Обнаружение поломки винта квадрокоптера методами машинного обучения

Предмет исследования. Представлено исследование вариантов обнаружения поломки или дефекта винта беспилотной авиационной системы (квадрокоптера) с использованием методов машинного обучения. Выполнена оригинальная оценка точности известных алгоритмов с применением на практике получаемых данных с квадрокоптера в условиях его полета. Метод. Предложенный метод основан на классификации трех состояний винтов (исправные винты, один винт искусственно деформирован, один винт сломан) с использованием алгоритмов машинного обучения. Исходной информацией являются данные, получаемые с измерительной системы квадрокоптера в реальном времени: скорость, ускорение и угол поворота относительно трех осей. Для корректной работы представленного алгоритма выполнена предварительная обработка данных с разделением на временные интервалы и применением к полученным интервалам быстрого преобразования Фурье. На основе обработанных данных проведено обучение алгоритмов машинного обучения с использованием метода опорных векторов, алгоритма k-ближайших соседей, алгоритма дерева решений и многослойного персептрона. Основные результаты. Выполнено сравнение полученных значений точности предложенных методов. Показано, что применение методов машинного обучения позволяют обнаруживать и классифицировать состояния винта с точностью до 96 %. Наилучший результат достигнут с использованием алгоритма дерева решений. Практическое значение. Результаты исследования могут иметь практическое значение для систем обнаружения дефектов и поломок винтов беспилотных летательных аппаратов в реальном времени. Получена возможность прогнозирования с высокой точностью износа винта, повышать стабильность и безопасность полета.

1. Зенкин А.М., Осинкин Е.А., Пачковский К.А. Детектирование границ пожара по камере на вычислительных мощностях беспилотного летательного аппарата // Альманах научных работ молодых ученых Университета ИТМО. Т 2. СПб., 2019. С. 81–83.

2. Цветков В.Я., Ознамец В.В. Мониторинг транспортной инфраструктуры с использованием интеллектуальных БПЛА // Автоматика, связь, информатика. 2020. № 8. С. 18–21.

3. Агеева Е.Г., Евсеев О.В. Перспективы применения БПЛА как средства доставки грузов // Современные проблемы управления внешнеэкономической деятельностью: Материалы международной научной конференции. М.: Всероссийская академия внешней торговли Министерства экономического развития РФ, 2018. С. 161–167.

4. Морозов Ю.В. Экстренное управление квадрокоптером при отказе двух симметричных винтов // Автоматика и телемеханика. 2018. № 3. С. 92–110.

5. Зотин Н.А. Разработка оптических средств контроля работы воздушных винтов беспилотных летательных аппаратов // Актуальные проблемы и перспективы развития гражданской авиации: cборник трудов IX Международной научно-практической конференции. Иркутск: Иркутский филиал МГТУ ГА, 2020. С. 237–242.

6. Bondyra A., Gasior P., Gardecki S., Kasinski A. Fault diagnosis and condition monitoring of UAV rotor using signal processing // Proc. of the 21st Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA). 2017. P. 233–238. https://doi.org/10.23919/SPA.2017.8166870

7. Rago C., Prasanth R., Mehra R.K., Fortenbaugh R. Failure detection and identification and fault tolerant control using the IMM-KF with applications to the Eagle-Eye UAV // Proc. of the 37th IEEE Conference on Decision and Control (CDC). V. 4. 1998. P. 4208– 4213. https://doi.org/10.1109/CDC.1998.761963

8. Abbaspour A., Aboutalebi P., Yen K.K., Sargolzaei A. Neural adaptive observer-based sensor and actuator fault detection in nonlinear systems: Application in UAV // ISA Transactions. 2017. V. 67. P. 317– 329. https://doi.org/10.1016/j.isatra.2016.11.005

9. Abdalla A.S., Marojevic V. Machine learning-assisted UAV operations with the UTM: Requirements, challenges, and solutions // Proc. of the 92nd IEEE Vehicular Technology Conference (VTC). 2020. P. 9348605. https://doi.org/10.1109/VTC2020-Fall49728.2020.9348605

