LogoLogo

Baskaya, Elgiz. Détection & diagnostic de pannes pour les drones utilisant la machine learning

Baskaya, Elgiz (2019). Détection & diagnostic de pannes pour les drones utilisant la machine learning.

[img]PDF - nécessite un logiciel de visualisation PDF comme GSview, Xpdf or Adobe Acrobat Reader
5Mb

Résumé en francais

Cette nouvelle ère de petits UAV qui peuplent actuellement l'espace aérien soulève de nombreuses préoccupations en matière de sécurité, en raison de l'absence de pilote à bord et de la nature moins précise des capteurs. Cela nécessite des approches intelligentes pour faire face aux situations d'urgence qui se produiront inévitablement pour toutes les catégories d'opérations d'UAV telles que définies par l'AESA (Agence européenne de la sécurité aérienne). Les limitations matérielles de ces petits véhicules suggèrent l'utilisation de la redondance analytique plutôt que la pratique habituelle de la redondance matérielle dans l'aviation humaine. Au cours de cette étude, des pratiques d'apprentissage automatique sont mises en œuvre afin de diagnostiquer les défaillances d'un petit drone à voilure fixe afin d'éviter le fardeau de la modélisation précise nécessaire au diagnostic par le modèle. Une méthode de classification supervisée, SVM (Support Vector Machines), permet de classer les défauts.Les données utilisées pour diagnostiquer les défauts sont les mesures de gyroscope et d'accéléromètre. L'idée de restreindre le jeu de données aux mesures d'accéléromètre et de gyroscope est de vérifier la capacité de classification de la méthode, avec un jeu de puces petit et peu coûteux, sans avoir à accéder aux données du pilote automatique, telles que les informations d'entrée de commande. Ce travail aborde les défauts dans les surfaces de contrôle d'un UAV. Plus précisément, les défauts considérés sont la surface de contrôle coincée en angle et la perte d'efficacité.Tout d'abord, un modèle d'aéronef est simulé. Ce modèle n'est pas utilisé pour la conception d'algorithmes FDD (Fault Detection and Diagnosis), mais est utilisé pour générer des données. Des données simulées sont utilisées à la place des données de vol pour isoler les effets probables du contrôleur sur le diagnostic, ce qui peut compliquer une étude préliminaire sur les FDD pour les drones. Les résultats montrent que pour les mesures simulées, SVM donne des résultats très précis sur la classification des défauts de perte d'efficacité sur les surfaces de contrôle. Ces résultats prometteurs appellent un complément d'investigation afin d'évaluer les performances du SVM en matière de classification des anomalies avec les données de vol. Des vols réels ont été organisés pour générer des données de vol erronées en manipulant le pilote automatique open source, Paparazzi. Toutes les données et le code sont disponibles dans le système de partage de code et de versions, Github. La formation est interrompue en raison du besoin de données étiquetées et du fardeau informatique lié à la phase de réglage des classificateurs. Les résultats montrent que, d'après les données de vol, SVM donne un score F1 de 0,98 pour la classification des failles bloquées à la surface de contrôle. En ce qui concerne les défauts de perte d'efficacité, il est nécessaire de recourir à certaines techniques d'ingénierie, impliquant l'ajout de mesures antérieures, pour obtenir les mêmes performances de classification. Un résultat prometteur est découvert lorsque les spinors sont utilisés comme caractéristiques au lieu de vitesses angulaires. Les résultats montrent qu'en utilisant les spinors pour la classification, la précision de la classification est considérablement améliorée, en particulier lorsque les classificateurs ne sont pas accordés. À l'aide de spinors et d'un noyau Gaussian, un classifieur sans accord donne un score F1 de 0,9555, soit 0,2712 lorsque les mesures gyroscopiques ont été utilisées. En résumé, ce travail montre que SVM donne une performance satisfaisante pour la classification des défauts sur les gouvernes d'un drone à l'aide de données de vol.

Sous la direction du :
Directeur de thèse
Delahaye, Daniel
Bronz, Murat
Ecole doctorale:Aéronautique, astronautique (AA)
laboratoire/Unité de recherche :Laboratoire Communications Numeriques et Algorithmes
Mots-clés libres :Détection & diagnostic de pannes - Drones - UAV - Techniques d'apprentissage - Support vector machines - Défauts de l'actionneur
Sujets :Sciences de l'ingénieur
Déposé le :13 Nov 2019 12:44