Fault detection in unmanned aerial vehicles via orientation signals and machine learning

Autor: Francisco-Ronay López-Estrada, Guillermo Valencia-Palomo, Elías N. Escobar-Gómez, Ildeberto Santos-Ruiz, A. Méndez-López
Jazyk: Spanish; Castilian
Rok vydání: 2021
Předmět:
0209 industrial biotechnology
aprendizaje de máquina
análisis en componentes principales
General Computer Science
Computer science
Vehículo aéreo no tripulado
Feature extraction
02 engineering and technology
cuadrirrotor
Principal component analisys
detección e identificación de fallas
020901 industrial engineering & automation
Quadrotor
Machine learning
0202 electrical engineering
electronic engineering
information engineering
Detección e identificación de fallas
Aprendizaje de máquina
Computer vision
vehículo aéreo no tripulado
Cuadrirrotor
Control engineering systems. Automatic machinery (General)
Angular displacement
Orientation (computer vision)
business.industry
020208 electrical & electronic engineering
Unmanned aerial vehicle
Support vector machine
Statistical classification
Control and Systems Engineering
TJ212-225
Principal component analysis
Fault detection and isolation
Análisis en componentes principales
Artificial intelligence
Actuator
business
Subspace topology
Zdroj: Revista Iberoamericana de Automática e Informática Industrial RIAI, Vol 18, Iss 3, Pp 254-264 (2021)
RiuNet: Repositorio Institucional de la Universitat Politécnica de Valéncia
Universitat Politècnica de València (UPV)
ISSN: 1697-7920
1697-7912
Popis: [EN] This work proposes an actuator fault detection and isolation scheme for a quadrotor unmanned aerial vehicle (UAV) under a data-driven approach using machine learning techniques. In this approach, an implicit model of the system is built through the information provided by the onboard sensors of the UAV. First, using a tailored flying platform, vibrations corresponding to the orientation, angular position and linear acceleration were captured with the UAV flying in hover mode under nominal conditions. This data is processed by Principal Component Analysis (PCA) for feature extraction. Subsequently, faults in the actuators are induced through a cut in each of the UAV propellers which generate a reduction in the thrust of the rotors. These data are also projected into the PCA subspace and compared to the nominal data. Hotelling’s T 2 statistic is used to discern between nominal data and data when the vehicle exhibits an actuator fault. Finally, the developed algorithms were complemented with k-nearest neighbors (k-NN) and support vector machine (SVM) classification algorithms. The results show a correct classification rate of 89.6 % (k-NN) and 92.4 % (SVM) respectively for 423 validation datasets.
[ES] Este trabajo propone un esquema de detección y localización de fallas en los actuadores de un vehículo aéreo no tripulado (VANT) del tipo cuadrirrotor. Para ello, se considera un enfoque basado en datos haciendo uso de técnicas de aprendizaje de máquina. En este enfoque se construye un modelo implícito del sistema a través de la información proporcionada por los sensores del VANT. Primero, a través de un plataforma de vuelo de tipo giroscópica, se captan las vibraciones correspondientes a la orientación, posición angular y aceleración lineal cuando el vehículo se encuentra en vuelo estacionario en condiciones nominales. Estos datos se procesan mediante Análisis en Componentes Principales (PCA) para la extracción de características. Posteriormente, se induce una falla a los actuadores a través de un recorte en cada una de las hélices del VANT que ocasionan una reducción del empuje generado por los rotores. Estos datos se proyectan también al subespacio de componentes principales y se comparan con los datos nominales. Para discernir entre los datos nominales y los datos cuando el vehículo presenta falla, se emplea el estadístico T2 de Hotelling. Finalmente, el desarrollo se complementa con los algoritmos de clasificación de k-vecinos más cercanos (k-NN) y de máquina de vectores de soporte (SVM). Los resultados muestran una tasa de clasificación correcta del 89.6 % (k-NN) y 92.4 %(SVM) respectivamente para 423 conjuntos de datos de validación.
Databáze: OpenAIRE
Externí odkaz: