論文の概要: A Machine Learning Framework for Fault Detection, Isolation, and Severity Prediction of Autonomous VTOL Aircraft

• arxiv url: http://arxiv.org/abs/2609.14180v1
• Date: Sat, 12 Sep 2026 23:03:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.753471
• Title: A Machine Learning Framework for Fault Detection, Isolation, and Severity Prediction of Autonomous VTOL Aircraft
• Title（参考訳）: 自律型VTOL航空機の故障検出・隔離・深刻度予測のための機械学習フレームワーク
• Abstract要約: 実飛行時の故障検出は, センサノイズ, 環境障害, マルチロータプラットフォームの非線形空気力学などにより, 依然として困難である。 本研究では,実飛行データを用いた異常検出,隔離,重大度予測のための総合的な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.31498833540989407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault detection in autonomous VTOL aircraft is critical because even minor component degradations can rapidly destabilize multirotor vehicles operating in complex, safety-critical environments, motivating robust fault detection and estimation strategies capable of identifying early signs of rotor damage; however, real-flight fault detection remains challenging due to sensor noise, environmental disturbances, and the nonlinear aerodynamics of multirotor platforms. This study proposes a comprehensive machine-learning framework for rotor fault detection, isolation, and severity prediction using real flight data. A convolutional neural network (CNN) architecture is developed to learn spatio-temporal patterns from multivariate flight dynamics, enabling direct inference of both the faulted rotor and its damage level. The framework is first validated using simulated data generated by a data-generative model, and experimental validation is then performed on a hexacopter by introducing controlled blade-tip breakage. The trained model achieves rotor-wise fault classification accuracies above 99% and severity estimation accuracy of 96% within a 1% tolerance in experimental data, demonstrating strong generalization and supporting real-time health monitoring for autonomous VTOL systems.
• Abstract（参考訳）: 自律型VTOL航空機の故障検出は、小型部品の劣化でさえ、複雑で安全に重要な環境で動作しているマルチロータ車両を迅速に不安定化し、ロータ損傷の早期の兆候を識別できる堅牢な故障検出と推定戦略を動機付けることができるため重要であるが、センサノイズ、環境障害、およびマルチロータプラットフォームにおける非線形空気力学のため、実際の故障検出は依然として困難である。 本研究では,実飛行データを用いたロータ故障検出,隔離,重大度予測のための総合的な機械学習フレームワークを提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、多変量飛行力学から時空間パターンを学習するために開発され、故障ロータとその損傷レベルの両方を直接推定できる。 このフレームワークはまずデータ生成モデルによって生成されたシミュレーションデータを用いて検証され、その後、制御羽根先端破壊を導入してヘキサコプター上で実験的検証を行う。 トレーニングされたモデルでは, 自動VTOLシステムにおいて, ロータワイズ故障分類精度を99%以上, 1%の許容範囲内で96%の重症度推定精度を達成し, 強力な一般化とリアルタイム健康モニタリングをサポートする。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• UAV-SEAD: State Estimation Anomaly Dataset for UAVs [0.0]
  このデータセットは、52時間以上の飛行時間で1396回の実際の飛行記録で構成されている。 UAV状態推定異常を4つのクラスに分類する構造化分類を提案する。 このデータセットは、異常検出と隔離システムの開発、トレーニング、評価において重要な役割を果たすことが期待されている。
  論文  参考訳（メタデータ） (2026-02-14T21:45:30Z)
• Learning-based Detection of GPS Spoofing Attack for Quadrotors [11.398843753130425]
  本稿では,変圧器をベースとした4重項UAVの高度な攻撃検出フレームワークであるQUADFormerを提案する。 このフレームワークは、異常に敏感な配列を生成する残基生成器を特徴とし、変換器によって解析され、検出と分類のための統計的パターンをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-10T02:20:59Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• 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)
• Machine Learning for UAV Propeller Fault Detection based on a Hybrid Data Generation Model [0.0]
  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。
  論文  参考訳（メタデータ） (2023-02-03T05:28:02Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Anomaly Detection for Unmanned Aerial Vehicle Sensor Data Using a Stacked Recurrent Autoencoder Method with Dynamic Thresholding [0.3441021278275805]
  本稿では,Long Short-Term Memory (LSTM) Deep Learning Autoencoderをベースとした,新しい動的しきい値決定アルゴリズムとUAVデータセットの異常検出のための重み付き損失関数を組み込んだシステムを提案する。 動的しきい値と重み付き損失関数は、精度関連性能指標と真の故障検出速度の両方において、標準静的しきい値法に有望な改善を示した。
  論文  参考訳（メタデータ） (2022-03-09T14:16:14Z)
• 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)

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。