JP6235218B2 - 構造変形を識別するための方法および装置 - Google Patents

Description

本開示は一般に構造変形に関し、具体的には、構造変形を識別することに関する。さらにより具体的には、本開示は、測定された歪みデータおよびヒューリスティックモデルを使用して構造の変形を識別するための方法および装置に関する。

プラットフォームに関連付けられる構造の中には、プラットフォームの動作中に変形を経験するものがある。本明細書では、構造の「変形」は、構造の基準形状からの、構造の形状における任意の変化である。一般に、プラットフォームに関連付けられる構造は、プラットフォームの動作中に構造に適用されている１つまたは複数の負荷に応じて変形する。プラットフォームの動作中の構造の変形は、構造の性能を所望の性能レベルから低下させる場合がある。

例示的な一例として、航空機に関連付けられるアンテナシステムは、航空機の飛行中にアンテナシステムに適用されるいくらかの負荷および／または圧力に応じて変形する場合がある。アンテナシステムの変形は、アンテナシステムの性能を低下させる。具体的には、アンテナシステムの変形によって、アンテナシステムに選択された許容範囲外で動作させる場合がある。

例示的な一例では、アンテナシステムは位相アレイアンテナシステムでよい。このタイプのアンテナシステムの変形は、所望される以上にアンテナシステムの電子的ビーム方向操作機能に影響する場合がある。たとえば、アンテナシステムによって形成されたビームは、所望のビームの方向について、選択された許容範囲外の方向に操作される場合がある。このタイプの方向操作は、アンテナシステムの少なくとも一部が変形すると発生する場合がある。この変形を電子的に補正するために、アンテナシステムによって経験される変形の量の識別が使用されうる。

プラットフォームに関連付けられる構造の変形を識別するために現在利用可能ないくつかのシステムは、光学式システム、画像化システム、光ファイバシステム、座標測定機（ＣＭＭ）システム、カメラ、および／または他のタイプのデバイスを使用することを含む。これらの異なるデバイスは、プラットフォームの動作中にプラットフォームに関連付けられる構造の変形を識別するために使用される。

しかし、現在利用可能なこれらのシステムは、構造の変形を所望の精度レベルで識別できない場合がある。さらに、構造の変形を識別するために現在利用可能なこれらのシステムは、所望されるよりも複雑で、時間がかかり、および／または費用が高い場合がある。したがって、上述の問題のうちの１つまたは複数、ならびに可能であれば他の問題も考慮する方法および装置を有することが望ましい。

ある例示的実施形態では、構造の変形を識別するための方法が提供される。トレーニング変形データが、複数のトレーニングケース内のそれぞれのトレーニングケースについて識別される。トレーニング歪みデータが、複数のトレーニングケース内のそれぞれのトレーニングケースについて識別される。トレーニング変形データおよびトレーニング歪みデータは、ヒューリスティックモデルによって生成された出力データの精度を向上させるために、ヒューリスティックモデルによって使用されるように構成される。ヒューリスティックモデルについてのパラメータのグループは、入力歪みデータに基づいて構造についての推定変形データを生成するためにヒューリスティックモデルがトレーニングされるように、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング変形データおよびトレーニング歪みデータを使用して調整される。推定変形データは、所望の精度レベルを有する。

他の例示的実施形態では、構造の性能を管理するための方法が提供される。トレーニング変形データおよびトレーニング歪みデータが、複数のトレーニングケース内のそれぞれのトレーニングケースの構造について識別される。それぞれのトレーニングケースは、ヒューリスティックモデルによって生成された出力データの精度を向上させるために、ヒューリスティックモデルによって使用されるように構成される。構造は、プラットフォームに関連付けられるように構成される。ヒューリスティックモデルについてのパラメータのグループは、入力歪みデータに基づいて構造についての推定変形データを生成するためにヒューリスティックモデルがトレーニングされるように、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング変形データおよびトレーニング歪みデータを使用して調整される。推定変形データは、所望の精度レベルを有する。構造についての歪みデータは、構造がプラットフォームに関連付けられる場合、プラットフォームの動作中に、構造に関連付けられるセンサシステムを使用して生成される。構造についての推定変形データは、ヒューリスティックモデル、およびヒューリスティックモデルについての入力歪みデータとしての歪みデータを使用して生成される。構造についての制御パラメータのグループは、プラットフォームの動作中に構造が所望の性能レベルを有するように、ヒューリスティックモデルによって生成された推定変形データを使用して調整される。

さらに他の例示的実施形態では、装置はヒューリスティックモデルおよびトレーナーを備える。ヒューリスティックモデルは、入力歪みデータに基づいて構造についての推定変形データを生成するように構成される。推定変形データは、所望の精度レベルを有する。トレーナーは、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング変形データおよびトレーニング歪みデータを識別するように構成される。トレーナーは、ヒューリスティックモデルが入力歪みデータに基づいて所望の精度レベルで構造についての推定変形データを生成するように、複数のトレーニングケース内のそれぞれのトレーニングケースの識別されたトレーニング変形データおよびトレーニング歪みデータを使用してヒューリスティックモデルをトレーニングするようにさらに構成される。

特徴および機能は、本開示の様々な実施形態において単独で実現することもでき、以下の説明および図面を参照して、さらなる詳細が見られるさらに他の実施形態において結合することもできる。

例示的実施形態の特性と考えられる新規な特徴は、添付の特許請求の範囲に記載されている。しかし、例示的実施形態ならびに好ましい使用モード、さらなる目的およびその特徴は、添付の図面と併せて読むと、本開示の例示的実施形態の以下の詳細な説明を参照することによって最もよく理解されよう。

例示的実施形態による、トレーニング環境のブロック図である。 例示的実施形態による、トレーニング環境を示す図である。 例示的実施形態による、位相アレイアンテナに関連付けられる複数のセンサを示す図である。 例示的実施形態による、推定変形データの表である。 例示的実施形態による、実際の変形データの表である。 例示的実施形態による、推定変形測定値と実際の変形測定値と間の差異の表である。 例示的実施形態による流れ図の形式の、構造の性能を管理するための処理の流れ図である。 例示的実施形態による流れ図の形式の、ヒューリスティックモデルをトレーニングするための処理の流れ図である。 例示的実施形態による流れ図の形式の、ヒューリスティックモデルをトレーニングするための処理の流れ図である。 例示的実施形態による流れ図の形式の、構造上で使用するためのセンサの構成を識別するための処理の流れ図である。 例示的実施形態による、位相アレイアンテナのピークサイドローブ比のグラフの比較を示す図である。 例示的実施形態による、利得の減少のグラフの比較を示す図である。 例示的実施形態による、位相のグラフの比較を示す図である。 例示的実施形態による、ビーム方向操作角度偏差のグラフの比較を示す図である。 例示的実施形態による、データ処理システムを示す図である。

異なる例示的実施形態は、１つまたは複数の異なる考慮事項を認識および考慮する。たとえば、異なる例示的実施形態は、構造の変形を測定するために現在利用可能ないくつかのシステムは所望の精度レベルを提供しない場合があることを認識および考慮する。たとえば、現在利用可能なこれらのシステムは、構造の変形を補正するために必要な精度レベルを提供できない場合がある。

たとえば３次元座標測定機システム、光ファイバシステム、カメラ、および／または他の適切なデバイスなどのデバイスを備える光学式システムは、飛行中に航空機に関連付けられる構造の３次元変形を所望の精度レベルで測定できない場合がある。異なる例示的実施形態は、これらのデバイスは構造の変形形状の測定に必要な所望のレベルの空間分解能を所望の精度レベルで提供しない場合があることを認識および考慮する。

異なる例示的実施形態は、カメラを有する光学式システムはこれらのカメラが構造に向けられる必要があることも認識する。さらに、ある環境状態においてこれらの光学式システムを動作することは、所望するよりも困難な場合がある。たとえば、雨、極端な温度、風、雪、夜間、低光量、霧などの状態、および／または他の状態でこれらの光学式システムを動作することは、所望するよりも困難な場合がある。さらに、カメラを有する光学式システムを使用して構造の３次元形状を測定することは、複数のビューを使用することを含む場合がある。複数のビューを使用することにより、構造の３次元形状の測定に必要な処理リソース、労力、および／または時間が増加する場合がある。

異なる例示的実施形態は、航空機の飛行中に航空機上の位相アレイアンテナが変形されうることを認識および考慮する。異なる例示的実施形態は、選択された許容範囲内で、航空機の飛行中に位相アレイアンテナの変形を補正するために、位相アレイアンテナを電子的にビーム方向操作するために必要な精度レベルで位相アレイアンテナの変形を識別するように構成されたシステムを有することが望ましい場合があることも認識および考慮する。

さらに、異なる例示的実施形態は、位相アレイアンテナの変形を識別して、実質的にリアルタイムでこの変形を補正するために、位相アレイアンテナを電子的にビーム方向操作できるシステムを有することが望ましい場合があることを認識および考慮する。このように、航空機の飛行中に位相アレイアンテナの変形によって引き起こされる、位相アレイアンテナの性能における望まない変化または不整合を減少させることができ、場合によっては防ぐことができる。

したがって、異なる例示的実施形態は、構造の性能を管理するための方法および装置を提供する。ある例示的実施形態では、構造の変形を識別するための方法が提供される。トレーニング変形データは、複数のトレーニングケース内のそれぞれのトレーニングケースについて識別される。トレーニング歪みデータは、複数のトレーニングケース内のそれぞれのトレーニングケースについて識別される。トレーニング変形データおよびトレーニング歪みデータは、ヒューリスティックモデルによって生成された出力データの精度を向上させるために、ヒューリスティックモデルによって使用されるように構成される。ヒューリスティックモデルについてのパラメータのグループは、入力歪みデータに基づいて構造についての推定変形データを生成するためにヒューリスティックモデルがトレーニングされるように、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング変形データおよびトレーニング歪みデータを使用して調整される。推定変形データは、所望の精度レベルを有する。

推定変形データは、構造が、プラットフォームの動作中に所望の性能レベルを有するように、構造についての制御パラメータのグループを調整するために使用されうる。具体的には、推定変形データは、プラットフォームの動作中の構造の変形を補正する方法で構造を制御するために使用されうる。

次に図面を参照すると、具体的には図１を参照すると、例示的実施形態によるトレーニング環境の例が示されている。これらの例示的な例では、トレーニング環境１００はトレーナー１０２を含む。トレーナー１０２は、プラットフォーム１１０に関連付けられる構造１０８の変形１０６を識別するために、ヒューリスティックモデル１０４をトレーニングするように構成されている。

本明細書で使用される際には、あるコンポーネントが他のコンポーネントに「関連付けられる」場合、この関連はこれらの図示された例における物理的関連である。たとえば、構造１０８などの第１コンポーネントは、第２コンポーネントに固定されることによって、第２コンポーネントに結合されることによって、第２コンポーネントに搭載されることによって、第２コンポーネントに溶接されることによって、第２コンポーネントに締結されることによって、および／または他の何らかの適切な方法で第２コンポーネントに接続されることによって、プラットフォーム１１０などの第２コンポーネントに関連付けられると考えることができる。また、第１コンポーネントは、第３コンポーネントを使用して第２コンポーネントに接続されうる。第１コンポーネントは、第２コンポーネントの一部および／またはその拡張として形成されることによって第２コンポーネントに関連付けられると考えることもできる。

