Dynamic routing of signal in on-board computers to increase system reliability

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The paper presents a module of the device for searching the degree of optimal placement (DOPPS) for onboard computers, implementing hardware and software reorganization of the topology of the onboard computer subsystem responsible for determining the parameters of speed, altitude, and incident flow pressure under combined interference. The “early cutoff” algorithm on the Kintex-7 FPGA checks up to 1.2 · 106 routes in 0.55 μs and switches the channel in less than 0.72 μs, which satisfies the 1 μs limit established by DO-178C and ARINC 664. HIL tests showed a 15% decrease in the integral “perturbed cost” ΔL and an increase in the probability of successful transmission Ps to 0.96. At the same time, the dynamic power of the CPU decreased by 1.1 W, and the peak temperature of the crystal did not exceed 55 °C. The solution is suitable for serial implementation in UAVs and modernization of manned systems without modification of certified software.

About the authors

Kirill A. Ivanenko

Southwest State University (SWSU)

Author for correspondence.
Email: k.iwanencko@gmail.com
ORCID iD: 0009-0006-5125-3720
SPIN-code: 3300-6222

postgraduate student

Russian Federation, Kursk

Dmitry B. Borzov

Southwest State University (SWSU)

Email: borzovdb@mail.ru
ORCID iD: 0000-0001-7926-8349
SPIN-code: 2905-2172

Dr. Sci. (Eng.), Professor, Department of Computer Engineering

Russian Federation, Kursk

Vitaly S. Titov

Southwest State University (SWSU)

Email: titov-kstu@rambler.ru
SPIN-code: 1042-6379

Dr. Sci. (Eng.), Professor

Russian Federation, Kursk

Alexander S. Sizov

Southwest State University (SWSU)

Email: sizov1942@mail.ru

Dr. Sci. (Eng.), Professor

Russian Federation, Kursk

References

  1. Bukirev A.S. Method for diagnosing aircraft on-board equipment based on machine learning. Proceedings of MAI. 2023. No. 133. (In Rus.)
  2. Dzhigan V.I. Adaptive signal filtering: Theory and algorithms. Moscow: Tekhnosfera, 2013. 528 p.
  3. Yeskin V.I., Poluektov S.P., Rubinov V.I. et al. Modeling of the altitude-speed flight parameter sensor for a maneuverable aircraft. Proceedings of MAI. 2014. Issue 80. (In Rus.)
  4. Ivanov V.F., Koshkarov A.S. Increasing the noise immunity of GLONASS consumer navigation equipment by integrating it with inertial sensors. Proceedings of MAI. 2017. No. 93. (In Rus.)
  5. Likhachev V.P., Sidorenko S.V. Noise immunity of the image autofocusing algorithm based on minimum entropy in a complex background environment. Proceedings of MAI. 2016. No. 99. (In Rus.)
  6. Nerovny V.V. Noise immunity of multi-system GNSS consumer equipment. Moscow: Nauchnaya kniga, 2018. 227 p.
  7. Nikitin A.V., Soldatkin V.V., Soldatkin V.M. Design and algorithms for processing information for the helicopter low airspeed measurement system in takeoff and landing modes. Proceedings of MAI. 2012. Issue 61. (In Rus.)
  8. Oleynik A.I. Algorithm for calculating true values of aircraft flight aerometric parameters. Aerospace Instrumentation. 2011. No. 1. Pp. 3–10. (In Rus.)
  9. Tyapkin P.S. Hardware and software complex for testing methods of blind signal processing in radio systems. Proceedings of MAI. 2023. No. 129. (In Rus.). doi: 10.34759/trd-2023-129-17.
  10. Anderson J., Brown L. Low-latency AXI4-Stream DMA controller for high-speed data acquisition. In: Proceedings of the 31st International Conference on Field-Programmable Logic and Applications (FPL). 2021. Pp. 167–174.
  11. Gomes S., Pomportes B., Wallaert M. A real-time air-data system with embedded Kalman filtering on reconfigurable hardware. Aerospace Science and Technology. 2020. Vol. 105. Art. 105989.
  12. Sharman R.D., Lane T.P. An overview of the clear-air turbulence forecasting problem and future challenges. Progress in Aerospace Sciences. 2016. Vol. 82. Pp. 46–73.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Example diagram of a graph of an onboard computer subsystem with 5 nodes: Pitot, Static – sensors; wij – the base weight; δij – the increment

Download (113KB)
Indexing metadata
3. Fig. 2. The tree of route enumeration for N = 4: branches that are interrupted when their partial cost exceeds βLbest are marked in gray

Download (206KB)
Indexing metadata
4. Fig. 3. Logarithmic plot of “number of tested configurations K vs N”: curves for the full search N! and for the algorithm with a cutoff (β = 0.85)); the change in the exponential slope to the power of p ≈ 1.7 is visible

Download (187KB)
Indexing metadata
5. Fig. 4. Surface ΔL(λice, λturb) for the base and optimized topology

Download (328KB)
Indexing metadata
6. Fig. 5. Structural diagram of UPSOR

Download (84KB)
Indexing metadata
7. Fig. 6. Block diagram of the algorithm

Download (252KB)
Indexing metadata


License URL: https://www.urvak.ru/contacts/

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».