Diseño de una herramienta para la detección de fallos en sistemas multirrotores
Barra lateral del artículo
Contenido principal del artículo
Resumen
Los vehículos no tripulados (UAV) con multirrotores, cuentan con un sistema de control que se enfoca principalmente en buscar la estabilidad del vehículo durante el vuelo, sin embargo, no le permite detectar o prever cuando se presenta un fallo, y muchas veces no responde de la mejor manera. En este artículo se presenta inicialmente 9 categorías de fallos que se podrían encontrar durante el vuelo de un UAV, además se presenta el diseño de una red neuronal recurrente capaz de detectar patrones en las series de datos tomadas de un conjunto de sensores, montados sobre el dron. Se presenta la comparación de dos redes diferentes, la LSTM y la GRU, donde se demuestra que la red GRU es la más apropiada para este tipo de problema, obteniéndose hasta un 97% de éxito con los datos de entrenamiento utilizados. Además, se propone una respuesta a los fallos por medio de un protocolo de comunicación llamado MAVLink, que informaría al usuario de la presencia del fallo, además de desconectar el motor de ser necesario.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
Citas
T. Audronis, Building Multicopter Video Drones. Packt Publishing Ltd, 2014.
P. Misra, G. Kandaswamy, P. Mohapatra, K. Kumar, and P. Balamuralidhar, “Structural health monitoring of multi-rotor micro aerial vehicles”, DroNet 2018 - Proceedings of the 2018 ACM International Conference on Mobile Systems, Applications and Services, pp. 21-26, 2018. doi: 10.1145/3213526.3213531.
G. E. G. Jr, C. S. Kulkarni, E. Hogge, A. Hsu, and N. Ownby, “A Study of the Degradation of Electronic Speed Controllers for Brushless DC Motors”, 2017.
Roger, “A Guide to Understanding LiPo Batteries”, Roger’s Hobby Center, pp. 1-9, 2018. [Online]. Available: https://rogershobbycenter.com/lipoguide.
S. Rajagopalan, J. M. Aller, J. A. Restrepo, T. G. Habetler, and R. G. Harley,”Detection of rotor faults in brushless DC motors operating under nonstationary conditions”, IEEE Transactions on Industry Applications, vol. 42, no. 6, pp. 1464-1477, 2006, issn: 00939994. doi: 10.1109/TIA.2006.882613.
D. K. Athanasopoulos, P. D. Karagkounis, J. C. Kappatou, M. Ieee, and S. Tsotoulidis, “Demagnetization Faults Analysis in a BLDC Motor for Diagnostic Purposes”, 2014 International Conference on Electrical Machines (ICEM), pp. 1862-1868, 2014. doi: 10.1109/ICELMACH.2014.6960437.
W. H. Kersting, “Causes and effects of single-phasing induction motors”, IEEE Transactions on Industry Applications, vol. 41, no. 6, pp. 1499-1505, 2005, issn: 00939994. doi: 10.1109/TIA.2005.857467.
A. Verner, “LSTM Networks for Detection and Classification of Anomalies in Raw Sensor Data” by in Computer Science College of Engineering and Computing, no. May 2019. doi: 10.13140/RG.2.2.19049.54888.
C. Olah, Understanding LSTM Networks, 2015. [Online]. Available: http://colah.github.io/posts/2015-08-Understanding-LSTMs/ .