Sensor Fault Diagnosis for UAVs using Machine Learning
Date Issued
May 2021
Author(s)
Advisor
Abstract
Η παρούσα εργασία αφορά την δημιουργία ενός συστήματος που θα μπορεί να κάνει διάγνωση σφαλμάτων στους αισθητήρες ενός μη επανδρωμένου αεροσκάφους, μετά από την πτήση του. Το πρόβλημα, που αντιμετωπίζεται στα μη επανδρωμένα αεροσκάφη είναι ότι ο τομέας της ανίχνευσης σφαλμάτων αισθητήρων δεν είναι ιδιαίτερα ανεπτυγμένος σε σχέση με τα επανδρωμένα αεροσκάφη, ένα άλλο σημείο είναι ότι για την σχεδίαση των συστημάτων σε κάποια μη επανδρωμένα αεροσκάφη χρησιμοποιούνται φτηνότερα εξαρτήματα με σκοπό να είναι πιο προσιτά για τον κάθε διαχειριστή.
Η υφιστάμενη εργασία βασίζεται στην πρόβλεψη σφαλμάτων στους έξι αισθητήρες που επηρεάζουν την πτήση του μη επανδρωμένου αεροσκάφους Phantom 4 PRO V2.0 της εταιρείας DJI. Οι έξι αισθητήρες που θα μελετηθούν είναι: IMU sensor, Compass Sensor, Barometric Sensor, Battery Sensor, GPS sensor, Propeller/RPM Sensor. Αρχικά θα γίνουν αρκετές πτήσεις για να ληφθούν πραγματικά δεδομένα, στη συνέχεια θα γίνει η λήψη των δεδομένων που καταγράφουν οι έξι αισθητήρες, με την βοήθεια κατάλληλου λογισμικού, μετά θα αναπτυχθούν αλγόριθμοι μηχανικής μάθησης που θα κάνουν πρόβλεψη κάθε ένα συγκεκριμένο χρονικό διάστημα κατά πόσον στο αεροσκάφος υπάρχει κρίσιμο σφάλμα, ποιος αισθητήρας παρουσιάζει σφάλμα και τέλος ποιο είδος σφάλματος παρουσιάζεται σε κάθε συγκεκριμένη χρονική στιγμή.
Στη συνέχεια για την αποθήκευση των δεδομένων κάθε πτήσης, τα μοντέλα που εκπαιδευτήκαν για τις προβλέψεις των σφαλμάτων θα αποθηκευτούν σε μια βάση δεδομένων. Τέλος θα εξαχθούν κάποια αποτελέσματα από δύο συγκεκριμένα μοντέλα και θα γίνει η σύγκριση τους, για να βρεθεί ποιο μοντέλο είναι πιο ακριβές στην πρόβλεψη των σφαλμάτων και κατά συνέπεια να μπορεί ο μηχανικός του αεροσκάφους να πάρει σωστές αποφάσεις για την συντήρηση του.
Η υφιστάμενη εργασία βασίζεται στην πρόβλεψη σφαλμάτων στους έξι αισθητήρες που επηρεάζουν την πτήση του μη επανδρωμένου αεροσκάφους Phantom 4 PRO V2.0 της εταιρείας DJI. Οι έξι αισθητήρες που θα μελετηθούν είναι: IMU sensor, Compass Sensor, Barometric Sensor, Battery Sensor, GPS sensor, Propeller/RPM Sensor. Αρχικά θα γίνουν αρκετές πτήσεις για να ληφθούν πραγματικά δεδομένα, στη συνέχεια θα γίνει η λήψη των δεδομένων που καταγράφουν οι έξι αισθητήρες, με την βοήθεια κατάλληλου λογισμικού, μετά θα αναπτυχθούν αλγόριθμοι μηχανικής μάθησης που θα κάνουν πρόβλεψη κάθε ένα συγκεκριμένο χρονικό διάστημα κατά πόσον στο αεροσκάφος υπάρχει κρίσιμο σφάλμα, ποιος αισθητήρας παρουσιάζει σφάλμα και τέλος ποιο είδος σφάλματος παρουσιάζεται σε κάθε συγκεκριμένη χρονική στιγμή.
Στη συνέχεια για την αποθήκευση των δεδομένων κάθε πτήσης, τα μοντέλα που εκπαιδευτήκαν για τις προβλέψεις των σφαλμάτων θα αποθηκευτούν σε μια βάση δεδομένων. Τέλος θα εξαχθούν κάποια αποτελέσματα από δύο συγκεκριμένα μοντέλα και θα γίνει η σύγκριση τους, για να βρεθεί ποιο μοντέλο είναι πιο ακριβές στην πρόβλεψη των σφαλμάτων και κατά συνέπεια να μπορεί ο μηχανικός του αεροσκάφους να πάρει σωστές αποφάσεις για την συντήρηση του.
File(s)![Thumbnail Image]()
Name
Sensor Fault Diagnosis for UAVs using Abstract.pdf
Size
174.8 KB
Format
Adobe PDF
Checksum (MD5)
fe6bc4a0c12d120f720f611eed3693cc