Análisis de la estructura en un octocoptero utilizando sensores piezoeléctricos y aprendizaje automático

Área de la Ciencia:

• Ingeniería
• La robótica
• Monitoreo de la salud estructural

Sus antecedentes:

• Los diagnósticos de vehículos aéreos no tripulados (UAV) existentes a menudo se centran en la localización de fallas.
• Hay una necesidad de entender cómo las fallas motoras localizadas se propagan estructuralmente dentro de un UAV.

Objetivo del estudio:

• Desarrollar y validar una nueva metodología de diagnóstico para evaluar el daño del sistema de propulsión y su propagación espacial en los VANT.
• Investigar la eficacia de los sensores piezoeléctricos y el aprendizaje automático para el monitoreo de la salud de los UAV.

Principales métodos:

• Daño simulado del motor (20%-80%) por variación del ciclo de trabajo del PWM en los brazos individuales del dron.
• Se registran las señales de tensión de los sensores piezoeléctricos en cada brazo.
• Características estadísticas del dominio de tiempo y frecuencia extraídas de los datos del sensor.
• Modelos de aprendizaje automático utilizados (Random Forest, KNN) para la clasificación de los daños.

Principales resultados:

• Se ha logrado una alta precisión de clasificación (93%-94%) para el brazo motor dañado.
• Se identificó una menor precisión (50%-57%) para el brazo opuesto, lo que indica efectos de propagación del daño.
• Encontró que las características del dominio de frecuencia mejoran la precisión del diagnóstico, especialmente para los brazos no adyacentes.

Conclusiones:

• La metodología propuesta detecta efectivamente el daño del sistema de propulsión y su propagación en los UAV.
• El análisis del dominio de frecuencia mejora las capacidades de diagnóstico para el daño distribuido.
• Esta investigación contribuye a la vigilancia robusta de la salud y a las evaluaciones de la fiabilidad estructural de los VANT.