これらの例示的な例では、プラットフォーム１１０は、これらに限定されないが、たとえば、航空機、ヘリコプター、ジェット機、無人機（ＵＡＶ）、スペースシャトル、自動車、ロケット、ミサイル、船舶、推進システム、ビル、人工建造物、橋梁、衛星、または他の何らかの適切なタイプのプラットフォームでよい。プラットフォーム１１０に関連付けられる構造１０８は、これらに限定されないが、たとえば、画像化システム、通信システム、アンテナシステム、位相アレイアンテナシステム、翼、スキンパネル、ケーブル、ロッド、ビーム、または他の何らかの適切なタイプの構造でよい。

例示的な一例では、プラットフォーム１１０は航空機であり、構造１０８は位相アレイアンテナシステムである。この例示的な例では、位相アレイアンテナは、航空機の１つまたは複数の他の構造に組み込まれることによって航空機に関連付けられている。たとえば、位相アレイアンテナは、航空機の翼、安定装置、スキンパネル、またはドアに組み込まれうる。

構造１０８の変形１０６は、構造１０８の基準形状１１４からの、構造１０８の形状１１２における任意の変化である。例示的な一例では、基準形状１１４は、負荷または圧力が構造１０８に適用されていない構造１０８の形状である。

１つまたは複数の負荷および／または圧力が構造１０８に適用されると、構造１０８は変形する場合があるので、構造１０８の形状１１２は基準形状１１４から変形形状１１６に変化する。構造１０８に適用された負荷および／または圧力は、これらに限定されないが、たとえば、空力的負荷、突風、構造１０８における振動、静荷重、空力音響負荷（ａｅｒｏ−ａｃｏｕｓｔｉｃ ｌｏａｄ）、温度ベースの負荷、ならびに／または他の適切なタイプの負荷および／もしくは圧力を含みうる。

構造１０８は、プラットフォーム１１０の動作中に変形しうる。構造１０８が変形形状１１６を有する場合、構造１０８は選択された許容範囲外で動作する場合がある。構造１０８についての変形形状１１６の識別は、構造１０８についての制御パラメータのグループ１１５を調整するために使用されうる。

本明細書で使用される際には、アイテムの「グループ」は１つまたは複数のアイテムを意味する。たとえば、制御パラメータのグループ１１５は、１つまたは複数の制御パラメータ１１５を意味する。制御パラメータのグループ１１５は、構造１０８が選択された許容範囲内で動作および実行するように、構造１０８の性能を管理するために調整されうる。これらの例示的な例では、制御パラメータのグループ１１５などのパラメータのグループを「調整すること」は、パラメータのグループ内のパラメータのうちの１つ、いくつか、または全てを変更すること、あるいは全く変更しないことを含みうる。

例示的な一例として、プラットフォーム１１０が航空機で、構造１０８が航空機に組み込まれた位相アレイアンテナシステムの場合、位相アレイアンテナシステムは、航空機の飛行中に変形形状１１６に変形しうる。位相アレイアンテナシステムが変形形状１１６を有する場合、位相アレイアンテナシステムは選択された許容範囲外で動作しうる。

変形形状１１６の識別は、プラットフォーム１１０の飛行中に変形１０６を補正するために、位相アレイアンテナシステムによって形成されたビームの方向を電子的に操作するために、位相アレイアンテナシステムの位相および／または振幅を調整するために使用されうる。このように変形１０６が電子的に補正されると、位相アレイアンテナシステムは、飛行中に選択された許容範囲内で動作する。具体的には、このシステムは、たとえ位相アレイアンテナシステムが変形形状１１６を有する場合でも飛行中は選択された許容範囲内で動作する。

ヒューリスティックモデル１０４は、構造１０８の変形１０６を識別するようにトレーニングされうるので、構造１０８の変形形状１１６を識別できる。これらの例示的な例では、構造１０８の変形１０６を識別することは、所望の精度レベルで構造１０８の変形１０６を推定することを備えうる。このように、構造１０８の変形形状１１６は所望の精度レベルで推定されうる。

本明細書で使用される際には、ヒューリスティックモデル１０４などの「ヒューリスティックモデル」は入力データ１２０を受信することに応じて出力データ１１８を生成するために、他の何らかの適切な方法で学習する、適応する、決定する、データ内のパターンを発見する、データを記憶する、および／または情報を処理するように構成された、任意の数学モデルまたは計算モデルでよい。

ヒューリスティックモデル１０４は、任意の数の学習アルゴリズム、意思決定モデル、問題解決モデル、計算アルゴリズム、および／または他のタイプの処理を備えうる。これらの例示的な例では、ヒューリスティックモデル１０４は、ニューラルネットワーク、学習ベースアルゴリズム、回帰モデル、サポートベクターマシン、データフィッティングモデル、パターン認識モデル、人工知能（ＡＩ）、および他の何らかの適切なタイプのアルゴリズムまたはモデルのうちの少なくとも１つを備える。

本明細書で使用される際には、「少なくとも１つ」という語句は、アイテムのリストとともに使用される場合、リストに挙げられたアイテムのうちの１つまたは複数の異なる組み合わせが使用されうること、およびリスト内のそれぞれのアイテムのうちの１つだけが必要とされうることを意味する。たとえば、「アイテムＡ、アイテムＢ、およびアイテムＣの少なくとも１つ」は、これらに限定されないが、アイテムＡ、またはアイテムＡおよびアイテムＢを含みうる。この例は、アイテムＡ、アイテムＢ、およびアイテムＣ、またはアイテムＢおよびアイテムＣも含みうる。他の例では、「少なくとも１つ」は、これらに限定されないが、たとえば、アイテムＡのうちの２個、アイテムＢのうちの１個、およびアイテムＣのうちの１０個；アイテムＢのうちの４個、およびアイテムＣのうちの７個、ならびに他の適切な組み合わせでよい。

これらの例に示されるように、ヒューリスティックモデル１０４は、パラメータのグループ１２１に基づいて、入力データ１２０を受信することに応じて出力データ１１８を生成するように構成される。パラメータのグループ１２１は、これらに限定されないが、たとえば、バイアス、重み、係数、関係、定数、制約、および／または他の適切なタイプのパラメータを含みうる。例示的な一例では、ヒューリスティックモデル１０４は、入力データ１２０を受信することに応じて出力データ１１８を生み出すように構成されたバイアスおよび重みを備える数式を含みうる。

これらの例示的な例では、トレーナー１０２は、所望の精度レベルで構造１０８の変形１０６を推定するようにヒューリスティックモデル１０４をトレーニングするように構成される。構造１０８の変形１０６を所望の精度レベルで推定することは、構造１０８の推定された変形と構造１０８の実際の変形との間の差異が選択された許容範囲内であるように変形１０６を推定することを意味する。

これらの例では、トレーナー１０２は、ハードウェア、ソフトウェア、または両方の組合せを使用して実装されうる。たとえば、トレーナー１０２はコンピュータシステム１２２内に実装されうる。コンピュータシステム１２２はいくつかのコンピュータを備える。本明細書で使用される際には、「いくつかの」アイテムは１つまたは複数のアイテムを意味する。たとえば、いくつかのコンピュータは１つまたは複数のコンピュータを意味する。

コンピュータシステム１２２内に複数のコンピュータが存在する場合、これらのコンピュータは相互に通信している。コンピュータシステム１２２内の異なるコンピュータは、プラットフォーム１１０上、構造１０８上、および／またはプラットフォーム１１０から離れて配置されうる。

例示的な一例では、ヒューリスティックモデル１０４は、入力歪みデータ１２６の形式で入力データ１２０を受信することに応じて、推定変形データ１２４の形式で出力データ１１８を生成する。推定変形データ１２４は、入力歪みデータ１２６に基づいて、構造１０８についての推定変形形状を定義する。

本明細書で使用される際には、推定変形データ１２４などの「変形データ」は、複数の推定変形測定値を備える。本明細書で使用される際には、「複数の」アイテムは２つ以上のアイテムを意味する。たとえば、複数の推定変形測定値は、２つ以上の推定変形測定値を意味する。

これらの図示された例では、変形測定値は、構造１０８が基準形状１１４を有する場合のポイントの位置から、構造１０８が変形形状１１６を有する場合のポイントの位置への、構造１０８上のポイントの偏差の測定値である。本明細書で使用される際には、構造１０８上のポイントの「偏差」は、構造１０８が基準形状１１４を有する場合のポイントと、構造１０８が変形形状１１６を有する場合のポイントとの間の距離である。このポイントの偏差は、ポイントの変位と呼ばれる場合もある。

これらの例示的な例では、ポイントの偏差の測定値は長さの単位でよい。長さの単位には、これらに限定されないが、たとえば、インチ、フィート、センチメートル、ミリメートル、および他のタイプの長さの単位がある。当然、他の例示的な例では、ポイントの偏差の測定値は角度の単位でよい。角度の単位には、これらに限定されないが、たとえば、ラジアン、度、および他のタイプの角度の単位がある。

さらに、本明細書で使用される際には、入力歪みデータ１２６などの「歪みデータ」は複数の歪み測定値を備える。歪み測定値は、構造１０８が基準形状１１４を有する場合のポイントの位置から、構造１０８が変形形状１１６を有する場合のポイントの位置への、構造１０８上のポイントの偏差の測定値であり、基準の長さに関して標準化される。歪み測定値は、どのような単位も有さず、パーセンテージ、分数、または割合表記（ｐｐｎ）として表されうる。

ヒューリスティックモデル１０４は、いくつかの異なる方法で入力歪みデータ１２６を受信できる。例示的な一例として、入力歪みデータ１２６は、センサシステム１３０によって生成された歪みデータ１２８として受信されうる。センサシステム１３０は構造１０８に関連付けられる。いくつかの例示的な例では、センサシステム１３０の一部はプラットフォーム１１０に関連付けられうる。

センサシステム１３０は、歪みデータ１２８を生成するように構成された複数のセンサ１３２を備える。歪みデータ１２８は、それぞれ複数のセンサ１３２によって生成された複数の歪み測定値を備える。複数のセンサ１３２内のセンサは、たとえば、歪みゲージ、光ファイバセンサ、圧電センサ、トランスデューサ、または歪み測定値を生成するように構成された他の何らかの適切なタイプのセンサのうちの少なくとも１つを備えうる。

いくつかの例示的な例では、入力データ１２０は、入力歪みデータ１２６に加えて追加入力データ１３３も含みうる。追加入力データ１３３は、入力歪みデータ１２６に基づいてヒューリスティックモデル１０４によって生成された出力データ１１８に影響を及ぼす場合がある任意のデータを含みうる。具体的には、追加入力データ１３３は、プラットフォーム１１０の動作中に構造１０８の変形１０６に影響を及ぼす場合がある状態についての任意のデータを含みうる。

たとえば、追加入力データ１３３は、たとえば構造１０８の変形１０６および／または歪みデータ１２８に影響を及ぼす場合がある環境状態の測定値などの環境データを含みうる。この環境データは、たとえば、温度データ、湿度データ、および／または他の適切なタイプのデータを含みうる。場合によっては、追加入力データ１３３は、プラットフォーム１１０に取り付けられた慣性計測装置（ＩＭＵ）からのデータ、位置データ、高度データ、速度データ、加速データ、および／または他の適切なタイプのデータを含みうる。

これらの例示的な例では、トレーナー１０２は、ヒューリスティックモデル１０４をトレーニングするために選択された複数のトレーニングケース１３６を使用してヒューリスティックモデル１０４をトレーニングする。本明細書で使用される際には、複数のトレーニングケース１３６内のトレーニングケースなどの「トレーニングケース」は構造１０８にとって特別な状況であり、構造１０８がこの特別な状況にある場合、構造１０８についてのデータがヒューリスティックモデル１０４をトレーニングするために使用される。構造１０８にとって特別な状況は、たとえば、構造１０８の特別な変形形状でよい。しかし、場合によっては、構造１０８にとって特別な状況は、構造１０８に適用されている選択された量の負荷および／または圧力でよい。

