Diseño de una herramienta para la detección de fallos en sistemas multirrotores

• Autores: Dilan Andrey Loría Quesada
• Localización: Tecnología en Marcha, ISSN 0379-3982, ISSN-e 2215-3241, Vol. 34, Nº. Extra 5, 2021 (Ejemplar dedicado a: Movilidad Estudiantil 9), págs. 28-39
• Idioma: español
• Títulos paralelos:
  • Design of a tool for failures detection in multirrotor systems
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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.

  • English

    Unmanned vehicles (UAVs) with multirotors, have a control system that focuses mainly on seeking vehicle stability during flight, however, it does not allow it to detect or predict when a failure occurs, and often does not respond in the best way. This article initially presents 9 categories of failures that could be found during the flight of a UAV, as well as the design of a recurrent neural network capable of detecting patterns in the data series taken from a set of sensors, mounted on the drone. The comparison of two different networks is presented, the LSTM and the GRU, where it is shown that the GRU network is the most appropriate for this type of problem, obtaining up to 97% success with the training data used. In addition, a response to failures is proposed through a communication protocol called MAVLink, which would inform the user of the presence of the failure, in addition to disconnecting the motor if necessary.