Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina

Francisco-Ronay López-Estrada, Alejandro Méndez-López, Ildeberto Santos-Ruiz, Guillermo Valencia-Palomo, Elías Escobar-Gómez

Resumen

Este trabajo propone un esquema de detección y localización de fallas en los actuadores de un vehículo aéreo no tripulado (VANT) del tipo cuadrirrotor bajo 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 del desgaste en cada una de las hélices del VANT que, al desprenderse, ocasionan una reducción del empuje generado por los motores. Estos datos se proyectan también al subespacio PCA y se comparan con los datos nominales. Se hace uso del estadístico T^2 de Hotelling para discernir entre los datos nominales y los datos cuando el vehículo presenta esta falla. Finalmente, el desarrollo se complementa con los algoritmos de clasificación k-NN y SVM, con lo que se obtuvo un algoritmo más robusto para la detección y localización de la falla.


Palabras clave

Aprendizaje automático; PCA; Detección e identificación de fallas; vehículos aéreos no tripulados

Clasificación por materias

Inteligencia computacional y técnicas de supervisión y detección de fallos aplicados al control automático de sistemas

Texto completo:

PDF

Referencias

Alos, A., Dahrouj, Z., 2020. Detecting contextual faults in unmanned aerial vehicles using dynamic linear regression and k-nearest neighbour classifier. Gyroscopy and Navigation 11, 94–104.

Baskaya, E., Bronz, M., Delahaye, D., 2017. Fault detection & diagnosis for small uavs via machine learning, in: Digital Avionics Systems Conference (DASC), 2017 IEEE/AIAA 36th, IEEE. pp. 1–6.

Benini, A., Ferracuti, F., Monteri`u, A., Radensleben, S., 2019. Fault detection of a VTOL UAV using acceleration measurements, in: 2019 18th European Control Conference (ECC), IEEE. pp. 3990–3995.

Freeman, P., Pandita, R., Srivastava, N., Balas, G.J., 2013. Model-based and data-driven fault detection performance for a small UAV. IEEE/ASME Transactions on Mechatronics 18, 1300–1309.

Gertler, J., 2015. Fault detection and diagnosis. Encyclopedia of Systems and Control , 417–422.

Ghalamchi, B., Mueller, M., 2018. Vibration-based propeller fault diagnosis for multicopters, in: 2018 International Conference on Unmanned Aircraft Systems (ICUAS), IEEE. pp. 1041–1047.

Guo, K., Liu, L., Shi, S., Liu, D., Peng, X., 2019. UAV sensor fault detection

using a classifier without negative samples: A local density regulated

optimization algorithm. Sensors 19, 771.

Guzmán-Rabasa, J.A., López-Estrada, F.R., González-Contreras, B.M., Valencia-Palomo, G., Chadli, M., Perez-Patricio, M., 2019. Actuator fault detection and isolation on a quadrotor unmanned aerial vehicle modeled as a linear parameter-varying system. Measurement and Control 52, 1228–1239.

Iannace, G., Ciaburro, G., Trematerra, A., 2019. Fault diagnosis for UAV blades using artificial neural network. Robotics 8, 59.

Jiang, Y., Zhiyao, Z., Haoxiang, L., Quan, Q., 2015. Fault detection and identification for quadrotor based on airframe vibration signals: a data-driven method, in: 2015 34th Chinese Control Conference (CCC), IEEE. pp. 6356– 6361.

Jolliffe, I., 2011. Principal component analysis. Springer.

Keipour, A., Mousaei, M., Scherer, S., 2019. Alfa: A dataset for UAV fault and anomaly detection. arXiv preprint arXiv:1907.06268 .

Khan, B., Rossiter, J.A., Valencia-Palomo, G., 2011. Exploiting kautz functions to improve feasibility in MPC. IFAC Proceedings Volumes 44, 6777–6782.

Li, M., Li, G., Zhong, M., 2016. A data driven fault detection and isolation scheme for UAV flight control system, in: Control Conference (CCC), 2016 35th Chinese, IEEE. pp. 6778–6783.

López-Estrada, F.R., Rotondo, D., Valencia-Palomo, G., 2019. A review of convex approaches for control, observation and safety of linear parameter varying and Takagi-Sugeno systems. Processes 7, 814.

López-Estrada, F.R., Santos-Estudillo, O., Valencia-Palomo, G., Gómez-Peñate, S., Hernandez-Gutiérrez, C., 2020. Robust qLPV tracking faulttolerant control of a 3 dof mechanical crane. Mathematical and Computational Applications 25, 48.