トレーナー１０２は、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データおよびトレーニング歪みデータを識別する。トレーニングケース１４０は、複数のトレーニングケース１３６のうちの１つの例である。さらに、トレーナー１０２は、トレーニングケース１４０についてのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を識別する。

トレーナー１０２は、トレーニング変形データ１４２およびトレーニング歪みデータ１４４をヒューリスティックモデル１０４に送信する。ヒューリスティックモデル１０４は、トレーニング変形データ１４２およびトレーニング歪みデータ１４４を使用して、ヒューリスティックモデル１０４についてのパラメータのグループ１２１を調整する。パラメータのグループ１２１は、ヒューリスティックモデル１０４が、入力歪みデータ１２６に基づいて、構造１０８についての推定変形データ１２４を所望の精度レベルで生成できるように調整される。これらの例示的な例では、トレーナー１０２は、複数のトレーニングケース１３６および反復処理を使用してヒューリスティックモデル１０４をトレーニングする。

複数のトレーニングケース１３６内のそれぞれのトレーニングケースの識別されたトレーニング変形データおよびトレーニング歪みデータは、トレーニング環境１００においていくつかの異なる方法で識別されうる。たとえば、トレーニング環境１００は、研究所、試験施設、風洞、またはトレーニング変形データおよびトレーニング歪みデータを生成できる他の何らかのタイプのトレーニング環境でよい。場合によっては、トレーニング環境１００は、プラットフォーム１１０が動作する実際の環境でよい。このように、トレーニング変形データおよびトレーニング歪みデータを、いくつかの異なる方法で収集してまとめることができる。

例示的な一例では、複数のトレーニングケース１３６によって構造１０８を変形するために、複数のアクチュエータ１４６が使用される。たとえば、複数のアクチュエータ１４６は、構造１０８をトレーニングケース１４０に対応する方法で変形させるために使用されうる。より具体的には、複数のアクチュエータ１４６は、複数の選択された負荷を、構造１０８上の複数のポイント１４８に適用して、構造１０８にトレーニングケース１４０に対応する変形形状を有させる方法で複数のポイント１４８を撓ませるために使用されうる。

当然、他の例示的な例では、複数のトレーニングケース１３６に対応する方法で構造１０８を変形させるために、他の何らかのタイプのシステムが使用されうる。実装形態に応じて、構造１０８は、プラットフォーム１１０から構造１０８を分離して、トレーニングするために変形されうる。いくつかの例示的な例では、プラットフォーム１１０は、プラットフォーム１１０に構造１０８を関連付けて動作させて、構造１０８を複数のトレーニングケース１３６によって変形させることができる。

複数のトレーニングケースによって構造１０８が変形されると、そのトレーニングケースについてのトレーニング変形データおよびトレーニング歪みデータが識別される。いくつかの例示的な例では、トレーニング変形データおよびトレーニング歪みデータは、トレーニングデータセットと呼ばれうる。トレーニング変形データは、いくつかの異なる方法で識別されうる。例示的な一例として、トレーナー１０２は、画像化システム１５２から受信した画像データ１５０を使用してトレーニング変形データを識別できる。

画像化システム１５２は、複数の変形測定値を識別できる画像データ１５０を生成するように構成された任意の数のコンポーネントを備える。たとえば、画像化システム１５２は光画像化システム、レーザー画像化システム、赤外線画像化システム、または他の何らかの適切なタイプの画像化システムを備えうる。いくつかの例示的な例では、画像データ１５０は、トレーニング変形データとして使用するための複数の変形測定値を含みうる。

さらに、特定のトレーニングケースによって構造１０８が変形された場合にセンサシステム１３０によって生成された歪みデータ１２８は、そのトレーニングケースについてのトレーニング歪みデータとして使用されうる。当然、他の例示的な例では、センサシステム１３０は、歪みデータ１２８に加えて、および／またはその代わりに、他のセンサデータを生成しうる。トレーナー１０２は、この他のセンサデータを使用して、トレーニング歪みデータを識別できる。

これらの例示的な例では、複数のトレーニングケース１３６内のトレーニングケースの数は、オペレータによって選択されうる。ヒューリスティックモデル１０４がこの新しいデータに適応できるように、任意の時点で、複数のトレーニングケース１３６に新しいトレーニングケースが追加されうる。

さらに、場合によっては、トレーナー１０２は、ヒューリスティックモデル１０４をトレーニングするために、トレーニングケース１４０などのトレーニングケースについてのトレーニング環境データを識別できる。このトレーニング環境データは、いくつかの異なる方法で識別されうる。たとえば、歴史的環境データおよび／または試験環境データが使用されうる。このトレーニング環境データは、構造１０８が異なるタイプの環境状態で動作される場合、入力歪みデータ１２６に基づいて、推定変形データ１２４を所望の精度レベルで生成できるようにヒューリスティックモデル１０４をトレーニングするために使用されうる。

一旦ヒューリスティックモデル１０４がトレーニング環境１００内でトレーニングされると、ヒューリスティックモデル１０４は、プラットフォーム１１０の動作中に構造１０８の性能を管理するために、構造１０８内で使用されうる。たとえば、構造１０８が位相アレイアンテナの場合、ヒューリスティックモデル１０４は、その位相アレイアンテナに関連付けられるプロセッサユニットで使用されうる。プラットフォーム１１０の動作中にヒューリスティックモデル１０４によって生成された推定変形データ１２４は、構造１０８についての制御パラメータのグループ１１５を調整するために使用されうる。

これらの例示的な例では、制御パラメータのグループ１１５は、構造１０８が変形形状１１６を有する場合、構造１０８の性能を所望の性能レベルに向上させるために調整される。構造１０８の性能は、構造１０８についての性能パラメータのグループ１５４を使用して評価されうる。構造１０８が位相アレイアンテナの場合、性能パラメータのグループ１５４は、これらに限定されないが、たとえば、ピークサイドローブ比（ＰＳＬＲ）、利得の損失、ビーム方向操作角度偏差、および／または他のタイプの適切な性能パラメータを含みうる。

推定変形データ１２４は、制御パラメータのグループ１１５を調整するための値を計算するために使用されうる。制御パラメータのグループ１１５は、構造１０８が変形形状１１６を有する場合、性能パラメータのグループ１５４が、構造１０８が所望の性能レベルを有することを示すまで、これらの値に基づいて調整されうる。このように、推定変形データ１２４は、構造１０８が所望の性能レベルを維持するように構造１０８の変形１０６を補正するために、制御パラメータのグループ１１５を調整するために使用される。

これらの例示的な例では、推定変形データ１２４は、プラットフォーム１１０の動作中に実質的にリアルタイムで、構造１０８について識別されて、構造１０８についての制御パラメータのグループ１１５を調整するために使用されうる。これらの処理が「実質的にリアルタイムで」実行されているということは、これらの処理が意図しない遅延なしに実行されていることを意味する。場合によっては「実質的にリアルタイムで」は、即座に、を意味しうる。

たとえば、これに限定されないが、構造１０８が基準形状１１４から変形することに応じて、ヒューリスティックモデル１０４は、この変形について即座に推定変形データ１２４を生成するために使用される。次いで、推定変形データ１２４は、この変形を補正するために、制御パラメータのグループ１１５を調整することによって構造１０８を即座に制御するために使用されうる。このように、構造１０８の変形に応じた構造１０８の性能レベルにおける任意の変化を減少させることができ、場合によっては防ぐことができる。

このように、異なる例示的実施形態は、構造１０８の変形１０６を識別して、この推定に基づいて構造１０８の性能を管理するための方法および装置を提供する。さらに、異なる例示的実施形態は、入力データ１２０を受信することに応じて、所望の精度レベルで構造１０８についての推定変形データ１２４を生成するためにヒューリスティックモデル１０４をトレーニングするための方法および装置を提供する。

図１におけるトレーニング環境１００の図示は、例示的実施形態を実装できる方法への物理的または構造的な限界を含意することを意味するものではない。図示されたコンポーネントに加えて、またはそれの代わりに、他のコンポーネントが使用されうる。いくつかのコンポーネントは省略できる。また、いくつかの機能コンポーネントを説明するために、ブロックが示されている。これらのブロックのうちの１つまたは複数は、例示的実施形態に実装される際に、異なるブロックに結合、分割、または結合および分割されうる。

たとえば、場合によっては、ヒューリスティックモデル１０４は複数のニューラルネットワークを備えうる。それぞれのニューラルネットワークは、構造１０８上の特定のポイントについての推定変形データ１２４を生成するように構成されうる。これらの場合、それぞれのニューラルネットワークは、構造１０８上の特定のポイントで、またはその近くで、１つまたは複数の入力歪み測定値に基づいて、構造１０８上の特定のポイントについての推定変形測定値を生成するためにトレーニングされうる。

さらに、それぞれのニューラルネットワークのそれぞれのトレーニングケースは、特定のポイントで、１つまたは複数のトレーニング歪み測定値および１つのトレーニング変形測定値を備えうる。トレーニング変形測定値は、構造１０８上の特定のポイントでセンサを使用して識別されうる。

次に図２を参照すると、例示的実施形態によるトレーニング環境の例が示されている。この例示的実施形態では、トレーニング環境２００は、図１におけるトレーニング環境１００の一実装形態の例である。図示されるように、トレーニング環境２００内に、コンピュータシステム２０２、サポートシステム２０４、アクチュエータシステム２０６、画像化システム２０８、センサシステム２１０が存在する。

コンピュータシステム２０２は、図１におけるコンピュータシステム１２２の一実装形態の例でよい。図１におけるヒューリスティックモデル１０４などのヒューリスティックモデルは、コンピュータシステム２０２を使用してトレーニングされうる。具体的には、ヒューリスティックモデルは、コンピュータシステム２０２内に実装された、たとえば図１におけるトレーナー１０２などのトレーナーを使用してトレーニングされうる。

図示されるように、サポートシステム２０４は、構造２１１を保持およびサポートするように構成される。この例示的な例では、構造２１１は位相アレイアンテナ２１２である。サポートシステム２０４は位相アレイアンテナ２１２をサポートおよび保持し、アクチュエータシステム２０６は、複数の負荷を選択されたトレーニングケースの位相アレイアンテナ２１２に適用する。図示されるように、アクチュエータシステム２０６は、位相アレイアンテナ２１２上の複数のポイントに関連して位置する複数のアクチュエータ２１４を備える。複数のアクチュエータ２１４は、複数の選択された負荷を位相アレイアンテナ２１２上の複数のポイントに適用して、位相アレイアンテナ２１２に特定のトレーニングケースに対応する方法で変形させるように構成される。これらの例示的な例では、選択された負荷を位相アレイアンテナ２１２上のポイントに適用することによって、そのポイントの基準ポイントからそのポイントが選択された量だけ撓むようにする。

画像化システム２０８は、位相アレイアンテナ２１２の画像データを生成するために使用される。この例示的な例では、画像化システム２０８は複数のカメラ２１６を備える。複数のカメラ２１６によって生成された画像データは、位相アレイアンテナ２１２上の複数のポイントで複数の変形測定値を識別するために使用されうる。この例示的な例では、それぞれの変形測定値は、位相アレイアンテナ２１２に対して実質的に垂直な方向の、位相アレイアンテナ２１２上の対応するポイントの撓みでよい。

たとえば、図１におけるトレーナー１０２などのトレーナーは、複数のカメラ２１６によって生成された画像データを使用して位相アレイアンテナ２１２についての変形測定値を識別できる。これらの変形測定値は、位相アレイアンテナ２１２の変形形状の表示を提供する。

