論文の概要: Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model

• arxiv url: http://arxiv.org/abs/2302.01556v1
• Date: Fri, 3 Feb 2023 05:28:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-06 17:12:49.796260
• Title: Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model
• Title（参考訳）: ハイブリッドデータ生成モデルに基づくUAVプロペラ故障検出のための機械学習
• Authors: J.J. Tong, W. Zhang, F. Liao, C.F. Li, Y.F. Zhang
• Abstract要約: 本稿では,RPMとフライトデータを用いて,故障プロペラの同定と,故障レベルの分類に焦点をあてる。 オフライントレーニングデータ生成を実現するために,仮想データ生成モデルの開発にハイブリッドアプローチを提案する。 その結果, 実験により, プロペラ断層の位置と損傷の程度, タイプを同定できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper describes the development of an on-board data-driven system that can monitor and localize the fault in a quadrotor unmanned aerial vehicle (UAV) and at the same time, evaluate the degree of damage of the fault under real scenarios. To achieve offline training data generation, a hybrid approach is proposed for the development of a virtual data-generative model using a combination of data-driven models as well as well-established dynamic models that describe the kinematics of the UAV. To effectively represent the drop in performance of a faulty propeller, a variation of the deep neural network, a LSTM network is proposed. With the RPM of the propeller as input and based on the fault condition of the propeller, the proposed propeller model estimates the resultant torque and thrust. Then, flight datasets of the UAV under various fault scenarios are generated via simulation using the developed data-generative model. Lastly, a fault classifier using a CNN model is proposed to identify as well as evaluate the degree of damage to the damaged propeller. The scope of this paper focuses on the identification of faulty propellers and classification of the fault level for quadrotor UAVs using RPM as well as flight data. Doing so allows for early minor fault detection to prevent serious faults from occurring if the fault is left unrepaired. To further validate the workability of this approach outside of simulation, a real-flight test is conducted indoors. The real flight data is collected and a simulation to real sim-real test is conducted. Due to the imperfections in the build of our experimental UAV, a slight calibration approach to our simulation model is further proposed and the experimental results obtained show that our trained model can identify the location of propeller fault as well as the degree/type of damage. Currently, the diagnosis accuracy on the testing set is over 80%.
• Abstract（参考訳）: 本報告では,4段無人航空機(UAV)の故障の監視と位置推定が可能なデータ駆動システムの開発について述べるとともに,実シナリオ下での故障の程度を評価する。 オフライントレーニングデータ生成を実現するために、データ駆動モデルと、uavのキネマティクスを記述する確立された動的モデルを組み合わせた仮想データ生成モデルを開発するためのハイブリッドアプローチが提案されている。 故障プロペラの性能低下を効果的に表現するために,深部ニューラルネットワークの変動,LSTMネットワークを提案する。 プロペラのRPMを入力とし、プロペラの故障条件に基づいて、提案したプロペラモデルは、その結果のトルクと推力を推定する。 次に, 種々の故障シナリオ下でのUAVの飛行データセットを, 開発したデータ生成モデルを用いてシミュレーションにより生成する。 最後に, cnnモデルを用いた故障分類器を提案するとともに, 損傷したプロペラの損傷度を評価する。 本稿では,RPMと飛行データを用いて,故障プロペラの同定と4軸UAVの故障レベル分類に焦点を当てた。 これにより、早期のマイナーな障害検出が可能となり、障害が修復されていない場合に深刻な障害が発生するのを防ぐことができる。 シミュレーション以外の手法の作業性をさらに検証するため,実飛行試験を屋内で実施した。 実際のフライトデータを収集し、実際のsim-realテストへのシミュレーションを行う。 実験によるUAV構築の不完全性により, シミュレーションモデルに対する若干のキャリブレーション手法が提案され, 実験結果から, プロペラ断層の位置と損傷の程度・タイプを同定できることが確認された。 現在、検査セットの診断精度は80%以上である。

関連論文リスト

• Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
  無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。 効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。 本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
  論文  参考訳（メタデータ） (2024-04-24T13:50:27Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• Simulation-to-reality UAV Fault Diagnosis with Deep Learning [20.182411473467656]
  そこで本研究では,四重項の故障診断におけるシミュレーションと現実のギャップに対処する深層学習モデルを提案する。 提案手法はプロペラ断層の検出において96%の精度を実現する。 これは4段プロペラのシミュレーション・トゥ・リアル故障診断のための信頼性と効率のよい最初の方法である。
  論文  参考訳（メタデータ） (2023-02-09T02:37:48Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• A reduced-order modeling framework for simulating signatures of faults in a bladed disk [0.0]
  本稿では, 回転軸上の羽根円板の振動特性をシミュレートする低次モデリング手法について報告する。 我々は、複雑な動的応答についてより深い洞察を得るために、サブコンポーネントのラッピングおよび1次元解析モデルを用いてきた。
  論文  参考訳（メタデータ） (2021-08-13T14:21:51Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。