| Περίληψη: | Στην παρούσα διπλωματική εργασία εξετάζεται η διάγνωση βλαβών σε έλικα τετρακόπτερου (quadcopter) μη επανδρωμένου ιπτάμενου οχήματος (Unmanned Aerial Vehicle, U.A.V.) με χρήση στοχαστικών σημάτων ταλάντωσης μετρούμενα από αισθητήριο του οχήματος. Περιλαμβάνεται η ανίχνευση και η αναγνώριση (χαρακτηρισμός) της σημαντικότητας περιορισμένης έκτασης βλαβών 5 συνήθων σεναρίων βλάβης σε έναν έλικα του οχήματος, με στατιστικές μεθόδους χρονοσειρών τύπου μηχανικής μάθησης. Πραγματοποιούνται συνολικά 130 πειράματα, 30 με το υγιές όχημα και 20 για το εκάστοτε σενάριο βλάβης, όπου σε κάθε πείραμα λαμβάνεται ένα σήμα απόκρισης επιτάχυνσης στην κάθετη διεύθυνση του οχήματος υπό συνθήκες αιώρησης (hovering). Η ανίχνευση βλάβης επιχειρείται μέσω τεσσάρων μη επιβλεπόμενων (unsupervised) μεθόδων χρονοσειρών βάσει: (i) του Φάσματος Ισχύος (Power Spectral Density, PSD) των μετρήσεων, το οποίο εκτιμάται κατά Welch, (ii) των παραμέτρων μοντέλων Αυτοπαλινδρόμησης AR (μέθοδος AR-P), (iii) της διασποράς των υπολοίπων μοντέλων AR (μέθοδος AR-RV) και (iv) της λευκότητας των υπολοίπων μοντέλων AR (μέθοδος AR-RU). Δεδομένου ότι ορισμένοι τύποι βλαβών επηρεάζουν κατά παρόμοιο τρόπο την δυναμική του οχήματος και συνεπώς δεν υπάρχει σαφής διαχωρισμός μεταξύ τους, επιχειρείται χαρακτηρισμός αυτών βάσει μεθόδων που χρησιμοποιούν Πολλαπλά Στοχαστικά Μοντέλα οι οποίες καλούνται ως μέθοδοι Πολλαπλών Μοντέλων (Multiple Models, ΜΜ). Συγκεκριμένα εφαρμόζονται οι εξής MM μέθοδοι: (i) η MM-PSD βάσει εκτιμήτριας Welch, (ii) οι MM-AR-P και ΜΜ-ARMA-P βάσει των παραμέτρων μοντέλων ΑR αλλά και μοντέλων Αυτοπαλινδρόμησης Κινητού Μέσου όρου (Autoregressive Moving Average, ARMA), (iii) η MM-PCA-AR στην οποία μειώνεται το διάνυσμα παραμέτρων της MM-AR με ανάλυση κύριων συνιστωσών (Principal Component Analysis, PCA), (iv) οι ΜΜ-AR-RV και MM-ARMA-RV βάσει της διασποράς των υπολοίπων των αντίστοιχων μοντέλων και (v) οι ΜΜ-AR-RU και MM-ARMA-RU βάσει της λευκότητας των υπολοίπων των μοντέλων. Τα αποτελέσματα της ανίχνευσης βλαβών, παρουσιάζονται μέσω καμπυλών ROC (Receiving Operator Characteristic) υποδεικνύοντας τη συνολική υπεροχή της AR-RU η οποία επιτυγχάνει 100% ανίχνευση για 0% ψευδο-συναγερμούς (false alarms) σε όλα τα σενάρια βλάβης. Για την αναγνώριση βλαβών, η απόδοση της κάθε μεθόδου κρίνεται βάσει Πινάκων Σύγχυσης (confusion matrices) και τα αποτελέσματα υποδεικνύουν ότι τον υψηλότερο ποσοστό ορθής αναγνώρισης βλάβης παρουσιάζει η ΜΜ-PSD, ενώ ικανοποιητικά αποτελέσματα προκύπτουν και μέσω της ΜΜ-ARMA-RU.
|
|---|