さらに、センサシステム２１０は位相アレイアンテナ２１２についての複数の歪み測定値を生成する。センサシステム２１０は、位相アレイアンテナ２１２に組み込まれた複数の歪みゲージ（この図には示さず）を備える。センサシステム２１０によって生成された複数の歪み測定値、および画像化システム２０８を使用して識別された複数の変形測定値は、処理するためにコンピュータシステム２０２に送信される。図１におけるトレーナー１０２などのトレーナーは、これらの異なる変形測定値および歪み測定値を使用して、ヒューリスティックモデルに入力された歪みデータに基づいて所望の精度レベルで位相アレイアンテナ２１２の変形を推定するためにヒューリスティックモデルをトレーニングする。トレーナーは、ヒューリスティックモデルをトレーニングするために、たとえば環境データなどの他の情報も使用できる。

図２におけるトレーニング環境２００の例は、例示的実施形態を実装できる方法への物理的または構造的な限界を含意することを意味するものではない。図示されたコンポーネントに加えて、またはそれの代わりに、他のコンポーネントが使用されうる。いくつかのコンポーネントは省略できる。

さらに、図２に示される異なるコンポーネントは、図１におけるコンポーネントと結合してもよく、図１におけるコンポーネントとともに使用されてもよく、その両方が組み合わされてもよい。さらに、図２におけるコンポーネントのいくつかは、図１のブロック図に示されたコンポーネントが物理的構造物として実装されうる方法の例示的な例でよい。

次に図３を参照すると、例示的実施形態による位相アレイアンテナに関連付けられる複数のセンサの例が示されている。この例示的な例では、位相アレイアンテナ３００は、図２における位相アレイアンテナ２１２の一実装形態の例である。さらに、位相アレイアンテナ３００は、図１における構造１０８の一実装形態の例である。

位相アレイアンテナ３００は、位相アレイアンテナ３００の一部３０２内に配置されるアンテナ要素のアレイを有する。複数のセンサ３０４は、この図示した例では、位相アレイアンテナ３００上の複数のポイント３０６に位置する。図示されるように、複数のセンサ３０４の一部は位相アレイアンテナ３００の一部３０２内に配置され、複数のセンサ３０４の他の部分は位相アレイアンテナ３００の一部３０２の外に配置される。

複数のセンサ３０４は、これに限定されないが、たとえば、複数の歪みゲージの形式をとる場合がある。それぞれの歪みゲージは、歪みゲージが配置される位相アレイアンテナ３００上のポイントで歪み測定値を生成するように構成される。たとえば、位相アレイアンテナ３００の一部３０２内のポイント３１０のセンサ３０８は、ポイント３１０で歪み測定値を生成するように構成される。

このように、複数のセンサ３０４は、図１におけるヒューリスティックモデル１０４などのヒューリスティックモデルについての入力歪みデータとして使用するための歪みデータを形成する複数の歪み測定値を生成する。具体的には、複数のセンサ３０４によって生成された歪み測定値は、図１におけるヒューリスティックモデル１０４についての入力歪みデータ１２６として使用されうる図１における歪みデータ１２８の一例である。さらに、複数のセンサ３０４によって生成された歪み測定値は、図１におけるヒューリスティックモデル１０４をトレーニングするために使用されうる。

次に図４を参照すると、例示的実施形態による推定変形データの表の例が示されている。この例示的な例では、表４００は、ポイント識別子４０２、トレーニングケース４０４、トレーニングケース４０６、トレーニングケース４０８、トレーニングケース４１０、およびトレーニングケース４１２を含む。

ポイント識別子４０２は、推定変形測定値４１３が、たとえば図１におけるトレーナー１０２によってトレーニングされた図１におけるヒューリスティックモデル１０４などのヒューリスティックモデルによって生成される構造上のポイントを識別する。この例示的な例では、ポイント識別子４０２によって識別されるポイントは、図３における位相アレイアンテナ３００上の複数のポイント３０６から選択されたポイントの組合せである。

トレーニングケース４０４、トレーニングケース４０６、トレーニングケース４０８、トレーニングケース４１０、およびトレーニングケース４１２は、それぞれ位相アレイアンテナ３００の特定の変形形状に対応する。位相アレイアンテナ３００がトレーニングケースに対応する変形形状に変形されると、これらのトレーニングケースごとに、ポイント識別子４０２で識別されたポイントに位置する図３における複数のセンサ３０４内のセンサが、これらのポイントについて歪み測定値を生成する。これらの歪み測定値は、これらの同じポイントについての推定変形測定値４１３を生成するためにヒューリスティックモデルに入力される。

次に図５を参照すると、例示的実施形態による実際の変形データの表の例が示されている。この例示的な例では、表５００は、ポイント識別子５０２、トレーニングケース５０４、トレーニングケース５０６、トレーニングケース５０８、トレーニングケース５１０、およびトレーニングケース５１２を含む。

ポイント識別子５０２は、実際の変形測定値５１３が識別される構造上のポイントを識別する。実際の変形測定値５１３は、構造が実際に変形された時に構造上のポイントについて識別された変形測定値である。これらのトレーニングケースについての実際の変形測定値５１３は、たとえば、図１における画像化システム１５２によって生成された画像データ１５０を使用して識別されうる。

この例示的な例では、ポイント識別子５０２で識別されたポイントは、図３における位相アレイアンテナ３００上の複数のポイント３０６から選択されたポイントの組合せである。具体的には、ポイント識別子５０２によって識別されたポイントは、図４におけるポイント識別子４０２によって識別されるのと同じポイントである。

トレーニングケース５０４、トレーニングケース５０６、トレーニングケース５０８、トレーニングケース５１０、およびトレーニングケース５１２は、それぞれトレーニングケース４０４、トレーニングケース４０６、トレーニングケース４０８、トレーニングケース４１０、およびトレーニングケース４１２と同じである。

次に図６を参照すると、例示的実施形態による、推定変形測定値と実際の変形測定値と間の差異の表の例が示されている。この例示的な例では、表６００はポイント識別子６０２を含む。この例示的な例では、ポイント識別子６０２は、図５におけるポイント識別子５０２、および図４におけるポイント識別子４０２によって識別されるのと同じポイントを識別する。

表６００は、トレーニングケース６０６、トレーニングケース６０８、トレーニングケース６１０、トレーニングケース６１２、およびトレーニングケース６１４についての差分値６０４を提示する。トレーニングケース６０６、トレーニングケース６０８、トレーニングケース６１０、トレーニングケース６１２、およびトレーニングケース６１４は、それぞれ図４におけるトレーニングケース４０４、トレーニングケース４０６、トレーニングケース４０８、トレーニングケース４１０、およびトレーニングケース４１２と同じである。さらに、トレーニングケース６０６、トレーニングケース６０８、トレーニングケース６１０、トレーニングケース６１２、およびトレーニングケース６１４は、それぞれ図５におけるトレーニングケース５０４、トレーニングケース５０６、トレーニングケース５０８、トレーニングケース５１０、およびトレーニングケース５１２と同じである。

差分値６０４は、図４における推定変形測定値４１３と、図５における実際の変形測定値５１３との間の差異である。この例示的な例では、差分値６０４は、推定変形測定値４１３が所望の精度レベルを有することを示している。

次に図７を参照すると、例示的実施形態による流れ図の形式の、構造の性能を管理するための処理の例が示されている。図７に示される処理は、図１におけるトレーナー１０２、ヒューリスティックモデル１０４、および構造１０８を使用して実装されうる。

処理は、構造についての入力歪みデータに基づいて所望の精度レベルで構造についての推定変形データを生成するために、ヒューリスティックモデルをトレーニングすることによって開始する（動作７００）。構造は、たとえば、図１における構造１０８でよい。構造は、図１におけるプラットフォーム１１０などのプラットフォームに関連付けられるように構成されうる。構造は、ヒューリスティックモデルをトレーニングするために必要なトレーニングデータが収集される際にプラットフォームに関連付けられてもよく、関連付けられなくてもよい。

その後、プラットフォームの動作中に、処理は構造に関連付けられるセンサシステムによって生成された歪みデータを識別する（動作７０２）。動作７０２で、構造はプラットフォームに関連付けられて、プラットフォームの動作中に、構造に適用される負荷および／または圧力を経験する場合がある。さらに、この例示的な例では、センサシステムは、構造内に取り付けられた、および／またはそこに組み込まれた、複数の歪みゲージを備える。

次いで、処理は、センサシステムによって生成された歪みデータに基づいて、プラットフォームの動作中に構造についての推定変形データを生成する（動作７０４）。センサシステムによって生成された歪みデータは、ヒューリスティックモデルについての入力歪みデータを形成する。

次いで、処理は、構造の性能を所望の性能レベルに向上させるために、構造についての推定変形データを使用して構造についての制御パラメータのグループを調整し（動作７０６）、その後この処理は終了する。例示的な一例として、構造が位相アレイアンテナの場合、推定変形データは、位相アレイアンテナよって形成されたビームの方向を電子的に操作するために、位相および／または振幅を調整するために使用される。たとえば、推定変形データは位相アレイアンテナについての補償アルゴリズムに入力されうる。

次に図８を参照すると、例示的実施形態による流れ図の形式の、ヒューリスティックモデルをトレーニングするための処理の例が示されている。図８に示される処理は、図７における動作７００を実装するために使用されうる。さらに、この処理は図１におけるトレーナー１０２を使用して実装されうる。

処理は、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング変形データを識別することによって開始する（動作８００）。複数のトレーニングケース内のそれぞれのトレーニングケースは、図１における構造１０８などの、構造についての特定の変形形状、および構造に適用されるべき選択された量の負荷および／または圧力のうちの少なくとも１つに対応する。動作８００で、トレーニング変形データは、たとえば図１における画像化システム１５２によって生成された画像データ１５０を使用して識別されうる。

次いで、処理は、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング歪みデータを識別する（動作８０２）。動作８０２で、トレーニング歪みデータは、たとえば、図１における構造１０８に関連付けられるセンサシステム１３０によって生成された歪みデータ１２８などの構造に関連付けられるセンサシステムによって生成された歪みデータを使用して識別されうる。

その後、処理は、ヒューリスティックモデルが構造についての入力歪みデータに基づいて所望の精度レベルで構造についての推定変形データを生成するためにトレーニングされるように、複数のトレーニングケース内のそれぞれのトレーニングケースのトレーニング変形データおよびトレーニング歪みデータを使用してヒューリスティックモデルについてのパラメータのグループを調整し（動作８０４）、その後この処理は終了する。具体的には、動作８０４は、ヒューリスティックモデルが、構造が関連付けられるプラットフォームの動作中に、所望の精度レベルで構造についての推定変形データを生成するように実行されうる。

次に図９を参照すると、例示的実施形態による流れ図の形式の、ヒューリスティックモデルをトレーニングするための処理の例が示されている。図９に示される処理は、図７における動作７００を実装するために使用されうる。さらに、この処理は、図８において説明された処理より詳細な処理でよい。

処理は、複数のトレーニングケースからトレーニングケースを選択することによって開始する（動作９００）。この例示的な例では、複数のトレーニングケース内のそれぞれのトレーニングケースは、構造についての特定の変形形状を指定する。次いで、処理は、構造が選択されたトレーニングケースによって指定された変形形状を有するように構造を変形する（動作９０２）。

