues as they arise. During early development stages, numerous sensors are employed within the vehicle to maximize flight data acquisition. As development progresses toward completion, the number of measured sensors decreases as mission-related equipment is integrated. In instances where sensor measurements fail unexpectedly, or sensors are removed during development but their data is still required for further analysis, research has been conducted on methods to recover sensor data. Given the various frequency and time domain characteristics of sensor data, a wavelet-based analysis technique was employed to characterize the data and decompose sensor signals into multiple subbands. For each decomposed subband signal, a deep learning-based adversarial generation network, an attention-based long short-term memory structure of the encoder-decoder structure, and a dilated convolutional neural network were integrated to create a comprehensive prediction network. To compare the prediction performance of various deep learning network structures, data obtained from actual flight tests were utilized. Performance comparisons of the networks were conducted using both clean data and data with missing values, as flight data may occasionally contain missing values. Missing data rates ranged from 1.15\% to 17\%. Moreover, prediction results were analyzed in the time domain to compare each prediction characteristic, with the proposed WGLSTM framework consistently exhibiting superior performance. The versatility of wavelet analysis is demonstrated through the adaptability of various wavelet methods and the capacity to modify the mother wavelet to suit specific signal characteristics. Further analysis revealed that higher wavelet decomposition levels or modified wavelet functions could enhance prediction performance. Utilizing a complex wavelet function did not necessarily yield improved prediction performance. However, increasing the wavelet decomposition level while employing a complex mother wavelet function consistently outperformed predictions using the basic Haar wavelet function, as a complex wavelet function necessitates more wavelet decomposition to analyze and incorporate various characteristics into the prediction. In conclusion, this dissertation presents a framework for analyzing diverse sensor data with distinct characteristics and utilizing them to predict specific sensor data. The proposed method employs wavelet analysis and deep learning prediction techniques tailored to sensor characteristics and can be applied to supplement data during the development of a flying vehicle.
비행 데이터는 비행체 개발 과정에서 얻는 자료로, 비행 시험 중 원격 송수신을 통해 획득한다. 그러나 통신 단절이나 비행 환경으로 인한 센서 고장 등으로 데이터 획득에 실패하는 경우가 있다. 비행 시험을 수행하는데 많은 자원과 인력이 소요되며, 비행 데이터는 비행체의 개발 방향 분석, 시험 적절성 판단, 향후 개발 방향 개선, 문제 발생 시 해결을 위한 기반 데이터로 활용되기 때문에 가치가 매우 높다. 초기 개발 단계에서는 최대한 많은 기반 데이터를 획득하기 위해 다수의 센서를 계측한다. 하지만, 개발 단계가 완성 단계로 진행될수록 미션과 관련된 장비가 탑재되어 탑재할 수 있는 센서 수가 감소한다. 이런 상황에서 개발이 진행됨에 따라 제거하였거나 고장으로 활용할 수 없는 센서에 대해 기존의 시험데이터를 기반으로 복원하는 기법에 대한 연구를 수행하였다. 센서 데이터는 센서들마다 주파수나 시간축의 특성이 다양하므로, 웨이블릿 기반의 분석 방법을 활용하여 센서 신호를 멀티 밴드로 분해하고, 분해된 각 밴드의 신호마다 딥러닝 기반의 적대적 생성망과 인코더-디코더 구조의 어텐션 기반의 장단기 메모리 구조 및 확장 합성곱 네트워크를 통합하여 전체 네트워크를 구성하였다. 실제 비행 시험에서 획득한 자료를 이용하여 여러 구조의 딥러닝 네트워크의 예측 결과를 MAE, MSE, RMSE를 통해 성능을 비교하였다. 제안하는 프레임워크의 딥러닝 구조에서 모든 경우에 가장 좋은 예측 성능을 보였다. 비교 시에는 결측치가 없는 데이터를 사용한 예측과, 결측율을 1.15\%에서 17\%까지 변화하면서 예측한 성능을 비교하였다. 또한, 각 네트워크들이 예측한 결과를 시간축에서 비교하여 각 예측 특성을 비교하였으며, 역시 모든 경우에서 제안하는 프레임워크가 가장 좋은 성능을 보여주었다. 웨이브릿 분석의 장점은 다양한 웨이브릿 분석의 활용성과 웨이브릿 함수를 신호 특성에 맞게 변경할 수 있다는 점이다. 추가 분석에서 웨이브릿 분해 레벨을 증가하거나 웨이브릿 함수를 변경하여 예측 결과를 확인하였다. 결과적으로, 복잡한 웨이브릿 함수를 사용한다고 해서 더 좋은 예측 성능을 갖는 것은 아니지만, 복잡한 웨이브릿 함수를 사용하면서 웨이브릿 분해 레벨을 증가시키는 경우 기본적인 Haar 웨이브릿 함수를 활용하여 예측하는 것보다 모든 경우에서 좋은 성능을 보여주었다. 이는 복잡한 웨이브릿 함수를 사용하기 위해서는 보다 웨이브릿 분해를 많이 하여 다양한 특성을 분석하여 예측에 반영해야 하기 때문이다. 본 연구를 통해 특성이 서로 다른 다양한 센서 데이터를 분석하고 이를 활용하여 특정 센서의 데이터를 예측하는 프레임워크를 제안한다. 센서 특성에 적합한 웨이블릿 분석 및 딥러닝 예측 기법을 통해 비행체 개발 시 데이터를 보완하는데 활용될 수 있다. 이러한 접근 방식은 비행 데이터의 가치를 높이고, 비행체 개발 과정에서 문제 발생 시 해결을 위한 기반 데이터로 활용할 수 있다. 또한, 웨이블릿 분석 및 딥러닝 기반 예측 기법은 센서 특성에 맞춰 웨이블릿 함수 및 분해 레벨을 조절할 수 있어, 다양한 센서 데이터에 적용할 수 있는 유연성을 제공한다. 이러한 연구를 활용하여 센서 데이터를 효과적으로 복원하고 비행체 개발의 효율성을 높여, 향후 비행체 개발에 기여할 것으로 기대된다.