Martinez, W.L., Martinez, A.R., 2015. Computational statistics handbook with MATLAB. Chapman and Hall/CRC.

Mouloua, M., Gilson, R., Kring, J., Hancock, P., 2001. Workload, situation awareness, and teaming issues for UAV/UCAV operations, in: Proceedings of the human factors and ergonomics society annual meeting, SAGE Publications Sage CA: Los Angeles, CA. pp. 162–165.

Mueller, M.W., D’Andrea, R., 2014. Stability and control of a quadrocopter despite the complete loss of one, two, or three propellers, in: 2014 IEEE International Conference on Robotics and Automation (ICRA), IEEE. pp. 45–52.

Nonami, K., Kendoul, F., Suzuki, S.,Wang,W., Nakazawa, D., 2010. Introduction, in: Autonomous Flying Robots. Springer, pp. 1–29.

Qin, S.J., 2012. Survey on data-driven industrial process monitoring and diagnosis. Annual reviews in control 36, 220–234.

Russell, E.L., Chiang, L.H., Braatz, R.D., 2012. Data-driven methods for fault detection and diagnosis in chemical processes. Springer Science & Business Media.

Saied, M., Lussier, B., Fantoni, I., Francis, C., Shraim, H., Sanahuja, G., 2015. Fault diagnosis and fault-tolerant control strategy for rotor failure in an octorotor, in: IEEE International Conference on Robotics and Automation, IEEE. pp. 5266–5271.

Santos-Ruiz, I., López-Estrada, F.R., Puig, V., Blesa, J., Javadiha, M., 2019. Localización de fugas en redes de distribución de agua mediante k-NN con distancia cosenoidal. Asociación de México de Control Automático .

Sharifi, F., Mirzaei, M., Gordon, B.W., Zhang, Y., 2010. Fault tolerant control of a quadrotor uav using sliding mode control, in: 2010 Conference on Control and Fault-Tolerant Systems (SysTol), IEEE. pp. 239–244.

Strang, G., Strang, G., Strang, G., Strang, G., 2016. Introduction to linear algebra. volume 3. Wellesley-Cambridge Press Wellesley, MA.

Sun, R., Cheng, Q., Wang, G., Ochieng, W., 2017. A novel online data-driven algorithm for detecting UAV navigation sensor faults. Sensors 17, 2243.

Tamura, M., Tsujita, S., 2007. A study on the number of principal components and sensitivity of fault detection using PCA. Computers & Chemical Engineering 31, 1035–1046.

Valencia-Palomo, G., Villanueva-Grijalba, O., Robles-Ríos, R., 2018. Device for the pose measurement and test of control algoritms for unmanned aerial vehicles. Mexican Patent MX/a/2017/005377.

Vapnik, V., 2013. The nature of statistical learning theory. Springer Science & Business Media.

Vey, D., Lunze, J., 2016. Experimental evaluation of an active fault-tolerant control scheme for multirotor uavs, in: 2016 3rd Conference on Control and Fault-Tolerant Systems (SysTol), IEEE. pp. 125–132.

Wang, B., Peng, X., Jiang, M., Liu, D., 2020. Real time fault detection for UAV based on model acceleration engine. IEEE Transactions on Instrumentation and Measurement .

Wang, B., Wang, Z., Liu, L., Liu, D., Peng, X., 2019. Data-driven anomaly detection for UAV sensor data based on deep learning prediction model, in: 2019 Prognostics and System Health Management Conference (PHMParis), IEEE. pp. 286–290.

Wold, S., 1978. Cross-validatory estimation of the number of components in factor and principal components models. Technometrics 20, 397–405.

Xian, B., Hao, W., 2019. Nonlinear robust fault-tolerant control of the tilt trirotor UAV under rear servo’s stuck fault: Theory and experiments. IEEE Transactions on Industrial Informatics 15, 2158–2166.

Xiao, K., Zhao, J., He, Y., Li, C., Cheng, W., 2019. Abnormal behavior detection scheme of UAV using recurrent neural networks. IEEE Access 7, 110293–110305.

Yang, H., Meng, C., Wang, C., 2020. A hybrid data-driven fault detection strategy with application to navigation sensors. Measurement and Control , 0020294020920891.

Yap, Y.K., 2014. Structural health monitoring for unmanned aerial systems. EECS., UNC, BerNley, Rep. UCB/EECS-2014-70 .

Yousefi, P., Fekriazgomi, H., Demir, M.A., Prevost, J.J., Jamshidi, M., 2018. Data-driven fault detection of un-manned aerial vehicles using supervised learning over cloud networks, in: 2018World Automation Congress (WAC),

Abstract Views

845
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912