その後、処理は、選択されたトレーニングケースによって指定された変形形状を有する構造についてのトレーニング変形データを識別する（動作９０４）。動作９０４は、たとえば画像化システムを使用して実行されうる。動作９０４で識別されたトレーニング変形データは、構造上の複数のポイントについて識別された複数の変形測定値を備える。

処理は、選択されたトレーニングケースによって指定された変形形状を有する構造についてのトレーニング歪みデータも識別する（動作９０６）。動作９０６は、構造に関連付けられるセンサシステムを使用して実行されうる。センサシステムは、複数のセンサを備える。それぞれのセンサは、センサが位置する構造上の特定のポイントについての歪み測定値を生成する。このように、トレーニング歪みデータは、構造上の複数のポイントについての複数の歪み測定値を備える。

この例示的な例では、トレーニング変形データ内の複数の変形測定値、およびトレーニング歪みデータ内の複数の歪み測定値は、構造上の同じ複数のポイントについて生成される。このように、構造上のポイントで生成されたそれぞれの歪み測定値は、構造上の同じポイントで生成された変形測定値に対応する。

次に、処理は、トレーニング歪みデータから歪み測定値の１つの組合せを選択する（動作９０８）。本明細書で使用される際には、「歪み測定値の組合せ」は、センサシステム内の複数のセンサによって生成された複数の歪み測定値のうちの１つまたは複数の選択である。歪み測定値の組合せは、センサシステム内の特定のセンサからの複数の歪み測定値を含まない。このように、歪み測定値の組合せの選択は、センサシステム内のセンサの組合せの選択に対応する。選択された歪み測定値の組合せは、歪み測定値のうちの１つ、いくつか、または全てを含みうる。

次いで、処理は、歪み測定値の選択された組合せ、およびトレーニング変形データ内の変形測定の対応する組合せを使用して、ヒューリスティックモデルをトレーニングする（動作９１０）。動作９１０で、ヒューリスティックモデルは、歪み測定値の選択された組合せ、および変形測定値の対応する組合せを使用して、ヒューリスティックモデルについてのパラメータのグループを調整する。調整されたパラメータのグループは、ある入力歪みデータに基づいてヒューリスティックモデルによって生成された推定変形データを決定する。

その後、処理は、歪み測定値の選択された組合せをヒューリスティックモデルに入力して、推定変形データを生成する（動作９１２）。処理は、推定変形データが所望の精度レベルを有するかどうかを決定する（動作９１４）。動作９１４で、決定は、ヒューリスティックモデルによって生成された推定変形データと、トレーニング変形データ内に示される実際の変形データとの間の差異が選択された許容範囲内かどうかに基づいて行われる。

推定変形データが所望の精度レベルを有していない場合、処理は、ヒューリスティックモデルについてのパラメータのグループを調整して（９１６）、次いで動作９１２に戻る。再び動作９１４を参照すると、推定変形データが所望の精度レベルを有する場合、処理は歪み測定値の選択された組合せ、変形測定値の対応する組合せ、およびパラメータのグループについての値を格納する（動作９１８）。

次いで、処理は、歪み測定値の任意の、さらなる未処理の組合せがあるかどうかを決定する（動作９２０）。歪み測定値の任意の、さらなる未処理の組合せがある場合、上述のように処理は動作９０８に戻って、歪み測定値の新しい未処理の組合せを選択する。

歪み測定値の任意の、さらなる未処理の組合せがない場合、処理は、複数のトレーニングケース内に任意の、さらなる未処理のトレーニングケースがあるかどうかを決定する（動作９２２）。任意のさらなる未処理のトレーニングケースがある場合、上述のように処理は動作９００に戻る。任意のさらなる未処理のトレーニングケースがない場合、処理は終了する。このように、図１において説明した処理は、複数のトレーニングケースを使用して所望の精度レベルで構造についての推定変形データを生成するようにヒューリスティックモデルをトレーニングする。

次に図１０を参照すると、例示的実施形態による流れ図の形式の、構造上で使用するためのセンサの構成を識別するための処理の例が示されている。図１０において説明される処理は、図１における構造１０８について、センサシステム１３０内の複数のセンサ１３２からいくつかのセンサ、およびこれらの選択されたセンサについての構成を選択するために実装されうる。

処理は、ヒューリスティックモデルについて、複数のトレーニングケース内のそれぞれのトレーニングケースの歪み測定値のそれぞれの選択された組合せに基づいて、ヒューリスティックモデルによって生成された推定変形データを識別することによって開始する（動作１０００）。次いで、処理は、複数のトレーニングケース内のそれぞれのトレーニングケースの歪み測定値のそれぞれの選択された組合せに基づいて生成された推定変形データを使用して、構造についての制御パラメータのグループを調整する（動作１００２）。

その後、処理は、推定変形データが構造についての制御パラメータのグループを調整するために使用される場合、ヒューリスティックモデルが、構造についての所望の性能レベルを提供するために必要な精度レベルで構造についての推定変形データを生成するために必要な最小数の歪み測定値を有する歪み測定値の組合せを識別して（動作１００４）、その後この処理は終了する。たとえば、補償アリゴリズムは、ヒューリスティックモデルによって生成された推定変形データを使用して、構造が所望の性能レベルを有するように、構造についての制御パラメータのグループを調整できる。

推定変形データは、推定変形データを使用して識別された制御パラメータのグループへの調整に基づく、構造についての性能パラメータのグループと、実際の変形データを使用して識別された制御パラメータのグループへの調整に基づく、構造についての性能パラメータのグループとの間の差異が、選択された許容範囲内である場合、所望の精度レベルを有する。動作１００４で、処理は、所望の精度レベルで推定変形データを生成するヒューリスティックモデルをもたらすのに、歪み測定値のどの組合せが最小数のセンサを有するかを決定する。

説明した異なる実施形態における流れ図およびブロック図は、例示的実施形態による装置および方法のいくつかの可能な実装形態のアーキテクチャ、機能性、および動作を示している。この点に関して、流れ図またはブロック図内のそれぞれのブロックは、モジュール、セグメント、および／あるいは動作またはステップの一部を表しうる。たとえば、ブロックのうちの１つまたは複数は、プログラムコードとして、ハードウェア内に、またはその２つの組合せとして実装されうる。ハードウェア内に実装されると、ハードウェアは、たとえば、流れ図またはブロック図内の１つまたは複数の動作を実行するように製造または構成された集積回路の形式をとることができる。

例示的実施形態のいくつかの代替実装形態では、ブロック内に記載される機能は、図に記載される順序とは異なる順序で発生しうる。たとえば、場合によっては、含まれる機能に応じて、連続して示されている２つのブロックが実質的に同時に実行されてもよく、ブロックが逆の順序で実行されることがあってもよい。また、図示されたブロックに加えて、流れ図またはブロック図に他のブロックが追加されてもよい。

次に図１１〜１４を参照すると、例示的実施形態による、制御パラメータについてのグラフ間の比較の例が示されている。図１１〜１４では、グラフのそれぞれのペアが、推定変形データおよび実際の変形データを使用して、位相アレイアンテナについての制御パラメータに行われた調整を比較する。

推定変形データは、たとえば、図１におけるヒューリスティックモデル１０４を使用して生成されうる。推定変形データは、位相アレイアンテナに関連付けられるセンサシステムによって生成された歪みデータを使用して、ヒューリスティックモデルによって生成される。図１１〜１４では、制御パラメータの値が、位相アレイアンテナに関連付けられるセンサシステム内のセンサの数に関して異なるグラフに提示される。

次に図１１を参照すると、例示的実施形態による、位相アレイアンテナのピークサイドローブ比のグラフの比較の例が示されている。グラフ１１００は、横軸１１０４および縦軸１１０６を有する。グラフ１１０２は、横軸１１０８および縦軸１１１０を有する。

横軸１１０４および横軸１１０８の両方は、推定変形測定値および実際の変形測定値が識別される、位相アレイアンテナ上のいくつかのポイントを表す。縦軸１１０６および縦軸１１１０の両方は、位相アレイアンテナについて選択されたピークサイドローブ比をデシベルで表す。

しかし、グラフ１１００内の曲線１１１２は、位相アレイアンテナについての位相および／または振幅を調整するために、トレーニングされたヒューリスティックモデルによって生成された推定変形データが使用される場合の、ピークサイドローブ比を識別する。グラフ１１０２内の曲線１１１４は、位相アレイアンテナについての位相および／または振幅を調整するために実際の変形データが使用される場合の、ピークサイドローブ比を識別する。

上述のように、これらの曲線は、推定変形データに基づく位相アレイアンテナについて選択されたピークサイドローブ比が、実際の変形データに基づく位相アレイアンテナについて選択されたピークサイドローブ比の許容範囲内であることを示している。言い換えれば、位相アレイアンテナが推定変形データを使用して電子的に補償される場合の位相アレイアンテナについてのピークサイドローブ比と、実際の変形データを使用して位相アレイアンテナが電子的に補償される場合の位相アレイアンテナについてのピークサイドローブ比とが、選択された許容範囲内で実質的に等しいことができる。

次に図１２を参照すると、例示的実施形態による、利得の減少のグラフの比較の例が示されている。この例示的な例では、グラフ１２００は、横軸１２０４および縦軸１２０６を有する。グラフ１２０２は、横軸１２０８および縦軸１２１０を有する。

横軸１２０４と横軸１２０８の両方は、位相アレイアンテナに関連付けられるセンサシステム内のいくつかのセンサを表す。縦軸１２０６と縦軸１２１０の両方は、位相アレイアンテナについての利得の減少をデシベルで表す。

しかし、グラフ１２００内の曲線１２１２は、位相アレイアンテナについての位相および／または振幅を調整するために、トレーニングされたヒューリスティックモデルによって生成された推定変形データが使用される場合の、利得の減少を識別する。グラフ１２０２内の曲線１２１４は、位相アレイアンテナについての位相および／または振幅を調整するために実際の変形データが使用される場合の、利得の減少を識別する。

図示されるように、これらの曲線は、推定変形データに基づく位相アレイアンテナについての利得の減少が、実際の変形データに基づく位相アレイアンテナについての利得の減少の選択された許容範囲内であることを示している。言い換えれば、位相アレイアンテナが推定変形データを使用して電子的に補償される場合の位相アレイアンテナについての利得の減少と、実際の変形データを使用して位相アレイアンテナが電子的に補償される場合の位相アレイアンテナについての利得の減少とが、選択された許容範囲内で実質的に等しいことができる。

次に図１３を参照すると、例示的実施形態による、位相のグラフの比較の例が示されている。この例示的な例では、グラフ１３００は、横軸１３０４および縦軸１３０６を有する。グラフ１３０２は、横軸１３０８および縦軸１３１０を有する。

横軸１３０４と横軸１３０８の両方は、位相アレイアンテナに関連付けられるセンサシステム内のいくつかのセンサを表す。縦軸１３０６と縦軸１３１０の両方は、位相アレイアンテナについて選択された位相を度で表す。

しかし、グラフ１３００内の曲線１３１２は、位相アレイアンテナについての位相を調整するために、トレーニングされたヒューリスティックモデルによって生成された推定変形データが使用される場合の、位相を識別する。グラフ１３０２内の曲線１３１４は、位相アレイアンテナについての位相を調整するために実際の変形データが使用される場合の、位相を識別する。図示されるように、これらの曲線は、推定変形データに基づく位相アレイアンテナについて選択された位相が、実際の変形データに基づく位相アレイアンテナについて選択された位相の選択された許容範囲内であることを示している。

次に図１４を参照すると、例示的実施形態による、ビーム方向操作角度偏差のグラフの比較の例が示されている。この例示的な例では、グラフ１４００は、横軸１４０４および縦軸１４０６を有する。グラフ１４０２は、横軸１４０８および縦軸１４１０を有する。

