GraphSAGE mejorado con autoatención para el diagnóstico de fallos de UAV mediante señales de vibración

Área de la Ciencia:

• Ingeniería Mecánica
• Inteligencia Artificial
• Ingeniería Aeroespacial

Sus antecedentes:

• Los métodos tradicionales de diagnóstico de fallos para vehículos aéreos no tripulados (VANT) se enfrentan a desafíos en la extracción de características críticas de señales de vibración complejas.
• El diagnóstico de fallos eficaz es crucial para garantizar la seguridad operativa de los VANT, la fiabilidad de la misión y prevenir fallos catastróficos.

Objetivo del estudio:

• Proponer un marco de diagnóstico de fallos mejorado, GraphSAGE-SA, que extraiga eficazmente las características de fallos de los datos de vibración de los VANT.
• Mejorar la precisión y la robustez de los sistemas inteligentes de diagnóstico de fallos para VANT y sistemas mecánicos complejos similares.

Principales métodos:

• Se desarrolló un sistema personalizado de adquisición de datos de vibración utilizando sensores MPU6050.
• Se utilizó el algoritmo K-Nearest Neighbors (KNN) para transformar señales de vibración 1D en datos estructurados en grafos.
• Se implementó un modelo GraphSAGE-SA con un mecanismo de autoatención para la agregación jerárquica de información y la ponderación adaptativa de la importancia de los vecinos.

Principales resultados:

• Se logró una precisión de clasificación de fallos del 98 % en una plataforma de VANT de cuadricóptero.
• Se demostró un rendimiento superior en comparación con las variantes convencionales de GraphSAGE (mejora del 3-12 %) y otros métodos basados en grafos.
• El modelo GraphSAGE-SA captura eficazmente los patrones estructurales locales y las dependencias globales en los datos de vibración.

Conclusiones:

• El marco propuesto GraphSAGE-SA ofrece una solución novedosa y eficaz para el diagnóstico inteligente de fallos en VANT.
• El mecanismo de autoatención mejora la precisión de la extracción de características, lo que conduce a mejoras significativas en la precisión del diagnóstico.
• Este enfoque promete mejorar la seguridad y la fiabilidad de las operaciones de los VANT y otras maquinarias complejas.