Меню
Публикации
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2022-22-2-385-391
УДК 623.746.-519
Обнаружение поломки винта квадрокоптера методами машинного обучения
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Кириленко И.И., Косарева Е.А., Николаев А.А., Зенкин А.М., Селезнева Я.М., Николаев Н.А. Обнаружение поломки винта квадрокоптера методами машинного обучения // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 2. С. 385–391. doi: 10.17586/2226-1494-2022-22-2-385-391
Аннотация
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.
Ключевые слова: беспилотная авиационная система, квадрокоптер, машинное обучение, детектирование поломки винта, метод опорных векторов, дерево решений, k-ближайших соседей, многослойный персептрон
Список литературы
Список литературы
-
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.
-
Цветков В.Я., Ознамец В.В. Мониторинг транспортной инфраструктуры с использованием интеллектуальных БПЛА // Автоматика, связь, информатика. 2020. № 8. С. 18–21.
-
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.
-
Морозов Ю.В. Экстренное управление квадрокоптером при отказе двух симметричных винтов // Автоматика и телемеханика. 2018. № 3. С. 92–110.
-
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.
-
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
-
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
-
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
-
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
-
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
-
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
-
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
-
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
-
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
-
Kotsiantis S.B. Supervised machine learning: A review of classification techniques // Frontiers in Artificial Intelligence and Applications. 2007. V. 160. P. 3–24.
-
Вьюгин В. Математические основы машинного обучения и прогнозирования. М.: Изд-во МЦНМО, 2017. 383 с.
-
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
-
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.
-
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
-
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
-
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
-
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
-
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
-
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