横軸１４０４と横軸１４０８の両方は、位相アレイアンテナに関連付けられるセンサシステム内のいくつかのセンサを表す。縦軸１４０６と縦軸１４１０の両方は、位相アレイアンテナについてのビーム方向操作角度偏差を度で表す。

しかし、グラフ１４００内の曲線１４１２は、位相アレイアンテナについての位相および／または振幅を調整するために、トレーニングされたヒューリスティックモデルによって生成された推定変形データが使用される場合の、ビーム方向操作角度偏差を識別する。グラフ１４０２内の曲線１４１４は、位相アレイアンテナについての位相および／または振幅を調整するために実際の変形データが使用される場合の、ビーム方向操作角度偏差を識別する。

図示されるように、これらの曲線は、推定変形データに基づく位相アレイアンテナについてのビーム方向操作角度偏差が、実際の変形データに基づく位相アレイアンテナについてのビーム方向操作角度偏差の選択された許容範囲内であることを示している。言い換えれば、位相アレイアンテナが推定変形データを使用して電子的に補償される場合の位相アレイアンテナについてのビーム方向操作角度偏差と、実際の変形データを使用して位相アレイアンテナが電子的に補償される場合の位相アレイアンテナについてのビーム方向操作角度偏差とが、選択された許容範囲内で実質的に等しいことができる。

図１１におけるグラフ１１００および１１０２、図１２におけるグラフ１２００および１２０２、図１３におけるグラフ１３００および１３０２、ならびに図１４におけるグラフ１４００および１４０２の図示は、例示的実施形態を実装できる方法への物理的または構造的な限界を含意することを意味するものではない。これらのグラフ内に提示されるデータは、構造、構造に関連付けられるセンサシステム、および構造の変形を推定するために使用されるヒューリスティックモデルについての唯一の可能な実装形態に関する。

次に図１５を参照すると、例示的実施形態による、データ処理システムの例が示されている。データ処理システム１５００は、図１におけるコンピュータシステム１２２、および／または図２におけるコンピュータシステム２０２を実装するために使用されうる。この例示的な例では、データ処理システム１５００は、プロセッサユニット１５０４、メモリ１５０６、永続性記憶装置１５０８、通信ユニット１５１０、入力／出力（Ｉ／Ｏ）ユニット１５１２、およびディスプレイ１５１４の間に通信を提供する通信フレームワーク１５０２を含む。これらの例では、通信フレームワーク１５０２はバスシステムでよい。

プロセッサユニット１５０４は、メモリ１５０６にロードされうるソフトウェアの命令を実行するために役立つ。プロセッサユニット１５０４は、特定の実装形態に応じて、いくつかのプロセッサ、マルチプロセッサコア、または他の何らかのタイプのプロセッサでよい。さらに、プロセッサユニット１５０４は、メインプロセッサが第２プロセッサとともに単一のチップ上に存在するいくつかの異種プロセッサシステムを使用して実装されうる。他の例示的な例では、プロセッサユニット１５０４は、同じタイプの複数のプロセッサを含む対称マルチプロセッサシステムでよい。

メモリ１５０６および永続性記憶装置１５０８は、記憶装置１５１６の例である。記憶装置は、たとえば、これらに限定されないが、データ、関数形式のプログラムコード、および／または他の適切なタイプの情報などの情報を、一時的および／または永続的に格納できるハードウェアの任意の部分でよい。記憶装置１５１６は、これらの例ではコンピュータ可読記憶装置とも呼ばれうる。これらの例示的な例では、メモリ１５０６は、たとえば、ランダムアクセスメモリ、あるいは他の任意の適切な揮発性または不揮発性記憶装置でよい。永続性記憶装置１５０８は、特定の実装形態に応じて様々な形式をとることができる。

永続性記憶装置１５０８は、１つまたは複数のコンポーネントまたはデバイスを含みうる。たとえば、永続性記憶装置１５０８は、ハードドライブ、フラッシュメモリ、書換え可能光ディスク、書換え可能磁気ディスク、または上記の任意の組合せでよい。永続性記憶装置１５０８によって使用される媒体は着脱可能でもよい。たとえば、着脱可能ハードドライブは永続性記憶装置１５０８のために使用されうる。

これらの例では、通信ユニット１５１０は、他のデータ処理システムまたはデバイスとの通信を提供する。これらの例では、通信ユニット１５１０はネットワークインターフェースカードである。通信ユニット１５１０は、物理的および／または無線通信リンクの使用を通じて通信を提供できる。

入力／出力ユニット１５１２によって、データ処理システム１５００に接続されうる他のデバイスとのデータの入力および出力が可能になる。たとえば、入力／出力ユニット１５１２は、キーボード、マウス、および／または他の何らかの適切な入力デバイスを通じてユーザ入力のための接続を提供できる。さらに、入力／出力ユニット１５１２は出力をプリンタに送信できる。ディスプレイ１５１４は情報を表示するためのメカニズムをユーザに提供する。

オペレーティングシステム、アプリケーション、および／またはプログラムのための命令は、通信フレームワーク１５０２を通じてプロセッサユニット１５０４と通信する記憶装置１５１６内に配置されうる。これらの例示的な例では、命令は永続性記憶装置１５０８上の関数形式である。これらの命令は、プロセッサユニット１５０４によって実行するためにメモリ１５０６内にロードされうる。異なる実施形態の処理は、メモリ１５０６などのメモリ内に配置されうるコンピュータ実装命令を使用してプロセッサユニット１５０４によって実行されうる。

これらの命令は、プロセッサユニット１５０４内のプロセッサによって読出しおよび実行されうる、プログラムコード、コンピュータ使用可能プログラムコード、またはコンピュータ可読プログラムコードと呼ばれる。異なる実施形態におけるプログラムコードは、異なる物理的、あるいはメモリ１５０６または永続性記憶装置１５０８などのコンピュータ可読記憶媒体に実施されうる。

プログラムコード１５１８は、プロセッサユニット１５０４によって実行するために、選択的に着脱可能な、およびデータ処理システム１５００にロードしうる、またはそこに転送しうる、コンピュータ可読媒体１５２０上に関数形式で配置される。これらの例示的な例では、プログラムコード１５１８およびコンピュータ可読媒体１５２０は、コンピュータプログラム製品１５２２を形成する。一例では、コンピュータ可読媒体１５２０は、コンピュータ可読記憶媒体１５２４でもよく、コンピュータ可読信号媒体１５２６でもよい。コンピュータ可読記憶媒体１５２４は、たとえば、永続性記憶装置１５０８の一部であるハードドライブなどの記憶装置に転送するために、永続性記憶装置１５０８の一部であるドライブまたは他のデバイスに挿入されるか、その中に位置する、光学式ディスクまたは磁気ディスクを含みうる。コンピュータ可読記憶媒体１５２４も、データ処理システム１５００に接続されたハードドライブ、サムドライブ、またはフラッシュメモリなどの、永続性記憶装置の形式をとりうる。いくつかの例では、コンピュータ可読記憶媒体１５２４はデータ処理システム１５００から着脱可能でない場合がある。これらの例では、コンピュータ可読記憶媒体１５２４は、プログラムコード１５１８を伝搬または送信する媒体ではなく、プログラムコード１５１８を格納するために使用される、物理的または有形記憶装置である。コンピュータ可読記憶媒体１５２４は、コンピュータ可読有形記憶装置、またはコンピュータ可読物理的記憶装置とも呼ばれる。言い換えれば、コンピュータ可読記憶媒体１５２４は、人が触れることのできる媒体である。

あるいは、プログラムコード１５１８は、コンピュータ可読信号媒体１５２６を使用して、データ処理システム１５００に転送されうる。コンピュータ可読信号媒体１５２６は、たとえば、プログラムコード１５１８を含む伝搬されたデータ信号でよい。たとえば、コンピュータ可読信号媒体１５２６は、電磁信号、光信号、および／または他の任意の適切なタイプの信号でよい。これらの信号は、無線通信リンク、光ファイバケーブル、同軸ケーブル、ワイヤ、および／または他の任意の適切なタイプの通信リンクなどの通信リンクを介して送信されうる。言い換えれば、これらの例示的な例では、通信リンクおよび／または接続は物理的でもよく、無線でもよい。

いくつかの例示的実施形態では、プログラムコード１５１８は、データ処理システム１５００内で使用するためにコンピュータ可読信号媒体１５２６を通じて、他のデバイスまたはデータ処理システムから、ネットワークを介して永続性記憶装置１５０８にダウンロードされうる。たとえば、サーバデータ処理システム内のコンピュータ可読記憶媒体に格納されたプログラムコードは、サーバからデータ処理システム１５００へネットワークを介してダウンロードされうる。プログラムコード１５１８を提供するデータ処理システムは、サーバコンピュータ、クライアントコンピュータ、またはプログラムコード１５１８を格納および送信できる他の何らかのデバイスでよい。

データ処理システム１５００について示された異なるコンポーネントは、異なる実施形態が実装されうる方法へのアーキテクチャ上の制限を提供することを意図するものではない。異なる例示的実施形態は、データ処理システム１５００について図示されたものに加えて、またはその代わりに、コンポーネントを含むデータ処理システムに実装されうる。図１５に示された他のコンポーネントは、図示された例示的な例とは異なってよい。異なる実施形態は、プログラムコードを実行できる任意のハードウェアデバイスまたはシステムを使用して実装されうる。一例を挙げると、データ処理システムは、無機コンポーネント（ｉｎｏｒｇａｎｉｃ ｃｏｍｐｏｎｅｎｔ）に組み込まれた有機コンポーネント（ｏｒｇａｎｉｃ ｃｏｍｐｏｎｅｎｔ）を含んでもよく、および／または人間を除く有機コンポーネントで完全に構成されてもよい。たとえば、記憶装置は有機半導体で構成されてよい。

他の例示的な例では、プロセッサユニット１５０４は、特定の使用のために製造または構成された回路を有するハードウェアユニットの形式をとる場合がある。このタイプのハードウェアは、動作を実行するように構成される記憶装置からプログラムコードをメモリにロードせずに動作を実行できる。

たとえば、プロセッサユニット１５０４がハードウェアユニットの形式をとる場合、プロセッサユニット１５０４は、回路システム、特定用途向け集積回路（ＡＳＩＣ）、プログラム可能論理デバイス、またはいくつかの動作を実行するように構成された他の何らかの適切なタイプのハードウェアでよい。プログラム可能論理デバイスでは、デバイスはいくつかの動作を実行するように構成される。デバイスは、いくつかの動作を実行するように後に再構成されてもよく、常設型で構成されてもよい。プログラム可能論理デバイスの例には、たとえば、プログラム可能論理アレイ、フィールドプログラム可能論理アレイ、フィールドプログラム可能ゲートアレイ、および他の適切なハードウェアデバイスがある。このタイプの実装形態では、異なる実施形態についての処理がハードウェアユニットに実装されるので、プログラムコード１５１８は省略されうる。

他の例示的な例では、プロセッサユニット１５０４は、コンピュータおよびハードウェアユニット内に見られるプロセッサの組合せを使用して実装されうる。プロセッサユニット１５０４は、プログラムコード１５１８を実行するように構成された、いくつかのハードウェアユニットおよびいくつかのプロセッサを有することができる。この図示された例では、処理のうちのいくつかをいくつかのハードウェアユニットに実装でき、他の処理をいくつかのプロセッサに実装できる。