10. Phanindra B.R., Pralhad R.N., Raj A.A. B. Machine learning based classification of ducted and non-ducted propeller type quadcopter // Proc. of the 6th International Conference on Advanced Computing and Communication Systems (ICACCS). 2020. P. 1296–1301. https://doi.org/10.1109/ICACCS48705.2020.9074307

11. Baskaya E., Bronz M., Delahaye D. Fault detection & diagnosis for small UAVs via machine learning // Proc. of the 36th IEEE/AIAA Digital Avionics Systems Conference (DASC). 2017. P. 8102037. https://doi.org/10.1109/DASC.2017.8102037

12. Yang P., Wen C., Geng H., Liu P. Intelligent fault diagnosis method for blade damage of quad-rotor UAV based on stacked pruning sparse denoising autoencoder and convolutional neural network // Machines. 2021. V. 9. N 12. P. 360. https://doi.org/10.3390/machines9120360

13. Chen X.M., Wu C.-X., Wu Y., Xiong N.-X., Han R., Ju B.-B., Zhang S. Design and analysis for early warning of rotor UAV based on data-driven DBN // Electronics. 2019. V. 8. N 11. P. 1350. https://doi.org/10.3390/electronics8111350

14. Парфентьев К.В., Жильцов А.И. Разработка интеллектуальной системы оценки состояния беспилотного летательного аппарата на основе нейросетевых технологий // Радиостроение. 2018. № 2. С. 13–28. https://doi.org/10.24108/rdeng.0218.0000134

15. Kotsiantis S.B. Supervised machine learning: A review of classification techniques // Frontiers in Artificial Intelligence and Applications. 2007. V. 160. P. 3–24.

16. Вьюгин В. Математические основы машинного обучения и прогнозирования. М.: Изд-во МЦНМО, 2017. 383 с.

17. Toledo-Pérez D.C., Rodríguez-Reséndiz J., Gómez-Loenzo R.A., Jauregui-Correa J.C. Support vector machine-based EMG signal classification techniques: A review // Applied Sciences. 2019. V. 9. N 20. P. 4402. https://doi.org/10.3390/app9204402

18. Zhou X., Wu Y., Yang B. Signal classification method based on support vector machine and high-order cumulants // Wireless Sensors Network. 2010. V. 2. N 1. P. 48–52. https://doi.org/10.4236/wsn.2010.21007

19. Dhanabal S., Chandramathi S. A review of various k-nearest neighbor query processing techniques // International Journal of Computer Applications. 2011. V. 31. N 7. P. 14–22. https://doi.org/10.5120/3836-5332

20. Zhang S., Li X., Zong M., Zhu X., Cheng D. Learning k for kNN classification // ACM Transactions on Intelligent Systems and Technology. 2017. V. 8. N 3. P. 43. https://doi.org/10.1145/2990508

21. Guo G., Wang H., Bell D., Bi Y., Greer K. KNN model-based approach in classification // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). 2003. V. 2888. P. 986–996. https://doi.org/10.1007/978-3-540-39964-3_62

22. Myles A.J., Feudale R.N., Liu Y., Woody N.A., Brown S.D. An introduction to decision tree modeling // Journal of Chemometrics. 2004. V. 18. N 6. P. 275–285. https://doi.org/10.1002/cem.873

23. Song Y.-Y., Lu Y. Decision tree methods: applications for classification and prediction // Shanghai Archives of Psychiatry.2015. V. 27. N 2. P. 130. https://doi.org/10.11919/j.issn.1002- 0829.215044

24. Zanaty E.A. Support vector machines (SVMs) versus multilayer perception (MLP) in data classification // Egyptian Informatics Journal. 2012. V. 13. N 3. P. 177–183. https://doi.org/10.1016/j.eij.2012.08.002