Détection & diagnostic de pannes pour les drones utilisant la machine learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Fault detection and diagnosis for drones using machine learning

Détection & diagnostic de pannes pour les drones utilisant la machine learning

Résumé

This new era of small UAVs currently populating the airspace introduces many safety concerns, due to the absence of a pilot onboard and the less accurate nature of the sensors. This necessitates intelligent approaches to address the emergency situations that will inevitably arise for all classes of UAV operations as defined by EASA (European Aviation Safety Agency). Hardware limitations for these small vehicles point to the utilization of analytical redundancy, rather than to the usual practice of hardware redundancy in manned aviation. In the course of this study, machine learning practices are implemented in order to diagnose faults on a small fixed-wing UAV to avoid the burden of accurate modeling needed in model-based fault diagnosis. A supervised classification method, SVM (Support Vector Machines) is used to classify the faults. The data used to diagnose the faults are gyro and accelerometer measurements. The idea to restrict the data set to accelerometer and gyro measurements is to check the method's classification ability, with a small and inexpensive chip set and without the need to access the data from the autopilot, such as the control input information. This work addresses the faults in the control surfaces of a UAV. More specifically, the faults considered are the control surface stuck at an angle and the loss of effectiveness.First, a model of an aircraft is simulated. This model is not used for the design of Fault Detection and Diagnosis (FDD) algorithms, but is instead utilized to generate data. Simulated data are used instead of flight data in order to isolate the probable effects of the controller on the diagnosis, which may complicate a preliminary study on FDD for drones. The results show that for simulated measurements, SVM gives very accurate results on the classification of the loss of effectiveness faults on the control surfaces. These promising results call for further investigation so as to assess SVM performance on fault classification with flight data. Real flights were arranged to generate faulty flight data by manipulating the open source autopilot, Paparazzi. All data and the code are available in the code sharing and versioning system, Github. Training is held offline due to the need for labeled data and the computational burden of the tuning phase of the classifiers. Results show that from the flight data, SVM yields an F1 score of 0.98 for the classification of control surface stuck faults. For the loss of efficiency faults, some feature engineering, involving the addition of past measurements is needed in order to attain the same classification performance. A promising result is discovered when spinors are used as features instead of angular velocities. Results show that by using spinors for classification, there is a vast improvement in classification accuracy, especially when the classifiers are untuned. Using spinors and a Gaussian Kernel, an untuned classifier gives an F1 score of 0.9555, which was 0.2712 when gyro measurements were used as features. In summary, this work shows that SVM gives a satisfactory performance for the classification of faults on the control surfaces of a drone using flight data.
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.
Fichier principal
Vignette du fichier
2019TOU30043B.pdf (6.06 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-02737089 , version 1 (02-06-2020)

Identifiants

  • HAL Id : tel-02737089 , version 1

Citer

Elgiz Baskaya. Détection & diagnostic de pannes pour les drones utilisant la machine learning. Algorithme et structure de données [cs.DS]. Université Paul Sabatier - Toulouse III, 2019. Français. ⟨NNT : 2019TOU30043⟩. ⟨tel-02737089⟩
751 Consultations
328 Téléchargements

Partager

Gmail Facebook X LinkedIn More