他の例では、通信フレームワーク１５０２を実装するためにバスシステムを使用でき、バスシステムは、システムバスまたは入力／出力バスなどの１つまたは複数のバスで構成されうる。当然、バスシステムは、バスシステムに接続された異なるコンポーネントまたはデバイス間のデータの転送を提供する任意の適切なタイプのアーキテクチャを使用して実装されうる。

さらに、通信ユニットは、データを送信する、データを受信する、またはデータを送受信する、いくつかのより多くのデバイスを含みうる。通信ユニットは、たとえば、モデムまたはネットワークアダプタ、２つのネットワークアダプタ、あるいはそれらの何らかの組合せでよい。さらに、メモリは、たとえば、メモリ１５０６、または通信フレームワーク１５０２内に存在しうるインターフェースおよびメモリコントローラハブ内に見られるものなどのキャッシュでよい。

以下は、上述の文および図面において開示した例の態様、変形形態、実例、および例である。一態様では、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング変形データ１４２を識別することであって、トレーニング変形データ１４２が、ヒューリスティックモデル１０４によって生成された出力データ１１８の精度を向上させるために、ヒューリスティックモデル１０４によって使用されるように構成されることと、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング歪みデータ１４４を識別することであって、トレーニング歪みデータ１４４が、ヒューリスティックモデル１０４によって生成された出力データ１１８の精度を向上させるために、ヒューリスティックモデル１０４によって使用されるように構成されることと、推定変形データ１２４が所望の精度レベルを有する入力歪みデータ１２６に基づいて構造１０８についての推定変形データ１２４を生成するためにヒューリスティックモデル１０４がトレーニングされるように、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を使用してヒューリスティックモデル１０４についてのパラメータのグループ１２１を調整することとを含む、構造１０８の変形を識別するための方法が開示される。

一変形形態では、本方法は、構造１０８がプラットフォーム１１０に関連付けられる場合、プラットフォーム１１０の動作中に、構造１０８に関連付けられるセンサシステム１３０を使用して構造１０８についての歪みデータ１２８を生成することをさらに含む。他の変形形態では、本方法は、ヒューリスティックモデル１０４、およびヒューリスティックモデル１０４についての入力歪みデータ１２６としての歪みデータ１２８を使用して、構造１０８についての推定変形データ１２４を生成することをさらに含む。他の変形形態では、本方法は、ヒューリスティックモデル１０４および歪みデータ１２８をヒューリスティックモデル１０４についての入力歪みデータ１２６として使用して、構造１０８についての推定変形データ１２４を生成することが、ヒューリスティックモデル１０４、ヒューリスティックモデル１０４についての入力歪みデータ１２６としての歪みデータ１２８、およびヒューリスティックモデル１０４についての追加入力データ１３３を使用して、構造１０８についての推定変形データ１２４を生成することを含む。

一例では、本方法は、構造１０８がプラットフォーム１１０の動作中に所望の性能レベルを有するように、ヒューリスティックモデル１０４によって生成された推定変形データ１２４を使用して構造１０８についての制御パラメータのグループ１１５を調整することをさらに含む。他の例では、本方法は、構造１０８がプラットフォーム１１０の動作中に所望の性能レベルを有するように、ヒューリスティックモデル１０４によって生成された推定変形データ１２４を使用して構造１０８についての制御パラメータのグループ１１５を調整するステップが、ヒューリスティックモデル１０４によって生成された推定変形データ１２４を使用してプラットフォーム１１０の動作中に構造１０８の変形を補正するために、構造１０８についての制御パラメータのグループ１１５を調整することを含む。

一例では、本方法は、センサシステム１３０についてのセンサの組合せを選択することであって、推定変形データ１２４が制御パラメータのグループ１１５を調整するために使用される場合、選択されたセンサの組合せが、ヒューリスティックモデル１０４が所望の精度レベルで推定変形データ１２４を生成するために、および構造１０８がプラットフォーム１１０の動作中に所望の性能レベルを有するために必要な最小数のセンサを有することをさらに含む。他の例では、本方法は、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング変形データ１４２を識別するステップが、画像化システム１５２によって生成された画像データ１５０を使用して、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング変形データ１４２を識別することであって、トレーニング変形データ１４２が、ヒューリスティックモデル１０４によって生成された出力データ１１８の精度を向上させるためにヒューリスティックモデル１０４によって使用されるように構成されることを含む。

さらに他の例では、本方法は、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング歪みデータ１４４を識別するステップが、構造１０８に関連付けられるセンサシステム１３０を使用して、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング歪みデータ１４４を識別することであって、トレーニング歪みデータ１４４が、ヒューリスティックモデル１０４によって生成された出力データ１１８の精度を向上させるためにヒューリスティックモデル１０４によって使用されるように構成されることを含む。

一変形形態では、本方法は、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング環境データを識別することであって、トレーニング環境データが、ヒューリスティックモデル１０４によって生成された出力データ１１８の精度を向上させるためにヒューリスティックモデル１０４によって使用されるように構成されることをさらに含み、また、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を使用してヒューリスティックモデル１０４についてのパラメータのグループ１２１を調整するステップが、ヒューリスティックモデル１０４が、推定変形データ１２４が所望の精度レベルを有する、入力歪みデータ１２６に基づいて構造１０８についての推定変形データ１２４を生成するためにトレーニングされるように、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データ１４２、トレーニング歪みデータ１４４、およびトレーニング環境データを使用して、ヒューリスティックモデル１０４についてのパラメータのグループ１２１を調整することを含む。

一変形形態では、本方法は、構造１０８を複数のトレーニングケース１３６内のトレーニングケースに対応する変形形状１１６に変形することと、構造１０８が変形形状１１６を有する場合、構造１０８についての歪みデータ１２８を生成することとをさらに含む。他の変形形態では、本方法は、構造１０８を複数のトレーニングケース１３６内のトレーニングケースに対応する変形形状１１６に変形するステップが、構造１０８が複数のトレーニングケース１３６内のトレーニングケースに対応する変形形状１１６に変形するように、複数の選択された負荷を、構造１０８上の複数のポイント１４８に適用することを含む。

一例では、本方法は、ヒューリスティックモデル１０４が、ニューラルネットワーク、学習ベースアルゴリズム、回帰モデル、サポートベクターマシン、データフィッティングモデル、パターン認識モデル、および人工知能のうちの少なくとも１つを含むことを含む。他の例では、本方法は、構造が、航空機に関連付けられるように構成された位相アレイアンテナ２１２であり、位相アレイアンテナ２１２の形状１１２が基準形状１１４から変形形状１１６に変化するように、航空機の飛行中に構造１０８が変形することを含む。

一態様では、複数のトレーニングケース１３６内のそれぞれのトレーニングケースの構造１０８についてのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を識別することであって、それぞれのトレーニングケースが、ヒューリスティックモデル１０４によって生成された出力データ１１８の精度を向上させるためにヒューリスティックモデル１０４によって使用されるように構成され、構造１０８がプラットフォーム１１０に関連付けられるように構成されることと、推定変形データ１２４が所望の精度レベルを有する入力歪みデータ１２６に基づいて構造１０８についての推定変形データ１２４を生成するためにヒューリスティックモデル１０４がトレーニングされるように、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を使用してヒューリスティックモデル１０４についてのパラメータのグループ１２１を調整することと、構造１０８がプラットフォーム１１０に関連付けられる場合、プラットフォーム１１０の動作中に、構造１０８に関連付けられるセンサシステム１３０を使用して構造１０８についての歪みデータ１２８を生成することと、ヒューリスティックモデル１０４、およびヒューリスティックモデル１０４についての入力歪みデータ１２６としての歪みデータ１２８を使用して、構造１０８についての推定変形データ１２４を生成することと、構造１０８がプラットフォーム１１０の動作中に所望の性能レベルを有するように、ヒューリスティックモデル１０４によって生成された推定変形データ１２４を使用して構造１０８についての制御パラメータのグループ１１５を調整することとを含む、構造１０８の性能を管理するための方法が開示される。

他の変形形態では、本方法は、センサシステム１３０についてのセンサの組合せを選択することであって、推定変形データ１２４が制御パラメータのグループ１１５を調整するために使用される場合、選択されたセンサの組合せが、ヒューリスティックモデル１０４が所望の精度レベルで推定変形データ１２４を生成するために、および構造１０８がプラットフォーム１１０の動作中に所望の性能レベルを有するために必要な最小数のセンサを有することをさらに含む。

一態様では、入力歪みデータ１２６に基づいて構造１０８についての推定変形データ１２４を生成するように構成されたヒューリスティックモデル１０４と、ヒューリスティックモデル１０４が、推定変形データ１２４が所望の精度レベルを有する入力歪みデータ１２６に基づいて構造１０８についての推定変形データ１２４を生成するように、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を識別して、複数のトレーニングケース１３６内のそれぞれのトレーニングケースについて識別されたトレーニング変形データ１４２およびトレーニング歪みデータ１４４を使用してヒューリスティックモデル１０４をトレーニングするように構成されたトレーナー１０２とを含む装置が開示される。

一変形形態では、本装置は、トレーナー１０２が、構造１０８に関連付けられるセンサシステム１３０から複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング歪みデータ１４４を受信するように構成され、センサシステム１３０が構造１０８上の複数のポイント１４８に位置する複数のセンサを含み、複数のセンサが構造１０８上の複数のポイント１４８についての複数の歪み測定値を生成するように構成されることを含む。他の変形形態では、本装置は、ヒューリスティックモデル１０４が、入力歪みデータ１２６に基づいてヒューリスティックモデル１０４によって生成された推定変形データ１２４が所望の精度レベルを有するように、複数のトレーニングケース１３６内のそれぞれのトレーニングケースのトレーニング変形データ１４２およびトレーニング歪みデータ１４４を使用してヒューリスティックモデル１０４についてのパラメータのグループ１２１を調整するように構成されることを含む。

さらに他の変形形態では、本装置は、ヒューリスティックモデル１０４が、ニューラルネットワーク、学習ベースアルゴリズム、回帰モデル、サポートベクターマシン、データフィッティングモデル、パターン認識モデル、および人工知能のうちの少なくとも１つを含むことを含む。一例では、本装置は、構造１０８がプラットフォーム１１０に関連付けられ、構造１０８がプラットフォーム１１０の動作中に所望の性能レベルを有するように、ヒューリスティックモデル１０４によって生成された推定変形データ１２４が、プラットフォーム１１０の動作中に構造１０８についての制御パラメータのグループ１１５を調整するために使用されることを含む。

例示および説明の目的で、異なる例示的実施形態の説明を提示してきたが、この説明は、網羅的であること、または開示された形式の実施形態に限定することを意図するものではない。当業者には、多くの修正形態および変形形態が明らかであろう。さらに、異なる例示的実施形態は、他の例示的実施形態と比較して異なる特徴を提供できる。選択された実施形態は、実施形態の原理および実際の適用を最もよく説明するために、ならびに他の当業者が、想定される特定の用途に適した様々な修正形態を有する様々な実施形態の開示を理解できるようにするために選ばれて説明される。

