Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina
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 implíc...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Universitat Politècnica de València
2021-07-01
|
| Series: | Revista Iberoamericana de Automática e Informática Industrial RIAI |
| Subjects: | |
| Online Access: | https://polipapers.upv.es/index.php/RIAI/article/view/14031 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1846093913947897856 |
|---|---|
| author | F. R. López-Estrada A. Méndez-López I. Santos-Ruiz G. Valencia-Palomo E. Escobar-Gómez |
| author_facet | F. R. López-Estrada A. Méndez-López I. Santos-Ruiz G. Valencia-Palomo E. Escobar-Gómez |
| author_sort | F. R. López-Estrada |
| collection | DOAJ |
| description | 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. |
| format | Article |
| id | doaj-art-49a5e98efd1441a4a46090fbd7eeb1e8 |
| institution | Kabale University |
| issn | 1697-7912 1697-7920 |
| language | Spanish |
| publishDate | 2021-07-01 |
| publisher | Universitat Politècnica de València |
| record_format | Article |
| series | Revista Iberoamericana de Automática e Informática Industrial RIAI |
| spelling | doaj-art-49a5e98efd1441a4a46090fbd7eeb1e82025-01-02T16:02:50ZspaUniversitat Politècnica de ValènciaRevista Iberoamericana de Automática e Informática Industrial RIAI1697-79121697-79202021-07-0118325426410.4995/riai.2020.140318436Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquinaF. R. López-Estrada0A. Méndez-López1I. Santos-Ruiz2G. Valencia-Palomo3E. Escobar-Gómez4Tecnológico Nacional de MéxicoTecnológico Nacional de MéxicoTecnológico Nacional de MéxicoTecnológico Nacional de MéxicoTecnológico Nacional de MéxicoEste 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.https://polipapers.upv.es/index.php/RIAI/article/view/14031vehículo aéreo no tripuladodetección e identificación de fallasanálisis en componentes principalesaprendizaje de máquinacuadrirrotor |
| spellingShingle | F. R. López-Estrada A. Méndez-López I. Santos-Ruiz G. Valencia-Palomo E. Escobar-Gómez Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina Revista Iberoamericana de Automática e Informática Industrial RIAI vehículo aéreo no tripulado detección e identificación de fallas análisis en componentes principales aprendizaje de máquina cuadrirrotor |
| title | Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina |
| title_full | Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina |
| title_fullStr | Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina |
| title_full_unstemmed | Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina |
| title_short | Detección de fallas en vehículos aéreos no tripulados mediante señales de orientación y técnicas de aprendizaje de máquina |
| title_sort | deteccion de fallas en vehiculos aereos no tripulados mediante senales de orientacion y tecnicas de aprendizaje de maquina |
| topic | vehículo aéreo no tripulado detección e identificación de fallas análisis en componentes principales aprendizaje de máquina cuadrirrotor |
| url | https://polipapers.upv.es/index.php/RIAI/article/view/14031 |
| work_keys_str_mv | AT frlopezestrada detecciondefallasenvehiculosaereosnotripuladosmediantesenalesdeorientacionytecnicasdeaprendizajedemaquina AT amendezlopez detecciondefallasenvehiculosaereosnotripuladosmediantesenalesdeorientacionytecnicasdeaprendizajedemaquina AT isantosruiz detecciondefallasenvehiculosaereosnotripuladosmediantesenalesdeorientacionytecnicasdeaprendizajedemaquina AT gvalenciapalomo detecciondefallasenvehiculosaereosnotripuladosmediantesenalesdeorientacionytecnicasdeaprendizajedemaquina AT eescobargomez detecciondefallasenvehiculosaereosnotripuladosmediantesenalesdeorientacionytecnicasdeaprendizajedemaquina |