１００ トレーニング環境
１０２ トレーナー
１０４ ヒューリスティックモデル
１０６ 変形
１０８ 構造
１１０ プラットフォーム
１１２ 形状
１１４ 基準形状
１１５ 制御パラメータのグループ
１１６ 変形形状
１１８ 出力データ
１２０ 入力データ
１２１ パラメータのグループ
１２２ コンピュータシステム
１２４ 推定変形データ
１２６ 入力歪みデータ
１２８ 歪みデータ
１３０ センサシステム
１３２ 複数のセンサ
１３３ 追加入力データ
１３６ 複数のトレーニングケース
１４０ トレーニングケース
１４２ トレーニング変形データ
１４４ トレーニング歪みデータ
１４６ 複数のアクチュエータ
１４８ 複数のポイント
１５０ 画像データ
１５２ 画像化システム
１５４ 性能パラメータのグループ
２００ トレーニング環境
２０２ コンピュータシステム
２０４ サポートシステム
２０６ アクチュエータシステム
２０８ 画像化システム
２１０ センサシステム
２１１ 構造
２１２ 位相アレイアンテナ
２１４ 複数のアクチュエータ
２１６ 複数のカメラ
３００ 位相アレイアンテナ
３０２ 位相アレイアンテナ３００の一部
３０４ 複数のセンサ
３０６ 複数のポイント
３０８ センサ
３１０ ポイント
４００ 表
４０２ ポイント識別子
４０４ トレーニングケース
４０６ トレーニングケース
４０８ トレーニングケース
４１０ トレーニングケース
４１２ トレーニングケース
４１３ 推定変形測定値
５００ 表
５０２ ポイント識別子
５０４ トレーニングケース
５０６ トレーニングケース
５０８ トレーニングケース
５１０ トレーニングケース
５１２ トレーニングケース
５１３ 実際の変形測定値
６００ 表
６０２ ポイント識別子
６０４ 差分値
６０６ トレーニングケース
６０８ トレーニングケース
６１０ トレーニングケース
６１２ トレーニングケース
６１４ トレーニングケース
７００ 動作
１１００ グラフ
１１０２ グラフ
１１０４ 横軸
１１０６ 縦軸
１１０８ 横軸
１１１０ 縦軸
１１１２ 曲線
１１１４ 曲線
１２００ グラフ
１２０２ グラフ
１２０４ 横軸
１２０６ 縦軸
１２０８ 横軸
１２１０ 縦軸
１２１２ 曲線
１２１４ 曲線
１３００ グラフ
１３０２ グラフ
１３０４ 横軸
１３０６ 縦軸
１３０８ 横軸
１３１０ 縦軸
１３１２ 曲線
１３１４ 曲線
１４００ グラフ
１４０２ グラフ
１４０４ 横軸
１４０６ 縦軸
１４０８ 横軸
１４１０ 縦軸
１４１４ 曲線
１４１４ 曲線
１５００ データ処理システム
１５０２ 通信フレームワーク
１５０４ プロセッサユニット
１５０６ メモリ
１５０８ 永続性記憶装置
１５１０ 通信ユニット
１５１２ 入力／出力（Ｉ／Ｏ）ユニット
１５１４ ディスプレイ
１５１６ 記憶装置
１５１８ プログラムコード
１５２０ コンピュータ可読媒体
１５２２ コンピュータプログラム製品
１５２４ コンピュータ可読記憶媒体
１５２６ コンピュータ可読信号媒体

Claims (8)

1. プラットフォーム（１１０）に関連付けられる構造（１０８）の変形を識別するための方法であって、
   複数のトレーニングケース（１３６）内のそれぞれのトレーニングケースの前記構造（１０８）についてのトレーニング変形データ（１４２）を識別することであって、ヒューリスティックモデル（１０４）によって生成される出力データ（１１８）の精度を向上させるために、前記トレーニング変形データ（１４２）が前記ヒューリスティックモデル（１０４）によって使用されるように構成されている、トレーニング変形データ（１４２）を識別することと、
   前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記構造（１０８）についてのトレーニング歪みデータ（１４４）を識別することであって、前記ヒューリスティックモデル（１０４）によって生成される前記出力データ（１１８）の前記精度を向上させるために、前記トレーニング歪みデータ（１４４）が前記ヒューリスティックモデル（１０４）によって使用されるように構成されている、トレーニング歪みデータ（１４４）を識別することと、
   入力歪みデータ（１２６）に基づいて前記構造（１０８）についての推定変形データ（１２４）を生成するために前記ヒューリスティックモデル（１０４）がトレーニングされるように、前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記トレーニング変形データ（１４２）および前記トレーニング歪みデータ（１４４）を使用して前記ヒューリスティックモデル（１０４）についてのパラメータのグループ（１２１）を調整することと、
   前記ヒューリスティックモデル（１０４）、前記ヒューリスティックモデル（１０４）についての前記入力歪みデータ（１２６）としての歪みデータ（１２８）、および前記ヒューリスティックモデル（１０４）についての追加入力データ（１３３）を使用して、前記構造（１０８）についての前記推定変形データ（１２４）を生成することと、
   前記ヒューリスティックモデル（１０４）によって生成された前記推定変形データ（１２４）を使用して前記構造（１０８）が前記プラットフォーム（１１０）の動作中に所望の性能レベルを有するために必要な所望の精度レベルを前記推定変形データ（１２４）が有するように、前記ヒューリスティックモデル（１０４）によって生成された前記推定変形データ（１２４）を使用して前記構造（１０８）についての制御パラメータのグループ（１１５）を調整することと、
   を備える、方法。
2. 前記プラットフォーム（１１０）の動作中に、前記構造（１０８）に関連付けられるセンサシステム（１３０）を使用して前記構造（１０８）についての歪みデータ（１２８）を生成することをさらに備え、前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記構造（１０８）についての前記トレーニング歪みデータ（１４４）を識別することが、
   前記構造（１０８）に関連付けられるセンサシステム（１３０）を使用して前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記構造（１０８）についての前記トレーニング歪みデータ（１４４）を識別することであって、前記トレーニング歪みデータ（１４４）が、前記ヒューリスティックモデル（１０４）によって生成される前記出力データ（１１８）の前記精度を向上させるために前記ヒューリスティックモデル（１０４）によって使用されるように構成されている、トレーニング歪みデータ（１４４）を識別することを備える、
   請求項１に記載の方法。
3. 前記センサシステム（１３０）についてのセンサの組合せを選択することをさらに備え、前記推定変形データ（１２４）が前記制御パラメータのグループ（１１５）を調整するために使用される場合、前記選択されたセンサの組合せが、前記ヒューリスティックモデル（１０４）が前記所望の精度レベルで前記推定変形データ（１２４）を生成するために、および前記構造（１０８）が前記プラットフォーム（１１０）の前記動作中に所望の性能レベルを有するために必要な最小数のセンサを有する、請求項２に記載の方法。
4. 前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記構造（１０８）についての前記トレーニング変形データ（１４２）を識別することが、
   画像化システム（１５２）によって生成された画像データ（１５０）を使用して、前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記構造（１０８）についての前記トレーニング変形データ（１４２）を識別することを備え、前記トレーニング変形データ（１４２）が、ニューラルネットワーク、学習ベースアルゴリズム、回帰モデル、サポートベクターマシン、データフィッティングモデル、パターン認識モデル、および人工知能のうちの少なくとも１つを備えるヒューリスティックモデル（１０４）によって生成される出力データ（１１８）の精度を向上させるために前記ヒューリスティックモデル（１０４）によって使用されるように構成されている、
   請求項１から３のいずれか一項に記載の方法。
5. 前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記構造（１０８）についてのトレーニング環境データを識別することであって、前記トレーニング環境データが、前記ヒューリスティックモデル（１０４）によって生成される前記出力データ（１１８）の前記精度を向上させるために前記ヒューリスティックモデル（１０４）によって使用されるように構成されている、トレーニング環境データを識別することをさらに備え、
   前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記トレーニング変形データ（１４２）および前記トレーニング歪みデータ（１４４）を使用して前記ヒューリスティックモデル（１０４）についての前記パラメータのグループ（１２１）を調整することが、
   前記ヒューリスティックモデル（１０４）が、前記入力歪みデータ（１２６）に基づいて前記構造（１０８）についての前記所望の精度レベルを有する前記推定変形データ（１２４）を生成するようトレーニングされるように、前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記トレーニング変形データ（１４２）、前記トレーニング歪みデータ（１４４）、および前記トレーニング環境データを使用して、前記ヒューリスティックモデル（１０４）についての前記パラメータのグループ（１２１）を調整することを備える、
   請求項１から４のいずれか一項に記載の方法。
6. 前記構造（１０８）が前記複数のトレーニングケース（１３６）内の前記トレーニングケースに対応する変形形状（１１６）に変形するように、複数の選択された負荷を前記構造（１０８）上の複数のポイント（１４８）に適用することを含む、前記構造（１０８）を前記複数のトレーニングケース（１３６）内のトレーニングケースに対応する前記変形形状（１１６）に変形させることと、
   前記構造（１０８）が前記変形形状（１１６）を有する場合、前記構造（１０８）についての歪みデータ（１２８）を生成することとをさらに備え、
   前記構造（１０８）が、航空機に関連付けられるように構成された位相アレイアンテナ（２１２）であり、前記位相アレイアンテナ（２１２）の形状（１１２）が基準形状（１１４）から変形形状（１１６）に変化するように前記航空機の飛行中に前記構造（１０８）が変形する、請求項１に記載の方法。
7. 入力歪みデータ（１２６）に基づいて構造（１０８）についての推定変形データ（１２４）を生成するように構成されたヒューリスティックモデル（１０４）と、
   前記ヒューリスティックモデル（１０４）が、前記入力歪みデータ（１２６）に基づいて前記構造（１０８）についての前記推定変形データ（１２４）を生成するように、複数のトレーニングケース（１３６）内のそれぞれのトレーニングケースのトレーニング変形データ（１４２）およびトレーニング歪みデータ（１４４）を識別して、前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースについて識別された前記トレーニング変形データ（１４２）および前記トレーニング歪みデータ（１４４）を使用して前記ヒューリスティックモデル（１０４）をトレーニングするように構成されたトレーナー（１０２）と
   を備え、
   前記構造（１０８）が、プラットフォーム（１１０）に関連付けられており、
   前記構造（１０８）についての前記推定変形データ（１２４）は、前記ヒューリスティックモデル（１０４）、前記ヒューリスティックモデル（１０４）についての前記入力歪みデータ（１２６）としての歪みデータ（１２８）、および前記ヒューリスティックモデル（１０４）についての追加入力データ（１３３）を使用して生成され、
   前記構造（１０８）が前記プラットフォーム（１１０）の動作中に所望の性能レベルを有するために必要な所望の精度レベルを前記推定変形データ（１２４）が有するように、前記ヒューリスティックモデル（１０４）によって生成された前記推定変形データ（１２４）が、前記構造（１０８）についての制御パラメータのグループ（１１５）を調整するのに用いられる、装置。
8. 前記トレーナー（１０２）が、前記構造（１０８）に関連付けられるセンサシステム（１３０）から前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記トレーニング歪みデータ（１４４）を受信するように構成され、前記センサシステム（１３０）が前記構造（１０８）上の複数のポイント（１４８）に位置する複数のセンサを備え、前記複数のセンサが前記構造（１０８）上の前記複数のポイント（１４８）についての複数の歪み測定値を生成するように構成され、
   前記ヒューリスティックモデル（１０４）が、前記入力歪みデータ（１２６）に基づいて前記ヒューリスティックモデル（１０４）によって生成される前記推定変形データ（１２４）が前記所望の精度レベルを有するように、前記複数のトレーニングケース（１３６）内の前記それぞれのトレーニングケースの前記トレーニング変形データ（１４２）および前記トレーニング歪みデータ（１４４）を使用して前記ヒューリスティックモデル（１０４）についてのパラメータのグループ（１２１）を調整するように構成され、
   前記ヒューリスティックモデル（１０４）が、ニューラルネットワーク、学習ベースアルゴリズム、回帰モデル、サポートベクターマシン、データフィッティングモデル、パターン認識モデル、および人工知能のうちの少なくとも１つを備える、
   請求項７に記載の装置。

Images